در اين مقاله الگوريتمي مبتنی بر اتوماتاهای یادگیر برای تنظيم پارامتر مراقبت در شبكه Fuzzy ARTMAP پیشنهاد ميشود. الگوريتم پیشنهادی از طریق تنظیم پارامتر مراقبت در شبکه Fuzzy ARTMAP، شبكهاي کوچک با نرخ بالای تشخیص تولید میکند. ساختار شبکه تولید شده توسط این الگوریتم م چکیده کامل
در اين مقاله الگوريتمي مبتنی بر اتوماتاهای یادگیر برای تنظيم پارامتر مراقبت در شبكه Fuzzy ARTMAP پیشنهاد ميشود. الگوريتم پیشنهادی از طریق تنظیم پارامتر مراقبت در شبکه Fuzzy ARTMAP، شبكهاي کوچک با نرخ بالای تشخیص تولید میکند. ساختار شبکه تولید شده توسط این الگوریتم مستقل از مقدار اولیه برای پارامتر مراقبت میباشد. الگوریتم پیشنهادی بر روی مسائل، دايره در مربع، مارپيچهاي حلزوني و مسئله مربع در مربع آزمایش شده و نتایج مطلوبی بدست آمده است.
پرونده مقاله
يادگيري دستهجمعي يک رويکرد مؤثر در يادگيري ماشيني است كه به منظور بهبود كارايي سيستم بازشناسي الگو استفاده ميشود. براي آنكه اين نوع يادگيري مفيد واقع شود بايد خطاهاي طبقهبندهاي پايه با يكديگر متفاوت باشند. راهكارهاي ايجاد تفاوت در خطا، به دو گروه ضمني و صريح تقسيم مي چکیده کامل
يادگيري دستهجمعي يک رويکرد مؤثر در يادگيري ماشيني است كه به منظور بهبود كارايي سيستم بازشناسي الگو استفاده ميشود. براي آنكه اين نوع يادگيري مفيد واقع شود بايد خطاهاي طبقهبندهاي پايه با يكديگر متفاوت باشند. راهكارهاي ايجاد تفاوت در خطا، به دو گروه ضمني و صريح تقسيم ميشوند. در اين تحقيق روش جديدي از نوع صريح براي ايجاد گوناگوني در طبقهبندهاي يك سيستم مركب ارائه ميشود. در اين روش، معيار تازهاي از گوناگوني در فرايند يادگيري سيستم مركب به كار گرفته ميشود. در روش پيشنهادي، شباهت بين خطاي هر طبقهبند با طبقهبندهاي ديگر به صورت يك مؤلفه در تابع خطاي آن طبقهبند منظور شده و در الگوريتم يادگيري آن ايفاي نقش ميكند. نتايج آزمايشهاي ما بر روي چند مجموعه داده متداول، براي حالتي كه طبقهبندهاي پايه از نوع شبكههاي عصبي باشند، نشان ميدهند كه روش پيشنهادي ما باعث افزايش كارايي سيستم طبقهبندي مركب نسبت به روشهاي مشابه آن ميشود.
پرونده مقاله
يادگيري دستهجمعي، يک رويکرد مؤثر در يادگيري ماشيني است كه در آن با تركيب نتايج چند طبقهبند سعي ميشود تقريب بهتري از يك طبقهبند بهينه فراهم شود. براي آنكه تركيب نتايج طبقهبندها مفيد واقع شود بايد طبقهبندهاي پايه ضمن برخورداري از كارآيي قابل قبول، داراي خطاهاي متفا چکیده کامل
يادگيري دستهجمعي، يک رويکرد مؤثر در يادگيري ماشيني است كه در آن با تركيب نتايج چند طبقهبند سعي ميشود تقريب بهتري از يك طبقهبند بهينه فراهم شود. براي آنكه تركيب نتايج طبقهبندها مفيد واقع شود بايد طبقهبندهاي پايه ضمن برخورداري از كارآيي قابل قبول، داراي خطاهاي متفاوتي بوده و قاعده مناسبي براي تركيب نتايج آنها به كار گرفته شود. در اين مقاله يك روش دومرحلهاي براي تركيب نتايج طبقهبندها پيشنهاد ميشود كه در مرحله اول آن، با روش اختلاط خبرهها يك مجموعه طبقهبند با خطاهاي متفاوت ايجاد ميشود و در مرحله دوم با استفاده از الگوريتم بهينهسازي گروه ذرات، وزنهاي بهينه براي تركيب خطي نظرات آنها پيدا ميشوند. نتايج آزمايشهاي ما بر روي چند مجموعه داده متداول، نشان ميدهند كه روش پيشنهادي ما باعث افزايش كارآيي سيستم طبقهبندي مركب نسبت به روشهاي يادگيري مستقل و روش اختلاط خبرهها ميشود.
پرونده مقاله
در اين مقاله بهمنظور توسعه عملکرد مدلهای شبکه عصبی در بازشناسی چهره با يک تصوير از هر فرد، يک ساختار شبکه عصبی دوسويه با الهام از نئوکورتکس مغز انسان ارائه شده است. در ساختار پيشنهادی همانند نئوکورتکس در ابتدا طی يک مرحله پردازش از پايين به بالا، يک تفسير زمخت از ورود چکیده کامل
در اين مقاله بهمنظور توسعه عملکرد مدلهای شبکه عصبی در بازشناسی چهره با يک تصوير از هر فرد، يک ساختار شبکه عصبی دوسويه با الهام از نئوکورتکس مغز انسان ارائه شده است. در ساختار پيشنهادی همانند نئوکورتکس در ابتدا طی يک مرحله پردازش از پايين به بالا، يک تفسير زمخت از ورودی صورت میگيرد، سپس در مرحله بعد نتايج بازشناسی اوليه ضمن عبور از يک شبکه عصبی معکوس پالايش میشوند. از اين مدل جهت جداسازی غير خطی اطلاعات فرد از حالت و تخمين مانيفولدهای اطلاعات فرد و حالت استفاده شده است. بهمنظور افزايش تعداد نمونههای تعليم در شبکه طبقهبندی کننده با استفاده از مانيفولدهای تخمين زده شده، تصاوير مجازی چهرههای نرمال موجود در پايگاه داده تست توليد شده است. با تعليم شبکه طبقهبندی کننده توسط تصاوير مجازی حاصل از تعليم شبکه دوسويه، درصد صحت بازشناسی 45/85٪ روی دادگان تست حاصل شده که در مقايسه با توليد تصاوير مجازی با استفاده از روش خوشهبندی بدون سرپرستی اطلاعات افراد و حالات دارای بهبود 82/1٪ میباشد.
پرونده مقاله
تغييرات شدت و جهت تابش نور یکی از مهمترین چالشهای مطرح در سيستمهاي شناسایی چهره است كه منجر به ايجاد سايههاي عادي و غير عادي متفاوتي در تصوير چهره ميشود. امروزه روشهاي مختلفي براي بازشناسي چهره تحت شرايط نوري متفاوت ارائه شدهاند كه بسياري از آنها نياز به دانش قبل چکیده کامل
تغييرات شدت و جهت تابش نور یکی از مهمترین چالشهای مطرح در سيستمهاي شناسایی چهره است كه منجر به ايجاد سايههاي عادي و غير عادي متفاوتي در تصوير چهره ميشود. امروزه روشهاي مختلفي براي بازشناسي چهره تحت شرايط نوري متفاوت ارائه شدهاند كه بسياري از آنها نياز به دانش قبلي در مورد منبع نور و زاويه تابش دارند. در اين مقاله رویکردی مبتني بر روشهاي يادگيري برای استخراج دانش مربوط به زاويه نورپردازي در تصاوير چهره پيشنهاد شده است. ابتدا ویژگیهای DCT مؤثر در تغييرات نور از تصوير استخراج شده و پس از نرمالسازي، جهت تعيين کلاسهای نوری مورد استفاده قرار ميگيرند. براي یادگیری کلاسهای نوری از سه الگوریتم درخت تصميم، SVM و الگوريتم مبتني بر بيز WAODE استفاده شده و عملكرد آنها ارزيابي شده است. نتایج بهدست آمده روي پایگاههای تصویری YaleB و ExtendedYale نشان ميدهد كه SVM بهترین متوسط دقت را برای طبقهبندی تصاویر چهره در نورپردازیهای مختلف ارائه میدهد. در حالی که طبقهبند بیزی WAODE به دلیل مقاومت بهتر در برابر فقدان داده، براي کلاسهای نوری با زاویه تابش زیاد نتایج بهتری را ارائه میدهد.
پرونده مقاله
خواندن خودکار نقشههای فرش به معنی تعیین نقشه با تعداد رنگ مشخص از روی نقشه اسکنشده است. خواندن خودکار شامل دو مرحله تشخیص خطوط نقشه و کاهش تعداد رنگ پیکسلهای تصویر است. کاهش رنگ نیز از دو مرحله طراحی پالت و نگاشت رنگ پیکسلهای تصویر به رنگهای پالت تشکیل میشود. برا چکیده کامل
خواندن خودکار نقشههای فرش به معنی تعیین نقشه با تعداد رنگ مشخص از روی نقشه اسکنشده است. خواندن خودکار شامل دو مرحله تشخیص خطوط نقشه و کاهش تعداد رنگ پیکسلهای تصویر است. کاهش رنگ نیز از دو مرحله طراحی پالت و نگاشت رنگ پیکسلهای تصویر به رنگهای پالت تشکیل میشود. برای کاهش رنگ، روشهای متنوعی وجود دارد که دقت آنها از اهمیت بالایی برخوردار است و حتی در برخی از روشها برای افزایش دقت برای طراحی پالت از کاربر کمک گرفته میشود. هدف از این تحقیق ارائه روش کاهش رنگ کاملاً خودکار با دقت بالا است. برای این منظور از روش یادگیری تقویتشده استفاده شده است که دقتی بالغ بر 98% دارد. تاکنون از این روش برای کاهش رنگ استفاده نشده است. روش پیشنهادی با توجه به کاربرد، تعریف شده است و میزان کاهش رنگ بهنحوی است که دقت الگوریتم کاهش پیدا نکند. از این رو پالت نهایی، از تعداد رنگ بیشتری در مقایسه با پالت اصلی برخوردار است. در کار ارائهشده در این مقاله، ابتدا خطوط نقشه آشکار میشوند و رنگ پیکسلهای درون هر خانه نقشه به یک پیکسل نگاشت میشود و سپس با استفاده از روش یادگیری تقویتشده کاهش رنگ انجام میشود. نتایج حاصل از آزمایش روش پیشنهادی بر روی چند تصویر نمونه ارائه و بررسی میشود.
پرونده مقاله
بازيابي معنايي تصوير از مباحث مورد توجه در بازشناسي الگو است. جهت نزديکتر شدن سامانه بازيابي به محتواي معنايي تصاوير از روشهاي يادگيري کوتاهمدت و بلندمدت در قالب بازخورد ربط استفاده ميشود. در دهه اخير استفاده از يادگيري بلندمدت در سامانههاي بازيابي مورد توجه زيادي چکیده کامل
بازيابي معنايي تصوير از مباحث مورد توجه در بازشناسي الگو است. جهت نزديکتر شدن سامانه بازيابي به محتواي معنايي تصاوير از روشهاي يادگيري کوتاهمدت و بلندمدت در قالب بازخورد ربط استفاده ميشود. در دهه اخير استفاده از يادگيري بلندمدت در سامانههاي بازيابي مورد توجه زيادي قرار گرفته است و رويکردهايي در اين زمينه ارائه شده است. در اين مقاله رويکرد جديدي در يادگيري بلندمدت با ارائه روشي براي بيان الگوهاي معنايي ارائه شده است. در اين روش، الگوهاي معنايي بر پايه اطلاعات مستخرج از يادگيري کوتاهمدت مبتني بر بهبود تابع شباهت، تهيه و از اين اطلاعات در بهبود نتايج بازيابي در پرس و جوهاي آينده استفاده ميشود. علاوه بر آن، يک معيار مؤثر تعيين شباهت بين الگوهاي معنايي پيشنهادي و تصاوير براي بازيابي ارائه و روش پيشنهادي در يک پايگاه تصوير با 10000 تصوير آزموده شده است. اين روش با يک روش متداول در يادگيري بلندمدت مقايسه و نتايج ارائه شده است. نتايج آزمايشها، بهبود دقت بازيابی در روش پيشنهادی نسبت به حالت بدون يادگيری بلندمدت و با يادگيری بلندمدت به روش 'iFind' را نشان ميدهد.
پرونده مقاله
استفاده از تكنيكهاي فناوري اطلاعات در بازارهاي الکترونيکي، پویایی و پيچيدگي سيستم عرضه و تقاضا را بالا برده است. بنابراين بهکارگيري عاملهاي هوشمند جهت خريد و فروش و چانهزني در اين گونه بازارها بهعنوان يک راهکار مؤثر پيشنهاد شده است. الگوريتم یادگیری تقويتي يكي از ر چکیده کامل
استفاده از تكنيكهاي فناوري اطلاعات در بازارهاي الکترونيکي، پویایی و پيچيدگي سيستم عرضه و تقاضا را بالا برده است. بنابراين بهکارگيري عاملهاي هوشمند جهت خريد و فروش و چانهزني در اين گونه بازارها بهعنوان يک راهکار مؤثر پيشنهاد شده است. الگوريتم یادگیری تقويتي يكي از روشهاي قوي یادگیری عاملهاست که با كمترين اطلاعات ممكن ميتواند بهصورت تعاملي براي آموزش عامل، در راستاي پيشنهاد قيمت بهکار گرفته شود. چانهزني يك مذاكره چالش برانگيز و پيچيده است كه علت آن تنوع متغيرهاي بسيار زياد در روابط عرضه و تقاضا و دانش ناكافي شركتكنندگان در بازار ميباشد. در اين مقاله نحوه بهکارگيري یادگیری تقويتي در مسأله چانهزني در دو بازار مناقصه و مزايده در راستاي بيشينهسازي افزايش سود عامل بيان ميگردد. متغيرهاي حالت، عمل و تابع یادگیری تقويتي براي مسأله چانهزني در بازار به کمک يک مسأله یادگیری تقويتي نمونه فرمولبندي میشوند. با مقايسه روش ارائهشده و يك روش تجربی به اين واقعيت خواهيم رسيد كه عامل آموزشديده، سود به مراتب بيشتري را از يک عامل تجربی کسب مينمايد.
