人工神经网络用于氟化酚的定量构效关系研究

采用误差反传前向人工神经网络（ANN）建立了16种氟化酚的结构与其对梨形四膜虫的毒性之间的定量结构-活性关系（QSAR）模型。以16种氟化酚的量子化学和理化参数作为输入,对梨形四膜虫的急性毒性作为输出,采用内外双重验证的办法分析和检验所得模型的稳定性和外部预测能力,所构建网络模型的相关系数为0.999 8、交叉检验相关系数为0.981 8、标准偏差为0.01、残差绝对值≤0.04,应用于外部预测集,外部预测集相关系数为0.993 6;而多元线性回归（MLR）法模型的相关系数为0.980 2、标准偏差为0.119、残差绝对值≤0.28,外部预测集相关系数为0.980 3。结果表明,ANN模型获得了比MLR模型更好的拟合效果。     

人工神经网络及其在化工领域中的应用

人工神经网络所具有的自学习、高容错和高度非线性描述能力等优点，使得其在人工领域中得到广泛的应用，这些应用包括定量结构-活性/性质相关性分析、谱图分析、化合物结构解析、化工过程控制和蛋白质结构预测等。     

环境化学中的QSAR研究方法

环境化学中的定量结构一活性相关（QSAR）研究具有重要的理论和实际意义，本文通过查阅大量的文献了解了QSAR方法的历史和发展过程，并进一步介绍了QSAR方法的研究体系，同时对QSAR发展趋势进行了展望。     

人工神经网络用于三苯基丙烯腈衍生物的定量结构-活性关系模型

采用人工神经网络(ANN)BP算法探讨了24个三苯基丙烯睛衍生物的lg1/C(C为半致死浓度)与X位羟基指示数I、分子表面积SA和B环上原子净电荷之和QB之间的关系,以20个样本为训练集建立了定量结构-活性关系(QSAR)模型,其相关系数和标准偏差分别为R=0.9969和SD=0.0164,其余4个样本为测试集,得到R=0.9913和SD=0.1533;用多元线性回归(MLR)方法建立的QSAR模型R=0.9360,SD=0.3779。结果表明,ANN方法具有良好的预测能力,比MLR方法更精密。     

材料设计中神经网络结构及有关参数的选取

本文根据在材料设计和性能预测中应用最多的BP型人工神经网络理论，分析了BP型神经网络结构特点及有关训练参数的选择原则，为人工神经网络理论在材料的设计和性能的预测上的应用提供依据。     

苯甲酰硫脲衍生物抑茵活性的拓扑研究

文中计算了13种苯甲酰硫脲衍生物的原子类型电性拓扑指数（Es）和电性距离矢量（Md）,并通过多元线性逐步统计回归方法建立了上述拓扑指数对金黄色葡萄球菌抑菌活性的最佳二元QSAR模型,其传统的判定系数（R^2）为0．887,估计标准误差（s）为1．15。结果证明该模型具有良好的稳定性与预测能力。根据进入模型的2个结构参数E1和M59可知,该类化合物疏水性越大,成氢键能力越强,则抑菌活性较强。     

人工神经网络在含氧有机化合物定量结构-保留关系中的应用

采用人工神经网络（ANN）对一系列含氧有机化合物的气相色谱保留指数建立定量结构-保留关系（QSRR）的模型,和多元线性回归（MLR）预测结果进行比较。在OV-1固定相上,相关系数R分别为0.989 1,0.991 1;在SE-54上,相关系数R分别为0.989 2,0.991 7。结果表明：MLR建立的模型优于ANN,具有良好的拟合度和预测精度。     

人工神经网络光度法同时测定水中Fe(Ⅱ)、Fe(Ⅲ)

应用径向基函数人工神经网络（RBF）和误差反向传播神经网络（BP）,采用磺基水杨酸-邻菲罗啉双显色剂光度法同时分析了水中Fe（Ⅱ）和Fe（Ⅲ）.实验证明,RBF算法在所需神经元个数、训练时间、预测准确度等方面均明显优于BP网络算法.该技术和光度法结合有望成为多组分分析的有效选择方法之一.     

基于神经网络和遗传算法的螺旋折流板换热器性能预测

将人工神经网络（ANN）应用于非连续螺旋折流板换热器的壳程换热和流阻分析。中试试验研究了具有3个螺旋角和2种管型的换热器。作为人工神经网络最常用的一种类型,将多层感知器神经网络（MLP）应用于本研究,使用一定的实验数据进行网络训练及预测。应用遗传算法（GA）对MLP的初始权值和阈值进行优化,预测结果精确。通过比较不同网络结构的预测误差来选择最适宜的网络结构为9-7-5-2。和关联结果比较可知MLP-GA网络对于换热器性能预测更加适合。此外,当使用MLP-GA方法在训练数据范围以外对壳程换热系数和压降进行预测时,网络预测结果和实验结果吻合程度也较高。因此,MLP-GA混合算法能够用来预测螺旋折流板管壳式换热器的传热和水力学性能。     

用人工神经网络预测二元气液平衡数据

提出应用人工神经网络对溶液热力学模型进行模拟的思路，举DMF（二甲基甲酰胺）＋water体系的溶液热力学模型为例进行模拟，预测特定条件下气相组成并与实验测定结果比较。结果表明，本文所提出的人工神经网络能够很好的模拟溶液热力学模型，对相关数据具有很强的预测能力，精度能满足应用要求。