人工神经网络用于有机磷酸酯类定量结构活性关系研究

采用人工神经网络(ANN)建立了35种有机磷酸酯类化合物的结构及其对家蝇急性毒性之间的定量关系模型(ANN模型),以35种有机磷酸酯类化合物的分子电性距离矢量作为输入、对家蝇的急性毒性作为输出,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 9、交叉检验相关系数为0.995 8、标准偏差为0.114 1、残差绝对值≤0.40,应用于外部预测集,外部预测集相关系数为0.986 0。而多元线性回归(MLR)法模型的相关系数为0.976 0、标准偏差为0.256 8、残差绝对值≤0.57,外部预测集相关系数为0.975 8。结果表明,ANN模型获得了比MLR模型更好的拟合效果。     

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。     

苯并异噻唑啉酮酰胺衍生物的合成及其对柞蚕链球菌的抑菌活性评价

为了调变其疏水性并筛选出对柞蚕链球菌具有较高抑菌活性的化合物,以苯并异噻唑啉酮为母体结构进行了系列酰化衍生物的设计合成与结构表征,采用涂平板数菌落法和琼脂孔穴扩散法测定衍生物对柞蚕链球菌的离体抑菌活性,采用室内养蚕试验测定衍生物的活体抑菌活性。合成了取代基为烷基链酰胺衍生物6个和取代基为芳基酰胺衍生物5个,并采用熔点测试和~1H-NMR测定确认了其结构。涂平板数菌落法结果表明,在处理浓度高于62.5 mg/L时,苯并异噻唑啉酮酰胺衍生物抑菌活性不亚于母体化合物;随着处理浓度降低苯并异噻唑啉酮酰胺衍生物抑菌活性呈降低趋势:在低处理浓度下(≤32.5 mg/L),仅部分衍生物可保留母体化合物的抑菌活性。琼脂孔穴扩散法结果表明,不同处理浓度时,衍生物的抑菌圈直径均小于相应浓度处理时的母体化合物,且低处理浓度(≤500 mg/L)表现更为显著。初步的活体试验表明,衍生物对柞蚕体内的柞蚕链球菌的抑菌活性较之母体化合物下降显著。这说明,苯并异噻唑啉酮酰胺化改造可能无助于提高其对柞蚕链球菌的抑菌活性。     

水基胶中甲基异噻唑啉酮及其氯代物的测定

建立了检测水基胶中甲基异噻唑啉酮及其氯代物的液相色谱法。样品采用甲醇涡旋振荡5 min,采用Agilent C18色谱柱分离,用甲醇-水(体积比25∶75,流速1 m L/min)混合液洗脱,二极管阵列检测器在276 nm波长处检测。结果显示,方法 R2为0.999 9,甲基异噻唑啉酮及其氯代物平均加标回收率分别为93.1%和92.1%,日间相对标准偏差(RSD)都为0.5%。该法前处理简单,回收率高,精密度好,适用于水基胶中甲基异噻唑啉酮及其氯代物的测定。     

咪唑并嘧啶类杀菌剂对大肠杆菌抑菌活性的QSAR研究

在B3LYP/6-311++(d,p)水平上对26个咪唑并嘧啶类抗菌剂进行全优化和振动分析计算,得到各分子的量子参数、拓扑指数和热力学参数。应用遗传算法(GA)-主成分分析法(PCA)-神经网络(PNN)筛选出与抗菌活性密切相关的6个参数作为分子描述符;采用主成分神经网络方法建立了咪唑类抗菌剂与大肠杆菌抑制活性的定量结构—活性关系(QSAR)模型,同时采用内外部双重验证的方法检验模型的稳定性。模型的统计学参量如下:相关系数的平方(R~2)、留一法(LOO)交互验证相关系数(Q_(LOO)~2)、外部样本验证相关系数(Q_(F1)~2)、均方根误差(RMSE)分别为0.9991、0.9989、0.9996和0.155。结果表明:最低空轨道能(E_(lumo))和正辛醇/水分配系数(logP)是影响咪唑并嘧啶类杀菌剂的抗菌活性的主要因素,模拟外部验证和交叉验证表明模型具有良好的稳健性和预测能力,可用于同系列化合物抗菌活性的预测。     

两种除藻剂对黄丝藻藻华叶绿素a含量和抗氧化酶活性的影响

用不同浓度硫酸铜、异噻唑啉酮对采自养殖池塘的黄丝藻藻华染毒,分时采样,用分光光度计法测定叶绿素a(Chll a)含量,用相应的试剂盒测定丙二醛(MDA)含量、超氧化物歧化酶(SOD)、过氧化氢酶(CAT)活性的变化.结果表明,硫酸铜、异噻唑啉酮对黄丝藻24、48、72、96 h的半数有效浓度(EC50)分别为5.551、4.543、3.646、2.898mg/L和13.712、9.858、8.680、5.114 mg/L.随着浓度的升高,硫酸铜、异噻唑啉酮对黄丝藻的毒性越来越强,浓度为2.40 mg/L时黄丝藻Chll a含量、SOD、CAT活性较低,而MDA含量较高,说明此时黄丝藻细胞已经完全解体.浓度为0.42 mg/L时,各个测量值与对照组差异不显著,说明低浓度两种除藻剂96 h内对黄丝藻的毒性较小.结果说明两种除藻剂都可以抑制或者杀死黄丝藻藻华,并且硫酸铜对黄丝藻藻华的毒性较异噻唑啉酮强.     

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.     

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。     

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。     

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。     

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。     

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。     

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。     

基于深度学习的水稻表型特征提取和穗质量预测研究

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度.以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征.结合深度学习,运用Faster R-CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水...     

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。     

A neural network experiment on the site-specific simulation of potato tuber growth in Eastern Canada

The objective of this work was to optimize a neural network (NN) for modelling potato tuber growth and its in-field variations in eastern Canada. In addition to climatic inputs, the cumulative and maximal leaf area index (LAI) were incorporated to account for in-field scale variability. Soil and genetic parameters were assumed to be integrated in LAI as suggested by earlier work. Each input and combination of inputs was evaluated from the changes they induced in MAE (mean absolute error) and RMSE (root mean square error). Results using data from several replicated on-farm experiments between 2005 and 2008 suggest that a NN model using cumulative solar radiation, cumulative rainfall and cumulative LAI can adequately model site-specific tuber growth. The MAE of the retained model was 209 kg DM ha⁻¹, which represents less than 4% of the mean final tuber yield for the 3 years of the study. Non-linear effects of explicative variables on tuber yield were attested by comparing the results of the NN simulations to those of a multiple linear regression (MLR). The failure of MLR to simulate temporal discontinuities in tuber growth supports the use of a non-linear approach such as a NN to model tuber growth.