فهرست مقالات
-
دسترسی آزاد مقاله
1 - ارائه روش جهش هوشمند مبتنی بر الگوریتم PSO برای حل مسئله انتخاب ویژگی
محمود پرنده مینا زلفی لیقوان جعفر تنهاامروزه با افزایش حجم تولید داده، توجه به الگوریتمهای یادگیری ماشین جهت استخراج دانش از دادههای خام افزایش یافته است. داده خام معمولاً دارای ویژگیهای اضافی یا تکراری است که بر روی عملکرد الگوریتمهای یادگیری تأثیر میگذارد. جهت افزایش کارایی و کاهش هزینه محاسباتی الگو چکیده کاملامروزه با افزایش حجم تولید داده، توجه به الگوریتمهای یادگیری ماشین جهت استخراج دانش از دادههای خام افزایش یافته است. داده خام معمولاً دارای ویژگیهای اضافی یا تکراری است که بر روی عملکرد الگوریتمهای یادگیری تأثیر میگذارد. جهت افزایش کارایی و کاهش هزینه محاسباتی الگوریتمهای یادگیری ماشین، از الگوریتمهای انتخاب ویژگی استفاده میشود که روشهای متنوعی برای انتخاب ویژگی ارائه شده است. از جمله روشهای انتخاب ویژگی، الگوریتمهای تکاملی هستند که به دلیل قدرت بهینهسازی سراسری خود مورد توجه قرار گرفتهاند. الگوریتمهای تکاملی بسیاری برای حل مسئله انتخاب ویژگی ارائه شده که بیشتر آنها روی فضای هدف تمرکز داشتهاند. فضای مسئله نیز میتواند اطلاعات مهمی برای حل مسئله انتخاب ویژگی ارائه دهد. از آنجایی که الگوریتمهای تکاملی از مشکل عدم خروج از نقطه بهینه محلی رنج میبرند، ارائه یک مکانیزم مؤثر برای خروج از نقطه بهینه محلی ضروری است. در این مقاله از الگوریتم تکاملی PSO با تابع چندهدفه برای انتخاب ویژگی استفاده شده که در آن یک روش جدید جهش که از امتیاز ویژگیهای ذرات استفاده میکند، به همراه نخبهگرایی برای خروج از نقاط بهینه محلی ارائه گردیده است. الگوریتم ارائهشده بر روی مجموعه دادههای مختلف تست و با الگوریتمهای موجود بررسی شده است. نتایج شبیهسازیها نشان میدهند که روش پیشنهادی در مقایسه با روش جدید RFPSOFS بهبود خطای 20%، 11%، 85% و 7% به ترتیب در دیتاستهای Isolet، Musk، Madelon و Arrhythmia دارد. پرونده مقاله -
دسترسی آزاد مقاله
2 - راهکاری مبتنی بر ساخت درخت دودویی تقریبی برای سرعتبخشیدن به جستجوی نزدیکترین همسایگی در دادههای حجیم
حسین کلاته نگین دانشپوربا توجه به سرعت روزافزون تولید اطلاعات و نیاز تبدیل اطلاعات به دانش، روشهای یادگیری ماشین قدیمی دیگر پاسخگو نیستند. هنگام استفاده از طبقهبندیها با روشهای یادگیری ماشین قدیمی، به ویژه استفاده از طبقهبندیهای ذاتاً تنبل مانند روش k- نزدیکترین همسایگی (KNN)، عملیات ط چکیده کاملبا توجه به سرعت روزافزون تولید اطلاعات و نیاز تبدیل اطلاعات به دانش، روشهای یادگیری ماشین قدیمی دیگر پاسخگو نیستند. هنگام استفاده از طبقهبندیها با روشهای یادگیری ماشین قدیمی، به ویژه استفاده از طبقهبندیهای ذاتاً تنبل مانند روش k- نزدیکترین همسایگی (KNN)، عملیات طبقهبندی دادههای حجیم بسیار کند است. نزدیکترین همسایگی به دلیل سادگی و دقت عملی که ارائه میدهد یک روش محبوب در زمینه طبقهبندی دادهها