化學(xué)計(jì)量學(xué)方法在工業(yè)分析中的應(yīng)用

1、分類號(hào): O657 密 級(jí): 保 密 UDC: 單位代碼: 10146 學(xué) 號(hào): 236016鞍山科技大學(xué)工程碩士學(xué)位論文論文題目:化學(xué)計(jì)量學(xué)方法在工業(yè)分析中的應(yīng)用作者:竇成指導(dǎo)教師姓名:李井會(huì)、張國(guó)民專業(yè)名稱:化學(xué)工程二六年六月一日鞍山科技大學(xué)工程碩士學(xué)位論文論文題目:化學(xué)計(jì)量學(xué)方法在工業(yè)分析中的應(yīng)用Application of Chemometric Methods in Technical Analysis研究生姓名:竇成指導(dǎo)教師姓名:李井會(huì)、張國(guó)民 單 位:鞍山科技大學(xué)、鞍鋼論文提交日期: 答辯日期:學(xué)位授予日期: 授予日期:論文評(píng)閱人: 單 位:單 位:獨(dú)創(chuàng)性聲明本人聲明所呈交的論文

2、是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知,除了文中特別加以標(biāo)注和致謝的地方外,論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果,也不包含為獲得鞍山科技大學(xué)或其他教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料,與我一同工作的同志所做的任何貢獻(xiàn)均已在論文中作了說明并表示了謝意。簽名: 日期:關(guān)于論文使用授權(quán)的說明本人完全了解鞍山科技大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定,即:學(xué)校有權(quán)保留送交論文的復(fù)印件,允許論文被查閱和借閱,學(xué)?？梢怨颊撐牡娜炕虿糠謨?nèi)容,可以采用影印、縮印或其他手段保存論文。(保密的論文在解密后應(yīng)遵守此規(guī)定簽名: 導(dǎo)師簽名: 日期:摘 要本文主要研究人工神經(jīng)網(wǎng)絡(luò)(Artific

3、ial neural networks,ANN,小波變換(Wavelet Transform,WT和遺傳算法(Genetic Algorithm,GA等應(yīng)用數(shù)學(xué)方法在工業(yè)分析中的應(yīng)用,分別用于光度分析和ICP-AES原子光譜分析。在分光光度分析中,利用遺傳算法全局優(yōu)化和自適應(yīng)概率搜索能力,解決ANN-BP可能發(fā)生的過擬合和過訓(xùn)練,將遺傳算法與BP網(wǎng)絡(luò)結(jié)合,建立一種新的遺傳神經(jīng)網(wǎng)絡(luò)(GA-ANN-BP模型,實(shí)現(xiàn)了ANN-BP結(jié)構(gòu)和參數(shù)的優(yōu)化。該模型用于光度法解析鈦(鉬、鎢-二溴羥基苯基熒光酮配合物的重疊光譜,不經(jīng)分離同時(shí)測(cè)定鋼中鈦、鉬和鎢*;用GA-ANN-BP解析鎘(鈷、汞-鄰羧基苯基重氮氨基

4、偶氮苯配合物的重疊光譜,不經(jīng)分離同時(shí)測(cè)定化妝品中的鎘、鈷和汞,建立兩個(gè)新的化學(xué)計(jì)量學(xué)方法。在ICP-AES光譜分析中,利用小波變換的多分辨分析特性校正ICP-AES光譜的背景和濾除噪聲,利用樣條小波卷積解析重疊光譜干擾,用于鋼中Mn的ICP-AES數(shù)據(jù)處理,提高了準(zhǔn)確度,降低了檢測(cè)限,建立一個(gè)新的化學(xué)計(jì)量學(xué)方法。論文所有程序均采用C語(yǔ)言和MATLAB語(yǔ)言編寫。引用169篇文獻(xiàn),對(duì)近年來小波分析、人工神經(jīng)網(wǎng)絡(luò)和遺傳算法在化學(xué)中應(yīng)用的新進(jìn)展作了評(píng)述。關(guān)鍵詞:人工神經(jīng)網(wǎng)絡(luò),小波分析,遺傳算法,分光光度法, ICP-AES,金屬元素*理化檢驗(yàn)已錄用,待發(fā)表,第一作者。(核心期刊AbstractIn t

5、his dissertation, application of mathematical methods Artificial Neural Network(ANN, Wavelet Transform(WT and Genetic Algorithm(GA in spectrophotometry and ICP-AES have been researched.Used capability of global optimization and self-adaption probability searching of GAs, GAs has been applied to opti

6、mize the structure and parameters of ANN-BP. GA-ANN-BP has been developed to solve overfitting and overtraining problems of ANN-BP. GA-ANN-BP has been applied to the simultaneous determination of Titanium, Molybdenum and Tungsten in steel as well as the simultaneous determination of Cadmium, Cobalt

7、and Mercury in cosmetic, in Spectrophotometry, two new chemometric models were developed.The new chemometric method that has ability of denoising, background correction and resolution of overlapping spectra in ICP-AES has been developed. In this method, wavelet transform has been applied to denoise,

8、 spline wavelet transform has been applied to correct background and second-order Spline Wavelet Convolution has been applied to resolve overlapping spectra. The method has been used to deal with ICP-AES spectra of Mn in steel, results were satisfactory.The programs of these methods were written wit

9、h C and MATLAB language.By citing 169 literatures, the author reviewed the late development of application of WT,ANN and GAs in chemistry.Keyword: Artificial Neural Network, Wavelet Trasformation, Genetic Algorithm, Spectrophotometry, ICP-AES, Metal Elements目 錄摘 要.I ABSTRACT.II 前 言. (1第一章 文獻(xiàn)綜述 (21.1

10、小波分析方法在化學(xué)應(yīng)用中的新進(jìn)展 (21.1.1數(shù)據(jù)壓縮與校正 (21.1.2平滑濾噪 (31.1.3 特征提取 (41.2遺傳算法在化學(xué)應(yīng)用中的新進(jìn)展 (51.2.1光譜模擬和光譜解析 (51.2.2優(yōu)化處理 (61.2.3構(gòu)效分析 (71.2.4與其他算法聯(lián)用 (81.3人工神經(jīng)網(wǎng)絡(luò)在化學(xué)應(yīng)用中的新進(jìn)展 (91.3.1非線性校正 (91.3.2定量構(gòu)效關(guān)系 (111.3.3化學(xué)模式識(shí)別 (121.3.4神經(jīng)網(wǎng)絡(luò)和其他化學(xué)計(jì)量學(xué)方法的結(jié)合應(yīng)用 (13第二章 基本理論 (142.1小波分析的基本理論 (142.1.1 小波變換 (142.1.2 多分辨率分析 (152.1.3 常用小波 (16

11、2.1.4 信號(hào)的壓縮處理 (212.1.5 信號(hào)的去噪處理 (212.1.6 信號(hào)的背景扣除 (222.2遺傳算法的基本理論 (232.2.1 編碼 (232.2.2 初始群體的設(shè)定 (242.2.3 適應(yīng)度函數(shù) (252.2.4 遺傳算子 (252.2.5 終止條件 (282.2.6 遺傳算法的運(yùn)行參數(shù) (292.2.7 遺傳算法的運(yùn)算步驟 (292.2.8 遺傳神經(jīng)網(wǎng)絡(luò) (302.3人工神經(jīng)網(wǎng)絡(luò)的基本理論 (312.3.1 BP神經(jīng)網(wǎng)絡(luò) (322.3.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) (332.3.3 Kohonen神經(jīng)網(wǎng)絡(luò) (34第三章 小波分析、遺傳算法和人工神經(jīng)網(wǎng)絡(luò)在工業(yè)分析中應(yīng)用 (363

