در این پژوهش، کارایی دو روش نزدیک ترین همسایه (KNN) و میانگین وزنی (WA) در برآورد غیرمستقیم خصوصیات محیطی جوامع گیاهی ارزیابی شد. برای این منظور از اطلاعات ترکیب پوشش گیاهی تعداد 324 قطعه نمونه 400 متر مربعی مربوط به پایگاه اطلاعاتی سرخدار در جنگل های هیرکانی استفاده شد. سپس با استفاده از دو روش KNN و WA و بهره گیری از دو سری از اطلاعات ترکیب پوشش گیاهی (حضور-غیاب و درصد تاج پوشش) و مقادیر اولیه داده های محیطی، اقدام به برآورد غیرمستقیم متغیرهای محیطی (ارتفاع از سطح دریا، شیب و جهت دامنه، درصد کربن آلی، درصد ازت، درجه واکنش و بافت خاک) در هر قطعه نمونه شد. ارزیابی صحت-سنجی مدل ها با استفاده از تحلیل رگرسیون و مقدار عددی ضریب تبیین انجام شد. نتایج برآورد خصوصیات محیطی در رویشگاه های مورد بررسی نشان داد استفاده از روش KNN با استفاده از داده های درصد تاج پوشش گونه ها به دلیل بهره مندی از بالاترین مقدار ضریب تبیین نسبت به سه حالت دیگر در اولویت است. برآورد نقطه ای متغیرها با استفاده از دو رویکرد متفاوت درون یابی (KNN) و برون یابی (WA) به عنوان عامل اصلی اختلاف این دو روش ارزیابی شد. عملکرد مناسب تر روش KNN در برآورد نقطه ای خصوصیات محیطی نسبت به روش WA به دلیل استفاده از اطلاعات محیطی قطعات نمونه با بالاترین درجه مشابهت ترکیب گونه ای نسبت به نقطه مزبور است. در حالی که نتایج روش WA متاثر از دامنه تغییرات متغیرهای محیطی در سطح کل رویشگاه قرار دارد که این مسئله، افزایش میزان خطا در برآورد غیرمستقیم داده های محیطی را منجر می شود.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در دنیای امروز، اهدای خون به عنوان یک عمل حیاتی برای نجات جان انسان ها شناخته می شود. با این حال، چالش های متعددی در زمینه مدیریت و پیش بینی رفتار اهداکنندگان خون وجود دارد. در این راستا، پژوهش حاضر به بررسی کاربرد تکنیک های یادگیری ماشین (ML) برای پیش بینی اهدای خون می پردازد. در این مطالعه از دو الگوریتم طبقه بندی قدرتمند، پرسپترون چندلایه (MLP) و-Kنزدیک ترین همسایه (KNN) به همراه الگوریتم بهینه سازی ذره ای (PSO) برای انتخاب ویژگی های مرتبط با اهدای خون استفاده شده است. مجموعه داده مورد استفاده شامل 747 رکورد اهدای خون است که هر کدام با چهار ویژگی "زمان (ماه)"، "پولی (سی سی خون)"، "فرکانس (ماه)" و "سابقه (ماه)" مشخص شده اند. این مجموعه داده به دو زیرمجموعه آموزش و تست تقسیم شده است. نتایج نشان می دهد که الگوریتم PSO به طور موثری مرتبط ترین ویژگی ها را برای پیش بینی اهدای خون شناسایی می کند. "سابقه (ماه)"، به عنوان مهم ترین عامل، زمان سپری شده از آخرین اهدای خون را نشان می دهد. در رتبه های بعدی، "فرکانس (ماه)"، "پولی (سی سی خون)" و "زمان (ماه)" قرار دارند. طبقه بندی کننده های MLP و KNN در مجموعه داده تست عملکردی قابل مقایسه داشتند، به طوری که KNN با %64/81 دقت در Kهای فرد، اندکی از MLP با %69/79 دقت در نورون های فرد پیشی گرفت. یافته های این مطالعه نشان می دهد که تکنیک های ML می توانند به عنوان ابزارهای قدرتمندی برای پیش بینی رفتار اهدای خون و در نتیجه، مدیریت بهینه فرآیند اهدای خون مورد استفاده قرار گیرد.

