-
حرية الوصول المقاله
1 - شناسایی و بررسی میزان اهمیت نسبی استراتژی های مدیریت دانش با استفاده از شبکه عصبی مصنوعی ( مورد مطالعه : شرکت های دانش بنیان تولید کننده نرم فزار شهر تهران)
سعیده خبازکار محسن شفیعی نیک آبادی مائده دهقانچکیده : مدیریت دانش یک منبع مهم برای سازمان است . سازمان ها برای پیاده سازی استراتژی های مدیریت دانش باید نوآوری را در فرآیند ها ،فعالیت ها، محصولات و خدمات خود ایجاد کنند . هدف اصلی این پژوهش ، بررسی میزان اهمیت نسبی استراتژی های مدیریت دانش با استفاده از شبکه عصبی مصن أکثرچکیده : مدیریت دانش یک منبع مهم برای سازمان است . سازمان ها برای پیاده سازی استراتژی های مدیریت دانش باید نوآوری را در فرآیند ها ،فعالیت ها، محصولات و خدمات خود ایجاد کنند . هدف اصلی این پژوهش ، بررسی میزان اهمیت نسبی استراتژی های مدیریت دانش با استفاده از شبکه عصبی مصنوعی است . جنبه نوآورانه تحقیق ، استفاده از شبکه عصبی مصنوعی برای رتبه بندی استراتژی های مدیریت دانش است . جامعه آماری شامل کلیه کارکنان شرکت های دانش بنیان تولید کننده نرم افزار شهر تهران می باشد که از مجموع پرسشنامه های توزیع شده تنها 123 عدد قابل استفاده بودند. این تحقیق از لحاظ هدف ، کاربردی و از حیث گردآوری داده ها توصیفی – پیمایشی می باشد داده ها با استفاده از پیمایش و ابزار پرسشنامه بدست آمده و سپس با استفاده از تکنیک شبکه عصبی مصنوعی به بررسی اهداف تحقیق پرداخته شده است . یافته ها و خروجی شبکه عصبی نشان می دهد که به ترتیب استراتژی دانش آشکار مهمترین بعد استراتژی مدیریت دانش و استراتژی های دانش پنهان، درون محور و برون محور در اولویت های بعدی شرکت های نرم افزاری دانش بنیان شهر تهران قرار گرفته اند. تفاصيل المقالة -
حرية الوصول المقاله
2 - گروهبندی همگن یادگیرندگان الکترونیکی بر اساس رفتار شبکه ای آنان
محمدصادق رضایی غلامعلی منتظرگروهبندی همگن یادگیرندگان از نظر مشابهت سبک یادگیری، موجب افزایش توانمندی سامانههای یادگیری الکترونیکی در تطبیق یادگیری و ایجاد فضای مشارکتی میان یادگیرندگان میشود. در این مقاله سامانهای تشریح شده است که با استفاده از اطلاعات مربوط به رفتار شبکهای یادگیرندگان در مح أکثرگروهبندی همگن یادگیرندگان از نظر مشابهت سبک یادگیری، موجب افزایش توانمندی سامانههای یادگیری الکترونیکی در تطبیق یادگیری و ایجاد فضای مشارکتی میان یادگیرندگان میشود. در این مقاله سامانهای تشریح شده است که با استفاده از اطلاعات مربوط به رفتار شبکهای یادگیرندگان در محیط یادگیری الکترونیکی، گروههایی از یادگیرندگان را که از منظر سبک یادگیری مشابه هستند، شناسایی میکند. روش خوشهبندی ارائه شده برای تفکیک یادگیرندگان مبتنی بر ساختار شبکۀ عصبی ART و فرایند یادگیری شبکۀ عصبی Snap-Drift توسعه داده شده است. این شبکه امکان شناسایی گروههای یادگیرندگان را در فضای عدم قطعیت ویژگیهای مؤثر بر تفکیک گروهها، فراهم میسازد ضمن آنکه در این روش نیازی به دانستن تعداد مناسب گروهها نیست. عملکرد این سامانه در شناسایی گروههای یادگیرندگان در محیط یادگیری الکترونیکی بر اساس سبک یادگیری مورد ارزیابی قرار گرفته است. نتایج ارزیابی بر اساس معیارهای ارزیابی دیبویس – بولدین و خلوص و تجمع نشان میدهد روش پیشنهادی به طور کلی گروههای مناسبتر و دقیقتری را نسبت به روشهای دیگر ایجاد کرده است. تفاصيل المقالة -
حرية الوصول المقاله
3 - پیش بینی خرید محصول در یک فروشگاه آنلاین با طراحی یک شبکه عصبی مصنوعی با استفاده از داده های جریان کلیک
محبوبه متقییکی از توانایی های کلیدی فروشگاه های آنلاین رقابتی پیش بینی موثر قصد خرید مشتری ها تا حد ممکن برای اعمال استراتژی های خدماتی جهت تبدیل کاربران به خریداران و افزایش نرخ فروش است.تکنیک های دادهکاوی و هوش مصنوعی موفقیت خود را در دسته بندی و پیش بینی کارها در سیستمهای بهن أکثریکی از توانایی های کلیدی فروشگاه های آنلاین رقابتی پیش بینی موثر قصد خرید مشتری ها تا حد ممکن برای اعمال استراتژی های خدماتی جهت تبدیل کاربران به خریداران و افزایش نرخ فروش است.تکنیک های دادهکاوی و هوش مصنوعی موفقیت خود را در دسته بندی و پیش بینی کارها در سیستمهای بهنگام، مانند سایتهای تجارت الکترونیک، ثابت کردهاند. در این مقاله، ما یک مدل شبکه عصبی پس انتشار خطا با هدف پیش بینی خرید در سشن های فعال کاربر در یک فروشگاه اینترنی پیشنهاد می دهیم. آموزش و ارزیابی شبکه عصبی با استفاده از مجموعه ای از سشن های بازسازی شده از سشن های لاگ سرور صورت پذیرفته است. قدرت دقت و بازیابی شبکه عصبی پیشنهادی ۷۹۹/۸۹٪ و ۷۹۶/۸۹٪ بدست آمده که بیانگر توانایی بالای این شبکه (حدود ۹۰٪) در پیش بینی خرید می باشد. تفاصيل المقالة -
حرية الوصول المقاله
4 - الگوریتم رقابت استعماری آشوبی متعامد اصلاح شده و بکارگیری آن در بهبود بازشناسی الگو در شبکۀ عصبی پرسپترون¬های چند لایه
پیمان معلم مهرداد صادقی حریری مهدی هاشمیعلی رغم موفقیت الگوریتم رقابت استعماری (ICA) در حل مسائل بهینه سازی، این الگوریتم کماکان از به دام افتادن مکرر در کمینه محلی و سرعت پایین همگرایی رنج می برد. در این مقاله، نسخۀ جدیدی از این الگوریتم، به نام رقابت استعماری آشوبی متعامد اصلاح شده (COICA)، پیشنهاد می شود. أکثرعلی رغم موفقیت الگوریتم رقابت استعماری (ICA) در حل مسائل بهینه سازی، این الگوریتم کماکان از به دام افتادن مکرر در کمینه محلی و سرعت پایین همگرایی رنج می برد. در این مقاله، نسخۀ جدیدی از این الگوریتم، به نام رقابت استعماری آشوبی متعامد اصلاح شده (COICA)، پیشنهاد می شود. در سیاست جذب نسخه پیشنهادی، هرمستعمره از طریق تعریف بردار متعامد نوینی، فضای حرکت به سمت استعمارگر را جستجو می کند. همچنین احتمال انتخاب امپراطوری های قدرتمند، از طریق تابع توزیع بولتزمان تعریف شده و عمل انتخاب از طریق روش چرخ رولت انجام گرفته است. از الگوریتم پیشنهادی برای آموزش شبکه عصبی پرسپترون چند لایه (MLP) جهت طبقه بندی مجموعه داده های استاندارد، از جمله یونسفر و سونار استفاده شده است. برای ارزیابی عملکرد این الگوریتم و بررسی میزان تعمیم پذیری شبکه عصبی آموزش ديده با نسخه پيشنهادی، از روش اعتبارسنجی متقابل K-Fold استفاده شده است. نتایج بدست آمده از شبیه سازی ها، کاهش خطای آموزش شبکه و همچنین بهبود تعمیم پذیری الگوریتم پیشنهادی را تایید می کند. تفاصيل المقالة -
حرية الوصول المقاله
5 - مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیه ی نقشه کاربری اراضی (مطالعه موردی: پارک ملی بوجاق)
مهسا عبدلی لاکتاسرائی مریم حقیقی خمامیپارک های ملی و پناهگاه های حیاتوحش از مهم ترین سرمایه های اکولوژیکی به شمار می روند. ازاینرو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم های متنوعی برای طبقه بندی تصاویر ماهواره ای در سنجشازدور توسعهیافتهاند، ان أکثرپارک های ملی و پناهگاه های حیاتوحش از مهم ترین سرمایه های اکولوژیکی به شمار می روند. ازاینرو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم های متنوعی برای طبقه بندی تصاویر ماهواره ای در سنجشازدور توسعهیافتهاند، انتخاب الگوریتم مناسب طبقه بندی در دستیابی به نتایج صحیح نقش بسیار مهمی را ایفا می کند. در این تحقیق با مقایسه صحت طبقه بندی دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان، الگوریتم دقیقتر تعیین و از آن برای بررسی روند تغییرات کاربری اراضی استفاده شد. تحقیق حاضر در پارک ملی بوجاق واقع در استان گیلان طی سال های 2000 تا 2017 با استفاده از تصاویر ماهوارهایETM+ و OLI لندست 7 و 8 انجام گرفت. نتایج نشان داد که الگوریتم ماشین بردار پشتیبان به ترتیب با دقت کل و ضریب کاپا، 42/86 و 83/0 برای سال 2000 و 65/90 و 88/0 برای سال 2017، در مقایسه با الگوریتم شبکه عصبی مصنوعی به ترتیب با دقت کل و ضریب کاپا، 71/83 و 80/0 برای سال 2000 و دقت کل و ضریب کاپا، 25/89 و 87/0 برای سال 2017، تصاویر ماهوارهای را بهتر طبقه بندی کرده است؛ بنابراین، از نقشه های کاربری اراضی حاصل از الگوریتم ماشین بردار پشتیبان جهت بررسی تغییرات کاربری استفاده شد. بررسی روند تغییرات کاربری اراضی با این روش مشخص کرد که در طی دوره بررسی شده، مساحت کاربری های پیکره آبی، دریا، پوشش علفی و کشاورزی کاهشیافته است درحالیکه کلاس کاربری های باتلاقی، درختی و بدون پوشش افزایشیافته است. تفاصيل المقالة -
حرية الوصول المقاله
6 - ترکیب دوگانه سیستم استنتاج فازی با الگوریتم بهینهسازی ازدحام ذرات در پیشبینی قیمت سهام بورس اوراق بهادار تهران و مقایسه آن با مدل یادگیری عمیق
مجید عبدالرزاق نژاد مهدی خردپیشبینی قیمت سهام توسط تحلیلگران داده یک فرصت تجاری بزرگ را برای طیف گسترده سرمایه گذاران در بازار سهام ایجاد کرده است. اما این مهم به دلیل ماهیت بی ثبات و پویایی بیش از حد عوامل متعدد اقتصادی تاثیرگذار بر بازار سهام، امری دشوار است. در این پژوهش به منظور شناسایی ارتبا أکثرپیشبینی قیمت سهام توسط تحلیلگران داده یک فرصت تجاری بزرگ را برای طیف گسترده سرمایه گذاران در بازار سهام ایجاد کرده است. اما این مهم به دلیل ماهیت بی ثبات و پویایی بیش از حد عوامل متعدد اقتصادی تاثیرگذار بر بازار سهام، امری دشوار است. در این پژوهش به منظور شناسایی ارتباط پیچیده 10 متغیر اقتصادی بر قیمت سهام شرکتهای فعال در بازار سهام تهران، دو مدل طراحی و پیادهسازی شده است. نخست یک سیستم استنتاج فازی ممدانی که مجموعه قوانین موتور استنتاج خود را توسط الگوریتم بهینهسازی ازدحام ذرات بدست میآورد طراحی میشود. سپس مدل یادگیری عمیق مشتمل بر 26 نرون در 5 لایه پنهان طراحی شده است. مدلهای طراحی شده به منظور پیشبینی قیمت سهام نه شرکت فعال در بورس اوراق بهادار تهران پیادهسازی و نتایج بدست آمده حاکی از عملکرد بهتر مدل یادگیری عمیق بر مدل ترکیب دوگانه استنتاج فازی-ازدحام ذرات و نیز مدل رایج شبکه عصبی دارد. اما قدرت تفسیرپذیری الگوی بدست آمده، رفتار همسانتر و با واریانس به مراتب کمتر و نیز سرعت همگرایی بیشتر نسبت به سایر مدلها را میتوان از مزایای رقابتی قابل توجه مدل ترکیب دوگانه استنتاج فازی-ازدحام ذرات نام برد. تفاصيل المقالة -
حرية الوصول المقاله
7 - مقایسه شبکههای عصبی MLP و RBF در تخمین پارامترهای آبخوانهای محبوس
طاهره آذری نوذر سامانیدر این مقاله، شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF) جهت تعیین پارامترهای آبخوان محبوس (قابلیت انتقال آبخوان و ضریب ذخیره) طراحی گردیده است. تابع چاه مربوط به آبخوانهای محبوس به این شبکهها آموزش داده شده است. با اعمال تکنیک آنالیز مولفه أکثردر این مقاله، شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF) جهت تعیین پارامترهای آبخوان محبوس (قابلیت انتقال آبخوان و ضریب ذخیره) طراحی گردیده است. تابع چاه مربوط به آبخوانهای محبوس به این شبکهها آموزش داده شده است. با اعمال تکنیک آنالیز مولفه اصلی بر مجموعه دادههای آموزش، ساختار شبکه MLP و RBF به ترتیب با آرایش (1×12×1) و (1×14×1) صرف نظر از تعداد دادههای آزمون پمپاژ ثابت گردید. این شبکهها با دریافت هر مجموعه داده آزمون پمپاژ واقعی، مختصات نقطه انطباق بهینه را تولید میکند. سپس مختصات نقطه انطباق با حل تحلیلی تایس (1935) ترکیب شده و مقادیر پارامترهای آبخوان محاسبه میشود. توانایی تعمیم و عملکرد این شبکهها با 100000 مجموعه داده سنتز شده ارزیابی گردید و دقت آنها با استفاده از دادههای دو آزمون پمپاژ واقعی با روش انطباق منحنی تیپ مقایسه شده است. نتایج حاصل از مدلسازی تابع چاه در آبخوان محبوس نشان داد که اگر چه هر دو مدل شبکه عصبی MLP و RBF میتوانند پارامترهای آبخوان را با دقت بالایی تعیین نمایند و خطاهای گرافیکی حاصل از روشهای انطباق منحنی تیپ را حذف کنند اما شبکه MLP طراحیشده از دقت بالاتری نسبت به شبکه RBF برخوردار میباشد به همین دلیل شبکه MLP پیشنهادی به عنوان یک روش خودکار، دقیق و سریع جهت تعیین پارامترهای آبخوان محبوس توصیه میشود. تفاصيل المقالة -
حرية الوصول المقاله
8 - تبدیل توالی پروتئین به تصویر جهت طبقه¬بندی با شبکه عصبی کانولوشنی
رضا احسن منصور ابراهیمی روح الله دیانتاز آنجا که روشهای مخصوص طبقهبندی توالی یادگیری ماشین، جهت طبقهبندی پروتئینهای سالم و سرطانی موفق نبودند بنابراین یافتن راهکاری برای بازنمایی این توالیها جهت طبقه بندی افراد سالم و مریض با رویکردهای یادگیری عمیق ضرورت تام دارد. در این مطالعه، روشهای مختلف با أکثراز آنجا که روشهای مخصوص طبقهبندی توالی یادگیری ماشین، جهت طبقهبندی پروتئینهای سالم و سرطانی موفق نبودند بنابراین یافتن راهکاری برای بازنمایی این توالیها جهت طبقه بندی افراد سالم و مریض با رویکردهای یادگیری عمیق ضرورت تام دارد. در این مطالعه، روشهای مختلف بازنمایی توالی پروتئین، جهت طبقهبندی توالی پروتئین افراد سالم و سرطان خون، مورد بررسی قرار گرفته است. نتایج نشان داد که تبدیل حروف اسید آمینه به بردار ویژگی یکبعدی در طبقه بندی 2 کلاس موفق نبود و فقط یک کلاس مریض تشخیص داده شد. با تغییر بردار ویژگی بهصورت اعداد رنگی دقت تشخیص کلاس سالم کمی بهبود یافت. روش بازنمایی توالی پروتئینی بهصورت یکپارچه دودویی، با ابتکار حفظ دنباله توالی در دو حالت یکبعدی و دوبعدی(تصویر با اعمال فیلتر گابور)، نسبت به روشهای قبلی موثرتر بود. بازنمایی توالی پروتئین به شکل تصویر دودویی با اعمال فیلتر گابور با دقت 100% توالی پروتئین افراد سالم و 98.6% توالی پروتئین افراد دارای سرطان خون را طبقهبندی کرد. یافتههای این تحقیق نشان داد که بازنمایی توالی پروتئین به شکل تصویر دودویی با اعمال فیلتر گابور، میتواند بهعنوان روش موثر جدید دربازنمایی توالیهای پروتئینی جهت طبقهبندی، ارایه نماید. تفاصيل المقالة -
حرية الوصول المقاله
9 - ارائه روشی جدید مبتنی بر مدل کوکومو بمنظور افزایش دقت تخمین تلاش در پروژه های نرم افزاری
مهدیه سالاری وحید خطیبی بردسیری عمید خطیبی بردسیریتخمین و برآورد معیارها یک فعالیت حیاتی در پروژههای نرمافزاری محسوب میشود. بهطوریکه تخمین تلاش در مراحل اولیه توسعه نرمافزار، یکی از مهمترین چالشهای مدیریت پروژههای نرمافزاری است. تخمین نادرست میتواند منجر به شکست پروژه گردد. لذا یکی از فعالیتهای اصلی و کلید أکثرتخمین و برآورد معیارها یک فعالیت حیاتی در پروژههای نرمافزاری محسوب میشود. بهطوریکه تخمین تلاش در مراحل اولیه توسعه نرمافزار، یکی از مهمترین چالشهای مدیریت پروژههای نرمافزاری است. تخمین نادرست میتواند منجر به شکست پروژه گردد. لذا یکی از فعالیتهای اصلی و کلیدی در توسعه مؤثر و کارآمد پروژههای نرمافزاری تخمین دقیق هزینههای نرمافزار است. ازاینرو در این پژوهش دو روش بهمنظور تخمین تلاش در پروژههای نرمافزاری ارائه شده است، که در این روش ها سعی شده با تجزیهوتحلیل محرکها و استفاده از الگوریتمهای فرا ابتکاری و ترکیب با شبکه عصبی راهی برای افزایش دقت در تخمین تلاش پروژه های نرم افزاری ایجاد شود. روش اول تأثیر الگوریتم فاخته جهت بهینهسازی ضرایب تخمین مدل کوکومو و روش دوم به صورت ترکیبی از شبکه عصبی و الگوریتم بهینهسازی فا خته جهت افزایش دقت برآورد تلاش توسعه نرمافزار ارائهشده است. نتایج بدست آمده روی دو پایگاه داده واقعی نشان دهنده عملکرد مطلوب روش ارائه شده در مقایسه با سایر روشهاست. تفاصيل المقالة -
حرية الوصول المقاله
10 - Analysis and Evaluation of Techniques for Myocardial Infarction Based on Genetic Algorithm and Weight by SVM
hojatallah hamidi Atefeh DaraeiAlthough decreasing rate of death in developed countries because of Myocardial Infarction, it is turned to the leading cause of death in developing countries. Data mining approaches can be utilized to predict occurrence of Myocardial Infarction. Because of the side effe أکثرAlthough decreasing rate of death in developed countries because of Myocardial Infarction, it is turned to the leading cause of death in developing countries. Data mining approaches can be utilized to predict occurrence of Myocardial Infarction. Because of the side effects of using Angioplasty as main method for diagnosing Myocardial Infarction, presenting a method for diagnosing MI before occurrence seems really important. This study aim to investigate prediction models for Myocardial Infarction, by applying a feature selection model based on Wight by SVM and genetic algorithm. In our proposed method, for improving the performance of classification algorithm, a hybrid feature selection method is applied. At first stage of this method, the features are selected based on their weights, using weight by Support Vector Machine. At second stage, the selected features, are given to genetic algorithm for final selection. After selecting appropriate features, eight classification methods, include Sequential Minimal Optimization, REPTree, Multi-layer Perceptron, Random Forest, K-Nearest Neighbors and Bayesian Network, are applied to predict occurrence of Myocardial Infarction. Finally, the best accuracy of applied classification algorithms, have achieved by Multi-layer Perceptron and Sequential Minimal Optimization. تفاصيل المقالة -
حرية الوصول المقاله
11 - The Separation of Radar Clutters using Multi-Layer Perceptron
Mohammad Akhondi Darzikolaei Ataollah Ebrahimzadeh Elahe GholamiClutter usually has negative influence on the detection performance of radars. So, the recognition of clutters is crucial to detect targets and the role of clutters in detection cannot be ignored. The design of radar detectors and clutter classifiers are really complica أکثرClutter usually has negative influence on the detection performance of radars. So, the recognition of clutters is crucial to detect targets and the role of clutters in detection cannot be ignored. The design of radar detectors and clutter classifiers are really complicated issues. Therefore, in this paper aims to classify radar clutters. The novel proposed MLP-based classifier for separating radar clutters is introduced. This classifier is designed with different hidden layers and five training algorithms. These training algorithms consist of Levenberg-Marquardt, conjugate gradient, resilient back-propagation, BFGS and one step secant algorithms. Statistical distributions are established models which widely used in the performance calculations of radar clutters. Hence In this research, Rayleigh, Log normal, Weibull and K-distribution clutters are utilized as input data. Then Burg’s reflection coefficients, skewness and kurtosis are three features which applied to extract the best characteristics of input data. In the next step, the proposed classifier is tested in different conditions and the results represent that the proposed MLP-based classifier is very successful and can distinguish clutters with high accuracy. Comparing the results of proposed technique and RBF-based classifier show that proposed method is more efficient. The results of simulations prove that the validity of MLP-based method. تفاصيل المقالة -
حرية الوصول المقاله
12 - Improvement in Accuracy and Speed of Image Semantic Segmentation via Convolution Neural Network Encoder-Decoder
Hanieh Zamanian Hassan Farsi Sajad MohammadzadehRecent researches on pixel-wise semantic segmentation use deep neural networks to improve accuracy and speed of these networks in order to increase the efficiency in practical applications such as automatic driving. These approaches have used deep architecture to predic أکثرRecent researches on pixel-wise semantic segmentation use deep neural networks to improve accuracy and speed of these networks in order to increase the efficiency in practical applications such as automatic driving. These approaches have used deep architecture to predict pixel tags, but the obtained results seem to be undesirable. The reason for these unacceptable results is mainly due to the existence of max pooling operators, which reduces the resolution of the feature maps. In this paper, we present a convolutional neural network composed of encoder-decoder segments based on successful SegNet network. The encoder section has a depth of 2, which in the first part has 5 convolutional layers, in which each layer has 64 filters with dimensions of 3×3. In the decoding section, the dimensions of the decoding filters are adjusted according to the convolutions used at each step of the encoding. So, at each step, 64 filters with the size of 3×3 are used for coding where the weights of these filters are adjusted by network training and adapted to the educational data. Due to having the low depth of 2, and the low number of parameters in proposed network, the speed and the accuracy improve compared to the popular networks such as SegNet and DeepLab. For the CamVid dataset, after a total of 60,000 iterations, we obtain the 91% for global accuracy, which indicates improvements in the efficiency of proposed method. تفاصيل المقالة -
حرية الوصول المقاله
13 - DeepSumm: A Novel Deep Learning-Based Multi-Lingual Multi-Documents Summarization System
Shima Mehrabi Seyed Abolghassem Mirroshandel Hamidreza AhmadifarWith the increasing amount of accessible textual information via the internet, it seems necessary to have a summarization system that can generate a summary of information for user demands. Since a long time ago, summarization has been considered by natural language pro أکثرWith the increasing amount of accessible textual information via the internet, it seems necessary to have a summarization system that can generate a summary of information for user demands. Since a long time ago, summarization has been considered by natural language processing researchers. Today, with improvement in processing power and the development of computational tools, efforts to improve the performance of the summarization system is continued, especially with utilizing more powerful learning algorithms such as deep learning method. In this paper, a novel multi-lingual multi-document summarization system is proposed that works based on deep learning techniques, and it is amongst the first Persian summarization system by use of deep learning. The proposed system ranks the sentences based on some predefined features and by using a deep artificial neural network. A comprehensive study about the effect of different features was also done to achieve the best possible features combination. The performance of the proposed system is evaluated on the standard baseline datasets in Persian and English. The result of evaluations demonstrates the effectiveness and success of the proposed summarization system in both languages. It can be said that the proposed method has achieve the state of the art performance in Persian and English. تفاصيل المقالة -
حرية الوصول المقاله
14 - Drone Detection by Neural Network Using GLCM and SURF Features
Tanzia Ahmed Tanvir Rahman Bir Ballav Roy Jia UddinThis paper presents a vision-based drone detection method. There are a number of researches on object detection which includes different feature extraction methods – all of those are used distinctly for the experiments. But in the proposed model, a hybrid feature extrac أکثرThis paper presents a vision-based drone detection method. There are a number of researches on object detection which includes different feature extraction methods – all of those are used distinctly for the experiments. But in the proposed model, a hybrid feature extraction method using SURF and GLCM is used to detect object by Neural Network which has never been experimented before. Both are very popular ways of feature extraction. Speeded-up Robust Feature (SURF) is a blob detection algorithm which extracts the points of interest from an integral image, thus converts the image into a 2D vector. The Gray-Level Co-Occurrence Matrix (GLCM) calculates the number of occurrences of consecutive pixels in same spatial relationship and represents it in a new vector- 8 × 8 matrix of best possible attributes of an image. SURF is a popular method of feature extraction and fast matching of images, whereas, GLCM method extracts the best attributes of the images. In the proposed model, the images were processed first to fit our feature extraction methods, then the SURF method was implemented to extract the features from those images into a 2D vector. Then for our next step GLCM was implemented which extracted the best possible features out of the previous vector, into a 8 × 8 matrix. Thus, image is processed in to a 2D vector and feature extracted from the combination of both SURF and GLCM methods ensures the quality of the training dataset by not just extracting features faster (with SURF) but also extracting the best of the point of interests (with GLCM). The extracted featured related to the pattern are used in the neural network for training and testing. Pattern recognition algorithm has been used as a machine learning tool for the training and testing of the model. In the experimental evaluation, the performance of proposed model is examined by cross entropy for each instance and percentage error. For the tested drone dataset, experimental results demonstrate improved performance over the state-of-art models by exhibiting less cross entropy and percentage error. تفاصيل المقالة -
حرية الوصول المقاله
15 - Recognizing Transliterated English Words in Persian Texts
Ali Hoseinmardy Saeedeh MomtaziOne of the most important problems of text processing systems is the word mismatch problem. This results in limited access to the required information in information retrieval. This problem occurs in analyzing textual data such as news, or low accuracy in text classific أکثرOne of the most important problems of text processing systems is the word mismatch problem. This results in limited access to the required information in information retrieval. This problem occurs in analyzing textual data such as news, or low accuracy in text classification and clustering. In this case, if the text-processing engine does not use similar/related words in the same sense, it may not be able to guide you to the appropriate result. Various statistical techniques have been proposed to bridge the vocabulary gap problem; e.g., if two words are used in similar contexts frequently, they have similar/related meanings. Synonym and similar words, however, are only one of the categories of related words that are expected to be captured by statistical approaches. Another category of related words is the pair of an original word in one language and its transliteration from another language. This kind of related words is common in non-English languages. In non-English texts, instead of using the original word from the target language, the writer may borrow the English word and only transliterate it to the target language. Since this kind of writing style is used in limited texts, the frequency of transliterated words is not as high as original words. As a result, available corpus-based techniques are not able to capture their concept. In this article, we propose two different approaches to overcome this problem: (1) using neural network-based transliteration, (2) using available tools that are used for machine translation/transliteration, such as Google Translate and Behnevis. Our experiments on a dataset, which is provided for this purpose, shows that the combination of the two approaches can detect English words with 89.39% accuracy. تفاصيل المقالة -
حرية الوصول المقاله
16 - Utilizing Gated Recurrent Units to Retain Long Term Dependencies with Recurrent Neural Network in Text Classification
Nidhi Chandra Laxmi Ahuja Sunil Kumar Khatri Himanshu MongaThe classification of text is one of the key areas of research for natural language processing. Most of the organizations get customer reviews and feedbacks for their products for which they want quick reviews to action on them. Manual reviews would take a lot of time a أکثرThe classification of text is one of the key areas of research for natural language processing. Most of the organizations get customer reviews and feedbacks for their products for which they want quick reviews to action on them. Manual reviews would take a lot of time and effort and may impact their product sales, so to make it quick these organizations have asked their IT to leverage machine learning algorithms to process such text on a real-time basis. Gated recurrent units (GRUs) algorithms which is an extension of the Recurrent Neural Network and referred to as gating mechanism in the network helps provides such mechanism. Recurrent Neural Networks (RNN) has demonstrated to be the main alternative to deal with sequence classification and have demonstrated satisfactory to keep up the information from past outcomes and influence those outcomes for performance adjustment. The GRU model helps in rectifying gradient problems which can help benefit multiple use cases by making this model learn long-term dependencies in text data structures. A few of the use cases that follow are – sentiment analysis for NLP. GRU with RNN is being used as it would need to retain long-term dependencies. This paper presents a text classification technique using a sequential word embedding processed using gated recurrent unit sigmoid function in a Recurrent neural network. This paper focuses on classifying text using the Gated Recurrent Units method that makes use of the framework for embedding fixed size, matrix text. It helps specifically inform the network of long-term dependencies. We leveraged the GRU model on the movie review dataset with a classification accuracy of 87%. تفاصيل المقالة -
حرية الوصول المقاله
17 - Evaluation of Pattern Recognition Techniques in Response to Cardiac Resynchronization Therapy (CRT)
Mohammad Nejadeh Peyman Bayat Jalal Kheirkhah Hassan MoladoustCardiac resynchronization therapy (CRT) improves cardiac function in patients with heart failure (HF), and the result of this treatment is decrease in death rate and improving quality of life for patients. This research is aimed at predicting CRT response for the progno أکثرCardiac resynchronization therapy (CRT) improves cardiac function in patients with heart failure (HF), and the result of this treatment is decrease in death rate and improving quality of life for patients. This research is aimed at predicting CRT response for the prognosis of patients with heart failure under CRT. According to international instructions, in the case of approval of QRS prolongation and decrease in ejection fraction (EF), the patient is recognized as a candidate of implanting recognition device. However, regarding many intervening and effective factors, decision making can be done based on more variables. Computer-based decision-making systems especially machine learning (ML) are considered as a promising method regarding their significant background in medical prediction. Collective intelligence approaches such as particles swarm optimization (PSO) algorithm are used for determining the priorities of medical decision-making variables. This investigation was done on 209 patients and the data was collected over 12 months. In HESHMAT CRT center, 17.7% of patients did not respond to treatment. Recognizing the dominant parameters through combining machine recognition and physician’s viewpoint, and introducing back-propagation of error neural network algorithm in order to decrease classification error are the most important achievements of this research. In this research, an analytical set of individual, clinical, and laboratory variables, echocardiography, and electrocardiography (ECG) are proposed with patients’ response to CRT. Prediction of the response after CRT becomes possible by the support of a set of tools, algorithms, and variables. تفاصيل المقالة -
حرية الوصول المقاله
18 - Deep Learning Approach for Cardiac MRI Images
Afshin Sandooghdar Farzin YaghmaeeDeep Learning (DL) is the most widely used image-analysis process, especially in medical image processing. Though DL has entered image processing to solve Machine Learning (ML) problems, identifying the most suitable model based on evaluation of the epochs is still an o أکثرDeep Learning (DL) is the most widely used image-analysis process, especially in medical image processing. Though DL has entered image processing to solve Machine Learning (ML) problems, identifying the most suitable model based on evaluation of the epochs is still an open question for scholars in the field. There are so many types of function approximators like Decision Tree, Gaussian Processes and Deep Learning, used in multi-layered Neural Networks (NNs), which should be evaluated to determine their effectiveness. Therefore, this study aimed to assess an approach based on DL techniques for modern medical imaging methods according to Magnetic Resonance Imaging (MRI) segmentation. To do so, an experiment with a random sampling approach was conducted. One hundred patient cases were used in this study for training, validation, and testing. The method used in this study was based on full automatic processing of segmentation and disease classification based on MRI images. U-Net structure was used for the segmentation process, with the use of cardiac Right Ventricular Cavity (RVC), Left Ventricular Cavity (LVC), Left Ventricular Myocardium (LVM), and information extracted from the segmentation step. With train and using random forest classifier, and Multilayer Perceptron (MLP), the task of predicting the pathologic target class was conducted. Segmentation extracted information was in the form of comprehensive features handcrafted to reflect demonstrative clinical strategies. Our study suggests 92% test accuracy for cardiac MRI image segmentation and classification. As for the MLP ensemble, and for the random forest, test accuracy was equal to 91% and 90%, respectively. This study has implications for scholars in the field of medical image processing. تفاصيل المقالة -
حرية الوصول المقاله
19 - Detection of Attacks and Anomalies in the Internet of Things System using Neural Networks Based on Training with PSO Algorithms, Fuzzy PSO, Comparative PSO and Mutative PSO
Mohammad Nazarpour navid nezafati Sajjad ShokouhyarIntegration and diversity of IOT terminals and their applicable programs make them more vulnerable to many intrusive attacks. Thus, designing an intrusion detection model that ensures the security, integrity, and reliability of IOT is vital. Traditional intrusion detect أکثرIntegration and diversity of IOT terminals and their applicable programs make them more vulnerable to many intrusive attacks. Thus, designing an intrusion detection model that ensures the security, integrity, and reliability of IOT is vital. Traditional intrusion detection technology has the disadvantages of low detection rates and weak scalability that cannot adapt to the complicated and changing environment of the Internet of Things. Hence, one of the most widely used traditional methods is the use of neural networks and also the use of evolutionary optimization algorithms to train neural networks can be an efficient and interesting method. Therefore, in this paper, we use the PSO algorithm to train the neural network and detect attacks and abnormalities of the IOT system. Although the PSO algorithm has many benefits, in some cases it may reduce population diversity, resulting in early convergence. Therefore,in order to solve this problem, we use the modified PSO algorithm with a new mutation operator, fuzzy systems and comparative equations. The proposed method was tested with CUP-KDD data set. The simulation results of the proposed model of this article show better performance and 99% detection accuracy in detecting different malicious attacks, such as DOS, R2L, U2R, and PROB. تفاصيل المقالة -
حرية الوصول المقاله
20 - ارایه یک مدل هوشمند بهمنظور تشخیص چندوجهی شخصیت کاربران با استفاده از روشهای یادگیری ژرف
حسین صدر فاطمه محدث دیلمی مرتضی ترخانبا توجه به رشد قابلتوجه اطلاعات و دادههای متنی که توسط انسانها در شبکههای مجازی تولید میشوند، نیاز به سیستمهایی است که بتوان به کمک آنها بهصورت خودکار به تحلیل دادهها پرداخت و اطلاعات مختلفی را از آنها استخراج کرد. یکی از مهمترین دادههای متنی موجود در سطح و أکثربا توجه به رشد قابلتوجه اطلاعات و دادههای متنی که توسط انسانها در شبکههای مجازی تولید میشوند، نیاز به سیستمهایی است که بتوان به کمک آنها بهصورت خودکار به تحلیل دادهها پرداخت و اطلاعات مختلفی را از آنها استخراج کرد. یکی از مهمترین دادههای متنی موجود در سطح وب دیدگاههای افراد نسبت به یک موضوع مشخص است. متنهای منتشرشده توسط کاربران در فضای مجازی میتواند معرف شخصیت آنها باشد. الگوریتمهای یادگیری ماشین میتواند انتخاب مناسبی برای تجزیهوتحلیل اینگونه مسائل باشند، اما بهمنظور غلبه بر پیچیدگی و پراکندگی محتوایی و نحوی دادهها نیاز به الگوریتمهای یادگیری ژرف بیش از پیش در این حوزه احساس میشود. در این راستا، هدف این مقاله بهکارگیری الگوریتمهای یادگیری ژرف بهمنظور دستهبندی متون برای پیشبینی شخصیت میباشد. برای رسیدن به این هدف، شبکه عصبی کانولوشنی با مدل آدابوست بهمنظور دستهبندی دادهها ترکیب گردید تا بتوان به کمک آن دادههای آزمایشی که با خطا دستهبندی شدهاند را در مرحله دوم دستهبندی با اختصاص ضریب آلفا، با دقت بالاتری دستهبندی کرد. مدل پیشنهادی این مقاله روی دو مجموعه داده ایزیس و یوتیوب آزمایش شد و بر اساس نتایج بدست آمده مدل پیشنهادی از دقت بالاتری نسبت به سایر روشهای موجود روی هر دو مجموعه داده برخودار است. تفاصيل المقالة -
حرية الوصول المقاله
21 - تحلیل احساسات برای پیش¬بینی بازار بورس با شبکه عصبی ژرف: مطالعه موردی برای پایگاه داده سهام شرکت¬های بین-المللی
حکیمه منصور سعیده ممتازی کامران لایقیامروزه تحلیل احساسات به عنوان یکی از ارکان اصلی در زمینه های مختلف از جمله مدیریت مالی، بازاریابی، پیش بینی تغییرات اقتصادی درکشورهای مختلف بکار گرفته می شود. به منظور ساخت یک تحلیل گر احساسات بر مبنای نظرات کاربران در رسانه های اجتماعی، بعد از استخراج ویژگی های مهم أکثرامروزه تحلیل احساسات به عنوان یکی از ارکان اصلی در زمینه های مختلف از جمله مدیریت مالی، بازاریابی، پیش بینی تغییرات اقتصادی درکشورهای مختلف بکار گرفته می شود. به منظور ساخت یک تحلیل گر احساسات بر مبنای نظرات کاربران در رسانه های اجتماعی، بعد از استخراج ویژگی های مهم بین کلمات توسط شبکه پیچشی، از شبکه حافظه کوتاه-مدت بلند استفاده می کنیم تا رابطه نهفته در دنبالـه ای از کلمات را کشف و ویژگی های مهم متن را استخراج نماییم. با کشف ویژگی های استخراج شده جدید توسط شبکه برگشتی با حافظه کوتاه-مدت بلند، توانایی مدل پیشنهادی در طبقه بندی ارزش سهام شرکت ها افزایش می یابد و در نهایت به پیش بینی سهام بورس در روز بعد براساس تحلیل احساسات می پردازیم. اﯾﻦ ﭘﮋوﻫﺶ ﺑﺮ اﺳﺎس دادهﻫﺎی ﻣﻘﺎﻟﻪ اﻧﮕﻮﯾﺎن و همکارانش اﻧﺠﺎم ﮔﺮﻓﺘﻪ اﺳﺖ و تنها از اﻃﻼﻋﺎت احساسی ﻣﺮدم در شبکه-ﻫﺎی اجتماعی ﺑﺮای ﭘﯿﺶبینی ﺳﻬﺎم اﺳﺘﻔﺎده می کند. با توجه به اینکه هر یک از پیـام های کاربـران را در 5 کلاس های احساسی طبقه بندی می کنیم، بنابراین این مدل ارزش سهام روز بعد را به دو حالت بالا یا پایین بودن آن می تواند پیش بینی کند. ساختار پیشنهادی شامل 21 لایه شبکه عصبی ژرف و متشکل از شبکه های پیچشی و حافظه کوتاه-مدت بلند است که برای پیش بینی سهام بورس 18 شرکت پیاده سازی شده است. اگرچه برخی مدل های ارائه شده قبل، از تحلیل احساسات به منظور پیش بینی بازار سرمایه بهره گرفته اند، اما از روش های ترکیبی و پیشرفته در شبکه های ژرف با میزان دقت پیش بینی بالا بهره نبرده اند. سنجش نتایج روش پیشنهادی با دیگر مطالعات نشان داده که عملکرد روش پیشنهادی در مقایسه با 8 روش دیگر، بطور قابل ملاحظه ای خوب بوده و در معیار ارزیابی صحت در پیشبینی روزانه سهام با بهبود 8/19 درصدی نسبت به مدل شبکه پیچشی ژرف، 5/24 درصدی نسبت به مدل پیشنهادی انگویان و همکاران (2015) و 94/23 درصدی نسبت به مدل پیشنهادی درخشان و همکاران (2019) از روشهای رقیب پیشی بگیرد. تفاصيل المقالة -
حرية الوصول المقاله
22 - Edge Detection and Identification using Deep Learning to Identify Vehicles
Zohreh Dorrani Hassan Farsi Sajad MohammadzadehA deep convolution neural network (CNN) is used to detect the edge. First, the initial features are extracted using VGG-16, which consists of 5 convolutions, each step is connected to a pooling layer. For edge detection of the image, it is necessary to extract informati أکثرA deep convolution neural network (CNN) is used to detect the edge. First, the initial features are extracted using VGG-16, which consists of 5 convolutions, each step is connected to a pooling layer. For edge detection of the image, it is necessary to extract information of different levels from each layer to the pixel space of the edge, and then re-extract the feature, and perform sampling. The attributes are mapped to the pixel space of the edge and a threshold extractor of the edges. It is then compared with a background model. Using background subtraction, foreground objects are detected. The Gaussian mixture model is used to detect the vehicle. This method is performed on three videos, and compared with other methods; the results show higher accuracy. Therefore, the proposed method is stable against sharpness, light, and traffic. Moreover, to improve the detection accuracy of the vehicle, shadow removal conducted, which uses a combination of color and contour features to identify the shadow. For this purpose, the moving target is extracted, and the connected domain is marked to be compared with the background. The moving target contour is extracted, and the direction of the shadow is checked according to the contour trend to obtain shadow points and remove these points. The results show that the proposed method is very resistant to changes in light, high-traffic environments, and the presence of shadows, and has the best performance compared to the current methods. تفاصيل المقالة -
حرية الوصول المقاله
23 - Recognition of Attention Deficit/Hyperactivity Disorder (ADHD) Based on Electroencephalographic Signals Using Convolutional Neural Networks (CNNs)
Sara Motamed Elham AskariImpulsive / hyperactive disorder is a neuro-developmental disorder that usually occurs in childhood, and in most cases parents find that the child is more active than usual and have problems such as lack of attention and concentration control. Because this problem might أکثرImpulsive / hyperactive disorder is a neuro-developmental disorder that usually occurs in childhood, and in most cases parents find that the child is more active than usual and have problems such as lack of attention and concentration control. Because this problem might interfere with your own learning, work, and communication with others, it could be controlled by early diagnosis and treatment. Because the automatic recognition and classification of electroencephalography (EEG) signals is challenging due to the large variation in time features and signal frequency, the present study attempts to provide an efficient method for diagnosing hyperactive patients. The proposed method is that first, the recorded brain signals of hyperactive subjects are read from the input and in order to the signals to be converted from time range to frequency range, Fast Fourier Transform (FFT) is used. Also, to select an effective feature to check hyperactive subjects from healthy ones, the peak frequency (PF) is applied. Then, to select the features, principal component analysis and without principal component analysis will be used. In the final step, convolutional neural networks (CNNs) will be utilized to calculate the recognition rate of individuals with hyperactivity. For model efficiency, this model is compared to the models of K- nearest neighbors (KNN), and multilayer perceptron (MLP). The results show that the best method is to use feature selection by principal component analysis and classification of CNNs and the recognition rate of individuals with ADHD from healthy ones is equal to 91%. تفاصيل المقالة -
حرية الوصول المقاله
24 - Hierarchical Weighted Framework for Emotional Distress Detection using Personalized Affective Cues
Nagesh JadhavEmotional distress detection has become a hot topic of research in recent years due to concerns related to mental health and complex nature distress identification. One of the challenging tasks is to use non-invasive technology to understand and detect emotional distres أکثرEmotional distress detection has become a hot topic of research in recent years due to concerns related to mental health and complex nature distress identification. One of the challenging tasks is to use non-invasive technology to understand and detect emotional distress in humans. Personalized affective cues provide a non-invasive approach considering visual, vocal, and verbal cues to recognize the affective state. In this paper, we are proposing a multimodal hierarchical weighted framework to recognize emotional distress. We are utilizing negative emotions to detect the unapparent behavior of the person. To capture facial cues, we have employed hybrid models consisting of a transfer learned residual network and CNN models. Extracted facial cue features are processed and fused at decision using a weighted approach. For audio cues, we employed two different models exploiting the LSTM and CNN capabilities fusing the results at the decision level. For textual cues, we used a BERT transformer to learn extracted features. We have proposed a novel decision level adaptive hierarchical weighted algorithm to fuse the results of the different modalities. The proposed algorithm has been used to detect the emotional distress of a person. Hence, we have proposed a novel algorithm for the detection of emotional distress based on visual, verbal, and vocal cues. Experiments on multiple datasets like FER2013, JAFFE, CK+, RAVDESS, TESS, ISEAR, Emotion Stimulus dataset, and Daily-Dialog dataset demonstrates the effectiveness and usability of the proposed architecture. Experiments on the enterface'05 dataset for distress detection has demonstrated significant results. تفاصيل المقالة -
حرية الوصول المقاله
25 - شناسایی و دستهبندی چالشهای شرکتهای دانشبنیان با استفاده از روش شبکه عصبی مصنوعی و رویکرد BPMS؛ مطالعه موردی: شرکتهای دانشبنیان یزد
مجتبی قلی پور محمدعلی وحدت زاد محمدصالح اولیاء حسن خادمی زارعدانش همواره ابزاری قدرتمند در تثبیت جایگاه هر فرد/ جامعه، خدمترسانی به عموم و رویکرد تعالی جوامع مستقل کنونی است. ارزش دانش آنجا حیاتیتر و معرضتر میگردد که بتوان آن را به کالا/ خدمتی جهت رفع نیازمندیهای جامعه بشری تبدیل نمود. شرکتهای دانشبنیان بهعنوان یک مؤسسه ک أکثردانش همواره ابزاری قدرتمند در تثبیت جایگاه هر فرد/ جامعه، خدمترسانی به عموم و رویکرد تعالی جوامع مستقل کنونی است. ارزش دانش آنجا حیاتیتر و معرضتر میگردد که بتوان آن را به کالا/ خدمتی جهت رفع نیازمندیهای جامعه بشری تبدیل نمود. شرکتهای دانشبنیان بهعنوان یک مؤسسه کوچک حقیقی- حقوقی، ازجمله مؤسسههایی است که توانایی بالایی در تبدیل دانش به فناوری دارند. این در حالی است که شرکتهای دانشبنیان در ایران نسبت به موارد مشابه در خارج و با توجه به سند چشمانداز 20ساله ایران، در وضعیت مناسب و مطلوب قرار ندارند. پژوهش حاضر باهدف شناسایی چالشهای پیش روی شرکتهای دانشبنیان موجود در پارک علم و فناوری اقبال یزد و دستهبندی این چالشها با استفاده از روش شبکه عصبی مصنوعی انجام پذیرفته است. نمونه مورد مطالعه شامل 137 نفر از مدیران و کارکنان رده بالای این شرکتها بوده است. 59 چالشها به دست آمده از مطالعه ادبیات موضوع و نظر خبرگان، در یک پرسشنامه تدوین و بین جامعه هدف توزیع گردید. اعتبارسنجی 128 پرسشنامه گردآوری شده، توسط روش شبکه عصبی مصنوعی پیش انتشار با MSE=2.0332 تأيید گردید و دستهبندی چالشها بهوسیله شبکه عصبی مصنوعی پرسپترون چند لایه و با الهام از سیستم مدیریت فرایند کسب و کار انجام پذیرفته است. نتایج نشان داد که 59 چالش به دست آمده با توجه به الگوی سیستم مدیریت فرآیند کسب و کار، در سه دسته چالشهای مربوط به فعالیتهای مدیریتی، عملیاتی (اصلی) و پشتیبانی دستهبندی شدند. همچنین تعداد چالشهای مربوط به فعالیتهای مدیریتی، عملیاتی (اصلی) و پشتیبانی به ترتیب با تعداد 27، 15 و 17 چالش به دست آمد. تفاصيل المقالة -
حرية الوصول المقاله
26 - شناسایی و اولویتبندی چالشهای شرکتهای دانشبنیان با استفاده از روش شبکه عصبی مصنوعی (مطالعه موردی: شرکتهای دانشبنیان یزد)
مجتبی قلی پور محمدعلی وحدت زاد محمدصالح اولیاء حسن خادمی زارعنقش علم و دانش در رشد ملی به دلیل ایجاد تخصص و ارتقای بهرهوری کل عوامل تولید، همواره مورد توجه است و جایگاه فناوری و دانش بهعنوان عوامل درونزا در این توسعه، یک جایگاه حیاتی محسوب میگردد. از سوی دیگر تبدیل دانش به کالا/ خدمت است که موجب رفع نیازمندیهای جوامع مختلف م أکثرنقش علم و دانش در رشد ملی به دلیل ایجاد تخصص و ارتقای بهرهوری کل عوامل تولید، همواره مورد توجه است و جایگاه فناوری و دانش بهعنوان عوامل درونزا در این توسعه، یک جایگاه حیاتی محسوب میگردد. از سوی دیگر تبدیل دانش به کالا/ خدمت است که موجب رفع نیازمندیهای جوامع مختلف میگردد. شرکتهای دانشبنیان از جمله مؤسسههای هستند که بهعنوان کارخانه تبدیل دانش به کالا/ خدمت فعالیت مینمایند. با آنکه شرکتهای دانشبنیان عامل ایجاد اقتصاد دانشی پایدار و توسعه دانش بومی در بسیاری از کشورها میباشند، اما این مؤسسهها در ایران مطابق با چشمانداز 20 ساله کشور، از لحاظ کمی و کیفی در وضعیت مطلوب قرار نداشته و در مسیر توسعه خود دچار چالشهایی هستند. پژوهش حاضر با هدف شناسایی چالشهای فراروی شرکتهای دانشبنیان موجود در پارک علم و فناوری اقبال یزد و اولویتبندی این چالشها با استفاده از روش شبکه عصبی مصنوعی انجام پذیرفته است. نمونه مورد مطالعه شامل 137 نفر از مدیران و کارکنان رده بالای این شرکتها بوده است. 59 چالش بهدست آمده از مطالعه ادبیات موضوع و نظر خبرگان، در یک پرسشنامه تدوین و بین جامعه هدف توزیع گردید. اعتبارسنجی 128 پرسشنامه گردآوری شده، توسط روش شبکه عصبی مصنوعی پیش انتشار با MSE=2.0332 تأيید گردید و اولویتبندی چالشها بهوسیله شبکه عصبی مصنوعی تابع شعاع مدار انجام پذیرفته است. نتایج پژوهش نشان داد که 19 چالش از 59 چالش بهدست آمده در اولویت بودهاند. از جمله این چالشها میتوان به: مشکلات اقتصادی کشور، رکود صنعت و بازارهای داخلی و سیاستهای ناموزون حمایتی دولت، اشاره نمود. تفاصيل المقالة -
