-
دسترسی آزاد مقاله
1 - بخشبندي تصاوير رنگي بيروني به هدف تشخيص اشياء به كمك هيستوگرام با دقت دوگانه
جواد راستي سید امیرحسن منجمی عباس وفاییيكي از مسايل مهم در پردازش خودكار تصاوير بيروني، نحوه بخشبندي اين تصاوير به هدف تشخيص شيء در آنها ميباشد. مشخصات خاص اين تصاوير از جمله تنوع رنگ، اثرات نوري متفاوت، وجود سايههاي رنگي، جزييات بافتي زياد و وجود اشياء كوچك و ناهمگن باعث ميشود مسأله بخشبندي تصاوير بيرو چکیده کامليكي از مسايل مهم در پردازش خودكار تصاوير بيروني، نحوه بخشبندي اين تصاوير به هدف تشخيص شيء در آنها ميباشد. مشخصات خاص اين تصاوير از جمله تنوع رنگ، اثرات نوري متفاوت، وجود سايههاي رنگي، جزييات بافتي زياد و وجود اشياء كوچك و ناهمگن باعث ميشود مسأله بخشبندي تصاوير بيروني به ويژه بخشبندي رنگي با چالشهاي جدي مواجه شود. در تحقيقات قبليبراي خوشهبندي رنگي تصاوير بيروني به هدف بخشبندي ابتدايي، روشي مبتني بر الگوريتم خوشهبندي k-means در بستري با دقت چندگانه پيشنهاد شده بود.اين روش با استفاده از محو عمدي جزييات بافتي تصوير و حذف كلاسهاي محرز در تصاوير محو شده و سپس اضافه كردن كلاسها در تصاوير با دقت بالاتر، كارايي مناسبي براي بخشبندي ابتدايي اين تصاوير در مقايسه با روش k-means عادي نشان ميداد.در اين مقاله، يك روش تطبيقپذير با تصوير با استفاده از هيستوگرام حلقوي تهرنگ براي تشخيص كلاسهاي محرز در تصاوير محوشده در بستري با دقت دوگانه پيشنهاد گرديده است.كارايي اين الگوريتم به كمك يك روش ارزيابينظارتشده روي دو پايگاه داده از تصاوير بيروني بررسي شده كه حدود 20% كاهش خطاي پيكسلي در بخشبندي و نيز دقت و حدود 30% سرعت بيشتر در همگرايي الگوريتم خوشهبندي، نشانگر كيفيت بالاتر روش پيشنهادي نسبت به روش عادي است. پرونده مقاله -
دسترسی آزاد مقاله
2 - بخشبندي تصاوير رنگي بيروني به هدف تشخيص اشياء به كمك هيستوگرام با دقت دوگانه
جواد راستي سید امیرحسن منجمی عباس وفاییيكي از مسايل مهم در پردازش خودكار تصاوير بيروني، نحوه بخشبندي اين تصاوير به هدف تشخيص شيء در آنها ميباشد. مشخصات خاص اين تصاوير از جمله تنوع رنگ، اثرات نوري متفاوت، وجود سايههاي رنگي، جزييات بافتي زياد و وجود اشياء كوچك و ناهمگن باعث ميشود مسأله بخشبندي تصاوير بيرو چکیده کامليكي از مسايل مهم در پردازش خودكار تصاوير بيروني، نحوه بخشبندي اين تصاوير به هدف تشخيص شيء در آنها ميباشد. مشخصات خاص اين تصاوير از جمله تنوع رنگ، اثرات نوري متفاوت، وجود سايههاي رنگي، جزييات بافتي زياد و وجود اشياء كوچك و ناهمگن باعث ميشود مسأله بخشبندي تصاوير بيروني به ويژه بخشبندي رنگي با چالشهاي جدي مواجه شود. در تحقيقات قبليبراي خوشهبندي رنگي تصاوير بيروني به هدف بخشبندي ابتدايي، روشي مبتني بر الگوريتم خوشهبندي k-means در بستري با دقت چندگانه پيشنهاد شده بود.اين روش با استفاده از محو عمدي جزييات بافتي تصوير و حذف كلاسهاي محرز در تصاوير محو شده و سپس اضافه كردن كلاسها در تصاوير با دقت بالاتر، كارايي مناسبي براي بخشبندي ابتدايي اين تصاوير در مقايسه با روش k-means عادي نشان ميداد.در اين مقاله، يك روش تطبيقپذير با تصوير با استفاده از هيستوگرام حلقوي تهرنگ براي تشخيص كلاسهاي محرز در تصاوير محوشده در بستري با دقت دوگانه پيشنهاد گرديده است.كارايي اين الگوريتم به كمك يك روش ارزيابينظارتشده روي دو پايگاه داده از تصاوير بيروني بررسي شده كه حدود 20% كاهش خطاي پيكسلي در بخشبندي و نيز دقت و حدود 30% سرعت بيشتر در همگرايي الگوريتم خوشهبندي، نشانگر كيفيت بالاتر روش پيشنهادي نسبت به روش عادي است. پرونده مقاله -
دسترسی آزاد مقاله
3 - برتري روش خوشهبندي C- ميانگين فازي در بيان توزيع رخسارههاي هيدروشيمي آب زيرزميني دشت ورامين
محمد نخعي مهدي تلخابي ميثم وديعتيدر پژوهش حاضر، خوشهبندي مجموعهاي از دادههاي هيدروشيمي دشت ورامين با استفاده از روشهاي خوشهبندي C- ميانگين فازي (FCM) و تحليل خوشه سلسله مراتبي (HCA) انجام شده و کاربرد آنها در تغييرات رخسارههاي هيدروشيمي بحث گرديد. نمونههاي آب زيرزميني با استفاده از بهينه کردن ت چکیده کاملدر پژوهش حاضر، خوشهبندي مجموعهاي از دادههاي هيدروشيمي دشت ورامين با استفاده از روشهاي خوشهبندي C- ميانگين فازي (FCM) و تحليل خوشه سلسله مراتبي (HCA) انجام شده و کاربرد آنها در تغييرات رخسارههاي هيدروشيمي بحث گرديد. نمونههاي آب زيرزميني با استفاده از بهينه کردن تعداد خوشه و درجه فازي شدگي با استفاده از روش C- ميانگين فازي به سه گروه طبقهبندي شدند. از دادههاي آب زيرزميني ۹۰ نمونه چاه عميق و نيمه عميق و ۹ متغير هيدروشيمي منطقه موردمطالعه استفاده شد. نتايج اين دو روش، مراکز خوشه را توليد ميکند که در تشخيص فرايندهاي فيزيکي و شيميايي تغييرات هيدروشيمي منطقه موردمطالعه مؤثر است. در روش FCM تعداد خوشه بهينه توسط توابع بهينهيابي تعيين ميشود اما در روش HCA براساس تجربه کاربر و سعي و خطا تعيين ميشود. روش FCM روشي مناسب در تحليل داده اکتشافي در بيان توزيع رخسارههاي هيدروشيمي است و زماني که خوشههاي پيوسته يا داراي هم پوشاني وجود دارند، ابزار بهتري نسبت به HCA براي خوشهبندي است. با ترسيم خطوط تراز مقدار عضويت هر خوشه که بر روي نقشه بهصورت مکاني و پيوسته نشان داده شده، خوشههاي نمونههاي آب زيرزميني بهخوبي مشخصشده است. نتايج نشان داد؛ روش FCM در تحليل دادههاي مرزي، نسبت به روش HCA که تغييراتي واضح و ناگهاني دارد؛ تواناتر است. پرونده مقاله -
دسترسی آزاد مقاله
4 - ارائه مدل ترکيبي خوشهبندي شرکتهاي عضو بورس بهادار تهران: رويکرد الگوريتمهاي فراابتکاري
زهرا صادقی آرانی علی محقرتصميمگيري براي سرمايهگذاري، همواره يکي از مهمترين مسائل سرمايهگذاران بوده است. سرمايهگذاران در بورس تلاش ميکنند تا از ميان طيف وسعي از شرکتهاي عضو و با توجه به شاخصهاي مالي متعدد سرمايهگذاري خود را انجام دهد تا ضمن دستيابي به بالاترين بازده، کمترين ريسک را نيز م چکیده کاملتصميمگيري براي سرمايهگذاري، همواره يکي از مهمترين مسائل سرمايهگذاران بوده است. سرمايهگذاران در بورس تلاش ميکنند تا از ميان طيف وسعي از شرکتهاي عضو و با توجه به شاخصهاي مالي متعدد سرمايهگذاري خود را انجام دهد تا ضمن دستيابي به بالاترين بازده، کمترين ريسک را نيز متحمل شود. بر اين اساس امروزه، روشهاي متعددي براي تحليل دادههاي اين شرکتها وجود دارد. يکي از روشهايي که از ميان انبوه دادهها، به دستهبندي اين شرکتها ميپردازد روش خوشهبندي است. بر اين اساس، پژوهش حاضر با هدف شناسايي و تفکيک شرکتهاي موفق از ناموفق بازار بورس اوراق بهادار تهران با استفاده از روش خوشهبندي K-means و حل اين مسأله با کمک الگوريتمهاي فرا ابتکاري انجام گرفته است. نتايج اين تحقيق حاکي از آن است که حل اين مسأله به روش فراابتکاري در مقايسه با روشهاي معمول، کاراتر بوده و به بهينهي سراسري منجر شده است. همچنين اين نتايج با نتايج حاصل از تفکيک شرکتهاي عضو بورس بهادار تهران با روش تعيين ورشکستگي آلتمن مقايسه شده و توسط اين روش نيز تأييد شده است. پرونده مقاله -
دسترسی آزاد مقاله
5 - بهبود دقت سيستمهای پیشنهاددهنده با تخمین اعتماد آگاه از زمان، مکان و زمینه بر اساس خوشه بندی و توزیع بتا
سمانه شیبانی حسن شاکری رضا شیبانیدر دهههاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستمهاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستمهاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده ميكنند. در اين مقاله يك رويكرد چندفاكتو چکیده کاملدر دهههاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستمهاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستمهاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده ميكنند. در اين مقاله يك رويكرد چندفاكتوري براي تخمين اعتماد بين كاربران سيستمهاي پيشنهاددهنده ارائه ميشود. در طرح پيشنهادي، ابتدا كاربران سيستم براساس شباهت مبتني بر اطلاعات دموگرافيك و تاريخچه ارزشيابيها خوشهبندي ميشوند. براي تخمين ارزشيابي كاربر فعال به يك آيتم خاص، مقدار اعتماد بين او و ساير كاربران همخوشهاش با درنظرگرفتن فاكتورهاي زمان، مكان، و زمينه ارزشيابي محاسبه ميشود. براي اين منظور، ما الگوريتمي مبتني بر توزيع بتا معرفي ميكنيم. يك معيار مبتني بر درخت جديد براي محاسبه شباهت معنايي بين زمينهها مورد استفاده قرار ميگيرد. در نهايت، ارزشيابي كاربر فعال با استفاده از ميانگينگيري وزني تخمين زده ميشود كه مقادير اعتماد به عنوان وزن در ميانگينگيري منظور ميشوند. طرح پيشنهادي بر روي سه مجموعهداده مطرح اجرا شده و ارزيابي و مقايسه نشان ميدهد كه اين طرح نتايج بهتري از نظر ملاكهاي دقت و كارآمدي نسبت به روشهاي موجود ارائه ميكند. پرونده مقاله