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

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری دارای ۱۲۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

این پروژه توسط مرکز پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری۲ ارائه میگردد

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 پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری :

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

دانلود کارشناسی ارشد رشته شیمی

در در ۱۱۴ صفحه ورد قابل ویرایش با فرمت doc

پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری
فهرست مطالب

عنوان صفحه

فصل اول- مقدمه ۱

۱-۱- تعریف و تاریخچه کمومتریکس ۲

۱-۲- روش های ریاضی و آماری در کمومتریکس ۴

۱-۳- مراحل مختلف مطالعات QSPR 4

۱-۳-۱- انتخاب سری مولکولی ۵

۱-۳-۲- محاسبه توصیف کننده های مولکولی. ۵

۱-۳-۳- انتخاب توصیف کننده های مولکولی مناسب ۶

۱-۳-۴- مدلسازی و انتخاب بهترین مدل ۶

۱-۳-۵- ارزیابی اعتبارمدل های انتخاب شده برای متغیرهای گزینش شده ۷

۱-۴- انواع توصیف کننده های مولکولی ۷

۱-۴-۱- توصیف کننده های جزئی مولکولی ۷

۱-۴-۲- توصیف کننده های توپولوژیکی مولکولی ۷

۱-۴-۳- توصیف کننده های تطبیقی مولکولی ۸

۱-۴-۴- توصیف کننده های شمارش گر قدم های مولکولی ۸

۱-۴-۵- توصیف کننده های ضرایب بار توپولوژی گالوز ۸

۱-۴-۶- توصیف کننده های هم بستگی دو بعدی ۹

۱-۴-۷- توصیف کننده های بار مولکولی ۹

۱-۴-۸- توصیف کننده های ضرایب آروماتیسیته مولکولی ۹

۱-۴-۹- توصیف کننده های هندسی ۹

۱-۴-۱۰- توصیف کننده های برش مولکولی راندیک ۱۰

۱-۴-۱۱- توصیف کننده های سه بعدی مولکولی. ۱۰

۱-۴-۱۲- توصیف کننده های تصویری مولکولی ۱۰

۱-۴-۱۳- توصیف کننده های توزیع شعاعی ۱۱

۱-۴-۱۴- توصیف کننده های گروههای عاملی ۱۱

۱-۴-۱۵- توصیف کننده های بخش های متصل به اتم مرکزی ۱۱

۱-۴-۱۶- توصیف کننده های جانمایی توپولوژی – هندسی ۱۱

۱-۴-۱۷- توصیف کننده های تجربی مولکول ۱۱

۱-۴-۱۸- توصیف کننده های ویژگی مولکولی ۱۲

۱-۵- روش های مختلف مدلسازی ریاضی .۱۲

۱-۵-۱- روش رگرسیون خطی چند گانه ۱۲

۱-۵-۱-۱- تاریخچه ۱۲

۱-۵-۱-۲- مفروضات رگرسیون ۱۳

۱-۵-۱-۳- روش ورود متغیر ها در رگرسیون ۱۴

۱-۵-۱-۴- آزمون هم خطی ۱۵

۱-۵-۲- روش ماشین بردارپشتیبان ۱۷

۱-۵-۲-۱- مقدمه ۱۷

۱-۵-۲-۲-اصول کار وخلاصه استفاده عملی از ماشین بردار پشتیبان ۱۷

۱-۵-۳- روش شبکه های عصبی مصنوع ۲۰

۱-۵-۳-۱- مقدمه ۲۰

۱-۵-۳-۲- مفهوم شبکه عصبی مصنوعی .۲۰

۱-۵-۳-۳- تاریخچه ی شبکه های عصبی ۲۱

۱-۵-۳-۴- نرون ها ۲۲

۱-۵-۳-۵- توابع انتقال۲۴

۱-۵-۳-۶- شبکه ها ۲۵

۱-۵-۳-۷- انواع شبکه ها ۲۷

۱-۵-۳-۸- مزایا و معایب. ۲۹

۱-۵-۳-۹- کاربرد های شبکه عصبی مصنوعی ۳۰

۱-۶-آنالیز بهینه شده آفت کش ها و علف کش ها ۳۲

۱-۷- معرفی نرم افزار ۳۴

۱-۷-۱- نرم افزار۲۰ .SPSS 34

۱-۷-۲- نرم افزار Hyper chem 0.7 34

۱-۷-۳- نرم افزارDragon 2.1 34

۱-۷-۴-نرم افزار STATISTICA 0.8 35

فصل دوم- پیشینه فایل ۳۷

– مطالعات کمومتری انجام شده بر روی زمان های بازداری آفت کش ها ۳۸

فصل سوم- بخش تجربی ..۴۳

۳-۱- رسم ساختارهای مولکولی ۴۴

۳-۲- بهینه سازی ساختارهای مولکولی ۴۴

۳-۳- محاسبه توصیف کننده های مولکولی ۴۶

۳-۴- استفاده از نرم افزار Excel 2010 Microsoft 46

۳-۵- کاهش تعداد توصیف کننده های مولکولی ۴۷

۳-۶- دسته بندی داده ها ۴۸

۳-۷- مدل سازی خطی برای پیش بینی زمان بازداری ۴۸

۳-۸- مدلسازی با روش های غیر خطی ۴۹

فصل چهارم- بحث و نتیجه گیری ۵۱

۴-۱- نتایج حاصل از روش رگرسیون خطی چند گانه گام به گام ۵۲

۴-۲- طراحی روند برای آموزش ماشین بردار پشتیبان. ۶۱

۴-۳- نتایج بدست آمده با استفاده از روش ماشین بردار پشتیبان ۶۳

۴-۴- طراحی روند برای آموزش شبکه های عصبی مصنوعی ۶۶

۴-۵- نتایج بدست آمده با استفاده از روش شبکه های عصبی مصنوعی ۶۶

۴-۶- مقایسه نتایج حاصل از سه روشSW-MLR و SVM و ANN 68

۴-۷- توضیح توصیف کننده های مولکولی. ۷۰

۴-۸- نتیجه گیری ۷۳

۴-۹- پیشنهادات برای کارهای بعدی ۷۳

پیوست ۷۴

منابع ۹۸

چکیده انگلیسی .۱۰۱

پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری
فهرست علایم و نشانه‌ها

معنی لغوی عنوان یا علامت اختصاری

رابطه کمی ساختار-خاصیت QSPR

رابطه کمی ساختار-زمان بازداری QSRR

رگرسیون خطی چند گانه گام به گام MLR

شبکه های عصبی مصنوعی ANN

ماشین بردار پشتیبان SVM

پیش بینی Prediction

زمان بازداری Retentiom Time

آفت کش ها Pestiside

پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری
فهرست جدول‌ها

عنوان صفحه

جدول ۱-۱ انواع توصیف گرها به همراه تعداد آنها……………………………………………………………………. ۳۵

جدول ۴-۱ نتایج آماری برای داده های کد بندی شده با مدل سازی SW-MLR……… …………………..52

جدول ۴-۲ ماتریس ضریب همبستگی برای توصیف گر های انتخاب شده …………………………………. ۵۴

جدول۴-۳ نتایج آمای مدلسازی برای داده های با توزیع نرمال به روش SW-MLR………………………. 55

جدول ۴-۴ نتایج مختلف آماری برای مدل سازی به روش SW-MLR………………………………………… 59

جدول ۴-۵ ماتریس ضریب همبستگی برای توصیف گر های انتخاب شده با روش SW-MLR………. 60

جدول ۴-۶ خلاصه نتایج آماری پیش بینی زمان بازداری آفت کش ها با روش SVM…………………… 63

جدول ۴-۷ خلاصه نتایج آماری پیش بینی زمان بازداری آفت کش ها با روش ANN…………………… 66

جدول ۴-۸ خلاصه نتایج آماری برای سه روش ANN , SVM , MLR……………………………………….68

جدول ۴-۹ توصیف گرهای انتخاب شده با روش رگرسیون خطی چند گانه………………………………… ۶۹

پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری
فهرست شکل‌‌ها

عنوان صفحه

شکل ‏1 1 نمودار رگرسیون خطی با یک متغیر ۱۶

شکل ‏1 2 ابر سطح با حد اکثر مرز جدا کننده. …..۱۹

شکل ‏1 3 ساختار نرون طبیعی انسان.. ۲۳

شکل ‏1 4 ساختار یک نرون مصنوعی………………………………………………………………………………………۲۳

شکل ‏1 5 چند مورد از توابع انتقال موجود در ANN…………………………………………………………………25

شکل ‏1 6 شمایی از یک شبکه عصبی. ۲۶

شکل ‏1 7 شمایی از ستون کروماتوگرافی بهینه شده برای تعیین زمان بازداری آفت کش ها…………… ۳۳

شکل ‏4 1 مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل SW-MLR در دو مجموعه آموزشی و آزمایشی…………………………………………………………………. ۵۳

