پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با روش های کمو متری

پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با روش های کمو متری پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با روش های کمو متری

دسته : شیمی

فرمت فایل : word

حجم فایل : 3807 KB

تعداد صفحات : 114

بازدیدها : 338

برچسبها : کمو متری زمان بازداری آفت کش

مبلغ : 8500 تومان

خرید این فایل

دانلود پایان نامه شیمی تجزیه - پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری

پایان نامه برای دریافت درجه کارشناسی ارشد دررشته : شیمی تجزیه دانشکده : علوم پایه گروه علمی : شیمی عنوان پایان نامه : پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری

چکیده :

روش مدل سازی QSPR به عنوان ارائه دهنده رابطه بین ساختار و خاصیت به منظور پیش بینی زمان بازداری 208 نوع از باقیمانده آفت کش ها در زمین های زراعی انجام گرفت. ابتدا ساختار مولکولی ترکیبات در نرم افزار 0.8 ChemDraw رسم شد، سپس ساختار فضایی آنها در محیط نرم افزار 0.7 HyperChem بهینه گردید. پس از اپتیمم شدن فاصله پیوندها و طول آنها در مولکول، توصیف گرهای هر مولکول در نرم افزار Dragon 2.1 به طریقه ی نظری محاسبه شدند، آنگاه کاهش تعداد توصیف گرها در نرم افزار Excel و SPSS صورت گرفت و داده ها براساس قاعده توزیع نرمال، به دو سری آموزشی و آزمون تقسیم شدند. وابستگی ریاضی بین توصیف گرهای مولکولی و زمان بازداری ابتدا به کمک نرم افزار SPSS و روش رگرسیون خطی چند گانه گام به گام، به صورت یک مدل ریاضی تعیین شد. روش SW-MLR یک مدل خطی با شش توصیف گر MR و STN و Mor22m و PJI3 و E2U و E3S را ایجاد کرد که اولین توصیف کننده بیانگر ویژگی های مولکولی و دومی مربوط به ماتریس دو بعدی، و سومی مربوط به ویژگی سه بعدی از مولکول و چهارمی بیانگر ویژگی هندسی مولکول و دو مورد آخر، جزو توصیف گرهای تصویری مولکول می باشند. مقادیر آماری پارامترهای F و R2Pred و R2Train و R2Test برای مدل بدست آمده با روش SW-MLR به ترتیب برابر 0.921, 0.902, 0.905, 106 می باشد. مدل بدست آمده با تکنیک Cross-Validation و روش Leave-One-Out (LOO) مورد ارزیابی قرار گرفت. مقدار ضریب همبستگی توصیف گرهای بدست آمده کمتر از 0/69 می باشد. در ادامه، برای افزایش کارایی مدل بدست آمده، دو روش غیر خطی ماشین بردار پشتیبان (SVM) و شبکه های عصبی مصنوعی (ANN) بکار گرفته شدند. مقادیر زمان های بازداری پیش بینی شده و پارامتر های آماری حاصل از اجرای هر سه روش مورد مقایسه قرار گرفت که نتایج بدست آمده حاکی از برتری روش شبکه های عصبی مصنوعی (ANN) نسبت به دو روش دیگر می باشد. مقادیر R2Pred برای روش ماشین بردار پشتیبان و روش شبکه های عصبی مصنوعی به ترتیب برابر 0.941 و 0.960 می باشد.

تعریف و تاریخچه کمومتریکس

کمومتریکس، کاربرد علوم آمار، کامپیوتر و ریاضی در شیمی می باشد. کمومتریکس روشی مبتنی بر آنالیزهای ریاضی وداده های آماری محاسبه شده، و با استفاده از توصیف کننده های مولکولی، مابین ساختار مولکول و خاصیت مورد بررسی از آن مولکول یک رابطه ریاضی برقرار کرده وبا استفاده ازآن رابطه ریاضی اقدام به پیش بینی مقدار عددی آن خاصیت می کند که یک روش کاملاً تئوری است.

از روش ذکر شده برای درک بهتر اطلاعات شیمیایی که در آزمایشگاه بدست می آید استفاده می شود، به این صورت که با استفاده از آنالیز داده های شیمیایی بدست آمده اطلاعات مفید استخراج می شود با توجه به این اطلاعات می توان آزمایش های مورد نظر با بازدهی بهتر را طراحی کرد. کاربرد روشهای ریاضی در شیمی سابقه دیرین دارد ولی با توجه به پیشرفت علوم کامپیوتر و کاربرد آن در علوم روشهای کمومتریکس در دهه اخیر پیشرفت بسیار داشته است. در این دو دهه روشهای کمومتریکس مختلفی توسط شیمیدانها با کمک متخصصین علوم کامپیوتر، ریاضی و آمار ارائه شده است. بطور کلی، شیمیدانان (کسانی که از روش های کمومتریکس استفاده می کنند) از این روش تحقیقاتی به منظور تأیید اعتبار داده های تجربی خود استفاده می کنند.

