دسته: کشاورزی
حجم فایل: 132 کیلوبایت
تعداد صفحه: 21
FLATTENED SHOOT MERISTEM برنج که زیرواحد CAF-1 p150 رارمزگذاری میکند، برای حفظ مریستم از طریق تنظیم دورۀ چرخۀ سلول لازم است
چکیده
ما جهش یافته های (mutant) flattened shoot meristem (fsm) (مریستم شاخۀمسطح) درگیاه برنج را جدا کردیم. این جهش یافته رشد ناقص جوانه رانشان دادند ودرمرحلۀ رویش (vegetative) خشک شدند. از آنجائیکه اکثر گیاهان fsm دارای مریستم های راسی شاخۀ کوچک و مسطح بودند (SAMها) ، ما نشان خواهیم داد که FSM برای حفظ کامل SAM لازم است. FSM یک ارتولوگ مفروض FASCIATA1 آرابیدوپسیس (FAS1) رارمزگذاری میکند که بازیرواحد p150 عامل 1اجتماع کروماتین (CAF-1) مطابقت دارد. FSM به صورت تکه تکه (patchily) در سلولهای با تقسیم فعالانه بیان میشود که نشان دهندۀارتباط محکم FSMبا مراحل چرخۀسلول ویژه میباشد. هدف دو برابر (Double-target) در محل هیبریدشدگی لکه دار با ژنهای نشانگر چرخۀسلول نشان داد که FSM عمدتا در مرحلۀ G1 بیان میشود. در fsm، بیان دو ژن نشانگر که مراحل S و G2 تا M را نشان میدهند در SAM بهتر شد. علیرغم کاهش تعداد سلول ها در SAM که حاکی از آن است که مراحل S و G2 در fsm طولانی هستند. علاوه بر این، رویدادهای رشدی در برگ های fsm در زمان کامل رخ میدهد. این نشان میدهد که تنظیم موقتی رشد جدا از دورۀ چرخۀ سلول رخ میدهد. بر خلاف فنوتیپ نوار دار (fascinated) Arabidopsis fas1، فنوتیپ fsm کاهش اندازۀ SAM رانشان داد. فنوتیپ های مخالف بین fsm و fas1 نشان میدهد که حفظ SAM بین برنج و آرابیدوپسیس به صورت متفاوت تنظیم میشود.
کلیدواژه ها: Flattened shoot meristem، برنج، مریستم راسی، CAF-1، چرخۀ سلول، Fasciata1
قیمت: 7,000 تومان
دسته: برق
حجم فایل: 1269 کیلوبایت
تعداد صفحه: 26
« تابع هدف جدیدConvex برای آموزشSupervised شبکههای عصبی تک لایه»:
چکیده: در این مقاله روش آموزشSupervised جدید برای ارزیابی چگونگی شبکههای Feed Forward عصبی تکلایه ارائه میشود. این روش از تابعهدفی بر مبنایMSE استفاده میکند، که خطاها را به جای اینکه پس ازActivation Function غیرخطی نرونها ارزیابی کند قبل از آنها بررسی میکند. در این گونه موارد، راهحل را میتوان به سهولت از طریق حل معادلات در سیستمهای خطی بهدست آورد یعنی در این روش نسبت به روشهای معین و مرسوم پیشین به محاسبات کمتری نیاز است. تحقیقات تئوری شامل اثبات موازنههای تقریبی بینGlobal Optimum تابع هدف بر مبنای معیارMSE و یک تابع پیشنهادی دیگر میباشد. بعلاوه مشخص شده است که این روش قابلیت توسعه و توزیع آموزش را دارا میباشد. طی تحقیقات تجربی جامع نیز تنوع صحت در انرمان این روش مشخص شده است. این تحقیق شامل 10 دستهبندی ((Classificationو 16 مسئلهی بازگشتی میباشد. بعلاوه، مقایسهاین روش با دیگر الگوریتمهای آموزشی با عملکرد بالا نشان میدهد که روش مذکور بطور متوسط بیشترین قابلیت اجرایی را داشته و به حداقل محاسبات در این روش نیاز میباشد.
پروژه کارشناسی ارشد برق
شامل
1. اصل مقاله الزیویر 9 صفحه
2. فایل ورد ترجمه 26 صفحه
قیمت: 15,000 تومان
عنوان اتگلیسی مقاله: Exchanging courses between different Intelligent Tutoring Systems
عنوان فارسی مقاله: ترجمه مقاله تبادل دوره آموزشی بین سیستم های آموزش هوشمند مختلف
تعداد صفحات مقاله اتگلیسی: 10
چکیده
در سال های اخیر تلاش های زیادی به منظور ایجاد سیستم آموزشی هوشمند انجام شده که نزدیک به روش تدریس انسان باشد. بعضی از مضرات سیستم هایی که قبلا ایجاد شده اند، غیرممکن بودن اشتراک دوره های آموزشی بین سیستم های آموزشی هوشمند مخلف و مشکل در ایجاد آن ها بوده است. زمانی که سیستم آموزشی هوشمند ایجاد شد، ایجاد یک دوره آموزشی جدید به عنوان کارپرهزینه ای می باشد که نیازمند دخالت بسیاری از افرادی که در حوزه های مختلف کارشناس هستند، می باشد. در این مقاله ابزارهای مناسب قابل توسعه و کامل به منظور ایجاد دوره های اموزشی برای سیستم های اموزشی هوشمند مختلف نشان داده می شود. این ابزارهای مناسب، امکان ایجاد دوره های آموزشی را برای انواع متفاوتی از سیستم های آموزشی هوشمند فراهم می کند. زمانی که یک دوره آموزشی ایجاد شد، می توان ان را به سیستم آموزشی هوشمند دیگری انتقال داد، و از مدل غالبی که آن دوره اموزشی ارائه می کند، استفاده مجدد کرد. نمونه ابزارهای مناسب، با دو سیستم آموزشی هوشمند ساده تست شدند.