改进的L-M算法用于大分子体系相平衡的神经网络预测

误差反向传播(EBP)算法目前已广泛应用于Back-propagation(BP)网络的学习和训练，但存在网络收敛速度慢的缺点.从目标函数和网络权值与阈值的初始化两方面对标准的Levenberg-Marquardt算法做了改进，改进的算法可以减少计算的复杂性及对内存的需求，尤其对具有较大样本及复杂拓扑结构的网络效果更为明显.基于改进的Levenberg-Marquardt算法的BP网络对蛋白质体系的溶解度和聚合物成膜体系的液-液相平衡性质进行模拟和预测，结果表明：改进的Levenberg-Marquardt算法较传统的EBP算法的收敛速度大大提高，且能较好地用于预测溶菌酵素在盐溶液中的溶解度和水/二甲基乙酰胺/聚砜成膜体系的双结点曲线.