این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
Analytical and Bioanalytical Electrochemistry، جلد ۱۵، شماره ۲، صفحات ۱۵۰-۱۶۵
عنوان فارسی
چکیده فارسی مقاله
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی High Accurate Prediction of Carbonate Selectivity of PVC-Plasticized Membranes Sensors by Genetic Algorithm-Support Vector Machine
چکیده انگلیسی مقاله The quantitative structure-property relationship (QSPR) method has been used for the prediction of carbonate potentiometric selectivity of plasticized polymeric membrane sensors. The variable selection tools of genetic algorithm (GA) combined with the multiple linear regressions (MLR) as linear and support vector machine (SVM) as nonlinear regression methods have been used. The K-means clustering method has been used for dividing the data set into the training set and test set. The validation of the models was done by the internal cross-validation and external test set. The results showed that the GA-SVM was a very accurate method in predicting of carbonate potentiometric selectivity with high correlation coefficients of 0.983 and 0.965 for the training and test sets. The results of this study and the interpretation of entered descriptors in the model can help to design new selective ligands.
کلیدواژه‌های انگلیسی مقاله Ion-selective electrode,Carbonate sensing,QSPR,genetic algorithm,Support Vector Machine
نویسندگان مقاله Eslam Pourbasheer |
Department of Chemistry, Faculty of Science, University of Mohaghegh Ardabili, P.O. Box 179, Ardabil, Iran

نشانی اینترنتی https://www.abechem.com/article_702332_5a0bb6f97b4d6917ba9d2df33bb1d703.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات