Mạng nơron nhân tạo là gì? Các công bố khoa học về Mạng nơron nhân tạo
Mạng nơron nhân tạo là một hệ thống tính toán được lấy cảm hứng từ cách hoạt động của hệ thống nơron trong não người. Nó bao gồm một số lượng lớn các nơron nhân...
Mạng nơron nhân tạo là một hệ thống tính toán được lấy cảm hứng từ cách hoạt động của hệ thống nơron trong não người. Nó bao gồm một số lượng lớn các nơron nhân tạo được kết nối với nhau theo một cấu trúc thông qua các liên kết trọng số. Mạng nơron nhân tạo có khả năng tự học và tự điều chỉnh thông qua việc xử lý dữ liệu đầu vào và sản xuất dữ liệu đầu ra dựa trên thông tin đã học từ huấn luyện trước. Mạng nơron nhân tạo có thể được áp dụng trong nhiều lĩnh vực như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, dự đoán và điều khiển.
Mạng nơron nhân tạo được xây dựng dựa trên các nguyên tắc hoạt động của hệ thống nơron thần kinh trong não người. Nó gồm nhiều lớp nơron được kết nối với nhau thông qua các liên kết trọng số. Các liên kết trọng số này cho phép mạng nơron nhân tạo truyền tải và tích lũy thông tin qua các lớp nơron để tạo nên một quyết định hoặc đầu ra cuối cùng.
Một mạng nơron nhân tạo thường gồm ba phần chính: lớp đầu vào, lớp ẩn (hoặc nhiều lớp ẩn), và lớp đầu ra. Các lớp nơron trong mạng được tổ chức theo cấu trúc lưới, với mỗi nút trong lớp trước kết nối với tất cả các nút trong lớp tiếp theo. Đầu vào của mạng thường là các biến số, dữ liệu hoặc hình ảnh đầu vào và đầu ra của mạng là kết quả dự đoán, phân loại hoặc hành động.
Quá trình huấn luyện mạng nơron nhân tạo gồm hai giai đoạn chính: lan truyền tiến và lan truyền ngược. Trong giai đoạn lan truyền tiến, thông tin được truyền từ lớp đầu vào qua các lớp ẩn cho đến lớp đầu ra. Quá trình này dựa trên các liên kết trọng số và hàm kích hoạt để xử lý và tích lũy thông tin.
Trong giai đoạn lan truyền ngược, đánh giá sai sót giữa đầu ra thực tế và đầu ra dự đoán, sau đó điều chỉnh các liên kết trọng số để giảm sai số. Quá trình này được thực hiện thông qua thuật toán gradient descent và backpropagation. Backpropagation tính toán đạo hàm của hàm mất mát (loss function) theo các trọng số của mạng và cập nhật trọng số trong hướng giảm gradient để tối thiểu hóa sai số.
Mạng nơron nhân tạo có khả năng học từ dữ liệu và điều chỉnh các liên kết trọng số để đưa ra dự đoán chính xác hơn theo thời gian. Điều này cho phép nó được sử dụng trong rất nhiều ứng dụng như nhận dạng khuôn mặt, dịch máy, tự động lái xe, và nhiều lĩnh vực khác.
Danh sách công bố khoa học về chủ đề "mạng nơron nhân tạo":
Ảnh hưởng của phân chia dữ liệu đến hiệu suất của các mô hình học máy trong dự đoán độ bền cắt của đất Dịch bởi AI Mục tiêu chính của nghiên cứu này là đánh giá và so sánh hiệu suất của các thuật toán học máy (ML) khác nhau, cụ thể là Mạng Nơron Nhân Tạo (ANN), Máy Học Tăng Cường (ELM) và thuật toán Cây Tăng Cường (Boosted), khi xem xét ảnh hưởng của các tỷ lệ đào tạo đối với kiểm tra trong việc dự đoán độ bền cắt của đất, một trong những tính chất kỹ thuật địa chất quan trọng nhất trong thiết kế và xây dựng công trình. Để thực hiện điều này, một cơ sở dữ liệu gồm 538 mẫu đất thu thập từ dự án nhà máy điện Long Phú 1, Việt Nam, đã được sử dụng để tạo ra các bộ dữ liệu cho quá trình mô hình hóa. Các tỷ lệ khác nhau (tức là 10/90, 20/80, 30/70, 40/60, 50/50, 60/40, 70/30, 80/20, và 90/10) đã được sử dụng để chia bộ dữ liệu thành bộ dữ liệu đào tạo và kiểm tra nhằm đánh giá hiệu suất của các mô hình. Các chỉ số thống kê phổ biến, chẳng hạn như Lỗi Bình Phương Trung Bình (RMSE), Lỗi Tuyệt Đối Trung Bình (MAE) và Hệ Số Tương Quan (R), đã được sử dụng để đánh giá khả năng dự báo của các mô hình dưới các tỷ lệ đào tạo và kiểm tra khác nhau. Ngoài ra, mô phỏng Monte Carlo đã được thực hiện đồng thời để đánh giá hiệu suất của các mô hình đề xuất, có tính đến ảnh hưởng của lấy mẫu ngẫu nhiên. Kết quả cho thấy mặc dù cả ba mô hình ML đều hoạt động tốt, nhưng ANN là mô hình chính xác nhất và ổn định nhất về mặt thống kê sau 1000 lần mô phỏng Monte Carlo (R Trung Bình = 0.9348) so với các mô hình khác như Boosted (R Trung Bình = 0.9192) và ELM (R Trung Bình = 0.8703). Điều tra về hiệu suất của các mô hình cho thấy khả năng dự báo của các mô hình ML bị ảnh hưởng lớn bởi các tỷ lệ đào tạo/kiểm tra, trong đó tỷ lệ 70/30 thể hiện hiệu suất tốt nhất của các mô hình. Một cách ngắn gọn, kết quả được trình bày ở đây thể hiện một cách thức hiệu quả trong việc lựa chọn các tỷ lệ dữ liệu phù hợp và mô hình ML tốt nhất để dự đoán chính xác độ bền cắt của đất, điều này sẽ hữu ích trong các giai đoạn thiết kế và kỹ thuật của các dự án xây dựng.
Mathematical Problems in Engineering - Tập 2021 - Trang 1-15 - 2021
#Học máy #độ bền cắt của đất #Mạng Nơron Nhân Tạo #Máy Học Tăng Cường #thuật toán Cây Tăng Cường #mô phỏng Monte Carlo #địa chất công trình #phân chia dữ liệu #chỉ số thống kê #kỹ thuật dân dụng
Các chiến lược tối ưu hóa quá trình ngẫu nhiên hỗ trợ bởi mạng nơron nhân tạo Dịch bởi AI Tóm tắt Bài viết này trình bày hai phương pháp tối ưu hóa quy trình hỗn hợp mạnh mẽ tích hợp mạng nơron nhân tạo (ANN) và hình thức tối ưu hóa ngẫu nhiên—các thuật toán di truyền (GA) và phương pháp xấp xỉ ngẫu nhiên đồng thời (SPSA). Một mô hình quy trình dựa trên ANN đã được phát triển hoàn toàn từ dữ liệu đầu vào–đầu ra của quy trình và sau đó không gian đầu vào của nó, bao gồm các biến thiết kế và biến vận hành, đã được tối ưu hóa bằng cách sử dụng hoặc phương pháp GA hoặc SPSA. Các phương pháp này sở hữu một số ưu điểm so với các kỹ thuật dự đoán xác định dựa trên gradient rất được sử dụng. Hiệu quả của các hình thức ANN-GA và ANN-SPSA trong sự hiện diện của dữ liệu quy trình không có tiếng ồn cũng như dữ liệu quy trình có tiếng ồn đã được chứng minh cho một hệ thống đại diện liên quan đến CSTR không đồng nhất. Nghiên cứu trường hợp xem xét một mục tiêu tối ưu hóa không đơn giản, mà ngoài việc thiết kế tham số truyền thống, còn giải quyết vấn đề thiết kế dung sai tối ưu. So sánh các kết quả với các kết quả từ một chiến lược mô hình hóa/tối ưu hóa xác định mạnh mẽ cho thấy rằng các phương pháp hỗn hợp có thể được áp dụng có hiệu quả cho tối ưu hóa quy trình.
