• صفحه اصلی
  • درباره رایمگ
  • تماس با ما
  • ثبت نام
  • ورود
  • سفارش سامانه
پیشرفته
  • صفحه اصلی
  • هدی مشایخی
  • آخرین شماره

    2
    شماره 2 , 2   دوره 21 تابستان 1402
    ارسال مقاله به نشریه فهرست داوران

    شماره های پیشین

    • دوره 21
      • ✓ شماره 2 , 1 - تابستان 1402
      • ✓ شماره 2 , 2 - تابستان 1402
      • ✓ شماره 1 , 1 - بهار 1402
      • ✓ شماره 1 , 2 - بهار 1402
    • دوره 20
      • ✓ شماره 4 , 1 - زمستان 1401
      • ✓ شماره 4 , 2 - زمستان 1401
      • ✓ شماره 3 , 1 - پاییز 1401
      • ✓ شماره 3 , 2 - پاییز 1401
      • ✓ شماره 2 , 1 - تابستان 1401
      • ✓ شماره 2 , 2 - تابستان 1401
      • ✓ شماره 1 , 1 - بهار 1401
      • ✓ شماره 1 , 2 - بهار 1401
    • دوره 19
      • ✓ شماره 4 , 1 - زمستان 1400
      • ✓ شماره 4 , 2 - زمستان 1400
      • ✓ شماره 3 , 1 - پاییز 1400
      • ✓ شماره 3 , 2 - پاییز 1400
      • ✓ شماره 2 , 1 - تابستان 1400
      • ✓ شماره 2 , 2 - تابستان 1400
      • ✓ شماره 1 , 1 - بهار 1400
      • ✓ شماره 1 , 2 - بهار 1400
    • دوره 16
      • ✓ شماره 4 , 1 - زمستان 1397
      • ✓ شماره 4 , 2 - زمستان 1397
      • ✓ شماره 3 , 2 - پاییز 1400
      • ✓ شماره 3 , 1 - پاییز 1397
      • ✓ شماره 2 , 1 - تابستان 1400
      • ✓ شماره 2 , 2 - تابستان 1400
      • ✓ شماره 1 , 2 - بهار 1400
      • ✓ شماره 1 , 1 - بهار 1397
    • دوره 18
      • ✓ شماره 4 , 1 - زمستان 1399
      • ✓ شماره 4 , 2 - زمستان 1399
      • ✓ شماره 3 , 1 - پاییز 1399
      • ✓ شماره 3 , 2 - پاییز 1399
      • ✓ شماره 2 , 1 - تابستان 1399
      • ✓ شماره 2 , 2 - تابستان 1399
      • ✓ شماره 1 , 1 - بهار 1399
      • ✓ شماره 1 , 2 - بهار 1399
    • دوره 17
      • ✓ شماره 4 , 1 - زمستان 1398
      • ✓ شماره 4 , 2 - زمستان 1398
      • ✓ شماره 3 , 1 - پاییز 1398
      • ✓ شماره 3 , 2 - پاییز 1398
      • ✓ شماره 2 , 1 - تابستان 1398
      • ✓ شماره 2 , 2 - تابستان 1398
      • ✓ شماره 1 , 1 - بهار 1398
      • ✓ شماره 1 , 2 - بهار 1398
    • دوره 15
      • ✓ شماره 4 , 1 - زمستان 1396
      • ✓ شماره 4 , 2 - زمستان 1396
      • ✓ شماره 3 , 1 - پاییز 1396
      • ✓ شماره 3 , 2 - پاییز 1396
      • ✓ شماره 2 , 1 - تابستان 1396
      • ✓ شماره 2 , 2 - تابستان 1396
      • ✓ شماره 1 , 1 - بهار 1396
      • ✓ شماره 1 , 2 - بهار 1396
    • دوره 14
      • ✓ شماره 4 , 1 - زمستان 1395
      • ✓ شماره 4 , 2 - زمستان 1395
      • ✓ شماره 3 , 1 - پاییز 1395
      • ✓ شماره 3 , 2 - پاییز 1395
      • ✓ شماره 2 , 2 - تابستان 1395
      • ✓ شماره 2 , 2 - تابستان 1395
      • ✓ شماره 1 , 1 - بهار 1395
      • ✓ شماره 1 , 2 - بهار 1395
    • دوره 13
      • ✓ شماره 4 - زمستان 1394
      • ✓ شماره 3 - پاییز 1394
      • ✓ شماره 2 - تابستان 1394
      • ✓ شماره 1 - بهار 1394
    • دوره 12
      • ✓ شماره 4 - زمستان 1393
      • ✓ شماره 3 - پاییز 1393
      • ✓ شماره 2 - تابستان 1393
      • ✓ شماره 1 - بهار 1393
    • دوره 11
      • ✓ شماره 4 - زمستان 1392
      • ✓ شماره 3 - پاییز 1392
      • ✓ شماره 2 - تابستان 1392
      • ✓ شماره 1 - بهار 1392
    • دوره 10
      • ✓ شماره 4 - زمستان 1391
      • ✓ شماره 3 - پاییز 1391
      • ✓ شماره 2 - تابستان 1391
      • ✓ شماره 1 - بهار 1391
    • دوره 9
      • ✓ شماره 4 - زمستان 1390
      • ✓ شماره 3 - پاییز 1390
      • ✓ شماره 2 - تابستان 1390
      • ✓ شماره 1 - بهار 1390
    • دوره 8
      • ✓ شماره 4 - زمستان 1389
      • ✓ شماره 3 - پاییز 1389
      • ✓ شماره 2 - تابستان 1389
      • ✓ شماره 1 - بهار 1389
    • دوره 7
      • ✓ شماره 4 - زمستان 1388
      • ✓ شماره 3 - پاییز 1388
      • ✓ شماره 2 - تابستان 1388
      • ✓ شماره 1 - بهار 1388
    • دوره 6
      • ✓ شماره 4 - زمستان 1387
      • ✓ شماره 3 - پاییز 1387
      • ✓ شماره 2 - تابستان 1387
      • ✓ شماره 1 - بهار 1387
    • دوره 5
      • ✓ شماره 4 - زمستان 1386
      • ✓ شماره 3 - پاییز 1386
      • ✓ شماره 2 - تابستان 1386
      • ✓ شماره 1 - بهار 1386
    • دوره 4
      • ✓ شماره 2 - پاییز - زمستان 1385
      • ✓ شماره 1 - بهار - تابستان 1385
    • دوره 3
      • ✓ شماره 2 - پاییز - زمستان 1384
      • ✓ شماره 1 - بهار - تابستان 1384
    • دوره 2
      • ✓ شماره 2 - پاییز - زمستان 1383
      • ✓ شماره 1 - بهار - تابستان 1383
    • دوره 1
      • ✓ شماره 2 - پاییز - زمستان 1382
      • ✓ شماره 1 - بهار - تابستان 1382

    صفحات نشریه

    • •  شناسنامه
    • •  اصول اخلاقی
    • •  راهنماي تدوين مقاله
    • •  درباره ما
    • •  ارزيابي
    • تماس با نشریه

    مرور

    • •  شماره جاری
    • •  براساس شمارگان نشریه
    • • نمایه نویسندگان
    • •  براساس موضوعات
    • •  براساس نویسندگان
    OpenAccess Hamtajoo
    • فهرست مقالات هدی مشایخی

      • دسترسی آزاد مقاله
        • صفحه چکیده
        • متن کامل

        1 - استفاده از خوشه‌بندی تکاملی برای تشخیص موضوع در بلاگ‌نویسی کوچک با لحاظ‌نمودن اطلاعات شبکه اجتماعی
        الهام سادات َعلوی هدی مشایخی حمید حسن‌پور باقر رحیم‌پور کامی
        20.1001.1.16823745.1398.17.4.11.0
        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
      • دسترسی آزاد مقاله
        • صفحه چکیده
        • متن کامل

        2 - پیش‌بینی مکانی- زمانی تغییرات پوشش گیاهی بر مبنای داده‌های سنجش از دور با استفاده از یادگیری عمیق
        الهام زنگنه هدی مشایخی سعید قره چلو
        20.1001.1.16823745.1401.20.4.2.2
        درک و تحلیل تغییرات داده‌های مکانی- زمانی در کاربرد‌های مختلف از جمله انجام اقدامات حفاظت و توسعه منابع طبیعی اهمیت زیادی دارد. در مطالعات گذشته، عمدتاً از فرایند مارکوف و روش‌های مبتنی بر مقایسه جهت پیش‌بینی تغییرات شاخص‌های پوشش گیاهی استفاده گردیده که دقت آنها همچنان چکیده کامل
        درک و تحلیل تغییرات داده‌های مکانی- زمانی در کاربرد‌های مختلف از جمله انجام اقدامات حفاظت و توسعه منابع طبیعی اهمیت زیادی دارد. در مطالعات گذشته، عمدتاً از فرایند مارکوف و روش‌های مبتنی بر مقایسه جهت پیش‌بینی تغییرات شاخص‌های پوشش گیاهی استفاده گردیده که دقت آنها همچنان جای بهبود دارد. گرچه تحلیل‌های سری زمانی برای پیش‌بینی معدودی از شاخص‌‌ها مورد استفاده قرار گرفته است، اما روشی که این شاخص‌ها را از داده‌های سنجش از دور استخراج کرده و مدل‌سازی توالی آنها را با یادگیری عمیق انجام دهد، به ندرت مشاهده می‌شود. در این مقاله، روشی برای پیش‌بینی تغییرات شاخص‌های گیاهی مبتنی بر یادگیری عمیق ارائه می‌شود. داده‌های پژوهش شامل تصاویر ماهواره‌ای لندست از سال ۲۰۰۰ تا ۲۰۱۸، مربوط به چهار فصل سال در نواحی شمال و شرق شهرستان شاهرود در استان سمنان می‌باشند. گستره زمانی تصاویر استخراج‌شده، امکان پیش‌بینی تغییرات پوشش گیاهی را ممکن می‌سازند. شاخص‌های پوشش گیاهی استخراج‌شده از مجموعه داده، شامل NDVI، RVI و SAVI هستند. پس از انجام اصلاحات اتمسفری روی تصاویر، شاخص‌های مورد نظر استخراج شده و سپس داده‌ها به سری زمانی تبدیل می‌شوند. نهایتاً مدل‌سازی توالی این داده‌ها توسط شبکه حافظه کوتاه- بلندمدت انجام می‌شود. نتایج حاصل از آزمایش‌ها نشان می‌دهند که شبکه عصبی قادر به پیش‌بینی مقادیر آینده با دقت بالا است. میزان خطای شبکه بدون وجود داده‌های اضافی برای شاخص NDVI برابر 03/0، شاخص SAVI برابر با 02/0 و شاخص RVI برابر با 06/0 گزارش می‌شود. پرونده مقاله
  • صفحه اصلی
  • نقشه سایت
  • تماس با ما
  • صفحه اصلی
  • نقشه سایت
  • تماس با ما

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات رایمگ است.
حق نشر © 1402-1396

صفحه اصلی| عضویت/ ورود| درباره رایمگ| تماس با ما|
[English] [العربية] [en] [ar]
  • Ricest
  • عضویت/ ورود
  • email