پیش بینی ساختار دوم RNA با استفاده از الگوریتم SetPSO‎

اختصاصی از فی موو پیش بینی ساختار دوم RNA با استفاده از الگوریتم SetPSO‎ دانلود با لینک مستقیم و پر سرعت .

پیش بینی ساختار دوم RNA با استفاده از الگوریتم SetPSO‎

 قالب بندی :   PDF

شرح مختصر : پیش بینی ساختار دوم آر ان ای (RNA) یکی از حوزه های مهم بیوانفورماتیک می باشد و روش های مختلفی برای آسانتر کردن تعیین ساختار RNA ارائه شده است. RNA یک نوکلئیک اسید می باشد که در ساختار سلول موجودات زنده نقش های مهمی بر عهده دارد. دانستن ساختار RNA نقش بسیار تعیین کننده ای در فهمیدن کارکرد یک رشته RNA دارد. تعیین ساختار دوم رشته RNA بوسیله روشهای مختلف کامپیوتری به طور متوسط سریع تر و ارزان تر از روش های آزمایشگاهی است. این پایان نامه بر آن است الگوریتم SetPSO را که یک الگوریتم بهینه سازی بر پایه کار با مجموعه هاست و از رویکرد مینیمم سازی سطح انرژی استفاده می کند, برای پیش بینی ساختار دوم مولکول RNA معرفی کند.

فهرست :

  فصل اول : مختصری راجع به مولکول RNA

 ساختار شیمیایی نوکلئیک اسیدها

  ریبو نوکلئیک اسید یا RNA

  پروتئین سازی, مهمترین وظیفه RNA

 رونویسی

 ترجمه

  ساختار اول RNA

  ساختار دوم RNA

  مولفه های ساختار دوم RNA

  نحوه نمایش ساختار دوم RNA

  ساختار سوم RNA

  مشخص کردن ساختار طبیعی مولکول RNA

 رویکرد مقایسه ای

 رویکرد مینیمم سازی سطح انرژی

 رویکرد گرامرهای مستقل از متن

 قوانین ترمودینامیکی و مدل های مختلف ترمودینامیکی

  فصل دوم : الگوریتم SetPSO

  الگوریتم PSO

  SetPSO

 فضای مساله و موقعیت ذرات

 عملگر جمع

 عملگر تفریق

 عملگر فاصله

  الگوریتم SetPSO

 مقدار دهی اولیه به ذرات

 تغییر سرعت ذرات

 به روز رسانی وضعیت ذرات

  پارامترهای الگوریتم SetPSO

  Closing probability

  Random add probability

 ضریب بی نظمی

 میزان تنوع

فصل سوم : پیش بینی ساختار دوم SetPSO با استفاده از الگوریتم RNA

 نمایش ذرات

  پیدا کردن استم های ممکن در یک رشته و تشکیل مجموعه فراگیر U

 مقدار دهی اولیه به ذرات

 روند اجرای الگوریتم در یک نگاه

 پیچیدگی محاسباتی

 نتایج به دست آمده

واژه نامه

منابع و مراجع

دانلود مقاله لاتین 2015 با عنوان پیش بینی ضریب رسانایی گرمایی نانوسیالات آلومینا بر پایه آب با استفاده از شبکه های عصبی مصنوعی

اختصاصی از فی موو دانلود مقاله لاتین 2015 با عنوان پیش بینی ضریب رسانایی گرمایی نانوسیالات آلومینا بر پایه آب با استفاده از شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

در این مقاله که در سال 2015   در ژورنال معتبر  " Powder Technology" به چاپ رسیده است به بررسی سابقه کارهای محققین مختلف در خصوص اندازه گیری ضریب رسانایی گرمایی نانوسیالات پرداخته شده است. مدلهای ارائه شده جهت پیش بینی میزان رسانایی گرمایی سوسپانسیونها و نانوسیالات ارائه شده است. در ادامه شبکه های عصبی مورد بحث قرار گرفته و با استفاده از داده های گردآوری شده از مراجع مختلف، مدلی برای پیش بینی میزان رسانایی گرمایی ارائه شده است.

چکیده :

هدف از مطالعه حاضر، توسعه یک شبکه عصبی مصنوعی (ANN) جهت تخمین نسبت رسانایی حرارتی نانوسیال پایه آبی حاوی نانوذرات آلومینا بعنوان تابعی از دما، درصد حجمی و اندازه نانوذره می­باشد. پارامترهای شبکه عصبی با استفاده از یک الگوریتم(back propagation learning algorithm) و استفاده از 285 داده تجربی جمع آوری شده از منابع مختلف، تنظیم و تعدیل گردید. تحلیل دقیق آماری تایید نمود یک مدل شبکه دو لایه ای پیشرو با 14 نرون مخفی، دارای بهترین عملکرد می باشد. شبکه توسعه داده شده توانست نسبت ضریب رسانایی گرمایی را با قدرمطلق انحراف نسبی متوسط (AARD) به میزان 1.27 درصد و خطای متوسط میانگین (MSE) به میزان 4-10*4.73 و ضریب رگرسیون (R2) برابر با0.97 ، نسبت به داده های تجربی پیش بینی نماید. مقایسه توانایی پیش بینی روش ارائه شده با تعدادی از روابط پیشنهادی در مطالعات دیگر، تایید می نماید که این مدل شبکه دارای نتایج بسیار بهتری از سایر روابط ارائه شده دارد و می­توان از آن بعنوان یک ابزار عملی جهت محاسبه نسبت رسانایی گرمایی نانوسیال آلومینا مورد استفاده قرار گیرد.

کلمات کلیدی : دانلود مقاله لاتین- دانلود مقاله نانوتکنولوژی- دانلود مقاله- دانلود مقاله آی اس آی نانوتکنولوژی- دانلود مقاله ISI نانوتکنولوژی- نانوتکنولوژی- آلومینا- رسانایی گرمایی- شبکه های عصبی- مقاله لاتین نانوتکنولوژی- مقاله لاتین نانو- دانلود رایگان مقاله نانوتکنولوژی- nanotechnology- ISI paper- دانلود مقاله جدید، دانلود مقاله 2015

اگر به دنبال ترجمه  تخصصی و روان مقاله فوق هستید درخواست خود را به این آدرس ایمیل کنید:

[e-mail]

مقاله با عنوان: طراحی مدل پیش بینی تعداد فوت شدگان تصادفات برون شهری

اختصاصی از فی موو مقاله با عنوان: طراحی مدل پیش بینی تعداد فوت شدگان تصادفات برون شهری دانلود با لینک مستقیم و پر سرعت .

قالب بندی :  PDF

شرح مختصر :  سالانه تعداد زیادی از مردم جهان در تصادفات ترافیکی جان خود را از دست میدهند. حوادث ترافیکی نهمین عامل مرگ و میر در جهان به شمار میرود اما در ایران دومین عامل مرگ و میر محسوب می شود. در این تحقیق با استفاده از تعداد کشته شدگان تصادفات برون شهری در ماه های گذشته و با استفاده از روشهای آماری به پیشبینی تعداد تلفات در ماه های آینده پرداخته می شود. هدف از انجام این تحقیق آن است که بتوان ارزیابی کرد آیا راه کارهای اتخاذ شده در افزایش ایمنی و کاهش تصادفات و تلفات مؤثر واقع شده است یا خیر؟ نتایج به دست آمده از پیش بینیهای آینده تعداد فوت شدگان در این تحقیق، نشان میدهد که کشور ایران با ارائه راه کارهای مناسب توانسته است خود را به مرحله حساس و بحرانی تثبیت وضعیت فوت شدگان ترافیکی برساند و حداقل تا چندین ماه آینده در این مرحله قرار خواهد داشت . برای عبور از این مرحله بسیار کلیدی و حساس میبایست راه کارهایی متناسب با فرهنگ و ظرفیت کشور در برنامه ریزیهای آتی ایمنی راهها گنجانده شود تا به مرور زمان بعد از مرحله تثبیت شاهد سیر نزولی تعداد تصادفات و بالتبع آن کاهش تعداد فوتیها و مجروحان حاصل از آن بود. در صورت کار آنبودن این برنامه ریزیها، وضعیت نمودار پیش بینی تعداد فوت شدگان از حالت راکد خارج شده و سیر صعودی با شیب زیاد به خود خواهد گرفت که بسیار نگران کننده خواهد بود.

پیش بینی ریسک بازار چند سری زمانی تحت حافظه بلندمدت هنگامی که ارزش در معرض خطر (VAR) بالاتر از حد انتظاراست

اختصاصی از فی موو پیش بینی ریسک بازار چند سری زمانی تحت حافظه بلندمدت هنگامی که ارزش در معرض خطر (VAR) بالاتر از حد انتظاراست دانلود با لینک مستقیم و پر سرعت .

Received 25 July 2013
Revised 2 October 2013
Accepted 13 October 2013

Multiple-period market risk
prediction under long memory:
when VaR is higher than expected

Harald Kinateder and Niklas Wagner
Business Administration and Economics,
University of Passau, Passau, Germany

Abstract
Purpose – The paper aims to model multiple-period market risk forecasts under long memory
persistence in market volatility.
Design/methodology/approach – The paper proposes volatility forecasts based on a combination
of the GARCH(1,1)-model with potentially fat-tailed and skewed innovations and a long memory
specification of the slowly declining influence of past volatility shocks. As the square-root-of-time
rule is known to be mis-specified, the GARCH setting of Drost and Nijman is used as benchmark
model. The empirical study of equity market risk is based on daily returns during the period
January 1975 to December 2010. The out-of-sample accuracy of VaR predictions is studied for 5, 10, 20
and 60 trading days.
Findings – The long memory scaling approach remarkably improves VaR forecasts for the longer
horizons. This result is only in part due to higher predicted risk levels. Ex post calibration to equal
unconditional VaR levels illustrates that the approach also enhances efficiency in allocating VaR
capital through time.
Practical implications – The improved VaR forecasts show that one should account for long
memory when calibrating risk models.
Originality/value – The paper models single-period returns rather than choosing the simpler
approach of modeling lower-frequency multiple-period returns for long-run volatility forecasting. The
approach considers long memory in volatility and has two main advantages: it yields a consistent set
of volatility predictions for various horizons and VaR forecasting accuracy is improved.
Keywords GARCH, Hurst exponent, Long memory, Multiple-period value-at-risk,
Square-root-of-time rule, Volatility scaling
Paper type Research paper

