卟啉是一种非常重要的化学物质，是血红素，叶绿素，血蓝素，维生素B12的核心结构，如果没有卟啉也许也可能有生命但肯定不是现在的样子。 如此神奇的物质到底是如何作用的，按照QSAR的原理，结构决定分子的一切，就用神经网络的反向传导原理去模拟卟啉的网络结构看看平衡态的单双键的键值到底是多少。

虽然很难说这么算出来的值和实际的化学物质的键值有什么联系，但是就像破译密码，去分析一下字母出现的频率对破译总是有帮助的。

将卟啉的分子旋转很容易观察到这种结构的高度对称性，根据这种对称性由神经网络的反向传导原理做出网络结构

这是至今为止用这种办法模拟的最复杂的分子，有38个原子，通过用原子反向传导的启动顺序来实现结构的对称性，

第一步：n31，c33，c34

第二步：c32，c35 ，h33，h31，h34

第三步：cb，cc

第四步：c25，c42，hcb，hcc

第五步：n21，n41，c24，c43

第六步：c23，c44，h24，h43

第七步：c22，c45，h23，h44

第八步：ca，cd

第九步：c12,c15，hca，hcd

第十步：c13，c14，n11

用这个顺序分10次启动着38个网络可以得到相对对称性比较强的结果，这个网络的计算速度很慢只收集了20组数据，也许数据再多些对称性还会更强

具体数据

fff31[0] fff31[3] fff31[k31-1] fff32[0] fff32[2] fff32[3] fff33[0]
0.50019965 0.49999936 0.50003875 0.50048135 0.50032246 0.50042307 0.50010892
0.50010612 0.49999967 0.4998955 0.50003275 0.49995561 0.50000973 0.49954929
0.50000252 0.4999985 0.49967599 0.49989962 0.49898636 0.49921918 0.49977703
0.50042953 0.50341906 0.50020105 0.50094352 0.50075112 0.50073435 0.50018997
0.50004792 0.49999935 0.49987747 0.5001011 0.49989094 0.49987704 0.49993117
0.50115668 0.49999601 0.50016529 0.50000657 0.50021275 0.50006499 0.49986455
0.5000539 0.49999852 0.49997342 0.49990866 0.49985083 0.49979737 0.49978022
0.50004478 0.49999899 0.50006119 0.50023457 0.49987327 0.49987355 0.49986672
0.50002944 0.49999875 0.49999546 0.50022422 0.49991016 0.49984897 0.49981
0.49996945 0.49987321 0.50008228 0.49994547 0.50029236 0.50024357 0.50042444
0.50061788 0.49999895 0.50014232 0.49985192 0.50088449 0.5006523 0.49984362
0.49997235 0.49999943 0.50050985 0.49990911 0.50001606 0.49998451 0.50010931
0.49976872 0.49999749 0.49984323 0.50010407 0.49989588 0.49997081 0.49976063
0.50064954 0.49999926 0.49998032 0.49994929 0.50045048 0.50035429 0.49977302
0.50001121 0.49999954 0.50005306 0.50014886 0.50005381 0.50001695 0.49998713
0.50003148 0.49999973 0.49970092 0.49985557 0.49997962 0.49996956 0.49984922
0.50053 0.49999909 0.50014123 0.50007013 0.50010349 0.5000875 0.49990008
0.50073978 0.49999844 0.50005865 0.50018205 0.4999626 0.50011862 0.49996281
0.49997846 0.49999926 0.50002686 0.4995364 0.49995221 0.49999518 0.49990723
0.50031286 0.49999957 0.50008032 0.50008314 0.50031622 0.50027187 0.49991514
             
