基于支持向量机的脂肪族化合物急性毒性的QSAR研究

基于定量结构-活性相关性(QSAR)原理.研究了106种脂肪族化合物结构与其急性毒性LC50(半数致死浓度)之间的内在定量关系.应用遗传算法从大量结构参数中优化筛选出与LC50最为密切相关的4个参数作为分子描述符,分别采用支持向量机(SVM)方法和多元线性回归(MLR)方法建立了相应的QSAR预测模型.分别采用内部验证及外部验证的方式对所建模型性能进行了验证.研究表明,2种模型均具有较高的稳定性、预测能力及泛化性能.其中支持向量机模型对训练集和预测集样本的预测平均绝对误差分别为0.336和0.364,优于多无线性同归方法所得结果.     

活性化合物热稳定性预测技术研究进展

为了研究活性化合物热稳定性预测技术,调研了国内外活性化合物热稳定性预测技术的发展情况,综述了活性化合物起始放热温度、分解热、自加速分解温度的预测方法,着重介绍了定量结构-性质相关性（QSPR）研究方法在热稳定性预测领域的应用情况,分析了活性化合物热稳定性预测早期研究情况。基于量子力学计算的QSPR研究情况、QSPR数据样本的选取、分子描述符的选取、QSPR建模方法的选择,提出了热稳定性QSPR预测领域中存在的问题,并对热稳定性QSPR预测技术未来的发展方向进行了展望。     

基于改进多种群遗传算法的尾矿坝形变预测

针对遗传神经网络(GA-BP)建立的尾矿坝形变预测模型易出现早熟现象、预测结果不稳定、容易陷入局部最优值的不足,引入一种具有混沌局部搜索的多种群自适应遗传算法。该算法以双种群寻优为基础,改进了遗传参数的计算方式,分别以种群进化中染色体适应度值的集中程度和空间距离的分布作为自适应交叉率、变异率的计算依据应用于不同种群中,提高了种群的多样性和遗传算法全局搜索的能力;同时引入混沌局部搜索技术(CLS),完善了遗传算法局部搜索能力的不足。采用改进的遗传神经网络模型对贵州省白岩尾矿坝三维变形数据进行预测,并与传统的GA-BP和AGA-BP模型预测结果进行比较。结果表明:改进后的模型预测精度更高,结果更加稳定,具有良好的预测效果。     

芳香族硝基化合物爆速的定量构效关系预测

为提高芳香族硝基化合物爆速的预测精度,提出基于定量结构-性质相关性(QSPR)的芳香族硝基化合物爆速的理论预测方法。应用Dragon软件计算21种芳香族硝基化合物的分子描述符,利用遗传-多元线性回归方法(GA-MLR)从大量描述符中筛选出4个与爆速关系最为密切的分子描述符,建立相应的4参数线性理论预测模型,并采用内部和外部验证方式,验证模型的拟合能力、稳健性和预测能力。结果表明:训练集和测试集的平均绝对误差(AAE)分别为0.048和0.208km/s,均方根误差(RMSE)分别为0.058和0.302 km/s,所建模型具有较好的稳健性和预测性能。     

有机磷农药对海洋扁藻毒性构效关系的密度泛涵理论研究

采用密度泛函理论方法,在B3LYP/6-311G**水平上,计算了11个有机磷农药化合物的结构参数,将结构参数作为理论描述符,导出了有机磷类化合物的分子结构参数与2种盐度(S=20,S=30)下扁藻毒性(-lgEC50)的定量关系式(式(3)和(6)),并用交叉验证法验证,相关系数R分别为0.923 2和0.893 3,交叉验证相关系数q2分别为0.527 0和0.540 5.在此基础上,预测了11种有机磷农药的毒性.研究表明,所得预测方程有较好的稳定性和较强的预测能力.可用于有机磷化合物的-lgEC50预测.     

