پردازش علایم و داده ها
سال:1397 | دوره:15 | شماره:2 (پیاپی 36) |تعداد مقالات:10

در این پژوهش، یک روش بهینه­ سازی پیش­ بینیِ فازیِ جدید مبتنی بر سریهای زمانی فازی مرتبه بالا ارائه می ­ شود که درآن از تابع بهینه­ سازی ازدحام ذرات برای بهینه کردن الگوریتم محاسبه ویژگی استفاده شده است. هدف روشِ پیشنهادی، پیش­ بینی سری زمانی فازی مرتبه بالا است و عملکردِ بهتری را برای رفع مشکلات پیش ­ بینی سری­ های زمانی فازی مرتبه بالا، ارائه می ­ دهد؛ بدین منظور روش این پژوهش بدین صورت است که پس از فازی­ سازیِ سری زمانی و ایجاد روابط منطقی فازی، با استفاده از حدِ پایینِ بازه عنصرِ موردِ پیش­ بینی و بازه پس از آن و اختلاف حاصل از عناصر متوالی، محاسبات خاصی را انجام داده و مجموعه­ ای از ویژگی­ ها به دست می ­ آید؛ سپس با استفاده از تابع بهینه ­ سازی ازدحام ذرات بهترین پارامترها انتخاب می­ شود. در همین راستا تابع شایستگی در روش پیشنهادی دو بخش دارد: یک بخش به صورت کلی (میانگین تمام مرتبه ­ ها) و یک بخش به صورت جزئی (تک ­ تک ستون مرتبه ­ ها) است. یافته­ ها و نتایج تجربی حاکی از این است که: ویژگی ­ های به دست آمده توسط روش پیشنهادی، داده­ های پرت و زائد کمتری دارد که این خود سبب پیش­ بینی نزدیک ­ تر، با خطای کمتر می شود و در نهایت غیرفازی انجام می­ شود. عدد حاصل، مقدار صحیح پیش­ بینی شده عنصر مورد نظر است. روش پیشنهادی با استفاده از داده ­ های سری زمانی ثبت­ نام دانشگاه آلاباما که شامل تعداد ثبت­ نام سالانه در این دانشگاه-از سال 1971 تا سال 1992 میلادی-انجام شده و با سایر روش ­ ها، توسط میانگین مجذور خطا و میانگین خطا، برای تعیین نرخ دقت پیش ­ بینی، مورد مقایسه قرار گرفت؛ به گونه ­ ای که در مقایسه با سایر روش ­ ها، شاهد خطای کمتری بودیم.

از روش های معمول در بهره برداری از نظام مندی ها و ویژگی های هندسی در سیگنال های چندبعدی می توان به استفاده از اتساع ناهمسان گرد[1] و مقیاس بندی سهموی[2] اشاره کرد که اساس تبدیلاتی همانند قیچک[3] و پیچک[4] را شکل می دهند. در چنین تبدیل هایی تحلیل کاملی از سیگنال ورودی صورت می پذیرد که با رشد تعداد ابعاد[5] داده، افزونگی آن به صورت نمایی زیاد شده و امکان پیاده سازی و استفاده عملی از آن ها را به شدت محدود می کند. در مقابل تبدیل های جدایی پذیر هر بعد داده ورودی را جداگانه مورد پردازش قرار می دهند که منجر به نادیده گرفته شدن نظام مندی های چندبعدی آن خواهد شد. با توجه به برتری نسبی تبدیل قیچک در مواجهه با داده های گسسته و برای چیره شدن بر مشکلات پیچیدگی زمانی و افزونگی[6] تبدیل قیچک کلاسیک در تحلیل داده های چندبعدی، در این مقاله ویرایش جدیدی از تبدیل قیچک گسسته با قابلیت کنترل افزونگی ارائه می شود. به بیان دیگر با رویکرد جدید، به دنبال امکان برقراری مصالحه بهتر بین افزونگی و پیچیدگی زمانی تبدیل از یک سو با میزان کامل بودن تحلیل و بهره برداری آن از نظام مندی های ورودی از سوی دیگر هستیم. در این راستا ماتریس اتساع به صورت قطری قطعه ای کاهش داده می شود که به معنای عملکرد مستقل تحلیل حاصل در زیرفضاهای متناظر با قطعه های مجزا خواهد بود. بدین ترتیب، شیوه تجزیه ماتریس اتساع به زیرقطعه ها، ابزار کنترلی مناسبی برای میزان افزونگی و پیچیدگی محاسباتی تبدیل حاصل به دست می دهد. به عنوان یک نمونه از کاربرد عملی رویکرد پیشنهادی، در این مقاله روشی برای رفع نوفه[7] ویدئو با استفاده از تبدیل قیچک قطعه ای ارائه شده و با تبدیل قیچک کلاسیک دو و سه بعدی مقایسه می شود. نتایج حاکی از آن است که رویکرد پیشنهادی با مصرف جزئی از زمان و حافظه تبدیل سه بعدی افزایش کیفیت قابل توجهی نسبت به تبدیل دوبعدی می تواند ارائه کند.

