{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD49",
        "title": "پیش بینی ثابت های هنری بعضی از ترکیبات آلی با استفاده از روش های خطی و غیر خطی QSPR",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1389",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "QD49",
        "title": "پیش بینی ثابت های هنری بعضی از ترکیبات آلی با استفاده از روش های خطی و غیر خطی QSPR",
        "degree": null,
        "faculty": "شیمی",
        "year": 1389,
        "authors": [
            {
                "name": "محمد علی فردوسی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین نیکوفرد",
                "role": "استاد راهنما"
            },
            {
                "name": "ناصر گودرزی",
                "role": "استاد راهنما"
            },
            {
                "name": "زهرا کلانترکهدمی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "QSPR",
            "ثابت هنری",
            "شبکه ی عصبی مصنوعی",
            "ضریب شکست",
            "الگوریتم ژنتیک بر اساس رگرسیون خطی چندگانه"
        ],
        "abstract": "امروزه ارتباط کمّی ساختار - خاصیت (QSPR) برای مطالعه ی وابستگی خواص مختلف فیزیکوشیمیایی ترکیبات با ساختار مولکولی استفاده شده است. در بخش اول این پروژه، از رگرسیون خطی چندگانه (MLR) به عنوان یک روش خطی و از شبکه ی عصبی مصنوعی (ANN) به عنوان روشی غیر خطی برای پیش بینی ثابت هنری 333 ترکیب آلی استفاده گردید. سری داده ها به \r\nسری های آموزش (263 ترکیب)، آزمون (40 ترکیب) و ارزیابی بیرونی (30 ترکیب) تقسیم شدند. یک شبکه‌ی عصبی پیشخور سه لایه پس انتشار خطا با استفاده از چهار توصیف کننده ی مولکولی بدست آمده در مدل MLR، ایجاد گردید. مشخصات آماری بدست آمده به وسیله ی مدل خطی چندگانه  توانایی پیش بینی آنرا نشان داد، درحالی که توانایی پیش بینی ANN تا اندازه ای بهتر می باشد. \r\n       در بخش دوم این پروژه، روش های الگوریتم ژنتیک بر اساس رگرسیون خطی چندگانه \r\n(GA-MLR) و الگوریتم ژنتیک بر اساس شبکه ی عصبی مصنوعی (GA-ANN) برای ایجاد مدل های QSPR میان توصیف کننده  ها و ضریب شکست 144پلیمر استفاده شدند. توصیف کننده  هایMor15e ، R2e،R2p  و J3D به وسیله ی الگوریتم ژنتیک برای تشکیل مدل های خطی و غیر خطی به منظور پیش بینی ضریب شکست انتخاب شدند. مجذور میانگین مربعات خطای سری های آموزش، آزمون و ارزیابی برای مدل ANN به ترتیب، 0/018، 0/023، 0/018 و همچنین ضرایب تعیین R2)، 0/929، 0/881) و 0/931 هستند.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_QD49.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}