[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
صفحه اصلی::
مدیریت دانشکده::
درباره دانشکده::
معرفی افراد::
امور آموزش ::
امور پژوهش::
اخبار دانشکده::
فضاهای آموزشی و تحقیقاتی::
تسهیلات پایگاه::
ارتباط با صنعت::
لینک های مفید::
تماس با ما::
گروه های دانشجویی::
::
مصاحبه تخصصی دکترای برق 98
98
..
مراکز تحقیقاتی و پزوهشی
مرکز تست و پایش ماشین های الکتریکی

مرکز تحقیقات نانوپترونیکس 

پژوهشکده سبز  

پژوهشکده الکترونیک 

آزمایشگاه تحقیقاتی الکترونیک قدرت 

قطب علمی اتوماسیون و بهره برداری از سیستمهای قدرت 

مجله مهندسی برق و الکترونیک 

پژوهشکده مهندسی و فناوری عصبی ایران  

آزمایشگاه تحقیقاتی آنتن 

مرکز مطالعات راهبردی وبین الملل فاوا

..
پیوند با سیستم های دانشگاه

AWT IMAGE
AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

..
گواهینامه HSE
..
جستجو در پایگاه

جستجوی پیشرفته
..
نظرسنجی
کدام بخش از سایت دانشکده مهندسی برق بیشتر مورد استفاده شما قرار می گیرد؟
آموزش و اطلاعیه های آموزشی
پژوهش و اطلاعیه های پژوهشی
اطلاعات دانشکده و اساتید
اخبار
اکثر موارد موجود در سایت
   
..
نظرسنجی
ارزیابی شما از سایت دانشکده مهندسی برق چیست؟
اطلاعات ارائه شده در حد کفایت است.
اطلاعات ارائه شده مطلوب است ولی نیاز به اطلاعات بیشتر می باشد.
اطلاعات ارائه شده کافی نیست.
   
..
درج نظر
به نظر شما کمبودهای سایت دانشکده برق چیست و برای رفع آن ها چه اقداماتی باید انجام شود؟ برای درج نظر کلیک نمایید.
..
:: دفاعیه خانم تینا تربالی ::
 | تاریخ ارسال: ۱۳۹۸/۷/۲۴ | 
چکیده
مسئله تخمین هاپلوتایپ با استفاده از مدل سازی ماتریسی در سال های اخیر به عنوان یکی از زمینه های تحقیقاتی بین رشته ای مطرح شده است. به دست آوردن هاپلوتایپ کلید کشف رابطه ی بین ژن های یک فرد و بیماری های ژنتیکی قلمداد می شود که منجر به طراحی دارو و روش های درمانی مبتنی بر فرد می گردد. خوانش هاپلوتایپ از رشته DNA دارای اطلاعات ناقصی از مجموعه هاپلوتایپی است. تخمین هاپلوتایپ در مسائل NP-hard قرار گرفته است. از طرفی مشاهدات حاصل از نمونه برداری را می توان به صورت یک ماتریس رتبه پایین مدل کرد که در آن تنها تعدادی از درایه ها مشاهده شده اند. در نتیجه یک روش موثر برای بازیابی هاپلوتایپ از مشاهدات ناقص، استفاده از روش های تکمیل ماتریس است. در این پژوهش به کمک روش های تکمیل ماتریس، سعی در تخمین هاپلوتایپ از طریق تجزیه ی ماتریسی شده است. در مراجع از روش گرادیان کاهشی برای حل مسئله استفاده شده است. اما در روش های ارائه شده به شروط موجود برای ماتریس های هاپلوتایپ توجه نشده است و این موضوع باعث تخمین داده های پرت برای هاپلوتایپ شده است. در روش پیشنهادی با در نظر گرفتن این شروط در ماتریس هاپلوتایپ، تابع هزینه جدید به صورت عبارت جریمه برای مسئله بیان می شود. عبارت جدید اضافه شده به تابع هزینه، به تخمین هاپلوتایپ با دقت بیشتر کمک کرده و بازیابی ماتریس نامناسب برای هاپلوتایپ را کاهش داده است. همچنین با استفاده از مفهوم لاگرانژین بهبود یافته به عنوان پایه ی روش بهینه ADMM، الگوریتم جدیدی ارائه شده است که باعث حل مسئله ی بهینه سازی و تخمین هاپلوتایپ می شود. نتایج حاصل از شبیه سازی کاهش خطای تخمین هاپلوتایپ را نشان می دهد. نتایج شبیه سازی موید این مطلب است که تابع هزینه پیشنهادی و الگوریتم ارائه شده در این پایان نامه با کاهش خطای تخمین به بازیابی هاپلوتایپ کمک می کند.
دفعات مشاهده: 124 بار   |   دفعات چاپ: 12 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر

کلیه حقوق مادی و معنوی این سایت متعلق به دانشکده مهندسی برق دانشگاه علم و صنعت ایران می باشد . نقل هرگونه مطلب با ذکر منبع بلامانع می باشد .
Persian site map - English site map - Created in 0.13 seconds with 54 queries by YEKTAWEB 4030