{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD52",
        "title": "مدل سازی شبکه ی عصبی موجک با استفاده از روش سهم گروه ها برای پیش بینی دانسیته ی کتون ها در محدوه ی وسیعی از دما و فشار",
        "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": "1388",
        "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": "QD52",
        "title": "مدل سازی شبکه ی عصبی موجک با استفاده از روش سهم گروه ها برای پیش بینی دانسیته ی کتون ها در محدوه ی وسیعی از دما و فشار",
        "degree": null,
        "faculty": "شیمی",
        "year": 1388,
        "authors": [
            {
                "name": "نجمه خاتون نامجو",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "زهرا کلانترکهدمی",
                "role": "استاد راهنما"
            },
            {
                "name": "حسین نیکوفرد",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "شبکه ی عصبی موجک",
            "دانسیته",
            "سهم گروه"
        ],
        "abstract": "در این پایان نامه، از مدل شبکه ی عصبی موجک (WNN)  برای پیش بینی دانسیته ی کتون ها در محدوده ی وسیعی از دما و فشار استفاده شده است. در ابتدا مدل شبکه ی عصبی موجک با دو متغیر دما، فشار و توصیف کننده هایی برمبنای روش سهم گروه شامل تعداد گروه های متیل، متیلن، متین وگروه عاملی کربونیل برای هر یک از کتون ها طراحی گردید. سپس جهت به کارگیری شبکه ی عصبی   موجک برنامه ای رایانه ای در محـیط برنامه نویسی MATLAB نوشته شد. با آموزش هر یک از شبکه ها پارامترهای ممنتم، سرعت آموزش، تعداد نرون های لایه ی مخفی و تعداد دور آموزش به صورت هم‎زمان بهینه‎سازی گردید. کارایی شبکه های بهینه شده با ترسیم نمودار مقادیر تجربی دانسیته در مقابل مقادیر به دست آمده از آن ها برای دو سری پیش بینی و تائید مورد ارزیابی قرار گرفت. نتایج حاصل از این نمودارها کارایی مطلوب شبکه را تائید می کند. در پیش بینی دانسیته این شبکه ها متوسط درصد خطای نسبی کمتر از 1/3% می باشد. در مرحله ی بعد برای ایجاد یک شبکه ی عصبی جامع ابتدا طبق روش فوق شبکه ای برای پیش بینی هم زمان دانسیته ی دو ترکیب 2-بوتانون و 2-پنتانون طراحی و بهینه سازی گردید که در این مورد نیز نتـیجه ی مطلوبی به دست آمد. به طوری‎که متوسـط درصد خطای نسبی در پیش-بینی دانسیته برای این ترکیبات کمتر از0/60% می‎باشد. پس از به‎دست آوردن نتایج مطلوب با استفاده از مدل بهینه شده، شبکه ی عصبی موجک جامع برای پیش بینی دانسیته ی همه ی کتون ها با 6 توصیف کننده شامل دما، فشار و تعداد گروه متیل، متیلن، متین و گروه عاملی کربونیل طراحی و بهینه گردید که متوسط درصد خطای نسبی این شبکه برای پیش بینی دانسیته ی همه ی کتون ها کمتر از 1/05% و ماکزیمم درصد خطای نسبی کمتر از 1/95% می باشد. به علاوه، کارایی مدل بهینه شده با ترسیم نمودار مقادیر تجربی برحسب مقادیر به‎دست آمده از مدل برای دو سری پیش بینی و تائید ارزیابی گردید که ضریب همبستگی بیشتر از 0/99 نشان دهنده ی کارایی مطلوب مدل بهینه شده  میباشد.",
        "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_QD52.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"
    }
}