پایان نامه > کتابخانه مرکزی دانشگاه صنعتی شاهرود > شیمی > مقطع کارشناسی ارشد > سال 1389
پدیدآورندگان:
محمد علی فردوسی [پدیدآور اصلی]، حسین نیکوفرد[استاد راهنما]، ناصر گودرزی[استاد راهنما]، زهرا کلانترکهدمی[استاد مشاور]
چکیده: 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 سری 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. در بخش دوم این پروژه، روش های الگوریتم ژنتیک بر اساس رگرسیون خطی چندگانه (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.
کلید واژه ها (نمایه ها):
#QSPR #ثابت هنری #شبکه ی عصبی مصنوعی #ضریب شکست #الگوریتم ژنتیک بر اساس رگرسیون خطی چندگانه

دانلود نسخه تمام متن (رایگان)

محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده:
پایان نامه های مرتبط (بر اساس کلیدواژه ها)