در اين تحقيق يک روش جديد خوشه‌يابي خودکار مبتني بر الگوريتم ايمني مصنوعي ارائه شده است. در روش پيشنهادشده طول سلول‌هاي تدافعي پويا بوده و بر اساس فواصل درون‌خوشه‌اي و بين‌خوشه‌اي به‌وسيله يک کنترل‌کننده فازي تعيين مي‌شود. حاصل اين تدبير دستيابي به تعداد مناسب خوشه‌ها بد چکیده کامل
در اين تحقيق يک روش جديد خوشه‌يابي خودکار مبتني بر الگوريتم ايمني مصنوعي ارائه شده است. در روش پيشنهادشده طول سلول‌هاي تدافعي پويا بوده و بر اساس فواصل درون‌خوشه‌اي و بين‌خوشه‌اي به‌وسيله يک کنترل‌کننده فازي تعيين مي‌شود. حاصل اين تدبير دستيابي به تعداد مناسب خوشه‌ها بدون انجام آزمايشات مکرر است که به‌تبع آن يک خوشه‌يابي مؤثر و کارآمد (به‌صورت خودکار) حاصل خواهد شد. البته تنظيم دستي تعداد خوشه‌ها (مانند ساير روش‌هاي معمول خوشه‌يابي) نيز پيش‌بيني شده است تا امکان دسترسي به نتايج مورد نظر (و دلخواه) کاربران فراهم باشد. روش ارائه‌شده
بر روي انواع مختلفي از داده‌هاي مصنوعي و داده‌هاي مشهور در پردازش الگو
(با تنوع در ابعاد فضاي ويژگي و تعداد نمونه‌ها) آزمايش شده است. نتايج به‌دست آمده برتري نسبتاً قابل توجهي را در عملکرد اين روش نسبت به روش
k means (به‌عنوان يك روش خوشه‌يابي مرسوم) نشان مي‌دهد. اين برتري در مواجهه با حجم داده‌هاي زياد، بيشتر به چشم مي‌خورد. همچنين اين نتايج
نشان مي‌دهند كه روش پيشنهادشده در مقايسه با روش خوشه‌يابي وراثتي (به‌عنوان يك روش خوشه‌يابي جديد) داراي عملكردي مشابه و در مواردي بهتر از آن مي‌باشد.
پرونده مقاله
خواندن خودکار نقشه چاپی فرش به دو مرحله تقسیم می‌شود: آشکارسازی خطوط نقشه، شامل خطوط باريک و خطوط ضخيم؛ کاهش رنگ پيکسل‌های تصوير به رنگ‌های پالت. برای شناسایی خطوط نقشه الگوریتمی پیشنهاد شده است. در این الگوریتم ابتدا فاصله خطوط باریک محاسبه می‌شود. پس از شناسایی اولین چکیده کامل
خواندن خودکار نقشه چاپی فرش به دو مرحله تقسیم می‌شود: آشکارسازی خطوط نقشه، شامل خطوط باريک و خطوط ضخيم؛ کاهش رنگ پيکسل‌های تصوير به رنگ‌های پالت. برای شناسایی خطوط نقشه الگوریتمی پیشنهاد شده است. در این الگوریتم ابتدا فاصله خطوط باریک محاسبه می‌شود. پس از شناسایی اولین خط باریک، خطوط باریک بعدی به‌ترتیب رسم می‌شوند. برای شناسایی اولین خط ضخیم از الگوریتم شانه‌گذاری استفاده شده است. مشکل عمده در شناسایی خطوط، خطای نمونه‌برداری ناشی از اسکنر است. این خطا غیر قابل اجتناب است. برای اصلاح این خطا در مراحل مختلف شناسایی و ترسیم خطوط راه حل‌هایی پیشنهاد شده است. پس از شناسایی خطوط، کاهش رنگ انجام می‌شود. هدف اين است که رنگ پيکسل‌های درون چهارخانه‌های نقشه - که از تلاقی خطوط باريک حاصل می‌شوند - به رنگ‌هاي پالت، نگاشت شوند. سه روش برای کاهش رنگ ارائه شده است. در روش اول کاربر برای هر رنگ نقشه، دو پيکسل انتخاب می‌کند. پالت رنگ، با پردازش مناسب بر روی رنگ‌های انتخابی کاربر به‌دست می‌آيد. برای تعيين رنگ يک چهارخانه، رنگ پيکسل‌های ميانی آن بر اساس اين پالت نگاشت می‌شود و فراوان‌ترين رنگ به‌دست می‌آيد. سپس چهارخانه مربوطه با اين رنگ پر می‌شود. اين الگوريتم کاهش رنگ به همراه يک مرحله پس‌پردازش روی چند تصوير نمونه اعمال شد. ميزان خطا برای تصاوير پایگاه داده از 07/0 درصد تا 5/0 درصد بود. به‌منظور بررسی امکان کاهش دخالت کاربر از روش C - میانگین به دو صورت استفاده شده است. مراکز خوشه‌های اولیه یک بار با دخالت کاربر و بار دیگر به‌طور تصادفی تعیین می‌شوند. نتایج این سه روش مورد مقایسه و بحث قرار می‌گیرد.
پرونده مقاله
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
اين مقاله روش جديدي را مطرح مي‌کند که قادر به استخراج گذرگاه‌ها به‌صورت اتوماتيک براي عامل يادگيري تقويتي است. روش پيشنهادي از سيستم‌هاي بيولوژيکي، رفتار و مسيريابي حيوانات الهام گرفته شده است و به‌واسطه تعاملات عامل با محيط پيراموني‌اش عمل مي‌کند. عامل با استفاده از خو چکیده کامل
اين مقاله روش جديدي را مطرح مي‌کند که قادر به استخراج گذرگاه‌ها به‌صورت اتوماتيک براي عامل يادگيري تقويتي است. روش پيشنهادي از سيستم‌هاي بيولوژيکي، رفتار و مسيريابي حيوانات الهام گرفته شده است و به‌واسطه تعاملات عامل با محيط پيراموني‌اش عمل مي‌کند. عامل با استفاده از خوشه‌بندي و تشخيص اشيا به‌صورت سلسله مراتبي، نشانه‌هايي را پيدا مي‌کند. اگر اين نشانه‌ها در فضاي اقدام به هم نزديک باشند، گذرگاه‌ها با استفاده از حالت‌هاي بين آنها استخراج مي‌شوند. نتايج آزمايش‌ها بهبود قابل ملاحظه‌اي را در فرايند يادگيري تقويتي در مقايسه با ساير روش‌هاي مشابه نشان مي‌دهد.
پرونده مقاله
حجم زیاد تصاویر متنی روز به روز مسئله دیجیتالی‌شدن متن تصاویر و همچنین مسئله جستجو در این منابع را اهمیت می‌بخشد. در بازشناسی متن‌های حجیم می‌توان از ویژگی‌هایی مانند محدودبودن تعداد و اندازه قلم، یکسان‌بودن صفحه‌آرایی در کل صفحه‌ها، محدودبودن مجموعه واژه‌ها و حوزه معنا چکیده کامل
حجم زیاد تصاویر متنی روز به روز مسئله دیجیتالی‌شدن متن تصاویر و همچنین مسئله جستجو در این منابع را اهمیت می‌بخشد. در بازشناسی متن‌های حجیم می‌توان از ویژگی‌هایی مانند محدودبودن تعداد و اندازه قلم، یکسان‌بودن صفحه‌آرایی در کل صفحه‌ها، محدودبودن مجموعه واژه‌ها و حوزه معنایی آنها و یکسان‌بودن سبک نگارشی در کل متن استفاده کرد. در این مقاله الگوریتمی ارائه شده که از یکسان‌بودن نوع و اندازه قلم برای خوشه‌یابی زیرکلمات یک کتاب قدیمی با کیفیت پایین چاپ استفاده شده است. این کتاب 233 صفحه دارد و کل زیرکلمات آن که در حدود 111000 زیرکلمه است جداسازی و برچسب‌زنی شده است. در این تحقیق از یک روش ساده افزایشی برای خوشه‌یابی زیرکلمات استفاده شده است. ابتدا برای هر زیرکلمه چهار ویژگی ساده استخراج می‌شود، در صورتی که تفاوت این ویژگی‌ها از ویژگی‌های نماینده یک خوشه کمتر از مقدار آستانه باشد، مقایسه تصویری بین آن دو انجام می‌شود. به علت زیادبودن تعداد زیرکلمات سعی شده تا از ساده‌ترین روش‌های ممکن استفاده شود تا سرعت اجرا افزایش یابد. نتایج آزمایش‌ها نشان می‌دهد می‌توان زیرکلمات را با دقتی در حدود 7/99 درصد خوشه‌یابی کرد. نتایج این خوشه‌یابی در مرحله بازشناسی زیرکلمات کمک بسیار زیادی خواهد کرد.
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
امروزه بات‌نت‌ها به عنوان یکی از مهم‌ترین تهدیدها در برابر زیرساخت اینترنت شناخته می‌شوند. هر بات‌نت گروهی از میزبان‌های آلوده‌شده با کد مخرب یکسان است که توسط مهاجم و از طریق یک یا چند سرویس‌دهنده فرمان و کنترل از راه دور هدایت می‌شوند. از آنجایی‌که سرویس DNS یکی از مه چکیده کامل
امروزه بات‌نت‌ها به عنوان یکی از مهم‌ترین تهدیدها در برابر زیرساخت اینترنت شناخته می‌شوند. هر بات‌نت گروهی از میزبان‌های آلوده‌شده با کد مخرب یکسان است که توسط مهاجم و از طریق یک یا چند سرویس‌دهنده فرمان و کنترل از راه دور هدایت می‌شوند. از آنجایی‌که سرویس DNS یکی از مهم‌ترین سرویس‌ها در شبکه اینترنت است، مهاجمین از آن جهت مقاو‌م‌سازی بات‌نت خود استفاده میکنند. مهاجمین با استفاده از این سرویس دو تکنیک تغییر پی‌در‌پی آدرس IP و تغییر پی‌در‌پی نام دامنه را پیاده‌سازی میکنند. این تکنیک‌ها به مهاجم کمک میکنند تا مکان سرویس‌دهنده‌های فرمان و کنترل خود را به صورت پویا تغییر داده و از قرارگرفتن آدرس‌های آنها در فهرست‌های سیاه جلوگیری کنند. در این مقاله، یک روش خوشه‌بندی به همراه محاسبه شهرت منفی هر میزبان به منظور تشخیص برخط بات‌نت‌هایی پیشنهاد می‌شود که از سرویس DNS در مراحل مختلف از چرخه حیات خود استفاده میکنند. در روش پیشنهادی در پایان هر پنجره زمانی، ابتدا پرس و جوهای DNS با ویژگی‌های مشابه با استفاده از یک الگوریتم خوشه‌بندی انتخاب شده و در خوشه‌های جداگا‌نه‌ای قرار می‌گیرند. سپس میزبان‌های مشکوک شناسایی شده و به ماتریس فعالیت‌های گروهی مشکوک اضافه می‌شوند. در نهایت، شهرت منفی میزبان‌های موجود در این ماتریس محاسبه شده و میزبان‌هایی که شهرت منفی بالایی دارند به عنوان میزبان‌های آلوده به بات گزارش می‌شوند. نتایج آزمایش‌های انجام‌شده نشان می‌دهد که روش پیشنهادی قادر است بات‌نت‌هایی را که از پرس و جوهای DNS در مراحل مختلف چرخه حیات خود استفاده میکنند با دقت بالا و نرخ هشدار نادرست پایین تشخیص دهد.
