رایانش نرم و فن آوری اطلاعات
سال:1398 | دوره:8 | شماره:4 |تعداد مقالات:9

در این مقاله، به مسئله ی انتخاب خودکار و بدون ناظر منیفولد طبقه در فضای مالتی منیفولد چند منظری می پردازیم. مسئله ی طبقه بندی تصاویر چند منظری برای یافتن منیفولد طبقه را می توان به عنوان مسئله ی یادگیری چندین منیفولد با تعدادی اشتراک بین منیفولدها در نظر گرفت. در حالت کلی مسئله ی یادگیری مالتی منیفولد با چندین زیر فضای مستقل کار می کند، بنابراین ایجاد تعادل میان اطلاعات درون منیفولد طبقه و ساختار متمایز کننده ی بین طبقه ها مشکل است. در این مقاله، روشی پیشنهاد می دهیم که بدون استفاده از اطلاعات برچسب نقاط داده با توجه به فشردگی درون طبقه ای و تفکیک پذیری برون طبقه ای، ساختار مالتی منیفولد چند منظری را به دست می آورد. به علاوه، برای تعمیم تعبیه برای نقاط جدید که به عنوان مشکل "خارج از نمونه" شناخته می شود، نگاشت صریح و تنظیم شده ی باناظر برای کاهش بعد غیرخطی ارائه کردیم که "توسعه خارج از نمونه" را برای یادگیری مالتی منیفولد چند منظری در زمینه ی طبقه بندی انجام می دهد. نتایج آزمایشات در دو دسته ی مدل سازی خودکار و بدون ناظر ساختار گراف مالتی منیفولد چند منظری و نرخ بازشناسی بر روی چندین مجموعه داده ی چند منظری برتری روش پیشنهادی را نسبت به دیگر روش های گزارش شده در مطالعات اخیر نشان می دهد.

در این مقاله یک الگوریتم فرا ابتکاری بهبودیافته بر اساس الگوریتم فرا ابتکاری گرگ های خاکستری به منظور حل مسائل بهینه سازی ارائه می گردد. در الگوریتم پیشنهادی ضعیف ترین گرگ ها از جمعیت حذف شده و با گرگ های دیگری از جمعیت اولیه جاگذاری می شود. انتخاب گرگ های جاگذاری شده به صورت تصادفی یا بر اساس برازندگی خواهد بود. در این الگوریتم برازندگی مکان ذرات در هر تکرار بررسی شده و در صورت بهبود برازندگی، گرگ ها به سمت هدف حرکت می کنند، در غیر این صورت در آخرین وضعیت مناسب باقی می مانند. این الگوریتم باهدف بهبود عملکرد جستجو در مقابله با مسائل مختلف، افزایش سرعت همگرایی و جلوگیری از گیر افتادن در بهینه محلی ارائه شده است. شبیه سازی در نرم افزار متلب بر روی 23 تابع استاندارد ریاضی بهینه سازی مختلف اجراشده است. با بررسی عملکرد و مقایسه آماری نتایج به دست آمده از الگوریتم جدید با الگوریتم گرگهای خاکستری پایه و چند الگوریتم دیگر به این نتیجه می رسیم که با تنظیم مناسب پارامترها بهبودهای انجام شده تاثیر بسزایی در عملکرد الگوریتم بر روی توابع مختلف دارند.

نظارت ویدئویی هوشمند از کاربردهای اصلی در بینایی ماشین می باشد. بازشناسی انسان به عنوان بخشی از این سیستم ها از اهمیت ویژه ای برخوردار است. به طوری که صحت عملکرد در این بخش منجر به کارآمدی انواع الگوریتم های نظارتی می گردد. فرآیند بازشناسی در منظر ناظر انسانی به صورت آگاهانه و برپایه اطلاعات و دانش پیشین از ویژگی های سه بعدی پیکره انسان انجام می شود. یکی از این ویژگی ها اطلاعات زاویه قرارگیری شخص نسبت به دوربین است. به عبارتی ناظر انسانی در مرحله تطبیق با بهره گیری از اطلاعات زاویه، تخمینی از ظاهر شخص در زوایای مختلف خواهد داشت. در این پژوهش نیز فرآیند مذکور مدل سازی می گردد. بدین ترتیب در این پژوهش، راهکاری کاملا آگاهانه برای رفع تاثیرات مخرب تغییرات زاویه ای شخص در فرآیند بازشناسی، ارائه شده است. برای این منظور بخش هایی از پوشش بالاتنه فرد که تحت زوایای مختلف می توانند آشکار یا نهان شوند، استخراج گردیده و در مرحله تطبیق، وزن دهی یا نمونه افزایی می شوند. به منظور ارزیابی و مقایسه، روش پیشنهادی بر روی دو الگوریتم از کارآمدترین الگوریتم های بازشناسی مورد استفاده قرار گرفته است. نتایج آزمایش های انجام شده بر روی مجموعه داده های ViPer، بهبود را در نرخ تشخیص بازشناسی نشان می دهد.

