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

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

فهرست:

فصل اول-  مقدمه.......................................................................................................................... 1

1-1- تعریف و تاریخچه کمومتریکس.......................................................................................................................................2

1-2- روش های ریاضی و آماری در کمومتریکس  4

1-3- مراحل مختلف مطالعات QSPR.. 4

1-3-1- انتخاب سری مولکولی.. 5

1-3-2- محاسبه توصیف کننده های مولکولی. 5

1-3-3- انتخاب توصیف کننده های مولکولی مناسب... 6

1-3-4- مدلسازی و انتخاب بهترین مدل.............................................................................................................6

1-3-5- ارزیابی اعتبارمدل های انتخاب شده برای متغیرهای گزینش شده..........................................................7

1-4- انواع توصیف کننده های مولکولی.. 7

1-4-1- توصیف کننده های جزئی مولکولی.. 7

1-4-2- توصیف کننده های توپولوژیکی مولکولی.. 7

1-4-3- توصیف کننده های تطبیقی مولکولی.. 8

1-4-4- توصیف کننده های شمارش گر قدم های مولکولی 8

1-4-5- توصیف کننده های ضرایب بار توپولوژی گالوز. 8

1-4-6- توصیف کننده های هم بستگی دو بعدی.. 9

1-4-7- توصیف کننده های بار مولکولی.............................................................................................................9

1-4-8- توصیف کننده های ضرایب آروماتیسیته مولکولی..................................................................................... 9

1-4-9- توصیف کننده های هندسی....................................................................................................................9

1-4-10- توصیف کننده های برش مولکولی راندیک........................................................................................10

1-4-11- توصیف کننده های سه بعدی مولکولی. .............................................................................................10

1-4-12- توصیف کننده های تصویری مولکولی...............................................................................................10

1-4-13- توصیف کننده های توزیع شعاعی......................................................................................................11

1-4-14- توصیف کننده های گروههای عاملی .................................................................................................11

1-4-15- توصیف کننده های بخش های متصل به اتم مرکزی..........................................................................11

1-4-16- توصیف کننده های جانمایی توپولوژی – هندسی.............................................................................11

1-4-17- توصیف کننده های تجربی مولکول....................................................................................................11

1-4-18- توصیف کننده های ویژگی مولکولی..................................................................................................12

1-5- روش های مختلف مدلسازی ریاضی........................................................................................................12

1-5-1- روش رگرسیون خطی چند گانه...........................................................................................................12

1-5-1-1- تاریخچه...........................................................................................................................................12

1-5-1-2- مفروضات رگرسیون............................................................................................................13

1-5-1-3- روش ورود متغیر ها در رگرسیون.......................................................................................14

1-5-1-4- آزمون هم خطی...................................................................................................................15

1-5-2- روش ماشین بردارپشتیبان.....................................................................................................................17

1-5-2-1- مقدمه................................................................................................................................................17

1-5-2-2-اصول کار وخلاصه استفاده عملی از ماشین بردار پشتیبان.................................................................17

1-5-3- روش شبکه های عصبی مصنوعی.........................................................................................................20

1-5-3-1- مقدمه..................................................................................................................................20

1-5-3-2- مفهوم شبکه عصبی مصنوعی..............................................................................................20

1-5-3-3- تاریخچه ی شبکه های عصبی..........................................................................................................21

1-5-3-4- نرون ها............................................................................................................................................22

1-5-3-5- توابع انتقال.......................................................................................................................................24

1-5-3-6- شبکه ها............................................................................................................................................25

1-5-3-7- انواع شبکه ها.........................................................................................................................................................27

1-5-3-8- مزایا و معایب.........................................................................................................................................................29

1-5-3-9- کاربرد های شبکه عصبی مصنوعی...................................................................................................................30

1-6-آنالیز بهینه شده آفت کش ها و علف کش ها.............................................................................................32

1-7- معرفی نرم افزار.........................................................................................................................................34

1-7-1- نرم افزار20 .SPSS............................................................................................................................34

1-7-2- نرم افزار Hyper chem 0.7............................................................................................................34

1-7-3- نرم افزارDragon 2.1 .................................................................................................................... 34

1-7-4-نرم افزار STATISTICA 0.8  .......................................................................................................35

فصل دوم-  پیشینه تحقیق..................................................................................................................37

- مطالعات کمومتری انجام شده بر روی زمان های بازداری آفت کش ها.................................................38

فصل سوم- بخش تجربی......................................................................................................................43

