خوش رفتاری، بر محبّت دل ها می افزاید . [امام علی علیه السلام]
 
چهارشنبه 95 آبان 12 , ساعت 6:41 صبح

 

برای دریافت پروژه اینجا کلیک کنید

مقاله محاسبه پارامترهای ترمودینامیکی INN در پیش‌بینی ساختار دوم توالی RNA با استفاده از مدل رگرسیونی مضاعف و شبکه عصبی مصنوعی در pdf دارای 1 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله محاسبه پارامترهای ترمودینامیکی INN در پیش‌بینی ساختار دوم توالی RNA با استفاده از مدل رگرسیونی مضاعف و شبکه عصبی مصنوعی در pdf کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.

این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله محاسبه پارامترهای ترمودینامیکی INN در پیش‌بینی ساختار دوم توالی RNA با استفاده از مدل رگرسیونی مضاعف و شبکه عصبی مصنوعی در pdf ،به هیچ وجه بهم ریختگی وجود ندارد


بخشی از متن مقاله محاسبه پارامترهای ترمودینامیکی INN در پیش‌بینی ساختار دوم توالی RNA با استفاده از مدل رگرسیونی مضاعف و شبکه عصبی مصنوعی در pdf :

سال انتشار: 1391
محل انتشار: اولین همایش ملی دانشجویی بیوتکنولوژی
تعداد صفحات: 1
چکیده:
تعیین ساختار دوم توالی مولکول‌های RNA در مسائل بیوانفورماتیک، علاوه بر تفسیر عملکرد و واکنش‌پذیری RNA، در تحلیل ساختار سوم مولکول RNA نیز کاربرد دارد. در این مقاله، ساختار دوم توالی RNA به روش کمترین انرژی آزاد با مدل نزدیکترین همسایه (INN) ارائه شد. برای محاسبه پارامترهای ترمودینامیکی این روش، دو برنامه جداگانه با استفاده از نرم‌افزار MATLAB نوشته شد. در یکی از برنامه‌ها از مدل رگرسیون خطی مضاعف و در برنامه دیگر از شبکه عصبی مصنوعی پرسپترون دو لایه برای محاسبه پارامترها استفاده شد. برای آزمایش برنامه‌ها، مقادیر انرژی 200 توالی کوتاه نوکلئوتیدی به عنوان نمونه از پایگاه داده بیوانفورماتیک NTDB استخراج شد و برای ورودی برنامه ها مورد استفاده قرار گرفت. پارامترهای ترمودینامیکی به دست آمده از این دو روش به عنوان مقادیر ورودی یک شبکه عصبی پس انتشار (back-propagation) به سیستم معرفی شدند. نتایج تست نشان داد که داده های مدل شبکه پرسپترون نسبت به مدل رگرسیونی به خط با شیب 1 نزدیکتر بوده و مقدار R2 برای آنها بیشتر از مدل رگرسیونی است. همچنین، به دلیل زیاد بودن تعداد پارامترها و ناکافی بودن تعداد داده‌ها در بعضی از حالات، الگوریتم شبکه پرسپترون، نتایج مطلوب ‌تری را نشان داد.

 

برای دریافت پروژه اینجا کلیک کنید

لیست کل یادداشت های این وبلاگ