ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین

سال انتشار: 1391
کد COI مقاله: CIGS12_0654
زبان مقاله: فارسیمشاهد این مقاله: 422
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 6 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین

صبا صبور - دانشجوی کارشناسی ارشد اصلاح نباتات، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره) قزوین
امیرحسین بیکی - استادیار و دانشیار گروه زیست شناسی، دانشکده علوم پایه، دانشگاه قم
منصور ابراهیمی - استادیار و دانشیار گروه زیست شناسی، دانشکده علوم پایه، دانشگاه قم

چکیده مقاله:

مگس میوه زیتون Bactroceraoleae که تا سال 1383 آفت قرنطینه ای خارجی زیتون محسوب می شد، در حال حاضر خطرناک ترین آفت زیتون در کشور ما می باشد و بنابراین، شناسایی ارقام مقاوم و حساس به آفت فوق بسیار حیاتی و مهم است. در دهه اخیر شاهد پیشرفت قابل ملاحظه ای در ژنتیک مولکولی و داده پردازی بیولوژیکی هستیم. ابزارها و روش های محاسباتی در دهه اخیر شاهد پیشرفت قابل ملاحظه ای در ژنتیک مولکولی و داده پردازی بیولوژیکی هستیم. ابزارها و روش های محاسباتی و الگوریتم های مختلفی برای تجزیه و تحلیل اطلاعات و به تصویر کشیدن یافته های بیولوژیکی انجام گرفته است. روش های تئوریکی، تحلیلی، مدلینگ ریاضی و شبیه سازی کامپیوتری برای مطالعه سیستم های بیولوژیکی، رفتاری و حتی اجتماعی ایجاد شده است. الگوریتمها، مدل ها شیوه های مختلفی برای یافتن ارتباط میان افراد بوجود آمده و گسترش یافته است. یادگیری مدل های SMV و Bayse تکنیک های رایج یادگیری ماشین می باشند ک به دلیل سادگی و کارآمدی به شکل گسترده ای در مسائل مربوط به یادگیری ماشینی استفاده می شود. در این بررسی، برای اولین بار از شیوه های مختلف داده کاوی و یادگیری ماشین برای تعیین طبقه بندی کننده ای که می تواند ارقام مقاوم و حساس ب مگس میوه در زیتون را بر اساس داده های بدست آمده از مارکرهای مولکولی RAPD و ISSR متمایز نماید، استفاده شده است. همچنین با استفاده از یادگری ماشین به پیش بینی ارقام مقاوم و حساس پرداخته شده است. از میان 400 آلل مورد بررسی 5 آلل از مارکر RAPD و 4 آلل از مارکر ISSR بیشترین پتانسیل برای دسته بندی را دارند. الل UBC807a7 بهترین الل برای پیش بینی بر اساس درختان تصمیم می باشد.

کلیدواژه ها:

ماشین یادگیری، داده پردازی، خوشه بندی، مارکر مولکولی، مگس زیتون

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/226924/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
صبور، صبا و بیکی، امیرحسین و ابراهیمی، منصور،1391،دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین،دوازدهمین کنگره ژنتیک ایران،تهران،،،https://civilica.com/doc/226924

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1391، صبور، صبا؛ امیرحسین بیکی و منصور ابراهیمی)
برای بار دوم به بعد: (1391، صبور؛ بیکی و ابراهیمی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 ممقالهقاله لینک شده اند :

  • Alpaydin E., 1999. Combined 5 x 2 cv f Test ...
  • Baumgartner C., Lewis G.D., Netzer M., Pfeifer B., Gerszten _ ...
  • Bijanzadeh E., Emam Y., Ebrahimie E., 2010. Determining the most ...
  • Chen B., Chen M., Paisley J., Zaas A., Woods C., ...
  • Gorunescu F., 2011.Data Mining Conc epts, Models and Techniques. Springer, ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 6,225
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی