تبلیغات
تحقیق و مقالات روانشناسی - تحقیق مراحل کلی مدل‌سازی به روش پارامتری
تحقیق و مقالات روانشناسی
تحقیق مراحل کلی مدل‌سازی به روش پارامتری  شامل 36 صفحه به صورت فایل ورد و قابل ویرایش می باشد که یکی از تحقیق های جامع و کامل در مورد  مراحل کلی مدل‌سازی به روش پارامتری  می باشد و دارای منابع معتبر می باشد

نتایج مطالعات ساختار- فعالیت/ ویژگی علاوه بر شفاف­سازی نحوه ارتباط بین خواص مولکول‌ها و ویژگی‌های ساختمانی آنها، به پژوهشگران در پیش‌بینی رفتار مولکول‌های جدید براساس رفتار مولکول‌های مشابه کمک می‌کند. به مجموعه ابزارها و روش­هایی که به این منظور مورد استفاده قرار می‌گیرند روش‌های پارامتری گویند.  در روش‌های پارامتری سعی می‌کنند بین یک سری توصیف کننده‌های مولکولی با فعالیت یا خاصیت مورد نظر ارتباط منطقی برقرار نمایند. توصیف‌کننده‌های مولکولی که به این منظور استفاده می‌شوند، مقادیر عددی می‌باشند که جنبه‌های مختلف ساختاری مولکول را به طور کمی‌نشان می‌دهند. وقتی خصوصیات ساختاری گونه‌ها و فعالیت آنها توسط اعداد و ارقام بیان می‌شود می‌توان رابطه ریاضی یا کمی، بین ساختار و فعالیت گونه ایجاد کرد. این رابطه می‌تواند برای پیش­بینی پاسخ بیولوژیکی یا شیمیایی دیگر ساختارها مورد استفاده قرار گیرد. به عبارتی دیگر در این گونه مطالعات توصیف­کننده­ها به عنوان متغیر­­­های مستقل و پارامتر بیولوژیکی یا شیمیایی مورد نظر به عنوان متغیر وابسته در نظر گرفته می­شوند. در مرحله مدلسازی مدلی از متغیر وابسته بر حسب متغیرهای مستقل ساخته می­شود، سپس در مرحله پیش­بینی مدل ساخته شده مورد ارزیابی قرار می­گیرد. مراحل کلی مدل‌سازی به روش پارامتری به شرح زیر است:

۱- جمع آوری سری داده‌ها

۲- وارد کردن ساختارهای مولکولی و بهینه­سازی آنها

۳- محاسبه توصیف­کننده‌های مولکولی

۴- تجزیه و تحلیل آماری توصیف­کنده­ها و انتخاب مؤثرترین آنها

۵- ایجاد مدل­های آماری

۶- انتخاب بهترین مدل و ارزیابی اعتبار مدل انتخاب­شده

۱) جمع­آوری سری داده­ها

اولین مرحله، جمع­آوری و انتخاب یک سری مولکولی از منابع قابل اعتماد و در دسترس است. بایستی کمیت مورد مدل‌سازی برای ترکیبات مختلف، در شرایط عملی یکسان بدست آمده باشد تا نتیجه قابل قبول­تر و مناسب­تری بدست آید. در مدل­های خطی سری داده­ها به دو قسمت سری کالیبراسیون [۱] و سری ارزیابی[۲] تقسیم می­شوند[۷] . عملیات مدل‌سازی بر روی سری کالیبراسیون که اکثر مولکول­ها را در بر می­گیرد، انجام می­شود. از سری ارزیابی برای بررسی قدرت پیش­بینی و اعتبار مدل استفاده می­شود. ترکیبات سری ارزیابی به نحوی انتخاب می­شوند که نماینده جمعیت مولکول­های سری کالیبراسیون باشند. لازم به ذکر است که مولکول­های سری ارزیابی در هیچ یک از مراحل مدل‌سازی شرکت ندارند. در مدل سازی به روش­هایی مانند شبکه عصبی مصنوعی از سری کالیبراسیون به دلیل استفاده در مرحله آموزش با عنوان سری آموزشی[۳] نام برده می­شود. سری ارزیابی نیز به دو دسته به نام­های سری ارزیابی داخلی[۴] یا سری پیش­بینی و سری ارزیابی خارجی[۵] تقسیم می­شود. سری پیش­بینی برای کنترل خطای مدلسازی و جلوگیری از ایجاد آموزش اضافی[۶] در حین ساخت مدل و سری ارزیابی، برای ارزیابی اعتبار مدل و تخمین قدرت پیش­گویی آن به­کار می­رود.

