基于神经网络的硝基芳烃急性毒性QSAR研究

采用BP神经网络模型研究了45种硝基芳烃类化合物的结构与其急性毒性之间的关系,以硝基芳烃类化合物的量子化学参数作为输入,用3×4×1网络预测其急性毒性.采用内外双重验证的办法分析和检验所得模型的稳定性,所构建网络模型的相关系数为0.999 5,交叉检验相关系数为0.996 8,标准差为0.023 5,残差绝对值≤0.15,应用于外部预测集,外部预测集相关系数为0.998 4;而多元线性回归法(MLR)模型的相关系数为0.943 5,交叉检验相关系数为0.928 7,标准差为0.240 9,残差绝对值≤0.69,外部预测集相关系数为0.956 6.结果表明,BP神经网络模型获得了比MLR模型更好的拟合效果.     

人工神经网络用于异噻唑啉酮的定量结构-活性关系研究

采用误差反传前向人工神经网络(artificial neural network,ANN)建立了21种2-(4-取代-苯基)-3-异噻唑啉酮类化合物的结构与其抗菌活性之间的定量关系模型(ANN模型),以21种3-异噻唑啉酮类化合物的量子化学参数和拓扑指数作为输入、抗菌活性作为输出,所构建网络模型的交叉检验相关系数为0.991 6、标准偏差为0.080 1、残差绝对值≤0.221,应用于外部预测集,预测集相关系数为0.973 1;而多元线性回归(multiple linearregression,MLR)法模型的相关系数为0.841 8、标准偏差为0.303 9、残差绝对值≤0.636。结果表明,ANN模型获得了比MLR模型更好的拟合效果。     

人工神经网络用于地下水挥发性有机物定量结构-色谱保留模型的研究

利用人工神经网络模型(artificial neural network,ANN)以分子电性距离适量和保留时间分别作为输入和输出,建立了地下水26个挥发性有机物的定量结构-色谱保留相关关系模型(quantitative structure-retention relationship,QSRR),所构建网络模型的相关系数为0.998 5,留一交叉检验应用于训练集,其相关系数为0.998 3,该模型应用于外部预测集,其相关系数为0.979 5;而多元线性回归(Multiple Linear regression,MLR)法模型的相关系数为0.949 2,留一交叉检验相关系数为0.897 8。结果表明,ANN模型具有较准确的预测能力,并获得了较好的拟合效果。     

有机磷酸酯类化合物定量结构-色谱保留关系及稳健性分析

以分子拓扑指数作为结构描述符,采用最佳子集回归方法,建立了35种有机磷酸酯类化合物在3种不同极性固定相上的定量结构-色谱保留关系(QSRR)模型。3个QSRR模型均具有良好的拟合能力,对QSRR模型分别进行了交叉验证及外部数据集验证,结果表明各模型具有较强的预测能力。对QSRR模型的系数、标准误差及相关系数均进行了蒙特卡洛模拟,结果证实蒙特卡洛方法可用于QSRR模型的稳健性分析。     

金鲳鱼贮藏品质BPNN和RBFNN预测模型的构建与评价

针对金鲳鱼(Trachinotus ovatus)贮藏过程中品质变化难以预测的问题，测定金鲳鱼片在0、3、6、9、12℃贮藏条件下挥发性盐基氮质量分数(w(TVB-N))、菌落总数、K值和感官评价值，构建径向基函数神经网络(Radial basis function neural network, RBFNN)和反向传播神经网络(Back propagation neural network, BPNN)预测模型以预测品质，并对模型的预测结果进行残差分析和相对误差分析以评价预测准确度。结果表明：1)BPNN模型和RBFNN模型的残差都是随机且不规则的，说明2种模型都适用于预测金鲳鱼片的新鲜度，但RBFNN模型残差绝对值更小；2)对于4℃贮藏条件下金鲳鱼片的各项品质指标，BPNN模型预测相对误差绝对值小于15%(除K值第0天),RBFNN模型预测相对误差绝对值大部分小于5%,RBFNN模型预测相对误差绝对值较小。对于金鲳鱼片新鲜度的预测，RBFNN模型准确度较高，BPNN模型准确度较低，RNFNN模型更适合用于预测金鲳鱼贮藏品质。     