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
يکي از روشهاي کنترلي مرسوم در توربينهاي بادي، کنترل زاويه گام پرههاي توربين ميباشد که اين کار به منظور داشتن توان نامي در خروجي توربين، براي سرعتهاي باد بالاتر از سرعت باد نامي انجام ميگيرد. با توجه به اهميت زياد کيفيت توان توليدي توسط توربين و از آنجا که عملکرد ب چکیده کامل
يکي از روشهاي کنترلي مرسوم در توربينهاي بادي، کنترل زاويه گام پرههاي توربين ميباشد که اين کار به منظور داشتن توان نامي در خروجي توربين، براي سرعتهاي باد بالاتر از سرعت باد نامي انجام ميگيرد. با توجه به اهميت زياد کيفيت توان توليدي توسط توربين و از آنجا که عملکرد بهتر کنترلکننده زاويه گام، کيفيت بهتر خروجي سيستم زاويه گام و متعاقباً کيفيت بهتر توان توليدي توربين را به دنبال دارد، بهينهسازي عملکرد اين کنترلکننده امري حياتي است. در اين مقاله ابتدا براي کنترل زاويه گام از يک کنترلکننده PI استفاده شده و سپس يک کنترلکننده هوشمند عاطفی جدید (برگرفته از مکانيسم يادگيری عاطفی مغز انسان) جايگزين آن گرديده است. با توجه به نتايج شبيهسازي با اين جايگزيني، عملکرد سيستم کنترل زاويه گام در حد بسيار خوبي بهبود يافته است. اين کنترلکننده هوشمند عملکرد خوبي از لحاظ سرعت پاسخدهي، ريپل پاسخ و بالاخره خطاي ماندگار رديابي داشته و در ضمن از قوام قابل ملاحظهاي در قبال تغييرات سرعت باد (نقطه کار) و پارامترهاي سيستم زاويه گام برخوردار است.
پرونده مقاله
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 یادگیرند چکیده کامل
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.
پرونده مقاله
بیماریهای قلبی شايعترين علت مرگ و مير در جهان هستند. بررسی عملکرد بطن چپ که وظيفه خونرساني به تمامي نقاط بدن را دارد، در تشخیص بیماریهای قلبی بسیار حائز اهمیت است. تعیین و ردیابی خودکار مرزهای ديواره بطن چپ در طول یک سیکل قلبی جهت كميسازي عملکرد ديواره بطن چپ قلبي چکیده کامل
بیماریهای قلبی شايعترين علت مرگ و مير در جهان هستند. بررسی عملکرد بطن چپ که وظيفه خونرساني به تمامي نقاط بدن را دارد، در تشخیص بیماریهای قلبی بسیار حائز اهمیت است. تعیین و ردیابی خودکار مرزهای ديواره بطن چپ در طول یک سیکل قلبی جهت كميسازي عملکرد ديواره بطن چپ قلبي به جهت تشخيص بيماريهاي مختلف قلبي از جمله بيماري ايسکمي استفاده ميشود. در این مقاله، روش خودکار جديدي برای تعیین مرز ديواره بطن چپ در تصاوير اکوکاردیوگرافی يک سيکل قلبي ارائه شده که در اين الگوريتم از ترکيب روشهاي کانتور فعال هندسی بر اساس نیروی خارجی تلفیق میدان برداری جهتدار و يادگيري منيفلد استفاده شده است. در اين روش، ابتدا تصاوير اکوکارديوگرافي يک سيکل قلبي با استفاده از يکي از پرکاربردترين روشهاي يادگيري منيفلد به نام نگاشت محلي خطي به فضاي دوبعدي نگاشت ميشود. در اين فضاي ويژگي جديد ارتباط بين فريمهاي يک سيکل قلبي به خوبي نشان داده ميشود. سپس تعيين مرز ديواره بطن چپ در طول یک سيکل قلبي با استفاده از روش کانتور فعال هندسی بر اساس نیروی خارجی تلفیق میدان برداری جهتدار انجام میگیرد. در این روش مرز نهایی یک فریم به عنوان مرز اولیه فریم بعدی در نظر گرفته شده و به منظور افزايش دقت تعيين مرز ديواره بطن چپ و همچنين جلوگيري از انحراف مرز، میزان حرکت مجاز مرز ناشي از روش کانتور فعال هندسي از ارتباط بین فریمها، متناظر با فریم جاری و فریم قبلی، در فضای دوبعدی محدود ميگردد. برای ارزیابی کمی روش پیشنهادی از 9 توالی تصاویر اکوکاردیوگرافی (5 داوطلب سالم و 4 بیمار) استفاده شده است. مرز ديواره بطن چپ به دست آمده با روش پیشنهادی با مرز ديواره به دست آمده توسط پزشک متخصص باتجربه (استاندارد طلایی) مقایسه شده و نتايج به دست آمده حاکي از دقت بالاي روش پيشنهادي در تعيين مرز ديواره بطن چپ ميباشد.
پرونده مقاله
ما در اين مقاله روش کارامد جديدی را مبتنی بر توصيفگر الگوی باينری محلی برای بازشناسی چهره معرفی کرديم. چون محاسبات داخل الگوی باینری محلی بین مقادیر دو پیکسل انجام میشود، حتی تغییرات کوچک در الگوی باینری عملکرد آن را تحت تأثیر قرار میدهد. در این مقاله یک روش جدید بازش چکیده کامل
ما در اين مقاله روش کارامد جديدی را مبتنی بر توصيفگر الگوی باينری محلی برای بازشناسی چهره معرفی کرديم. چون محاسبات داخل الگوی باینری محلی بین مقادیر دو پیکسل انجام میشود، حتی تغییرات کوچک در الگوی باینری عملکرد آن را تحت تأثیر قرار میدهد. در این مقاله یک روش جدید بازشناسی چهره برای انتخاب الگوهای باینری میانگین محلی (LABP) بر مبنای آتاماتای یادگیر سلولی مبتنی بر محاسبات تکاملی ارائه شده است. در روش پیشنهادی، ابتدا الگوهای باینری یکنواخت محلی توسط LABP از تصاویر چهره استخراج میشود. در LABPجهت به دست آوردن نمایش ویژگی مقاومتر، نقاط نمونه زیادی مورد استفاده قرار گرفته است، سپس بهترین زیرمجموعه از این الگوها بدون داشتن اطلاعات اولیه از آنها توسط روش CLA-ECپیدا شده و از آنها هیستوگرام گرفته میشود و در نهایت از ماشین بردار پشتیبان برای طبقهبندی استفاده میشود. نتیجه به دست آمده از شبیهسازی سیستمهای بازشناسی چهره روی مجموعه داده FERET، برتری الگوریتم پیشنهادی را نسبت به الگوریتمهای دیگر نشان داد.
پرونده مقاله
در این مقاله، یک ساختار جدید شبکهای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیعشده توسعهیافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکهای برای حل مسأله زیرگراف بهینه در گرافهای تصادفی با یالهای وزندار از طریق نمونهگیری ارائه میشود. نشان داده شد چکیده کامل
در این مقاله، یک ساختار جدید شبکهای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیعشده توسعهیافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکهای برای حل مسأله زیرگراف بهینه در گرافهای تصادفی با یالهای وزندار از طریق نمونهگیری ارائه میشود. نشان داده شده که ساختار شبکهای جدید پیشنهادی قادر به حل مسایل بهینهسازی روی گرافهای تصادفی از طریق نمونهگیری با تعداد نمونه کمتر نسبت به روش نمونهگیری استاندارد است. علاوه بر این، اثباتی برای همگرایی آن به جواب بهینه ارائه شده و نشان داده میشود که ساختار شبکهای پیشنهادی همواره با احتمال 1 به جواب بهینه همگرا میگردد.
پرونده مقاله
در اين مقاله يک آتاماتاي توزيعشده جديد به نام آتاماتاي يادگير توزيعشده توسعهيافته براي يادگيري توزيع توأم مجموعهاي از متغيرهاي تصادفي معرفي خواهد شد. اين شبکه از آتاماتاها در محيطهايي که پاسخ محيط به مجموعهاي از اقدامات انجامشده توسط آتاماتا، مستقل از يکديگر نبود چکیده کامل
در اين مقاله يک آتاماتاي توزيعشده جديد به نام آتاماتاي يادگير توزيعشده توسعهيافته براي يادگيري توزيع توأم مجموعهاي از متغيرهاي تصادفي معرفي خواهد شد. اين شبکه از آتاماتاها در محيطهايي که پاسخ محيط به مجموعهاي از اقدامات انجامشده توسط آتاماتا، مستقل از يکديگر نبوده و نوعي وابستگي شرطي ميان اين پاسخها حاکم باشد، کاربرد دارد. نشان داده شده که اين آتاماتاي جديد قادر است تخميني از توزيع شرطي اقدامها را فرا بگيرد. در ادامه چارچوبی مبتني بر آتاماتاي يادگير توزيعشده جديد پيشنهادي، براي حل مسأله يادگيري برخط پارامترهاي یک شبکه بیزی ارائه شده است. اين چارچوب با دادهها و شواهد جديد منطبق شده و عمليات به روز رساني پارامترها را انجام ميدهد. با بررسيهاي رياضي و آزمايشهاي عملي روي شبکههاي نمونه، نشان دادهايم که اين مدل جديد قادر است با تخميني با دقت برابر با EM، يادگيري پارامترهاي يک شبکه بيزي را انجام دهد. علاوه بر ويژگي افتراقیبودن و يادگيري برخط، اين ساختار جديد با شرايطي که دادهها ناکامل باشند نيز سازگار است و به دليل استفاده از روابط يادگيري خطي و مبتني بر آتاماتاي يادگير، سربار محاسباتي کمي نيز دارد.
پرونده مقاله
اکثر الگوريتمهایي که تا اين زمان در زمينه نهانکاوي کور ويدئو ارائه شدهاند منطبق بر يادگيري باناظر بوده و هزینه تولید دادههای برچسبدار در آنها بالا میباشد. تحت این شرایط در فرایند نهانکاوی کور ویدئو تنها میتوان از تعداد محدودی از الگوریتمهای نهاننگاری که کد آنه چکیده کامل
اکثر الگوريتمهایي که تا اين زمان در زمينه نهانکاوي کور ويدئو ارائه شدهاند منطبق بر يادگيري باناظر بوده و هزینه تولید دادههای برچسبدار در آنها بالا میباشد. تحت این شرایط در فرایند نهانکاوی کور ویدئو تنها میتوان از تعداد محدودی از الگوریتمهای نهاننگاری که کد آنها در دسترس است برای آموزش طبقهبند استفاده کرد. بنابراین نمیتوان درباره کارایی نهانکاو برای شناسایی آن دسته از الگوریتمهای نهاننگاری ویدئویی که کد آنها در دسترس نیست، مطمئن بود. همچنین الگوریتمهای رایج عموماً برونخط میباشند و بنابراین آموزش مجدد سیستم زمانبر بوده و نمیتوان سیستم را به صورت برخط بروز کرد. برای حل این مشکلات یک روش جدید نهانکاوی کور ویدئو با رویکرد یادگیری شبهناظر در این مقاله ارائه شده است. در روش پیشنهادی با توجه به رفع محدودیت برچسبدار بودن دادههای آموزشی، کارایی طبقهبند برای آن دسته از الگوریتمهای نهاننگاری که کد آنها در دسترس نیست بهبود مییابد. همچنین ثابت میشود که روش پیشنهادی نسبت به روشهای متداول در فرایند نهانکاوی کور ویدئو پیچیدگی زمانی کمتری داشته و یک روش برخط بهینه است. نتایج شبیهسازی بر روی پایگاه داده استاندارد نشان میدهد که روش پیشنهادی علاوه بر مزایای فوق، دارای دقت آشکارسازی قابل مقایسه با روشهای متداول روز است.
پرونده مقاله
اکثر الگوريتمهایي که تا اين زمان در زمينه نهانکاوي کور ويدئو ارائه شدهاند منطبق بر يادگيري باناظر بوده و هزینه تولید دادههای برچسبدار در آنها بالا میباشد. تحت این شرایط در فرایند نهانکاوی کور ویدئو تنها میتوان از تعداد محدودی از الگوریتمهای نهاننگاری که کد آنه چکیده کامل
اکثر الگوريتمهایي که تا اين زمان در زمينه نهانکاوي کور ويدئو ارائه شدهاند منطبق بر يادگيري باناظر بوده و هزینه تولید دادههای برچسبدار در آنها بالا میباشد. تحت این شرایط در فرایند نهانکاوی کور ویدئو تنها میتوان از تعداد محدودی از الگوریتمهای نهاننگاری که کد آنها در دسترس است برای آموزش طبقهبند استفاده کرد. بنابراین نمیتوان درباره کارایی نهانکاو برای شناسایی آن دسته از الگوریتمهای نهاننگاری ویدئویی که کد آنها در دسترس نیست، مطمئن بود. همچنین الگوریتمهای رایج عموماً برونخط میباشند و بنابراین آموزش مجدد سیستم زمانبر بوده و نمیتوان سیستم را به صورت برخط بروز کرد. برای حل این مشکلات یک روش جدید نهانکاوی کور ویدئو با رویکرد یادگیری شبهناظر در این مقاله ارائه شده است. در روش پیشنهادی با توجه به رفع محدودیت برچسبدار بودن دادههای آموزشی، کارایی طبقهبند برای آن دسته از الگوریتمهای نهاننگاری که کد آنها در دسترس نیست بهبود مییابد. همچنین ثابت میشود که روش پیشنهادی نسبت به روشهای متداول در فرایند نهانکاوی کور ویدئو پیچیدگی زمانی کمتری داشته و یک روش برخط بهینه است. نتایج شبیهسازی بر روی پایگاه داده استاندارد نشان میدهد که روش پیشنهادی علاوه بر مزایای فوق، دارای دقت آشکارسازی قابل مقایسه با روشهای متداول روز است.
پرونده مقاله
بازيابي تصوير بر اساس محتوا شامل مجموعهاي از روشها براي پردازش ويژگيهاي ديداري يک تصوير پرس و جو به منظور پيداکردن تصاوير مشابه آن در يک پايگاه تصوير است. براي بهبود عملکرد سامانه بازیابی تصویر ميتوان از ابزار بازخورد ربط استفاده کرد. در اين تحقيق براي افزايش کارايي چکیده کامل
بازيابي تصوير بر اساس محتوا شامل مجموعهاي از روشها براي پردازش ويژگيهاي ديداري يک تصوير پرس و جو به منظور پيداکردن تصاوير مشابه آن در يک پايگاه تصوير است. براي بهبود عملکرد سامانه بازیابی تصویر ميتوان از ابزار بازخورد ربط استفاده کرد. در اين تحقيق براي افزايش کارايي سامانههاي بازيابي تصوير، ترکيب دو یا چند روش يادگيري کوتاهمدت در فرایند بازخورد ربط پيشنهاد شده است. در روش پيشنهادي، ترکيب در سه سطح انجام ميگيرد: سطح تصاوير برگرداندهشده، سطح توابع شباهت و سطح رتبه تصاوير. براي ارزيابي روش پيشنهادي يک سامانه بازيابي تصوير مبتني بر محتوا با 10000 تصوير از 82 گروه معنايي متفاوت مورد استفاده قرار گرفته است. نتایج حاصل از آزمایشها برتري روش پيشنهادي را از لحاظ دقت بازیابی مورد تأیید قرار میدهد.
پرونده مقاله
بازيابي تصوير بر اساس محتوا شامل مجموعهاي از روشها براي پردازش ويژگيهاي ديداري يک تصوير پرس و جو به منظور پيداکردن تصاوير مشابه آن در يک پايگاه تصوير است. براي بهبود عملکرد سامانه بازیابی تصویر ميتوان از ابزار بازخورد ربط استفاده کرد. در اين تحقيق براي افزايش کارايي چکیده کامل
بازيابي تصوير بر اساس محتوا شامل مجموعهاي از روشها براي پردازش ويژگيهاي ديداري يک تصوير پرس و جو به منظور پيداکردن تصاوير مشابه آن در يک پايگاه تصوير است. براي بهبود عملکرد سامانه بازیابی تصویر ميتوان از ابزار بازخورد ربط استفاده کرد. در اين تحقيق براي افزايش کارايي سامانههاي بازيابي تصوير، ترکيب دو یا چند روش يادگيري کوتاهمدت در فرایند بازخورد ربط پيشنهاد شده است. در روش پيشنهادي، ترکيب در سه سطح انجام ميگيرد: سطح تصاوير برگرداندهشده، سطح توابع شباهت و سطح رتبه تصاوير. براي ارزيابي روش پيشنهادي يک سامانه بازيابي تصوير مبتني بر محتوا با 10000 تصوير از 82 گروه معنايي متفاوت مورد استفاده قرار گرفته است. نتایج حاصل از آزمایشها برتري روش پيشنهادي را از لحاظ دقت بازیابی مورد تأیید قرار میدهد.
پرونده مقاله
شبکه خودسازمانده پويا با يادگيري نيمهناظر در بسياري از کاربردها نظیر خوشهبندی دادهها کاربرد دارد. محاسبه پارامترهاي شبکه خودسازمانده شامل شکل و ساختار لايه خوشهبندی، سطح فعالسازی و وزنهاي لايه طبقهبندی از جمله مسایل چالشبرانگیز و مهم آن است. راهکارهای ارائهشده چکیده کامل
شبکه خودسازمانده پويا با يادگيري نيمهناظر در بسياري از کاربردها نظیر خوشهبندی دادهها کاربرد دارد. محاسبه پارامترهاي شبکه خودسازمانده شامل شکل و ساختار لايه خوشهبندی، سطح فعالسازی و وزنهاي لايه طبقهبندی از جمله مسایل چالشبرانگیز و مهم آن است. راهکارهای ارائهشده فعلی از روشهای ابتکاری و با یک نگاه محلی سعی در تعیین این پارامترها دارند که در اثر آن، نتایج این الگوریتمها وابستگی بالایی به شرایط دارد. این مقاله یک روش یادگیری نیمهناظر مبتنی بر شبکه خودسازمانده پویا و يادگيري حداکثري را برای اولین بار مورد بررسی قرار میدهد. روش پیشنهادی، بدون محاسبه مستقیم پارامترهای شبکه خودسازمانده پویا و با استفاده از روش یادگیری حداکثری، کلاس هر داده را تعیین میکند. خطای حاصل از بازخورد سیستم، هم در یادگیری حداکثری و هم در بهینهسازی شبکه خودسازمانده پویا مورد استفاده قرار میگیرد. در این مقاله، علاوه بر بررسی تحلیلی همگرایی روش پیشنهادی، روش حداکثری ترتیبی برای شبکه نیمهناظر خودسازمانده پویا ارائه شده است. آزمایشهای انجامشده بر روی دادههای برخط و با برچسب جزئی نشان میدهند که روش پیشنهادی از نظر دقت، نسبت به روش نیمهناظر خودسازمانده پویا برتری نسبی دارد.
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
تفکیکپذیری نقاط رنگی با اشکال هندسی یکی از مسایل مطرح در هندسه محاسباتی است که کاربردهایی از جمله در یادگیری ماشین و شناسایی الگو دارد. در این مسأله دو سری نقطه P و Q به ترتیب به رنگهای قرمز و آبی و به اندازه n در صفحه داده شده است. حال لازم است یک شکل هندسی مشخص را ب چکیده کامل
تفکیکپذیری نقاط رنگی با اشکال هندسی یکی از مسایل مطرح در هندسه محاسباتی است که کاربردهایی از جمله در یادگیری ماشین و شناسایی الگو دارد. در این مسأله دو سری نقطه P و Q به ترتیب به رنگهای قرمز و آبی و به اندازه n در صفحه داده شده است. حال لازم است یک شکل هندسی مشخص را به گونهای در صفحه قرار دهیم که کلیه نقاط آبی را در برگرفته و شامل هیچ نقطه قرمزی نباشد. در کارهای پیشین الگوریتمهایی برای تفکیکپذیری نقاط با گوه و مستطیل ارائه گردیده ولی تا به حال الگوریتمی برای تفکیکپذیری نقاط با یک مثلث و همچنین مثلثی که یک زاویه آن مشخص باشد (مثلاً قائمالزاویه) ارائه نشده است. در این مقاله الگوریتمی جدید و کارا برای تفکیکپذیری نقاط رنگی با مثلث قائمالزاویه ارائه میکنیم که قادر خواهد بود با استفاده از راهکار خط جاورب چرخشی، معرفی رخدادها و پردازش آنها در زمان کارای O(nlogn) کلیه مثلثهای قائمالزاویه تفکیککننده را گزارش کند.
پرونده مقاله
یکی از مسایل جالب در هوش مصنوعی ساخت شبکه بیزی بر اساس نمونههایی از دادهها است؛ یعنی فرض کنید یک شبکه بیزی N روی مجموعه متغیرهای V مفروض است. هدف، ساخت یک شبکه بیزی- استخراج مجموعهای از روابط علت/ معلولی- میان مجموعه متغیرها بر اساس نمونههایی که از N استخراج شده و چکیده کامل
یکی از مسایل جالب در هوش مصنوعی ساخت شبکه بیزی بر اساس نمونههایی از دادهها است؛ یعنی فرض کنید یک شبکه بیزی N روی مجموعه متغیرهای V مفروض است. هدف، ساخت یک شبکه بیزی- استخراج مجموعهای از روابط علت/ معلولی- میان مجموعه متغیرها بر اساس نمونههایی که از N استخراج شده و بدون در اختیار داشتن N است. از این مسأله در متون با عنوان یادگیری ساختاری شبکه بیزی یاد میشود. یکی از روشهای مهم در یادگیری ساختاری شبکههای بیزی با استفاده از دادههای نمونه، استفاده از معیارهای مبتنی بر امتیاز برای ارزیابی میزان برازندگی یک ساختار بیزی مفروض با دادههای نمونه و جست و جو در میان ساختارهای ممکن است. جست و جو برای یافتن یک ساختار مناسب برای شبکه بیزی که بیشترین سازگاری را با نمونهها داشته باشد غالباً از طریق جست و جو در فضای ساختارها با استفاده از تکنیکهای جست و جوی استاندارد یا الهامگرفته از طبیعت نظیر تپهنوردی حریصانه، الگوریتمهای ژنتیک، شبیهسازی حرارتی یا الگوریتم تبرید، بهینهسازی کلونی مورچهها و نظایر آن صورت میگیرد.
در این مقاله یک روش جدید مبتنی بر آتاماتای یادگیر برای یادگیری ساختاری شبکه بیزی ارائه شده است. در این روش آتاماتای یادگیر به عنوان یک ابزار جستجوی تصادفی مورد استفاده قرار میگیرد. از ویژگیهای روش جدید پیشنهادی جستجوی همزمان در فضای جایگشتهای ممکن از متغیرها (فضای ترتیب متغیرها) و فضای ساختارها (فضای DAGها) است. ضمن بررسی ریاضی الگوریتم پیشنهادی، روش جدید روی تعدادی از شبکههای نمونه مورد آزمایش قرار گرفته است.
پرونده مقاله
در این تحقیق، یک روش طبقهبندی جمعی بر اساس یادگیری با همبستگی منفی برای بازشناسی کلنگر کلمات دستنویس با حجم محدود پیشنهاد میشود. در این روش مجموعه داده آموزشی پس از پیشپردازش و استخراج ویژگی به طبقهبندهای پایه پرسپترون چندلایه اعمال میشود. سپس شبکههای عصبی پایه چکیده کامل
در این تحقیق، یک روش طبقهبندی جمعی بر اساس یادگیری با همبستگی منفی برای بازشناسی کلنگر کلمات دستنویس با حجم محدود پیشنهاد میشود. در این روش مجموعه داده آموزشی پس از پیشپردازش و استخراج ویژگی به طبقهبندهای پایه پرسپترون چندلایه اعمال میشود. سپس شبکههای عصبی پایه به روش یادگیری با همبستگی منفی، آموزش داده شده و از این طریق گوناگون میشوند. هنگامی که دادههای آزمایشی پس از استخراج ویژگی به طبقهبندهای پایه اعمال میشوند، هر طبقهبند پایه خروجی نسبتاً متفاوتی را تولید میکند. با ادغام خروجی طبقهبندهای پایه، خروجی نهایی سیستم به دست میآید. برای آزمایش روش پیشنهادی از سه نوع ویژگی شامل ویژگیهای مبتنی بر منطقهبندی، گرادیان تصویر و کد زنجیرهای کانتور استفاده شده است. در آزمایشهایی که روی 775 تصویر از نام 31 مرکز استان کشور، از مجموعه داده "ایرانشهر" انجام شده است، استفاده از ویژگیهای مبتنی بر گرادیان و آموزش 6 شبکه پرسپترون با همبستگی منفی و ادغام آنها از طریق رأیگیری، میانگین نرخ بازشناسی برابر با 10/96 درصد را به دست داده است. سپس خطاهای روش پیشنهادی تحلیل و ردیابی شده است.
پرونده مقاله
در این مقاله شبکه عصبی فازی مین- ماکس چندسطحی با باکسهای وزندار (WL-FMM) برای استفاده در کلاسبندی ارائه میگردد که یک ابزار یادگیری با نظارت بسیار سریع بوده و قادر به یادگیری دادهها به صورت برخط و تکگذار است. در این روش برای حل مشکل نواحی همپوشان که از مشکلات همیشگ چکیده کامل
در این مقاله شبکه عصبی فازی مین- ماکس چندسطحی با باکسهای وزندار (WL-FMM) برای استفاده در کلاسبندی ارائه میگردد که یک ابزار یادگیری با نظارت بسیار سریع بوده و قادر به یادگیری دادهها به صورت برخط و تکگذار است. در این روش برای حل مشکل نواحی همپوشان که از مشکلات همیشگی روشهای فازی مین- ماکس بوده، از باکسهایی با اندازه کوچکتر و وزن بیشتر استفاده میشود. این کار باعث افزایش دقت طبقهبندی شبکه در نواحی مرزی نمونهها میگردد. همچنین با توجه به تغییراتی که در ساختار الگوریتم داده شده و بر اساس نتایج آزمایشی به دست آمده، روش ارائهشده نسبت به روشهای مشابه از پیچیدگی زمانی و مکانی کمتری برخوردار بوده و نسبت به پارامترهایی که از طرف کاربر مشخص میشود، حساسیت کمتری دارد.
پرونده مقاله
روشهای هدایت افزایشی مختلفی جهت دنبالکردن توان بیشینه در آرایههای فتوولتائیک مطرح شده است. انتخاب بهینه اندازه گام سرعت رسیدن به نقطه بهینه و دقت ردیابی را تعیین میکند. در این مقاله یک روش جدید برای دنبالکردن نقطه بیشینه توان معرفی خواهد شد که بر پایه روش هدایت افز چکیده کامل
روشهای هدایت افزایشی مختلفی جهت دنبالکردن توان بیشینه در آرایههای فتوولتائیک مطرح شده است. انتخاب بهینه اندازه گام سرعت رسیدن به نقطه بهینه و دقت ردیابی را تعیین میکند. در این مقاله یک روش جدید برای دنبالکردن نقطه بیشینه توان معرفی خواهد شد که بر پایه روش هدایت افزایشی که یکی از روشهای پایه و اولیه است و روش گرادیان کاهشی میباشد. در روش هدایت افزایشی اندازه گام مشخصکننده سرعت رسیدن به نقطه مورد نظر است، به این ترتیب که با یک گام ثابت بزرگتر عمل دنبالکردن با سرعت بالاتری انجام میگیرد اما سیستم حول نقطه بیشینه توان نوسان خواهد کرد و دقت عمل پایین خواهد بود. همچنین با استفاده از گام کوچکتر مشکل نوسان حول نقطه هدف برطرف شده اما سرعت رسیدن به آن کاهش مییابد. هدف ایجاد یک موازنه بین دقت همگرایی و سرعت دنبالکردن میباشد. در این مقاله گام به صورت متغیر در نظر گرفته میشود به طوری که قابلیت افزایش یا کاهش مقدار خود را تحت شرایط مختلف دارد. پس از این که الگوریتم ولتاژ نقطه بهینه را پیدا میکند باید ضریب وظیفه کلید مبدل به گونهای تنظیم گردد که ولتاژ خروجی آرایه برابر با ولتاژ بهینه باشد. برای این منظور معمولاً از کنترلکننده PI استفاده میشود که با تغییر شرایط ممکن است عملکرد مطلوبی از خود نشان ندهد. لذا در این مقاله از روش کنترلی عاطفی BELBIC به عنوان یک کنترلکننده هوشمند استفاده میشود. نتایج حاصل از شبیهسازی و نمونه آزمایشگاهی عملکرد مطلوب روش ارائهشده را نشان میدهد.
پرونده مقاله
ارائه یک رویکرد عاملگرای راستیآزما برای دستگاه کنترل ضربان قلب که برای تنظیم ضربان بیماران دچار آرتیمی استفاده میشود و همچنین امکان کنترل و دسترسی به عملکرد آن در هر زمان و مکان از طریق بستر ابر جهت اطمینان از کارکرد صحیح آن، هدف این مقاله است.
در صورت از کار افتادن چکیده کامل
ارائه یک رویکرد عاملگرای راستیآزما برای دستگاه کنترل ضربان قلب که برای تنظیم ضربان بیماران دچار آرتیمی استفاده میشود و همچنین امکان کنترل و دسترسی به عملکرد آن در هر زمان و مکان از طریق بستر ابر جهت اطمینان از کارکرد صحیح آن، هدف این مقاله است.
