复杂大分子体系相平衡性质的神经网络预测

文摘

英文文摘

1前言

1.1体系相平衡性质预测方法

1.2复杂大分子体系热力学相平衡的研究初态

1.2.1高分子聚合物制膜工艺简介

1.2.2高分子聚合物成膜体系热力学性质的研究现状

1.2.3蛋白质沉淀和结晶过程概述

1.2.4蛋白质结晶体系热力学相平衡的研究现状

1.3人工神经网络

1.3.1工神经网络简介

1.3.2 BP网络

1.3.3人工神经网络在化工及相关领域中的应用

1.4遗传算法

1.4.1遗传算法的的产生与发展

1.4.2遗传算法的基本思想

1.4.3遗传算法的特点

1.4.4遗传算法的应用

2高分子聚合物成膜体系双结点线的预测

2.1聚合物成膜体系的双结点线

2.2人工神经网络应用于聚合物成膜体系的潜在可能性

2.3人工神经网络设计

2.3.1 BP网络设计

2.3.2网络结构的确定

2.3.3 BP网络的算法框图及收敛标志

2.4水/二甲基乙酰胺/聚砜成膜体系双结点线的BP网络预测

2.4.1 BP网络的训练与检验

2.4.2不同温度下水/二甲基乙酰胺/聚砜成膜体系双结点线的BP网络预测

2.5小结

3蛋白质结晶体系溶解度的预测

3.1蛋白质结晶体系中溶解度性质的重要性

3.2人工神经网络预测蛋白质体系溶解度的可行性

3.3 BP网络设计

3.3.1 BP网络拓扑结构的选择

3.3.2 BP网络中激活函数的选择

3.4 BP网络对蛋白质溶菌酵素溶解度的模拟结果

3.4.1数据样本的采集

3.4.2网络的训练和检验

3.5各种因素对蛋白质溶菌酵素溶解度的影响

3.5.1温度对蛋白质溶菌酵素溶解度的影响

3.5.2 pH值对蛋白质溶菌酵素溶解度的影响

3.5.3盐浓度对蛋白质溶菌酵素溶解度的影响

3.6 BP网络预测与UNIQUAC模型模拟结果之比较

3.7小结

4 BP网络学习算法的改进

4.1 BP网络的数学描述

4.2 BP网络的学习算法

4.2.1广义Delta规则

4.2.2误差反向传播学习算法

4.3传统EBP学习算法的不足

4.4 BP网络学习算法的改进

4.4.1基于动量规则的BP网络

4.4.2基于自适应学习速率系数的BP网络

4.4.3基于修正的Levenberg-Marquardt算法的BP网络

4.5不同改进算法的性能验证

4.5.1基于动量规则的BP网络的性能验证

4.5.2基于自适应学习速率系数的BP网络的性能验证

4.5.3基于修正的Levenberg-Marquardt算法的BP网络的性能验证

4.6 小结

5遗传优化BP网络

5.1遗传算法的编码

5.1.1基于二进制编码的遗传算法

5.1.2基于浮点数编码的遗传算法

5.2遗传算法联合Levenberg-Marquardt算法用于BP网络的训练

5.2.1遗传算法优化BP网络的初始权值和阈值

5.2.2遗传算法与修正Levenberg-Marquardt算法的结合

5.3遗传优化BP网络的性能验证

5.3.1例子的选取

5.3.2模拟结果

5.3.3预测结果

5.4小结

6结论

致谢

符号说明

参考文献

附录1 作者在攻读硕士学位期间发表的学术论文

附录2 文献提供的水/二甲基乙酰胺/聚砜体系的浊点数据

附录3 文献提供的溶菌酵素的溶解度数据