وجود دادههاي زايد در پاسخ حسگرهای بيني الكترونيكي اثر چشمگیری در دستهبندی بو دارد. برای بهبود صحت دستهبندی، میتوان از سیستم دستهبندی چندگانه بر اساس انتخاب چند زیرمجموعه از ویژگیها (بهجای استفاده از تمام ابعاد بردار ویژگی) استفاده کرد. در این رویکرد که "شورای ا چکیده کامل
وجود دادههاي زايد در پاسخ حسگرهای بيني الكترونيكي اثر چشمگیری در دستهبندی بو دارد. برای بهبود صحت دستهبندی، میتوان از سیستم دستهبندی چندگانه بر اساس انتخاب چند زیرمجموعه از ویژگیها (بهجای استفاده از تمام ابعاد بردار ویژگی) استفاده کرد. در این رویکرد که "شورای انتخاب ویژگی" نامیده میشود، فرض بر آن است که مجموعه اولیه ویژگیها دارای دادههایی زايد بوده و میتوان با انتخاب زیرمجموعههای ویژگی مختلف و سپس ترکیب دستهبندهای ایجادشده با این زیرمجموعهها به نتایج دستهبندی بهتری رسید. در این مقاله پس از پیشپردازش سیگنال اولیه حسگرها و حذف نویز سیگنال با استفاده از تحلیل موجک، سیستم دستهبند چندگانه با زیرمجموعههای ویژگی مختلف طراحی شده است: ویژگیهای استخراجشده از سیگنال گذرای حسگر با روش خوشهبندی سلسلهمراتبی طبقهبندی شده و زیرمجموعههای مختلف با انتخاب یک ویژگی از هر خوشه ایجاد شدهاند. این موضوع موجب بهبود تنوع دستهبندهای پایه و افزایش کارایی و سرعت دستهبندی میشود. روش پیشنهادی ابتدا در چند مجموعه داده تراز از مخزن داده UCI آزمون شده و پس از اثبات توانایی آن، در مجموعه داده بویایی حاصل از رایحه سه نوع شیرینبیان به کار برده شده است. نتایج حاصل نشاندهنده کارایی روش جدید در شناسایی الگوهای بویایی است.
پرونده مقاله
در اکثر اوقات، تصمیمگیری مؤثر در موقعیتهای راهبردی همچون مسایل رقابتی به نگاشت غیر خطی بین محرک و پاسخ نیاز دارد. شبکههای عصبی مصنوعی میتوانند در مدلسازی و حل این مسایل رهیافت مناسبی باشند. بازی معمای زندانی از معروفترین بازیهای مطرحشده در نظریه بازیها است كه ب چکیده کامل
در اکثر اوقات، تصمیمگیری مؤثر در موقعیتهای راهبردی همچون مسایل رقابتی به نگاشت غیر خطی بین محرک و پاسخ نیاز دارد. شبکههای عصبی مصنوعی میتوانند در مدلسازی و حل این مسایل رهیافت مناسبی باشند. بازی معمای زندانی از معروفترین بازیهای مطرحشده در نظریه بازیها است كه به كمك آن بسياري از مسایل رقابتي تحليل ميشود و تصميمگيري را تسهيل ميكند. در این مقاله سعی بر آن است که بازی معمای زندانی تکراری به کمک شبکه عصبی مصنوعی مدلسازی و تحلیل شود و به همین دلیل شبکه عصبی پادانتشار گراسبرگ برای انجام این بازی طراحی شده است. نتایج، نشاندهنده توانمندی این روش در مدلسازی کامل بازی است. نتایج حاصل از بهکارگیری این ایده با دو روش دیگر (راهبرد TFT و مدلسازی با شبکه پرسپترون) نشان از کارایی محرز روش جدید است.
پرونده مقاله
کیفیت سامانههای یادگیری تطبیقی و مشارکتی به نحوه توصیف مناسب یادگیرندگان و نیز دقت و صحت تفکیک یادگیرندگان در گروههای همگن و غیر همگن وابسته است. در روشهای ارائهشده برای گروهبندی یادگیرندگان در محیط یادگیری الکترونیکی، محققان اغلب به دنبال بهبود روشهای پایه از طری چکیده کامل
کیفیت سامانههای یادگیری تطبیقی و مشارکتی به نحوه توصیف مناسب یادگیرندگان و نیز دقت و صحت تفکیک یادگیرندگان در گروههای همگن و غیر همگن وابسته است. در روشهای ارائهشده برای گروهبندی یادگیرندگان در محیط یادگیری الکترونیکی، محققان اغلب به دنبال بهبود روشهای پایه از طریق ترکیب آنها با روشهای بهینهسازی هستند. این امر موجب پیچیدهتر شدن روشهای گروهبندی میشود و کیفیت نه چندان مناسب گروههای حاصل را به دنبال دارد. در این مقاله روشی مبتنی بر نظریه فازی برای انتخاب خوشههای مناسب در روش خوشهبندی پیوندی معرفی شده است. در این روش هر خوشه به صورت مجموعهای فازی مدلسازی شده و خوشههای متناظر تعیین گردیده و بهترین آنها به عنوان خوشه مناسب انتخاب شده است. این روش موجب افزایش دقت روش خوشهبندی پیوندی میشود. نتایج ارزیابی تجربی روش پیشنهادی بر اساس دو شاخص "Davies-Bouldin" و "خلوص و تجمع" نشان میدهد این روش دقت بیشتری نسبت به سایر روشهای خوشهبندی در شناسایی گروهها داشته است.
پرونده مقاله