基于最优加权组合模型的枯季径流预测研究

【目的】研究最优的枯季径流预测模型,为流域水资源管理提供依据。【方法】建立基于差分自回归移动平均(ARIMA)、人工神经网络(ANN)和多元线性回归(MLR)3个单项模型的简单平均组合和最优加权组合预测模型,并将单项预报模型和组合模型应用到石羊河流域支流西营河的枯季径流预测中,采用相关系数、确定性系数以及均方根误差对各模型预测精度进行比较。【结果】单项预测模型中,仅ARIMA模型通过了确定性系数检验;最优加权组合模型的预测精度较简单平均组合模型高;组合预测模型中,仅ARIMA-MLR和ARIMA-ANN最优加权组合模型的确定性系数高于所有单项预测模型。【结论】最优加权组合模型的精度不但取决于各单项预测模型的精度,也与其之间的相关性有关,适合西营河枯季径流预测的最优加权组合模型是ARIMA-MRL和ARIMA-ANN组合模型。     

依据机器学习算法的杉木干形模拟

利用福建省将乐国有林场46株杉木(Cunninghamia lanceolata)的793组干形数据,根据十折交叉验证,采用最近邻法(KNN)、随机森林(RF)和人工神经网络(ANN)3种机器学习算法对杉木干形进行模拟,并与传统削度模型(TM)进行比较分析.采用决定系数(R2)、均方根误差(ERMS)、平均误差(EM)和平均绝对误差(EMA)4个评价指标对模型的拟合结果和预测结果进行排序,并结合残差图和相对偏差图等进行分析.研究表明:(1)4个模型的决定系数均大于0.95,最近邻法、传统削度模型和人工神经网络的均方根误差小于1 cm,能较好地描述杉木树干形状.(2)人工神经网络对绝大部分树干的估计最精确,R2分别在0.98以上.其检验集的绝大部分残差都在-2～1 cm,训练集的相对偏差在-50％～50％.(3)其次是最近邻法模型,其训练集的残差范围在4个模型间最小,但泛化预测能力不如人工神经网络模型.(4)随机森林模型精度最低,且其预测集残差分布有随直径(di)增大而增大的趋势.传统削度模型模型表现居中.结果表明:人工神经网络模型与最近邻法模型的拟合精度与预测精度均高于传统削度模型模型,能更精确地模拟杉木干形,且机器学习算法可以不满足传统回归的统计学假设前提.利用机器学习预测林木干形是一种可靠的方法,在生产经营中值得考虑.     

宿州市秋冬连旱的灰色BP神经网络预测模型

秋冬连旱是影响宿州冬小麦、油菜等越冬作物生长发育的重要因素。以Z指数≤一0．8为标准,确定宿州市秋冬持续重旱年份序列,建立GM（1,1）预测模型,并应用BP人工神经网络（BP—ANN）对残差进行拟合,对GM（1,1）预测模型进行修正。结果表明,拟合结果较单一的GM（1,1）模型有一定提高。预测2008年后的下一个宿州市秋冬（10月-2月）持续重旱年度发生在2017～2018年,对当地农业生产和防灾减灾有一定的参考价值。     

基于连续投影算法的小麦蛋白质含量近红外光谱预测分析

为了快速无损检测分析小麦蛋白质含量,构建近红外光谱最优小麦蛋白质定量检测分析模型。利用一阶S-G平滑算法+SNV算法对光谱进行预处理。使用连续投影算法(Successive projections algorithm, SPA)提取光谱中的特征波段点,使全谱图的141个波段点降低到17个特征波段点。在选择的17个特征波段点基础上分别建立偏最小二乘回归(Partial least regression, PLSR)模型、支持向量机(Support vector machine, SVM)模型、多元线性回归(Multiple linear squares regression, MLR)模型和主成分回归(Principal component regression, PCR)模型。在构建的4种小麦蛋白质含量预测模型中,MLR预测分析模型的验证集均方根误差(RMSEV)和校正集均方根误差(RMSEC)最小,验证集相关系数(r_v)和校正集相关系数(r_c)最大,其r_v=0.968,r_c=0.976,RMSEV=0.300,RMSEC=0.275。因此,相比于其他3种检测模型,建立的MLR小麦蛋白质含量检测模型最优,稳定性和精确性最高。     

