چکیده
متغیر و انتخاب مشخصه به عنوان نقطه ثقل اکثر پژوهش ها در زمینه های کاربردی بوده که در ارتباط با آن ها، پایگاه های داده یا صدها یا هزاران متغیر موجود می باشند. این حوزه های شامل پردازش متنی اسناد اینترنتی، تجزیه و تحلیل آرایش ژنی و شیمی ترکیبی می باشد. هدف انتخاب متغیر سه گانه می باشد: که عبارتند از بهبود عملکرد پیش بینی شاخص ها، ایجاد شاخص های به صرفه تر و سریعتر، ایجاد درک بهتری از فرایند اصولی، که داده ها را ایجاد می کند. مشارکت این موضوع خاص، محدوده گسترده ای از جنبه های مرتبط با چنین موضوعاتی را تحت پوشش قرار می دهد: که عبارتند از تعریف بهتری از تابع هدف، ایجاد مشخصه، رده بندی مشخصه، انتخاب مشخصه های چندمتغیری، روش جستجوی مناسب، و روش ارزیابی اعتبار مشخصه.
کلیدواژگان: انتخاب متغیر، انتخاب مشخصه، کاهش ابعاد فضا، کشف الگو، فیلترها، بسته بندی، خوشه بندی، نظریه اطلاعات، دستگاه های بردار پشتیبانی، انتخاب مدل، تست آماری، بیوانفورماتیک، بیولوژی محاسبه، القای ژنی، میکرو آرایه، علم ژنتیک، پروتومیک، QSAR، دسته بندی متنی، بازیابی اطلاعات
مقدمه
از سال 1997، زمانی که موضوعات خاصی در این ارتباط شامل چندین مقاله در مورد متغیرها و انتخاب مشخصه منتشر شد، چندین حوزه مورد بررسی از بیش از 40 مشخصه استفاده کرد. این شرایط در طی چند سال گذشته به طور قابل توجهی تغییر یافته است. تکنیک های جدید برای مد نظر قرار دادن این فعالیت های چالشی شامل بسیاری از متغیرهای نامربوط و تکراری و چندین نمونه آموزشی قابل مقایسه مطرح شد. دو نمونه به عنوان حوزه های کاربردی جدیدی مطرح شده و کمکی به ما بر اساس توضیحات مربوط به این مقدمه می کنند. یکی از آن ها بر مبنای انتخاب ژنی از داده های میکروآرایشی می باشد و دیگری طبقه بندی متن می باشد. در مسئله انتخاب ژن، متغیرها بر مبنای ضریب القای ژن بوده که مطابق با فراوانی mRNA در یک نمونه (برای مثال بیوپسی بافت) برای تعدادی از بیماران می باشد.
چکیده
پیشبینی دقیق قدمت برق، چالشی بزرگ برای شرکت کنندگان و مدیران بازار می باشد، زیرا قیمت الکتریسیته دارای نوسانات بسیاری است. پیشبینی قیمت نیز، مهم ترین هدف مدیریتی برای مشارکت کنندگان در بازار است، چرا که مبانی بیشینه کردن سود را، تشکیل می دهد. این مطالعه، عملکرد یک تکنیک شبکه عصبی جدید را بنام ناشین یادگیری سریع (ELM) ، در مساله پیشبینی قیمت، بررسی می کند. با در نظر داشتن خط مربوط به بازهای برق که دارای نوسانات بسیاری در قیمت هستند، تکیه به یک تکنیک، خیلی هم سودمند نمی باشد. بنابراین، ELM با تکنیک موجک همراه شده است و یک مدل پیوندی (مرکب) را به نام WELM (ELM مبتنی بر موجک) را تشکیل داده است تا دقت پیشبینی و نیز قابلیت اطمینان آن را، بهبود بخشد. در این روش، ویژگی های بی همتای هر ابزار، تکریب شده اند تا الگوهای مختلفی را در اطلاعات، به دست آورند. قدرت این تکنیک، با استفاده از روش مجموع شده، بهبود بیشتری می یابد. عملکردهای مدل های ارایه شده، با استفاده از اطلاعات موجود در بازارهای برق انتاریو، PJM، نیویورک و ایتالیا، ارزیابی شده اند. نتایج آزمایشی نشان می دهند که روش پیشنهادی، یکی از مناسب ترین تکنیک های پیشبینی قیمت می باشد.