پرونده مقاله
در بسیاری از کاربردها از جمله کاربردهای نظارتی، حالت و زاویه قرارگیری شخص نسبت به دوربین از اطلاعات مهم می‌باشد. این اطلاعات می‌تواند در ارزیابی رفتاری شخص مورد استفاده قرار گیرد. از دشواری‌های این تشخیص می‌توان به کیفیت پایین دوربین‌های نظارتی، نویز و پس‌زمینه‌های پیچی چکیده کامل
در بسیاری از کاربردها از جمله کاربردهای نظارتی، حالت و زاویه قرارگیری شخص نسبت به دوربین از اطلاعات مهم می‌باشد. این اطلاعات می‌تواند در ارزیابی رفتاری شخص مورد استفاده قرار گیرد. از دشواری‌های این تشخیص می‌توان به کیفیت پایین دوربین‌های نظارتی، نویز و پس‌زمینه‌های پیچیده در تصویر اشاره نمود. در روش‌های موجود برای تشخیص زاویه از ویژگی‌هایی نظیر هیستوگرام گرادیان‌های جهتی استفاده می‌شود. در این توصیف‌گر محاسبه هیستوگرام‌ها بر اساس نواحی محلی انجام می‌گیرد که دارای نقاط ضعفی در تشخیص زاویه می‌باشد. یکی از اطلاعات مفید که می‌تواند در تشخیص زاویه مورد استفاده قرار گیرد لبه‌های احاطه‌کننده یک شیء در تصویر است که بدان کانتور شیء اطلاق می‌گردد. در این مقاله تعمیمی از کانتور ارائه می‌شود که به کمک آن می‌توان به صورت سلسله‌مراتبی تخمینی از کانتور محاط‌شده به تصویر شخص را ارائه داد. این کانتورها از روی یک مدل سه‌بعدی انسان تولید می‌شوند. کانتور تخمین زده شده همانند یک ویژگی سطح بالا در کنار ویژگی‌های سطح پایین نظیر هیستوگرام گرادیان‌های جهتی به عنوان ویژگی نهایی در نظر گرفته می‌شود. در تولید این ویژگی از ترکیب خطی چندین نوع کانتور مربوط به بخش‌های مختلف بدن استفاده شده است. به منظور نشان‌دادن تأثیر ویژگی جدید در تشخیص زاویه، کلاس‌بند ماشین بردار پشتیبان با استفاده از ترکیب دو ویژگی بالا آموزش داده شده و سپس بر روی مجموعه داده‌های VIPeR مورد ارزیابی قرار گرفته است. نتایج آزمایشات انجام‌شده نشان می‌دهد که استفاده از ویژگی ارائه‌شده، دقت تشخیص زاویه را حدود 4% بهبود می‌بخشد.
پرونده مقاله
خوشه‌بندی یکی از تکنیک‌های مهم کشف دانش در پایگاه داده‌های مکانی است. الگوریتمهای خوشه‌بندی مبتنی بر چگالی یکی از روش‌های اصلی برای خوشه‌بندی در داده‌کاوی هستند. الگوریتم DBSCAN پایه روش‌های خوشه‌بندی مبتنی بر چگالی است که علی‌رغم مزایایی که دارد دارای مشکلاتی نظیر سخت چکیده کامل
خوشه‌بندی یکی از تکنیک‌های مهم کشف دانش در پایگاه داده‌های مکانی است. الگوریتمهای خوشه‌بندی مبتنی بر چگالی یکی از روش‌های اصلی برای خوشه‌بندی در داده‌کاوی هستند. الگوریتم DBSCAN پایه روش‌های خوشه‌بندی مبتنی بر چگالی است که علی‌رغم مزایایی که دارد دارای مشکلاتی نظیر سخت‌بودن تعیین پارامترهای ورودی و عدم توانایی کشف خوشه‌های با چگالی متفاوت نیز است.
در این مقاله الگوریتمی ارائه شده که برخلاف الگوریتم DBSCAN، قابلیت تشخیص خوشه‌های با چگالی متفاوت را دارد. این الگوریتم همچنین خوشه‌های تودرتو و چسبیده به هم را نیز به خوبی تشخیص می‌دهد. ایده الگوریتم پیشنهادی به این صورت است که ابتدا با استفاده از تکنیکی چگالی‌های مختلف مجموعه داده را تشخیص داده و برای هر چگالی یک شعاع Eps تعیین می‌کند. سپس الگوریتم DBSCAN جهت اعمال بر روی مجموعه داده، با پارامترهای به دست آمده تطبیق داده می‌شود. الگوریتم پیشنهادی بر روی مجموعه داده‌های استاندارد و مصنوعی تست شده است و نتایج به دست آمده با نتایج حاصل از الگوریتم DBSCAN و پنج بهبود الگوریتم DBSCAN شامل: VDBSCAN، VMDBSCAN، LDBSCAN، DVBSCAN و MDDBSCAN که همگی برای رفع مشکل تغییرات چگالی الگوریتم DBSCAN ارائه شده‌اند، بر اساس معیارهای ارزیابی روش‌های خوشه‌بندی مقایسه شده‌اند. نتایج ارزیابی‌ها نشان می‌دهد که الگوریتم پیشنهادی از دقت بالا و درصد خطای پایینی برخوردار بوده و نتایج بهتری نسبت به سایر الگوریتم‌ها داشته است.
پرونده مقاله
روش‌های موجود در زمینه مدیریت دست به دست شدن سیگنال در شبکه‌های مخابرات سلولی نمی‌توانند به طور هم‌زمان تعداد رخدادهای غیر ضروری و تأخیر تصمیم را در سطح پایینی نگه دارند. هدف اصلی این مقاله ارائه روش هوشمندی است تا علاوه بر این که به درخواست‌های ضروری اجازه رخ‌دادن می‌د چکیده کامل
روش‌های موجود در زمینه مدیریت دست به دست شدن سیگنال در شبکه‌های مخابرات سلولی نمی‌توانند به طور هم‌زمان تعداد رخدادهای غیر ضروری و تأخیر تصمیم را در سطح پایینی نگه دارند. هدف اصلی این مقاله ارائه روش هوشمندی است تا علاوه بر این که به درخواست‌های ضروری اجازه رخ‌دادن می‌دهد، تعداد رخدادهای غیر ضروری آن را نیز کمینه کند و به این ترتیب موجب بهبود کارایی کلی شبکه شود. به منظور دستیابی به چنین هدفی، در روش پیشنهادی از دانش جغرافیایی برگرفته از نقشه‌های ساختمان توأم با روش خوشه‌بندی طیفی در نواحی تحت پوشش فمتوسل استفاده می‌شود. بدین سبب نیاز به توسعه خوشه‌بندی طیفی مبتنی بر اطلاعات جغرافیایی است. نتایج به دست آمده از روش پیشنهادی روی داده‌ها و شبیه‌سازی‌های انجام‌گرفته، بیانگر این است که این روش نسبت به سایر روش‌ها با افزایش احتمال تخصیص کاربر به سلول مناسب، به شکل قابل قبولی قادر به مدیریت پدیده دست به دست شدگی در لایه ناهمگن فمتوسل- ماکروسل است.
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
رادیوشناختی به عنوان یک فناوری کلیدی برای مقابله با کمبود طیف فرکانسی در شبکه‌های بی‌سیم به طور گسترده مورد توجه قرار گرفته است. یکی از چالش‌های مهم در تحقق شبکه‌های رادیوشناختی، امنیت این نوع شبکه‌ها است. از مهم‌ترین این تهدیدها، حمله تقلید از سیگنال کاربر اولیه است، چکیده کامل
رادیوشناختی به عنوان یک فناوری کلیدی برای مقابله با کمبود طیف فرکانسی در شبکه‌های بی‌سیم به طور گسترده مورد توجه قرار گرفته است. یکی از چالش‌های مهم در تحقق شبکه‌های رادیوشناختی، امنیت این نوع شبکه‌ها است. از مهم‌ترین این تهدیدها، حمله تقلید از سیگنال کاربر اولیه است، بدین معنی که کاربر مخرب سعی دارد سیگنالی مشابه با سیگنال کاربر اولیه ارسال کند تا کاربران ثانویه را فریب داده و از ارسال سیگنال‌های این کاربران در حفره‌های طیفی جلوگیری کند و ضمن ایجاد ترافیک در شبکه، با به دست آوردن باند فرکانسی خالی، اطلاعات خود را ارسال کند. در این مقاله، روشی برای شناسایی حمله تقلید از سیگنال کاربر اولیه پیشنهاد می‌گردد که با خوشه‌بندی سیگنال‌های ارسالی کاربران اولیه و کاربران مخرب، این سیگنال‌ها را متمایز می‌کند. در این روش، تعداد سیگنال‌های ارسالی در محدوده شبکه رادیوشناختی در طول خوشه‌بندی سیگنال‌ها به دست می‌آید. با به کارگیری روش طبقه‌بندی مدل مخلوطی فرایند دیریشله که بر اساس روش غیر پارامتریک بیزین می‌باشد، سیگنال‌های اولیه فعال در محیط طبقه‌بندی می‌شوند. همچنین برای دستیابی به سرعت همگرایی بالاتر در الگوریتم، روش فرایند رستوران چینی برای مقداردهی اولیه و نمونه‌برداری غیر یکنواخت جهت انتخاب پارامتر خوشه‌ها به الگوریتم اعمال می‌گردد.
پرونده مقاله
حوزه سلامت به علت وسعت عملکرد مالی و همچنین وسعت کاربرد آن، یکی از سیستم‌های ایده‌آل برای تقلب است و با وجود راهکارهای مختلف در این زمینه، شناسایی داده‌های تقلب هنوز یکی از چالش‌ها برای ارائه‌دهندگان خدمات سلامت می‌باشد. در این مقاله برای اولین بار الگوریتم BIRCH به عنو چکیده کامل
حوزه سلامت به علت وسعت عملکرد مالی و همچنین وسعت کاربرد آن، یکی از سیستم‌های ایده‌آل برای تقلب است و با وجود راهکارهای مختلف در این زمینه، شناسایی داده‌های تقلب هنوز یکی از چالش‌ها برای ارائه‌دهندگان خدمات سلامت می‌باشد. در این مقاله برای اولین بار الگوریتم BIRCH به عنوان یک الگوریتم خوشه‌بندی سلسله‌مراتبی با الگوریتم بهینه‌سازی واکنش شیمیایی (CRO) ترکیب شده است. الگوریتم BIRCH با پیچیدگی زمانی خطی قابلیت کار با حجم بالای داده‌ها و شناسایی داده‌های پرت را دارد و CRO یکی از الگوریتمهای فراابتکاری جدید الهام‌گرفته از واکنش شیمیایی در دنیای واقعی است که با یک جمعیت پویا از مولکول‌ها توسط چهار عملگر برخورد به دیواره، تجزیه، برخورد بین مولکولی و ترکیب فضای جستجو را مورد کاوش قرار می‌دهند. الگوریتم خوشه‌بندی بهبودیافته BIRCH-CRO با حذف فرایند خوشه‌بندی سراسری داخلی نسخه کلاسیک BIRCH و تعیین بهینه پارامترهای اصلی آن باعث بهبود سرعت و دقت تشخیص داده‌های تقلب در حوزه سلامت نسبت به سایر الگوریتمهای بدون نظارت ارائه‌شده در این حوزه گردیده است. همچنین الگوریتم پیشنهادی توانایی کار با داده‌های آنلاین و حجم بالا را دارد و با توجه به نتایج به دست آمده، عملکرد مناسبی را فراهم می‌کند.
پرونده مقاله
در سامانه‌های کنترل ترافیک و ثبت تخلفات وسایل نقلیه همواره دستیابی به سامانه‌ای که بتوان با استفاده از آن به طور خودکار رفتارهای ناهنجار رانندگان را شناسایی کرد، چالشی اساسی به شمار می‌آید. در این تحقیق سامانه‌ای با مشخصات مذکور برای تشخیص ناهنجاری مسیر خودروها پیشنهاد چکیده کامل
در سامانه‌های کنترل ترافیک و ثبت تخلفات وسایل نقلیه همواره دستیابی به سامانه‌ای که بتوان با استفاده از آن به طور خودکار رفتارهای ناهنجار رانندگان را شناسایی کرد، چالشی اساسی به شمار می‌آید. در این تحقیق سامانه‌ای با مشخصات مذکور برای تشخیص ناهنجاری مسیر خودروها پیشنهاد گردیده که در آن ابتدا به استخراج ویژگی‌های زمانی- مکانی و تشکیل یک طبقه‌بند با کمک لغتنامه حاصل از آن ویژگی‌ها پرداخته می‌شود. طبقه‌بند از پردازش‌هایی چون خوشه‌بندی بهینه‌شده با الگوریتم جفت‌گیری زنبور عسل و پردازش تنک روی ویژگی‌های زمانی- مکانی حاصل از داده‌های آموزشی تشکیل می‌گردد. طبقه‌بند طراحی‌شده روی داده‌های آزمون، به منظور تشخیص ناهنجاری اعمال می‌شود. وجه تمایز این پژوهش نسبت به پژوهش‌های پیشین علاوه بر شیوه نوین در پیش‌پردازش صورت‌گرفته به منظور ایجاد ماتریس لغتنامه، تشخیص ناهنجاری بر پایه ارزیابی ماتریس حاصل از تعلق داده‌ها به هر طبقه است که منجر به دقت بالاتر روش پیشنهادی نسبت به سایر روش‌های رقیب می‌شود. برای ارزیابی بهتر روش پیشنهادی، ابتدا آن را روی پایگاه داده UCSD و سپس روی دنباله‌های ویدئویی استخراج‌شده از عبور و مرور خودروها در ضلع شمالی دانشگاه فردوسی مشهد اعمال نموده و سپس نتایج حاصل، با نتایج سایر پژوهش‌های شناخته‌شده در این حوزه مقایسه می‌گردد.
پرونده مقاله
داده‌هاي ریزآرایه نقش مؤثری در طبقه‌بندی و تشخیص انواع بافت‌های سرطانی ایفا میکنند. با این حال در پژوهش‌های مرتبط با سرطان، تعداد نسبتاً کم نمونه‌ها در مقایسه با تعداد بسیار زیاد ژن‌ها، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقه‌بندها، افزایش هزینه‌های محاسباتی و پیچ چکیده کامل
داده‌هاي ریزآرایه نقش مؤثری در طبقه‌بندی و تشخیص انواع بافت‌های سرطانی ایفا میکنند. با این حال در پژوهش‌های مرتبط با سرطان، تعداد نسبتاً کم نمونه‌ها در مقایسه با تعداد بسیار زیاد ژن‌ها، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقه‌بندها، افزایش هزینه‌های محاسباتی و پیچیدگی در طبقه‌بندی سلول‌های سرطانی خواهد شد. یک راهکار مناسب جهت افزایش کارایی طبقه‌بندها، حذف ژنهای نامربوط و انتخاب نمونه‌های مناسب برای آموزش طبقه‌بندها است. در این مقاله یک مدل ترکیبی بر پایه الگوریتم بهینه‌سازی جستجوی فاخته چندهدفه و خوشه‌بندی فازی برای طبقه‌بندی داده‌های ریزآرایه پیشنهاد شده است. در اين مطالعه از نسخه دودویی الگوريتم جستجوی فاخته چندهدفه به منظور انتخاب ويژگي‌هاي مرتبط با بیماری و از نسخه پیوسته آن برای انتخاب تعداد نمونه‌های مناسب برای آموزش طبقه‌بندها استفاده شده است. به منظور تسریع در فرایند بهینه‌سازی و جلوگیری از گیرافتادن الگوریتم در بهینه‌های محلی، راهکارهای ابتکاری جدیدی نیز به الگوریتم اضافه شده‌اند. برای بررسی عملکرد مدل پیشنهادی، شبیه‌سازی‌های متعددی بر روی شش مجموعه داده سرطانی انجام گرفته و نتایج آن با دیگر مقالات مقایسه شده است. نتایج به دست آمده نشان می‌دهند در بسیاری از موارد مدل پیشنهادی قادر است در مقایسه با سایر روش‌ها، با انتخاب مجموعه کوچک‌تری از ژنهای متمایز، منجر به افزایش کارایی طبقه‌بندها شود.
پرونده مقاله
متون کوتاه رسانه‌های اجتماعی مانند توییتر اطلاعات زیادی در مورد موضوع‌های داغ و افکار عمومی ارائه می‌دهند. برای درک بهتر اطلاعات دریافتی از شبکه‌های اجتماعی، شناسایی و ردیابی موضوع امری ضروری است. در بسیاری از روش‌های ارائه‌شده در این زمینه، تعداد موضوع‌ها باید از پیش م چکیده کامل
متون کوتاه رسانه‌های اجتماعی مانند توییتر اطلاعات زیادی در مورد موضوع‌های داغ و افکار عمومی ارائه می‌دهند. برای درک بهتر اطلاعات دریافتی از شبکه‌های اجتماعی، شناسایی و ردیابی موضوع امری ضروری است. در بسیاری از روش‌های ارائه‌شده در این زمینه، تعداد موضوع‌ها باید از پیش مشخص باشد و نمی‌تواند در طول زمان تغییر کند. از این منظر، این روش‌ها برای داده‌های در حال افزایش و پویا مناسب نیستند. همچنین مدل‌های تکاملی موضوعی غیر پارامتری به دلیل مشکل کمبود داده‌ها، بر روی متون کوتاه عملکرد مناسبی ندارند. در این مقاله، یک مدل خوشه‌بندی تکاملی جدید ارائه کرده‌ایم که به طور ضمنی از فرایند رستوران چینی وابسته به فاصله (dd-CRP) الهام گرفته است. در روش ارائه‌شده برای حل مشکل کمبود داده‌ها، از اطلاعات شبکه اجتماعی در کنار شباهت متنی، برای بهبود ارزیابی شباهت بین توییت‌ها استفاده شده است. همچنین در روش پیشنهادی، برخلاف اکثر روش‌های مطرح‌شده در این زمینه، تعداد خوشه‌ها به صورت خودکار محاسبه می‌شود. در واقع در این روش، توییت‌ها با احتمالی متناسب با شباهتشان به هم متصل می‌شوند و مجموعه‌ای از این اتصال‌ها یک موضوع را تشکیل می‌دهد. برای افزایش سرعت اجرای الگوریتم، از یک روش خلاصه‌سازی مبتنی بر خوشه‌بندی استفاده نموده‌ایم. ارزیابی روش بر روی مجموعه داده واقعی که در طول دو ماه و نیم از شبکه اجتماعی توییتر جمع‌آوری شده است، انجام می‌شود. ارزیابی به صورت خوشه‌بندی متون و مقایسه بین آنها می‌باشد. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های مقایسه‌شده دارای انسجام موضوعی بهتری بوده و می‌تواند به طور مؤثر برای تشخیص موضوع بر روی متون کوتاه رسانه‌های اجتماعی استفاده گردد.
پرونده مقاله
شبکه‌های حسگر بی‌سیم متشکل از هزاران گره با انرژی باتری محدود هستند و مصرف بهینه انرژی گره‌های حسگر یک چالش اساسی در این نوع از شبکه‌هاست. خوشه‌بندی گره‌های حسگر در دسته‌های مجزا و تبادل اطلاعات از طریق سرخوشه‌ها، یکی از راهکارهای بهبود مصرف انرژی است. این مقاله یک پروت چکیده کامل
شبکه‌های حسگر بی‌سیم متشکل از هزاران گره با انرژی باتری محدود هستند و مصرف بهینه انرژی گره‌های حسگر یک چالش اساسی در این نوع از شبکه‌هاست. خوشه‌بندی گره‌های حسگر در دسته‌های مجزا و تبادل اطلاعات از طریق سرخوشه‌ها، یکی از راهکارهای بهبود مصرف انرژی است. این مقاله یک پروتکل مسیریابی مبتنی بر خوشه‌بندی جدید را به نام SFLCFBA ارائه می‌دهد. پروتکل پیشنهادی به طور بیولوژیکی از ویژگی‌های جستجوی سریع و مؤثر الهام‌گرفته از الگوریتم قورباغه جهنده را که بر اساس رفتار غذایابی قورباغه‌ها عمل می‌کند برای خوشه‌بندی گره‌های حسگر استفاده می‌کند. در پروتکل پیشنهادی همچنین از منطق فازی به منظور محاسبه برازندگی گره‌ها، بر حسب دو معیار فاصله تا سینک و انرژی باقیمانده سطح باتری گره حسگر استفاده می‌شود. روش پیشنهادی در شبیه‌ساز OPNET شبیه‌سازی شد و نتایج حاصل از شبیه‌سازی با پروتکل NODIC و استاندارد 4/15/802 IEEE مقایسه شدند. نتایج به دست آمده از شبیه‌سازی نشان‌دهنده عملکرد بهتر پروتکل پیشنهادی از نظر انرژی سطح باتری، نسبت سیگنال به نویز، تأخیر انتها به انتها و میزان بسته‌های تحویل‌شده به ایستگاه پایه یا سینک می‌باشد.
پرونده مقاله
استفاده از یک راهکار مسیریابی سلسله‌مراتبی مبتنی بر تکنیک‌های خوشه‌بندی و چاهک متحرک می‌تواند انرژی مصرفی در شبکه‌های حسگر بی‌سیم را به طرز قابل توجهی کاهش دهد. دو مسأله مهم در طراحی این راهکار سلسله‌مراتبی، انتخاب حسگر شایسته‌تر به عنوان سرخوشه و نیز تخصیص بهینه چاهک‌ه چکیده کامل
استفاده از یک راهکار مسیریابی سلسله‌مراتبی مبتنی بر تکنیک‌های خوشه‌بندی و چاهک متحرک می‌تواند انرژی مصرفی در شبکه‌های حسگر بی‌سیم را به طرز قابل توجهی کاهش دهد. دو مسأله مهم در طراحی این راهکار سلسله‌مراتبی، انتخاب حسگر شایسته‌تر به عنوان سرخوشه و نیز تخصیص بهینه چاهک‌های متحرک به مناطق بحرانی (یعنی مناطقی که ریسک ایجاد حفره انرژی در آنها بالا است) می‌باشد. از آنجایی که چاهک‌های متحرک هزینه بالایی را به شبکه تحمیل میکنند، تعداد محدودی از آنها به کار گرفته می‌شوند. لذا تخصیص این تعداد محدود چاهک به شمار بالای درخواست‌های واصل‌شده از نقاط بحرانی در دسته مسایل NP-hard است. بیشتر راهکارهای موجود با تطبیق یک روش تکاملی و اجرای آن توسط حسگرها سعی در حل این مسأله داشته‌اند. این در حالی است که تکنولوژی به کار گرفته شده در طراحی حسگرهای امروزی و نیز منابع محاسباتی بسیار محدود آنها، اجرایی‌شدن این روش‌ها در شبکه‌های واقعی را دچار چالش می‌کند. به بیان دیگر، اجرای چنین ایده‌هایی از حد تئوری فراتر نمی‌رود. در نتیجه برای رسیدن به توازنی مناسب میان افزایش دقت و کاهش بار محاسباتی در مسیریابی مبتنی بر خوشه‌بندی چاهک متحرک یک روش نیمه‌متمرکز بر اساس الگوریتم ژنتیک پیشنهاد می‌کنیم. در این روش، محاسبات سبک‌وزن از سنگین‌وزن جدا شده و اجرای دسته اول محاسبات بر عهده حسگرها و دسته دوم بر عهده ایستگاه پایه گذاشته می‌شود. اقدامات روبه‌رو در طراحی راهکار پیشنهادی انجام شده است: 1) انتخاب سرخوشه بر اساس پارامترهای تأثیرگذار محیطی و نیز تعریف تابع هزینه عضویت حسگر در خوشه، 2) مدل‌سازی ریاضی شانس یک ناحیه برای دریافت چاهک متحرک و 3) طراحی یک تابع برازش برای ارزیابی شایستگی هر تخصیص از چاهک‌های متحرک به مناطق بحرانی در الگوریتم ژنتیک. در اقدامات اخیراً ذکرشده مینیمم‌سازی تعداد و نیز طول پیام‌ها مورد توجه قرار گرفته است. به طور خلاصه، مزیت مهم روش پیشنهادی امکان اجرایی‌شدن آن در شبکه‌های حسگر واقعی (به دلیل جداسازی محاسبات سبک‌وزن از محاسبات سنگین‌وزن) در کنار ایجاد موازنه‌ای مناسب میان اهداف تعریف‌شده است. نتایج شبیه‌سازی نشان‌دهنده بهبود در عملکرد روش پیشنهادی است.
پرونده مقاله
امروزه، خوشه‌بندی داده‌ها به دلیل حجم و تنوع داده‌ها بسیار مورد توجه قرار گرفته است. مشکل اصلی روش‌های خوشه‌بندهای معمول این است که در دام بهینه محلی گرفتار می‌آیند. الگوریتمهای فراابتکاری به دلیل داشتن توانایی فرار از بهینه‌های محلی، نتایج موفقی را در خوشه‌بندی داده‌ه چکیده کامل
امروزه، خوشه‌بندی داده‌ها به دلیل حجم و تنوع داده‌ها بسیار مورد توجه قرار گرفته است. مشکل اصلی روش‌های خوشه‌بندهای معمول این است که در دام بهینه محلی گرفتار می‌آیند. الگوریتمهای فراابتکاری به دلیل داشتن توانایی فرار از بهینه‌های محلی، نتایج موفقی را در خوشه‌بندی داده‌ها نشان داده‌اند. الگوریتم بهینه‌سازی گرگ خاکستری از جمله این دسته الگوریتم‌ها است که قابلیت بهره‌برداری خوبی دارد و در برخی از مسایل راه حل مناسبی ارائه داده است، اما اکتشاف آن ضعیف است و در بعضی از مسایل به بهینه محلی همگرا می‌شود. در این تحقیق برای بهبود خوشه‌بندی داده‌ها، نسخه بهبودیافته‌ای از الگوریتم بهینه‌سازی گرگ خاکستری به نام الگوریتم بهینه‌سازی چهارگرگ خاکستری ارائه شده که با استفاده از بهترین موقعیت دسته چهارم گرگ‌ها به نام گرگ‌های امگای پیشرو در تغییر موقعیت هر گرگ، قابلیت اکتشاف بهبود می‌یابد. با محاسبه امتیاز هر گرگ نسبت به بهترین راه حل، نحوه حرکت آن مشخص می‌شود. نتایج الگوریتم پیشنهادی چهارگرگ خاکستری با الگوریتمهای بهینه‌سازی گرگ خاکستری، بهینه‌سازی ازدحام ذرات، کلونی زنبور عسل مصنوعی، ارگانیسم‌های هم‌زیست و بهینه‌سازی ازدحام سالپ در مسأله خوشه‌بندی روی چهارده مجموعه دادگان ارزیابی شده است. همچنین عملکرد الگوریتم پیشنهادی با چند نسخه بهبودیافته از الگوریتم گرگ خاکستری مقایسه شده است. نتایج به دست آمده عملکرد قابل توجه الگوریتم پیشنهادی را نسبت به سایر الگوریتمهای فراابتکاری مورد مقایسه در مسأله خوشه‌بندی نشان می‌دهد. بر اساس میانگین معیار F روی تمام مجموعه دادگان، روش پیشنهادی 82/172% و الگوریتم بهینه ذرات 78/284% را نشان می‌دهد و در مقایسه با نسخه‌های بهبودیافته الگوریتم گرگ، الگوریتم EGWO که در رتبه بعدی است دارای میانگین معیار F برابر 80/656% می‌باشد.
پرونده مقاله
یک چالش مهم در شبکه‌های حسگر، جمع‌آوری داده با توجه به انرژی محدود گره‌ها است. استفاده از حسگرهای قابل شارژ برای جمع‌آوری اطلاعات و انتقال آنها به چاهک، مشکل محدودیت انرژی را تا حدی مرتفع می‌نماید. با توجه به نرخ پایین برداشت انرژی در گره‌های قابل شارژ، مدیریت مصرف انرژ چکیده کامل
یک چالش مهم در شبکه‌های حسگر، جمع‌آوری داده با توجه به انرژی محدود گره‌ها است. استفاده از حسگرهای قابل شارژ برای جمع‌آوری اطلاعات و انتقال آنها به چاهک، مشکل محدودیت انرژی را تا حدی مرتفع می‌نماید. با توجه به نرخ پایین برداشت انرژی در گره‌های قابل شارژ، مدیریت مصرف انرژی در این شبکه‌ها امری ضروری است. الگوریتمهای موجود، جنبه‌های مهم جمع‌آوری آگاه به انرژی- شامل زمان‌بندی خواب گره‌ها، خوشه‌بندی و مسیریابی- را به صورت جامع بررسی نکرده‌اند و همچنین اکثر آنها از روش‌های حریصانه و با کارایی پایین استفاده نموده‌اند. در این مقاله، یک روش کارای مبتنی بر الگوریتم بهینه‌سازی ازدحام ذرات توسعه‌یافته به نام EDGR برای جمع‌آوری داده در شبکه‌های قابل شارژ ارائه شده است. در الگوریتم پیشنهادی، مسئله مورد نظر به سه مرحله زمان‌بندی خواب گره‌ها، خوشه‌بندی و مسیریابی، تقسیم گردیده و مراحل به ترتیب حل شده‌اند. بر اساس نتایج شبیه‌سازی، الگوریتم EDGR مقدار متوسط و انحراف از معیار انرژی ذخیره‌شده در گره‌ها و همچنین نرخ گم‌شدن بسته‌ها را به مقدار قابل توجهي نسبت به روش‌های پیشین بهبود داده است.
پرونده مقاله
رشد سریع شبکه‌های اجتماعی مبتنی بر مکان، فرصتی عالی برای ارائه خدمات توصیه مکان‌های مورد علاقه به صورت هدفمند می‌باشد. یک وظیفه مهم برای توصیه دقیق نقاط جذاب و مورد علاقه کاربران در شبکه‌های اجتماعی مبتنی بر مکان، با توجه به چالش‌های متون غنی و پراکندگی داده‌ها، بررسی و چکیده کامل
رشد سریع شبکه‌های اجتماعی مبتنی بر مکان، فرصتی عالی برای ارائه خدمات توصیه مکان‌های مورد علاقه به صورت هدفمند می‌باشد. یک وظیفه مهم برای توصیه دقیق نقاط جذاب و مورد علاقه کاربران در شبکه‌های اجتماعی مبتنی بر مکان، با توجه به چالش‌های متون غنی و پراکندگی داده‌ها، بررسی ویژگی‌های معنادار کاربران و نقاط مورد علاقه است. در این مقاله، یک روش جدید برای توصیه ترتیب دقیق بهترین نقاط مورد علاقه کاربران ارائه شده که ترکیبی از رویکردهای شبکه عصبی کانولوشن، خوشه‌بندی و دوستی می‌باشد. برای یافتن شباهت در رفتار دوستان صمیمی، از روش خوشه‌بندی انتقال میانگین استفاده می‌کنیم و فقط تأثیر الگوی رفتاری شبیه‌ترین دوست را به نسبت همه دوستان کاربر در نظر می‌گیریم. چارچوب جدید شبکه عصبی کانولوشن پیشنهادی با ۱۰ لایه می‌تواند طول و عرض جغرافیایی و شناسه مکان‌های مناسب بعدی را پیش‌بینی کرده و سپس بر اساس کوتاه‌ترین فاصله از الگوی رفتاری دوست مشابه، مکان‌های پیشنهادی را انتخاب کند. این رویکرد ترکیبی، در دو مجموعه داده شبکه‌های اجتماعی مبتنی بر مکان ارزیابی شده و نتایج تجربی نشان می‌دهد که استراتژی ما از روش‌های پیشرفته توصیه نقاط مورد علاقه دقیق‌تر عمل می‌کند.
پرونده مقاله
یادگیری ماشین در طی دهه‌های گذشته به دلیل طیف گسترده کاربردهای آن مورد استفاده زیادی قرار گرفته است. در اکثر کاربردهای یادگیری ماشین مانند خوشه‌بندی و طبقه‌بندی، ابعاد داده‌ها زیاد می‌باشد و استفاده از روش‌های کاهش ابعاد داده ضروری است. تجزیه ماتریس غیر منفی با استفاده چکیده کامل
یادگیری ماشین در طی دهه‌های گذشته به دلیل طیف گسترده کاربردهای آن مورد استفاده زیادی قرار گرفته است. در اکثر کاربردهای یادگیری ماشین مانند خوشه‌بندی و طبقه‌بندی، ابعاد داده‌ها زیاد می‌باشد و استفاده از روش‌های کاهش ابعاد داده ضروری است. تجزیه ماتریس غیر منفی با استفاده از استخراج ویژگی‌ها معنایی از داده‌های با ابعاد زیاد کاهش ابعاد را انجام می‌دهد و در تجزیه ماتریس غیر منفی فقط نحوه مدل‌سازی هر بردار ویژگی در ماتریس‌های تجزیه‌شده را در نظر می‌گیرد و روابط بین بردارهای ویژگی را نادیده می‌گیرد. ارتباطات میان بردارهای ویژگی، تجزیه بهتری را برای کاربردهای یادگیری ماشین فراهم میکنند. در این مقاله، یک روش بر مبنای تجزیه ماتریس غیر منفی برای کاهش ابعاد داده‌ها ارائه شده که محدودیت‌هایی را بر روی هر جفت‌بردارهای ویژگی با استفاده از معیارهای مبتنی بر فاصله ایجاد می‌کند. روش پیشنهادی از نرم فروبنیوس به عنوان تابع هزینه برای ایجاد قوانین به روز رسانی استفاده می‌کند. نتایج آزمایش‌ها روی مجموعه داده‌ها نشان می‌دهد که قوانین به روز رسانی ضربی ارائه‌شده، سریع همگرا می‌شوند و در مقایسه با الگوریتمهای دیگر نتایج بهتری را ارائه میکنند.
پرونده مقاله
در دهههاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستم‌هاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستم‌هاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده ميكنند. در اين مقاله يك رويكرد چندفاكتو چکیده کامل
در دهههاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستم‌هاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستم‌هاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده ميكنند. در اين مقاله يك رويكرد چندفاكتوري براي تخمين اعتماد بين كاربران سيستم‌هاي پيشنهاددهنده ارائه مي‌شود. در طرح پيشنهادي، ابتدا كاربران سيستم براساس شباهت مبتني بر اطلاعات دموگرافيك و تاريخچه ارزشيابيها خوشه‌بندي مي‌شوند. براي تخمين ارزشيابي كاربر فعال به يك آيتم خاص، مقدار اعتماد بين او و ساير كاربران همخوشهاش با درنظرگرفتن فاكتورهاي زمان، مكان، و زمينه ارزشيابي محاسبه مي‌شود. براي اين منظور، ما الگوريتمي مبتني بر توزيع بتا معرفي ميكنيم. يك معيار مبتني بر درخت جديد براي محاسبه شباهت معنايي بين زمينهها مورد استفاده قرار ميگيرد. در نهايت، ارزشيابي كاربر فعال با استفاده از ميانگينگيري وزني تخمين زده مي‌شود كه مقادير اعتماد به عنوان وزن در ميانگينگيري منظور مي‌شوند. طرح پيشنهادي بر روي سه مجموعهداده مطرح اجرا شده و ارزيابي و مقايسه نشان مي‌دهد كه اين طرح نتايج بهتري از نظر ملاكهاي دقت و كارآمدي نسبت به روش‌هاي موجود ارائه ميكند.
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