شکل ‏4 2 مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل SW-MLRبرای مجموعه آزمون………………………………………………………………………………………..۵۳

شکل ‏4 3 مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل SW-MLR در دومجموعه آموزشی و آزمایشی……………………………………………………………………۵۵

شکل ‏4 4 مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل SW-MLR برای سری آموزشی…………………………………………………………………………………………۵۶

شکل ‏4 5 مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل SW-MLR برای سری آزمون……………………………………………………………………………………………۵۶

شکل ‏4 6 مقادیر باقیمانده بر حسب مقادیر زمان های بازداری تجربی برای آفت کش ها در دو مجموعه آموزشی و آزمون بر اساس مدل SW-MLR……………………………………………………………….57

شکل ‏4 7 تأثیر تعداد توصیف گر ها برروی R2 بر اساس مدلSW-MLR ………………………………….. 58

شکل ۴-۸ تغییرات مقدار پارامتر مجذور میانگین مربعات خطا نسبت به اپسیلون برای سری آموزشی براساس مدل SVM………………………………………………………………………………………………………………..62

شکل ۴-۹ – تغییرات مقدار مجذور میانگین مربعات خطا نسبت به ظرفیت ماشین بردار پشتیبان براساس مدل SVM برای سری آموزشی………………………………………………………………………………………………..۶۲

شکل ۴-۱۰ تغییرات مقدار مجذور میانگین مربعات خطا نسبت به گاما برای سری آموزشی براساس مدل SVM…………………………………………………………………………………………………………………………….63

شکل ۴-۱۱ مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل SVMبرای سری آموزشی………………………………………………………………………………………………..۶۴

شکل ۴-۱۲ مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل SVMبرای سری آزمون…………………………………………………………………………………………………..۶۴

شکل ‏4-13 مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل SVM در دومجموعه آموزشی و آزمایشی…………………………………………………………………………..۶۵

شکل ‏4-14 مقادیر باقیمانده بر حسب مقادیر زمان های بازداری تجربی برای آفت کش ها در دو مجموعه آموزشی و آزمون بر اساس مدل SVM……………………………………………………………………….. 65

شکل ‏4-15 مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل ANN برای سری آزمون…………………………………………………………………………………………………..۶۷

شکل ‏4-16 مقادیر زمان های بازداری محاسبه شده بر حسب مقادیر تجربی برای آفت کش ها بر اساس مدل ANN در دو مجموعه آموزشی و آزمون……………………………………………………………………………. ۶۷

شکل ‏4-17 مقادیر باقیمانده بر حسب مقادیر زمان های بازداری تجربی برای آفت کش ها در دو مجموعه آموزشی و آزمون بر اساس مدل ANN……………………………………………………………………….. 68

چکیده :

روش مدل سازی QSPR به عنوان ارائه دهنده رابطه بین ساختار و خاصیت به منظور پیش بینی زمان بازداری ۲۰۸ نوع از باقیمانده آفت کش ها در زمین های زراعی انجام گرفت. ابتدا ساختار مولکولی ترکیبات درنرم افزار۰.۸ ChemDraw رسم شد، سپس ساختار فضایی آنها در محیط نرم افزار۰.۷ HyperChem بهینه گردید. پس از اپتیمم شدن فاصله پیوندها وطول آنها در مولکول، توصیف گرهای هرمولکول در نرم افزار Dragon 2.1 به طریقه ی نظری محاسبه شدند، آنگاه کاهش تعداد توصیف گرها درنرم افزارExcel و SPSS صورت گرفت و داده ها براساس قاعده توزیع نرمال، به دوسری 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 پارامتر های F و R2Pred و R2Train و R2Test برای مدل بدست آمده با روش SW-MLR بترتیب برابر ۰.۹۲۱, ۰.۹۰۲, ۰.۹۰۵, ۱۰۶ می باشد. مدل بدست آمده با تکنیک Cross-Validation و روش Leave-One-Out (LOO) مورد ارزیابی قرار گرفت. مقدار ضریب همبستگی توصیف گر¬¬¬¬های بدست آمده کمتر از ۶۹/۰ 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 ۰.۹۴۱ و ۰.۹۶۰ می باشد.

کلید واژگان : ارتباط کمی ساختار-خاصیت، کروماتوگرافی، کمومتریکس، زمان بازداری، آفت کش ها، زمین های زراعی، رگرسیون خطی چند گانه، شبکه های عصبی مصنوعی، ماشین بردار پشتیبان .