0.50023261 0.50016361 0.50002516 0.50007342 0.50008304 0.50007567 0.49991553
fff33[1] fff33[k33-2] fff35[2] fff35[3] fff35[k35-1] fff34[1] fffcb[0]
0.50006506 0.49999942 0.50025393 0.5006656 0.50016661 0.49984494 0.50044868
0.49958234 0.49999958 0.49999794 0.49994297 0.50001034 0.49999937 0.50025687
0.49986515 0.49999856 0.49998205 0.50005606 0.49998829 0.49999847 0.50011179
0.50013178 0.49999741 0.5008465 0.5007784 0.50017728 0.49977348 0.50088464
0.49984447 0.49999914 0.50016527 0.50007667 0.50006144 0.49999919 0.50020863
0.49989821 0.49999593 0.5001718 0.50023535 0.5001552 0.49999634 0.50094277
0.49985058 0.4999985 0.50006598 0.4999732 0.50008298 0.49999855 0.50017652
0.49995062 0.49999913 0.49991282 0.50008138 0.49998608 0.4999993 0.50012143
0.49988395 0.49959695 0.49985779 0.49996588 0.50000778 0.49999895 0.50038103
0.500325 0.49982716 0.50022117 0.50047745 0.50050116 0.49999953 0.50032956
0.49993679 0.49935859 0.49994412 0.49990603 0.49997023 0.49999912 0.50136799
0.50015923 0.4999995 0.50000371 0.50008705 0.5001555 0.49996428 0.50031738
0.49985865 0.49999794 0.50008964 0.49994859 0.49988112 0.49999698 0.50059988
0.49986914 0.49974864 0.49985469 0.50004765 0.50008088 0.49999928 0.50021728
0.49997176 0.49999931 0.50013645 0.50013885 0.50002452 0.49999962 0.50032392
0.49989511 0.4998048 0.50001424 0.50000602 0.49987978 0.49999968 0.50016511
0.49999887 0.49986126 0.49999536 0.49992045 0.50002578 0.4999994 0.49973779
0.49986386 0.49987657 0.50012103 0.50000727 0.50022788 0.49999827 0.49946778
0.4999935 0.4995214 0.49996289 0.50002233 0.49999887 0.49999904 0.50061912
0.49998683 0.49986337 0.50002062 0.49999628 0.50003708 0.49999971 0.50023305
             
0.49994655 0.49987216 0.5000809 0.50011667 0.50007094 0.49997817 0.50034556
fffcb[1] fffcc[kcc-1] fffcc[kcc-2] fff23[0] fff23[1] fff23[k23-2] fff23[k23-1]
0.49999915 0.50073138 0.49999922 0.50040289 0.50043833 0.4999995 0.50007386
0.49999962 0.50007961 0.49999948 0.49993656 0.49997129 0.49950055 0.50005679
0.49999969 0.50001437 0.49999868 0.50003959 0.50007342 0.49999844 0.50009282
0.49999643 0.50001733 0.49999625 0.5008443 0.50085125 0.49999682 0.50142912
0.49999895 0.50088103 0.49999914 0.49995281 0.49991245 0.49980069 0.49997439
0.49999558 0.50012657 0.49999711 0.50022333 0.50016094 0.4999964 0.49988615
0.49999869 0.50022729 0.49999882 0.49991694 0.4998907 0.49958297 0.49993646
0.49999945 0.49992766 0.49999931 0.49993298 0.4998538 0.49960473 0.50001209
0.49999877 0.50005185 0.49999829 0.50005504 0.50014444 0.4996862 0.50020586
0.49999949 0.49998917 0.49999953 0.50020001 0.50023592 0.4999996 0.50008233
0.49911899 0.49989181 0.49999908 0.5000246 0.50004223 0.49999902 0.50002788
0.49999941 0.50013054 0.49993168 0.50041392 0.50027112 0.49999957 0.50047726
0.4999969 0.49991814 0.49999812 0.50056221 0.5006461 0.49999692 0.50012349
0.49999893 0.50128043 0.4999993 0.50025034 0.50021646 0.49999891 0.50010424
0.49999966 0.50067906 0.49999955 0.5000392 0.50014251 0.49999951 0.50036009
0.49999962 0.49980864 0.49999973 0.50007426 0.49997496 0.49984161 0.49992156
0.49986741 0.49998809 0.49999914 0.49990143 0.49987844 0.49999913 0.50003671
0.4995979 0.50008517 0.49999866 0.50013036 0.50008033 0.49999833 0.50016058
0.49999901 0.50122336 0.49999919 0.50000631 0.50001812 0.49962438 0.49990265
0.49999971 0.50080529 0.4999996 0.50027203 0.5001783 0.49999962 0.50036147
             
