در سالهای اخير کوششهای بسيار زيادی جهت استفاده از سيگنالهای مغزی بهعنوان يک کانال ارتباطی مستقيم بين انسان و کامپيوتر انجام گرفته است. اين کانال ارتباطی، سيستمهای واسط مغز با کامپيوتر مبتنی بر سيگنال مغزی ناميده میشود. هدف تحقيقات در سيستمهای واسط مغز با کامپيوتر چکیده کامل
در سالهای اخير کوششهای بسيار زيادی جهت استفاده از سيگنالهای مغزی بهعنوان يک کانال ارتباطی مستقيم بين انسان و کامپيوتر انجام گرفته است. اين کانال ارتباطی، سيستمهای واسط مغز با کامپيوتر مبتنی بر سيگنال مغزی ناميده میشود. هدف تحقيقات در سيستمهای واسط مغز با کامپيوتر ايجاد يک کانال ارتباطی است که مستقيماً فعاليتهای مغزی را به فرمانهای کنترلی تبديل کند. اين سيستمها بر اساس تصور ذهنی حرکت و يا يک فعاليت ذهنی خاص استوار هستند. تصور حرکت باعث ايجاد پتانسيلهایی در سطح قشر حرکتی مغز میشود. میتوان از اين سيگنالها بهعنوان يک دستور به کامپيوتر استفاده کرد. اما تشخيص اين سيگنالها به علت پايينبودن نسبت سيگنال به نويز و وجود آرتيفکتهای مختلف يک فرآيند پيچيده است. از مهمترين مشکلات در گسترش سيستمهای ارتباطی مغز با کامپيوتر، حذف بیدرنگ آرتيفکت ناشی از پلکزدن چشم از سيگنالهای مغزی است. تاکنون روشهای مختلفی برای حذف آرتيفکت پلکزدن از سيگنالهای مغزی ارائه شده است. يکی از روشهای مؤثر و مطرح برای حذف آرتيفکتهای مختلف از سيگنالهای الکتروآنسفالوگرام استفاده از تحليل مؤلفههای مستقل است. اما اين روش نياز به تشخيص چشمی مؤلفههای مستقل مربوط به آرتيفکتها دارد. بازبينی چشمی از مؤلفهها بسيار زمانبر بوده و برای حذف برخط آرتيفکت، مناسب نيست. در اين مقاله، راهکار جديدی مبتنی بر تحليل مؤلفههای مستقل برای حذف برخط آرتيفکت پلکزدن از سيگنالهای مغزی گسترش داده شده است. برای اين منظور، الگوريتمهای مختلف وفقی تحليل مؤلفههای مستقل پيشنهاد و کارآيی آنها در شرايط مختلف با انواع دادههای شبيهسازی شده مورد ارزيابی قرار گرفته است. نتايج شبيهسازی نشان میدهد که روشهای وفقی تحليل مؤلفههای مستقل در شرايط خاصی بهخوبی قادر به جداسازی برخط منابع هستند. بهمنظور حذف برخط آرتيفکت از سيگنالهای مغزی با استفاده از راهکار پيشنهادی، آزمايشات مختلفی بر روی انسان انجام شده است. نتايج نشان میدهد که اين روشها بهخوبی قادر به حذف کامل آرتيفکت پلکزدن چشم بهصورت برخط از سيگنالهای مغزی بوده و برای استفاده در مانيتورينگ برخط EEG و سيستمهای ارتباطی مغز با کامپيوتر مناسب هستند.
