دانلود پروژه استفاده از روش‌های شبکه عصبی در طبقه‌بندی پروتئین ها

اختصاصی از اس فایل دانلود پروژه استفاده از روش‌های شبکه عصبی در طبقه‌بندی پروتئین ها دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 20
فهرست و توضیحات:

استفاده از روش‌های شبکه عصبی در
طبقه‌بندی پروتئین‌ها

پروژه درس مباحث ویژه پایگاه‌ داده‌ها

عناوین

چکیده

1   .مقدمه

  .2شبکه‌های عصبی

1.  طبقه‌بندی ترکیبی
2. 3رأی‌گیری اکثریت
3. 3ترکیب طبقه بندی کننده‌ها به روش بیزی

4   .نتایج آزمایشات

1. 4آماده سازی داده‌‌ها
2. 4 نتایج آزمایشات
3. 4مقایسه با کارهای پیشین

5   .نتیجه گیری و کارهای آینده

منابع

فهرست شکل‌ها

شکل 1: یک شبکه پرسپترونی سه لایه

شکل 2: تاثیر ورودی از نرون i با وزن بر نرون j

شکل 3: نرخ طبقه‌بندی صحیح برای طبقه بندی کننده‌های MLP

شکل 4: نرخ طبقه‌بندی صحیح برای طبقه بندی کننده‌های RBF

چکیده

تشخیص فولد پروتئین‌ها از جمله مسائل چالش برانگیزی است که در طی 35 سال گذشته محققان بسیاری در سراسر دنیا در این زمینه تحقیق کرده‌اند. امروزه به کارگیری علوم مهندسی برای حل مسائل حوزه علوم زیستی و پزشکی به سرعت و با موفقیت رو به افزایش است، بنابراین بسیاری از دانشمندان کامپیوتر به این سمت گرایش پیدا کرده‌اند تا بتوانند از روش‌های مختلف یادگیری ماشین در پیاده سازی سیستم‌های خودکار و هوشمند به منظور طبقه‌بندی پروتئین‌ها کمک بگیرند. هدف نهایی  در پیاده سازی این سیستم‌ها  نزدیک بودن هرچه بیشتر تصمیم اتخاذ شده توسط ماشین به تصمیم فرد خبره بیولوژیست می‌باشد.

با این وجود به خاطر پیچیدگی بسیار این مساله که ناشی از تعداد کلاس‌های نسبتا زیاد پروتئین‌ها و بزرگ بودن ابعاد ویژگی آنهاست، بدست آوردن جواب قابل قبول در طبقه‌بندی پروتئین‌ها با استفاده از روش‌های معمول یادگیری ماشین تقریبا امکان پذیر نمی‌باشد.  در این پژوهش ما از یک مدل ترکیبی طبقه‌بندی با استفاده از  شبکه های عصبی MLP، RBF و روش ترکیب طبقه بندی کننده‌های بیزی برای تعیین فولد پروتئین ها استفاده کرده‌ایم. نتایج بدست آمده نشان می‌دهد که شبکه‌های عصبی RBF دارای نرخ طبقه بندی صحیح بهتری نسبت به سایر روش‌ها مانند MLP و ماشین‌های بردار پشتیبان داشته است. این امر می‌تواند به علت فضای جستجوی بسیار بالا برای یافتن پارامترهای بهینه ماشین‌های بردار پشتیبان و زمان نسبی زیاد یادگیری در این نوع طبقه بندی کننده‌ها باشد. همچنین نتایج بدست آمده نشان می‌دهد که نرخ طبقه بندی صحیح پروتئین‌ها با استفاده از روش ترکیب بیزی به ٪59 افزایش یافته است. که البته در مقاله دیگری توانسته‌اند با استفاده از کلاسیفایر svm به 62.5٪  برسند. که نشان می‌دهد هنوز این پژوهش نیاز به بررسی بیشتر دارد.

1.  مقدمه

پروتئین‌ها ماکرومولکول‌های بیولوژیک بزرگی هستند که اجزاء اصلی ارگانیسم‌های زنده را تشکیل می‌دهند و تمام اعمال حیاتی آنها را کنترل می‌کنند. عملکرد یک پروتئین مربوط به واکنش‌های شیمیایی پروتئین با محیط اطراف و سایر پروتئین‌ها می‌باشد. از طرف دیگر خود این امر وابسته به شکل و ساختار سه بعدی پروتئین و نحوه فولدینگ اجزاء آن می‌باشد. تعیین ساختار سه‌بعدی پروتئین به طور تجربی بسیار دشوار است و از آنجایی‌که معمولا ترتیب زنجیرة هر پروتئین دانسته است، پژوهشگران می‌کوشند تا با استفاده از روش‌های زیست‌فیزیکی گوناگون پدیده تاخوردگی پروتئین‌ها را مدل کرده و به این ترتیب ساختار سه‌بعدی نهایی را از روی دنبالة اسیدهای آمینه پیش‌بینی کنند. بر اساس باور بسیاری از پژوهشگران  پروتئین‌ها برای عملکرد صحیح می‌بایست ساختار سه‌بعدی درست خود را بدانند. لذا اگر پروتئینی نتواند به ساختار درست خود تا شود، غیرفعال خواهد شد. دلیل برخی از بیماری‌ها انباشتگی پروتئین‌های بد تاخورده پنداشته می‌شود.

