ترجمه مقاله تعیین اهداف داروهای انسانی با استفاده از الگوریتم های یادگیری ماشین

اختصاصی از هایدی ترجمه مقاله تعیین اهداف داروهای انسانی با استفاده از الگوریتم های یادگیری ماشین دانلود با لینک مستقیم و پر سرعت .

این مقاله ترجمه مقاله انگلیسی Identification ofhumandrugtargetsusing
machine-learning algorithms می باشد ./

سال انتشار : 2014/

تعداد صفحات مقاله انگلیسی : 7/

تعداد صفحات فایل ترجمه : 8/

فرمت فایل ترجمه : Word /

مقاله اصلی را به زبان انگلیسی می توانید رایگان از اینجا دریافت فرمایید /

چکیده

تعیین اهداف داروهای انسانی در خط تولید دارو هدف بسار مهمی است.تعیین موفق اهداف داوطلب دارو در ژنوم بسیار مفید است و روشهای پیش بینی محاسباتی می توانند این پروسه را تسریع کنند.در این کار ما یک روش مبتنی بر دنباله برای تعیین و تبعیض موفق پروتئین های اهداف داروی انسانی از اهداف داروهای غیرانسانی، توسعه داده ایم .ویژگی های آموزش شامل ویژگی های دنباله مبنا مانند ترکیب آمینواسید،ترکیب ویژگی گروه آمینو اسید و ترکیب دیپتید برای تولید مدل پیش گویی است.دسته بندی پروئتین های داروهای  با هدف انسانی یک مدل کلاسیک  از کلاس نا متعادل را نشان می دهد.ما با استفاده از SMOTE(روش اقلیت بیش از نمونه مصنوعی) به عنوان مرحله پیش پردازش استفاده کرده ایم تا داده های آموزشی را با نزخ 1:1 بین اهداف دارویی و غیردارویی متعادل باشند.با استفاده از متدهای چرخشی Forest و نکنیک تشخیص ویژگی ReliefF برای انتخاب زیرمجموعه بهینه ویژگی های چشمگیر بهترین مدل با ویژگی های انتخاب شده می تواند 78% حساسیت،83.6% اختصاصی بودن،85.3% دقت، با 71% mcc دریک آزمایش اعتبارمتقاطع سنجی چند مرحله ای را به دست بدهد.زیرمجموعه ویژگی هیا بهینه انتخاب شده،مکن است در دستیابی به الگوهای ترکیبی در اهداف داروی انسانی کمک کند.برای اعتبار سنجی بیشتر با استفاده از یک آزمایش اعتبار سنجی متقاطع سخت مدل 81% حساسیت،83% اختصاصی بودن،85.5% دقت . 0.712 mcc به دست داده است.روش ارائه شده بر روی یک مجموعه داده ثانویه تست شده است که برای خط لوله حاضر نتایج امید بخشی داده است.ما پیشنهاد میکنیم که روشه ارائه شده،می تواند به عنوان یک ابزار تکاملی به طور موفقیت آمیز بر روشهای موجود برای پیش بینی اهداف داروی انسانی به کار گرفته شود./1012/

 

 

تماس با ما برای راهنمایی یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

 کانال تلگرام‌  @maghalecomputer

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

دانلود پاورپوینت الگوریتم ها و پروتکل های مسیریابی

اختصاصی از هایدی دانلود پاورپوینت الگوریتم ها و پروتکل های مسیریابی دانلود با لینک مستقیم و پر سرعت .

عنوان پاورپوینت :  الگوریتم ها و پروتکل های مسیریابی

قالب بندی :  PPT

تعداد صفحات :28

شرح مختصر : برای برقراری ارتباط بین یک مبدائ و مقصد ،به مکانیزمی نیاز است تا اهداف اساسی هر پروتکل مسیریابی محقق گردد .این اهداف عبارتند از : 1 – بیشینه ساختن کارایی شبکه 2 – کمینه کردن هزینه شبکه با توجه به ظرفیت آن

سیکل مسیریابی به شرح زیر میباشد :

تولید مسیر : مسیرها را مطابق با اطلاعات جمع آوری و توزیع شده از وضعیت شبکه تولید میکند .

انتخاب مسیر : مسیرهای مناسب را بر اساس اطلاعات وضعیت شبکه انتخاب می کند.

ارسال داده به جلو : ترافیک کاربر را در امتداد مسیر انتخاب شده به جلو ارسال می کند.

نگهداری مسیر : که مسئول نگهداری مسیر انتخاب شده می باشد.

تعریف مسیر یابی : مکانیزمی است که به وسیله آن ترافیک کاربر به صورت مستقیم یا با واسطه از مبدا به مقصد هدایت شود و مسیریابها تجهیزاتی هستند که این عمل را انجام میدهند .

فهرست :

سیکل مسیریابی

تعریف مسیر یابی

پارامترهای مسیر یابی

الگوریتمهای مسیریابی

ویژگیهای یک الگوریتم مسیریابی

انواع الگوریتمهای مسیریابی

الگوریتم سیل آسا

الگوریتم بردار فاصله

الگوریتم مسیریابی حالت لینک

مسیریابی سلسله مراتبی

مسیریابی مختلط

شبکه‌های خودمختار

مسیریابی درونی و بیرونی

پروتکل مسیریابی درونی  RIP

پروتکل مسیریابی درونی  oSPF

 (exterior)  پروتکل بیرونی BGP

مسیریابی در شبکه های ویژه

الگوریتم ADOVبرای شبکه های MANET

کشف مسیر در الگوریتم AODV

نگهداری مسیر (Rout maintenance)

مقاله فارسی : مروری بر چندین الگوریتم زمانبندی در رایانش ابری

اختصاصی از هایدی مقاله فارسی : مروری بر چندین الگوریتم زمانبندی در رایانش ابری دانلود با لینک مستقیم و پر سرعت .

عنوان مقاله : مروری بر چندین الگوریتم زمانبندی در رایانش ابری

زبان : فارسی

سال انتشار : 1393 (همایش ملی مهندسی نرم افزار)

تعداد صفحات : 9 صفحه

جناب آقای دکتر فرامرز صافی 1 ، حمیدرضا صدرارحامی 2
 استاد دانشکده مهندسی کامپیوتر- دانشگاه آزاد نجف آباد پست الکترونیکی
 دانشجوی کارشناسی ارشد مهندسی کامپیوتر -دانشگاه آزاد نجف آباد پست الکترونیکی

چکیده

رایانش ابری شیوه جدیدی ازارایه خدمات برای کاربران است، که به عنوان فراهم کننده سرویس به صورت پویا در مقیاسی
بزرگ روی منابع موجود در اینترنت شناخته میشود.هدف اصلی در استفاده از محاسبات ابری،کاهش هزینه های استفاده از
منابع می باشد و منابع محاسباتی در سیستمهای محاسبات ابری، به عنوان ماشین های مجازی ارا ئه میشوند. بنابراین هردرخواستی که ازطرف کاربران به ارایه دهندگان خدمات فرستاده شود بخشی ازمنابع آنها را به خود اختصاص میدهد.
الگوریتمهای زمانبندی نقش بسیار مهمی در محاسبات ابری دارند چراکه هدف زمانبندی این است تا زمان پاسخ را کاهش
داده و بهره برداری از منبع را بهبود بخشد.برای این منظور الگوریتمهای زمانبندی مختلفی وجود دارد. ما در این مقاله به بررسی اهمیت مساله تخصیص منابع و برخی الگوریتم های ارایه شده در این رابطه و ارتباط آن با مصرف انرژی و هزینه محیط های ابری می پردازیم و در نهایت مزایا ومعایب آنها بررسی می گردد.
واژه

واژه های کلیدی : رایانش ابری ، محاسبات ابری ،الگوریتم زمانبندی ، هزینه محیط های ابر ، تخصیص منابع.

آموزش الگوریتم ها ، پیاده سازی و شبیه سازی و برنامه نویسی متلب

اختصاصی از هایدی آموزش الگوریتم ها ، پیاده سازی و شبیه سازی و برنامه نویسی متلب دانلود با لینک مستقیم و پر سرعت .