پرونده مقاله
افزایش نیاز به انرژی الکتریکی، کمبود سوختهای فسیلی و نگرانیها در رابطه با مسایل زیستمحیطی، سبب ورود هرچه بیشتر منابع جدید از جمله منابع تولید پراکنده و تجدیدپذیر انرژی در سیستمهای قدرت مدرن شده است. ریزشبکهها به عنوان یکی از جدیدترین مفاهیم در سیستمهای قدرت از چند چکیده کامل
افزایش نیاز به انرژی الکتریکی، کمبود سوختهای فسیلی و نگرانیها در رابطه با مسایل زیستمحیطی، سبب ورود هرچه بیشتر منابع جدید از جمله منابع تولید پراکنده و تجدیدپذیر انرژی در سیستمهای قدرت مدرن شده است. ریزشبکهها به عنوان یکی از جدیدترین مفاهیم در سیستمهای قدرت از چندین منبع تولید کوچک و بارهای الکتریکی محلی تشکیل شدهاند. با افزایش تعداد ریزشبکهها بر میزان پیچیدگی و غیر خطی بودن سیستمهای قدرت افزوده شده و سبب میشود که کنترلکنندههای مرسوم و غیر منعطف، کارایی مناسبی را در بازه وسیعی از نقاط کار نشان ندهند. از این رو احتیاج به روشهای کنترلی هوشمندتر و مناسبتر بیش از پیش احساس میشود. در این مقاله، شبکههای عصبی مصنوعی به عنوان یکی از قویترین ابزارها در فرایندهای بهینهسازی و هوشمندسازی سیستمها به کار گرفته شده است تا ضرایب یک کنترلکننده کلاسیک تناسبی- انتگرالی (PI) را به صورت خودکار تنظیم و بهینه نماید. کنترلکننده PI، در حلقه ثانویه کنترل فرکانس یک ریزشبکه جزیرهایی گمارده شده است. عملکرد مناسب و بهینه روش پیشنهادی در مقایسه با روشهای کلاسیک در طی شبیهسازیهای مختلف نشان داده میشود.
پرونده مقاله
قطعهبندی کلمات و عبارات متن، یکی از فعالیتهای اصلی در حوزه پردازش زبانهای طبیعی است. اکثر برنامههای پردازش زبانهای طبیعی به یک پیشپردازش برای استخراج کلمات متن و تشخیص عبارات احتیاج دارند. هدف اصلی و نهایی قطعهبندی عبارات، به دست آوردن کلمات معنیدار همراه با پیش چکیده کامل
قطعهبندی کلمات و عبارات متن، یکی از فعالیتهای اصلی در حوزه پردازش زبانهای طبیعی است. اکثر برنامههای پردازش زبانهای طبیعی به یک پیشپردازش برای استخراج کلمات متن و تشخیص عبارات احتیاج دارند. هدف اصلی و نهایی قطعهبندی عبارات، به دست آوردن کلمات معنیدار همراه با پیشوندها و پسوندهایشان است و این فعالیت متناسب با زبانهای طبیعی مختلف میتواند سخت یا آسان باشد. در زبان فارسی به علت وجود فاصله و نیمفاصله، عدم توجه کاربران به فاصلهگذاریها و نبود قواعد دقیق در نوشتن کلمات چندقسمتی، تشخیص و قطعهبندی کلمات چندقسمتی و مرکب با مشکلات و پیچیدگیهای خاص خود روبهرو است.
در این مقاله برآنیم تا با استفاده از شبکههای عصبی، یک روش آماری برای قطعهبندی عبارات متون فارسی جهت استفاده در موتورهای جستجو ارائه کنیم. الگوریتم پیشنهادی شامل 4 فاز است که با استفاده از احتمال رخداد تککلمات و دوکلمهایهای موجود در پیکره و با دقت 6/89% عمل قطعهبندی را انجام میدهد. نتایج آزمایشات نشان دادند این روش میتواند با قطعهبندی بهتر عبارات، بهبود نسبی در کارایی روشهای معمول به وجود آورد.
