فناوری اطلاعات و ارتباطات ایران
سال:1394 | دوره:7 | شماره:25-26 |تعداد مقالات:6

یکی از روش های یادگیری در یادگیری ماشین و شناسایی الگو، یادگیری با ناظر است. در یادگیری با ناظر و در مسایل دو رده ای، برچسب داده های آموزشی موجود و شامل دو رده مثبت و منفی می باشند. هدف الگوریتم یادگیری با ناظر، محاسبه فرضیه ای است که بتواند با کمترین مقدار خطا، داده های مثبت و منفی را از یکدیگر جدا کند. در این مقاله، از بین کلیه الگوریتم های یادگیری با ناظر، بر عملکرد درخت های تصمیم متمرکز می شویم. دیدگاه هندسی درخت تصمیم ما را به مفهوم تفکیک پذیری در هندسه محاسباتی نزدیک می کند. از بین کلیه الگوریتم های تفکیک پذیری موجود و مرتبط با درخت تصمیم، مساله محاسبه مستطیل با حداکثر اختلاف دو رنگ را مطرح می کنیم و الگوریتم را در یک، دو، سه و m بعد پیاده سازی می کنیم که m تعداد ویژگی های داده ها را نشان می دهد. نتیجه پیاده سازی نشان دهنده آن است که این الگوریتم، الگوریتمی قابل رقابت با الگوریتم شناخته شده C4.5 است.

با افزایش روزافزون ارتباطات ویدیویی در دستگاه های قابل حمل و کاربردی، طراحی کدکننده ها با میزان پیچیدگی کم و عملکرد بالا موردنیاز است. استاندارد H.264/AVC کارایی فشرده سازی بالاتری را نسبت به استانداردهای قبلی ارائه می دهد. اما این استاندارد با بکارگیری چندی تکنیک کدگذاری قدرتمند، پیچیدگی کدگذار را بطور قابل ملاحظه ای افزایش می دهد. این مقاله الگوریتم جدیدی برای کاهش پیچیدگی کدگذار H.264/AVC ارائه می دهد. روش پیشنهادی از ماسک های جهت دار ساده، مد بلوک های همسایه و تشخیص مدد تخمین داخلی 4´4 و/یا 16´16 با تعیی پارامترهای کوانتیزه به منظور انتخاب سریع مد در پیش بینی به روش داخل فریمی استفاده می کند. نتایج شبیه سازی نشان می دهد که روش پیشنهادی زمان کدگذاری را ماکزیمم %29 درصد کاهش می دهد در حالی که تاثیر ناچیزی در کیفیت تصویر و میزان PSNR دارد.

کاهش کیفیت تصویر در یک سامانه اپتیکی تابع پارامترهای متفاوتی می تواند باشد. برخی از این پارامتر ها عبارتند از: ابیراهی لنز، خطای رقمی سازی و خطای مونتاژ سامانه. در حوزه خطای مونتاژ معمولا دو نوع خطای کلی در نظر گرفته می شود:1) عدم متعامد بودن پرده تصویر و محور اپتیکی که اغلب در قالب خطای prism از آن نام برده می شود. 2) خطای عدم عبور محور اپتیکی لنز از مرکز تصویر که تحت عنوان خطای خروج از مرکز تصویر (de-centering) از آن یاد می شود. از این میان مقاله حاضر قصد دارد تا به مطالعه ابیراهی لنز پرداخته و نقص ابیراهی آن را تواما با خطای خروج از مرکز اصلاح و جبران کند. برای این منظور ابیراهی های زایدل در قالب مومنت های اصلاح شده زرنیک مبتنی بر چند جمله ای چبیشف نوع دوم به صورت توابع مجزا روی فضای کارتزین بازنویسی می گردند. سپس مومنت های بازنویسی شده به گونه ای اصلاح می گردند که با در نظر گرفتن خطای خروج از مرکز، تابع ابیراهی فاز را نیز مدل کنند. نهایتا ضرایب مدل معرفی شده جهت تخمین در دو کلاس متقارن و نامتقارن دسته بندی می شوند. سپس این ضرایب با بهره گیری از آنالیز چند طیفی تخمین زده می شوند. جهت تخمین ضرایب جملات متقارن از آنالیز tri-coherence و برای ضرایب جملات نامتقارن از آنالیز bi-coherence استفاده شده است. نتایج آزمایشگاهی دقت و بازدهی راه کار پیشنهادی را تایید می کنند.