حرية الوصول المقاله
27 - پیش¬بینی رشد شرکت¬های کوچک و متوسط با ترکیب شبکه عصبی مصنوعی و الگوریتم¬های فراابتکاری
حامد ابراهیم خانی مصطفی کاظمی علیرضا پویا امیر محمد فکور ثقیهرشد یک شرکت برای دستیابی به اهداف اقتصادی مهم تلقی می شود. با توجه به اینکه بسیاری از کسب و کارهای کوچک و متوسط به فرایند رشد نمی رسند و در سال های اولیه فعالیت خود شکست می خورند، یک سیستم پیش بینی رشد شرکت ها می تواند از هزینه های هنگفتی که در شروع کسب و کارها، کارآفری أکثررشد یک شرکت برای دستیابی به اهداف اقتصادی مهم تلقی می شود. با توجه به اینکه بسیاری از کسب و کارهای کوچک و متوسط به فرایند رشد نمی رسند و در سال های اولیه فعالیت خود شکست می خورند، یک سیستم پیش بینی رشد شرکت ها می تواند از هزینه های هنگفتی که در شروع کسب و کارها، کارآفرینان و شرکت ها پرداخت می کنند، جلوگیری نماید. بر همین اساس هدف این تحقیق، پیش بینی رشد شرکت های کوچک و متوسط با ترکیب شبکه عصبی و الگوریتم های فراابتکاری بوده است. هدف این تحقیق کاربردی و بر اساس روش انجام کار توصیفی- مدل سازی بوده است. جامعه آماری این تحقیق کلیه شرکت های کوچک و متوسط استان زنجان بوده است. حجم نمونه آماری با توجه به رشد شرکت ها، 158 شرکت تعیین شده است. به منظور جمع آوری داده ها در این تحقیق از مصاحبه، پرسشنامه و اسناد و مدارک شرکت ها استفاده شده است. روایی و پایایی پرسشنامه به ترتیب به صورت روایی صوری و پایایی آن با استفاده از ضریب آلفای کرونباخ مورد بررسی و تأیید قرار گرفته است. به منظور تجزیه و تحلیل داده های تحقیق از روش های تحلیل عاملی تأییدی، شبکه عصبی پرسپترون چند لایه، شبکه عصبی ترکیب شده با الگوریتم ژنتیک و شبکه عصبی ترکیب شده با الگوریتم ازدحام ذرات استفاده شده است. نتایج نشان می دهد که هر سه روش قادر به پیش بینی رشد شرکت بوده و در بین این سه روش بهترین روش پیش بینی رشد شرکت، شبکه عصبی ترکیب شده با الگوریتم ازدحام ذرات با کمترین مقدار خطا نسبت به دو روش دیگر می باشد. تفاصيل المقالة -
حرية الوصول المقاله
28 - ارزیابی کارایی ساختار داخلی واحدهای تصمیم گیرنده در گذشته ، حال و آینده با استفاده از تحلیل پوششی دادههای شبکهای پویا و شبکه عصبی مصنوعی
جواد نیک نفس محمد علی کرامتی جلال حقیقت منفردمدلهای تحلیل پوششی دادهای شبکهای و مدلهای تحلیل پوششی دادهای شبکهای پویا نمیتوانند کارایی آینده ساختار داخلی واحدهای تصمیمگیرنده را در آینده ارزیابی نمایند. به عبارت دیگر همه مدلهای شبکهای و شبکهای پویا عملکرد گذشته واحدها و ساختار درونی آنها را ارزیابی کرده أکثرمدلهای تحلیل پوششی دادهای شبکهای و مدلهای تحلیل پوششی دادهای شبکهای پویا نمیتوانند کارایی آینده ساختار داخلی واحدهای تصمیمگیرنده را در آینده ارزیابی نمایند. به عبارت دیگر همه مدلهای شبکهای و شبکهای پویا عملکرد گذشته واحدها و ساختار درونی آنها را ارزیابی کرده و کارایی و ناکارایی آنها را سنجش میکنند و در نهایت بر اساس آن ارزیابی، رتبهبندی مینمایند. در این مقاله برآنیم که کارایی بخشهای جمعآوری سپرده و وامدهی در شعب بانک را در آیندهارزیابی کنیم. تا بتوانیم ناکارایی در ساختار درونی یک واحد را قبل از وقوع مطلع شده و از آن جلوگیری نماییم. این رویکرد میتواند نقش مدیران را از ناظر و ارزیاب به برنامهریز تغییر دهد. ابتدا با استفاده از ادبیات موضوع و نظر خبرگان ساختار درونی شعب بانک و متغیرهای شبکه در آن مشخص شد. سپس مقادیر متغیرها با استفاده از شبکه عصبی مصنوعی برای دو دوره آتی پیشبینیشده است. و در نهایت یک مدل شبکهای پویا با استفاده از مقادیر دورههای گذشته و مقادیر پیشبینیشده فرموله شده و با استفاده از آن کارایی شعب و ساختار داخلی آن در گذشته، حال و آینده ارزیابی شده است. تفاصيل المقالة -
حرية الوصول المقاله
29 - حل مسائل تصميم گيری چندمعياره با استفاده از شبکه های عصبی مصنوعی
منیره عبدوس ناصر مزینیتصميمگيری، فرآيند انتخاب بهترين عمل يا گزينه از ميان گزينههای موجود میباشد. تصميمگيری چندمعياره، يکی از شاخههای پرکاربرد علم تصميمگيری محسوب میشود و روشهای زيادی تاکنون ارائه شده است. از ميان اين روشها، روش مجموع ساده وزين، به عنوان روش اصلی و پذيرفتهشده، به حس أکثرتصميمگيری، فرآيند انتخاب بهترين عمل يا گزينه از ميان گزينههای موجود میباشد. تصميمگيری چندمعياره، يکی از شاخههای پرکاربرد علم تصميمگيری محسوب میشود و روشهای زيادی تاکنون ارائه شده است. از ميان اين روشها، روش مجموع ساده وزين، به عنوان روش اصلی و پذيرفتهشده، به حساب میآيد. در اين مقاله روشهايي برای حل مسائل تصميمگيری بيان شده که کاملاً مبتنی بر شبکههای عصبی مصنوعی میباشد. اين مقاله کاربرد روشهای رايانش نرم را در حوزههای کلاسيک چون تصميمگيری نشان میدهد. در اين مقاله دو روش، يکی بر اساس شبکه عصبی با ناظر و ديگری بر اساس شبکه عصبی بدون ناظر، ارائه شده است. نتايج حاصل از اين دو روش با روش مجموع ساده وزين، مقايسه شده است. تفاصيل المقالة -
حرية الوصول المقاله
30 - ارائه يک روش وفقي براي حذف نويز سيگنال در قلمرو موجک
مهدی نصری حسین نظامآبادیپور سعيد سريزديدر اين مقاله، يک دسته آستانهگذار غير خطي جديد با يک پارامتر تنظيم شکل براي حذف نويز سيگنال در حوزه موجک ارائه شده است. همچنين، روش جديدي در آموزش شبکههاي عصبي آستانهگذاري براي حذف نويز از سيگنال پيشنهاد شده است. در روش پيشنهادي، بر خلاف ساير روشهاي موجود، پارامتر تن أکثردر اين مقاله، يک دسته آستانهگذار غير خطي جديد با يک پارامتر تنظيم شکل براي حذف نويز سيگنال در حوزه موجک ارائه شده است. همچنين، روش جديدي در آموزش شبکههاي عصبي آستانهگذاري براي حذف نويز از سيگنال پيشنهاد شده است. در روش پيشنهادي، بر خلاف ساير روشهاي موجود، پارامتر تنظيم شکل تابع آستانهگذار وفقي جديد به همراه پارامتر آستانه و با استفاده از الگوريتم LMS تحت آموزش قرار گرفته و مقادير بهينه آنها به صورت همزمان به دست ميآيد. با اين کار اثر هر دو فاکتور آستانه و شکل آستانهگذار در حذف نويز مد نظر قرار گرفته است. تابع آستانهگذار پيشنهادي براي حذف نويز در حالت آستانه - سراسري و زيرباند - وفقي آزموده شده و با روشهاي متداول در اين زمينه از طريق معيارهاي مختلف مقايسه شده است. همچنين آزمايشهايي براي تعيين کارآيي روش پيشنهادي آموزش شبکه عصبي در حالت زيرباند - وفقي انجام شده است. نتايج آزمايشها روي سيگنالهاي استاندارد، کارآيي روشهاي پيشنهادي را در حذف نويز از سيگنال نشان ميدهد. تفاصيل المقالة -
حرية الوصول المقاله
31 - تعيين رفتار طبقهبندها با كليشه تصميم مبتني بر مدل مخفي ماركوف
هادی صدوقی یزدیمطالعه رفتار طبقهبندها از ديدگاه بررسي خطاهای آنها و ارائه راه حل مناسب براي كاهش خطا و افزايش كارآيي طبقهبندها مورد توجه است. عملكرد ضعيف سيستم شناسايي به دلايل تعداد كم نمونههاي يادگير، نويز در دادهها، استفاده از ويژگيهاي شكننده به دليل عدم آگاهي كامل و تسلط كافي أکثرمطالعه رفتار طبقهبندها از ديدگاه بررسي خطاهای آنها و ارائه راه حل مناسب براي كاهش خطا و افزايش كارآيي طبقهبندها مورد توجه است. عملكرد ضعيف سيستم شناسايي به دلايل تعداد كم نمونههاي يادگير، نويز در دادهها، استفاده از ويژگيهاي شكننده به دليل عدم آگاهي كامل و تسلط كافي بر نوع الگو و استفاده از عملگرهای نامناسب در تعيين پاسخ سيستم، كاهش نرخ شناسايي در تصميمگيري نهايي را به دنبال دارد. با ارائه مدل مناسب آماري براي رفتار يا پاسخ يك سيستم شناسايي، ميتوان عملكرد سيستم شناسايي را بهبود داد. در اين مقاله يك كليشه تصميم جديد كه با استفاده از مدل مخفي ماركوف ايجاد ميشود، رفتار نرونهاي يك شبكه عصبی پسانتشار خطا را، مدل ميكند. در روشهاي موجود ارتباط بين نرونها و تأثير متقابل آنها در پاسخ به يك الگو مد نظر قرار نميگيرد. ولي عملاً نرونهاي يك شبكه عصبي يا اجزاي يك طبقهبند، با هم بيانكننده عملكرد آن در قبال يك الگو هستند. بنابراين، با استفاده از يك كليشه تصميم جديد مبتني بر مدل مخفي ماركوف، ارتباط بين نرونهاي شبكه عصبي و نحوه پاسخ آن به نمونههاي يادگير، مدل ميگردد تا از آن در شناسايي الگوهاي جديد استفاده شود. روش جديد در مدلكردن رفتار طبقهبند، در سه كاربرد شناسايي ارقام دستنويس فارسي، تشخيص ترافيك عادي در شبكههاي اطلاعرساني و شناسايي نوع وسيله نقليه آزمون ميشود و افزايش قابل توجهي در نرخ شناسايي طبقهبند به دست ميدهد. تفاصيل المقالة -
حرية الوصول المقاله
32 - کاربرد نگاشت فضايي عصبي در مدلسازي ادوات نيمههادي
مهدی گردی ارمکی سیدابراهیم حسینی محمدکاظم انوريفرددر اين مقاله روش جديد و کارآمدي براي مدلسازي دقيق افزارههاي نيمههادي با استفاده از مدل تقريبي و به کمک شبکه عصبي ارائه شده است. بر خلاف مدلهاي دقيق که داراي پيچيدگي بالا و هزينه زماني و پردازشي زيادي هستند، روش پيشنهادي از پيچيدگي کمتر و سرعت پردازش بيشتري برخوردار أکثردر اين مقاله روش جديد و کارآمدي براي مدلسازي دقيق افزارههاي نيمههادي با استفاده از مدل تقريبي و به کمک شبکه عصبي ارائه شده است. بر خلاف مدلهاي دقيق که داراي پيچيدگي بالا و هزينه زماني و پردازشي زيادي هستند، روش پيشنهادي از پيچيدگي کمتر و سرعت پردازش بيشتري برخوردار است. در اين روش از شبکه عصبي RBF براي محاسبه پارامتر اصلاحي در مدل نفوذ - رانش استفاده شده است. بدين صورت حل مدل تقريبي اصلاحشده منجر به جواب دقيق ميشود. روش پيشنهادي ابتدا براي ديود n - i - n سيليکوني به صورت يکبعدي و سپس براي ترانزيستور اثر ميداني سيليکوني به صورت دوبعدي براي دو حالت درونيابي و برونيابي در رنج محدود، شبيهسازي شده است که نتايج آن براي متغيرهاي اساسي مدل، مثل توزيع الکترون و پتانسيل در طول افزاره در ولتاژهاي مختلف، دقت بالاي روش پيشنهادي را تأييد ميکنند. تفاصيل المقالة -
حرية الوصول المقاله
33 - آموزش شبکه عصبی MLP در طبقهبندی دادهها با استفاده از روش GSA
مریم دهباشیان سیدحمید ظهیریتاکنون شیوههای مختلفی برای طبقهبندی داده ارائه شده است اما در این میان شبکههای عصبی مخاطبان بیشتری را به خود جذب کردهاند. مهمترین مسئله در این نوع از طبقهبندیکنندهها انتخاب روشی مناسب برای آموزش شبکههای عصبی است. متداولترین روش آموزشی شبکههای عصبی روش پسانتش أکثرتاکنون شیوههای مختلفی برای طبقهبندی داده ارائه شده است اما در این میان شبکههای عصبی مخاطبان بیشتری را به خود جذب کردهاند. مهمترین مسئله در این نوع از طبقهبندیکنندهها انتخاب روشی مناسب برای آموزش شبکههای عصبی است. متداولترین روش آموزشی شبکههای عصبی روش پسانتشار خطا است که همگرايي کُند و توقف در نقاط بهينه محلي از مهمترین نقاط ضعف آن محسوب میشود. رویکرد جدید محققین استفاده از الگوریتمهای ابتکاری در فرایند آموزش شبکههای عصبی است. در این مقاله پیشنهاد استفاده از روش آموزشی نوینی به نام الگوریتم جستجوي گرانشي (GSA) در آموزش شبکههای عصبی بهمنظور طبقهبندی دادهها ارائه میشود. روش GSA آخرين و جديدترين نسخه از انواع روشهاي بهينهسازي هوش جمعي است که با الهام از مفاهيم جرم و نيروي جاذبه و با شبيهسازي قوانين مرتبط با آن ارائه شده است. در این مقاله با استفاده از روش GSA یک شبکه عصبی MLP جهت طبقهبندی پنج مجموعه داده مرجع آموزش داده میشود. همچنین کارایی روش پیشنهادی در آموزش و آزمایش شبکه عصبی با دو روش آموزشی پسانتشار خطا و بهینهسازی گروه ذرات مقایسه میشود. نتایج نهایی نشان میدهند در اکثر موارد روش GSA قابلیت چشمگیری در طبقهبندی صحیح دادهها دارد. بهعلاوه در آزمایشات انجامگرفته ویژگی منحصر بهفردی از روش GSA پدیدار شد و آن پایداری نسبتاً عالی در طبقهبندی صحیح دادهها در تمام موارد بود. از نقطه نظر معیار زمانی نیز روش GSA نسبت به روش PSO در زمان کمتری به پاسخ مناسب دست مییابد. تفاصيل المقالة -
حرية الوصول المقاله
34 - ارائه شیوهای جدید برای کنترل عصبی سرعت موتور القایی: مقاوم در قبال تغییرات مقاومتهای استاتور و روتور و مناسب برای هر دو محدوده سرعتهای خیلی کم و زیاد
حجت مؤیدی راد محمدعلی شمسینژاد محسن فرشاددر این مقاله درایو کنترل سرعت موتور القایی با کاربرد دو شبکه عصبی پیشخور چندلایه (یکی با وظیفه تولید پالسهای کلیدزنی مورد نیاز واحد اینورتر و دیگری برای تخمین سیگنالهای کنترلی مورد نیاز) طراحی شده است. برای آموزش شبکه عصبی مولد پالسهای کلیدزنی از اطلاعات تلفیقی دو م أکثردر این مقاله درایو کنترل سرعت موتور القایی با کاربرد دو شبکه عصبی پیشخور چندلایه (یکی با وظیفه تولید پالسهای کلیدزنی مورد نیاز واحد اینورتر و دیگری برای تخمین سیگنالهای کنترلی مورد نیاز) طراحی شده است. برای آموزش شبکه عصبی مولد پالسهای کلیدزنی از اطلاعات تلفیقی دو مدل کلاسیک ولتاژ و جریان استفاده شده است. همچنین برای تولید پالسهای کلیدزنی بر خلاف مدلهای کلاسیک معمول، بهصورت توأمان از ولتاژ و جریان مرجع دو تا از فازها استفاده شده است. بدین وسیله مشکلات ساختاری آن دو (یعنی وقوع اشباع شار در محدوده سرعتهای زیاد در مدل کلاسیک جریان و وقوع افت ولتاژ در محدوده سرعتهای کم و خیلی کم در مدل کلاسیک ولتاژ) مرتفع میگردد. بدین صورت پروفایل سرعت در این مقاله بهبود داده شده است. تخمین سیگنالهای فیدبک مورد نیاز (شامل: شار روتور، گشتاور تولیدی و ...)، بر عهده یک شبکه عصبی پیشخور است. برای قوام تخمینگر فوق در قبال تغییرات معمول مقاومتهای روتور و استاتور در حین کار، از دادههای آموزشی تلفیقی مدلهای کلاسیک ولتاژ و جریان استفاده شده است، چرا که مدلهای کلاسیک ولتاژ و جریان بهترتیب مستقل از مقاومت استاتور و روتور عمل مینمایند. درایو پیشنهادی با استفاده از اطلاعات یک ماشین القایی موجود در بخش سیمولینک نرمافزار MATLAB شبیهسازی شده است. نتایج شبیهسازی مؤید رفتار پایدار و قابل قبول درایو پیشنهادی در محدوده سرعتهای کم و خیلی کم و زیاد (از منظر: سرعت پاسخدهی، نوسانات پاسخ و خطای ماندگار ردیابی) و نیز قوام قابل ملاحظه در قبال تغییرات حین کار مقاومتهای استاتور و روتور هستند. تفاصيل المقالة -
حرية الوصول المقاله
35 - مدلسازی و تحلیل بازی معمای زندانی تکراری به کمک شبکه عصبی مصنوعی پادانتشار گراسبرگ
غلامعلی منتظر نجمه رستگار رامشه عليرضا عسكرزادهدر اکثر اوقات، تصمیمگیری مؤثر در موقعیتهای راهبردی همچون مسایل رقابتی به نگاشت غیر خطی بین محرک و پاسخ نیاز دارد. شبکههای عصبی مصنوعی میتوانند در مدلسازی و حل این مسایل رهیافت مناسبی باشند. بازی معمای زندانی از معروفترین بازیهای مطرحشده در نظریه بازیها است كه ب أکثردر اکثر اوقات، تصمیمگیری مؤثر در موقعیتهای راهبردی همچون مسایل رقابتی به نگاشت غیر خطی بین محرک و پاسخ نیاز دارد. شبکههای عصبی مصنوعی میتوانند در مدلسازی و حل این مسایل رهیافت مناسبی باشند. بازی معمای زندانی از معروفترین بازیهای مطرحشده در نظریه بازیها است كه به كمك آن بسياري از مسایل رقابتي تحليل ميشود و تصميمگيري را تسهيل ميكند. در این مقاله سعی بر آن است که بازی معمای زندانی تکراری به کمک شبکه عصبی مصنوعی مدلسازی و تحلیل شود و به همین دلیل شبکه عصبی پادانتشار گراسبرگ برای انجام این بازی طراحی شده است. نتایج، نشاندهنده توانمندی این روش در مدلسازی کامل بازی است. نتایج حاصل از بهکارگیری این ایده با دو روش دیگر (راهبرد TFT و مدلسازی با شبکه پرسپترون) نشان از کارایی محرز روش جدید است. تفاصيل المقالة -
حرية الوصول المقاله
36 - کاربرد شبکههای عصبی مصنوعی در طراحی یک کنترلکننده هوشمند فرکانس برای یک ریزشبکه جزیرهای
فرشید حبیبی حسن بیورانی جمال مشتاقافزایش نیاز به انرژی الکتریکی، کمبود سوختهای فسیلی و نگرانیها در رابطه با مسایل زیستمحیطی، سبب ورود هرچه بیشتر منابع جدید از جمله منابع تولید پراکنده و تجدیدپذیر انرژی در سیستمهای قدرت مدرن شده است. ریزشبکهها به عنوان یکی از جدیدترین مفاهیم در سیستمهای قدرت از چند أکثرافزایش نیاز به انرژی الکتریکی، کمبود سوختهای فسیلی و نگرانیها در رابطه با مسایل زیستمحیطی، سبب ورود هرچه بیشتر منابع جدید از جمله منابع تولید پراکنده و تجدیدپذیر انرژی در سیستمهای قدرت مدرن شده است. ریزشبکهها به عنوان یکی از جدیدترین مفاهیم در سیستمهای قدرت از چندین منبع تولید کوچک و بارهای الکتریکی محلی تشکیل شدهاند. با افزایش تعداد ریزشبکهها بر میزان پیچیدگی و غیر خطی بودن سیستمهای قدرت افزوده شده و سبب میشود که کنترلکنندههای مرسوم و غیر منعطف، کارایی مناسبی را در بازه وسیعی از نقاط کار نشان ندهند. از این رو احتیاج به روشهای کنترلی هوشمندتر و مناسبتر بیش از پیش احساس میشود. در این مقاله، شبکههای عصبی مصنوعی به عنوان یکی از قویترین ابزارها در فرایندهای بهینهسازی و هوشمندسازی سیستمها به کار گرفته شده است تا ضرایب یک کنترلکننده کلاسیک تناسبی- انتگرالی (PI) را به صورت خودکار تنظیم و بهینه نماید. کنترلکننده PI، در حلقه ثانویه کنترل فرکانس یک ریزشبکه جزیرهایی گمارده شده است. عملکرد مناسب و بهینه روش پیشنهادی در مقایسه با روشهای کلاسیک در طی شبیهسازیهای مختلف نشان داده میشود. تفاصيل المقالة -
حرية الوصول المقاله
37 - تشخیص جزیرههای الکتریکی در شبکههای توزیع دارای تولیدات پراکنده با استفاده از تبدیل موجک گسسته و شبکه عصبی مصنوعی
مهرداد حیدری ارجلو سیدقدرتاله سیفالسادات مرتضی رزازدر این مقاله برای تشخیص جزیرههای الکتریکی، یک الگوریتم جدید مبتنی بر تحلیل سیگنالهای حالت گذرا با استفاده از تبدیل موجک گسسته (DWT) و شبکه عصبی مصنوعی (ANN) ارائه میگردد. شبکه عصبی برای دستهبندی حوادث به حالتهای "جزیره" یا "غیر جزیره" آموزش داده میشود. ویژگیهای م أکثردر این مقاله برای تشخیص جزیرههای الکتریکی، یک الگوریتم جدید مبتنی بر تحلیل سیگنالهای حالت گذرا با استفاده از تبدیل موجک گسسته (DWT) و شبکه عصبی مصنوعی (ANN) ارائه میگردد. شبکه عصبی برای دستهبندی حوادث به حالتهای "جزیره" یا "غیر جزیره" آموزش داده میشود. ویژگیهای مورد نیاز دستهبندی، از طریق تبدیل موجک گسسته سیگنالهای گذرای ولتاژ و جریان DGها استخراج میشوند. برای شبیهسازی الگوریتم از نرمافزارهای DIGSILENT، MATLAB و WEKA استفاده شده است. روش پیشنهادی روی یک سیستم توزیع ولتاژ متوسط CIGRE با دو نوع DG مختلف آزمایش میشود. این مقاله، الگوریتم رله نهایی را با تحلیل انجامگرفته از میان 162 طرح انتخاب میکند تا رله انتخابی از نظر شاخصهای مختلف از جمله دقت، سرعت، سادگی و هزینه، بهترین کارایی را داشته باشد. با تحلیل و بررسیهای صورتگرفته در رله انتخابی DGها، از سیگنال ولتاژ، موجک مادر 4db و سطح هفتم تبدیل موجک استفاده میشود. نتایج شبیهسازی نشان میدهد که این روش میتواند جزیرههای الکتریکی را در مقایسه با روشهای موجود در زمان کوتاهتر و با دقت بالاتری تشخیص دهد. تفاصيل المقالة -
حرية الوصول المقاله
38 - شبیهسازی خطای الکتریکی در سیمپیچی استاتور موتور سنکرون مغناطیس دائم و تفکیک آن از دیگر خطاهای الکتریکی محتمل با استفاده از شبکه عصبی احتمالی
مهران تقیپور گرجی کلایی سيدمحمد رضوي محمدعلی شمسینژادیکی از شایعترین انواع خطاهای الکتریکی، خطای اتصال کوتاه در حلقههای سیمپیچی استاتور میباشد. ممکن است این گونه تصور شود که بروز این نوع خطا در مراحل ابتدایی و با شدت کم مهم نباشد اما چنانچه گسترش یابد میتواند منجر به پیامدهای جبرانناپذیری گردد. در این مقاله با توجه أکثریکی از شایعترین انواع خطاهای الکتریکی، خطای اتصال کوتاه در حلقههای سیمپیچی استاتور میباشد. ممکن است این گونه تصور شود که بروز این نوع خطا در مراحل ابتدایی و با شدت کم مهم نباشد اما چنانچه گسترش یابد میتواند منجر به پیامدهای جبرانناپذیری گردد. در این مقاله با توجه به اهمیت خطای اتصال کوتاه در حلقههای سیمپیچی استاتور در موتور سنکرون مغناطیس دائم، سیستمی هوشمند برای شناسایی این نوع خطا طراحی و ارائه شده است. این سیستم هوشمند در ابتدا وضعیت عملکرد موتور را تعیین میکند (حالات ممکن عبارتند از حالت نرمال، خطای اتصال کوتاه فاز به فاز، خطای مدار باز شدن یکی از فازها و خطای اتصال کوتاه در حلقههای سیمپیچی) و چنانچه تشخیص دهد خطایی رخ داده آن را اعلام و چنانچه خطا از نوع اتصال کوتاه حلقههای سیمپیچی باشد فاز معیوب را برای اقدامات بعدی مشخص میکند. نتایج حاصل از آزمایشات گسترده حاکی از آن است که سیستم تشخیص خطای طراحیشده مبتنی بر شبکه عصبی احتمالی با توجه به قابلیت فراوانی که این نوع شبکه عصبی در طبقهبندی دادهها دارد میتواند یکی از مطمئنترین و قابل اعتمادترین سیستمهای تشخیص خطا در محافظت از ادوات الکتریکی مخصوصاً موتورهای سنکرون مغناطیس دائم باشد. تفاصيل المقالة -
حرية الوصول المقاله
39 - کاربرد حفاظت ناحیه گسترده برای مقابله با خاموشیهای سراسری ناشی از ناپایداری زاویهای
سعید کیارستمی مجتبی خدرزادهدر این مقاله یک سیستم حفاظت ناحیه گسترده برای مقابله با خاموشیهای گسترده ناشی از ناپایداریهای زاویهای پیشنهاد میشود. در ابتدا خاموشی وسیع، مدلسازی شده و سپس سناریوهای منجر به خاموشی گسترده استخراج خواهند شد. با استفاده از شبکه عصبی مصنوعی، حوادثی که منجر به وقوع نا أکثردر این مقاله یک سیستم حفاظت ناحیه گسترده برای مقابله با خاموشیهای گسترده ناشی از ناپایداریهای زاویهای پیشنهاد میشود. در ابتدا خاموشی وسیع، مدلسازی شده و سپس سناریوهای منجر به خاموشی گسترده استخراج خواهند شد. با استفاده از شبکه عصبی مصنوعی، حوادثی که منجر به وقوع ناپایداری زاویهای در سیستم میشوند تعیین میگردند. سپس با استفاده از الگوریتمی که از اطلاعات به دست آمده از واحدهای اندازهگیری فازور (PMUها) استفاده میکند، ژنراتورهای همنوای سیستم شناسایی شده و با قطع خطوط ضعیف و حذف بار مناسب، سیستم به جزایر پایدار تجزیه میشود. صحت روش پیشنهادی بر روی شبکه استاندارد 39باسه IEEE نشان داده شده است. تفاصيل المقالة -
حرية الوصول المقاله
40 - یک روش کارآمد برای تشخیص مدولاسیون سیگنالهای MPSK در کانالهای محو
سعید حکیمیشناسایی خودکار نوع مدولاسیون سیگنالهای دیجیتال برای سامانههای مخابرات هوشمند یک ضرورت است. اغلب روشهای طبقهبندی خودکار نوع سیگنالهای دیجیتال مسئله را در کانالهای نویز سفید جمعشونده بررسی میکنند. با این وجود محیطهای مخابره واقعی از جمله کانالهای مخابرات بیسیم، أکثرشناسایی خودکار نوع مدولاسیون سیگنالهای دیجیتال برای سامانههای مخابرات هوشمند یک ضرورت است. اغلب روشهای طبقهبندی خودکار نوع سیگنالهای دیجیتال مسئله را در کانالهای نویز سفید جمعشونده بررسی میکنند. با این وجود محیطهای مخابره واقعی از جمله کانالهای مخابرات بیسیم، با اثرات محوشوندگی روبهرو هستند. تعداد بسیار کمی از روشها برای کانالهای محوشدگی ارائه شده است. این مقاله یک روش بسیار کارامد برای شناسایی نوع سیگنالهای دیجیتال کلیدزنی جابهجایی فاز Mتایی پیشنهاد میدهد. روش ارائهشده ترکیبی ابتکاری است متشکل از شبکه عصبی پرسپترون چندلایه به عنوان طبقهبند و الگوریتم زنبور به عنوان بهینهساز و همچنین یک همسانساز برای کاهش اثرات کانال استفاده شده است. یک ترکیب مناسب از آمارگان مرتبه بالا تا مرتبه هشت، به عنوان مشخصههای سیگنالها در نظر گرفته شده است. نتایج شبیهسازی کارامدی بالای تکنیک ارائهشده را برای تشخیص نوع سیگنالهای دیجیتال، حتی در نسبتهای سیگنال به نویز پایین، تأیید میکنند. تفاصيل المقالة -
حرية الوصول المقاله
41 - بازشناسی کنش انسان از روی تصویر ایستا با استفاده از ژست انسان در شبکه چندشاخه
رقیه یوسفی کریم فائزامروزه بازشناسی کنش انسان از روی تصویر ایستا به یکی از موضوعات فعال در زمینه بینایی ماشین و شناسایی الگو تبدیل شده است. تمرکز این کار بر روی شناسایی کنش یا رفتار انسان از روی یک تصویر است. برخلاف روشهای سنتی که از ویدئوها یا دنبالهای از تصاویر برای بازشناسی کنش انسان أکثرامروزه بازشناسی کنش انسان از روی تصویر ایستا به یکی از موضوعات فعال در زمینه بینایی ماشین و شناسایی الگو تبدیل شده است. تمرکز این کار بر روی شناسایی کنش یا رفتار انسان از روی یک تصویر است. برخلاف روشهای سنتی که از ویدئوها یا دنبالهای از تصاویر برای بازشناسی کنش انسان استفاده میکنند، یک تصویر ایستا فاقد اطلاعات زمانی است. بنابراین بازشناسی کنش مبتنی بر تصویر ایستا دارای چالش بیشتری نسبت به بازشناسی کنش مبتنی بر ویدئو است. با توجه به اهمیت اطلاعات حرکتی در بازشناسی کنش از روش flow2Im برای تخمین اطلاعات حرکتی از روی تصویر ایستا استفاده شده است. ساختار پیشنهادی در این مقاله، حاصل ترکیب سه شبکه عصبی عمیق است که تحت عنوان شبکه سهشاخه یاد شده است. شبکه اول بر روی تصویر خام رنگی و شبکه دوم بر روی شار نوری پیشبینی شده از روی تصویر و شبکه سوم بر روی ژست به دست آمده از انسان موجود در تصویر آموزش میبیند. در نهایت تلفیق این سه شبکه عصبی عمیق سبب افزایش دقت بازشناسی کنش انسان شده است. به عبارت دیگر در این مقاله علاوه بر اطلاعات مکانی و زمانی پیشبینی شده از اطلاعات ژست انسان نیز برای بازشناسی کنش استفاده شده است زیرا ویژگی ژست برای بازشناسی کنش بسیار حائز اهمیت است. روش پیشنهادی در این مقاله توانسته است به دقت 80/91 درصد بر روی مجموعه داده action 7Willow، به دقت 02/91 درصد بر روی مجموعه داده 2012Pascal voc و به دقت 87/96 درصد بر روی مجموعه داده 10Stanford دست یابد. با توجه به مقایسه نتایج با روشهای قبلی متوجه خواهیم شد که روش پیشنهادی بالاترین دقت را بر روی هر سه مجموعه داده نسبت به کارهای اخیر به دست آورده است. تفاصيل المقالة -
حرية الوصول المقاله
42 - یک الگوریتم خوشهبندی چندهدفه تطبیقی مبتنی بر حراج_پیشبینی برای ردیابی هدف متحرک در شبکههای حسگر بیسیم
رقیه علینژاد سپیده آدابی آرش شريفيرديابي اهداف متحرك یکی از کاربردهای شبكههای حسگر است. در طراحی یک الگوریتم ردیابیِ هدف متحرک دو مسأله کاهش انرژی مصرفی و بهبود کیفیت ردیابی حایز اهمیت است. یکی از راهکارهای کاهش مصرف انرژی، تشکیل خوشه ردیاب است و دو چالش مهم در تشکیل خوشه ردیاب زمان و چگونگی تشکیل آن ا أکثررديابي اهداف متحرك یکی از کاربردهای شبكههای حسگر است. در طراحی یک الگوریتم ردیابیِ هدف متحرک دو مسأله کاهش انرژی مصرفی و بهبود کیفیت ردیابی حایز اهمیت است. یکی از راهکارهای کاهش مصرف انرژی، تشکیل خوشه ردیاب است و دو چالش مهم در تشکیل خوشه ردیاب زمان و چگونگی تشکیل آن است. به منظور کاهش تعداد پیامهای مبادلهشده برای تشکیل خوشه ردیاب، یک مکانیزم حراج تطبیق داده میشود. پیشنهاد هر حسگر در حراج با هدف برقراری موازنهای مناسب میان طول عمر شبکه و دقت ردیابی به صورت پویا و مستقل ارائه میشود. از این گذشته، از آنجایی که خوشه ردیاب میبایست قبل از رسیدن هدف به ناحیه مورد نظر تشکیل شود (خصوصاً زمانی که سرعت هدف بالا است) جلوگیری از تأخیر در تشکیل خوشه ردیاب چالشی دیگر است. عدم توجه به چالش مذکور منجر به افزایش نرخ گمشدگی هدف و به تبع آن اتلاف انرژی میشود. برای غلبه بر این مشکل، پیشبینی موقعیت هدف در دو گام بعد توسط شبکه عصبی و تشکیل همزمان خوشههای ردیاب در یک و دو گام بعد را پیشنهاد میدهیم. نتایج حاصل از شبیهسازی نشاندهنده عملکرد مناسبتر الگوریتم پیشنهادی در مقایسه با الگوریتم AASA است. تفاصيل المقالة -