انبوه پروتئین‌های تعیین توالی شده که در صف طویل تعیین خواص ساختاری و شناسایی عملکرد قرار گرفته‌اند، نیاز به روش‌های محاسباتی برای تعیین ساختار و توپولوژی پروتئین‌ها را آشکار می‌سازد. این  مساله به عنوان یکی از چالش های 35 سال اخیر دانشمندان بیولوژی توجه بسیاری از محققان علوم کامپیوتر را به خود جلب کرده است ‎. با این وجود به دلیل طبیعت پیچیده ناشی از تعداد زیاد کلاس‌های پروتئین و همچنین بالا بودن ابعاد فضای ویژگی، عموما روش‌های معمول یادگیری ماشین به نتایج چندان رضایت بخشی نمی‌رسند . در چنین مسائل طبقه‌بندی فرض می‌شود که فولدهای ممکن محدود است و هر پروتئین به کلاس یکی از انواع محدود فولدها تعلق دارد. می‌توان گفت شناسایی الگوی فولد یک پروتئین در سطحی عمیق‌تر از شناسایی کلاس ساختارهای نوع دوم پروتئین قرار می‌گیرد و به طبع دشوارتر و پیچیده‌تر از آن است. دشواری این مساله از آنجا ناشی می‌شود که با توجه به ساختارهای نوع دوم تشکیل دهنده پروتئین تعداد زیادی توپولوژی شناخته شده می‌توانند کاندید انتخاب به عنوان توپولوژی مناسب برای یک پروتئین با توپولوژی ناشناخته شوند.

روش استفاده شده در این تحقیق برای روبرو شدن با چنین مساله دشواری ترکیب تصمیم‌هایی است که هر یک با توجه به زاویه دیدی متفاوت به موضوع اتخاذ شده‌اند. در این تحقیق کلاسیفایرهای مورد استفاده در مواردی چون شناسایی ساختار دوم، آبگریزی ، حجم واندروالس، قطبیت،  و قابلیت قطبی شدن از روی مجموعه داده‌های آموزش به خبرگی مورد نیاز رسیده‌اند.

در این پژوهش ما از یک مدل ترکیبی طبقه‌بندی با استفاده از  شبکه‌های عصبی MLP، RBF و روش ترکیب طبقه بندی کننده‌های بیزی برای تعیین فولد پروتئین‌ها استفاده کرده‌ایم. در ادامه در بخش دوم این گزارش ابتدا مقدمه‌ای مختصر درباره شبکه‌های عصبی مصنوعی آورده شده است. بخش سوم به شرح روش رای گیری اکثریت و همچنین روش  بیز در ترکیب تصمیم طبقه بندی کننده‌های مختلف می‌پردازد.  در بخش چهارم به بیان مشخصات داده‌ها و همچنین عملیات‌های انجام شده به منظور آماده سازی داده‌های مساله پرداخته‌ایم. در بخش‌های پنجم و ششم و هفتم نیز به ترتیب نتایج آزمایشات، مقایسه با کارهای انجام شده قبلی و کارهای آینده آورده شده است.

این فقط قسمتی از متن پروژه است . جهت دریافت کل متن پروژه ، لطفا آن را خریداری نمایید

ذخیره لایه، تصویر و پروژه در گوگل ارث

اختصاصی از اس فایل ذخیره لایه، تصویر و پروژه در گوگل ارث دانلود با لینک مستقیم و پر سرعت .

نحوه ی ذخیر فایل تصاویر وپروژه ها را در گوگل ارث یاد می گیرد

تحقیق جامع درباره بررسی و ارزیابی سیستمهای مبتنی بر شبکه عصبی

اختصاصی از اس فایل تحقیق جامع درباره بررسی و ارزیابی سیستمهای مبتنی بر شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

 فرمت فایل : word (قابل ویرایش) تعداد صفحات : 79 صفحه

مقدمه :

شبکه‌های عصبی مصنوعی (Artificial Neural Network - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلا با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند.

توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‎ای از عناصر پردازش ساده (نورونها) است، که می‌تواند رفتار پیچیده کلی تعیین شده‎ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسون‎ها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفته‌است، که یکی از قابل توجه‎ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‎دهد. در یک مدل شبکه عصبی، گره‎های ساده (بطور گسترده نورون، نئورونها، "PE" ها (عناصر پردازش) یا واحدها) برای تشکیل شبکه‎ای از گره‎ها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح"شبکه‎های عصبی" اطلاق می‎شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد.