کلیدواژگان: شبکه عصبی مصنوعی، تجدید ساختار، روش مجموع، ماشین یادگیری سریع، پیشبینی قیمت، تبدیل موجک
مقدمه
مقررات زدایی (تجدید ساختار) بخش برق، منجر به توسعه یک ساختار بازار رقابتی شده است که در آن شرکت کننده ها برای ارایه بازار خود از طریق بازار معامله های لحظه ای و بازار دو-جانبه، رقابت می کنند. قیمت های برق در این بازارها، به صورت مستقیم یا غیر-مستقیم تحت تاثیر تعدادی از عواملی که به طور پیچیده ای با هم مرتبط هستند، قرار دارند. عدم قطعیت در عواملی همچون آب و هوا، قطعی های تجهیزات، قیمت های سوخت، و تنگراه انتقال، منجر به نوسانات شدید قیمت یا حتی تغییرات ناگهانی قیمت در بازار برق می شوند. حرکت غیرقطعی پیچیده قیمت های برق در ساعت های مختلف روز، از اهمیت بالایی در میان شکرت کنندگان بازار برخوردار است. شرکت کنندگان در بازار، نیاز به پیشبینی های مطمین از نوسانات قیمت در بازار برق دارند، تا بتوانند آن را به مزایده گذاشته یا خرید و فروش نمایند. بدلیل اهمیت قیمت های آینده و پیچیدگی موجود مربوط به تعیین آنها، مدل سازی و پیشبینی دقیق قیمت های بازار، یکی از زمینه های اصلی تحقیقاتی در مهندسی برق شده است.
چکیده
مریستم رأسی شاخه (SAM) رشد و نمو تمام قسمت بالای زمینی گیاه می باشد. درک ما از SAM در سطح مولکولی ناقص است. در این مطالعه به فهرست (رپرتوار) بیان ژن SAMها در نخود باغی (Pisum sativum) پرداخته شده است. در پایان 10 346 توالی EST که 7610 ژن منحصر به فرد را نمایش میدهند، از کتابخانه های cDNA SAM فراهم شد. این توالی ها به همراه ESTهای نخود که قبلا گزارش شد، برای ساخت آرایه اولیگونوکلئوتید 12K استفاده شدند تا ژن های دارای بیان SAM متفاوت در مقایسه با مریستم های جانبی، مریستم های رأسی ریشه یا بافت های بدون مریستم شناسایی شوند. تعدادی از ژن ها شناسایی شدند. این ژن ها به طور غالب در لایه های سلول خاص یاقلمروهای SAM بیان شدند. بنابراین، احتمالا اجزاء شبکه های ژنی هستند که در حفظ سلول ساقه یا آغاز اندام های جانبی نقش دارند. علاوه بر این، آنالیز هیبرید شدگی در جای اصلی خود، مکان استقرار مکانی برخی از این ژن ها در SAM راتأیید کرد. داده های ما نیز گوناگونی برخی اشکال بیان ژن و در نتیجه ایفای نقش در گیاهان بقولاتی رانشان میدهد. برخی از ژن ها با بیان زیاد در هر سه رونوشت، نیز آشکار شده اند و این داوطلب ها، دیدگاه با ارزش درباره شبکه های مولکولی که حفظ کارآمدی مریستمی را پایبندی می کنند، در اختیار ما قرار میدهد.
کلیدواژه: نخود باغی، مریستم، Pisum sativum، برش عمودی رونوشت
رشد مریستم
رشد مریستم رأسی شاخه (SAM) به عنوان یک مدل عالی و مطلوب در جهت درک و فهم حفظ سلول ساقه در طی رشد ونمو گیاه در چند سال اخیر توجه زیادی رابه خود جلب کرده است. تصور می شود که مریستم ها معادل گیاهی فرورفتگی های سلول ساقه هستند. این فرورفتگی ها ریزمحیط های سلولی هستند که برای حفظ سلولهای ساقه در حالت تفکیک نشده و تقسیم کند، نشانه هایی (سیگنال) را ایجاد می کنند (Bhalla و Singh 2006، Singh و Bhalla2006، Scheres 2007). سلولهای ساقه در ناحیه مرکزی SAM، سلول هایی را رشد مداوم قسمت های هوایی گیاه ایجاد میکند. سلول های در حال تقسیم که ناحیه مرکزی را ترک می کنند، وارد ناحیه پیرامونی پهلویی می شوند و برای پریموردیوم های اندام جانبی که در تفکیک و تقسیم سریع نقش دارند، بکار گرفته می شوند. SAM در نوک شاخه در حال رشد قرار دارد. آنالیز شیمی بافتی و سلولی SAM نشان میدهد که SAM بسیار سازمان یافته و دارای شکل می باشد؛ یکی از بارزترین ویژگی های SAM این است که SAM متشکل از لایه های سلولی که روی هم قرار گرفته اند و به صورت L1، L2 و L3 مشخص شده اند (Satina و همکاران، 1940). در کل، اجداد سلول ناشی از L1، اپیدرمی را ایجاد می کنند. سلول های ناشی از L2 در جهت سلول های زیر اپیدرمی مانند سلول های فتوسنتز کننده و گامتی (جنسی) پیش میروند و سلول های ناشی از L3، بافت های داخلی را میسازند (Stewart و Burk 1970، Szymkowiak و Sussex 1996). گونه های گیاهی متفاوت لایه های سلولی خود را به صورت متفاوت سازماندهی می کنند.
