毕业设计（论文）-薯蓣皂素在混合醇溶剂中溶解度的神经网络模型.docx

薯蓣皂素在混合醇溶剂中溶解度的神经网络模型目 录摘要IAbstractII引 言1第1章 神经网络计算薯蓣皂素溶解度的意义21.1 薯蓣皂素的医药作用21.2 薯蓣皂素溶解度计算的意义2第2章 文献综述32.1 神经网络的研究现状32.2 神经网络在溶解度方面的应用4第3章 人工神经网络算法简介53.1 人工神经网络介绍53.2 人工神经网络的算法63.2.1 人工神经网络得算法介绍63.2.2 前向计算73.2.2 误差反传7第4章 薯蓣皂素溶解度数据的关联与预测84.1 神经网络模型的建立84.1.1 输入层与输出层的确定84.1.2 隐含层节点数的确定104.2 神经网络模型的精度与检验124.2.1 一致性检验图124.3结果与讨论14结 论15致 谢16参考文献18薯蓣皂素在混合醇溶剂中溶解度的神经网络模型摘要：溶解度作为薯蓣皂素生产工艺中的重要参考数据，直接关系到生产设备的选型和工艺路线的设计。本文采用人工神经网络，通过前向计算和误差反传两个阶段建立起神经网络的优化结构，来关联和预测文献中薯蓣皂素在混合醇溶剂中的溶解度数据。通过模型输出值与真实值的图表化处理来检验神经网络模型的精确度，结果显示神经网络模型的精确度令人满意。最终确定了薯蓣皂素再混合醇溶剂中溶解度的优化模型为（4，5，1）。即模型的输入变量为四：临界温度，临界压力，偏心因子和重组分的正常沸点；隐含层节点数为五；输出层变量为一：溶解度；误差结束控制值为0.002。虽然由于神经网络的研究起步较晚，没有权威的指导理论，但其能广泛关联非线性多变量的系统的优点，仍然值得我们去深入研究。关键词：溶解度 薯蓣皂素 混合醇溶剂 神经网络Neural network model for solubility of diosgenin in mixed alcohol solventsAbstract: As an important reference data in the production process of diosgenin, solubility is directly related to the selection of production equipment and the design of process route. In this paper, artificial neural network (ANN) was used to correlate and predict the solubility data of diosgenin in mixed alcohol solvent by forward calculation and error back propagation. The accuracy of the neural network model is verified by the graph output of the model output value and the real value. The results show that the accuracy of the neural network model is satisfactory. The optimal model for resolving the solubility of diosgenin in alcohol was finally determined (4, 5, 1). The input variables of the model are four: the critical temperature, the critical pressure, the eccentricity factor and the normal boiling point of the heavy component; the number of hidden layer nodes is five; the output layer variable is one: the solubility; the error end control value is 0.002. Although the research of neural network started lately and there is no authoritative guidance theory, it can be widely associated with the advantages of nonlinear multivariable systems, the development of the neural network should be a research project of concern.Key words: Solubility; Diosgenin; Mixed alcohol solvents;Artificial neural networks20引 言在利用黄姜生产薯蓣皂素的生产工艺过程中，不管是采用的何种工艺方法，其首要步骤都是对原料进行水解，然后再将水解产物进行提取，而提取过程多是采用有机溶剂进行抽提，这是利用它不溶于水而溶于有机溶剂的性质1。研究表明，在其他外界条件相同时，有机溶剂的选择不同，薯蓣皂素在其中的溶解度差别也很大，从而会造成提取率和成品纯度的差异。众所周知，溶解度作为一项重要的物化指标，一直是化学学科的研究重点2。而实验测量通常是获得溶解度数据的主要途径，但是实验测量往往耗时耗力，有时由于原材料花费比较昂贵，会造成测量过程代价高昂，而且实验测得的数据往往是有限的，不能满足当今飞速发展的科学技术要求。通过将实验测量的溶解度数据模型化或许为解决这些问题提供了一个可行的方法。神经网络自其创立以来，发展势头极其迅速，利用与人脑相类似的信息处理机制，以处理单元代替神经元之间的连接，权重系数代表连接强度， 因此也被称为人工神经网络。人工神经网络以其自组织，自学能力，自适应能力强的特点，在模智能控制、预测估计、生物医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性3。近年来，人工神经网络在很多领域都有应用，但用于溶解度方面则相对较少，基于此，本文采用神经网络模型，对薯蓣皂素在混合醇溶剂中溶解度的数据进行关联和预测，以期望获得精度较为令人满意的数据模型。第1章 神经网络计算薯蓣皂素溶解度的意义1.1 薯蓣皂素的医药作用薯蓣皂素是一种白色或微黄结晶性粉末的化学物质，不溶于水而溶于有机溶剂4。薯蓣皂素在医药界的医药作用是十分重要和广阔的。以黄姜为原材料生产的薯蓣皂素作为合成激素的重要基础原料被广泛应用。我国已经利用薯预皂普配基合成了多种药物,除激素、消炎、降血脂、抗病毒、抗过敏、避孕等用途外,还利用昌体起始原料合成镇痛药、麻醉药、冠心病药等,利用前景广阔。现在薯预皂素还在调节人体机能、防病抗衰老、减肥、补钙、调节脑神经等保健用品、日用化学品等方面获得广泛应用。近年来有研究表明薯预皂素有抗肿瘤作用。目前，世界范围内以其为基础原料已经合成了三四百种激素药物。其中最令人瞩目的当属甾体激素类药物，由于其具有很强的抗感染、抗过敏、抗病毒和抗休克的药理作用，被广泛用于治疗风湿、心血管、淋巴白血病、细胞性脑炎、皮肤病、抗肿瘤和抢救危重病人5。由于年联合国卫生组织禁止使用化学合成法生产街体激素药物,而从动物组织和血液中提取的皂素会导致肥胖和巨人症,因此皂素无法人工合成,只能从植物中提取。直到目前为止,国际上还没能找到一种合适的药品来代替薯蓣皂素，人工合成的替代品或因造价高昂，或因治疗效果较差而失去竞争力。由此可见，薯蓣皂素的生产及其加工是当前的朝阳产业，前景十分广阔。1.2 薯蓣皂素溶解度计算的意义薯蓣皂素在有机溶剂中的溶解度是黄姜生产加工工艺的重要数据，以溶解度为依据的有机溶剂选择，直接决定了薯蓣皂素成品的得率与纯度。现阶段，薯蓣皂素在有机溶剂中的溶解度数据来源主要有两方面：一方面是实验测量，该法所得数据精确高，但往往耗时耗力，并且容易受实验室条件的限制。例如，现代工业许多工艺需要目标产品在超临界流体中的溶解度数据，然而许多实验室并不具备超临界流体的测量条件；另一方面是经验方程来计算溶解度，这种方法特异性强，往往只能计算特定体系，如果研究的体系发生变化，相应的模型参数就不在适用，灵活性较差。为了解决上述问题，采用神经网络对薯蓣皂素溶解度数据进行关联与预测或许是一个行之有效的方法。为我们提供了一种探究溶解度数据的新途径。第2章 文献综述2.1 关联方程计算溶解度 除了通过实验测定溶解度数据外，还可以用关联方程6来进行计算。常用方程如下：2.1.1 h 方程 由Buchowski等人开发的h模型是半经验方程，常用来计算物质的溶解度，公式如下： （2-1）其中和h是由实验数据确定的模型参数，表示饱和溶液的非理想性。x是在温度T下溶解度的摩尔分数。是正常的熔化温度（K）。2.1.2 Apelblat方程溶解度和温度的摩尔分数之间的关系也可由Apelblat方程表示，可以从中推导出克劳修斯-克拉佩龙方程： (2-2)其中A，B和C是经验常数，x是在温度T下溶解度的摩尔分数。2.1.3 理想模型理想模型是基于热力学原理的固液平衡的通用方程，也能用于溶解度的计算。该模型可写为： （2-3）其中A和B是模型参数，是在温度T下溶解度的摩尔分数。 