میباشد. روش پیشنهادی مبتنی بر مرتبسازی بردارهای ویژگی دادههای آموزشی در یک درخت جستجوی دودویی است تا طبقهبندی دادههای بزرگ را با استفاده از روش نزدیکترین همسایگی تسریع بخشد. این کار با استفاده از یافتن تقریبی دو دورترین داده محلی در هر گره درخت انجام میشود. این دو داده به عنوان معیار برای تقسیم دادههای موجود در گره فعلی بین دو گروه، مورد استفاده قرار میگیرند. مجموعه دادههای موجود در هر گره بر اساس شباهت آنها به این دو داده، به فرزند چپ یا راست گره فعلی تخصیص داده میشوند. نتایج آزمایشهای متعدد انجامشده بر روی مجموعه دادههای مختلف از مخزن UCI، میزان دقت خوب با توجه به زمان اجرای کم روش پیشنهادی را نشان میدهد. پرونده مقاله -
دسترسی آزاد مقاله
3 - سنتز منطقی چندهدفه مدارهای کوانتومی
آرزو رجايي محبوبه هوشمند سيدعابد حسينيمحاسبات کوانتومی، روش جدیدی از پردازش اطلاعات است که بر مبنای مفاهیم مکانیک کوانتومی بنا شده و منجر به رخدادهای عجیب و قدرتمندی در حوزه کوانتوم میشود. سنتز منطقی مدارهای كوانتومی به فرایند تبدیل یك گیت دادهشده كوانتومی به مجموعهای از گیتها با قابلیت پیادهسازی در تك چکیده کاملمحاسبات کوانتومی، روش جدیدی از پردازش اطلاعات است که بر مبنای مفاهیم مکانیک کوانتومی بنا شده و منجر به رخدادهای عجیب و قدرتمندی در حوزه کوانتوم میشود. سنتز منطقی مدارهای كوانتومی به فرایند تبدیل یك گیت دادهشده كوانتومی به مجموعهای از گیتها با قابلیت پیادهسازی در تكنولوژیهای كوانتومی اطلاق میشود. از معروفترین روشهای سنتز منطقی CSD و QSD هستند. هدف اصلی این مقاله، ارائه یک روش سنتز منطقی چندهدفه ترکیبی از دو روش فوق در مدل مداری محاسباتی با هدف بهینهسازی معیارهای ارزیابی است. در این روش پیشنهادی، فضای جوابی از ترکیبهای مختلف روشهای تجزیه CSD و QSD ایجاد میشود. فضای جواب ایجادشده، یک فضا با اندازه نمایی بسیار بزرگ است. سپس با استفاده از یک رهیافت پایین به بالا از روش حل برنامهریزی پویای چندهدفه، روشی ارائه میشود تا تنها بخشی از کل فضای جواب، برای یافتن مدارهایی با هزینههای بهینه پرتو جستجو شوند. نتایج به دست آمده نشان میدهند که این روش، موازنهای بین معیارهای ارزیابی ایجاد میکند و پاسخهای بهینه پرتو متعددی تولید کرده که با توجه به تکنولوژیهای مختلف کوانتومی میتوانند انتخاب شوند. پرونده مقاله -
دسترسی آزاد مقاله
4 - طبقهبندی خودآموز نیمهنظارتی مبتنی بر ساخت همسایگی
منا عمادی جعفر تنها محمد ابراهیم شیری مهدی حسین زاده اقدمبهکارگیری دادههای بدون برچسب در خودآموزی نیمهنظارتی میتواند به طور قابل توجهی دقت طبقهبند نظارتشده را بهبود بخشد، اما در برخی موارد ممکن است دقت طبقهبندی را به مقدار چشمگیری کاهش دهد. یکی از دلایل چنین تنزلی، برچسبگذاری اشتباه به دادههای بدون برچسب میباشد. در چکیده کاملبهکارگیری دادههای بدون برچسب در خودآموزی نیمهنظارتی میتواند به طور قابل توجهی دقت طبقهبند نظارتشده را بهبود بخشد، اما در برخی موارد