حرية الوصول المقاله
43 - اصلاح معماری شبکه عصبی کانولوشنال جهت طبقهبندی تصاویر آغشته به نویز ضربه
محمد مومنی مهدی آقاصرام علی محمد لطیف راضیه شیخ پورنویز ضربه موجب اختلال در فرایند طبقهبندی تصاویر توسط شبکه عصبی کانولوشنال میگردد. پیشپردازش جهت حذف نویز ضربه هزینهبر است و تصاویر تخریبشده به دلیل عدم بهبود کافی، اثر مخرب در مراحل آموزش و اعتبارسنجی این شبکه دارند. در این مقاله با اصلاح معماری شبکه عصبی کانولوشنا أکثرنویز ضربه موجب اختلال در فرایند طبقهبندی تصاویر توسط شبکه عصبی کانولوشنال میگردد. پیشپردازش جهت حذف نویز ضربه هزینهبر است و تصاویر تخریبشده به دلیل عدم بهبود کافی، اثر مخرب در مراحل آموزش و اعتبارسنجی این شبکه دارند. در این مقاله با اصلاح معماری شبکه عصبی کانولوشنال، یک مدل مقاوم در برابر نویز ضربه معرفی میشود. روش پیشنهادی، طبقهبندی تصاویر نویزی را بدون نیاز به هیچ گونه پیشپردازش انجام میدهد. لایه تشخیص نویز ضربه در بدنه شبکه عصبی کانولوشنال تعبیه میشود و از پردازش مقادیر نویزی جلوگیری میکند. برای آموزش مدل پیشنهادی از پایگاه داده 2012- ILSVRC استفاده شده است. نتایج شبیهسازی نشان میدهد که جلوگیری از تأثیرگذاری نویز ضربه در فرایند آموزش و طبقهبندی شبکه عصبی کانولوشنال، دقت و سرعت آموزش شبکه را افزایش میدهد. روش پیشنهادی با خطای 24/0 در طبقهبندی تصاویر آغشته به نویز ضربه با چگالی 10% بهتر از سایر روشهای مورد مقایسه میباشد. مرتبه زمانی (1)O در اصلاح CNN جهت مقاومت در برابر نویز نشاندهنده برتری روش پیشنهادی است. تفاصيل المقالة -
حرية الوصول المقاله
44 - سیستم جامع مدیریت بهینه منابع تولید پراکنده با استفاده از شبکه عصبی دینامیکی در مدلسازی عدم قطعیت مصرف انرژی الکتریکی ریزشبکههای متصل به شبکه
محمد ویسی محمدرضا سلطانپور جعفر خلیل پور هادی نیاییدر این مقاله، یک استراتژی برای به دست آوردن برنامهریزی بهینه به منظور مدیریت توان الکتریکی ریزشبکهها، با اشتراکگذاری توان الکتریکی از طریق هماهنگی میان ریزشبکهها و سیستم همسایگی، که هیچ هزینه اضافی برای واحدهای تولیدی ندارد، پیشنهاد شده است. میزان عدم قطعیت بار مصرف أکثردر این مقاله، یک استراتژی برای به دست آوردن برنامهریزی بهینه به منظور مدیریت توان الکتریکی ریزشبکهها، با اشتراکگذاری توان الکتریکی از طریق هماهنگی میان ریزشبکهها و سیستم همسایگی، که هیچ هزینه اضافی برای واحدهای تولیدی ندارد، پیشنهاد شده است. میزان عدم قطعیت بار مصرفکنندگان، بر اساس شبکه عصبی دینامیکی و با توجه به روند پیادهسازی و دقت بالای پیشبینی، مدل میشود. از نگاه دیگر، برای تأمین انرژی الکتریکی ریزشبکه، علاوه بر اتصال به شبکه بالادست، از دیزلژنراتور و انرژیهای تجدیدپذیر مانند انرژی خورشیدی، انرژی بادی و باتری ذخیرهساز انرژی الکتریکی استفاده شده است. همچنین استفاده از فاکتورهای قابلیت اطمینان به همراه ارزیابی دقیق هزینههای جاری، موجب بهبود کارایی ریزشبکه میشود. از این رو، احتمال میزان بار تأمیننشده سیستم (LPSP) و احتمال تأمیننشدن انرژی مورد انتظار مصرفکنندگان شبکه انرژی الکتریکی (LOLE)، به عنوان فاکتورهای ارزیابی دقت هزینههای جاری مطرح میشوند. مدل پیشنهادی در نرمافزارهای GAMS و MATLAB پیادهسازی شده و نتایج حاصل نشانگر عملکرد مطلوب الگوریتم پیشنهادی بوده و موجب سوددهی سیستم مورد مطالعه میشود. تفاصيل المقالة -
حرية الوصول المقاله
45 - تحليل احساس در رسانههاي اجتماعي فارسي با رويکرد شبکه عصبي پيچشي
مرتضي روحانيان مصطفي صالحي علي درزي وحید رنجبرافزايش کاربري شهروندان از رسانههاي اجتماعي (مانند توئيتر، فروشگاههاي برخط و غيره) آنها را به منبعي عظيم براي تحليل و درک پديدههاي گوناگون تبديل کرده است. هدف تحليل احساس استفاده از دادههاي به دست آمده از اين رسانهها و کشف گرايشهاي پيدا و پنهان کاربران نسبت به موجو أکثرافزايش کاربري شهروندان از رسانههاي اجتماعي (مانند توئيتر، فروشگاههاي برخط و غيره) آنها را به منبعي عظيم براي تحليل و درک پديدههاي گوناگون تبديل کرده است. هدف تحليل احساس استفاده از دادههاي به دست آمده از اين رسانهها و کشف گرايشهاي پيدا و پنهان کاربران نسبت به موجوديتهاي خاص حاضر در متن است. در کار حاضر ما با استفاده از شبکه عصبي پيچشي که نوعي شبکه عصبي پيشخور است، به تحليل گرايش نظرات در رسانههاي اجتماعي در دو و پنج سطح و با در نظر گرفتن شدت آنها ميپردازيم. در اين شبکه عمل کانولوشن با استفاده از صافيهايي با اندازههاي مختلف بر روي بردارهاي جملات ورودي اعمال ميشود و بردار ويژگي حاصل به عنوان ورودي لايه نرم بيشينه براي دستهبندي نهايي جملات به کار ميرود. شبکههاي عصبي پيچشي با پارامترهاي مختلف با استفاده از معيار مساحت زير منحني و بر روي مجموعه داده جمعآوري شده از رسانههاي اجتماعي فارسي ارزيابي شدند و نتايج به دست آمده نشاندهنده بهبود کارايي آنها در گستره رسانههاي اجتماعي نسبت به روشهاي سنتي يادگيري ماشين به خصوص بر روي دادهها با طول کوتاهتر هستند. تفاصيل المقالة -
حرية الوصول المقاله
46 - بهبود عملکرد طبقهبند شبکه عصبی چندجملهای با استفاده از الگوریتم بهینهسازی نهنگ
مهسا معماری عباس حریفی عبدالله خلیلیشبکه عصبی چندجملهای (PNN) یک الگوریتم یادگیری بانظارت و از محبوبترین مدلهای مورد استفاده در کاربردهای واقعی است. هرچه شبکه عصبی چندجملهای از نظر تعداد توصیفات جزئی (PDها) و لایهها ساختار پیچیدهتری داشته باشد، نیاز به زمان و حجم بیشتری برای محاسبه و ذخیرهسازی دارد أکثرشبکه عصبی چندجملهای (PNN) یک الگوریتم یادگیری بانظارت و از محبوبترین مدلهای مورد استفاده در کاربردهای واقعی است. هرچه شبکه عصبی چندجملهای از نظر تعداد توصیفات جزئی (PDها) و لایهها ساختار پیچیدهتری داشته باشد، نیاز به زمان و حجم بیشتری برای محاسبه و ذخیرهسازی دارد. در این تحقیق رویکرد جدیدی در زمینه بهبود کارایی طبقهبند شبکه عصبی چندجملهای با استفاده از الگوریتم بهینهسازی نهنگ (WOA) به نام PNN-WOA پیشنهاد شده که علاوه بر افزایش دقت PNN، زمان و حجم محاسبات قابل تحملی دارد. در رویکرد پیشنهادی، PDها بر اساس ترکیب دوبهدوی ویژگیها از نمونههای آموزشی در لایه اول تولید میشوند. مجموعهای از PDهای تولیدشده در لایه اول، متغیرهای ورودی و بایاس، عصبهای لایه دوم را تشکیل میدهند. در نهایت خروجی شبکه عصبی چندجملهای، توسط مجموع وزندهی شده خروجیهای لایه دوم به دست میآید. با استفاده از الگوریتم بهینهسازی نهنگ (WOA) بهترین بردار ضرایب وزندهی به گونهای که شبکه PNN بیشترین دقت طبقهبندی را داشته باشد، به دست میآید. برای ارزیابی روش PNN-WOA از یازده مجموعه داده موجود در پایگاه داده UCI استفاده شد. نتایج نشان میدهند که PNN-WOA در مقایسه با روشهای پیشین از قبیل PNN-RCGA، PNN-MOPPSO، RCPNN-PSO و S-TWSVM عملکرد مناسبی دارد. همچنین نتایج آزمون آماری فریدمن نشان میدهند که در مجموع، روش پیشنهادی PNN-WOA نسبت به سایر روشهای مقایسهشده، از نظر آماری عملکرد بهتری (با مقدار P برابر 039/0) داشته است. تفاصيل المقالة -
حرية الوصول المقاله
47 - تشخیص عددی قطبیت با کاربست شبکههای عمیق بازگشتی و یادگیری بانظارت در نظرکاوی بر روی مرورهای فارسی کاربران حوزه تجارت الکترونیک
سپیده جمشیدی نژاد فاطمه احمدی آبکناری پیمان بیاتنظرکاوی، زیرشاخهای از دادهکاوی است که به حوزه پردازش زبان طبیعی وابسته بوده و با گسترش تجارت الکترونیکی، به یکی از زمینههای محبوب در بازیابی اطلاعات تبدیل شده است. این حوزه بر زیرمجموعههای مختلفی مانند تشخیص قطبیت، استخراج جنبه و تشخیص هرزنظر تمرکز دارد. اگرچه وابست أکثرنظرکاوی، زیرشاخهای از دادهکاوی است که به حوزه پردازش زبان طبیعی وابسته بوده و با گسترش تجارت الکترونیکی، به یکی از زمینههای محبوب در بازیابی اطلاعات تبدیل شده است. این حوزه بر زیرمجموعههای مختلفی مانند تشخیص قطبیت، استخراج جنبه و تشخیص هرزنظر تمرکز دارد. اگرچه وابستگی نهانی بین این زیرمجموعهها وجود دارد اما طراحی یک چارچوب جامع شامل تمامی این موارد، بسیار چالشبرانگیز است. پژوهشهای موجود در این حوزه اکثراً بر روی زبان انگلیسی بوده و برای تحلیل احساس، بدون توجه به زیرمجموعههای تأثیرگذار، فقط بر روی حالت باینری تمرکز داشتهاند. همچنین استفاده از یادگیری ماشینی برای دستهبندی نظرات بسیار رایج است و در سالهای اخیر، اغلب پژوهشها از یادگیری عمیق با اهداف متفاوت استفاده کردهاند. از آنجا که در ادبیات پژوهشی به چارچوبی جامع با تمرکز بر زیرمجموعههای تأثیرگذار کمتر پرداخته شده است، از این رو در مقاله حاضر با استفاده از راهکارهای نظرکاوی و پردازش زبان طبیعی، چارچوب جامع مبتنی بر یادگیری عمیق با نام RSAD که پیشتر توسط نویسندگان این مقاله در حوزه نظرکاوی کاربران فارسی زبان توسعه داده شده بود برای تشخیص قطبیت در دو حالت باینری و غیر باینری جملات با تمرکز بر سطح جنبه بهبود داده شده که تمام زیرمجموعههای لازم برای تحلیل احساس را پوشش میدهد. مقایسه و ارزیابی RSAD با رویکردهای موجود، نشاندهنده استحکام آن است. تفاصيل المقالة -
حرية الوصول المقاله
48 - یک سیستم بینایی هوشمند برای نظارت خودکار بر آتشسوزی جنگلها
محمدصادق کیهانپناه بهروز کوهستانیمقابله 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 أکثرمقابله 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. تفاصيل المقالة -
حرية الوصول المقاله
49 - مدل توصیه مکانهای مورد علاقه با توجه به الگوی رفتاری افراد بر اساس لیست دوستان بر پایه یادگیری عمیق
صدف صفوی مهرداد جلالیرشد سریع شبکههای اجتماعی مبتنی بر مکان، فرصتی عالی برای ارائه خدمات توصیه مکانهای مورد علاقه به صورت هدفمند میباشد. یک وظیفه مهم برای توصیه دقیق نقاط جذاب و مورد علاقه کاربران در شبکههای اجتماعی مبتنی بر مکان، با توجه به چالشهای متون غنی و پراکندگی دادهها، بررسی و أکثررشد سریع شبکههای اجتماعی مبتنی بر مکان، فرصتی عالی برای ارائه خدمات توصیه مکانهای مورد علاقه به صورت هدفمند میباشد. یک وظیفه مهم برای توصیه دقیق نقاط جذاب و مورد علاقه کاربران در شبکههای اجتماعی مبتنی بر مکان، با توجه به چالشهای متون غنی و پراکندگی دادهها، بررسی ویژگیهای معنادار کاربران و نقاط مورد علاقه است. در این مقاله، یک روش جدید برای توصیه ترتیب دقیق بهترین نقاط مورد علاقه کاربران ارائه شده که ترکیبی از رویکردهای شبکه عصبی کانولوشن، خوشهبندی و دوستی میباشد. برای یافتن شباهت در رفتار دوستان صمیمی، از روش خوشهبندی انتقال میانگین استفاده میکنیم و فقط تأثیر الگوی رفتاری شبیهترین دوست را به نسبت همه دوستان کاربر در نظر میگیریم. چارچوب جدید شبکه عصبی کانولوشن پیشنهادی با ۱۰ لایه میتواند طول و عرض جغرافیایی و شناسه مکانهای مناسب بعدی را پیشبینی کرده و سپس بر اساس کوتاهترین فاصله از الگوی رفتاری دوست مشابه، مکانهای پیشنهادی را انتخاب کند. این رویکرد ترکیبی، در دو مجموعه داده شبکههای اجتماعی مبتنی بر مکان ارزیابی شده و نتایج تجربی نشان میدهد که استراتژی ما از روشهای پیشرفته توصیه نقاط مورد علاقه دقیقتر عمل میکند. تفاصيل المقالة -
حرية الوصول المقاله
50 - گامی در راه رسیدن به شبکههای عصبی عمیق تمامنوری: بهکارگیری واحد غیر خطی نوری
آیدا ابراهیمی دهقان پور سمیه کوهیدر سالهای اخیر، شبکههای عصبی نوری به علت سرعت بالا و توان مصرفی پایینی که دارند، بسیار مورد توجه قرار گرفتهاند. با این وجود، این شبکهها هنوز محدودیتهای زیادی دارند که یکی از این محدودیتها پیادهسازی لایه غیر خطی در آنهاست. در این نوشتار، پیادهسازی واحد غیر خطی ب أکثردر سالهای اخیر، شبکههای عصبی نوری به علت سرعت بالا و توان مصرفی پایینی که دارند، بسیار مورد توجه قرار گرفتهاند. با این وجود، این شبکهها هنوز محدودیتهای زیادی دارند که یکی از این محدودیتها پیادهسازی لایه غیر خطی در آنهاست. در این نوشتار، پیادهسازی واحد غیر خطی برای شبکههای عصبی پیچشی نوری مورد بررسی قرار گرفته تا در نهایت با استفاده از این واحد غیر خطی بتوان به یک شبکه عصبی پیچشی تمامنوری عمیق با دقتی مشابه شبکههای الکتریکی، سرعت بالاتر و توان مصرفی کمتر رسید و بتوان قدمی در راستای کاهش محدودیتهای این شبکهها برداشت. در این راستا ابتدا روشهای مختلف پیادهسازی واحد غیر خطی مرور شدهاند. سپس به بررسی تأثیر استفاده از جاذب اشباعشونده به عنوان واحد غیر خطی در لایههای مختلف بر دقت شبکه پرداخته شده و نهایتاً روشی نوین و ساده برای جلوگیری از کاهش دقت شبکههای عصبی در صورت استفاده از این تابع فعالساز ارائه گردیده است. تفاصيل المقالة -
حرية الوصول المقاله
51 - طراحي مدلي مبتني بر فناوري زنجيره بلوكي براي تقويت امنيت سايبري در صنعت بانکداري
حسین عموزاد خلیلی ندا حقی رضا توکلی مقدمطراحي مدلي مبتني بر فناوري زنجيره بلوكي جهت تقويت امنيت سايبري در صنعت بانکداري، يکي از روش هاي نوين مورد بررسي در صنعت بانکداري براي تقويت امنيت سايبري مي باشد. بر اين اساس مطالعه حاضر به دنبال تامين اين هدف است که مدلي مبتني بر فناوري زنجيره بلوكي جهت تقويت امنيت سايب أکثرطراحي مدلي مبتني بر فناوري زنجيره بلوكي جهت تقويت امنيت سايبري در صنعت بانکداري، يکي از روش هاي نوين مورد بررسي در صنعت بانکداري براي تقويت امنيت سايبري مي باشد. بر اين اساس مطالعه حاضر به دنبال تامين اين هدف است که مدلي مبتني بر فناوري زنجيره بلوكي جهت تقويت امنيت سايبري در صنعت بانکداري براساس شبکه عصبي مصنوعي را مورد ارزيابي قرار دهد. اين مدل براساس مدل مفهومي است که در يک شبيه سازي شبکه عصبي پرسپترون چند لايه که فرايندي مانند زنجيره بلوکي را شبيه سازي مي کند به کار گرفته شده است. همچنين شبکه هاي عصبي ايجاد شده در زنجيره بلوکي از پيوند قوي برخوردار بوده و امکان شکستن آنها کم است. داده ها بعد از يادگيري به توزيع نرمال نزديک تر شدند که اين نشان مي دهد فناوري زنجيره بلوکي توانايي ايجاد امنيت سايبري را خواهد داشت. در ادامه سطح همبستگي و کارايي ارائه شده نيز گزارش شد و يافته هاي مطالعه نشان داد که کارايي مرتبط با فناوري هاي زنجيره بلوکي پس از يادگيري به سطح 770.57 واحد رسيد، که نشان مي دهد استفاده از روش پرسپترون چند لايه براي يادگيري روند فناوري زنجيره بلوکي مي تواند به کارايي بيشتر براي امنيت سايبري منجر شود. همچنين مقدار واريانس برابر با 27.77 و مقدار ميانگين مقادير محاسباتي برابر با 0.35 و نيز مقدار همبستگي برابر با 0.99 شده است. تفاصيل المقالة -
حرية الوصول المقاله
52 - تخمین سرعت امواج صوتی با استفاده از روش¬های هوشمند و روش خوشه-بندی گراف پایه با توان تفکیک چندگانه: مطالعه موردی دریکی از میادین جنوب ایران
مرتضی نوری مینا کریمی خالدیچكيده سرعت موج برشی (Vs) و تراکمی (Vp)دو پارامتر اساسی هستند که در اکثر مطالعات پتروفيزيكي، ژئوفيزيكي و ژئومکانیکی کاربردهای عمده ای دارند. این دو پارامتر را می توان از طریق ابزار تصویرگر دو قطبی صوتی (Dipole sonic imaging tool) بدست آورد، اما متأسفانه به دلیل هزینه أکثرچكيده سرعت موج برشی (Vs) و تراکمی (Vp)دو پارامتر اساسی هستند که در اکثر مطالعات پتروفيزيكي، ژئوفيزيكي و ژئومکانیکی کاربردهای عمده ای دارند. این دو پارامتر را می توان از طریق ابزار تصویرگر دو قطبی صوتی (Dipole sonic imaging tool) بدست آورد، اما متأسفانه به دلیل هزینه بالای این ابزار، اطلاعات مربوط به سرعت موج برشی و تراکمی تنها در تعداد محدودی از چاه ها موجود است. بنابراین پیش بینی سرعت امواج به صورت غیر مستقیم از روی دیگر نمودارهای متداول که همبستگی خوبی با این پارامترها دارند، اهمیت بسزایی دارد. درگذشته از روشهای تجربی و تحلیلهای رگرسیونی برای تخمین سرعت امواج استفاده میشد، در حالی که امروزه از سیستم های هوشمند که عملکرد بهتری نسبت به این روش ها دارند، استفاده می شود. مهمترین ابزار برای این کار، سیستم های هوشمند شامل شبکه هوش مصنوعی، منطق فازي، و خوشه بندی گراف پایه با توان تفکیک چندگانه (Multi resolution graph base clustering) می-باشد. در این مطالعه 1321 نقطه داده از سازند کنگان و دالان که دارای سرعت های برشي و تراكمی بودند، استفاده شده است. این داده ها به دو گروه تقسیم می شوند: 995 نقطه داده برای ساخت سیستم های هوشمند و 326 نقطه داده برای تست مدل استفاده شد. نتايج نشان داد که علی رغم اختلاف در مفهوم، همه تكنيك های هوشمند در برآورد سرعت امواج عملکرد قابل قبولی داشتهاند. از طرفی، روش خوشه بندی گراف پایه با توان تفکیک چندگانه با توجه به تفکیک داده به خوشه هایی بر اساس میزان شباهت و تفاوت آنها، تخمین دقیق تری از دیگر روش ها دارد. با استفاده از روش خوشه-بندی، سرعت امواج تراکمی و برشی با ضريب همبستگی برابر 9505/0و9407/. تخمین زده شد. از آنجایی که در این فرآیند، از عمق داده ها و لیتولوژی به عنوان ورودی استفاده نشده است، می توان از این روش در چاه ها و میادین دیگر نیز استفاده نمود. تفاصيل المقالة -
حرية الوصول المقاله
53 - مدل سازی تخلخل توسط رویکرد تئوری بیزین ترکیب اطلاعات ومقایسه آن با شبکه عصبی چند لایه ورگرسیون خطی چند گانه در میدان نفتی آزاد گان
عطیه مظاهری طرئی حسین معماریان بهزاد تخم چی بهزاد مشیریپارامتر تخلخل یکی از مهمترین خصوصیات مخزن می باشد که با مطالعه مغزه بدست می آید .با این وجود تمامی چاه های یک میدان دارای مغزه نیستند.هم چنین در برخی از چاهها مانند چاه های افقی مغزه گیری عملا غیر ممکن است .ولی تقریبا در تمامی چاه ها نمودار گیری صورت می گیرد .به طو معمو أکثرپارامتر تخلخل یکی از مهمترین خصوصیات مخزن می باشد که با مطالعه مغزه بدست می آید .با این وجود تمامی چاه های یک میدان دارای مغزه نیستند.هم چنین در برخی از چاهها مانند چاه های افقی مغزه گیری عملا غیر ممکن است .ولی تقریبا در تمامی چاه ها نمودار گیری صورت می گیرد .به طو معمول از نمودار های چاه نگاری به منظور تخمین تخلخل نیز استفاده می شود .تخلخلی که از این نگار ها بدست می آیدتحت تاثیر عواملی هم چون دما ،فشار،نوع سیال ،میزان هیدرو کربور وشیل موجود در سازند قرار می گیرند ودر نتیجه با میزان واقعی تخلخل کمی متفاوت است .بنابر این تخمین ها توام با خطا وعدم قطعیت هستند .شاید بهترین ودر عین حال عملی ترین روش جهت کاهش عدم قطعیت تخمین ،استفاده از منابع مختلف داده جهت تخمین ودر واقع استفاده از تکنیک های ترکیب اطلاعات باشد .کار کرد اصلی این تکنیک ها ،افزایش اطمینان وکاهش ریسک در تصمیم گیر ی ها است . در این تحقیق ، برای تعیین مقادیر خلخل ،با استفاده از داده های چهار چاه واقع در میدان نفتی آزادگان ،ابتدا از دو تکنیک شبکه عصبی چند لایه ورگرسیون خطی چند گانه استفاده شده ودر نهایت نتایج این روش ها با تکنیک ترکیب اطلاعات (تئوری بیزین )مقایسه شده است .برای برسی قابلیت تعمیم این سه روش در هر تکنیک ،پارامتر تخلخل در یک چاه دیگر میدان نیز تخمین زده شده است .تعداد متغیر های ورودی برای تخمین تخلخل در چاه مورد مطالعه در روش های شبکه عصبی ورگرسیون خطی چند گانه 7 است ودرتکنیک ترکیب اطلاعات نیز از حداکثر 7 متغیر ورودی استفاده شده است .در نهایت با مقایسه نتایج حاصل از 3 روش نامبرده مشاهده شده است که تکنیک ترکیب اطلاعات (تئوری بیزین)از اعتبار بالاتری برخوردار است ودر تخمین تخلخل به مقدار قابل توجهی از دو تکنیک شبکه عصبی چند لایه ورگرسیون خطی چند گانه بهتر عمل نموه است ؛به نحوی که همبستگی نتایج با واقعیت بیش از 90%به دست آمده است . تفاصيل المقالة -
حرية الوصول المقاله
54 - کاربرد هوش مصنوعی در تطبیق اطلاعات تاریخچه یکی از مخازن نفتی شکافدار
ناصر اخلاقی ریاض خراط صدیقه مهدوییکی از کاربردهای عمده روشهای محاسبات نرم افزاری ،پیشگوئی نتایج فرایند های مختلف در صنایع نفت بوده است ،که اندازه گیری آنها با روش های متداول بدلیل غیر خطی بودن دارای جواب واحدی نبوده ویا اینکه یافتن جواب آنها بسیار وقت گیر وهزینه بر می باشد .بدلیل وجود عدم قطعیت در برخی أکثریکی از کاربردهای عمده روشهای محاسبات نرم افزاری ،پیشگوئی نتایج فرایند های مختلف در صنایع نفت بوده است ،که اندازه گیری آنها با روش های متداول بدلیل غیر خطی بودن دارای جواب واحدی نبوده ویا اینکه یافتن جواب آنها بسیار وقت گیر وهزینه بر می باشد .بدلیل وجود عدم قطعیت در برخی از اطلاعات استفاده شده در شبیه سازی ها،پیشگوئی های این مدل ها با خطای بسیاری همراه است .در این راستا از اطلاعاتی نظیر فشار ،دبی وسایر اطلاعات تولید در طول عمر مخزن جهت تطبیق تاریخچه ومنطبق کردن نتایج شبیه سازی با واقعیت استفاده می گردد .در این مطالعه از شبکه عصبی (ANN)برای ساخت مدل پیش گویی کننده فشار ته چاهی یکی از مخازن نفتی شکافدار ،با تاریخچه تولید 7 ساله استفاده شده است .تخلخل شکاف ،تراوائی شکاف در جهت های افقی وعمودی ،ارتفاع بلوک ،تخلخل دو گانه ماتریکس -شکاف بعنوان پارامتر هایی که روی آنها عدم قطعیت وجود دارد بعنوان ورودی شبکه وفشار بعنوان خروجی برای ساخت شبکه بکار رفته اند . نتایج بدست آمده از این مطالعه نشان داد که ،با استفاده از 50بار اجرای سناریو های مختلف ،مدل تخمین گر با خطای کمتر از 4%ضمن کاهش زمان فرایند ،قابلیت مناسبی جهت تطبیق فشار ته چاهی را دارد . تفاصيل المقالة -
حرية الوصول المقاله
55 - کاربرد هوش مصنوعی در تطبیق اطلاعات تاریخچه یکی از مخازن نفتی شکافدار
ناصر اخلاقی ریاض خراط صدیقه مهدوییکی از کاربردهای عمده روشهای محاسبات نرم افزاری ،پیشگوئی نتایج فرایند های مختلف در صنایع نفت بوده است ،که اندازه گیری آنها با روش های متداول بدلیل غیر خطی بودن دارای جواب واحدی نبوده ویا اینکه یافتن جواب آنها بسیار وقت گیر وهزینه بر می باشد .بدلیل وجود عدم قطعیت در برخی أکثریکی از کاربردهای عمده روشهای محاسبات نرم افزاری ،پیشگوئی نتایج فرایند های مختلف در صنایع نفت بوده است ،که اندازه گیری آنها با روش های متداول بدلیل غیر خطی بودن دارای جواب واحدی نبوده ویا اینکه یافتن جواب آنها بسیار وقت گیر وهزینه بر می باشد .بدلیل وجود عدم قطعیت در برخی از اطلاعات استفاده شده در شبیه سازی ها،پیشگوئی های این مدل ها با خطای بسیاری همراه است .در این راستا از اطلاعاتی نظیر فشار ،دبی وسایر اطلاعات تولید در طول عمر مخزن جهت تطبیق تاریخچه ومنطبق کردن نتایج شبیه سازی با واقعیت استفاده می گردد .در این مطالعه از شبکه عصبی (ANN)برای ساخت مدل پیش گویی کننده فشار ته چاهی یکی از مخازن نفتی شکافدار ،با تاریخچه تولید 7 ساله استفاده شده است .تخلخل شکاف ،تراوائی شکاف در جهت های افقی وعمودی ،ارتفاع بلوک ،تخلخل دو گانه ماتریکس -شکاف بعنوان پارامتر هایی که روی آنها عدم قطعیت وجود دارد بعنوان ورودی شبکه وفشار بعنوان خروجی برای ساخت شبکه بکار رفته اند . نتایج بدست آمده از این مطالعه نشان داد که ،با استفاده از 50بار اجرای سناریو های مختلف ،مدل تخمین گر با خطای کمتر از 4%ضمن کاهش زمان فرایند ،قابلیت مناسبی جهت تطبیق فشار ته چاهی را دارد . تفاصيل المقالة -
حرية الوصول المقاله
56 - بهبود شناسایی کانال مدفون، با استفاده از شبکههای عصبی مصنوعی و نشانگرهای لرزهای
علیرضا غضنفری عبدالرحیم جواهریان مجتبی صدیق عربانیکانالها یکی از مهمترین پدیدههای مورفولوژیک چینه ای به حساب می آیند. اگر کانالها در موقعیت مناسبی مانند محصور شدن در یک فضای ناتراوا قرار گیرند، میتوانند مکان مناسبی جهت تجمع هیدروکربن باشند؛ از این جهت شناسایی کانالها دارای اهمیت میباشد. ابزارهای متفاوتی مانند فیل أکثرکانالها یکی از مهمترین پدیدههای مورفولوژیک چینه ای به حساب می آیند. اگر کانالها در موقعیت مناسبی مانند محصور شدن در یک فضای ناتراوا قرار گیرند، میتوانند مکان مناسبی جهت تجمع هیدروکربن باشند؛ از این جهت شناسایی کانالها دارای اهمیت میباشد. ابزارهای متفاوتی مانند فیلترها، نشانگرهای لرزهای، شبکههای عصبی مصنوعی و نشانگرهای چندگانه، در این راستا نقش مهمی ایفا کردهاند. در این مقاله از مکعب هدایت شیب، فیلتر شیب میانه، فیلتر انتشار و فیلتر بهبود گسل یا لبه استفاده شده است. همچنین ابتدا به بررسی نشانگرهای لرزهای متفاوتی مانند نشانگر تشابه، بافت، تجزیه طیفی، انرژی و شیب قطبی پرداخته شده است. سپس با شناسایی نشانگرهای مناسب، کار شناسایی کانالها بر روی داده لرزهای واقعی F3 از قسمت هلندی دریای شمال، صورت گرفته است. برای شناسایی و آشکارسازی کانال موجود در داده واقعی، از روش ترکیب نشانگرهای لرزهای توسط شبکههای عصبی نظارت شده پرسپترون چندلایه و ایجاد نشانگرهای چندگانه، و مجددا ترکیب نشانگرهای چندگانه ایجاد شده در طول کانال و استفاده از نقاط تفسیر کانالی متفاوت، به جهت حذف تاثیر تغییرات رخساره در شناسایی کانال، استفاده شده است. از جمله مزایا و دلایل استفاده از این نوع شبکه عصبی (نظارت شده)، که باعث افزایش تاثیرگذاری شبکه عصبی و بهبود نتیجه شده است، توانایی آموزش شبکه با تعیین نقاط کانال و غیرکانال بوده است که در این مقاله از آن استفاده گردیده است. در نهایت، با بکارگیری روشهای ذکر شده، شناسایی کانال مورد بررسی در داده لرزهای فوق بهبود یافته است، و کانال با کیفیت مناسبی در تمام طول آن آشکارسازی و استخراج شده است. تفاصيل المقالة -
حرية الوصول المقاله
57 - تلفیق شبکههای عصبی مصنوعی و الگوریتم ردیابی خودکار احتمال گسل نازک شده، جهت شناسایی، تفسیر و استخراج گسلها
علیرضا غضنفری حسین محمدرضائی حمیدرضا انصاریشناخت گسلها و بررسی سیر تکاملی آنها از اهمیت ویژهای در اکتشاف و توسعه منابع هیدروکربوری برخوردار است. موفقيت در اكتشاف و توسعه ميادین هيدروكربوري، مستلزم شناسايي دقيق سيستمهاي نفتي منطقه بوده و در اين راستا يكي از مهمترين مسائل شناسايي گسلها و نحوه گسترش آنها، به ع أکثرشناخت گسلها و بررسی سیر تکاملی آنها از اهمیت ویژهای در اکتشاف و توسعه منابع هیدروکربوری برخوردار است. موفقيت در اكتشاف و توسعه ميادین هيدروكربوري، مستلزم شناسايي دقيق سيستمهاي نفتي منطقه بوده و در اين راستا يكي از مهمترين مسائل شناسايي گسلها و نحوه گسترش آنها، به عنوان مجراي اصلي مهاجرت سيال، مخصوصا در نواحي عميقتر ميباشد. گسل ها و شكستگي ها نقش مهمي را در ايجاد بخش هايي با تخلخل و تراوايي زياد و قطع سنگ مخزني و پوشش در مسيرهاي مهاجرت سيال ايفا مي كنند. علاوه بر اینها برای بیشینه کردن برداشت هیدروکربور از مخزن و نیز کاهش خطر پذیری حفاری، ضروری است تا اطلاعات مناسبی از هندسه و طبیعت گسلهای مخزن به دست آورده شود. در این مقاله هدف بررسی کارایی ترکیب شبکه عصبی و الگوریتم ردیابی خودکار احتمال گسل در شناسایی و تفسیر گسلها در داده لرزهای میباشد. ابتدا با استفاده از قابلیت هدایت شیب نرمافزار، فیلتر مورد نظر اولیه که برای شناسایی دقیق شیب ساختارها و پدیدههای موجود در داده میباشد، طراحی و اعمال گردیده است. سپس با طراحی و اعمال فیلترهای مناسب، داده لرزهای بهبود یافته است. پس از آن نشانگرهای لرزهای مناسب برای شناسایی گسلها از داده لرزهای سه بعدی، شناسایی و محاسبه شدهاند. با انتخاب نقاط نمونه برای دو کلاس گسل و غیر گسل از داده، شبکه عصبی نظارت شده با استفاده از نشانگرهای منتخب تشکیل شده و پس از آموزش بهینه شبکه، خروجی مناسب از شبکه ایجاد گردیده است. سپس خروجی شبکه عصبی به عنوان ورودی برای الگوریتم ردیابی خودکار احتمال گسل نازک شده، استفاده شده است. خروجی این قسمت شامل حجم احتمال گسلهای ردیابی شده، ارائه و نمایش داده شده است. در نهایت با استفاده از ابزارهای زیرمجموعه قسمت احتمال گسل، و تنظیمات پارامترهای آن به صورت بهینه، صفحات گسل سه بعدی به صورت خودکار استخراج و تفسیر گردیدهاند. تفاصيل المقالة -
حرية الوصول المقاله
58 - تخمین تراوایی با بکارگیری لاگ های پتروفیزیکی و روش های هوش مصنوعی: مطالعه موردی در مخزن آسماری میدان نفتی اهواز
ابوذر محسنی پور بهمن سلیمانی ایمان زحمتکش ایمان ویسیتراوایی از جمله مهمترین پارامترهای پتروفیزیکی است که نقشی اساسی را در بحث های تولید و توسعه میادین هیدروکربونی دارند. در این پژوهش ابتدا نمودار تشدید مغناطیسی هسته ای در مخزن آسماری مورد ارزیابی قرار گرفت و تراوایی با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مد أکثرتراوایی از جمله مهمترین پارامترهای پتروفیزیکی است که نقشی اساسی را در بحث های تولید و توسعه میادین هیدروکربونی دارند. در این پژوهش ابتدا نمودار تشدید مغناطیسی هسته ای در مخزن آسماری مورد ارزیابی قرار گرفت و تراوایی با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مدل شلمبرژه یا میانگین T2 (SDR) محاسبه شد. سپس با ساخت مدل ساده شبکه عصبی مصنوعی و همچنین ترکیب آن با الگوریتم های بهینه سازی رقابت استعماری (ANN-ICA) و ازدحام ذرات (ANN-PSO) تراوایی تخمین زده شد. در نهایت نتایج حاصل با مقایسه تراوایی COATES و تراوایی SDR تخمین زده شده نسبت به مقدار واقعی، مورد بررسی قرار گرفتند و دقت تخمین از نظر مجموع مربع خطا و ضریب همبستگی مقایسه شد. نتایج حاصل از این مطالعه، بیانگر افزایش دقت تخمین تراوایی با استفاده از ترکیب الگوریتم های بهینه سازی با شبکه عصبی مصنوعی بود. نتایج حاصل از این روش می تواند به عنوان روشی قدرتمند جهت بدست آوردن سایر پارامترهای پتروفیزیکی استفاده شود. تفاصيل المقالة -
حرية الوصول المقاله
59 - ارزیابی عملکرد مراکز آموزشی با استفاده از شبکه عصبی مصنوعی ( مورد مطالعه: یکی از سازمان های دولتی کشور)
زمان اژدری حسین عبداللهی صمد برزویان مرتضی طاهری مصطفی ابراهیم پور ازبریهدف پژوهش حاضر ارزیابی عملکرد مراکز آموزشی یکی از سازمان های دولتی کشور با استفاده از شبکه عصبی مصنوعی می باشد. اين مقاله یک پژوهش ارزشیابی برای ارزیابی عملکرد مراکز آموزش سازمانی دولتی است. اطلاعات مورد نياز اين تحقیق از طريق كانالهاي موازي اطلاعات مثل استفاده از اسن أکثرهدف پژوهش حاضر ارزیابی عملکرد مراکز آموزشی یکی از سازمان های دولتی کشور با استفاده از شبکه عصبی مصنوعی می باشد. اين مقاله یک پژوهش ارزشیابی برای ارزیابی عملکرد مراکز آموزش سازمانی دولتی است. اطلاعات مورد نياز اين تحقیق از طريق كانالهاي موازي اطلاعات مثل استفاده از اسناد و مدارک مراکز آموزشی زیر مجموعه سازمان و مراجعه به اسناد و مدارك آنها با حفظ مراتب طبقه بندی جمعآوري شد. جامعه آماري مورد مطالعه اين پژوهش 5 مرکز آموزشی یکی از سازمان های دولتی که برای حدود 10 هزار نفر پرسنل در بین سالهای 1392 الی 1399 دوره های آموزشی برگزار می کنند، می باشد؛ براساس نظر خبرگان و نتایج مطالعات مرتبط ورودی و خروجی های پژوهش انتخاب و تعیین گردید. جهت کاهش متغیرهای ورودی و خروجی، از روش مدل سازی معادلات ساختاری - حداقل مربعات جزئی و به منظور آموزش شبکه عصبی دولایه MLP از روش آموزش پس از انتشار خطای ارتجاعی استفاده گردید، پس از آموزش شبکه عصبی، عملکرد شبکه عصبی با استفاده از الگوهای تست، مورد بررسی قرار گرفت. مقدار(میانگین مجذور خطا) MSE مربوط به 13 الگوی تست برابر. 43/7413 که نشان دهنده دقت بالای شبکه آموزش داده شده است، در نهایت عملکرد مراکز آموزشی بر اساس داده های تجزیه و تحلیل شده مورد رتبه بندی قرار گرفت. تفاصيل المقالة -
حرية الوصول المقاله
60 - ارزيابي تقاضاي تفرجي کاربران پارک هاي شهري تهران با استفاده از مدل شبکه عصبي مصنوعي
علی جهانی ریحانه خالق پناه حمید گشتاسب نعمت اله خراسانیمزایای فضای سبز عمومی امروزه بخوبی روشن است؛ اما هنوز به سختی می توان گفت که کدام یک از پارک ها پتانسیل بالاتری جهت تأمین تقاضای تفرجی کاربران (گردشگران و شهروندان) دارند. هدف از اين مقاله مدل سازي ارزيابي تقاضاي تفرجي در پارک هاي شهري با استفاده از شبکه عصبي مصنوعي به أکثرمزایای فضای سبز عمومی امروزه بخوبی روشن است؛ اما هنوز به سختی می توان گفت که کدام یک از پارک ها پتانسیل بالاتری جهت تأمین تقاضای تفرجی کاربران (گردشگران و شهروندان) دارند. هدف از اين مقاله مدل سازي ارزيابي تقاضاي تفرجي در پارک هاي شهري با استفاده از شبکه عصبي مصنوعي به منظور کشف روابط حاکم در رضايت مندي و تقاضاي تفرجي کاربران از پارک شهري است. 104 پارک شهري محلي، ناحيه اي و منطقه اي در مناطق 22گانه شهر تهران با تنوع بالا در کيفيت خدمات رفاهي و شيوه طراحي انتخاب گرديد. ارزيابي ميزان تقاضاي تفرجي در پارک هاي شهري با استفاده از ديدگاه درک کاربر محور صورت گرفته و نقش متغيرهاي منطقه اي و خدماتي در افزايش تقاضاي استفاده از پارک هاي شهري به روش اندازه گیری میدانی در سال 1395 تا 1396 بررسی شد. با توجه به نتايج شبكه هاي آموزش داده شده، مدل شبکه عصبی مصنوعی با توجه به بيشترين مقدار ضريب تبيين در سه دسته داده آموزش، اعتبارسنجی و آزمون، بهترين عملكرد بهينه سازي ساختار را نشان مي دهد. بر اساس نتايج آناليز حساسيت تعداد پارک هاي منطقه، مساحت امکانات ورزشي، مساحت امکانات فرهنگي و کيفيت منظر به ترتيب با ضريب اثرگذاري 5/183، 1/58، 7/52 و 4/30 بيشترين تاثير را در ميزان تقاضاي تفرجي کاربران در پارک هاي شهري از خود نشان دادند. مدل ارائه شده به عنوان يک سيستم پشتيبان تصميم گيري در طراحي مهندسي پارک هاي شهري شناخته مي شود. چنین رویکردی موجب توسعه شهرها بر اساس افزایش جاذبه های گردشگری و در نتیجه توسعه گردشگری شهری در سطح کلان می شود. تفاصيل المقالة -
حرية الوصول المقاله
61 - پیشبینی جهت حرکت قیمت سهام با استفاده از شبکه توجه گراف جهتدار
علیرضا جعفری سامان هراتی زادهپیشبینی 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 أکثرپیشبینی 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. تفاصيل المقالة -
حرية الوصول المقاله
62 - Convolutional Neural Networks for Medical Image Segmentation and Classification: A Review
Jenifer S Carmel Mary Belinda M JMedical imaging refers to the process of obtaining images of internal organs for therapeutic purposes such as discovering or studying diseases. The primary objective of medical image analysis is to improve the efficacy of clinical research and treatment options. Deep le أکثرMedical imaging refers to the process of obtaining images of internal organs for therapeutic purposes such as discovering or studying diseases. The primary objective of medical image analysis is to improve the efficacy of clinical research and treatment options. Deep learning has revamped medical image analysis, yielding excellent results in image processing tasks such as registration, segmentation, feature extraction, and classification. The prime motivations for this are the availability of computational resources and the resurgence of deep Convolutional Neural Networks. Deep learning techniques are good at observing hidden patterns in images and supporting clinicians in achieving diagnostic perfection. It has proven to be the most effective method for organ segmentation, cancer detection, disease categorization, and computer-assisted diagnosis. Many deep learning approaches have been published to analyze medical images for various diagnostic purposes. In this paper, we review the works exploiting current state-of-the-art deep learning approaches in medical image processing. We begin the survey by providing a synopsis of research works in medical imaging based on convolutional neural networks. Second, we discuss popular pre-trained models and General Adversarial Networks that aid in improving convolutional networks’ performance. Finally, to ease direct evaluation, we compile the performance metrics of deep learning models focusing on covid-19 detection and child bone age prediction. تفاصيل المقالة -
حرية الوصول المقاله
63 - استفاده از تحلیل احساسات و ترکیب روش¬های یادگیری ماشین برای تشخیص هرزنامه در توییتر
مهدی سالخورده حقیقی امین الله کرمانیمحبوبیت شبکه های اجتماعی بخصوص توییتر چالش جدیدی را روبروی محققان قرار داده است و آن چیزی نیست جز هرزنامه . روش های گوناگون زیادی برای مقابله با آنها ارائه شده است. بعضی از این روش ها اگرچه در ابتدا کارآمد بودند اما به مرور توسط تولید کنندگان هرزنامه دور زده شدند. در ای أکثرمحبوبیت شبکه های اجتماعی بخصوص توییتر چالش جدیدی را روبروی محققان قرار داده است و آن چیزی نیست جز هرزنامه . روش های گوناگون زیادی برای مقابله با آنها ارائه شده است. بعضی از این روش ها اگرچه در ابتدا کارآمد بودند اما به مرور توسط تولید کنندگان هرزنامه دور زده شدند. در این تحقیق تلاش داریم با استفاده از یکی از جدیدترین روش های تشخیص هرزنامه و ترکیب آن با تحلیل احساسات دقت تشخیص هرزنامه را افزایش دهیم. ما با استفاده از روش تعبیه سازی، کلمات متن توییت را به عنوان ورودی به یک معماری شبکه عصبی پیچشی داده و خروجی تشخیص دهنده متن هرزنامه یا متن عادی خواهد بود. هم زمان با استخراج ویژگی های مناسب در شبکه توییتر و اعمال روش های یادگیری ماشین بر روی آنها تشخیص هرزنامه بودن توییت را بصورت مجزا محاسبه می کنیم. در نهایت خروجی هر دو روش را به یک شبکه پیچشی تلفیقی وارد می کنیم تا خروجی آن تشخیص نهایی هرزنامه یا نرمال بودن متن توییت را تعیین کند. ما در این تحقیق از دو مجموعه داده متعادل و نامتعادل استفاده می کنیم تا تاثیر مدل پیشنهادی را بر روی دو نوع داده بررسی کنیم. نتایج پژوهش نشان دهنده بهبود کارایی روش پیشنهادی در هر دو مجموعه داده می باشد. تفاصيل المقالة -
حرية الوصول المقاله
64 - Comparing the Semantic Segmentation of High-Resolution Images Using Deep Convolutional Networks: SegNet, HRNet, CSE-HRNet and RCA-FCN
Nafiseh Sadeghi Homayoun Mahdavi-Nasab Mansoor Zeinali Hossein PourghasemSemantic segmentation is a branch of computer vision, used extensively in image search engines, automated driving, intelligent agriculture, disaster management, and other machine-human interactions. Semantic segmentation aims to predict a label for each pixel from a giv أکثرSemantic segmentation is a branch of computer vision, used extensively in image search engines, automated driving, intelligent agriculture, disaster management, and other machine-human interactions. Semantic segmentation aims to predict a label for each pixel from a given label set, according to semantic information. Among the proposed methods and architectures, researchers have focused on deep learning algorithms due to their good feature learning results. Thus, many studies have explored the structure of deep neural networks, especially convolutional neural networks. Most of the modern semantic segmentation models are based on fully convolutional networks (FCN), which first replace the fully connected layers in common classification networks with convolutional layers, getting pixel-level prediction results. After that, a lot of methods are proposed to improve the basic FCN methods results. With the increasing complexity and variety of existing data structures, more powerful neural networks and the development of existing networks are needed. This study aims to segment a high-resolution (HR) image dataset into six separate classes. Here, an overview of some important deep learning architectures will be presented with a focus on methods producing remarkable scores in segmentation metrics such as accuracy and F1-score. Finally, their segmentation results will be discussed and we would see that the methods, which are superior in the overall accuracy and overall F1-score, are not necessarily the best in all classes. Therefore, the results of this paper lead to the point to choose the segmentation algorithm according to the application of segmentation and the importance degree of each class. تفاصيل المقالة -
حرية الوصول المقاله
65 - کنترل مد لغزشی مبتنی بر داده مبتنی بر شبکه عصبی بازگشتیتصویر برای عفونت :HIV یک رویکرد مقدار تکین
اشکان ضرغامی مهدی سیاهی فریدون نوشیروان راحت آباددر این مقاله، جبرانسازی عفونت HIV با استفاده از کنترل مد لغزشی مبتنی بر داده در تلفیق با شبکه عصبی بازگشتی تصویر مورد توجه قرار گرفته است. اهداف اصلی تعیین قوانین کنترلی بهگونهای است که نیازی به معادلات ریاضی عفونت HIV نباشد و محدودیت فیزیکی محرک نیز برآورده شود. این أکثردر این مقاله، جبرانسازی عفونت HIV با استفاده از کنترل مد لغزشی مبتنی بر داده در تلفیق با شبکه عصبی بازگشتی تصویر مورد توجه قرار گرفته است. اهداف اصلی تعیین قوانین کنترلی بهگونهای است که نیازی به معادلات ریاضی عفونت HIV نباشد و محدودیت فیزیکی محرک نیز برآورده شود. این کار با توسعه مبانی کنترل تطبیقی مستقل از مدل صورت میگیرد که در آن از خطیسازی دینامیکی محلی مبتنی بر تخمین مشتق شبهجزئی برای توصیف رابطه بین ورودی و خروجی استفاده میشود. برای تعیین قانون کنترل، نخست یک شاخص عملکرد مبتنی بر تحقق شرط دسترسی نمایی زمان گسسته تعریف میشود. با تبدیل این شاخص به یک مسئله برنامهریزی مرتبه دوی مقید، دینامیک شبکه عصبی بازگشتی تصویر بر اساس نظریه تصویر استخراج میشود. به کمک معادله خروجی بهینهسازی، دینامیک حلقه بسته بهصورت صریح تعیین میگردد و تحلیل پایداری حلقه بسته به کمک رویکرد مقدار تکین مورد بررسی قرار میگیرد. نتایج شبیهسازی الگوریتم پیشنهادی در قیاس با یکی از جدیدترین رویکردهای کنترلی، نشاندهنده کیفیت بالای الگوریتم در هدایت دینامیک عفونت HIV به نقطه تعادل سالم در حضور عدم قطعیت مدل و اغتشاشات خارجی است. تفاصيل المقالة -
حرية الوصول المقاله
66 - شناسایی ژنهای عامل سرطان در شبکه ژنی با استفاده از معماری شبکه عصبی پیشخور
مصطفی اخوان صفار عباسعلی رضاییشناسایی 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 أکثرشناسایی 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. تفاصيل المقالة -
حرية الوصول المقاله
67 - کوانتیزاسیون چند رقمی ترنری جهت بهبود تنکی و محاسبات شبکههای عصبی عمیق در کاربردهای نهفته
حسنا معنوی مفرد سید علی انصارمحمدی مصطفی ارسالی صالحی نسبشبکههای عصبی عمیق به دلیل موفقیت در کاربردهای مختلف، به جذابیت فوقالعادهای دستیافتهاند. اما پیچیدگی محاسبات و حجم حافظه از موانع اصلی برای پیادهسازی آنها در بسیاری از دستگاههای نهفته تلقی میشود. از مهمترین روشهای بهینهسازی که در سالهای اخیر برای برطرف نمودن أکثرشبکههای عصبی عمیق به دلیل موفقیت در کاربردهای مختلف، به جذابیت فوقالعادهای دستیافتهاند. اما پیچیدگی محاسبات و حجم حافظه از موانع اصلی برای پیادهسازی آنها در بسیاری از دستگاههای نهفته تلقی میشود. از مهمترین روشهای بهینهسازی که در سالهای اخیر برای برطرف نمودن این موانع ارائه شده، میتوان به کوانتیزاسیون و هرس کردن اشاره کرد. یکی از روشهای معروف کوانتیزاسیون، استفاده از نمایش اعداد چندرقمی باینری است که علاوه بر بهرهبردن از محاسبات بیتی، افت صحت شبکههای باینری را در مقایسه با شبکههای دقت کامل کاهش میدهد. اما به دلیل نداشتن قابلیت نمایش عدد صفر در آنها، مزایای تنکی دادهها را از دست می دهند. از طرفی، شبکههای عصبی عمیق به صورت ذاتی تنک هستند و با تنک کردن پارامترهای شبکه عصبی عمیق، حجم دادهها در حافظه کاهش می یابد و همچنین به کمک روشهایی میتوان انجام محاسبات را تسریع کرد. در این مقاله میخواهیم هم از مزایای کوانتیزاسیون چند رقمی و هم از تنکی دادهها بهره ببریم. برای این منظور کوانتیزاسیون چند رقمی ترنری برای نمایش اعداد ارائه میدهیم که علاوه بر افزایش صحت شبکه نسبت به شبکه چندرقمی باینری، قابلیت هرس کردن را به شبکه میدهد. سپس میزان تنکی در شبکه کوانتیزه شده را با استفاده از هرس کردن افزایش میدهیم. نتایج نشان میدهد که تسریع بالقوه شبکه ما در سطح بیت و کلمه میتواند به ترتیب 15 و 45 برابر نسبت به شبکه چند رقمی باینری پایه افزایش یابد. تفاصيل المقالة -
حرية الوصول المقاله
68 - پیشبینی بازار سهام با استفاده از الگوریتم بهینهسازی ملخ بهبود یافته و الگوریتمهای سری زمانی
وحید صفری دهنوی مسعود شفیعیپیشبینی بازار سهام به عنوان یک زمینه جذاب و همچنین چالش برانگیز برای سرمایه گذاران در بازارهای مالی عمل میکند. بسیاری از مدلهای مورد استفاده در پیشبینی بازار سهام قادر به پیشبینی دقیق نیستند یا این مدلها نیاز به تعداد داده ورودی بسیار زیادی دارند که باعث افزایش حج أکثرپیشبینی بازار سهام به عنوان یک زمینه جذاب و همچنین چالش برانگیز برای سرمایه گذاران در بازارهای مالی عمل میکند. بسیاری از مدلهای مورد استفاده در پیشبینی بازار سهام قادر به پیشبینی دقیق نیستند یا این مدلها نیاز به تعداد داده ورودی بسیار زیادی دارند که باعث افزایش حجم شبکهها و پیچیدگی یادگیری میشود که همه این موارد در نهایت موجب کاهش دقت در پیشبینی میشود. این مقاله یک روش برای پیشبینی بازار سهام را پیشنهاد میدهد که این روش قادر هست به طور موثر وضعیت بازار سهام را پیشبینی کند. در این مقاله، برای کاهش حجم دادههای ورودی از قیمت گذشته بازار استفاده شده و این دادهها در یک مدل رگریسور قرار داده شده است. در این حالت، با ارایه یک روش مبتنی بر الگوریتم بهینهسازی ملخ بهبود یافته، تعیین میشود که دادههای فعلی بازار بورس به کدام دادههای قبلی وابسته هستند و با استفاده از دادههای قبلی میتوان داده جدید را پیشبینی کرد. برای پیشبینی سری زمانی نیز از روشهای شبکه عصبی GMDH، شبکه نروفازی و شبکه عصبی استفاده شده است؛ به علاوه، در این مقاله از روشهای متناسبسازی دادهها با استفاده از الگوریتمهای مختلف استفاده شده است که این روشها میتوانند در پیشبینی بازار موثر باشند. در نهایت، از مجموعه داده شرکت تسلا برای اعتبارسنجی و تست الگوریتمهای ارایه شده استفاده شده است و نتایج شبیهسازی در پایان آمده است. همانطور که در قسمت شبیهسازی نشان داده شده، با استفاده از الگوریتم بهینهسازی ملخ بهبود یافته، موثرترین خروجیها برای پیشبینی ارزش سهام به دست آمده و در نهایت با استفاده از چند حالت مختلف پیشبینی انجام شده و نتایج روشهای مختلف مورد مقایسه قرار گرفته و ارزیابی بر اساس معیار خطای میانگین مربع (RMSE) انجام شده است. مدل پیشنهادی پیش بینی بازار سهام دارای حداقل RMSE=4.05 است که نشان دهنده اثربخشی روش پیشنهادی در پیش بینی بازار سهام است. نتایج نشان میدهد که در بین الگوریتمهای ارایه شده مربوط به پیشبینی سری زمانی، شبکه GMDH با الگوریتم ترکیبی ارایه شده، بهترین نتیجه را در بر داشته است. تفاصيل المقالة -
حرية الوصول المقاله
69 - 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 -
حرية الوصول المقاله
70 - ارائه مدل اجرای سیاست های برنامه ششم توسعه در حوزه ارتباطات و فناوری اطلاعات به روش شبکه عصبی
نازیلا محمدی غلامرضا معمارزاده طهران صدیقه طوطیان اصفهانیمدیریت صحیح اجرای سیاست های حوزه فناوری اطلاعات و ارتباطات در مسیری برنامهریزیشده به منظور رسیدن به ارتقای جایگاه کشور در زمینههای علمی و فناوری، اجتناب ناپذیر است. هدف این پژوهش، ارائه مدل عوامل مؤثر بر اجرای سیاست های حوزه فناوری اطلاعات و ارتباطات ایران به کمک تکن أکثرمدیریت صحیح اجرای سیاست های حوزه فناوری اطلاعات و ارتباطات در مسیری برنامهریزیشده به منظور رسیدن به ارتقای جایگاه کشور در زمینههای علمی و فناوری، اجتناب ناپذیر است. هدف این پژوهش، ارائه مدل عوامل مؤثر بر اجرای سیاست های حوزه فناوری اطلاعات و ارتباطات ایران به کمک تکنیک شبکه عصبی و بر اساس تئوری ساخت یابی گیدنز میباشد. این تحقیق از منظر انجام آن از نوع پیمایشی و بر مبنای هدف، از نوع کاربردی است زیرا سعی بر آن است که از نتایج پژوهش در مجموعه وزارت ارتباطات و فناوری اطلاعات و شرکت مخابرات ایران بهرهبرداری گردد. گردآوری دادهها، بر اساس روش کتابخانهای و میدانی صورت گرفته است. ابزار گردآوری اطلاعات، ادبیات پژوهش و پرسشنامه محقق ساخته میباشد. جامعه آماری تحقیق کارشناسان فناوری اطلاعات و ارتباطات ستاد شرکت مخابرات ایران (810 نفر) میباشند که 260 نفر براساس فرمول کوکران به صورت تصادفی به عنوان نمونه انتخاب شدند. برای تحلیل داده ها از نرم افزار متلب استفاده شد. طبق یافته ها بهترین ترکیب برای توسعه زمانی است که تمام متغیرهای ورودی همزمان در نظر گرفته شوند و بدترین حالت زمانی است که متغیر توسعه زیرساخت نادیده گرفته شود و همچنین بیشترین اهمیت بر اساس تحلیل حساسیت شبکه، مربوط به توسعه زیرساخت و کمترین مربوط به تامین محتوا می باشد. تفاصيل المقالة -
حرية الوصول المقاله
71 - یک مدل تشخیص احساسات معنایی مبتنی بر آنتولوژی و آتوماتای یادگیر عمیق سلولی
هوشنگ صالحی رضا قائمی مریم خیرآبادیامروزه شبکه های اجتماعی و رسانه های ارتباطی نقش به سزایی را در زندگی روزمره کاربران دارند. کاربران در زمینه های مختلف در شبکه های اجتماعی اقدام به گفتگو و تبادل اطلاعات می نمایند. در جملات و کامنت های کاربران احساسات منفی و مثبت در رابطه با اخبار روز، اتفاقات موجود و غی أکثرامروزه شبکه های اجتماعی و رسانه های ارتباطی نقش به سزایی را در زندگی روزمره کاربران دارند. کاربران در زمینه های مختلف در شبکه های اجتماعی اقدام به گفتگو و تبادل اطلاعات می نمایند. در جملات و کامنت های کاربران احساسات منفی و مثبت در رابطه با اخبار روز، اتفاقات موجود و غیره وجود دارد که تشخیص این احساسات با چالش های زیادی مواجه است. تاکنون روش های مختلفی مانند یادگیری ماشین، رویکردهای آماری، هوش مصنوعی و غیره به منظور تشخیص احساسات مطرح شده است که علی رغم کاربردهای فراوانی که داشته اند؛ اما هنوز نتوانسته دقت، شفافیت و صحت قابل قبولی داشته باشند. بنابراین در این مقاله، یک مدل نظرکاوی معنایی مبتنی بر آنتولوژی با استفاده از آتوماتای یادگیر عمیق سلولی مبتنی بر شبکه عصبی عمیق GMDH ارائه شده است. از رویکرد آنتولوژی برای انتخاب ویژگی های برجسته مبتنی بر قوانین تولید و از آتوماتای یادگیر عمیق سلولی برای طبقه بندی احساسات کاربران استفاده میشود. نوآوری اصلی این مقاله الگوریتم پیشنهادی آن است که یک روش یادگیری عمیق جهت پردازش تنها یک عبارت توسعه داده شده و سپس با انتقال آن به حوزه آتوماتای سلولی، پردازش موازی و یا توزیع شده آن فراهم می شود. در این مقاله، از مجموعه داده های مشتریان آمازون، توئیتر، فیس بوک، اخبار جعلی COVID-19، آمازون و شبکه اخبار جعلی استفاده شده است. با شبیه سازی روش پیشنهادی مشاهده گردید که روش پیشنهادی نسبت به سایر روش های دیگر به طور میانگین 3% بهبود داشته است تفاصيل المقالة -
حرية الوصول المقاله
72 - مدل¬سازي پتروفيزيکي بخش زيرين سازند رتاوي با بکارگيري شبکه عصبي در تلفيق داده¬هاي لرزه¬اي و نمودارهاي چاه¬پيمايي
جاوید حناچی علیرضا بشریميدان نفتي اسفنديار در بخش شمالي خليج فارس و شمال ميدان فروزان وقع شده است. اين ميدان يک تاقديس بزرگ، که در بخش عرب به آن لوءلوء مي گويند. طول بخش ايراني ميدان 20 و عرض آن 7 کيلومتر مي باشد. اين ميدان در سال 1966 با حفر چاه E1 در شمال آن کشف گرديد. در سال هاي بعد چاه ها أکثرميدان نفتي اسفنديار در بخش شمالي خليج فارس و شمال ميدان فروزان وقع شده است. اين ميدان يک تاقديس بزرگ، که در بخش عرب به آن لوءلوء مي گويند. طول بخش ايراني ميدان 20 و عرض آن 7 کيلومتر مي باشد. اين ميدان در سال 1966 با حفر چاه E1 در شمال آن کشف گرديد. در سال هاي بعد چاه هاي E3 و E2 در جنوب آن حفر شد. آزمايشات ساق مته و توليد در چاه E1 لايه اي 15 متري در بالاي رتاوي زيرين را حاوي نفت نشان داد. چاه E3 خشک ارزيابي گرديد و آزمايش چاه E2 نيز موفق نبود. چاه E4 در لايه بورگان وجود نفت را تائيد نمود و همانند چاه E1 لايه بالاي رتاوي زيرين حاوي نفت بود ضمن اينکه 14 متري از بخش زيرين لايه رتاوي زيرين نيز نفت دار گزارش شد، در بخش عربی ميدان لايه توليد کننده نفت ياماما مي باشد که در رتاوي زيرين قرار دارد. اين لايه در نمودارهاي چاه پيمايي بخش ايراني نيز داراي نفت ارزيابي گرديد. مدل سازي استاتيک زون هاي A و B در لايه رتاوي زيرين با استفاده از داده هاي لاگ و برداشت هاي لرزه اي براي رفع ابهامات موجود در اين ميدان مي تواند گره گشا باشد. در اين مدل سازي در افق مورد مطالعه داده هاي چاه پيمايي و لرزه نگاري به کمک نرم افزارهاي پتروفيزيکي و ژئوفيزيکي نظير ژئولاگ و همپسون راسل تفسير و مدل شده است. در بسط اطلاعات پتروفيزيکي به کمک داده هاي لزه اي از روش شبکه عصبي استفاده گرديده است. به کمک اين مدل بخش هاي مناسب مخزني و محل هاي مناسب جهت حفاري قابل پيش بيني خواهد بود. تفاصيل المقالة -
حرية الوصول المقاله
73 - مدلسازی نیروگاه خورشیدی با استفاده از شبکه عصبی مبتنی بر مدار معادل تکدیود