پرونده مقاله
در سالهای اخیر، مسئلهای تحت عنوان آسیبپذیری مدلهای مبتنی بر یادگیری ماشین مطرح گردیده است که نشان میدهد مدلهای یادگیری در مواجهه با آسیبپذیریها از مقاومت بالایی برخوردار نیستند. یکی از معروفترین آسیبها یا به بیان دیگر حملات، تزریق مثالهای تخاصمی به مدل میباش چکیده کامل
در سالهای اخیر، مسئلهای تحت عنوان آسیبپذیری مدلهای مبتنی بر یادگیری ماشین مطرح گردیده است که نشان میدهد مدلهای یادگیری در مواجهه با آسیبپذیریها از مقاومت بالایی برخوردار نیستند. یکی از معروفترین آسیبها یا به بیان دیگر حملات، تزریق مثالهای تخاصمی به مدل میباشد که در این مورد، شبکههای عصبی و به ویژه شبکههای عصبی عمیق بیشترین میزان آسیبپذیری را دارند. مثالهای تخاصمی، از طریق افزودهشدن اندکی نویز هدفمند به مثالهای اصلی تولید میشوند، به طوری که از منظر کاربر انسانی تغییر محسوسی در دادهها مشاهده نمیشود اما مدلهای یادگیری ماشینی در دستهبندی دادهها به اشتباه میافتند. یکی از روشهای موفق جهت مدلکردن عدم قطعیت در دادهها، فرایندهای گوسی هستند که چندان در زمینه مثالهای تخاصمی مورد توجه قرار نگرفتهاند. یک دلیل این امر میتواند حجم محاسباتی بالای این روشها باشد که کاربردشان در مسایل واقعی را محدود میکند. در این مقاله از یک مدل فرایند گوسی مقیاسپذیر مبتنی بر ویژگیهای تصادفی بهره گرفته شده است. این مدل علاوه بر داشتن قابلیتهای فرایندهای گوسی از جهت مدلکردن مناسب عدم قطعیت در دادهها، از نظر حجم محاسبات هم مدل مطلوبی است. سپس یک فرایند مبتنی بر رأیگیری جهت مقابله با مثالهای تخاصمی ارائه میگردد. همچنین روشی به نام تعیین ارتباط خودکار به منظور اعمال وزن بیشتر به نقاط دارای اهمیت تصاویر و اعمال آن در تابع هسته فرایند گوسی پیشنهاد میگردد. در بخش نتایج نشان داده شده که مدل پیشنهادشده عملکرد بسیار مطلوبی در مقابله با حمله علامت گرادیان سریع نسبت به روشهای رقیب دارد.
پرونده مقاله
نظرکاوی، زیرشاخهای از دادهکاوی است که به حوزه پردازش زبان طبیعی وابسته بوده و با گسترش تجارت الکترونیکی، به یکی از زمینههای محبوب در بازیابی اطلاعات تبدیل شده است. این حوزه بر زیرمجموعههای مختلفی مانند تشخیص قطبیت، استخراج جنبه و تشخیص هرزنظر تمرکز دارد. اگرچه وابست چکیده کامل
نظرکاوی، زیرشاخهای از دادهکاوی است که به حوزه پردازش زبان طبیعی وابسته بوده و با گسترش تجارت الکترونیکی، به یکی از زمینههای محبوب در بازیابی اطلاعات تبدیل شده است. این حوزه بر زیرمجموعههای مختلفی مانند تشخیص قطبیت، استخراج جنبه و تشخیص هرزنظر تمرکز دارد. اگرچه وابستگی نهانی بین این زیرمجموعهها وجود دارد اما طراحی یک چارچوب جامع شامل تمامی این موارد، بسیار چالشبرانگیز است. پژوهشهای موجود در این حوزه اکثراً بر روی زبان انگلیسی بوده و برای تحلیل احساس، بدون توجه به زیرمجموعههای تأثیرگذار، فقط بر روی حالت باینری تمرکز داشتهاند. همچنین استفاده از یادگیری ماشینی برای دستهبندی نظرات بسیار رایج است و در سالهای اخیر، اغلب پژوهشها از یادگیری عمیق با اهداف متفاوت استفاده کردهاند. از آنجا که در ادبیات پژوهشی به چارچوبی جامع با تمرکز بر زیرمجموعههای تأثیرگذار کمتر پرداخته شده است، از این رو در مقاله حاضر با استفاده از راهکارهای نظرکاوی و پردازش زبان طبیعی، چارچوب جامع مبتنی بر یادگیری عمیق با نام RSAD که پیشتر توسط نویسندگان این مقاله در حوزه نظرکاوی کاربران فارسی زبان توسعه داده شده بود برای تشخیص قطبیت در دو حالت باینری و غیر باینری جملات با تمرکز بر سطح جنبه بهبود داده شده که تمام زیرمجموعههای لازم برای تحلیل احساس را پوشش میدهد. مقایسه و ارزیابی RSAD با رویکردهای موجود، نشاندهنده استحکام آن است.
پرونده مقاله