Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
f ( x,<br />
y)<br />
= a ⋅ x + b ⋅ y + c , где a, b и c – произвольные коэффициенты. Очевидно, что<br />
в этом случае f ( x,<br />
y)<br />
≡ f ( y,<br />
x)<br />
тогда и только тогда, когда a = b . Следовательно,<br />
для общего случая<br />
a ≠ b симметрическая функция f не может быть линейной.<br />
Аналогичным образом можно доказать, что общий вид симметрической функции<br />
от трех аргументов не может быть ни линейным ни квадратичным. Это означает,<br />
что такие традиционные статистические подходы, как линейный и<br />
квадратичный регрессионный анализ, метод частичных наименьших квадратов<br />
(PLS) и др., не могут быть применены для нахождения произвольной симметрической<br />
функциональной зависимости в наборе экспериментальных данных.<br />
Следовательно, только методы (например, искусственные нейронные сети),<br />
способные аппроксимировать нелинейные функции произвольного вида, могут<br />
быть использованы для этой цели.<br />
Решение проблемы. Для решения этой проблемы мы предлагаем: (а) расширить<br />
обучающую выборку соединений в N раз (где N – порядок группы подстановок,<br />
действующей на множестве позиций присоединения заместителей к<br />
общей подструктуре и индуцированной действующей на ней группой автоморфизмов,<br />
см. Рис. 29) путем добавления копий соединений с той же активностью,<br />
но различающихся перестановкой топологически эквивалентных позиций<br />
присоединения заместителей (см. Рис. 30), и (б) использовать искусственные<br />
нейронные сети для выявления количественной зависимости «структураактивность».<br />
134