داده های ورودی و ساختار مدل ها معمولا نقص هایی دارند و هیچ مدل منفردی را نمی توان پیدا کرد که عمل کرد آن در شبیه سازی جریان رود در تمام شرایط بهترین بوده و در خروجی آن بی قطعیتی نباشد. در این حالت با ترکیب مدل ها از مزیت های هر یک از مدل های منفرد برای ساختن مدلی که عمل کرد بهتری از هر یک از مدل های منفرد دارد بهره گرفته می شود. در این تحقیق، کارآیی روش های نافراسنجه یی نزدیک ترین همسایه و خوشه بندی فازی نسبت به روش های ترکیب مدل BGA (Bates Granger Averaging)، GRA (Granger Ramanathan Averaging)، AICA (Akaike Information Criterion)، BICA (Bayes Information Criterion)، متوسط گیری با وزن های یکسان و روش لاسو در ترکیب خروجی مدل های آب شناختی یکپارچه GR5J، SimHyd، SACRAMENTO و SMAR بررسی شد. با کاربرد داده های ورودی بارش، دما، آب دهی و تبخیر-تعرق هر یک از مدل های منفرد واسنجی، و روان آب خروجی حوضه ی کسیلیان شهرستان پل سفید در ایستگاه ولیک بن در مقیاس روزانه برآورد شد. سپس هر یک از روش های ترکیب مدل ها برای ترکیب نتایج خروجی هر یک از مدل های منفرد اجرا شد. نتایج نشان داد که بهترین عمل کرد در دوره ی واسنجی در مدل های GR5J و SACRAMENTO، و در دوره ی اعتبارسنجی در مدل های SimHyd و GR5J بود. بهترین عمل کرد مدل های ترکیبی در دوره ی واسنجی در روش های لاسو و GRA بود که هر دو مشابه هم عمل کردند؛ اندازه های ضریب همبستگی، ضریب نش-ساتکلیف و RMSE آن ها به ترتیب 0/83، 0/69 و 0/24 بود. در دوره ی اعتبارسنجی برای روش های متوسط گیری با وزن های یکسان و روش BGA با اندازه های ضریب همبستگی، ضریب نش-ساتکلیف و RMSE به ترتیب 0/73، 0/27 و 0/52 بود. در دوره ی واسنجی عمل کرد روش نزدیک ترین همسایه بهتر از روش مبتنی بر خوشه بندی فازی بود، و بهترین عمل کرد هر دو مدل در 20 همسایه به دست آمد. در دوره ی اعتبارسنجی عمل کرد روش مبتنی بر خوشه بندی فازی بهتر بود و عمل کرد هر دو مدل با افزایش تعداد همسایه بهتر شد.

سابقه و هدف: هدایت هیدرولیکی اشباع خاک از مهم ترین ویژگی های فیزیکی خاک است ولی در بیش تر موارد به علت محدودیت های عملی و یا هزینه ای، اندازه گیری آن با دشواری همراه است. در این پژوهش مدل های مختلف شبکه های عصبی مصنوعی با نوعی از الگوریتم های غیرپارامتریک از نوع یادگیرنده های تنبل موسوم به –K نزدیک ترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک از روی داده های سهل الوصول خاک، مورد مقایسه قرار گرفت.مواد و روش ها: در این پژوهش 151 نمونه از خاک های زراعی اطراف بجنورد، انتخاب و متغیرهای کمکی شامل فراوانی ذرات، جرم مخصوص حقیقی و ظاهری همچنین هدایت الکتریکی عصاره اشباع خاک (ECe)، درصد مواد آلی خاک (OM)، رطوبت اشباع خاک (qs) و میزان مواد خنثی شونده آن (TNV) میزان مواد خنثی شونده آن اشباع به کار گرفته شد. جهت ارزیابی سیستم های شبکه عصبی مصنوعی همه داده ها به 3 قسمت، 50 درصد برای آموزش، 25 درصد برای تست و سایر داده ها برای اعتبارسنجی تقسیم شدند. طراحی ساختار مدل های (پرسپترون چندلایه) توسط توابع سیگموئید و لایه مخفی انجام شد. شبکه عصبی مصنوعی برای همه مدل های MLP (پرسپترون چندلایه) توسط توابع سیگموئید و لایه مخفی انجام شد. شبکه عصبی مصنوعی برای همه مدل ها، با الگوریتم آموزشی لونبرگ- مارکوآردت به صورت یک لایه پنهان تابع آستانه logsig برای لایه پنهان و tansig برای لایه خروجی انتخاب گردید.یافته ها: استفاده از پارامترهای آماری نشان داد که از لحاظ دقت برآورد، روش شبکه عصبی مصنوعی در مقایسه با روش غیرپارامتریک –k نزدیک ترین همسایه در شرایط ارائه تمامی پارامترها (با داشتن آماره های r=0.97، EF=0.946، RMSE=8.798، ME=28.446 و CRM=-0.134) نسبت به سایر روش ها و مدل های ورودی از دقت قابل قبولی برخوردار می باشد.