AICHE Journal - Tập 47 Số 1 - Trang 126-141 - 2001
#tối ưu hóa quy trình #mạng nơron nhân tạo #thuật toán di truyền #phương pháp xấp xỉ ngẫu nhiên #thiết kế dung sai tối ưu
Phát hiện thiệt hại cầu tự động, dựa trên biến dạng, chỉ sử dụng đầu ra Dịch bởi AI
Journal of Civil Structural Health Monitoring - Tập 8 - Trang 833-846 - 2018
Bài báo này trình bày một khuôn khổ để phát hiện thiệt hại tự động bằng cách sử dụng một chuỗi liên tục dữ liệu giám sát sức khỏe kết cấu. Nghiên cứu đã sử dụng các biến dạng đo được từ một bộ cảm biến tối ưu được triển khai trên một cầu truss bằng thép, có hai đường ray. Sự suy giảm tại các mối nối giữa thép đỡ và xà sàn, một khuyết tật phổ biến, là trọng tâm của nghiên cứu này; tuy nhiên, phương pháp đề xuất có thể được áp dụng để đánh giá tình trạng của nhiều thành phần và chi tiết kết cấu khác nhau. Khuôn khổ đã sử dụng Các Chế Độ Chính Quy (POMs) như là các đặc trưng thiệt hại và Mạng Nơron Nhân Tạo (ANNs) như một phương pháp tự động hóa để suy luận vị trí và cường độ thiệt hại từ các POMs. Sự biến đổi của POMs, thường phụ thuộc vào tải (input), cuối cùng đã được sử dụng như là các chỉ số thiệt hại. Sự biến đổi ở đầu vào đòi hỏi việc sử dụng ANNs để giúp tách rời các thay đổi của POM do biến đổi tải so với những thay đổi gây ra bởi các khuyết tật, những thay đổi có thể khiến cho khuôn khổ đề xuất độc lập với đầu vào, một tiến bộ quan trọng. Để phát triển một khuôn khổ phát hiện thiệt hại hiệu quả và tự động chỉ sử dụng đầu ra, quá trình làm sạch và chuẩn bị dữ liệu đã được thực hiện trước khi đào tạo ANNs. Các “kịch bản” thiệt hại đã được giới thiệu một cách nhân tạo vào các tập dữ liệu đầu ra (biến dạng) được ghi lại trong khi giám sát lượt tàu qua cầu được chọn. Thông tin này, theo đó, đã được sử dụng để đào tạo ANNs bằng cách sử dụng Toolbox Mạng Nơron của MATLAB. Các ANNs đã được đào tạo được kiểm tra đối với các sự kiện tải được giám sát và các kịch bản thiệt hại nhân tạo. Tính khả thi của khuôn khổ chỉ sử dụng đầu ra đã được nghiên cứu thông qua các nghiên cứu về cầu dưới các điều kiện hoạt động. Để tính toán các tác động của các khuyết tật tiềm năng tại các mối nối giữa thép đỡ và xà sàn, biên độ tín hiệu đo được đã được giảm nhân tạo tại các vị trí chọn lọc. Kết luận rằng khuôn khổ đề xuất có thể phát hiện thành công các khuyết tật giả mạo áp đặt lên các tín hiệu đo được trong điều kiện hoạt động.
#hệ thống giám sát sức khỏe kết cấu #phát hiện thiệt hại #Mạng Nơron Nhân Tạo #Chế Độ Chính Quy #cầu truss #biến dạng
ẢNH HƯỞNG CỦA ĐỘ DÀI CHUỖI SỐ LIỆU ĐẦU VÀO ĐẾN KẾT QUẢ MÔ PHỎNG NHIỆT ĐỘ KHÔNG KHÍ BẰNG MẠNG NƠRON NHÂN TẠO (ANN) TẠI ĐỒNG BẰNG NAM BỘ
Tạp chí Khoa học và Công nghệ - Trường Đại học Công nghiệp TP.HCM - Tập 39 Số 03 - 2020
Mạng nơron nhân tạo (ANN) được sử dụng để mô phỏng nhiệt độ không khí cho trạm khí tượng Nhà Bè. Bộ số liệu sử dụng gồm 5 yếu tố đầu vào với 1 yếu tố đầu ra là nhiệt độ không khí. Cấu trúc ANN trong phần mềm Matlab được thiết kế gồm 2 lớp ẩn với 3 cấp số lượng nơron (2, 5 và 8) trong mỗi lớp ẩn và hàm chuyển tansig. Những độ dài chuỗi số liệu khác nhau từ 1 tháng đến 48 tháng khi khảo sát đã cho kết quả R từ 0.8318 đến 0.9673. Giá trị R thay đổi không theo quy luật khi độ dài của chuỗi số liệu từ 4 tháng trở xuống nhưng lại mang xu hướng giống nhau cho cả 3 cấu trúc ANN khi số liệu dài bằng 6 tháng hoặc hơn. Với cùng cấu trúc ANN, độ dài chuỗi số liệu tăng không đảm bảo cho giá trị R tăng. Sự sai lệch trong kết quả mô phỏng xảy ra mạnh hơn ở những đoạn đỉnh thấp hay cao của chuỗi số liệu, nhất là khi cấu trúc ANN có số lượng noron ít trong lớp ẩn.