علیرضا رئیسی روح اله عبداللهی<p><!-- [if gte mso 9]><xml> <w:WordDocument> <w:View>Normal</w:View> <w:Zoom>0</w:Zoom> <w:TrackMoves/> <w:TrackFormatting/> <w:PunctuationKerning/> <w:ValidateAgainstSchemas/> <w:SaveIfXMLInvalid>false</w:SaveIfXMLInvalid> <w:IgnoreMixedConte أکثر<p><!-- [if gte mso 9]><xml> <w:WordDocument> <w:View>Normal</w:View> <w:Zoom>0</w:Zoom> <w:TrackMoves/> <w:TrackFormatting/> <w:PunctuationKerning/> <w:ValidateAgainstSchemas/> <w:SaveIfXMLInvalid>false</w:SaveIfXMLInvalid> <w:IgnoreMixedContent>false</w:IgnoreMixedContent> <w:AlwaysShowPlaceholderText>false</w:AlwaysShowPlaceholderText> <w:DoNotPromoteQF/> <w:LidThemeOther>EN-US</w:LidThemeOther> <w:LidThemeAsian>X-NONE</w:LidThemeAsian> <w:LidThemeComplexScript>FA</w:LidThemeComplexScript> <w:Compatibility> <w:BreakWrappedTables/> <w:SnapToGridInCell/> <w:WrapTextWithPunct/> <w:UseAsianBreakRules/> <w:DontGrowAutofit/> <w:SplitPgBreakAndParaMark/> <w:EnableOpenTypeKerning/> <w:DontFlipMirrorIndents/> <w:OverrideTableStyleHps/> </w:Compatibility> <m:mathPr> <m:mathFont m:val="Cambria Math"/> <m:brkBin m:val="before"/> <m:brkBinSub m:val="--"/> <m:smallFrac m:val="off"/> <m:dispDef/> <m:lMargin m:val="0"/> <m:rMargin m:val="0"/> <m:defJc m:val="centerGroup"/> <m:wrapIndent m:val="1440"/> <m:intLim m:val="subSup"/> <m:naryLim m:val="undOvr"/> </m:mathPr></w:WordDocument> </xml><![endif]--><!-- [if gte mso 9]><xml> <w:LatentStyles DefLockedState="false" DefUnhideWhenUsed="false" DefSemiHidden="false" DefQFormat="false" DefPriority="99" LatentStyleCount="371"> <w:LsdException Locked="false" Priority="0" QFormat="true" Name="Normal"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 1"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 2"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 3"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 4"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 5"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 6"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 7"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 8"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 9"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 6"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 7"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 8"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 9"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 1"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 2"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 3"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 4"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 5"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 6"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 7"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 8"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 9"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Normal Indent"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="footnote text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="annotation text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="header"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="footer"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index heading"/> <w:LsdException Locked="false" Priority="35" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="caption"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="table of figures"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="envelope address"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="envelope return"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="footnote reference"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="annotation reference"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="line number"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="page number"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="endnote reference"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="endnote text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="table of authorities"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="macro"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="toa heading"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 5"/> <w:LsdException Locked="false" Priority="10" QFormat="true" Name="Title"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Closing"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Signature"/> <w:LsdException Locked="false" Priority="1" SemiHidden="true" UnhideWhenUsed="true" Name="Default Paragraph Font"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text Indent"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Message Header"/> <w:LsdException Locked="false" Priority="11" QFormat="true" Name="Subtitle"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Salutation"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Date"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text First Indent"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text First Indent 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Note Heading"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text Indent 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text Indent 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Block Text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Hyperlink"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="FollowedHyperlink"/> <w:LsdException Locked="false" Priority="22" QFormat="true" Name="Strong"/> <w:LsdException Locked="false" Priority="20" QFormat="true" Name="Emphasis"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Document Map"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Plain Text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="E-mail Signature"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Top of Form"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Bottom of Form"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Normal (Web)"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Acronym"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Address"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Cite"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Code"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Definition"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Keyboard"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Preformatted"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Sample"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Typewriter"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Variable"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Normal Table"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="annotation subject"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="No List"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Outline List 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Outline List 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Outline List 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Simple 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Simple 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Simple 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Colorful 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Colorful 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Colorful 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 6"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 7"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 8"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 6"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 7"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 8"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table 3D effects 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table 3D effects 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table 3D effects 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Contemporary"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Elegant"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Professional"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Subtle 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Subtle 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Web 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Web 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Web 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Balloon Text"/> <w:LsdException Locked="false" Priority="39" Name="Table Grid"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Theme"/> <w:LsdException Locked="false" SemiHidden="true" Name="Placeholder Text"/> <w:LsdException Locked="false" Priority="1" QFormat="true" Name="No Spacing"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading"/> <w:LsdException Locked="false" Priority="61" Name="Light List"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3"/> <w:LsdException Locked="false" Priority="70" Name="Dark List"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 1"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 1"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 1"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 1"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 1"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 1"/> <w:LsdException Locked="false" SemiHidden="true" Name="Revision"/> <w:LsdException Locked="false" Priority="34" QFormat="true" Name="List Paragraph"/> <w:LsdException Locked="false" Priority="29" QFormat="true" Name="Quote"/> <w:LsdException Locked="false" Priority="30" QFormat="true" Name="Intense Quote"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 1"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 1"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 1"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 1"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 1"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 1"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 1"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 1"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 2"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 2"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 2"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 2"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 2"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 2"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 2"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 2"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 2"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 2"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 2"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 2"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 2"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 2"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 3"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 3"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 3"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 3"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 3"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 3"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 3"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 3"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 3"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 3"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 3"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 3"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 3"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 3"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 4"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 4"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 4"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 4"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 4"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 4"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 4"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 4"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 4"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 4"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 4"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 4"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 4"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 4"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 5"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 5"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 5"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 5"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 5"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 5"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 5"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 5"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 5"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 5"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 5"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 5"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 5"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 5"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 6"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 6"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 6"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 6"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 6"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 6"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 6"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 6"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 6"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 6"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 6"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 6"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 6"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 6"/> <w:LsdException Locked="false" Priority="19" QFormat="true" Name="Subtle Emphasis"/> <w:LsdException Locked="false" Priority="21" QFormat="true" Name="Intense Emphasis"/> <w:LsdException Locked="false" Priority="31" QFormat="true" Name="Subtle Reference"/> <w:LsdException Locked="false" Priority="32" QFormat="true" Name="Intense Reference"/> <w:LsdException Locked="false" Priority="33" QFormat="true" Name="Book Title"/> <w:LsdException Locked="false" Priority="37" SemiHidden="true" UnhideWhenUsed="true" Name="Bibliography"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="TOC Heading"/> <w:LsdException Locked="false" Priority="41" Name="Plain Table 1"/> <w:LsdException Locked="false" Priority="42" Name="Plain Table 2"/> <w:LsdException Locked="false" Priority="43" Name="Plain Table 3"/> <w:LsdException Locked="false" Priority="44" Name="Plain Table 4"/> <w:LsdException Locked="false" Priority="45" Name="Plain Table 5"/> <w:LsdException Locked="false" Priority="40" Name="Grid Table Light"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 1"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 1"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 1"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 1"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 1"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 2"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 2"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 2"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 2"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 2"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 3"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 3"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 3"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 3"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 3"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 4"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 4"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 4"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 4"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 4"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 5"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 5"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 5"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 5"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 5"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 6"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 6"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 6"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 6"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 6"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 6"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 6"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 1"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 1"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 1"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 1"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 1"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 2"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 2"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 2"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 2"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 2"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 3"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 3"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 3"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 3"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 3"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 4"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 4"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 4"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 4"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 4"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 5"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 5"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 5"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 5"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 5"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 6"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 6"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 6"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 6"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 6"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 6"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 6"/> </w:LatentStyles> </xml><![endif]--><!-- [if gte mso 10]> <style> /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Table Normal"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0mm 5.4pt 0mm 5.4pt; mso-para-margin:0mm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman",serif;} </style> <![endif]--><span style="font-family: verdana, geneva, sans-serif; font-size: 10pt;"><span dir="RTL" lang="AR-SA" style="font-family: 'B Nazanin';">روش‌های مختلفی جهت مدل‌سازی پنل‌های خورشیدی ارائه شده است؛ اما مدل‌سازی نیروگاه خورشیدی با استفاده از آنها با چالش‌هایی همراه می‌باشد. مدل‌سازی در روش‌های مبتنی بر مدار معادل، وابسته به داده‌های کارخانه سازنده است که با گذر زمان تغییر می‌کنند. مدل‌سازی مشخصه ولتاژ</span><span dir="RTL" lang="AR-SA" style="font-family: 'Arial', sans-serif;">–</span><span dir="RTL" lang="AR-SA" style="font-family: 'B Nazanin';"> جریان با استفاده از روش‌های هوشمند مانند شبکه عصبی به علت دقت پایین مدل‌سازی کمتر مورد توجه قرار گرفت. در این مقاله، روشی مستقل از داده‌های کارخانه سازنده جهت مدل‌سازی نیروگاه خورشیدی ارائه می‌شود؛ چنان که امکان مدل‌سازی دقیق نیروگاه‌های خورشیدی چند سال نصب‌شده نیز فراهم می‌باشد. روش پیشنهادی شامل دو مرحله است؛ در مرحله اول ولتاژ مدار باز، نقطه حداکثر توان و جریان اتصال کوتاه برحسب شرایط جوی با استفاده از شبکه عصبی مدل می‌شوند. در مرحله دوم پارامترهای مجهول مدار معادل توسط روابط تحلیل مداری و با استفاده از خروجی‌های شبکه عصبی تعیین می‌شوند. نهایتاً جهت ارزیابی روش پیشنهادی، مدل‌سازی یک نیروگاه خورشیدی 3 کیلووات انجام شد که نتایج، دقت مناسب روش پیشنهادی جهت مدل‌سازی نیروگاه خورشیدی را نشان می‌دهند.</span></span></p> تفاصيل المقالة -
حرية الوصول المقاله
74 - پیش بینی بار کاری ماشین های مجازی به منظور کاهش مصرف انرژی در مراکز داده ابری با استفاده از ترکیب مدل های یادگیری ژرف
زینب خداوردیان خداوردیان حسین صدر مژده نظری سلیماندارابی سید احمد عدالت پناهافزایش تقاضا براي کاربردهاي مبتني بر ابر و استفاده ناکارآمد از منابع، موجب مصرف بيرویه انرژي در مراکز داده ابري شده است. مدیریت پویاي منابع در مراکز داده با هدف کاهش مصرف انرژي، از طریق پیشبیني بار کاري ماشین مجازي امکانپذیر است. پیشبیني بار کاري ماشین مجازي این امکان أکثرافزایش تقاضا براي کاربردهاي مبتني بر ابر و استفاده ناکارآمد از منابع، موجب مصرف بيرویه انرژي در مراکز داده ابري شده است. مدیریت پویاي منابع در مراکز داده با هدف کاهش مصرف انرژي، از طریق پیشبیني بار کاري ماشین مجازي امکانپذیر است. پیشبیني بار کاري ماشین مجازي این امکان را ميدهد که ماشین مجازي متناسب با درخواست کاربران در زمان مناسب مهاجرت کند و در مصرف انرژي موثر باشد و منابع را به کارآمدترین روش تخصیص دهد. پیشبیني بار کاري ماشین مجازي ميتواند بر اساس الگوي درخواست کاربران باشد براي این منظور ميتوان ماشینهاي مجازي را بر اساس پیشبیني مصرف منابع )به عنوان مثال میانگین مصرف پردازنده( در کلاسهاي حساس یا غیر حساس به تأخیر دستهبندي کرد و سپس، ماشینهاي مجازي متناسب با در خواست کاربران را به آنها اختصاص داد. در واقع پیشبیني بار کاري و تحلیل پیشبیني به عنوان یک فرآیند اولیه براي مدیریت منابع )مانند کاهش تعداد مهاجرت در ادغام پویاي ماشین مجازي( باشد. از این رو در این مقاله از ترکیب شبکه عصبي پیچشي و واحد برگشتي دروازهدار بهمنظور پیشبیني بار کاري ماشینهاي مجازي مایکروسافت آزور استفادهشده است. مجموعه داده آزور یک مجموعه داده داراي برچسب است و بار کاري ماشینهاي مجازي در این مجموعه داده در دو برچسب حساس یا غیر حساس به تأخیر قرار دارند. در این مجموعه داده اکثر ماشینهاي مجازي داراي برچسب غیر حساس به تأخیر ميباشند؛ بنابراین بنابراین توزیع نمونهها در این مجموعه داده به صورت نامتوازن است از ین رو براي رفع این چالش از افزایش تصادفي نمونههاي کلاس اقلیت استفاده شده است. طبق نتایج حاصل از آزمایشها، روش پیشنهادي داراي دقت 42 / 94 است که نشاندهنده برتري مدل پیشنهادي نسبت به سایر مدلهاي پیشین است. تفاصيل المقالة -
حرية الوصول المقاله
75 - ارائه مدلی برای پیش بینی بقای بیماران مبتلا به ملانوم بر اساس الگوریتم های داده کاوی
فریناز صناعی سید عبدالله امین موسوی عباس طلوعی اشلقی علی رجب زاده قطریمقدمه: ملانوم جزء شایعترین سرطان تشخیصي و دومین علت مرگ ناشي از سرطان در میان افراد است. تعداد مبتلایان به آن در حال افزایش است. ملانوم، نادرترین و بدخیم ترین نوع سرطان پوست است.در شرایط پیشرفته توانایي انتشار به ارگانهاي داخلي را دارد و ميتواند منجر به مرگ شود. طبق ب أکثرمقدمه: ملانوم جزء شایعترین سرطان تشخیصي و دومین علت مرگ ناشي از سرطان در میان افراد است. تعداد مبتلایان به آن در حال افزایش است. ملانوم، نادرترین و بدخیم ترین نوع سرطان پوست است.در شرایط پیشرفته توانایي انتشار به ارگانهاي داخلي را دارد و ميتواند منجر به مرگ شود. طبق برآوردهاي انجمن سرطان آمریکا براي ملانوم در ایالاتمتحده براي سال 2022 عبارتاند از: حدود 99،780 ز افراد مبتلابه ملانوم تشخیص داده شدند و حدود 7،650 نفر در اثر ملانوم جان خود را از دست ميدهند. لذا هدف از این مطالعه، طراحي بهبود دقت الگوریتم براي پیش بیني بقاي این بیماران است. روش پژوهش: روش حاضر کاربردي، توصیفي- تحلیلي و گذشتهنگر است. جامعه پژوهش را بیماران مبتلابه سرطان ملانوم پایگاه داده مرکز تحقیقات کشوري سرطان دانشگاه شهید بهشتي ) 1۳87 تا 1۳91 ( که تا 5 سال مورد پیگیري قرارگرفته بودند، تشکیل داده است. مدل پیشبیني بقاي ملانوم بر اساس شاخص هاي ارزیابي الگوریتم هاي داده کاوي انتخاب شد. یافته ها: الگوریتم هاي شبکه عصبي، بیز ساده، شبکه بیزي، ترکیب درخت تصمیم گیري با بیز ساده، رگرسیون لجستیک، J48 ، ID3 بهعنوان مدل هاي استفاده شده ي پایگاه داده کشور انتخاب شدند . عملکرد شبکه عصبي در همه شاخصهاي ارزیابي ازلحاظ آماري نسبت به سایر الگوریتم هاي منتخب بالاتر بود. نتیجه گیري: نتایج مطالعه حاضر نشان داد که شبکه عصبي با مقدار 97 / 0 ازلحاظ دقت پیش بیني عملکرد بهینه دارد. بنابراین مدل پیش بیني کننده بقاي ملانوم، هم ازلحاظ قدرت تمایز و هم ازلحاظ پایایي، عملکرد بهتري از خود نشان داد؛ بنابراین، این الگوریتم به عنوان مدل پیش بیني بقاي ملانوم پیشنهاد شد تفاصيل المقالة -
حرية الوصول المقاله
76 - یک سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق برای گذرگاه CAN