زبان های گفتاری جهان در طول هزاران سال تاریخ خود، روندی تکاملی را پیموده و به امروز رسیده اند. بر همین راه واژگان زبان های گوناگون و البته نام های متداول در فرهنگ ها و زبان های سراسر جهان نیز، به تکامل رسیده اند و این روند تکاملی را ادامه خواهند داد. برخی از این نام ها، با توجه به حس زیبایی شناسی افراد یک جامعه و ویژگی های آوایی زبانی، که بسته به زمان و مکان متغیر است، رواج بیشتری می یابند و تطور و گسترش بیشتری پیدا می کنند.در این پژوهش با شناخت واژگان و نام های فارسی، مدلی پیشنهاد شده که بر پایه آن نام هایی نو، که همراه با داشتن معنایی درخور، از نظر زیبایی شناسی نیز نظر افراد گوناگون را برآورده سازد، تولید شود. ساخت واژگان تازه به کمک پردازش تکاملی (الگوریتم ژنتیک) انجام می شود که در آن، تابع برازندگی را (به جز در نسل نخست) یک شبکه عصبی مصنوعی از نوع پیشخور پس انتشار با دو لایه پنهان که تا %89 مشابه انسان تخمین می زند، شبیه سازی می کند. بهترین نام تولید شده با این روش، رتبه 5 را در میان 525 نام جامعه اولیه به دست آورده است. بهترین نمونه های جامعه اولیه و داده های آموزشی و آزمایشی و نیز برآورد تابع برازندگی نسل نخست و سنجش زیبایی بهترین نام های تولید شده بدین روش، با تحلیل آماری نمونه های اخذ شده به کمک پرسش نامه انجام شده است.

یادگیری رتبه بندی که یکی از روش های یادگیری ماشین برای مدل کردن رتبه بندی است، امروزه کاربردهای بسیاری به خصوص در بازیابی اطلاعات، پردازش زبان طبیعی و داده کاوی دارد. فعالیت یادگیری رتبه بندی را می توان به دو بخه تقسیم کرد. یکی سیستم یادگیری مورد استفاده و دیگری سیستم رتبه بندی. در سیستم یادگیری، یک مدل رتبه بندی بر اساس داده های ورودی ساخته می شود. در بخش سیستم رتبه بندی، از این مدل ساخته شده برای پیش بینی رتبه بندی استفاده می شود. در این مقاله یک الگوریتم مبتنی بر یادگیری جمعی به منظور یادگیری رتبه بندی اسناد پیشنهاد می شود که به صورت تکراری یادگیرهای ضعیفی بر روی درصدی از داده های آموزشی که توزیع آنها بر اساس یادگیر قبلی تغییر یافته است، می سازد و جمعی از یادگیرهای ضعیف را برای رتبه بندی تولید می کند. این الگوریتم سعی می کند با ساختن رتبه بند بر روی درصدی از داده ها، دقهت را افزایش و زمان آموزش را کاهش دهد. با ارزیابی بر روی مجموعه داده LETOR3 دیده می شود که الگوریتم پیشنهادی بهتر از الگوریتم های دیگری در این زمینه که مبتنی بر یادگیری جمعی هستند، عمل می کند.

در این تحقیق عوامل زمینه ساز استقرار مدیریت دانش به صورت مطالعه موردی در شرکت مخابرات استان کرمانشاه طی انجام نظر سنجی های میدانی از کارکنان مربوطه مورد بررسی قرار گرفته است. پس از شناسایی عوامل زمینه ساز مدیریت دانش، رابطه بین هریک از عوامل فرهنگ سازمانی، نظام فرآیندهای دانش و نظام فناوری اطلاعات با مدیریت دانش ضمن استفاده از نتایج بدست آمده و با به کار گیری برنامه آماری SPSS مورد تجزیه تحلیل آماری قرار گرفته است. شرکت مخابرات استان کرمانشاه دارای تعداد 370 نفر بوده که از بین این جامعه، نمونه آماری مورد بررسی 77 نفر می باشد. یافته های پژوهش نشان می دهد که بین نظام فناوری اطلاعات، فرهنگ سازمانی، نظام فرآیندهای دانش با استقرار مدیریت دانش در حد قابل قبولی همبستگی وجود دارد که ضریب همبستگی (R) هر یک به ترتیب برابر 0.854، 0.915 و 0.812 می باشد. بین میزان تاثیر هر یک از متغیرهای نظام فرآیندهای دانش، فرهنگ سازمانی، نظام فناوری اطلاعات در استقرار مدیریت دانش در شرکت مخابرات استان کرمانشاه تفاوت وجود دارد، طوری که به ترتیب نظام فرآیندهای دانش، نظام فناوری اطلاعات و فرهنگ سازمانی در استقرار مدیریت دانش در رتبه اول، دوم و سوم قرار دارند.