دادههاي ریزآرایه نقش مؤثری در طبقهبندی و تشخیص انواع بافتهای سرطانی ایفا میکنند. با این حال در پژوهشهای مرتبط با سرطان، تعداد نسبتاً کم نمونهها در مقایسه با تعداد بسیار زیاد ژنها، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقهبندها، افزایش هزینههای محاسباتی و پیچ چکیده کامل
دادههاي ریزآرایه نقش مؤثری در طبقهبندی و تشخیص انواع بافتهای سرطانی ایفا میکنند. با این حال در پژوهشهای مرتبط با سرطان، تعداد نسبتاً کم نمونهها در مقایسه با تعداد بسیار زیاد ژنها، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقهبندها، افزایش هزینههای محاسباتی و پیچیدگی در طبقهبندی سلولهای سرطانی خواهد شد. یک راهکار مناسب جهت افزایش کارایی طبقهبندها، حذف ژنهای نامربوط و انتخاب نمونههای مناسب برای آموزش طبقهبندها است. در این مقاله یک مدل ترکیبی بر پایه الگوریتم بهینهسازی جستجوی فاخته چندهدفه و خوشهبندی فازی برای طبقهبندی دادههای ریزآرایه پیشنهاد شده است. در اين مطالعه از نسخه دودویی الگوريتم جستجوی فاخته چندهدفه به منظور انتخاب ويژگيهاي مرتبط با بیماری و از نسخه پیوسته آن برای انتخاب تعداد نمونههای مناسب برای آموزش طبقهبندها استفاده شده است. به منظور تسریع در فرایند بهینهسازی و جلوگیری از گیرافتادن الگوریتم در بهینههای محلی، راهکارهای ابتکاری جدیدی نیز به الگوریتم اضافه شدهاند. برای بررسی عملکرد مدل پیشنهادی، شبیهسازیهای متعددی بر روی شش مجموعه داده سرطانی انجام گرفته و نتایج آن با دیگر مقالات مقایسه شده است. نتایج به دست آمده نشان میدهند در بسیاری از موارد مدل پیشنهادی قادر است در مقایسه با سایر روشها، با انتخاب مجموعه کوچکتری از ژنهای متمایز، منجر به افزایش کارایی طبقهبندها شود.
پرونده مقاله
نویز ضربه موجب اختلال در فرایند طبقهبندی تصاویر توسط شبکه عصبی کانولوشنال میگردد. پیشپردازش جهت حذف نویز ضربه هزینهبر است و تصاویر تخریبشده به دلیل عدم بهبود کافی، اثر مخرب در مراحل آموزش و اعتبارسنجی این شبکه دارند. در این مقاله با اصلاح معماری شبکه عصبی کانولوشنا چکیده کامل
نویز ضربه موجب اختلال در فرایند طبقهبندی تصاویر توسط شبکه عصبی کانولوشنال میگردد. پیشپردازش جهت حذف نویز ضربه هزینهبر است و تصاویر تخریبشده به دلیل عدم بهبود کافی، اثر مخرب در مراحل آموزش و اعتبارسنجی این شبکه دارند. در این مقاله با اصلاح معماری شبکه عصبی کانولوشنال، یک مدل مقاوم در برابر نویز ضربه معرفی میشود. روش پیشنهادی، طبقهبندی تصاویر نویزی را بدون نیاز به هیچ گونه پیشپردازش انجام میدهد. لایه تشخیص نویز ضربه در بدنه شبکه عصبی کانولوشنال تعبیه میشود و از پردازش مقادیر نویزی جلوگیری میکند. برای آموزش مدل پیشنهادی از پایگاه داده 2012- ILSVRC استفاده شده است. نتایج شبیهسازی نشان میدهد که جلوگیری از تأثیرگذاری نویز ضربه در فرایند آموزش و طبقهبندی شبکه عصبی کانولوشنال، دقت و سرعت آموزش شبکه را افزایش میدهد. روش پیشنهادی با خطای 24/0 در طبقهبندی تصاویر آغشته به نویز ضربه با چگالی 10% بهتر از سایر روشهای مورد مقایسه میباشد. مرتبه زمانی (1)O در اصلاح CNN جهت مقاومت در برابر نویز نشاندهنده برتری روش پیشنهادی است.
