یادگیری ساختار شبکه بیزی از داده، در سالهای اخیر توجه بسیاری از محققین را به خود جلب نموده است. از طرفی، یافتن شبکه بهینه از داده کامل، خود یک مسأله غیر چندجملهای سخت میباشد و پیچیدگی مسأله، زمانی که داده ناقص است، بیشتر میشود. به طور کلی دو حالت یادگیری شبکه بیزی ا چکیده کامل
یادگیری ساختار شبکه بیزی از داده، در سالهای اخیر توجه بسیاری از محققین را به خود جلب نموده است. از طرفی، یافتن شبکه بهینه از داده کامل، خود یک مسأله غیر چندجملهای سخت میباشد و پیچیدگی مسأله، زمانی که داده ناقص است، بیشتر میشود. به طور کلی دو حالت یادگیری شبکه بیزی از داده ناقص وجود دارد: زمانی که ساختار مشخص است و زمانی که ساختار نیز نامشخص است. در این مقاله سعی بر آن است تا پارامترهای بهینه را برای یک شبکه بیزی با ساختار مشخص از داده حاوی مقادیر گمشده بیابیم. برای این منظور مفهوم "پارامتر مؤثر" را معرفی نمودیم، به طوری که درستنمایی ساختار شبکه به شرط داده کاملشده، بیشینه گردد. این روش میتواند به هر الگوریتمی همچون بیشینهسازی امید ساختاری که به پارامترهای بهینه برای یافتن ساختار شبکه بیزی نیاز دارند، متصل شود.
در این مقاله ثابت کردیم که روش پیشنهادی از دیدگاه تابع درستنمایی به پارامترهای بهینه شبکه دست مییابد. نتایج اعمال روش پیشنهادی به چندین شبکه بیزی استاندارد، نشاندهنده سرعت روش در مقایسه با روشهای شناختهشده قبلی است و نیز این که به پارامترهای بهتری نسبت به آنها دست مییابد.
پرونده مقاله
در اين مقاله ضمن معرفي روشهاي متداول مبتني بر سناريو در ارزيابي معماري نرمافزار و بيان نقاط ضعف و قوت آنها، رويكرد متفاوتي براي شناسايي نقايص معماري ارائه ميشود. در روش پيشنهادي مشكلات تهديدكننده سيستم توسط سهامداران فهرست ميشوند و با تحليل نقصهاي احتمالي كه ميتو چکیده کامل
در اين مقاله ضمن معرفي روشهاي متداول مبتني بر سناريو در ارزيابي معماري نرمافزار و بيان نقاط ضعف و قوت آنها، رويكرد متفاوتي براي شناسايي نقايص معماري ارائه ميشود. در روش پيشنهادي مشكلات تهديدكننده سيستم توسط سهامداران فهرست ميشوند و با تحليل نقصهاي احتمالي كه ميتوانند مسبب بروز آن مشكلات باشند، خطاهاي موجود در سطوح مختلف به ويژه در سطح معماري نرمافزار كشف ميگردند. نتايج به كارگيري عملي روش پيشنهادي نشان ميدهد كه اين روش ميتواند در آشكارنمودن نقصهايي كه ممكن است از حوزه تأثير روشهاي ديگر مصون مانده باشند، مؤثر باشد. لذا از اين روش میتوان هم برای آزمون معماری و هم به عنوان یک رویه تکمیلی در كنار روشهاي ارزيابي معماري نرمافزار جهت شناسایی نقایص و اصلاح معماری استفاده نمود. روش پيشنهادي و اجزاي آن در يك قالب سيستماتيك معرفي شده و نتايج به كارگيري آن بر روي يك سيستم واقعي ارائه ميگردد.
