فهرس المقالات multiple linear regression

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - بررسی شاخص کیفیت آب (WQI) با استفاده از تصاویر ماهواره‌ای لندست 8 و کاربرد مدل‌های تک‌متغیره و چندمتغیره در رودخانه سفیدرود در شمال ایران
  یوسف پورحبیب ابراهیم فتائی فاطمه ناصحی بهنام خانیزاده حسین سعادتی
  در این پژوهش کیفیت آب رودخانه سفیدرود طی سالهای 2013-2018 با استفاده از تصاویر ماهواره‌ای لندست 8 و همچنین 10 پارامتر کیفی شیمیاییی و فیزیکی شامل کلسیم (Ca2+)، پتاسیم (Na+)، منیزیم (Mg2+)، کلر (Cl-)، سولفات (SO4-2)، بی‌کربنات (HCO3-)، کل مواد محلول (TDS)، هدایت الکتریکی أکثر

  در این پژوهش کیفیت آب رودخانه سفیدرود طی سالهای 2013-2018 با استفاده از تصاویر ماهواره‌ای لندست 8 و همچنین 10 پارامتر کیفی شیمیاییی و فیزیکی شامل کلسیم (Ca2+)، پتاسیم (Na+)، منیزیم (Mg2+)، کلر (Cl-)، سولفات (SO4-2)، بی‌کربنات (HCO3-)، کل مواد محلول (TDS)، هدایت الکتریکی (EC)، سختی کل (TH) و اسیدیته آب (pH) در سه ایستگاه هیدرمتری مورد مطالعه قرار گرفت. شاخص کیفیت آب (WQI) شرب محاسبه گردید و ارتباط آن با باندها و نسبت‌های باندی ماهواره‌ای (28 پارامتر) با استفاده از مدل‌های رگرسیونی تک‌متغیره و چندمتغیره، مورد تحلیل قرار گرفت. نتایج مدل رگرسیونی تک متغیره نشان داد که شاخص WQI با باند 5 و نسبت باند B4/B3 در سطح معنی‌داری 1 درصد به ترتیب با ضریب تبیین (R2) 55/0 و 51/0 دارای همبستگی خطی و توانی بود. اجرای مدل رگرسیون چندمتغیره خطی گام‌به‌گام WQI با تمامی باندها و نسبت‌های مورد مطالعه نشان داد که سه متغیر باند 5 و نسبت‌های باندی B4/B3 و B6/B5 با WQI، با R2 حدود 80/0 در سطح معنی‌داری 5 درصد، دارای همبستگی بودند. پس از تهیه نقشه تغییرات مکانی WQI با استفاده از مدل رگرسیون خطی چندمتغیره، نتایج حاکی از آن بود که کیفیت آب در سرشاخه‌های سفیدرود، یعنی رودخانه‌های‌های قزل‌اوزن و شاهرود نسبت به مناطق پایین‌دست‌ و دریاچه سد منجیل، کمتر بود هرچند که کیفیت آب رودخانه‌های قزل‌اوزن و شاهرود ضعیف بود، ولی پس از ورد به سد سفید رود به کلاس آب خوب تبدیل شد. اما WQI آب خروجی از سد با عبور از اراضی کشاورزی، مناطق مسکونی و صنعتی حاشیه رودخانه تا رسیدن به دریای خزر به تدریج افزایش یافته و دارای کلاس آب ضعیف شده بود. به طور کلی نتایج تحقیق نشان داد که استفاده از تصاویر ماهواره‌ای لندست 8 و مدل رگرسیونی چند متغیره از توان بالایی برای پایش کیفیت آب برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - QSPR Models to Predict Thermodynamic Properties of Alkenes Using Genetic Algorithm and Backward- Multiple Linear Regressions Methods
  fatemeh Ghaemdoost fatemeh shafiei
  10.30495/jptc.2021.20865
  Quantitative structureproperty relationship (QSPR) models establish relationships between different types of structural information to their properties. In the present study the relationship between the molecular descriptors and quantum properties consist of the heat ca أکثر

  Quantitative structureproperty relationship (QSPR) models establish relationships between different types of structural information to their properties. In the present study the relationship between the molecular descriptors and quantum properties consist of the heat capacity (Cv/J mol-1K-1) entropy (S/J mol-1K-1) and thermal energy (Eth/kJ mol-1) of 100 alkenes is represented. Genetic algorithm (GA) and backward-multiple linear regressions (BW-MLR) were successfully developed to predict quantum properties of alkenes. Molecular descriptors were calculated with Dragon software and the genetic algorithm (GA) method was used to selected important molecular descriptors. The quantum properties were obtained from quantum-chemistry technique at the Hartree-Fock (HF) level using the ab initio 6-31G* basis sets. The predictive powers of the BW-MLR models were discussed by using leave-one-out (LOO) cross-validation and external test set. Results showed that the predictive ability of the models was satisfactory, and the 2D matrix-based descriptors, topological, edge adjacency and Connectivity indices could be used to predict the mentioned properties of 100 alkenes تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - Quantitative structure–property relationship models to Predict some thermodynamic properties of Imidazole Derivatives using molecular descriptor and genetic algorithm-multiple linear regressions
  shiva Moshayedi fatemeh shafiei Tahereh Momeni Isfahani
  10.30495/jptc.2021.20401
  Imidazole is compound with a wide range of biological activities and imidazole derivatives are the basis of several groups of drugs.In this study the relationship between molecular descriptors and the thermal energy (Eth kJ/mol), and heat capacity (Cv J/mol) of imidazol أکثر

  Imidazole is compound with a wide range of biological activities and imidazole derivatives are the basis of several groups of drugs.In this study the relationship between molecular descriptors and the thermal energy (Eth kJ/mol), and heat capacity (Cv J/mol) of imidazole derivatives is studied. The chemical structures of 85 Imidazole derivatives were optimized at HF/6-311G* level with Gaussian 98 software.Molecular descriptors were calculated for selected compound by using the Dragon software.The Genetic algorithm- multiple linear regression (GA-MLR) and backward methods were used to select the suitable descriptors and also for predicting the thermodynamic properties of imidazole derivatives.The obtained models were evaluated by statistical parameters, such as correlation coefficient (R2adj), Fisher ratio (F), Root Mean Square Error (RMSE), Durbin-Watson statistic (D) and significance (Sig).The predictive powers of the GA- MLR models are studied using leave-one-out (LOO) cross-validation and external test set. The predictive ability of the GA-MLR models with two-three selected molecular descriptors was found to be satisfactory. The developed QSPR models can be used to predict the property of compounds not yet synthesized. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - Structural Relationship Study of Octanol-Water Partition Coefficient of the Compounds in kesum Essential Oil Using GA-MLR and GA-ANN Methods
  Atefehsadat Navabi Tahereh Momeni Isfahani
  10.30495/jptc.2021.20873
  Essential Oils are highly concentrated substances the subtle, aromatic and volatile liquids. The use of essential oils is largely widespread in foods, deodorants, pharmaceuticals, drinks, cosmetics, medicine and embalming antiseptics especially with aromatherapy becomin أکثر

  Essential Oils are highly concentrated substances the subtle, aromatic and volatile liquids. The use of essential oils is largely widespread in foods, deodorants, pharmaceuticals, drinks, cosmetics, medicine and embalming antiseptics especially with aromatherapy becoming increasingly popular. The lipophilicity of an organic compound can be described by a partition coefficient, logP, which plays a significant role in drug discovery and compound design. A data set of 40 compounds in the essential oil of kesum was randomly divided into 3 groups: training, test and validation sets consisting of 70%, 15% and 15% of data point, respectively. A large number of molecular descriptors were calculated with Dragon software. The Genetic Algorithm - Multiple Linear Regressions (GA-MLR) and genetic algorithm -artificial neural network (GA-ANN) were employed to design the Quantitative Structure-Property Relationship (QSPR) models. The predictive powers of the QSPR model was discussed using Coefficient of determination (R2), Absolute Average Deviation (AAD) and the Mean Squared Error (MSE). The R2 and MSE values of the MLR model were calculated to be 0.734 and 0.194 respectively. The R2 and MSE values for the training set of the ANN model were calculated to be 0.9905 and 2×10-4 respectively. Comparison of the results revealed that the application the GA-ANN method gave better results than GA-MLR method تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - Quantitative Structure- Property Relationship(QSPR) Study of 2-Phenylindole derivatives as Anticancer Drugs Using Molecular Descriptors
  samira Bahrami fatemeh shafiei Azam Marjani Tahereh Momeni Isfahani
  10.30495/jptc.2021.20876
  A QSPR study on a series of 2-Phenylindole derivatives as anticancer agents was performed to explore the important molecular descriptor which is responsible for their thermodynamic properties such as heat capacity (Cv) and entropy(S).Molecular descriptors were calculate أکثر

  A QSPR study on a series of 2-Phenylindole derivatives as anticancer agents was performed to explore the important molecular descriptor which is responsible for their thermodynamic properties such as heat capacity (Cv) and entropy(S).Molecular descriptors were calculated using DRAGON software and the Genetic Algorithm (GA) and backward selection procedure were used to reduce and select the suitable descriptors. Multiple Linear Regression (MLR) analysis was carried out to derive QSPR models, which were further evaluated for statistical significance such as squared correlation coefficient (R2) root mean square error (RMSE), adjusted correlation coefficient (R2adj) and fisher index of quality (F).The multicollinearity of the descriptors selected in the models were tested by calculating the variance inflation factor (VIF), Pearson correlation coefficient (PCC) and the DurbinWatson (DW) statistics. The predictive powers of the MLR models were discussed using Leave-One-Out Cross-Validation (LOOCV) and test set validation methods. The best QSPR models for prediction the Cv(J/molK) and S(J/molK), having squared correlation coefficient R2 =0.907 and 0.901, root mean squared error RMSE=2.019 and RMSE= 2.505, and cross-validated squared correlation coefficient R2 cv = 0.902 and 0.889, respectively. The statistical outcomes derived from the present study demonstrate good predictability and may be useful in the design of new 2-Phenylindole derivatives. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - مطالعه ارتباط کمی ساختار – فعالیت جهت پیش بینی فعالیت دارویی برخی از ترکیبات پیریدین در درمان سرطان پوست با استفاده از الگوریتم کرم شب تاب
  مهدی نکوئی فاطمه شمس
  مطالعه ارتباط کمی-ساختار فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از ترکیبات پیریدین و مشتقات آن در درمان سرطان پوست انجام شد. در ابتدا ساختار ترکیبات مورد نظر توسط نرم افزار هایپرکم رسم و بهینه گردید. سپس تعداد 1481 توصیف کننده توسط نرم افزار دراگون محاسبه شد. برای أکثر

  مطالعه ارتباط کمی-ساختار فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از ترکیبات پیریدین و مشتقات آن در درمان سرطان پوست انجام شد. در ابتدا ساختار ترکیبات مورد نظر توسط نرم افزار هایپرکم رسم و بهینه گردید. سپس تعداد 1481 توصیف کننده توسط نرم افزار دراگون محاسبه شد. برای انتخاب مناسب ترین توصیف کننده ها از روش رگرسیون مرحله ایی و الگوریتم کرم شب تاب استفاده شد. پس از انتخاب مناسبترین توصیف کننده‌ها توسط این دو روش، جهت مدلسازی و پیش بینی فعالیت دارویی ترکیبات مورد نظر از روش رگرسیون خطی چندگانه (MLR) استفاده شد. عملکرد هر مدل توسط سری تست مورد بررسی قرار گرفت. ریشه میانگین مربعات خطا سری پیش بینی(RMSEP)، خطای نسبی پیش بینی (REP) و ضریب تعیین (R2) و خطای استاندارد پیش بینی (SEP) در روشهای SW-MLR و FF-MLR به ترتیب برابر6203/0، 7232/10، 8355/0، 6203/0، 7862/0، 526/10، 8591/0، 7862/0 می باشد. نتایج برتری نسبی روش انتخاب متغیر الگوریتم کرم شب تاب را نسبت به رگرسیون مرحله ایی جهت پیش بینی فعالیت دارویی ترکیبات ضد سرطان پوست نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - مدل سازی و مطالعه ارتباط کمی ساختار-فعالیت برخی از مشتقات کربوکسیلات به عنوان داروهای ضد سرطان با استفاده از رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی
  مهدی نکوئی محمود ابراهیمی پرستو فتاحی بهزاد چهکندی
  شیمی درمانی، یکی از مؤثرترین درمان ها برای سرطانها به شمار می رود اما بسیاری از سرطانها در طی درمان با داروهای شیمی درمانی نسبت به اثرات درمانی داروی مصرفی، مقاوم می‌شوند که به آن مقاومت به داروهای چندگانه یا Multi Drug Resistance می گویند. در حال حاضر از برخی داروهای ج أکثر

  شیمی درمانی، یکی از مؤثرترین درمان ها برای سرطانها به شمار می رود اما بسیاری از سرطانها در طی درمان با داروهای شیمی درمانی نسبت به اثرات درمانی داروی مصرفی، مقاوم می‌شوند که به آن مقاومت به داروهای چندگانه یا Multi Drug Resistance می گویند. در حال حاضر از برخی داروهای جدید از جمله مشتقات کربوکسیلات جهت کاهش مقاومت دارویی استفاده شده است. در تحقیق حاضر، مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کربوکسیلات با استفاده از روش رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت دارویی ترکیبات مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چند‌گانه(MLR) ساخته شد. سپس برای به دست آوردن نتایج بهتر از ANN استفاده گردید. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  8 - مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت ( QSPR) جهت پیش بینی ثابت های اسیدی برخی از ترکیبات شیمیایی با استفاده از رگرسیون خطی چندگانه و ماشین بردار پشتیبان
  مهدی نکوئی سید عباس طاهری مجید محمدحسینی
  مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی ثابت های اسیدی برخی از ترکیبات شیمیایی با استفاده از روش رگرسیون خطی چند گانه(MLR) و ماشین بردار پشتیبان (SVM) انجام شد. در ابتدا ساختار ترکیبات شیمیایی، ترسیم و گروه مناسبی از توصیف کننده‌ها محاسبه گردید. سپس أکثر

  مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی ثابت های اسیدی برخی از ترکیبات شیمیایی با استفاده از روش رگرسیون خطی چند گانه(MLR) و ماشین بردار پشتیبان (SVM) انجام شد. در ابتدا ساختار ترکیبات شیمیایی، ترسیم و گروه مناسبی از توصیف کننده‌ها محاسبه گردید. سپس با استفاده از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با خاصیت شیمیایی ترکیبات مورد نظر داشتند استفاده گردید. سپس از مدل خطی رگرسیون خطی چند‌گانه(MLR) و مدل غیرخطی ماشین بردارشتیبان (SVM) جهت پیش بینی ثابت های اسیدی ترکیبات استفاده گردید. داده های آماری، حاکی از برتری روش SVM نسبت به روش MLR بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  9 - کاربرد رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی جهت مطالعه ارتباط کمی ساختار-فعالیت دسته ایی از مشتقات کموکین ها
  مهدی نکوئی محمدرضا کیانسب مجید محمدحسینی بهنام مهدوی تهمینه باهری
  مطالعه ارتباط کمی ساختار-فعالیت (QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کموکین ها با استفاده از رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی (ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی به کمک نرم افزار هایپرکم رسم و بهینه گردیدند. سپس دسته وسیعی از توصیف کننده أکثر

  مطالعه ارتباط کمی ساختار-فعالیت (QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کموکین ها با استفاده از رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی (ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی به کمک نرم افزار هایپرکم رسم و بهینه گردیدند. سپس دسته وسیعی از توصیف کننده‌های مولکولی توسط نرم افزار دراگون محاسبه شدند. بعد از کاهش تعدادی از توصیف کننده ها که همبستگی بالای9/0 داشتند و توصیف کننده هایی که بیش از 90% آنها مشابه بود از رگرسیون مرحله ایی برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت دارویی ترکیبات مورد نظر داشتند استفاده گردید. با این کار تعداد 7 توصیف کننده شامل MATS2p، PCWTe، RDF045m، RDF065m، RDF115m، C-003 و C-040 انتخاب شدند سپس از روشهای رگرسیون خطی چند‌گانه (MLR) و شبکه های عصبی مصنوعی (ANN) برای مدلسازی و پیش بینی فعالیت ترکیبات سری تست استفاده گردید. نتایج بدست آمده نشان می دهد که هر دو روش نتایج قابل قبولی ارایه می دهند که می توان از آنها برای پیش بینی ترکیبات دارویی جدید استفاده کرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  10 - مطالعه ارتباط کمی ساختار- بازداری (QSRR) مقادیر اندیس کواتس ترکیبات تشکیل دهنده‌ گیاه Boiss Nepeta macrosiphon
  اعظم وفائی
  مطالعات ارتباط کمی ساختار- بازداری (QSRR) بر روی شاخص بازداری (اندیس کواتس) ترکیبات تشکیل دهنده‌ گیاه Boiss Nepeta macrosiphon انجام گرفت. از روش برازش مرحله ای برای انتخاب توصیف کننده های مناسب استفاده شد. توصیف کننده های انتخاب شده از این روش برای مدل سازی و پیش بینی أکثر

  مطالعات ارتباط کمی ساختار- بازداری (QSRR) بر روی شاخص بازداری (اندیس کواتس) ترکیبات تشکیل دهنده‌ گیاه Boiss Nepeta macrosiphon انجام گرفت. از روش برازش مرحله ای برای انتخاب توصیف کننده های مناسب استفاده شد. توصیف کننده های انتخاب شده از این روش برای مدل سازی و پیش بینی شاخص بازداری این ترکیبات توسط روش رگرسیون خطی چندگانه(MLR) استفاده شد. به منظور بررسی اعتبار مدل از روش های مختلفی مانند به کارگیری سری تست، رد مرحله ای تک تک داده ها و -y تصادفی استفاده گردید. نتایج به دست آمده بیانگر توانایی خوب روش SR-MLR برای پیش بینی شاخص بازداری می باشد. ضرایب تعیین سری آموزش و تست به ترتیب 0.982 و 0.991 بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  11 - کاربرد رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی جهت پیش‌بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها به روش ارتباط کمی ساختار - فعالیت (QSAR)
  مهدی نکوئی پرستو پورعلی سید حامد موسوی
  مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها با استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مر أکثر

  مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها با استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت ضدمیکروبی ترکیبات مورد نظر داشتند استفاده گردید. با این روش 5 توصیف کننده انتخاب و در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 077/0 و 073/0 برای مدل خطی MLR و 613/0 و 021/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  12 - پیش بینی شاخص بازداری ترکیبات تشکیل دهنده‌ی گیاه Ammoides Atlantica با استفاده از روش مطالعه ارتباط کمی ساختار- بازداری (QSRR)
  سعید نکوئی سید عباس طاهری
  روغن های ضروری گیاهی و ترکیبات مرتبط، کاربرد گسترده ای در طب سنتی، صنایع غذایی، صنایع عطرسازی و داروسازی دارند. در این تحقیق، مطالعه ارتباط کمّی ساختار - ویژگی بر روی شاخص بازداری 32 ترکیب از روغن ضروری گیاه AmmoidesAtlantica انجام پذیرفت. از الگوریتم ژنتیک برای انتخاب أکثر

  روغن های ضروری گیاهی و ترکیبات مرتبط، کاربرد گسترده ای در طب سنتی، صنایع غذایی، صنایع عطرسازی و داروسازی دارند. در این تحقیق، مطالعه ارتباط کمّی ساختار - ویژگی بر روی شاخص بازداری 32 ترکیب از روغن ضروری گیاه AmmoidesAtlantica انجام پذیرفت. از الگوریتم ژنتیک برای انتخاب توصیف کننده ها استفاده شد. برای مدل سازی اندیس بازداری این ترکیبات از روش رگرسیون خطی چندگانه (MLR) به عنوان روش خطی استفاده گردید. برای بررسی اعتبار این مدل ها علاوه بر به کارگیری سری تست، از روش های دیگری همانند حذف مرحله ای تک تک داده ها وY تصادفی استفاده گردید. ضرایب همبستگی برای سری تست توسط مدل MLR برابر 894/0 و درصد خطای نسبی برابر 57/5 بدست آمد. داده های آماری نشان می دهد که روش GA-MLR پیش بینی های قابل قبولی را ارائه نموده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  13 - مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی نیمه عمر بی فنیل های پلی کلرینه با استفاده از رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی
  سکینه بهرامی نسب مهدی نکوئی سیدعباس طاهری
  مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش أکثر

  مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش انتخاب مرحله ای برای بدست آوردن بهترین توصیف کننده ها که بیشترین ارتباط را با نیمه عمر ترکیبات مورد نظر داشتند استفاده گردید. با این روش 6 توصیف کننده شاملLop, GATS5m, GATS8m, LDip, RDF020u, R2v+ که از انواع توصیف کننده های توپولوژیکی، بار، نمایش سه بعدی مولکول بر اساس پراش الکترونی و تابع توزیع شعاعی هستند انتخاب گردید. در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 716/0 و 050/0 برای مدل خطی MLR و 896/0 و 030/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  14 - مدل سازی و مطالعه ارتباط کمی ساختار- بازداری (QSRR) ترکیبات تشکیل دهنده ی پوست میوه Citrus. sinensis CV. Thamson استحصال شده با کروماتوگرافی گازی-طیف سنج جرمی با استفاده از الگوریتم ژنتیک-رگرسیون خطی چند گانه
  سعید نکوئی
  مطالعه ارتباط کمی ساختار-بازداری(QSRR) جهت پیش بینی شاخص کواتس ترکیبات تشکیل دهنده پوست میوه Citrus. sinensisCV. Thamsonبا استفاده از روش رگرسیون خطی چند گانه(MLR) انجام شد. بعد از استحصال اسانس و تزریق آن به دستگاه GC-MS ترکیبات مختلف آن شناسایی گردید. سپس برای انجام م أکثر

  مطالعه ارتباط کمی ساختار-بازداری(QSRR) جهت پیش بینی شاخص کواتس ترکیبات تشکیل دهنده پوست میوه Citrus. sinensisCV. Thamsonبا استفاده از روش رگرسیون خطی چند گانه(MLR) انجام شد. بعد از استحصال اسانس و تزریق آن به دستگاه GC-MS ترکیبات مختلف آن شناسایی گردید. سپس برای انجام مدل سازی و پیش بینی مقادیر اندیس کواتس(KI) ترکیبات، در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شد. سپس از روش انتخاب مرحله ای(SW) و الگوریتم ژنتیک(GA) برای بدست آوردن بهترین توصیف کننده ها که بیشترین ارتباط را با KI ترکیبات مورد نظر داشتند استفاده گردید. برای مدل سازی از روش خطی رگرسیون خطی چند گانه ساخته شد. داده های آماری نشان می دهد که هر دو روش SW-MLR و GA-MLR پیش بینی های قابل قبولی را ارائه نموده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  15 - مراحل، محاسبات و نتایج حاصل از مطالعات پیش‌بینی‌های نظری ارتباط کمی ساختار بازداری (QSRR) اسانس گیاه میخک زینتی
  مجید محمدحسینی مهدی نکوئی
  در این مقاله، به تشریح مبسوط مدل‌های خطی توانمند در پیش بینی شاخص بازداری کواتس گروه وسیعی از ترکیبات طبیعی شناسایی شده در روغن اسانسی گیاه میخک زینتی به عنوان یکی از گیاهان دارویی پرداخته شده است. در این راستا، اساس کار مبتنی بر روابط کمی ساختار بازداری (QSRR) می‌باشد أکثر

  در این مقاله، به تشریح مبسوط مدل‌های خطی توانمند در پیش بینی شاخص بازداری کواتس گروه وسیعی از ترکیبات طبیعی شناسایی شده در روغن اسانسی گیاه میخک زینتی به عنوان یکی از گیاهان دارویی پرداخته شده است. در این راستا، اساس کار مبتنی بر روابط کمی ساختار بازداری (QSRR) می‌باشد که در منابع علمی از اهمیت بسزایی جهت برقراری ارتباط منطقی و هدفمند بین شاخص کواتس به عنوان یک متغیر وابسته و گروهی از توصیف‌کننده‌های مولکولی به عنوان متغیر‌های مستقل برخوردار است. در این راستا، پس از ترسیم ساختار ترکیبات مفروض در محیط نرم‌افزار هایپرکم و بهینه‌سازی آن‌ها، جهت استخراج توصیف‌کننده‌های مولکولی مربوطه از نرم‌افزار دراگون استفاده شد. در مرحله بعد، پس از حذف توصیف‌کننده‌های غیر مرتبط و اضافی، نهایتاً با روش‌های مرحله‌ای و روش انتخاب متغیر مبتنی بر الگوریتم ژنتیک گروهی از توصیف‌کننده‌های مهم و مؤثر شناسایی و ارتباط خطی آن‌ها با شاخص بازداری کواتس مورد بحث و بررسی قرار گرفت. نتایج حاصله حاکی از توانمندی بالای مدل‌های ارائه شده جهت پیش بینی شاخص کواتس گروه وسیعی از ترکیبات طبیعی دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  16 - بررسی تأثیر عوامل مختلف فیزیوگرافی و فاصله از جاده بر نشانه گذاری درختان با استفاده از الگوی رگرسیون خطی چندگانه
  حمید جلیلوند مریم نیک نژاد محمد حجازیان
  یکی از ابزارهای اعمال مدیریت در جنگل که تأثیر مستقیم بر خصوصیات کمی و کیفی آن دارد، نشانه گذاری است. به‌منظور ارزیابی تأثیر عوامل فیزیوگرافی شکل زمین و جاده بر نشانه گذاری درختان برای بهره برداری، در طرح جنگل داری سری دو از بخش هفت طرح های جنگل داری شرکت نکاچوب استان ما أکثر

