Моделирование свойств и реакционной способности органических соединений с использованием искусственных нейронных сетей

• Автор: Гальберштам, Наталья Марковна
• Шифр специальности: 02.00.03
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Москва
• Количество страниц: 163 с.

1.1 Основные принципы нейросетевого моделирования.

1.1.1 Описание архитектур и методов обучения нейросетей, используемых

для нахождения зависимостей структурасвойство

1.1.1.1 Полносвязанные нейросети прямого распространения.

Расширенный метод обратного распространения i.

Метод стабильного распространения

Квазиьютоновские методы обучения

1.1.1.2 Другие архитектуры нейросетей

1.1.2 Способы описания структур исследуемых соединений.

1.1.3 Нормировка входных параметров нейросети

1.1.4 Выбор наиболее значимых дескрипторов.

1.1.5 Выбор оптимальной обучающей выборки
1.1.6 Оптимизация числа скрытых нейронов.
1.1.7 Эффект переучивания нейросетей.
1.1.8 Анализ активностей скрытых нейронов
1.1.9 Анализ полученных нейросетевых зависимостей
1.1. Выбор функции для оценки погрешности нейросетевых расчетов
1.1. Сравнение нейросетевого алгоритма со стандартными
статистическими методами обработки информации
1.2 Применение нейросетевых алгоритмов для поиска зависимостей
структурасвойство.
ГЛАВА 2.0СН0ВНЫЕ КОНЦЕПЦИИ, ПРЕДЛОЖЕННЫЕ ДЛЯ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ
2.1 Метод обучаемой симметрии
2.2 Метод интерпретации нейросетевых зависимостей.
2.3 Метод модификации исходных дескрипторов.
2.4 Концепция структурного подобия
2.5 Определение области применимости нейросетевых моделей.
2.6 Концепция построения нейросетевых зависимостей структура
условия свойство
ГЛАВА З.ОПИСАНИЕ ПРОГРАММНЫХ СРЕДСТВ, ПРЕДНАЗНАЧЕННЫХ ДЛЯ ПОСТРОЕНИЯ НЕЙРОСЕТЕВЫХ ЗАВИСИМОСТЕЙ СТРУКТУРА СВОЙСТВО.
3.1 Описание программного комплекса КА8А1М
3.1.1 редставление химической информации
3.1.2 Интеграция с программными компонентами, осуществляющими расчет дескрипторов химических структур.
3.1.3 Химическиориентированная визуализация
3.1.4 Модификация дескрипторов и свойств
3.1.5 Предварительный отбор дескрипторов
3.1.6 Выявление биофоров и биофобов.
3.1.7 Нормировка исходных данных
3.1.8 Построение моделей структурасвойство на качественном уровне
3.1.9 Нсйросстевыс парадигмы
3.1. Интерпретация нейросетевых моделей
3.1. Отбор дескрипторов в ходе обучения нейросети
3.1. Определение момента начала переучивания нейросети.
3.1. Кластеризация баз данных
3.1. Динамическая визуализация хода обучения нейросети.
3.1. Статистическая обработка результатов обучения нейросети.
3.1. Определение области применимости модели.
3.1. Химическиориет ированный блок прогноза.
3.1. Коррекция прогнозов с использованием мер химического подобия.
3.2 Описание программного комплекса
3.2.1 Запись структуры в трехмерном представлении.
3.2.2 Молекулярномеханический расчет.
3.2.3 Квантовомеханический расчет
3.2.4 Расчет квантовохимических дескрипторов.
3.2.5 Запись оптимизированной структуры и рассчитанных дескрипторов.
ГЛАВА 4. ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОГО ПОДХОДА ДЛЯ
МОДЕЛИРОВАНИЯ ЗАВИСИМОСТЕЙ СВОЙСТВ ОРГАНИЧЕСКИХ
СОЕДИНЕНИЙ ОТ ИХ СТРУКТУРЫ
4.1 Использование концепции обучаемой симметрии для моделирования зависимостей структура свойство.
4.1.1 Построение зависимостей блокирования Са2каналов ,4дигидропиридинами.
4.1.2 моделирование галлюциногенной активности фенилалкиламинов
4.2 Предсказание положения длинноволновой полосы поглощения симметричных цианиновых красителей
4.3 Исследование мутагенной активности замещенных полипиклических соединений с помощью искусственных нейронных сетей
4.4 Определение области применимости нейросетевых моделей.
4.5 Применение искусственных нейронных сетей для моделирования зависимостей структура условия свойство
4.5.1 Построение и анализ нейросетевых зависимостей для физикохимических свойств углеводородов.
4.5.1.1 Моделирование зависимости структура давление температу ра кипения
4.5.1.2 Моделирование зависимости структура температура плотность
4.5.1.3 Моделирование зависимости структура температура динамическая вязкость
4.5.2 Построение и анализ нейросетевых зависимостей структура
реакционные уловия константы скорости для реакции кислотного гидролиза сложных эфиров карбоновых кислот
ЛИТЕРАТУРА
Приложение
риложение 2.
Приложение
ВВЕДЕНИЕ


Внутри каждого нейрона выполняются двухстадийные вычисления см. В качестве передаточных чаще всего используются сигмоидные функции но кроме того могут использоваться линейные, Гауссовы, тангесные функции 5. Как правило, вместо использования пороговых величин 0 в каждый слой нейросети за исключением выходного слоя добавляют так называемые псевдоиейроны смещения с постоянным выходным сигналом, равным 1 2. Рис. Все весовые коэффициенты связей перед началом обучения инициализируются случайными числами. Архитектура нейронной сети определяется топологией соединений нейронов между собой. Для моделирования зависимостей структурасвойство, как правило, применяются нейросети, в которых все нейроны подразделяются на несколько групп, называемых слоями 2, 8. Для всех нейронов, принадлежащих одному слою, характерно одинаковое число входных связей, соединяющих нейрон с предыдущим слоем или неким внешним устройством ввода данных. Рассчитанными выходными значениями всей нейросети являются выходные сигналы последнего вычислительного слоя сети. Полносвязанные нейросети прямого распространения В большинстве публикаций, посвященных поиску зависимостей структурасвойство, используются полносвязанные нейросети прямого распространения. Рис. Классические нейросети прямого распространения с одним скрытым слоем а и без скрытых слоев б. Для нейросетей прямого распространения характерна послойная передача сигнала, от входа нейросети к ее выходу. Классические нейросети прямого распространения могут содержать несколько скрытых слоев Рис. Рис. При обучении нейросетей прямого распространения настройка весовых коэффициентов связей проводится последовательно, начиная со связей выходного слоя, поэтому методы обучения таких нейросетей носят название методов обратного распространения ошибки , . Ниже приводится краткое описание наиболее используемых методов. Расширенный метод обратного распространения i Для каждого слоя п из слоев нейросети обучение выполняется по правилу УидроуХоффа или дельтаправилу. У, а константа, характеризующая влияние момента, к счетчик итераций. При обучении по методу стабильного распространения для подстройки весовых коэффициентов используется только информация о знаках частных производных функции ошибки нейросети , . Эта группа методов базируется на Ньютоновском методе аппроксимации функций, но не требует вычисления вторых производных. На каждой итерации вычисляется матрица первых частных производных функции ошибки нейросети по всем весовым коэффициентам. П Д . Дня моделирования зависимостей структура свойство с успехом могут быть применены и нейросети с другими архитектурами. Ниже приводится краткое описание таких архитектур. Дя нейросетей прямого распространения, содержащих хотя бы один скрытый слой, возможно также наличие дополнительных прямых связей, соединяющих нейроны входного и выходного слоя , , , а также рекурсивных связей между выходом нейрона и его входом , . Для задач, связанных с классификацией соединений, Квасничка предложил использовать нейросеть в форме дерева , , причем топология этой нейросети была максимально приближена к структурам изучаемых молекул. Входным нейронам приписывались значения 0 или 1 таким образом, чтобы получать подграфы, изоморфные структурам изучаемых молекул. Позднее подобный подход был использован в компьютерной программе СЬешПе . Нейросети Кохонена Рис. За, широко используемые для кластерного анатиза , , , , , позволяют получить такое отображение исходных данных, при котором близкие вектора входных значений отображаются в топологически близкие выходные нейроны. Нейросети встречного распространения, впервые описанные ГекхНильсоном , , используют два различных вида слоев скрытый слой Кохонена и выходной слой Гроссберга Рис. К существенным достоинтствам нейросетей, обучающихся по методу встречного распространения, можно отнести сравнительно небольшое, порядка нескольких сот, число итераций, необходимых для обучения нейросети , , а также способность нахождения глобального минимума при любых стартовых настройках весовых коэффициентов , .