3-1- رسم ساختارهای مولکولی.........................................................................................................................44

3-2- بهینه سازی ساختارهای مولکولی..............................................................................................................44

3-3- محاسبه توصیف کننده های مولکولی........................................................................................................46

3-4- استفاده از نرم افزار Excel 2010    Microsoft...................................................................................46

3-5- کاهش تعداد توصیف کننده های مولکولی................................................................................................47

3-6- دسته بندی داده ها.....................................................................................................................................48

3-7- مدل سازی خطی برای پیش بینی زمان بازداری........................................................................................48

3-8- مدلسازی با روش های غیر خطی.............................................................................................................49

فصل چهارم- بحث و نتیجه گیری................................................................................................51

4-1- نتایج حاصل از روش رگرسیون خطی چند گانه گام به گام.....................................................................52

4-2- طراحی روند برای آموزش ماشین بردار پشتیبان.......................................................................................61

4-3- نتایج بدست آمده با استفاده از روش ماشین بردار پشتیبان.......................................................................63

4-4- طراحی روند برای آموزش شبکه های عصبی مصنوعی............................................................................66

4-5- نتایج بدست آمده با استفاده از روش شبکه های عصبی مصنوعی...........................................................66

4-6- مقایسه نتایج حاصل از سه روشSW-MLR و SVM و ANN................................................................68

4-7- توضیح توصیف کننده های مولکولی........................................................................................................70

4-8- نتیجه گیری............................................................................................................................................73

4-9- پیشنهادات برای کارهای بعدی..............................................................................................................73

پیوست...........................................................................................................................................74

منابع...............................................................................................................................................98

چکیده انگلیسی..........................................................................................................................101

.

منبع:

[1] G. W. Enix, H. W. Zwanziger, S. Geiss, (1997), Cemomertics in environmental analysis.  

[2]  Huitao. Liu, Ping. Han, Yingying. Wen, Feng. Luan. Gao, Xiuyong Li, (2010), Dyes and Pigments, 148-152. 

[3] Brown, N. M. D, Bladon, P. (1965), The Proton magnetic resonance spectra of 4-pyrone,1-thia-4-pyrone, 4-thiopyrone and 1-thia-4-thiopyrone. Spectro Chimica Acta. 21, 1277.

[4] G. W. Enix, H. W. Zwanziger, S. Geiss, (1997), Cemomertics in environmental analysis. 

[5] D. L. Massan, B. G. M. Vandeyinst, S. N. Deming, L. Kuffman, (1988),  Chemomitrics, A Text Book Elsevier, Amesterdam.

[6]   Jalali-Heravi, M. Parastar, F. (2000), Development of comprehensive descriptors for

        multiple linear regression and artificial neural network modeling of retention

        behaviors of a variety of compounds on diffferent stationary phases,

        J.Chromatographya, 903, 145-154.

[7]   Barros, a. s. Rutledge, D. N. Genetic algorithm applied to the selection of principal

       components, (1998), Chemoment. Intell. Lab. Syst, 40, 65.

[8] فلاح زاده ابرقویی، ابوذر، 1390، ارزیابی اندیس های بازداری مونو متیل آلکانها در سوخت های فسیلی با استفاده از روش های کمو متری، دانشگاه پیام نور اردبیل، پایان نامه کارشناسی ارشد شیمی تجزیه

[9]  Todeschini, R. Milano Chemometrics and QSPR Group, (http:// www.disat.Unimib. it/vhml/).

[10]   Neter, J. Wasserman, W. Kutner, M. (1989), Applied Linear Regression Models,

          Home Wood.

[11]   Pearson, K. (1901),  Philosophical Magazine, 2, 557.

[12]   Hotelling, H. J. (1933), Edu. Pysych, 24, 417 and 498.

[13]   Neter, J. Wasserman, W. Kutner, M. (1989), Applied Linear Regression Models,

          Home Wood.                        

   [14]اکبری فرود، اصغر، پازکی، محمد، غلامزاده، مهدی، 1388، پیش بینی پایداری گذرا با روش ترکیبی الگوریتم بهینه سازی اجتماع ذرات و ماشین بردار پشتیبان، تهران، بیست و چهارمین کنفرانس بین المللی برق.

98

[15]  Cheristophe, J. C. B. (1998)," A tutorial on support vector machine for

         Pattern recognition",  Data mining and knoweledgement discovery.

   [16]منهاج، محمد باقر، 1379،  مبانی شبکه های عصبی، انتشارات دانشگاه امیر کبیر.

