ÐÐ° Ð¿ÑÐ°Ð²Ð°Ñ ÑÑÐºÐ¾Ð¿Ð¸ÑÐ¸

More documents

Recommendations

Info

Диссертационная работа состоит из семи глав. Первые две главы, составляющие обзор литературы, посвящены математическому аппарату искусственных нейронных сетей и фрагментным дескрипторам. В третьей главе, составляющей начало обсуждения результатов, приводится математическое обоснование выбранного подхода, основанного на сочетании многослойных нейронных сетей и фрагментных дескрипторов. Следующие две главы посвящены, соответственно, разработкам нейросетевых и фрагментных подходов. Шестая глава посвящена сочетанию нейросетей с фрагментными дескрипторами, седьмая – вышеупомянутым интегрированным подходом. В последней восьмой главе диссертационной работы рассматриваются разработанные программные средства. 12
ГЛАВА 1. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ 1.1. Введение Первые исследования, посвященные применению нейронных сетей (или персептронов) для решения химических задач, были осуществлены еще в начале 70-х годов в СССР [1, 2], но эти пионерные работы не были должным образом оценены и оказались практически забытыми. Лишь в конце 80-х годов возродился интерес химиков к подобному подходу, и он начал стремительно расти [3]. Нейронные сети (часто называемые искусственными нейронными сетями, вычислительными нейронными сетями или просто нейросетями) представляют собой упрощенную математическую модель обработки информации головным мозгом человека [4-9]. Однако большинство современных архитектур нейронных сетей не воспроизводят в точности биологическую модель мозга, скорее, они могут рассматриваться в рамках класса алгоритмов статистического анализа данных [10-24], объединенных под общим названием нейроинформатики. Кроме того, нейронные сети часто рассматривают как высоко-паралелльные методы решения задач вычислительной математики в «нейросетевом базисе» (что составляет предмет особой области вычислительной математики – нейроматематики [25]), на базе которых работают основанные на пороговой логике высокопроизводительные высоко-параллельные вычислительные устройства – нейрокомпьютеры [26-29]. Благодаря своей способности обучаться и обобщать данные, нейросети начали успешно применяться в химии, особенно в тех случаях, когда неизвестен аналитический вид зависимости между структурой и свойствами соединений [30-40]. 13
Page 1 and 2: На правах рукописи
Page 3 and 4: 2.2.6. Классификация
Page 5 and 6: 5.4. Псевдофрагментн
Page 7 and 8: 7.4.3. Примеры разных
Page 9 and 10: ВВЕДЕНИЕ На соврем
Page 11: более точного прог
Page 15 and 16: входными; нейроны,
Page 17 and 18: Таким образом, урав
Page 19 and 20: 1.2.4. Нейросети обра
Page 21 and 22: Значения весов объ
Page 23 and 24: Таким образом, знач
Page 25 and 26: жения в статье Руме
Page 27 and 28: Рис. 5. Введение мом
Page 29 and 30: адаптивно настраив
Page 31 and 32: 1.2.4.7. Квазиньютонов
Page 33 and 34: (химических соедин
Page 35 and 36: на границах решетк
Page 37 and 38: ными значениями со
Page 39 and 40: рующие один и тот ж
Page 41 and 42: дящихся на 2-ом, 3-м и
Page 43 and 44: всех RBF-нейронов, а
Page 45 and 46: чающей выборки, при
Page 47 and 48: Рис. 10. Архитектура
Page 49 and 50: 1.2.5.4. Нейросети на о
Page 51 and 52: ми связями, занимае
Page 53 and 54: практически важных
Page 55 and 56: ния классического
Page 57 and 58: ческому мозгу во вр
Page 59 and 60: лаждения системы и
Page 61 and 62: чем в качестве прог
Page 63 and 64:
ГЛАВА 2. ФРАГМЕНТНЫ
Page 65 and 66:
му типу биологичес
Page 67 and 68:
тему опубликовано
Page 69 and 70:
В настоящее время п
Page 71 and 72:
ниях QSPR/QSAR/SAR. И дейс
Page 73 and 74:
В качестве характе
Page 75 and 76:
Некоторые типы ЦАФ
Page 77 and 78:
кроме того, они сно
Page 79 and 80:
Следует упомянуть
Page 81 and 82:
зисных графов, пред
Page 83 and 84:
рой равен 1 только в
Page 85 and 86:
множества различны
Page 87 and 88:
при проведении вир
Page 89 and 90:
21 01 12 12 21 01 Рис. 17. Ре
Page 91 and 92:
ределенных атомных
Page 93 and 94:
элементам, что може
Page 95 and 96:
наличие или отсутс
Page 97 and 98:
использовались в н
Page 99 and 100:
ложенные в 1985 г. ато
Page 101 and 102:
2.3. Ограничения фра
Page 103 and 104:
ГЛАВА 3. МАТЕМАТИЧЕ
Page 105 and 106:
качестве меток исп
Page 107 and 108:
ной нумерации граф
Page 109 and 110:
нейронной сети с пр
Page 111 and 112:
ГЛАВА 4. РАЗРАБОТКА
Page 113 and 114:
линейные комбинаци
Page 115 and 116:
таться внешней по о
Page 117 and 118:
Предсказанное знач
Page 119 and 120:
рипторе, то он пере
Page 121 and 122:
Для решения этой пр
Page 123 and 124:
• D x - среднее значе
Page 125 and 126:
R 1 R 2 R 1 R 2 X R 6 X R N + 3 (CH
Page 127 and 128:
В соответствии с вы
Page 129 and 130:
зовании рассмотрен
Page 131 and 132:
R4 R5 R3 R6 N (a) R2 6 N 2 6 2 6 2
Page 133 and 134:
f ( x, y) ≡ f ( y, x) ⇔ f ( x,
Page 135 and 136:
R3 R2 R5 R6 Общая формул
Page 137 and 138:
ко, эта разница все
Page 139 and 140:
переставленными эк
Page 141 and 142:
лей приведен в рабо
Page 143 and 144:
деленными» атомами
Page 145 and 146:
5.1.2. Иерархическая
Page 147 and 148:
водородного соседа
Page 149 and 150:
Атом кислорода в со
Page 151 and 152:
PA1 -PH 2 Атом фосфора,
Page 153 and 154:
Br2 -Br= Формально нез
Page 155 and 156:
то в дальнейшем буд
Page 157 and 158:
После нахождения п
Page 159 and 160:
5.2.1. Прогнозировани
Page 161 and 162:
зей, а также учитыв
Page 163 and 164:
Эксперимент 50 40 30 20
Page 165 and 166:
Построение QSPR-моде
Page 167 and 168:
работе [268], но с при
Page 169 and 170:
ляются удобным инс
Page 171 and 172:
чета этого свойств
Page 173 and 174:
База 2 (88 соединений
Page 175 and 176:
«редких фрагментов
Page 177 and 178:
пользовании 25 деск
Page 179 and 180:
Tf расч. о С, Tf calc. o C 30
Page 181 and 182:
На первом этапе раб
Page 183 and 184:
0,935; s = 0,76 кДж·моль -1
Page 185 and 186:
пример использован
Page 187 and 188:
почечных фрагменто
Page 189 and 190:
ской структуры «ре
Page 191 and 192:
1 O O OH C C a O C H 2 O H + C C a
Page 193 and 194:
веществ, например,
Page 195 and 196:
до 28.0 (MAE DCV ). Повыше
Page 197 and 198:
Таким образом, псев
Page 199 and 200:
цепочки длиной до д
Page 201 and 202:
алканов, см 3 /моль 7
Page 203 and 204:
свое преимущество
Page 205 and 206:
6.3.1. Общая методоло
Page 207 and 208:
бирался оптимальны
Page 209 and 210:
0,25 Результаты полу
Page 211 and 212:
При анализе дескри
Page 213 and 214:
414]). Следует также о
Page 215 and 216:
d расч., г/куб.см 4,0 3,0
Page 217 and 218:
Табл. 15. Корреляция
Page 219 and 220:
Табл. 16. Усредненны
