QSPR/QSAR在有机物危险特性预测中的应用

发布时间：2024-11-20 21:00

　　近年来,随着我国经济和化工产业的飞速发展,越来越多的危险化学品出现在生产、经营、运输及使用中,这无疑对人类和社会带来了潜在的威胁,因此对化学物质进行危险性评价显得越来越重要。理化性质是评价化学品危险性的重要指标,但由于各种原因,目前还没有一个完整的数据库。定量结构-性质/活性关系(Quantitative Structure-Property/Activity Relationship, QSPR/QSAR)方法的出现为化学品的危险性预测提供一个可靠的手段。一旦建立了可靠的模型,既可以用它来预测新的甚至是尚未合成的化合物的各种性质,而且可以在微观上了解分子结构对性质的影响,这对新分子的设计有一定的指导作用。 本论文利用遗传函数算法(Genetic Function Approximation, GFA)来选择描述符,用多元线性回归(Multivariable Linear Regression, MLR)的方法建立线性模型；随后还使用BP神经网络(Back-Propagation Network, BPNN)和支持向量机(Support Vector Machines, SVM)来建...

【文章页数】：102 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 QSPR/QSAR概述
    1.2 分子描述符简述
        1.2.1 实验描述符
        1.2.2 理论描述符
    1.3 描述符的选择
        1.3.1 启发式方法
        1.3.2 逐步回归法
        1.3.3 线性判别分析法
        1.3.4 模拟退火算法
        1.3.5 蚁群算法
        1.3.6 遗传算法
        1.3.7 遗传函数算法
    1.4 QSPR/QSAR研究中的建模方法
        1.4.1 线性建模方法
        1.4.2 非线性建模方法
    1.5 模型评价和验证
        1.5.1 模型的稳定性和可靠性
        1.5.2 模型的预测能力
    1.6 QSPR/QSAR研究进展
    1.7 主要研究内容与技术路线
第二章 应用BP神经网络预测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 样本选取
        2.2.2 描述符获取
        2.2.3 描述符筛选
        2.2.4 模型建立
        2.2.5 模型验证
    2.3 结果与分析
        2.3.1 GFA筛选结果
        2.3.2 MLR模型
        2.3.3 BPNN模型
        2.3.4 模型比较
        2.3.5 与其他数据比较
    2.4 小结
第三章 应用BP神经网络预测有机物的燃烧下限
    3.1 研究背景
    3.2 研究方法
        3.2.1 样本选取
        3.2.2 描述符获取
        3.2.3 描述符筛选
        3.2.4 模型建立
        3.2.5 模型验证
    3.3 结果与分析
        3.3.1 GFA筛选结果
        3.3.2 MLR模型
        3.3.3 BPNN模型
        3.3.4 模型比较
        3.3.5 与其他数据比较
    3.4 小结
第四章 应用SVM预测一元饱和脂肪醇的闪点
    4.1 研究背景
    4.2 研究方法
        4.2.1 样本选取
        4.2.2 描述符获取
        4.2.3 描述符筛选
        4.2.4 模型建立
        4.2.5 模型验证
    4.3 结果与分析
        4.3.1 GFA筛选结果
        4.3.2 MLR模型
        4.3.3 SVM模型
        4.3.4 模型比较
        4.3.5 与其他数据比较
    4.4 小结
第五章 应用SVM预测液态烃的燃烧热
    5.1 研究背景
    5.2 研究方法
        5.2.1 样本选取
        5.2.2 描述符获取
        5.2.3 描述符筛选
        5.2.4 模型建立
        5.2.5 模型验证
    5.3 结果与分析
        5.3.1 GFA筛选结果
        5.3.2 MLR模型
        5.3.3 SVM模型
        5.3.4 模型比较
        5.3.5 与其他数据比较
    5.4 小结
第六章 结论及展望
    6.1 论文主要结论
    6.2 论文主要创新点
    6.3 研究工作展望
参考文献
附录
致谢
攻读硕士学位期间的研究成果及获奖



本文编号：4012350