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.
На первом этапе работы для всех 398 красителей было определено геометрическое<br />
строение молекул при помощи процедуры автоматического молекулярного<br />
моделирования, включающей проведение в автоматическом режиме<br />
построения 3D-моделей молекул с последующим уточнением моделей путем<br />
поочередного применения методов молекулярной механики, молекулярной динамики<br />
(для вывода молекул из ложных локальных минимумов) и, наконец, полуэмпирического<br />
квантово-химического метода PM3. Технические детали разработанного<br />
нами и использованного в этом исследовании клиент/серверного<br />
программного комплекса описаны в работе [429].<br />
На втором этапе работы проводилась нейросетевая обработка баз данных<br />
при помощи многослойных персептронов с использованием компьютерной<br />
программы NASAWIN. В качестве дескрипторов использовались рассчитанные<br />
на первом этапе по методу PM3 энергии высшей занятой молекулярной орбитали<br />
(ВЗМО) E ВЗМО и низшей свободной молекулярной орбитали (НСМО) E НСМО ,<br />
длина полиметиновой цепочки n, индикатор наличия заместителя в мезоположении<br />
полиметиновой цепочки, а также индикаторы типа X в формуле (I):<br />
X O , X N , X S , X CH=CH , X C(CH3)2 .<br />
Обучение нейросети проводилось по обучающей выборке с использованием<br />
алгоритма обобщенного дельта-правила (см. [42]) при начальном значении<br />
параметра скорости обучения 0.25 с последующим снижением до 0.01.<br />
Прогнозирующая способность нейросети оценивалась при помощи независимого<br />
прогноза на контрольной выборке. Для нахождения оптимальной архитектуры<br />
сети обучение проводилось при разном числе нейронов во внутреннем слое.<br />
В Табл. 21 приведены значения коэффициентов корреляции R и среднеквадратичных<br />
ошибок на обучающей выборке s t и среднеквадратичных ошибок прогноза<br />
на контрольной выборке s v для разного числа внутренних нейронов n h для<br />
соединений из полной выборки, а в Табл. 22 дана та же информация для красителей<br />
с R 6 =H.<br />
Из информации, содержащейся в Табл. 21 и Табл. 22 можно сделать вывод,<br />
что для обеспечения наилучшей прогнозирующей способности следует<br />
брать нейросеть с 8-10 внутренними нейронами для произвольного симметрич-<br />
232
Change language