فهرست مقالات تفکیک‌پذیری

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - دسته‌بندی داده‌های دورده‌ای با ابرمستطیل موازی محورهای مختصات
  زهرا مصلحی مازیار پالهنگ
  یکی از زمینه‌های فعالیت در یادگیری ماشین و شناسایی الگو یادگیری با ناظر می‌باشد. در یادگیری با ناظر برچسب داده‌های آموزشی موجود است. در مسایل دورده‌ای، هدف محاسبه فرضیه‌ای است که بتواند به بهترین شکل ممکن و با کمترین مقدار خطا داده‌های با دو ردهی مثبت و منفی را از یکدیگ چکیده کامل

  یکی از زمینه‌های فعالیت در یادگیری ماشین و شناسایی الگو یادگیری با ناظر می‌باشد. در یادگیری با ناظر برچسب داده‌های آموزشی موجود است. در مسایل دورده‌ای، هدف محاسبه فرضیه‌ای است که بتواند به بهترین شکل ممکن و با کمترین مقدار خطا داده‌های با دو ردهی مثبت و منفی را از یکدیگر جدا کند. انواع روش‌های یادگیری با ناظر پیشنهاد شده است. به عنوان مثال می‌توان به درخت‌های تصمیم، یادگیر SVM و روش‌های نزدیکترین همسایه اشاره کرد. در این مقاله بر عملکرد درخت‌های تصمیم متمرکز می‌شویم. عملکرد درخت تصمیم مشابه پیدا کردن ابرصفحه‌های تقسیم‌کننده در فضای d بعدی است، بطوریکه داده‌های موجود را به درستی رده‌بندی کند و تا حد ممکن رده‌بندی صحیح داده‌های آینده را نیز بدست آورد. دیدگاه هندسی عملکرد درخت تصمیم ما را به مفهوم تفکیک‌پذیری در هندسه محاسباتی نزدیک می‌کند. از بین کلیه الگوریتم‌های تفکیک‌پذیری موجود، مساله محاسبه مستطیل با حداکثر اختلاف دو رنگ را مطرح می‌کنیم. این مساله ارتباط نزدیکی با مساله درخت تصمیم در یادگیری ماشین دارد. در ادامه الگوریتم محاسبه مستطیل با حداکثر اختلاف دو رنگ را در یک، دو، سه و d بعد پیاده سازی می‌کنیم. نتیجه پیاده‌سازی نشان‌دهنده آن است که این الگوریتم، الگوریتمی قابل رقابت با الگوریتم شناخته شده C4.5 است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - دسته‌بندی داده‌های دو رده‌ای با ابرمستطیل موازی محورهای مختصات
  زهرا مصلحی مازیار پالهنگ
  یکی از روشهای یادگیری در یادگیری ماشین و شناسایی الگو، یادگیری با ناظر است. در یادگیری با ناظر و در مسایل دو رده‌ای، برچسب دادههای آموزشی موجود و شامل دو رده مثبت و منفی میباشند. هدف الگوریتم یادگیری با ناظر، محاسبه فرضیه‌ای است که بتواند با کمترین مقدار خطا، داده‌های م چکیده کامل

  یکی از روشهای یادگیری در یادگیری ماشین و شناسایی الگو، یادگیری با ناظر است. در یادگیری با ناظر و در مسایل دو رده‌ای، برچسب دادههای آموزشی موجود و شامل دو رده مثبت و منفی میباشند. هدف الگوریتم یادگیری با ناظر، محاسبه فرضیه‌ای است که بتواند با کمترین مقدار خطا، داده‌های مثبت و منفی را از یکدیگر جدا کند. در این مقاله، از بین کلیه الگوریتمهای یادگیری با ناظر، بر عملکرد درخت‌های تصمیم متمرکز می‌شویم. دیدگاه هندسی درخت تصمیم ما را به مفهوم تفکیک‌پذیری در هندسه محاسباتی نزدیک می‌کند. از بین کلیه الگوریتم‌های تفکیک‌پذیری موجود و مرتبط با درخت تصمیم، مساله محاسبه مستطیل با حداکثر اختلاف دو رنگ را مطرح می‌کنیم و الگوریتم را در یک، دو، سه و m بعد پیادهسازی می‌کنیم که m تعداد ویژگیهای دادهها را نشان میدهد. نتیجه پیاده‌سازی نشان‌دهنده آن است که این الگوریتم، الگوریتمی قابل رقابت با الگوریتم شناخته شده C4.5 است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - تفکیک‌پذیری مجموعه نقاط دورنگ با مثلث قائم‌الزاویه
  زهرا مصلحی علیرضا باقری
  تفکیک‌پذیری نقاط رنگی با اشکال هندسی یکی از مسایل مطرح در هندسه محاسباتی است که کاربردهایی از جمله در یادگیری ماشین و شناسایی الگو دارد. در این مسأله دو سری نقطه P و Q به ترتیب به رنگ‌های قرمز و آبی و به اندازه n در صفحه داده شده است. حال لازم است یک شکل هندسی مشخص را ب چکیده کامل

  تفکیک‌پذیری نقاط رنگی با اشکال هندسی یکی از مسایل مطرح در هندسه محاسباتی است که کاربردهایی از جمله در یادگیری ماشین و شناسایی الگو دارد. در این مسأله دو سری نقطه P و Q به ترتیب به رنگ‌های قرمز و آبی و به اندازه n در صفحه داده شده است. حال لازم است یک شکل هندسی مشخص را به گونه‌ای در صفحه قرار دهیم که کلیه نقاط آبی را در برگرفته و شامل هیچ نقطه قرمزی نباشد. در کارهای پیشین الگوریتم‌هایی برای تفکیک‌پذیری نقاط با گوه و مستطیل ارائه گردیده ولی تا به حال الگوریتمی برای تفکیک‌پذیری نقاط با یک مثلث و همچنین مثلثی که یک زاویه آن مشخص باشد (مثلاً قائم‌الزاویه) ارائه نشده است. در این مقاله الگوریتمی جدید و کارا برای تفکیک‌پذیری نقاط رنگی با مثلث قائم‌الزاویه ارائه می‌کنیم که قادر خواهد بود با استفاده از راهکار خط جاورب چرخشی، معرفی رخدادها و پردازش آنها در زمان کارای O(nlogn) کلیه مثلث‌های قائم‌الزاویه تفکیک‌کننده را گزارش کند. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - فراتفکیک‌پذیری مبتنی بر نمونه تک‌تصویر متن با روش نزول گرادیان ناهمزمان ترتیبی
  علی عابدی احسان‌اله کبیر
  در اين مقاله، یک روش جدید برای افزایش تفکیک‌پذیری تک‌تصویری تصاویر متن ارائه می‌شود. این روش مبتنی بر نمونه است یعنی برای فراتفکیک‌پذیری از یک مجموعه نمونه آموزشی که شامل وصله‌های با تفکیک‌پذیری بالا و پایین است استفاده می‌شود. بر اساس قاعده بیزی، یک تابع به عنوان درست‌ چکیده کامل