  یکی از ابزارهای اعمال مدیریت در جنگل که تأثیر مستقیم بر خصوصیات کمی و کیفی آن دارد، نشانه گذاری است. به‌منظور ارزیابی تأثیر عوامل فیزیوگرافی شکل زمین و جاده بر نشانه گذاری درختان برای بهره برداری، در طرح جنگل داری سری دو از بخش هفت طرح های جنگل داری شرکت نکاچوب استان مازندران از الگوی رگرسیون خطی چندگانه استفاده شد. بدین منظور در قطعه ‌نمونه ای به مساحت 215 هکتار با استفاده از سیستم موقعیت‌یاب جهانی، اقدام به برداشت موقعیت درختان نشانه گذاری شد سپس با استفاده از این نقاط و مدل رقومی ارتفاع منطقه مورد مطالعه نقشه‌های درختان نشانه گذاری شده، ارتفاع از سطح دریا، جهت شیب و درصد شیب، خاک منطقه و نقشه فاصله از جاده در محیط سیستم اطلاعات جغرافیایی تهیه شد. جهت درک ارتباط هر یک از عوامل با نشانه گذاری درختان از الگوی چندگانه خطی استفاده شد، به‌طوری‌که نقشه‌های عوامل ذکرشده به عنوان متغیر مستقل و نقشه موقعیت درختان نشانه گذاری شده به‌عنوان متغیر وابسته وارد مدل رگرسیونی گردید. نتایج حاصل از مدل نشان داد که نشانه گذاری درختان منطقه در مناطق با ارتفاع کم و مناطق با شیب ملایم و پایین با خاک های عمیق و در جهات شمالی و شرقی و در نزدیکی جاده های جنگلی بیشتر از مناطق دیگر می باشد. نشانه گذاری درختان تحت تاثیر برخی عوامل فیزیوگرافی انجام می شود و عواملی مانند شیب یا نزدیکی به جاده باعث شود تا نشانه گذار تمایل به دخالت در این مناطق داشته باشد و از دخالت در مناطق با شیب بیشتر یا دور از جاده پرهیز نماید که این موضوع باعث دور شدن از هدف دخالت در تمام سطح جنگل و عدم اصلاح متوازن ساختارجنگل می شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  17 - پیشگویی شاخص سمیت LD50 در مشتقات آنیلین)حاوی ترکیبات علف‌‌کش( با روش‌های محاسباتی
  عصمت محمدی نسب مرتضی رضایی
  در دهه‌ های گذشته، استفاده از روش ‌های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به ‌عنوان جایگزین اقتصادی و زیست ‌محیطی باصرفه جویی در زمان و حذف هزینه‌ های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررس أکثر

  در دهه‌ های گذشته، استفاده از روش ‌های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به ‌عنوان جایگزین اقتصادی و زیست ‌محیطی باصرفه جویی در زمان و حذف هزینه‌ های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررسی ارتباط مقادیر لگاریتمی سمیت LD50 (log (LD50)(molkg-1))با توصیف گرهای مولکولی برای 60 نوع از مشتقات آنیلین (شامل ترکیبات علف‌ کش) پرداخته‌ شده است. بعد از ترسیم ساختار این ترکیبات با استفاده از نرم ‌افزار 05 Gauss View و بهینه ‌ سازی آن‌ها با کمک نرم‌ افزار 09 Gaussian با روش **G++311-6/B3LYP توصیف گرهای مولکولی استخراج شدند. به کمک ژنتیک الگوریتم، توصیف گرهای نامناسب حذف‌ شده و بهترین آن‌ ها برای مدل‌ های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورداستفاده قرار گرفتند. نتایج حاصل از این مدل نشان داد که روش شبکه عصبی مصنوعی با کمترین خطا و بالاترین ضریب تعیین نسبت به روش رگرسیون خطی چندگانه برای پیش بینی لگاریتم سمیت (molkg-1)LD50 مشتقات آنیلین از برتری بالایی برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  18 - مطالعه ارتباط کمی ساختار- فعالیت برای پیش‌‌بینی شاخص LD50 در آفت‌کش‌های ارگانوفسفات
  عصمت محمدی نسب مینا کیانپور
  سموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتم أکثر

  سموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتمال جذب این سموم از طریق پوست وجود دارد. مطالعه ارتباط ساختار - فعالیت با کمک رو ش ها و مدل های تئوری پیش بینی کننده، با صرف حداقل وقت و هزینه، امکان دست یابی به داده ها، اطلاعات و خواص فیزیکی- شیمیایی ترکیبات مورد نظر را فراهم می نماید. در این مطالعه، روش های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با مدل پرسپترون چند لایه با هدف بررسی ارتباط کمی شاخص سمیت LD50با برخی توصیف‌ گرهای مولکولی، در برخی ترکیبات ارگانوفسفات به‌ کار گرفته شد. بررسی مقادیر ضرایب همبستگی و میزان جذر خطای مجذور میانگین مدل های پیشنهادی در این مطالعه نشان داد که روش شبکه عصبی مصنوعی در پیش بینی شاخص سمیت LD50 در ترکیبات ارگانوفسفات نسبت به روش رگرسیون خطی چندگانه، از برتری بسیار بالایی برخوردار می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  19 - پیش بینی LD50 در مشتقات کربوکسیلیک اسید با مدل های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی
  عصمت محمدی نسب فهیمه محمایی
  در این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرم‌افزار گوس ویو 05 رسم شده و با ن أکثر

  در این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرم‌افزار گوس ویو 05 رسم شده و با نرم‌افزار گوسین09 به روش هارتری فاک و سری پایه G21-3 بهینه شدند. سپس با استفاده از نرم افزار دراگون توصیف‌گرهای مولکولی استخراج گردیدند. به کمک ژنتیک الگوریتم و روش برگشتی توصیف‌گرهای نامناسب حذف ‌شده و بهترین آنها برای مدل‌های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورد استفاده قرار گرفت. دقت پیش بینی مدل نهایی توسط ضرایب آماری مورد بحث قرار گرفت. اعتبارسنجی تقاطعی و نیز اعتبارسنجی خارجی مدل های پیش بینی همبستگی بسیار بالا را بین مقادیر تجربی و مقادیر پیش بینی گروه های آموزش آزمون و اعتبارسنجی در روش شبکه عصبی مصنوعی نشان داد. مشخص گردید که روش شبکه عصبی مصنوعی با خطای کمتر و ضریب تعیین بالاتر نسبت به روش رگرسیون خطی چندگانه از برتری قابل توجه ای برخوردار می باشد. مدل پیشنهادی می تواند برای پیش بینی log(LD50) ترکیبات جدید کربوکسیلیک اسید مفید واقع گردد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  20 - پیشگویی سمیت و ضریب توزیع اکتانول-آب آفت کش‌های آلی کلردار با استفاده ازتوصیف گرهای مولکولی و روش‌های الگوریتم ژنتیک و رگرسیون خطی چند متغیره
  فاطمه شفیعی زهرا زمانی
  در این تحقیق ازمطالعه ارتباط کمی ساختار- فعالیت (QSAR) جهت پیشگویی فعالیت های آفت کش های آلی کلردار استفاده شد. ابتدا به کمک نرم‌ افزارگوس ویو 05 ساختار شیمیایی تمام مولکول‌ های مورد مطالعه رسم گردید و سپس بهینه سازی با نرم‌افزار گوسین 09 و روش هارتری-فاک و سری پایه G* أکثر

  در این تحقیق ازمطالعه ارتباط کمی ساختار- فعالیت (QSAR) جهت پیشگویی فعالیت های آفت کش های آلی کلردار استفاده شد. ابتدا به کمک نرم‌ افزارگوس ویو 05 ساختار شیمیایی تمام مولکول‌ های مورد مطالعه رسم گردید و سپس بهینه سازی با نرم‌افزار گوسین 09 و روش هارتری-فاک و سری پایه G* 31-6 انجام پذیرفت. خواص فیزیکی- شیمیایی نظیر سمیت(logLD50) وضریب توزیع اکتانول-آب (logP) از منابع معتبر علمی به دست آورده شده است. برای تمامی سموم مورد مطالعه توصیف‌گرهای مناسب با استفاده از نرم‌ افزار دراگون و روش های الگوریتم ژنتیک و برگشتی تعیین شدند. سپس ارتباط بین توصیف گرهای مولکولی و فعالیت ها با استفاده از روش چند متغیره خطی مورد بررسی قرار گرفت. به منظور ساخت و آزمون مدل هایQSAR داده ها به طور تصادفی به دو دسته :آموزشی (80 درصد ) و آزمون (20 درصد) تقسیم گردیدند. مدل ها با استفاده از ضرایب آماری نظیر ضریب همبستگی(R)، مجذور آن (R2) و ریشه میانگین مربع خطاRMSE) ) انتخاب شدند. برای بررسی توانایی پیش بینی و اعتبار مدل ها از اعتبار سنجی تقاطعی "یکی بیرون" و اعتبار سنجی خارجی استفاده شد. اعتبار سنجی خارجی با استفاده از ضرایب رگرسیونی مجموعه آزمون انجام گردید. نتایج اعتبار سنجی و کیفیت بالای ضرایب مدل ها نشان می دهد که مدل های GA-MLR به دست آمده مدل های قابل قبول QSAR می باشند .این مدل ها می توانند جهت شناسایی توصیف گر های مناسب و پیشگویی فعالیت های آن ها به کار گرفته شوند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  21 - پیش بینی Log P (ضریب توزیع آب‌ اکتانل) آفت‌ کش ها به کمک روش‌ رگرسیون خطی چندگانه
  عصمت محمدی نسب
  آفت ‌کش ها از مهم‌ ترین آلاینده‌ های محیط می باشند و انتقال آن ‌ها از محیط زیست به داخل بدن موجود زنده و رسیدن به سطحی بالاتر ازحد طبیعی آن یکی از مهم ‌ترین نگرانی ‌های محیط زیستی می باشد. آفت ‌کش ‌ها به علت کاربردهای مختلف در زمینه بیوشـیمی و محیط زیست و کـشاورزی أکثر

  آفت ‌کش ها از مهم‌ ترین آلاینده‌ های محیط می باشند و انتقال آن ‌ها از محیط زیست به داخل بدن موجود زنده و رسیدن به سطحی بالاتر ازحد طبیعی آن یکی از مهم ‌ترین نگرانی ‌های محیط زیستی می باشد. آفت ‌کش ‌ها به علت کاربردهای مختلف در زمینه بیوشـیمی و محیط زیست و کـشاورزی مورد توجه بسیاری قرار گرفته‌ اند. برای شناخت آفت‌ کش‌ ها باید خصوصیات فیزیکی و شیمیایی آن‌ ها به خصوص میزان سمیت آن‌ ها را مورد توجه قرار داد. این مطالعه با هدف بررسی ارتباط Log P (ضریب توزیع آب – اکتانل) برخی از آفت ‌کش ‌ها با برخی توصیف‌گرهای توپولوژیکی به کمک نظریه گراف و روش رگرسیون خطی چندگانه انجام گرفته است. مطالعه کمی ساختار-خاصیت جهت بررسی این ارتباط به ‌کار گرفته شد و نتایج نشان داد که از میان توصیف ‌گرهای مورد مطالعه برای پیشگویی Log P آفت ‌کش ‌های مورد نظر ترکیبی از چهار توصیف‌گر توپولوژیکی: پلت (P)، هاراری (H)، راندیک (X) و سگد (Sz) مناسب است. بهترین مدل در این پژوهش نشان داد که توصیف‌گرهای ساختاری به کار رفته نقش مهمی را در تعیین ضریب توزیع آب – اکتانل آفت ‌کش ‌ها ایفا می نمایند. این تحقیق برای اولین بار رابطه میان ضریب پخش فاز آبی- آلی را با برخی شاخص ‌های ساختاری به کمک نرم افزار SPSS و روش رگرسیون خطی چندگانه در آفت کش ‌ها ارایه نموده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  22 - مطالعه رابطه ساختار – خاصیت برای پیش بینی logP مشتقات پیرتروئید با استفاده از مدل رگرسیون خطی چندگانه
  مصطفی صادقی عصمت محمدی نسب طاهره مومنی اصفهانی
  در این مطالعه، قدرت پیش بینی ضریب تقسیم آب-اکتانل (logP) برای34 نوع از مشتقات پیرتروئیدی با استفاده از رابطه کمی ساختار–خاصیت مورد مطالعه قرار گرفت. مقدار logP پیرتروئیدهای مورد مطالعه با کمک الگوریتم ژنتیک بر اساس روش رگرسیون خطی چندگانه(GA-MLR) مدل‌سازی شد و معل أکثر

