烷基硫醇类化合物在气相色谱中的QSRR研究

利用分子力学和量子化学方法计算出烷基硫醇类化合物的分子结构描述参数,用多元线性回归法建立化合物在不同极性色谱柱上的QSRR模型。烷基硫醇类化合物在不同极性色谱柱上的气相色谱保留指数与其拓扑指数之间具有较好的线性关系。建立的不同极性色谱柱上的烷基硫醇类化合物的色谱保留QSRR模型预测此类化合物的色谱保留值,具有较好的稳定性和准确性。     

利用新的价连接性指数估算醇类化合物Kováts指数

以连接性指数为结构描述符,用多元回归技术建立了醇类化合物的结构与色谱保留值的相关性模型,各样本总体所建模型的相关系数均在0.98以上,这些模型较好地解释了醇类化合物保留指数的递变规律.为了检验模型的稳定性和预测能力,进行了留一法交互校验,相关系数均在0.98以上.该模型相关系数高,稳定性好,预测能力强.     

利用新的价连接性指数估算醇类化合物Kov(a)ts指数

以连接性指数为结构描述符,用多元回归技术建立了醇类化合物的结构与色谱保留值的相关性模型,各样本总体所建模型的相关系数均在0.98以上,这些模型较好地解释了醇类化合物保留指数的递变规律.为了检验模型的稳定性和预测能力,进行了留一法交互校验,相关系数均在0.98以上.该模型相关系数高,稳定性好,预测能力强.     

醇的拓扑指数与色谱保留指数的相关性研究

在色谱分析中，应用拓扑指数法研究醇类化合物的色谱保留指数，并通过多元回归分析得到了有机结构与色谱保留指数的良好的相关性，为定性分析提供可靠的信息。     

分子的结构矩阵及其与物性的相关性研究

继分子拓扑图的距离矩阵、邻接矩阵之后,创建了分子的结构矩阵。借助于分子的结构矩阵建立了预测化合物性质的数学模型,并预测了醇类化合物、手性有机酸的色谱保留指数以及氯代苯的辛醇/水分配系数。研究表明,分子结构矩阵既适合于链状化合物性质的预测,也适合于某些母体为单环和手性化合物性质的预测,与分子的距离矩阵和邻接矩阵相比具有较高的结构选择性。     

人工神经网络法预测干黄酱挥发性成分保留值

基于分子连接性及邻接矩阵,计算69种干黄酱挥发性成分的分子连接性指数mχt,借助多元逐步回归法优化筛选了其中的结构参数0χ、5χ、3χc和5χpc,将其作为人工神经网络的输入层神经元,采用4∶8∶1的网络体系结构,以BP算法获得预测保留指数的神经网络模型,其相关系数R和标准偏差S分别为0.985和93.301.结果表明,保留指数与0χ、5χ、3χc、5χpc具有良好的非线性关系,BP神经网络方法预测的结果要优于多元回归方法的结果.     

人工神经网络对烷烃同系物气相色谱保留指数的预测

以拓扑指数为结构描述符,用BR神经网络建立了烷烃同系物的结构与色谱保留值的相关模型,预测准确度高,因而是一种较好的预测有机化合物烷烃同系物气相色谱保留指数的方法.     

用氯代苯、烷基酚和醇类化合物气相色谱保留指数预测其生物活(毒)性

构建了从氯代苯、烷基酚和醇类化合物气相色谱保留指数RI预测其生物活(毒)性-lgCi的公式.研究了这3类衍生物在不同极性固定柱上测得的气相色谱保留指数RI预测其生物活(毒)性-lgCi的准确性.得出了弱极性固定柱上测得的气相色谱保留指数RI更能准确地预测其生物活(毒)性-lgCi,从而为有机化合物的生物活(毒)性测定和预报提供了一种简便易行的新方法.     

香水百合头香成分色谱保留指数的人工神经网络预测

基于分子拓扑学理论计算了香水百合头香成分35个化合物的分子连接性指数Xi、电性拓扑状态指数Ej和分子电性距离矢量M_k。采用最佳变量子集回归方法确定了最佳变量组合X_1,E_9,M_9和M_(10),并用这4个变量作为神经网络的输入层单元,建立了香水百合头香成分化合物气相色谱保留指数RI的人工神经网络模型。采用该模型对RI值进行了预测,预测结果与实验值接近,平均相对误差为1.165%。该方法成功预测了化合物的气相色谱保留指数,对于探索色谱保留机理、选择合适的分离条件等有参考价值。     

低沸点烷烃Kovats指数的拓扑结构研究

本文应用拓扑指数法研究烷烃化合物的色谱保留指数，并通过多元回归分析得到了烷烃的拓扑结构与色谱保留指数的良好的相关性，当测得某一有机物的保留指数时便可估计其结构特征，从而为烷烃化合物的色谱定性分析提供了可靠的信息。     

BP人工神经网络法研究PBDE_S类化合物的RRT

运用BP人工神经网络方法对PBDEs的相对保留时间(RRT)进行了QSPR研究.所建的BP人工神经网对PBDEs的RRT预测准确度非常高,网络训练误差几乎为0,网络回判MSE误差为0.003 9,明显低于逐步回归分析结果,独立检测集MSE误差为0.000 4,也很低,说明BP人工神经网具有较好的泛化能力.此方法得到的模型预测能力要优于逐步回归模型.     

