Моделирование свойств химических соединений с использованием искусственных нейронных сетей и фрагментных дескрипторов (1097754), страница 55
Текст из файла (страница 55)
- 1971. - 232 c.9.Галушкин А.И. Синтез многослойных систем распознавания образов. -Энергия: М. - 1974. - 376 c.10.Rumelhart D.E.; McClelland J.L. Parallel Distributed Processing. - MIT Press:Cambridge, MA. - 1986. - Vol. 1,2.11.Горбань А.Н. Обучение нейронных сетей. - ПараГраф: М. - 1990. - 160 c.12.Freeman J.A.; Skapura D.M. Neural networks: algorithms, applications, andprogramming techniques.
- Addison-Wesley Publishing Company: Menlo Park, CA 1991. - 414 p.13.Уоссерман Ф. Нейрокомпьютерная техника. - Мир: М. - 1992. - 240 c.14.Ritter H.; Martinetz T.; Schulten K. Neural Computation and Self-OrganizingMaps – An Introduction. - Addison-Wesley: New York. - 1992. - 293 p.15.Veelenturf L.P.J. Analysis and Applications of Artificial Neural Networks. -Prentice Hall: NY - 1995. - 242 p.31516.Горбань А.Н.; Россиев Д.А.
Нейронные сети на персональном компьюте-ре. - Наука: Новосибирск. - 1996. - 276 c.17.Bigus J.P. Data mining with neural networks: solving business problems –from application development to decision support. - McGraw-Hill: NY. - 1996. 221 p.18.Ежов А.А.; Шумский С.А. Нейрокомпьютинг и его приложения в эконо-мике и бизнесе.
- МИФИ: М. - 1998. - 224 c.19.Галушкин А.И. Теория нейронных сетей. Кн. 1. - ИПРЖР: М. - 2000. -416 c.20.Kohonen T. Self-Organizing Maps. - Springer: - 2001. - 260 p.21.Головко В.А. Нейронные сети: обучение, организация и применение. -ИПРЖР: М. - 2001. - 256 c.22.Круглов В.В.; Борисов В.В. Искусственные нейронные сети. Теория ипрактика.
- Горячая линия – Телеком: М. - 2001. - 382 c.23.Каллан Р. Основные концепции нейронных сетей. - Издательский дом«Вильямс»: М. - 2001. - 291 c.24.Rabunal J.R.; Dorrado J. Artificial Neural Networks in Real-Life Applica-tions. - IGP: Hershey, London, Melbourne, Singapore. - 2006. - 395 p.25.Агеев А.Д.; Балухто А.Н.; Бычков А.В.; др. Нейроматематика. Кн. 6:Учебное пособие для вузов. - ИПРЖР: М. - 2002. - 448 c.26.Мкртчян С.О. Проектирование логических устройств ЭВМ на нейронныхэлементах. - Энергия: М. - 1977. - 482 c.27.Кирсанов Э.Ю.
Цифровые нейрокомпьютеры: Архитектура и схемотех-ника. - Изд-во Казан. гос. техн. ун-та: Казань. - 1995. - 131 c.28.Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учебное пособие для вузов. -ИПРЖР: М. - 2000. - 528 c.29.Комарцова Л.Г.; Максимов А.В. Нейрокомпьютеры: Учебое пособие длявузов. - Изд-во МГТУ им. Н.Э. Баумана: М. - 2002.
- 320 c.30.Gasteiger J.; Zupan J. Neural Networks in Chemistry. // Angew. Chem. Int.Ed. Engl. - 1993. - V. 105, № 4. - P. 503-527.31631.Aoyama T.; Ichikawa H. Neural Networks Applied to Pharmaceutical Prob-lems. IV. Basic Operating Characteristics of Neural Networks When Applied toStructure-Activity Studies. // Chem.
Pharm. Bull. - 1991. - V. 39, № 2. - P. 358-366.32.Burns J.A.; Whitesides G.M. Feed-forward neural networks in chemistry:mathematical systems for classification and pattern recognition. // Chem. Rev. 1993. - V. 93, № 8. - P. 2583-2601.33.Devillers J. Neural Networks in QSAR and Drug Design. - Academic Press:London. - 1996. - 284 p.34.Zupan J.; Gasteiger J. Neural Networks in Chemistry.
