پیشینه تحقیق پیشگوئی EC50 مشتقات کاپساسین توسط ماشین های بردار پشتیبان دارای ۶۳ صفحه می باشد فایل پیشینه تحقیق به صورت ورد  word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود  آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.

فهرست مطالب

۲-۱ ماشین های بردار پشتیبان    ۴
۲-۲ طرز کار ماشین های بردار پشتیبان    ۴
۲-۲-۱ مفهوم ابر صفحه و حاشیه    ۵
۲-۲-۲ حاشیه نرم    ۶
۲-۲-۳ حاشیه سخت    ۷
۲-۳ طبقه بندی ماشین بردار پشتیبان    ۷
۲-۴ نگاشت به فضای ویژگی و روش کرنل    ۸
۲-۵ مختصری از تاریخچه SVM    ۱۱
۲-۶ کاربردهای SVM    ۱۲
۲-۷ تجزیه به مولفه‌های اصلی    ۱۳
۲-۷-۱ مراحل تجزیه به مولفه‌های اصلی    ۱۵
ماتریس اطلاعات اولیه لازم جهت تجزیه به مولفه‌های اصلی    ۱۵
۲-۸ تئوری اطلاعات    ۱۷
۲-۸-۱ آنتروپی شانون    ۱۸
۲-۸-۲ تعبیر مفهوم آنتروپی    ۲۲
۲-۸-۳ قضیه بایز    ۲۴
۲-۸-۴ آنتروپی شرطی    ۲۸
۲-۸-۵ اطلاعات متقابل    ۲۹
۲-۸-۶ کاربرد های تئوری اطلاعات    ۳۱
۲-۹ انتخاب توصیف کننده ها براساس تئوری اطلاعات    ۳۲
۲-۱۰ کمواینفورماتیک    ۳۴
۲-۱۱-فعالیت داروئی    ۳۴
۲-۱۲ کاپساسین    ۳۶
۲-۱۲-۱ کاربردها ی کاپساسین    ۳۸
۲-۱۳ رسم مولکول    ۳۹
۲-۱۴ پیاده سازی و اجرای الگوریتم    ۴۳
۲-۱۴-۱ روش انتخاب توصیف کننده    ۴۴
۲-۱۴-۲ بهینه سازی مجموعه توصیف کننده ها توسط الگوریتم Wrapper    ۴۷
۲-۱۵ اجرای الگوریتم ماشین بردار پشتیبان و نتایج حاصل    ۵۰
۲-۱۵-۱ انتخاب مدل    ۵۲
۲-۱۶ بحث و نتیجه گیری    ۵۶
منابع    ۵۹

منابع

Suykens, J. A. K., Van Gestel, T., De Brabanter, J., De Moor, B., Vandewalle, J. (2002) Least Squares Support Vector Machines. Singapore: World Scientific Publishing Company.

John, S., Nello, C. (2000) Support Vector Machines and other Kernel-based Learning Methods. Cambridge, MA, USA: Cambridge University Press.

Vapnik, V. (2000) The Nature of Statistical Learning Theory, Information Science and Statistics. New York: Springer-Verlag.

Vapnik, V. (1989) Statistical Learning Theory. New York: Wiley-Interscience.

Frohlich, H. (2006) “Kernel Methods in Chemo- and Bio-Informatics.” PhD thesis, Tubingen.

Vert, J. P. (2008) Kernel Methods for QSAR and Virtual Screening, 10th European Symposium on Statistical Methods for the Food Industry. Louvain-la-Nouva: Belgium.

Schölkopf, B. Burges, C. J. C. Smola, A. J. (1999) Advances in Kernel Methods, Support Vector Learning. Cambridge, MA, USA: MIT Press.

http://www.Support Vector Machines (SVM) /html. [12 Septamber 2008].

Taylor, J. S., Cristianini, N. (2004) Kernel Methods for Pattern Analysis. Cambridge, MA, USA: Cambridge University Press.

Suykens, A. Horvath, K. Basu, G. Micchelli, S. Vandewalle, C. J. (2003) Advances in Learning Theory: Methods, Models and Applications. Amsterdam: IOS Press.

Wang, J., Liu, H., Qin, s., Yao, X., Liu, M., Hu, Z., Fan, B. (2005) “Study on the structure-Activity Relationship of New Anti-HIV Nucleoside Derivatives Based on the Support Vector Machine Method.” Journal of QSAR Combinatiorial Science, Vol. 26, pp. 161-172.

Chunyan, Z., Zhao,, Zhang, H., Fan, B. (2007) ” Accurate Perediction of the Folding Rate for Two-State Proteins Based on Amino Acid Sequences.” Journal of QSAR& Combinatorial Science, Vol. 26, pp. 307-316.

Qin, S., Liu, H., Wang, J., Yao, X., Liu, M., Hu, Z., Fan, B. (2006) “Quantitative Structure-Activity Relationship Study on a series of Novel Ligands Binding to centeral Benzodiazepine Receptor By Using the Combination of Heuristic Method and Support Vector Machines.” Journal of molecular Graphics and modeling, 26, pp. 443-451.

Fatemi, M. H., Gharaghani, S., Mohammadkhani, S., Rezaie, Z. (2008) “Prediction of Selectivity Coefficients of Univalent Anions for Anion-selective Electrode using Support Vector Machine.” Electrochemica Acta, Vol. 53, 4276-4282.

۲-۱ ماشین های بردار پشتیبان

مقدمه:

ماشین های بردار پشتیبان[۱] نسل جدیدی از الگوریتم های یادگیری آماری ماشین[۲] هستند که در ساله ای اخیر به دلیل موفقیت قابل توجه شان در عرصه های مختلف کاربردی، مورد توجه بسیار قرار گرفته اند ]۳۶ .[ایده اولیه ماشین های بردار پشتیبان توسط واپنیک[۳] در دهه ۹۰ در قالب نظریه کمینه سازی ریسک ساختاری در تئوری یادگیری آماری ماشین واپنیک-چرووننکیس[۴] مطرح شد] ۳۷-۳۶ [و از آن زمان تا کنون با مقبولیت رو به گسترشی مواجه گردیده است. اعتقاد عمومی بر این است که قابلیت تعمیم [۵] بسیار خوب  ماشین های بردار پشتیبان باعث می شود تقریبا در تمام کاربردهای عملی از روش های سنتی مانند شبکه های عصبی مصنوعی کارایی بالاتری داشته باشند و پیشرفت های بزرگی را نوید دهند ]۳۸٫[ برای مروری بر کاربرد ماشین های بردار پشتیبان در شیمی محاسباتی و علوم زیستی می توانید به ]۳۹ [مراجعه کنید.

۲-۲ طرز کار ماشین های بردار پشتیبان

ایده اساسی ماشین های بردار پشتیبان جدا سازی نقاط توسط یک ابرصفحه[۶] است. این ابر صفحه ( که گاهی ابر صفحه تصمیم گیری[۷] خوانده می شود) به گونه ای انتخاب می شود که فاصله نقطه منتهی الیه دست راست از مجموعه دست چپ  و نقطه منتهی الیه دست چپ از مجموعه دست راست تا ابرصفحه تصمیم گیری بیشترین مقدار ممکن را داشته باشد. به عبارت دیگر ماشین های بردار پشتیبان حاشیه[۸] ابرصفحه تصمیم گیری را بیشینه می کنند. بدین ترتیب ماشین های بردار پشتیبان در اصل الگوریتم های طبقه بندی[۹] با روش بیشینه سازی حاشیه[۱۰] به شمار می آیند.  شکل زیر طرز کار الگوریتم را به کمک تصویر نشان می دهد. نقاط منتهی الیه دست راست از مجموعه دست چپ و منتهی الیه دست چپ از مجموعه دست راست را بردار های پشتیبان [۱۱] می نامند . در عمل تنها دانستن همین نقاط برای رسم ابرصفحه تصمیم گیری کافی است]۴۱-۴۰٫[

۱ مفهوم ابر صفحه و حاشیه

تصاویر ۱ تا ۶ در شکل (۲-۲) مراحل یافتن بهینه ترین ابر صفحه و بیشینه سازی حاشیه را نشان می دهد.

۲-۲-۲ حاشیه نرم

در روش حاشیه نرم[۱] اجازه می دهیم تعدادی از نقاط اشتباه طبقه بندی شوند و البته چنین نقاطی را تنبیه (خطای موجود در طبقه بندی این نقاط را) لحاظ می­کنیم. بدین ترتیب دقت تعلیم تا حدی پایین می آید اما قابلیت تعمیم مدل بالا می رود.

۲-۲-۳ حاشیه سخت

در روش حاشیه سخت[۱] هدف ما این است که دقت تعلیم را بیشینه کنیم بدین ترتیب تا حد امکان اجازه نمی دهیم نقطه ای اشتباه طبقه بندی شود. این روش با ریسک پایین بودن قابلیت تعمیم روبرو است ]

۲-۳ طبقه بندی ماشین بردار پشتیبان

۱-C-SVM Classification

Cپارامتر ظرفیت است که میزان سخت گیری الگوریتم در تعلیم را تعیین می کند، در حقیقت C زیاد معادل حاشیه سخت و C کم معادل حاشیه نرم می باشد. مقدار C محدودیتی ندارد.

۲- ν-SVM Classification

این نوع دقیقا معادل C-SVM می باشد با این تفاوت که برای سختی حاشیه به جای C از پارامتر ν استفاده می کنیم که مقادیر بین ۰ و ۱ را اختیار می کند.

۳- SVM – One Class

در این روش با استفاده از نظریه واپنیک – چرونیکس احتمال اینکه نمونه ای به یک طبقه خاص تعلق داشته باشد تخمین زده می شود.

۴- ν -SVM Regression

ν همان شرایط نوع دوم SVM را دارد با این تفاوت که این SVM از نوع رگرسیون است.

۵- Regression SVM- ε

ε حدی است که خطای تعلیم کوچک تر از آن نادیده گرفته می شود و تنها در مساله رگرسیون کاربرد دارد. هر چه ε بزرگ تر باشد حاشیه نرم تر و هر چه ε کوچک تر باشد حاشیه سخت تر می شود (عکس حالت C) ]43[.

۲-۴ نگاشت به فضای ویژگی و روش کرنل

مکانیزمی که در بخش گذشته مورد بحث قرار گرفت، تنها در موارد خاصی کاربرد دارد. در اکثر موارد نمی توان نقاط متعلق به دو دسته متمایز را با یک ابر صفحه (یعنی به شکل خطی) از هم جدا کرد. اگر فضای ما ۲-بعدی باشد می توانیم بگوییم با رسم یک خط همیشه نمی توان نقاط دو دسته الف و ب را از هم جدا کرد. اصطلاحا چنین مسائلی جدایی پذیر به روش خطی[۱] نیستند. در حالت کلی برای جدا سازی نقاط نیاز به یک منحنی با شکلی پیچیده داریم. نا گفته پیداست که پیدا کردن چنین منحنی های نا منظمی وقت گیراست وزمان اجرای برنامه را چندین برابر می کند.آیا روش ساده تری نیز وجود دارد؟ پاسخ این سوال مثبت است.

می توانیم هر یک از نقاط مورد بحث را که در یک فضای -n بعدی تعریف شده اند با نقطه ای در یک فضای-m  بعدی جدید متناظر کنیم به طوری که نقاط در فضای جدید به شکل خطی جدایی پذیر باشند و بتوان از روشی که در بخش قبل توصیف شد استفاده کرد. به زبان ریاضی این کار یک نگاشت [۲] به یک فضای جدید است. شکل (۲-۵) ایده ای که گفته شد را به روشنی توضیح می دهد.

[۱]. Linearly Separable

[۲]. Mapping

[۱]. Hard Margin

[۱]. Soft Mrgin

[۱]. Support Vector Machines (SVMs)

[۲]. Statistical Machine Learning

[۳]. Vapnik

[۴]. Vapnik-Chervonenkis Structural Risk Minimization

[۵]. Generalization

[۶]. Hyperplane

[۷]. Decision Hyperplane

[۸]. Margin

[۹]. Classification Algorithms

[۱۰]. Margin Maximization

[۱۱]. Support Vectors

تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ  را پرداخت نمایید.