فاطمه اصغریان محسن راجیدر سالهای اخیر، با پیشرفت الکترونیک خودرو و توسعه وسایل نقلیه مدرن با کمک سیستم های نهفته و تجهیزات قابل حمل، شبکه های درون-خودرویی مانند شبکه ناحیه کنترل کننده (CAN) با مخاطرات امنیتی جدیدی مواجه شدهاند. از آنجا که گذرگاه CAN فاقد سیستم های امنیتی مانند تایید اعتبا أکثردر سالهای اخیر، با پیشرفت الکترونیک خودرو و توسعه وسایل نقلیه مدرن با کمک سیستم های نهفته و تجهیزات قابل حمل، شبکه های درون-خودرویی مانند شبکه ناحیه کنترل کننده (CAN) با مخاطرات امنیتی جدیدی مواجه شدهاند. از آنجا که گذرگاه CAN فاقد سیستم های امنیتی مانند تایید اعتبار و رمزگذاری برای مقابله با حملات سایبری میباشد، نیاز به یک سیستم تشخیص نفوذ برای شناسایی حملات به گذرگاه CAN بسیار ضرروی به نظر میرسد. در این مقاله، یک شبکه عصبی پیچیده متخاصم عمیق (DACNN) برای تشخیص انواع نفوذهای امنیتی در گذرگاههای CAN پیشنهاد شده است. به این منظور، روش DACNN که گسترش یافته روش CNN با استفاده از یادگیری خصمانه است، در سه مرحله به تشخیص نفوذ می پردازد؛ در مرحله نخست، CNN به عنوان توصیفگر ویژگی ها عمل نموده و ویژگیهای اصلی استخراج میشود و سپس، طبقه بندی کننده متمایزگر این ویژگیها را طبقهبندی می کند و در نهایت، به کمک یادگیری خصمانه نفوذ تشخیص داده میشود. جهت بررسی کارآمدی روش پیشنهادی، یک مجموعه داده منبع باز واقعی مورد استفاده قرار گرفت که ترافیک شبکه CAN را بر روی یک وسیله نقلیه واقعی در حین انجام حملات تزریق پیام ضبط نموده است. نتایج به دست آمده نشان میدهد که روش پیشنهادی نسبت به سایر روشهای یادگیری ماشین در نرخ منفی کاذب و میزان خطا عملکرد بهتری دارد که این میزان برای DoS و حمله جعل دنده محرک و حمله جعل RPM کمتر از 0.1 % می باشد و این میزان برای حمله فازی کمتر از 0.5% می باشد. تفاصيل المقالة -
حرية الوصول المقاله
77 - بهبود سیستم تشخیص نفوذ در اینترنت اشیاء صنعتیِ مبتنی بر یادگیری عمیق با استفاده الگوریتمهای فراابتکاری
محمدرضا زراعتکار مقدم مجید غیوری ثالثبا توجه به گسترش روز افزون استفاده از سامانههای اینترنتاشیاء صنعتی یکی از پرکابردترین مکانیزمهای امنیتی، سیستمهای تشخیص نفوذ در اینترنتاشیاء صنعتی میباشد. در این سیستمها از تکنیکهای یادگیری عمیق بهطور فزآیندهای برای شناسایی حملات، ناهنجاریها یا نفوذ استفاده م أکثربا توجه به گسترش روز افزون استفاده از سامانههای اینترنتاشیاء صنعتی یکی از پرکابردترین مکانیزمهای امنیتی، سیستمهای تشخیص نفوذ در اینترنتاشیاء صنعتی میباشد. در این سیستمها از تکنیکهای یادگیری عمیق بهطور فزآیندهای برای شناسایی حملات، ناهنجاریها یا نفوذ استفاده میشود. در یادگیری عمیق مهمترین چالش برای آموزش شبکههای عصبی، تعیین فراپارامترهای اولیه در این شبکهها است. ما برای غلبه بر این چالش، به ارائهی رویکردی ترکیبی برای خودکارسازی تنظیم فراپارامتر در معماری یادگیری عمیق با حذف عامل انسانی پرداختهایم. در این مقاله یک سیستم تشخیص نفوذ در اینترنتاشیاء صنعتی مبتنی بر شبکههای عصبی کانولوشن (CNN) و شبکه عصبی بازگشتی مبتنی بر حافظه کوتاه مدت (LSTM) با استفاده از الگوریتمهای فراابتکاری بهینهسازی ازدحام ذرات (PSO) و وال (WOA) ارائه شده است. این سیستم یک روش ترکیبی براساس شبکههای عصبی و الگوریتمهای فراابتکاری برای بهبود عملکرد شبکه عصبی در راستای افزایش نرخ تشخیص و کاهش زمان آموزش شبکههای عصبی میباشد. در روش ما با درنظر گرفتن الگوریتم PSO-WOA، فراپارامترهای شبکه عصبی بدون دخالت عامل انسانی و بهصورت خودکار تعیین شده است. در این مقاله از مجموعهدادهی UNSW-NB15 برای آموزش و آزمایش استفاده شده است. در این پژوهش، الگوریتم PSO-WOA با محدود کردن فضای جستجو، فراپارامترهای شبکه عصبی را بهینه کرده و شبکه عصبی CNN-LSTM با فراپارامترهای تعیین شده آموزش دیده است. نتایج پیادهسازی حکایت از آن دارد که علاوه بر خودکارسازیِ تعیین فراپارامترهای شبکهی عصبی، نرخ تشخیص روش ما 98.5 درصد بوده که در مقایسه با روشهای دیگر بهبود مناسبی داشته است. تفاصيل المقالة -
حرية الوصول المقاله
78 - کنترل هوشمند غیرخطی مرتبه کسری برای اینورترهای فتوولتائیک
هادی دلاوری سارا ارجمندپور<p><!-- [if gte mso 9]><xml> <w:WordDocument> <w:View>Normal</w:View> <w:Zoom>0</w:Zoom> <w:TrackMoves/> <w:TrackFormatting/> <w:PunctuationKerning/> <w:ValidateAgainstSchemas/> <w:SaveIfXMLInvalid>false</w:SaveIfXMLInvalid> <w:IgnoreMixedConte أکثر<p><!-- [if gte mso 9]><xml> <w:WordDocument> <w:View>Normal</w:View> <w:Zoom>0</w:Zoom> <w:TrackMoves/> <w:TrackFormatting/> <w:PunctuationKerning/> <w:ValidateAgainstSchemas/> <w:SaveIfXMLInvalid>false</w:SaveIfXMLInvalid> <w:IgnoreMixedContent>false</w:IgnoreMixedContent> <w:AlwaysShowPlaceholderText>false</w:AlwaysShowPlaceholderText> <w:DoNotPromoteQF/> <w:LidThemeOther>EN-US</w:LidThemeOther> <w:LidThemeAsian>X-NONE</w:LidThemeAsian> <w:LidThemeComplexScript>FA</w:LidThemeComplexScript> <w:Compatibility> <w:BreakWrappedTables/> <w:SnapToGridInCell/> <w:WrapTextWithPunct/> <w:UseAsianBreakRules/> <w:DontGrowAutofit/> <w:SplitPgBreakAndParaMark/> <w:EnableOpenTypeKerning/> <w:DontFlipMirrorIndents/> <w:OverrideTableStyleHps/> </w:Compatibility> <m:mathPr> <m:mathFont m:val="Cambria Math"/> <m:brkBin m:val="before"/> <m:brkBinSub m:val="--"/> <m:smallFrac m:val="off"/> <m:dispDef/> <m:lMargin m:val="0"/> <m:rMargin m:val="0"/> <m:defJc m:val="centerGroup"/> <m:wrapIndent m:val="1440"/> <m:intLim m:val="subSup"/> <m:naryLim m:val="undOvr"/> </m:mathPr></w:WordDocument> </xml><![endif]--><!-- [if gte mso 9]><xml> <w:LatentStyles DefLockedState="false" DefUnhideWhenUsed="false" DefSemiHidden="false" DefQFormat="false" DefPriority="99" LatentStyleCount="371"> <w:LsdException Locked="false" Priority="0" QFormat="true" Name="Normal"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 1"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 2"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 3"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 4"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 5"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 6"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 7"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 8"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 9"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 6"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 7"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 8"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 9"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 1"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 2"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 3"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 4"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 5"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 6"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 7"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 8"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 9"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Normal Indent"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="footnote text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="annotation text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="header"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="footer"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index heading"/> <w:LsdException Locked="false" Priority="35" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="caption"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="table of figures"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="envelope address"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="envelope return"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="footnote reference"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="annotation reference"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="line number"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="page number"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="endnote reference"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="endnote text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="table of authorities"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="macro"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="toa heading"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 5"/> <w:LsdException Locked="false" Priority="10" QFormat="true" Name="Title"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Closing"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Signature"/> <w:LsdException Locked="false" Priority="1" SemiHidden="true" UnhideWhenUsed="true" Name="Default Paragraph Font"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text Indent"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Message Header"/> <w:LsdException Locked="false" Priority="11" QFormat="true" Name="Subtitle"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Salutation"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Date"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text First Indent"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text First Indent 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Note Heading"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text Indent 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text Indent 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Block Text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Hyperlink"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="FollowedHyperlink"/> <w:LsdException Locked="false" Priority="22" QFormat="true" Name="Strong"/> <w:LsdException Locked="false" Priority="20" QFormat="true" Name="Emphasis"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Document Map"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Plain Text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="E-mail Signature"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Top of Form"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Bottom of Form"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Normal (Web)"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Acronym"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Address"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Cite"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Code"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Definition"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Keyboard"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Preformatted"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Sample"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Typewriter"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Variable"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Normal Table"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="annotation subject"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="No List"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Outline List 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Outline List 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Outline List 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Simple 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Simple 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Simple 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Colorful 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Colorful 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Colorful 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 6"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 7"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 8"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 6"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 7"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 8"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table 3D effects 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table 3D effects 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table 3D effects 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Contemporary"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Elegant"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Professional"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Subtle 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Subtle 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Web 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Web 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Web 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Balloon Text"/> <w:LsdException Locked="false" Priority="39" Name="Table Grid"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Theme"/> <w:LsdException Locked="false" SemiHidden="true" Name="Placeholder Text"/> <w:LsdException Locked="false" Priority="1" QFormat="true" Name="No Spacing"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading"/> <w:LsdException Locked="false" Priority="61" Name="Light List"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3"/> <w:LsdException Locked="false" Priority="70" Name="Dark List"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 1"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 1"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 1"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 1"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 1"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 1"/> <w:LsdException Locked="false" SemiHidden="true" Name="Revision"/> <w:LsdException Locked="false" Priority="34" QFormat="true" Name="List Paragraph"/> <w:LsdException Locked="false" Priority="29" QFormat="true" Name="Quote"/> <w:LsdException Locked="false" Priority="30" QFormat="true" Name="Intense Quote"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 1"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 1"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 1"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 1"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 1"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 1"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 1"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 1"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 2"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 2"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 2"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 2"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 2"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 2"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 2"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 2"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 2"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 2"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 2"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 2"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 2"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 2"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 3"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 3"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 3"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 3"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 3"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 3"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 3"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 3"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 3"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 3"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 3"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 3"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 3"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 3"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 4"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 4"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 4"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 4"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 4"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 4"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 4"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 4"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 4"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 4"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 4"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 4"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 4"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 4"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 5"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 5"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 5"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 5"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 5"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 5"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 5"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 5"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 5"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 5"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 5"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 5"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 5"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 5"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 6"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 6"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 6"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 6"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 6"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 6"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 6"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 6"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 6"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 6"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 6"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 6"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 6"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 6"/> <w:LsdException Locked="false" Priority="19" QFormat="true" Name="Subtle Emphasis"/> <w:LsdException Locked="false" Priority="21" QFormat="true" Name="Intense Emphasis"/> <w:LsdException Locked="false" Priority="31" QFormat="true" Name="Subtle Reference"/> <w:LsdException Locked="false" Priority="32" QFormat="true" Name="Intense Reference"/> <w:LsdException Locked="false" Priority="33" QFormat="true" Name="Book Title"/> <w:LsdException Locked="false" Priority="37" SemiHidden="true" UnhideWhenUsed="true" Name="Bibliography"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="TOC Heading"/> <w:LsdException Locked="false" Priority="41" Name="Plain Table 1"/> <w:LsdException Locked="false" Priority="42" Name="Plain Table 2"/> <w:LsdException Locked="false" Priority="43" Name="Plain Table 3"/> <w:LsdException Locked="false" Priority="44" Name="Plain Table 4"/> <w:LsdException Locked="false" Priority="45" Name="Plain Table 5"/> <w:LsdException Locked="false" Priority="40" Name="Grid Table Light"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 1"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 1"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 1"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 1"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 1"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 2"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 2"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 2"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 2"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 2"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 3"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 3"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 3"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 3"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 3"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 4"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 4"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 4"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 4"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 4"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 5"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 5"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 5"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 5"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 5"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 6"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 6"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 6"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 6"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 6"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 6"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 6"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 1"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 1"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 1"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 1"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 1"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 2"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 2"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 2"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 2"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 2"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 3"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 3"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 3"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 3"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 3"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 4"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 4"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 4"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 4"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 4"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 5"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 5"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 5"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 5"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 5"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 6"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 6"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 6"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 6"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 6"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 6"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 6"/> </w:LatentStyles> </xml><![endif]--><!-- [if gte mso 10]> <style> /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Table Normal"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0mm 5.4pt 0mm 5.4pt; mso-para-margin:0mm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman",serif;} </style> <![endif]--></p> <!-- [if gte mso 9]><xml> <w:WordDocument> <w:View>Normal</w:View> <w:Zoom>0</w:Zoom> <w:TrackMoves/> <w:TrackFormatting/> <w:PunctuationKerning/> <w:ValidateAgainstSchemas/> <w:SaveIfXMLInvalid>false</w:SaveIfXMLInvalid> <w:IgnoreMixedContent>false</w:IgnoreMixedContent> <w:AlwaysShowPlaceholderText>false</w:AlwaysShowPlaceholderText> <w:DoNotPromoteQF/> <w:LidThemeOther>EN-US</w:LidThemeOther> <w:LidThemeAsian>X-NONE</w:LidThemeAsian> <w:LidThemeComplexScript>FA</w:LidThemeComplexScript> <w:Compatibility> <w:BreakWrappedTables/> <w:SnapToGridInCell/> <w:WrapTextWithPunct/> <w:UseAsianBreakRules/> <w:DontGrowAutofit/> <w:SplitPgBreakAndParaMark/> <w:EnableOpenTypeKerning/> <w:DontFlipMirrorIndents/> <w:OverrideTableStyleHps/> </w:Compatibility> <m:mathPr> <m:mathFont m:val="Cambria Math"/> <m:brkBin m:val="before"/> <m:brkBinSub m:val="--"/> <m:smallFrac m:val="off"/> <m:dispDef/> <m:lMargin m:val="0"/> <m:rMargin m:val="0"/> <m:defJc m:val="centerGroup"/> <m:wrapIndent m:val="1440"/> <m:intLim m:val="subSup"/> <m:naryLim m:val="undOvr"/> </m:mathPr></w:WordDocument> </xml><![endif]--><!