【摘 要】
：
含能化合物主要指单一分子结构组成的物质,生产具有可控且能释放大量能量的高能化合物是高能材料化学研究的重点,由于合成新的含能化合物既耗时又成本高。最好省略任何一个不良的候选化合物,这可以通过早期阶段的预测方法来获得。定量构效关系（quantitative structure activity relationship,QSAR）通过数学方法建立化合物的分子结构参数与生物活性之间的定量关系模型,从而对
论文部分内容阅读
含能化合物主要指单一分子结构组成的物质,生产具有可控且能释放大量能量的高能化合物是高能材料化学研究的重点,由于合成新的含能化合物既耗时又成本高。最好省略任何一个不良的候选化合物,这可以通过早期阶段的预测方法来获得。定量构效关系（quantitative structure activity relationship,QSAR）通过数学方法建立化合物的分子结构参数与生物活性之间的定量关系模型,从而对化合物的活性进行预测。三维定量构效关系（three QSAR,3D-QSAR）研究主要是利用数学模型对药物的化学结构信息（如各种取代基参数,拓扑指数以及量子化学与分子力学计算参数）与其生物活性之间的关系进行定量分析的方法。分子全息定量构效关系（hologram QSAR,HQSAR）是一个新兴的QSAR研究方法,该方法可以很迅速简单地得到精确和稳定性较好的QSAR模型。本文的主要内容包括:基于HQSAR和3D-QSAR中的Co MFA、Co MSIA三种方法,建立36种多硝基芳香族化合物的分子结构和生成焓（（35）fHm~0）的QSAR模型。通过留一交叉验证法和外部测试集验证法两种方法评估了模型的预测能力和稳健性,验证结果显示所建立的三种模型都具有良好的预测能力,且HQSAR模型略优于Co MFA模型和Co MSIA模型。同时利用HQSAR分子贡献图和分子三维等势图分析了多硝基化合物结构与之间的影响规律。基于HQSAR、3D-QSAR中的Co MFA、Co MSIA三种方法研究建立了36个多硝基化合物的密度QSAR模型。通过留一交叉验证法和外部测试集验证法这两种方法对模型的预测能力和稳健性进行评价。结果表明所建立的三种模型均可用于预测36个多硝基化合物的密度,HQSAR和Co MFA、Co MSIA模型相比,HQSAR模型预测能力更强,并利用HQSAR分子贡献图和三维等势图分析了多硝基芳香族化合物结构对密度的影响规律。基于HQSAR研究建立了121个的唑类化合物密度的QSAR模型。用留一交叉验证和外部测试集验证评估了模型的稳健性和预测能力。结果表明所建立的HQSAR模型具有良好的预测能力。
其他文献
传统的集中式联邦学习系统依赖一个中央服务器来协调全局模型的训练过程。然而,集中式联邦学习的前提是所有客户端信任一个中央机构,一旦中央服务器出现单点故障,将导致系统崩溃和全局模型训练的失败。此外,系统中通常涉及大量的客户端,每个客户端与中央服务器进行直接通信和多轮次交互,这需要负担巨大的通信成本。因此,集中式联邦学习系统可能会出现单点故障和通信开销大的问题。事实上,在许多实际场景中的网络通常是点对点
近年来,随着计算机计算能力的显著提升和数据量的大幅度增长,以深度神经网络模型为基础的深度学习算法快速发展,广泛应用于计算机视觉、自然语言处理、智能控制等诸多领域,甚至引发了新一轮的工业革命。然而,随着对深度学习技术研究的深入,人们发现其很容易受到对抗样本的欺骗。所谓对抗样本,是指攻击者人为地在原本能够被正确推理的数据中,添加微小的甚至人类难以察觉的对抗性噪声,从而生成的恶意样本,它可以误导目标模型
