《表5 神经网络模型的权重和偏置》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于神经网络的喹诺酮羧酸类衍生物活性研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

式（4）中，L，Y，C分别为神经网络中输入层节点、隐含层节点及输出层节点。这里6个结构参数作为输入层节点L=6；喹诺酮羧酸衍生物活性作为输出层神经元C=1；根据式（3）和式（4）计算得到隐含层节点Y可取3或4，经测试，当Y取4时，所得结果更优，因此网络结构采用6-4-1方式。将样本分为三个组别:第一组为训练集，选择每5个数据中的第1，3，5个数据；第二组为测试集，选择每5个数据中的第2个；第三组为验证集，选择每5个数据中的第4个。在Matlab环境运行中计算得到预测喹诺酮羧酸衍生物活性的神经网络模型的总相关系数为0.992 5，训练集、测试集和验证集的相关系数分别为R1=0.990 0，R2=0.995 8，R3=0.997 9，利用该模型预测的喹诺酮羧酸衍生物活性值与实验值较为吻合，平均相对误差只有0.87%，该误差比使用多元回归法模型的平均相对误差2.69%明显要小，将两种方法所得预测值与实验值作关系图（见图3和图4），可以看出，神经网络法的预测精度明显优于多元回归法。神经网络模型的权重和偏置见表5。