#air temperature #meteorological factors #length of data series #training #artificial neural network (ANN) #simulation
Ứng dụng mạng nơron nhân tạo để đánh giá mức độ ảnh hưởng của các nhân tố đến sự thỏa mãn công việc
Mạng nơron nhân tạo là thuật toán nhận dạng mẫu tiên tiến có khả năng trích rút ra các mối quan hệ phi tuyến phức tạp giữa các biến [10]. Bài báo trình bày một ứng dụng của mạng nơron nhân tạo, cụ thể là mạng nơron MLP nhằm đánh giá mức độ ảnh hưởng của các nhân tố đến sự thỏa mãn công việc. Một nghiên cứu tại công ty Cổ phần cao su Đà Nẵng được dẫn ra như là một minh họa cho phương pháp này. Quá trình phân tích dữ liệu được tiến hành trên các phần mềm SPSS, EXCEL, WEKA thu được mạng nơron MLP giản đơn gồm một lớp vào (5 nơron), một lớp ẩn (4 nơron) và một lớp ra (1 nơron). Kết quả nghiên cứu cho thấy 5 nhân tố chính tác động đến sự thỏa mãn công việc được xếp hạng theo thứ tự: Đào tạo và thăng tiến; Thu nhập; Đặc điểm công việc; Phúc lợi; Cấp trên.
#mạng nơron nhân tạo #thuật toán nhận dạng mẫu #mối quan hệ phi tuyến #mạng nơron MLP #sự thỏa mãn công việc
ẢNH HƯỞNG CỦA VIỆC LỰA CHỌN THÔNG SỐ ĐẦU VÀO ĐẾN KẾT QUẢ MÔ PHỎNG NHIỆT ĐỘ KHÔNG KHÍ DÙNG MẠNG NƠRON NHÂN TẠO TẠI CÁC TRẠM KHÍ TƯỢNG CẦN THƠ VÀ NHÀ BÈ
Tạp chí Khoa học và Công nghệ - Trường Đại học Công nghiệp TP.HCM - Tập 53 Số 05 - 2022
Nghiên cứu này đánh giá ảnh hưởng của các bộ số liệu đầu vào khác nhau gồm một số yếu tố khí tượng cơ bản đến kết quả mô phỏng nhiệt độ không khí tại 2 trạm khí tượng Cần Thơ và Nhà Bè bằng mạng nơron nhân tạo (ANN). Những cấu trúc ANN với số lượng nơron khác nhau cho giá trị hệ số tương quan (R) tổng quát trong khoảng khá rộng (0.5156 ÷ 0.9658). Kết quả cho thấy mức 6 nơron trong lớp ẩn của cấu trúc ANN (1 lớp ẩn) với hàm chuyển tansig là phù hợp để mô phỏng nhiệt độ không khí tại các trạm trên. Độ chính xác trong mô phỏng đạt mức cao hơn với bộ số liệu đầu vào chứa nhiệt độ không khí đặc trưng ngày đo tại trạm khác và ngày trong năm, qua đó thể hiện sự chi phối khí hậu tầm vĩ mô khá mạnh đến nhiệt độ không khí ở cả 2 trạm. Sự quan trọng của việc lựa chọn các thông số đầu vào được chứng minh ở mức dao động nhỏ hơn trong giá trị R tổng quát từ việc lựa chọn các cấu trúc ANN so với từ việc thay đổi thông số trong bộ số liệu đầu vào.
#air temperature #input parameter selection #Artificial Neural Network (ANN) #simulation
Mô hình ANN lai $${Q}_{L}$$ được thiết kế để cải thiện Chất lượng Truyền tải của mạng thông tin quang Dịch bởi AI
Springer Science and Business Media LLC - Tập 55 - Trang 1-19 - 2023
Các mạng truyền thông quang đại diện cho một lĩnh vực đang phát triển nhanh chóng trong công nghệ truyền thông với nhiều tối ưu hóa và tiến bộ nhằm nâng cao hiệu quả truyền thông giữa các hệ thống. Việc giới thiệu trí tuệ nhân tạo (AI) vào nhiều lĩnh vực đóng vai trò then chốt trong việc thúc đẩy truyền thông mạng quang (ONC), bao gồm các tầng vật lý, truyền dữ liệu, mạng lưới, ứng dụng và vận chuyển. Tất cả các tầng này bao gồm nhiều tham số, mà cần được tối ưu hóa để cung cấp ONC tốt hơn tổng thể. Các tầng này phải được tối ưu hóa một cách linh hoạt vì chúng cung cấp dữ liệu theo thời gian thực. Các thuật toán AI có thể được lập trình để tối ưu hóa các tham số của các tầng khác nhau trong ONC, như những tham số liên quan đến Chất lượng Truyền tải (QoT), và cung cấp một mạng lưới tốt hơn. QoT của OCN hoàn toàn phụ thuộc vào các tham số mạng và dữ liệu lưu lượng xác định. Dữ liệu lưu lượng được xác định bằng cách tối ưu hóa các tham số mạng. Do đó, một mô hình Mạng Nơron Nhân Tạo Học Q-Learning lai ($${Q}_{L}$$ ANN) được đề xuất trong nghiên cứu này nhằm cải thiện QoT của OCN. Mô hình Q-Learning tiền xử lý các tham số mạng và xác định dữ liệu lưu lượng. Dựa trên dữ liệu lưu lượng tối ưu hóa, ANN cải thiện QoT của OCN. Đầu ra của mô hình Q-Learning được đưa vào ANN như một đầu vào. So với đó, ANN được huấn luyện với dữ liệu lưu lượng và tham số mạng và cải thiện QoT của mạng. Hiệu suất của mô hình $${Q}_{L}$$ ANN được đánh giá bằng cách so sánh và xác minh hiệu suất của nó với các mô hình hiện có. Kết quả so sánh cho thấy mô hình $${Q}_{L}$$ ANN cung cấp QoT tốt hơn so với các mô hình truyền thống, và nó sử dụng AI để cải thiện hiệu suất của mạng một cách hiệu quả hơn. Mô hình $${Q}_{L}$$ ANN đạt được độ chính xác 99.5% với 96% tỷ lệ truyền thành công và chứng minh được tính hiệu quả.
#truyền thông quang #mạng nơron nhân tạo #tối ưu hóa #chất lượng truyền tải #trí tuệ nhân tạo
Các phương pháp mới để mô hình hóa và mô phỏng tự động hóa tế bào điểm lượng tử Dịch bởi AI
Springer Science and Business Media LLC - Tập 13 - Trang 537-546 - 2014
Để phát triển các hệ thống vi điện tử và đạt được các mạch với tốc độ cao hơn, mật độ cao hơn và tiêu thụ năng lượng thấp hơn, cần giới thiệu các công nghệ mới thay thế công nghệ CMOS thông thường. Tự động hóa tế bào điểm lượng tử (QCA) là một công nghệ nano đang nổi lên, cung cấp một phương pháp mới để tính toán ở quy mô nano. Trong bài báo này, hai phương pháp, chẳng hạn như mạng nơron nhân tạo và một thuật toán toán học dựa trên hàm phản ứng tế bào-QCA được gọi là phương pháp Tansig, được sử dụng cho việc mô hình hóa và mô phỏng các mạch QCA ở cấp độ tế bào. Độ chính xác và hiệu suất của các phương pháp đề xuất được phân tích thông qua một vài mạch. Các kết quả của hai phương pháp này được so sánh với nhau và với phần mềm QCADesigner. Các kết quả cho thấy tính khả thi và độ chính xác chấp nhận được của các loại mô phỏng này. Ngoài ra, những phương pháp này cho phép mô phỏng các mạch QCA lớn ở cấp độ tế bào với độ chính xác chấp nhận trong thời gian ngắn, với khả năng thực hiện trên các mô phỏng mạch khác như HSPICE và các phần mềm khác.
#tự động hóa tế bào điểm lượng tử #mô phỏng mạch #mạng nơron nhân tạo #thuật toán Tansig #vi điện tử
Mô hình Tính Toán Đặc Trưng Của Hành Vi Biến Dạng Nóng Của Thép Không Gỉ Martensitic Hợp Kim Nitơ Dịch bởi AI
Springer Science and Business Media LLC - Tập 5 - Trang 769-777 - 2020
Mối quan hệ giữa ứng suất dòng chảy với biến dạng, tốc độ biến dạng và nhiệt độ là phức tạp và thường được mô tả bằng các phương trình quy luật. Các phương trình quy luật là một trong những đầu vào chính cho mô phỏng gia công nóng sử dụng phương pháp phần tử hữu hạn (FEM). Nghiên cứu hiện tại tập trung vào việc dự đoán hành vi dòng chảy ở nhiệt độ cao của thép không gỉ martensitic Fe-15.9Cr-1.7Mo-0.43C-0.14Nb-0.22N (wt%) hợp kim nitơ bằng cách sử dụng các phương trình quy luật. Các đường cong dòng chảy thu được từ các thí nghiệm nén nóng lào nhiệt độ ổn định được thực hiện trong khoảng nhiệt độ 1173–1423 K và khoảng tốc độ biến dạng 0.001–10 s−1 đã được sử dụng để lập mô hình. Các mô hình Johnson Cook (JC), Johnson Cook Đã Sửa Đổi (m-JC) và mạng nơron nhân tạo (ANN) đã được sử dụng để xây dựng hành vi biến dạng nóng. Độ chính xác của các dự đoán được đánh giá bằng các tham số như hệ số tương quan (R) và sai số tuyệt đối tương đối trung bình (AARE). Các mô hình JC và m-JC cho thấy AARE lần lượt là 19.6% và 1.2%. Để phát triển mô hình ANN, một số thuật toán huấn luyện và hàm chuyển giao tốt nhất đã được khám phá. Phương pháp điều chỉnh Bayesian sử dụng hàm chuyển giao hyperbolic tangent đã cho kết quả tốt nhất với AARE là 0.3% và hệ số tương quan là 0.999.
#ứng suất dòng chảy #biến dạng #tốc độ biến dạng #nhiệt độ #phương trình quy luật #mô phỏng gia công nóng #thép không gỉ martensitic #mạng nơron nhân tạo #thuật toán huấn luyện #hàm chuyển giao
Mô Hình Tự Tương Quan 2D của Hoạt Động Ức Chế của Các Chất Ức Chế Kinase Phụ Thuộc Cyclin Có Nguồn Gốc Từ Cytokinin Dịch bởi AI
Springer Science and Business Media LLC - Tập 68 - Trang 735-751 - 2006
Hoạt động ức chế đối với enzyme p34 cdc2/cyclin b kinase (CBK) của 30 hợp chất có nguồn gốc từ cytokinin đã được mô hình hóa thành công bằng cách sử dụng các vectơ tự tương quan không gian 2D. Các mô hình hồi quy tuyến tính và phi tuyến tính dự đoán đã được xác định thông qua phân tích hồi quy đa biến từng bước (MRA) và phương pháp mạng nơron nhân tạo (ANN) tương ứng. Một quy trình chọn biến đã chọn thông tin phi tuyến tính có liên quan từ tập dữ liệu được áp dụng trước khi đào tạo mạng. Mạng ANN tốt nhất với ba biến đầu vào có thể giải thích khoảng 87% phương sai dữ liệu so với 80% bởi phương trình tuyến tính sử dụng cùng một số mô tả. Tương tự, mạng nơron có sức mạnh dự đoán cao hơn. Mô hình MRA cho thấy sự phụ thuộc tuyến tính giữa các hoạt động ức chế và sự phân bố không gian của khối lượng, độ âm điện và thể tích van der Waals trên các phân tử ức chế. Trong khi đó, mô hình ANN chứng minh sự xuất hiện của các mối quan hệ phi tuyến tính giữa hoạt động ức chế và sự phân bố khối lượng ở các khoảng cách hình thái học khác nhau trên các hợp chất có nguồn gốc từ cytokinin. Hơn nữa, các chất ức chế được phân bố tốt theo các mức độ hoạt động của nó trong một bản đồ tự tổ chức Kohonen (SOM) được xây dựng bằng cách sử dụng các biến đầu vào của mạng nơron tốt nhất.
#ức chế kinase #cytokinin #hồi quy đa biến #mạng nơron nhân tạo #tự tương quan không gian #phân bố khối lượng #hoạt động ức chế
Tổng số: 25
- 1
- 2
- 3