生化制药论文广义回归神经网络用于拮抗药化合物活性的模式识别药学生化制药论文下载

	载入中...
很抱谦，您的浏览器并不支持 IFrame，请与管理员联系，也可<a href="/login1.asp" target="_blank">点<font color="#FF0000">击这里注册</font></a>。

栏目导航

语文论文

广义回归神经网络用于拮抗药化合物活性的模式识别药学

[生化制药论文] 【关键词】广义回归神经网络；模式识别；活性有机分子的结构　　摘要：选择9个化学参数和合适的扩展系数，对一批26个拮抗药化合物的活性建立了广义回归神经网络识别模式。选择21个样本为训练集，5个样本为预测集。结果表明，该种网络具有设计简单与收敛快的优点，可用于小样本问题的学习，获得满意的预测结果。关键词：广义回归神经网络；模式识别；活性有机分子的结构　活性关系研究是药物分子设计的重要手段。一般用线性回归方法总结各种量子化学、结构化学参数与分子生物活性的关系，但当训练集各分子的结构相差较大时，上述关系有时呈现强非线性。不少作者采用BP网络进行药物活性的模式识别研究，都取得相当的成果。然而，由于BP神经网络是基于梯度下降的误差反向传播算法进行学习的，所以网络训练速度通常很慢，而且很容易陷入局部极小点，尽管采用一些改进的快速学习算法可以较好地解决某些实际问题，但是在设计过程中往往都要经过反复的试凑和训练过程，无法严格保证每次训练时BP算法的收敛性和全局最优性。此外，BP网络隐层神经元的作用机理及其个数选择已成为BP网络研究中的一个难点问题［1，2］。为此，本研究采用广义回归神经网络用于拮抗药化合物活性的模式识别研究，结果满意。 1广义回归神经网络的基本结构与算法［3~6］广义回归神经网络（GRNN）是Donald F.Specht在1991年提出的一种新型神经网络，其具体公式推导和理论可参见文献。该种网络建立在数理统计的基础上，能够根据样本数据逼近其中隐含的映射关系，即使样本数据稀少，网络的输出结果也能收敛于最优回归平面。目前，该神经网络在在系统辩识和预测控制等方面得到了应用。 GRNN由一个径向基网络层和一个线性网络层组成，网络结构如图1所示。图1广义回归神经网……

<<<<<全文未完，本文约1904个中文字，未计算英文字母、数字>>>>>

已经是会员的请点这查看全文，点卡用户将从您的卡中扣除一点。
成为会员步骤如下：注册用户名→在线购卡。

投稿人：7uy

最后编辑：fibg

生化制药论文

版权申明：以上论文为网友投稿或收集于网络，论文资料仅供参考，如果你是作者，需要删除这篇论文,请联系我们，将在24小时内删除。
\|设为首页\|\|加入收藏\|\|站内搜索引擎\|\|站点地图\|\|在线购卡\|
版权所有教育论文网 Copyright(C) All Rights Reserved