رایانش نرم و فن آوری اطلاعات
سال:1398 | دوره:8 | شماره:3 |تعداد مقالات:7

تشخیص گروههای اجتماعی یکی از مسائل مهم و پیچیدهای است که در چند سال اخیر مورد توجه قرار گرفته است. تشخیص گروه های اجتماعی و همچنین نحوه ارتباط با اعضای گروه های اجتماعی از جمله مسائلی است که ربات های انسان نما در آینده نزدیک به آن نیاز دارند. پایگاه داده ها حاوی اطلاعات مسیر افراد و همچنین شماره افراد می باشند. هدف، یافتن گروه های اجتماعی با حداقل دو نفر و یا تشخیص انفرادی بودن حرکت افراد است. در روش پیشنهادی برای تشخیص گروه های اجتماعی از ویژگی های فاصله افراد، شباهت مسیر طی شده و شباهت دو دنباله حرکت بین هر دو نفر استفاده شده است. استخراج این ویژگی ها نسبت به ویژگی های بکار رفته تاکنون نیاز به زمان کمتری دارد. علاوه بر دقت و صحت، کارایی روش پیشنهادی از نظر زمان مورد نیاز برای آموزش و آزمایش داده نیز بررسی شده است. هر چه زمان مورد نیاز کمتر باشد، قابلیت پیاده سازی برای ربات های انسان نما بیشتر خواهد شد. روش پیشنهادی در پایگاه داده های معتبر نتایج قابل قبولی داشته و در ادامه با روش های موجود از نظر نتایج آماری و زمان مورد نیاز، مقایسه شده است.

الگوریتم جستجوی گرانشی، یک روش بهینه سازی ساده و کارامد است که اخیرا برای حل مسائل بهینه سازی تک هدفه ارائه شده است. در این مقاله، برای اولین بار ساختار همسایگی نزدیکترین-بهتر در الگوریتم های هوش جمعی تعریف شده و سپس در الگوریتم جستجوی گرانشی برای حل مسائل بهینه سازی چندمدی استفاده شده است. برای این منظور، ابتدا دو ساختار همسایگی "نزدیکترین-بهتر توپولوژیکی" و "نزدیکترین-بهتر مبتنی بر فاصله" تعریف شده، سپس این دو ساختار به طور مجزا در الگوریتم جستجوی گرانشی استفاده شده و دو نسخه ی مختلف از الگوریتم جستجوی گرانشی برای حل مسائل بهینه سازی چندمدی ارائه می شود. برای بررسی کارایی الگوریتم های پیشنهادی، یک ارزیابی تجربی روی چندین تابع محک چندمدی استاندارد صورت گرفته است. نتایج این آزمایشات نشان می دهد که الگوریتم های پیشنهادی می توانند نتایج خوبی نسبت به سایر الگوریتم های بهینه ساز چندمدی به دست آورند.

شبکه های حسگر شامل گره های کم وزن با قابلیت پردازش و انرژی محدود هستند. این حسگرها محیط اطراف خود را نظارت کرده و رخدادها را از نزدیکترین مسیر به گره چاهک ارسال می کنند. یکی از چالش های مهم در این شبکه ها، مسئله اتصال گره ها به یکدیگر و پوشش همزمان و کارای منطقه است. این دو بعنوان پارامترهای اصلی کیفیت سرویس دهی می باشند. در این مقاله پوشش بهینه منطقه، با استفاده از الگوریتم فرا ابتکاری جستجوی گرانشی انجام می شود. در الگوریتم پیشنهادی، عامل ها یا اجسام معادل گره های حسگر در نظر گرفته می شوند. گره ها بر اساس فاصله، قانون جاذبه نیوتن و قوانین حرکت روی هم اثر می گذارند. مجموعه ای از گره ها بعنوان خوشه در نظر گرفته می شوند الگوریتم پیشنهادی از لحاظ طول عمر شبکه، انرژی باقیمانده و توان شبکه با روش های قبلی مقایسه شده است. نتایج حاصل از شبیه سازی نشان می دهد که روش پیشنهادی با بهینه کردن تعداد گره ها در منطقه و پوشش حداکثری، مصرف انرژی را کاهش و طول عمر و توان شبکه را افزایش می دهد

اندازه گیری و آنالیز تجربی تنش و کرنش در قطعات تحت بار و سازه ها اهمیت بسیاری در حوزه های مختلف علوم مهندسی مانند مکانیک و عمران دارد. فتوالاستیسیته به عنوان روشی مرسوم برای اندازه گیری تنش و کرنش دارای محدودیت هایی است. این محدودیت ها شامل نیاز به استفاده از جسم از جنس خاص، تجهیزات تخصصی و تجربه کافی است. در این تحقیق، فتوگرامتری به عنوان روشی دقیق، آسان و مستقل از جنس قطعه برای اندازه-گیری تنش و کرنش معرفی شده است. برای مقایسه دقت فتوگرامتری و فتوالاستیسیته، قطعه ای از جنس اپوکسی آرالدیت با شکل قلاب جرثقیل تحت بارگذاری های مختلف قرار داده شده و در هر مرحله، علاوه بر ثبت اطلاعات مورد نیاز روش فتوالاستیسیته، عکسبرداری از قطعه با دوربین رقومی با حفظ وضعیت و مکان دوربین انجام شد. با استفاده از تکینیک های پردازش تصاویر رقومی و به کارگیری روش تناظریابی کمترین مربعات، مختصات نقاط متناظر روی قطعه با دقت 0. 01 پیکسل اندازه گیری شده و تغییر طول های ناشی از کرنش های اصلی در نقطه دلخواه از قطعه محاسبه شدند. نتایج حاصل از فتوگرامتری با مقادیر حاصل از کرنش به دست آمده به روش فتوالاستیسیته و آنالیز تحلیلی کرنش در نقطه مورد نظر مقایسه شدند. مقایسه نتایج حاصل از روش های مختلف بیانگر دقت بالای روش پیشنهادی برای اندازه گیری کرنش است. از این رو، روش فتوگرامتری می تواند جایگزین روش-های مرسوم اندازه گیری کرنش و تنش حاصل از بارگذاری شود.