0.49992817 0.50029284 0.49999549 0.50015896 0.50014906 0.49988115 0.50016129
fff22[2] fff22[3] fff22[k22-1] fff25[0] fff25[1] fff25[k25-1] fff24[1]
0.49992617 0.49989369 0.50010548 0.5000196 0.5000264 0.50043152 0.49999944
0.50026909 0.50036236 0.50084211 0.49988071 0.49990175 0.50024929 0.49999964
0.4998901 0.49984563 0.49931961 0.50012875 0.50026516 0.50011945 0.50281136
0.50056616 0.50071765 0.50162348 0.50011622 0.50024094 0.50085211 0.49999548
0.4999439 0.50003387 0.50058948 0.49987269 0.49991388 0.50018269 0.49999896
0.49993821 0.4998576 0.49956177 0.50111962 0.50141685 0.50093453 0.50361099
0.50033323 0.50057982 0.50038767 0.49894098 0.49834126 0.50006932 0.49999828
0.50048478 0.50033193 0.50025575 0.49840564 0.49856365 0.50006533 0.499999
0.50066482 0.50054869 0.50117947 0.50021016 0.50027769 0.50037132 0.49999884
0.49993777 0.50000134 0.50008677 0.5000354 0.50000781 0.50031343 0.49999954
0.49977988 0.499753 0.50024421 0.50020346 0.50043235 0.50134989 0.50246726
0.50027269 0.50030586 0.50010064 0.49993845 0.50005384 0.50031622 0.49999962
0.49987256 0.50001043 0.50013767 0.50018258 0.50016619 0.50058406 0.49999808
0.49997636 0.49993806 0.5000449 0.50001943 0.5000611 0.50019331 0.49999884
0.50020027 0.5002892 0.50008556 0.49994761 0.49996279 0.50031366 0.4988074
0.50020502 0.50029231 0.50035448 0.50004077 0.50003246 0.50015676 0.49999955
0.49998177 0.50004386 0.50017051 0.50005986 0.50006146 0.49974755 0.49965503
0.49989585 0.49994097 0.50008219 0.49990466 0.49988534 0.49947531 0.50283988
0.50035826 0.50055529 0.5002116 0.49974637 0.49976497 0.50061856 0.49999898
0.50021103 0.50019332 0.50010669 0.49956958 0.49961353 0.50022776 0.49999964
             
0.5001354 0.50017474 0.5002745 0.49991713 0.49994947 0.5003286 0.50050879
fff43[0] fff43[1] fff43[k43-2] fff43[k43-1] fff41[0] fff41[1] fff41[k41-1]
0.49997106 0.5000213 0.49971931 0.49992479 0.50072746 0.50083917 0.49968088
0.50029626 0.50044224 0.49999955 0.50017573 0.50012413 0.50010448 0.50010565
0.49994049 0.49985167 0.49999798 0.49996012 0.50033869 0.50055936 0.50027846
0.50053196 0.50054944 0.4999964 0.49994252 0.50057464 0.50049491 0.50058502
0.49993888 0.49999225 0.49941118 0.49959321 0.50049813 0.50062439 0.50054859
0.50100501 0.50107215 0.49999538 0.50028318 0.50052636 0.50042154 0.50044409
0.50049902 0.50049526 0.4999987 0.4999205 0.50035989 0.50024596 0.50020299
0.5001435 0.50006338 0.49999926 0.49996017 0.50017791 0.5001548 0.50017397
0.50009072 0.50004057 0.49999875 0.50000425 0.50046308 0.50046066 0.50059627
0.49995016 0.50004745 0.499177 0.49907509 0.50026593 0.50018547 0.50015502
0.50055341 0.50047726 0.49999856 0.50014116 0.50025657 0.50028526 0.50020624
0.50045895 0.5004191 0.49999957 0.50048557 0.500311 0.50039287 0.50033015
0.50077521 0.50069712 0.49999777 0.50006397 0.50030001 0.50033105 0.50029139
0.5000031 0.49997521 0.49965745 0.49943978 0.50018407 0.4998656 0.49977361
0.50027239 0.50021373 0.49999945 0.5004268 0.5001096 0.49989828 0.50004256
0.50003337 0.50004132 0.4999177 0.49979565 0.50019766 0.50023264 0.50013589
0.50035891 0.50031288 0.49999941 0.50007948 0.50019742 0.50022202 0.50025759
0.50003675 0.50007735 0.49999869 0.50013593 0.50062461 0.50048221 0.50046413
0.50008891 0.50001298 0.49967727 0.49989978 0.5010638 0.50077961 0.50017017
0.4999921 0.50008221 0.49960687 0.4997475 0.50010692 0.49989845 0.49992292
             
0.50024701 0.50024424 0.49985731 0.49995276 0.50037039 0.50032394 0.50021828
fff45[2] fff45[3] fff45[k45-1] fff44[1] fffca[0] fffca[1] fffcd[kcd-1]
0.49996633 0.50006436 0.49985917 0.49999931 0.50031605 0.4999993 0.49987055
0.50011105 0.50011398 0.4998191 0.49999947 0.50032817 0.49999965 0.49999359
0.49968582 0.49997216 0.50023153 0.49978231 0.5004906 0.49999881 0.49996756
0.49987465 0.500059 0.50129321 0.49999691 0.50086156 0.49842741 0.50007455
0.50008382 0.50001283 0.50006541 0.49999911 0.49981409 0.49982699 0.50002393
0.49992609 0.50018966 0.50007258 0.49999721 0.50065531 0.49999682 0.49999379
0.50018118 0.50008648 0.50002576 0.49999857 0.50056506 0.49999847 0.49973498
0.50007352 0.50012303 0.49905665 0.49899029 0.50032759 0.49999907 0.49994671
0.49989926 0.5000607 0.50010489 0.49972002 0.50052037 0.49999837 0.50007799
0.50002909 0.49999735 0.4999068 0.49999954 0.50027719 0.49999961 0.4998546
0.50014378 0.50009536 0.49960663 0.49999886 0.50043137 0.49999898 0.49989525
0.50018819 0.49993146 0.49941147 0.49999964 0.50018834 0.4999994 0.49987623
0.49986169 0.49991328 0.49982653 0.49999725 0.5004574 0.49999766 0.49937213
0.50002925 0.50006435 0.50004791 0.499999 0.50031794 0.499999 0.49986168
0.50001201 0.50000082 0.49998205 0.49999957 0.50060691 0.49999949 0.4998989
0.49999527 0.50003528 0.50003613 0.49999965 0.5001794 0.49999907 0.50048386
0.50002863 0.50007962 0.50004981 0.49999939 0.50045939 0.49999928 0.49949244
0.50013691 0.49979306 0.50028974 0.49957603 0.50033612 0.49999838 0.49984085
0.49999836 0.50002775 0.50004129 0.49999875 0.50075727 0.49999904 0.50000007
0.50000969 0.50005036 0.50002828 0.49999971 0.50012856 0.4999996 0.49994021
             
