SVEUILITE U ZAGREBU FAKULTET KEMIJSKOG INENJERSTVA I TEHNOLOGIJE
SVEUČILIŠTE U ZAGREBU FAKULTET KEMIJSKOG INŽENJERSTVA I TEHNOLOGIJE Izračunavanje temperature vrelišta uz pomoć umjetnih neuronskih mreža Studenti: Popčević Jelena Varga Ines Žuvela Petar
POVIJESNI RAZVOJ 1943. godina Pitts i Mulock su prvi dokazali da neuroni mogu imati dva stanja (umirujuće i pobuđujuće) => temelj za razvoj neuronskih mreža 1949. godina Hebb je dao prijedlog za pravilo kojim se opisuje proces učenja (Hebbovo pravilo) 1956. godina Rochester i skupina autora predstavljaju prvu simulaciju Hebbovog modela na Dartmouth Summer Conference 1958. godina prva neuronska mreža „Perceptron“, koju je razvio Frank Rosenblatt, u kojoj se učenje razvija u dva sloja, nije mogla rješavati probleme klasifikacije koji nisu bili linearno djeljivi
POVIJESNI RAZVOJ 1969. godina Minsky i Papert objavljuju rad u kojem oštro kritiziraju nedostatke „Perceptrona“ => prekid ulaganja u razvoj neuronskih mreža 1974. godina Paul Werbos je razvio višeslojnu Perceptron mrežu – prvu verziju Backpropagation mreže koja prevladava nedostatak Perceptrona uvođenjem učenja u „skrivenom sloju“ 1986. godina Rumelhart, Hinton i Williams usavršavaju „Backpropagation“ mrežu koja vraća ugled neuronskim mrežama jer omogućuje aproksimiranje gotovo svih funkcija i rješavanje praktičnih problema
UMJETNE NEURONSKE MREŽE �Umjetne neuronske mreže su metoda umjetne inteligencije inspirirane i strukturirane prema ljudskom mozgu. Umjetna neuronska mreža Biološka neuronska mreža
TIP MREŽE OPIS Acikličke Ne sadrže povratne veze. Cikličke Sadrže povratne veze. Djelomično Svaki neuron u prvom sloju ne mora nužno biti povezane Potpuno povezane povezan sa svakim neuronom u drugom sloju. Svaki neuron prethodnog sloja povezan je sa svakim neuronom sljedećeg sloja. Sastoji se od jednog sloja neurona tzv. izlaznog sloja. Ali osim izlaznog sloja neurona, jednoslojna mreža Jednoslojne sadrži i ulazni sloj, koji sadrži ulazne podatke. On se ne broji kao sloj neurona, jer u njemu nema nikakvog računanja. Razlikuju se od jednoslojnih u tome što imaju jedan ili više skrivenih slojeva između ulaznog i izlaznog Višeslojne sloja. Upravo je skriveni sloj onaj u kojem se uče međuzavisnosti u modelu, informacije neurona se ovdje obrađuju i šalju u neurone izlaznog sloja. SHEMATSKI PRIKAZ
Rad umjetne neuronske mreže 1. FAZA UČENJA (TRENIRANJA) 2. FAZA TESTIRANJA
1. FAZA UČENJA (TRENIRANJA) Učenje je proces mijenjanja težina u mreži, a odvija se kao odgovor na podatke izvana koji su predstavljeni ulaznom sloju i u nekim mrežama izlaznom sloju 3 VRSTE UČENJA: NADGLEDANO NENADGLEDANO UČENJE PODRŠKOM
Koraci u treniranju Definirati model podacima iz prošlosti Ulazne varijable Izlazne varijable Podjela podataka TRENIRANJE • 70% 2 poduzorka Þtreniranje Þtestiranje 3 poduzorka Þtreniranje Þtestiranje Þvalidacija TESTIRANJE • 10% VALIDACIJA • 20%
Što se sve događa u fazi učenja? • • • Što je događa u fazi • učenja? • Da li je moguće pretrenirati mrežu? podešavanja težina u mreži proces se odvija u više iteracija u svakoj iteraciji računaju se nove težine kod nadgledanih algoritama i nova greška mreža se trenira u nekoliko tisuća iteracija • Da, nakon određenog broja iteracija mreža gubi svojstvo generalizacije (svojstvo dobre klasifikacije za nepoznate ulaze) i postaje stručnjak za obradu podatka iz skupa primjera za učenje dok preostale podatke obrađuje loše
2. FAZA TESTIRANJA Razlike između faze učenja i testiranja • mreža više ne uči • težine fiksne na vrijednostima koje su dobivene kao rezultat prethodne faze učenja • mreži se predstavljaju novi ulazni vektori koji nisu sudjelovali u procesu učenja • mreža za predstavljen novi ulazni vektor mora da ti izlaz
