基于BP人工神经网络的有机化合物爆炸下限预测

运用定量结构-性质关系对458种有机化合物的爆炸下限展开预测研究。首先运用Dragon 2.1软件计算并预筛出708种分子描述符,随后采用遗传算法确定了5个特征分子描述符作为模型的输入变量,最后运用SPSS和MATLAB分别构建了多元线性回归线性模型、支持向量机与人工神经网络两种非线性模型。研究结果为：MLR模型的训练集和测试集的复相关系数R2分别为0.838 7和0.858 8;SVM模型的R2分别为0.856 9和0.877 9;ANN模型的R2分别为0.928 4和0.932 8。由此表明,无论是训练集还是测试集,SVM模型的预测效果均优于MLR模型,ANN模型的预测效果均优于SVM模型,有机化合物的爆炸下限与其分子结构之间存在着较强的非线性关系。此外,本研究采用内外验证方法及与其他研究的比较对模型性能进行了验证,证实了ANN模型对爆炸下限具有较好的预测能力。通过绘制Wiliams图分析了模型的应用域,验证了所建模型均具有良好的泛化能力和鲁棒性。通过QSPR方法预测有机化合物的爆炸下限,能为危险化学品的风险管控及安全工艺的研究提供有力的理论和技术支持。     

基于人工智能的建筑能耗预测研究综述

能耗预测作为建筑节能的先决条件,对于挖掘建筑节能潜力、提高建筑设备使用效率、提升建筑运营管理质量有重要意义。针对能耗预测,从输入数据类型、输出数据类型、预测时间范围、预测方法4个方面对基于人工智能方法的建筑能耗预测应用现状进行研究。又介绍了单一预测模型和集成预测模型的基本理论,并分别以多元线性回归方法、人工神经网络和支持向量机3种人工智能方法作为基本模型,进行了基于单一预测模型和集成预测模型的建筑能耗预测研究。研究表明与单一预测模型相比,集成预测模型具有更好的预测精度、稳定性及多样性,同时,对人工智能方法在建筑能耗预测领域的应用前景进行了展望。     

GA-SVR模型用于日供水量预测的研究

针对日供水量预测问题,提出一种基于遗传算法的支持回归向量机(GA-SVR)模型。以H市为例,采用GA-SVR模型对日供水量进行了预测,并与BP模型和SVR模型的预测值进行了比较。结果表明,H市日供水量预测值与实际值的误差均小于5%,且GA-SVR模型的预测精度高于BP模型和SVR模型。由此可见,GA-SVR模型是一种有效的预测日供水量的方法。     

基于进化支持向量机的单桩竖向极限承载力的预测

通过将改进遗传算法与支持向量机相结合,建立一种用于单桩竖向极限承载力预测的进化支持向量机模型。这种方法基于实测数据,利用遗传算法搜索最优的支持向量机参数,用获得的最优模型进行学习,从而得到泛化能力更好的预测模型。结果表明,该算法可以有效地解决支持向量机的参数确定问题,给出的算例结果是令人满意的。     

基于支持向量机回归法的绝缘子污闪电压预测研究

为探讨污闪电压的有效预测方法,采用支持向量机回归方法,建立盐密、灰密与污闪电压的关系模型,对污闪电压进行预测。实例分析表明,其预测结果与实测结果的误差很小,表明支持向量机是一种非常有前景的预测工具。     

苦参酸衍生物的合成及抗丙型肝炎病毒活性研究

自主创新的12-N-对甲氧苄基苦参酸(1)是一个全新结构骨架的抗丙型肝炎病毒(HCV)化合物,主要通过下调宿主肝细胞热休克应急蛋白70(Hsc70)的基因表达而发挥抗HCV活性。本研究以化合物1为先导化合物,合成与评价一系列新苦参酸衍生物的抗HCV活性,进一步完善此类化合物的抗HCV构效关系,同时通过安全性与药代动力学等初步成药性评价,获得具有较高成药性的抗HCV化合物,为将此类化合物发展成一类新型抗HCV药物奠定基础。共设计合成了15个全新结构的苦参酸衍生物,采用qRT-PCR方法测定它们对HCV感染复制的抑制作用,通过药代动力学和急毒试验评价了代表性化合物12-N-间硝基苄基苦参酸(5b)的成药性特征。12-N上的苄基片段为活性必需基团。化合物5b具有较好的抗HCV活性,选择性指数(SI)高于38。另外5b还显示出良好的药代动力学特征和安全性(LD50>1 000mg/kg)。化合物5b表现出较高的成药性特征,值得进一步研究。     