امروزه تصمیم ­ گیری سریع، اهمیت زیادی در محیط کسب و کار دارد. بنابراین مدیران سعی دارند تا از داده­ های موجود در پایگاه داده تحلیلی برای پیش ­ بینی و تصمیم ­ گیری درست استفاده کنند. برای داشتن داده­ های مناسب، باید تغییرات ایجاد شده در منابع، با کم ترین تأخیر در پایگاه داده تحلیلی اعمال شوند. برای رسیدن به این هدف، الگوریتم ­ های متعددی ارایه شده است که از آن جمله به الگوریتم X-HYBRIDJOIN می ­ توان اشاره کرد. در این الگوریتم برای انتخاب پارتیشنی از لوح سخت که در حافظه اصلی بارگزاری می ­ شود از روش مناسبی استفاده نشده است. در این مقاله الگوریتم جدیدی ارائه می ­ شود که در آن تغییراتی در نحوه انتخاب پارتیشن یادشده، ایجاد شده است. بدین صورت که برای هر پارتیشنی از R که بر روی لوح سخت قرار دارد، تعداد رکوردهای موجود از آن پارتیشن در حافظه اصلی، شمارش شده و در آرایه ­ ای ثبت می شود. با استفاده از آرایه به دست آمده، هر بار پارتیشنی را می ­ توان انتخاب کرد که شامل بیشترین رکورد برای پیوست است. برای شمارش تعداد رکوردهای هر پارتیشن، در هنگام ورود جریان داده، بررسی می ­ شود که جریان داده ورودی مربوط به کدام پارتیشن است. نتایج حاصل از اجرای الگوریتم جدید نشان می ­ دهد که زمان پیوست و فضای مصرفی کاهش یافته است.

سرطان ها گروهی از بیماری ها هستند که به صورت رشد بی رویه و خارج از کنترل تعدادی از سلول ها، ایجاد می ­ شوند و حدود دویست نوع مختلف دارند. سرطان لوسمی (خون) یکی از انواع این سرطان هاست. تشخیص سرطان خون در بیمارستان ها و مراکز درمانی با تهیه لام از بافت خون و قراردادن زیر میکروسکوپ و توسط یک متخصص پاتولوژی صورت می گیرد. پاتولوژیست ها با توجه به شکل و تعداد گلبول های موجود در خون نوع بیماری را مشخص می کنند. هدف از این مقاله ارائه مدلی هوشمند با استفاده از الگوریتم FCM [1] به منظور خوشه بندی و شبکه عصبی برای انتخاب ویژگی هاست؛ همچنین در آن از الگوریتم ژنتیک در مرحله بهبود الگوهای تشخیصی استفاده شده است. با استفاده از این مدل به تشخیص زود هنگام سرطان لوسمی حاد لنفوبلاست و سپس دسته بندی ALL[2] به سه زیر شاخه مورفولوژیکی (L1، L2 وL3) می توان اقدام کرد. در این پژوهش نمونه هایی از 38 بیمار سرطانی لوسمی حاد لنفوییدی تهیه شد. این مطالعه بر روی 68 تصویر میکروسکوپی و با در نظر گرفتن پانزده ویژگی هندسی و آماری انجام شد که نتیجه آن حاکی از حساسیت، ویژگی و دقت بالاتر برای ده ویژگی نسبت به سایر ویژگی ها بود. بر اساس ویژگی های استخراج شده، این روش با سه روش مشابه اخیر مقایسه شد. ارزیابی ها نشان داد که روش پیشنهادی به طور میانگین پارامترهای حساسیت، ویژگی و دقت را به میزان 15/85%، 17/98% و 53/96% به دست آورد.