پرونده مقاله
متون کوتاه رسانههای اجتماعی مانند توییتر اطلاعات زیادی در مورد موضوعهای داغ و افکار عمومی ارائه میدهند. برای درک بهتر اطلاعات دریافتی از شبکههای اجتماعی، شناسایی و ردیابی موضوع امری ضروری است. در بسیاری از روشهای ارائهشده در این زمینه، تعداد موضوعها باید از پیش م چکیده کامل
متون کوتاه رسانههای اجتماعی مانند توییتر اطلاعات زیادی در مورد موضوعهای داغ و افکار عمومی ارائه میدهند. برای درک بهتر اطلاعات دریافتی از شبکههای اجتماعی، شناسایی و ردیابی موضوع امری ضروری است. در بسیاری از روشهای ارائهشده در این زمینه، تعداد موضوعها باید از پیش مشخص باشد و نمیتواند در طول زمان تغییر کند. از این منظر، این روشها برای دادههای در حال افزایش و پویا مناسب نیستند. همچنین مدلهای تکاملی موضوعی غیر پارامتری به دلیل مشکل کمبود دادهها، بر روی متون کوتاه عملکرد مناسبی ندارند. در این مقاله، یک مدل خوشهبندی تکاملی جدید ارائه کردهایم که به طور ضمنی از فرایند رستوران چینی وابسته به فاصله (dd-CRP) الهام گرفته است. در روش ارائهشده برای حل مشکل کمبود دادهها، از اطلاعات شبکه اجتماعی در کنار شباهت متنی، برای بهبود ارزیابی شباهت بین توییتها استفاده شده است. همچنین در روش پیشنهادی، برخلاف اکثر روشهای مطرحشده در این زمینه، تعداد خوشهها به صورت خودکار محاسبه میشود. در واقع در این روش، توییتها با احتمالی متناسب با شباهتشان به هم متصل میشوند و مجموعهای از این اتصالها یک موضوع را تشکیل میدهد. برای افزایش سرعت اجرای الگوریتم، از یک روش خلاصهسازی مبتنی بر خوشهبندی استفاده نمودهایم. ارزیابی روش بر روی مجموعه داده واقعی که در طول دو ماه و نیم از شبکه اجتماعی توییتر جمعآوری شده است، انجام میشود. ارزیابی به صورت خوشهبندی متون و مقایسه بین آنها میباشد. نتایج ارزیابی نشان میدهد که روش پیشنهادی نسبت به روشهای مقایسهشده دارای انسجام موضوعی بهتری بوده و میتواند به طور مؤثر برای تشخیص موضوع بر روی متون کوتاه رسانههای اجتماعی استفاده گردد.
پرونده مقاله
نظراتی که کاربران در فروشگاههای برنامکهای همراه مینویسند و خطای برنامکها را گزارش میکنند، میتواند در بهبود کیفیت نرمافزارها تأثیر بهسزایی داشته باشد. بنابراین در این پژوهش رویکردی بر اساس نظرات کاربران برای انتساب خطای برنامه به توسعهدهندگان برنامکها بیان خوا چکیده کامل
نظراتی که کاربران در فروشگاههای برنامکهای همراه مینویسند و خطای برنامکها را گزارش میکنند، میتواند در بهبود کیفیت نرمافزارها تأثیر بهسزایی داشته باشد. بنابراین در این پژوهش رویکردی بر اساس نظرات کاربران برای انتساب خطای برنامه به توسعهدهندگان برنامکها بیان خواهد شد. این رویکرد با استفاده از دادههای کامیتهای برنامه تاریخچهای از عملکرد توسعهدهندگان به دست میآورد و همچنین با استفاده از ایراداتی که توسعهدهندگان از قبل در برنامه رفع کردهاند در مورد سوابق آنها در رفع خطاهای برنامه اطلاعاتی کسب میکند. سپس با استفاده از ترکیب این دو معیار به هر توسعهدهنده آن نرمافزار برای رسیدگی به هر نظر امتیازی اختصاص میدهد تا فهرستی از توسعهدهندگان ارائه کند که به ترتیب اولویت برای رسیدگی به نظر مناسب هستند. ارزیابی این پژوهش از جنبههای مختلف در نهایت نشان میدهد که روش پیشنهادی با دقت ۷۴% قادر به شناخت توسعهدهنده مناسب برای رسیدگی به نظرات خواهد بود. هدف این پژوهش یک موضوع جدید است که پژوهش دیگری حول آن انجام نگرفته و صرفاً باقی پژوهشها راجع به دستهبندی نظرات کاربران بودهاند. بنابراین دقت ارزیابی این پژوهش نشان میدهد که انتساب اتوماتیک خطاهایی که در نظرات کاربران ذکر شدهاند میتواند مفید واقع شود تا فرایند شناسایی و حل خطا بهبود یابد.
