در اين مقاله روش جديدي براي استخراج ويژگي‌هاي سطح پايين و نمايه‌سازي تصوير بر مبناي جداسازي تصوير به مؤلفه‌هاي بافت و ساختار ارائه شده است. ايده اصلي اين تحقيق جداسازي تصاوير به مؤلفه‌هاي بافت و ساختار براي کاهش اثر مخرب وجود بافت و ساختار به‌صورت هم‌زمان در تصوير در مرحله استخراج ويژگي است. همچنين نشان داده شده است که با ترکيب بردار ويژگي استخراج‌شده از مؤلفه‌هاي بافت و ساختار، دقت در سيستم بازيابي تصوير به مقدار قابل توجهي افزايش مي‌يابد. براي ارزيابي روش پيشنهادي، از يک پايگاه داده عام شامل 10000 تصوير از 82 گروه معنايي متفاوت استفاده شده است. نتايج آزمايش‌ها کارايي اين روش را تأييد مي‌کند. پرونده مقاله

استفاده از الگوریتم‌های ابتکاری یک انتخاب مناسب برای حل مسایل بهینه‌سازی است. در اين مقاله نسخه بهبوديافته‌اي از الگوريتم بهينه‌ساز مورچگان باينري براي حل مسأله انتخاب ويژگي ارائه شده است. نسخه پيشنهادي خصوصيات الگوريتم جمعيت مورچه گسسته و الگوريتم مورچه باينري را به صورت توأمان در خود دارد. کارايي روش پيشنهادي روي 12 پايگاه داده استاندارد در موضوع طبقه‌بندي بررسي و نتايج با چند الگوريتم مطرح در اين زمينه شامل بهينه‌ساز جمعيت مورچگان گسسته و باينري مقايسه شده است. نتايج بيانگر کارايي مناسب الگوريتم پيشنهادي است. پرونده مقاله

افزایش طول عمر، کارایی و کاهش مصرف انرژی در شبکه‌های حسگر بی‌سیم یک مسئله چندهدفه است که یکی از موضوعات چالش‌برانگیز در تحقیقات اخیر شده است. در این مقاله به منظور افزایش کارایی و طول عمر شبکه‌های حسگر بی‌سیم، با استفاده از الگوریتم جستجوی گرانشی باینری کوانتومی روشی پیشنهاد شده که علاوه بر کمینه‌کردن مصرف انرژی، محدودیت‌های ارتباطی شبکه و نیازمندی‌های کاربرد خاص آن نیز برآورده می‌گردد. این الگوریتم روی یک شبکه حسگر بی‌سیم در کاربرد کشاورزی و به منظور نظارت دقیق و اصولی شرایط محیطی استفاده شده است. نتیجه به کارگیری این الگوریتم روی شبکه حسگر بی‌سیم، یک طرح بهینه خواهد بود که در آن حالت عملیاتی هر حسگر شامل سرگروه، حسگر فعال با محدوده حسگری بلند، حسگر فعال با محدوده حسگری کوتاه و غیر فعال را با توجه به محدودیت‌های مسئله مشخص می‌نماید. نتایج شبیه‌سازی نشان می‌دهد که این الگوریتم در شبکه حسگر بی‌سیم در مقایسه با الگوریتم‌ وراثتی و الگوریتم ازدحام جمعیت نتایج بهتری را ارائه می‌دهد و متعاقباً قادر است که طول عمر شبکه را نسبت به دو الگوریتم دیگر به نحو مطلوب‌تری افزایش دهد. پرونده مقاله

امروزه با ظهور و گسترش داده‌های بعد بالا، روند انتخاب ویژگی نقش بسیار مهمی را در زمینه یادگیری ماشینی و به خصوص مسایل طبقه‌بندی داده، بازی مي‌کند. کار بر روی داده‌های با بعد بالا از جمله داده‌های میکروآرایه‌ای با مشکلاتی همچون وجود ویژگی‌های نامرتبط و افزونه بسیار روبه‌رو است که باعث کاهش نرخ صحت طبقه‌بند، افزایش هزینه محاسباتی و معضل "نفرین بعد" می‌شود. در این مقاله به ارائه یک روش ترکیبی با استفاده از رویکردهای خرد جمعی برای انتخاب ویژگی در داده‌های با بعد بالا پرداخته می‌شود. در روش پیشنهادی، ابتدا در مرحله اول از یک روش فیلتری برای کاهش بعد داده استفاده می‌شود، سپس در مرحله دوم، دو الگوریتم روزآمد پیچشی با استفاده از رویکرد خرد جمعی بر روی ویژگی‌های کاهش‌یافته اعمال شده و نتیجه تجمیع می‌گردد. روش پیشنهادی بر روی 8 پایگاه داده میکروآرایه‌ای مورد ارزیابی قرار گرفته و مقایسه نتایج با چندین روش روزآمد و شناخته‌شده در حوزه انتخاب ویژگی، کارایی روش پیشنهادی را تأیید می‌کند. پرونده مقاله