گرافها نمایش داده قدرتمندی هستند که به طور گسترده در حوزههای متفاوتی مورد استفاده قرار میگیرند. در کاربردهای مبتنی بر گراف یک پیمایش قاعدهدار از گراف مانند جستجوی اول سطح، غالباً جزء کلیدی در پردازش مجموعه دادههای بزرگ است. در این مقاله یک روش ترکیبی ارائه شده که چکیده کامل
گرافها نمایش داده قدرتمندی هستند که به طور گسترده در حوزههای متفاوتی مورد استفاده قرار میگیرند. در کاربردهای مبتنی بر گراف یک پیمایش قاعدهدار از گراف مانند جستجوی اول سطح، غالباً جزء کلیدی در پردازش مجموعه دادههای بزرگ است. در این مقاله یک روش ترکیبی ارائه شده که برای هر سطح از پیمایش گراف، بهینهترین نسخه از الگوریتمهای پیادهسازی شده بر روی پردازنده مرکزی و پردازنده گرافیکی را انتخاب میکند. این روش ترکیبی کارایی خوبی را برای هر اندازه گرافی فراهم میکند، در حالی که از کارایی ضعیف روی گرافهای با میانگین درجه کم و زیاد جلوگیری میکند. لازم به ذکر است که این روش بهره سرعت بالاتری نسبت به کارهای پیشین ارائه میدهد و نتایج علمی به دست آمده این ادعا را تأیید میکنند.
پرونده مقاله
الگوریتم غذایابی باکتری یکی از الگوریتمهای بهینهسازی مبتنی بر جمعیت است که برای حل مسایل جستجو در شاخههای مختلف علوم استفاده میشود. یکی از مواردی که امروزه مورد توجه قرار گرفته است قابلیت اجرای موازی الگوریتمهای بهینهسازی مبتنی بر جمعیت در پردازندههای گرافیکی است چکیده کامل
الگوریتم غذایابی باکتری یکی از الگوریتمهای بهینهسازی مبتنی بر جمعیت است که برای حل مسایل جستجو در شاخههای مختلف علوم استفاده میشود. یکی از مواردی که امروزه مورد توجه قرار گرفته است قابلیت اجرای موازی الگوریتمهای بهینهسازی مبتنی بر جمعیت در پردازندههای گرافیکی است. با توجه به سرعت پایین الگوریتم بهینهسازی غذایابی باکتری در مواجهه با مسایل پیچیده و همچنین عدم توانایی حل مسایل با ابعاد بزرگ توسط این الگوریتم، اجرای آن بر روی پردازندههای گرافیکی یک راه حل مناسب برای پوشش نقاط ضعف این الگوریتم میباشد. در این نوشته ما یک نسخه موازی از الگوریتم بهینهسازی غذایابی باکتری ارائه دادیم که قابلیت اجرا در پردازندههای گرافیکی و با استفاده از طراحی کودا را دارد. همچنین کارایی این الگوریتم را با استفاده از تعدادی از مسایل شناختهشده بهینهسازی در مقایسه با الگوریتم استاندارد بهینهسازی غذایابی باکتری مورد ارزیابی قرار دادیم. نتایج نشان میدهد که الگوریتم موازی غذایابی باکتری نسبت به الگوریتم استاندارد غذایابی باکتری دارای سرعت و کارایی بالاتری میباشد.
پرونده مقاله
یادگيري تقويتي، يكي از انواع يادگيري ماشين است كه در آن عامل با استفاده از تراکنش با محيط، به شناخت محیط و بهبود رفتار خود میپردازد. يكي از مشكلات اصلي الگوريتمهاي استاندارد يادگيري تقويتي مانند یادگیری Q اين است که نمیتوانند مسایل بزرگ را در زمان قابل قبولی حل کنند. چکیده کامل
یادگيري تقويتي، يكي از انواع يادگيري ماشين است كه در آن عامل با استفاده از تراکنش با محيط، به شناخت محیط و بهبود رفتار خود میپردازد. يكي از مشكلات اصلي الگوريتمهاي استاندارد يادگيري تقويتي مانند یادگیری Q اين است که نمیتوانند مسایل بزرگ را در زمان قابل قبولی حل کنند. کسب خودکار مهارتها میتواند به شکستن مسأله به زيرمسألههاي کوچکتر و حل سلسلهمراتبی آن کمک کند. با وجود نتایج امیدوارکننده استفاده از مهارتها در یادگیری تقویتی سلسلهمراتبی، در برخی تحقیقات دیگر نشان داده شد که بر اساس وظیفه مورد نظر، اثر مهارتها بر کارایی یادگیری میتواند کاملاً مثبت یا منفی باشد و اگر به درستی انتخاب نشوند میتوانند پیچیدگی حل مسأله را افزایش دهند. از این رو یکی از نقاط ضعف روشهای قبلی کسب خودکار مهارتها، عدم ارزیابی هر یک از مهارتهای کسبشده میباشد. در این مقاله روشهای جدیدی مبتنی بر خوشهبندی گراف برای استخراج زیرهدفها و کسب مهارتها ارائه میگردد. همچنین معیارهای جدید برای ارزیابی مهارتها مطرح میشود که با کمک آنها، مهارتهای نامناسب برای حل مسأله حذف میگردند. استفاده از این روشها در چندین محیط آزمایشگاهی افزایش سرعت یادگیری را به شکل قابل ملاحظهای نشان میدهد.
پرونده مقاله
بازشناسی خودکار فعالیتهای انسان، بخشی جداییناپذیر از هر برنامه تعاملی با انسان است. یکی از چالشهای عمده برای شناخت فعالیت، تنوع در نحوه فعالیت افراد است. همچنین بعضی از فعالیتها ساده، سریع و کوتاه هستند، در حالی که بسیاری دیگر پیچیده و دارای جزئیات هستند و در مدت زم چکیده کامل
بازشناسی خودکار فعالیتهای انسان، بخشی جداییناپذیر از هر برنامه تعاملی با انسان است. یکی از چالشهای عمده برای شناخت فعالیت، تنوع در نحوه فعالیت افراد است. همچنین بعضی از فعالیتها ساده، سریع و کوتاه هستند، در حالی که بسیاری دیگر پیچیده و دارای جزئیات هستند و در مدت زمان طولانی انجام میشوند. در این مقاله، ما از دادههای اسکلت که از توالی تصاویر RGB-D استخراج میشوند استفاده میکنیم. ما مدل گرافی را پیشنهاد میدهیم که قادر است فعالیتهای پیچیده و ساده را بازشناسی کند. برای بهینهسازی پارامترهای مدل گرافی احتمالی از روش پیشبینی ساختاری توزیعشده استفاده میکنیم. این روش در سه مجموعه داده به طور گسترده مورد آزمایش (60- CAD، UT-Kinect و D3 Florence) قرار میگیرد که هر دو نوع فعالیت را پوشش میدهند. نتایج نشان میدهد که روش ما میتواند هر دو نوع فعالیت ساده و پیچیده را به طور مؤثر تشخیص دهد، در حالی که اکثر آثار قبلی تنها بر یکی از این دو نوع تمرکز میکنند. همچنین ما نشان میدهیم استفاده از روشهای خوشهبندی برای مقداردهی اولیه تأثیر زیادی در نتایج دارد.