基于改进人工蜂群算法的大青杨晚材率预测

为了更加准确地预测人工林大青杨(Populus ussuriensis)晚材率,通过对标准人工蜂群算法(artificial bee colony, ABC)的蜜源更新公式进行改进,提出了分段式蜜源搜索半径公式,并用改进的人工蜂群算法(AABC)对径向基(radial basis function, RBF)神经网络的初始参数进行优化,提出一种基于改进的人工蜂群算法和径向基神经网络算法结合的预测模型,并与粒子群(partical swarm optimization, PSO)优化的RBF神经网络预测结果进行对比。结果表明:传统的RBF预测模型不仅收敛速度慢,而且预测精度不高。基于改进的ABC算法优化RBF神经网络预测模型整体比PSO优化的效果相对较好,收敛速度从42步提升至28步,预测的平均相对误差从2.54%降低到0.95%。可见对ABC算法的改进是可行的,而且提高了晚材率预测的精度。     

脂肪醇气相色谱保留指数与结构的相关性

根据分子拓扑理论,采用了2个拓扑指数.将这2个拓扑指数用于脂肪醇定量结构-保留关系的研究,发现它们与25种脂肪醇在6种固定相上的气相色谱保留指数存在优良的相关性,表明2个拓扑指数能较好地反映化合物的结构特征.由此得到了新的定量结构-保留关系模型,并建立了6个线性方程,相关系数均高于0.98,在固定相SE-30上的平均相对偏差仅为1.30%.这些方程可用于脂肪醇气相色谱保留指数的预测.     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

普通混凝土强度预测的BP神经网络模型

在分析普通混凝土强度影响因素基础上 ,选取混凝土配料中 7个因素作为输入值 ,混凝土2 8d强度作为输出值建立了混凝土强度预测的 BP网络模型。讨论了模型的学习样本、网络参数对预测精度的影响 ,选出最佳网络参数配置。实例证明模型预测精度高。     

人工神经网络在矿井突水预报中的应用

突水预报是一项重要的矿井水文地质工作。借助于人工神经网络在处理非线性问题或非结构问题方面的优势,采用BP算法,基于大量矿井突水样本实例建立了突水预报神经网络模型,并将该模型用于实际预报,并取得了较好的效果。结果表明,模型具有较强的实用性。为了提高模型的预测精度,在训练样本的选择上还应具有一定的代表性。     

人工神经网络水质预测模型研究

水质预测物理模型在水环境保护中起着十分重要的作用,然而由于模型的参数识别问题,使其应用受到很大局限.对人工神经网络(A rtific ia l N eura l N etw ork,简称ANN)水质预测建模作了初步研究.用试错法,以训练时间和测试误差两项指标为依据,对比分析三层、四层网络结构,认为ANN模型适应于水质预测建模,并提出了适合的模型结构、学习速率、传递函数.     

蝴蝶优化算法对大青杨生长速率预测模型的改进

为提高大青杨生长速率的预测精度,提出一种基于改进的蝴蝶优化算法（Improved Butterfly optimization algorithm,IBOA）与径向基函数（Radial basis function,RBF）神经网络结合的预测木材材性方法。通过使用佳点集法对标准蝴蝶算法中的种群进行初始化,将自适应切换频率和Levy飞行相结合进一步优化人工蝴蝶算法。构建出了新的IBOA-RBF神经网络木材材性预测模型,将得到的结果与其他几种算法优化的RBF神经网络预测结果进行对比。结果表明：基于IBOA-RBF神经网络模型预测效果最好,收敛速度从37步降低到了23步,预测结果误差达到了5.72%,预测精度最高。可见,对蝴蝶算法的改进是可行的,且对相关人员定向培养大青杨起到较大的帮助。     

系统非线性组合预测方法及在黄河凌汛预测中应用

为了提高预测的精度,尤其是冰凌中长期预测的精度,基于工程模糊集、人工神经网络、遗传算法与组合预测理论,提出了系统非线性组合预测方法,给出了黄河内蒙段冰凌三种单一预测模型的非线性组合预测值．结果表明,所建立的非线性组合预测方法物理意义明确,数学推导过程严谨,预测精度高于任意单一预测模型．