  در این مطالعه، قدرت پیش بینی ضریب تقسیم آب-اکتانل (logP) برای34 نوع از مشتقات پیرتروئیدی با استفاده از رابطه کمی ساختار–خاصیت مورد مطالعه قرار گرفت. مقدار logP پیرتروئیدهای مورد مطالعه با کمک الگوریتم ژنتیک بر اساس روش رگرسیون خطی چندگانه(GA-MLR) مدل‌سازی شد و معلوم گردید که سه توصیفگر موثر GATS4P ، PW3و ZM1V همبستگی معقولی با logP دارند و منجر به ایجاد مدلی با ضریب رگرسیون بالا و خطای کم شدند. ارزیابی توانایی پیش‌بینی logP با مدل (GA-MLR) توسط پارامترهای آماری: R2 = 0.862، R2adj = 0.848، F=62.296و MSE = 0.503 برای مجموعه آزمایشی انجام شد. همچنین مقدار Q2LOO= 0.861 در روش اعتبارسنجی تقاطعی و نیز مقادیر R2 برابر با 0.880 و 0.929 به ترتیب برای سری های آموزش و آزمایش در روش اعتبارسنجی خارجی, همبستگی بسیار خوبی را بین مقادیر تجربی و مقادیر پیش بینی نشان داد. مشخص گردید که مدل MLR در پیش‌بینی logP حشره‌کش‌های پیرتروئیدی قابل اعتماد بوده و با در نظر داشتن خطای بسیار کم از دقت کافی برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  23 - Application of Mathematical Models to Estimate Metabolizable Energy Contents of Energetic Concentrate Feedstuffs for Poultry
  M. Sedghi K. Tayebipoor B. Poursina M. Eman Toosi P. Soleimani Roudi
  A study using 51 wheat, 56 barley and 34 oat grain samples was conducted to investigate the feasibility of predicting the apparent metabolizable energy (AME) value of these cereals for poultry. Stepwise regression analyses were performed to evaluate the relationship of أکثر

  A study using 51 wheat, 56 barley and 34 oat grain samples was conducted to investigate the feasibility of predicting the apparent metabolizable energy (AME) value of these cereals for poultry. Stepwise regression analyses were performed to evaluate the relationship of AME with starch, ether extract (EE), crude fiber (CF), soluble sugar (SS), ash and crude protein (CP) (for wheat and barley grain samples) or dry matter (DM), CF, ash and CP (for oat grain samples) as independent variables. According to the stepwise regression analyses, SS, CF and ash for wheat, CF, EE and starch for barley and CF and CP for oat were found to be useful predictors for AME prediction. Also, multiple linear regression (MLR) and artificial neural network (ANN) methods were developed to find the best models which can estimate the AME content of these cereals. Mean square deviation, Mean square variation and their components were used to evaluate the performance of MLR and ANN models. The results showed that AME of wheat can be predicted by SS, CF and ash. The CF, EE and starch are good independent variables to estimate AME content of barley samples. Also, CF and CP are good predictor parameters for AME prediction in oat samples. In case of model performance, the accuracy of the ANN model was stronger than MLR. Based on these results, it was concluded that the use of chemical composition in combination with the ANN model is a promising method to predict AME of wheat, barley and oat grain samples in poultry nutrition. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  24 - Comparison of Artificial Neural Network and Multiple Regression Analysis for Prediction of Fat Tail Weight of Sheep
  م.ع. نوروزیان م. وکیلی علویجه
  A comparative study of artificial neural network (ANN) and multiple regression is made to predict the fat tail weight of Balouchi sheep from birth, weaning and finishing weights. A multilayer feed forward network with back propagation of error learning mechanism was use أکثر

  A comparative study of artificial neural network (ANN) and multiple regression is made to predict the fat tail weight of Balouchi sheep from birth, weaning and finishing weights. A multilayer feed forward network with back propagation of error learning mechanism was used to predict the sheep body weight. The data (69 records) were randomly divided into two subsets. The first subset is the training set comprising of 75 percent data (52 records) to build the neural network model and test data set comprising of 25 percent (17 records), which is not used during the training and is used to evaluate performance of different models. The mean relative error was significantly (P<0.01) lower for ANN than the MLR model. The coefficient of determination (R2) values computed for the body measurements were generally higher (0.93) using ANN model than themultiple linear regression (MLR) model (0.81). The ANN model improved the mean squared error (MSE) of the MLR model by 59% and R2 by 15% that the ANN represents a valuable tool for predicting of lamb fat tail weight from birth, weaning and finishing weights. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  25 - Developing a Radial Basis Function Neural Networks to Predict the Working Days for Tillage Operation in Crop Production
  ارمغان کوثری مقدم عباس روحانی Lobat Kosari-Moghaddam مهدی اسماعیل پور تروجنی
  The aim of this study was to determine the probability of working days (PWD) for tillage operation using weather data with Multiple Linear Regression (MLR) and Radial Basis Function (RBF) artificial networks. In both models, seven variables were considered as input para أکثر

  The aim of this study was to determine the probability of working days (PWD) for tillage operation using weather data with Multiple Linear Regression (MLR) and Radial Basis Function (RBF) artificial networks. In both models, seven variables were considered as input parameters, namely minimum, average and maximum temperature, relative humidity, rainfall, wind speed, and evaporation on a daily basis. The PWD was considered to be the output of the developed models. Performance criteria were RMSE, MAPE, and R2. Results showed that the R2-valuewas 0.78 and 0.99 for MLR and RBF models, respectively. Both models had acceptable performance, but the RBF model was more accurate than the MLR model. The RMSE and MAPE values for the RBF model were lower than those for the MLR model. Thus, the RBF model was selected as the suitable model for predicting PWD. Moreover, the results of these models were compared to the prior soil moisture model. It was indicated that the results of the studied models had a good agreement with the results of the soil moisture model. However, the RBF model had the highest R2 (99%). In conclusion, the developed RBF model could be used to predict the probability of working days in terms of agricultural management policies. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  26 - مقایسه رگرسیون خطی چندگانه و الگوریتم‌های یادگیری ماشین در پیش‌بینی نگهداشت وجه نقد
  سمیرا سیف مصطفی یوسفی طزرجان
  در سالهای اخیر، در ادبیات مالی، توجه روز افزونی به سطح نگهداشت وجه نقد شرکت‌ها شده است. لذا؛ پیش‌بینی برای تعیین سطح بهینه نگهداشت وجه نقد اهمیت دارد. در این پژوهش با استفاده از روش‌های خطی و غیرخطی و 13 متغیر ورودی تاثیر‌گذار میزان وجه نقد در 103 شرکت پذیرفته شده در بو أکثر

