پردازش علایم و داده ها
سال:1404 | دوره:22 | شماره:2 |تعداد مقالات:8

مسائل بهینه سازی در بیشتر موارد با فرض ثابت بودن شرایط محیطی تعریف می شوند. بیشتر مسائل موجود در جهان واقعی محیط های به طور مداوم در حال تغییرند؛ بنابراین ما به الگوریتم های بهینه سازی نیاز داریم که بتوانند مسائل را در محیط های پویا به خوبی حل کنند. مسائل بهینه سازی پویا مسائلی هستند که در طول زمان دستخوش تغییر می شوند. چنین محیط هایی ویژگی هایی نظیر نبود قطعیت، تغییرات زمانی و پیچیدگی های ساختاری را به همراه دارند که فرایند بهینه سازی را به چالشی جدی تبدیل می کند. در مواجهه با این چالش ها، الگوریتم های تکاملی از مؤثرترین روش ها برای حل مسائل بهینه سازی پویا (DOPs) مطرح شده اند. الگوریتم رقابت استعماری (ICA) که بر مبنای هوش ازدحامی و رقابت میان کشورهای استعمارگر طراحی شده است به دلیل توانایی در حل مسائل بهینه سازی ایستا مورد توجه ویژه قرار گرفته است؛ بااین حال، این الگوریتم در محیط های پویا عملکرد ضعیفی از خود نشان می دهد؛ زیرا فاقد مکانیسم هایی برای حفظ تنوع، تطبیق سریع با تغییرات محیطی و پیگیری نقاط بهینه جدید است. در این پژوهش، یک نسخه بهبود یافته از ICA با هدف غلبه بر محدودیت های مذکور ارائه شده است. در طراحی این الگوریتم، از ترکیب سازوکار حافظه و استراتژی خوشه بندی استفاده شده است. سازوکار حافظه اطلاعات نقاط بهینه گذشته را ذخیره کرده و در شرایط مناسب از این اطلاعات برای تسریع فرایند بهینه سازی استفاده می کند و استراتژی خوشه بندی k-means، به حفظ تنوع جمعیت کمک می کند و از انباشت راه حل ها در نواحی خاص جلوگیری می کند. این دو مؤلفه با یکدیگر، عملکرد الگوریتم در محیط های پویا را بهبود می بخشند. الگوریتم پیشنهادی در کنار الگوریتم های پیشرفته ای نظیر FTmPSO(TMO)، RAmQSO-s4، RmNAFSA-s4، TFTmPSO، RFTmPSO، mQSO10 (5+5q)، FMSO، CellularPSO، Multi-SwarmPSO، mCPSO، AmQSO*، FTMPSO، almPSO، و CDEPSA مورد ارزیابی قرار گرفت. نتایج تجربی نشان داد که الگوریتم پیشنهادی توانسته است، در زمینه هایی نظیر سرعت هم گرایی، تطبیق پذیری به تغییرات محیطی و حفظ تنوع جمعیت، عملکردی برتر از سایر الگوریتم ها ارائه کند. از ویژگی های کلیدی الگوریتم پیشنهادی، توانایی در حفظ نقاط بهینه حتی پس از تغییر محیط و مقیاس پذیری آن در مواجهه با مسائل بهینه سازی پویا با ابعاد بزرگ و پیچیدگی های بالا است. استفاده از خوشه بندی k-means باعث شده است که الگوریتم در مواجهه با تغییرات پیچیده محیطی از تمرکز بیش ازحد بر روی نقاط خاص جلوگیری کرده و تنوع جمعیت را به شکل مؤثری حفظ کند. این امر نشان می دهد که الگوریتم پیشنهادی نه تنها در محیط های آزمایشگاهی بلکه در کاربردهای واقعی با تغییرات سریع و پویا نیز کارآمد خواهد بود.

