رادیوشناختی به عنوان یک فناوری کلیدی برای مقابله با کمبود طیف فرکانسی در شبکه های بی سیم به طور گسترده مورد توجه قرار گرفته است. یکی از چالش های مهم در تحقق شبکه های رادیوشناختی، امنیت این نوع شبکه ها است. از مهم ترین این تهدیدها، حمله تقلید از سیگنال کاربر اولیه است، بدین معنی که کاربر مخرب سعی دارد سیگنالی مشابه با سیگنال کاربر اولیه ارسال کند تا کاربران ثانویه را فریب داده و از ارسال سیگنال های این کاربران در حفره های طیفی جلوگیری کند و ضمن ایجاد ترافیک در شبکه، با به دست آوردن باند فرکانسی خالی، اطلاعات خود را ارسال کند. در این مقاله، روشی برای شناسایی حمله تقلید از سیگنال کاربر اولیه پیشنهاد می گردد که با خوشه بندی سیگنال های ارسالی کاربران اولیه و کاربران مخرب، این سیگنال ها را متمایز می کند. در این روش، تعداد سیگنال های ارسالی در محدوده شبکه رادیوشناختی در طول خوشه بندی سیگنال ها به دست می آید. با به کارگیری روش طبقه بندی مدل مخلوطی فرایند دیریشله که بر اساس روش غیر پارامتریک بیزین می باشد، سیگنال های اولیه فعال در محیط طبقه بندی می شوند. همچنین برای دستیابی به سرعت همگرایی بالاتر در الگوریتم، روش فرایند رستوران چینی برای مقداردهی اولیه و نمونه برداری غیر یکنواخت جهت انتخاب پارامتر خوشه ها به الگوریتم اعمال می گردد.

حذف نویز از تصاویر فراطیفی گامی اجتناب ناپذیر برای بهبود کیفیت این نوع تصاویر است و روش های بسیاری در این زمینه توسط محققان پیشنهاد شده است. اغلب این روش ها به شباهت های مکانی-طیفی به طور هم زمان توجه ندارند. زمانی که روش حذف نویز، داده را به صورت سراسری بدون در نظر گرفتن شباهت های مکانی-طیفی به کار می برد، معمولا بر روی پیکسل های با سطح پایین نویز تاثیر نامطلوب می گذارد؛ آن هم زمانی که در داده فراطیفی، تعداد زیادی از پیکسل ها نویز کمی دارند و تعداد اندکی از پیکسل ها به وسیله سطح بالای نویز تخریب می شوند. در این مقاله، ابتدا شباهت های مکانی-طیفی موجود در تصاویر با تعریف متغیر پنهان مبتنی بر خوشه بندی استخراج می شود. در ادامه، یک روش تجزیه ماتریس رتبه پایین مبتنی بر این متغیرهای پنهان برای حذف نویز تصاویر فراطیفی و بهبود مقاومت در مقابل انواع نویز (در مقایسه با سایر روش ها) پیشنهاد می شود. کارایی روش پیشنهادی با شش روش جدید بر روی تصاویر واقعی آلوده به نویز به صورت بصری مقایسه شده و برای مقایسه کمی، همان آزمایش ها روی تصاویر بدون نویزی که با شش نوع نویز ترکیب شده و تصاویری نزدیک به داده واقعی ایجاد کرده اند مقایسه شده است. نتایج شبیه سازی نشان می دهد که با اعمال متغیر پنهان در چارچوب استنتاج بیزین تغییراتی، عملکرد روش حذف نویز بهبود می یابد و روش پیشنهادی عملکرد بهتری نسبت به سایر روش های مورد مقایسه دارد.