边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法---支持向量机算法,运用Matlab语言编写了程序,采用不同的核函数对具体的边坡工程实例作了计算,并将人工神经元网络计算结果与之对比,可见无论是在学习或预测精度方面,支持向量机算法较基于经验风险最小化原理的人工神经元网络算法都有很大的优越性,可以运用于实际工程。     

基于LS-SVM对耐高温滤料过滤效率的预测研究

本文主要研究利用最小二乘支持向量机的方法预测耐高温高效滤料在不同测试条件下过滤效率的变化。笔者采用最小二乘支持向量机的方法,以Matlab作为软件平台,利用lssvmlab工具箱对于滤料测试的实验数据进行学习,以气体温度、气体流速,上游发尘浓度为输入,滤料过滤效率为输出训练算法,预测不同测试条件下滤料的过滤效率,并且与RBF神经网络的预测结果进行比较。实例分析表明,与基于RBF神经网络的耐高温滤料过滤效率模型相比,基于最小二乘支持向量机的过滤效率模型具有更高的精度,更强的鲁棒性,并且速度更快。     

滑坡位移预测的SVR-MIV变量筛选方法研究

支持向量回归机(Support Vector Regression, SVR)在滑坡位移预测研究中已得到广泛应用,但SVR具有模型可解释性差的缺陷,即无法直接获得并筛选最佳预测变量,从而影响预测精度。为此,将较广泛应用于评价神经网络模型变量影响大小的平均影响值(Mean Impact Value, MIV)方法与SVR模型相结合,实现基于SVR-MIV的变量筛选,该方法不但能对所有预测模型初始变量影响大小进行排序,还可以进一步结合反向逐变量剔除分析实现变量筛选。为验证该方法的有效性,选择三峡库区两类典型水库滑坡代表的累积位移监测数据,在采用移动平均法将位移分解为趋势项和波动项的基础上,重点针对波动项位移,选择包括降雨及库水位变动特征在内的12项初始变量,采用SVR-MIV方法进行变量筛选分析。结果表明,该方法筛选出的变量理论上符合对应滑坡变形影响机理分析结论,且可以提高滑坡位移实际预测精度。     

烃类物质自燃点的QSPR预测研究

应用定量构效关系(QSPR)方法对烃类物质的自燃点开展了预测研究.选取国际电工委员会数据库中的39种烃类物质作为样本集,随机选择34种作为训练集,5种作为测试集.采用遗传算法(GA)对变量进行筛选,结合线性和非线性方法分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型,理论预测得到了5种烃类物质的自燃点.结果...     

非线性位移时间序列预测的进化-支持向量机方法及应用

提出了一种新的岩土结构位移预测的进化支持向量机方法,用遗传算法来搜索支持向量机的参数和核函数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力;利用这种非线性智能预测方法,滚动预测施工位移变形量,以便及时调整和优化施工步序,维护岩土结构的稳定性。将该方法用于卧龙寺边坡变形、三峡永船闸边坡变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。     

基于遗传进化的支持向量机参数敏感性研究

提出了一种基于遗传进化的支持向量机预测方法,利用该预测方法对工程实例阳宗隧道下行线XK38+725断面的实测围岩变形进行预测,发现此方法具有很高的精度,同时,对基于遗传进化的支持向量机参数敏感性进行了研究,得出结论:敏感性最高的是不敏感系数,其次是惩罚因子,敏感性最低的是核函数系数。     

高层建筑火灾事故应急能力量化评估

为提高城市建筑火灾事故应急能力评估准确性,构建了一套应急能力评估指标体系。结合层次分析法制定百分制扣分式量化评估标准;采用主成分分析法进行降维处理;基于多元线性回归法和支持向量机法建立模型。结果表明：高层建筑火灾事故应急能力评估指标体系能够有效实现指标定量化处理,两种模型预测得分较为接近,均适用于城市高层建筑火灾应急能力评估。