近年來(lái),隨著我國(guó)經(jīng)濟(jì)和化工產(chǎn)業(yè)的飛速發(fā)展,越來(lái)越多的危險(xiǎn)化學(xué)品出現(xiàn)在生產(chǎn)、經(jīng)營(yíng)、運(yùn)輸及使用中,這無(wú)疑對(duì)人類和社會(huì)帶來(lái)了潛在的威脅,因此對(duì)化學(xué)物質(zhì)進(jìn)行危險(xiǎn)性評(píng)價(jià)顯得越來(lái)越重要。理化性質(zhì)是評(píng)價(jià)化學(xué)品危險(xiǎn)性的重要指標(biāo),但由于各種原因,目前還沒(méi)有一個(gè)完整的數(shù)據(jù)庫(kù)。定量結(jié)構(gòu)-性質(zhì)/活性關(guān)系(Quantitative Structure-Property/Activity Relationship, QSPR/QSAR)方法的出現(xiàn)為化學(xué)品的危險(xiǎn)性預(yù)測(cè)提供一個(gè)可靠的手段。一旦建立了可靠的模型,既可以用它來(lái)預(yù)測(cè)新的甚至是尚未合成的化合物的各種性質(zhì),而且可以在微觀上了解分子結(jié)構(gòu)對(duì)性質(zhì)的影響,這對(duì)新分子的設(shè)計(jì)有一定的指導(dǎo)作用。 本論文利用遺傳函數(shù)算法(Genetic Function Approximation, GFA)來(lái)選擇描述符,用多元線性回歸(Multivariable Linear Regression, MLR)的方法建立線性模型；隨后還使用BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation Network, BPNN)和支持向量機(jī)(Support Vector Machines, SVM)來(lái)建...

【文章頁(yè)數(shù)】：102 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 QSPR/QSAR概述
    1.2 分子描述符簡(jiǎn)述
        1.2.1 實(shí)驗(yàn)描述符
        1.2.2 理論描述符
    1.3 描述符的選擇
        1.3.1 啟發(fā)式方法
        1.3.2 逐步回歸法
        1.3.3 線性判別分析法
        1.3.4 模擬退火算法
        1.3.5 蟻群算法
        1.3.6 遺傳算法
        1.3.7 遺傳函數(shù)算法
    1.4 QSPR/QSAR研究中的建模方法
        1.4.1 線性建模方法
        1.4.2 非線性建模方法
    1.5 模型評(píng)價(jià)和驗(yàn)證
        1.5.1 模型的穩(wěn)定性和可靠性
        1.5.2 模型的預(yù)測(cè)能力
    1.6 QSPR/QSAR研究進(jìn)展
    1.7 主要研究?jī)?nèi)容與技術(shù)路線
第二章 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)脂肪族化合物急性毒性
    2.1 研究背景
    2.2 研究方法
        2.2.1 樣本選取
        2.2.2 描述符獲取
        2.2.3 描述符篩選
        2.2.4 模型建立
        2.2.5 模型驗(yàn)證
    2.3 結(jié)果與分析
        2.3.1 GFA篩選結(jié)果
        2.3.2 MLR模型
        2.3.3 BPNN模型
        2.3.4 模型比較
        2.3.5 與其他數(shù)據(jù)比較
    2.4 小結(jié)
第三章 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)有機(jī)物的燃燒下限
    3.1 研究背景
    3.2 研究方法
        3.2.1 樣本選取
        3.2.2 描述符獲取
        3.2.3 描述符篩選
        3.2.4 模型建立
        3.2.5 模型驗(yàn)證
    3.3 結(jié)果與分析
        3.3.1 GFA篩選結(jié)果
        3.3.2 MLR模型
        3.3.3 BPNN模型
        3.3.4 模型比較
        3.3.5 與其他數(shù)據(jù)比較
    3.4 小結(jié)
第四章 應(yīng)用SVM預(yù)測(cè)一元飽和脂肪醇的閃點(diǎn)
    4.1 研究背景
    4.2 研究方法
        4.2.1 樣本選取
        4.2.2 描述符獲取
        4.2.3 描述符篩選
        4.2.4 模型建立
        4.2.5 模型驗(yàn)證
    4.3 結(jié)果與分析
        4.3.1 GFA篩選結(jié)果
        4.3.2 MLR模型
        4.3.3 SVM模型
        4.3.4 模型比較
        4.3.5 與其他數(shù)據(jù)比較
    4.4 小結(jié)
第五章 應(yīng)用SVM預(yù)測(cè)液態(tài)烴的燃燒熱
    5.1 研究背景
    5.2 研究方法
        5.2.1 樣本選取
        5.2.2 描述符獲取
        5.2.3 描述符篩選
        5.2.4 模型建立
        5.2.5 模型驗(yàn)證
    5.3 結(jié)果與分析
        5.3.1 GFA篩選結(jié)果
        5.3.2 MLR模型
        5.3.3 SVM模型
        5.3.4 模型比較
        5.3.5 與其他數(shù)據(jù)比較
    5.4 小結(jié)
第六章 結(jié)論及展望
    6.1 論文主要結(jié)論
    6.2 論文主要?jiǎng)?chuàng)新點(diǎn)
    6.3 研究工作展望
參考文獻(xiàn)
附錄
致謝
攻讀碩士學(xué)位期間的研究成果及獲獎(jiǎng)



本文編號(hào)：4012350