12、.1遺傳神經(jīng)網(wǎng)絡(luò)分光光度法同時(shí)測(cè)定鈦、鉬和鎢 (363.1.1 遺傳神經(jīng)網(wǎng)絡(luò)算法 (363.1.2 試驗(yàn)部分 (373.1.3 結(jié)果與討論 (383.2遺傳神經(jīng)網(wǎng)絡(luò)分光光度法同時(shí)測(cè)定鎘、鈷和汞 (413.2.1 引言 (413.2.2基本理論 (413.2.3 試驗(yàn)部分 (413.2.4 結(jié)果與討論 (423.3小波變換用于ICP-AES光譜校正和重疊光譜分離 (463.3.1 引言 (463.3.2 算法基本理論 (463.3.3 試驗(yàn)部分 (493.3.4 結(jié)果與討論 (49結(jié) 論 (56參 考 文 獻(xiàn) (57攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文 (68致 謝 (69前 言化學(xué)計(jì)量學(xué)1(Chemom

13、etrics是化學(xué)的一個(gè)分支學(xué)科,它應(yīng)用數(shù)學(xué)、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)科學(xué)和化學(xué)等學(xué)科的理論和方法,設(shè)計(jì)和選擇最優(yōu)的化學(xué)量測(cè)方法,并且通過對(duì)化學(xué)數(shù)據(jù)的解析,最大限度地獲取有關(guān)物質(zhì)系統(tǒng)的化學(xué)信息。本文旨在研究將小波分析、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等應(yīng)用數(shù)學(xué)方法及其相互結(jié)合用于工業(yè)分析信號(hào)的處理。人工神經(jīng)網(wǎng)絡(luò)2(ANN是模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的系統(tǒng),它是由很多處理單元有機(jī)地結(jié)合起來,對(duì)數(shù)據(jù)進(jìn)行并行處理。人工神經(jīng)網(wǎng)絡(luò)在化學(xué)中的應(yīng)用日益受到重視,應(yīng)用最多的是BP網(wǎng)絡(luò),但是BP網(wǎng)絡(luò)存在過擬合,實(shí)驗(yàn)樣本容量大以及用于多元校正時(shí)各組分測(cè)定結(jié)果誤差相差較大等問題,本文應(yīng)用遺傳算法3優(yōu)化BP神經(jīng)網(wǎng)絡(luò),建立遺傳神經(jīng)網(wǎng)絡(luò)數(shù)

14、學(xué)模型,解決了BP神經(jīng)網(wǎng)絡(luò)上述缺點(diǎn),所建立的遺傳神經(jīng)網(wǎng)絡(luò)方法用于工業(yè)分析。遺傳算法3(GA是一種全局尋優(yōu)自適應(yīng)概率搜索算法,搜索效率高,可有效地避免局部?jī)?yōu)化;適于多變量、非線性優(yōu)化;搜索具有探索性或啟發(fā)性。本文用GA優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),使隱含層節(jié)點(diǎn)數(shù)、學(xué)習(xí)速率(、動(dòng)量因子(,與試驗(yàn)數(shù)據(jù)達(dá)到最優(yōu)匹配,建立遺傳神經(jīng)網(wǎng)絡(luò)模型(GA-ANN。小波變換4(WT是在傅立葉分析的基礎(chǔ)上發(fā)展起來的時(shí)-頻分析方法,優(yōu)于傅立葉分析。小波變換提供了一種自適應(yīng)的時(shí)域和頻域同時(shí)局部化的分析方法,無論分析低頻或是高頻局部信號(hào),它都能自動(dòng)調(diào)節(jié)時(shí)-頻窗,以適應(yīng)實(shí)際分析的需要,被譽(yù)為時(shí)-頻分析的顯微鏡。小波變換的一個(gè)重要的

15、應(yīng)用是對(duì)信號(hào)壓縮和去噪,而閾值的好壞直接關(guān)系到壓縮和去噪的效果,本文依據(jù)傅立葉變換的帕塞瓦爾定理、小波變換的能量守恒和能量壓縮的大拇指規(guī)則,提出確定閾值的新方法,用于信號(hào)壓縮去噪和重建。首先采用db4小波對(duì)信號(hào)進(jìn)行去噪,然后用二階樣條小波卷積分辨重疊峰,用于ICP-AES光譜數(shù)據(jù)的處理,建立新的化學(xué)計(jì)量學(xué)方法。本文建立三個(gè)化學(xué)計(jì)量學(xué)方法,其中兩個(gè)方法用于光度法進(jìn)行多組分同時(shí)測(cè)定,一個(gè)方法用于ICP-AES光譜分析中去噪、扣除背景和解析重疊光譜干擾。第一章 文獻(xiàn)綜述本文的研究方向?qū)儆诨瘜W(xué)計(jì)量學(xué)范疇,該學(xué)科已經(jīng)取得很大進(jìn)展,國(guó)內(nèi)已出版多種化學(xué)計(jì)量學(xué)方面的專著和教材5-19,一些文獻(xiàn)評(píng)述了化學(xué)計(jì)量學(xué)

16、的方法和應(yīng)用。本文對(duì)小波分析、人工神經(jīng)網(wǎng)絡(luò)和遺傳算法近年來在化學(xué)中的應(yīng)用作出綜述。1.1 小波分析方法在化學(xué)應(yīng)用中的新進(jìn)展小波變換(wavelet transform,WT是在傅立葉分析基礎(chǔ)上發(fā)展起來的時(shí)頻分析方法,在流動(dòng)注射分析(FIA、高效液相色譜(HPLC、伏安分析(VA、紅外光譜(IR、核磁共振譜(NMR、質(zhì)譜(MS和紫外-可見光譜等分析化學(xué)信號(hào)的目標(biāo)識(shí)別、平滑濾噪、數(shù)據(jù)壓縮、背景校正等方面都有成功的應(yīng)用,已有文獻(xiàn)對(duì)其應(yīng)用進(jìn)行綜述20-24。運(yùn)用小波變換對(duì)信號(hào)進(jìn)行壓縮與校正,主要依靠其在時(shí)間和頻率的局域性、方向的選擇性,伸縮和平移等運(yùn)算功能對(duì)信號(hào)進(jìn)行多尺度(或多分辨細(xì)化分析等特性。張海

17、鵬等25在對(duì)小波變換的多分辨和Mallat算法進(jìn)行深入研究的基礎(chǔ)上應(yīng)用小波變換和Huffman編碼方法對(duì)信號(hào)進(jìn)行壓縮,取得很好效果。董志軍26基于小波分析的數(shù)據(jù)校正方法具有多尺度特性,用于在線或離線校正具有多尺度特征的測(cè)量數(shù)據(jù)或信號(hào)。Collantes等27將小波包變換(WPT的數(shù)據(jù)壓縮方法用于藥物分類識(shí)別,結(jié)果滿意。Trygg和Wold28將FWT用于數(shù)據(jù)壓縮并將壓縮后的數(shù)據(jù)進(jìn)行PLS分析,結(jié)果表明經(jīng)過FWT壓縮的數(shù)據(jù)能夠保持原始信號(hào)中的所有信息。李一波29等運(yùn)用小波變換能精細(xì)刻劃信號(hào)奇異性的特點(diǎn),提出了一種基于多分辨小波分析的色譜伏安信號(hào)的平滑濾噪和高效壓縮算法。該算法壓縮比高,濾波效果好

18、,適用于高效液相色譜、氣相色譜和紅外光譜的濾波和壓縮。Chau等30用快速小波變換(FWT和多尺度分析分別對(duì)模擬和實(shí)驗(yàn)所得的UV-Vis光譜數(shù)據(jù)進(jìn)行了壓縮,并討論了不同的數(shù)據(jù)預(yù)處理方法、不同長(zhǎng)度的Daubechies小波基、分解次數(shù)以及不同的閾值對(duì)壓縮結(jié)果的影響。柏子游等31對(duì)彩色鐵譜顯微圖像進(jìn)行了數(shù)據(jù)的壓縮編碼實(shí)驗(yàn)研究,取得了較好的壓縮效果和較高的壓縮比。Yu等32把小波分析用于電位溶出伏安法數(shù)據(jù)處理,分析的靈敏度提高4倍。邵學(xué)廣等33將小波變換與免疫算法結(jié)合,對(duì)多組分核磁共振信號(hào)和二維重疊色譜信號(hào)進(jìn)行解析,為快速?gòu)?fù)雜化學(xué)信號(hào)的解析提供有效途徑。Bos和Vrielink34用WT提取單取代苯

19、和雙取代苯的IR光譜特征信息用于人工神經(jīng)網(wǎng)絡(luò)的輸入,進(jìn)行光譜鑒定,將IR光譜數(shù)據(jù)以很高的壓縮比壓縮后作為人工神經(jīng)網(wǎng)絡(luò)的輸入,提高了人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度,結(jié)果也比直接用原始光譜數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)更精確。邵學(xué)廣等35將小波變換的多尺度信號(hào)分解(MRSD法用于一維核磁共振(NMR信號(hào)的數(shù)據(jù)壓縮,將32768個(gè)數(shù)據(jù)點(diǎn)構(gòu)成的NMR譜圖壓縮至512個(gè)數(shù)據(jù)點(diǎn),在均方差很小的情況下重建原始譜圖。Jouan-Rimbaud等36用WT提取光譜數(shù)據(jù)中的相關(guān)成分,建立NIR光譜數(shù)據(jù)模型。McNulty等37將WT應(yīng)用于NIR光譜數(shù)據(jù)的處理,預(yù)測(cè)葡萄糖水溶液濃度的臨床效果。Walczak等38對(duì)NIR光譜數(shù)據(jù)進(jìn)行W

20、T處理,用于校正不同NIR光譜儀之間的數(shù)據(jù)。數(shù)據(jù)濾噪在分析化學(xué)中的意義重大。小波變換有很強(qiáng)的信號(hào)分離能力,容易把隨機(jī)噪聲從信號(hào)中分離出來,進(jìn)而提高信號(hào)的信噪比。路威等39提出了一種基于平穩(wěn)小波變換改進(jìn)的濾噪算法,通過對(duì)標(biāo)準(zhǔn)圖像和PHI高光譜遙感數(shù)據(jù)處理,證明此法有比軟閾值法更好的抑制噪聲和保持信號(hào)細(xì)節(jié)的能力,能較好地?cái)M合高光譜數(shù)據(jù)中噪聲隨波長(zhǎng)的變化。邵利民等40把WT應(yīng)用于HPLC濾噪,色譜信號(hào)的信噪比和檢測(cè)限都得到很大改善,峰高與濃度呈良好的線性關(guān)系。李關(guān)賓等41報(bào)道了小波系數(shù)區(qū)域相關(guān)閾值濾噪法的基本原理,將其應(yīng)用于模擬信號(hào)與含噪色譜信號(hào)的濾噪,結(jié)果表明該方法在保留信號(hào)的特征信息的同時(shí)能夠有

21、效地濾除信號(hào)中的噪音。朱鳳崗等42結(jié)合離散正交小波變換(DWT的理論,對(duì)多尺度下未抽取前的小波系數(shù)進(jìn)行非線性濾波處理,達(dá)到在保護(hù)信號(hào)邊緣的同時(shí),濾除白噪聲及脈沖噪聲。陳曉燕等43提出一種用于高噪聲化學(xué)信號(hào)中濾除噪聲的快速新方法(提升小波濾噪法,將該方法與重疊峰分辨技術(shù)聯(lián)用,以優(yōu)選的小波分解層數(shù)對(duì)低信噪比的分析化學(xué)信號(hào)進(jìn)行處理,取得滿意的結(jié)果。 Mittermayr等44用WT改善氣相色譜數(shù)據(jù)的校正曲線和檢測(cè)限,將分析結(jié)果與Fourier濾波和Savitzky-Golay濾波進(jìn)行比較,結(jié)果表明WT的濾噪效果優(yōu)于后兩種方法。Zheng等45將樣條小波和Riemann-Liouville變換(RLT

22、相結(jié)合,用于濾除采樣電流中的隨機(jī)噪音及外部電流,取得了滿意的結(jié)果。魯亞光46對(duì)新的自適應(yīng)小波閾值函數(shù)濾噪法與小波閾值去噪和空域相關(guān)去噪法比較,新法在去除噪聲的同時(shí),很好地保留了信號(hào)的細(xì)節(jié),仿真計(jì)算和分析結(jié)果表明該算法有效。鄭建斌等47構(gòu)造了遺傳小波神經(jīng)網(wǎng)絡(luò),對(duì)模擬和極譜信號(hào)處理的結(jié)果表明由于該網(wǎng)絡(luò)使用遺傳算法優(yōu)化了神經(jīng)網(wǎng)絡(luò)的參數(shù),避免網(wǎng)絡(luò)陷入局部最小,及選擇網(wǎng)絡(luò)參數(shù)時(shí)的人工參與,有效地濾噪和數(shù)據(jù)壓縮。1.1.3 特征提取小波變換具有在時(shí)間、頻率上突出信號(hào)局部特征的能力。由于信號(hào)的奇異點(diǎn)(如過零點(diǎn)、極值點(diǎn)等 更能夠刻畫信號(hào)的細(xì)節(jié), 對(duì)信號(hào)進(jìn)行區(qū)分中起著重要作用。 通過小波變換提取出這些奇異點(diǎn),

23、能夠?qū)π盘?hào)進(jìn)行更好的描述。朱鳳崗48結(jié)合小波變換的奇異性檢測(cè)理論提出基于低尺度細(xì)節(jié)系數(shù)重構(gòu)信號(hào)模極大值的滴定終點(diǎn)判斷方法,通過選擇合適的小波,能達(dá)到較高的精確度。張水鋒等49采用連續(xù)小波變換(CWT技術(shù)處理苯酚、對(duì)苯二酚和對(duì)硝基苯酚共存體系循環(huán)伏安弱信號(hào),表明CWT可以識(shí)別出極弱信號(hào)中的特征信息,確定弱峰的數(shù)目和位置。丁紅波50等用連續(xù)小波變換解析原始電化學(xué)噪音信號(hào),對(duì)Cd(和In(重疊伏安信號(hào)處理,峰位置提取的相對(duì)誤差小于1%。楊毓英等51 對(duì)豚鼠腦干聽覺電位信號(hào)經(jīng)正交小波變換后,不但得到傳統(tǒng)判別參數(shù),而且成功地將原始信號(hào)在不同頻帶的能量之比作為新判據(jù)。朱鳳崗等52提出基于多分辨率分析和連續(xù)

24、小波變換的兩種奇異性檢測(cè)方法,應(yīng)用于滴定曲線的終點(diǎn)判斷,取得良好效果。Stark等53應(yīng)用WT成功地把FT-IR吸收光譜中的礦物學(xué)信息從噪音和其它信號(hào)中分離出來。Walczak等54把WPT應(yīng)用于NIR光譜的模式識(shí)別,結(jié)果表明WPT提高識(shí)別和分類效果。Jouan-Rimbaud等55用WT提取光譜數(shù)據(jù)中的相關(guān)成分,建立NIR光譜的數(shù)據(jù)模型。McNulty等56把WT應(yīng)用于NIR光譜數(shù)據(jù)的處理,應(yīng)用于預(yù)測(cè)葡萄糖水溶液濃度的臨床效果。李曉偉57用離散小波分析對(duì)數(shù)字弱信號(hào)分析和提取特征。Barache等58把連續(xù)小波變換(CWT用于NMR譜的FID信號(hào)的修正與特征信息的提取,同時(shí)還從數(shù)學(xué)理論上比較了

25、CWT與DWT的各自特點(diǎn),與DWT相比,CWT包含了更豐富的信息。Guillemain等59將WT用于NMR譜的信號(hào)處理,精確估測(cè)并提供這些譜線在時(shí)間域上的信息。王克龍 60提出小波變換蛋白質(zhì)序列相似性的方法中的關(guān)鍵因素,達(dá)到最有效的信號(hào)處理目的。遺傳算法(Genetic Algorithms 簡(jiǎn)稱GA的基本思想是模擬自然界遺傳機(jī)制和生物進(jìn)化論而形成的一種過程搜索最優(yōu)解的算法。應(yīng)用于自動(dòng)控制、計(jì)算科學(xué)、模式識(shí)別、工程設(shè)計(jì)、智能故障診斷、管理科學(xué)和社會(huì)科學(xué)領(lǐng)域,適用于解決復(fù)雜的非線性和多維空間尋優(yōu)問題。近年來,遺傳算法逐步應(yīng)用于化學(xué)領(lǐng)域的參數(shù)優(yōu)化、光譜模擬和光譜解析、多變量分析、分子構(gòu)象分析等。

26、光譜模擬和光譜解析是遺傳算法在化學(xué)領(lǐng)域中主要研究方向之一。劉芳等61引用60多篇文獻(xiàn)介紹遺傳算法基本原理及其對(duì)譜圖數(shù)據(jù)優(yōu)化、解析和波長(zhǎng)變量篩選。褚小立等62利用遺傳算法對(duì)近紅外光譜波長(zhǎng)進(jìn)行篩選,用偏最小二乘法建立分析校正模型。李一波等63構(gòu)造了以線型或峰型函數(shù)為基函數(shù)的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)( RBFNN,在 RBFNN學(xué)習(xí)算法中引入了基于可行域約束和共享小生境技術(shù)的遺傳算法(GA,從而使 RBFNN具有了結(jié)構(gòu)自學(xué)習(xí)和參數(shù)優(yōu)化的能力,將具有結(jié)構(gòu)自學(xué)習(xí)能力的RBFNN引入譜圖重疊峰解析辨識(shí)研究中,建立一種適應(yīng)光譜和色譜譜圖重疊峰解析辨識(shí)的統(tǒng)一架構(gòu)。Wienke64應(yīng)用遺傳算法,同時(shí)對(duì)6個(gè)元素發(fā)射譜線

27、的強(qiáng)度進(jìn)行了優(yōu)化。Diver等65人用遺傳算法對(duì)射線譜圖進(jìn)行了解析,結(jié)果證實(shí)遺傳算法對(duì)復(fù)雜譜圖的解析非常有效。Across等66人采用遺傳算法對(duì)紫外可見光譜的PLS校正模型進(jìn)行波長(zhǎng)選擇。余曉等67構(gòu)造結(jié)合模擬退火及變長(zhǎng)染色體的改進(jìn)遺傳算法,結(jié)合爬山法,對(duì)數(shù)目未知的重疊色譜峰的精確解析,成功地應(yīng)用于氨基酸定量分析中。蔡文生等68利用生物免疫機(jī)制改進(jìn)遺傳算法,用于色譜解析條件優(yōu)化過程。陳開等69將遺傳算法引入色譜峰解析程序,結(jié)合色譜峰EMG模型及峰形經(jīng)驗(yàn)公式,實(shí)現(xiàn)恒溫色譜譜圖的全自動(dòng)解析,取得滿意結(jié)果。邵學(xué)廣等70利用生物的免疫機(jī)制改進(jìn)遺傳算法,并采用了數(shù)值交叉操作數(shù)和非一致變異操作數(shù),應(yīng)用于色譜

28、解析。陳閩軍等71提出了一種基于遺傳算法的色譜指紋峰配對(duì)識(shí)別方法,該方法根據(jù)色譜指紋圖譜峰分布特性初選出若干標(biāo)定峰,將其存入一個(gè)候選標(biāo)定峰庫(kù),同時(shí)根據(jù)這些候選標(biāo)定峰從待測(cè)指紋圖譜中選出相應(yīng)的候選標(biāo)定峰,以遺傳算法對(duì)指紋峰進(jìn)行了識(shí)別,結(jié)果滿意。褚小立等72利用全局搜索方法遺傳算法對(duì)近紅外光譜快速分析中的波長(zhǎng)變換進(jìn)行篩選,再用偏最小二乘法(Partial Least Squares,PLS建立分析校正模型。對(duì)兩類樣品的近紅外光譜分析應(yīng)用實(shí)例表明,這種選取變量進(jìn)行校正的方法,不僅優(yōu)化了模型,而且增強(qiáng)所建模型的預(yù)測(cè)能力,尤其適用于單純PLS較難較正關(guān)聯(lián)的體系。在現(xiàn)代工業(yè)生產(chǎn)中,生產(chǎn)過程的詳細(xì)機(jī)理比較復(fù)

29、雜,需要調(diào)節(jié)的參數(shù)很多,所以尋找有效的參數(shù)優(yōu)化的方法是重要的。熊建輝等73將功效函數(shù)法結(jié)合遺傳算法用于堿性藥物腎上腺素的手性毛細(xì)管電泳的多指標(biāo)同時(shí)優(yōu)化,采用均勻設(shè)計(jì)安排了4因素(電解質(zhì)濃度、pH值、手性試劑濃度和分離電壓6水平實(shí)驗(yàn),采用實(shí)數(shù)編碼的遺傳算法搜尋總功效函數(shù)的最大值,獲得了多個(gè)優(yōu)化分離條件,與均勻試驗(yàn)設(shè)計(jì)中最佳條件相比,平均提高10.4%。張兵等74對(duì)化工動(dòng)態(tài)優(yōu)化的數(shù)值求解問題,提出將迭代思想與遺傳操作相結(jié)合,構(gòu)建迭代遺傳算法,首先對(duì)時(shí)間區(qū)間和控制搜索域?qū)嵤╇x散化,進(jìn)而應(yīng)用遺傳操作搜索離散問題的最優(yōu)控制策略。劉莉莉等75將遺傳算法用于工藝條件的優(yōu)化,以化學(xué)反應(yīng)過程的有限元模擬方法作為

30、目標(biāo)函數(shù)的求解方法,建立化學(xué)工藝優(yōu)化系統(tǒng),用于硅橡膠材料的硫化反應(yīng)中。徐貴力等76利用遺傳算法對(duì)提取的華素葉片圖像眾多顏色和紋理特征項(xiàng)進(jìn)行優(yōu)化選擇,以達(dá)到診斷識(shí)別有用的信息,結(jié)果表明,經(jīng)過優(yōu)化的特征組合明顯優(yōu)于人工選擇的特征組合分類能力。張會(huì)剛等77采用廣義簡(jiǎn)約梯度法(GRG來增強(qiáng)遺傳算法(GA用于相平衡計(jì)算過程,在遺傳算法演化快結(jié)束時(shí)引入GRG算子,演化結(jié)束后使用GRG精修結(jié)果,克服了GA局部搜索能力不強(qiáng)的缺點(diǎn),加快了搜索速度。陳學(xué)國(guó)等78將遺傳算法用于9種小肽的反相離子對(duì)色譜分離條件的優(yōu)化,經(jīng)過3次尋優(yōu)操作,確定了最佳分離條件,實(shí)驗(yàn)保留值與預(yù)測(cè)值的平均相對(duì)偏差為0.75%。蔡文生等79采用

31、整數(shù)串編碼和基于節(jié)點(diǎn)基因交換方式的遺傳算法,用于化學(xué)結(jié)構(gòu)圖的同態(tài)研究中,在一組隨機(jī)生成的間接映射關(guān)系的整數(shù)串中逐步優(yōu)化,直到找出與查詢結(jié)構(gòu)匹配的映射,實(shí)現(xiàn)化學(xué)結(jié)構(gòu)圖的同態(tài)匹配和多重匹配。Gravener.T.L.80用遺傳算法評(píng)定神經(jīng)網(wǎng)絡(luò)的參數(shù)預(yù)測(cè)食物中氨基酸的含量。AndresToro.B等81用遺傳算法取得最佳動(dòng)力過程模型參數(shù)。West.A.C.和Sherif.S.A.82將遺傳算法應(yīng)用于多階段蒸汽壓縮系統(tǒng),對(duì)各種條件下的參數(shù)進(jìn)行優(yōu)化處理,與單階段的系統(tǒng)相比,性能更優(yōu)。Wienke等83應(yīng)用遺傳算法對(duì)痕跡元素的發(fā)射譜線的強(qiáng)度進(jìn)行優(yōu)化。近年來有人在遺傳算法應(yīng)用于分子構(gòu)效分析的工作中取得了成功

32、。構(gòu)效分析就是定量結(jié)構(gòu)活性關(guān)系(QSAR,Quantitative Structure-Activity Relatio- nship研究,將化合物的生物活性與結(jié)構(gòu)信息、物性信息相關(guān)聯(lián)。丁俊杰等84在多肽定量構(gòu)效關(guān)系研究中,介紹了化學(xué)結(jié)構(gòu)定量描述符和建立數(shù)學(xué)模型的統(tǒng)計(jì)方法,并簡(jiǎn)要論述了模擬肽學(xué)和虛擬組合多肽庫(kù)在多肽分子設(shè)計(jì)中的應(yīng)用。王仲君85 等用生物信息學(xué)方法對(duì)蛋白質(zhì)折疊過程研究,建立蛋白質(zhì)折疊自回避搜索的遺傳算法模型,通過計(jì)算機(jī)模擬表明此算法產(chǎn)生了效果較好的蛋白質(zhì)折疊構(gòu)象。潘詠梅86 等用遺傳算法與線性回歸和交叉驗(yàn)證方法相結(jié)合,對(duì)一系列43個(gè)苯并呋喃/噻吩聯(lián)二苯類PTPlB抑制劑作了二維定

33、量構(gòu)效關(guān)系的研究。侯廷軍87 等對(duì)遺傳算法的基本概念以及工作原理進(jìn)行介紹,并結(jié)合科研組的工作,就遺傳算法在定量構(gòu)效關(guān)系、構(gòu)效分析、藥效團(tuán)模擬、分子對(duì)接以及虛擬組合化學(xué)等方面的應(yīng)用做了系統(tǒng)的闡述。Stefanini,F.M.88 等應(yīng)用遺傳算法對(duì)DNA的指紋結(jié)構(gòu)進(jìn)行分析,測(cè)試時(shí)間得到了明顯的減少,沒有出現(xiàn)錯(cuò)誤的結(jié)果,證實(shí)了GA的分析的可行性。Oudinet.G.89 等將遺傳算法發(fā)展到自動(dòng)化分析中,將Pu的粒子圖象由2D到3D的進(jìn)行變換,其效果滿意。夏保云 90 等將改進(jìn)的遺傳算法用于氬原子簇(Arn(n=2.14的結(jié)構(gòu)優(yōu)化,結(jié)果表明, MGALM可以得到全局最優(yōu)結(jié)構(gòu)。Yasri.A.91應(yīng)用遺

34、傳算法預(yù)測(cè)和建立QSAR 的模型,不但取得滿意的成果,也為其它模型的建立提供了一種新的方法。Shapiro等92在三種不同的計(jì)算機(jī)上鑒定RNA,并且在原有的RNA結(jié)構(gòu)的基礎(chǔ)上,利用遺傳算法設(shè)計(jì)和發(fā)展了SIMD(Single Instruction Multiple Data。QIAO Yuanyuan等93將k最近鄰法應(yīng)用于QSAR研究,此運(yùn)算過程利用模擬退火法并結(jié)合遺傳算法和留一交叉驗(yàn)證法優(yōu)選出適當(dāng)?shù)慕Y(jié)構(gòu)參數(shù)和近鄰數(shù)目,為搜尋潛在前導(dǎo)化合物提供重要參考信息。越來越多的研究人員近年來將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來研究,希望通過充分利用兩者的長(zhǎng)處,尋找一種有效解決問題的出路。李井會(huì)等94將遺傳算法

35、用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù),解決了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和“過擬合”問題,并用遺傳神經(jīng)網(wǎng)絡(luò)-分光光度法同時(shí)測(cè)定鋼中的鉍和鈰,結(jié)果滿意。孫曉琦等95在鍶(鋇二溴對(duì)甲偶氮甲磺顯色體系中,應(yīng)用Kohonen神經(jīng)網(wǎng)絡(luò)優(yōu)選波長(zhǎng),用遺傳算法優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),得到優(yōu)化結(jié)構(gòu)的網(wǎng)絡(luò)。李一波96 等建立以塔板模型為基函數(shù)的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(P-RBFNN,為了使P-RBFNN具有結(jié)構(gòu)重組能力,又在網(wǎng)絡(luò)學(xué)習(xí)算法中引入了魯棒 (Rubust和隨機(jī)全局最優(yōu)的兩階段排序遺傳算法:結(jié)構(gòu)學(xué)習(xí)和進(jìn)化。并將其用于重疊色譜峰的解析。 楊兵等97把遺傳算法(GA和迭代目標(biāo)因子分析法(FA相結(jié)合,解決了多組分同時(shí)測(cè)

36、定時(shí)收斂滯緩的問題,并將其用于15種稀土的同時(shí)測(cè)定,提高了分析結(jié)果的準(zhǔn)確度。邵學(xué)廣等98把遺傳算法(GA與交互檢驗(yàn)(CV相結(jié)合,建立了一種用于對(duì)近紅外光譜(NIR數(shù)據(jù)及其離散小波變換(DWT系數(shù)進(jìn)行變量篩選的方法,應(yīng)用于煙草樣品中總揮發(fā)堿和總氮的同時(shí)測(cè)定,降低模型的復(fù)雜程度,改善預(yù)測(cè)的準(zhǔn)確度。叢培盛等99把遺傳算法(GA與C-均值聚類算法(CMA相結(jié)合,對(duì)醫(yī)學(xué)彩色圖像直接按紅綠藍(lán)(RGB三色空間進(jìn)行聚類,用遺傳算法搜索全局最優(yōu)解,避免了C-均值聚類算法收斂到局部最優(yōu)的問題,實(shí)現(xiàn)了對(duì)醫(yī)學(xué)病理彩色圖像的分割和對(duì)象提取,結(jié)果滿意。張大仁等100把遺傳算法和偏最小二乘法結(jié)合,用于定量結(jié)構(gòu)活性關(guān)系研究中

37、,進(jìn)行變量選擇和建立最終模型,以較少的變量個(gè)數(shù)包含較多的變量信息,且變量間沒有線性相關(guān)問題,因而得到較好的QSAR模型。龔道雄等101介紹了一種基于遺傳算法和模擬退火算法的DNA多序列比對(duì)算法。人工神經(jīng)網(wǎng)絡(luò)(ANN是一種基于神經(jīng)科學(xué)理論的智能算法,因其處理非線性問題的非凡能力,在化學(xué)中的應(yīng)用范圍日益廣泛,已成為解決化學(xué)問題的一種重要手段。人工神經(jīng)網(wǎng)絡(luò)的并行性、自組織、自適應(yīng)、非線性和容錯(cuò)性等特征,使其成為人工智能領(lǐng)域的前沿技術(shù)。關(guān)于神經(jīng)網(wǎng)絡(luò)在分析化學(xué)方面的進(jìn)展及應(yīng)用, 本實(shí)驗(yàn)室也有工作102-108。非線性校正又稱多元校正,其應(yīng)用多元統(tǒng)計(jì)方法、以化學(xué)測(cè)量數(shù)據(jù)構(gòu)造多元校正模型,通過參數(shù)估計(jì)來表述

38、分析對(duì)象的相關(guān)定量信息。作為一種智能算法,神經(jīng)網(wǎng)絡(luò)在此領(lǐng)域中的應(yīng)用已顯示出一定優(yōu)勢(shì)。李井會(huì)等109在鍶(鋇 二溴對(duì)甲偶氮甲磺顯色體系中,應(yīng)用Kohonen 神經(jīng)網(wǎng)絡(luò)優(yōu)選波長(zhǎng),用遺傳算法優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),得到優(yōu)化結(jié)構(gòu)的網(wǎng)絡(luò)。并用優(yōu)化了的神經(jīng)網(wǎng)絡(luò)解析鍶、鋇配合物的混合吸收光譜,不經(jīng)分離光度法同時(shí)測(cè)定鍶和鋇,獲得滿意結(jié)果。范磊等110介紹了BP神經(jīng)網(wǎng)絡(luò)及幾種改進(jìn)BP神經(jīng)網(wǎng)絡(luò)性能的算法,用Matlab編寫相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)算法程序,將它們用于多組分同時(shí)測(cè)定,效果良好。祖金鳳111等用芳胺的重氮化偶合反應(yīng),用BP神經(jīng)網(wǎng)絡(luò)對(duì)于吸收重疊的三組分芳胺類化合物體系進(jìn)行同時(shí)測(cè)定,測(cè)定了光催化降解苯胺

39、、甲萘胺、鄰氯苯胺三組分過程中各組分濃度。于洪梅等112在鋯(鈦-對(duì)氯苯基熒光酮-CTMAB 顯色體系中,應(yīng)用改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)解析鋯和鈦的吸收光譜,不經(jīng)分離分光光度法同時(shí)測(cè)定鋯和鈦。在經(jīng)典的BP算法的基礎(chǔ)上改進(jìn)了傳遞函數(shù),引用雙沖量因子,并對(duì)學(xué)習(xí)速率、動(dòng)量因子采用自適應(yīng)調(diào)整法,確定了網(wǎng)絡(luò)的最佳參數(shù)。此方法避免了網(wǎng)絡(luò)陷入過飽和,提高了網(wǎng)絡(luò)的收斂速度和預(yù)測(cè)精度,優(yōu)于經(jīng)典的BP算法。朱金林113等用BP網(wǎng)絡(luò)對(duì)土壤中鉛、鎘、鎳的全量、有效態(tài)、活化態(tài)分別進(jìn)行了同時(shí)測(cè)定,預(yù)測(cè)結(jié)果滿意。馬成有114 等根據(jù)朗伯比耳定律,建立了用于多組分分析的數(shù)學(xué)模型,將系統(tǒng)聚類法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合用于地質(zhì)樣品中鉬、鎢、

40、錫、銻的同時(shí)測(cè)定,其相對(duì)誤差小于12.5%。并對(duì)神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)的確定,樣本及其個(gè)數(shù)的選擇,以及如何防止過擬合現(xiàn)象的產(chǎn)生等問題進(jìn)行了討論。王志有等115用BP解析了日落黃、檸檬黃和胭脂紅的吸收光譜,提出同時(shí)測(cè)定這三種色素的計(jì)算分析方法。結(jié)果表明,BP與偏最小二乘法一樣能獲得滿意的分析結(jié)果。孫秀云116等用BP 對(duì)FTIR光譜圖存在著嚴(yán)重混疊干擾的八種有毒易揮發(fā)有機(jī)化合物(VOCs組成的大氣污染物進(jìn)行了同時(shí)定量測(cè)定,得到了各污染物的濃度。分別用標(biāo)準(zhǔn)預(yù)測(cè)誤差(SEP,平均預(yù)測(cè)誤差(MPE和平均相對(duì)誤差 (MRE來評(píng)價(jià)其預(yù)測(cè)能力,得到滿意結(jié)果。王志有等117用BP解析VB1、VB2、VB6和VPP

41、的紫外吸收光譜,提出同時(shí)測(cè)定這四種維生素的計(jì)算分析方法,并對(duì)復(fù)合維生素片中的VB1、VB2、VB6和VPP同時(shí)測(cè)定。申金山 118 等利用人工神經(jīng)網(wǎng)絡(luò)處理非線性體系的優(yōu)勢(shì)進(jìn)行數(shù)據(jù)處理,建立了同時(shí)測(cè)定鐵和銻的新方法。方艷紅等119利用人工神經(jīng)網(wǎng)絡(luò)結(jié)合分光光度法用于二甲酚橙(XO-CTMAB-Cu、Cd、Ni顯色體系同時(shí)測(cè)定Cu(、Cd(和Ni(,方法簡(jiǎn)單,結(jié)果滿意。王進(jìn)平等120應(yīng)用Koho- nen 網(wǎng)絡(luò)對(duì)鎢、鉬的混合吸收光譜進(jìn)行波長(zhǎng)選擇,并將該法用特征光譜作為全譜進(jìn)行光譜解析,減少了解析光譜中大量的數(shù)據(jù)。Yongnian Ni等121測(cè)定電鍍廢液中的Co、Ni、Cu、Fe 和 Cr ,用正交

42、實(shí)驗(yàn)數(shù)據(jù)建立校正集(370-760nm范圍內(nèi)包括5種金屬離子的混合物,利用神經(jīng)網(wǎng)絡(luò)建立校正模型,實(shí)現(xiàn)5種金屬離子的同時(shí)測(cè)定。殷勇等122對(duì)銅、鉛、鎘、鋅4種金屬離子的混合溶液進(jìn)行多組分測(cè)定,并用人工神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)定結(jié)果進(jìn)行處理,建立了4種金屬離子同時(shí)測(cè)定的神經(jīng)網(wǎng)絡(luò)模型。Chunsheng Yin等123選取17個(gè)具有代表性的波長(zhǎng)點(diǎn)(343個(gè)數(shù)據(jù),作為神經(jīng)網(wǎng)絡(luò)的輸入, 同時(shí)測(cè)量6種氨基酸。Yongnian Ni等124用人工神經(jīng)網(wǎng)絡(luò)來解析包括具有不同濃度比率的退熱凈和鎮(zhèn)靜安眠劑二元混合物動(dòng)力學(xué)數(shù)據(jù)的一系列重疊光譜,實(shí)現(xiàn)退熱凈和鎮(zhèn)靜安眠劑的同時(shí)測(cè)定。B.Rezaei等125用人工神經(jīng)網(wǎng)絡(luò)模型來解析C

43、o 和Ni 的混合光譜,從而達(dá)到同時(shí)測(cè)定Co 和Ni。定量構(gòu)效關(guān)系(QSAR,Quantitative Structure-Activity Relatio- nship,亦稱定量結(jié)構(gòu)活性關(guān)系,或定量結(jié)構(gòu)-性質(zhì)關(guān)系(QSPR,由于人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)建模學(xué)習(xí)和自動(dòng)建模功能、對(duì)非線性問題有良好的擬合和預(yù)測(cè)能力,它可以任意逼近最佳描述樣本特性的函數(shù),并自動(dòng)考慮基團(tuán)間的相互作用,已被越來越多地應(yīng)用于QSAR 研究中。郭波濤 126 等用一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行計(jì)算,探討了神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于5、7、8位取代的喹諾酮類化合物定量構(gòu)效關(guān)系研究的效果,將結(jié)果與線性回歸進(jìn)行比較,結(jié)果表明神經(jīng)網(wǎng)絡(luò)方

44、法獲得了比回歸模型更精密的擬合。許旋127等在對(duì)4H-甲基咪唑苯二氮(卓酮類抗HIV-1藥物的量子化學(xué)研究中以收斂速度快和結(jié)果可靠的Levenberg-Marquardt優(yōu)化方法計(jì)算,用逐步回歸方法和BP神經(jīng)網(wǎng)絡(luò)方法得到其抗HIV-1活性與電子結(jié)構(gòu)的定量構(gòu)效關(guān)系。劉萬強(qiáng)等128用密度泛函方法在6-31G(d基組上優(yōu)化38種聚丙烯酸酯類的結(jié)構(gòu)單元,得到其單元的量子化學(xué)參數(shù),探討這些參數(shù)與聚丙烯酸酯類玻璃化溫度(Tg的關(guān)系。張林和129用神經(jīng)網(wǎng)絡(luò)中的智能求解器結(jié)合統(tǒng)計(jì)軟件,對(duì)-溴代苯乙胺衍生物進(jìn)行Hansch分析。陸光華130等采用線性基團(tuán)貢獻(xiàn)法和人工神經(jīng)網(wǎng)絡(luò)法分別對(duì)芳香族化合物的生物降解最大去除

45、率QTOD進(jìn)行QSBR研究,得到不同基團(tuán)對(duì)生物降解性的貢獻(xiàn)順序。楊興華等131用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF-network對(duì)稀土鹵化物標(biāo)準(zhǔn)生成焓進(jìn)行定量建模,相關(guān)系數(shù)r達(dá)到0.9985,樣本誤差較小。施彥132等對(duì)在定量構(gòu)效關(guān)系(QSAR模型中,人工神經(jīng)網(wǎng)絡(luò)模型難以確定參數(shù)、產(chǎn)生“過擬合”現(xiàn)象,提出一種基于隨機(jī)梯度法的選擇性神經(jīng)網(wǎng)絡(luò)二次集成方法。通過建立除草劑(苯乙酰胺類化合物的QSAR模型研究表明,該方法設(shè)計(jì)過程簡(jiǎn)單,是建立QSAR模型的一個(gè)有效方法。瞿福平133等研究神經(jīng)網(wǎng)絡(luò)在酚類有機(jī)物定量結(jié)構(gòu)-生物降解性能關(guān)系(QSBR中的應(yīng)用中采用BP預(yù)測(cè),表明采用分子連接指數(shù)與神經(jīng)網(wǎng)絡(luò)結(jié)合對(duì)于探索有

46、機(jī)物降解性能規(guī)律可行。高大文等134用ANN建立定量構(gòu)效關(guān)系模型(QSAR對(duì)松花江水中的有機(jī)化學(xué)品的毒性進(jìn)行預(yù)測(cè)。郭偉強(qiáng)等135用ANN建立醇類化合物的結(jié)構(gòu)與色譜保留值的相關(guān)性模型。研究了網(wǎng)絡(luò)構(gòu)造對(duì)模型穩(wěn)定性的影響,考察模型在單一固定相上及多固定相上的適應(yīng)性。張麗平等136用粒子群優(yōu)化算法訓(xùn)練神經(jīng)網(wǎng)絡(luò),應(yīng)用到苯乙酰胺類農(nóng)藥的定量構(gòu)效關(guān)系建模中,對(duì)未知化合物的活性進(jìn)行預(yù)測(cè)來指導(dǎo)新藥的設(shè)計(jì)和合成。模式識(shí)別(Pattern Recognization,PR建立于一個(gè)十分直觀的基本假設(shè),即“物以類聚”,性質(zhì)相近的樣本在模式空間中所處的位置相近,在空間形成“簇”。張一斌137 用一種復(fù)合神經(jīng)網(wǎng)絡(luò)算法模型

47、訓(xùn)練全加器(FA獲得高精度分類結(jié)果。束志恒138用貝葉斯正則化方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。通過靈敏度分析對(duì)正則化網(wǎng)絡(luò)實(shí)施剪枝,從而在高維模式中篩選出能代表其分類特性的最小最優(yōu)屬性特征子集。用于高維留蘭香模式的屬性篩選與模式分類,效果良好。張宇飛等139 建立以提高成品率為目標(biāo),以工藝參數(shù)為輸入、成品率為輸出的神經(jīng)網(wǎng)絡(luò)模型,并利用遺傳算法對(duì)模型輸入?yún)?shù)空間進(jìn)行尋優(yōu),確定成品率最高時(shí)所對(duì)應(yīng)的工藝參數(shù)標(biāo)稱值,經(jīng)生產(chǎn)檢驗(yàn)證明該方法有效。陳平等140用Matlab神經(jīng)網(wǎng)絡(luò)工具箱對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真,研究3種改進(jìn)的BP算法在控制圖模式識(shí)別中的應(yīng)用。仿真結(jié)果表明,尺度共軛梯度下降算法的訓(xùn)練速度最快,識(shí)別的準(zhǔn)確率也最高。

48、施偉杰141等闡述了一種利用反向傳播人工神經(jīng)網(wǎng)絡(luò)對(duì)生物可見光譜進(jìn)行識(shí)別的方法。屈凌波等142把人工神經(jīng)網(wǎng)絡(luò)應(yīng)用在中藥模式識(shí)別中,對(duì)阿膠、牛黃、地不容、柴胡等進(jìn)行了模式識(shí)別,識(shí)別結(jié)果令人滿意。熊智新等143用小波變換多分辨分析和奇異性檢測(cè)原理提取重疊色譜峰上的特征點(diǎn),構(gòu)造反映重疊峰形狀、位置和高度的5個(gè)無因次特征量,然后借助徑向基函數(shù)(RBF網(wǎng)絡(luò)來表達(dá)重疊峰中子峰面積比和5個(gè)無因次特征量的映射關(guān)系,建立分解重疊色譜峰的模式識(shí)別模型。Donrine等144對(duì)藥物基于副作用而進(jìn)行了分類。Wang等145用自適應(yīng)理論基于IR光譜對(duì)潤(rùn)滑油進(jìn)行分類。Amriani等146對(duì)揮發(fā)性氣體混合物進(jìn)行了模式識(shí)別。

