استفاده از روشهای کمومتریکس در طبقه بندی عسل بر اساس منشأ گیاهی و پیش بینی پارامتر k در معادله دابینین-رادوشکویچ.

در بخش اول این پایان نامه، چهل وهشت نمونه عسل با سه منشأ گیاهی مختلف با استفاده از داده های حاصل از طیف بینی مادون قرمز تبدیل فوریه و به کمک اصول کمومتریکس طبقه بندی شدند. برای انجام این کار، ابتدا، نمونه های عسل خشک و بلا فاصله آنالیز ft-it آنها انجام شد. سپس داده های این آنالیز، جهت بررسی بیشتر به کمک روشهای کمومتریکس استخراج شدند. برای ایجاد مدلی تمایزگذاربین نمونه های عسل، عددهای موجی مناسب با استفاده ازیک شبکه عصبی خودسازمانده با چیدمان چهارضلعی و به ابعاد 3*3 و با پنجاه چرخه آموزشی انتخاب شدند. پس از استخراج نگاشت فوقانی این شبکه، بیست و سه عدد موجی انتخاب و جهت بررسی بیشتر با روش ماتریس همبستگی مورد مطالعه قرار گرفتند. در نهایت شش عدد موجی شاخصاستخراج واز آنها به عنوان ورودی شبکه عصبی مصنوعی با انتشار در جهت مقابل استفاده شد. برای ایجاد یک مدل تمایزگذار و ارزیابی آن، ماتریس داده های نهایی که شامل درصد عبوردر شش عدد موجی شاخص برای چهل و هشت نمونه عسل می باشد، به دو دسته آموزشی و پیش بینی تفکیک شد. از دسته آموزشی برای ساخت مدل وبهینه سازی پارامترهای آن و از دسته پیش بینی برای ارزیابی مدل به دست آمده استفاده شد. بر اساس معیار نرخ صحت، شبکه ای با چیدمان چهار ضلعی و به ابعاد 7*7 و با تعداد 500 چرخه آموزشی، به عنوان شبکه بهینه انتخاب و از آن برای پیش بینی طبقه نمونه های سری آموزشی و پیش بینی استفاده شد. بر این اساس، بیش از 94 درصد نمونه های موجود در سری آموزشی و بیش از 93 درصد نمونه های موجود در سری پیش بینی به درستی به طبقه واقعی خود نسبت داده شدند. برای ارزیابی بیشتر، ماتریس آسیمگی برای دسته های آموزشی و پیش بینی محاسبه شده و معیار های به دست آمده از این ماتریس نشاندهنده توانایی بالای مدل cp-ann در ایجاد تمایز بین نمونه های عسل با سه منشأ گیاهی متفاوت می باشد. نرخ صحت برای مدل ارزیابی شده با روش ارزیابی تقاطعی با کنارگذاری یک نمونه برابر با 93/3 درصد می باشد. در بخش دوم این پایان نامه، مدل های خطی و غیر خطی برای پیش بینی پارامتر k در معادله دابینین-رادوشکویچ ایجاد شدند. سری داده ها شامل پارامتر k مربوط به 36 ترکیب آلی مختلف به دو دسته آموزشی و پیش بینی تقسیم شد. سری آموزشی با 29 مولکول برای مدلسازی و سری پیش بینی با 7 مولکول برای ارزیابی مدل های به دست آمده مورد استفاده قرار گرفتند. توصیف کننده های انتخاب شده با روش رگرسیون خطی چندگانه، شامل میانگین محتوای اطلاعات بر پایه تساوی زاویه رأسی، سومین مولفه اندیس whim وزن دار شده با جرم اتمی، شاخص r وزن دار شده با حجم اتمی واندروالس وکس رباراتمی با مساحت سطح جزئی باردار شده مثبتمی باشند. این توصیف کننده ها به منظور مدلسازی خطی و غیر خطی توسط روش های رگرسیون خطی چندگانه(mlr) و شبکه عصبی پرسپترون چند لایه (mlp)به کار گرفته شدند. مقدار متوسط مربع خطای پیش بینی برای سری های آموزشی و پیش بینی محاسبه شد که در مدل mlr به ترتیب برابر است با 9.64e-10و 7.14e-10 در حالی که برای مدل mlp به ترتیب برابر با4.39e-10 و 4.64e-10 می باشند.این نتایج و سایر آزمون های آماری دیگر نشان دهنده ی برتری مدل mlp نسبت بهmlr در پیش بینی پارامتر k در معادله دابینین-رادوشکویچ می باشد.