در این مقاله، یک روش جدید برای افزایش تفکیک پذیری تک تصویری تصاویر متن ارائه می شود. این روش مبتنی بر نمونه است یعنی برای فراتفکیک پذیری از یک مجموعه نمونه آموزشی که شامل وصله های با تفکیک پذیری بالا و پایین است استفاده می شود. بر اساس قاعده بیزی، یک تابع به عنوان درست نمایی و سه تابع به عنوان دانش اولیه در نظر گرفته می شوند. تابع مربوط به درست نمایی میزان شباهت با تصویر اولیه را توصیف می کند. سه تابع مربوط به دانش اولیه خصوصیات دومدی بودن تصویر متن، یکنواخت بودن نواحی پس زمینه و متن و نزدیک بودن به مجموعه نمونه آموزشی را توصیف می کنند. با کمینه کردن این توابع انرژی طی فرایند تکرارشونده نزول گرادیان ناهم زمان ترتیبی، تصویر با تفکیک پذیری بالا به دست می آید. به جای کمینه کردن هم زمان ترکیب خطی توابع، آنها به ترتیب و با توجه به این که در تکرارهای متوالی الگوریتم چه تغییراتی در تصویر متن رخ می دهد کمینه می گردند. به این ترتیب دیگر نیازی به تعیین ضرایب ترکیب خطی توابع که برای تصاویر مختلف متغیر هستند نخواهد بود. نتایج آزمایش ها روی بیست تصویر متن با قلم ها، تفکیک پذیری ها، تارشدگی ها و نویزهای مختلف عملکرد بهتر و با حجم محاسباتی کمتر روش ارائه شده نسبت به روش های مشابه قبلی را نشان می دهد.

1مقیدسازی الگوریتم گرادیان نزولی باهدف آموزش شبکه عصبی با وزن­هایی محدودشده در کاربردهایی نظیر  شفاف سازی شبکه، کاهش حجم شبکه ازنظر ذخیره سازی و افزایش سطح عمومیت پذیری آن مؤثر است. همچنین می تواند در افزایش سرعت همگرایی، سرعت استنتاج و یافتن جوابی بهینه نیز مناسب باشد. در این نوشتار با استفاده از ترفند کرنل به عنوان روشی برای تحمیل انواع قیود بر الگوریتم آموزش، تعداد 21 قید مختلف با یکدیگر مقایسه شده است که تعداد 16 قید آن با الهام از عدم قطعیت موجود در شبکه های عصبی زیستی برای اولین بار در این مقاله ارائه شده است. مقایسه قید ها بدون هیچ گونه افزایش داده و منظم سازی، صورت گرفته است تا اثر قید ها بر فرآیند بهینه سازی واضح باشد. به منظور ارزیابی، برای هر قید در حل مسائل طبقه بندی MNIST، CIFAR-10 و CIFAR-100 با شبکه های عصبی عمیق مختص آن، 63 آزمایش شبیه سازی شده است. نتایج نشان می دهد هر قید در هر مجموعه داده تأثیر متفاوتی بر فرآیند آموزش دارد و به طور مشخص قیدهای پیشنهادی که از عدم قطعیت حاضر در شبکه های عصبی زیستی الهام گرفته شده است، می­تواند بهتر از قیدهای ارائه شده در تحقیقات پیشین باشد و باعث بهبود عملکرد شبکه عصبی عمیق ازنظر دقت طبقه بندی شود.

