神经网络及其在化学中的应用PDF电子书下载

第一篇 基本概念 3

第一章 说明 3

1.1 向信息学习 3

1.2 总体目的和概念 4

1.3 神经网络适宜做什么 4

1.4 符号、惯例与缩写 6

第二章 神经元 7

2.1 突触和输入信号 7

2.2 权重 8

2.3 线性学习机 10

2.4 神经元中的转换函数 14

2.5 偏置量 20

2.6 人工神经元的图示 24

2.7 要点 25

2.8 参考文献和建议读物 25

第三章 联接神经元成网络 27

3.1 概述 27

3.2 一个层 28

3.3 输入 30

3.4 结构 31

3.5 隐含层,输出层 32

3.6 神经网络的图示 33

3.7 要点 35

3.8 参考文献和建议读物 36

4.2 结构 39

4.1 概述 39

第四章 Hopfield网络 39

第二篇 单层网络 39

4.3 转换函数 40

4.4 权重矩阵 40

4.5 迭代 43

4.6 Hopfield网络的容量 44

4.7 要点 45

4.8 参考文献和建议读物 46

第五章 自适应双向联想记忆（ABAM） 47

5.1 无监督与有监督学习 47

5.2 概述 48

5.3 ABAM过程 49

5.4 学习过程 50

5.5 一个例子 51

5.6 例子的意义 54

5.7 要点 56

5.8 参考文献和建议读物 56

第六章 Kohonet网络 57

6.1 概述 57

6.2 结构 58

6.3 竞争学习 60

6.4 从三维向二维的映射 62

6.5 另一个例子 66

6.6 备注 67

6.7 要点 67

6.8 参考文献和建议读物 68

第三篇 多层网络 71

第七章 对传网络 71

7.1 从一层至两层的转变 71

7.2 查询表 72

7.3 结构 73

7.4 有监督的竞争学习 74

7.5 学习打网球 77

7.6 变量中的相关性 80

7.7 要点 82

7.8 参考文献和建议读物 83

第八章 误差反向传播算法 85

8.1 概述 85

8.2 结构 86

8.3 用误差反向传播法学习 87

8.4 广义的Delta规则 88

8.5 学习算法 92

8.6 例子:网球比赛 95

8.7 要点 103

8.8 参考文献和建议读物 104

第四篇 应用 107

第九章 化学应用的总体评论 107

9.1 导论 107

9.2 分类 109

9.3 模型化 110

9.4 映射 111

9.5 联想,移动窗口 112

9.6 对十至十九章中范例的概述 113

9.7 要点 115

9.8 参考文献和建议读物 115

第十章 橄榄油多组分析数据的聚类 117

10.1 问题 117

10.2 数据 118

10.3 可能性网络的初步探讨 119

10.4 学习进行预测 121

10.5 要点 127

10.6 参考文献和建议读物 127

第十一章 化学键反应性 129

11.1 问题和数据 129

11.2 用于误差反向传播学习的网络结构 130

11.3 用实验设计技术选择训练集 131

11.4 Kohonen学习的应用 134

11.5 经过训练的多层网络的应用 135

11.6 Kohonen图的化学意义 136

11.7 参考文献和建议读物 138

第十二章 酒分析的HPLC优化 139

12.1 模型化问题 139

12.2 用标准方法模拟HPLC流动相 139

12.3 用神经网络模拟HPLC流动相 141

12.4 具有同等结构的两个网络的比较 141

12.5 参考文献和建议读物 143

13.2 数据集 145

第十三章 定量的构效关系 145

13.1 问题 145

13.3 结构和学习过程 146

13.4 方法的展望 147

13.5 参考文献和建议读物 148

第十四章 亲电芳香族取代反应 149

14.1 问题 149

14.2 数据 150

14.3 网络 151

14.4 学习结果 152

14.5 数据的第三种表示方法 153

14.6 要点 155

14.7 参考文献和建议读物 155

第十五章 涂料制法的模型化和最优化 157

15.1 问题 157

15.2 数据 157

15.3 网络训练 159

15.4 模型 159

15.5 参考文献和建议读物 160

第十六章 故障检测和过程控制 163

16.1 问题 163

16.2 数据 164

16.3 方法 166

16.4 故障的预测 167

16.5 连续搅拌反应的建模和控制 169

16.6 参考文献和建议读物 177

第十七章 蛋白质的二级结构 179

17.1 问题 179

17.2 作为输入数据的氨基酸表示法 181

17.3 网络的构造 182

17.4 学习和预测 183

17.5 参考文献和建议读物 183

第十八章 红外谱—结构相关 185

18.1 问题 185

18.2 红外光谱强度表示法 186

18.3 数据集和用BP算法进行的学习 186

18.4 红外光谱的可调节表征方法 187

18.5 用Fourier或Hadamard系数的截断集表征光谱 188

18.6 Kohonen学习的结果 190

18.7 参考文献和建议读物 194

第十九章 分子静电势的非线性投影 197

19.1 问题 197

19.2 网络结构和训练 198

19.3 用Kohonen图进行拼铺,构像效应 199

19.4 生物神经网络受到的研究 199

19.5 参考文献和建议读物 201

第二十章 神经网络化学反应展望 203