پرونده مقاله
در شبکههای حسگر نرمافزارمحور برخلاف شبکههای حسگر بیسیم سنتی که تنها برای یک کاربرد خاص برنامهریزی شدند، میتوان روی هر گره شبکه چندین حسگر تعبیه نمود و برای آن چندین وظیفه به طور همزمان تعریف کرد. هر کدام از این گرههای حسگر دارای یک برنامه مجازیسازی هستند که به چکیده کامل
در شبکههای حسگر نرمافزارمحور برخلاف شبکههای حسگر بیسیم سنتی که تنها برای یک کاربرد خاص برنامهریزی شدند، میتوان روی هر گره شبکه چندین حسگر تعبیه نمود و برای آن چندین وظیفه به طور همزمان تعریف کرد. هر کدام از این گرههای حسگر دارای یک برنامه مجازیسازی هستند که به آنها امکان میدهد به صورت یک زیرساخت ارتباطی مشترک به چندین کاربرد مختلف، سرویس ارائه کنند. کاربردهای مختلف حسگری در شبکه میتوانند توابع هدف و پارامترهای تصمیمگیری متفاوتی داشته باشند. با توجه به محدودیت منابع گرههای شبکه حسگر، تعدد و تنوع وظایف در هر کاربرد، نیازهای کیفیت سرویس متفاوت هر کاربرد و تفاوت توابع هدف برای کاربردهای مختلف، مسئله تخصیص منابع به وظایف میتواند بسیار پیچیده باشد. در این مقاله، مسئله تخصیص منابع به کاربردهای مختلف گرههای حسگر در شبکههای حسگر نرمافزارمحور با هدف تحقق توابع هدف مختلف به صورت یک مسئله بهینهسازی چندهدفه فرمولبندی میگردد و پاسخ بهینه آن ارائه میشود. با در نظر گرفتن محدودیتهای حافظه و انتخاب کوتاهترین مسیر، روش پیشنهادی میتواند پاسخهای بهتری را در قیاس با روشهای موجود بیابد.
پرونده مقاله
برای انجام مکانیابی بر اساس تفاضل توان سیگنال دریافتی در شبکه حسگر بیسیم میبایست توان دریافتی آلوده به نویز را توسط تعدادی حسگر مرجع جمعآوری نمود. به دلیل مشخصبودن تابع چگالی احتمال نویز استفاده از تخمینگر حداکثر درستنمایی بهترین انتخاب خواهد بود. تابع هزینه این چکیده کامل
برای انجام مکانیابی بر اساس تفاضل توان سیگنال دریافتی در شبکه حسگر بیسیم میبایست توان دریافتی آلوده به نویز را توسط تعدادی حسگر مرجع جمعآوری نمود. به دلیل مشخصبودن تابع چگالی احتمال نویز استفاده از تخمینگر حداکثر درستنمایی بهترین انتخاب خواهد بود. تابع هزینه این تخمینگر غیر خطی و غیر محدب است و تا کنون برای آن جواب تحلیلی ارائه نشده است. یکی از راهحلها برای غلبه بر این مشکل استفاده از روشهای بهینهسازی محدب است. در این مقاله برای غلبه بر این مشکل تابع هزینه تخمینگر حداکثر درستنمایی را به دست میآوریم و آن را با روش آزادسازی نیمهمعین حل میکنیم. شبیهسازیهای کامپیوتری نشان میدهد در شرایطی که حسگرهای شبکه به صورت غیر منظم در محیط پخش شوند تخمینگر جدید نسبت به سایر تخمینگرها جذر متوسط انرژی خطای مکانیابی کمتری را نشان میدهد، یعنی دقت مکانیابی بالاتری دارد. در روش جدید دقت مکانیابی نسبت به سایر روشها تا 20% افزایش مییابد و پیچیدگی محاسباتی آن نیز نسبت به روشهای بهینهسازی محدب 30% کمتر است.
پرونده مقاله
یکی از شایعترین دلایل مرگ و میر در هنگام تولد نوزاد نقص قلبی است. تشخیص بیماری قلبی نیازمند مشاهده فعالیت قلب است و یکی از مطمئنترین روشها برای بررسی سلامت قلب، استخراج فعالیتهای الکتریکی قلب یا استخراج الکتروکاردیوگرام است. اما در شرایط خاص مکانی جنین قبل از تولد، چکیده کامل
یکی از شایعترین دلایل مرگ و میر در هنگام تولد نوزاد نقص قلبی است. تشخیص بیماری قلبی نیازمند مشاهده فعالیت قلب است و یکی از مطمئنترین روشها برای بررسی سلامت قلب، استخراج فعالیتهای الکتریکی قلب یا استخراج الکتروکاردیوگرام است. اما در شرایط خاص مکانی جنین قبل از تولد، استخراج غیر تهاجمی سیگنال الکتروکاردیوگرام چالشبرانگیز شده است چرا که علاوه بر قلب جنین، منابع دیگری از قبیل قلب مادر، فعالیت ماهیچهای مادر و جنین، فعالیت مغزی جنین و نویزهای محیط نیز تأثیر دارند که باعث مخدوششدن سیگنال قلب جنین میشوند و تحلیل آن را دشوار میکنند. سیگنال قلب مادر به دلیل دامنه زیاد بیشترین تأثیر و سیگنال مغز جنین به دلیل دامنه کم، کمترین تأثیر را در مخدوششدن سیگنال قلب جنین دارند. این مقاله، روشی جدید برای استخراج الکتروکاردیوگرام جنین از ثبتهای شکمی مادر ارائه میدهد. روش پیشنهادی به منظور کاهش پیچیدگی محاسباتی از روش حسگری فشرده و برای تخمین منابع از روش آنالیز سریع مؤلفه مستقل و همچنین برای نمایش تُنک سیگنالها از دو دیکشنری تبدیل کسینوسی گسسته و تبدیل موجک گسسته استفاده میکند. عملکرد پیادهسازی روش پیشنهادی روی پایگاه داده موجود در چالش 2013 فیزیونت ارزیابی و نتایج به دست آمده با بهترین روشهای موجود مقایسه شده است. نتایج به دست آمده نشان میدهد که روش معرفیشده در این مقاله، با میانگین مربعات خطای 65/171، با دقت بیشتری نسبت به سایر روشهای موجود قادر به استخراج سیگنالهای قلب جنین میباشد.
پرونده مقاله
یکی از مهمترین مشکلات حافظههای STT-RAM امکان بروز خطا در این حافظهها است. از عوامل اصلی رخداد خطا در این حافظهها میتوان به نوسانات فرایند ساخت، نوسانات دمایی و وابستگی رخداد خطا به توزیع دادهای اشاره کرد و بنابراین احتمال رخداد خطا با توجه به داده موجود در هر سلول چکیده کامل
یکی از مهمترین مشکلات حافظههای STT-RAM امکان بروز خطا در این حافظهها است. از عوامل اصلی رخداد خطا در این حافظهها میتوان به نوسانات فرایند ساخت، نوسانات دمایی و وابستگی رخداد خطا به توزیع دادهای اشاره کرد و بنابراین احتمال رخداد خطا با توجه به داده موجود در هر سلول با سلول دیگر متفاوت خواهد بود. روشهای ارائهشده موجود عموماً بدون در نظر گرفتن رفتار حافظه در شرایط فیزیکی مختلف، اقدام به حل مشکلات حافظهها کردهاند که در نتیجه با سربار زیادی در توان و مساحت همراه هستند. بنابراین نیاز به ارائه روشی احساس میشود که در سطوح پایینتر، احتمال رخداد خطا را در هنگام عمل نوشتن کاهش دهد، با در نظر گرفتن این امر که سربار توان غیر قابل قبولی ایجاد نکند. به منظور کاهش رخداد خطای نوشتن و همچنین پیشگیری از سربار توان زیاد، پیشنهادی ارائه شده که با توجه به داده، مسیر جداگانهای برای نوشتن در نظر خواهد گرفت. هر کدام از مسیرها مشخصهای مطابق با داده خواهند داشت که در نهایت منجر به کاهش حداکثری خطای نوشتن میشود. در این راستا از مشخصه دمایی سلول برای کاهش زمان عملیات نوشتن بهره گرفته خواهد شد. شبیهسازیها نشان میدهد که اعمال این روش منجر به کاهش 38/11% زمان نوشتن در سلول حافظه شده که این دستاورد بدون سربار مساحت و یا توان نسبت به روشهای موجود حاصل شده است.
پرونده مقاله