پژوهش حاضر بر اساس ارزیابی الگوی یادگیری الگوریتم لورنبرگ مارکوات، گرادیان نزولی و الگوی آریما به مقایسه و توانایی پیش بینی کنندگی در بازار سرمایه می پردازد. بدین منظور داده های بازار در سال های 1394 تا 1397 مورد استفاده قرار گرفت و بیش از 75 درصد از این داده ها تا قبل از سال 1397 به عنوان داده های آموزشی استفاده شد و داده های یک سال پایانی نیز به عنوان داده های آزمایشی مورد استفاده قرار گرفته شده است. نتایج تحقیق نشان داده اند، شبکه های عصبی مصنوعی ظرفیت بالایی برای پیش بینی قیمت دارند. مقایسه نتایج و عملکرد شبکه های عصبی و الگوی آریما (ARIMA) حاکی از آن است که شبکه عصبی قدرت پیش بینی بالاتری در مقایسه با الگوی خطی آریما (ARIMA) دارد، همچنین مقایسه عملکرد و دقت پیش بینی دو نوع شبکه عصبی با الگوریتم یادگیری لونبرگ مارکوارت و الگوریتم یادگیری گرادیان نزولی نشان داد که استفاده از الگوریتم یادگیری لونبرگ مارکورات توانسته است دقت پیش بینی شبکه عصبی را افزایش داده و خطای آن را کاهش دهد، بنابراین بر پایه پژوهش انجام شده می توان چنین نتیجه گرفت که الگوریتم یادگیری لونبرگ مارکوارت قدرت پیش بینی شبکه عصبی را بهبود می بخشد.

کاهش مصرف انرژی به وسیله خاموش کردن فرستنده/ گیرنده در واحدهای شبکه نوری، رایج ترین راه حل ذخیره سازی انرژی در شبکه نوری منفعل مبتنی بر گیگابیت می باشد. محاسبه مدت زمان خاموشی فرستنده/ گیرنده در واحد نوری، اساسی ترین چالش در حوزه ذحیره سازی است؛ زیرا کم یا زیادشدن مدت زمان یادشده علاوه بر ذخیره سازی انرژی بر کیفیت خدمات نیز تأثیر می گذارد. در این مقاله با استفاده از روش کاهش گرادیان که نوعی الگوریتم بهینه سازی تکرارشونده است، مکانیسم یافتن نقاط ماکسیمال موضعی مدت زمان خاموشی فرستنده/ گیرنده با درنظرگرفتن سطح کیفی خدمات ارائه شده است. در روش ذکرشده، علاوه بر دقت و سرعت همگرایی، محدودیت افزایش بسیار زیاد حجم داده وجود نخواهد داشت. نوع ترافیک، تاریخچه درخواست های پهنای باند، وضعیت صف در واحد نوری و مدت زمان تأخیر قابل تحمل در کیفیت خدمات، پارامترهای ورودی الگوریتم می باشند. تاریخچه درخواست ها و پارامترهای یادشده به عنوان داده های آموزش ماشین استفاده شده است. شبیه سازی انجام شده نشان داد که الگوریتم ارائه شده، پارامترهای سطح خدمات شامل تأخیر بسته ها، نرخ ازدست رفتن بسته ها، و توان عملیاتی سیستم را در سطح قابل قبولی حفظ کرده و قادر به ذخیره سازی انرژی در واحدهای شبکه نوری تا 17% می باشد.

مدل جمعی ناپارامتری یکی از مدل ­های رایج برای مدل­سازی رابطه بین متغیرها است. در این مقاله، مدل جمعی ناپارامتری بعد بالا را در نظر می­ گیریم که در آن تعداد متغیرهای توضیحی می­ تواند از تعداد مشاهدات بیشتر باشد، اما تعداد متغیرهای توضیحی موثر بر پاسخ نسبت به تعداد مشاهدات، کوچک است. وقتی تعداد متغیرهای توضیحی مدل زیاد باشد، تفسیر مدل مشکل تر و هزینه محاسبات افزایش می­یابد. لذا، شناسایی متغیرهای توضیحی موثر بر پاسخ یا مولفه ­های جمعی غیرصفر در این مدل بسیار مهم است. بدین منظور، ابتدا مولفه­ های جمعی را با استفاده از پایه­ های B-اسپلاین تقریب می زنیم. با به ­کارگیری این تقریب، مساله انتخاب متغیر به انتخاب گروه ­هایی از ضرایب غیرصفر تبدیل می­ شود. سپس از تابع­ های تاوان گروهی برای انتخاب ضرایب غیرصفر استفاده می­ کنیم. این امر معمولاً با مینیمم ­کردن مجموع توان­ های دوم خطا تحت یک شرط محدودکننده انجام می ­شود. مینیمم ­کردن این تابع هدف تاوانیده مستلزم استفاده از روش ­های بهینه سازی است. در این مقاله از الگوریتم کاهش گروهی برای حل مساله مینیمم ­سازی فوق استفاده می­شود. در پایان، عملکرد این الگوریتم تحت سه تابع تاوان مختلف، با مطالعات شبیه سازی و تحلیل یک مجموعه داده واقعی بررسی می شود.

پایداری آموزش در شناسایی سیستم های غیرخطی یکی از مهمترین مسایل در پژوهش های مربوط به کنترل است. این مقاله به بررسی پایداری یک سیستم فازی-عصبی نوع 2 بازه ای (IT2ANFIS) به عنوان شناساگر از طریق یک تابع لیاپانوف جدید می پردازد. در این تحلیل، آموزش قسمت مقدم و تالی سیستم IT2ANFIS به ترتیب با الگوریتم های گرادیان نزولی و فیلتر کالمن صورت می پذیرد. از این رو، با استفاده از تابع لیاپانوف مورد نظر، محدوده های مجاز متغیر های قابل تنظیم آموزش، بدست می آیند و بر الگوریتم ها اعمال می گردند تا فرآیند شناسایی پایدار بماند. مطابق با تحلیل پایداری این پژوهش، محدوده های تطبیقی وسیعی از متغیر های قابل تنظیم در آموزش الگوریتم ها بدست آمده است. علاوه بر این، مطابق با نتایج شبیه سازی، با انتخاب محدوده های مجاز بر مبنای تحلیل پایداری پیشنهادی، فرآیند شناسایی پایدار و با عملکرد مناسبی بوده است. هنگامی که روش پیشنهادی برای پیش بینی مقادیر آتی سری آشوب مکی گلاس و یک سیستم غیرخطی با داده های تصادفی به کار گرفته می شود، از نظر ریشه دوم میانگین خطا، زمان شناسایی، و قرار گیری در تله کمینه محلی عملکرد بهتری نسبت به روش های دیگر دارد.

حجم وسیعی از تحقیقات در زمینه یادگیری برخط به مساله غلبه بر فراموشی فاجعه بار تمرکز کرده اند و تحقیقات اندکی در زمینه طبقه بندی داده های جریانی با صحت و زمان اجرای مناسب تمرکز کرده اند. از سوی دیگر، به دلیل حجم و نوع داده های جریانی بسیاری از الگوریتم های سنتی یادگیری ماشین به خودی خود کارایی لازم هنگام مواجه با آنها را ندارند. بنابراین، در این مقاله برای طبقه بندی داده های جریانی با صحت و زمان یادگیری مناسب یک مدل جدید با استفاده از یادگیری تقویتی و الگوریتم گرادیان کاهشی تصادفی ارائه شده است. یکی از قابلیت های مهم یادگیری تقویتی این است که عامل می تواند رفتار خود را به تدریج با تغییراتی که رخ می دهد سازگار کند و به صورت تدریجی بر دانش قبلی خود بیافزاید. در این پژوهش به دلیل استفاده از یادگیری تقویتی و تعریف پاداش، عامل عملکرد بهتری در محیط دارد. الگوریتم پیشنهادی بر روی داده های مختلف از جمله مجموعه داده جریانی تشخیص فعالیت های انسانی آزمایش شده و از لحاظ صحت و زمان اجرا با چندین الگوریتم افزایشی مقایسه شده است. طبق نتایج آزمایشگاهی الگوریتم پیشنهادی بهترین کارایی را هم از نظر صحت و هم از نظر زمان اجرا در مقایسه با سایر الگوریتم های افزایشی دارد.