分子三维投影法在苯酚类化合物构效关系研究中的应用

对苯酚类化合物进行三维投影得到了5个形状参数,将其与3个Am指数及8个量子化学参数相结合.由最佳变量子集回归法对变量进行了压缩与选择,运用多元回归分析和人工神经网络法分别构造了预测数学模型,得到了满意的结果.     

原子三角法在定量结构/活性相关分析中的应用

分子相似度;回归分析;人工神经网络;原子三角法在定量结构/活性相关分析中的应用     

含CexZr1-xO2三效催化剂设计的神经网络仿真与优化

提出一种含CexZr1-xO2的三效催化剂的设计方法,即利用人工神经网络来进行辅助设计.首先考察了影响三效催化剂性能的一些重要因素,确定了所研究的三效催化剂模型.然后采用共沉淀方法制备了一系列铈锆固溶体,并将它们作为三效催化剂的助催化剂.采用传统的催化剂制备方法制备了一系列负载贵金属的三效催化剂,所制备的催化剂在模拟尾气中进行评价,得到的数据作为神经网络的训练样本和测试样本,建立了神经网络模型,并初步进行了预测和优化.     

纤维素酶水解动力学的人工神经网络模型研究

酶作用机制的模糊以及影响异相体系因素的大量存在, 使得纤维素水解的酶催化过程高度复杂, 很难为之建立理论模型. 采用非理论模型人工神经网络模拟和预测了纤维素酶水解反应, 并与常用的响应面模型进行了比较. 选取加酶量 X1, 底物浓度 X2 和反应时间 X3 作为自变量, 还原糖浓度 Y1 和原料转化率 Y2 作为响应值. 结果表明, 人工神经网络模型比响应面模型更适合作为研究纤维素酶水解的动力学工具. 在模拟过程中, 除中心试验点外, 只有 1 个试验点上人工神经网络模拟值 Y2 产生的误差大于响应面模型. 在预测过程中, 人工神经网络模型的预测值都比响应面模型更接近实验值.     

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%。     

DNA与目标分子相互作用的预测性研究

以量化的分子结构参数和实验结果为依据, 运用模式识别技术、多元线性回归和人工神经网络研究了目标分子与DNA相互作用的主要影响因素, 建立了准确性较高的2个键合常数预测模型和1个作用模式预测模型. 初次量化的分子结构参数有21种, 经过筛选发现其中的10种参数对相互作用有显著影响. 研究结果可为抗癌药物的分子设计和筛选提供有价值的信息.     

基于人工神经网络的茶叶咖啡因提取条件的优化

研究了浸提时间、液料比、溶剂酸碱度和浸提温度对提取效果的影响。在单因素试验的基础上对提取咖啡因的工艺条件进行了优化,优化结果显示,浸提温度在咖啡因的提取过程中影响最为显著,其次是提取时间、pH值和液料比,各因素较优的水平为浸提温度80℃,浸提时间90 min,液料比为30∶1,pH=7,并对正交实验数据分别作多元一次和二次回归,得到相应的回归方程。最后以正交实验为基础建立了人工神经网络优化模型,该模型的优化结果为浸提温度100℃,浸提时间115 min,液料比为41∶1,pH=4.5。实验证明,人工神经网络得出的结果优于正交实验,二者结果的差异在于多因素之间的交互作用。     

多组件学习器实现有机分子沸点的精准预测

沸点(BP)是有机分子液体的基本物理化学量, 也是化学工业生产中的重要参数. 有机分子的沸点由分子结构决定, 呈现复杂的结构-沸点关系, 函数法(Function Method)、基团贡献法(Group Contribution Method)等传统方法无法应对复杂多样有机分子结构的预测, 应用范围狭窄, 预测精度低. 本研究中, 我们利用基于人工神经网络(ANN)和支持向量机(SVM)的多组件学习器实现有机分子沸点的精准预测. 我们构建了基于可解释性描述符的ANN、基于相关性描述符的ANN及基于复合分子指纹的SVM三个异质模型, 并通过包含4550个各种类别的有机分子沸点的数据集进行训练得到了三个异质性学习器, 最后集成三个学习器对有机分子沸点进行预测. 相比于传统方法和此前的定量结构性质关系(QSPR)模型, 多组件模型结合了三种模型的优点, 展现出很好的预测精度和泛化能力以及低的过拟合, 实现了对多种类型有机分子的沸点的有效预测.     

改进的人工神经网络分光光度法同时测定锆和钛

在锆(钛)-对氯苯基荧光酮-CTMAB显色体系中,应用改进的人工神经网络解析锆和钛的吸收光谱,不经分离分光光度法同时测定锆和钛。在经典的BP算法的基础上改进了传递函数,引用双冲量因子,并对学习速率、动量因子采用自适应调整法,确定了网络的最佳参数。此方法避免了网络陷入过饱和,提高了网络的收敛速度和预测精度,优于经典的BP算法。用于钢样中锆和钛的测定,结果满意。     

高温超导体制备条件的人工神经网络识别

高温超导体的制备条件要求严格,其掺杂量大小、烧结温度控制等都直接影响实验样本的超导性质。近几年高温超导研究已积累大量实验数据,如何应用人工智能方法处理这些数据寻找更好的合成条件颇有意义。人工神经网络方法在许多领域己显示其处理复杂数据和模式识别的优越性,但尚未应用到化合物制备研究方面。本文对此作了初步尝试。