摘要：采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入支持向量机,籍均匀设计,构建了几丁质酶氨基酸组成和最适ph的数学模型。当惩罚系数C为10,epsilon值为0.7,Gamma值为0.5,模型对ph值拟合的平均绝对百分比误差为3.76%,同时具有良好的预测效果,预测的平均绝对误差为0.42个ph单位。该方法比用BP神经网络方法效果更佳。

摘要：籍均匀设计(UD)方法,构建了G/11家族木聚糖酶氨基酸组成和最适ph的神经网络(NNs)模型。当学习速率为0·09、动态参数为0·4、Sigmoid参数为0·98,隐含层结点数为10时,该模型对最适ph的拟合和预测平均绝对百分比误差可分别达到3·02%和4·06%,均方根误差均为0·19个ph单位,平均绝对误差分别为0·11和0·19个ph单位。该结果比文献报道的用逐步回归方法好。

摘要：木聚糖酶结构与功能、性质的关系错综复杂,传统的回归分析往往不能满足要求。本文采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入神经网络,籍助于均匀设计(UD),构建了木聚糖酶氨基酸组成和最适ph的模型。当学习速率为0.08、动态参数为0.7、Sigmoid参数为0.92,隐含层结点数为9时,模型的拟合残差为0.001 09,对ph值拟合的平均绝对百分比误差为3.29%,同时具有良好的预测效果,预测的平均绝对误差为0.59个ph单位。比文献报道的用逐步回归方法更好。