مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451122013921Bayesian Network Parameter Learning from Data Contains Missing Valuesیادگیری پارامترهای شبکه بیزی از داده حاوی مقادیر گمشده112faکبریاطمینانیمحمودنقیبزادهمهدیعمادیامیررضارضوی20151129Learning Bayesian network structure from data has attracted a great deal of research in recent years. It is shown that finding the optimal network is an NP-hard problem when data is complete. This problem gets worse when data is incomplete i.e. contains missing values and/or hidden variables. Generally, there are two cases of learning Bayesian networks from incomplete data: in a known structure, and unknown structure. In this paper, we try to find the best parameters for a known structure by introducing the “effective parameter”, in a way that the likelihood of the network structure given the completed data being maximized. This approach can be attached to any algorithm such as SEM (structural expectation maximization) that needs the best parameters to be known to reach the optimal Bayesian network structure. We prove that the proposed method gains the optimal parameters with respect to the likelihood function. Results of applying the proposed method to some known Bayesian networks show the speed of the proposed method compared to the well-known methods.یادگیری ساختار شبکه بیزی از داده، در سالهای اخیر توجه بسیاری از محققین را به خود جلب نموده است. از طرفی، یافتن شبکه بهینه از داده کامل، خود یک مسأله غیر چندجملهای سخت میباشد و پیچیدگی مسأله، زمانی که داده ناقص است، بیشتر میشود. به طور کلی دو حالت یادگیری شبکه بیزی از داده ناقص وجود دارد: زمانی که ساختار مشخص است و زمانی که ساختار نیز نامشخص است. در این مقاله سعی بر آن است تا پارامترهای بهینه را برای یک شبکه بیزی با ساختار مشخص از داده حاوی مقادیر گمشده بیابیم. برای این منظور مفهوم "پارامتر مؤثر" را معرفی نمودیم، به طوری که درستنمایی ساختار شبکه به شرط داده کاملشده، بیشینه گردد. این روش میتواند به هر الگوریتمی همچون بیشینهسازی امید ساختاری که به پارامترهای بهینه برای یافتن ساختار شبکه بیزی نیاز دارند، متصل شود.
در این مقاله ثابت کردیم که روش پیشنهادی از دیدگاه تابع درستنمایی به پارامترهای بهینه شبکه دست مییابد. نتایج اعمال روش پیشنهادی به چندین شبکه بیزی استاندارد، نشاندهنده سرعت روش در مقایسه با روشهای شناختهشده قبلی است و نیز این که به پارامترهای بهتری نسبت به آنها دست مییابد.http://ijece.org/fa/Article/Download/28053مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451122013921A Requirement-Based Method to Software Architecture Testingمعرفي روشي مبتني بر نيازمنديها جهت آزمون معماري نرمافزار1322faسيدمهرانشرفي20151129In this paper, after a review on well-known scenario-based methods of SA evaluation, a different approach is introduced to find architectural defects. The proposed method at first, elicits the problems threatening the system's success. Then based on the analysis of the problems and probable defects which could cause the problems, tests are designed and applied to the system in order to find the real defects specially the architectural ones. Results show that the proposed method could be use to find those architectural defects which may be remained covered after applying the other methods. Therefore, it could be used as a mean to SA testing and also as a complementary mechanism along with well-known SA evaluation methods. The proposed method and its components are presented in a systematic form. An illustration of its application on the architecture of a real system is presented and the results are compared with the results of applying ATAM on the same architecture.در اين مقاله ضمن معرفي روشهاي متداول مبتني بر سناريو در ارزيابي معماري نرمافزار و بيان نقاط ضعف و قوت آنها، رويكرد متفاوتي براي شناسايي نقايص معماري ارائه ميشود. در روش پيشنهادي مشكلات تهديدكننده سيستم توسط سهامداران فهرست ميشوند و با تحليل نقصهاي احتمالي كه ميتوانند مسبب بروز آن مشكلات باشند، خطاهاي موجود در سطوح مختلف به ويژه در سطح معماري نرمافزار كشف ميگردند. نتايج به كارگيري عملي روش پيشنهادي نشان ميدهد كه اين روش ميتواند در آشكارنمودن نقصهايي كه ممكن است از حوزه تأثير روشهاي ديگر مصون مانده باشند، مؤثر باشد. لذا از اين روش میتوان هم برای آزمون معماری و هم به عنوان یک رویه تکمیلی در كنار روشهاي ارزيابي معماري نرمافزار جهت شناسایی نقایص و اصلاح معماری استفاده نمود. روش پيشنهادي و اجزاي آن در يك قالب سيستماتيك معرفي شده و نتايج به كارگيري آن بر روي يك سيستم واقعي ارائه ميگردد.http://ijece.org/fa/Article/Download/28054مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451122013921Developing a New Version of Local Binary Patterns for Texture Classificationارائه یک شکل جدید از الگوهای باینری محلی به منظور طبقهبندی بافت تصویر2333faمرضیهپاکدلفرشادفرشاد تاجریپور20151129Texture classification is one of the main steps in image processing and computer vision applications. Feature extraction is the first step of texture classification process which plays a main role. Many approaches have proposed to classify textures since now. Among them, Local Binary Patterns and Modified Local Binary Patterns, because of simplicity and classification accuracy, have emerged as one of the most popular ones. The Local Binary Patterns have simple implementation, but with increase in the radius of neighborhood, computational complexity will be increased. Modified Local Binary Patterns assigns various labels to uniform textures and a unique label to all non-uniform ones. In this respect, the modified local binary pattern can't classify non uniform textures as well as uniform ones. In this paper a new version of Local Binary Pattern is proposed that has less computational complexity than Local Binary Patterns and more classification accuracy than Modified version. The proposed approach classifies non uniform textures as well as uniform ones. Also with change in the length of central gray level intervals, locality and globally of the features can be controlled. Classification accuracy on two standard datasets, Brodatz and Outex, indicates the efficiency of the proposed approach.طبقهبندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهمترین مرحله در طبقهبندی بافت تصویر، استخراج ویژگی از تصویر میباشد. تاکنون روشهای بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شدهاند اما از میان روشهای موجود الگوهای باینری محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیادهسازی و استخراج ویژگیهای مناسب با دقت طبقهبندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی هرچند از نظر پیادهسازی بسیار ساده است، اما زمانی که شعاع همسایگی افزایش یابد پیچیدگی محاسباتی بالایی دارد. شکل بهبودیافته الگوهای باینری محلی نیز به الگوهای همگن برچسبهای متمایز و به تمام الگوهای غیر همگن یک برچسب یکسان انتساب میدهد و این امر، طبقهبندی تصاویری که دارای درصد بالایی از الگوهای غیر همگن میباشند را با مشکل مواجه میسازد.
در این مقاله، یک شکل جدید از الگوهای باینری محلی ارائه شده است که پیچیدگی محاسباتی آن نسبت به شکل اصلی الگوهای باینری محلی کمتر و دقت طبقهبندی آن نیز از شکل اصلی و بهبودیافته الگوهای باینری محلی بیشتر میباشد. روش ارائهشده در این مقاله نه تنها تصاویر با الگوهای همگن را به خوبی طبقهبندی میکند، بلکه در مورد تصاویری که دارای حجم بسیار بالایی از الگوهای غیر همگن میباشند نیز به خوبی عمل میکند. همچنین میتوان با تغییر در بازههای شدت روشنایی، محلی یا سراسریبودن ویژگیها را کنترل کرد. دقت طبقهبندی برای تمام تصاویر بافتی موجود در پایگاه داده Brodatz و Outex، کارایی روش ارائهشده را نشان میدهد.http://ijece.org/fa/Article/Download/28055مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451122013921An Uncertain Distributed Method for Reasoning in Ontologiesروشی برای استدلال توزیعشده غیر قطعی میان آنتولوژیها3442faفروغانوشابهروزترک لادانیمحمدعلینعمتبخش20151129Semantic web has been one of the most important research areas of computer science in recent years. The concept of ontology as one of the most elements of semantic web is used to formally describe the domain knowledge and to enable the reasoning capability. Semantic web is a distributed system and ontologies may be developed on many different nodes, so centralized reasoning is very hard or even impossible in many cases. On the other hand, since the majority of information in semantic web is uncertain, considering the notion of uncertainty in ontological reasoning is crucial. In this paper a method for distributed reasoning in uncertain ontologies is proposed. For this purpose the distributed description logic (DDL) framework and the certainty theory are considered for distributed reasoning and modeling the uncertainty respectively. To evaluate the functionality and performance of the algorithm, we developed a case study on application of the proposed method in purifying the mappings between ontologies. The results show that our algorithm makes the mappings more precise than other similar methods.وب معنایی یکی از گستردهترين موضوعات تحقيقي در چند سال اخير است که در آن مفهوم بسيار مهم و ارزشمندی به نام آنتولوژی وجود دارد. آنتولوژی اطلاعات و دانش موجود در دامنه مورد نظر را به صورت صوری توصيف میکند و با وجود این توصیف صوری امکان استدلال در آنها فراهم میشود. به دلیل توزیعشدگی وب معنایی و پراکندگی آنتولوژيها و دادهها در سطح وب، در بسیاری از موارد استدلال متمرکز به سختي انجام ميشود و لازم است استدلال به صورت توزیعشده میان آنتولوژیهای مختلف یک حوزه دانش صورت پذیرد. از طرف دیگر در اطلاعات موجود در وب معنایی همانند بسیاری از موضوعات دیگر عدم قطعیت و اطمینان وجود دارد. مدلسازی عدم قطعیت در وب معنایی و استدلال در اطلاعات غیر قطعی نیز از موضوعات تحقیقاتی جدیدی است که در دهه اخیر به آن پرداخته شده است. در این مقاله تلاش شده روشی برای استدلال توزیعشده میان گروهی از آنتولوژیها که دارای اطلاعات غیر قطعی هستند، ارائه شود که از کارایی مناسبی نیز برخوردار باشد. برای این منظور از منطق توصیفی توزیعشده به عنوان چارچوبی برای استدلال توزیعشده و از نظریه عدم قطعیت برای مدلسازی عدم قطعیت بهره گرفته شده است. به کمک روش ارائهشده امکان استدلال میان گروهی از آنتولوژیهای توزیعشده با اطلاعات غیر قطعی فراهم خواهد شد. نتایج کاربرد این روش در پالایش نگاشت میان آنتولوژیها نشان میدهد این روش از دقت و درستی بیشتری نسبت به روش استدلال توزیعشده قطعی برخوردار است.http://ijece.org/fa/Article/Download/28056مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451122013921A New Statistical Characteristics Based Method for Adaptive Learning Rate Adjustment in Learning Automataیک روش جدید مبتنی بر معیارهای آماری توزیع برای تنظیم خودکار نرخ یادگیری اتوماتای یادگیر در محیطهای پویا4351faمحمدرضاملاخلیلی میبدیمحمدرضامیبدی20151129The value of learning rate and its change mechanisms is one of the issues in designing learning systems such as learning automata. In most cases a time-based reduction function is used to adjust the learning rate aim at reaching stability in training system. So the learning rate is a parameter that determines to what extent a learning system is based on past experiences, and the impact of current events on it. This method is efficient but does not properly function in dynamic and non-stationary environments.
In this paper, a new method for adaptive learning rate adjustment in learning automata is proposed. In this method, in addition to the length of time to learn, some statistical characteristics of actions probability vector of Learning Automata are used to determine the increase or decrease of learning rate. Furthermore, unlike existing methods, during the process of learning, both increase and decrease of the learning rate is done and Learning Automata responds effectively to changes in the dynamic random environment.
Empirical studies show that the proposed method has more flexibility in compatibility to the non-stationary dynamic environments and get out of local maximum points and the learned values are closer to the true values.یکی از مسایل مطرح در ساخت سیستمهای یادگیر نظیر شبکههای عصبی و یا اتوماتای یادگیر، تعیین نرخ یادگیری است. در اکثر موارد از یک الگوریتم کاهشیابنده در طول زمان برای تنظیم نرخ یادگیری استفاده میشود. در این مقاله یک روش جدید برای تغییر نرخ یادگیری و انطباق سیستم یادگیرنده با وضعیت محیط، برای استفاده در اتوماتای یادگیر پیشنهاد شده است. این روش جدید از برخی معیارهای آماری مربوط به توزیع فعلی به دست آمده برای بردار احتمالات متناظر با اقدامهای اتوماتا به منظور تعیین افزایش یا کاهش نرخ یادگیری استفاده میکند. مزیت این روش در آن است که بر خلاف روشهای موجود فعلی، در طول فرایند یادگیری هم افزایش و هم کاهش مقدار نرخ یادگیری را - بسته به نتایج مقایسه معیارهای آماری - انجام میدهد و به صورت خودکار نرخ یادگیری را تنظیم میکند.
ضمن تشریح مبانی ریاضی این الگوریتم جدید، عملکرد این الگوریتم را در محیطهای تصادفی نمونه بررسی کرده و با مقایسه نتایج به دست آمده نشان دادهایم روش پیشنهادی جدید به دلیل این که در طول زمان یادگیری، همزمان و بر اساس معیارهای تعیینشده، افزایش و کاهش نرخ یادگیری را انجام میدهد، از انعطافپذیری بیشتری نسبت به روشهای قبلی برای انطباق با محیطهای تصادفی پویا برخوردار است و مقادیر یاد گرفته شده به مقادیر حقیقی نزدیکتر هستند.http://ijece.org/fa/Article/Download/28057مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451122013921 Unsupervised Image Clustering Using Central Force Optimization Algorithm Unsupervised Image Clustering Using Central Force Optimization Algorithmخوشهبندی بدون ناظر تصاویر با استفاده از روش بهینهسازی نیروی مرکزی (CFO)5257faمحمدحامدمظفری معارفسیدحمیدظهیری20151129Central Force Optimization (CFO) is a new member of heuristic algorithms which has been recently proposed and added to swarm intelligence algorithms. In this paper, an effective unsupervised image clustering technique is proposed, using CFO and called CFO-clustering. In the presented method, each probe includes the information of center of the clusters, and fitness function contains both inter-distance and intra-distance of the samples. Extensive experimental results show that the proposed CFO-clustering outperforms other similar clustering algorithms which were designed based on the evolutionary techniques.روش بهینهسازی نیروی مرکزی (CFO) یکی از روشهای ابتکاری جستجو و بهینهسازی جدید است که به تازگی به مجموعه روشهای هوش جمعی اضافه شده است. در این تحقیق، روشی مؤثر و کارامد برای خوشهیابی بدون ناظر تصویر با استفاده از الگوریتم فوق ارائه و CFO - Clustering نامیده شده است. در روش پیشنهادی، هر پروب در بر دارنده اطلاعات مربوط به مراکز خوشه میباشد که به صورت تصادفی در ابتدای فرایند جستجو مقداردهی میشود. این مقادیر در طی مراحل مختلف الگوریتم CFO تغییر کرده و در نهایت پس از رسیدن به شرط توقف، حاوی مراکز بهینه خوشهها خواهند بود. ملاک بهینهسازی یا تابع برازندگی، هم حاوی فواصل درونخوشهای و هم شامل فواصل بین خوشهای میباشد. آزمایشات مکرر بر روی تصاویر مرجع، کارایی روش CFO-Clustering را نسبت به سایر روشهای مرسوم خوشهبندی نشان میدهد.http://ijece.org/fa/Article/Download/28058