فایل ورد کامل ترجمه مقاله شیوه الگوریتم ژنتیک – ماشین بردار پشتیبان همراه با بهینه سازی پارامتری ۲۴ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل ترجمه مقاله شیوه الگوریتم ژنتیک – ماشین بردار پشتیبان همراه با بهینه سازی پارامتری ۲۴ صفحه در word دارای ۲۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل ترجمه مقاله شیوه الگوریتم ژنتیک – ماشین بردار پشتیبان همراه با بهینه سازی پارامتری ۲۴ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل ترجمه مقاله شیوه الگوریتم ژنتیک – ماشین بردار پشتیبان همراه با بهینه سازی پارامتری ۲۴ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل ترجمه مقاله شیوه الگوریتم ژنتیک – ماشین بردار پشتیبان همراه با بهینه سازی پارامتری ۲۴ صفحه در word :

دانلود ترجمه مقاله شیوه الگوریتم ژنتیک – ماشین بردار پشتیبان همراه با بهینه سازی پارامتری
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:۲۰۱۳
تعداد صفحه ترجمه:۱۶
تعداد صفحه فایل انگلیسی:۱۲

موضوع انگلیسی :A genetic algorithm–support vector machine method with parameter
optimization for selecting the tag SNPs
موضوع فارسی:دانلود ترجمه مقاله شیوه الگوریتم ژنتیک – ماشین بردار پشتیبان همراه با بهینه سازی پارامتری
چکیده انگلیسی:SNPs (Single Nucleotide Polymorphisms) include millions of changes in human genome, and therefore,
are promising tools for disease-gene association studies. However, this kind of studies is constrained
by the high expense of genotyping millions of SNPs. For this reason, it is required to obtain a suitable subset
of SNPs to accurately represent the rest of SNPs. For this purpose, many methods have been developed
to select a convenient subset of tag SNPs, but all of them only provide low prediction accuracy. In the
present study, a brand new method is developed and introduced as GA–SVM with parameter optimization.
This method benefits from support vector machine (SVM) and genetic algorithm (GA) to predict
SNPs and to select tag SNPs, respectively. Furthermore, it also uses particle swarm optimization (PSO)
algorithm to optimize C and c parameters of support vector machine. It is experimentally tested on a
wide range of datasets, and the obtained results demonstrate that this method can provide better prediction
accuracy in identifying tag SNPs compared to other methods at present
چکیده فارسی:پلی مورفیسم تک نوکلئوتیدی (SNPs) شامل میلیون ها میلیون تغییر در ژنوم انسان بوده، و از این رو به منزله ابزاری نویدبخش برای مطالعات مربوط به بیماری ژن ها تلقی می شوند. هر چند هزینه های گزاف ژنوتیپ نمودن میلیون ها SNPs موجب محدود شدن چنین مطالعاتی شده است. به همین دلیل گردآوری دسته های مناسب SNPs برای نمایش صحیح باقیمانده آنها مورد نیاز می باشد. به این منظور روشهای متعددی برای انتخاب دسته ای مناسب از SNPs توسعه یافته، ولی تمامی آنها از صحت پائین پیش بینی برخوردار می باشند. در این مطالعه روشی جدید بنام GA-SVM همراه با پارامترهای بهینه سازی ارائه می شود. در این روش می توان از مزایای ماشین بردار پشتیبان (SVM) و الگوریتم ژنتیک (GA) به ترتیب برای پیش بینی SNPs و نیز انتخاب برچسب SNPs بهره مند شد. علاوه بر آن همچنین از الگوریتم بهینه سازی ذرّات معلق (PSO) برای بهینه سازی پارامترهای C و γ ماشین بردار پشتیبان استفاده شده است. این مقوله بصورت آزمایشی در طیف وسیعی از دسته داده ها مورد تست قرار گرفته، و نتایج بدست آمده حاکی از آن است که این روش دارای قابلیت بهتر در پیش بینی صحت تشخیص در SNPs برچسب خورده در مقایسه با سایر روش های موجود می باشد.