پرونده مقاله
ترانزیستورهای نانو- نوار گرافینی (GNRFETs) به عنوان یک گزینه امیدوارکننده برای جایگزینی ترانزیستورهای سیلیکونی متداول در تکنولوژی نسل آینده مطرح میباشند. کانال GNRFET در مقیاس چند نانومتر است و از این رو بررسی تأثیر تغییرات فرایند ساخت بر روی عملکرد مدارها بسیار حایز ا چکیده کامل
ترانزیستورهای نانو- نوار گرافینی (GNRFETs) به عنوان یک گزینه امیدوارکننده برای جایگزینی ترانزیستورهای سیلیکونی متداول در تکنولوژی نسل آینده مطرح میباشند. کانال GNRFET در مقیاس چند نانومتر است و از این رو بررسی تأثیر تغییرات فرایند ساخت بر روی عملکرد مدارها بسیار حایز اهمیت خواهد بود. در این مقاله، تأثیر تغییرات فرایند ساخت نظیر ضخامت اکسید، طول کانال و تعداد خطوط دایمر بر روی تأخیر، توان و حاصلضرب انرژی- تأخیر (EDP) فلیپفلاپ مبتنی بر SB-GNRFET ارزیابی شده و مورد تجزیه و تحلیل قرار گرفته است. علاوه بر آن شبیهسازی مونتکارلو نیز برای تحلیل آماری این تغییرات انجام شده است. با تغییر ضخامت اکسید از مقدار نامی به nm 15/1، تأخیر انتشار و EDP به ترتیب به میزان 57/31 و 62/60 درصد افزایش مییابد. همچنین تغییر طول کانال کمترین میزان تأثیر را بر روی مشخصه فلیپفلاپ دارد. با افزایش یک واحد تعداد خطوط دایمر از مقدار نامی، تأخیر انتشار و EDP به ترتیب به میزان 48/315 و 79/204 درصد افزایش مییابد. همچنین نتایج حاصل از شبیهسازی مونتکارلو نشان میدهد که مشخصه فلیپفلاپ نسبت به تغییر ضخامت اکسید یک توزیع هیستوگرام با میزان گستردگی 46/2، 57/1 و 39/2 برابر نسبت به تغییر خطوط دایمر دارد.
پرونده مقاله
ترانزیستور تکالکترونی یک قطعه الکترونیکی در ابعاد نانومتر است که شامل سه الکترود فلزی و یک جزیره یا نقطه کوانتومی میباشد. جزیره میتواند از نانومواد کربنی مانند نوار نانومتری گرافنی انتخاب شود. تعداد اتمهای کربن موجود در نوار نانومتری گرافنی بر سرعت عملکرد ترانزیستور چکیده کامل
ترانزیستور تکالکترونی یک قطعه الکترونیکی در ابعاد نانومتر است که شامل سه الکترود فلزی و یک جزیره یا نقطه کوانتومی میباشد. جزیره میتواند از نانومواد کربنی مانند نوار نانومتری گرافنی انتخاب شود. تعداد اتمهای کربن موجود در نوار نانومتری گرافنی بر سرعت عملکرد ترانزیستور و ناحیه انسداد کولنی تأثیر میگذارد. در این تحقیق، جریان ترانزیستور تکالکترونی با جزیرهای از نوار نانومتری گرافنی مدلسازی شده است. تأثیر عواملی از جمله تعداد اتمهای کربن موجود در عرض نوار نانومتری گرافنی، طول نوار نانومتری گرافنی و ولتاژ اعمالی بر گیت روی جریان ترانزیستور بررسی شده است. نتایج مدلسازی نشان میدهد که با افزایش تعداد اتمها در عرض نوار نانومتری گرافنی، ناحیه انسداد کولنی در نمودارهای پایداری بار ترانزیستور کاهش مییابد. همچنین کاهش طول نوار نانومتری گرافنی و افزایش ولتاژ اعمالی بر گیت باعث کاهش ناحیه جریان صفر ترانزیستور میشود. افزایش تعداد اتمها در عرض سه جزیره باعث افزایش ناحیه تونلزنی تکالکترون و بهبود عملکرد ترانزیستور میشود.
پرونده مقاله
گرافها یکی از ساختارهای مهم و پرکاربرد در ذخیرهسازی دادهها هستند. برخی اوقات رئوس گرافها دربردارنده ویژگیهایی است که محاسبه میزان اثر آنها بر روی گراف از اهمیت بسزایی برخوردار است. در این نوشتار برخی از این ویژگیها را به کمک رنگها و درجه رنگی مدل کرده و حل بسیار چکیده کامل
گرافها یکی از ساختارهای مهم و پرکاربرد در ذخیرهسازی دادهها هستند. برخی اوقات رئوس گرافها دربردارنده ویژگیهایی است که محاسبه میزان اثر آنها بر روی گراف از اهمیت بسزایی برخوردار است. در این نوشتار برخی از این ویژگیها را به کمک رنگها و درجه رنگی مدل کرده و حل بسیار سریع مسئله را به کمک دو الگوریتم زیرخطی که نیازی به مشاهده همه اطلاعات ندارد، مورد بررسی قرار میدهیم. در روش اول فرض میکنیم اطلاعات هر رأس از گراف و ویژگیهای آن را میدانیم و سپس یک الگوریتم تقریبی با ضریب به ازای دادهشده برای آن ارائه میدهیم. سپس در بخش بعدی این فرض را کنار گذاشته و نشان میدهیم همچنان میتوان به چنین تقریبی دست یافت در حالی که امید ریاضی زمان اجرای الگوریتم ارائهشده زیرخطی است.
پرونده مقاله
ترانزیستورهای نانونوار گرافنی نوع شاتکی (SBGNRFET)، علیرغم ویژگیهای بارزی که نسبت به ترانزیستورهای متداول دارند، دارای جریان خاموش نسبتاً زیاد و نسبت پایین میباشند. در این مقاله ساختار جدیدی از ترانزیستور نانونوار گرافنی نوع شاتکی ارائه شده که در آن گیت ترانزیستور چکیده کامل
ترانزیستورهای نانونوار گرافنی نوع شاتکی (SBGNRFET)، علیرغم ویژگیهای بارزی که نسبت به ترانزیستورهای متداول دارند، دارای جریان خاموش نسبتاً زیاد و نسبت پایین میباشند. در این مقاله ساختار جدیدی از ترانزیستور نانونوار گرافنی نوع شاتکی ارائه شده که در آن گیت ترانزیستور به دو قسمت تقسیم شده است. به گیتی که در سمت درین قرار گرفته است، ولتاژ ثابت متصل شده و گیتی که در سمت سورس قرار گرفته است، گیت اصلی ترانزیستور میباشد. ساختار SBGNRFET ارائهشده با مشخصههای هندسی و فیزیکی و در بایاسهای متفاوت با استفاده از شبیهساز عددی مبتنی بر توابع گرین غیر تعادلی شبیهسازی شده و کارایی افزاره مورد ارزیابی قرار گرفته است. نتایج شبیهسازی نشاندهنده بهبود نسبت Ion/Ioff تا 7/6 برابر در V 8/0= VDS میباشد. در این ولتاژ نسبت Ion/Ioff از 2/1 در ترانزیستور SBGNRFET معمولی به 01/8 در ترانزیستور جدید رسیده و جریان خاموش Ioff از µA 5 به µA 7/0 کاهش یافته است. همچنین در V 6/0= VDS، به عنوان ولتاژ تغذیه، نسبت Ion/Ioff از 97/3 به 8/15 و جریان خاموش Ioff از µA 63/0 به µA 16/0 رسیده است.
پرونده مقاله
در این مقاله ابتدا نوعی از بهینهسازی جایگشت معرفی شده است. در این نوع بهینهسازی فرض گردیده که تابع هزینه، دارای یک تابع توزیع احتمال ناشناخته است. این فرض باعث میشود که پیچیدگی حل مسئله یافتن جایگشت بهینه که به دلیل بزرگی ذاتی فضای جوابها پیچیده است، تشدید شود. یک ا چکیده کامل
در این مقاله ابتدا نوعی از بهینهسازی جایگشت معرفی شده است. در این نوع بهینهسازی فرض گردیده که تابع هزینه، دارای یک تابع توزیع احتمال ناشناخته است. این فرض باعث میشود که پیچیدگی حل مسئله یافتن جایگشت بهینه که به دلیل بزرگی ذاتی فضای جوابها پیچیده است، تشدید شود. یک الگوریتم مبتنی بر آتاماتای یادگیر توزیعشده برای حل مسئله از طریق انجام توأمان جستجو در فضای جوابهای جایگشت و نمونهگیری از مقادیر تصادفی ارائه میدهیم. ضمن بررسی ریاضی رفتار الگوریتم جدید پیشنهادی، نشان میدهیم که با انتخاب مقادیر مناسب پارامترهای الگوریتم یادگیر، این روش جدید میتواند جواب بهینه را با احتمالی به اندازه دلخواه نزدیک به ۱۰۰% و از طریق هدفمندکردن جستجو به کمک آتاماتای یادگیر توزیعشده پیدا کند. نتیجه اتخاذ این سیاست، کاهش تعداد نمونهگیریها در روش جدید در مقایسه با روشهای مبتنی بر نمونهگیری استاندارد است. در ادامه، مسئله یافتن درخت پوشای کمینه در گراف تصادفی به عنوان یک مسئله بهینهسازی جایگشت تصادفی بررسی گردیده و راه حل ارائهشده مبتنی بر آتاماتای یادگیر برای حل آن به کار گرفته شده است.
پرونده مقاله
پوشه ثبات بزرگ در پردازندههای گرافیکی با بهبود موازات سطح نخ، باعث کاهش دسترسی به حافظه میشود. قبلاً برای افزایش ظرفیت پوشه ثبات با سربار توان و مساحت قابل قبول، روش LTRF ارائه شده است. معماری پوشه ثبات LTRF دوسطحی است که از یک حافظه نهان ثبات و یک پوشه ثبات اصل چکیده کامل
پوشه ثبات بزرگ در پردازندههای گرافیکی با بهبود موازات سطح نخ، باعث کاهش دسترسی به حافظه میشود. قبلاً برای افزایش ظرفیت پوشه ثبات با سربار توان و مساحت قابل قبول، روش LTRF ارائه شده است. معماری پوشه ثبات LTRF دوسطحی است که از یک حافظه نهان ثبات و یک پوشه ثبات اصلی استفاده میکند. ثباتهای کلافها قبل از اجرای یک کلاف به حافظه نهان ثبات پیشواکشی میشوند. برای پیشواکشی ثباتها، گراف کنترل جریان برنامه در سطح مترجم به زیرگرافهایی به نام بازهثبات تقسیم میشود. یکی از سربارهای روش LTRF انجام عمل پیشواکشی ثبات و تحمیل بیکاری کلاف در طول مدت پیشواکشی است که کاهش تعداد بازهثبات به میزان چشمگیری این سربار را کاهش میدهد. اما تعداد ثبات قابل استفاده در هر بازهثبات محدود است و افزایش این تعداد در بازهثبات منجر به افزایش ترافیک پیشواکشی و ظرفیت حافظه نهان میگردد که راه حل مناسبی برای کاهش تعداد بازهثباتها نیست. در این پژوهش به کمک بازتولید مقادیر میانی در زمان ترجمه سعی در کاهش تعداد ثباتهای مورد نیاز در هر بازهثبات داریم. نتایج شبیهسازی نشان میدهند که روش پیشنهادی ما، میزان تحملپذیری تأخیر دسترسی به پوشه ثبات در روش LTRF را به میزان 29 درصد بهبود میبخشد. همچنین با به کارگیری یک پوشه ثبات سلولهای حافظه DWM، معماری پیشنهادی قادر است که کارایی پردازنده گرافیکی مجهز به LTRF را به طور میانگین 18 درصد (حدود 30 درصد نسبت به معماری پردازنده گرافیکی پایه) افزایش دهد و این در حالی است که مقادیر انرژی و توان مصرفی به میزان 38 و 15 درصد کاهش مییابد.
پرونده مقاله
به واسطه قدرت و سادگی، سیستمهای پردازش گراف مبتنی بر بلوک در سالهای اخیر مورد توجه ویژهای قرار گرفتهاند. اغلب این سیستمها از روشهای بخشبندی عمومی و همهمنظوره جهت تولید پارتیشنهای مورد نیاز خود استفاده میکنند. همین امر منجر شده که کارایی این سیستمها محدود شود. چکیده کامل
به واسطه قدرت و سادگی، سیستمهای پردازش گراف مبتنی بر بلوک در سالهای اخیر مورد توجه ویژهای قرار گرفتهاند. اغلب این سیستمها از روشهای بخشبندی عمومی و همهمنظوره جهت تولید پارتیشنهای مورد نیاز خود استفاده میکنند. همین امر منجر شده که کارایی این سیستمها محدود شود. برای رفع این مشکل الگوریتمهای خاصمنظورهای برای بخشبندی این دسته از سیستمها ارائه شده است، اما مشکل این دسته از روشها آن است که همچنان معیارهای سنتی نظیر تعداد یال برشی و تعادل بار به عنوان تابع هدف این روشها مد نظر قرار گرفته است. این در حالی است که قدرت سیستمهای پردازش گراف مبتنی بر بلوک به واسطه ویژگیهای منحصر به فردی است که در طراحی این دسته از سیستمها مد نظر قرار گرفته است. به همین جهت در این مقاله، ویژگیهای ذاتی و اساسی این دسته از سیستمها مورد توجه قرار گرفته و با توجه به این خواص، دو معیار جدید به عنوان معیار تابع هدف بخشبندی، معرفی شده است. بر اساس تحقیقات انجامگرفته، روش پیشنهادی اولین الگوریتم بخشبندی است که قطر گراف سطح بالا و اندازه گرههای گراف سطح بالای حاصل از بخشبندی را به عنوان تابع هدف در نظر گرفته میگیرد. ارزیابی روش پیشنهادی بر روی مجموعه دادههای واقعی نشان داد که روش پیشنهادی به طور مؤثری قادر به کاهش قطر گراف سطح بالای حاصل از بخشبندی نسبت به سایر الگوریتمهای بخشبندی متداول میباشد. به علاوه، یال برشی حاصل از روش پیشنهادی بسیار نزدیک به یکی از معروفترین روشهای بخشبندی متمرکز، متیس میباشد. از آنجا که قطر گراف سطح بالا رابطه مستقیمی با تعداد سوپراستپهای مورد نیاز در سیستمهای پردازش گراف بلوکی دارد، روش پیشنهادی با کاهش آن قادر به افزایش کارایی این دسته از روشها خواهد شد.
پرونده مقاله
پیشبینی رفتار آینده بازار سهام به عنوان یک چالش حائز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکردهای یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آوردهاند. مطالعات پیشین، اهمیت درنظرگرفتن دادههای سهام مرتبط را در خلال عملکرد پیشبینی اث چکیده کامل
پیشبینی رفتار آینده بازار سهام به عنوان یک چالش حائز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکردهای یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آوردهاند. مطالعات پیشین، اهمیت درنظرگرفتن دادههای سهام مرتبط را در خلال عملکرد پیشبینی اثبات کردهاند. با وجود این، مدلسازی روابط بین سهام به عنوان یک گراف جهتدار و ساخت بازنمایی گرههای این گراف به کمک مکانیزم توجه تا کنون مورد استفاده قرار نگرفته است. ما در این کار، چهارچوبی به نام DeepNet را معرفی میکنیم که یک شبکه جهتدار دودویی را از تأثیرات دادههای سهام در بهبود دقت پیشبینی یکدیگر ایجاد میکند و با استفاده از شبکه توجه گراف، اهمیت گرههای همسایه برای ساخت بازنماییها را در حین عملیات آموزش، کشف مینماید. ما مدل جدیدی از شبکه توجه گراف را برای استفاده در گرافهای جهتدار توسعه دادیم که قادر است اهمیت بردار ویژگی گرهها برای ساخت بازنمایی را به صورت یکطرفه در نظر بگیرد. نهایتاً ارزیابیهای ما بر روی دادههای بازار سهام تهران نشان میدهد که مدل معرفیشده از دقت و MCC بالاتری نسبت به مدلهای رقیب برخوردار است.
پرونده مقاله
امروزه شبکههای پیچیده پویا به یکی از ارکان مهم زندگی بشر تبدیل شدهاند و تشخیص انجمن در این شبکهها یکی از مهمترین مسائل در تحلیل آنها محسوب میشود. در این مقاله یک روش تشخیص انجمن مبتنی بر تعبیه گراف و روش یادگیری جمعی ارائه شده که میتواند درجه پیمانهایبودن هر انج چکیده کامل
امروزه شبکههای پیچیده پویا به یکی از ارکان مهم زندگی بشر تبدیل شدهاند و تشخیص انجمن در این شبکهها یکی از مهمترین مسائل در تحلیل آنها محسوب میشود. در این مقاله یک روش تشخیص انجمن مبتنی بر تعبیه گراف و روش یادگیری جمعی ارائه شده که میتواند درجه پیمانهایبودن هر انجمن را حداکثر نماید. روشهای تعبیه گراف یا یادگیری نمایش کمبعد از گرهها در گراف به علت قابلیت کاربردی گسترده آن در عملکرد شبکههای پیچیده پویا مانند تشخیص انجمن در شبکه، بسیار مورد توجه قرار گرفتهاند. در این مقاله، یک روش تعبیه گراف پویا مبتنی بر یادگیر عمیق پیشنهاد شده که گراف خروجی از مرحله تعبیه گراف را بهعنوان ورودی به مدل یادگیر جمعی میدهد تا با دقت قابل قبولی، انجمنها را در شبکه تشخیص دهد. همچنین یک الگوریتم حریصانه جدید به نام پیوند جمع برای بهینهسازی تابع هدف برای مجموعه دادههای مقیاس بزرگ در زمان بسیار کوتاه ارائه گردیده است. نشان داده شده که پارتیشن توافقی پیشنهادی نسبت به پارتیشنهای بهدستآمده از کاربرد مستقیم روشهای خوشهبندی جمعی رایج، به ساختارهای خوشهای واقعی نزدیکتر است. روش پیشنهادی بهدلیل استفاده از روش پیشپردازش مبتنی بر تعبیه گراف پیشنهادی و همچنین استفاده از روش خوشهبندی جمعی، توانسته کارایی مناسبی را در مقایسه با سایر روشهای رقیب از خود نشان دهد. نتایج تجربی آزمایشهای انجامشده حاکی از برتری روش پیشنهادی در مقایسه با روشهای رقیب است.
پرونده مقاله
ما در دنیایی زندگی میکنیم که وجود دوربینهای خانگی و قدرت رسانه باعث شده تا با حجم خیرهکنندهای از دادههای ویدئویی سر و کار داشته باشیم. مسلم است روشی که بتوان با کمک آن، این حجم بالای فیلم را با سرعت و بهینه مورد دسترسی و پردازش قرار داد، اهمیت ویژهای پیدا میکند. چکیده کامل
ما در دنیایی زندگی میکنیم که وجود دوربینهای خانگی و قدرت رسانه باعث شده تا با حجم خیرهکنندهای از دادههای ویدئویی سر و کار داشته باشیم. مسلم است روشی که بتوان با کمک آن، این حجم بالای فیلم را با سرعت و بهینه مورد دسترسی و پردازش قرار داد، اهمیت ویژهای پیدا میکند. با کمک خلاصهسازی ویدئویی این مهم حاصل شده و فیلم به یک سری فریم یا کلیپ کوتاه ولی بامعنی خلاصه میگردد. در این پژوهش سعی گردیده در ابتدا داده با کمک الگوریتم K-Medoids خوشهبندی شود؛ سپس در ادامه با کمک شبکه توجه گرافی کانولوشنالی، جداسازی زمانی و گرافی انجام گیرد و در گام بعدی با کمک روش ردکردن اتصال، نویزها و موارد تکراری حذف گردد. سرانجام با ادغام نتایج بهدستآمده از دو گام متفاوت گرافی و زمانی، خلاصهسازی انجام گیرد. نتایج به دو صورت کیفی و کمی و بر روی سه دیتاست SumMe، TVSum و OpenCv مورد بررسی قرار گرفت. در روش کیفی بهطور میانگین 88% نرخ صحت در خلاصهسازی و 31% میزان خطا دست یافته که به نسبت سایر روشها جزء بالاترین نرخ صحت است. در ارزیابی کمی نیز روش پیشنهادی، کارایی بالاتری نسبت به روشهای موجود دارد.
پرونده مقاله