人工神经网络用于对位取代苯酚定量构效关系的研究

本文利用误差反向传播(BP)的人工神经网络(ANN)模型研究了对位取代苯酚衍生物的生物活性与其结构及物理化学性质参数之间的定量构效关系。优化了ANN模型的参数设计,提出了动态调节网络学习速率的经验规则以改善网络的性能。采用f(x)=1/(1+e~(-x))作为网络节点的输入输出转换函数的三层神经网络具有较佳性能,当取隐含节点数为10时,该网络预测26个对位取代苯酚衍生物生物活性的均方误差(mse)为0.036,优于常规构效关系预测结果。     

基于混沌自适应粒子群人工神经网络的气体在聚合物中的溶解模型

为提高溶解预测模型的效率和关联度, 建立基于混沌理论、自适应粒子群优化(PSO)算法和反向传播(BP)算法的混沌自适应PSO-BP神经网络模型, 并对二氧化碳(CO₂)在聚苯乙烯(PS)和聚丙烯(PP)中、氮气(N₂)在PS中的溶解度进行预测试验. 模型选用压力和温度作为输入参数, 使用试探法确定隐含层结点个数为8, 输出为预测的溶解度. 模型融合混沌理论、自适应PSO和BP算法各自的优势, 提高了训练速度和预测精度. 结果表明, 混沌自适应PSO-BP神经网络有很好的预测能力, 预测值与实验值相当吻合, 通过与传统BP神经网络和PSO-BP神经网络的比较可知, 其预测精度和相关性均明显较优, 预测平均绝对误差(AAD), 标准偏差(SD)和平方相关系数(R²)分别为0.0058, 0.0198和0.9914.     

一种改进BP网络结构用于化学中的非线性校正

针对化学领域中的非线性关系特点,在常规BP网络基础上,提出了一种“杂交”型BP网络,包含两个隐层,并有输入层到输出层的直连接。它可很好地解释数据中同时存在的线性及非线性关系,效果优于多元回归法及普通BP算法。     

基于三维荧光光谱的枸杞鉴别方法

以枸杞干果为研究对象,将三维荧光光谱技术与平行因子分析法、BP神经网络相结合,建立枸杞定性鉴别模型。采用固体样品支架测得枸杞粉末样品的三维荧光光谱,利用平行因子分析方法对预处理后的三维荧光矩阵进行三线性分解得到2个主因子的浓度得分,然后将浓度得分作为BP神经网络的输入向量,建立枸杞的人工神经网络鉴别模型。利用所建模型对待测样品进行预测,预测正确率为100%。结果表明,平行因子分析结合BP神经网络建立的枸杞产地鉴别模型,能够快速准确地鉴别宁夏枸杞。     

遗传神经网络用于分光光度法同时测定钢中镧和铈

应用遗传算法自适应概率搜索神经网络中隐含层结点数、学习速率、动量因子,无需大量训练样本,就可以使三者达到最优匹配,优化网络结构和参数,建立一种遗传神经网络算法,解决了BP神经网络过拟合问题。在镧(铈)-间磺酸基偶氮氯膦新的同时测定显色体系中,应用遗传神经网络同时测定钢中镧和铈。镧和铈配合物的表观摩尔吸光系数分别为5.03×104和7.26×104L.mol-1.cm-1。     

应用反向传播神经网络预测化合物脑血分配系数

选用27种三维结构性质描述符对脑血分配系数预测建立神经网络模型.网络模型选用典型的适合函数逼近的两层结构神经网络对脑血分配系数（lgBB，BB为脑血浓度比）进行预测,计算中采用的模型具有一个双曲正切型激活函数的隐含层和一个线性激活函数的输出层.计算表明,使用小心选择的反向传播神经网络模型对化合物脑血分配系数具有较好的预测能力.     

神经网络方法在血管紧张素转换酶抑制剂定量构效关系建模中的应用

对20个ACEI化合物用量子化学方法进行结构优化并计算出10个参数,用9种不同隐含层节点数的BP神经网络研究了ACEI的定量构效关系,建立了节点为10/6/1的三层BP神经网络模型。结果表明:以量化理论计算所得参数可以构建合理的ACEI定量构效关系模型,神经网络模型M6的r2=0.995,S=0.050,6个验证集化合物的残差平方和为0.002,预测能力明显强于多元线形回归模型,亦优于同类文献报道,可作为ACEI研发领域中预测先导化合物活性的理论工具。     

应用反向传播神经网络预测化合物脑血分配系数

选用27种三维结构性质描述符对脑血分配系数预测建立神经网络模型.网络模型选用典型的适合函数逼近的两层结构神经网络对脑血分配系数(lgBB,BB为脑血浓度比)进行预测,计算中采用的模型具有一个双曲正切型激活函数的隐含层和一个线性激活函数的输出层.计算表明,使用小心选择的反向传播神经网络模型对化合物脑血分配系数具有较好的预测能力.     

人工神经网络用于预测脂肪醇沸点

本文利用误差反向传播（ＢＰ）的人工神经网络（ＡＮＮ）模型研脂肪醇的结构与沸点的定量关系。提出一组分子描述码（Ｎ，Ｃ，Ｔ＿ｍ，Ｔ＿３，Ｔ＿ｄ）作为输入的结构参数，取隐含节点数为３的三层网络用于脂肪醇沸点预测，预测结果与实验结果符合良好，优于多元回归分析的方法所得结果。     

应用人工神经网络预测氢化可的松的溶解度

以量子化学方法在密度泛函B3LYP/6-31G(d)水平上计算得到含有电负性原子的溶剂水、醇类、酮类、酯类、氯代烷烃共17种溶剂的结构参数：最高占用轨道能(EHOMO)、分子最低空轨道能(ELUMO)、分子偶极矩(μ)、分子总能量(Etotal) 、最正原子净电荷(q+)、最负原子净电荷(q-)。采用误差反向传播(BP)算法的三层人工神经网络,确定隐含层节点数为7,建立了EHOMO、ELUMO、μ、Etotal、q+、q-、摩尔体积(VM)、介电常数(ε)、温度(T)共9个参数与氢化可的松在不同温度下不同溶剂中的溶解度之间关系的模型。运用此神经网络模型可预测不同分离条件下氢化可的松的溶解度,平均预测相对误差为7.0%。