液相色谱分析及分离技术,不仅是科研与教学领域中不可或缺的分析实验手段,而且在化工、制药、食品等行业有着广泛的应用。样品或物料的液相色谱分离结果的预测以及色谱条件的优化是液相色谱的研究与应用中的重要问题,解决这些问题的核心工作就是对液相色谱分离过程进行建模,以寻求溶质的保留行为与其影响因素间的定量关系。在过去的几十年中,色谱工作者建立了大量描述溶质保留行为的模型,能够应用分子结构参数、物化参数等对保留值进行预测。然而,大多数液相色谱模型对溶质分子、流动相及固定相的物化参数等数据依赖性很强,如果缺少任何一项所需的参数,模型将无法得出相应的预测结果。大多数模型最终的形式是各种数学方程,没有自学习、自适应的能力,因而限制了此类模型在科研与教学中的普及与推广。本文针对以上问题,采用人工神经网络(ANN)的方法建立液相色谱智能模型,在模型输入层上有效避免了对溶质组分、流动相及固定相的物化参数等数据的依赖,通过少量的液相色谱实验数据的训练,模型能够得出相应分离过程中洗脱液配比与各组分保留时间或容量因子之间的系列非线性函数关系,连续预测任意洗脱液配比条件下的色谱分离效果,并以函数曲线图的形式为等度洗脱和梯度洗脱的条件优化提供直观的依据。在此基础之上,本文进一步采用MATLAB可视化编程和虚拟现实建模语言(VRML),开发了该智能模型的图形用户界面及液相色谱虚拟实验系统,为用户的使用提供了方便,为液相色谱模型在教学和科研中的应用作了积极的探索和尝试。通过对人工神经网络模型的拓扑结构、传递函数、初始权值阈值、学习速率等以及液相色谱虚拟实验系统的研究,得出以下研究结果: (1)模型采用BP 网络的基本结构和算法,含有一个隐层的双层拓扑结构,输入层各节点对应于各洗脱液的配比,输出层各节点对应于各溶质组分的保留时间或容量因子,隐层传递函数采用双曲正切S 型函数,输出层传递函数采用线性函数,模型能够逼近流动相组成与溶质保留时间或容量因子间的任意非线性关系; (2)确定了隐层节点数的最佳取值范围,不仅可以满足模型对仿真精度的要求,而且可以使模型的训练速度保持在合适的范围内,避免了过多的隐层节点数导致网络冗余和收敛速度下降; (3)初始权值取值范围在-0.5~+0.5,初始阈值取值范围在-1~+1,模型能够迅速收敛,避免出现饱和、振荡;学习速率取0.01~0.05,能够保证模型不发散的同时,保持较快的收敛速度; (4)通过编程实现了网络拓扑结构可随训练样本集的变化而自动改变,使得该模