روش های کمومتریکس با عناوین (QSPR) رابطه و وابستگی کمی ساختار و خاصیت مانند (QSAR) و (QSRR) معرفی شده اند که روش اول به برسی نحوه ارتباط بین ساختار مولکولی و فعالیت مولکولی و دومی به برسی ارتباط بین ساختار و زمان بازداری ترکیبات شیمیایی مختلف می پردازد.

...

روش های ریاضی و آماری در کمومتریکس

امروزه در کمومتریکس از روش های مختلف ریاضی و آماری مانند رگرسیون خطی چند گانه، حداقل مربعات جزئی، آنالیز اجزای اصلی، و اخیرا از روش شبکه های عصبی مصنوعی و ماشین بردار پشتیبان نیز استفاده می شود. به منظور انتخاب توصیف کننده های مولکولی که بیشترین ارتباط را با ساختار مولکولی دارند، معمولا از روش الگوریتم ژنتیک استفاده می شود. این روش ها جزو دسته ای از علوم کامپیوتری به نام هوش مصنوعی هستند که تفاوت اساسی با سایر روش های محاسباتی و همچنین بایکدیگر دارند. ازمیان روش های فوق، استفاده از روش شبکه های عصبی مصنوعی در شیمی کاربرد گسترده ای داشته و بکارگیری آن به سرعت در حال افزایش است...

...

فصل اول مقدمه

تعریف و تاریخچه کمومتریکس

روش های ریاضی و آماری در کمومتریکس

مراحل مختلف مطالعات QSPR

انتخاب سری مولکولی

محاسبه توصیف کننده های مولکولی

انتخاب توصیف کننده های مولکولی مناسب

مدلسازی و انتخاب بهترین مدل

ارزیابی اعتبارمدل های انتخاب شده برای متغیرهای گزینش شده

انواع توصیف کننده های مولکولی

توصیف کننده های جزئی مولکولی

توصیف کننده های توپولوژیکی مولکولی

توصیف کننده های تطبیقی مولکولی

توصیف کننده های شمارش گر قدم های مولکولی

توصیف کننده های ضرایب بار توپولوژی گالوز

توصیف کننده های هم بستگی دو بعدی

توصیف کننده های بار مولکولی

توصیف کننده های ضرایب آروماتیسیته مولکولی

توصیف کننده های هندسی

توصیف کننده های برش مولکولی راندیک

توصیف کننده های سه بعدی مولکولی

توصیف کننده های تصویری مولکولی

توصیف کننده های توزیع شعاعی

توصیف کننده های گروههای عاملی

توصیف کننده های بخش های متصل به اتم مرکزی

توصیف کننده های جانمایی توپولوژی هندسی

توصیف کننده های تجربی مولکول

توصیف کننده های ویژگی مولکولی

روش های مختلف مدلسازی ریاضی

روش رگرسیون خطی چند گانه

تاریخچه

مفروضات رگرسیون

روش ورود متغیر ها در رگرسیون

آزمون هم خطی

روش ماشین بردارپشتیبان

مقدمه

اصول کار وخلاصه استفاده عملی از ماشین بردار پشتیبان

روش شبکه های عصبی مصنوع

مقدمه

مفهوم شبکه عصبی مصنوعی

تاریخچه ی شبکه های عصبی

نرون ها

توابع انتقال

شبکه ها

انواع شبکه ها

مزایا و معایب

کاربرد های شبکه عصبی مصنوعی

آنالیز بهینه شده آفت کش ها و علف کش ها

معرفی نرم افزار

نرم افزار SPSS 20

نرم افزار Hyper chem 0.7

نرم افزارDragon 2.1

نرم افزار STATISTICA 0.8

فصل دوم پیشینه تحقیق

مطالعات کمومتری انجام شده بر روی زمان های بازداری آفت کش ها

فصل سوم بخش تجربی

رسم ساختارهای مولکولی

بهینه سازی ساختارهای مولکولی

محاسبه توصیف کننده های مولکولی

استفاده از نرم افزار Excel Microsoft 2010

کاهش تعداد توصیف کننده های مولکولی

دسته بندی داده ها

مدل سازی خطی برای پیش بینی زمان بازداری

مدلسازی با روش های غیر خطی

فصل چهارم بحث و نتیجه گیری

نتایج حاصل از روش رگرسیون خطی چند گانه گام به گام

طراحی روند برای آموزش ماشین بردار پشتیبان

نتایج بدست آمده با استفاده از روش ماشین بردار پشتیبان

طراحی روند برای آموزش شبکه های عصبی مصنوعی

نتایج بدست آمده با استفاده از روش شبکه های عصبی مصنوعی

مقایسه نتایج حاصل از سه روشSWMLR و SVM و ANN

توضیح توصیف کننده های مولکولی

نتیجه گیری

پیشنهادات برای کارهای بعدی

پیوست

منابع

چکیده انگلیسی

فهرست علایم و نشانه ها

فهرست جدول ها

فهرست شکل ها

خرید و دانلود آنی فایل

به اشتراک بگذارید

Alternate Text

آیا سوال یا مشکلی دارید؟

از طریق این فرم با ما در تماس باشید