پژوهش های نظری و کاربردی هوش ماشینی
سال:1402 | دوره:1 | شماره:1 |تعداد مقالات:12

الگوریتم های یادگیری چندبرچسبی به دلیل حجم و ابعاد بالای داده های چندبرچسبی و همچنین وجود نویز در آنها، با چالش های فراوانی مواجه هستند. انتخاب ویژگی یک تکنیک مؤثر برای برطرف کردن این چالش ها است. در این مقاله یک روش انتخاب ویژگی مبتنی بر یک رویکرد شورایی برای داده های چندبرچسبی ارائه شده است. در روش پیشنهادی، سه ماتریس تصمیم مختلف بر اساس معیار های ارزیابی ویژگی مختلف با درنظرگرفتن همگرایی ویژگی ها با برچسب های کلاس و همچنین افزونگی ویژگی ها نسبت به هم در فرایند انتخاب ویژگی مؤثر هستند. این سه ماتریس تصمیم در نهایت بر اساس یک رویکرد شورایی مبتنی بر مفهوم انتگرال فازی با هم ترکیب می شوند تا ارزیابی ویژگی ها بر اساس مقدار تجمیع شده صورت گیرد. برای ارزیابی عملکرد الگوریتم پیشنهادی، مقایساتی با چندین الگوریتم مشابه بر روی چند مجموعه داده مختلف صورت گرفته است. نتایج به دست آمده از آزمایش ها انجام شده، نشان دهنده عملکرد مناسب الگوریتم پیشنهادی در مقایسه با سایر الگوریتم ها است.

در بکارگیری سیستم های شناسایی چهره روش های مختلف تقلب نظیر استفاده از ماسک پوششی و بکارگیری عکس شخص معتبر دو مشکل اساسی هستند که کاربردهای آن ها را محدود می کنند. براساس بررسی های انجام شده روش-هایی برای تشخیص تقلب در شناسایی چهره معرفی شده اند که بعضا مداخله کننده هستند، یعنی شخص را وادار به انجام حرکتی می کنند تا بتوانند چهره واقعی را از تقلبی تمییز دهند. استفاده از روش های مداخله کننده اغلب نارضایتی کاربران را به همراه دارد. در این مقاله با ارائه روشی غیرمداخله کننده و براساس ویژگی هایی مانند انعکاس نور یا وجود نویز متناوب اقدام به شناسایی تصاویر واقعی از تقلبی می کنیم. در این روش ابتدا با بهره گیری از الگوی دودویی محلی لبه ها و بافت تصویر برجسته می شوند. سپس جهت طبقه بندی تصاویر واقعی و غیرواقعی، ویژگی های تصویر توسط مدل یادگیری عمیق متشکل از سه لایه پیچش استخراج می شوند. نتایج نشان دهنده مقاومت روش پیشنهادی در برابر پوشش چشم است. به منظور ارزیابی روش پیشنهادی مجموعه داده CASIA در این تحقیق مورد استفاده قرار گرفته است. نتایج حاکی از دقت 98 درصدی روش پیشنهادی در این مجموعه داده است که در مقایسه با روش های موجود دقت بالاتری دارد.

برچسب گذاری اجزای واژگانی کلام موضوع تحقیقاتی مهمی در حوزه ی پردازش زبان طبیعی است و پایه ی بسیاری از دیگر مباحث مطرح در این حوزه است. در این مقاله یک روش نوین برچسب گذاری اجزای واژگانی کلام به کمک شبکه های عصبی عمیق معرفی می گردد. هدف اصلی مدل پیشنهادی، استخراج چسب های عمیق و سطح بالا از متون و سپس طبقه بندی این ویژگی های سطح بالا می باشد. روش پیشنهادی متکی بر این ایده است که از شبکه ای عصبی عمیق کوچک می توان برای یافتن ویژگی های عمیق و تولید خروجی مطلوب بهره برد. روش موردنظر با استفاده از کتابخانه های تخصصی Tensorflow و Keras API در پایتون پیاده سازی و عملکرد آن بر روی مجموعه های داده استاندارد coNLL2000 ارزیابی گردید. نتایج آزمایش حاکی از آن است که روش پیشنهادی قابلیت استخراج ویژگی های سطح بالای واژگان زبان طبیعی را داشته و قادر است به ازای برچسب های پرتکرار و پرکاربرد به دقت قابل توجهی برسد. میانگین دقت مدل پیشنهادی به ازای برچسب های مختلف برابر 80.26% بوده است. بعلاوه، این روش قابلیت استفاده در محیط های متنوع و بر روی دستگاه های مختلف را نیز دارد.

