Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
были модифицированы с использованием функций квадратного корня, квадрата,<br />
логарифма, обратной величины и величины, деленной на количество неводородных<br />
атомов в молекуле. Объединенный набор дескрипторов, состоящий<br />
из полученных в результате модификаций значений наряду с исходными значениями<br />
дескрипторов и давления, был подвергнут процедуре отбора наиболее<br />
существенных параметров с помощью процедуры БПМЛР. В результате отбора<br />
осталось 346 дескрипторов, причем в этот набор вошли все 5 модификаций параметра<br />
«давление».<br />
Все характеристики нейросети (за исключением количества входных нейронов)<br />
были такими же, что и для модели, использующей немодифицированные<br />
дескрипторы в качестве исходных параметров нейросети. Таким образом,<br />
была получена нейросетевая модель зависимости температуры кипения углеводородов<br />
от их структур и давления со следующими параметрами (см. также<br />
Рис. 53): число итераций 2374, R = 0.9996, S t = 2.7997, S v = 2.8003.<br />
Рис. 53. Результаты нейросетевого моделирования зависимости структура –<br />
давление – температура кипения.<br />
Для оценки качества прогноза нейросетевой модели произвольно отобрали<br />
несколько соединений из контрольной выборки, для которых определили<br />
температуры кипения в зависимости от давления с помощью номограммы давление<br />
– температура [468, стр. 46] (см. Табл. 28). Соединения и давления были<br />
251