در صورت از کار افتادن دستگاه تنظیم ضربان قلب به هر دلیل و یا تولید ضربان نامناسب توسط دستگاه، جان بیمار به خطر میافتد. با استفاده از رویکرد پیشنهادی، از عملکرد صحیح دستگاه تنظیم ضربان قلب میتوان اطمینان حاصل نمود. این رویکرد با استفاده از عامل نرمافزاری که قابلیت یادگیری تقویتی دارد میتواند شرایط پیشبینی نشده را فراگرفته و بر اساس آن رفتار نماید. استفاده از بستر ابر امکان ارسال پیام در شرایط بحرانی برای مراکز پزشکی را فراهم میکند. پس از محاسبه تعداد ضربان قلب بیمار به وسیله دستگاه تنظیم ضربان قلب و قبل از اعمال آن در بدن بیمار، رویکرد پیشنهادی مقدار ضربان محاسبهشده را بر اساس نظرات متخصص بررسی میکند و در صورت مغایرت بر اساس مکانیزم یادگیری تقویتی آن را تصحیح میکند. رویکرد پیشنهادی به طور خودکار و هوشمند با استفاده از قابلیت یادگیری تقویتی عمل مینماید. این روش به صورت شبیهسازی بر روی ابر و اتصال به یک دستگاه الکترونیکی همراه با بیمار پیادهسازی و از نظر زمان اجرا مورد بررسی و پذیرش قرار گرفت.
نتایج روش پیشنهادی با خروجیهای مورد انتظار در دیتاستهای موجود مقایسه شده است. این مقایسه نشان داد که استفاده از رویکرد پیشنهادی 24/13 درصد محاسبه انجامشده توسط دستگاه تنظیم ضربان قلب را دقیقتر میسازد. استفاده از عاملهای نرمافزاری با به کارگیری قابلیت یادگیری تقویتی میتواند نقش مهمی در بهبود رفتار دستگاههای پزشکی در شرایط بحرانی داشته باشد.
پرونده مقاله
طبقهبند یکی از سه بلوک تشکیلدهنده یک نهانکاو ویدئو است که برای آموزش نیازمند برچسب میباشد. در نهانکاوی کور به دلیل عدم دسترسی به الگوریتمهای نهاننگاری تهیه برچسب مشکل است. در این مقاله از طبقهبند خودسازمانده پویای شبهناظر برای رسیدن به حداقل برچسب استفاده شده و چکیده کامل
طبقهبند یکی از سه بلوک تشکیلدهنده یک نهانکاو ویدئو است که برای آموزش نیازمند برچسب میباشد. در نهانکاوی کور به دلیل عدم دسترسی به الگوریتمهای نهاننگاری تهیه برچسب مشکل است. در این مقاله از طبقهبند خودسازمانده پویای شبهناظر برای رسیدن به حداقل برچسب استفاده شده و بدین منظور مفهومی به نام افزونگی هندسی گرههای لایه زیرین شبکه خودسازمانده پویای شبهناظر به کار گرفته شده است. نشان داده شده که این افزونگی منجر به ایجاد الگوهای تکراری برای شبکه خواهد شد، پس حذف چنین گرههایی بلامانع است. اثبات شده به دلیل وجود تناظر یک به یک بین گرهها و برچسبها کاهش گرهها منجر به کاهش تعداد برچسب لازم میشود. نکته اساسی این که لازمه وجود افزونگی هندسی در میان تعدادی گره که مفهومی انتزاعی است، تشکیل دسته توسط آنهاست و بنابراین مبنای الگوریتم پیشنهادی شناسایی دستهها و ادغام اعضای آنهاست. طبقهبند به دست آمده بر این مبنا طبقهبند خودسازمانده هندسی نام نهاده شده و اثبات میشود که این طبقهبند میتواند به مقدار بهینه حداقل برچسب دست یابد. نتایج شبیهسازی نشاندهنده برتری چشمگیر طبقهبند نسبت به الگوریتمهای پیشین است.
پرونده مقاله
سیستمهای پیشنهاددهنده شخصیسازی شده، در کنار موتورهای جستجو، راهکاری برای غلبه بر مشکل گرانباری اطلاعات هستند به گونهای که در آنها سعی میشود با استفاده از تکنیکهای هوشمند و تعاملات کاربران در وب، محیطی شخصیسازی شده جهت تولید پیشنهادات مناسب فراهم آید. یکی از زمینه چکیده کامل
سیستمهای پیشنهاددهنده شخصیسازی شده، در کنار موتورهای جستجو، راهکاری برای غلبه بر مشکل گرانباری اطلاعات هستند به گونهای که در آنها سعی میشود با استفاده از تکنیکهای هوشمند و تعاملات کاربران در وب، محیطی شخصیسازی شده جهت تولید پیشنهادات مناسب فراهم آید. یکی از زمینههای کاربردی برای این سیستمها، محدوده یادگیری تطبیقی است. یک زیرسیستم پیشنهاددهنده، ماژول مهمی از سیستمهای تطبیقی آموزشی است که وظیفه ارائه اشیای آموزشی مناسب به کاربر خود را دارد. کاربران گوسفند خاکستری، یکی از چالشهای مطرحشده در این دسته از سیستمها هستند. این کاربران تشابه کمی با دیگر فراگیران دارند لذا پیشنهادات ارائهشده برای دیگران و یا بر اساس عادات قبلی آنها، لزوماً مناسب این نوع از کاربران نیست. برای حل این چالش، راهکار مطرحشده در این مقاله، استخراج فراداده صفحات آموزشی وب و تطابق آنها با خصوصیت سبک یادگیری کاربر در قالب یک فرمول رتبهبندی، جهت ارائه مناسبترین پیشنهاد منبع آموزشی برای یک فراگیر است. تعیین سبک یادگیری کاربر، بر اساس مدل فلدر- سیلورمن انجام میگیرد. سپس بر طبق میزان آن، صفحات مناسب برای آموزش و یادگیری بر حسب پارامترهای صریح و پنهان تعریفشده در آن صفحات، استخراج و پیشنهاد میگردند. پاسخ سیستم به پرس و جوی کاربر در قالب خروجی ایده مطرحشده، به وی نمایش داده میشود. همچنین کاربر میتواند جواب پیشنهادات برای سؤال خود را با خروجی الگوریتم لوسین که در اکثر موتورهای جستجو مورد استفاده است، برای مقایسه میزان مناسببودن آنها مشاهده نماید. کاربر میزان مفیدبودن پیشنهادات مطرحشده را به سیستم بازخورد میدهد. این بازخورد برای الگوریتم اتوماتای یادگیر تعریفشده برای تولید نتایج و پیشنهادات بعدی، مورد استفاده قرار میگیرد. نمونهای از سیستم پیادهسازی شده، در محیط آموزشی دانشگاهی، مورد ارزیابی دانشجویان قرار گرفته که نتایج بازخورد کاربران نشان از بهبود عملکرد سیستم نسبت به الگوریتمهای متعارف جستجوی عمومی دارد. این سیستم را میتوان به صورت یادگیری رسمی و غیر رسمی بر پایه منبع در محیط وب، مورد استفاده قرار داد.
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
با گسترش روزافزون شبکههای اجتماعی، علوم شبکه مورد توجه بسیاری از پژوهشگران در زمینههای مختلف قرار گرفته است. علاوه بر آن بسیاری از مسایل کاربردی مهندسی با استفاده از ابزار شبکههای اجتماعی مدلسازی شدهاند. پیشبینی تغییر و تحول در ساختار شبکههای اجتماعی یکی از مسایل چکیده کامل
با گسترش روزافزون شبکههای اجتماعی، علوم شبکه مورد توجه بسیاری از پژوهشگران در زمینههای مختلف قرار گرفته است. علاوه بر آن بسیاری از مسایل کاربردی مهندسی با استفاده از ابزار شبکههای اجتماعی مدلسازی شدهاند. پیشبینی تغییر و تحول در ساختار شبکههای اجتماعی یکی از مسایل اساسی در تحلیل شبکههای اجتماعی است که با عنوان مسأله پیشبینی ارتباط در علوم شبکه شناخته میشود. امروزه با گسترش استفاده از شبکههای اجتماعی، فعالیت افراد در قالب چندین شبکه با عنوان شبکههای اجتماعی ناهمگن رواج پیدا کرده است. پیشبینی ارتباط در شبکههای اجتماعی ناهمگن را میتوان بر اساس اطلاعات اضافی موجود نسبت به روشهای قبلی مورد بهبود قرار داد. در رویکرد پیشنهادی این مقاله، ابتدا یک معیار شباهت جدید برای کاربران در شبکههای ناهمگن بر اساس توسعه روشهای مطرح پیشین و با در نظر گرفتن ارتباط بین لایههای مختلف معرفی میشود، سپس با استفاده از رویکرد یادگیری باناظر و بهرهگیری از ویژگیهای تولیدشده بر مبنای معیار شباهت معرفیشده، الگوریتم پیشنهادی مورد تشریح قرار میگیرد. برای ارزیابی روش پیشنهادی از معیارهای استاندارد همانند دقت و صحت بهره گرفتهایم. مقایسه روش پیشنهادی با روشهای شناختهشده پیشین بر روی مجموعه دادههای مختلف نشان میدهد که روش پیشنهادی ما برای پیشبینی ارتباط از عملکرد بهتر و مطلوبتری برخوردار است به طوری که از نظر صحت تا ۲۰ درصد موجب بهبود عملکرد شده است.
پرونده مقاله
یادگیری متریک نیمهنظارتی مبتنی بر منیفلد در سالهای اخیر بسیار مورد توجه واقع شده است. این رویکردها، منظمسازی مبتنی بر فرض همواربودن دادهها روی منیفلد را اعمال میکنند، هرچند در معرض دو چالش قرار دارند: 1) شباهت بین دستههای مختلف، تقاطع منیفلدها با یکدیگر را ایجاد م چکیده کامل
یادگیری متریک نیمهنظارتی مبتنی بر منیفلد در سالهای اخیر بسیار مورد توجه واقع شده است. این رویکردها، منظمسازی مبتنی بر فرض همواربودن دادهها روی منیفلد را اعمال میکنند، هرچند در معرض دو چالش قرار دارند: 1) شباهت بین دستههای مختلف، تقاطع منیفلدها با یکدیگر را ایجاد میکند که با فرض همواربودن برچسب در این نواحی در تناقض است. 2) دستهبند NN1 که برای تعیین برچسب دادهها در مسایل یادگیری متریک اعمال میشود با وجود تعداد کم دادههای برچسبدار دقت مناسب را ندارد. در این مقاله روشی برای یادگیری متریک نیمهنظارتی با فرض قرارگیری دادهها در فضای لایهای ارائه شده که در آن از دانش پیشین موجود که همان فرض همواربودن دادهها روی هر منیفلد است به صورت دقیقتر بهرهبرداری شده است. در مرحله یادگیری متریک، فرض همواربودن در نواحی تقاطع اعمال نشده و در مرحله دستهبندی، دادههای برچسبدار در نقاط داخلی منیفلدها بر اساس فرض همواربودن توسعه داده شده است. تفکیک نقاط تقاطع منیفلدها از سایر نقاط بر مبنای رفتار متمایز لاپلاسین تابع هموار روی هر منیفلد در نقاط داخلی نسبت به سایر نقاط صورت میگیرد. آزمایشها نشاندهنده دقت خوب روش پیشنهادی نسبت به روشهای مشابه است.
پرونده مقاله
نظرکاوی امروزه به عنوان یکی از کاربردهای پراهمیت پردازش زبان طبیعی مطرح است که به دلیل بالابودن حجم و نرخ نظرات تولیدشده نیاز به روشهای ويژهای برای پردازش دارد. امروزه با توجه به ماهيت جريان دادهای نظرات کاربران در شبکههای اجتماعی و سایتهای تجارت الکترونيکی، استفا چکیده کامل
نظرکاوی امروزه به عنوان یکی از کاربردهای پراهمیت پردازش زبان طبیعی مطرح است که به دلیل بالابودن حجم و نرخ نظرات تولیدشده نیاز به روشهای ويژهای برای پردازش دارد. امروزه با توجه به ماهيت جريان دادهای نظرات کاربران در شبکههای اجتماعی و سایتهای تجارت الکترونيکی، استفاده از الگوريتمهای دستهبندی غير افزايشی باعث میگردد به مرور زمان کارايي مدل يادگرفتهشده برای کاوش نظرات کاهش یافته و عملاً غير قابل استفاده شود. علاوه بر این به دليل نامحدودبودن تعداد نظرات، امکان برچسبگذاری تمام نظرات برای ایجاد نمونههای آموزشی جديد و به روزرسانی مدل یادگرفتهشده وجود ندارد. از آنجا که ممکن است نظرات جديد دارای واژگان جديد بوده و یا توزيع دستههای قطبيت تغيير کند، رانش مفهوم نيز میبايست در نظرکاوی افزايشی پشتيبانی گردد.
در اين مقاله یک روش جدید برای یادگيری قطبيت متون به صورت افزايشی ارائه میگردد که با استفاده از یادگيری فعال جریان دادهای، متون ارزشمند برای بهروز رسانی مدل دستهبندی را انتخاب میکند و پس از تعيين برچسب آنها توسط متخصص انسانی، از آنها برای بهبود مدل دستهبندی بهره میگيرد. روش پيشنهادی به صورت برخط و بدون نياز به ذخيره متون، با استفاده از تعداد محدودی متون برچسبخورده آموزش میبیند و قادر به تشخيص و پشتيبانی از رانش مفهوم میباشد. روش پيشنهادی با روشهای شاخص افزايشی و غير افزايشی، با استفاده از مجموعه دادههای معتبر و معيارهای ارزيابی استاندارد مقايسه و ارزيابی میشود.
پرونده مقاله
همزمان با فراگیرشدن تکنولوژی اینترنت اشیا در سالهای اخیر، تعداد دستگاههای هوشمند و به تبع آن حجم دادههای جمعآوریشده توسط آنها به سرعت در حال افزایش است. از سوی دیگر، اغلب برنامههای کاربردی اینترنت اشیا نیازمند تحلیل بلادرنگ دادهها و تأخیر اندک در ارائه خدمات هست چکیده کامل
همزمان با فراگیرشدن تکنولوژی اینترنت اشیا در سالهای اخیر، تعداد دستگاههای هوشمند و به تبع آن حجم دادههای جمعآوریشده توسط آنها به سرعت در حال افزایش است. از سوی دیگر، اغلب برنامههای کاربردی اینترنت اشیا نیازمند تحلیل بلادرنگ دادهها و تأخیر اندک در ارائه خدمات هستند. تحت چنین شرایطی، ارسال دادهها به مراکز داده ابری جهت پردازش، پاسخگوی نیازمندیهای برنامههای کاربردی مذکور نیست و مدل رایانش مه، انتخاب مناسبتری محسوب میگردد. با توجه به آن که منابع پردازشی موجود در مدل رایانش مه دارای محدودیت هستند، استفاده مؤثر از آنها دارای اهمیت ویژهای است.در این پژوهش به مسئله زمانبندی وظایف برنامههای کاربردی اینترنت اشیا در محیط رایانش مه پرداخته شده است. هدف اصلی در این مسئله، کاهش تأخیر ارائه خدمات است که جهت دستیابی به آن، از رویکرد یادگیری تقویتی عمیق استفاده شده است. روش ارائهشده در این مقاله، تلفیقی از الگوریتم Q-Learning، یادگیری عمیق و تکنیکهای بازپخش تجربه و شبکه هدف است. نتایج شبیهسازیها نشان میدهد که الگوریتم DQLTS از لحاظ معیار ASD، ۷۶% بهتر از الگوریتم QLTS و 5/6% بهتر از الگوریتم RS عمل مینماید و نسبت به QLTS زمان همگرایی سریعتری دارد.
پرونده مقاله
تولید متن یکی از مسايل مهم در حوزه پردازش زبان طبیعی به حساب میآید. روشهای پایه ارائهشده در این حوزه، دارای مشکلاتی نظیر ناهمخوانی داده در زمان آموزش و آزمون و همچنین تابع هدف نامناسب هستند. در چند سال اخیر پیشرفتهای زیادی در حوزه تولید تصویر به وسیله شبکههای مولد چکیده کامل
تولید متن یکی از مسايل مهم در حوزه پردازش زبان طبیعی به حساب میآید. روشهای پایه ارائهشده در این حوزه، دارای مشکلاتی نظیر ناهمخوانی داده در زمان آموزش و آزمون و همچنین تابع هدف نامناسب هستند. در چند سال اخیر پیشرفتهای زیادی در حوزه تولید تصویر به وسیله شبکههای مولد مقابلهای انجام شده است. همین موضوع باعث شده که استفاده از شبکههای مولد مقابلهای در تولید متن نیز به تازگی مورد توجه قرار گیرد. اما به دلیل گسستهبودن جنس دنبالهها، این امر به سادگی میسر نبوده و برای حل آن نیاز به استفاده از راهکارهایی مثل یادگیری تقویتی و استفاده از تقریب وجود دارد. به علاوه ناپایداری شبکههای مولد مقابلهای باعث ایجاد چالشهای جدید و بالارفتن پیچیدگی مسأله میشود.
در این پژوهش با رویکردی جدید که جمعی و مبتنی بر ایده شبکههای مولد مقابلهای است به ارائه روشی جمعی برای حل مسأله تولید متن میپردازیم. اساس روش پیشنهادی تخمین نسبت چگالی احتمال بوده و با این رویکرد روشی بدون مشکل در برابر گسستگی دنبالهها ارائه شده است. راهکار ارائهشده نسبت به روشهای شبکههای مولد مقابلهای در حوزه دنباله، آموزشی پایدارتر دارد و همچنین مشکل اُریبی مواجهه نیز در روش پیشنهادی وجود ندارد.
آزمایشهای انجامشده نشاندهنده برتری روش پیشنهادی در مقایسه با روشهای پیشین بر روی مجموعه دادههای معروف مربوط به تولید متن است.
پرونده مقاله
در این پژوهش به دنبال ارتقای یکی از الگوریتمهای کارامد در یادگیری ماشین، به نام جنگل تصادفی هستیم. برای این منظور از تکنیکهای فشردهسازی و موازیسازی بهره میبریم. چالش اساسی مورد توجه در این پژوهش، در رابطه با به کارگیری جنگل تصادفی در پردازش و تحلیل دادههای حجیم می چکیده کامل
در این پژوهش به دنبال ارتقای یکی از الگوریتمهای کارامد در یادگیری ماشین، به نام جنگل تصادفی هستیم. برای این منظور از تکنیکهای فشردهسازی و موازیسازی بهره میبریم. چالش اساسی مورد توجه در این پژوهش، در رابطه با به کارگیری جنگل تصادفی در پردازش و تحلیل دادههای حجیم میباشد. در چنین مواردی، این الگوریتم به دلیل مراجعات پرشمار به حافظه، کارایی معمول و مورد نیاز را ندارد. این پژوهش نشان میدهد که چگونه میتوان با به کارگیری یک شیوه فشردهسازی ابتکاری، در کنار تکنیکهای موازیسازی به هدف مورد نظر دست یافت. در این رابطه، اجزای مشترک درختان در جنگل تصادفی با یکدیگر به اشتراک گذاشته میشوند. علاوه بر این، روش موازیسازی مبتنی بر دستورات برداریسازی به همراه روش موازیسازی مبتنی بر حافظه اشتراکی در جریان پردازش دادهها به کار میروند. به منظور ارزیابی عملکرد روش پیشنهادی، آن را بر روی مجموعه دادههای محک Kaggle که در رقابتهای مربوط به الگوریتمهای یادگیری به وفور به کار میروند، اجرا نمودیم. نتایج بهدستآمده حاکی از آن است که به کارگیری روش فشردهسازی پیشنهادی، 66 درصد بهبود در سرعت پردازش دادهها به دنبال داشته است. همچنین به کارگیری فشردهسازی به همراه موازیسازی یادشده، 96 درصد بهبود را به همراه داشته است. به طور کلی نتایج آزمایشی و تحلیلها دلالت بر این دارند که راهکارهای پیشنهادی، قدمی مؤثر در راستای رسیدن به رایانش سریع برای جنگل تصادفی در اختیار میگذارد.
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
نظراتی که کاربران در فروشگاههای برنامکهای همراه مینویسند و خطای برنامکها را گزارش میکنند، میتواند در بهبود کیفیت نرمافزارها تأثیر بهسزایی داشته باشد. بنابراین در این پژوهش رویکردی بر اساس نظرات کاربران برای انتساب خطای برنامه به توسعهدهندگان برنامکها بیان خوا چکیده کامل
نظراتی که کاربران در فروشگاههای برنامکهای همراه مینویسند و خطای برنامکها را گزارش میکنند، میتواند در بهبود کیفیت نرمافزارها تأثیر بهسزایی داشته باشد. بنابراین در این پژوهش رویکردی بر اساس نظرات کاربران برای انتساب خطای برنامه به توسعهدهندگان برنامکها بیان خواهد شد. این رویکرد با استفاده از دادههای کامیتهای برنامه تاریخچهای از عملکرد توسعهدهندگان به دست میآورد و همچنین با استفاده از ایراداتی که توسعهدهندگان از قبل در برنامه رفع کردهاند در مورد سوابق آنها در رفع خطاهای برنامه اطلاعاتی کسب میکند. سپس با استفاده از ترکیب این دو معیار به هر توسعهدهنده آن نرمافزار برای رسیدگی به هر نظر امتیازی اختصاص میدهد تا فهرستی از توسعهدهندگان ارائه کند که به ترتیب اولویت برای رسیدگی به نظر مناسب هستند. ارزیابی این پژوهش از جنبههای مختلف در نهایت نشان میدهد که روش پیشنهادی با دقت ۷۴% قادر به شناخت توسعهدهنده مناسب برای رسیدگی به نظرات خواهد بود. هدف این پژوهش یک موضوع جدید است که پژوهش دیگری حول آن انجام نگرفته و صرفاً باقی پژوهشها راجع به دستهبندی نظرات کاربران بودهاند. بنابراین دقت ارزیابی این پژوهش نشان میدهد که انتساب اتوماتیک خطاهایی که در نظرات کاربران ذکر شدهاند میتواند مفید واقع شود تا فرایند شناسایی و حل خطا بهبود یابد.
پرونده مقاله
: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقا چکیده کامل
: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقالی به نام TL-CLA پیشنهاد میگردد که از یادگیری انتقالی به عنوان راهکاری برای کاهش محاسبات و کمینهسازی چرخه یادگیری بهره میگیرد. مدل گسترشیافته پیشنهادی بر اساس تابع شایستگی و بردار نگرش برای انتقال یادگیری طراحی شده است. در الگوریتم TL-CLA، ابتدا مقدار تابع شایستگی بر اساس محیط محلی و مقدار بردار نگرش بر مبنای محیط سراسری اتوماتا محاسبه میشود. زمانی که این دو معیار حد آستانه مقرر را کسب کنند، انتقال بردار احتمالات اقدام ها سبب انتقال یادگیری از اتوماتای یادگیر سلولی منبع به اتوماتای یادگیر سلولی مقصد میشود. نتایج آزمایشها نشان میدهند که مدل پیشنهادی TL-CLA در محیطهای عملیاتی استاندارد با دو اقدام و چند اقدام، به طور میانگین، به ترتیب به اندازه 7/2% و 2/2% از نظر صحت همگرایی افزایش یافته است. نرخ همگرایی نیز به طور میانگین، به ترتیب 8% و 2% بهبود داشته است. اتوماتای یادگیر سلولی TL-CLA پیشنهادی در انتقال دانش حاصل از یادگیری یک وظیفه برای وظیفهای مشابه کاربرد دارد.
پرونده مقاله
الگوریتم ماشین بردار پشتیبان یکی از الگوریتمهای مشهور و با کارایی بالا در یادگیری ماشین و کاربردهای مختلف است. از این الگوریتم تا کنون نسخههای متعددی ارائه شده که آخرین نسخه آن ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی میباشد. اغلب کاربردها در دنیای امروز دار چکیده کامل
الگوریتم ماشین بردار پشتیبان یکی از الگوریتمهای مشهور و با کارایی بالا در یادگیری ماشین و کاربردهای مختلف است. از این الگوریتم تا کنون نسخههای متعددی ارائه شده که آخرین نسخه آن ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی میباشد. اغلب کاربردها در دنیای امروز دارای حجم انبوهی از اطلاعات هستند. از سویی دیگر یکی از جنبههای مهم دادههای حجیم، جریانیبودن آنها میباشد که باعث شده است بسیاری از الگوریتمهای سنتی، کارایی لازم را در مواجهه با آن نداشته باشند. در این مقاله برای نخستین بار نسخه افزایشی الگوریتم ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی، در دو حالت برخط و شبه برخط ارائه شده است. برای بررسی صحت و دقت الگوریتم ارائهشده دو کاربرد آن مورد ارزیابی قرار گرفته است. در یک کاربرد، این الگوریتم بر روی 6 دیتاست مخزن UCI اجرا شده که در مقایسه با سایر الگوریتمها از کارایی بالاتری برخوردار است. حتی این کارایی در مقایسه با نسخههای غیر افزایشی نیز کاملاً قابل تشخیص است که در آزمایشها به آن پرداخته شده است. در کاربرد دوم، این الگوریتم در مبحث اینترنت اشیا و به طور خاص در دادههای مربوط به فعالیت روزانه به کار گرفته شده است. طبق نتایج آزمایشگاهی، الگوریتم ارائهشده بهترین کارایی را در مقایسه با سایر الگوریتمهای افزایشی دارد.
پرونده مقاله
امروزه با افزایش تهدیداتی نظیر تروریسم و جرایم سایبری، فرایند تصدیق هویت افراد اهمیت چشمگیری یافته و متضمن امنیت ملی یک کشور تلقی میگردد. در این پژوهش، یک روش ترتیبی بر اساس یادگیری عمیق جهت مدیریت پویای جریان الگوریتم سیستمهای تصدیق هویت چند بیومتریکی ارائه شده است. چکیده کامل
امروزه با افزایش تهدیداتی نظیر تروریسم و جرایم سایبری، فرایند تصدیق هویت افراد اهمیت چشمگیری یافته و متضمن امنیت ملی یک کشور تلقی میگردد. در این پژوهش، یک روش ترتیبی بر اساس یادگیری عمیق جهت مدیریت پویای جریان الگوریتم سیستمهای تصدیق هویت چند بیومتریکی ارائه شده است. روش پیشنهادی دارای این مزیت است که معیارهای ویژگی به صورت ضمنی و اتوماتیک توسط یک شبکه عمیق با معماری انتها به انتها استخراج میگردند. یک سیستم تصدیق هویت چند بیومتریکی شامل دو انگشت و چهره مبتنی بر روش پیشنهادی نیز پیادهسازی گردیده است. بر طبق نتایج، در مجموع تصدیق هویت برای 42/91% موارد بر اساس اثر انگشت انجام شده و فقط برای 58/8% موارد نیاز به استفاده از مشخصه چهره بوده است. این در حالی است که روش پیشنهادی نسبت به انگشت اول و دوم به ترتیب 35 و 30% دقت بالاتری نیز داشته است. دستاوردهای این پژوهش میتواند نقش مهمی در مقبولیت و موفقیت پروژههای عملیاتی و میزان اثربخشی آنها در فرایند تصدیق هویت داشته باشد زیرا از یک طرف دارای دقت بیشتری بوده و از طرف دیگر منجر به کاهش هزینه یعنی زمان مورد نیاز برای فرایند اخذ و تطبیق گردیده که باعث میشود همزمان رضایتمندی خدمتگیرنده و امنیت خدمتدهنده فراهم آید.
پرونده مقاله
درک و تحلیل تغییرات دادههای مکانی- زمانی در کاربردهای مختلف از جمله انجام اقدامات حفاظت و توسعه منابع طبیعی اهمیت زیادی دارد. در مطالعات گذشته، عمدتاً از فرایند مارکوف و روشهای مبتنی بر مقایسه جهت پیشبینی تغییرات شاخصهای پوشش گیاهی استفاده گردیده که دقت آنها همچنان چکیده کامل
درک و تحلیل تغییرات دادههای مکانی- زمانی در کاربردهای مختلف از جمله انجام اقدامات حفاظت و توسعه منابع طبیعی اهمیت زیادی دارد. در مطالعات گذشته، عمدتاً از فرایند مارکوف و روشهای مبتنی بر مقایسه جهت پیشبینی تغییرات شاخصهای پوشش گیاهی استفاده گردیده که دقت آنها همچنان جای بهبود دارد. گرچه تحلیلهای سری زمانی برای پیشبینی معدودی از شاخصها مورد استفاده قرار گرفته است، اما روشی که این شاخصها را از دادههای سنجش از دور استخراج کرده و مدلسازی توالی آنها را با یادگیری عمیق انجام دهد، به ندرت مشاهده میشود. در این مقاله، روشی برای پیشبینی تغییرات شاخصهای گیاهی مبتنی بر یادگیری عمیق ارائه میشود. دادههای پژوهش شامل تصاویر ماهوارهای لندست از سال ۲۰۰۰ تا ۲۰۱۸، مربوط به چهار فصل سال در نواحی شمال و شرق شهرستان شاهرود در استان سمنان میباشند. گستره زمانی تصاویر استخراجشده، امکان پیشبینی تغییرات پوشش گیاهی را ممکن میسازند. شاخصهای پوشش گیاهی استخراجشده از مجموعه داده، شامل NDVI، RVI و SAVI هستند. پس از انجام اصلاحات اتمسفری روی تصاویر، شاخصهای مورد نظر استخراج شده و سپس دادهها به سری زمانی تبدیل میشوند. نهایتاً مدلسازی توالی این دادهها توسط شبکه حافظه کوتاه- بلندمدت انجام میشود. نتایج حاصل از آزمایشها نشان میدهند که شبکه عصبی قادر به پیشبینی مقادیر آینده با دقت بالا است. میزان خطای شبکه بدون وجود دادههای اضافی برای شاخص NDVI برابر 03/0، شاخص SAVI برابر با 02/0 و شاخص RVI برابر با 06/0 گزارش میشود.
پرونده مقاله
کنترل محدودهها، اماکن و سنسورهای حرکتی در اینترنت اشیا نیازمند کنترل پیوسته و مستمر برای تشخیص فعالیتهای انسانی در شرایط مختلف است که این مهم، خود چالشی از جمله نیروی انسانی و خطای انسانی را نیز در بر دارد. کنترل همیشگی توسط انسان نیز بر سنسورهای حرکتی اینترنت اشیا غی چکیده کامل
کنترل محدودهها، اماکن و سنسورهای حرکتی در اینترنت اشیا نیازمند کنترل پیوسته و مستمر برای تشخیص فعالیتهای انسانی در شرایط مختلف است که این مهم، خود چالشی از جمله نیروی انسانی و خطای انسانی را نیز در بر دارد. کنترل همیشگی توسط انسان نیز بر سنسورهای حرکتی اینترنت اشیا غیر ممکن به نظر میرسد. اینترنت اشیا فراتر از برقراری یک ارتباط ساده بین دستگاهها و سیستمها میباشد. اطلاعات سنسورها و سیستمهای اینترنت اشیا به شرکتها کمک میکند تا دید بهتری نسبت به کارایی سیستم داشته باشند. در این پژوهش روشی مبتنی بر یادگیری عمیق و شبکه عصبی عمیق سیلایهای برای تشخیص فعالیتهای انسانی روی مجموعه داده تشخیص فعالیت دانشگاه فوردهام ارائه شده است. این مجموعه داده دارای بیش از یک میلیون سطر در شش کلاس برای تشخیص فعالیت در اینترنت اشیا است. بر اساس نتایج
به دست آمده، مدل پیشنهادی ما در راستای تشخیص فعالیتهای انسانی در معیارهای ارزیابی مورد نظر کارایی 90 درصد و میزان خطای 2/2 درصد را داشت. نتایج به دست آمده نشان از عملکرد خوب و مناسب یادگیری عمیق در تشخیص فعالیت 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
مقابله با آتشسوزی جنگلها برای جلوگیری از خطرات بالقوه آنها و همچنین حفاظت از منابع طبیعی به عنوان یک چالش در میان محققان مطرح است. هدف از این تحقیق، تشخیص ویژگیهای آتش و دود از تصاویر بصری پهپاد برای دستهبندی، تشخیص شیء و قطعهبندی تصاویر است. از آنجا که جنگلها محی چکیده کامل
مقابله با آتشسوزی جنگلها برای جلوگیری از خطرات بالقوه آنها و همچنین حفاظت از منابع طبیعی به عنوان یک چالش در میان محققان مطرح است. هدف از این تحقیق، تشخیص ویژگیهای آتش و دود از تصاویر بصری پهپاد برای دستهبندی، تشخیص شیء و قطعهبندی تصاویر است. از آنجا که جنگلها محیطهای بسیار پیچیده و غیر ساختاری هستند، استفاده از سیستم بینایی همچنان با مشکلاتی نظیر شباهت ویژگیهای شعله با نور خورشید، گیاهان و حیوانات و یا پوشش شعله با دود مواجه است که باعث هشدارهای اشتباه میشوند. روش پیشنهادی در این تحقیق، استفاده از شبکههای عصبی کانولوشنی از روشهای یادگیری عمیق است که به صورت خودکار، توانایی استخراج یا تولید ویژگی در لایههای مختلف خود را دارند. ابتدا به جمعآوری داده و افزایش آنها با توجه به روشهای دادهافزایی پرداخته شده و در ادامه، استفاده از یک شبکه ۱۲ لایه برای دستهبندی و همچنین روش یادگیری انتقالی برای قطعهبندی تصاویر پیشنهاد میشود. نتایج به دست آمده نشان میدهند که روش دادهافزایی به کار برده شده با توجه به تغییر اندازه و آمادهسازی تصاویر ورودی به شبکه از کاهش شدید ویژگیهای موجود در تصاویر اولیه جلوگیری کرده و همچنین شبکههای عصبی کانولوشنی مورد استفاده میتوانند به خوبی ویژگیهای آتش و دود موجود در تصاویر را استخراج کنند و نهایتاً به تشخیص و محلیسازی آنها بپردازند.
پرونده مقاله
کارایی سیستمهای بازشناسی کنشهای انسانی به استخراج بازنمایی مناسب از دادههای ویدئویی وابسته است. در سالهای اخیر روشهای یادگیری عمیق به منظور استخراج بازنمایی فضایی- زمانی کارا از دادههای ویدئویی ارائه شده است، در حالی که روشهای یادگیری عمیق در توسعه بعد زمان، پیچ چکیده کامل
کارایی سیستمهای بازشناسی کنشهای انسانی به استخراج بازنمایی مناسب از دادههای ویدئویی وابسته است. در سالهای اخیر روشهای یادگیری عمیق به منظور استخراج بازنمایی فضایی- زمانی کارا از دادههای ویدئویی ارائه شده است، در حالی که روشهای یادگیری عمیق در توسعه بعد زمان، پیچیدگی محاسباتی بالایی دارند. همچنین پراکندگی و محدودبودن دادههای تمایزی و عوامل نویزی زیاد، مشکلات محاسباتی بازنمایی کنشها را شدیدتر ساخته و قدرت تمایز را محدود مینماید. در این مقاله، شبکههای یادگیری عمیق فضایی و زمانی با افزودن سازوکارهای انتخاب ویژگی مناسب جهت مقابله با عوامل نویزی و کوچکسازی فضای جستجو، ارتقا یافتهاند. در این راستا، سازوکارهای انتخاب ویژگی غیر برخط و برخط، برای بازشناسی کنشهای انسانی با پیچیدگی محاسباتی کمتر و قدرت تمایز بالاتر مورد بررسی قرار گرفته است. نتایج نشان داد که سازوکار انتخاب ویژگی غیر برخط، منجر به کاهش پیچیدگی محاسباتی قابل ملاحظه میگردد و سازوکار انتخاب ویژگی برخط، ضمن کنترل پیچیدگی محاسباتی، منجر به افزایش قدرت تمایز میشود.
پرونده مقاله
دادههای جریانی متشکل از دادههایی است که به ترتیب و با سرعت و حجم زیاد به سیستم وارد میشوند. توزیع این دادهها ناپایدار بوده و در طول زمان ممکن است تغییر کنند. با توجه به اهمیت این نوع دادهها در حوزههایی مهم نظیر اینترنت اشیا، تسریع عملکرد و افزایش توان عملیاتی تحلی چکیده کامل
دادههای جریانی متشکل از دادههایی است که به ترتیب و با سرعت و حجم زیاد به سیستم وارد میشوند. توزیع این دادهها ناپایدار بوده و در طول زمان ممکن است تغییر کنند. با توجه به اهمیت این نوع دادهها در حوزههایی مهم نظیر اینترنت اشیا، تسریع عملکرد و افزایش توان عملیاتی تحلیل دادههای بزرگ جریانی به عنوان موضوعی مهم، مورد توجه محققین است. در روش پیشنهادی، از مفهوم یادگیری ترکیبی برخط در مدل بهبودیافته ماشین یادگیر مفرط به منظور طبقهبندی دادههای جریانی استفاده شده است. به دلیل استفاده از رویکرد افزایشی، در هر لحظه تنها یک بلوک داده بدون نیاز به دسترسی به دادههای پیشین یاد گرفته میشود. همچنین با بهرهگیری از رویکرد آدابوست، وزندهی به طبقهبندیکنندههای پایه و تصمیمگیری در مورد حفظ و یا حذف آنها بر اساس کیفیت پیشبینیها انجام میشود. مزیت دیگر روش پیشنهادی، بهرهگیری از رویکرد مبتنی بر صحت طبقهبندی کننده جهت شناسایی رانش مفهوم است که منجر به تسهیل انطباق مدل و افزایش کارایی آن میشود. آزمایشها بر روی مجموعه دادههای استاندارد انجام گردید و روش پیشنهادی به طور میانگین با کسب 90/0% خاصبودن، 69/0% حساسیت و 87/0% صحت توانست اختلاف معناداری با دو روش رقیب داشته باشد.
پرونده مقاله
شبکههای نرمافزارمحور یک معماری جدید در شبکه است که لایه کنترل را از لایه داده جدا میسازد. در این رویکرد مسئولیت لایه کنترل به نرمافزار کنترلر واگذار میشود تا رفتار کل شبکه را به طور پویا تعیین نماید. نتیجه این امر، ایجاد یک شبکه بسیار منعطف با مدیریت متمرکز است که چکیده کامل
شبکههای نرمافزارمحور یک معماری جدید در شبکه است که لایه کنترل را از لایه داده جدا میسازد. در این رویکرد مسئولیت لایه کنترل به نرمافزار کنترلر واگذار میشود تا رفتار کل شبکه را به طور پویا تعیین نماید. نتیجه این امر، ایجاد یک شبکه بسیار منعطف با مدیریت متمرکز است که در آن میتوان پارامترهای شبکه را به خوبی کنترل کرد. با توجه به افزایش روزافزون کاربران، ظهور فناوریهای جدید، رشد انفجاری ترافیک در شبکه، برآوردهسازی الزامات کیفیت خدمات و جلوگیری از کمباری یا پرباری منابع، تعادل بار در شبکههای نرمافزارمحور ضروری میباشد. عدم تعادل بار باعث بالارفتن هزینه، کاهش مقیاسپذیری، انعطافپذیری، بهرهوری و تأخیر در سرویسدهی شبکه میشود. تا کنون الگوریتمهای مختلفی برای بهبود عملکرد و تعادل بار در شبکه ارائه شدهاند که معیارهای متفاوتی مانند انرژی مصرفی و زمان پاسخ سرور را مد نظر قرار دادهاند، اما اغلب آنها از ورود سیستم به حالت عدم تعادل بار جلوگیری نمیکنند و خطرات ناشی از عدم تعادل بار را کاهش نمیدهند. در این مقاله، یک روش تعادل بار مبتنی بر پیشبینی برای جلوگیری از ورود سیستم به حالت عدم تعادل بار با بهرهگیری از الگوریتم ماشین یادگیری افراطی پیشنهاد میشود. نتایج ارزیابی روش پیشنهادی نشان میدهد که از نظر تأخیر پردازش کنترلکننده، میزان تعادل بار و زمان پاسخگویی به علت تعادل بار بهینه نسبت به روشهای CDAA و PSOAP عملکرد بهتری دارد.
پرونده مقاله
دستهبندی دستگاه قطعات موسیقی سنتی ایرانی توسط کامپیوتر برای علاقهمندان موسیقی دستگاهی ایرانی، موضوعی بسیار جالب ولی پیچیده و چالشبرانگیز است. این مسئله اولاً به دلیل کاربردهای فراوان آن در زمینههایی مانند آهنگسازی و آموزش موسیقی و ثانیاً به خاطر نیاز افراد عادی به چکیده کامل
دستهبندی دستگاه قطعات موسیقی سنتی ایرانی توسط کامپیوتر برای علاقهمندان موسیقی دستگاهی ایرانی، موضوعی بسیار جالب ولی پیچیده و چالشبرانگیز است. این مسئله اولاً به دلیل کاربردهای فراوان آن در زمینههایی مانند آهنگسازی و آموزش موسیقی و ثانیاً به خاطر نیاز افراد عادی به کامپیوتر برای تشخیص دستگاه از اهمیت بالایی برخوردار است. در این مقاله روشی برای تشخیص دستگاه و زیردستگاه یک قطعه موسیقی ایرانی بر پایه استخراج نتهای متوالی، دستهبندی سلسلهمراتبی و استفاده از شبکههای LSTM ارائه شده است. در این روش، قطعه موسیقی در مرحله اول به یکی از سه دسته کلی، دستهبندی میشود. دسته اول صرفاً شامل دستگاه ماهور، دسته دوم شامل دستگاههای شور و نوا و دسته سوم شامل دستگاههای همایون، سهگاه و چهارگاه است. سپس برای هر دسته بسته به نوع آن، تعداد متفاوت دستهبندهای دیگر اعمال میشود تا این که یکی از 6 دستگاه و یکی از 11 زیردستگاه موسیقی سنتی ایرانی مشخص گردد. این تحقیق به هیچ سبک نوازندگی و ساز خاصی محدود نشده و تحت تأثیر سرعت و تکنیکهای نوازندگی قرار نمیگیرد. قطعات برچسبگذاری شده در پایگاه داده "اَرگ" که برای این تحقیق به وجود آمده است، به صورت تکنوازی هستند؛ اگرچه تعداد اندکی از آنها از همنوایی سازهای کوبهای (مانند تنبک) نیز در کنار سازهای ملودی بهرهمند میباشند. نتایج نشان میدهند که تشخیص 6 دستگاه اصلی و 11 زیردستگاه به ترتیب با دقت میانگین 5/74% و 35/66% انجام گرفته که نسبت به تحقیقات کمشمار مشابه، نتایج بهتری دارد.
پرونده مقاله
محاسبات مه، حوزه تحقیقاتی نوظهوری برای ارائه خدمات محاسبات ابری به لبههای شبکه است. گرههای مه جریان داده و درخواستهای کاربر را در زمان واقعی پردازش میکنند. به منظور بهینهسازی بهرهوری منابع و زمان پاسخ و افزایش سرعت و کارایی، وظایف باید به صورت متوازن بین گرههای م چکیده کامل
محاسبات مه، حوزه تحقیقاتی نوظهوری برای ارائه خدمات محاسبات ابری به لبههای شبکه است. گرههای مه جریان داده و درخواستهای کاربر را در زمان واقعی پردازش میکنند. به منظور بهینهسازی بهرهوری منابع و زمان پاسخ و افزایش سرعت و کارایی، وظایف باید به صورت متوازن بین گرههای مه توزیع شوند، لذا در این مقاله، روشی جدید جهت بهبود توازن بار در محیط محاسبات مه پیشنهاد شده است. در الگوریتم پیشنهادی، هنگامی که وظیفهای از طریق دستگاههای موبایل برای گره مه ارسال میشود، گره مه با استفاده از یادگیری تقویتی تصمیم میگیرد که آن وظیفه را خودش پردازش کند، یا این که پردازش آن را به یکی از گرههای مه همسایه یا به ابر واگذار نماید. در بخش ارزیابی نشان داده شده که الگوریتم پیشنهادی با توزیع مناسب وظایف بین گرهها، تأخیر کمتری را برای اجرای وظایف نسبت به سایر روشهای مقایسهشده به دست آورده است.
پرونده مقاله
تولید متن، یکی از زمینههای تحقیقاتی در حوزه پردازش زبان طبیعی است که بهوسیله آن، سیستم میتواند متون جامع، کامل و از نظر گرامری درست را مانند انسان تولید کند. از جمله کاربردهای تولید متن میتوان به برچسبزدن به تصویر، تولید شعر و تولید گزارشهای هواشناسی و زیستمحیطی چکیده کامل
تولید متن، یکی از زمینههای تحقیقاتی در حوزه پردازش زبان طبیعی است که بهوسیله آن، سیستم میتواند متون جامع، کامل و از نظر گرامری درست را مانند انسان تولید کند. از جمله کاربردهای تولید متن میتوان به برچسبزدن به تصویر، تولید شعر و تولید گزارشهای هواشناسی و زیستمحیطی اشاره کرد. با ظهور شبکههای عصبی عمیق، پژوهشها در زمینه تولید متن به سمت استفاده از این شبکهها روانه شد؛ اما مهمترین چالش در حوزه تولید متن با استفاده از شبکههای عصبی عمیق، بحث گسستگی دادههاست که باعث عدم توانایی انتقال گرادیان شده است. اخیراً استفاده از رویکرد جدیدی در حوزه یادگیری عمیق با عنوان شبکههای مولد تخاصمی جهت تولید تصویر، صوت و متن مورد توجه قرار گرفته است. هدف از این پژوهش، استفاده از این رویکرد جهت تولید جملات فارسی میباشد. در این مقاله از سه الگوریتم متفاوت شبکههای مولد تخاصمی برای تولید جملات فارسی، استفاده و این سه الگوریتم با هم مقایسه شدهاند و با در نظر گرفتن معیار ارزیابی BLEU و Self-BLEU، ارزیابی همهجانبهای هم از نظر کیفیت جملات و هم از نظر تنوع صورت گرفته است.
پرونده مقاله
سیستمهای توصیهگر مبتنی بر جلسه بر اساس رفتار و تعاملات کاربر در یک جلسه، رفتار بعدی یا علاقه کاربر را پیشبینی کرده و بر این اساس، آیتمهای مناسب را به کاربر پیشنهاد میدهند. مطالعات اخیر برای ایجاد توصیهها عمدتاً روی اطلاعات جلسه فعلی متمرکز شدهاند و اطلاعات جلسات چکیده کامل
سیستمهای توصیهگر مبتنی بر جلسه بر اساس رفتار و تعاملات کاربر در یک جلسه، رفتار بعدی یا علاقه کاربر را پیشبینی کرده و بر این اساس، آیتمهای مناسب را به کاربر پیشنهاد میدهند. مطالعات اخیر برای ایجاد توصیهها عمدتاً روی اطلاعات جلسه فعلی متمرکز شدهاند و اطلاعات جلسات قبلی کاربر را نادیده میگیرند. در این مقاله، یک مدل توصیهگر مبتنی بر جلسه شخصیسازی شده با شبکههای خودتوجه پیشنهاد میشود که علاوه بر جلسه فعلی از جلسات قبلی اخیر کاربر هم استفاده میکند. مدل پیشنهادی به منظور یادگیری وابستگی کلی بین همه آیتمهای جلسه، از شبکههای خودتوجه (SAN) استفاده میکند. ابتدا SAN مبتنی بر جلسات ناشناس آموزش داده میشود و سپس برای هر کاربر، توالیهای جلسه فعلی و جلسات قبلی به صورت جداگانه به شبکه داده میشود و با ترکیب وزنی نتایج رتبهبندی حاصل از هر جلسه، آیتمهای توصیهشده نهایی به دست میآید. مدل پیشنهادی بر روی مجموعه داده واقعی Reddit در دو معیار دقت و میانگین رتبه متقابل، تست و ارزیابی شده است. مقایسه نتایج حاصل از مدل پیشنهادی با رویکردهای قبلی، توانایی و اثربخشی مدل پیشنهادی را در ارائه توصیههای دقیقتر نشان میدهد.
پرونده مقاله
بازیابی تصاویر مبتنی بر محتوا که با عنوان پرس وجو بر اساس محتوای تصویر نیز شناخته می شود، یکی از زیرشاخه های بینایی ماشین است که جهت سازماندهی و تشخیص محتوای تصاویر دیجیتال با بهره گیری از ویژگی های بصری به کار می رود. این تکنولوژی، تصاویر مشابه با تصویرپرس وجو را از پ چکیده کامل
بازیابی تصاویر مبتنی بر محتوا که با عنوان پرس وجو بر اساس محتوای تصویر نیز شناخته می شود، یکی از زیرشاخه های بینایی ماشین است که جهت سازماندهی و تشخیص محتوای تصاویر دیجیتال با بهره گیری از ویژگی های بصری به کار می رود. این تکنولوژی، تصاویر مشابه با تصویرپرس وجو را از پایگاه داده های عظیم تصویری بهصورت خودکار جستجو میکند و با استخراج مستقیمویژگی های بصری از داده های تصویری و نه کلمات کلیدی و حاشیه نویسی های متنی، مشابهترین تصاویر را برای کاربران فراهم میآورد؛ بنابراین در این مقاله روشی ارائهشده است که جهت کاهش شکاف معنایی میانویژگیهای بصری سطح پایین و معانی سطح بالای تصاویر از تبدیل موجک و ترکیب ویژگیها با هیستوگرام رنگ استفاده می گردد. در این راستا، خروجی نهایی، از پایگاه داده ی تصویر با بهره گیری از روش استخراج ویژگی از تصاویر ورودی، خواهد بود.در گام بعد، هنگامیکه تصاویر پرس وجو توسط کاربر هدف به سیستم داده می شود، جهت بازیابی تصاویر مرتبط، از یادگیری نیمه نظارتشده که از ترکیب روشهای خوشهبندی و طبقهبندی بر اساس کاوش الگوهای مکرر حاصل می شود، مشابهترین تصاویربرای کاربران بازیابی میگردد. نتایج آزمایش نشان میدهد که سیستم پیشنهادی، بالاترین میزاناثربخشی را در مقایسه با سایر روشهای مورد مقایسه ارائه نموده است.
پرونده مقاله
توابع غیرهمسان فیزیکی (PUF) سختافزاری را برای تولید الگویی منحصربهفرد از چالش- پاسخ با اهداف احراز هویت و رمزگذاری ارائه میدهند. یکی از ویژگیهای مهم در این مدارها غیرقابل پیشبینیبودن است؛ به این معنی که یک مهاجم نمیتواند پاسخهای آینده را از مشاهدات قبلی پیشبینی چکیده کامل
توابع غیرهمسان فیزیکی (PUF) سختافزاری را برای تولید الگویی منحصربهفرد از چالش- پاسخ با اهداف احراز هویت و رمزگذاری ارائه میدهند. یکی از ویژگیهای مهم در این مدارها غیرقابل پیشبینیبودن است؛ به این معنی که یک مهاجم نمیتواند پاسخهای آینده را از مشاهدات قبلی پیشبینی کند. با این حال نشان داده شده که الگوریتمهای یادگیری ماشین، تهدیدی قابل توجه برای PUF ها هستند؛ زیرا آنها قادر به مدلسازی دقیق رفتار PUF میباشند. در این مقاله، ما تهدیدات امنیتیPUF را تحلیل و یک روش احراز هویت مبتنی بر PUF به نام SQ-PUF را ارائه میکنیم که میتواند در برابر حملات یادگیری ماشین مقاومت خوبی از خود نشان دهد. توانایی شبیهسازی یا پیشبینی آن را با مبهمسازی همبستگی بین جفتهای چالش- پاسخها دشوار کردیم. نتایج تجربی نشان میدهند که برخلاف PUFهای موجود، حتی با مجموعهای از دادههای بزرگ هم نمیتوان به مدل SQ-PUF حمله موفقی داشت و بیشترین دقت پیشبینی %۵۳ است که نشاندهنده غیرقابل پیشبینیبودن این مدل میباشد. علاوه بر این، یکنواختی و یکتایی در این مدل تقریباً با مقدار ایدهآل در
A-PUF یکسان باقی مانده است.
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
هدف از تعبیهسازی شبکههای اجتماعی که اخیراً توجه زیادی را به خود جلب کرده، یادگیری نمایش در ابعاد پایین برای هر گره در شبکه با حفظ ساختار و خصوصیات شبکه است. در این مقاله، تأثیر نحوه تشخیص جوامع در حالتهای مختلف مانند تشخیص جامعه حین یا قبل از روند پیادهروی تصادفی و چکیده کامل
هدف از تعبیهسازی شبکههای اجتماعی که اخیراً توجه زیادی را به خود جلب کرده، یادگیری نمایش در ابعاد پایین برای هر گره در شبکه با حفظ ساختار و خصوصیات شبکه است. در این مقاله، تأثیر نحوه تشخیص جوامع در حالتهای مختلف مانند تشخیص جامعه حین یا قبل از روند پیادهروی تصادفی و هچنین تأثیر معنایی اطلاعات متنی هر گره بر روی تعبیهسازی شبکه مورد بررسی قرار گرفته و دو چارچوب اصلی با نامهای تعبیهسازی شبکه آگاه به جامعه و متن و تعبیهسازی شبکه مبتنی بر جامعه و ویژگیهای معنایی پیشنهاد شده است. در این مقاله، در تعبیهسازی شبکه آگاه به جامعه و متن، تشخیص جوامع قبل از روند پیادهروی تصادفی با بهکارگیری روش غیرهمپوشان ادموت و همپوشان اگونتاسپلیتر انجام گرفته است. با این حال در تعبیهسازی شبکه مبتنی بر جامعه و ویژگیهای معنایی، تشخیص جوامع حین رخداد پیادهروی تصادفی و با استفاده از مدل موضوعی جفتکلمه اعمال شده است. در تمامی روشهای ارائهشده، تحلیل متنی مورد بررسی قرار گرفته و نهایتاً نمایش نهایی با بهکارگیری مدل Skip-Gram در شبکه انجام میگردد. آزمایشهای انجامشده نشان دادهاند که روشهای پیشنهادی این مقاله از روشهای با نامهای پیادهروی عمیق، CARE، CONE و COANE بهتر عمل کردهاند.
پرونده مقاله
با پیدایش روشهای یادگیری عمیق، مدلهای دنباله به دنباله با هدف ترجمه ماشینی یک جمله مبدأ به یک جمله مقصد ارائه شدند و از همین ایده برای ترجمه یا تبدیل یک متن به شکل خلاصهشده آن استفاده گردیده است. خلاصههایی که به این روش تولید میشوند از نظر ساختاری خواناتر بوده و مع چکیده کامل
با پیدایش روشهای یادگیری عمیق، مدلهای دنباله به دنباله با هدف ترجمه ماشینی یک جمله مبدأ به یک جمله مقصد ارائه شدند و از همین ایده برای ترجمه یا تبدیل یک متن به شکل خلاصهشده آن استفاده گردیده است. خلاصههایی که به این روش تولید میشوند از نظر ساختاری خواناتر بوده و معمولاً معنای کاملی را به خواننده منتقل میکنند. در چنین ساختارهایی برای بازنمایی معنایی واژهها از بردارهای جانمایی کلمات استفاده میشود که در آن، وزن هر کلمه با توجه به کلمات مجاور آن از یک پیکره بزرگ آموزش داده میشود. در حالت کلی وزن این بردارها با انتخاب یک پنجره مجاورت برای هر کلمه بهدست میآید؛ اما در مدلهای زبانی بافتاری مانند برت برای محاسبه وزن این کلمات از مبدلهای چندلایه استفاده میشود که به تمامی کلمات موجود در متن توجه میکنند. تاکنون مقالات متعددی نشان دادهاند که مدلهای زبانی بافتاری بهدلیل قابلیت ریزتنظیم وزنها برای انجام یک وظیفه پردازش زبان طبیعی خاص، موفقتر از سایر روشهای جانمایی کلمات عمل میکنند؛ اما بررسی عملکرد وزن اولیه این مدلها برای کاربست در تولید عنوان در زبان فارسی مورد توجه قرار نگرفته است.
در این مقاله به بررسی رفتار جانمایی کلمات بهصورت پیشآموزشدادهشده و بدون ریزتنظیم آنها در تولید عنوان از متون فارسی میپردازیم. برای یادگیری مدل از «علمنت» که یک پیکره فارسی شامل حدود 350 هزار جفت چکیده و عنوان مقالات علمی میباشد، استفاده شده است. نتایج نشان میدهند استفاده از مدل برت حتی بدون ریزتنظیم وزنهای آن در بهبود کیفیت عناوین فارسی تولیدشده تأثیرگذار بوده و معیار 1-ROUGE را در فارسی به 42% میرساند که بهتر از سایر مدلهای جانمایی است.
پرونده مقاله
با استفاده از سیستم تشخیص خط در خودروهای خودران میتوان موقعیت نسبی خودرو را نسبت به دیگر خودروها و همچنین احتمال خروج از خط و حتی امکان تصادف را بررسی کرد. در این مقاله، یک رویکرد تشخیص خط کموزن و سریع برای تصاویر برگرفتهشده از دوربین تعبیهگردیده در شیشه جلویی خودرو چکیده کامل
با استفاده از سیستم تشخیص خط در خودروهای خودران میتوان موقعیت نسبی خودرو را نسبت به دیگر خودروها و همچنین احتمال خروج از خط و حتی امکان تصادف را بررسی کرد. در این مقاله، یک رویکرد تشخیص خط کموزن و سریع برای تصاویر برگرفتهشده از دوربین تعبیهگردیده در شیشه جلویی خودروها ارائه شده است. بیشتر روشهای موجود، مسئله تشخیص خط را به صورت کلاسبندی در سطح پیکسل در نظر میگیرند. این روشها با وجود داشتن قدرت تشخیص بالا، از دو ضعف داشتن پیچیدگی محاسباتی بالا و عدم توجه به اطلاعات محتوایی کلی تصویر منحصربهفرد خطوط (در نتیجه در صورت وجود مانع، امکان تشخیص ندارند) رنج میبرند. روش پیشنهادی پیش رو با بهرهگیری از روش انتخاب بر اساس ردیف، وجود خطوط در هر ردیف را بررسی میکند. همچنین استفاده از معماری موبایلنت باعث بهدستآمدن نتایج خوب با تعداد پارامترهای یادگیری کمتر شده است. استفاده از سه تابع مختلف به عنوان توابع هزینه با اهداف متفاوت، باعث بهدستآمدن نتایج عالی و درنظرگرفتن اطلاعات محتوایی کلی منحصربهفرد خطوط در کنار اطلاعات محلی شده است. آزمایشهای انجامگرفته بر روی مجموعه تصاویر ویدئویی TuSimple نشان از عملکرد مناسب رویکرد پیشنهادی از لحاظ کارایی و مخصوصاً از لحاظ سرعت دارد.
پرونده مقاله
استفاده از بافت و ترتیب واژگان در یک عبارت از مواردی است که میتواند به فهم بهتر آن عبارت منجر گردد. در سالهای اخیر، مدلهای زبانی از پیشآموزشیافته، پیشرفت شگرفی در زمینه پردازش زبان طبیعی به وجود آودهاند. در این راستا مدلهای مبتنی بر ترنسفورمر مانند الگوریتم BERT چکیده کامل
استفاده از بافت و ترتیب واژگان در یک عبارت از مواردی است که میتواند به فهم بهتر آن عبارت منجر گردد. در سالهای اخیر، مدلهای زبانی از پیشآموزشیافته، پیشرفت شگرفی در زمینه پردازش زبان طبیعی به وجود آودهاند. در این راستا مدلهای مبتنی بر ترنسفورمر مانند الگوریتم BERT از محبوبیت فزایندهای برخوردار گردیدهاند. این مسئله در زبان فارسی کمتر مورد بررسی قرار گرفته و بهعنوان یک چالش در حوزه وب فارسی مطرح میگردد. بنابراین در این مقاله، درونسازی واژگان فارسی با استفاده از این الگوریتم مورد بررسی قرار میگیرد که به درک معنایی هر واژه بر مبنای بافت متن میپردازد. در رویکرد پیشنهادی، مدل ایجادشده بر روی مجموعه دادگان وب فارسی مورد پیشآموزش قرار میگیرد و پس از طی دو مرحله تنظیم دقیق با معماریهای متفاوت، مدل نهایی تولید میشود. در نهایت ویژگیهای مدل استخراج میگردد و در رتبهبندی اسناد وب فارسی مورد ارزیابی قرار میگیرد. نتایج حاصل از این مدل، بهبود خوبی نسبت به سایر مدلهای مورد بررسی دارد و دقت را نسبت به مدل برت چندزبانه تا حداقل یک درصد افزایش میدهد. همچنین اعمال فرایند تنظیم دقیق با ساختار پیشنهادی بر روی سایر مدلهای موجود توانسته به بهبود مدل و دقت درونسازی بعد از هر فرایند تنظیم دقیق منجر گردد. نتایج رتبهبندی بر مبنای مدلهای نهایی، بیانگر بهبود دقت رتبهبندی وب فارسی نسبت به مدلهای پایه مورد ارزیابی با افزایش حدود 5 درصدی دقت در بهترین حالت است.
پرونده مقاله
تشخيص وسايل نقليه و رديابی آن، نقش مهمی در اتومبیلهای خودران و سيستمهاي حملونقل هوشمند ايفا میکند. شرايط آبوهوايی نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با کاهش ديد دوربين، محدوديتهاي خطرناکی ايجاد کرده و بر عملکرد الگوريتمهاي تشخيصی استفادهشده در چکیده کامل
تشخيص وسايل نقليه و رديابی آن، نقش مهمی در اتومبیلهای خودران و سيستمهاي حملونقل هوشمند ايفا میکند. شرايط آبوهوايی نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با کاهش ديد دوربين، محدوديتهاي خطرناکی ايجاد کرده و بر عملکرد الگوريتمهاي تشخيصی استفادهشده در سيستمهاي نظارت بر ترافيک و برنامههاي رانندگی خودکار تأثير میگذارد. در این مقاله از شبکه عمیق تشخیص اشیای Faster RCNN با هسته 50ResNet و شبکه RetinaNet استفاده شده و دقت این دو شبکه جهت تشخیص خودرو در آبوهوای نامساعد مورد بررسی قرار میگیرد. پایگاه داده مورد استفاده، فایل DAWN میباشد که شامل تصاویر دنیای واقعی است و با انواع مختلفی از شرایط آبوهوایی نامطلوب جمعآوری شدهاند. نتایج بهدستآمده نشان میدهند که روش ارائهشده در بهترین حالت، دقت تشخیص را از %2/0 به %75 افزایش داده و بیشترین میزان افزایش دقت نیز مربوط به شرایط بارانی میباشد. تمام پردازشها به زبان پایتون و در گوگل کولب انجام شده است.
پرونده مقاله
امروزه شبکههای اینترنت اشیا (IoT) با توجه به محدودیت منابع پردازشی، ناهمگونی و محدودیت انرژی در اشیا و همچنین عدم وجود استانداردی واحد برای پیادهسازی سازوکارهای امنیتی به کانون و مرکز توجه حملات امنیتی تبدیل شدهاند. در این مقاله، یک راهکار برای مسئله تخصیص منابع امن چکیده کامل
امروزه شبکههای اینترنت اشیا (IoT) با توجه به محدودیت منابع پردازشی، ناهمگونی و محدودیت انرژی در اشیا و همچنین عدم وجود استانداردی واحد برای پیادهسازی سازوکارهای امنیتی به کانون و مرکز توجه حملات امنیتی تبدیل شدهاند. در این مقاله، یک راهکار برای مسئله تخصیص منابع امنیتی به جهت مقابله با حملات در اینترنت اشیا ارائه خواهد شد. مسئله تخصیص منابع امنیتی در شبکه IoT (SRAIoT) به جایگذاری امنافزارها در زیرساخت IoT اشاره دارد. برای حل این مسئله نیاز است که شرایط پویای محیط ارتباطی و عدم قطعیت در مورد عملکرد مهاجمان لحاظ شود. در رویکردهای سنتی تخصیص منابع امنیتی در IoT، مهاجم بر اساس مفروضات خود از شرایط سیستم، دست به حمله زده و در مقابل، مدافع نیز در سیستم با شناخت قبلی از رفتار مهاجم و گرههای مورد حمله به مقابله میپردازد. برخلاف رویکردهای پیشین در این پژوهش از رویکردی واقعبینانه برای تخصیص پویای منابع امنیتی در شبکه IoT جهت مقابله با مهاجمانی با رفتار ناشناخته استفاده شده است. در مسئله مطرحشده به این علت که در بازههای یادگیری در مورد استقرار چند منبع امنیتی نیاز به اتخاذ تصمیم وجود دارد، فضای حالت راهبردها به صورت ترکیبیاتی بیان میشود. همچنین مسئله SRAIoT در چارچوب یک مسئله قمار چندبازویی ترکیبیاتی- تخاصمی مطرح میشود. از آنجا که در شرایط واقعی، جابهجایی منابع امنیتی استقراریافته دارای هزینه بالایی است، هزینه مذکور در تابع سودمندی مسئله لحاظ شده و بنابراین چارچوب پیشنهادی بهصورت توأمان هزینه جابهجایی و پاداش کسبشده را مد نظر قرار میدهد. نتایج شبیهسازی نشاندهنده همگرایی سریعتر معیار پشیمانی ضعیف الگوریتمهای پیشنهادی نسبت به الگوریتم ترکیبیاتی پایه است. علاوه بر این بهمنظور شبیهسازی شبکه IoT در بستری واقعبینانه، شبیهسازی سناریوی حمله با استفاده از شبیهساز Cooja نیز انجام شده است.
پرونده مقاله
این پژوهش به تشخیص احساسات از روی سیگنالهای EEG به کمک یادگیری عمیق مبتنی بر حافظه کوتاهمدت ماندگار (LSTM) دوجهته و مکانیسم توجه میپردازد. در این پژوهش از دو پایگاه داده SEED و DEAP برای تشخیص احساس استفاده شده است. داده SEED شامل سیگنالهای EEG در 62 کانال متعلق به چکیده کامل
این پژوهش به تشخیص احساسات از روی سیگنالهای EEG به کمک یادگیری عمیق مبتنی بر حافظه کوتاهمدت ماندگار (LSTM) دوجهته و مکانیسم توجه میپردازد. در این پژوهش از دو پایگاه داده SEED و DEAP برای تشخیص احساس استفاده شده است. داده SEED شامل سیگنالهای EEG در 62 کانال متعلق به 15 شرکتکننده در سه دسته مختلف از احساسات مثبت، خنثی و منفی است. داده DEAP شامل سیگنال EEG در 32 کانال متعلق به 32 شرکتکننده در دو دسته از ظرفیت و برانگیختگی است. LSTM کارایی خود را در استخراج اطلاعات زمانی از سیگنالهای فیزیولوژیکی طولانی نشان داده است. نوآوریهای این پژوهش شامل استفاده از یک تابع تلفات جدید و بهینهساز بیزین برای یافتن نرخ یادگیری اولیه است. صحت روش پیشنهادی برای طبقهبندی احساسات در پایگاه داده SEED 72/96 درصد شده است. صحت روش پیشنهادی برای طبقهبندی احساس در دو دسته ظرفیت و برانگیختگی در پایگاه داده DEAP بهترتیب 9/94 و 1/97 درصد است. نهایتاً مقایسه نتایج بهدستآمده با پژوهشهای اخیر روی دادههای یکسان، نشان از بهبود نسبتاً خوب روش پیشنهادی دارد.
پرونده مقاله
شناسایی ژنهای آغازگر سرطان یا عامل سرطان یکی از موضوعات تحقیقاتی مهم در زمینه سرطانشناسی و زیستدادهورزی است. ژنهای عامل سرطان، ژنهایی هستند که بعد از اینکه جهش در آنها اتفاق میافتد، آن جهش را از طریق برهمکنشهای پروتئین- پروتئین به دیگر ژنها منتقل کرده و از این چکیده کامل
شناسایی ژنهای آغازگر سرطان یا عامل سرطان یکی از موضوعات تحقیقاتی مهم در زمینه سرطانشناسی و زیستدادهورزی است. ژنهای عامل سرطان، ژنهایی هستند که بعد از اینکه جهش در آنها اتفاق میافتد، آن جهش را از طریق برهمکنشهای پروتئین- پروتئین به دیگر ژنها منتقل کرده و از این طریق، باعث اختلال در عملکرد سلول و بروز بیماری و سرطان میشوند. تا کنون روشهای مختلفی برای پیشبینی و دستهبندی ژنهای عامل سرطان پیشنهاد شده که اکثراً متکی به دادههای ژنومی و ترنسکریپتومیک هستند و از این رو میانگین هارمونیک پایینی در نتایج دارند. تحقیقات در این زمینه بهمنظور بهبود دقت نتایج ادامه دارد و از این رو روشهای مبتنی بر شبکه و زیستدادهورزی به کمک این حوزه آمدهاند. در این مطالعه ما رویکردی را پیشنهاد دادهایم که متکی به دادههای جهش نیست و از روشهای شبکهای برای استخراج ویژگی و از شبکه عصبی سهلایه پیشخور برای دستهبندی ژنها استفاده میکند. برای این منظور، ابتدا شبکه زیستی مورد نظر که شبکه تنظیم رونویسی سرطان سینه است، تشکیل و سپس ویژگیهای مختلف هر ژن بهصورت بردارهایی استخراج گردید. نهایتاً بردارهای بهدستآمده جهت دستهبندی به یک شبکه عصبی پیشخور داده شد. نتایج بهدستآمده نشان میدهند که استفاده از روشهای مبتنی بر شبکههای عصبی چندلایه میتواند صحت و میانگین هارمونیک را بهبود بخشد و باعث بهبود عملکرد نسبت به سایر روشهای محاسباتی شود.
پرونده مقاله
اختلال طیف اوتیسم، نوعی اختلال رشدی به شمار میآید که از طریق علائمی مانند ناتوانی در برقراری ارتباط اجتماعی، خود را نشان میدهد. بنابراین بارزترین نشانه افراد مبتلا به اوتیسم، اختلال گفتار است. این مقاله در بخش اول به بررسی و مرور مطالعات انجامشده برای تشخیص خودکار او چکیده کامل
اختلال طیف اوتیسم، نوعی اختلال رشدی به شمار میآید که از طریق علائمی مانند ناتوانی در برقراری ارتباط اجتماعی، خود را نشان میدهد. بنابراین بارزترین نشانه افراد مبتلا به اوتیسم، اختلال گفتار است. این مقاله در بخش اول به بررسی و مرور مطالعات انجامشده برای تشخیص خودکار اوتیسم بر اساس پردازش گفتار افراد مشکوک به ابتلا میپردازد. با توجه به بررسیهای انجامشده، رویکردهای اصلی پردازش گفتار برای تشخیص اوتیسم به دو گروه تقسیم میشوند. گروه اول با پردازش پاسخها یا احساسات افراد مورد آزمایش در پاسخ به سؤالات یا داستان پرسشگر، افراد مبتلا به اوتیسم را تشخیص میدهند. گروه دوم، افراد مبتلا به اوتیسم را از طریق میزان نرخ دقت بازشناسی گفتارشان در سیستمهای تشخیص خودکار گفتار از افراد سالم تفکیک میکنند. علیرغم پژوهشهای زیاد انجامشده در این حوزه در خارج از ایران، پژوهشهای اندکی داخل ایران انجام شدهاند که مهمترین دلیل آن، عدم وجود دادگان غنی متناسب با نیازمندیهای تشخیص اوتیسم مبتنی بر پردازش گفتار افراد مبتلا است. در بخش دوم پژوهش حاضر به روند طراحی، جمعآوری و ارزیابی یک مجموعه دادگان گفتاری مستقل از گوینده برای تشخیص اوتیسم در کودکان ایرانی بهعنوان گام نخست بومیسازی حوزه مذکور پرداختهایم.
پرونده مقاله
در عصر کلاندادهها، تکنیکهای تجزیه و تحلیل خودکار مانند دادهکاوی بهطور گستردهای برای تصمیمگیری بهکار گرفته شده و بسیار مؤثر واقع شدهاند. از جمله تکنیکهای دادهکاوی میتوان به طبقهبندی اشاره کرد که یک روش رایج برای تصمیمگیری و پیشبینی است. الگوریتمهای طبقهب چکیده کامل
در عصر کلاندادهها، تکنیکهای تجزیه و تحلیل خودکار مانند دادهکاوی بهطور گستردهای برای تصمیمگیری بهکار گرفته شده و بسیار مؤثر واقع شدهاند. از جمله تکنیکهای دادهکاوی میتوان به طبقهبندی اشاره کرد که یک روش رایج برای تصمیمگیری و پیشبینی است. الگوریتمهای طبقهبندی بهطور معمول بر روی مجموعه دادههای متوازن بهخوبی عمل میکنند. با وجود این، یکی از مشکلاتی که الگوریتمهای طبقهبندی با آن مواجه هستند، پیشبینی صحیح برچسب نمونههای جدید بر اساس یادگیری بر روی مجموعه دادههای نامتوازن است. در این نوع از مجموعه دادهها، توزیع ناهمگونی که دادهها در کلاسهای مختلف دارند باعث نادیده گرفتهشدن نمونههای کلاس با تعداد نمونه کمتر در یادگیری طبقهبند میشوند؛ در حالی که این کلاس در برخی مسائل پیشبینی دارای اهمیت بیشتری است. بهمنظور مقابله با مشکل مذکور در این مقاله، روشی کارا برای متعادلسازی مجموعه دادههای نامتوازن ارائه میشود که با متعادلنمودن تعداد نمونههای کلاسهای مختلف در مجموعه دادهای نامتوازن، پیشبینی صحیح برچسب کلاس نمونههای جدید توسط الگوریتم یادگیری ماشین را بهبود میبخشد. بر اساس ارزیابیهای صورتگرفته، روش پیشنهادی بر اساس دو معیار رایج در ارزیابی طبقهبندی مجموعه دادههای نامتوازن به نامهای «صحت متعادل» و «ویژگی»، عملکرد بهتری در مقایسه با روشهای دیگر دارد.
پرونده مقاله