由经验方程计算溶解度数据虽然简便快捷，但针对特定体系的参数在计算另外的体系时就不在适用，灵活性较差。是以近年来，以神经网络作为数据处理模型的研究正愈演愈热。2.2 神经网络的研究现状20世纪80年代，关于人工神经网络的研究开始在世界范围内复苏，国内也掀起了一场神经网络研究的热潮7。作为一门活跃的边缘性交叉学科，神经网络能够被运用于非线性动力学，神经生理学等各个相关专业领域8。经过近几十年的发展，国际上对于人工神经网络的理论研究和应用取得了可喜的进步。在国内，学术界多次召开了关于神经网络研究的学术会议，针对神经网络的研究和讨论十分活跃，学术论文的数量逐年增加，应用成果推陈出新。而在国际上，也相继提出了上百种神经网络模型，涉及到信号处理，自动控制等各个方面，取得了令人瞩目的成就。另外，十几种国际著名的神经网络学术刊物也相继问世9。至此，神经网络研究开始在国际学术领域扮演着越来越重要的角色。基于此，我们欲将人工神经网络应用于溶解度的关联与预测，期望获得一个精度令人满意的数据处理模型。2.3 神经网络在溶解度方面的应用 溶解度是指在一定温度与压力下，某物质在溶剂中达到饱和状态时所溶解的量10。作为一项重要的物化指标，溶解度一直是化学学科的研究重点。随着科学技术的进步与发展，溶解度数据甚至成为一些化工工艺设计的重要参考数据。本文涉及到的薯蓣皂素生产工艺就是如此，由于其不溶于水而溶于有机溶剂的特性，其溶解度数据直接影响生产工艺中生产设备的选型和工艺路线的选择。然而，通过实验测量来获得溶解度数据耗时费力，而且容易受外界条件的限制。因此，学术界也建立了多种理论方法来进行估算。根据采用的理论和方法的不同，可分为状态方程法，溶液模型法，半经验方程法和计算机模拟法。状态方程是将超临界流体看作压缩气体，利用气体状态方程描述其相行为而得到的溶解度的关联与预测模型。溶液模型是将超临界流体看作膨胀流体，此方法不需要估算临界物性参数，但需要溶质的活度系数与偏摩尔体积数据。半经验方程是指将溶解度与压力、温度及溶剂密度等参数直接关联的数学表达式。四种方法各有利弊，但计算机模拟技术以其简便快捷的适应性信息处理能力在近代得到快速发展，其中，人工神经网络技术因其能够关联复杂的多变量情况而受到广泛关注，被证实可以应用于多种领域11。因此，本文将介绍采用神经网络关联和预测薯蓣皂素在混合醇溶剂中的溶解度数据。 第3章 人工神经网络算法简介 在化工过程模拟时，如果系统的影响因素或者状态参数很多，将会导致其非线性程度增加，此时要确定关联函数将变得十分困难。解决这个问题的有效方法就是人工神经网络，它能很好的关联复杂的多变量。下面就人工神经网络的结构概念和算法做简要介绍：3.1 人工神经网络介绍关于对人工神经网络的定义目前有很多说法，众说纷纭并不统一。按照国际著神经网络研究专家 Hecht Nielsen 的观点，神经网络的定义是：人工神经网络是由人工建立的、以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态响应而进行信息处理12。我们综合各种对于人工神经网络的定义，并参照其网络结构和特点，可以将神经网络简单地表述为：人工神经网络是一种模仿人类大脑结构及其功能的信息处理系统。是由大量类似于神经元细胞的简单处理单元组成，处理单元之间的相互连接以权重系数代表连接强度，该系统具有较强的自我调整能力。 一个完整的神经网络模型应该由输入层，隐含层和输出层三部分组成，如下图3.1所示。各层的处理单元与相邻层的所有处理单元都有连接，与不相邻层的处理单元则没有连接，同层处理单元之间也没有连接13。信息的传递只能按照顺序从前向后传送，不会出现由后向前的信息负反馈。输入层 隐含层 输出层图3.1 人工神经网络结构示意图一个完整的网络模型需要经过训练与学习两个阶段。训练阶段的内容是根据模拟系统的原始数据通过BP算法来调节权重系数，调节精度，达到网络输出与实际输出相一致，具体一致程度以训练误差为准。测试阶段的内容是用来检验网络的预测能力。当训练数据在误差允许以内时，利用原始数据中不同于训练的数据，进行输入，以其预测结果与原始数据进行对比，预测精度是判断预测能力的唯一标准。一个好的网络模型要具备训练时间短，函数收敛速度适中，误差精度小等特点。3.2 人工神经网络的算法3.2.1 人工神经网络得算法介绍在建立神经网络模型的训练阶段所用的BP算法是一种有导师的误差修正训练算法14。区别于无导师的训练算法，它将样本数据中的大部分用于训练，剩余数据做为真实值用来和训练阶段的模型输出做对比，以监督模型建立的训练过程，所以叫做有导师的训练算法。它是由前向计算和误差反向传播两部分组成。首先进行信息输入进入前向传递过程，之后由输入层进入隐含层，经隐含层中信息处理功能函数的处理后信息再进入输出层。