در دنیای رقابتی امروز کاهش هزینه های توزیع از جمله موارد مهمی است که در سرلوحه تفکرات مدیران صنایع قرار گرفته است. درصد زیادی از قیمت تمام شده یک محصول متعلق به هزینه های توزیع آنست. بنابراین حذف مسافت های غیرضروری و بهینه سازی مسیرهای طی شده به عنوان یکی از راه حل های مطلوب برای کاهش هزینه های توزیع شناخته شده است. هدف از این مطالعه، ارائه ی یک مدل توزیع پویا در یک زنجیره عرضه سرد مواد لبنی با استفاده از یک روش ترکیبی اصلاحی فرا ابتکاری مبتنی بر بهینه سازی کلونی مورچه است. مدل توزیع پیشنهادی بر پایه مساله مسیریابی وسیله نقلیه ظرفیت دار (CVRP) تعریف می شود که در آن، مسیرهای وسایل نقلیه برای توزیع مواد لبنی از قبل مشخص نیست و با توجه به حجم سفارش های مربوط به آن روز توسط هر خرده فروش، تعداد وسایل نقلیه کمینه همراه با مسیرهای بهینه توزیع مشخص می گردد. ارزیابی کارآیی مدل توزیع پیشنهادی بر پایه مجموعه دادگان تستی که با الهام از داده های جمع آوری شده از شرکت لبنی پگاه قزوین تولید شده است در پنج سطح متفاوت توزیع انجام گرفته است. معیار ارزیابی، مقایسه با نتایج سیستم توزیع ایستای کنونی در نظر گرفته شده است. نتایج آزمایش ها نشان می دهد که مدل توزیع پویای پیشنهادی به دلیل کاهش قابل محسوس تعداد وسایل نقلیه بکار گرفته شده، مسافت طی شده کوتاه تر و مصرف سوخت کم تر، باعث صرفه جویی در هزینه های حمل ونقل، نیروی انسانی و هندلینگ شده و کارایی و انعطاف پذیری بیشتری نسبت به سیستم توزیع ایستا دارد.

-امروزه، افزایش کاربرد انواع شبکه های اجتماعی برخط و گسترش تعاملات اجتماعی در این شبکه ها، اهمیت مسئله ای چون اعتماد را پر رنگ می کند. اعتماد و بی اعتمادی دو فاکتور مهم در تحلیل این شبکه ها هستند. با بررسی مراجع موجود در مقوله اعتماد و بی اعتمادی در محیط های اجتماعی، این نتیجه حاصل شد که اطلاعات بی اعتمادی نیز به اندازه اطلاعات اعتماد، نقش مهمی در تعاملات اجتماعی و تصمیم گیری ها خواهد داشت. اعتماد و بی اعتمادی هویت مستقل دارند اما بر یکدیگر تاثیر می گذارند. این هویت مستقل به معنای احتساب آن ها بر اساس ویژگی ها و عوامل مرتبط است. در این پژوهش، سعی شده است تا بتوان همزیستی اعتماد و بی اعتمادی با حفظ استقلال هویت هر یک، مدل شود. بدین منظور از نظریه منطق ذهنی که فضای مناسبی را برای هم زیستی اعتماد و بی اعتماد فراهم می کند، استفاده شده است. تا کنون تمرکز روش های ارائه شده در این حوزه، بیشتر بر اطلاعات اعتماد و نحوه محاسبه آن بوده است. دسته ای دیگر از روش ها نیز وجود دارند که اطلاعات بی اعتمادی را در نظر گرفته اند. اما در این روش ها، غالبا این اطلاعات، یا با مکمل گیری از اطلاعات اعتماد و یا به طور مستقیم از کاربر به دست آمده است. در این پژوهش، سعی شده است تا با در نظر گرفتن معیارهای مرتبط با اعتماد و معیارهای مرتبط با بی اعتمادی، اعتماد و بی اعتمادی محاسبه شود و در تصمیم گیری مورد استفاده قرار گیرد. برای ارزیابی روش پیشنهادی محاسبه اعتماد و بی اعتمادی در شبکه اجتماعی، شبیه سازی در شبکه اجتماعی فرضی صورت گرفته است. در این شبیه سازی، با تحلیل نتایج حاصل شده از هریک از سناریوهای ارزیابی و مقایسه این نتایج با روش مشابه، این نتیجه به دست آمد که به کارگیری اطلاعات بی اعتمادی همراه با اطلاعات اعتماد با ایجاد یک فضای ذهنی، باعث بهبود دقت در تصمیم گیری و ارزیابی اعتماد و بی اعتمادی شده است.

