بهبود تخصیص اعتبار قوانین در سیستم دسته بندیادگیر با یادگیری تقویتی مارکوف برای پیش بینی ساختار دوم پروتئین
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 163
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_ABMIR-1-2_008
Index date: 26 December 2023
بهبود تخصیص اعتبار قوانین در سیستم دسته بندیادگیر با یادگیری تقویتی مارکوف برای پیش بینی ساختار دوم پروتئین abstract
این پژوهش برای افزایش دقت تخصیص اعتبار قوانین در سیستم دسته بند یادگیر با استفاده از یادگیری تقویتی مارکوف جهت پیش بینی ساختار دوم پروتئین است که یادگیری تقویتی مارکوف در سیستم دسته بند یادگیر، جایگزین الگوریتم Bucket Brigade شده است. برای آموزش سیستم از مجموعه دادگان Protein Data Bank استفاده می شود که شامل پروتئین ۴L۱W با تعداد نمونه ۵۷۴۱ است که ۷۰ درصد برای آموزش و ۳۰ درصد جهت آزمایش استفاده شده است. پس از آموزش سیستم، تعدادی دسته بند(قوانین) باارزش، تولید می شود که در مرحله آزمایش از این قوانین برای پیش بینی ساختار دوم پروتئین استفاده خواهد شد. نتایج آزمایش ها نشان می دهد دقت سیستم دسته بند یادگیر با یادگیری تقویتی مارکوف در نوع ساده و توسعه یافته آن، افزایش یافته است. با استفاده از یادگیری تقویتی مارکوف، ارزش گذاری به هر قانون بهبود داده می شود، به گونه ای که دقت سیستم دسته بند ساده %۸۲.۵ و سیستم دسته بند توسعه یافته %۸۵ بهبود یافته است.
بهبود تخصیص اعتبار قوانین در سیستم دسته بندیادگیر با یادگیری تقویتی مارکوف برای پیش بینی ساختار دوم پروتئین Keywords:
بهبود تخصیص اعتبار قوانین در سیستم دسته بندیادگیر با یادگیری تقویتی مارکوف برای پیش بینی ساختار دوم پروتئین authors
محمدرضا دهقانی محمودآبادی
دانشجوی دکتری مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران.
کمال میرزائی
استادیار گروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران
فرزاد پیروی
استادیار گروه مهندسی کامپیوتر، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :