用于定量構(gòu)效關(guān)系建模的遺傳-人工神經(jīng)網(wǎng)絡(luò)方法研究.pdf

1、本文在分析評(píng)述有機(jī)污染物定量構(gòu)效關(guān)系(QSAR)建模研究現(xiàn)狀、人工神經(jīng)網(wǎng)絡(luò)(ANN)和遺傳算法(GA)的基本原理、優(yōu)化算法的基礎(chǔ)上,針對(duì)從化合物結(jié)構(gòu)衍生出來的諸多變量中選擇描述變量較難、采用ANN進(jìn)行QSAR建模中存在的輸入節(jié)點(diǎn)難以確定和局部收斂等問題,提出了反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)和遺傳算法(GA)輔助式結(jié)合和合作式結(jié)合兩種方式進(jìn)行QSAR建模的方法策略,并編寫出相關(guān)計(jì)算機(jī)程序.本文首先開展了BP-ANN與GA輔助式結(jié)合進(jìn)

2、行QSAR建模的方法研究,利用GA的全局搜索能力,在眾多的化合物結(jié)構(gòu)描述變量中選擇出參與建模的結(jié)構(gòu)參數(shù)作為ANN的輸入節(jié)點(diǎn),再利用ANN強(qiáng)大的非線性建模能力進(jìn)行建模.將自編的程序用于實(shí)例研究,結(jié)果表明:利用GA能有效地確定問題變量的最佳組合,并能同時(shí)獲得多個(gè)高質(zhì)量的QSAR模型,其給出的結(jié)構(gòu)與活性之間的關(guān)系信息更為全面、正確.BP-ANN建模過程歸根結(jié)底是連接權(quán)重的學(xué)習(xí)過程,一般采用誤差梯度下降法來調(diào)整網(wǎng)絡(luò)權(quán)重,要克服ANN所固有的收斂

3、速度慢、局部極小值問題,必須摒棄單純利用梯度法學(xué)習(xí)權(quán)值的策略.本文開展了BP-ANN與GA合作式結(jié)合進(jìn)行QSAR建模的方法研究,采用GA對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行編碼,將權(quán)值的學(xué)習(xí)過程轉(zhuǎn)化為GA和BP-ANN共同學(xué)習(xí)進(jìn)化的過程.首先利用GA產(chǎn)生若干不同初始網(wǎng)絡(luò)權(quán)值的模型,再利用BP-ANN使權(quán)值迅速接近最優(yōu)解,二者交替,最終實(shí)現(xiàn)網(wǎng)絡(luò)收斂到最佳解.將自編的程序用于實(shí)例研究,結(jié)果表明:該方法很好地克服了BP算法存在的過擬合和局部最優(yōu)問題,提高了網(wǎng)絡(luò)的訓(xùn)