基團貢獻人工神經網絡集成法估算有機物熔點的研究.pdf

1、熔點是有機化合物的基本熱力學函數(shù)，研究者經常采用實驗和某些經驗方法獲得。在現(xiàn)有的條件下，有些化合物的熔點無法通過實驗獲得，一些經驗估算的結果也往往不合理。因此，通過建立數(shù)學模型來預測有機化合物的熔點，對于指導新型有機化合物的合成，特別是新型含能化合物的復雜的合成過程具有重要意義。
　　利用人工神經網絡方法估算有機物熔點，其預測結果優(yōu)于數(shù)學回歸法的預測結果，但是人工神經網絡預測熔點時，其輸入參數(shù)的表征復雜，而且不易獲得。基團貢獻法可

2、以由少量的分子結構基團參數(shù)，建立簡單的數(shù)學模型來估算有機化合物熔點。使用基團貢獻法預測熔點時，對于相同基團的拆解結果的不同，從而導致預測結果的精度不一。為了克服兩種方法的缺點，本文將基團貢獻法與人工神經網絡法結合進行有機物熔點的預測，人工神經網絡的高度非線性功能，能在一定程度上說明分子組成基團之間的影響，理論上能極大的提高預測精度。
　　本文根據(jù)所選樣本分子結構特征，共得到32種分子基團作為神經網絡的輸入參數(shù)，根據(jù)樣本種類的分布規(guī)

3、律，共取25種樣本作為檢測樣本。對初始權值、隱層數(shù)、隱層節(jié)點的設計進行分析討論，確定BP人工神經網絡預測模型的結構為32-12-1，輸出參數(shù)為樣本集的各物質的熔點。采用Matlab的trainlm函數(shù)對BP網絡進行訓練。訓練達到最小誤差要求后，對隨機選取的測試集的樣本進行預測。最后在研究BP神經網絡的基礎上，結合Visual Basic6.0作為開發(fā)工具，實現(xiàn)BP神經網絡預測模型的可視化操作。
　　基于基團貢獻方法的BP人工神經網

4、絡模型，樣本預測的平均相對誤差為7.97％，平均絕對誤差為6.25℃，對相同的檢測樣本使用文獻報道的JR法進行預測，預測結果的平均相對誤差為21.92%，平均絕對誤差為20.63℃。通過基團貢獻法與人工神經網絡法相結合，預測純有機化合物的熔點，這種方法的預測精度高于大部分文獻報道的基團貢獻方法，也為人工神經網絡法提供了較為簡單，易定的輸入參數(shù)。將抽象的BP神經網絡預測模型，通過VB編程語言開發(fā)成一個可視化，圖像界面豐富的操作系統(tǒng)。預測熔