- Wiley-VCH: Wein-heim. - 1999. - 380 p.35.Баскин И.И.; Палюлин В.А.; Зефиров Н.С. Применение искусственныхнейронных сетей в химических и биохимических исследованиях. // Вестн.Моск. ун-та. Сер. 2. Хи-мия. - 1999. - Т. 40, № 5. - С. 323-326.36.Kovesdi I.; Dominguez-Rodriguez M.F.; Orfi L.; Naray-Szabo G.; Varro A.;Papp J.G.; Matyus P. Application of neural networks in structure-activityrelationships. // Med Res Rev. - 1999.
- V. 19, № 3. - P. 249-269.37.Гальберштам Н.М.; Баскин И.И.; Палюлин В.А.; Зефиров Н.С. Нейрон-ные сети как метод поиска зависимостей структура – свойство органическихсоединений. // Успехи химии. - 2003. - Т. 72, № 7. - С. 706-727.38.Баскин И.И.; Палюлин В.А.; Зефиров Н.С. Применение искусственныхнейронных сетей для прогнозирования свойств химических соединений.
// Нейрокомпьютеры: разработка, применение. - 2005. - Т. № 1-2. - С. 98-101.39.Баскин И.И.; Палюлин В.А.; Зефиров Н.С. Многослойные персептроны висследовании зависимостей «структура-свойство» для органических соединений. // Рос. хим. ж. (Ж. Рос. хим. об-ва им. Д.И. Менделеева). - 2006. - Т. 50, №- С.
86-96.40.Baskin I.I.; Palyulin V.A.; Zefirov N.S. Neural networks in building QSARmodels. // Methods in molecular biology (Clifton, N.J.). - 2008. - V. 458. - P. 137158.41.Rumelhart D.E.; Hinton G.E.; Williams R.J. Learning Internal Representationsby Back-Propagating Errors. // Nature. - 1986. - V. 323, № 6088 - P. 533-536.31742.Rumelhart D.E.; Hinton G.E.; Williams R.J. Learning internal representationby error propagation. // Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Volume 1: Foundations., Rumelhart D.E.; McClelland J.L.,Eds. MIT Press: Cambridge, MA.
- 1986. - P. 318-362.43.Widrow B.; Hoff M.E. Adaptive switching circuits. // 1960 IREWESCON Con-vention Record, IRE: New York. - 1960. - P. 96-104.44.Lehtokangas M.; Saarinen J. Weight initialization with reference patterns. //Neurocomputing. - 1998. - V. 20, № 1-3. - P. 265-278.45.Yam J.Y.F.; Chow T.W.S. A weight initialization method for improving trainingspeed in feedforward neural network. // Neurocomputing. - 2000. - V.
30, № 1-4. - P.219-232.46.Patnaik L.M.; Rajan K. Target detection through image processing and resil-ient propagation algorithms. // Neurocomputing. - 2000. - V. 35, № 1-4. - P. 123135.47.Riedmiller M.; Braun H. A direct adaptive method for faster backpropagationlearning: The RPROP algorithm. // Proceedings of the IEEE International Conferenceon Neural Networks. - 1993. - P.
586-591.48.Hagan M.T.; Demuth H.B.; Beale M.H. Neural Network Design. - PWS Pub-lishing: Cambridge, MA. - 1996. - 252 p.49.Медведев В.С.; Потемкин В.Г. Нейронные сети. MATLAB 6. - ДИАЛОГ-МИФИ: М. - 2002. - 496 c.50.Charalambous C. Conjugate gradient algorithm for efficient training of artifi-cial neural netwoks. // IEEE Proceedings. - 1992. - V. 139, № 3.
- P. 301-310.51.Fletcher R.; Reeves C.M. Function minimization by conjugate gradients. //Computer Journal. - 1964. - V. 7. - P. 149-154.52.Dennis J.; Schnabel R.B. Numerical Methods for Unconstrained Optimizationand Nonlinear Equations. - Prentice-Hall: Englewood Cliffs, NJ. - 1983. - 378 p.53.Hagan M.T.; Menhaj M. Training feedforward networks with the Marquardtalgorithm.