   [17] شاه امیری، سید رضا، 1385، معرفی شبکه های عصبی مصنوعی، دانشگاه آزاد اسلامی واحد نجف آباد، مهندسی کامپیوتر- نرم افزار، مجله الکترونیکی پژوهشگاه اطلاعات و مدارک علمی ایران.

[18]  Hebb, D. O. (1949), the organization of behavior. Wiley.

[19]  Zupan, J. (1994), Introduction to artificial neural network Method : What they are

          and how to use them, Acta. Chim. Slov. 41, 327-352.

[20] سلیمانی رودی، پریسا، گلیان، ابوالقاسم، صدقی، محمد، 2012، مقایسه مدل های رگرسیون خطی چند گانه و شبکه های عصبی مصنوعی برای پیش بینی اسید های آمینه ازرن مرواریدی با استفاده از تجزیه تقریبی، نشریه پژوهش های علوم دامی ایران، 368-363.

[21]  Zupan, J. Novic, M. (1997),  General type of a uniform and reversible representation

         of chemical structures, Anal. Chim. Acta, 348, 409-418.

[22]  Mukesh, D. (1996),  application of neural computing for process chemists,

         J.Chem. edu, 73, 518.

[23]  Habibi-Yangjeh, A, Dnandeh-Jenaghard, M. Nooshyar, M. (2006), Application of  

         artificial neural networks for predicting the aqueous acidity of various phenols using  

         QSAR. J. Mol. Model, 12, 338-347.

[24]  HyperChem Release. 8.0, Hyper Club, Inc (http://www.hyper.com)

[25]  Multi-Residue Pesticide screening method using GC/MS, (www.Phenomenex.com),

         Inc, 411 madrid Ave., Torrance, CA, 90501.

[26]  M. Jalali-Heravi, Z. Garkani-Nejad, (2002), Use of self-training artificial neural

         networks in modeling of gas chromatographic relative retention times of a variety of

         organic compounds, J. Chromatography A, 945, 173-184.

[27]  Hongbin Du, Zbigniew Ring, Yevgenia Briker, Patricia Arboleda, (2004), Prediction

         of gas chromatographic retention times and indices of sulfur compounds in light

         cycle oil, Catal. Today 98, 217–225.

[28]  Xiuyong. Li, Feng. Luan, Hongzong. Si, Zhide. Hu, Mancang. Liu, (2007),

          Prediction of retention times for a large set of pesticides or toxicants based on

          support vector machine and the heuristic method, Toxicology Letters, 175, 136-144.

[29]  Jahanbakhsh Ghasemi,  Saeid Asadpour, Azizeh Abdolmaleki, (2007), Prediction of

99

         gas chromatography/electron capture detector retention times of chlorinated,

         pesticides, herbicides, and organohalides by multivariate chemometrics methods,

         Anal. Chim. Acta, 588, 200–206.

[30]  Renato L. Carneiro, Jez W.B. Braga, Carla B.G. Bottoli, Ronei J. Poppi, (2007),

         Application of genetic algorithm for selection of variables for the BLLS method

         applied to determination of pesticides and metabolites in wine, Anal. Chim.

         Acta 595, 51–58.

[31]  Alexandru T. Balaban, Douglas J. Kleina, Jeremy E. Dahlb and Robert M. K.

         Carlson, (2007), Molecular Descriptors for Natural Diamondoid Hydrocarbons and

         Quantitative Structure-Property Relationships for Their Chromatographic Data,

         J. Chem, 1, 13-31

[32]  Angelo Antonio D’Archivio, Maria Anna Maggi, Pietro Mazzeo, Fabrizio Ruggieri,

          (2008), Quantitative structure–retention relationships of pesticides in reversed-phase

          high-performance liquid chromatography based on WHIM and GETAWAY

          molecular descriptors, Anal. Chim. Acta 628, 162–172.

[33]   S. Riahi, M. R. Ganjali, E. Pourbasheer, P. Norouzi, (2008), J. Chromatographia, 67,

         917-922.

[34]  Zahra Dashtbozorgi,  Hassan Golmohammadi, Elahe Konoz, (2013), Support vector

         regression based QSPR for the prediction of retention time of pesticide residues in

         gas chromatography–mass spectroscopy, J. Microchem, 106, 51–60.

[35]  Todeschini, R Consonni, (2000), V. Handbook of Molecular Descriptors. WILEY-

         VCH., Weinheim, Germany.

.