پیش بینی زمان بازداری ترکیبات آروماتیک کلردار با استفاده از شبکه عصبی مصنوعی
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه پیام نور - دانشگاه پیام نور استان اردبیل - دانشکده علوم پایه
- author مرسل خضوعی
- adviser ایوب پارچه باف جدید ماندانا امیری
- Number of pages: First 15 pages
- publication year 1388
abstract
ارتباط کمی ساختار با زمان بازداری برای مدسلسازی و پیش بینی زمان بازداری ترکیبات آروماتیک کلردار بکار رفته است. مجموعه مناسب توصیف گرهای مولکولی محاسبه شده است و توصیف گرهای مناسب با کمک روش رگرسیون چندگانه گام به گام و الگوریتم ژنتیکی (ga) انتخاب شده است. مقایسه نتایج حاصل نشانگر برتری روش الگورتیم ژنتیکی نسبت به رو رگرسیون گام به گام در انتخاب توصیف گرها می باشد. ابتدا مدلسازی با روشهای الگوریتم ژنتیک - رگرسیون خطی چندگانه (ga-mlr) و الگوریتم ژنتیک - شبکه عصبی مصنوعی (ga-ann) مدلی خطی با یک توصیف گر با نام حجم واندروالیسی و مولکول (r2v) ایجاد کرد که r2 به ترتیب 0/982 و 0/983 حاصل شد. در ادامه کار برای افزایش کارایی مدل با توجه به خطی بودن مدلسازی با چندین توصیف گر با روش های sw-mlr و ga-mlr انجام گرفت. اولین توصیف گر متوسط مجذور فاصله یا (msd) است که جزو توصیف گرهای توپولوژی می باشد msd با افزایش تعداد اتم های جانشین شده در سری ایزومری مولکول افزایش می یابد. دومین توصیف گر elp است که در مدل ga-mlr ظاهر می شود. elp یکی از توصیف گرهای دسته whim می باشد که براساس تصویر کردن اتم ها بر روی جزء اصلی محاسبه می شوند. قطبش پذیری اتمی یکی از شکل های وزنی است که برای محاسبه وزن ماتریس کوواریانس وزنی در این توصیف گر استفاده می شود. نتایج کار نشان می دهد که افزایش جانشینی و قطبش پذیری اتمی منجر به افزایش مقدار زمان بازداری آن می شود. اعتبار مدل پیشنهادی با روش های leave-group-out (lgo) cross-validation و leave-one-out (loo) و آزمون تصادفی y ارزیابی گردید. سنجش های آماری نظیر r و q و مقدار f این مدل به ترتیب برابر 0/986 و 0/986 و 5881/823 بود که نشانگر اعتبار مدل می باشد.
similar resources
پیش بینی سیلاب در زمان واقعی با استفاده از مدلهای رگرسیونی و شبکه های عصبی مصنوعی (مطالعه موردی)
full text
پیش بینی درصد متان موجود در گاز مراکز دفن زباله با استفاده از شبکه عصبی مصنوعی
Backgrounds and Objectives:A number of different technologies have recently been studied todetermine the best use of biogas, however, to choose optimize technologies of using biogas for energy recovery it is necessary to monitor and predict the methane percentage of biogas. In this study, a method is proposed for predicting the methane fraction in landfill gas originating from Labscalelandfill ...
full textمدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...
full textپیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA
تبدیل موجک یکی از روشهای نوین و بسیار موثر در زمینه تحلیل سیگنالها و سریهای زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، دادههای حاصل بهعنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیشبینی خشکسالی ارائه میگردد. در این تحقیق، از شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...
full textپیش بینی رفتار تغییر شکل داغ آلیاژ آلومینیوم 2030 با استفاده از شبکه عصبی مصنوعی
رفتار تغییر شکل داغ مواد بدلیل وابستگی آن به تغییرات کرنش، نرخ کرنش و دما دارای پیچیدگی های قابل ملاحظه ای است و لذا پیش بینی رفتار ماده در این شرایط مشکل می باشد. هدف از این بررسی پیش بینی رفتار تغییر شکل داغ آلیاژ آلومینیوم 2030 با استفاده از یک شبکه عصبی مصنوعی توسعه یافته مناسب می باشد. برای این منظور از آزمایشهای فشار داغ در محدوده دمایی بین 350 تا 500 درجه سلسیوس و در نرخ کرنشهای بین ...
full textMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه پیام نور - دانشگاه پیام نور استان اردبیل - دانشکده علوم پایه
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023