  در اين مقاله، یک روش جدید برای افزایش تفکیک‌پذیری تک‌تصویری تصاویر متن ارائه می‌شود. این روش مبتنی بر نمونه است یعنی برای فراتفکیک‌پذیری از یک مجموعه نمونه آموزشی که شامل وصله‌های با تفکیک‌پذیری بالا و پایین است استفاده می‌شود. بر اساس قاعده بیزی، یک تابع به عنوان درست‌نمایی و سه تابع به عنوان دانش اولیه در نظر گرفته می‌شوند. تابع مربوط به درست‌نمایی میزان شباهت با تصویر اولیه را توصیف می‌کند. سه تابع مربوط به دانش اولیه خصوصیات دومُدی بودن تصویر متن، یکنواخت‌بودن نواحی پس‌زمینه و متن و نزدیک‌بودن به مجموعه نمونه آموزشی را توصیف می‌کنند. با کمینه‌کردن این توابع انرژی طی فرایند تکرارشونده نزول گرادیان ناهم‌زمان ترتیبی، تصویر با تفکیک‌پذیری بالا به دست می‌آید. به جای کمینه‌کردن هم‌زمان ترکیب خطی توابع، آنها به ترتیب و با توجه به این که در تکرارهای متوالی الگوریتم چه تغییراتی در تصویر متن رخ می‌دهد کمینه می‌گردند. به این ترتیب دیگر نیازی به تعیین ضرایب ترکیب خطی توابع که برای تصاویر مختلف متغیر هستند نخواهد بود. نتایج آزمایش‌ها روی بیست تصویر متن با قلم‌ها، تفکیک‌پذیری‌ها، تارشدگی‌ها و نویزهای مختلف عملکرد بهتر و با حجم محاسباتی کمتر روش ارائه‌شده نسبت به روش‌های مشابه قبلی را نشان می‌دهد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  5 - افزایش تفکیک‌پذیری تک‌تصویری با در نظر گرفتن سازگاری در همسایگی پیکسل‌ها و استفاده از روش خودیادگیرنده
  ملیحه حبیبی علی‌رضا احمدی‌فرد حمید حسن پور
  در این مقاله، یک روش افزایش تفکیک‌پذیری خودیادگیرنده پیشنهاد گردیده که از اطلاعات پیکسل‌های مجاور هر پیکسل برای تخمین ارزش آن پیکسل استفاده شده است. برای این منظور، دو هرم با تفکیک‌پذیری بالا و تفکیک‌پذیری پایین با اعمال متناوب الگوریتم‌های افزایش و کاهش نرخ نمونه‌بردار چکیده کامل

  در این مقاله، یک روش افزایش تفکیک‌پذیری خودیادگیرنده پیشنهاد گردیده که از اطلاعات پیکسل‌های مجاور هر پیکسل برای تخمین ارزش آن پیکسل استفاده شده است. برای این منظور، دو هرم با تفکیک‌پذیری بالا و تفکیک‌پذیری پایین با اعمال متناوب الگوریتم‌های افزایش و کاهش نرخ نمونه‌برداری بر تصویر ورودی ایجاد می‌شوند که به عنوان مجموعه تصاویر آموزشی مورد استفاده قرار می‌گیرند. روش پیشنهادی با مدل‌سازی ارتباط بین وصله‌های تصاویر در سطوح متناظر دو هرم تفکیک‌پذیری بالا و تفکیک‌پذیری پایین با استفاده از رگرسیون بردار پشتیبان، به تخمین مقادیر جدید پیکسل‌ها در تصویر خروجی می‌پردازد. از بازنمایی تنک به عنوان ویژگی هر وصله در تصاویر هرم با تفکیک‌پذیری پایین استفاده شده است. در این مقاله، جهت کاهش تارشدگی پیکسل‌های لبه، ابتدا پیکسل‌های لبه و غیر لبه مشخص می‌شوند. سپس به ازای پیکسل‌هایی که در نواحی غیر یکنواخت قرار دارند، پیکسل‌های همسایه مورد استفاده قرار نمی‌گیرند. لذا در روش پیشنهادی، ارزش پیکسل‌های همسایه هر پیکسل در نواحی یکنواخت، مدل شده و در تعیین ارزش نهایی دخالت داده می‌شود. نتایج حاصل از آزمایشات نشان داده که روش پیشنهادی عملکرد بهتری نسبت به سایر روش‌های مطرح‌شده در زمینه افزایش تفکیک‌پذیری تصویر از لحاظ کمی و کیفی داشته است. پرونده مقاله