دانلود پایان نامه ارشد شیمی : مطالعه QSAR بر روی مشتقات pyrrolo[3,2-d]pyrimidine-7-carbonitrile برای داروهای ضد دیابت

 پایان نامه سایت ارشدها - رشته جغرافی-جغرافیا

عنوان کامل پایان نامه :

 مطالعه QSAR بر روی مشتقات pyrrolo[3,2-d]pyrimidine-7-carbonitrile برای داروهای ضد دیابت

قسمتی از متن پایان نامه :

۱-۶-۱۰- شبکه های عصبی مصنوعی (ANN)

شبکه‌های عصبی مصنوعی یا به زبان ساده‌تر شبکه‌های عصبی، سیستم‌ها و روش‌ های محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت پیش‌بینی پاسخ‌ های خروجی از سامانه‌های پیچیده هستند. ایده اصلی این گونه شبکه ‌ها (تا حدودی) الهام ‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه های پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم ‌پیوسته با نام نورون[۱] تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها[۲] (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند، مثلا با اعمال سوزش به سلول‎ های عصبی لامسه، سلول‎ ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم ‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ ها وزن سیناپس ‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی ‎های جدید، سیستم پاسخ درستی تولید کند. با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نورون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون ‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ ها برای تخمین[۳] و تقریب[۴] کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال ‌های بیولوژیکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد. اگر یک شبکه را هم‌ارز با یک گراف بدانیم، فرآیند آموزش شبکه تعیین نمودن وزن هر یال و پایه اولیه خواهد بود. هدف شبکه عصبی مصنوعی ارزیابی قابل اطمینان بودن مدل QSAR است و به ارتباط غیر خطی بین متغیر های ورودی و خروجی توجه دارد.

شبکه عصبی مصنوعی یک سامانه پردازشی داده‌هاست که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهده پردازنده ‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده گره گفته می‌شود. بعد با ایجاد شبکه‌ای بین این گره‌ها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. در این حافظه یا شبکه عصبی گره‌ها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن است. یال‌ های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌ های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند. شبکه‌ های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌ها پیچیده می‌توانند در استخراج الگو ها و شناسایی گرایش ‌های مختلفی که برای انسان‌ ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند ]۱۵[.

 

۱-۶-۱۰-۱- ویژگی های شبکه عصبی

یکی از مهم ترین ویژگی های شبکه عصبی مصنوعی اینست که شبکه های فوق، سیستمی برنامه ریزی شده با قواعد از پیش تعیین شده نیستند و می توانند طی فرآیندی که آموزش نامیده می شود ساختار درونی خود را به صورت تجربی به نحوی تنظیم کنند که بهترین پاسخ ممکن را برای داده های ورودی ایجاد کند. استفاده از شبکه های عصبی مصنوعی به جای روش رگرسیون خطی چندتایی در مطالعات QSAR، به خصوص هنگامی که ارتباط بین توصیف کننـده و فعالیـت مورد نظـر خطـی نبوده و یا اینکه بین آنها بر هم کنش هایی وجود داشتـه باشد باعث بهبـود مدل حاصلـه خواهــد شــد. یک شبکه عصبی شامل اجزای سازنده لایه‌ ها و وزن ‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. شبکه عصبی مصنوعی، از مجموعه‌ای از نورون ‌های عصبی تشکیل می‌شود. مهم‌ترین عواملی که گونه‌ها و کاربرد های شبکه‌های عصبی را از یکدیگر متمایز می‌سازند، نوع نورون به‌کارگرفته شده، چیدمان یا معماری شبکه، بازه ورودی/ خروجی‌ها است. در معماری یک شبکه تعداد لایه ‌ها و اتصالات بین آنها مهم است. ورودی‌ های شبکه با نام «لایه ورودی» و خروجی های شبکه با نام «لایه خروجی» و در صورت نیاز، لایه‌های میان این دو «لایه پنهان» نامیده می‌شود. در صورتی که خروجی نورون ‌های هر لایه به همه نورون‌ های لایه بعدی وارد شده باشد، اتصالات را کامل می‌نامند، اما اغلب خروجی‌ها به‌صورت تصادفی با توزیع نرمال در نظر گرفته می‌شود. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:

  1. لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌ است.
  2. لایه ‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.

[۱]Neuron

[۲]Synapse

[۳]Estimation

[۴]Approximation

سوالات یا اهداف این پایان نامه :

    متن کامل در سایت امید فایل 

  • می توان مدل های مناسبی از ساختار به وجود آورد. (ساختار بهینه)
  • می توان ساختار های جدید از این طریق طراحی کرد.
  • می توان سنتزهایی که تنها با افزایش صورت می گیرد به دست آورد.
  • ویژگی طرح آزمایشی که با استفاده از نمایش ساختار مطلوب به دست می آید به محقق این امکان را می‎دهد تا بتواند ساختارهای جدید را در فضای مجازی امتحان کند وهمین امر کار آزمایشگاهی را با بیشترین بازده برای شیمیدان فراهم می کند.

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود متن کامل پایان نامه جغرافیا در لینک زیر

لینک متن کامل پایان نامه رشته جغرافیا با عنوان :  مطالعه QSAR بر روی مشتقات pyrrolo[3,2-d]pyrimidine-7-carbonitrile برای داروهای ضد دیابت با فرمت ورد

Related posts: