پردازش علایم و داده ها
سال:1402 | دوره:20 | شماره:2 |تعداد مقالات:12

با رشد چشمگیر رسانههای اجتماعی، افراد و سازمانها به طور فزایندهای از افکار عمومی در این رسانهها برای تصمیم گیری خود استفاده می کنند. هدف تحلیل احساسات، استخراج خودکار احساسات افراد از این شبکه های اجتماعی می باشد. شبکه های اجتماعی مرتبط به بازارهای مالی، از جمله بازارهای سهام، اخیرا مورد توجه بسیاری از افراد و سازمان ها قرار گرفته است. افراد در این شبکه ها نظرات و عقاید خود را در مورد هر سهم در قالب یک پست یا توییت، به اشتراک می گذارند. در واقع تحلیل احساسات در این حوزه، سنجش نگرش افراد به هر سهم است. یکی از رویکردهای پایه ای و اصلی در تحلیل خودکار احساسات روش های مبتنی بر واژگان است. اغلب واژگان های مرسوم به صورت دستی استخراج شده اند که فرایندی بسیار دشوار و هزینه بر است. در این مقاله روشی جدید جهت استخراج یک واژگان به صورت خودکار در حوزه شبکه های اجتماعی بورسی ارائه شده است. یک ویژگی خاص این شبکه ها، وجود اطلاعات قیمتی هر سهم در هر روز است. با در نظر گرفتن وضعیت قیمتی سهم در روز درج نظر برای آن سهم، واژگانی را برای بهبود کیفیت عقیده کاوی در این شبکه ها استخراج نمودیم. برای ارزیابی واژگان های تولید شده با استفاده از روش پیشنهادی، آن را با نسخه فارسی واژگان SentiStrength که با هدف استفاده عمومی طراحی شده است، مقایسه نمودیم. نتایج آزمایشات 20 درصد بهبود را در معیار صحت نسبت به استفاده از واژگان عمومی نشان می دهد.

با رشد جمعیت شهری، وسایل نقلیه نیز رشد چشمگیری را تجربه کرده ­اند. افزایش خودروها منجر به بروز چالش­هایی در ارائه سرویس­های ایمنی، ترافیک و رفاه شده است. جهت رفع این چالش­ها، سامانه ­های حمل­ و­نقل هوشمند ارائه شده ­اند. یکی از تکنولوژی های کلیدی در سامانه ­های حمل ­و­نقل هوشمند در جهت رفع این چالش­ها، شبکه های خودرویی هستند. اما این شبکه ­ها در ارائه مطلوب سرویس ­ها با چالش­ هایی از قبیل گسستگی شبکه در نقاط کم ­چگالی و کمبود ظرفیت شبکه در نقاط دارای ازدحام مواجه هستند. جهت غلبه بر این مشکلات، واحدهای کنارجاده ­ای در محیط شهری نصب می­ گردند اما هزینه ­ی بالای نصب و نگهداری این واحدها، از نصب گسترده ­ی آنها در محیط شهری جلوگیری می ­کند. از این رو نیاز است تا تعداد کمینه ­ای از این واحدها در محیط شهری و در نقاط مناسب و موردنیاز جهت رفع چالش های مذکور، نصب گردد. وجود خودروهای پارک شده در محیط شهری و در مکان ­های از پیش تعیین شده، امکان استفاده از آنها را به عنوان واحدهای کنارجاده­ ای مقدور می­ سازد. از این­رو نیاز است تا در چیدمان واحدهای کنارجاده ای در محیط شهری، موقعیت پارکینگ ­ها نیز مدنظر قرار گیرد. در این مقاله، مدلی مبتنی بر برنامه ­ریزی دودویی جهت ایجاد حداقل پوشش موردنیاز در محیط شهری جهت رفع چالش­ های مطرح شده با لحاظ نمودن خودروهای پارک شده به عنوان واحدکنارجاده­ ای ارائه شده است. در این مدل در نقاط پارکینگ از گره­ های پارک ­شده به عنوان واحدهای کنارجاده ای جهت تکمیل پوشش شبکه و افزایش ظرفیت آن بهره می­ برند. همچنین قیدهایی جهت تعیین حداقل پوشش موردنیاز و جلوگیری از پوشش­ های چندگانه به منظور کاهش هزینه­ های نصب به مدل افزوده شده است. درنهایت راهکار ارائه شده با استفاده از شبیه ­سازهای OMNeT++، SUMO و Veins مورد ارزیابی قرار ­گرفته است. جهت صحت ­سنجی مدل ارائه شده، ارزیابی در دو نقشه متفاوت، با تعداد متنوعی از واحدهای کنارجاده­ ای و حالات ترافیکی متفاوت صورت گرفته است و پارامترهای کارایی نرخ گم­شدن بسته ­ها و تاخیر دریافت سرویس مورد اندازه­ گیری واقع شده ­اند. نتایج حاصل از شبیه ­سازی حاکی از بهبود پارامتر تاخیر دریافت سرویس به طور متوسط در دو نقشه به میزان 39 و 43 درصد و نرخ گم شدن بسته­ ها به میزان 47 و 49 درصد در مقایسه با دیگر راه کارهای مرتبط می ­باشد.

در این مقاله، برپایه ی روش بیز گوناگونی، نشان می دهیم که روش تخصیص پنهان دیریکله که یک مدل احتمالاتی مولّد است و در پردازش زبان های طبیعی، متن کاوی، کاهش ابعاد، و زیست داده ورزی کاربرد دارد، نسبت به روش تحلیل معنایی پنهان احتمالاتی در مدل بندی داده ها عملکرد بهتری دارد. در این باره، ابتدا یک مدل بیزی را در مدل سازی موضوع ها شرح می دهیم. آنگاه با روش بیز گوناگونی و الگوریتم امیدریاضی-بیشینه سازی (EM) پارامترهای مدل را برآورد می کنیم. سپس الگوریتم ارائه شده، موسوم به الگوریتم EM گوناگونی، را برپایه ی یک مجموعه داده ی نوشتاری از داده های واقعی در زمینه ی تحلیل داده های خبری پیاده سازی می کنیم و مدل بندی زبانی را بر اساس ملاک سرگشتگی بررسی می کنیم، و دقت خوشه بندی موضوع ها و کاربرد کاهش ابعاد داده های حجیم را با کمک ماشین بردار پشتیبان می سنجیم. همچنین در مقایسه ای دیگر، کاربرد الگوریتم پیشنهادی را در پالایش همکارانه بررسی می کنیم.

فناوری تیکه­نگاری صوتی، یکی از شاخه های دانش سنجش ازدور جهت پایش منابع آب سطحی است. داده های پرت در این فناوری تابه حال با استفاده از روش انحراف معیار تشخیص داده شده و حذف می­شده­اند. در این تحقیق، از روش آستانه­گذاری فضای فازی به منظور تشخیص داده­های پرت و از روش میانگین چهار نقطه در طرفین هر داده پرت جهت جایگزینی داده های پرت تشخیص داده شده استفاده شده است. داده­های مورد استفاده قرار گرفته در این تحقیق شامل مجموعه داده 12 روزه برداشت شده از رودخانه گونو واقع در شهر میوشی، استان هیروشیما ژاپن بوده است. مجموعاً 8017 داده، معادل با 32 % از 25031 داده اولیه، به عنوان نقاط پرت شناسایی و جایگزین شدند. همچنین مقدار انحراف معیار داده­ها پیش از انجام فرایند پرت­کاوی 206/0 و پس از روش آستانه­گذاری فضای فازی به 119/0 رسید. نتایج نشان داد که روش آستانه گذاری فضای فازی نسبت به روش انحراف معیار از دقت و عملکرد بالاتری در شناسایی نقاط پرت برخوردار است. در نهایت مشاهده شد که مقایسه خطای نسبی اندازه گیری دبی بین روش آستانه­گذاری فضای فازی و دبی-اشل (به عنوان مرجع) در اکثر نقاط کمتر از 20 درصد است. درحالی که این مقدار برای روش انحراف معیار و دبی-اشل به بیش از 50 درصد می رسد.

از آنجاییکه رفتار افراد در ویدئوها بصورت سیگنال‎های سه بعدی است و جستجوی یک عمل خاص بسیار دشوار می‎باشد، لذا نیاز به یک تکنیک مناسب جهت تشخیص خودکار دزدان مسلح در ویدئو‎های امنیتی در حال ضبط می‎باشد. در این مقاله روشی سریع و کارا جهت شناسایی موقعیت افراد و سپس تشخیص اسلحه در دست آنها، با استخراج فریم های تصاویر برگرفته از ویدئوها و بدون حذف نقاط اصلی، ارائه شده است. در مرحله نخست و بمنظور استخراج فریم های تصاویر برگرفته از ویدئوها، الگوریتم جداسازی با نرخ فریم مشخص اعمال خواهد شد و تمامی تصاویر در یک پوشه قرار می‎گیرند. سپس روی تمامی تصاویر بدست آمده طبقه‎بند(HC) Haar Cascade اعمال شده تا نقاط کلیدی یا فریم های مربوط به تصاویر کل بدن استخراج شوند و باقی پس‎زمینه‎ها از تصاویر حذف گردند. در انتها، نمونه های هر ویدئو در قالب ماتریس چهار بعدی شامل تعداد دنباله فریم های هر ویدئو، عرض، ارتفاع و تعداد کانال تصویر به شبکه 3DCNNs ارسال می شود تا سلاح در تصاویر شناسایی شوند. لذا نوآوری مقاله ترکیب طبقه‎بند HCو 3DCNNs بمنظور افزایش سرعت و کارایی تشخیص اسلحه می‎باشد. همچنین بمنظور بررسی دقت مدل پیشنهادی، از پارامترهای نرخ مثبت صحیح و مثبت کاذب، مقدار پیش بینی مثبت و نرخ تشخیص کاذب استفاده‎ می‎شود.

تشخیص داده های پَرت در جریان داده (داده های جریانی)، که ویژگی های خاصی نظیر نامحدود بودن و گذرا بودن را دارند، چالش های زیادی دارد. برای این منظور، در این پژوهش، یک رویکرد مبتنی بر مدل طبقه­بندی QLattice، که بر مبنای محاسبات کوانتوم کار می­کند و در کاربرد مورد هدف عملکرد بهتری نسبت به دیگر روش های طبقه بندی دارد، معرفی می کنیم. با توجه به امکان تغییر توزیع داده­ها در طول زمان در داده های جریانی، طرحی برای بهره گیری از یادگیری افزایشی آنلاین نیز در روش پیشنهادی ارائه می شود. با توجه به نامحدود بودن جریان داده­ها و حافظه­ی پردازشی محدود، فرآیند تشخیص بر روی پنجره ای از داده ها که همواره با داده های نمونه برداری شده از پنجره های قبلی به روزرسانی می شود، اعمال می گردد. تابعی نیز برای حل مشکل نامتوازن بودن داده­ها طراحی شده که از روش نمونه­برداری برای حل این مشکل بهره می­گیرد. نتایج آزمایشات نشان می­دهد که رویکرد پیشنهادی دقت عملکرد بهتری نسبت به روش­های دیگر دارد.

یکی از بزرگترین مشکلات پیش روی بشر تأمین انرژی با توجه به کاهش منابع و قیمت تمام شده ی زیاد است. سهم بزرگی از مصرف انرژی در جهان را ساختمان های اداری دارند. در این مقاله روش نوین مدیریت انرژی ساختمان مطرح می شود که به کمک شبکه های اینترنت اشیا میزان مصرف انرژی در ساختمان های اداری کنترل می شود. روش پیشنهادی شامل دو مرحله می باشد: مرحله اول با استفاده از شبکه عصبی مصنوعی و شش پارامتر دمای بیرون ساختمان، دمای نقطه تنظیم، تابش خورشید، اشغال، دمای ساعت قبل و ساعت روز به عنوان ورودی به شبکه عصبی پرسپترون داده می شود و خروجی این مرحله دمای درون ساختمان و میزان مصرف انرژی است. مرحله دوم با استفاده از الگوریتم گرگ خاکستری بهینه دما برای هر بخش ساختمان در هر ساعت از شبانه روز تعیین می شود. میزان مصرف انرژی و قیمت تمام شده انرژی برای ساختمان با استفاده از نرم افزار متلب محاسبه می شود که نتیجه آن کاهش چشمگیر مصرف انرژی و بهینه سازی قیمت تمام شده انرژی در ساختمان های اداری است. روش پیشنهادی کاهش مصرف انرژی 22 کیلو وات ساعت در ساعات ابتدایی صبح را نشان می دهد

امروزه شبکه های عصبی به عنوان بارزترین ابزار مطرح در هوش مصنوعی و یادگیری ماشین شناخته شده و در حوزه های مالی و بانکداری، کسب و کار، تجارت، سلامت، پزشکی، بیمه، رباتیک، هواپیمایی، خودرو، نظامی و سایر حوزه ها مورد استفاده قرار می گیرند. در سال های اخیر موارد متعددی از آسیب پذیری شبکه های عصبی عمیق نسبت به حملاتی مطرح شده که غالباً با افزودن اختلالات جمع شونده و غیر جمع شونده بر داده ورودی ایجاد می شوند. این اختلالات با وجود نامحسوس بودن در ورودی از دیدگاه عامل انسانی، خروجی شبکه آموزش دیده را تغییر می دهند. به اقداماتی که شبکه های عصبی عمیق را نسبت به حملات مقاوم می نمایند، دفاع اطلاق می شود. برخی از روش های حمله مبتنی بر ابزارهایی نظیر گرادیان شبکه نسبت به ورودی، به دنبال شناسایی اختلال می باشند و برخی دیگر به تخمین آن ابزارها می پردازند و در تلاش هستند تا حتی بدون داشتن اطلاعاتی از آن ها، به اطلاعات آن ها دست پیدا کنند. رویکردهای دفاع نیز برخی روی تعریف تابع هزینه بهینه و همچنین معماری شبکه مناسب و برخی دیگر بر جلوگیری و یا اصلاح داده قبل از ورود به شبکه متمرکز می شوند. همچنین برخی رویکردها به تحلیل میزان مقاوم بودن شبکه نسبت به این حملات و ارائه محدوده اطمینان متمرکز شده اند. در این مقاله سعی شده است تا جدیدترین پژوهش ها در زمینه آسیب پذیری شبکه های عصبی عمیق بررسی و مورد نقد قرار گیرند و کارایی آن ها با انجام آزمایش هایی مقایسه شود. در آزمایشات صورت گرفته در بین حملات محصور شده به l∞ و l2، روش AutoAttack کارایی بسیار بالایی دارد. البته باتوجه به برتری روش AutoAttack نسبت به روش هایی نظیر MIFGSM، PGD و DeepFool این روش برای اجرا، مدت زمان بیشتری به خاطر ترکیبی بودن ساختار درونی آن نسبت به سایر روش های همردیف خود نیاز دارد. همچنین به مقایسه برخی از رویکردهای پرکاربرد دفاع در مقابل نمونه های خصمانه نیز پرداخته شد و از بین روش های مبتنی بر نواحی محصورشده به l∞ حول داده، روش آموزش خصمانه مبتنی بر مشتقات PGD با پارامترهای مشخص، از سایر روش ها بهتر در مقابل اغلب روش های حمله مقاوم بوده است. لازم به ذکر است که روش های مختلف حمله خصمانه و دفاع نسبت به آن حملات که در این مقاله مورد بررسی قرار گرفت است در یک قالب مناسب و منعطف کدنویسی شده است. این قالب کدنویسی به عنوان یک پشتوانه پایدار ویژه تحقیق و پژوهش در حوزه یادگیری ماشین استاندارد و یادگیری ماشین خصمانه ویژه پژوهشگران و علاقه مندان از طریق آدرسhttps: //github. com/khalooei/Robustness-framework در دسترس قرار گرفته است.

با اختصاص بخش قابل توجهی از بودجه مربوط به حقوق و دستمزد بانک­ها به شیوه پرداخت مبتنی بر عملکرد توجه به پتانسیل­های کسب و کاری شعب اهمیت یافته است. از این رو مسئله تعیین ضرایب اهمیت شاخص­های ارزیابی عملکرد مبتنی بر فضای کسب و کاری به یک چالش برای مدیران بانکی تبدیل شده است. در این مقاله مسئله بهینه­سازی ضرایب اهمیت شاخص­های ارزیابی عملکرد شعب در یکی از بانک­های دولتی ایران با در نظرگرفتن فضای کسب و کاری شعب مورد بررسی قرار گرفته است. برای این منظور یک رویکرد دو مرحله­ای ارائه شده در گام اول از یک روش خوشه­بندی رایج برای تعیین فضای کسب و کاری هر شعبه استفاده شده و در گام دوم یک الگوریتم ژنتیک دوهدفه نوین به منظور بهینه­سازی ضرایب اهمیت هر خوشه پیشنهاد شده است. روش پیشنهادی با چهار روش شناخته شده مقایسه شده و نتایج در مواردی عملکرد موثر روش پیشنهادی را نشان می­دهد.

در تصاویر ابرطیفی که توسط سنجنده های از راه دور بدست می آیند، می توان تفکیک بین کلاس ها را دقیق تر و با جزئیات بیشتر بدست آورد. از آنجایی که ابعاد بالای داده ابرطیفی و تعداد کم نمونه های آموزشی، طبقه بندی تصاویر ابرطیفی را مشکل می سازد. به دنبال تکنیک هایی هستیم که در هنگام کمبود تعداد نمونه های آموزشی دقت طبقه بندی قابل قبولی داشته باشد. لذا بکارگیری تکنیک هایی که علاو بر کاهش تعداد نمونه های آموزشی، دقت طبقه بندی را بالاتر ببرد حائز اهمیت می گردد. این مقاله از روش طبقه بند شبکه عصبی در طبقه بندی تصاویر ابرطیفی به کمک ادغام ویژگی طیفی و مکانی در دو روش پشته و روش مبتنی بر گراف دودویی بهره گرفته است. علاوه بر روش متداول پشته یاstack، استفاده از روش گراف دودویی ناحیه ای به منظور ادغام مناسب اطلاعات طیفی و مکانی یک روش مطلوب برای استفاده همزمان از اطلاعات طیفی در کنار اطلاعات مکانی (Feature Fusion) در طبقه بندی تصویر ابرطیفی می باشد. در هریک ازاین روش ها طبقه بند شبکه عصبی روی ویژگیهای طیفی و مکانی به صورت مجزاو ادغام شده بکار گرفته شده است و سپس با عملکرد طبقه بند ماشین بردار پشتیبان در شرایط مشابه مقایسه شده است. نتایج طبقه بندی بیانگر برتری طبقه بند شبکه عصبی است.

وارسی مدل[1] یکی از مؤثرترین تکنیک­های صحت سنجی خودکار ویژگی های سیستم های سخت افزاری و نرم افزاری است. در حالت کلی، در این روش، مدلی از سیستم موردنظر تولید می­شود و تمام حالات ممکن در گراف فضای حالت مورد کاوش قرار می گیرد تا بتواند خطاها و الگوهای نامطلوب را پیدا کند. در سیستم های بزرگ و پیچیده تولید تمام فضای حالت منجر به مشکل انفجار فضای حالت[2] می­شود. تحقیقات اخیر نشان می دهند که کاوش در فضای حالت با استفاده از روش های هوشمندانه، می تواند ایده امیدوارکننده ای باشد. ازاین رو در این تحقیق ابتدا مدلی از سیستم موردنظر ایجاد می شود، سپس بخشی از فضای حالت مدل، تولیدشده و با استفاده از احتمالات شرطی، وابستگی بین قوانین موجود در فضای حالت کشف می شوند. پس از آن، با کمک وابستگی های کشف شده، بقیه فضای حالت مدل را به طور هوشمندانه مورد کاوش قرار می گیرد. در این مقاله روشی برای وارسی ویژگی دسترس پذیری[3] در سیستم های نرم افزاری پیچیده و بزرگ که به زبان رسمی تبدیل گراف[4] (GTS) مدل شده اند، ارائه می شود. روش پیشنهادی در GROOVE که یک مجموعه ابزار منبع باز برای طراحی و بررسی وارسی مدل سیستم های تبدیل گراف می باشد، پیاده سازی شده است. نتایج آزمایش های تجربی نشان می دهند که رویکرد پیشنهادی نسبت به روش های قبلی سریع تر بوده و مثال های نقض[5]/شاهد[6]کوتاه تری تولید می کند.

مهمترین چالش در شبکه های حسگر بی سیم، به حداقل رساندن مصرف انرژی در باتری گره های حسگر و افزایش طول عمر شبکه است. یکی از تکنیک های مؤثر در کاهش مصرف انرژی در این شبکه ها، تکنیک حسگری فشرده است که با کاهش داده های ارسالی، موجب کاهش مصرف انرژی در شبکه می گردد. از طرفی، برای مقابله با چالش مصرف انرژی، شناخت کامل منابع مصرف انرژی در شبکه ضروری است. مدل های مختلفی برای تحلیل مصرف انرژی در شبکه حسگر بی سیم ارائه شده اند، اما مدل کاملی برای تحلیل انرژی مصرفی مبتنی بر حسگری فشرده ارائه نشده است. از این رو وجود مدلی برای تحلیل مصرف انرژی مبتنی برحسگری فشرده ضرورت می یابد. بر همین اساس، در این مقاله به ارائه مدلی برای تحلیل مصرف انرژی مبتنی بر حسگری فشرده می پردازیم. این مدل می تواند به طراحی بهینه شبکه های حسگر بی سیم مبتنی بر حسگری فشرده با رویکرد بهبود مصرف انرژی کمک مؤثری نماید.