Page 221 and 222:
Как видно из Табл. 16
Page 223 and 224:
нием ошибки примен
Page 225 and 226:
NASAWIN (см. раздел 8.2) н
Page 227 and 228:
ГЛАВА 7. РАЗРАБОТКА
Page 229 and 230:
ного моделирования
Page 231 and 232:
ля и даже более сов
Page 233 and 234:
ного цианинового к
Page 235 and 236:
Значения констант
Page 237 and 238:
делена на обучающу
Page 239 and 240:
ность. Основной цел
Page 241 and 242:
На Рис. 50 приводятс
Page 243 and 244:
молекул с конденси
Page 245 and 246:
7.1.4. Прогнозировани
Page 247 and 248:
сивов разрозненных
Page 249 and 250:
используются как т
Page 251 and 252:
были модифицирован
Page 253 and 254:
зависимости давлен
Page 255 and 256:
Объединенный набор
Page 257 and 258:
Оба механизма вклю
Page 259 and 260:
творителя, а также
Page 261 and 262:
Табл. 29. Характерис
Page 263 and 264:
набора дескрипторо
Page 265 and 266:
угодно сложные зав
Page 267 and 268:
симостей «структур
Page 269 and 270:
лей, хотя все модел
Page 271 and 272:
одновременно решае
Page 273 and 274:
Как видно приведен
Page 275 and 276:
принципе гарантиро
Page 277 and 278:
мерации атомов дос
Page 279 and 280:
бор сигналов, соотв
Page 281 and 282:
только с атомных се
Page 283 and 284:
7.4.3. Примеры разных
Page 285 and 286:
Рис. 66. Минимальная
Page 287 and 288:
ров» ведет к ухудше
Page 289 and 290:
бензол, было отброш
Page 291 and 292:
на атому. После 4000 э
Page 293 and 294:
фов), то и все нейро
Page 295 and 296:
проведения линейно
Page 297 and 298:
тате чего NASAWIN прев
Page 299 and 300:
8.2.3. Химически-орие
Page 301 and 302:
8.2.7. Нейросетевые п
Page 303 and 304:
8.2.11. Кластеризация
Page 305 and 306:
нейросетевом прогр
Page 307 and 308:
18 p1_Nlp Количество не
Page 309 and 310:
43 p 4 _ SPR = ∑ R( a ) ⋅ R( a
Page 311 and 312:
делей. Программа та
Page 313 and 314:
позволяющая прогно
Page 315 and 316:
ЛИТЕРАТУРА 1. Гилле
Page 317 and 318:
31. Aoyama T.; Ichikawa H. Neural N
Page 319 and 320:
54. Karelson M.; Dobchev D.A.; Kuls
Page 321 and 322:
79. Carpenter G.A.; Grossberg S. A
Page 323 and 324:
103. Ежов А.А.; Токаев
Page 325 and 326:
126. Benson S.W.; Buss J.H. Additiv
Page 327 and 328:
148. Fisanick W.; Lipkus A.H.; Rusi
Page 329 and 330:
169. Klopman G.; Macina O.T.; Levin
Page 331 and 332:
189. Nilakantan R.; Bauman N.; Dixo
Page 333 and 334:
209. Татевский В.М. Кл
Page 335 and 336:
ces and Related Descriptors in QSAR
Page 337 and 338:
248. MOE, Molecular Operating Envir
Page 339 and 340:
269. Estrada E.; Gonzalez H. What A
Page 341 and 342:
288. Saigo H.; Kadowaki T.; Tsuda K
Page 343 and 344:
309. Vladutz G. Modern Approaches t
Page 345 and 346:
331. Rouvray D.H. Predicting Chemis
Page 347 and 348:
352. Корн Г.; Корн Т. С
Page 349 and 350:
374. Abraham M.H.; McGowan J.C. The
Page 351 and 352:
394. Polanski J.; Gieleciak R.; Wys
Page 353 and 354:
417. Goll E.S.; Jurs P.C. Predictio
Page 355 and 356:
ренции “Молекуляр
Page 357 and 358:
454. Kobakhidze N.; Gverdtsiteli M.
Page 359 and 360:
Approaches to Model Tissue-Air Part
Page 361 and 362:
499. Lohninger H. Evaluation of Neu
Page 363 and 364:
517. Halberstam N.M.; Baskin I.I.;
Page 365:
СПИСОК ОБОЗНАЧЕНИЙ
show all

ÐÐ° Ð¿ÑÐ°Ð²Ð°Ñ ÑÑÐºÐ¾Ð¿Ð¸ÑÐ¸

Create successful ePaper yourself

Delete template?

Save as template?

ÐÐ° Ð¿ÑÐ°Ð²Ð°Ñ ÑÑÐºÐ¾Ð¿Ð¸ÑÐ¸