密度泛函理论方法用于部分农药Kow的QSPR模型研究

农药的正辛醇/水分配系数(lgKow)是研究农药在水中化学行为的重要参数.本文采用摇瓶法测得25℃时10种农药的正辛醇/水分配系数(lgKow),采用密度泛函理论(DFT)中的B3LYP方法,在6-31G*基组上全优化计算得到了10种农药的结构参数和热力学参数.在10种化合物的lgKow实验数据基础上,采用GQSARF 2.0程序.以结构参数和热力学参数作为理论描述符,得到预测lgKow的相关模型.其方程为lgKow=0.108-0.191μ-2.451Hθ/1000,决定系数R2为0.944 3.用变异膨胀因子(Variance Inflation Factors,VIF)和t值对模型进行了验证,结果显示模型具有较好的稳定性.而交叉验证法的相关系数q2为0.926 9,证明所建模型具有较强的预测能力.用所得模型预测了10种农药的lgKow,与实验测定值相比,方程的预测值与实验值都较接近,可见预测值较可靠,所建模型可用于同类农药lgKow的预测.     

基于QSPR方法的烃类物质苯胺点预测

烃类物质在石油工业中有着非常广泛的应用.在石油工业中常用苯胺点来衡量有机溶剂的溶解性能.基于定量结构-性质相关性(QSPR)原理,根据分子结构计算反映分子结构信息的结构参数,应用遗传函数算法从大量结构参数中优化筛选出与烃类物质苯胺点最为密切相关的结构参数作为表征相应化合物结构特征的分子描述符,采用多元线性回归方法对分子描述符与苯胺点之间的定量函数关系进行关联,建立了预测烃类物质苯胺点的理论模型.最后,对模型进行了内部及外部验证来检验模型的可靠性.在此基础上,对所建立的预测模型进行机理解释,分析了影响烃类物质苯胺点的主要结构因素及其影响规律.研究表明,所建模型具有较高的稳定性和预测能力.     

基于分子结构的链烷烃辛烷值预测研究

基于定量结构-性质相关(QSPR)原理,研究化学物质的结构与性能之间的关系,应用遗传-偏最小二乘(GA -PLS)方法从大量结构参数中筛选出与链烷烃马达法辛烷值最相关的5个分子描述符,采用多元线性回归方法,建立了根据分子结构预测链烷烃马达法辛烷值的数学模型.结果表明,模型具有较高的稳定性以及预测能力.为工程上提供了一种...     

基于GA/PSO-BP神经网络的石家庄VOCs环境浓度预测模型研究

为了提升挥发性有机物(Volatile Organic Components, VOCs)的预测精度,在反向传播(Back-Propagation, BP)网络结构的基础上使用优化算法分别为遗传算法(Genetic Algorithms, GA)优化BP神经网络(GA-BP)和粒子群算法(Particle Swarm Optimization, PSO)优化BP神经网络(PSO-BP)对VOCs质量浓度进行预测。首先,对污染物及气象因子进行筛选。采用相关性分析法及逐步回归法进行分析筛选,并筛选出合适的输入变量。其次,建立BP神经网络结构。利用BP、GA-BP、PSO-BP神经网络,以石家庄市2022年夏季污染数据为样本对VOCs质量浓度进行预测。结果显示,经相关性分析及逐步回归法筛选,将PM_2.5质量浓度、O₃质量浓度、NO₂质量浓度、温度、相对湿度作为输入变量。经预测结果对比,PSO-BP神经网络模型的预测精度较高,烷烃、烯烃、芳香烃和含氧烃实测值与预测值之间的拟合程度(R²)分别为0.80、0....     

