廣義回歸神經(jīng)網(wǎng)絡(luò)用于拮抗藥化合物活性的模式識別

1、廣義回歸神經(jīng)網(wǎng)絡(luò)用于拮抗藥化合物活性的形式識別【關(guān)鍵詞】廣義回歸神經(jīng)網(wǎng)絡(luò)；形式識別；活性有機分子的布局摘要：選擇9個化學(xué)參數(shù)和符合的擴展系數(shù)，對一批26個拮抗藥化合物的活性創(chuàng)立了廣義回歸神經(jīng)網(wǎng)絡(luò)識別形式。選擇21個樣本為練習(xí)集，5個樣本為猜測集。效果表白，該種網(wǎng)絡(luò)具有方案簡樸與收斂快的長處，可用于小樣此題目的學(xué)習(xí)，得到滿足的猜測效果。關(guān)鍵詞：廣義回歸神經(jīng)網(wǎng)絡(luò)；形式識別；活性有機分子的布局活性干系研究是藥物分子方案的緊張本領(lǐng)。一樣平常用線性回歸要領(lǐng)總結(jié)種種量子化學(xué)、布局化學(xué)參數(shù)與分子生物活性的干系，但當(dāng)練習(xí)集各分子的布局相差較大時，上述干系偶然出現(xiàn)強非線性。不少作者接納BP網(wǎng)絡(luò)舉行藥物活性的形式

2、識別研究，都獲得相稱的效果。然而，由于BP神經(jīng)網(wǎng)絡(luò)是基于梯度落落的偏向反向流傳算法舉行學(xué)習(xí)的，以是網(wǎng)絡(luò)練習(xí)速率通常很慢，并且很輕易陷入局部微小點，只管接納一些革新的快速學(xué)習(xí)算法可以較好地辦理某些現(xiàn)實題目，但是在方案歷程中每每都要顛末重復(fù)的試湊和練習(xí)歷程，無法嚴酷包管每次練習(xí)時BP算法的收斂性和全局最優(yōu)性。別的，BP網(wǎng)絡(luò)隱層神經(jīng)元的作用機理及其個數(shù)選擇已成為BP網(wǎng)絡(luò)研究中的一個難點題目1，2。為此，本研究接納廣義回歸神經(jīng)網(wǎng)絡(luò)用于拮抗藥化合物活性的形式識別研究，效果滿足。1廣義回歸神經(jīng)網(wǎng)絡(luò)的根本布局與算法36廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN是DnaldF.Speht在1991年提出的一種新型神經(jīng)網(wǎng)絡(luò)，其詳

3、細公式推導(dǎo)和理論可拜見文獻。該種網(wǎng)絡(luò)創(chuàng)立在數(shù)理統(tǒng)計的底子上，可以或許按照樣本數(shù)據(jù)迫近此中隱含的映射干系，縱然樣本數(shù)據(jù)稀疏，網(wǎng)絡(luò)的輸出效果也能收斂于最優(yōu)回歸平面。如今，該神經(jīng)網(wǎng)絡(luò)在在體系辯識和猜測操縱等方面得到了應(yīng)用。GRNN由一個徑向基網(wǎng)絡(luò)層和一個線性網(wǎng)絡(luò)層構(gòu)成，網(wǎng)絡(luò)布局如圖1所示。圖1廣義回歸神經(jīng)網(wǎng)絡(luò)布局圖a1i表現(xiàn)第一層輸出a1的第i個元素，1表現(xiàn)第一層權(quán)值矩陣，P表現(xiàn)輸入向量，R表現(xiàn)輸入向量的維數(shù)。Q=K=輸入/目的矢量對的個數(shù)。網(wǎng)絡(luò)的第一層為徑向基隱含層，單位個數(shù)即是練習(xí)樣本數(shù)Q，該層的權(quán)值函數(shù)為歐幾里德間隔度量函數(shù)用dist表現(xiàn)，其作用是盤算網(wǎng)絡(luò)輸入與第一層的權(quán)值之間的間隔，b1為隱