输出结果与真实值进行对比后进入误差反传阶段，若输出结果和真实值存在偏差，则网络模型会将误差信号反向传播，并修改各层之间的连接权重系数，经过这样反复计算，权重系数的不断调整，网络模型精度也会不断提高，达到人们的期望值以后，学习过程结束。最终人们会获得一个在误差允许范围内较为满意的网络模型。以下举例详细介绍BP算法的前向计算过程。3.2.2 前向计算假设一个未经训练的神经网络，由一个输入层，p个隐含层和一个输出层组成。输入层节点数目为m，输出层节点数目为n。，分别表示第j层第i个节点的输出与输入。当j为零时，表示输入层节点；当j为p+1时对应输出层节点。代表第i层中节点的数目。用表示第i层第j个节点与第i+1层第k个节点间的连接权重15。前向计算基本过程如下：1：将输入信号导入输入层节点，计算其输出。对于输入层节点，其输入等于输出。 （3-1）2：从第一隐含层到p-1层隐含层，各层节点依次完成其信号搜集，信号转换以及信号发送功能。其中BLAS为节点阈值。 (3-2) (3-3)3：输出层实现其信号搜集，信号转换以及信号发送功能。(3-4)输出层的输出等于输入，即 (3-5)3.2.2 误差反传在进行过前向计算后，为了检验模型的精度，我们将将模型输出值与期望输出值（真实值）进行比较和分析，如果两者存在偏差，则会进入误差反传阶段，此阶段的公式较为复杂，在此不做详细介绍。在此过程中，神经网络会根据反馈的误差控制值修改各个处理单元之间的连接权重系数，这样反复进行，最终当误差值足够小时，输出结果。经过反复的计算，各层之间权重系数的不断调整，神经网络模型的精度也会不断提高，达到人们的期望值以后，学习过程结束。最终会获得一个在误差允许范围内精度令人满意的网络模型。第4章 薯蓣皂素溶解度数据的关联与预测本章主要介绍模型的建立与数据的处理，主要从参考文献6中获得薯蓣皂素在多个混合醇溶剂中的溶解度数据，首先，利用BP算法对文献数据进行关联和预测，确定一个初步的模型结构。然后对模型计算的数据进行图表化处理，以便更直观的对模型的精确度做出检验，从而让人们对模型的选择方面拥有更多的参考依据。数据模型的建立首先需要确定网络模型的结构，即输入层，输出层，隐含层的节点数的确定，然后利用作图对神经网络模型进行精确度的检验：4.1 神经网络模型的建立 一个完整的神经网络模型通常由输入层，隐含层，输出层三部分构成，层与层之间进相连接。神经网络模型的建立过程就是确定输入层，隐含层和输出层节点数的过程。下面分别做详细介绍：4.1.1 输入层与输出层的确定 在建立神经网络模型时，研究的溶液体系不同，人工神经网络选择的输入与输出变量也不相同，从而隐含层节点数也会发生变化，通常输入层与输出层的节点数取决于溶液体系的变量数目和我们要研究的对象，并且，选择的输入变量必须与输出数据有相关关系。另外，输入变量的实用性也是我们需要考虑的因素。 （4-1） （4-2） （4-3） （4-4） （4-5）在预测固体物质在有机溶剂中的溶解度时，一般会选择温度和压力作为输入数据，物质的溶解度作为输出数据。但本次实验数据选择是薯蓣皂素在混合醇溶剂中的溶解度，溶剂组份比单一有机溶剂复杂。为了提高模型的预测精度，我们首先选择临界压力、临界温度与偏心因子作为输入变量关联计算薯蓣皂素在溶剂中的溶解度。同时为了定义混合溶剂的关键性质，我们需将参考文献数据以混合规则16来定义，使其成为二元混合物的输入数据。混合规则如上式：式中，分别是二元混合溶剂的临界温度，临界压力和偏心因子。通过上式不难看出，在计算的过程中，还需要单一醇溶剂的一些物性参数17，现总结如下表4.1：表4.1 醇溶剂物性参数表甲醇乙醇丙醇丁醇异丁醇戊醇239.49243.1236.5289.8265.0313.08.0926.3794.7814.4174.2953.84965.3579.1997.20117.7107.9137.80.5640.6350.6240.5900.5880.58由上表可以发现，除了上文提到的三个输入变量，表中还多了一个重组分的正常沸点这一物性参数。这是因为在初步确定了神经网络模型的结构后（隐含层节点数的确定下节做详细介绍），我们开始进行数据的处理，将模型计算的溶解度结果与已知溶解度通过作图进行一致性检验。但是随着精确度的提高，模型的预测拟合效果很差。结果如图4.1：图4.1 皂素溶解度对比检验图（三输入） 通过上图可以发现，有大量数据游离于回归线外，可见模型拟合效果并不理想。经过分析，我们认为在混合有机溶剂的六个体系中，有两个体系比较特殊，分别是乙醇与丁醇（1：1）和乙醇与异丁醇（1：1）。由于丁醇与异丁醇互为同分异构体且两个体系组份相似，所以两个体系的临界压力，临界温度和偏心因子等数据十分相近，区分度很小。