基于QPSO-RBF的瓦斯涌出量预测模型

为了提高径向基(RBF)网络预测瓦斯涌出量的泛化能力,提出QPSO-RBF模型。该模型采用量子粒子群(QPSO)算法优化RBF网络隐层基函数中心、扩展系数以及输出权等初始参数,将网络参数编码为QPSO学习算法中的粒子个体,在全局空间中搜索最优适应值参数。其中,RBF网络选取5-3-1的精简结构,采用5个变量作为影响因子预测瓦斯涌出量。结果表明,经QPSO优化后的RBF网络模型预测结果稳定且唯一,其泛化指标平均相对变动值(ARV)为0.012 2。与PSO-RBF、RBF模型预测结果比较,QPSO-RBF模型的泛化能力和网络训练速度优于前2种;预测精度约为PSO-RBF模型的1.5倍、RBF模型的4倍。     

基于GASA-BP神经网络的煤层瓦斯含量预测方法研究*

为提高煤层瓦斯含量预测的精准度和效率,提出1种利用遗传算法（GA）和模拟退火算法(SA)混合初始化BP神经网络（BPNN）的瓦斯含量预测新模型（GASA-BPNN模型）。利用灰色关联分析法（GRA）筛选瓦斯含量主控因素并作为GASA-BPNN预测模型的输入。为解决BPNN收敛速度慢和易陷入局部极小陷阱的问题,将GA和具有时变概率突跳性的SA整合为GASA算法协同初始化BPNN的权值和阈值,有效地提高BPNN的参数学习能力。将该模型应用于煤炭生产现场,结果表明:BPNN模型、GA-BPNN模型和GASA-BPNN模型瓦斯含量预测总平均相对误差分别为15.79%,9.03%,5.56%。相比BPNN模型和GA-BPNN模型,GASA-BPNN模型对样本的泛化能力更强,参数训练速度最快并且预测精准度最高。     

变电站操作不安全行为核心影响因素分析*

为分析变电站中操作不安全行为的核心影响因素,基于国家电网某省变电站员工安全心理自评数据,运用心理学模型确定9种主要心理维度,融合Bayesian Search和Peter Clark(PC)算法,并使用专家知识修正以训练贝叶斯网络模型结构,应用Expectation Maximization(EM)算法训练模型参数,并运用Mutual Information(MI)和预测推理2种方法分析核心影响因素。研究结果表明:训练模型的预测错误率为14.8%,AUC为0.945 8,变电站操作不安全行为的核心影响因素为情绪稳定性和心理承受力。     

片岩隧道变形规律分析与预测方法研究

为准确掌握片岩隧道变形规律,基于隧道变形监测结果,利用核极限学习机构建隧道变形初步预测模型,通过遗传算法和蚁群算法进行优化处理,以保证模型参数的最优性,采用混沌理论对预测误差进行修正处理,利用M-K分析判断隧道变形趋势,并将趋势判断结果与预测结果对比.结果表明:通过递进优化处理,能逐步提高预测精度,且预测结果的相对误差...     

基于PCA-GA-BP神经网络的瓦斯含量预测分析

为提高煤层瓦斯含量预测的效率和准确率,提出了先采用主成份分析（PCA）方法来降低变量间的相关性,然后将遗传算法（GA）与BP神经网络相结合的煤层瓦斯含量预测的新方法。为了避免BP神经网络收敛速度慢、易陷入局部极小值等问题,算法采用GA对BP神经网络的权值和阈值进行优化,利用Matlab软件进行编程,建立了BP神经网络和GA-BP神经网络瓦斯含量预测模型。选取淮南某矿瓦斯含量及其影响因素作为实验数据对该模型进行了实例分析,将主成份回归和BP网络算法预测结果与该模型进行了对比分析。结果表明:PCA-GA-BP网络预测模型平均相对误差为2.759%,预测效果明显优于主成份回归和BP网络预测模型,可以准确的预测煤层瓦斯含量。     

AHP与GA-SVM耦合模型在滑坡预警中的应用*

为了减少滑坡造成的损失,提高滑坡预测的准确性,通过搭建灾害模拟平台获得滑坡的实验数据,在获得多组模拟实验数据后,分析各变量的特性。首先,通过层次分析(Analytic Hierarchy Process,AHP)算法,对滑坡进行危险度划分;然后,通过支持向量机(Support Vector Machine,SVM)建立模型,遗传算法(Genetic Algorithm,GA)再优化SVM参数,提出1种层次分析法与GA-SVM相耦合的模型。研究结果表明:AHP方法划分后的数据,通过GA与SVM结合建立的模型精度较好,实验预测结果与实际结果较为吻合,与单一SVM相比,精度更高,结果更好,更加适用于多变量的复杂非线性滑坡预警。     

