Most popular fusion methods have their own limitations; e.g. OWA (order weighted averaging) has “linear model” and “summation of inputs proportions in fusion equal to 1” limitations. Considering all possible models for fusion, proposed fusion method involve input data confusion in fusion process to segmentation. Indeed, limitations in proposed method are determined adaptively for each input data, separately. On the other hand, land-cover segmentation using remotely sensed (RS) images is a challenging research subject; due to the fact that objects in unique land-cover often appear dissimilar in different RS images. In this paper multiple co-registered RS images are utilized to segment land-cover using FCM (fuzzy c-means). As an appropriate tool to model changes, fuzzy concept is utilized to fuse and integrate information of input images. By categorizing the ground points, it is shown in this paper for the first time, fuzzy numbers are need and more suitable than crisp ones to merge multi-images information and segmentation. Finally, FCM is applied on the fused image pixels (with fuzzy values) to obtain a single segmented image. Furthermore mathematical analysis and used proposed cost function, simulation results also show significant performance of the proposed method in terms of noise-free and fast segmentation. Manuscript profile

آشكارسازي گوشه در بسياري از زمينه‌هاي پردازش تصوير و بينايي ماشين بكار مي‌رود. پيدا كردن همة گوشه‌ها، محاسبة موقعيت دقيق گوشه و مقاوم بودن الگوريتم در برابر نويز، معيارهاي مهم در آشكارسازي گوشه هستند. در اين مقاله با استفاده از مقادير تكين‌ِ ماتريس تعريف شده روي گراديان ناحية كوچكي از تصوير، گوشة مناسب استخراج ‌مي‌شود. روش ارائه شده در مقايسه با روش محاسباتي مبتني بر مقادير ويژه ماتريس همبستگيِ متقابلِ گراديان تصوير، كارايي بهتري نشان مي‌دهد. همچنين نتايج خوبي در برابر نويز بدست مي‌دهد. اين دو روش روي تصاوير ساختگي و تصاوير واقعي از صحنة ترافيك مقايسه شدند. از روش پيشنهادي نتايج بهتري حاصل شد. Manuscript profile

در این مقاله یک طبقه‌بند تک‌کلاسه مبتنی بر مرز با الهام از طبقه‌بند توصیف‌گر داده مبتنی بر بردار پشتیبان (SVDD) ارائه شده است. در طبقه‌بند SVDD حتی زمانی که نمونه‌های پرت به بیرون از مرز رانده می‌شوند، باز هم این نمونه‌ها بر مرز طبقه‌بند اثر می‌گذارند و این مسئله باعث افزایش خطای طبقه‌بند می‌شود. در طبقه‌بند پیشنهادی به گرانش نمونه‌های آموزش اهمیت داده می‌شود و همچنین همه نمونه‌ها در تعیین مرز طبقه‌بند دخالت دارند. بر این مبنا دو طبقه‌بند که در یکی دانش در مورد نمونه‌های پرت نیز در نظر گرفته می‌شود، پیشنهاد شده است. مسئله بهینه‌سازی مطرح در طبقه‌بند پیشنهادی علاوه بر این که تحدب را حفظ می کند، در حوزه کرنل نیز به سهولت قابل استفاده است. پس از معرفی طبقه‌بند پیشنهادی و حل مسئله بهینه‌سازی آن، چگونگی تغییرات مرز طبقه‌بند پیشنهادی در مقابل تغییرات پارامترهای مدل بررسی می‌شود. نتایج آزمایش‌ها در مقایسه با دو طبقه‌بند SVDD و Density Induced SVDD نشان می‌دهد که روش پیشنهادی در کاهش اثر نمونه‌های پرت موفق بوده است. Manuscript profile

اکثر الگوريتم‌هایي که تا اين زمان در زمينه نهان‌کاوي کور ويدئو ارائه شده‌اند منطبق بر يادگيري باناظر بوده و هزینه تولید داده‌های برچسب‌دار در آنها بالا می‌باشد. تحت این شرایط در فرایند نهان‌کاوی کور ویدئو تنها می‌توان از تعداد محدودی از الگوریتم‌های نهان‌نگاری که کد آنها در دسترس است برای آموزش طبقه‌بند استفاده کرد. بنابراین نمی‌توان درباره کارایی نهان‌کاو برای شناسایی آن دسته از الگوریتم‌های نهان‌نگاری ویدئویی که کد آنها در دسترس نیست، مطمئن بود. همچنین الگوریتم‌های رایج عموماً برون‌خط می‌باشند و بنابراین آموزش مجدد سیستم زمان‌بر بوده و نمی‌توان سیستم را به صورت برخط بروز کرد. برای حل این مشکلات یک روش جدید نهان‌کاوی کور ویدئو با رویکرد یادگیری شبه‌ناظر در این مقاله ارائه شده است. در روش پیشنهادی با توجه به رفع محدودیت برچسب‌دار بودن داده‌های آموزشی، کارایی طبقه‌بند برای آن دسته از الگوریتم‌های نهان‌نگاری که کد آنها در دسترس نیست بهبود می‌یابد. همچنین ثابت می‌شود که روش پیشنهادی نسبت به روش‌های متداول در فرایند نهان‌کاوی کور ویدئو پیچیدگی زمانی کمتری داشته و یک روش برخط بهینه است. نتایج شبیه‌سازی بر روی پایگاه‌ داده استاندارد نشان می‌دهد که روش پیشنهادی علاوه بر مزایای فوق، دارای دقت آشکارسازی قابل مقایسه با روش‌های متداول روز است. Manuscript profile

اکثر الگوريتم‌هایي که تا اين زمان در زمينه نهان‌کاوي کور ويدئو ارائه شده‌اند منطبق بر يادگيري باناظر بوده و هزینه تولید داده‌های برچسب‌دار در آنها بالا می‌باشد. تحت این شرایط در فرایند نهان‌کاوی کور ویدئو تنها می‌توان از تعداد محدودی از الگوریتم‌های نهان‌نگاری که کد آنها در دسترس است برای آموزش طبقه‌بند استفاده کرد. بنابراین نمی‌توان درباره کارایی نهان‌کاو برای شناسایی آن دسته از الگوریتم‌های نهان‌نگاری ویدئویی که کد آنها در دسترس نیست، مطمئن بود. همچنین الگوریتم‌های رایج عموماً برون‌خط می‌باشند و بنابراین آموزش مجدد سیستم زمان‌بر بوده و نمی‌توان سیستم را به صورت برخط بروز کرد. برای حل این مشکلات یک روش جدید نهان‌کاوی کور ویدئو با رویکرد یادگیری شبه‌ناظر در این مقاله ارائه شده است. در روش پیشنهادی با توجه به رفع محدودیت برچسب‌دار بودن داده‌های آموزشی، کارایی طبقه‌بند برای آن دسته از الگوریتم‌های نهان‌نگاری که کد آنها در دسترس نیست بهبود می‌یابد. همچنین ثابت می‌شود که روش پیشنهادی نسبت به روش‌های متداول در فرایند نهان‌کاوی کور ویدئو پیچیدگی زمانی کمتری داشته و یک روش برخط بهینه است. نتایج شبیه‌سازی بر روی پایگاه‌ داده استاندارد نشان می‌دهد که روش پیشنهادی علاوه بر مزایای فوق، دارای دقت آشکارسازی قابل مقایسه با روش‌های متداول روز است. Manuscript profile

شبکه خودسازمانده پويا با يادگيري نيمه‌ناظر در بسياري از کاربردها نظیر خوشه‌بندی داده‌ها کاربرد دارد. محاسبه پارامترهاي شبکه خودسازمانده شامل شکل و ساختار لايه خوشه‌بندی، سطح فعال‌سازی و وزن‌هاي لايه طبقه‌بندی از جمله مسایل چالش‌برانگیز و مهم آن است. راهکارهای ارائه‌شده فعلی از روش‌های ابتکاری و با یک نگاه محلی سعی در تعیین این پارامترها دارند که در اثر آن، نتایج این الگوریتم‌ها وابستگی بالایی به شرایط دارد. این مقاله یک روش یادگیری نیمه‌ناظر مبتنی بر شبکه خودسازمانده پویا و يادگيري حداکثري را برای اولین بار مورد بررسی قرار می‌دهد. روش پیشنهادی، بدون محاسبه مستقیم پارامترهای شبکه خودسازمانده پویا و با استفاده از روش یادگیری حداکثری، کلاس هر داده را تعیین می‌کند. خطای حاصل از بازخورد سیستم، هم در یادگیری حداکثری و هم در بهینه‌سازی شبکه خودسازمانده پویا مورد استفاده قرار می‌گیرد. در این مقاله، علاوه بر بررسی تحلیلی همگرایی روش پیشنهادی، روش حداکثری ترتیبی برای شبکه نیمه‌ناظر خودسازمانده پویا ارائه شده است. آزمایش‌های انجام‌شده بر روی داده‌های برخط و با برچسب جزئی نشان می‌دهند که روش پیشنهادی از نظر دقت، نسبت به روش نیمه‌ناظر خودسازمانده پویا برتری نسبی دارد. Manuscript profile

هرچند که فیلتر ذره‌ای ابزاری مؤثر در ردیابی شیء می‌باشد اما یکی از محدودیت‌های موجود، نیاز به وجود مدلی دقیق برای حالت سیستم و مشاهدات است. بنابراین یکی از زمینه‌های مورد علاقه محققین تخمین تابع مشاهده با توجه به داده‌های یادگیری است. تابع مشاهده ممکن است خطی یا غیر خطی در نظر گرفته شود. روش‌های موجود در تخمین تابع مشاهده با مشکلاتی مواجه هستند و از جمله این مشکلات، وابستگی به مقدار اولیه پارامترها در روش‌های دومرحله‌ای مبتنی بر ماکسیمم‌سازی انتظار و نیازمندی به یک سری مدل از پیش تعریف شده در روش‌های مبتنی بر چند مدل می‌باشد. در این مقاله، یک روش بدون راهنما برای غلبه بر این مشکلات با استفاده از فیلترهای وفقی کرنلی ارائه شده است. به این منظور از فیلترهای وفقی حداقل میانگین مربعات خطای کرنلی یا حداقل مربعات بازگشتی کرنلی برای تخمین تابع غیر خطی مشاهده استفاده می‌شود. با فرض معلوم‌بودن تابع فرایند و با داشتن دنباله‌ای از مشاهدات، تابع مشاهده مجهول تخمین زده می‌شود. ضمناً برای کاهش هزینه محاسباتی و افزایش سرعت اجرا، از روش تُنُک‌سازی داده‌ها با استفاده از روش وابستگی خطی تقریبی استفاده شده و الگوریتم پیشنهادی در دو کاربرد مورد ارزیابی قرار گرفته است. آزمایش اول بر پیش‌بینی سری‌های زمانی و دیگری روی ردیابی اشیا در ویدئو می‌باشد. نتایج به دست آمده حاکی از برتری روش پیشنهادی در مقایسه با چند روش موجود است.الگوریتم RRT به دست آمده و مقایسه گردید. این نتایج نشانگر کارایی مناسب رویکرد پیشنهادی است. Manuscript profile

با توسعه تعاملات مبتنی بر وب نظیر نظرسنجی‌ها، وبلاگ‌های شخصی و شبکه‌های اجتماعی، آنالیز حس و یا کاوش عقیده به یکی از حوزه‌های تحقیقاتی مهم در علوم کامپیوتر تبدیل شده است. تا کنون روش‌های زیادی مبتنی بر یادگیری ماشین و همچنین پردازش زبان طبیعی در ارتباط با آنالیز حس ارائه شده است. در این مقاله از توزیع کلمات در مجموعه اسناد جمع‌آوری شده به عنوان معیاری جدید برای تشخیص حس جمله استفاده شده است. در روش پیشنهادی با طراحی حوزه تبدیل بهینه مناسب روی توزیع کلمات، دو هدف حداکثرکردن انرژی طیفی کلاس 1 در فرکانس‌های پایین و حداکثرکردن انرژی طیفی کلاس 2 در فرکانس‌های بالا دنبال می‌شود. با طراحی حوزه تبدیل بهینه، داده‌ها از حوزه فراوانی به حوزه فوریه نگاشت می‌شوند. با این تبدیل بهینه، جداسازی الگوهای دوکلاسی از مفاهیم خوش‌بینی و بدبینی در حوزه تبدیل به راحتی امکان‌پذیر خواهد بود. برای محقق‌شدن مدل ریاضی، استراتژی استفاده از پروفایل نمونه‌ها روی همه نمونه‌های سیگنال نماینده کلاس 1 ارائه شده و مسأله حل می‌شود. طیف این پروفایل دارای مؤلفه‌های فرکانس پایین می‌باشد که با فرض تضاد طیفی دوکلاسی 1 و 2، حداکثرکردن انرژی طیفی کلاس 2 نیز ارضا می‌گردد. این روش به روی متون با زبان فارسی و انگلیسی اجرا شده است. Manuscript profile

روش‌های موجود در زمینه مدیریت دست به دست شدن سیگنال در شبکه‌های مخابرات سلولی نمی‌توانند به طور هم‌زمان تعداد رخدادهای غیر ضروری و تأخیر تصمیم را در سطح پایینی نگه دارند. هدف اصلی این مقاله ارائه روش هوشمندی است تا علاوه بر این که به درخواست‌های ضروری اجازه رخ‌دادن می‌دهد، تعداد رخدادهای غیر ضروری آن را نیز کمینه کند و به این ترتیب موجب بهبود کارایی کلی شبکه شود. به منظور دست‌یابی به چنین هدفی، در روش پیشنهادی از دانش جغرافیایی برگرفته از نقشه‌های ساختمان توأم با روش خوشه‌بندی طیفی در نواحی تحت پوشش فمتوسل استفاده می‌شود. بدین سبب نیاز به توسعه خوشه‌بندی طیفی مبتنی بر اطلاعات جغرافیایی است. نتایج به دست آمده از روش پیشنهادی روی داده‌ها و شبیه‌سازی‌های انجام‌گرفته، بیانگر این است که این روش نسبت به سایر روش‌ها با افزایش احتمال تخصیص کاربر به سلول مناسب، به شکل قابل قبولی قادر به مدیریت پدیده دست به دست شدگی در لایه ناهمگن فمتوسل- ماکروسل است. Manuscript profile

طبقه‌بند یکی از سه بلوک تشکیل‌دهنده یک نهان‌کاو ویدئو است که برای آموزش نیازمند برچسب می‌باشد. در نهان‌کاوی کور به دلیل عدم دسترسی به الگوریتم‌های نهان‌نگاری تهیه برچسب مشکل است. در این مقاله از طبقه‌بند خودسازمانده پویای شبه‌ناظر برای رسیدن به حداقل برچسب استفاده شده و بدین منظور مفهومی به نام افزونگی هندسی گره‌های لایه زیرین شبکه خودسازمانده پویای شبه‌ناظر به کار گرفته شده است. نشان داده شده که این افزونگی منجر به ایجاد الگوهای تکراری برای شبکه خواهد شد، پس حذف چنین گره‌هایی بلامانع است. اثبات شده به دلیل وجود تناظر یک به یک بین گره‌ها و برچسب‌ها کاهش گره‌ها منجر به کاهش تعداد برچسب لازم می‌شود. نکته اساسی این که لازمه وجود افزونگی هندسی در میان تعدادی گره که مفهومی انتزاعی است، تشکیل دسته توسط آنهاست و بنابراین مبنای الگوریتم پیشنهادی شناسایی دسته‌ها و ادغام اعضای آنهاست. طبقه‌بند به دست آمده بر این مبنا طبقه‌بند خودسازمانده هندسی نام نهاده شده و اثبات می‌شود که این طبقه‌بند می‌تواند به مقدار بهینه حداقل برچسب دست یابد. نتایج شبیه‌سازی نشان‌دهنده برتری چشم‌گیر طبقه‌بند نسبت به الگوریتم‌های پیشین است. Manuscript profile

: الگوریتم تقریب انتقال پیام (AMP) یک الگوریتم تکراری کم‌هزینه برای بازیابی سیگنال در نمونه‌برداری فشرده است. هنگامی که ماتریس نمونه‌بردار دارای مؤلفه‌هایی با توزیع گوسی مستقل و یکسان (iid) باشد، همگرایی AMP با تحلیل ریاضی اثبات می‌شود. اما برای سایر ماتریس‌های نمونه‌بردار به خصوص ماتریس‌های بدحالت، عملکرد این الگوریتم ضعیف شده و حتی ممکن است واگرا شود. این مشکل منجر به محدودیت استفاده از AMP در بعضی کاربردها از جمله تصویربرداری شده است. در این مقاله الگوریتمی جهت اصلاح AMP مبتنی بر تئوری بیز برای ماتریس‌های غیر iid ارائه شده است. نتایج شبیه‌سازی نشان می‌دهد که میزان مقاومت الگوریتم پیشنهادی برای ماتریس‌های غیر iid نسبت به روش‌های پیشین بیشتر می‌باشد. به عبارت دیگر این روش دارای دقت بیشتر در بازیابی است و با تکرار کمتری همگرا خواهد شد. Manuscript profile

سیستم‌های شرح‌نگاری خودکار تصاویر، وظیفه توصیف محتوای تصاویر به وسیله تخصیص برچسب به آنها را بر عهده دارند. هدف از انجام این تحقیق بهبود نتایج دقت و سرعت یک سیستم شرح‌نگار تصاویر است. اخیراً با توجه به رشد روزافزون تصاویر، فرایند شرح‌نگاری بر روی پایه‌های تصاویر به جای خودشان اجرا می‌گردد. یکی از این روش‌های جدید، پیاده‌سازی الگوریتم تجزیه نامنفی ماتریس (NMF) بر روی ویژگی‌های به دست آمده از تصاویر است. در روش پیشنهادی برای افزایش سرعت و کارایی بهتر سیستم شرح‌نگاری، برای اولین بار از روشی به نام چرخش بلاک اصلی برای حل NMF در شرح‌نگاری استفاده شده است. این روش با توانایی افزودن برخط کلاس جدیدی از داده‌ها به دانش خود و یادگیری دانش به صورت فشرده و علاوه بر آن، توانایی آموزش بر اساس داده‌های دریافتی بدون نیاز به پردازش مجدد توانسته از روش‌های پیشین ارائه‌شده برای حل NMF عملکرد بهتری را نشان دهد. در مرحله آموزش با روش چرخش بلاک اصلی ماتریس ضرایب و پایه تصاویر ورودی به دست می‌آیند. سپس در مرحله آزمون برای تصویر ورودی، توسط ویژگی‌های استخراج‌شده از تصویر و ضرایب به دست آمده از مرحله آموزش، ضریب تعلق تصویر آزمون به هر یک از کلاس‌های تصاویر آموزش محاسبه می‌گردد. سپس این ضریب در هنگام جستجو در میان تصاویر آموزش برای تخصیص برچسب به تصویر آزمون، دقت کار را افزایش می‌دهد. این جستجو توسط روش KNN بر روی پایه‌های تصاویر صورت می‌گیرد. برای آزمایش روش پیشنهادی از دو پایگاه داده K5Corel و داده‌های واقعی حیوانات (برگرفته از px 500) استفاده شده و نهایتاً با روش‌های موجود مقایسه شده که در پایگاه داده K5Corel به میزان دقت 20/50 و روی داده‌های واقعی به 89/62 رسیدیم که به‌طور قابل ملاحظه‌ای دقت افزایش یافته است. Manuscript profile