با پیشرفت روزافزون اینترنت و رسانه ­ های تحت وب، توزیع و اشتراک منابع اطلاعاتی نظیر تصویر در حال افزایش است. اشتراک این منابع علاوه بر مزایای بسیار، خطرات و مشکلاتی نظیر دسترسی به تصاویر نامتعارف دارد که به نوبه خود تهدیدی برای فرهنگ­ جوامع مختلف، به ­ خصوص نوجوانان و جوانان است. امروزه بسیاری از افراد، عضو سایت ­ های اجتماعی از جمله اینستاگرام و فیسبوک هستند. به دلیل عدم وجود فیلترینگ هوشمند مناسب، حتی وجود درصدی اندک از تصاویر نامتعارف، فیلتر شدن کلیِ سایت ­ های اجتماعی را به همراه دارد که برای کاربران، احساس نارضایتی را به ارمغان می آورد. به همین منظور، در این مقاله به تحلیل و بررسی روشی برای دسته­ بندی تصاویر نامتعارف و فیلترینگ هوشمند آن ها پرداخته شده است. یکی از مشکلات این نوع از سامانه ها، حجم بالای داده های موجود در شبکه­ های تحت وب و استخراج ویژگی ­ های معنادار در این حجم از داده ­ ها است. در این راستا، در این مقاله روشی جدید، بر پایه شبکه ­ های عصبی عمیق به منظور تشخیص هوشمند تصاویر نامتعارف ارائه شده است. این نوع از شبکه ها­ ، مفاهیم سطح بالا را از روی ویژگی های سطح پایین استخراج می­ کنند و با این استخراج مفاهیم، به دقت مناسبی در دسته بندی اطلاعات دست می یابند. در این پژوهش، معماری جدیدی برای شناسایی تصاویر نامتعارف پیشنهاد شده است. نتایج به دست آمده بر روی مجموعه داده به نسبت بزرگ آزمایش شده است. این آزمایش ها نشان می دهد که روش پیشنهادی دو درصد دقت بیشتری نسبت به روش ­ های جدید مطرح شده در شناسایی تصاویر نامتعارف دارد.

در این مقاله، آشکارسازی حالات لبخند و خنده چهره با رویکرد توصیف و کاهش بُعد نقاط کلیدی ارائه شده است. اساس کار در این پژوهش بر مبنای دو هدف استخراج نقاط محلی کلیدی و ویژگی ظاهری آن ها، و همچنین کاهش وابستگی سامانه به آموزش نهاده شده است. برای تحقق این اهداف سه سناریوی مختلف استخراج ویژگی ارائه شده است. ابتدا اجزای یک صورت توسط الگوریتم الگوی دودویی محلی آشکار می شود؛ سپس در سناریوی نخست، با توجه به تغییرات همبستگی پیکسل های مجاور بافت محدوده لب، مجموعه نقاط کلیدی محلی بر پایه گوشه یاب هریس استخراج می شود. در سناریوی دوم، کاهش بعد نقاط مستخرج سناریوی نخست با بهبود الگوریتم تحلیل مؤلفه های اصلی انجام می شود؛ و در سناریوی آخر با مقایسه مختصات نقاط مستخرج از سناریوی نخست و توصیف گر بریسک مجموعه نقاط بحرانی استخراج می شود. در ادامه بدون آموزش سامانه، با مقایسه شکل و فاصله هندسی نقاط محلی محدوده لب حالات چهره آشکار می شود. برای ارزیابی روش پیشنهادی، از پایگاه داده های استاندارد و شناخته شده Cohn-Kaonde، CAFE، JAFFE و Yale استفاده شده است. نتایج به دست آمده از سناریوهای مختلف به ترتیب بیان گر بهبود 33/6 و 46/16 درصدی متوسط نرخ دقت بازشناسی سناریوی دوم نسبت به نخست و سناریوی سوم نسبت به دوم است. همچنین نتایج کلی آزمایش ها، کارایی قابل قبول بالای 90 درصد روش پیشنهادی را نشان می دهد.