اسکیزوفرنی یک ناهنجاری در مغز است که در آن افراد واقعیت را غیر طبیعی تفسیر می کنند. این اختلال روانی با علائم رفتاری مانند توهم و بی نظمی گفتار مشخص می شود. سیگنال الکتروانسفالوگرام (EEG) اختلالات مغزی را نشان می دهد و به طور گسترده برای مطالعه بیماری های مغزی استفاده می شود. هدف این مقاله تشخیص خودکار اسکیزوفرنی از روی سیگنال EEG است. روش متداول در پژوهش ها، استخراج دستی ویژگی ها از سیگنال EEG است. از آنجا که الگوریتم های یادگیری عمیق توانایی استخراج خودکار ویژگی های مهم و طبقه بندی آنها را دارند، در این پژوهش به منظور استخراج ویژگی های مفیدتر، سیگنال EEG به یک شبکه عصبی عمیق بازگشتی کانولوشنی یازده لایه اعمال شده است. سیگنال های EEG جمع آوری شده در انیستیتو ورشو از 14 فرد سالم و 14 بیمار اسکیزوفرنی، در اینجا مطالعه شده است. مقدار میانگین معیارهای ارزیابی درستی مدل شامل Accuracy، Sensitivity، Specificity و PPV برای مدل پیشنهادی به ترتیب برابر 98.79%، .98.73%، 98.86%و 99.06% به دست آمد که بهبود عملکرد مدل پیشنهادی برای طبقه بندی بیماران اسکیزوفرنی و افراد سالم را در مقایسه با مدل های قبلی تایید می کند. مدل ارائه شده می تواند به عنوان یک ابزار تشخیصی به پزشکان برای تشخیص مراحل اولیه اسکیزوفرنی کمک کند

از آنجا که تمام ویژگی های داده ها برای یافتن دانشی که در داده ها نهفته است مهم و حیاتی نیستند؛ کاهش ابعاد داده یکی از مباحث بااهمیت است. ازاین رو در این مقاله روشی جدید با استفاده از الگوریتم سینوس کسینوس با رویکرد بهینه سازی چندگانه در حوزه انتخاب ویژگی ارائه می شود. روش پیشنهادی در مدل انتخاب ویژگی رپر ارائه شده است و دو مرحله دارد که شامل مرحله انتخاب ویژگی با استفاده از الگوریتم سینوس کسینوس چندگانه و مرحله طبقه بندی جواب های ممکن در الگوریتم سینوس کسینوس با روش نزدیک ترین همسایه توسعه یافته، است. روش پیشنهادی بر روی مجموعه داده استاندارد UCI در مجموعه داده هایی با ابعاد مختلف آزمایش شده است.مقایسه روش پیشنهادی با روش های بهینه سازی چندگانه و تک گانه، نشان می دهد که این روش نسبت به روش های بهینه سازی تک گانه، دارای کارایی بالاتری بوده ( یعنی با دقت بیشتری به مجموعه ویژگی بهینه می رسیم) و نسبت به روش های بهینه سازی چندگانه نیز با اختلاف کمی، نتایج بهتری در انتخاب بهترین مجموعه ویژگی به صورت چندگانه را داشته است.

در سال های اخیر، ردیابی شی در محیط های مختلف با اشیا متنوع، اهمیت قابل توجهی یافته است. یک ویژگی بسیار مهم، ردیابی سریع، بدون نیاز به سخت افزار خاص و پیش آموزش است. ردیاب های مبتنی بر فیلتر همبستگی متمایزکننده، نتایج مثبتی را از نظر سرعت و دقت ارائه داده اند. اگرچه در بسیاری از این ردیاب ها، موقعیت شی در هر فریم بر اساس انتقال و مقیاس های هرمی تخمین زده می شود، در الگوریتم تبدیل شباهت، انتقال، مقیاس و چرخش برای یافتن موقعیت شی برآورد می شوند. در این الگوریتم، ویژگی هیستوگرام گرادیا ن های جهت دار استخراج شده است. در مقاله ی پیش رو، دو رویکرد متفاوت جهت استخراج ویژگی در این الگوریتم اتخاذ شده است. روش اول از تصاویر مقیاس بندی شده با استفاده از محدود سازی حداقل واریانس استفاده می کند. سپس با روش تغییر مقیاس در ماتریس های هم رخداد، ویژگی ها به سطح دیگری نگاشت می شوند. رویکرد دوم، ترکیبی از ویژگی های الگوی دودویی محلی رنگی متضاد و ویژگی مقاوم تسریع یافته ارائه می دهد. مجموعه داده ی مورد ارزیابی OTB-2015 شامل 100 دنباله ی ویدیویی است. هر دو رویکرد، نتایج کلی مقاله ی پایه را تا حدود 3 درصد بهبود داده اند. روش اول در چالش رزولوشن پایین تا 7 درصد و روش دوم در چالش چرخش تا 4 درصد، نتایج را افزایش داده اند.

در برخی از کاربردهای دنیای واقعی، داده هایی با ابعاد بالا وجود دارند که چالش های محاسباتی زیادی را ایجاد کرده اند. یکی از تکنیک های موثر برای کاهش ابعاد داده ها، انتخاب ویژگی است که با انتخاب زیرمجموعه مناسبی از ویژگی ها باعث سادگی مدل و بهبود کارایی آن می شود. در بسیاری از این کاربردها، برچسب زدن داده ها امری زمان بر و پرهزینه است که باعث می شود داده های برچسب دار کمی وجود داشته باشند و حجم عظیمی از داده های بدون برچسب در دسترس باشند. در چنین کاربردهایی، روش های انتخاب ویژگی نیمه نظارتی می توانند با استفاده از اطلاعات برچسب داده های برچسب دار و اطلاعات توزیع و ساختار هندسی داده های برچسب دار و بدون برچسب، فرایند انتخاب ویژگی را انجام دهند. در اکثر روش های انتخاب ویژگی نیمه نظارتی، با ایجاد یک گراف همسایگی، ویژگی های مناسب از طریق بررسی توانایی آن ها در حفظ ساختار هندسی گراف ارزیابی می شوند. در روش های کلاسیک انتخاب ویژگی نیمه نظارتی مبتنی بر گراف، ویژگی ها به صورت جداگانه ارزیابی می شوند و همبستگی بین ویژگی ها در هنگام انتخاب ویژگی در نظر گرفته نمی شود. روش های انتخاب ویژگی تُنک با در نظر گرفتن همبستگی بین ویژگی ها، ماتریس انتقال بهینه تُنک برای انتخاب ویژگی را محاسبه می نمایند. در این مقاله با بررسی روش های یادگیری نیمه نظارتی، مروری بر روش های انتخاب ویژگی نیمه نظارتی تُنک مبتنی بر گراف انجام می شود که با استفاده از عبارت تنظیم مبتنی بر مدل های تُنک و با ایجاد گراف همسایگی، ویژگی های مناسب را انتخاب می کنند. این روش ها ضمن برطرف کردن مشکل روش های انتخاب ویژگی کلاسیک، با ایجاد یک گراف همسایگی از داده ها ماتریس انتقال بهینه تُنک برای انتخاب ویژگی را محاسبه می نمایند.