0.50001173 0.50003354 0.49998775 0.49990253 0.50040094 0.49991172 0.49990999
fffcd[kcd-2] fff13[0] fff13[1] fff13[k13-2] fff13[k13-1] fff11[0] fff11[3]
0.49999922 0.5004933 0.4999993 0.49998591 0.50007549 0.50029879 0.49999936
0.49999949 0.50028044 0.49999957 0.49988437 0.49990008 0.50031679 0.49999942
0.49953307 0.50026401 0.50277956 0.50009305 0.50016632 0.50049142 0.49999851
0.49999643 0.50006157 0.49999612 0.50019271 0.50027622 0.50083577 0.4999971
0.49999925 0.50043567 0.49999919 0.49994416 0.49987041 0.49982186 0.49999921
0.49999677 0.50091405 0.49999645 0.49979665 0.49977624 0.50061919 0.49999585
0.4999988 0.50068305 0.49999839 0.50012808 0.50011691 0.50052059 0.49999862
0.49999934 0.50048616 0.49999903 0.49999819 0.50008455 0.50031137 0.49999924
0.49964084 0.50062664 0.49999829 0.50011285 0.50001105 0.50050133 0.49999894
0.4999996 0.50032619 0.49999958 0.50006047 0.50002944 0.50026452 0.49999939
0.49999871 0.50045614 0.49999904 0.49998842 0.50001623 0.50039865 0.49999888
0.49999957 0.49994903 0.49999958 0.50005089 0.50003174 0.50017595 0.49999954
0.49999704 0.50084742 0.49999696 0.50023996 0.49994657 0.50044015 0.49999774
0.4999993 0.49987357 0.49999902 0.50003703 0.50003293 0.50029987 0.49999911
0.49999948 0.50043561 0.49999963 0.50019062 0.50023792 0.50060331 0.49999959
0.49999957 0.50000763 0.49999968 0.49998734 0.49997155 0.50016754 0.49999964
0.49999924 0.50028011 0.49999907 0.49993145 0.50002786 0.50044911 0.49999929
0.49975496 0.49999903 0.49999848 0.50003359 0.50009362 0.50031033 0.49999806
0.49999892 0.50050408 0.4999991 0.49956865 0.49979302 0.50073476 0.4999992
0.49999963 0.50023114 0.49999969 0.49998138 0.50000761 0.50011775 0.49999955
             
0.49994546 0.50035774 0.50013779 0.50001029 0.50002329 0.50038395 0.49999881
fff11[k11-1] fff14[0] fff14[1] fff14[k14-2] 迭代次数
0.49971593 0.50000549 0.5000339 0.49999936 44108166
0.49998395 0.50001542 0.50001887 0.49999949 66937874
0.50005091 0.50044628 0.50063103 0.49999817 18384926
0.50085759 0.50016079 0.49975235 0.49965013 9723685
0.49997969 0.49989575 0.49987961 0.49999911 36257843
0.49926504 0.49992108 0.50012411 0.49999741 8300326
0.49987796 0.50003816 0.50012632 0.49999885 19494573
0.49992699 0.50010562 0.4999931 0.49999901 35411263
0.50061301 0.50056219 0.50057442 0.49999868 22619520
0.49979945 0.50005131 0.4999224 0.4999995 56931165
0.49966922 0.50011232 0.50007893 0.49999869 25758383
0.50002018 0.49967318 0.49976008 0.49962138 59195356
0.49928664 0.50022612 0.50014007 0.4999968 12364981
0.49986298 0.4994961 0.49971089 0.49944753 34545786
0.49990148 0.50001138 0.50004109 0.49999966 67322789
0.50033006 0.50006437 0.49985019 0.49988136 83398458
0.49986927 0.5006338 0.50056939 0.49999942 39325217
0.50042237 0.49998445 0.50011196 0.49948588 17928160
0.50003741 0.49998486 0.49998489 0.4999992 29406931
0.49983431 0.50001848 0.50000822 0.49999971 89129362
         
0.49996522 0.50007036 0.50006559 0.49990347 38827238.2

QSAR生命的发动机卟啉c20h14n4---用反向传导做卟啉的分子模型相关推荐

  1. 用反向传导做分子模拟：苯胺（C6H5NH2)和硝基苯（C6H5NO2)

    -NH2有给电子效应是一个强邻对位定位基团,-NO2有吸电子效应是一个肩位定位基团,所以分别制作了苯胺和硝基苯的模型用来检验这个模型是不是会对定位效应有什么响应. 硝基苯的模型 收敛标准是所有化学键两 ...

  2. 用反向传导进行分子动力学模拟并比较NN二甲基苯胺，N甲基苯胺，苯胺，硝基苯的定位效应

    首先用神经网络的反向传导原理制作分子模型 NN二甲基苯胺 N甲基苯胺 苯胺 硝基苯 因为C6H5N(CH3)2,C6H5NHCH3,C6H5NH2,是邻对位定位基团并且 C6H5N(CH3)2  &g ...