联邦学习（Federated Learning）能够使用来自大规模节点的本地数据集进行分布式模型训练,由于联邦学习在解决“数据孤岛”问题和保护数据隐私方面具有巨大优势,近年来迅速成为安全机器学习领域的研究热点。联邦学习的成功离不开分布式节点的积极参与,而长期机制的目的在于增加系统中用户节点的粘性,确保用户能够长期参与到系统中来,因此针对联邦学习系统中长期机制的研究与设计必不可少。在本文中,我们针对
随着人工智能逐渐走向大规模和分布式,联邦学习作为一种隐私保护的分布式模型训练技术逐渐成为研究人员的关注重点。联邦学习可以在多方数据拥有者不进行数据共享的情况下,共同学习得到一个全局最优的机器学习模型。但联邦学习框架分布式特性也带来了潜在恶意参与者。本意为避免第三方进行隐私窥探的安全聚合协议,却使得针对联邦学习算法的模型攻击变得更加隐蔽且难以检测。基于数据投毒的后门攻击是一种隐蔽性极高的模型攻击方法
信息技术的快速发展将人类带入了大数据时代,利用大数据相关技术,政府和企业能够对用户数据进行分析,发现数据背后的规律,为决策提供参考,提高生产和工作效率。大数据技术的本质是对海量数据进行采集、分析、关联,以构建普适性的决策模型。在此过程中,为提高数据分析的效果,各数据中心需要将本地用户数据进行发布和共享,存在敏感数据泄露的问题。同时,随着数据采集手段的多样化,数据中心收集的用户数据日趋复杂,形成了大
研究目的:近年来随着溃疡性结肠炎（ulcerative colitis,UC）发病率的逐年增高,已成为世界卫生组织公认的难治性疾病之一。目前UC的治疗主要以活动期诱导缓解和缓解期维持缓解为主,但UC缓解期极易复发,常反复发作,很难达到临床完全痊愈是UC治疗中的重要难题,而脾虚是缓解期UC的主要发病机制,目前已有大量研究证实肠道菌群菌群的失调程度与疾病的分期及活动程度相关联。故本研究主要目的为明确缓
当今社会,在大量涌入的数据、复杂的算法和广泛的计算资源推动下,大数据和机器学习技术发展迅速,在医学诊断、面部识别和信用风险评估等多种不同领域展现了强大的优势。在此基础上,大量云服务提供商利用已经训练好的模型为用户提供预测服务,用户只需要将数据上传给云服务器,就可以得到预测结果。然而机器学习在提供便利的同时,存在着用户私人数据泄露以及服务商非法收集利用用户数据的问题,一旦数据泄露,将会对用户的隐私造
随着自动驾驶技术的发展,车辆将能够提供更强大的计算能力和更为多元及便捷的服务。车联网技术将行进中的自动驾驶车辆作为信息感知的对象,通过传感、无线通信、互联网和控制技术的综合应用,实现人,车,路之间的信息交换和共享,为城市交通效能与城市生活水平带来显著提升。但与此同时,车联网中日益复杂多样的攻击行为也在威胁着自动驾驶车辆的行驶安全和通信安全。因此,在车联网中检测攻击行为和建立防御模型及防御数据库就变
研究背景骨髓增生异常综合征（MDS）是一组表现为外周血细胞一系或多系减少、骨髓造血细胞一系或多系发育异常与无效造血的造血干细胞克隆性疾病,其异质性大,部分患者可演变为急性髓系白血病。MDS患者自然病程和预后差异大,治疗方案宜个体化,而准确的判断预后是治疗方案制定的重要依据。目前评估预后的国际积分有IPSS、IPSS-R、WPSS积分,针对免疫表型的FCSS积分,针对合并疾病的MDS-CI评分,广泛
背景:溃疡性结肠炎是一种慢性非特异性炎症性疾病,病变主要局限于黏膜和黏膜下层,临床症状主要表现为腹泻、脓血便、腹痛和里急后重等,可伴关节炎、皮肤病等肠外表现,是消化系统的难治病。中医辨证论治治疗本病,副作用小,疗效显著。导师李军祥教授根据多年治疗UC的临床经验创立具有清肠温中,化瘀止血的清肠温中方,用以治疗证属寒热错杂、湿热瘀阻的活动期溃疡性结肠炎取得很好的效果,导师认为缓解期溃疡性结肠炎之所以容