用Boosting算法预测多硝基芳香族化合物的密度

采用Boosting算法对多硝基芳香族化合物（PNACs）的密度进行预估。选用分子结构描述码作为输入特征参数。结果表明，PNACs的密度与其分子结构存在良好的相关性，与人工神经网络相比，Boosting算法对预测的准确性有显著提高，预测结果的相对误差都在8％以内。     

自适应梯度Boosting算法及多硝基芳香族化合物密度的主因子选择

用自适应梯度Boosting算法研究了影响多硝基芳香族化合物(PNACs)密度的主因子.选择分子结构描述码作影响特征参数,采用影响多硝基芳香族化合物密度的分子结构描述码,依据相关影响程度给出了相应分子结构描述码,预测密度值与文献值的相对误差在10%以内.     

利用ANN法预估芳香族多硝基化合物的密度

运用神经网络模型,采用误差反向传播算法,对一系列芳香族多硝基化合物的密度进行了预测.结果表明,芳香族多硝基化合物的密度与其分子结构存在良好的相关性,选用分子结构描述码作为输入特征参数能取得较高的预估精度,预测结果的相对误差一般在±10%以内.     

人工神经网络预测液体叠氮燃料密度

采用人工神经网络进行了液体叠氮燃料密度预测。通过将已知的特征分子结构编码作为输入参数,设计了神经网络代码,并得到了预测的密度数据。结果表明,密度预估值和文献值相比偏差为–1.8%~2.69%,人工神经网络对液体叠氮燃料的密度预测结果具有一定参考价值。     

硝基芳香族化合物密度、爆速和撞击感度的量子化学及QSPR研究

运用Gaussian98等程序对32种描述符进行了计算,采用Cerius2程序包中的QSPR方法建立了硝基芳香族化合物密度、爆速和撞击感度与32种描述符之间的构效关系式,相关系数R分别为0.951、0.992和0.92,预测值与实验值之间的平均误差分别为1.92%、0.93%和5.10%;与Kamlet方法计算的爆速值相比,用QSPR方法计算的爆速值准确性较高.此外,还找到了影响硝基芳香族化合物密度、爆速和撞击感度的主要因素,以及可以同时使密度和爆速增大而撞击感度降低的因素.     

一种逆向样本分布的Boosting类新算法

对IB(Inverse Boosting)神经网络集成算法进行了研究,提出了IB算法的改进算法IB+算法.改进算法继承了IB算法的逆向样本分布调整策略,并在训练的过程中将部分已训练好的个体子网进行中间层网络集成,利用该中间层集成网络生成新的训练样本分布.实验结果表明,对于逆向权值分布的Boosting类算法,个体子网之...     

基于改进随机梯度Boosting算法的软测量建模

在建立复杂化工过程软测量模型时,使用传统的随机梯度Boosting算法（SGB）建模若收缩参数v选取不当会明显降低算法收敛速度,且极易陷入过拟合,难以取得令人满意的泛化效果。为解决这一问题,提出了一种基于SGB集成学习的软测量建模方法,采用高斯过程回归作为基学习器,并针对SGB算法固有的不足,依据每一次迭代中弱学习机的反馈,自适应调整收缩参数v,改善了SGB算法的过度拟合,从而提高了集成模型的估计精度与学习效率。将该方法应用于某双酚A装置的软测量建模中,仿真结果表明,相比于传统SGB建模,该方法具有更高的泛化性能和学习效率。     

神经网络在炸药晶体密度预测中的应用

运用密度泛函理论,在DFT-B3LYP/6-31G·的水平上对16种炸药分子进行全分子优化,并进行频率振动分析,分析了求得各个炸药分子量化结构参数,结果表明,平均极化率、平均四极矩和偶极矩与炸药密度有较好的相关性.结合人工神经网络算法,用以上3种参数作为描述符,构建炸药密度的网络预测模型.预测结果表明,预测值与文献值的最大相对误差为6.6%,最小相对误差为0.47%,说明神经网络可以用来预测炸药密度.     

重油组分密度表征和结构验证的分子模拟

经实验推断重油组分平均分子结构后,利用分子模拟技术对重油组分密度和分子结构合理性进行了研究。通过对模型化合物正四十烷、1-十二烷基萘的密度模拟确定了分子模拟所适合的模拟参数和计算流程,在同样的条件下进行重油组分密度的模拟,并与实验值进行比较。结果表明,模型化合物正四十烷、1-十二烷基萘的密度模拟值的相对误差分别为0.27%和0.26%,说明采用的模拟参数和计算流程适于密度模拟表征;在相同模拟条件下,可较为准确地获得重油组分的密度值,与实验值的相对误差约为2%～3%,说明所推断的重油组分平均分子结构是合理可靠的。分子模拟在密度表征的同时也可作为判断所推测平均分子结构合理性的工具。     

脂肪族硝基含能化合物撞击感度的QSPR研究

基于定量结构-性质相关性(QSPR)原理,研究脂肪族硝基化合物撞击感度与其分子结构间的内在定量关系。应用遗传函数算法筛选出与撞击感度密切相关的6个参数作为分子描述符;采用多元线性回归方法建立基于该6参数的脂肪族硝基化合物撞击感度预测模型。分别采用内部验证及外部验证的方式对模型性能进行验证,研究结果表明模型具有较高的稳定性、预测能力及泛化性能。