ممکن است دقت طبقهبندی را به مقدار چشمگیری کاهش دهد. یکی از دلایل چنین تنزلی، برچسبگذاری اشتباه به دادههای بدون برچسب میباشد. در این مقاله، روشی را برای برچسبگذاری با قابلیت اطمینان بالا به دادههای بدون برچسب پیشنهاد میکنیم. طبقهبند پایه در الگوریتم پیشنهادی، ماشین بردار پشتیبان است. در این روش، برچسبگذاری فقط به مجموعهای از دادههای بدون برچسب که از مقدار مشخصی به مرز تصمیم نزدیکتر هستند انجام میشود. به این دادهها، دادههای دارای اطلاعات میگویند. اضافهشدن دادههای دارای اطلاعات به مجموعه آموزشی در صورتی که برچسب آنها به درستی پیشبینی شود در دستیابی به مرز تصمیم بهینه تأثیر بهسزایی دارد. برای کشف ساختار برچسبزنی در فضای داده از الگوریتم اپسیلون- همسایگی (DBSCAN) استفاده شده است. آزمایشهای مقایسهای روی مجموعه دادههای UCI نشان میدهند که روش پیشنهادی برای دستیابی به دقت بیشتر طبقهبند نیمهنظارتی خودآموز به نسبت برخی از کارهای قبلی عملکرد بهتری دارد. پرونده مقاله -
دسترسی آزاد مقاله
5 - گامی در راه رسیدن به شبکههای عصبی عمیق تمامنوری: بهکارگیری واحد غیر خطی نوری
آیدا ابراهیمی دهقان پور سمیه کوهیدر سالهای اخیر، شبکههای عصبی نوری به علت سرعت بالا و توان مصرفی پایینی که دارند، بسیار مورد توجه قرار گرفتهاند. با این وجود، این شبکهها هنوز محدودیتهای زیادی دارند که یکی از این محدودیتها پیادهسازی لایه غیر خطی در آنهاست. در این نوشتار، پیادهسازی واحد غیر خطی ب چکیده کاملدر سالهای اخیر، شبکههای عصبی نوری به علت سرعت بالا و توان مصرفی پایینی که دارند، بسیار مورد توجه قرار گرفتهاند. با این وجود، این شبکهها هنوز محدودیتهای زیادی دارند که یکی از این محدودیتها پیادهسازی لایه غیر خطی در آنهاست. در این نوشتار، پیادهسازی واحد غیر خطی برای شبکههای عصبی پیچشی نوری مورد بررسی قرار گرفته تا در نهایت با استفاده از این واحد غیر خطی بتوان به یک شبکه عصبی پیچشی تمامنوری عمیق با دقتی مشابه شبکههای الکتریکی، سرعت بالاتر و توان مصرفی کمتر رسید و بتوان قدمی در راستای کاهش محدودیتهای این شبکهها برداشت. در این راستا ابتدا روشهای مختلف پیادهسازی واحد غیر خطی مرور شدهاند. سپس به بررسی تأثیر استفاده از جاذب اشباعشونده به عنوان واحد غیر خطی در لایههای مختلف بر دقت شبکه پرداخته شده و نهایتاً روشی نوین و ساده برای جلوگیری از کاهش دقت شبکههای عصبی در صورت استفاده از این تابع فعالساز ارائه گردیده است. پرونده مقاله -
دسترسی آزاد مقاله
6 - ارائه سیستم توصیهگر مبتنی بر جلسه شخصیسازی شده با استفاده از شبکههای خودتوجه
اعظم رمضانی عليمحمد زارع بيدكيسیستمهای توصیهگر مبتنی بر جلسه بر اساس رفتار و تعاملات کاربر در یک جلسه، رفتار بعدی یا علاقه کاربر را پیشبینی کرده و بر این اساس، آیتمهای مناسب را به کاربر پیشنهاد میدهند. مطالعات اخیر برای ایجاد توصیهها عمدتاً روی اطلاعات جلسه فعلی متمرکز شدهاند و اطلاعات جلسات چکیده کاملسیستمهای توصیهگر مبتنی بر جلسه بر اساس رفتار و تعاملات کاربر در یک جلسه، رفتار بعدی یا علاقه کاربر را پیشبینی کرده و بر این اساس، آیتمهای مناسب را به کاربر پیشنهاد میدهند. مطالعات اخیر برای ایجاد توصیهها عمدتاً روی اطلاعات جلسه فعلی متمرکز شدهاند و اطلاعات جلسات قبلی کاربر را نادیده میگیرند. در این مقاله، یک مدل توصیهگر مبتنی بر جلسه شخصیسازی شده با شبکههای خودتوجه پیشنهاد میشود که علاوه بر جلسه فعلی از جلسات قبلی اخیر کاربر هم استفاده میکند. مدل پیشنهادی به منظور یادگیری وابستگی کلی بین همه آیتمهای جلسه، از شبکههای خودتوجه (SAN) استفاده میکند. ابتدا SAN مبتنی بر جلسات ناشناس آموزش داده میشود و سپس برای هر کاربر، توالیهای جلسه فعلی و جلسات قبلی به صورت جداگانه به شبکه داده میشود و با ترکیب وزنی نتایج رتبهبندی حاصل از هر جلسه، آیتمهای توصیهشده نهایی به دست میآید. مدل پیشنهادی بر روی مجموعه داده واقعی Reddit در دو معیار دقت و میانگین رتبه متقابل، تست و ارزیابی شده است. مقایسه نتایج حاصل از مدل پیشنهادی با رویکردهای قبلی، توانایی و اثربخشی مدل پیشنهادی را در ارائه توصیههای دقیقتر نشان میدهد. پرونده مقاله -
دسترسی آزاد مقاله
7 - ارائه سیستم بازیابی تصاویر مبتنی بر محتوا با بهرهگیری از یادگیری نیمه¬نظارتشده و کاوش الگوهای مکرر انجمنی
مارال كلاه كجبازیابی تصاویر مبتنی بر محتوا که با عنوان پرس¬وجو بر اساس محتوای تصویر نیز شناخته می¬شود، یکی از زیرشاخه¬های بینایی ماشین است که جهت سازماندهی و تشخیص محتوای تصاویر دیجیتال با بهره¬گیری از ویژگی¬های بصری به کار می¬رود. این تکنولوژی، تصاویر مشابه با تصویرپرس¬وجو را از پ چکیده کاملبازیابی تصاویر مبتنی بر محتوا که با عنوان پرس¬وجو بر اساس محتوای تصویر نیز شناخته می¬شود، یکی از زیرشاخه¬های بینایی ماشین است که جهت سازماندهی و تشخیص محتوای تصاویر دیجیتال با بهره¬گیری از ویژگی¬های بصری به کار می¬رود. این تکنولوژی، تصاویر مشابه با تصویرپرس¬وجو را از پایگاه داده¬های عظیم تصویری بهصورت خودکار جستجو میکند و با استخراج مستقیمویژگی¬های بصری از داده¬های تصویری و نه کلمات کلیدی و حاشیه¬نویسی¬های متنی، مشابهترین تصاویر را برای کاربران فراهم میآورد؛ بنابراین در این مقاله روشی ارائهشده است که جهت کاهش شکاف معنایی میانویژگیهای بصری سطح پایین و معانی سطح بالای تصاویر از تبدیل موجک و ترکیب ویژگیها با هیستوگرام رنگ استفاده می¬گردد. در این راستا، خروجی نهایی، از پایگاه داده¬ی تصویر با بهره¬گیری از روش استخراج ویژگی از تصاویر ورودی، خواهد بود.در گام بعد، هنگامیکه تصاویر پرس¬وجو توسط کاربر هدف به سیستم داده می¬شود، جهت بازیابی تصاویر مرتبط، از یادگیری نیمه نظارتشده که از ترکیب روشهای خوشهبندی و طبقهبندی بر اساس کاوش الگوهای مکرر حاصل می¬شود، مشابهترین تصاویربرای کاربران بازیابی میگردد. نتایج آزمایش نشان میدهد که سیستم پیشنهادی، بالاترین میزاناثربخشی را در مقایسه با سایر روشهای مورد مقایسه ارائه نموده است. پرونده مقاله