پرونده مقاله
طبقهبندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهمترین مرحله در طبقهبندی بافت تصویر، استخراج ویژگی از تصویر میباشد. تاکنون روشهای بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شدهاند اما از میان روشهای موجود الگوهای باینری چکیده کامل
طبقهبندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهمترین مرحله در طبقهبندی بافت تصویر، استخراج ویژگی از تصویر میباشد. تاکنون روشهای بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شدهاند اما از میان روشهای موجود الگوهای باینری محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیادهسازی و استخراج ویژگیهای مناسب با دقت طبقهبندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی هرچند از نظر پیادهسازی بسیار ساده است، اما زمانی که شعاع همسایگی افزایش یابد پیچیدگی محاسباتی بالایی دارد. شکل بهبودیافته الگوهای باینری محلی نیز به الگوهای همگن برچسبهای متمایز و به تمام الگوهای غیر همگن یک برچسب یکسان انتساب میدهد و این امر، طبقهبندی تصاویری که دارای درصد بالایی از الگوهای غیر همگن میباشند را با مشکل مواجه میسازد.
در این مقاله، یک شکل جدید از الگوهای باینری محلی ارائه شده است که پیچیدگی محاسباتی آن نسبت به شکل اصلی الگوهای باینری محلی کمتر و دقت طبقهبندی آن نیز از شکل اصلی و بهبودیافته الگوهای باینری محلی بیشتر میباشد. روش ارائهشده در این مقاله نه تنها تصاویر با الگوهای همگن را به خوبی طبقهبندی میکند، بلکه در مورد تصاویری که دارای حجم بسیار بالایی از الگوهای غیر همگن میباشند نیز به خوبی عمل میکند. همچنین میتوان با تغییر در بازههای شدت روشنایی، محلی یا سراسریبودن ویژگیها را کنترل کرد. دقت طبقهبندی برای تمام تصاویر بافتی موجود در پایگاه داده Brodatz و Outex، کارایی روش ارائهشده را نشان میدهد.
پرونده مقاله
وب معنایی یکی از گستردهترين موضوعات تحقيقي در چند سال اخير است که در آن مفهوم بسيار مهم و ارزشمندی به نام آنتولوژی وجود دارد. آنتولوژی اطلاعات و دانش موجود در دامنه مورد نظر را به صورت صوری توصيف میکند و با وجود این توصیف صوری امکان استدلال در آنها فراهم میشود. به دل چکیده کامل
وب معنایی یکی از گستردهترين موضوعات تحقيقي در چند سال اخير است که در آن مفهوم بسيار مهم و ارزشمندی به نام آنتولوژی وجود دارد. آنتولوژی اطلاعات و دانش موجود در دامنه مورد نظر را به صورت صوری توصيف میکند و با وجود این توصیف صوری امکان استدلال در آنها فراهم میشود. به دلیل توزیعشدگی وب معنایی و پراکندگی آنتولوژيها و دادهها در سطح وب، در بسیاری از موارد استدلال متمرکز به سختي انجام ميشود و لازم است استدلال به صورت توزیعشده میان آنتولوژیهای مختلف یک حوزه دانش صورت پذیرد. از طرف دیگر در اطلاعات موجود در وب معنایی همانند بسیاری از موضوعات دیگر عدم قطعیت و اطمینان وجود دارد. مدلسازی عدم قطعیت در وب معنایی و استدلال در اطلاعات غیر قطعی نیز از موضوعات تحقیقاتی جدیدی است که در دهه اخیر به آن پرداخته شده است. در این مقاله تلاش شده روشی برای استدلال توزیعشده میان گروهی از آنتولوژیها که دارای اطلاعات غیر قطعی هستند، ارائه شود که از کارایی مناسبی نیز برخوردار باشد. برای این منظور از منطق توصیفی توزیعشده به عنوان چارچوبی برای استدلال توزیعشده و از نظریه عدم قطعیت برای مدلسازی عدم قطعیت بهره گرفته شده است. به کمک روش ارائهشده امکان استدلال میان گروهی از آنتولوژیهای توزیعشده با اطلاعات غیر قطعی فراهم خواهد شد. نتایج کاربرد این روش در پالایش نگاشت میان آنتولوژیها نشان میدهد این روش از دقت و درستی بیشتری نسبت به روش استدلال توزیعشده قطعی برخوردار است.