با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد.

این شبکه‌ها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
اگر یک شبکه را هم‌ارز با یک گراف بدانیم، فرآیند آموزش شبکه تعیین نمودن وزن هر یال و bias اولیه خواهد بود.

تاریخچه شبکه‌های عصبی مصنوعی

از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‎ها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند، و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند، که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‎ها در شبیه‎سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‎ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‎ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‎ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.

نه تنها نروفیزیولوژیست‎ها بلکه روان‎شناسان و مهندسان نیز در پیشرفت شبیه‎سازی شبکه‌های عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه می‌باشد، به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده‌است. این سیستم می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سیستم دیگر مدل خطی تطبیقی نورون می‌باشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.

در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت‎های سیستم‎های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه‎گذاری برای تحقیقات در زمینه شبیه‎سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

 فهرست

مقدمه ای بر شبکه‌های عصبی مصنوعی-------------------- 4

تاریخچه شبکه‌های عصبی مصنوعی---------------------- 5

شبکه عصبی چیست؟-------------------------------  6

شبکه  عصبی چه قابلیتهائی دارد؟----------------------  6

الهام از طبیعت------------------------ ---------- 7

شبکه های عصبی در مقایسه با کامپیوترهای سنتی :--------- 7

مسائل مناسب برای یادگیری شبکه های عصبی------------  8

پرسپترون -------------------------------------9

الگوریتم یادگیری پرسپترون ---------------------------9

الگوریتم gradient descent---------------------------  10

مشکلات روش gradient descent-------------------  10

تقریب افزایشی gradient descent------------------   10

الگوریتم  Back propagation--------------------  11

قدرت نمایش توابع---------------------------------- 12

انواع آموزش شبکه-----------------------------   12

برخی زمینه های شبکه های عصبی---------------------------   13

سبکهای معماری شبکه‌های عصبی -------------------------------------------------- 14

قواعد یادگیری در شبکه‌های عصبی ------------------------------------------------- 14

آموزش شبکه‌های عصبی --------------------------------------------------------  15

آموزش unsupervised یا تطبیقی (Adaptive)  --------------------------------------------   16

تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره -------------------   16

انواع یادگیری برای شبکه های عصبی-----------------------------------------------    18

یادگیری با ناظر--------------------------------------------------------- 18

یادگیری تشدیدی------------------------------------------------------    18

یادگیری بدون ناظر------------------------------------------------------   19

معایب شبکه های عصبی -------------------------------------------------------     19

مزیتهای شبکه های عصبی------------------------------------------------------     19

سیستم خبره  ---------------------------------------------------------------   21

سیستم خبره چیست؟---------------------------------------------------    21

ساختار یک سیستم خبره‌-------------------------------------------------- 22

استفاده از  منطق فازی ---------------------------------------------------  23

مزایا و محدودیت‌های سیستم‌های خبره ---------------------------------------   24

کاربرد سیستم‌های خبره‌--------------------------------------------------   24

چند سیستم خبره مشهور-------------------------------------------------  25

مروری بر کاربردهای تجاری ------------------------------------------------------  26

بازاریابی-------------------------------------------------------------  26

بانکداری و حوزه های مالی-------------------------------------------------  28

پیش بینی -----------------------------------------------------------   29

سایر حوزه های تجاری ---------------------------------------------------  29

کاربرد مدلهای شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکتهای بازار بورس---------------   30

کاربرد مدل‌ شبکه عصبی در پیش‌بینی ورشکستگی شرکتهای بازار بورس----------------------   31

تبیین مفهوم ورشکستگی------------------------------------------------------   31

متغیرهای مدل تحقیق--------------------------------------------------------   32

اطلاعات شرکتهای نمونه تحقیق--------------------------------------------------  32

تعیین ‌مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها------------------------   33

sتعیین مدل بهینه شبکه عصبی چهار لایه برای پیش‌بینی ورشکستگی شرکتها-------------------  38

مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی--------------- - 41

پیش‌بینی ورشکستگی اقتصادی شرکتها در سالهای 1385 و 1386---------------------------  41

روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره 1369ـ 1386------------------------  41

جمع‌بندی و نتیجه‌گیری-------------------------------------------------------- 44

منابع----------------------------------------------------------------------45

ادامه...

پکیج انسان ، طبیعت و معماری

اختصاصی از اس فایل پکیج انسان ، طبیعت و معماری دانلود با لینک مستقیم و پر سرعت .

محتوایی این پکیج اموزشی بیش از 50 فایل پاورپوینت و ورد می باشد.

پروژه کار آموزی معماری

اختصاصی از اس فایل پروژه کار آموزی معماری دانلود با لینک مستقیم و پر سرعت .

پروژه کامل  کاراموزی در رشته معماری با فرمت ورد