文摘
英文文摘
声明
第一章绪论
第二章密度泛函理论简介
一、引言
二、密度泛函理论基础
1.Hohenberg-Kohn唯一性原理
2. Hohenberg-Kohn第二原理——密度变分理论
3. Kohn-Sham方法
三、交换—相关近似泛函
1.局域密度近似
2.广义梯近似(GGA)
3.杂化泛函
四、小结
第三章X1模型的建立
一、引言
二、人工神经网络简介
1.神经元模型
2.MLPN网络拓扑结构
3.MLPN的算法
4.BP网络存在的问题
三、遗传算法(Genetic Algorithm,GA)
四、泛化方法(Generalization)
1.Early Stopping
2.K折法(K-fold Cross-Validation)和Leave-One-Out
3.自行改进的K折校验法
4.贝叶期方法
五、组合的网络训练方法(MPGA-MKF-ES-Baysian-BPNN)
六、X1模型的网络架构
1. 输入层
2. 隐含层
3.输出层
七、数据集
1.中性分子标准生成焓实验数据集
2.训练和测试数据集
八、理论计算方法
1.标准生成焓的理论计算方法
2.密度泛函计算
第四章优化后的X1模型及其应用方法
一、优化后的X1模型
二、X1的应用方法
三、X1应用于含有其它元素的气态中性分子
四、X1/07的B3LYP计算值、X1校正值及其相对于实验值的误差
五、结果与讨论
1.G3/99集
2.X1-1集
3.无机化合物和有机化合物
4.碳氢化合物和取代的碳氢化合物
5.含氟、氯、铝、硅、磷或硫的化合物
6.误差的改善和加剧的情况
第五章X1方法的进一步测试
一、X1/07之外的测试集
二、X1存在的问题
1.适用的元素范围
2.带电荷离子和过渡态分子
3.烃中支链的影响
4.同分异构体
三、基于键能的测试
第六章总结
参考文献
博士研究期间研究成果发表与报告情况
致谢