量子化学与人工智能计算在分子键能中的应用PDF电子书下载

第一章 绪论 1

一、研究背景与研究意义 1

（一）研究背景 1

（二）研究意义 3

二、研究目标与内容 8

（一）研究目标 8

（二）研究内容 8

三、研究路线与创新点 11

（一）研究路线 11

（二）创新点 11

四、原子、分子和化学键 12

五、分子中化学键的强弱与分子的化学结构稳定性 13

六、化学键能定义 15

七、D， De和Do的相互关系 17

八、稳定化合物中最弱键能的小限值 18

九、键能规则的适用范围——超快和选键化学 20

十、计算键能的主要理论方法 21

十一、参考文献 23

第二章 量子化学计算方法与基组 36

一、量子化学计算方法 36

（一）分子轨道从头算 38

（二）半经验计算 43

（三）密度泛函理论 44

二、基组 49

（一）STO-NG 51

（二）分裂价基 51

（三）极化基 52

（四）弥散基组 52

三、参考文献 53

第三章 提高密度泛函理论方法计算均裂能精度：基于平均影响值的反向传播神经网络方法 60

一、引言 60

二、方法描述 63

（一）平均影响值 63

（二）反向传播神经网络 64

三、计算部分 65

（一）数据集 65

（二）物理参数计算 67

四、结果与讨论 68

（一）量子化学方法计算Y-NO键均裂能 68

（二）平均影响值计算结果 72

（三）反向传播神经网络计算结果 73

五、结论 79

六、参考文献 80

第四章 提高密度泛函理论方法计算均裂能精度：基于灰色关联分析和主成分分析的广义回归神经网络方法 86

一、引言 87

二、方法描述 89

（一）灰色关联分析 89

（二）主成分分析 90

（三）广义回归神经网络 92

三、计算部分 93

（一）数据集 93

（二）物理参数计算 94

（三）物理参数选择 95

四、结果与讨论 96

（一）GP-GRNN模型算法的流程图 96

（二）灰色关联和主成分分析计算结果 97

（三）广义回归神经网络计算结果对比分析 99

（四）广义回归神经网络中参数σ讨论 105

五、结论 107

六、参考文献 108

第五章 提高密度泛函理论方法计算均裂能精变：基于自组织特征映射的径向基神经网络方法 112

一、引言 113

二、方法描述 116

（一）自组织特征映射网络 116

（二）径向基神经网络 118

三、计算部分 121

（一）数据集 121

（二）分子描述符计算 122

四、结果与讨论 126

（一）密度泛函理论计算Y-NO键均裂能 126

（二）自组织特征映射神经网络计算结果 133

（三）径向基神经网络计算结果 136

五、结论 141

六、参考文献 143

第六章 提高密度泛函理论方法计算均裂能精度：基于层次聚类和蚁群聚类优化的极限学习机方法 147

一、引言 148

二、方法描述 150

（一）层次聚类 150

（二）蚁群聚类优化 151

（三）极限学习机 152

三、技术路线图 156

四、结果和讨论 157

（一）Kenstone计算结果 157

（二）层次聚类计算结果 158

（三）蚁群聚类优化计算结果 161

（四）极限学习机计算结果 162

五、结论 165

六、参考文献 167

后记 169