-
حرية الوصول المقاله
1 - پردازش تصاویر ورق های فولادی به منظور آشکارسازی عیوب به کمک موجک گابور
مسعود شفیعی مصطفی صادقیدر مراحل مختلف تولید فولاد، خرابیهایی متعددی بر سطح ورق ظاهر میشود. صرف نظر از دلایل ایجاد خرابیها، تشخیص دقیق انواع آنها به طبقه بندی صحیح ورق فولاد کمک میکند و در نتیجه در صد بالایی از فرآیند کنترل کیفیت را به خود اختصاص میدهد. کنترل کیفیت ورقهای فولادی بهمنظو أکثردر مراحل مختلف تولید فولاد، خرابیهایی متعددی بر سطح ورق ظاهر میشود. صرف نظر از دلایل ایجاد خرابیها، تشخیص دقیق انواع آنها به طبقه بندی صحیح ورق فولاد کمک میکند و در نتیجه در صد بالایی از فرآیند کنترل کیفیت را به خود اختصاص میدهد. کنترل کیفیت ورقهای فولادی بهمنظور بهبود کیفیت محصول و حفظ بازار رقابتی از اهمیت بالایی برخوردار میباشد. در این مقاله ضمن بررسی اجمالی تکنیکهای پردازش تصویر مورد استفاده، با بهکارگیری پردازش تصویر به کمک موجک گابور دو بعدی راه حل سریع و با دقت بالا برای آشکار سازی عیوب بافتی ورقهای فولادی ارائه شده است. در ابتدا با استفاده از موجک گابور ویژگیهای بافتی قابل توجهی را از تصاویر استخراج میکند که هم دربرگیرندهی جهات مختلف و هم فرکانسهای مختلف میباشد. سپس با استفاده از روش آماری،تصاویری که دربردارنده ی عیوب به طور واضحتری هستند انتخاب شده و محل وقوع عیب تعیین میگردد. با ارائهی نمونههای آزمایشی میزان دقت و سرعت عمل روش بهکار گرفته شده نشان داده شده است. تفاصيل المقالة -
حرية الوصول المقاله
2 - بررسی صحت ارزیابی کارشناسان املاک با استفاده از یک مدل مبتنی بر دادهکاوی (مطالعه موردی بانک ملت)
فاطمه داوربانکها به عنوان بخش اصلی نظام مالی همواره با ریسکهای متفاوتی روبرو هستند که از عمده ترین آنها ریسک اعتبارسنجی و ارزیابی اموال است. یکی از مواردی که کارشناسان بخش ارزیابی اموال با آن مواجه هستند، نحوۀ ارزیابی و تعیین قیمت ملک بوده است. به طور کلی، کارشناسان دادگستری بر أکثربانکها به عنوان بخش اصلی نظام مالی همواره با ریسکهای متفاوتی روبرو هستند که از عمده ترین آنها ریسک اعتبارسنجی و ارزیابی اموال است. یکی از مواردی که کارشناسان بخش ارزیابی اموال با آن مواجه هستند، نحوۀ ارزیابی و تعیین قیمت ملک بوده است. به طور کلی، کارشناسان دادگستری بر اساس شاخصهای قیمت گذاری، اقدام به ارزیابی املاک مینمایند. در این تحقیق سعی شده است تا صحت ارزیابی کارشناسان ارزیابی اموال با استفاده از مدلهای دادهکاوی بررسی گردد. این اقدام در جهت کمک به مدیران بانک و مسئولان ممیزی گزارشات ارزیابی، انجام گرفته است تا آنها بتوانند در مورد کارشناسان و ارزیابیهای انجام شده توسط آنها، تصمیمات بهتری اخذ نمایند. با استفاده از شاخصهای ارزیابی املاک و دادهکاوی به یک مدل پیش بینی کننده جهت پیش بینی قیمت املاک دست یافته و به منظور رسیدن به یک مدل پیش بینی با عملکرد بالا، از ترکیب الگوریتم های FCM و K-NN بهره گرفته شده است که این اقدام توانست میزان دقت پیش بینی را تا حد زیادی افزایش داده و کارایی مدل پیشنهادی را بالا می برد. میزان دقت[1] در پیش بینی مبالغ ارزیابی، برابر 84.21 % و میزان خطای RMSE در پیش بینی آن برابر 0.43، بدست آمد. رویکرد پیشنهادی بر روی دادههای ارزیابی املاک بانک ملت آزموده شد. [1] accuracy تفاصيل المقالة -
حرية الوصول المقاله
3 - Efficient Land-cover Segmentation Using Meta Fusion
Morteza Khademi Hadi Sadoghi yazdiMost popular fusion methods have their own limitations; e.g. OWA (order weighted averaging) has “linear model” and “summation of inputs proportions in fusion equal to 1” limitations. Considering all possible models for fusion, proposed fusion method involve input data c أکثرMost popular fusion methods have their own limitations; e.g. OWA (order weighted averaging) has “linear model” and “summation of inputs proportions in fusion equal to 1” limitations. Considering all possible models for fusion, proposed fusion method involve input data confusion in fusion process to segmentation. Indeed, limitations in proposed method are determined adaptively for each input data, separately. On the other hand, land-cover segmentation using remotely sensed (RS) images is a challenging research subject; due to the fact that objects in unique land-cover often appear dissimilar in different RS images. In this paper multiple co-registered RS images are utilized to segment land-cover using FCM (fuzzy c-means). As an appropriate tool to model changes, fuzzy concept is utilized to fuse and integrate information of input images. By categorizing the ground points, it is shown in this paper for the first time, fuzzy numbers are need and more suitable than crisp ones to merge multi-images information and segmentation. Finally, FCM is applied on the fused image pixels (with fuzzy values) to obtain a single segmented image. Furthermore mathematical analysis and used proposed cost function, simulation results also show significant performance of the proposed method in terms of noise-free and fast segmentation. تفاصيل المقالة -
حرية الوصول المقاله
4 - Proposing an FCM-MCOA Clustering Approach Stacked with Convolutional Neural Networks for Analysis of Customers in Insurance Company
Motahareh Ghavidel meisam Yadollahzadeh tabari Mehdi GolsorkhtabaramiriTo create a customer-based marketing strategy, it is necessary to perform a proper analysis of customer data so that customers can be separated from each other or predict their future behavior. The datasets related to customers in any business usually are high-dimension أکثرTo create a customer-based marketing strategy, it is necessary to perform a proper analysis of customer data so that customers can be separated from each other or predict their future behavior. The datasets related to customers in any business usually are high-dimensional with too many instances and include both supervised and unsupervised ones. For this reason, companies today are trying to satisfy their customers as much as possible. This issue requires careful consideration of customers from several aspects. Data mining algorithms are one of the practical methods in businesses to find the required knowledge from customer’s both demographic and behavioral. This paper presents a hybrid clustering algorithm using the Fuzzy C-Means (FCM) method and the Modified Cuckoo Optimization Algorithm (MCOA). Since customer data analysis has a key role in ensuring a company's profitability, The Insurance Company (TIC) dataset is utilized for the experiments and performance evaluation. We compare the convergence of the proposed FCM-MCOA approach with some conventional optimization methods, such as Genetic Algorithm (GA) and Invasive Weed Optimization (IWO). Moreover, we suggest a customer classifier using the Convolutional Neural Networks (CNNs). Simulation results reveal that the FCM-MCOA converges faster than conventional clustering methods. In addition, the results indicate that the accuracy of the CNN-based classifier is more than 98%. CNN-based classifier converges after some couples of iterations, which shows a fast convergence in comparison with the conventional classifiers, such as Decision Tree (DT), Support Vector Machine (SVM), K-Nearest Neighborhood (KNN), and Naive Bayes (NB) classifiers. تفاصيل المقالة