但薯蓣皂素在两个体系中的溶解度却相差很大，因此导致模型拟合效果不好。因此我们尝试通过将两个体系其中一个体系的临界温度进行平方或开方的处理以提高两个体系的区分度，从而提高拟合精度。通过对临界温度的处理，却发现其拟合效果并没有改善。经分析发现，仅处理一个体系的数据不符合数据处理的整体性原则。所以我们根据溶剂特性选择多增加一个独立变量-正常沸点（）作为第四个输入层。经过数据建模和拟合，取得了很好的预测效果，因此，我们确定了本次神经网络模型为四个输入变量，分别是临界温度，临界压力，偏心因子和重组分的正常沸点。 综上所述，神经网络输入变量一般通过经验选择，在经验的基础上利用多元线性回归等方法检验选择的输入变量，从而确定输入层的节点数。4.1.2 隐含层节点数的确定 对于一个好的神经网络模型而言，除了输入层和输出层节点数外，隐含层的节点数的确定，至关重要，对隐含层节点数的确定也比较繁琐，往往需要消耗大量的时间。根据以往经验，隐含层节点数往往控制在1-10之间。这是因为当隐含层节点数过少时，网络模型过于简单，将不具备计算和预测的能力，但隐含层节点数也不宜过多，因为网络模型太过复杂，模型进行数据处理时的计算量将变得十分可观，不利于提高函数的收敛速度与精度优化18。 隐含层节点数的确定主要依据以下两方面： (1) 输入变量与输出变量的复杂性; (2) 用于训练与测试的数据量19。隐含层节点数过少可能会得不到期望结果，节点数过多又容易导致过拟合现象的发生。神经网络检验误差一般随隐含层节点数增加呈现先下降后升高的趋势，数量确定一般可通过试凑法和以下公式确定： (4-6)式中，l 为隐含层节点数，m 为输入层节点数。因为没有明确系统的理论指导，通过试凑法确定合适的网络拓扑结构成为神经网络结构预测时最消耗时间的一步。首先由4输入层根据公式（4-6）初步确定神经网络模型的隐含层节点数为9 。然后我们将参考文献实验数据分成两部分，在每个体系下的数据中随机抽取3/4作为训练，具体分组情况如下表4.2：表4.2 文献数据分组明细表混合醇体系数据总量训练数据量检验数据量平均温度重组分乙醇：丙醇（1：1）1612440.2丙醇乙醇：丁醇（1：1）1511441.1丁醇乙醇：异丁醇（1：1）1511441.51异丁醇甲醇：异丁醇（1：1）1511445.09异丁醇甲醇：异丁醇（1：4）1813537.8异丁醇乙醇：戊醇（1：1）2015537.8戊醇这样6个体系下就有26组数据作为精度检验预测，73组数据进行训练。这样分组是为了减小模拟过程的偶然误差，有利于提高神经网络关联与计算的可靠性。然后根据误差结束控制值(error)确定最终节点数。取实际溶解度输出和真实溶解度数据之差的平方和为误差函数，误差结束控制值的定义为： （4-7）error过大，不利于提高神经网络模型的收敛速度和计算精度。error过小，会造成计算时间过长并且易发生过拟合现象。计算发现，随着误差的减小，收敛速度会逐渐下降，因此，为了确定最优的隐含层节点数。先控制节点数最大为9不变，在训练时间合理的前提下，通过逐步减小误差值来确定。例如，先把误差值定为0.03，得出计算结果，然后再把误差值减半，即误差定为0.015，得出计算结果，以此类推，反复计算。当误差小于0.01时，每次误差减小量控制为0.001，这是因为当误差值足够小时，较小的误差变化量就会对收敛速度产生较大影响。在计算时间合适的情况下，一直运算下去，并将结果做记录。当误差值达到一定范围后，检验误差值会出现先降低后升高的现象，这种现象就是过拟合现象。这时取最低点的误差值即为该隐含层节点数下的最优误差。这时采取控制误差值不变，通过减小隐含层节点数变量为1的方法来确定隐含层节点数。例如，当上次计算的隐含层误差值定为0.003为最优，再以它的上一个误差值定为起点，即0.004，在此基础上，再依次减小隐含层节点数1，即隐含层节点数为8，再继续控制减小误差变化量为0.001，反复计算，观察检验误差的大小与收敛速度。以此类推，直到把隐含层节点数和误差值减到最小为止，然后再对比每个隐含层节点数下的最优error。通过对比，确定隐含层节点数。经过对比，最终确定神经网络模型隐含层节点数为5，误差控制值为0.002。至此，确定了神经网络的优化结构如下表4.3所示：表4.3 神经网络优化结构输入层隐含层输出层节点数451转换函数 Sigmoid函数线性函数综上所述，神经网络的优化过程实质就是求取误差控制值的最小值问题，通过对多个样本的反复计算，同时向误差逐渐减小的方向对连接权重系数进行调整，以达到逼近真实值的效果20。4.2 神经网络模型的精度与检验 为了验证这种神经网络模型的精度，我们对结果进行了精度检验。本文主要通过一致性检验图来验证。4.2.1 一致性检验图 神经网络模型的计算能力，我们可以通过作图来更为直观的展现出来，在这里我们对计算所得的数据进行整理，以神经网络计算的溶解度数据为纵轴，以文献中已经测定的溶解度数据（真实值）为横轴，做出一致性检验图，对模型进行检验。结果如下图4.2所示：图4.2 神经网络训练值与真实值对比（四输入）我们将优化后的神经网络计算的溶解度数值与文献提供的真实值做一致性检验，用来比较模型的精确度。结果如下图4.3所示：图4.3 神经网络计算值与真实值对比图（四输入）对于一致性检验拟合图而言，直线的斜率，截距和，三者相结合能够很好的反映模型的计算能力，它们三个的值越靠近（1，0,1），网络模型的精度就越高。根据图4.3，可知：斜率，截距和分别为(0.9924,0.0099，0.9994)很靠近（1，0，1）。所以可以认为本次神经网络模型的建立取得了较好的预测拟合效果。为了对比与实验测量结果的精确度，现抽取六个体系中的甲醇：异丁醇（1：4）体系做真实值与实验值对比图，结果如下图4.4：图4.4 甲醇：异丁醇（1：4）精确度检验图如上图结果可知，在误差允许的范围内，可认为神经网络模型的输出等于真实值。图4.5 六体系对比温度-溶解度图最后，我们将全部文献数据共6个体系，99组数据分别以温度为横坐标，溶解度为纵坐标作图，用来对比神经网络模型计算精度。结果如上图4.5所示。4.3结果与讨论本课题应用BP算法，通过前向计算和误差反传，将从文献中获得的溶解度数据进行关联和预测，获得模型参数，建立起神经网络模型，对于薯蓣皂素溶解度体系输入隐含层输出的节点数分别是（4，5，1），误差控制值为0.002。通过一致性检验图验证模型的精度。在此次工作总的来说基本上达到了预先的目标，一致性检验图基本靠近目标值（1，0，1），将利用BP神经网络模型进行直线拟合，通过以上图表知，BP神经网络计算结果的精度是比较令人满意的。众多研究结果表明，人工神经网络预测精确度比状态方程、溶液模型与半经验方程等方法更高，因此更有实用价值。但同时我们也应该注意到误差的存在，神经网络模型的建立需要大量的数据，是一种黑箱模型，在建模过程中，其输入变量的选取和隐含层节点数的确定目前并没有较为权威的系统理论来指导，而是依靠经验和试凑法来确定，势必会影响神经网络模型的拟合可信度，关于神经网络模型的优化问题必将是以后研究的重中之重。人工神经网络技术较强的预测能力、大规模并行处理特性、高度的容错性和自适应性等是其他方法和技术所不可比拟的，其在物质溶解度预测方面应用前景广阔。本次课题只采用了神经网络的二维模型来研究薯蓣皂素在混合醇溶剂中的溶解度数据，而三维的神经网络模型在细节上要优于二维神经网络，并且在相平衡的研究方面有很大优势，值得我们关注。另外，现在关于神经网络模型的串并联研究还很少，其在提高网络模型的精确度方面的可行性以及理论方法和应用领域还有待我们去研究。总之，关于人工神经网络的研究仍然任重而道远。结 论课题采用人工神经网络对薯蓣皂素在不同混合醇溶剂中溶解度数据进行关联与预测，通过BP网络算法的训练阶段和误差反传阶段确定了神经网络模型的结构为（4，5，1），即输入层节点数为四，隐含层节点数为五，输出层为一。将神经网络计算的溶解度数值与参考文献实验溶解度数值做图表化处理以检验其精度，最终获得了一个误差允许范围内精度令人满意（误差结束控制值为0.002）的神经网络结构。虽然神经网络的研究因其起步较晚，现如今并没有系统权威的理论指导，但它仍然以其能够广泛关联非线性多变量系统的优势而受到学术研究者的关注。而其在溶解度关联方面的优势，也为我们对一些物化数据的研究提供了新的方向，值得我们去深入研究。参考文献1 葛发欢, 史庆龙. 超临界 CO2 从黄山药中萃取薯蓣皂素的工艺研究J. 中草药, 2000, 31(3): 181-183.2 李鑫斐, 赵林. 人工神经网络在溶解度预测方面的应用J. 化学通报, 2015,(03): 208-214.3 向超. 人工神经网络预测有机溶剂中CO2溶解度D. 武汉工程大学, 2014.4 李祥, 马建中, 史云东. 盾叶薯蓣, 薯蓣皂素研究进展及展望J. 林产化学与工业, 2010, 30(2): 107-112.5 杨顺楷. 生物转化技术为甾体激素产业“强身”N. 医药经济报,2015-03-27,(005)6 陈飞雄, 赵明蕊, 冯露, 等. 薯蓣皂素在混合溶剂中的溶解度的测定与关联(英文)J. Chinese Journal of Chemical Engineering, 2014, (02): 170-176.7 陈格. 人工神经网络技术发展综述J. 中国科技信息, 2009 ,(17): 88-89.8 毛健, 赵红东, 姚婧婧. 人工神经网络的发展及应用J. 