فصلنامه فناوری ایران
,
شماره25,سال
7
,
بهار-تابستان
زبانهای گفتاری جهان در طول هزاران سال تاریخ خود، روندی تکاملی را پیموده و به امروز رسیدهاند. بر همین راه واژگان زبانهای گوناگون و البته نامهای متداول در فرهنگها و زبانهای سراسر جهان نیز، به تکامل رسیدهاند و این روند تکاملی را ادامه خواهند داد. برخی از این نامها، چکیده کامل
زبانهای گفتاری جهان در طول هزاران سال تاریخ خود، روندی تکاملی را پیموده و به امروز رسیدهاند. بر همین راه واژگان زبانهای گوناگون و البته نامهای متداول در فرهنگها و زبانهای سراسر جهان نیز، به تکامل رسیدهاند و این روند تکاملی را ادامه خواهند داد. برخی از این نامها، با توجه به حس زیباییشناسی افراد یک جامعه و ویژگیهای آوایی زبانی، که بسته به زمان و مکان متغیر است، رواج بیشتری مییابند و تطور و گسترش بیشتری پیدا میکنند. در این پژوهش با شناخت واژگان و نامهای فارسی، مدلی پیشنهاد شده که بر پایه آن نامهایی نو، که همراه با داشتن معنایی درخور، از نظر زیباییشناسی نیز نظر افراد گوناگون را برآورده سازد، تولید شود. ساخت واژگان تازه بهکمک پردازش تکاملی (الگوریتم ژنتیک) انجام میشود که در آن، تابع برازندگی را (بهجز در نسل نخست) یک شبکه عصبی مصنوعی از نوع پیشخور پسانتشار با دو لایه پنهان که تا 89٪ مشابه انسان تخمین میزند، شبیهسازی میکند. بهترین نام تولید شده با این روش، رتبه 5 را در میان 252 نام جامعه اولیه بهدست آورده است. بهترین نمونههای جامعه اولیه و دادههای آموزشی و آزمایشی و نیز برآورد تابع برازندگی نسل نخست و سنجش زیبایی بهترین نامهای تولید شده بدین روش، با تحلیل آماری نمونههای اخذ شده بهکمک پرسشنامه انجام شده است.
پرونده مقاله
یادگیری متریک نیمهنظارتی مبتنی بر منیفلد در سالهای اخیر بسیار مورد توجه واقع شده است. این رویکردها، منظمسازی مبتنی بر فرض همواربودن دادهها روی منیفلد را اعمال میکنند، هرچند در معرض دو چالش قرار دارند: 1) شباهت بین دستههای مختلف، تقاطع منیفلدها با یکدیگر را ایجاد م چکیده کامل
یادگیری متریک نیمهنظارتی مبتنی بر منیفلد در سالهای اخیر بسیار مورد توجه واقع شده است. این رویکردها، منظمسازی مبتنی بر فرض همواربودن دادهها روی منیفلد را اعمال میکنند، هرچند در معرض دو چالش قرار دارند: 1) شباهت بین دستههای مختلف، تقاطع منیفلدها با یکدیگر را ایجاد میکند که با فرض همواربودن برچسب در این نواحی در تناقض است. 2) دستهبند NN1 که برای تعیین برچسب دادهها در مسایل یادگیری متریک اعمال میشود با وجود تعداد کم دادههای برچسبدار دقت مناسب را ندارد. در این مقاله روشی برای یادگیری متریک نیمهنظارتی با فرض قرارگیری دادهها در فضای لایهای ارائه شده که در آن از دانش پیشین موجود که همان فرض همواربودن دادهها روی هر منیفلد است به صورت دقیقتر بهرهبرداری شده است. در مرحله یادگیری متریک، فرض همواربودن در نواحی تقاطع اعمال نشده و در مرحله دستهبندی، دادههای برچسبدار در نقاط داخلی منیفلدها بر اساس فرض همواربودن توسعه داده شده است. تفکیک نقاط تقاطع منیفلدها از سایر نقاط بر مبنای رفتار متمایز لاپلاسین تابع هموار روی هر منیفلد در نقاط داخلی نسبت به سایر نقاط صورت میگیرد. آزمایشها نشاندهنده دقت خوب روش پیشنهادی نسبت به روشهای مشابه است.
پرونده مقاله
رایمگ
سامانه رایمگ تمامی فرآیندهای دریافت، ارزیابی و داوری، ویراستاری، صفحهآرایی و انتشار الکترونیکی نشریات علمی را به انجام میرساند