وجود نویز در تصویر باعث کاهش کیفیت آن می شود، و تحلیل آن را دچار مشکل می کند. روش های رفع نویز، بخصوص در مواجه با نویز های قوی در تصویر، غالبا خرابی هایی نیز به همراه دارند. با توجه به آنکه حساسیت سیستم بینایی انسان به همه نواحی تصویر (نواحی هموار و غیر هموار) به یک میزان نیست، در این تحقیق حذف نویز بر اساس نواحی بافتی تصویر انجام می شود. روش ارائه شده در این مقاله، نویز موجود در نواحی هموار را به دلیل اثرگذاری بیشتر بر روی سیستم بینایی انسان با شدت بیشتری حذف می کند. در واقع با دخالت کمتر فیلتر در نواحی غیرهموار، اثرات کمتری از خرابی ناشی از فیلتر در تصویر بهسازی شده مشاهده خواهد شد. در روش پیشنهادی، با استفاده از اطلاعات آنتروپی، تصویر به دو ناحیه با بافت هموار و غیرهموار قطعه بندی می شود. سپس برای حذف نویز در هریک از این دو ناحیه، از فیلتر انتشار با مقادیر پارامترهای مختلف استفاده می شود. در واقع در روش پیشنهادی، ضمن کاهش اثر نویز در تصویر، لبه ها و جزئیات تصویر نیز به خوبی حفظ می شوند. روش پیشنهادی بر روی چندین تصویر نویزی و تصاویر پایگاه داده CSIQ و IVC ارزیابی شده است. نتایج کیفی و کمی حاکی از آن است که روش پیشنهادی در حذف نویز گوسی از تصویر، در مقایسه با روش های پیشین به مراتب عملکرد بهتری دارد.

سرطان پو ست سالانه جان میلیون ها نفر را در سرا سر جهان به خطر می اندازد. از آن جا که تشخیص زودهنگام سرطان پوست می تواند کمک شایانی به درمان بیمار کند، سامانه های تشخیص به کمک رایانه در حال توسعه هستند تا متخصصان پوست را در این زمینه یاری دهند. این سامانه ها سه گام اصلی دارند: 1) قطعه بندی، 2) استخراج ویژگی، 3) طبقه بندی. قطعه بندی، اولین و مهم ترین گام در سامانه های تشخیص خودکار است. در این مقاله، یک روش جدید براساس کانتورهای فعال هندسی معرفی می شود که با استفاده از ترکیب اطلاعات بافت و رنگ قسمت ضایعه را از پوست سالم جدا می کند. استفاده از ترکیب اطلاعات بافت و رنگ می تواند نقش مهمی را در ایجاد تمایز بین پیکسل های پوست سالم و ضایعه، ایفا کند. نوآوری این مقاله در چگونگی ترکیب اطلاعات بافت و رنگ در تابع سرعت و استفاده از ویژگی های بافت به صورت تصویر است. در این روش برای استفاده ی موثر از اطلاعات رنگ، از دو فضای رنگی یکنواخت CIE L*a*b* و CIE L*u*v* استفاده می شود؛ برای استخراج ویژگی های بافت نیز، از چند روش تجزیه و تحلیل بافت شامل فیلتر گابور، روش ماتریس هم رخدادی، فیلترهای آنتروپی، محدوده تغییرات و انحراف معیار محلی استفاده می شود. برای ارزیابی روش پیشنهادی از دو پایگاه داده ی ISIC2017 و PH2 که به ترتیب شامل 2750 و 200 تصویر درموسکوپی هستند، استفاده شد. مقایسه ی نتایج با پژوهش های اخیر نشان می دهد، الگوریتم پیشنهادی مقاله بالاترین میزان دقت (92/97% برای پایگاه داده ی PH2 و 78/94% برای داده های آزمایش پایگاه داده ی ISIC2017)، حساسیت (83/97% برای پایگاه داده ی PH2 و 11/90% برای داده-های آزمایش پایگاه داده ی ISIC2017) و اختصاصی بودن (45/99% برای پایگاه داده ی PH2 و 53/98% برای داده های آزمایش پایگاه داده ی ISIC2017) را برای هر دو پایگاه داده کسب کرد.

ماشین بردار پشتیبان یکی از ابزارهای توانمند در زمینه یادگیری ماشین با ناظر در طبقه بندی داده ها می باشد. در مواجهه با داده-هایی که ساختار ماشین بردار پشتیبان خطی در طبقه بندی آنها از کارایی لازم برخوردار نیست، استفاده از ساختار ماشین بردار پشتیبان مبتنی بر هسته ها مدنظر می باشد. در رویکرد مبتنی بر هسته ها به دلیل استفاده از فضای ویژگی داده ها به جای خود داده های اصلی امکان طبقه بندی غیرخطی فراهم می آید. یکی از چالش های موجود در این رویکرد افزایش پیچیدگی های محاسباتی و در نهایت افزایش زمان لازم برای طبقه بندی است. عمدتا این افزایش زمان محاسباتی به دلیل ظاهر شدن هسته در حل مسئله بهینه-سازی درجه دوم است که با استفاده از تقریب رتبه پایین ارائه شده در این مقاله قادر خواهیم بود بر این مشکل غلبه کنیم. در این تکنیک با به کارگیری سری تقریبی قطع شده از هسته موجود، مسئله بهینه سازی درجه دوم در ساختار ماشین بردار پشتیبان مبتنی بر هسته ها با یک مسئله بهینه سازی با ساختار ساده تر جایگزین می گردد. در این رویکرد، حاصلضرب های بردار-ماتریس و تجزیه های ماتریسی مورد نیاز بسیار سریع تر انجام خواهد شد. این تغییرات منجر به حل سریعتر مسئله بهینه سازی درجه دوم موجود و افزایش کارایی در طبقه بندی می گردد. نهایتا نتایج عددی ارائه شده در طبقه بندی برخی داده های کاربردی با استفاده از تقریب رتبه پایین ماشین بردار پشتیبان مبتنی بر هسته ها نشان می دهد که ضمن حفظ عملکرد طبقه بندی در حد قابل قبول، زمان محاسباتی به طور قابل توجهی کاهش یافته است.

یکی از موثرترین توصیف گرهای مطرح برای بافت، فیلتر گابور می باشد. فیلتر کمانی گابور انتخاب مناسبی برای توصیف تصاویری است که با استفاده از حسگرهای بدون تماس نوری معمولی گرفته شده اند. به منظور تحت پوشش قرار دادن گستره کامل فرکانسی و استخراج ویژگی های متمایزکننده عموما از فیلتربانک استفاده می شود. اگرچه در یک فیلتربانک مقیاس ها و زوایای چرخش مختلف را داریم، اما انتخاب مقادیر مناسب برای پارامترهایی مانند فرکانس ماکزیمم، ابعاد فیلتر و طول کمان می توانند تاثیر بسزایی درنتیجه نهایی داشته باشد. در این مقاله برای تخمین مقادیر بهینه پارامترها از الگوریتم های فرا ابتکاری استفاده شده است. بر اساس نتایج به دست آمده در شناسایی هویت با استفاده از توصیفگر فیلتر بانک کمانی گابور بهینه شده با الگوریتم بهبود یافته جستجوی گرانشی میانگین نرخ شناسایی هویت مرتبه اول از 43/79 به 71/95 درصد افزایش یافته و در تایید هویت با بهینه کردن فیلتربانک پیشنهادی با استفاده از الگوریتم تبرید شبیه سازی شده میانگین خطای معادل EER از 84/8 به 12/5 کاهش یافته است.