基于PCA-BBO-SVM的尾矿坝变形预测模型与性能验证研究*

为准确预测尾矿坝变形趋势,通过主成分分析法（PCA）对尾矿坝变形影响因子进行优选,基于生物地理学优化算法（BBO）对支持向量机（SVM）参数进行寻优,建立PCA-BBO-SVM尾矿坝变形预测模型,并以杨家湾尾矿坝为例对模型性能进行验证。研究结果表明:PCA-BBO-SVM模型在4个测点的RMSE为0.139 6,0.274 2,0.317 0,0.530 6;MAE为0.112 5,0.213 5,0.269 0,0.412 9;MAPE为0.525 0%,0.692 3%,2.621 2%,1.311 2%;预测精度及对局部波动的预测能力均高于BP、GS-SVM、GA-SVM和PSO-SVM模型,研究结果可为尾矿坝变形预测提供模型支撑。     

基于ISOA-RBPNN的埋地管道剩余强度预测*

为提高腐蚀管道剩余强度的预测精度，提出引入弹性梯度下降法改进BP神经网络，并融合改进海鸥优化算法(ISOA)，构建腐蚀管道剩余强度预测模型。关于改进BP神经网络模型的参数寻优，首先采用Cat混沌映射初始化改进海鸥优化算法(SOA)初始种群的分布，提升寻优能力，优化SOA的搜索方向和攻击形式，增强其全局搜索能力并提高收敛速度，然后用ISOA对弹性BP神经网络（RBPNN）模型中的权值和阈值进行寻优，最后构建ISOA-RBPNN预测模型。以管道爆破数据为例，利用MATLAB进行仿真模拟，并与PSO-BPNN模型和IFA-BPNN模型预测结果进行对比分析。研究结果表明:ISOA-RBPNN模型的各项评价指标均优于其他2个模型，预测结果较实际值误差更小，在预测腐蚀管道剩余强度领域具有更好的性能，可为后续研究腐蚀管道剩余寿命和制定维修策略提供参考依据。     

基于循环神经网络的缓坡场地液化侧移预测*

为预测缓坡场地地震液化侧向位移,基于改进自适应算法（Rectified Adam）和循环神经网络模型（RNN）,提出液化侧移预测模型RA-RNN,通过对侧移数据进行样本学习,并利用改进自适应算法优化循环神经网络结构,验证RA-RNN模型可靠性,并与多元线性回归法（MLR）计算结果进行对比。结果表明:RA-RNN模型计算得到侧移一般为实测位移的0.7~1.3倍,训练结果R2,RMSE,MAE分别为0.977,0.375,0.141;土耳其科喀艾里RA-RNN模型预测结果RMSE和MAE为MLR模型的1/26,1/830;中国台湾集集镇RA-RNN模型预测结果RMSE和MAE为MLR模型的1/18,1/350,RA-RNN模型预测结果较优,预测精度及泛化能力得到很大提升。     

有机过氧化物反应热的危险性预测研究

为了采用非实验的方法对安全物质学的研究内容及研究方法进行初探,基于定量结构-性质关系法,选择13种与有机过氧化物热危险性的影响因子密切相关的描述符,分别对起始分解温度T0和分解热△H的实验数据进行多元线性回归、偏最小二乘和支持向量机回归分析,从而获得3种相应的预测模型。对比T0与△H的实验值和预测值,结果发现:SVM预测模型的精度高于PLS预测模型,MLR预测模型的精度最低;同种预测模型对分解热的预测结果均优于起始分解温度。此外,分析各预测模型的稳定性数据发现:MLR模型的预测过程发生了过拟合现象,不具备预测能力;PLS模型的交互验证系数均大于0.5,具备较稳定的预测能力;SVM模型的交互验证系数均大于0.9,具备非常稳定的预测能力。