ارائه یک روش ترکیبی مبتنی بر شبکه عصبی پیچشی برای پیش‌بینی خواص مواد شیمیایی [Persian Thesis]

هدیه وکیل التجار

شناسگر رکورد: ۱۹۹۳۴
رشته تحصیلی: نرم افزار
عنوان: ارائه یک روش ترکیبی مبتنی بر شبکه عصبی پیچشی برای پیشبینی خواص مواد شیمیایی
نويسنده: هدیه وکیل التجار
استاد راهنما : دکتر احسان اخترکاوان
استاد مشاور: دکتر داود نصراصفهانی
مقطع تحصیلی : کارشناسی ارشد
دانشگاه : خاتم
تاریخ دفاع : ۱۴۰۱
چکیده: بدست آوردن خواص مواد شیمیایی نیازمند آزمایشهای متعدد با در نظر گرفتن متغیرهای زیاد است.با توجه به روز افزون شدن استفاده از کامیپوترها و پیشرفت قابل توجه در دقت، سرعت و توان پردازشی کامپیوترها، میتوان انجام این آزمایشات را کنار گذاشت و با استفاده از مدلهای یادگیری ماشین به پیشبینی خواص مواد شیمیایی پرداخت. انجام این آزمایشها معمولا در معرض خطا بوده و فرآیندی با اشتباهات بسیار، وقت گیر و هزینهبر است. در نتیجه به منظور غلبه بر این مشکل، استفاده از روشهای یادگیری ماشین در پیشبینی خواص مواد شیمیایی با دقت بالا مورد توجه قرار گرفته است. به همین دلیل در این تحقیق، با استفاده از مجموعه دادهی OQMD که شامل نزدیک به ۴۰۰۰۰۰ مورد از ساختارهای بلوری ماده فرضی است که معمولاً در طبیعت مشاهده میشوند و الگوریتمهای یادگیری ماشین شامل درخت تصمیم (DT)، جنگل تصادفی (RF)، آدابوست (ADB)، شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی کانولوشن (CNN) و شبکه عصبی کانولوشن بهینه سازی شده توسط بهینهسازی بیزین (BCNN) به پیشبینی خواص مواد شیمیایی پرداخته شده است. نتایج این تحقیق نشان میدهد در مرحله آموزش مدل شبکه عصبی کانولوشن بهینه سازی شده توسط بهینه سازی بیزین با دقت ۹۷۲/۰، مدل درخت تصمیم با دقت ۹۴۹/۰، مدل شبکه عصبی پرسپترون چندلایه با دقت ۹۳۶/۰، مدل شبکه عصبی کانولوشن با دقت ۹۳۱/۰به ترتیب بهترین مدلهای پیشبینی کنندهی خواص مواد شیمیایی هستند. پس از آنها مدل جنگل تصادفی با دقت ۴۰۹/۰ قرار دارد. مدل آدابوست در مرحله آموزش دارای کمترین دقت ۲۸۱/۰ میباشد. در مرحله آزمایش مدل شبکه عصبی کانولوشن بهینه سازی شده توسط بهینه سازی بیزین با دقت ۹۶۳/۰، مدل شبکه عصبی پرسپترون چندلایه با دقت ۹۳۴/۰، مدل شبکه عصبی کانولوشن با دقت ۹۳/۰، مدل درخت تصمیم با دقت ۸۹۳/۰ جزو بهترین مدلهای پیشبینی کننده خواص مواد شیمیایی هستند. پس از آنها مدل جنگل تصادفی با دقت ۴۱۱/۰ قرار دارد. مدل آدابوست در مرحله آزمایش دارای کمترین دقت ۲۸۴/۰ میباشد. پارامترهای خطا نیز برای مدلها به ترتیب کاهش دقت آنها، افزایش یافته است به طوری که مدل شبکه عصبی کانولوشن بهینه سازی شده توسط بهینه سازی بیزین در مرحله آموزش و آزمایش دارای کمترین مقدار خطا میباشند. واژگان کلیدی: یادگیری ماشین، پیشبینی خواص مواد شیمیایی، شبکههای عصبی پیچشی، بهینهسازی  
Register Number Part3 Version Volume Part Part2 Reference Call Number lended Date Back Description
283822 1
Copyright 2026 by Payam Hannan co ltd. PayamLib.com