تقطیع و خوشه بندی گویندگان فرآیندی است که طی آن قطعه بندی و برچسب گذاری برای گفتار حاصل از یک جلسه که شامل چند گوینده است انجام می شود و دنباله صوتی به بخش هائی تقسیم می شود که هر بخش شامل فقط یک گوینده است و با برچسب گذاری مشخص می شود که هر بخش مربوط به کدام گوینده است. تشخیص فعالیت گفتاری، تقطیع گفتار و خوشه بندی گویندگان، حداقل مراحل اصلی سامانه های تقطیع و خوشه بندی گفتار بر اساس گوینده محسوب می شوند. برای مرحله تقطیع روش های متعددی وجود دارد که تقطیع بر مبنای BIC یکی از روش های مرسوم است. این روش به دلیل محاسبات آماری آن، نیاز به زمان محاسبات طولانی دارد. هدف اصلی این مقاله ارائه روش تقطیع بر اساس بسامد گام گفتار است، که هم دارای دقتی در حد روش های مرسوم است و هم دارای سرعت محاسبات بالا است، به طوری که در مقایسه با تقطیع بر اساس BIC به طور میانگین دارای مزیت 2.4 برابری در سرعت و افزایش یک درصد در دقت است.

الجامع الصغیر سیوطی، یکی از جوامع روایی معروف اهل سنت است که با روش معجم نگاری الفبایی (بر حسب ابتدای روایات) تدوین شده است. این تحقیق به بررسی میزان روشمندی کتاب مذکور در تقطیع روایات پرداخته است.پژوهش حاضر، با روش تحلیل محتوای کمی و بر اساس نمونه ای که به روش سیستماتیک و طبقاتی تهیه شده، به بررسی 400 روایت از روایات این کتاب پرداخته و طبق قوانین علم احتمال، نتایج آن را با خطای پنج درصد به کل کتاب تعمیم داده است. نتایج نشان داده این کتاب، در 17.3 درصد موارد به تقطیع روایات دست زده و در 82.7 درصد موارد، روایات را تقطیع نکرده است. همچنین، در موارد تقطیع، در 72.5 درصد تقطیع درست (غیر مخل به معنا) و در 27.4 درصد موارد تقطیع نادرست وجود دارد. همچنین گونه های تقطیع نادرست و درصد هریک نیز به تفصیل و با ذکر نمونه هایی از هر گونه، و نیز استدلال بر وجه نادرستی آن، بررسی شده است.

در تصدیق هویت گوینده، سیستم هویت شخصی را که با سیستم تماس برقرار کرده است، بررسی کرده و تعیین می کند که وی همان شخص مدعی است و یا دروغ می گوید. در این مقاله از برنامه نویسی ژنتیک به عنوان روشی برای مدل سازی گویندگان استفاده شد. با توجه به زمان زیاد آموزش مدل ها توسط برنامه نویسی ژنتیک، ایده بهره مندی از فشرده سازی داده های آموزشی، به منظور کاهش زمان آموزش مدل ها مطرح گردید و بدین ترتیب زمان لازم برای مدل سازی گویندگان با استفاده از برنامه نویسی ژنتیک در حدود 20 برابر کاهش داده شد. آموزش چندین درخت برنامه نویسی ژنتیک به عنوان مدل هر گوینده، ایده دیگری است که به منظور بهبود دقت تصدیق هویت گوینده در این مقاله مطرح شده است. در این روش، داده های آموزشی به تعداد کمی خوشه تفکیک شده و به ازای هر خوشه، یک درخت برنامه نویسی ژنتیک آموزش داده می شود. بدین ترتیب یک گوینده با چندین درخت برنامه نویسی ژنتیک مدل می شود. با استفاده از روش پیشنهادی، کارایی برنامه نویسی ژنتیک برای تصدیق هویت گوینده از 50% به حدود 92% افزایش پیدا کرده است. نتایج حاصل از عملکرد برنامه نویسی ژنتیک با کارایی روش های تمایزی دیگری مثل شبکه های عصبی MLP و LVQ و نیز روش های غیر تمایزی مانند LBG، GMM،GMM-UBM   VQ-MAP ومقایسه گردید و مشاهده شد که برنامه نویسی ژنتیک کارایی بهتری را نسبت به دیگر روش ها نتیجه می دهد.