  در سالهای اخیر، در ادبیات مالی، توجه روز افزونی به سطح نگهداشت وجه نقد شرکت‌ها شده است. لذا؛ پیش‌بینی برای تعیین سطح بهینه نگهداشت وجه نقد اهمیت دارد. در این پژوهش با استفاده از روش‌های خطی و غیرخطی و 13 متغیر ورودی تاثیر‌گذار میزان وجه نقد در 103 شرکت پذیرفته شده در بورس اوراق بهادار ایران طی سال‌های 1392 تا 1400 پیش‌بینی شده است. روش‌های به‌کار رفته شامل رگرسیون خطی چندگانه (MLR) ، نزدیکترین k همسایه (KNN) ، ماشین بردار پشتیبان (SVM) و شبکه‌های عصبی چند لایه (MLNN) برای پیش‌بینی استفاده شده است. نتایج نشان می‌دهد که روش سنتی رگرسیون خطی چندگانه در پیش‌بینی وجه نقد موفق عمل نکرده‌اند ولی الگوریتم‌های یادگیری ماشین با دقت 99/0 برتر بوده‌اند. متغیرهای سود هر سهم، نسبت داراییهای جاری به بدهیهای جاری و نسبت بدهی کوتاه‌مدت به کل دارایی‌ها تاثیر‌گذاری بیشتری در همه الگوریتم‌ها داشته‌اند. بنابراین، مدیران می‌توانند از الگوریتم‌های پیشرفته یادگیری ماشین جهت پیش‌بینی میزان وجه نقد آینده شرکت‌ها بهره بگیرند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  27 - Prediction of the GC-MS Retention Indices for a Diverse Set of Terpenes as Constituent Components of Camu-camu (Myrciaria dubia (HBK) Mc Vaugh) Volatile Oil, Using Particle Swarm Optimization-Multiple Linear Regression (PSO-MLR)
  Majid Mohammadhosseini
  10.22034/jchr.2018.544059
  A reliable quantitative structure retention relationship (QSRR) study has been evaluated to predict the retention indices (RIs) of a broad spectrum of compounds, namely 118 non-linear, cyclic and heterocyclic terpenoids (both saturated and unsaturated), on an HP-5MS fus أکثر

  A reliable quantitative structure retention relationship (QSRR) study has been evaluated to predict the retention indices (RIs) of a broad spectrum of compounds, namely 118 non-linear, cyclic and heterocyclic terpenoids (both saturated and unsaturated), on an HP-5MS fused silica column. A principal component analysis showed that seven compounds lay outside of the main cluster. After elimination of the outliers, the data set was divided into training and test sets involving 80 and 28 compounds. The method was tested by application of the particle swarm optimization (PSO) method to find the most effective molecular descriptors, followed by multiple linear regressions (MLR). The PSO-MLR model was further confirmed through “leave one out cross validation” (LOO-CV) and “leave group out cross validation” (LGO-CV), as well as external validations. The promising statistical figures of merit associated with the proposed model (R2train=0.936, Q2LOO=0.928, Q2LGO=0.921, F=376.4) confirm its high ability to predict RIs with negligible relative errors of predictions (REP train=4.8%, REP test=6.0%). تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  28 - Novel QSPR Study on the Melting Points of a Broad Set of Drug-Like Compounds Using the Genetic Algorithm Feature Selection Approach Combined With Multiple Linear Regression and Support Vector Machine
  Alireza Jalali Mehdi Nekoei Majid Mohammadhosseini
  10.22034/jchr.2016.544128
  A robust and reliable quantitative structure-property relationship (QSPR) study was established to forecast the melting points (MPs)  of a diverse and long set including 250 drug-like compounds. Based on the calculated descriptors by Dragon software package, to detect أکثر

  A robust and reliable quantitative structure-property relationship (QSPR) study was established to forecast the melting points (MPs)  of a diverse and long set including 250 drug-like compounds. Based on the calculated descriptors by Dragon software package, to detect homogeneities and to split the whole dataset into training and test sets, a principal component analysis (PCA) approach was used. Accordingly, there was no outlier in the constructed cluster. Afterwards, the genetic algorithm (GA) feature selection strategy was used to select the most impressive descriptors resulting in the best-fitted models. In addition, multiple linear regression (MLR) and support vector machine (SVM) were used to develop linear and non-linear models correlating the molecular descriptors and the melting points. The validation of the obtained models was confirmed applying cross validation, chance correlation along with statistical features associated with external test set. Our computational study exactly showed a determination coefficient and of 0.853 and a root mean square error (RMSE) of 11.082, which are better than those MLR model (R2=0.712, RMSE 15.042%) accounting for higher capability of SVM-based model in prediction of the theoretical values related to melting points. In fact, using the GA approach resulted in selection of powerful descriptors having useful information concerning effective variables on MPs, which can be utilized in further designing of drug-like compounds with desired melting points. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  29 - Multiple Linear Regression Model for Prediction of Pupils Exposure to PM2.5
  Yasser Baharfar Mahmoud Mohammadyan Faramarz Moattar Parvin Nassiri Mohammad Hasan Behzadi
  10.22034/ap.2022.1951375.1127
  Particulate matter, as one of the biggest problems of air pollution in metropolises, is the cause of many respiratory, lung and cardiovascular diseases, which timely awareness and announcement can reduce these adverse effects on human health. Therefore, considering that أکثر

  Particulate matter, as one of the biggest problems of air pollution in metropolises, is the cause of many respiratory, lung and cardiovascular diseases, which timely awareness and announcement can reduce these adverse effects on human health. Therefore, considering that children are more exposed and more sensitive to this pollution, this research was conducted to introduce an evaluated mathematical model to predict PM2.5 concentration levels, indoor selected preschools located in one of centeral district of Tehran (district 6), using determination of related factors to PM2.5 concentration. Classroom environmental information, Meteorological information and urban fixed monitoring stations data were collected through measuring Indoor and outdoor classroom PM2.5 concentrations using direct-reading instruments, adjusted questionnaire and conducted organizations, simultaneously. Results showed the spring and autumn had the lowest and highest indoor and outdoor concentrations (17.1 and 20.5 μg m-3 & 48.7 and 78 μg m-3respectively). Multiple linear regression model was introduced by statistical analysis and the results of indoor PM2.5 concentration predictions were compared and evaluated with measured data. The results of introduced this model, consisting of identifying seven main factors affecting the mean concentrations of indoor PM2.5, including outdoor PM2.5, the number of pupils, ambient temperature, wind speed, wind direction and open area of the doors and windows, showed that it has good accuracy (R2 = 0.705) and significantly correlated(p < 0.001). The Multiple Linear Regression Model can be used with good accuracy to predict indoor PM2.5 concentration of preschool classes in Tehran. تفاصيل المقالة