  3. 用反向传导分子模型去计算基团的定位效应

    F,Cl,Br都是邻对位定位基团,而且都有吸电子效应,并且F>CL>Br,所以分别制作了C6H5F,C6H5CL,C6H5Br的模型去计算是不是能对的上. 3个模型分别如下 得到的数据画成 ...

  4. 神经网络的反向传导到底是在干什么？

    "如爱丁顿所述,Ψ*可视为向过去传播的波函数"---共轭波函数的爱丁顿解释 (A,B)---m*n*k---(1,0)(0,1) 把训练集A,B当作算符,把权重W当作波函数,把分类 ...

  5. 用反向传导模拟共振并用共振频率作分类

    物体的共振频率是物体的内在特性,像每个琴键发出的声音总是不同的,那可不可以用这个办法来做分类? 做了一个网络上面的结构是169*11*11输入minst数据集的0-9,用 Sigmoid(minst ...

  6. Stanford UFLDL教程 用反向传导思想求导

    用反向传导思想求导 Contents [hide] 1简介 2示例 2.1示例1:稀疏编码中权重矩阵的目标函数 2.2示例2:稀疏编码中的平滑地形L1稀疏罚函数 2.3示例3:ICA重建代价 3中英文 ...

  7. 神经网络反向传导算法

    假设我们有一个固定样本集 ,它包含  个样例.我们可以用批量梯度下降法来求解神经网络.具体来讲,对于单个样例 ,其代价函数为: 这是一个(二分之一的)方差代价函数.给定一个包含  个样例的数据集,我们 ...

  8. CS229 6.18 CNN 的反向传导算法

    本文主要内容是 CNN 的 BP 算法,看此文章前请保证对CNN有初步认识. 网络表示 CNN相对于传统的全连接DNN来说增加了卷积层与池化层,典型的卷积神经网络中(比如LeNet-5 ),开始几层都 ...

  9. 5-(4-氨基苯基)-10,15.20-三苯基卟啉(TPP-NH2)/多金属氧酸盐-四苯基卟啉化合物TPP-PW齐岳供应

    5-(4-氨基苯基)-10,15.20-三苯基卟啉(TPP-NH2)的装备方法 在250 mL三颈圆底烧瓶中加人0.9159g5-(4-硝基-苯基) - 10,15,20-三苯基卟啉,加入80 mL浓 ...

最新文章

  1. tomcat用户配置
  2. 如何用ELK搭建TB级的日志监控系统？
  3. LeetCode 637 二叉树的层平均值-简单
  4. 【emWin】例程一：emWin系列教程简介
  5. android随机运算器开发小结1
  6. 阿里妈妈大规模在线分层实验实践
  7. STL 容器迭代器失效总结(超级详细)
  8. JSP期末考试复习习题及答案
  9. 2.#技术|Python实现钉钉课程自动签到， opencv+threading+tkinter
  10. IOS开发之——AFN-文件下载(03)
  11. 获取用户手机号码解析失败，微信小程序授权登录获取token步骤
  12. 多元线性回归模型的各种诊断
  13. 912. 排序数组（中等 各种排序 数组）
  14. 利用ODI将Oracle US7ASCII编码的数据库迁移至UTF8编码数据库
  15. 15.真实感图形——光照与明暗+光线跟踪+纹理映射+辐射度方法+阴影
  16. 【linux】查看服务器的GPU 谁（用户）在使用
  17. 【WIP】Seastar框架学习
  18. [Leetcode] 33. Search in Rotated Sorted Array 解题报告
  19. 信息网络传播权 服务器,信息网络传播权的特征
  20. 实战项目一：地铁人流量预测

热门文章

  1. 问题解决：vue dev模式没问题，dist之后页面not found
  2. 10.1引用数据类型的转换
  3. java 获取麦克_Java Sound API-捕获麦克风
  4. 【复习笔记】电力系统基础
  5. ASP.NET WebApi 基于分布式Session方式实现Token签名认证
  6. chardet坑——比蜗牛还慢
  7. 简单实现支付密码输入框 By HL
  8. HDU-4568 Hunter 状态压缩
  9. HDU 2546 饭卡（贪心+DP)
  10. UA MATH566 统计理论 位置-尺度参数族