// IEEE Transactions on Neural Networks. - 1994. - V. 5, № 6. - P. 989993.31854.Karelson M.; Dobchev D.A.; Kulshyn O.V.; Katritzky A.R. Neural networksconvergence using physicochemical data. // J. Chem. Inf. Model. - 2006. - V. 46, №5. - P. 1891-1897.55.Kohonen T. The self-organizing map. // Neurocomputing. - 1998. - V. 21, №1-3. - P. 1-6.56.Linde Y.; Buzo A.; Gray R.M. An algorithm for vector quantization. // IEEETrans. Communication. - 1980.
- P. 28, № 1. - P. 84-95.57.Gray R.M. Vector quantization. // IEEE ASSP Mag. - 1984. - V. 1, № 2. - P.4-29.58.Gersho A. On the structure of vector quantizers. // IEEE Trans. Inform. Theory.- 1979. - V. 25, № 4. - P. 373-380.59.Martinez T.M.; Berkovich S.G.; Schulten K.J. “Neural-Gas” network for vectorquantization and its applications to time-series prediction. // IEEE Trans. NeuralNetworks. - 1993. - V.
4, № 4. - P. 558-569.60.Questier F.; Guo Q.; Walczak B.; Massart D.L.; Boucon C.; de Jong S. TheNeural Gas network for classifying analytical data. // Chemom. Intel. Lab. Sys. 2002. - V. 61, № 1-2. - P. 105-121.61.Daszykowski M.; Walczak B.; Massart D.L. On the Optimal Partitioning ofData with K-Means, Growing K-Means, Neural Gas, and Growing Neural Gas. // J.Chem. Inf. Comput. Sci. - 2002.
- V. 42, № 6. - P. 1378-1389.62.Fritzke B. A growing neural gas network learns topologies. // Advances in neu-ral information processing systems, Tesauro G.; Touretzky D.S.; Leen T.K., Eds.MIT Press: Cambridge, MA. - 1995. - V. 7. - P. 625-632.63.Kohonen T. The Self-Organizing Map. // Proc. IEEE. - 1990. - V. 78, № 9. - P.1464-1480.64.Baurin N.; Mozziconacci J.-C.; Arnoult E.; Chavatte P.; Marot C.; Morin-Allory L.
Two Dimentional QSAR Consensus Prediction for High-Throughput Virtual Screening. An Application to COX-2 Inhibition Modeling and Screening of theNCI Database. // J. Chem. Inf. Comput. Sci. - 2004. - V. 44, № 1. - P. 276-285.65.Hecht-Nielsen R. Counterpropagation networks. // Applied Optics. - 1987.
- V.26, № 23. - P. 4979-4984.31966.Grossberg S. Some networks that can learn, remember and reproduce anynumber of complicated space-time patterns. // Journal of Mathematics and Mechanics. - 1969. - V. 19, № 1. - P. 53-91.67.Moody J.; Darken C. Learning in networks of locally-tuned processing units. //Neural Comput. - 1989. - V. 1, № 2. - P. 281-294.68.Bishop C. Neural Networks for Pattern Recognition. - Oxford University Press:Walton Street, Oxford OX2 6DP. - 1995. - 251 p.69.Hartman E.; Keeler J.D.; Kowalski J.M. Layered neural networks with Gaus-sian hidden units as universal approximations. // Neural Comput.
- 1990. - V. 2, № 2.- P. 210-215.70.MacQueen J.B. Some Methods for classification and Analysis of MultivariateObservations. // Proceedings of 5-th Berkeley Symposium on Mathematical Statisticsand Probability, University of California Press: Berkeley. - 1967. - V. 1. - P. 281-297.71.Likas A.; Vlassis N.; Verbeek J.J. The Global K-Means Clustering Algorithm.// Pattern Recognit.
- 2003. - V. 36, № 2. - P. 451-461.72.Golub G.H.; Kahan W. Calculating the singular values and pseudoinverse of amatrix. // J. SIAM Numer. Anal. Ser. B - 1965. - V. 2, № 3. - P. 205-224.73.Specht D. Probabilistic Neural Networks. // Neural Networks. - 1990. - V. 3,№ 1. - P. 109-118.74.Specht D. A General Regression Neural Network. // IEEE Trans. Neural Net-works. - 1991. - V. 2, № 6. - P. 568-576.75.Nadaraya E.A. On Non-Parametric Estimates of Density Functions and Re-gression Curves.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