نتیجه گیری: بررسی ها نشان داد که تکنیک های مختلف توانسته اند تا حدی، مقادیر ضریب هدایت هیدرولیکی را تخمین بزنند در روش غیرپارامتریک –k نزدیک ترین همسایه، تمرکز نقاط برآوردی بر روی خط رگرسیونی 1:1 بیش تر از سایر روش های مورد بررسی بوده است. بهترین نتیجه مربوط به روش شبکه عصبی مصنوعی با تمامی اطلاعات بانک داده بود شاخص کارایی (57 تا 71 درصد=EF) روش –k نزدیک ترین همسایه، نشانه توانمند بودن این تکنیک در برآورد مقادیر هدایت هیدرولیکی بر اساس سایر پارامترهای زودیافت خاک شامل توزیع اندازه ذرات خاک، هدایت الکتریکی عصاره اشباع خاک (EC)، درصد اشباع خاک (SP)، درصد کربن آلی خاک (OC)، مقدار مواد خنثی شونده (TNV)، جرم ویژه حقیقی و ظاهری خاک می باشد. روش شبکه عصبی مصنوعی می تواند به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به ویژه هنگامی که فراهمی داده های جدید، نیاز به اشتقاق مجدد این توابع را الزام آور می کند، به کار رود.

مقدمه: دیابت یا بیماری قند یک اختلال متابولیک سوخت و سازی در بدن است که توانایی تولید انسولین در بدن از بین می رود و انسولین تولیدی نمی تواند عملکرد طبیعی خود را انجام دهد. وجود علائم و ویژگی های مختلف این بیماری، تشخیص را برای پزشکان دشوار می کند. داده کاوی امکان تحلیل داده های بالینی بیماران برای تصمیم گیری های پزشکی را فراهم می کند. هدف این پژوهش، ارائه یک مدل برای افزایش دقت پیش بینی دیابت است. روش: در این مطالعه، پرونده پزشکی 1151 بیمار مبتلا به دیابت با تعداد 19 ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد UCI جمع آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. به منظور ارائه مدل پیش بینی دیابت از الگوریتم ژنتیک و نزدیک ترین همسایه استفاده شد. نتایج: نتایج نشان داد که دقت پیش بینی مدل پیشنهادی برابر با 0/76 بود. همچنین برایروش های نایو بیز، شبکه عصبی پرسپترون چند لایه و ماشین بردار پشتیبان دقت پیش بینی به ترتیب برابر با 0/62، 0/65 و 0/75 به دست آمد. نتیجه گیری: در پیش بینی دیابت، مدل پیشنهادی نسبت به سایر مدل های مورد مقایسه، دارای حداقل میزان خطا و بیش ترین دقت و صحت است. روش نایو بیز، حداکثر میزان خطا و کم ترین دقت را دارا می باشد.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.   لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

در این مقاله، یک سنسور مایکروویو باند k برای پایش پره توربین شبیه سازی و در نرم افزار CST بهینه سازی شده است و با استفاده از یک مدل ساده شده توربین در نرم افزار CST اثر قرار دادن سنسور در بدنه توربین بررسی شده است و چنانچه هر تغییر شکل در نوک تیغه و یا جابجایی در فاصله مابین نوک تیغه تا پوسته انجام گردد پارامتر پراکندگی این سنسور تغییر می کند و پارامتر پراکندگی بدست آمده از سنسور به عنوان اثر انگشت تیغه توربین تعریف می شود. در این مقاله شاخص های اندازه گیری مبتنی بر پارامترهای پراکندگی میدان نزدیک سنسور مایکروویو بعنوان سیستم تشخیص خرابی نوک تیغه و همچنین الگوریتم کلاسه بندی k-NN برای تفسیر پارامترهای پراکندگی قابل اندازه گیری به منظور تعیین مقدار خرابی بعنوان روشی جدید برای پایش پره توربین ارایه گردیده است. مزیت این روش پایش برخط پره توربین با استخراج کامل شاخص های اندازه گیری ناشی از پارامترهای پراکندگی یک پره نمونه بوده و نشان داده شده است که روش طبقه بندی k-NN دقت قابل قبولی در شناسایی و تعیین مقدار فاصله نوک پره توربین از پوسته و تغییر شکل نوک پره دارد چراکه در این روش درصد خطا می تواند به زیر 1. 8 درصد برسد.