Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - nieuw boek
ISBN: 9783832403393
Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschu… Meer...
Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz: Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 COMPUTERS / Intelligence (AI) & Semantics, Diplomica Verlag<
Rheinberg-Buch.de Ebook, Deutsch, Neuware Verzendingskosten:Ab 20¤ Versandkostenfrei in Deutschland, Sofort lieferbar, DE. (EUR 0.00) Details... |
Grundgerüsterkennung Von Diterpenen Aus 13C-Nmr Daten Mit Methoden - nieuw boek
ISBN: 9783832403393
Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschu… Meer...
Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 Grundgerüsterkennung Von Diterpenen Aus 13C-Nmr Daten Mit Methoden : Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 Computers / Intelligence (AI) & Semantics, Diplomica Verlag<
Rheinberg-Buch.de eBook, Deutsch, Neuware Verzendingskosten:Sofort lieferbar, DE. (EUR 0.00) Details... |
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - nieuw boek
ISBN: 3832403396
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz ab 38 € als pdf eBook: 1. Auflage. Aus dem Bereich: eBooks, Sachthemen & Ratgeber, Computer … Meer...
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz ab 38 € als pdf eBook: 1. Auflage. Aus dem Bereich: eBooks, Sachthemen & Ratgeber, Computer & Internet, Medien > Bücher, Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - eBook als pdf von Karsten Rainer Heidtke - Diplom...<
Hugendubel.de Nr. 21630267. Verzendingskosten:, , DE. (EUR 0.00) Details... |
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - eerste uitgave
1997, ISBN: 9783832403393
[ED: 1], Auflage, eBook Download (PDF), eBooks, [PU: diplom.de]
lehmanns.de Verzendingskosten:Download sofort lieferbar, , Versandkostenfrei innerhalb der BRD (EUR 0.00) Details... |
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - eerste uitgave
1997, ISBN: 9783832403393
[ED: 1], Auflage, eBook Download (PDF), eBooks, [PU: Diplomica]
lehmanns.de Verzendingskosten:Download sofort lieferbar, , versandkostenfrei in der BRD (EUR 0.00) Details... |
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - nieuw boek
ISBN: 9783832403393
Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschu… Meer...
Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz: Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 COMPUTERS / Intelligence (AI) & Semantics, Diplomica Verlag<
Karsten Rainer Heidtke:
Grundgerüsterkennung Von Diterpenen Aus 13C-Nmr Daten Mit Methoden - nieuw boekISBN: 9783832403393
Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschu… Meer...
Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 Grundgerüsterkennung Von Diterpenen Aus 13C-Nmr Daten Mit Methoden : Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 Computers / Intelligence (AI) & Semantics, Diplomica Verlag<
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - nieuw boek
ISBN: 3832403396
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz ab 38 € als pdf eBook: 1. Auflage. Aus dem Bereich: eBooks, Sachthemen & Ratgeber, Computer … Meer...
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz ab 38 € als pdf eBook: 1. Auflage. Aus dem Bereich: eBooks, Sachthemen & Ratgeber, Computer & Internet, Medien > Bücher, Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - eBook als pdf von Karsten Rainer Heidtke - Diplom...<
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - eerste uitgave
1997, ISBN: 9783832403393
[ED: 1], Auflage, eBook Download (PDF), eBooks, [PU: diplom.de]
Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - eerste uitgave
1997, ISBN: 9783832403393
[ED: 1], Auflage, eBook Download (PDF), eBooks, [PU: Diplomica]
140 Resultaten span> worden weergegeven. U kunt wellicht zoekcriteria verfijnen , filter inschakelen of de sorteringsorder verandering.
Bibliografische gegevens van het best passende boek
Gedetalleerde informatie over het boek. - Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz
EAN (ISBN-13): 9783832403393
ISBN (ISBN-10): 3832403396
Verschijningsjaar: 1997
Uitgever: Diplomica Verlag
Boek bevindt zich in het datenbestand sinds 2007-11-10T16:25:37+01:00 (Amsterdam)
Detailpagina laatst gewijzigd op 2021-07-20T23:09:40+02:00 (Amsterdam)
ISBN/EAN: 3832403396
ISBN - alternatieve schrijfwijzen:
3-8324-0339-6, 978-3-8324-0339-3
alternatieve schrijfwijzen en verwante zoekwoorden:
Auteur van het boek: heidtke, heidt
Titel van het boek: künstliche intelligenz, nmr, dit dat
Andere boeken die eventueel grote overeenkomsten met dit boek kunnen hebben:
Laatste soortgelijke boek:
9783838603391 Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz (Karsten Rainer Heidtke)
< naar Archief...