حذف نویز از تصاویر فراطیفی گامی اجتناب‌ناپذیر برای بهبود کیفیت این نوع تصاویر است و روش‌های بسیاری در این زمینه توسط محققان پیشنهاد شده است. اغلب این روش‌ها به شباهت‌های مکانی- طیفی به طور هم‌زمان توجه ندارند. زمانی که روش حذف نویز، داده را به صورت سراسری بدون در نظر گرفتن شباهت‌های مکانی- طیفی به کار می‌برد، معمولاً بر روی پیکسل‌های با سطح پایین نویز تأثیر نامطلوب می‌گذارد؛ آن هم زمانی که در داده فراطیفی، تعداد زیادی از پیکسل‌ها نویز کمی دارند و تعداد اندکی از پیکسل‌ها به وسیله سطح بالای نویز تخریب می‌شوند. در این مقاله، ابتدا شباهت‌های مکانی- طیفی موجود در تصاویر با تعریف متغیر پنهان مبتنی بر خوشه‌بندی استخراج می‌شود. در ادامه، یک روش تجزیه ماتریس رتبه‌پایین مبتنی بر این متغیرهای پنهان برای حذف نویز تصاویر فراطیفی و بهبود مقاومت در مقابل انواع نویز (در مقایسه با سایر روش‌ها) پیشنهاد می‌شود. کارایی روش پیشنهادی با شش روش جدید بر روی تصاویر واقعی آلوده به نویز به صورت بصری مقایسه شده و برای مقایسه کمی، همان آزمایش‌ها روی تصاویر بدون نویزی که با شش نوع نویز ترکیب شده و تصاویری نزدیک به داده واقعی ایجاد کرده‌اند مقایسه شده است. نتایج شبیه‌سازی نشان می‌دهد که با اعمال متغیر پنهان در چارچوب استنتاج بیزین تغییراتی، عملکرد روش حذف نویز بهبود می‌یابد و روش پیشنهادی عملکرد بهتری نسبت به سایر روش‌های مورد مقایسه دارد. Manuscript profile

مدل طبقه‌بندی مقاوم، یک مدل غیر استاندارد برای یادگیری طبقه‌بند بر اساس یک مجموعه داده توأم با عدم قطعیت است. به هر مدل طبقه‌بندی که در مجموعه جواب‌های ممکن آن، جواب بی‌معنی وجود داشته باشد، مدل بی‌احتیاط گفته می‌شود. جواب بهینه یک مدل طبقه‌بندی مقاوم بی‌احتیاط به ‌ازای یک مجموعه داده آموزشی، ممکن است ابرصفحه نباشد که در این صورت امکان طبقه‌بندی داده‌ها در مرحله آزمون میسر نخواهد بود. در این مقاله مدل‌های طبقه‌بند مقاوم بی‌احتیاط معرفی و مشکلات آنها بررسی شده و سپس با تغییر تابع ضرر در طبقه‌بند مقاوم، مدل طبقه‌بندی مقاوم بااحتیاط برای ممانعت از بی‌احتیاطی معرفی می‌شود. مدل بااحتیاط پیشنهادی، استاندارد شده و راهکارهایی برای کاهش زمان آموزش و زمان آزمون آن ارائه می‌گردد. در آزمایشات از مدل طبقه‌بند مقاوم بااحتیاط پیشنهادی در مقایسه با چند مدل مقاوم بی‌احتیاط، برای طبقه‌بندی مجموعه داده‌های آموزشی ناقص و مجموعه داده‌های آموزشی قطعی کامل استفاده شد. نتایج به دست آمده نشان داد که در مجموعه داده‌های ناقص، مدل پیشنهادی زمان آموزش و زمان آزمون و نرخ خطای کمتری نسبت به مدل‌های بی‌احتیاط داشت. همچنین در مجموعه داده‌های کامل قطعی، مدل پیشنهادی زمان آموزش و زمان آزمون کمتری نسبت به مدل‌های بی‌احتیاط داشت. نتایج به دست آمده کارایی افزودن احتیاط به طبقه‌بند مقاوم را تأیید نمود. Manuscript profile