长波近红外光谱在土壤总氮分析与稳定性中的应用

[目的]通过定标集、预测集、检验集的建模过程,采用偏最小二乘(PLS)方法结合波段选择建立土壤总氮快速分析的近红外(NIR)光谱模型。[方法]为了避免模型评价失真,基于随机性、相似性和稳定性,提出一种严谨的建模体系。将全谱扫描区(400～2 498nm)分成可见区(400～780 nm)、短波近红外区(780～1 100 nm)和长波近红外区(1 100～2 498 nm)。[结果]经过比较、检验,结果表明长波近红外达到了最好的模型效果和稳定性,最优PLS因子数为8,检验的预测均方根误差(V-SEP)和预测相关系数(V-RP)分别为0.118 g/kg和0.857,得到客观、稳定的预测模型。     

基于叶绿素荧光图像的辣椒叶片氮含量的预测

提取辣椒叶片的25个叶绿素荧光图像的特征参数,其中18个特征参数与氮含量呈极显著相关(P0.01)。用主成分分析法(PCA)提取主要特征参数,将其结果作为遗传算法优化的反向传播人工神经网络(BPNN)、广义回归神经网络(GRNN)和多元线性回归(MLR)模型的输入变量,分别建立辣椒叶片氮含量的预测模型,建模集的相关系数分别为0.959 2、0.963 3、0.943 5,预测集的相关系数分别为0.914 5、0.821 3、0.774 1。     

基于时间序列神经网络的山核桃化学成分分析

利用果实化学成分含量与光谱的非线性模型,实现果实化学成分含量的快速无损鉴定,成为林业研究的热点之一。果实在生长发育过程中,化学成分的含量随时间的递增而不断增加,常规方法不能较好拟合和预测果实化学成分含量的变化。本研究提出一种基于时间梯度的神经网络方法(TSNN),以6个时间梯度山核桃果实蛋白质和脂肪含量的光谱和实测数据为研究对象,分别与偏最小二乘法(PLS)和人工神经网络(PLS-ANN)方法比较,检验TSNN方法的建模和预测效果。结果表明:TSNN方法对蛋白质含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了18.82%和7.39%;TSNN方法对脂肪含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了39.95%和35.02%。TSNN方法的校正相关系数平方(R_c~2)和预测相关系数平方(R_p~2)比PLS和PLS-ANN均有提升。因此,TSNN方法是一种比较准确实用的定量分析方法。     

地下水位粒子群优化神经网络组合预测模型

【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。     

马尾松毛虫危害程度分级预报的研究

根据相关系数法筛选出与马尾松毛虫各级危害程度的危害面积相关关系都比较密切的气象因子,分别建立多对多线性回归模型、脉冲响应函数模型、线性差分方程之带输入项的线性自回归模型、人工神经网络模型以及双重筛选逐步回归模型5种马尾松毛虫危害程度分级预报的数学模型。结果表明,运用所建立的5种分级预报模型对预留的4年共16组样本进行预测结果检验,都取得较好的预测效果,其中以线性差分方程之带输入项的线性自回归模型的预测效果最好,人工神经网络模型的预测效果次之,双重筛选逐步回归模型最差。     

食品比热容的BP神经网络预测

引入BP人工神经网络计算模型,预测了食品比热容随各种物性参数变化的非线性规律。该模型以食品中的水、蛋白质、碳水化合物及脂肪含量为输入量,以其比热客为输出量,研究的食品包括淀粉、橙汁、牛肉等近20种,比热容变化范围覆盖较全面[1．5～4．0kJ/（kg·K）]。结果显示：该模型的最大相对误差为8．40％,最大绝对误差为0．2868 kJ／（kg·K）。因此,利用该模型能够较准确地预测出食品的比热容。     

