-
دسترسی آزاد مقاله
1 - دستهبندی دادههای دوردهای با ابرمستطیل موازی محورهای مختصات
زهرا مصلحی مازیار پالهنگیکی 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 کاملیکی 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
2 - دستهبندی دادههای دو ردهای با ابرمستطیل موازی محورهای مختصات
زهرا مصلحی مازیار پالهنگیکی 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 کاملیکی 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
3 - بهبود کارایی سازوکارهای کنترل نرخ مبتنی برکاوش به کمک دسته-بندی: ارزیابی بر روی بستر آزمایشی شبکه¬های بی¬سیم محلی پرسرعت
علی قالیباف محمد نصیری محمدحسن داعی مهدی سخائی نیافناوری MIMO در شبکه های محلی بی سیم، امکان استفاده از طیف متنوعی از نرخ های ارسال را فراهم می آورد. بهمنظور بهبود کارایی پیمانه کنترل نرخ، اطلاعات آماری در مورد تاریخچه وضعیت و میزان استفاده از هر نرخ ارسال در لایه MAC نگهداری می شود تا به تعیین نرخ ارسال بسته های آتی چکیده کاملفناوری MIMO در شبکه های محلی بی سیم، امکان استفاده از طیف متنوعی از نرخ های ارسال را فراهم می آورد. بهمنظور بهبود کارایی پیمانه کنترل نرخ، اطلاعات آماری در مورد تاریخچه وضعیت و میزان استفاده از هر نرخ ارسال در لایه MAC نگهداری می شود تا به تعیین نرخ ارسال بسته های آتی کمک نماید. بااینوجود، تنوع زیاد نرخ های ارسال در استانداردهای 802.11n و 802.11ac هزینه سربار زیادی را برای به روزرسانی این اطلاعات تحمیل می کند. در این مقاله، برای کاهش فضای حالت نرخ های ارسال و به روز نگه داری توأمان آمار همه آنها، روشی برای دسته بندی نرخ ها ارائه شده است بهنحویکه هنگام ارسال یک بسته با نرخ ارسال مشخص، اطلاعات آماری مربوط به همه نرخ های ارسالی که در همان دسته قرار می گیرند، به روز شود. درنتیجه، آمار وضعیت تعداد بیشتری از نرخ های ارسال حتی باوجود ارسال تعداد کمی بسته های داده می تواند به روز شود. سازوکار پیشنهادی در محیط هسته لینوکس پیاده-سازی و عملکرد آن را تحت شرایط مختلف در یک بستر آزمایشی که در آزمایشگاه پژوهشی خود راه اندازی نموده ایم، ارزیابی گردید. نتایج نشان می دهد که روش پیشنهادی ازنقطهنظر گذرداد و تعداد ارسال های موفق از سازوکار Minstrel-HT بهعنوان روش پیش فرض لینوکس عملکرد بهتری دارد. پرونده مقاله -
دسترسی آزاد مقاله
4 - شناسایی و دستهبندی چالشهای شرکتهای دانشبنیان با استفاده از روش شبکه عصبی مصنوعی و رویکرد BPMS؛ مطالعه موردی: شرکتهای دانشبنیان یزد
مجتبی قلی پور محمدعلی وحدت زاد محمدصالح اولیاء حسن خادمی زارعدانش همواره ابزاری قدرتمند در تثبیت جایگاه هر فرد/ جامعه، خدمترسانی به عموم و رویکرد تعالی جوامع مستقل کنونی است. ارزش دانش آنجا حیاتیتر و معرضتر میگردد که بتوان آن را به کالا/ خدمتی جهت رفع نیازمندیهای جامعه بشری تبدیل نمود. شرکتهای دانشبنیان بهعنوان یک مؤسسه ک چکیده کاملدانش همواره ابزاری قدرتمند در تثبیت جایگاه هر فرد/ جامعه، خدمترسانی به عموم و رویکرد تعالی جوامع مستقل کنونی است. ارزش دانش آنجا حیاتیتر و معرضتر میگردد که بتوان آن را به کالا/ خدمتی جهت رفع نیازمندیهای جامعه بشری تبدیل نمود. شرکتهای دانشبنیان بهعنوان یک مؤسسه کوچک حقیقی- حقوقی، ازجمله مؤسسههایی است که توانایی بالایی در تبدیل دانش به فناوری دارند. این در حالی است که شرکتهای دانشبنیان در ایران نسبت به موارد مشابه در خارج و با توجه به سند چشمانداز 20ساله ایران، در وضعیت مناسب و مطلوب قرار ندارند. پژوهش حاضر باهدف شناسایی چالشهای پیش روی شرکتهای دانشبنیان موجود در پارک علم و فناوری اقبال یزد و دستهبندی این چالشها با استفاده از روش شبکه عصبی مصنوعی انجام پذیرفته است. نمونه مورد مطالعه شامل 137 نفر از مدیران و کارکنان رده بالای این شرکتها بوده است. 59 چالشها به دست آمده از مطالعه ادبیات موضوع و نظر خبرگان، در یک پرسشنامه تدوین و بین جامعه هدف توزیع گردید. اعتبارسنجی 128 پرسشنامه گردآوری شده، توسط روش شبکه عصبی مصنوعی پیش انتشار با MSE=2.0332 تأيید گردید و دستهبندی چالشها بهوسیله شبکه عصبی مصنوعی پرسپترون چند لایه و با الهام از سیستم مدیریت فرایند کسب و کار انجام پذیرفته است. نتایج نشان داد که 59 چالش به دست آمده با توجه به الگوی سیستم مدیریت فرآیند کسب و کار، در سه دسته چالشهای مربوط به فعالیتهای مدیریتی، عملیاتی (اصلی) و پشتیبانی دستهبندی شدند. همچنین تعداد چالشهای مربوط به فعالیتهای مدیریتی، عملیاتی (اصلی) و پشتیبانی به ترتیب با تعداد 27، 15 و 17 چالش به دست آمد. پرونده مقاله -
دسترسی آزاد مقاله
5 - ارائه یک الگوریتم مناسب برای یادگیری جریانی بر اساس الگوریتم ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی
جواد سلیمی سرتختی سلمان گلیالگوریتم ماشین بردار پشتیبان یکی از الگوریتمهای مشهور و با کارایی بالا در یادگیری ماشین و کاربردهای مختلف است. از این الگوریتم تا کنون نسخههای متعددی ارائه شده که آخرین نسخه آن ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی میباشد. اغلب کاربردها در دنیای امروز دار چکیده کاملالگوریتم ماشین بردار پشتیبان یکی از الگوریتمهای مشهور و با کارایی بالا در یادگیری ماشین و کاربردهای مختلف است. از این الگوریتم تا کنون نسخههای متعددی ارائه شده که آخرین نسخه آن ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی میباشد. اغلب کاربردها در دنیای امروز دارای حجم انبوهی از اطلاعات هستند. از سویی دیگر یکی از جنبههای مهم دادههای حجیم، جریانیبودن آنها میباشد که باعث شده است بسیاری از الگوریتمهای سنتی، کارایی لازم را در مواجهه با آن نداشته باشند. در این مقاله برای نخستین بار نسخه افزایشی الگوریتم ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی، در دو حالت برخط و شبه برخط ارائه شده است. برای بررسی صحت و دقت الگوریتم ارائهشده دو کاربرد آن مورد ارزیابی قرار گرفته است. در یک کاربرد، این الگوریتم بر روی 6 دیتاست مخزن UCI اجرا شده که در مقایسه با سایر الگوریتمها از کارایی بالاتری برخوردار است. حتی این کارایی در مقایسه با نسخههای غیر افزایشی نیز کاملاً قابل تشخیص است که در آزمایشها به آن پرداخته شده است. در کاربرد دوم، این الگوریتم در مبحث اینترنت اشیا و به طور خاص در دادههای مربوط به فعالیت روزانه به کار گرفته شده است. طبق نتایج آزمایشگاهی، الگوریتم ارائهشده بهترین کارایی را در مقایسه با سایر الگوریتمهای افزایشی دارد. پرونده مقاله -
دسترسی آزاد مقاله
6 - تشخیص دستگاه قطعه های موسیقی سنتی ایرانی بر مبنای استخراج توالی نتها و استفاده از شبکههای LSTM
سینا غضنفری پور مرتضی خادمی عباس ابراهیمی مقدمدستهبندی دستگاه قطعات موسیقی سنتی ایرانی توسط کامپیوتر برای علاقهمندان موسیقی دستگاهی ایرانی، موضوعی بسیار جالب ولی پیچیده و چالشبرانگیز است. این مسئله اولاً به دلیل کاربردهای فراوان آن در زمینههایی مانند آهنگسازی و آموزش موسیقی و ثانیاً به خاطر نیاز افراد عادی به چکیده کاملدستهبندی دستگاه قطعات موسیقی سنتی ایرانی توسط کامپیوتر برای علاقهمندان موسیقی دستگاهی ایرانی، موضوعی بسیار جالب ولی پیچیده و چالشبرانگیز است. این مسئله اولاً به دلیل کاربردهای فراوان آن در زمینههایی مانند آهنگسازی و آموزش موسیقی و ثانیاً به خاطر نیاز افراد عادی به کامپیوتر برای تشخیص دستگاه از اهمیت بالایی برخوردار است. در این مقاله روشی برای تشخیص دستگاه و زیردستگاه یک قطعه موسیقی ایرانی بر پایه استخراج نتهای متوالی، دستهبندی سلسلهمراتبی و استفاده از شبکههای LSTM ارائه شده است. در این روش، قطعه موسیقی در مرحله اول به یکی از سه دسته کلی، دستهبندی میشود. دسته اول صرفاً شامل دستگاه ماهور، دسته دوم شامل دستگاههای شور و نوا و دسته سوم شامل دستگاههای همایون، سهگاه و چهارگاه است. سپس برای هر دسته بسته به نوع آن، تعداد متفاوت دستهبندهای دیگر اعمال میشود تا این که یکی از 6 دستگاه و یکی از 11 زیردستگاه موسیقی سنتی ایرانی مشخص گردد. این تحقیق به هیچ سبک نوازندگی و ساز خاصی محدود نشده و تحت تأثیر سرعت و تکنیکهای نوازندگی قرار نمیگیرد. قطعات برچسبگذاری شده در پایگاه داده "اَرگ" که برای این تحقیق به وجود آمده است، به صورت تکنوازی هستند؛ اگرچه تعداد اندکی از آنها از همنوایی سازهای کوبهای (مانند تنبک) نیز در کنار سازهای ملودی بهرهمند میباشند. نتایج نشان میدهند که تشخیص 6 دستگاه اصلی و 11 زیردستگاه به ترتیب با دقت میانگین 5/74% و 35/66% انجام گرفته که نسبت به تحقیقات کمشمار مشابه، نتایج بهتری دارد. پرونده مقاله