خوشه بندی، ابزاری پرکاربرد جهت تحلیل اطلاعات شبکه های پیچیده ‏است که برای مدل سازی سامانه های پیچیده بکار می رود. پیمانگی ، ‏معیاری پایه و فراگیر جهت ارزیابی و صحت سنجی خوشه بندی شبکه ها ‏است که دارای چالش هایی چون ان پی-سخت بودن مسئله و عدم‎ ‎امکان ‏استفاده از دانش اولیه در خوشه بندی می باشد. لذا، خوشه بندی مبتنی بر ‏معیار پیمانگی، قابلیت تعمیم به خوشه بندی های نیمه نظارتی را ندارد. از ‏طرفی، یکی از روش های خوشه بندی نیمه نظارتی، روش خوشه بندی مبتنی ‏بر تجزیه نامنفی ماتریسی (‏NMF‏) می باشد. اما این روش، ویژگی های ‏خاص شبکه ها را در نظر نمی گیرد. در این مقاله، برای غلبه بر چالش های ‏نام برده و با ارائه ی اثباتی جدید، برای خوشه بندی مبتنی بر معیار پیمانگی، ‏ساختاری مشابه با خوشه بندی مبتنی بر تجزیه نامنفی ماتریسی نامتقارن ‏ارائه می شود که در آن، امکان بهره گیری از دانش اولیه و حل به روش ‏تکراری میسر می گردد. سپس، روش خوشه بندی نیمه نظارتی نوینی به نام ‏تجزیه نیمه نظارتیِ نامنفی ماتریس های متقارن مبتنی بر معیار پیمانگی ‏‏(‏SSNMF-Q‏) با بهره گیری از مزیت دانش اولیه و روش حل تکراری، ‏به جای حل مسئله ان پی-سخت ارائه می گردد. برای ارزیابی روش ‏پیشنهادی، از پنج مجموعه داده واقعی استفاده شده که نتایج، بیانگر عملکرد ‏بهتر‎ SSNMF-Qدر مقایسه با سایر خوشه بندی های نیمه نظارتی مبتنی بر ‏NMF‏ می باشد.‏

درختان، یکی از اساسی ترین کلاس ها در گراف ها هستند. آن ها نه تنها نقش کلیدی در نظریه گراف و ترکیبیات دارند، بلکه در بسیاری از زمینه های دیگر ریاضیات و همچنین در سایر علوم مانند زیست شناسی، شیمی و علوم کامپیوتر نیز ظاهر می شوند. در این مقاله به بررسی خلاصه کاربردهای درختان در شیمی، زیست شناسی و کامپیوتر می پردازیم. درختان، یکی از اساسی ترین کلاس ها در گراف ها هستند. آن ها نه تنها نقش کلیدی در نظریه گراف و ترکیبیات دارند، بلکه در بسیاری از زمینه های دیگر ریاضیات و همچنین در سایر علوم مانند زیست شناسی، شیمی و علوم کامپیوتر نیز ظاهر می شوند. در این مقاله به بررسی خلاصه کاربردهای درختان در شیمی، زیست شناسی و کامپیوتر می پردازیم. درختان، یکی از اساسی ترین کلاس ها در گراف ها هستند. آن ها نه تنها نقش کلیدی در نظریه گراف و ترکیبیات دارند، بلکه در بسیاری از زمینه های دیگر ریاضیات و همچنین در سایر علوم مانند زیست شناسی، شیمی و علوم کامپیوتر نیز ظاهر می شوند. در این مقاله به بررسی خلاصه کاربردهای درختان در شیمی، زیست شناسی و کامپیوتر می پردازیم.

