Искусственные нейронные сети. Функции нейронных сетей

Нейронные сети, часто также называемые искусственными нейронными сетями (ANN) или вычислительными нейронными сетями, представляют собой упрощенную математическую модель обработки информации головным мозгом человека.

Тем не менее большинство современных архитектур нейронных сетей не воспроизводит в точности функции мозга, и их следует рассматривать как разновидность параллельных алгоритмов.

Нейронные сети состоят из набора нескольких слоев простых, но соединенных между собой большим количеством связей вычислительных элементов, называемых — нейродами (в нервной системе — нейрон). Каждый нейрод имеет различные входы, а связь между отдельными двумя нейродами характеризуется действительным числом, называемым весом связи.

Совокупность весовых коэффициентов связей между нейро-дами определяет вычислительные свойства нейросети, и ее обучение сводится к соответствующей настройке весовых коэффициентов.

Внутри каждого нейрона выполняются двустадийные вычисления. Сначала вычисляется общий выходной сигнал Net нейрода путем суммирования всех w, а затем с помощью передаточной функции вычисляется выходной сигнал Out этого нейрода. В качестве передаточных чаще всего применяются сигмоидные функции.

нейронные сети

Архитектура нейронной сети определяется топологией соединения нейродов между собой. Для моделирования QSAR применяют нейросети, состоящие из нескольких слоев, число которых диктуется конкретной архитектурой нейросети.
Слои обычно подразделяют на три группы: входной, скрытый и выходной.

Для всех нейронов, принадлежащих одному слою, характерно одинаковое число входных связей, соединяющих нейрод с предыдущем слоем. Рассчитанными выходными значениями всей нейросети являются выходные сигналы последнего вычислительного слоя сети.

Нейросети прямого распространения характеризуются послойной передачей сигнала от входа нейросети к ее выходу. Они могут содержать несколько скрытых слоев или состоять только из входного и выходного слоев.

При обучении многослойных нейросетей прямого распространения настройка проводится последовательно, начиная со связей выходного слоя. Поэтому методы обучения таких нейросетей носят название методов обратного распространения ошибки. Для каждого слоя нейросети обучение выполняется по правилу Уидроу—Хоффа или дельта-правилу. При обучении по методу гибкого распространения (RPROP) для подстройки весовых коэффициентов используется только информация о знаках частных производных функции ошибки нейросети (обычно сумма квадратов ошибок на выходных нейродах). Квазиньютоновские методы обучения (BFGS) базируются на ньютоновском методе аппроксимации функций. На каждой итерации вычисляется вектор, компоненты которого равны частным производным ошибки нейросети по всем весовым коэффициентам.

Как и в предыдущих случаях при нейросетевом моделировании QSAR для описания структур соединений используют соответствующие дескрипторы. При этом выбирают только те, которые вносят существенный вклад в активность. Такой выбор можно производить предварительно или в ходе обучения нейросети.

Предварительный отбор параметров осуществляется с применением пошагового множественного регрессионного анализа или с помощью нейросетевых алгоритмов.

- Читать далее "Генетический алгоритм обучения. Высокопродуктивный скрининг лекарств"

Оглавление темы "Прогнозирование и скрининг новых лекарств":
1. Программы прогнозирования в фармакологии. Прогнозирование межмолекулярных взаимодействий
2. Молекулярный потенциал липофильности. Термодинамика водородной связи
3. Виртуальный скрининг фармакологического профиля. Виртуальный скрининг фармакофором
4. Виртуальный скрининг БАВ. Метод моделирования псевдорецептора
5. Комплексные методы оценки комплементарности. Модель Фри—Вилсона
6. Конформационная лабильность. Метод конформации CoMFA
7. Недостатки метода CoMFA. Допинг метод в фармации
8. Искусственные нейронные сети. Функции нейронных сетей
9. Генетический алгоритм обучения. Высокопродуктивный скрининг лекарств
10. Скрининговые технологии в фармации. Виды скрининговых технологий
Кратко о сайте:
Медицинский сайт MedicalPlanet.su является некоммерческим ресурсом для всеобщего и бесплатного развития медицинских работников.
Материалы подготовлены и размещены после модерации редакцией сайта, в составе которой только лица с высшим медицинским образованием.
Ни один из материалов не может быть применен на практике без консультации лечащего врача.
Вопросы, замечания принимаются по адресу admin@medicalplanet.su
По этому же адресу мы оперативно предоставим вам координаты автора, заинтересовавшей вас статьи.
Если планируется использование отрывков размещенных текстов - обязательно размещение обратной ссылки на страницу источник.