چکیده
در این مقاله اقداماتی در جهت انتخاب ژنوتیپ های مسئول در آزمایشگاه و ترکیب پروتوپلاست های جدا شده براسیکا کاریناتا و براسیکا ناپوس تولید کننده خطوط (BC DH Dodolla، BC D-1، BC DH-6، و BN OP-1, BN-SL-03/04) بدست آمده از آزمایشات قبلی انجام شد. ترکیب سه غلضت متفاوت PEG (20%، 25% و 30%) و دو دوره متفاوت تیمار (15و 20 دقیقه) آزمایش شد. ما در آزمایشات خود، ژنوتیپ های متعددی (براسیکا کاریناتا DH BC-6 و DH BC-1، براسیکا ناپوس DH OP-01) با قابلیت احیاء رضایت بخش کالوز کشت های پروتوپلاست را شناسایی کریم. ترکیب درست و کامل غلضت وزمان تیمار PEG، فراوانی ترکیب پروتوپلاست بین ژنوتیپ های مورد استفاده را تعیین کرد. با وجود اینکه طبق ارزیابی ها محلول PEG 30% بهترین غلظت را داشت اما مقدار زیاد multifusantها که در کاربردهای عملی لزومی ندارد، با تیمار طولانی تر PEG به طور ویژه در ظروف پتری مشاهده شد. در کل، 25% PEG به همراه 20 دقیقه تیمار، اندازه ترکیب رضایت بخش بود و میزان دوام پذیری نیز خوب بود.
کلیدواژگان: براسیکا کاریناتا، براسیکا ناپوس، کشت پروتوپلاست، ترکیب پروتوپلاست
مقدمه
جنس براسیکا شامل گونه های زراعی متعدد می باشد که در سرتاسر دنیا از ارزش اقتصادی بالا برخوردارند. بنابراین، این محصولات با استفاده از روش های متعارف، نه تنها پرورش دهندگان را به خود جلب می کنند بلکه کسانی که با روش های بیوتکنولوژی نیز سروکار دارند به این محصولات توجه نشان می دهند. در سالهای اخیر، اقدامات اساسی در زمینه تحقیق بر روی براسیکا بیشتر بر کاربرد تکنولوژی کشت بافت برای بهبود و ارتقاء محصول متمرکز بوده است. روشهای کشت ریزهاگ و کشت پروتوپلاست برای دستکاری ژن خارجی به وفور انجام می شود. زیرا از این طریق می توان تنوع ژنتیکی را گسترش داد.
چکیده__ در این مقاله، یک روش تخمین (پیشبینی) فازور دینامیک اصلاح شده برای رله های حفاظتی ارایه شده است، تا فازور دینامیکی مولفه اصلی فرکانس را با دامنه متغیر-با-زمان، محاسبه کند. فرض شده است که جریان خطا، ترکیبی از آفست میرا شونده dc، یک فرکانس مولفه اصلی میرا شونده، و هارمونیک های با دامنه های ثابت است. توابع نمایی آفست dc در حال محو و مولفه اصلی فرکانس، با سری های تیلور جایگزین شده اند. سپس، از روش LC (کوچکترین مربع یا مجذور) برای تخمین دامنه ها و ثابت های زمانی مولفه های میرا شونده، استفاده شده است. عملکرد این الگوریتم، با بکاربری از سیگنال هایی که بر مبنای معادلات ساده و سیگنال های خطای بدست آمده از مدل مزرعه بادی DFIG در MATLAB Simulink شبیه سازی شده اند، ارزیابی شدند. نتایج نشان می دهند که الگوریتم ارایه شده ما می تواند تخمینی دقیق از دامنه میراشونده و ثابت زمانی مولفه اصلی فرکانس، ارایه دهد.
کلیدواژگان:__ ژنراتورهای توزیع شده، فازور دینامیک اصلاح شده، تخمین فازور، جریان خطای متغیر با زمان.
پروژه کارشناسی ارشد برق
فایل محتوای: