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.
чем в качестве прогнозируемого значения каждого из свойств берется выходное<br />
значение соответствующего выходного нейрона (обычно после денормализации<br />
или демасштабирования). Скрытые нейроны служат для промежуточных вычислений,<br />
и их число часто подбирается, исходя из критерия максимизации<br />
прогнозирующей способности нейросети, а псевдонейроны смещения выполняют<br />
служебные функции и обладают постоянным выходным значением, равным<br />
единице.<br />
В процессе обучения нейросети обучающая выборка предъявляется ей<br />
определенное число раз (обычно довольно большое). В процессе предъявления<br />
выборки значения дескрипторов каждого из соединений последовательно вводятся<br />
(обычно после нормализации или масштабирования) в качестве активности<br />
соответствующих входных нейронов. Далее запускается нейросеть на счет,<br />
и с выходных нейронов снимаются прогнозируемые значения свойств, которые<br />
(после денормализации или демасштабирования) сравниваются с экспериментальными.<br />
На основании найденной разницы по определенным алгоритмам<br />
производится подстройка весов связей между нейронами с целью уменьшения<br />
этой разницы. Таким образом, в процессе обучения происходит постепенное<br />
уменьшение ошибок прогнозирования свойств химических соединений, входящих<br />
в обучающую выборку.<br />
На момент начала выполнения диссертационной работы в литературе<br />
имелось лишь несколько публикаций [106-108] по применению искусственных<br />
нейронных сетей для прогнозирования свойств химических соединений, В этих<br />
работах нейросети были использованы для моделирования биологической активности<br />
в узких рядах органических соединений в рамках классического подхода<br />
Ганча-Фуджиты на основе использования констант заместителей в качестве<br />
дескрипторов. Нейросетевое моделирование многочисленных физикохимических<br />
свойств, применение для этого фрагментных дескрипторов и демонстрация<br />
универсальности этого подхода была впервые осуществлена в рамках<br />
данной диссертационной работы.<br />
К настоящему времени опубликовано уже больше тысячи работ, связанных<br />
с нейросетевым моделированием свойств химических соединений. Совре-<br />
61