یکی از روش های تقلب در بازار سهام، فرانت رانینگ است که در آن یک معامله گر، با علم (سفارشی) به یک سفارش بزرگ اقتصادی، به خریدوفروش سهام مبادرت می کند. در این مقاله، رویکردی برخط و بدون مربی، مبتنی بر تحلیل رفتاری، برای تشخیص ناهنجاری در داده بازار سهام پیشنهاد می شود که در تشخیص فرانت رانینگ موفق است. ابتدا برای هر کاربر پروفایلی حاوی ویژگی های رفتاری در خرید/فروش سهام ساخته می شود؛ سپس یک روش آماری پیشنهاد می شود که از آن برای محاسبه ریسک هر تراکنش جدید استفاده می شود. این عدد ریسک به میزان تغییرات رفتار کاربر از رفتار مورد انتظار او بستگی دارد. برای تشکیل تابع ریسک از مفهوم نسبت درست نمایی در تئوری تشخیص استفاده می کنیم. احتمال شرطی برای طبیعی یا ناهنجاربودن هر تراکنش جدید محاسبه می شود؛ سپس ریسک را به صورت نسبت این دو احتمال در مقیاس لگاریتمی تعریف می کنیم. در محاسبه ریسک از مفهوم بیز در تئوری احتمالات و درواقع قانون بیز استفاده می کنیم؛ همچنین فرض می کنیم ویژگی ها مستقل از یکدیگرند. در بخش شبیه سازی از داده خریدوفروش سهام شانزده ماه استفاده شده است. ویژگی های مربوط به مبالغ، ساعات انجام معامله، عجول بودن و معامله با یک معامله گر در خرید/فروش سهام در محاسبه ریسک مورد استفاده قرار گرفته اند. نتایج نشان می دهد که روش پیشنهادی در تشخیص فرانت رانینگ موفق عمل می کند.

اینترنت اشیا (IoT) شبکه ای گسترده از اشیای هوشمند متصل به اینترنت است که در شهرهای هوشمند برای یک پارچه سازی سامانه هایی مانند حمل ونقل، برق و بهداشت کاربرد دارد. یکی از چالش های مهم در شبکه های IoT حملات سایبری است که موجب اختلال در سرویس ها می شود. برای مقابله با این تهدیدات استفاده از سامانه های تشخیص نفوذ مبتنی بر یادگیری ماشین ضروری است. در این مقاله روشی ترکیبی برای تشخیص حملات به شهرهای هوشمند ارائه شده است که شامل سه مرحله است:  1) متعادل سازی داده ها با تئوری بازی و شبکه GAN، 2) انتخاب ویژگی با الگوریتم بهینه سازی اره ماهی، 3) تنظیم پارامترهای ماشین بردار پشتیبان (SVM) با الگوریتم های محاسبات ریاضی. شبکه عصبی چندلایه برای تحلیل ویژگی ها و SVM برای طبقه بندی ترافیک استفاده شده اند. نتایج آزمایش ها روی مجموعه داده NSL-KDD در نرم افزار MATLAB، دقت 99. 12 درصد، حساسیت 98. 92 درصد و صحت 98. 96 درصد را نشان می دهد. روش پیشنهادی نسبت به الگوریتم های گرگ خاکستری و ژنتیک عملکرد دقیق تری دارد.

با افزایش تهدیدات سایبری، داده های ثبت رخداد به عنوان منبعی کلیدی برای شناسایی و تحلیل حوادث امنیتی شناخته می شوند و بینش های ارزشمندی از فعالیت های سامانه ارائه می دهند؛ بااین‎حال، هرگونه دست کاری در این داده ها می تواند دقت تحلیل های امنیتی را کاهش داده و تصمیم گیری های مرتبط با امنیت را تحت تأثیر قرار دهد. فناوری بلاک چین با ویژگی هایی نظیر غیرمتمرکزبودن، شفافیت و تغییرناپذیری بستری قابل اعتماد برای تضمین صحت داده ها فراهم می کند. در این پژوهش، به جای ذخیره سازی مستقیم داده های خام که پرهزینه و محدودکننده است، چارچوبی خودکار معرفی شده است که از بلاک چین عمومی اتریوم و قراردادهای هوشمند برای ذخیره هش رمزنگاری شده داده های ثبت رخداد استفاده می کند. این روش با کاهش هزینه های ذخیره سازی، در عین حفظ محرمانگی و امکان راستی آزمایی داده ها، کارایی بالایی ارائه می دهد. فرایند تضمین صحت داده ها در دو مرحله انجام می شود: ثبت و مقایسه دوره ای هش ها و اعتبارسنجی دسته ای در بازه های زمانی بلندتر برای کشف هرگونه دست کاری احتمالی. ارزیابی این مدل در شبکه آزمایشی سپولیا نشان داده است که هزینه های عملیاتی و سربار پردازشی بهینه شده و امکان استفاده از این روش در مقیاس وسیع فراهم است. این پژوهش، روشی نوآورانه و عملی برای خودکارسازی تضمین صحت داده های ثبت رخداد ارائه می دهد و راه کاری قابل اتکا برای ارتقای امنیت اطلاعات در کاربردهای واقعی پیشنهاد می کند.