بهره­گیری از فضاهای پیراشهری به عنوان کالاهای استراتژیک و مقرون­به­صرفه جهت توسعۀ خوشه­های نوآوری، شهرها را به سمت تحقق توسعۀ پایدار و اکوسیستم نوآور بر مدار اقتصاد دانش­بنیان رهنمون می­سازد. هدف این پژوهش، شناسایی و استخراج مراحل تکوین و توسعۀ خوشه­های نوآوری جهت کاربست آن در فضاهای پیراشهری است. روش پژوهش حاضر، از لحاظ ماهیت، کیفی، ازنظر هدف، کاربردی-توسعه­ای و از نوع مطالعات ثانویه با رویکرد مرور سیستماتیک ادبیات منطبق بر فرآیند هشت مرحله ای اوکلی(2015) است. جامعۀ آماری شامل مقاله­ها، کتاب­ها و پایان­نامه­های مربوط به خوشه­های نوآوری شهری، ­از سال 2000 تا 2023 است. حجم نمونه شامل 32 منبع می­باشد. بر اساس نتایج پژوهش، بیشترین منابع پژوهش مربوط به سال­های  2018-2023 ( 62 درصد منابع) و پایگاه­های داده­­ای ساینس دایرکت و اشپرینگر است(به ترتیب 28 و 22 درصد منابع). بر اساس نتایج حاصل از تحلیل منابع، 113 کد بر تکامل و توسعۀ خوشه­های نوآوری شهری جهت کاربست آن ها در فضاهای پیراشهری تأثیرگذار هستند که در 26 مقوله مشتمل بر برنامه­ریزی راهبردی، پیش­نیازها، سازمانی، مدیریت، ساختار جمعیت، محیط فرهنگی، خدمات، مدیریت دولت، الزامات فرهنگی، زیرساخت اقتصادی، مالی، ساختار صنعتی، انباشت صنعتی، سطح اقتصادی، نوآوری فناورانه، موقعیت جغرافیایی، ارتباط صنعت-دانشگاه، مقیاس شهر، محیط اکولوژیک، طراحی و محیطی طبقه بندی شده اند. این مقوله ها در هشت کد محوری متشکل از نهادی، اجتماعی- فرهنگی، اقتصادی، انباشت جغرافیایی و فضایی، زیرساخت و غیره طبقه بندی شده اند. مراحل توسعه و تکوین خوشه­های نوآوری شامل مرحله پیش­خوشه و ظهور خوشه، راه­اندازی، فاز رشد خوشۀ پسین، پایداری، زوال و درنهایت سازگاری خوشه­ای، جهش یا فرسودگی است.

با توجه به ماهیت بدون ناظر مسائل خوشه بندی و تأثیرگذاری مؤلفه های مختلف از جمله تعداد خوشه ها، معیار فاصله و الگوریتم انتخابی، ترکیب خوشه بندی ها برای کاهش تأثیر این مؤلفه ها و افزایش صحت خوشه بندی نهایی معرفی شده است. در این مقاله، روشی برای ترکیب وزن دار خوشه بندی های پایه با وزن دهی به خوشه بندی ها بر اساس روش AD ارائه شده است. روش AD برای برآورد صحّت انسان ها در مسائل جمع­ سپاری از هماهنگی یا تضاد بین آرای آنها استفاده می کند و با پیشنهاد مدلی احتمالاتی، فرآیند برآورد صحّت را به کمک یک فرآیند بهینه سازی انجام می دهد. نوآوری اصلی این مقاله، تخمین صحت خوشه بندی های پایه با استفاده از روش AD و استفاده از صحت های تخمین زده شده در وزن دهی به خوشه بندی های پایه در فرآیند ترکیب است. نحوه تطبیق مسأله خوشه بندی به روش برآورد صحّت AD و نحوه استفاده از صحّت های برآورد شده در فرآیند ترکیب نهایی خوشه ها، از چالش هایی است که در این پژوهش به آنها پرداخته شده است. چهار روش برای تولید خوشه بندی های پایه شامل الگوریتم های متفاوت، معیارهای فاصله ی متفاوت در اجرای k-means، ویژگی های توزیع شده و تعداد خوشه های متفاوت بررسی شده است. در فرآیند ترکیب، قابلیت وزن دهی به الگوریتم های خوشه بندی ترکیبی CSPA و HGPA اضافه شده است. نتایج روش پیشنهادی روی سیزده مجموعه داده مصنوعی و واقعی مختلف و بر اساس نُه معیار ارزیابی متفاوت نشان می دهد که روش ترکیب وزن دار ارائه شده در بیش تر موارد بهتر از روش ترکیب خوشه بندی بدون وزن عمل می کند که این بهبود برای روش HGPA نسبت به CSPA بیشتر است.