با معرفی وب 2. 0 و 3. 0 تعاملات کاربران در فضای مجازی، منجر به ایجاد انبوهی از نظرات ارزشمند شده است. با توجه به دشواری یا عدم امکان تحلیل و بررسی دستی این نظرات، تحلیل احساس متن و یا نظرکاوی به عنوان یکی از زیرمجموعه های پردازش زبان طبیعی مطرح شد. تلاش های محدودی در نظرکاوی فارسی نسبت به سایر زبان ها صورت گرفته است. در این مقاله برای نخستین بار، یک چارچوب نیمه نظارتی برای نظرکاوی فارسی ارائه شده است. درضمن، ازآنجاکه یکی از آخرین پیشرفت های علمی در نظرکاوی زبان فارسی الگوریتمی بر اساس استخراج الگوهای حسی وفقی (حساس به مجموعه داده) مبتنی بر خبره انسانی است، در این پژوهش ضمن ارتقای الگوریتم یادشده، تعیین برچسب های حاوی احساس به کمک یک لغت نامه خودساخت (بدون نیاز به خبره انسانی) وفقی انجام می گیرد؛ همچنین کاربرد دسته بند مدل مخفی مارکوف خودناظر بر روی خصیصه های یادشده در کنار قوانین مبتنی بر معیار شباهت برای فرآیند نظرکاوی بررسی شده است. در راستای خودآموزسازی هوشمند، روشی برای ارزیابی قابلیت اطمینان بالای خروجی، ارائه شده است که خودآموزی به شرط وجود آن انجام می پذیرد. روش پیشنهادی با اجرا بر روی دادگان مبنا نرخ صحت نود درصد (باوجود عدم نیاز به خبره انسانی) را که در مقایسه با روش های نظارتی و نیمه نظارتی مستقل از خبره موجود برتری قابل ملاحظه ای دارد، خروجی می دهد؛ همچنین این الگوریتم نیمه نظارتی هنگام استفاده از مجموعه آموزش کوچک با نسبت مجموعه دادگان آموزش/آزمون ده به نود نیز بررسی و با نرخ صحت 80% قابلیت اطمینان آن به اثبات رسید.

سامانه­ های مدیریت فرایندهای کسب­ وکار(BPMS)، سامانه­ های پیچیده اطلاعاتی هستند که جهت رقابت در بازار جهانی و افزایش بهره ­ وری اقتصادی، استفاده از آن­ ها در هر سازمانی، امری حیاتی و ضروری است. ایجاد تعادل بارِکاری منابع در BPMS، یکی از چالش­ هایی است که از دیرباز مورد مطالعه و بررسی پژوهش گران قرار گرفته است. تعادل بارِکاری منابع، باعث افزایش پایداری سامانه، افزایش کارایی منابع و افزایش کیفیت محصولات می­ شود. در این مقاله، مسئله تنظیم هم­ روندی در BPMS به عنوان یک مسئله کاربردی در جهت بهبود تعادل بارکاری منابع و یک نواختی در بارکاری هر منبع معرفی می­ شود و برای حل این مسئله، در ابتدای هر فرایند یک عنصر تأخیردهنده در نظر گرفته می­ شود و هدف مسئله تنظیم مقدار تأخیر در ابتدای هر فرایند است. برای این منظور یک الگوریتم بهینه سازی پویا ارائه و سرعت اجرای الگوریتم پویای پیشنهادشده نسبت به الگوریتم جستجوی فضای حالت و الگوریتم تکاملی PSO مقایسه می­ شود. مقایسه انجام شده نشان می­ ­ دهد سرعت الگوریتم پیشنهادی نسبت به الگوریتم جستجوی فضای حالت به صورت 37 ساعت به 8/5 سال است؛ درحالی که الگوریتم POS همین مسئله را درسه دقیقه حل می­ کند. آزمایش انجام شده روی یک پایگاه داده واقعی 64/21 درصد بهبود را در عملکرد الگوریتم پیشنهادی نشان می­ دهد.

