در این تحقیق از رکوردهای روزآزمون مقدار شیر، چربی و پروتئین مربوط به دوره اول شیردهی 11368 راس گاو هلشتاین به منظور مقایسه پارامترهای ژنتیکی برآورد شده با استفاده از روش حداکثر درست نمایی محدود شده بر اساس مدل رگرسیون تصادفی تک-صفتی و چند صفتی استفاده شد. این داده ها طی سال های 1380-1390 توسط مرکز اصلاح نژاد دام و بهبود تولیدات دامی کشور از 133 گله جمع آوری شده بودند. دامنه وراثت پذیری مقدار شیر، چربی و پروتئین در طول دوره شیردهی بر اساس مدل تک صفتی به ترتیب از 0.107 تا 0.226، 0.049 تا 0.145 و از 0.087 تا 0.239، اما با مدل چندصفتی این مقادیر به ترتیب از 0.109 تا 0.223، 0.051 تا 0.118 و 0.084 تا 0.190 متغیر بود. حداقل میزان واریانس های ژنتیکی و محیط دائمی مربوط به اوج تولید تا اواسط دوره شیردهی بود. فرض مستقل بودن صفات در طول دوره شیردهی منجر به برآورد کمتر از حد واقعی مولفه محیط دائمی و برآورد بیش از حد واقعی وراثت پذیری تقریبا تا انتهای دوره شیردهی شد. همبستگی های ژنتیکی بین صفات تولیدی در طول دوره شیردهی ثابت نبوده و در انتهای دوره شیردهی بالاتر بود. به هر حال بیشترین مقدار همبستگی ژنتیکی بین مقدار شیر و پروتئین مشاهده شد.

فرض کنید xn}n>1 }دنباله ای از متغیرهای تصادفی دوبه دو وابسته منفی و دارای تابع چگالی مشترک است. برای این دنباله از متغیرهای تصادفی می خواهیم تابع رگرسیون تصادفی را به روش موجک برآورد کنیم. در این مقاله پس از معرفی برآوردگر مناسب رفتار مجانبی آن مورد بررسی قرار خواهد گرفت.

در این مقاله، موضوع طبقه بندی داده ها مدنظر قرار داده می شود که در آن متغیر پاسخ به صورت دو یا چند ارزشی و متغیرهای پیشگو متغیرهای معمولی هستند اما، خطاها علاوه بر ماهیتی تصادفی، ماهیتی ابهامی نیز دارند. در این صورت متغیر پاسخ نیز متغیر تصادفی فازی است. بر این اساس مدلی بر پایه رگرسیون لوژستیک صورت بندی کرده و برآورد ضرایب با استفاده از روش کمترین توان های دوم بدست آورده می شود. با یک مثال نتایج حاصله برای حالت یک متغیر مستقل تشریح می گردند. در پایان روابط بازگشتی برای محاسبه برآورد پارامترها ارائه می شوند. این روابط بازگشتی می توانند در یادگیری ماشین و برای طبقه بندی داده های بزرگ مورد استفاده قرار گیرند.

سابقه و هدف: ارزیابی بار معلق رسوبی رودخانه ها بسیار مهم است. کیفیت آب رودخانه ها و محیط زیست تحت تأثیر بار رسوب می باشد. همچنین طراحی سازه های هیدرولیکی و سایر تأسیسات آبرسانی، مدیریت حوزه آبخیز و اجرای برنامه های حفاظت خاک و مشکلات عمده ی دیگر ناشی از آورد رسوب رودخانه ها به تخمین صحیح بار رسوب وابسته است. از آنجایی که برآورد مستقیم بار رسوبی بسیار دشوار و وقت گیر است، لذا این امر سبب شد محققان به برآورد غیرمستقیم بار رسوبی که به روش های گوناگون امکان پذیر است روی آورند. یکی از راه های آسان برآورد غیرمستقیم بار رسوبی، منحنی سنجه رسوب است. این روش تنها می تواند معرف یک مقدار رسوب در یک دبی معین باشد و به علت عوامل مختلفی در طبیعت ممکن است چندین مقدار بار رسوبی برای یک دبی مشخص وجود داشته باشد. بر این اساس در پژوهش حاضر از روش های رگرسیون چندک و جنگل تصادفی که بتوانند مقدار بار رسوب را برای یک مقدار دبی معین در احتمالات مختلف تخمین بزنند استفاده شد. با به کار گیری این دو روش می توان احتمال وقوع بار رسوب در رویدادهای استثایی و سیلاب های عظیم را تحلیل کرد. مواد و روش ها: در این پژوهش از مدل های منحنی سنجه رسوب، رگرسیون چندک و جنگل تصادفی به منظور برآورد بار رسوب چهار ایستگاه جنگلده، نوده، ارازکوسه و قزاقلی واقع در رودخانه ی گرگانرود در استان گلستان استفاده گردید. به این منظور داده های دبی-رسوب متناظر چهار ایستگاه مورد مطالعه به دو بخش 75% برای آموزش و 25% برای آزمون تفکیک شدند. در روش منحنی سنجه، مقدار رسوب با استفاده از معادله ی توانی برازش داده شده بین دبی و رسوب متناظر، حاصل گردید. الگوریتم های رگرسیون چندک و جنگل تصادفی با استفاده از نرم افزار آماری R اجرا گردیدند. مقدار بهینه پارامترهای متغیر این دو روش با استفاده از آزمون و خطا تعیین شد. با اجرای مدل، مقدار رسوب مربوط به یک دبی در سطوح احتمال مختلف (1% تا 99%) محاسبه شد. یافته ها: با به کارگیری این دو روش، بار رسوبی در چندک های 5/2، 50 و 5/97% تعیین و دامنه عدم قطعیت در هر ایستگاه مشخص شد. روش جنگل تصادفی در ایستگاه های جنگلده و نوده با مقدار RMSE به ترتیب برابر 96 و 210 تن بر روز و رگرسیون چندک در ایستگاه های ارازکوسه و قزاقلی با مقدار RMSE به ترتیب 6453 و 24886 تن بر روز به عنوان بهترین روش برآورد بار رسوبی انتخاب شدند. مقدار معیار ارزیابی RMSE رسوب برآورد شده توسط منحنی سنجه رسوب کلاسیک در ایستگاه های جنگلده، نوده، ارازکوسه و قزاقلی به ترتیب برابر 199، 288، 7505 و 25811 تن بر روز به دست آمد. نتیجه گیری: نتایج نشان داد منحنی سنجه رسوب کلاسیک علاوه بر اینکه قادر به برآورد بار رسوبی در دامنه ی عدم قطعیت های مختلف برای یک مقدار دبی معین نیست، بار رسوبی را نیز با مقدار خطای بیشتری برآورد می کند. با استفاده از روش های رگرسیون چندک و جنگل تصادفی برای یک دبی معین مقدار رسوب در احتمالات مختلف قابل پیش بینی است و این امر کمک زیادی به برنامه ریزی صحیح و جامع برای ساخت سازه های آبی می کند و از این طریق، خطرات تخریب این تأسیسات را که ناشی از سیلاب های عظیم می باشد کاهش می دهد.

لطفا برای مشاهده متن چکیده به متن کامل (PDF) مراجعه فرمایید.

پیش بینی دقیق زمان سفر یکی از مسائل مهم در حوزه ترافیک و حمل و نقل است که می تواند به طور قابل توجهی بر زندگی روزمره افراد و سازمان ها تاثیر بگذارد. در این پژوهش، چهار روش مختلف یادگیری ماشین شامل رگرسیون خطی (LR)، رگرسیون چندمتغیره (MR)، رگرسیون جنگل تصادفی (RDR) و شبکه عصبی مصنوعی عمیق (DNN) برای پیش بینی زمان سفر آموزش داده شدند. هدف از این پژوهش پیش­بینی زمان سفر جهت استفاده در سیستم ­های ترافیک هوشمند است و بهره ­گیری و مقایسه چندین روش جدید شامل شبکه عصبی عمیق و رگرسیون جنگل تصادفی و همچنین دخیل نمودن پارامترهای جدید مانند وضعیت بارش، نرم جریان ترافیک، زمان و همچنین تصادفات و نقاط قفل ترافیکی نسبت به پژوهش ­های دیگر، نوآوری و جامعیت این پژوهش نسبت با سایر مطالعات می باشد. در طراحی و اجرای این پژوهش از داده های واقعی ترافیک برگرفته از Google map استفاده و آنالیز گردید. این داده ­ها شامل اطلاعاتی از جمله شرایط ترافیک، فصل سال، ساعت روز، وضعیت بارش جوی و ویژگی های مسیر می باشد. نتایج این پژوهش نشان می دهد که مدل DNN  با R2 برابر با 0.833 عملکرد خیلی خوبی را در بین مدل های مورد بررسی دارد. این مدل 0.833% واریانس داده ها را توضیح می دهد و توزیع باقیمانده ها در آن به طور نسبی مرکزی با میانگین صفر و توزیعی نزدیک به نرمال است. مدل رگرسیون خطی با R2 برابر با 0.615 عملکرد ضعیف تری نسبت به DNN دارد و 0.615% از واریانس داده ها را توضیح می دهد. و اما مدل رگرسیون جنگل تصادفی با R2 برابر با 0.955 در رقابت با DNN یکی از بهترین عملکردها را دارد و 0.955% از واریانس داده ها را توضیح می دهد. پارامترهای MSE و RMSE نیز جهت ارزیابی عملکرد مدل ­ها استفاده شدند و نهایتا مقایسه چندبعدی بین مدل­ ها صورت گرفت و مدل جنگل تصادفی کمترین مقادیر خطا را نتیجه داد. از آنجائی که در داده ­های ترافیکی جمع ­آوری شده، حوادث رانندگی و تبعا نقاط قفل ترافیکی در مدل ها نیز استفاده شده، و با لحاظ اینکه مدل رگرسیون جنگل تصادفی با وجود نویز و آنومالی نیز به طور موثرتری با داده ها تطبیق یافته می ­یابند، مقدار R2 این مدل، از شبکه­ های عصبی عمیق بدلیل داشتن ذات بیش ­پردازشی، بالاتر حاصل شده است.

هدف از این تحقیق ارزیابی مدل های حیوانی مختلف در سناریوهای متفاوت ژنومی جهت برآورد ارزش های اصلاحی ژنومی و تشخیص وجود اثر متقابل ژنوتیپ و محیط (G × E) بود. داده های ژنومی با تراکم های متفاوت جایگاه های صفات کمّی (100 و 500) و سطوح مختلف عدم تعادل پیوستگی (کم و زیادLD =) با تراکم K10 برای 30 کروموزم شبیه سازی شدند. صفتی در سه محیط مختلف با وراثت پذیری های 10/0، 25/0 و 50/0 روی این ژنوم شبیه سازی شد. در مرحله بعد، همبستگی ژنتیکی ضعیف (47/0) و قوی (83/0) بین محیط سه (50/0h2=) با محیط های یک (10/0h2=) و دو (25/0h2=) ایجاد شد. نتایج نشان داد صحت پیش بینی ژنومی با افزایش هر یک از عوامل سطح LD، وراثت پذیری و همبستگی ژنتیکی بین صفات افزایش یافت. استفاده از مدل چند صفتی نسبت به مدل تک صفتی باعث افزایش صحت پیش بینی ژنومی شد. صحت پیش بینی های ژنومی هنگامی که ارزش های اصلاحی ژنومی حیوانات محیط سوم با استفاده از اطلاعات ژنومی خویشاوندانشان در محیط دوم برآورد شد بالاتر بود و بیش ترین صحت پیش بینی ژنومی (422/0) برای سناریو با تعداد پایین QTL و عدم تعادل پیوستگی بالا مشاهده شد. همچنین، با افزایش درصد حیوانات از 25 به 75 درصد، صحت پیش بینی ژنومی افزایش یافت. به طور کلی در صورت وجود اثر متقابل G × E، سطح LD، نوع حیوانات موجود در جمعیت مرجع و همبستگی ژنتیکی بین محیط های مختلف نقش مهمی را ایفا می کنند. در نتیجه می توان بیان کرد که با لحاظ کردن اثر متقابل ژنوتیپ و محیط، صحت پیش بینی ژنومی بیشتر و فهم بهتری از تنوع ژنتیکی صفات کمّی حاصل می شود.