پرونده مقاله
یکی از مسایل مطرح در ساخت سیستمهای یادگیر نظیر شبکههای عصبی و یا اتوماتای یادگیر، تعیین نرخ یادگیری است. در اکثر موارد از یک الگوریتم کاهشیابنده در طول زمان برای تنظیم نرخ یادگیری استفاده میشود. در این مقاله یک روش جدید برای تغییر نرخ یادگیری و انطباق سیستم یادگیرند چکیده کامل
یکی از مسایل مطرح در ساخت سیستمهای یادگیر نظیر شبکههای عصبی و یا اتوماتای یادگیر، تعیین نرخ یادگیری است. در اکثر موارد از یک الگوریتم کاهشیابنده در طول زمان برای تنظیم نرخ یادگیری استفاده میشود. در این مقاله یک روش جدید برای تغییر نرخ یادگیری و انطباق سیستم یادگیرنده با وضعیت محیط، برای استفاده در اتوماتای یادگیر پیشنهاد شده است. این روش جدید از برخی معیارهای آماری مربوط به توزیع فعلی به دست آمده برای بردار احتمالات متناظر با اقدامهای اتوماتا به منظور تعیین افزایش یا کاهش نرخ یادگیری استفاده میکند. مزیت این روش در آن است که بر خلاف روشهای موجود فعلی، در طول فرایند یادگیری هم افزایش و هم کاهش مقدار نرخ یادگیری را - بسته به نتایج مقایسه معیارهای آماری - انجام میدهد و به صورت خودکار نرخ یادگیری را تنظیم میکند.
ضمن تشریح مبانی ریاضی این الگوریتم جدید، عملکرد این الگوریتم را در محیطهای تصادفی نمونه بررسی کرده و با مقایسه نتایج به دست آمده نشان دادهایم روش پیشنهادی جدید به دلیل این که در طول زمان یادگیری، همزمان و بر اساس معیارهای تعیینشده، افزایش و کاهش نرخ یادگیری را انجام میدهد، از انعطافپذیری بیشتری نسبت به روشهای قبلی برای انطباق با محیطهای تصادفی پویا برخوردار است و مقادیر یاد گرفته شده به مقادیر حقیقی نزدیکتر هستند.
پرونده مقاله
روش بهینهسازی نیروی مرکزی (CFO) یکی از روشهای ابتکاری جستجو و بهینهسازی جدید است که به تازگی به مجموعه روشهای هوش جمعی اضافه شده است. در این تحقیق، روشی مؤثر و کارامد برای خوشهیابی بدون ناظر تصویر با استفاده از الگوریتم فوق ارائه و CFO - Clustering نامیده شده است. چکیده کامل
روش بهینهسازی نیروی مرکزی (CFO) یکی از روشهای ابتکاری جستجو و بهینهسازی جدید است که به تازگی به مجموعه روشهای هوش جمعی اضافه شده است. در این تحقیق، روشی مؤثر و کارامد برای خوشهیابی بدون ناظر تصویر با استفاده از الگوریتم فوق ارائه و CFO - Clustering نامیده شده است. در روش پیشنهادی، هر پروب در بر دارنده اطلاعات مربوط به مراکز خوشه میباشد که به صورت تصادفی در ابتدای فرایند جستجو مقداردهی میشود. این مقادیر در طی مراحل مختلف الگوریتم CFO تغییر کرده و در نهایت پس از رسیدن به شرط توقف، حاوی مراکز بهینه خوشهها خواهند بود. ملاک بهینهسازی یا تابع برازندگی، هم حاوی فواصل درونخوشهای و هم شامل فواصل بین خوشهای میباشد. آزمایشات مکرر بر روی تصاویر مرجع، کارایی روش CFO-Clustering را نسبت به سایر روشهای مرسوم خوشهبندی نشان میدهد.
پرونده مقاله