بیماری های کبدی یکی از علل اصلی مرگ ومیر هستند که تأثیر عمیقی بر زندگی افراد دارند و تشخیص آن ها در مراحل اولیه بسیار حیاتی است. هدف این پژوهش، توسعه و ارزیابی مدل یادگیری ماشین انباشته (SML) برای تشخیص و پیش بینی دقیق بیماری های کبدی است. مدل SML با استفاده از ساختار دولایه، الگوریتم های مختلف را ترکیب کرده تا مشکل بیش برازش را برطرف کند و دقت پیش بینی را افزایش دهد. در لایه نخست، چهار الگوریتم شامل درخت تصادفی نامحدود (ET)، درخت تصمیم (DT)، جنگل تصادفی (RF) و تقویت گرادیان شدید (XGB) برای پیش بینی اولیه استفاده می شوند. در لایه دوم، الگوریتم رگرسیون ترابری (LR) بر اساس خروجی لایه نخست آموزش داده می شود تا پیش بینی نهایی انجام شود. تنظیم پارامترها با الگوریتم جست وجوی شبکه توری (GS) انجام شده است. داده های مورد استفاده شامل 615 نمونه داده با دوازده ویژگی از پایگاه دانشگاه کالیفرنیا در ایروین است که 70% برای آموزش و 30% برای آزمایشی اختصاص یافته است. نتایج اعتبارسنجی متقابل k=5 نشان می دهد که مدل پیشنهادی با صحت 0. 9940 و معیار F1 برابر 0. 9880، عملکرد برتری نسبت به سایر روش ها دارد. این پژوهش می تواند به کاهش مرگ ومیر ناشی از بیماری های کبدی کمک شایانی کند.

تحلیل داده های الکتروانسفالوگرافی (EEG) به عنوان ابزاری کلیدی در درک ساختار های عصبی مرتبط با یادگیری مهارت های جدید از اهمیت بالایی در علوم اعصاب شناختی برخوردار است. با وجود پیشرفت های اخیر در روش های پردازش سیگنال، توسعه الگوریتم های نوین برای استخراج الگوهای معنادار از داده های EEG، به ویژه در بافتار پویایی مغزی حین یادگیری، همچنان به عنوان یک چالش پژوهشی مطرح است. هدف از انجام پژوهش حاضر، ارائه یک الگوریتم جدید جهت تحلیل داده های بیولوژیکی است. به طور خاص، روش پیشنهادی در توصیف داده های EEG در یادگیری یک مهارت جدید مورد بررسی قرار گرفته است. از داده های EEG دَه شرکت کننده (شش زن و چهار مرد) در نُه کانال مغزی (F3، Fz، F4، C3، Cz، C4، P3، POz و P4) موجود در IEEEDataPort استفاده شد که در حال یادگیری تایپ در رایانه در دوازده جلسه درسی، با استفاده از طرح صفحه کلید کولماک بودند. هر یک از درس ها پنج بار تکرار شد. ثبت های EEG در طی تکرارهای دروس چهارم، هشتم و یازدهم بررسی شد. برای نخستین بار روشی مبتنی بر منحنی رودونی برای تحلیل سیگنال معرفی شد که ساختاری شبیه گل با تعداد گلبرگ های قابل تنظیم دارد. در مطالعه حاضر، مدل با تعداد یک تا ده گلبرگ ارزیابی شد. سه شاخص جدید مبتنی بر نبود تقارن در منحنی رودونی برای جداسازی مراحل مختلف یادگیری به ماشین بردار پشتیبان (SVM) داده شد. نقش کانال های مغزی و تعداد گلبرگ های بهینه در مدل با ارزیابی نتایج طبقه بندی برای هر کانال و تعداد گلبرگ جداگانه بررسی شد. نتایج طبقه بندی دو کلاسی با رویکرد یک در مقابل همه، برای تفکیک پانزده جلسه (پنج تکرار × سه درس) بین 3/79 تا 3/93 به دست آمد. برای کانال های F3، Fz، C3، C4، POz و تعداد گلبرگ چهار بهترین نتایج حاصل شد. در طبقه بندی سه جلسه درسی، بالاترین صحت به ترتیب مربوط به جلسه یازدهم (%92)، چهارم (%90) و هشتم (% 6/72) بود. نتایج نشان می دهد در هنگام یادگیری تایپ کردن، مناطق خاصی از پیشانی، آهیانه و پس سری فعال می شود؛ علاوه براین، دینامیک های مغزی در هنگام تکمیل فرایند یادگیری (جلسه یازدهم) و در مراحل اولیه یادگیری (جلسه چهارم) قابلیت تفکیک بالاتری دارند. عملکرد بالای شاخص های منحنی رودونی بیان کننده پتانسیل آن در تحلیل سیگنال EEG است.

استفاده گسترده از شبکه های اجتماعی و انتشار اخبار در رسانه ها، حجم عظیمی از داده های متنی و سری های زمانی را تولید کرده است که بر رفتار سرمایه گذاران در بازارهای مالی تأثیر مستقیم می گذارد؛ در این میان، مدل های بزرگ زبانی و فناوری های پیشرفته پردازش سری های زمانی و زبان طبیعی نقشی کلیدی در جمع آوری، تحلیل و استخراج الگوهای پنهان از این داده ها ایفا می کنند. این مقاله مروری، به بررسی بیش از دویست مرجع منتشرشده از سال 2006 تا 2024 می پردازد که به برهم کنش بازارهای مالی و وقایع خبری منتشرشده در وب با رویکرد متن کاوی متمرکزند. در این مطالعه، انواع منابع اطلاعاتی، روش های بازنمایی متن، تحلیل احساسات و مدل های پیش گو مورد بررسی قرار گرفته اند؛ همچنین، کاربرد مدل های بزرگ زبانی در پردازش سری های زمانی و تحلیل داده های بلادرنگ، به عنوان یکی از نوآوری های اخیر در این حوزه مورد توجه قرار گرفته است. هدف از این پژوهش، شناسایی مرز دانش در حوزه تحلیل کلان داده ها و ارائه مسیرهای آینده پژوهشی در زمینه روش های متن کاوی، هوش مصنوعی و یادگیری عمیق برای توسعه سامانه های پیش بینی، توصیه گر و تحلیل هم بستگی در بازارهای مالی نظیر بورس و فارکس است.

طبقه ­بندی چندبرچسبی نوعی از طبقه ­بندی است که در آن نمونه ­ها می­ توانند صفر، یک یا بیش از یک برچسب داشته باشند؛ به عبارت دیگر هر نمونه به وسیله یک مجموعه از برچسب ­ها نمایش داده می­ شود. با توجه به پژوهش های اخیر، درنظرگرفتن ارتباط بین برچسب­ ها نتایج بهتری را حاصل می­ کند. در این مقاله برای درنظرگرفتن ارتباط بین برچسب­ ها، در مرحله نخست از خوشه ­بندی  k-میانگین با محدودیت استفاده و در مرحله دوم برای هر خوشه یک شبکه ­عصبی پرسپترون چندلایه درنظر گرفته شده است؛ درنهایت با ترکیب برچسب ­های پیش­ بینی شده به وسیله طبقه ­بند­ها، برچسب های نهایی به دست می­ آید. با توجه به اینکه تعداد شبکه های عصبی نسبت به حالت معمول افزایش و به تبع آن زمان آموزش داده ­ها بیشتر می­ شود، روش جدیدی برای کاهش ابعاد با استفاده از جمع پراکنده به کار برده شده است. با ارزیابی روش پیشنهادی بر روی مجموعه داده های موجود در مقایسه با روش های پیشین این نتیجه حاصل شد که روش پیشنهادی در سه مجموعه داده از نوع متن در بسیاری از معیارها مانند دقت، صحت و فاصله همینگ در بین الگوریتم ­ها رتبه نخست را داشته است.