广义回归神经网络用于拮抗药化合物活性的模式识别
广义回归神经网络；模式识别；活性有机分子的结构,,广义回归神经网络；模式识别；活性有机分子的结构,1广义回归神经网络的基本结构与算法[3~6],2
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 ......
您现在查看是摘要页，全文长 4644 字符。