جستجوي پيشرفته | کتابخانه مجازی الفبا

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

اگرچه بازیابی اطلاعات به طور سنتی مستندات و جستارها را از نقطع نظر کلید واژه های به کار رفته در آنها مورد بررسی قارر می دهد، در نظر گرفتن روابط معنایی آنها در کنار شباهت های نحویشان می تواند به ایجاد سیستم های کاراتر در بازیابی اطلاعات منجر شود. به طور کلی می توان گفت وجود نداشتن واژگان مشابه میان دو متن دلیل بر نامربوط بون آنها به یکدیگر نیست. حالت های متعددی ممکن است وجود داشته باشد که در آنها کاربر، نیاز اطلاعاتی خود را با لغات و واژگانی متفاوت از آنچه در مستندات سیستم وجود دارد بیان کند. و یا این که به علت کمبود اطلاعات قادر نباشد برخی کلید واژه های مناسب برای جستجوی خود را در اختیار سیستم قرار دهد. در تمامی این شرایط استفاده از روابط مفهومی میان مستندات و جستار کاربر، این امکان را به سیستم خواهد داد تا نتایج دقیقتر و کامل تری را به کاربران خود بازگرداند. هدف این پایان نامه بررسی شویه های مختلف به کارگیری دانش موجود در هستان شناسی ها در امر بازیابی اطلاعات و معرفی ایده های نوین در این رابطه می باشد. به طور خلاصه در این پایان نامه روش های جدیدی، در زمینه کاربرد هستان شناسی در گسترش جستار ، بازیابی معنایی مبتنی بر معیارهای شباهت مفهومی و بازیابی معنایی همراه با بازخورد ارتباطی خودکار مفهومی معرفی می شوند. دامنه مورد بررسی در این پایان نامه مستندات پزشکی می باشند. هستان شناسی به کار رفته در روش های معرفی شده MeSH یا Medical Subject Headings است که در برگیرنده در حدود 24000 مفهوم پرکاربرد در قلمرو پزشکی می باشد. همچنین برای مقایسه تاثیر به کاربردن هستان شناسی عمومی در مقابل هستان شناسی مختص دامنه در بخشی از تجربیات این پایان نامه از هستان شناسی Wordnet استفاده شده است. مجموعه آزمون های به کار رفته برای ارزیابی روش های معرفی شده نیز عبارتند از Mediline و OHSUMED که از مجموعه آزمون های شناخته شده در ارزیابی سیستم های بازیابی اطلاعات می باشند.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

امروزه استفاده از اطلاعات ژنتیکی افراد در تشخیص و رده‌بندی انواع بیماری‌ها از جمله سرطان‌ها، مورد توجه قرار گرفته است. یکی از بهترین و دقیق‌ترین روش‌ها در این زمینه، بررسی مقادیر بیان ژنی در افراد مختلف توسط فناوری ریزآرایه می‌باشد. یکی از مشکلات داده‌های ریزآرایه کم بودن تعداد نمونه‌ها در مقایسه با تعداد ژن‌ها است. این مسیله سبب کاهش دقت رده‌بندی و افزایش هزینه‌های محاسباتی و آزمایشگاهی می‌شود، در عین حال بسیاری از این ژن‌ها در ایجاد بیماری مورد بررسی نقشی ندارند، در نتیجه تشخیص و انتخاب ژن‌های موثر در بروز بیماری علاوه بر آنکه سبب افزایش دقت رده‌بندی وکاهش هزینه‌ها می‌شود، از نظر زیستی نیز از اهمیت ویژه‌ای برخوردار است و می‌تواند اطلاعات مفیدی درباره علل و نحوه درمان بیماری‌ها در اختیار محققین قرار دهد. تشخیص و انتخاب ژن‌های موثر در بروز بیماری، از میان هزاران ژن مورد بررسی در آزمایش ریزآرایه، انتخاب ژن نام دارد.در این پایان‌نامه با بررسی روش‌های مختلف انتخاب ژن، تلاش شده است با بهره‌گیری از مزایای روش‌های موجود، چارچوب جدیدی برای انتخاب ژن‌های موثر در بروز بیماری ارایه شود، به‌نحوی که نقاط ضعف روش‌های متداول پوشش داده شوند. در روش پیشنهادی، علاوه بر داده‌های بیان ژنی از یکی دیگر از منابع معتبر موجود درباره ژن‌ها یعنی آنتولوژی ژن نیز کمک گرفته شده است. استفاده از آنتولوژی ژن در کنار مجموعه داده‌های بیان ژنی تا حدی می‌تواند محدودیت‌های ریزآرایه یعنی کم بودن تعداد نمونه‌ها و خطای احتمالی در مقادیر اندازه‌گیری شده را جبران نماید. در چارچوب ارایه شده ابتدا بخش عمده‌ای از ژن‌های غیرمرتبط با کمک روش فیلتری (فیشر) حذف می‌شوند، اما روش‌های فیلتری همبستگی موجود بین ژن‌ها را مدنظر قرار نمی‌دهند در نتیجه ژن‌های باقیمانده دارای حجم بالایی از افزونگی می‌باشند. به‌منظور کاهش افزونگی در ژن‌های باقیمانده، یک رویکرد حریصانه برای حذف ژن‌های مشابه پیشنهاد شده است. در این رویکرد میزان مشابهت ژن‌ها با در نظر گرفتن اطلاعات آنتولوژی ژن و داده‌های بیان ژنی و بر اساس یک معیار تلفیقی محاسبه می‌شود و سپس بر اساس این معیار، ژن‌های افزونه از مجموعه ژن‌ها حذف می‌شوند. در نهایت ژن‌های باقیمانده از این مرحله، به‌عنوان ژن‌های کاندید به‌طور دقیق‌تر توسط روش SVMRFE مورد بررسی قرار می‌گیرند تا مجموعه ژن‌های نشانگر بیماری بدست آید. روش پیشنهادی بر روی دو مجموعه داده سرطان DLBCL و سرطان کلون اعمال شده است. نتایج بدست آمده نمایانگر تاثیر مثبت روش پیشنهادی بر کارایی رده‌بندی است، به‌علاوه مقایسه این روش با روش‌های انتخاب ژن متداول، نشان می‌دهد که روش ارایه شده به ازای تعداد ژن‌های مساوی، از کارایی بهتری برخوردار است.همچنین از آنجایی که بسیاری از مجموعه داده‌های ریزآرایه به دلایل مختلف از جمله وجود خراش یا گرد و غبار بر روی اسلاید، بروز خطا در حین آزمایش، اختلال در تصویر ریزآرایه و پایین بودن قدرت تفکیکی تصاویر، شامل مقادیر گمشده می‌باشند در این پایان‌نامه با استفاده از تلفیق روش خوشه‌بندی CST و آنتولوژی ژن روش نوینی برای تخمین مقادیر گمشده در مرحله پیش‌پردازش ارایه گردیده است. عملکرد روش پیشنهادی بر روی مجموعه داده سرطان DLBCL و به ازای درصدهای مختلفی از مقادیر گمشده مورد بررسی قرار گرفته است. مقایسه نتایج حاصل از روش پیشنهادی با نتایج سایر روش‌های تخمین مقادیر گمشده، نشان می‌دهد که روش پیشنهادی می‌تواند مقادیر گمشده را با دقت بالاتری تخمین بزند.

چکیده ندارد.

چکیده ندارد.