-- [if gte mso 9]><xml> <w:LatentStyles DefLockedState="false" DefUnhideWhenUsed="false" DefSemiHidden="false" DefQFormat="false" DefPriority="99" LatentStyleCount="371"> <w:LsdException Locked="false" Priority="0" QFormat="true" Name="Normal"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 1"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 2"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 3"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 4"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 5"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 6"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 7"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 8"/> <w:LsdException Locked="false" Priority="9" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="heading 9"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 6"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 7"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 8"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index 9"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 1"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 2"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 3"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 4"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 5"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 6"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 7"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 8"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" Name="toc 9"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Normal Indent"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="footnote text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="annotation text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="header"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="footer"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="index heading"/> <w:LsdException Locked="false" Priority="35" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="caption"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="table of figures"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="envelope address"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="envelope return"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="footnote reference"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="annotation reference"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="line number"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="page number"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="endnote reference"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="endnote text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="table of authorities"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="macro"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="toa heading"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Bullet 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Number 5"/> <w:LsdException Locked="false" Priority="10" QFormat="true" Name="Title"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Closing"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Signature"/> <w:LsdException Locked="false" Priority="1" SemiHidden="true" UnhideWhenUsed="true" Name="Default Paragraph Font"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text Indent"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="List Continue 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Message Header"/> <w:LsdException Locked="false" Priority="11" QFormat="true" Name="Subtitle"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Salutation"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Date"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text First Indent"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text First Indent 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Note Heading"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text Indent 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Body Text Indent 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Block Text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Hyperlink"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="FollowedHyperlink"/> <w:LsdException Locked="false" Priority="22" QFormat="true" Name="Strong"/> <w:LsdException Locked="false" Priority="20" QFormat="true" Name="Emphasis"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Document Map"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Plain Text"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="E-mail Signature"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Top of Form"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Bottom of Form"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Normal (Web)"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Acronym"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Address"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Cite"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Code"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Definition"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Keyboard"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Preformatted"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Sample"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Typewriter"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="HTML Variable"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Normal Table"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="annotation subject"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="No List"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Outline List 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Outline List 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Outline List 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Simple 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Simple 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Simple 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Classic 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Colorful 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Colorful 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Colorful 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Columns 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 6"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 7"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Grid 8"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 4"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 5"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 6"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 7"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table List 8"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table 3D effects 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table 3D effects 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table 3D effects 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Contemporary"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Elegant"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Professional"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Subtle 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Subtle 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Web 1"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Web 2"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Web 3"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Balloon Text"/> <w:LsdException Locked="false" Priority="39" Name="Table Grid"/> <w:LsdException Locked="false" SemiHidden="true" UnhideWhenUsed="true" Name="Table Theme"/> <w:LsdException Locked="false" SemiHidden="true" Name="Placeholder Text"/> <w:LsdException Locked="false" Priority="1" QFormat="true" Name="No Spacing"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading"/> <w:LsdException Locked="false" Priority="61" Name="Light List"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3"/> <w:LsdException Locked="false" Priority="70" Name="Dark List"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 1"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 1"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 1"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 1"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 1"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 1"/> <w:LsdException Locked="false" SemiHidden="true" Name="Revision"/> <w:LsdException Locked="false" Priority="34" QFormat="true" Name="List Paragraph"/> <w:LsdException Locked="false" Priority="29" QFormat="true" Name="Quote"/> <w:LsdException Locked="false" Priority="30" QFormat="true" Name="Intense Quote"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 1"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 1"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 1"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 1"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 1"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 1"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 1"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 1"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 2"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 2"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 2"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 2"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 2"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 2"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 2"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 2"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 2"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 2"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 2"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 2"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 2"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 2"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 3"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 3"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 3"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 3"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 3"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 3"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 3"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 3"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 3"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 3"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 3"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 3"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 3"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 3"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 4"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 4"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 4"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 4"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 4"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 4"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 4"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 4"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 4"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 4"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 4"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 4"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 4"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 4"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 5"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 5"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 5"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 5"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 5"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 5"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 5"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 5"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 5"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 5"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 5"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 5"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 5"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 5"/> <w:LsdException Locked="false" Priority="60" Name="Light Shading Accent 6"/> <w:LsdException Locked="false" Priority="61" Name="Light List Accent 6"/> <w:LsdException Locked="false" Priority="62" Name="Light Grid Accent 6"/> <w:LsdException Locked="false" Priority="63" Name="Medium Shading 1 Accent 6"/> <w:LsdException Locked="false" Priority="64" Name="Medium Shading 2 Accent 6"/> <w:LsdException Locked="false" Priority="65" Name="Medium List 1 Accent 6"/> <w:LsdException Locked="false" Priority="66" Name="Medium List 2 Accent 6"/> <w:LsdException Locked="false" Priority="67" Name="Medium Grid 1 Accent 6"/> <w:LsdException Locked="false" Priority="68" Name="Medium Grid 2 Accent 6"/> <w:LsdException Locked="false" Priority="69" Name="Medium Grid 3 Accent 6"/> <w:LsdException Locked="false" Priority="70" Name="Dark List Accent 6"/> <w:LsdException Locked="false" Priority="71" Name="Colorful Shading Accent 6"/> <w:LsdException Locked="false" Priority="72" Name="Colorful List Accent 6"/> <w:LsdException Locked="false" Priority="73" Name="Colorful Grid Accent 6"/> <w:LsdException Locked="false" Priority="19" QFormat="true" Name="Subtle Emphasis"/> <w:LsdException Locked="false" Priority="21" QFormat="true" Name="Intense Emphasis"/> <w:LsdException Locked="false" Priority="31" QFormat="true" Name="Subtle Reference"/> <w:LsdException Locked="false" Priority="32" QFormat="true" Name="Intense Reference"/> <w:LsdException Locked="false" Priority="33" QFormat="true" Name="Book Title"/> <w:LsdException Locked="false" Priority="37" SemiHidden="true" UnhideWhenUsed="true" Name="Bibliography"/> <w:LsdException Locked="false" Priority="39" SemiHidden="true" UnhideWhenUsed="true" QFormat="true" Name="TOC Heading"/> <w:LsdException Locked="false" Priority="41" Name="Plain Table 1"/> <w:LsdException Locked="false" Priority="42" Name="Plain Table 2"/> <w:LsdException Locked="false" Priority="43" Name="Plain Table 3"/> <w:LsdException Locked="false" Priority="44" Name="Plain Table 4"/> <w:LsdException Locked="false" Priority="45" Name="Plain Table 5"/> <w:LsdException Locked="false" Priority="40" Name="Grid Table Light"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 1"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 1"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 1"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 1"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 1"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 2"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 2"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 2"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 2"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 2"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 3"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 3"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 3"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 3"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 3"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 4"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 4"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 4"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 4"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 4"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 5"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 5"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 5"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 5"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 5"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="46" Name="Grid Table 1 Light Accent 6"/> <w:LsdException Locked="false" Priority="47" Name="Grid Table 2 Accent 6"/> <w:LsdException Locked="false" Priority="48" Name="Grid Table 3 Accent 6"/> <w:LsdException Locked="false" Priority="49" Name="Grid Table 4 Accent 6"/> <w:LsdException Locked="false" Priority="50" Name="Grid Table 5 Dark Accent 6"/> <w:LsdException Locked="false" Priority="51" Name="Grid Table 6 Colorful Accent 6"/> <w:LsdException Locked="false" Priority="52" Name="Grid Table 7 Colorful Accent 6"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 1"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 1"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 1"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 1"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 1"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 1"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 2"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 2"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 2"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 2"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 2"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 2"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 3"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 3"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 3"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 3"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 3"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 3"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 4"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 4"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 4"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 4"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 4"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 4"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 5"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 5"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 5"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 5"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 5"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 5"/> <w:LsdException Locked="false" Priority="46" Name="List Table 1 Light Accent 6"/> <w:LsdException Locked="false" Priority="47" Name="List Table 2 Accent 6"/> <w:LsdException Locked="false" Priority="48" Name="List Table 3 Accent 6"/> <w:LsdException Locked="false" Priority="49" Name="List Table 4 Accent 6"/> <w:LsdException Locked="false" Priority="50" Name="List Table 5 Dark Accent 6"/> <w:LsdException Locked="false" Priority="51" Name="List Table 6 Colorful Accent 6"/> <w:LsdException Locked="false" Priority="52" Name="List Table 7 Colorful Accent 6"/> </w:LatentStyles> </xml><![endif]--><!-- [if gte mso 10]> <style> /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Table Normal"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0mm 5.4pt 0mm 5.4pt; mso-para-margin:0mm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman",serif;} </style> <![endif]--> <p style="text-align: justify;"><span dir="RTL" lang="AR-SA" style="font-size: 14.0pt; font-family: 'B Nazanin'; mso-ascii-font-family: 'Times New Roman'; mso-fareast-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA;">در زمان حاضر با رشد چشم‌گیر مصرف انرژی، افزایش گازهای گلخانه‌ای و آلاینده‌های محیطی، انرژی‌های تجدیدپذیر بیشتر مورد توجه و اقبال عمومی قرار گرفته‌اند. این انرژی‌ها شامل انرژی بادی، انرژی فتوولتائیک و ... می‌شوند. از برتری‌های انرژی فتوولتائیک می‌توان به گستردگی و دسترسی ساده، کمک به حفظ محیط زیست، تطبیق‌پذیری با شبکه‌های قدرت توزیع‌شده، کم‌صدابودن، راه‌اندازی سریع و ... اشاره کرد. یکی از مهم‌ترین چالش‌ها در مواجهه با سیستم‌های فتوولتائیک، تغییر شرایط اقلیمی (تغییرات دما، تابش و ...) و تغییر پارامترهای سیستم است که بر عملکرد سیستم تأثیر می‌گذارند. در این مقاله برای رفع این مشکلات و همچنین به‌منظور ردیابی نقطه حداکثر توان در یک سیستم خورشیدی، یک کنترل‌کننده مد لغزشی مرتبه کسری فازی مبتنی بر رؤیتگر اغتشاش و تخمینگر نامعینی با استفاده از شبکه عصبی طراحی شده است. شبکه عصبی برای تخمین نامعینی‌های سیستم، بلوک فازی برای تخمین ضریب تابع علامت در قانون کنترل، حسابان کسری برای کاهش چترینگ و رؤیتگر اغتشاش برای تقریب اغتشاشات سیستم استفاده شده‌اند. همچنین پایداری روش کنترلی پیشنهادی با استفاده از روش لیاپانوف به اثبات رسیده است. نتایج شبیه‌سازی نیز کارایی روش پیشنهادی را تأیید می‌کنند و عملکرد رضایت‌بخشی را نشان می‌دهند.</span></p> تفاصيل المقالة -
حرية الوصول المقاله
79 - چندیسازی غیریکنواخت سه حالتی جهت بهبود تنکی و محاسبات شبکههای عصبی عمیق در کاربردهای نهفته
حسنا معنوی مفرد سید علی انصارمحمدی مصطفی ارسالی صالحی نسبشبکههای عصبی عمیق به دلیل موفقیت در کاربردهای مختلف، به جذابیت فوقالعادهای دست یافتهاند. اما پیچیدگی محاسبات و حجم حافظه از موانع اصلی برای پیادهسازی آنها در بسیاری از دستگاههای نهفته تلقی میشود. از مهمترین روشهای بهینهسازی که در سالهای اخیر برای برطرف نمودن أکثرشبکههای عصبی عمیق به دلیل موفقیت در کاربردهای مختلف، به جذابیت فوقالعادهای دست یافتهاند. اما پیچیدگی محاسبات و حجم حافظه از موانع اصلی برای پیادهسازی آنها در بسیاری از دستگاههای نهفته تلقی میشود. از مهمترین روشهای بهینهسازی که در سالهای اخیر برای برطرف نمودن این موانع ارائه شده، میتوان به چندیسازی و هرس کردن اشاره کرد. یکی از روشهای معروف چندیسازی، استفاده از نمایش اعداد غیریکنواخت دو حالتی است که علاوه بر بهرهبردن از محاسبات بیتی، افت صحت شبکههای دو حالتی را در مقایسه با شبکههای دقت کامل کاهش میدهد. اما به دلیل نداشتن قابلیت نمایش عدد صفر در آنها، مزایای تنکی دادهها را از دست میدهند. از طرفی، شبکههای عصبی عمیق به صورت ذاتی تنک هستند و با تنک کردن پارامترهای شبکه عصبی عمیق، حجم دادهها در حافظه کاهش مییابد و همچنین به کمک روشهایی میتوان انجام محاسبات را تسریع کرد. در این مقاله میخواهیم هم از مزایای چندیسازی غیریکنواخت و هم از تنکی دادهها بهره ببریم. برای این منظور چندیسازی غیریکنواخت سه حالتی برای نمایش اعداد ارائه میدهیم که علاوه بر افزایش صحت شبکه نسبت به شبکه غیریکنواخت دو حالتی، قابلیت هرس کردن را به شبکه میدهد. سپس میزان تنکی در شبکه چندی شده را با استفاده از هرس کردن افزایش میدهیم. نتایج نشان میدهد که تسریع بالقوه شبکه ما در سطح بیت و کلمه میتواند به ترتیب 15 و 45 برابر نسبت به شبکه غیریکنواخت دو حالتی پایه افزایش یابد. تفاصيل المقالة -
حرية الوصول المقاله
80 - ارائه مدل اجرای سیاستهای برنامه ششم توسعه در حوزه ارتباطات و فناوری اطلاعات به روش شبکه عصبی
نازیلا محمدی غلامرضا معمارزاده طهران صدیقه طوطیانمدیریت صحیح اجرای سیاستهای حوزه فناوری اطلاعات و ارتباطات در مسیری برنامهریزیشده بهمنظور رسیدن به ارتقای جایگاه کشور در زمینههای علمی و فناوری، اجتنابناپذیر است. هدف این پژوهش، ارائه مدل عوامل مؤثر بر اجرای سیاستهای حوزه فناوری اطلاعات و ارتباطات ایران به کمک تکن أکثرمدیریت صحیح اجرای سیاستهای حوزه فناوری اطلاعات و ارتباطات در مسیری برنامهریزیشده بهمنظور رسیدن به ارتقای جایگاه کشور در زمینههای علمی و فناوری، اجتنابناپذیر است. هدف این پژوهش، ارائه مدل عوامل مؤثر بر اجرای سیاستهای حوزه فناوری اطلاعات و ارتباطات ایران به کمک تکنیک شبکه عصبی و بر اساس تئوری ساخت یابی گیدنز میباشد. این تحقیق از منظر انجام آن از نوع پیمایشی و بر مبنای هدف، از نوع کاربردی است زیرا سعی بر آن است که از نتایج پژوهش در مجموعه وزارت ارتباطات و فناوری اطلاعات و شرکت مخابرات ایران بهرهبرداری گردد. گردآوری دادهها، بر اساس روش کتابخانهای و میدانی صورت گرفته است. گردآوری اطلاعات، طبق ادبیات پژوهش و با ابزار پرسشنامه محقق ساخته انجامشده است. جامعه آماری تحقیق کارشناسان فناوری اطلاعات و ارتباطات ستاد شرکت مخابرات ایران (810 نفر) میباشند که 260 نفر بر اساس فرمول کوکران بهصورت تصادفی بهعنوان نمونه انتخاب شدند. برای تحلیل دادهها از نرمافزار متلب استفاده شد. طبق یافتهها بهترین ترکیب برای توسعه زمانی است که تمام متغیرهای ورودی همزمان در نظر گرفته شوند و بدترین حالت زمانی است که متغیر توسعه زیرساخت نادیده گرفته شود و همچنین بیشترین اهمیت بر اساس تحلیل حساسیت شبکه، مربوط به توسعه زیرساخت و کمترین مربوط به تأمین محتوا میباشد. تفاصيل المقالة