基于高光谱的油茶籽含水量检测方法

为了快速精准检测油茶籽含水量,解决传统烘干检测法费时费力等问题,提出一种基于高光谱技术的油茶籽含水量无损检测方法。以油茶籽为研究对象,测定油茶籽含水量,建立光谱模型,对油茶籽光谱分别进行Savitzky-Golay(S-G)卷积平滑、一阶微分、二阶微分和多元散射校正(MSC)预处理,通过逐步回归提取有效敏感波长,并采用偏最小二乘回归(PLSR)、BP神经网络和径向基(RBF)神经网络方法分别建立预测模型,对模型进行外部验证,选出最优预测模型。研究表明:相关系数较高的光谱敏感波段为410~450、600~620、780~880、940~971 nm。基于MSC预处理光谱建立的PLSR模型,在校正集上的相关系数为0.953 4、均方根误差为0.22%,在验证集上的相关系数为0.939 9、均方根误差为0.27%,优于BP神经网络模型和RBF神经网络模型。结果说明,采用高光谱技术检测油茶籽含水量是可行的,研究内容可为油茶籽含水量的在线无损检测提供有效依据。     

茶叶中茶多酚含量电子鼻技术检测模型研究

为探索茶叶茶多酚含量的快速检测方法,利用电子鼻技术对3个品质等级信阳毛尖茶的挥发性气味进行了研究.采用多元线性回归、二次多项式逐步回归分析和BP神经网络分别建立传感器信号和信阳毛尖茶的茶多酚含量之间的预测模型,并用测试集样本对模型进行验证.试验结果表明,3种模型茶多酚含量预测值与实测值之间的相关系数分别为0.86,0.90和0.92;预测标准误差分别为0.61,0.5和0.14;平均误差分别为2.5％,1.5％和1.0％.3种建模方法对茶多酚含量的预测结果都很好,最优模型为BP神经网络.研究结果表明电子鼻技术结合有效地模式识别方法可以用于茶叶理化成分的快速检测.     

基于BP神经网络与SVM模型的黄尾河径流预测比较分析

比较分析BP神经网络与SVM模型在径流预测应用中的性能特征。以降雨量为预报因子，采用BP人工神经网络模型和SVM模型对大别山黄尾河流域40 a时长的同期径流过程进行数值模拟，并对二者的预测性能进行比较与评价。结果表明，黄尾河流域BP模型模拟的总体相对误差为14.43%，合格率为77.5%，确定性系数为0.76，预报精度等级为乙级；SVM模拟的总体相对误差为12.41%，合格率、确定性系数及预报精度等级与BP模型相同。SVM模型模拟结果较BP模型而言更集中于较小的误差范围内。BP模型的累积误差>SVM模型，并且随着误差自由度的增大，这种差距有扩大的趋势，表明SVM模型的误差范围较小，误差间隔小于BP模型，模拟性能较BP模型更稳定。     

基于优化的长短时记忆神经网络牧群采食量估测模型

为了能够较为精准的估测牧群的采食量信息，提出一种基于遗传算法(genetic algorithm, GA)和长短时记忆神经网络（long short-term memory，LSTM）的牧群采食量估测模型。首先通过皮尔森系数法分析得出影响牧群的采食量的主要影响因子，以减少输入维度并解决信息冗余问题。在此基础上，构建基于 LSTM 神经网络算法的牧群采食量估测模型，并引入遗传算法来优化LSTM 神经网络模型参数来增加模型的可靠性。最后，利用该模型对牧群采食量进行估测。试验结果表明：该采食量估测模型各评价指标平均绝对误差(mean absolute error，MAE)、平均绝对百分比误差(mean absolute percentage error，MAPE)、以及均方根误差（root mean square error，RMSE）分别为2.982、9.85%和6.108。与单一的LSTM神经网络以及GRU神经网络模型相比，均优于其他模型；且该模型具有较好的估测性能和较强的泛化能力，能够为合理轮牧提供科学指导，对草地保护有一定的应用价值。