4、含層閾值。標(biāo)記“.表現(xiàn)dist的輸出與閾值b1的元素與元素之間的乘積干系，并將效果形成凈輸入n1，傳送到通報函數(shù)。隱含層的通報函數(shù)為徑向基函數(shù)，常用高斯函數(shù)Ri(x)=exp(-x-i22i)，式中,i決定第i個隱含層位置處基函數(shù)的外形。網(wǎng)絡(luò)的第二層為線性輸出層，其權(quán)函數(shù)為范例化點積函數(shù)用nprd表現(xiàn)，盤算出網(wǎng)絡(luò)的向量n2，它的每個元素就是向量a1與權(quán)值矩陣2每行元素的點積再除以向量a1各元素之和的值，并將效果n2送入線性通報函數(shù)，盤算網(wǎng)絡(luò)輸出。GRNN毗連權(quán)值的學(xué)習(xí)修正仍舊利用BP算法，由于網(wǎng)絡(luò)隱含層節(jié)點中的作用函數(shù)基函數(shù)接納高斯函數(shù)，高斯函數(shù)為一種局部門布對中心徑向?qū)ΨQ衰減的非負非線性函數(shù)

5、，對輸入信號將在局部產(chǎn)生相應(yīng)，即當(dāng)輸入信號靠近基函數(shù)的中心范疇時，隱含層節(jié)點將產(chǎn)生較大的輸出，由此看出這種網(wǎng)絡(luò)具有局部迫近本領(lǐng)，這也是該網(wǎng)絡(luò)之以是學(xué)習(xí)速率更快的緣故原由。別的，GRNN報酬調(diào)治的參數(shù)少，網(wǎng)絡(luò)的學(xué)習(xí)全部依靠數(shù)據(jù)樣本，這個特點決定了網(wǎng)絡(luò)得以最大限度地制止報酬主不雅假定對猜測效果的影響。2拮抗藥化合物活性的猜測取文獻7所列的26個化合物為本領(lǐng)情的樣本集，數(shù)據(jù)見表1。表1文獻所列的26個化合物樣本列表將上述原始數(shù)據(jù)作歸一化處置懲罰，調(diào)用ATLAB語言東西箱中的函數(shù)negrnnP,T,SPREAD舉行廣義回歸神經(jīng)網(wǎng)絡(luò)方案，盤算效果如表2。表2的盤算效果表白，廣義回歸神經(jīng)網(wǎng)絡(luò)對練習(xí)樣本有很

6、好的猜測效果。在此底子之上，實驗從26個樣本中取出5個表1中的5、10、15、20、25號樣本作為猜測集，別的21個樣本作為練習(xí)集，練習(xí)效果和猜測效果別離列于表3和表4。表226個練習(xí)樣本的盤算效果表45個猜測樣本的盤算效果3結(jié)論上述效果表白，廣義回歸神經(jīng)網(wǎng)絡(luò)具有方案簡樸與收斂快的長處，具有較好的猜測和泛化本領(lǐng)，為龐大的、高度非線性題目的形式識別提供了可選本領(lǐng)。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在確定網(wǎng)絡(luò)毗連權(quán)值時具有隨機性，其猜測效果存在差異，倒霉于現(xiàn)實應(yīng)用8。而廣義回歸神經(jīng)網(wǎng)絡(luò)在拔取輸著迷經(jīng)元數(shù)量之后，網(wǎng)絡(luò)的布局和毗連權(quán)值也隨之確定，在練習(xí)歷程中不涉及隨機數(shù)，并且必要的樣本量少。因此，廣義回歸神經(jīng)網(wǎng)絡(luò)可作為藥物構(gòu)效干系研究的有用本領(lǐng)。參考文獻4SprehtDF.TheGeneralRegressinNeuralNetrkRedisvered.NeuralNetrks，1993，6：10331034.7LivinstneDJ.ultivariateDataDisplayUsin