رگرسیون خطی چندگانه برای پیش بینی و طبقه بندی پایداری سدیم
ترجمه نشده

رگرسیون خطی چندگانه برای پیش بینی و طبقه بندی پایداری سدیم

عنوان فارسی مقاله: شبکه عصبی مصنوعی و رگرسیون خطی چندگانه برای پیش بینی و طبقه بندی پایداری Coronates سدیم و پتاسیم
عنوان انگلیسی مقاله: Artificial Neural Network and Multiple Linear Regression for Prediction and Classifi cation of Sustainability of Sodium and Potassium Coronates
مجله/کنفرانس: مجله روسی شیمی جامع - Russian Journal Of General Chemistry
رشته های تحصیلی مرتبط: شیمی، کامیپوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی، مهندسی الگوریتم ها و محاسبات، شیمی کاربردی
کلمات کلیدی فارسی: رگرسیون چندگانه، پرسپترون چند لایه ای، شبکه Kohonen، پیش بینی، طبقه بندی کننده شبکه عصبی
کلمات کلیدی انگلیسی: multiple regression، multilayer perceptron، Kohonen network، prediction، neural network classifier
نمایه: Scopus - Master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1134/S1070363219070144
دانشگاه: V.N. Karazin Kharkiv National University، Kharkiv، Ukraine
ناشر: اسپرینگر - Springer
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 0/684 در سال 2018
شاخص H_index: 24 در سال 2019
شاخص SJR: 0/217 در سال 2018
شناسه ISSN: 1070-3632
شاخص Quartile (چارک): Q3 در سال 2018
فرمت مقاله انگلیسی: pdf
تعداد صفحات مقاله انگلیسی: 9
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
کد محصول: E12866
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نمونه متن انگلیسی مقاله

Majority of conventional prediction methods are based on the assumption of linear dependence of the predicted (dependent) variable and the set of independent descriptors. The multiple linear regression models are built using the correlation and regression analysis methods. Nonlinear relationships between the variables are conventionally modeled via fi tting of nonlinear curves (quadratic, cubic, power, exponential, logarithmic, hyperbolic, or logistic ones) or their linearization. However, the artifi cial neural networks approach has been recognized as promising method to model nonlinear dependences in the prediction tasks over recent decades [1]. Major advantages of the artifi cial neural networks algorithms are their capability to learning, generalization, and prediction of the data, fault tolerance, parallel data processing, and fast computation procedures. This has been supported by the neural networks application in theoretical and computational chemistry, analytical chemistry, biochemistry, medicine, drugs chemistry, pharmaceutics, and food products studies. It should be noted that artifi cial neural networks have been applied to the chemometrics tasks since early 1990ies. Four applications of artifi cial neural networks in chemical engineering have been comprehensively described [2]: fault detection, quality prediction, signal processing, and modeling and control of the processes. Various architectures of artifi cial neural networks and their applications in chemistry have been demonstrated [3], outlining the advantages and disadvantages in comparison with conventional chemometrics methods. A novel approach to prediction of biological activity of peptides and proteins, physics and chemistry-driven artifi cial neural network (Phys-Chem ANN), has been proposed [4]. The Phys-Chem ANN has been based on physical and chemical properties as well as structural features of proteins. The task on classifi cation and prediction of the strength of weak organic acids in aqueous-organic solvents has been solved [5].

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

رگرسیون خطی چندگانه برای پیش بینی و طبقه بندی پایداری سدیم
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها