第三章-化学计量学基础.ppt

1）二进制编码：用154位的二进制串来表示变量，即表示154个结构描述符，如果串中某位为0表示对应的变量没有被选择，反之为1就是选择了该变量。 2）适应性函数FIT ：用选择的变量代表化合物结构，用多元线性回归方法MLR建立变量与血脑屏障穿透能力之间的构效关系模型，利用去一交互检验法LOO计算相关系数Q。 式中的n是化合物数目，k为所选变量个数。 FIT越大越好。 3)群体大小为500，进化次数，即迭代次数定为5000次。 4）遗传算法计算- 随机性 初始二进制编码为随机产生 使用轮赌方式进行选择，交叉和变异发生的点位都随机产生，交叉时，将双亲二进制串从随机产生的交叉点向后的所有位进行交叉，变异时每次只是对随机产生的点进行变异。交叉和变异对进化过程影响非常大，所以对它们加以限制，即并非每次都发生交叉和变异，而是用概率来进行控制，交叉概率为0.6，变异概率为0.2。 赌轮方式选择（根据FIT数值计算概率） 选择4个个体 根据FIT计算概率 绘制赌轮0-1（0%-100%） 随机产生一个数（0-1之间） 确定选中的个体，进入配对库 从配对库中随机配对，进行交叉 交叉 变异 5）对这组数据进行计算后，最优结果选择了6个变量，得到的构效关系模型如下： LogBB=0.120-0.0016×[50]+0.0014×[69]-0.0011×128]+0.0057×146]-0.0108×[147] +0.0395×[152] 遗传算法本质 提供一个最优解搜索策略 很多操作参数需选择和优化 随机性 三个优化方式是核心 人工神经网络(Atificial Neurial Network,ANN) 1943年，Warren McCulloch和Walter Pitts根据已知的神经细胞生物过程原理，构造了人类历史上第一次的人工神经元，后来，人们称它为M-P模型。 各种人工神经网络：感知机、自适应线性神经网络、Hopfield网络模型、Boltzman机、反向误差传播训练算法等 非线性关系 生物神经元 组成：细胞体、树突和轴突 树突：接受外界信号 轴突：向其他神经元传递信息 细胞体：处理信号 生物神经系统 人的神经系统1011个神经元 每一个生物神经元都是生物组织和化学物质的有机结合 人工神经元 人工神经网络：BP模型-反向误差传播人工神经网络 BP算法提供了一种寻优的框架 围绕算法的基本框架，适当调整网络内容，到达更好的运算结果 校正集 学习 预测 人工神经网络实例-定量分析 多元校正：非线性关系 苯巴比妥、安替比林、盐酸麻黄碱、非那西丁、咖啡因、茶碱和可可碱7种组分，配制不同浓度搭配的混合液27个。在190-320nm光谱范围测定各个混合液的紫外光谱。此体系光谱在190-320nm范围内为非线性光谱。将光谱数据进行主成分分析选择使8个主成分，并进行数据归一化。 输入数据：27样品×8变量 输出目标：7种组分的浓度 输入层有9个神经元，分别输入8个主成分数据和一个偏置信号 隐含层也有9个神经元 输出层有一个节点，输出被测组分浓度 。 输出函数使用S函数。 各个初始权值Wij和Wjk，都在区间[-0.5，0.5]内随即产生。 18个样品数据作为训练集，用于学习 6个作为监控集，用于监控训练过程，确定何时终止训练 3个作为未知集，用于对整个模型进行检验 用BP算法和PLS算法得到的苯巴比妥、盐酸麻黄碱、咖啡因的计算误差 BP PLS e1(%) ec(%) ep(%) ep(%) 苯巴比妥 4.4589 5.7761 5.0230 5.2700 盐酸麻黄碱 4.4589 5.7761 5.0230 7.7200 咖啡因 6.4960 7.1926 6.9634 7.7100 用BP算法比PLS算法好的原因：解决了非线性问题 Thank you ! * The water variation stands out prominently. Corr. Coeff.相关系数 The calibration worked out well. This level of error is similar to what is typically seen with Karl Fischer measurements. Hence, FT-NIR can be nearly as accurate as the Karl Fischer measurement used as the reference method. This type of measurement is one of the few in which this is the case. * A customer wan