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.
симальный общий для всех соединений фрагмент (Рис. 57). Атомы этого фрагмента<br />
были помечены, и на каждом атоме вычислялся набор из 6 дескрипторов.<br />
4 3<br />
C O<br />
O C<br />
2 1<br />
Рис. 57. Максимальный общий фрагмент для структур сложных эфиров.<br />
Весь массив записей был разбит случайным образом на обучающую (содержащую<br />
1883 соединения) и контрольную (содержащую 209 соединений)<br />
выборки. Нейросетевое моделирование было проведено с использованием компьютерной<br />
программы NASAWIN (см. раздел 8.2). Была использована трехслойная<br />
нейросеть с 10 скрытыми нейронами. Нейросеть обучалась по обобщенному<br />
дельта-алгоритму со скоростью обучения 0.25 и моментом, равным<br />
0.9. Прогнозирующая способность нейросети оценивалась по величине среднеквадратичной<br />
ошибки для записей из контрольной выборки. Обучение прекращалось<br />
в момент наступления переучивания.<br />
В результате обучения нейросети была получена модель со следующими<br />
параметрами: число итераций 64824, R = 0.9669; RMSE t = 0.2710; RMSE v =<br />
0.3417; где R – коэффициент корреляции, RMSE t и RMSE v – соответственно<br />
ошибки для обучающей и контрольной выборок (логарифм наблюдаемой<br />
константы скорости).<br />
Далее для каждого входного нейрона для обученной нейросети были рассчитаны<br />
характеристики, введенные нами для интерпретации нейросетевых<br />
моделей (см. радел 4.2). Полученные величины для наиболее важных дескрипторов<br />
приведены в Табл. 29.<br />
260