49、Vanden等147基于紅外光譜通過NN對(duì)塑料制品進(jìn)行識(shí)別。吳啟勛等148把徑向基函數(shù)網(wǎng)絡(luò)之一的概率神經(jīng)網(wǎng)絡(luò)應(yīng)用在鹽湖水化學(xué)類型分類預(yù)測(cè)中,驗(yàn)證了該方法的可靠性。Wienke149等應(yīng)用改進(jìn)的Kohonen網(wǎng)絡(luò)和掃描電鏡成象技術(shù)對(duì)氣載粒子進(jìn)行了分類。王婷150介紹了模糊神經(jīng)網(wǎng)絡(luò)在織物風(fēng)格評(píng)價(jià)中的應(yīng)用?；谧赃m應(yīng)模糊神經(jīng)網(wǎng)絡(luò)ANFIS 模型,建立織物的物理參數(shù)與織物風(fēng)格之間的關(guān)系。Putta等151用主成分分析和人工神經(jīng)網(wǎng)絡(luò)對(duì)于粒子跡進(jìn)行模式識(shí)別。神經(jīng)網(wǎng)絡(luò)和其他化學(xué)計(jì)量學(xué)方法聯(lián)用有助于降低測(cè)量數(shù)據(jù)的共線性、減少模型參數(shù)和訓(xùn)練時(shí)間、增強(qiáng)神經(jīng)元的預(yù)測(cè)解析能力、減少訓(xùn)練模型崩潰的可能性。白英奎等152

50、討論了一種神經(jīng)網(wǎng)絡(luò)(ANN和偏最小二乘法(PLS結(jié)合的近紅外(NIR多組分分析法,與傳統(tǒng)的PLS方法比較,此方法改善了模型的適應(yīng)性,顯著地提高了預(yù)測(cè)精度。劉志剛等153介紹了小波網(wǎng)絡(luò)的構(gòu)造理論及應(yīng)用,提出了當(dāng)前存在的問題和今后的研究方向。何池洋等154應(yīng)用人工神經(jīng)網(wǎng)絡(luò)原理,采用Levenberg-Marquardt BP算法,對(duì)于吸收光譜嚴(yán)重重疊的Cu、Co、Ni、Zn四組分顯色體系進(jìn)行同時(shí)測(cè)定,并與普通BP網(wǎng)絡(luò)、改進(jìn)型BP網(wǎng)絡(luò)和徑向基網(wǎng)絡(luò)相比表明該算法訓(xùn)練速度快、預(yù)測(cè)結(jié)果準(zhǔn)確度高。熊建輝155等采用小波神經(jīng)網(wǎng)絡(luò)作為模式識(shí)別工具對(duì)健康人和乳腺癌病人作了分類研究,其預(yù)測(cè)能力強(qiáng)于主成分分析和線性判

51、別能力。劉勇健156討論了BP神經(jīng)網(wǎng)絡(luò)和混沌優(yōu)化的特點(diǎn),將混沌優(yōu)化方法和梯度下降法結(jié)合起來構(gòu)成一種新的組合搜索優(yōu)化方法。高玲157等把徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFN和核心偏最小二乘法(KPLS用于分析重疊的CrD和ZnC的奧斯特楊方波伏安圖。曹均闊158用模糊控制策略將模糊C-均值算法與經(jīng)典的Kohonen算法有機(jī)地結(jié)合起來,網(wǎng)絡(luò)性能到很大改善。第二章 基本理論2.1.1 小波變換 2.1.1.1 連續(xù)小波變換設(shè)(12L L t 且(00=,則按如下方式生成的函數(shù)族ba ,=a b t at ab1( R b a ,0 (2.1.1 稱為分析小波或連續(xù)小波,(t 被稱為基本小波或母小波,其中a

52、是尺度因子,b 是平移因子設(shè)(t f 是平方可積函數(shù)記作(R L t f 2,則函數(shù)(t f 的小波變換為:(=t t f dt a b t t f a等效頻域表示為:(d ea F ab a WTjwbf =2.1.1.2 離散小波變換先進(jìn)行尺度的離散化。目前通行的辦法是對(duì)尺度按冪級(jí)數(shù)作離散化即令2=a 取j 2,2,212L ,此時(shí)相應(yīng)的小波函數(shù)是(002000020kb t a a b ka t a a jj j j= 記作(0,t kb a j 在這些點(diǎn)上計(jì)算得WT 為:=Z k j dt t t f kb a WT kb a j x j ,2,1,0,(,(*,0000L 2.1.2

53、 多分辨率分析 2.1.2.1 Haar 小波變換Harr 小波變換是所有其他小波變換的原型。 (1一級(jí)Haar 小波變換一級(jí)Haar 小波變換的映射為(111d a f D 其中,一級(jí)逼近子信號(hào):,(2/11Na a a K =,1mm V f a =,1m V 是一級(jí)尺度信號(hào)。一級(jí)波動(dòng)子信號(hào):,(2/11Nd d d K =,1mm W f d =,1m W 為一級(jí)小波。 (2多級(jí)Haar 小波變換:根據(jù)信號(hào)的長(zhǎng)度可被2整除的次數(shù),進(jìn)行多級(jí)Haar 小波變換。其中,二級(jí)Haar 小波變換將一級(jí)Haar 變換方法用于一級(jí)逼近子信號(hào)1a ,產(chǎn)生從一級(jí)逼近子信號(hào)1a 到二級(jí)逼近子信號(hào)2a 和二級(jí)

54、波動(dòng)子信號(hào)2d 的映射(2211d a a D 二級(jí)Haar 變換2D 可定義為映射:(1222d d a f D 二級(jí)逼近子信號(hào)2a 和二級(jí)波動(dòng)子信號(hào)2d 為信號(hào)f 與二級(jí)尺度信號(hào)2m V 和小波2m W 的內(nèi)積。同理,k 級(jí)逼近子信號(hào)k a 和k 級(jí)波動(dòng)子信號(hào)k d 為信號(hào)f 與k 級(jí)尺度函數(shù)k m V 和小波k m W 的內(nèi)積。2.1.2.2 多分辨率分析多分辨分析(MAR 是小波分析的核心,它由一個(gè)低分辨信號(hào),通過連續(xù)加入細(xì)節(jié),逐漸成為一個(gè)高分辨信號(hào),直至合成一個(gè)全分辨信號(hào)分解具體關(guān)系:12D DDAf kk+=K ,其中,f 代表信號(hào),A 代表低頻近似部分(Approximation

55、s ,D 代表高頻細(xì)節(jié)部分(Details ,K 代表分解層數(shù)。 下面以為Haar 小波為例進(jìn)行說明。 (1一級(jí)Haar 小波多分辨分析信號(hào)f 可表示為:+=2,2,2,2,2,22,2,2,2,2,22/2/22112/2/2211N N N N d d d d d d a a a a a a f K K即一級(jí)平均信號(hào)和一級(jí)細(xì)節(jié)信號(hào)之和,11D A f +=其中,=2,2,2,2,2,22/2/22111N N a a a a a a A K=2,2,2,2,2,22/2/22111N N d d d d d dD K 應(yīng)用Haar 尺度信號(hào)和小波,平均信號(hào)和細(xì)節(jié)信號(hào)可以表示為:12/2/1221111N N V a V a V a A +=K 12/2/1221111N N WdW d W d D +=K又因?yàn)?1m