شناسایی رویداد های رایج و نادر در ویدیو یکی از مسائل مهم در حوزه تحلیل تصویر و ویدیو است. با توجه به عدم شناخت و در دسترس نبودن رویدادهای نادر، تشخیص آنها یک چالش محسوب می شود. امروزه، شبکه های ژرف یکی از بهترین ابزارها برای مدل سازی ویدیو هستند اما در این مساله با توجه به عدم وجود داده های برچسب دار از کلاس رویدادهای نادر، آموزش یک شبکه کانولوشنال ژرف به صورت معمول امکان پذیر نیست. با توجه به موفقیت شبکه های عصبی ژرف تخاصمی مولد، در این پژوهش یک شبکه ژرف یکپارچه (انتها به انتها) با الهام از شبکه های ژرف تخاصمی مولد برای تشخیص رویدادهای نادر ارائه شده است. این شبکه فقط با رویدادهای رایج و به صورت تخاصمی آموزش داده شده است. برای نمایش میزان عملکرد معماری پیشنهادی، از مجموعه دادگان استاندارد UCSDped1 و UCSDped2 به کارگیری شده است. معماری پیشنهادی روی مجموعه دادگان مذکور دارای نرخ خطای برابر به ترتیب 20% و 17% با سرعت پردازش 300 فریم بر ثانیه بوده است. این نتیجه علاوه بر ساختار یکپارچه شبکه و سادگی مرحله آموزش و آزمون آن، قابل مقایسه با نتایج روش های پیشرفته است.

الگوریتم PageRank یکی از روش های رتبه بندی مبتنی بر گراف وب است که اولین بار توسط موتور جستجوی گوگل برای مشخص کردن میزان محبوبیت صفحات مورد استفاده قرار گرفته است. این الگوریتم برای پیدا کردن صفحات مهم از ساختار پیوندها در وب استفاده می کند. یکی از مشکلات PageRank و الگوریتم های مشابه مبتنی بر گراف وب، آن است که رتبه ی یک صفحه به صفحات خروجی آن بدون هیچ کنترلی انتشار می یابد درحالی که ممکن است صفحه خروجی واقعا توصیه شده توسط صفحه قبلی بطور مستقیم یا غیر مستقیم نباشد. در این مقاله با تغییر فرمول اصلی PageRank روشی ارائه شده است تا با نرمال سازی پیوندهای ورودی به یک صفحه از انتشار بدون کنترل محبوبیت جلوگیری به عمل آید. همچنین به منظور ارزیابی الگوریتم ارائه شده یک گراف وب نمونه ساخته شده است که در بعضی از گره ها دارای جهش رتبه است. این جهش رتبه بعد از اعمال الگوریتم پیشنهادی کاهش می یابد.

این پژوهش در رابطه با بررسی سودمندی الگوریتم های هوشمند مختلف در حوزه یادگیری ماشین برای پیش بینی سری های زمانی در بازارهای مالی می باشد. چالش مورد توجه در این حوزه، این است که مدیران اقتصادی و جامعه علمی، همچنان خواستار مدل های پیش-ینی با دقت بیشتری می باشند. رفع چالش یاد شده موجب ارتقای کیفیت پیش بینی و به جهت آن، سودآوری و بهره وری بالاتری می شود. راه حل پیشنهادی، تکیه بر بکارگیری الگوریتم های یادگیری ماشین مبتنی بر رگرسیون، با تاکید بر روش انتخاب ویژگی پیشرو، جهت یافتن بهترین متغیرهای فنی ورودی دارد. موارد یاد شده، با بکارگیری ابزارهای یادگیری ماشین به زبان پایتون پیاده سازی گردیدند. داده های تحقیق که در این پژوهش به کار گرفته شدند، اطلاعات مربوط به سهام دو شرکت از بورس تهران می باشند. این داده ها مربوط به سال های 1387 تا ابتدای سال 1397 می باشند. نتایج آزمایشی نشان می دهند که ویژگی های فنی منتخب توسط روش پیشرو، موثرترین و نیز بهترین مقادیر برای پارامترهای الگوریتم های یادگیری مورد نظر را می یابند. نتایج آزمایشی و تحلیل های رسمی دلالت بر این دارند که بکارگیری ویژگی های فنی منتخب، به عنوان ورودی دو الگوریتم ماشین بردار پشتیبان و ماشین پرسپترون چند لایه، یک پیش بینی با حداقل خطا را در اختیار می گذارد.؛ این مطلب منجر به ارائه پیش بینی با دقت بالاتری می گردد.