موفقیت سامانه های تجارت الکترونیکی و تراکنش های کسب وکار برخط، به طور قابل توجهی وابسته به طراحی مؤثر سازوکار توصیه محصولات است. فراهم کردن توصیه های باکیفیت برای سامانه های تجارت الکترونیکی بسیار مهم است تا بدین ترتیب به کاربران در تصمیم گیری مؤثر میان انتخاب های متعدد کمک کند. پالایش گروهی یک روش برای تولید توصیه ها بر اساس رتبه های کاربران مشابه است که به صورت وسیعی مورد قبول واقع شده است. این روش دارای چندین مشکل ذاتی مانند کم پشتی داده ها، شروع سرد و مقیاس پذیری است. حل این مشکلات و بهبود کارایی پالایش گروهی از چالش های مطرح در این زمینه است. در این مقاله یک سامانه ترکیبی جدید که شبکه اعتماد و خوشه بندی دوجهته را برای افزایش کارایی پالایش گروهی به کار می بندد، پیشنهاد شده است. نتایج تجربی بر روی زیرمجموعه ای از مجموعه داده های epinions، اثربخشی و کارایی سامانه پیشنهادی در مقابل روش های پالایش گروهی مبتنی بر کاربر و پالایش گروهی ترکیبی با اعتماد را تأیید می کند.

شدت واقعی سیگنال استخراج شده از تصاویر MRI به دلیل اصلاح نوفه در محاسبات مربوط به مقدار بزرگی(magnitude) سیگنال در پیکسل های کم شدت، همواره با نوفه ی رایسین همراه است. این مسئله به ویژه برای تصویربرداری های MRI با نسبت سیگنال به نوفه ی بسیار کم (SNR<3. 0) مانند دیفیوژن MRI، در مقادیر بزرگِ مشهور به b-value (حاصل کاربرد گرادیآن های مغناطیسی پرقدرت در زمآن های طولانی) نیز صادق است. در این پژوهش روشی برای حذف نوفه ی رایسین از پیکسل های تصاویر حاصل از مقدار بزرگی در MRI ارائه و یک معادله ی خطی با عبارت تصحیح نوفه پیشنهاد شده که می تواند نوفه ی بایاس شده را به پیکسل ها بطور منفرد حذف کند. در صورت مشخّص بودن مقدار متوسط و واریانس تابع دانسیتهء شدت هر پیکسل، این تصحیح نوفه مطلوب و کامل است، اما در صورت عدم دسترسی دقیق به این اطلاعات برای هر تک پیکسل، میانگین گیری از نزدیک ترین پیکسل های مجاور در تصویر معادله ی تصحیح نوفه به کارگرفته می شود. انتخاب تعداد پیکسل های مجاور با رساندن خطا به کمترین مقدار تقریبی انجام می شود. طبق محاسبه در این روش، به کارگیری دست کم 9 پیکسل همسایه برای سیگنال به نوفه معادل0/1 SNR=1. 0)) مقدار تقریبی تا زیر 10 % خطا می دهد. روش کاهش نوفه ی رایسین ارائه شده در این مقاله برتری قابل ملاحظه ای را در حذف نوفه از سیگنال دیفیوژن MRI در مقادیر بزرگ b-نسبت به روش های ارائه شده تا زمان حاضر نشان می دهد.