毛细管电泳分离条件的小波神经网络优化研究.docVIP

PAGE PAGE 344 毛细管电泳分离条件的小波神经网络优化研究 项目完成单位： 中国科学院大连化学物理研究所 项目完成人：许国旺 熊建辉 石先哲 袁凯龙 摘 要 在Matlab 5.0环境下，编写并测试了离散小波神经网络及遗传算法Matlab程序，其计算结果可靠稳定。 将小波神经网络和遗传算法应用到2-(9-咔唑)-乙基氯甲酸酯衍生化氨基酸的胶束电动力学色谱分离优化，离散小波神经网络结合正交试验设计用以建立分离模型，遗传算法用于模型的最优搜索，并将其用于2-(9-咔唑)-乙基氯甲酸酯衍生化氨基酸的胶束电动力学色谱分离优化，归一化分离度积提高了12.5%。结合功效函数方法，建立了手性毛细管电泳多指标同时优化方法，对肾上腺素对映体实现了分离度、迁移时间和峰灵敏度的同时优化，总功效函数值提高了10.4%。考虑到手性毛细管电泳分离机理的复杂性，本文又提出了不依赖于统计模型的二进制编码遗传算法多目标优化策略，并应用于华法令对映体的分离优化。 自从毛细管电泳（CE）出现以来，电泳技术作为一种分离技术已应用到许多种化合物，特别是大分子物质的分离与分析中。毛细管区带电泳（CZE）、胶束电动力学色谱（MEKC）和毛细管凝胶电泳是CE中应用最广且最重要的三种分离模式。与传统分离技术如高效液相色谱或气相色谱相比，CE具有高效、快速和试剂消耗小的特点。但毛细管电泳的分离方法建立是其弱点，这是因为影响毛细管电泳分离选择性和效率的因素特别多，整个优化过程费时费力，而且更为复杂的是这些优化参数间存在交互效应。采用通常的单因素实验法，往往得到的并不是最佳分离条件。 对不同分离模式中化合物电泳迁移规律的描述，出现了不少的定量数学模型，并应用到了CE的分离优化中。这种方法称之为“硬”模型法，即物理化学法。如果模型选择得当，可对分析物在不同组成的缓冲溶液中迁移行为进行模拟，从而可寻找最佳分离条件。但这种方法也非常费时，因为要得到计算模型中的参数，需要进行很多次实验。 近年来有关“软”模型方法在CE优化分离中应用逐步增多，主要以人工神经网络结合试验设计法为代表。人工神经网络作为非线性拟合工具，在解决化学模式识别及多元校正等问题有着独特的优势，其中前向多层神经网络在化学中应用最为广泛。 小波变换是处理非平稳化学信号的强有力的工具，与Fourier变换相比，它在时域和频域都具有较好的局部化功能。作为一种化学计量学方法，近年来在分析化学各个领域得到广泛的应用。小波神经网络(WNN)是基于小波变换和前向多层(BP)神经网络构造的新型神经网络模型。已有理论研究证明小波神经网络比经典多层神经网络具有更强的信息提取和逼近、容错能力。离散小波神经网络（DWNN）是WNN其中的一种，它采用离散小波函数作为隐含层激励函数。 本研究的主要目的编写离散小波神经网络计算程序，结合正交试验设计或均匀设计方法，用于不同模式的毛细管电泳分离优化的建模。采用遗传算法寻找确定最佳分离条件。本项目完成后，可为毛细管电泳工作者提供一套界面友好的离散小波神经网络优化软件和方法。 一、离散小波神经网络的构建及Matlab程序的编写 1. 离散小波神经网络的构建 小波神经网络(WNN)是基于小波变换和前向多层(BP)神经网络构造的新型神经网络模型。已有理论研究证明小波神经网络比经典多层神经网络具有更强的信息提取和逼近、容错能力。离散小波神经网络是在连续小波神经网络基础上，对伸缩因子和位移因子进行二进制离散化构建的,其网络结构如图1-1所示。网络训练采用误差反传算法，具体如下： 图 1-1 离散小波神经网络的结构 (a) 网络参数的初始化：输入层和输出层的结点数分别为S和M。隐含层的结点数为T，其值大小取决于伸缩因子和位移因子。如果伸缩因子2j取值在2-J到2J，位移因子k的取值范围在-K和K之间，那么T值为(2J+1)(2K+1)。网络连接权重ust、wtm 赋以随机的初始值。 (b) 输入学习样本和目标期望值,其中n为学习样本数。 (c) 利用当前网络参数计算出网络的输出 (1-1) 其中，j值在-J和J之间，k值在-K和K之间,j和k分别由t计算得到，j=t/(2K+1)-J，k=mod(t,2K+1)-K，mod为取余函数。 (d) 以均方误差作为误差函数 (1-2) 计算瞬时梯度向量 (1-3) (1-4) 其中，令，则 (1-5) (e) 误差的反向传递 (1-6) (1-7) 其中为学习速率，为动量因子，进一步修改网络参数wtm、ust：