درزه نگاری در پروژه های اکتشاف نفت و معدن، مطالعات ساختگاهی و زمین شناسی، اهمیت فوق العاده ای دارد. به طور معمول، بسته به هدف از مطالعه درزه ها، ویژگی های مختلفی از آنها به صورت برجا برداشت می شود. برای مثال در مطالعات مخزن، علاوه بر ویژگی های ساختاری، بررسی میزان بازشدگی و پرشدگی درزه ها و شبکه ارتباطی آنها، برای مدل سازی جریان سیال، اهمیت ویژه ای دارد. اما از آنجا که درزه ها ماهیت پیچیده ای دارند، اغلب شناخت آنها بدون رده بندی ممکن نیست. لذا توجه به این نکته ضروری است که در رده بندی درزه ها، از کلیه ویژگی های تاثیرگذار در تفسیر نتایج رده بندی استفاده شود. این در حالی است که به صورت متداول، حداکثر دو ویژگی شیب و جهت شیب، برای رده بندی درزه ها مورد استفاده قرار می گیرند و دیگر ویژگی ها، نادیده گرفته می شوند. در این مقاله، روشی جدید برای رده بندی درزه ها ارایه شده است.برای بررسی کارایی و مزیت روش جدید، یک مجموعه مصنوعی از درزه ها، شامل 8 دسته درزه ساخته شده است و برای هر درزه، 4 ویژگی شیب، جهت شیب، میزان پرشدگی و نوع پرکننده در نظر گرفته شده است، به گونه ای که جدایش دسته درزه ها بر اساس ویژگی های شیب و جهت شیب ناممکن باشد. سپس برنامه هایی برای استفاده از روش رده بندی بیزین (Bayesian)، نوشته شده و در فضای 4 بعدی نسبت به رده بندی داده های مصنوعی اقدام شده است. به این ترتیب اثبات شده که با دقت بسیار مطلوب تری، کلیه 8 دسته درزه را می توان از هم تفکیک کرد.

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.

سابقه و هدف: آب های زیرزمینی از منابع ارزشمندی است که همواره مورد توجه پژوهشگران قرار داشته است. از موارد مطالعاتی در این زمینه، تهیه نقشه های پهنه بندی شده تراز سطح آب زیرزمینی است که با انتخاب مناسب ترین روش از بین روش های مختلف درون یابی انجام می شود. روش درون یابی کریجینگ که بر پایه نیم تغییر نما است، یکی از روش های درون یابی موسوم به روش های زمین آماری است. دقت درون یابی به انتخاب مناسب تغییرنما بستگی دارد. بر این اساس روش درون یابی کریجینگ بیزین تجربی توسعه یافته است تا بصورت خودکار، پارامترهای مربوط به نیم تغییر نما را طی فرآیند شبیه سازی برآورد کند. هدف از انجام این پژوهش بررسی قابلیت روش کریجینگ بیزین تجربی در افزایش دقت درون یابی جهت پهنه بندی تراز سطح آب زیرزمینی است که برای این منظور، نتایج آن با نتایج دیگر روش های درون یابی قطعی شامل فاصله معکوس وزنی ها، توابع پایه شعاعی و چندجمله ای های سراسری و محلی نیز مقایسه می شود. مواد و روش ها: این پژوهش براساس میانگین سالانه تراز سطح آب زیرزمینی در 57 ایستگاه چاه عمیق واقع در آبخوان قره سوی استان گلستان طی دوره آماری 1384 تا 1395 انجام شده است. به منظور پهنه بندی تراز سطح آب زیرزمینی، روش های مختلف درون یابی قطعی و زمین آماری با استفاده از فن اعتبارسنجی تقاطعی مورد آزمون قرار گرفتند. در روش های کربجبنگ و کریجینگ بیزین تجربی بهترین نیم تغییرنما انتخاب شد و در نهایت از بین آنها مدلی که کمترین میزان خطا را به همراه داشت تعیین و نقشه آن ترسیم شد. یافته ها: نتایج درون یابی حاصل از اعتبارسنجی تقاطعی در منطقه مطالعاتی نشان داد که در بین روش های قطعی، روش چند جمله ای محلی با درجه دو از دقت بالاتری نسبت به سایر روش ها برخوردار بود، به طوری که حتی در مقایسه با روش زمین آماری کریجینگ نیز از خطای کمتری برخوردار است. در روش های زمین آماری نیز روش کریجینگ بیزین تجربی با شبیه سازی برازش تغییر نما مناسب بر داده های تراز سطح آب زیرزمینی میزان خطای درون یابی به روش کریجنگ را از حدود 23 متر به حدود 16 مترکاهش داد و در مقایسه با روش چند جمله ای محلی نیز دقتی نزدیک بهم را نشان داد. نتیجه گیری: با وجود اینکه نقشه ترسیم شده با دو روش بیزین کریجینگ تجربی و چند جمله ای موضعی، از لحاظ مقدار خطا تفاوت قابل ملاحظه ای را نشان نمی دهند، اما اختلافات محسوسی در این دو نقشه دیده می شود. روش کریجینگ بیزین تجربی طیف هموارتری را از تغییرات تراز سطح آب زیرزمینی نشان می دهد و الگوی ترسیم شده تراز سطح آب زیرزمینی با این روش نیز متناسب با جهت شیب عمومی منطقه است.