电子设计工程, 2011, 19(24): 62-65. 9 郭剑伟, 苏丽娜, 刘光明. 薯蓣皂素提取工艺研究进展J. 中国药业, 2011, 20(18): 13-16.10 胡程耀, 黄培. 固体溶解度测定方法的近期研究进展J. 药物分析杂志,2010,(04): 761-76611 汤素丽, 罗宇锋. 人工神经网络技术的发展与应用J. 电脑开发与应用, 2009, 22(10): 59-61.12 杜华英, 赵跃龙. 人工神经网络典型模型的比较研究J. 计算机技术与发展, 2006, 16(5): 97-99.13 朱大奇. 人工神经网络研究现状及其展望J. 江南大学学报: 自然科学版, 2004, 3(1): 103-110.14 樊振宇. BP 神经网络模型与学习算法J. 软件导刊, 2011, 10(7): 66-68. 15 周爱月.化工数学M.北京:化学工业出版社,200116 Parhizgar H, Dehghani M R, Khazaei A, et al. Application of neural networks in the prediction of surface tensions of binary mixturesJ. Industrial & Engineering Chemistry Research, 2012, 51(6): 75-81.17 马连湘, 刘光启, 刘杰. 化学化工物性数据手册.有机卷M.北京:化学工业出版社,200218 刘彩红. BP神经网络学习算法的研究D.重庆师范大学,2008.19 黄丽. BP神经网络算法改进及应用研究D.重庆师范大学,2008.20 胡德栋, 王威强, 魏东, 等. 固体在超临界流体中溶解度的 BP 人工神经网络模拟J. 山东大学学报: 工学版, 2006, 36(2): 8-11. 附录A:模型建立所用数据训练部分的数据：其中，in表示输入，out表示输出。/system1: ethanol + 1-propanol (volume 11) (290.35-328.85K, 平均温度：313.4K, 40.2度) in01,1:=0.0682; in01,2:=0.5851; in01,3:=0.6302; in01,4:=0.9720; out2s1,1:=0.1665; in02,1:=0.0897; in02,2:=0.5851; in02,3:=0.6302; in02,4:=0.9720; out2s2,1:=0.1935;in03,1:=0.1051; in03,2:=0.5851; in03,3:=0.6302; in03,4:=0.9720; out2s3,1:=0.2184;in04,1:=0.1174; in04,2:=0.5851; in04,3:=0.6302; in04,4:=0.9720; out2s4,1:=0.2424;in05,1:=0.1409; in05,2:=0.5851; in05,3:=0.6302; in05,4:=0.9720; out2s5,1:=0.2718;in06,1:=0.1476; in06,2:=0.5851; in06,3:=0.6302; in06,4:=0.9720; out2s6,1:=0.2882; in07,1:=0.1567; in07,2:=0.5851; in07,3:=0.6302; in07,4:=0.9720; out2s7,1:=0.3073;in08,1:=0.1607; in08,2:=0.5851; in08,3:=0.6302; in08,4:=0.9720; out2s8,1:=0.3271;in09,1:=0.1694; in09,2:=0.5851; in09,3:=0.6302; in09,4:=0.9720; out2s9,1:=0.3563;in010,1:=0.1774; in010,2:=0.5851; in010,3:=0.6302; in010,4:=0.9720; out2s10,1:=0.3802;in011,1:=0.2163; in011,2:=0.5851; in011,3:=0.6302; in011,4:=0.9720; out2s11,1:=0.4966;in012,1:=0.2211; in012,2:=0.5851; in012,3:=0.6302; in012,4:=0.9720; out2s12,1:=0.5144;/system2: ethanol+1-butanol (volume 11) (293.65-327.15K, 平均温度：314.3K， 41.1度) in013,1:=0.0786; in013,2:=0.5615; in013,3:=0.6175; in013,4:=1.1770; out2s13,1:=0.2976;in014,1:=0.1016; in014,2:=0.5615; in014,3:=0.6175; in014,4:=1.1770; out2s14,1:=0.3655; in015,1:=0.1196; in015,2:=0.5615; in015,3:=0.6175; in015,4:=1.1770; out2s15,1:=0.4018;in016,1:=0.1265; in016,2:=0.5615; in016,3:=0.6175; in016,4:=1.1770; out2s16,1:=0.4296;in017,1:=0.1349; in017,2:=0.5615; in017,3:=0.6175; in017,4:=1.1770; out2s17,1:=0.4610;in018,1:=0.1507; in018,2:=0.5615; in018,3:=0.6175; in018,4:=1.1770; out2s18,1:=0.5109;in019,1:=0.1572; in019,2:=0.5615; in019,3:=0.6175; in019,4:=1.1770; out2s19,1:=0.5405;in020,1:=0.1687; in020,2:=0.5615; in020,3:=0.6175; in020,4:=1.1770; out2s20,1:=0.5703;in021,1:=0.1733; in021,2:=0.5615; in021,3:=0.6175; in021,4:=1.1770; out2s21,1:=0.5956; in022,1:=0.1802; in022,2:=0.5615; in022,3:=0.6175; in022,4:=1.1770; out2s22,1:=0.6194;in023,1:=0.1855; in023,2:=0.5615; in023,3:=0.6175; in023,4:=1.1770; out2s23,1:=0.6401;/ system3: ethanol + isobutyl alcohol (volume 11) (293.65-329.55K, 平均温度：314.71K， 41.51度) in024,1:=0.0802; in024,2:=0.5584; in024,3:=0.6171; in024,4:=1.0790; out2s24,1:=0.1226;in025,1:=0.1076; in025,2:=0.5584; in025,3:=0.6171; in025,4:=1.0790; out2s25,1:=0.1702; in026,1:=0.1167; in026,2:=0.5584; in026,3:=0.6171; in026,4:=1.0790; out2s26,1:=0.1992;in027,1:=0.1273; in027,2:=0.5584; in027,3:=0.6171; in027,4:=1.0790; out2s27,1:=0.2263;in028,1:=0.1434; in028,2:=0.5584; in028,3:=0.6171; in028,4:=1.0790; out2s28,1:=0.2567;in029,1:=0.1508; in029,2:=0.5584; in029,3:=0.6171; in029,4:=1.0790; out2s29,1:=0.2828;in030,1:=0.1606; in030,2:=0.5584; in030,3:=0.6171; in030,4:=1.0790; out2s30,1:=0.3103;in031,1:=0.1704; in031,2:=0.5584; in031,3:=0.6171; in031,4:=1.0790; out2s31,1:=0.3352;in032,1:=0.1759; in032,2:=0.5584; in032,3:=0.6171; in032,4:=1.0790; out2s32,1:=0.3629; in033,1:=0.1810; in033,2:=0.5584; in033,3:=0.6171; in033,4:=1.0790; out2s33,1:=0.3901;in034,1:=0.1869; in034,2:=0.5584; in034,3:=0.6171; in034,4:=1.0790; out2s34,1:=0.4184;/ system4: methanol + isobutyl alcohol (v