• الگوریتم_ژنتیک(اموزش الگوریتم ژنتیک در دوازده گام)

• الگوریتم_کرم_شب_تاب

• الگوریتم_ازدحام_ذرات

• الگوریتم_تفاوت_زمانی

• الگوریتم_بهینه_سازی_فاخته

• الگوریتم_درخت_تصمیم_متلب( الگوریتم درخت تصمیم C4.5 در متلب همراه با اموزش تصویری)

• کد_متلب_ازدحام_ذرات

• کد_متلب_خفاش

• الگوریتم_جهش_قورباغه

• الگوریتم_شبکه_عصبی

• شبیه_سازی_الگوریتم_تکامل_تفاضل

• شبیه_سازی_کلونی_مورچگان

• شبیه_سازی_تبرید

• آتوماتای_یادگیر_سلولی

• الگوریتم_ژنتیک_متلب(اموزش بهینه سازی با استفاده از الگوریتم ژنتیک به همراه کد متلب)

• متلب_matlab( فایل های اموزشی)

• منطق_فازی_متلب

• ماشین_بردار_پشتیبان

• معادلات_ODE_متلب

• کد_نویسی_متلب

• پردازش_تصویر_متلب

• پیاده_سازی_ژنتیک_متلب

• محاسبات_نرم_متلب

• کد_بردار_پشتیبان_متلب

• پیاده_سازی_شبکه_عصبی

• معادلات_PDE_متلب

• تولباکس_PDE_متلب

• آموزش_متلب(دو کتاب عالی به زبان فارسی)

• برنامه_نویسی_موازی_متلب

• متلب_جبر_خطی(تمام دستورات متلب جبر خطی و کنترل خطی )

• تولباکس_پایگاه_داده_متلب

• پردازش_تصویر_متلب

• سیمولینک_متلب

• کد_محاسبات_عددی_متلب

• الگوریتم_مسیریابی_زنبور_عسل

• الگوریتم_جستجوی_پراکنده

• کد_نویسی_متلب (چندین فایل اموزشی متلب)

• متلب_matlab (چندین فایل اموزشی متلب)

• آموزش_متلب (چندین فایل اموزشی متلب)

تحقیق درباره بررسی الگوریتم ژنتیک

اختصاصی از هایدی تحقیق درباره بررسی الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه39

بخشی از فهرست مطالب

 چکیده

 مقدمه

1. الگوریتم ژنتیک
2. فرمول سازی مسئله
3. الگوریتم طراحی مسیر پیشنهادی
4. کروموزوم ها و جمعیت اولیه

.ارزیابیB

1. C.عملگرها

این مقاله الگوریتمی جدید برای مسئله برنامه ریزی مسیرکلی به یک هدف ، برای ربات متحرک را با استفاده از الگوریتم ژنتیک ارائه می دهد .الگوریتم ژنتیک برای یافتن مسیر بهینه برای ربات متحرک جهت حرکت در محیط استاتیک که توسط نقشه ای با گره ها و لینک ها بیان شده است ،بکار گرفته شده است.موقعیت هدف و موانع برای یافتن یک مسیر بهینه در محیط دو بعدی داده شده است .هر نقطه اتصال در شبکه ژنی است که با استفاده از کد باینری ارائه شده است.تعداد ژن ها در یک کروموزوم تابعی از تعداد موانع در نقشه (نمودار)می باشد.

بنابراین از یک کروموزوم با طول ثابت استفاده کردیم.مسیر ربات ایجاد شده ، در مفهوم کوتاهترین مسیر ،بهینه است .ربات دارای محل آغاز و محل هدف تحت فرضیه ای است که ربات از هر محل فقط یکبار می گذرد یا اصلا نمی گذرد.نتایج بدست آمده در شبیه سازی ؛قدرت الگوریتم پیشنهادی را تایید می نماید.

مسئله طراحی مسیر ربات متحرک را می توان بصورت ذیل بیان کرد:

داده های مسئله (محل شروع،محل هدف، نقشه ای دو بعدی مسیرهاکه شامل موانع ساکن می باشد).هدف بدست آوردن یک مسیر بدون تصادم بین دو نقطه خاص در ایفای معیار بهینه سازی با در نظر گرفتن محدودیت ها (به احتمال زیاد:کوتاهترین مسیر)می باشد. مسئله طراحی مسیر از نظر محاسباتی بسیار پر هزینه است.

با اینکه حجم زیادی از تحقیقات برای حل بیشتر این مسائل انجام شده است،با این وجود،روش های معمول ،غیر قابل انعطاف می باشند.