۱-۱) روش‌های تقسیم بندی سری داده‌ها

به طور معمول، دو روش وجود دارند که از رایج‌ترین روش‌های تقسیم بندی سری داده‌ها در مدل‌سازی QSAR به شمار می‌روند[۱۶] :

۱- روش انتخاب تصادفی[۷]: در این روش سری داده‌ها به صورت کاملا تصادفی و بدون در نظر گرفتن هیچ گونه معیار خاصی، به سری‌های آموزشی و ارزیابی تقسیم می‌گردد. عمده‌ترین نقص این روش این است که در این روش ترکیبات بدون در نظر گرفتن هیچ‌گونه ارتباطی با ساختارشان، دسته‌بندی می‌گردند. به همین دلیل احتمال بسیار زیادی وجود دارد که ترکیباتی خارج از قلمرو کاربرد مدل، در  سری ارزیابی قرار گیرند[۷] . بنابراین از آنجایی که این ترکیبات توسط مدل برون‌یابی می‌شوند، پیش‌بینی‌های مدل برای این ترکیبات غیر‌قابل اعتماد خواهد بود[۱۷] .

۲- روش مرتب­سازیy-[8]: در این روش سری داده­ها به صورت نزولی یا صعودی مرتب شده و از هر قسمت آن به­عنوان نماینده یک داده برای قرار گرفتن در سری ارزیابی انتخاب می­شود[۷] . حتی در این روش نیز ضمانتی وجود ندارد که سری‌های آموزشی و ارزیابی روی تمامی نقاط نماینده در فضای توصیف‌کننده‌ها پراکنده بوده و سری آموزشی بتواند تمامی نقاط موجود در سری داده‌ها را تحت پوشش قرار دهد[۱۸] . در حقیقت انتخاب سری‌های آموزشی و ارزیابی باید بر اساس نزدیکی نقاط نماینده‌ی سری آموزشی به نقاط نماینده‌ی سری ارزیابی در فضای چند بعدی توصیف کننده‌ها صورت گیرد. در اصل مفهوم “نزدیکی”، بر اساس مهمترین فرضی است که منجر به شکل گیری روابط QSAR گردیده است[۱۶] :

” ترکیبات مشابه، خصوصیات مشابهی دارند”

در این پروژه از روشی نوین به نام تحلیل خوشه‌ای (CA)[9]  [۱۹]جهت انتخاب صحیح اعضای سری‌های آموزشی و ارزیابی (براساس ساختار) استفاده شده ‌است که در ادامه معرفی می‌گردد.

 ۱-۱-۱) تحلیل خوشه‌ای (CA)

تحلیل خوشه‌ای یا خوشه‌بندی نسبت دادن یک سری از اشیاء به گروه‌های معین (یا خوشه‌ها) می باشد، به نحوی که اشیاء موجود دریک خوشه از برخی جهات مشابه بوده ودارای وجه اشتراک باشند. خوشه‌بندی یکی از روش‌های موجود یادگیری غیر نظارت شده است که روشی معمول برای آنالیز آماری داده‌ها در بسیاری از زمینه‌های علمی شامل: یادگیری ماشینی[۱۰]، داده‌کاوی، تشخیص الگو، آنالیز تصاویر، بازیابی اطلاعات و زیست فناوری[۱۱] می باشند[۲۰] . علاوه بر اصطلاح خوشه‌بندی عبارات دیگری نیز دررابطه باهمین مفهوم مورد استفاده قرار می‌گیرند که شامل: طبقه‌بندی خودکار[۱۲]، دسته‌بندی عددی[۱۳]، آنالیز رده‌شناسی[۱۴] و بتریولوژی[۱۵] می‌باشند.


جهت دانلود متن کامل تحقیق مراحل کلی مدل‌سازی به روش پارامتری کلیک نمایید





نوع مطلب :
برچسب ها : تحقیق مراحل کلی مدل‌سازی به روش پارامتری، دانلود تحقیق مراحل کلی مدل‌سازی به روش پارامتری، پیشینه تحقیق مراحل کلی مدل‌سازی به روش پارامتری، تحقیق در مورد مراحل کلی مدل‌سازی به روش پارامتری، مقاله مراحل کلی مدل‌سازی به روش پارامتری، مقاله در مورد مراحل کلی مدل‌سازی به روش پارامتری،
لینک های مرتبط :

 
لبخندناراحتچشمک
نیشخندبغلسوال
قلبخجالتزبان
ماچتعجبعصبانی
عینکشیطانگریه
خندهقهقههخداحافظ
سبزقهرهورا
دستگلتفکر
نظرات پس از تایید نشان داده خواهند شد.


درباره وبلاگ



مدیر وبلاگ : نگار موسوی
نویسندگان
آمار وبلاگ
  • کل بازدید :
  • بازدید امروز :
  • بازدید دیروز :
  • بازدید این ماه :
  • بازدید ماه قبل :
  • تعداد نویسندگان :
  • تعداد کل پست ها :
  • آخرین بازدید :
  • آخرین بروز رسانی :