یکی از مسایل اصلی در خوشه بندی فازی تعیین تعداد خوشه هاست که باید پیش از خوشه بندی در اختیار باشد و انتخاب مقادیر متفاوت برای تعداد خوشه ها، به خوشه بندی های متفاوتی منجر خواهد شد؛ بنابراین لازم است تا خوشه های مختلفی را که از مقادیر متفاوت تعداد خوشه ها به دست می آید با یک شاخص، اعتبارسنجی نمود؛ اما تا کنون شاخصی مخصوص الگوریتم های خوشه بندی فازی نوع-2 (IT2 FCM) معرفی نشده است و به هنگام استفاده از این الگوریتم، از شاخص های معمول جهت تعیین تعداد خوشه ها استفاده می شود و این مقادیر نیز به طور ثابت و عمومی در نظر گرفته می شود. در این مقاله بنا داریم تاشاخصی جهت سنجش اعتبار خوشه بندی در این الگوریتم هامعرفی نماییم. بدین منظور، ابتدا مروری بر شاخص های اعتبار خوشه بندی و تحقیقات مرتبط با آن نموده و سپس ناپایداری استفاده از شاخص های موجود در الگوریتم های خوشه بندی فازی نوع-2، نشان داده می شود. نتایج پیاده سازی شاخص پیشنهادی بر روی چهار مجموعه داده نشان می دهد که ناپایداری و اشکالات موجود در استفاده از شاخص های معمول در الگوریتم IT2 FCM، در شاخص پیشنهادی به علت به دست آوردن بازه بهینه، وجود ندارد. استفاده از شاخص معرفی شده می تواند اثر چشمگیری در کنترلر های نوع-2 (سیستم های منطق فازی نوع-2) داشته باشد و منجر به بهبود نتایج پیش بینی و کنترل در این سیستم ها گردد.

اکثر مطالعات اخیر در حوزه خوشه بندی ترکیبی سعی می کنند ابتدا خوشه بندی های اولیه ای تولید کنند که تا حد ممکن دارای پراکندگی باشند، سپس با اعمال یک تابع توافقی همه این نتایج را با هم ترکیب می کنند. در این مقاله یک روش جدید خوشه بندی ترکیبی ارایه شده است که در آن به جای استفاده از تمام نتایج اولیه، تنها از زیرمجموعه ای از خوشه های اولیه استفاده می شود. ایده اصلی در این روش استفاده از خوشه های پایدار در ترکیب نهایی است. برای ترکیب خوشه های انتخابی، از تابع توافقی مبتنی بر ماتریس همبستگی استفاده شده است. از آن جایی که ساخت ماتریس همبستگی با در دسترس بودن تنها تعدادی از خوشه ها، با روش های موجود امکان پذیر نمی باشد، در این مقاله یک روش جدید به نام خوشه بندی انباشت مدارک توسعه یافته، برای ساخت ماتریس همبستگی از زیرمجموعه ای از خوشه ها پیشنهاد شده است. برای ارزیابی خوشه ها، از پایداری مبتنی بر اطلاعات متقابل استفاده شده است. نتایج تجربی روی چندین مجموعه داده استاندارد نشان می دهد که روش پیشنهادی به طور موثری نتایج خوشه بندی های اولیه را بهبود می دهد. هم چنین، مقایسه نتایج در مقایسه با سایر روش های خوشه بندی ترکیبی، نشان از کارآیی بالای روش پیشنهادی دارد.