1. اهداف مختلف بهینه سازی و تغییرات اهداف
2. عدم قطعیت ها در محیط ها
3. محدودیت های متفاوت برای منابع محاسباتی

مرور و بازنگری روش های موجود برای حل مسئله طراحی مسیر ،در [1] ارائه شده است . روش های زیادی برای ایجاد یک مسیر بهینه از قبیل برنامه ریزی دینامیک و روش های تبدیل مسافت گزارش شده است .

در روش برنامه ریزی دینامیک اگر نقطه ی شروعSP و نقطه ی هدف GP باشد ، نقطه ی زیر هدف IP است.و روش تولید مسیر ،نحوه تعیین توالی زیر اهداف است که زیر اهداف خود از مجموعه IP (I=1,2,3,…) انتخاب می شوند.ما باید تمام مسیرهای ممکن را بررسی کرده و مسیر با کمترین  مقدار هزینه را به عنوان مسیر بهینه انتخاب نمائیم.توان محاسباتی بسیار فراوانی بویژه در محیط های دارای زیر اهداف فراوان مورد نیاز است . در روش تبدیل مسافت ،کارطراحی مسیر ،محیطی را با شبکه یکنواخت می پوشاند و فواصل را از طریق فضای خالی ،از سلول هدف،منتشر می کند.قسمت پیشین موج مسافت ،حول موانع و در نهایت از طریق تمامی فضاهای آزاد در محیط جریان می یابد.برای هر نقطه شروع در محیط نمایانگر محل اولیه ربات متحرک ،کوتاهترین مسیر به مقصد،از طریق رفتن به قسمت پائین و از طریق شیب دارترین مسیر نزولی رسم شده است.با این وجود به هنگام وجود دو سلول یا بیشتر جهت گزینش با همان حداقل تبدیل فاصله ابهام مسیرهای بهینه وجود دارد. دو روش مذکور ملزم توان محاسباتی بسیار بالا در محیطی است که دارای تعداد زیاد اهداف فرعی (زیر اهداف)و موانع است.

محققان روش های فراوان را برای حل مسائل طراحی مسیر ربات های متحرک با وجود موانع ایستا و متحرک بر مبنای soft computing ،بیان کرده اند. soft computing متشکل از منطق فازی،شبکه های عصبی و محاسبات تکاملی است (الگوریتم های ژنتیک و تکاملی GA & EA).تاکنون تلاش های زیادی در استفاده از منطق فازی برای طراحی و برنامه ریزی حرکت ربات متحرک وجود داشته است .اخیرا استفاده از محاسبات تکاملی رواج فراوانی پیدا کرده و در واقع روشی است که به منظور بکارگیری در موقعیت هایی که دانش اولیه راجع حل مسئله وجود نداشته و یا اطلاعات محدود می باشد،قابلیت استفاده به گونه ای موثرتر،عمومی تر و راحت تر را داراست.

الگوریتم های ژنتیکی و تکامکلی نیازمند اطلاعات اشتقاقی یا برآوردهای فرمال اولیه از راه حل نیستند و از آنجائیکه طبیعتا تصادفی می باشند دارای قابلیت جستجوی کل فضای جواب با احتمال بیشتر پیدا کردن بهینه عمومی می باشند.

می توان تحقیق قبلی راجع طراحی مسیر را به صورت یکی از دو روش مقابل طبقه بندی کرد: مبتنی بر مدل و مبتنی بر سنسور .

در حالت مبتنی بر مدل ،مدل های منطقی از موانع شناخته شده ،برای تولید تصادم بدون مسیر بکار گرفته می شوند.در حالیکه در روش مبتنی بر سنسور ، کشف و اجتناب از موانع ناشناخته است.در این مقاله الگوریتمی جدید جهت بدست آوردن مسیر بهینه بر مبنای مدل پیشنهاد شده است.

ادامه مطالب مقاله بصورت ذیل مرتب شده اند :

در بخش 2 ،مقدمه ای مختصر راجع الگوریتم ژنتیک ارائه شده است .در بخش 3 ،فرمول سازی مسئله مورد بررسی واقع شده،در بخش 4 الگوریتم پیشنهادی ، معرفی و در بخش 5 نتایج شبیه سازی نشان داده شده است.