版权说明 操作指南
首页 > 成果 > 详情

基于局部核函数与全局核函数支持向量回归优化小样本QSAR建模

认领
导出
Link by 中国知网学术期刊 Link by 万方学术期刊
反馈
分享
QQ微信 微博
成果类型:
期刊论文
作者:
谭泗桥;袁哲明;柏连阳;谭显胜;熊洁仪
作者机构:
[谭泗桥] 湖南农业大学生物安全科学技术学院,湖南,长沙,410128
[谭泗桥] 湖南农业大学信息科学技术学院,湖南,长沙,410128
[袁哲明; 谭显胜; 柏连阳; 熊洁仪] 湖南农业大学
语种:
中文
关键词:
支持向量机;小样本;定量构效关系;组合预测
关键词(英文):
small sample set;QSAR;combinatorial forecast
期刊:
分子科学学报
ISSN:
1000-9035
年:
2009
卷:
25
期:
3
页码:
158-162
基金类别:
国家自然科学基金资助项目(30570351) 教育部新世纪优秀人才支持计划项目(NCET-06-0710)
机构署名:
本校为第一机构
院系归属:
信息科学技术学院
摘要:
为提高小样本定量构效关系(QSAR)预测精度,基于支持向量机全局核函数与局部核函数提出了一种新的建模方法:先依不同核函数筛选描述符,再依保留描述符构建支持向量机回归(SVR)子模型.子模型预测活性值与实验值组成混合样本.以均方误差(MSE)最小为原则,对混合样本再次基于SVR实施核函数寻优与子模型筛选,基于最优核函数和保留子模型以留一法完成预测.对2个小样本体系的QSAR研究表明,该方法兼具局部核函数和全局核函数的优点,既有较强的学习能力,又有较好的推广能力,预测精度高,稳定性好.
摘要(英文):
To improve the performance of QSAR model on small sample sets, a novel combinatorial model based on global kernel and local kernel was proposed in this paper. Firstly, descriptors were screened according to different kernel function. And then, SVR sub-model construction based on retained descriptors. The prediction results of sub- model and the experiment results assembled to be a mixed sample set. Kernels and descriptors optimization based on SVR was evaluated by the rule of minimum MSE value. The forecast was carried out through the leave-one-out method based on optimized kernel and sub-mode...

反馈

验证码:
看不清楚,换一个
确定
取消

成果认领

标题:
用户 作者 通讯作者
请选择
请选择
确定
取消

提示

该栏目需要登录且有访问权限才可以访问

如果您有访问权限,请直接 登录访问

如果您没有访问权限,请联系管理员申请开通

管理员联系邮箱:yun@hnwdkj.com