عنوان فارسی مقاله

پیش بینی ریسک بازار چند سری زمانی تحت حافظه بلندمدت

هنگامی که  ارزش در معرض خطر VAR)(بالاتر از حد انتظار است

چکیده

هدف - هدف از ارائه این مقاله برای مدل کردن پیش بینی های ریسک بازار چند سری، تحت پایداری  حافظه بلند مدت در نوسانات بازار می باشد.

طراحی - روش شناسی – رویکرد

در این مقاله پیش بینی نوسانات ریسک بازار بر اساس ترکیبی از مدل-(گارچ GARCH 1،1)  با نوآوری های به طور بالقوه دمب چاق(دامنه) و نامتوازن و مشخصات حافظه بلند مدت از نفوذ کم کم رو به کاهش شوک های نوسانات گذشته،پیشنهاد می شود،  و به عنوان قاعده ریشه توان دوم   سری زمانی  که به اشتباه مشخص شده، شناخته شده می باشد.تهیه و تنظیم مدل گارچ توسط Drost و Nijman به عنوان مدل معیار مورد استفاده قرارمی گیرد. در این مطالعه تجربی ، ریسک بازار سهام مبتنی بر بازده داده های  روزانه طی سری زمانی ژانویه 1975 تا دسامبر 2010می باشد. نمونه خارج از دقت و صحت از پیش بینی های VAR برای معاملات 5، 10، 20 و 60 روزه ، مورد مطالعه قرار می گیرد.

تعداد صفحات مقاله انگلیسی=29

تعداد صفحات مقاله فارسی=51

فایل ترجمه شده در فایل وورد  WORDمی باشد

قیمت فایل =20000 تومان

پیش بینی بارمعلق رودخانه ها برمبنای دبی جریان با استفاده ازبرنامه ریزی ژنتیک

اختصاصی از فی موو پیش بینی بارمعلق رودخانه ها برمبنای دبی جریان با استفاده ازبرنامه ریزی ژنتیک دانلود با لینک مستقیم و پر سرعت .

نویسند‌گان:

[ خانلار مشاری ] - دانش اموخته کارشناسی ارشد عمران آب دانشگاه آزاد اسلامی واحدمراغه

[ محمدعلی قربانی ] - دانشیارگروه مهندسی آب دانشگاه تبریز ایران

[ رسول دانشفراز ] - استادیار گروه مهندسی عمران دانشگاه مراغه مراغه ایران

خلاصه مقاله:

برآورد صحیح بار رسوبی در طرحهای آبی بسیار حائز اهمیت است، رسوبگذاری در مخان سدها و کاهش آنها تغییر مسیررودخانهها به دلیل رسوبگذاری در بستر آنها و اثرات منفی در ظرفیت آبگذری کانال انتقال آب تغییر کیفیت آب به لحاظ مصارف شرب و کشاورزی از جمله مشکلاتی ناشی از این پدیده اهکاری مناسب جهت برآورد دقیق بار معلق رودخانه ها، بسیار سودمند است اگرچه در دهه اخیر تحقیقاتی در خصوص کاربرد مدل های هیدرولوژیکی جعبه سیاه متکی بر شبکه های عصبی مصنوعی و برتری دقیق آنها بر روابط تجربی همچون منحنی سنجه رسوب ارائه شده است ولی به دلیل غیرصریح بودن آنها در عمل سبب توسعه نیافته است در تحقیق حاضر رابطه صریح ریاضی با استفاده از برنامه ریزی ژنتیک برای پیش بینی با خانه ها ارائه شده و دقت نتایج حاصل با روش شبکه عصبی مصنوعی مورد مقایسه قرار گرفته است و در پیش بینی جریان و رسوب معلق رودخانه و جهت مدل سازی و تایید برنامه ریزی ژنتیک از داده های مربوط به سال ........... از ایستگاه هیدرومتری رودخانه بیطاس واقع بر روی سدمهاباد در استان آذربایجان غربی مورد استفاده است و با یک فرآیند آموزش عمل پیش بینی انجام گرفت و نتایج محاسباتی با داده های مشاهداتی را جذر میانگین مربعات خطا RMSE و ضریب تعیین R2 برای ارزیابی دقت مدل ها مورد بررسی و ... گرقت نتایج حاصله حاکی از دقت بالای برنامه ریزی ژنتیک در مقایسه با شبکه عصبی مصنوعی و کارایی .... بار معلق رودخانه ها می باشند

کلمات کلیدی:

 تخمین بارمعلق ، برنامه ریزی ژنتیک ، شبکه عصبی مصنوعی ، رودخانه بیطاس