PREDNOSTI NEDOSTACI • točnije su od ostalih statističkih tehnika • uči složene odnose i mogućnost uključivanja kvalitativnih i kvantitativnih podataka • odlična moć predviđanja • slaba sposobnost objašnjavanja • dugo vrijeme treniranja može predstavljati problem • ako je potrebno često trenirati mrežu to može učiniti aplikacije neupotrebljivim
OBRADA GOVORA OBRADA SIGNALA MEDICINA Primjena KONTROLA PROCESA KOMPRESIJ A SLIKE PREPOZNA VANJE ZNAKOVA
QSAR (Quantitative structure-activity relationship) novija metoda razvijena početkom 60 -tih godina prošlog stoljeća uvođenjem dvaju ekstratermodinamičkih metoda: LFER Free-Wilson • Linear free energy relationships • metoda između bioloških aktivnosti strukturalno sličnih lijekova i kemijskih supstituenata na zajedničkoj molekuli • Free-Wilson analiza temeljena na zbrajanju doprinosa različitih supstitucijskih grupa i višestrukih položaja supstituenata na biološku aktivnost
QSAR (Quantitative structure-activity relationship) matematički oblik opisan je jednadžbom: Prva primjena QSAR metodologije : → Corwin Herman Hansch, 1969. god. predstavio jednadžbu koja je povezala biološku aktivnost s određenim elektroničkim svojstvima i hidrofobnosti seta struktura
QSAR (Quantitative structure-activity relationship) temelji se na: određivanju relacija između specifične promjenjive veličine (aktivnosti) i fizikalno-kemijskih i/ili strukturalnih svojstava koja su određena vrijednostima - DESKRIPTORI QSAR odnos n QSAR jednadžbe
QSAR (Quantitative structure-activity relationship) Za određivanje koeficijenata potrebno je odabrati pripadajuću metodu od tri slučaja: n jednadžbi s n n jednadžbi s m nepoznanica (n > m) n jednadžbi s m moguće je provesti pri čemu se koriste nepoznanica (n < m) Gauss – Jordanove metode višestruke pri čemu sustav transformacije pri linearne regresije, jednadžbi nema čemu vektor rješenja kao i metoda rješenja sadrži QSAR parcijalnih koeficijente najmanjih kvadrata
QSAR (Quantitative structure-activity relationship) FARMACEUTSKA INDUSTRIJA – određivanje učinkovitosti lijekova ZAŠTITA OKOLIŠA – određivanje akutnih toksičnosti (koncentracije dovoljne za pojavu pomora riba) PRIMJENA ANALITIČKA KEMIJA određivanje ovisnosti između fizikalnokemijskih i/ili strukturalnih svojstava i t. R u tekućinskoj kromatografiji
EKSPERIMENTALNI PODACI
Treniranje mreže u koracima
Treniranje mreže u koracima
Spremanje treniranih podataka
Rezultati
Rezultati vrelišta (ANN) vs. vrelišta određena eksperimentalno Tv(ANN) Tv (eksp. ) 133, 631 242, 4828 178, 7029 133, 7803 176, 8881 100, 7528 146, 7127 180, 5087 158, 0855 185, 0233 233, 1188 75, 25432 145, 7496 93, 51875 199, 0473 192, 279 162, 1013 186, 218 91, 16086 125, 9409 212, 9976 186, 2269 178, 1284 73, 6352 185, 8164 176, 358 210 252 164 156 118, 5 80 179 231 160, 5 186 269 68 116 75 139 295 100 281 198 142 122 146, 5 148 128 257 180 169, 7372 142, 2768 166, 9445 109, 9049 130, 9041 154, 5679 129, 6752 205, 6429 117, 0997 79, 13346 155, 6121 157, 4732 227, 1264 80, 76426 149, 8917 183, 0153 111, 0812 155, 8788 147, 3234 123, 6295 203, 6799 208, 2676 147, 7615 210, 7403 118, 9759 169 119 153 95 223 170 94 163 45 89 233 152 203 113, 5 156 189 209 120 178 131 234 106 157 242 90
ZAKLJUČAK Kako se dobivene vrijednosti u potpunosti ne podudaraju s originalnim vrijednostima temperature vrelišta za tih 50 spojeva, može se zaključiti da je za provedbu QSAR-a ipak učinkovitija neka druga metoda poput metode parcijalnih najmanjih kvadrata
- Slides: 25