امروزه به دلیل وجود حجم انبوه نظرات منتشرشده توسط افراد در فضای مجازی، تحلیل احساسات نقش اساسی را در استخراج اطلاعات بازی می-کند. یکی از تکنیکهای نوین براساس مطالعات انجام شده به منظور تعیین دقیق تر قطبیت جمله در تحلیل احساسات مبتنی بر الگوریتم های یادگیری عمیق است. در این تحقیق به منظور تعیین قطبیت نظرات متنی از الگوریتم یادگیری عمیق LSTM و RNN استفاده شده است تا با بررسی و مقایسه این دو الگوریتم بتوان الگوریتم مناسب برای تحلیل احساسات را انتخاب نمود. همچنین در روش پیشنهادی برای تعیین روابط معنایی بین کلمات از روش تعبیه گذاری کلمات از پیش آموزش داده شده ی Wordtovec استفاده شد تا دقت روش پیشنهادی افزایش یابد. روش پیشنهادی بر روی دو مجموعه داده airline-tweet و IMDB ارزیابی شد. نتایج ارزیابی نشان می دهد که روش پیشنهادی بر روی مجموعه داده airline-tweet در صورت استفاده از تعبیه گذاری Wordtovec دقت 78/0 دارد. همچنین روش پیشنهادی بر روی مجموعه داده IMDB در صورت استفاده از تعبیه گذاری Wordtovec دقت 84/0 دارد.

بخش بندی چهره نقش خیلی مهمی در کاربردهای آنالیز چهره مانند شناسایی هویت، آنالیز حالات چهره، انیمیشن چهره و آنالیز بیماری های پوست چهره ایفا می کند. در این مقاله، یک روش جدید هیبریدی مبتنی بر بهینه سازی ازدحام ذرات کوانتومی (QPSO) و گرگ خاکستری (GWO) جهت بهینه کردن عمل کرد خوشه بند K-Means رائه می شود. در این مطالعه، دو الگوریتم با هم ترکیب شده و در روش پیشنهادی عمل کرد استخراج در الگوریتم QPSO با قابلیت اکتشاف در الگوریتم GWO بهبود داده می شود. اندازه گیری تشابه نقش اساسی در فرآیند خوشه بندی ایفا می کند. جهت اندازه گیری تشابه، 4 معیار فاصله ی اقلیدسی، مینکوفسکی، ماهالانوبیس و بلوک شهری در بهینه سازی الگوریتم K-Means به-کار گرفته شده است. روش پیشنهادی در مقایسه با سایر الگوریتم های فرا ابتکاری شامل الگوریتم ژنتیک (GA)، PSO، QPSO، GWO، بهینه سازی خفاش، جستجوی کلاغ عمل کرد بهتری در بخش بندی و سرعت همگرایی دارد. همچنین، نتایج نشان می دهند که فاصله ی مینکوفسکی عمل کرد بهتری در محاسبه ی تشابه داشته و بهینه سازی الگوریتم K-Means با فاصله ی مینکوفسکی نتیجه ی بهتری در بخش بندی دارد. براساس نتایج به دست آمده، ترکیب این دو الگوریتم رسیدن به جواب بهینه را تضمین کرده و از مسئله ی کمینه مکانی نیز جلوگیری می کند.

شناسایی و حذف گلوگاه های توان عملیاتی، ابزاری کلیدی برای افزایش توان عملیاتی و بهره وری در سیستم های تولید است. با این حال، به دلیل پیچیدگی و پویای کارخانه، حذف گلوگاه های توان عملیاتی یک چالش بزرگ تلقی می شود. پژوهشگران سعی کرده اند ابزارهایی را برای کمک به شناسایی و حذف این گلوگاه ها توسعه دهند. از لحاظ تاریخی، تلاش های تحقیقاتی بر توسعه رویکردهای مدل سازی برای شناسایی گلوگاه ها در سیستم های تولید متمرکز شده اند. با این حال، با ظهور دیجیتالی سازی صنعتی و هوش مصنوعی، محققان راه های مختلفی را بررسی کردند که در آن ها می توان از هوش مصنوعی برای از بین بردن گلوگاه ها استفاده نمود. در این پژوهش نقش هوش مصنوعی در شناسایی و حذف گلوگاه ها بیان شده و تلاشهای صورت گرفته در زمینه گلوگاه های توان عملیاتی به چهار دسته (1) شناسایی، (2) تشخیص، (3) پیش بینی و (4) تجویز طبقه بندی می شوند. همچنین توصیه های عملی و جهت گیری پژوهش های آینده ارائه شده است که می تواند به بهبود استفاده عملی و نظری هوش مصنوعی در صنایع کمک نماید.