مقاله انگلیسی رایگان در مورد شبکه عصبی مصنوعی و رگرسیون خطی برای طبقه بندی پایداری سدیم و پتاسیم – اسپرینگر ۲۰۱۹

springer

 

مشخصات مقاله
ترجمه عنوان 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
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۹ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه اسپرینگر
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master journals – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۰٫۶۸۴ در سال ۲۰۱۸
شاخص H_index ۲۴ در سال ۲۰۱۹
شاخص SJR ۰٫۲۱۷ در سال ۲۰۱۸
شناسه ISSN ۱۰۷۰-۳۶۳۲
شاخص Quartile (چارک) Q3 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر دارد
رفرنس دارد
رشته های مرتبط شیمی، کامیپوتر
گرایش های مرتبط هوش مصنوعی، مهندسی الگوریتم ها و محاسبات، شیمی کاربردی
نوع ارائه مقاله
ژورنال
مجله  مجله روسی شیمی جامع – Russian Journal Of General Chemistry
دانشگاه V.N. Karazin Kharkiv National University، Kharkiv، Ukraine
کلمات کلیدی 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
شناسه دیجیتال – doi
https://doi.org/10.1134/S1070363219070144
کد محصول E12866
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

بخشی از متن 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].

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.