குறியிடப்பட்டது
  • அகாடமிக் ஜர்னல்ஸ் டேட்டாபேஸ்
  • ஜெ கேட் திறக்கவும்
  • ஜெனமிக்ஸ் ஜர்னல்சீக்
  • JournalTOCகள்
  • ஆராய்ச்சி பைபிள்
  • Ulrich's Periodicals Directory
  • எலக்ட்ரானிக் ஜர்னல்ஸ் லைப்ரரி
  • RefSeek
  • ஹம்டார்ட் பல்கலைக்கழகம்
  • EBSCO AZ
  • OCLC- WorldCat
  • அறிஞர்
  • SWB ஆன்லைன் பட்டியல்
  • உயிரியல் மெய்நிகர் நூலகம் (vifabio)
  • பப்ளான்கள்
  • MIAR
  • மருத்துவக் கல்வி மற்றும் ஆராய்ச்சிக்கான ஜெனீவா அறக்கட்டளை
  • யூரோ பப்
  • கூகுள் ஸ்காலர்
இந்தப் பக்கத்தைப் பகிரவும்
ஜர்னல் ஃப்ளையர்
Flyer image

சுருக்கம்

எதிர்பார்ப்பு அதிகரிப்பு மற்றும் ஆதரவு திசையன் இயந்திர கற்றல் அணுகுமுறையைப் பயன்படுத்தி பாக்டீரியல் டிஎன்ஏ வரிசைகளில் ஊக்குவிப்பாளர் கணிப்பு

அஹ்மத் மலேகி*, வஹித் வஜீனியா மற்றும் அய்டா ஃபெக்ரி

ஊக்குவிப்பாளர் என்பது மரபணுவின் முன் வரும் டிஎன்ஏ வரிசையின் ஒரு பகுதியாகும் மற்றும் மரபணுக்களின் சீராக்கியாக முக்கியமானது. ஊக்குவிப்பு கணிப்பு மரபணு நிலையை தீர்மானிக்க உதவுகிறது மற்றும் மரபணு வெளிப்பாட்டை பகுப்பாய்வு செய்கிறது. எனவே, பயோ இன்ஃபர்மேடிக்ஸ் துறையில் இது மிகவும் முக்கியத்துவம் வாய்ந்தது. உயிர் தகவலியல் ஆராய்ச்சியில், உயிரியல் தரவுத்தளங்களிலிருந்து புதிய அர்த்தமுள்ள அறிவைக் கண்டறிய பல இயந்திர கற்றல் அணுகுமுறைகள் பயன்படுத்தப்படுகின்றன. இந்த ஆய்வில், இரண்டு கற்றல் அணுகுமுறைகள், எதிர்பார்ப்பு மேக்சிமைசேஷன் கிளஸ்டரிங் மற்றும் சப்போர்ட் வெக்டர் மெஷின் வகைப்படுத்தி (ஈ.எம்.எஸ்.வி.எம்) ஊக்குவிப்பாளர் கண்டறிதலைச் செய்யப் பயன்படுத்தப்படுகின்றன. எதிர்பார்ப்பு அதிகரிப்பு (EM) அல்காரிதம், முதல் கட்டத்தில் விளம்பரதாரர்கள் மற்றும் அல்லாத விளம்பரதாரர்களின் செயல்பாடு போன்ற ஒரே மாதிரியான மற்றும் வித்தியாசமாக நடந்துகொள்ளும் மாதிரிகளின் குழுக்களை அடையாளம் காண பயன்படுத்தப்படுகிறது, அதே சமயம் துணை திசையன் இயந்திரம் (SVM) இரண்டாம் கட்டத்தில் வகைப்படுத்தப்படுகிறது. அனைத்து தரவும் சரியான வகுப்பு வகைக்குள். σ24, σ32, σ38, σ70 ஊக்குவிப்பாளர்களுடன் தொடர்புடைய தரவுத்தொகுப்புகளுக்கு இந்த முறையைப் பயன்படுத்தியுள்ளோம், மேலும் அதன் செயல்திறன் பல்வேறு ஊக்குவிப்பாளர் பகுதிகளின் வரம்பில் நிரூபிக்கப்பட்டது. மேலும், முன்மொழியப்பட்ட வழிமுறையின் பொருத்தமான செயல்திறனைக் குறிக்க இது மற்ற வகைப்பாடு அல்காரிதம்களுடன் ஒப்பிடப்பட்டது. சோதனை முடிவுகள் EMSVM மற்ற முறைகளை விட சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது.

மறுப்பு: இந்த சுருக்கமானது செயற்கை நுண்ணறிவு கருவ