در این مقاله، طبقه­بندی مبتنی بر طبقه­بند K نزدیکترین همسایه­ها و خطای بازسازی، جهت دسته­بندی داده­ها معرفی شده است. در روش پیشنهادی، ابتدا K نزدیکترین داده (همسایه) به داده­ی آزمون، از هر دسته موجود در داده­های آموزش، محاسبه می­گردد. سپس به بازسازی داده­ی آزمون، بر حسب تعداد مختلفی از نزدیکترین همسایه­ها (از یک تا  K)، در هر دسته پرداخته شده و میزان خطای بازسازی به ازای هر تعداد همسایه به طور مجزا محاسبه می­گردد. در گام بعد، در هر دسته، میزان خطا به صورت جمع وزندار خطای حاصل از تمامی بازسازی­ها محاسبه می­گردد. وزن خطای بازسازی، متناسب با تعداد همسایه­های دخیل در آن در نظر گرفته شده است بدین ترتیب که خطای بازسازی در تعداد همسایه­های آن ضرب می­شود. در آخر، داده­ی آزمون به دسته­ای تعلق دارد که کمترین میزان خطای کل را دارا است. این عمل موجب می­گردد تا ترکیبی از طبقه­بندهای مبتنی بر K نزدیکترین همسایه به صورت هم­افزایی در طبقه­بندی داده­ها نقش ایفا نمایند. در این مقاله از 10 دسته­مجموعه متعلق به پایگاه داده­ی سری-زمانی UCR و پنج دسته-مجموعه متعلق به پایگاه داده­ی دسته­بندی UCI جهت ارزیابی روش پیشنهادی استفاده شده است. نتایج بدست آمده از این ارزیابی­ها نشان می­دهد که روش پیشنهادی، عملکرد طبقه ندهای KNN مبتنی بر کمترین خطای بازسازی را به میزان زیادی بهبود بخشیده و نرخ بازشناسی در برخی K ها را در حدود 5 درصد بهتر نموده و متوسط نرخ بازشناسی به ازای تمامی Kها (از 2 الی 15) در حدود 1.6 درصد بهبود یافته است.

مقدمه: رشد فناوری اطلاعات در سازمان ها، منبع عظیمی از داده های ذخیره شده در حوزه جرایم مرتبط با مواد مخدر را فراهم آورده است. تحلیل این داده ها و کشف الگوهای پنهان موجود در آن به کمک داده کاوی می تواند به کشف و پیشگیری از وقوع جرایم در این حوزه کمک نماید. هدف این مقاله بکارگیری تکنیک های داده کاوی جهت شناسایی افراد مستعد به قاچاق مواد مخدر در استان سیستان و بلوچستان و نیز کشف الگوهای جرم است. روش: پژوهش حاضر بر روی داده های 467 مجرم حوزه مواد مخدر در استان سیستان و بلوچستان که در طی سال های 1392 الی 1399 مرتکب جرم قاچاق مواد مخدر شده اند با نمونه گیری در دسترس انجام گرفته است. برای انجام این تحقیق از متدولوژی استاندارد CRISP-DM و الگوریتم های طبقه بندی ماشین بردار پشتیبان، بیزین ساده، رگرسیون لجستیک، درخت تصمیم و نزدیکترین همسایه و برای استخراج الگوهای جرایم از الگوریتم الگوکاوی اپریوری استفاده شده است. یافته ها: الگوریتم الگوکاوی بالغ بر 20 الگوی جرم با دقت بالای 80 درصد استخراج کرده است. به علاوه نتایج نشان می دهد در میان الگوریتم های طبقه بندی، طبقه بند نزدیکترین همسایه قادر است با دقت 84 درصد افراد در معرض خطر را شناسایی کند. نتیجه گیری: با بکارگیری مدل ساخته شده با این الگوریتم می توان سامانه ای برای شناسایی افراد مستعد به قاچاق مواد مخدر طراحی کرد. نتایج حاصل از پیش بینی های انجام گرفته توسط سامانه مذکور و کشف الگوهای پنهان موجود در داده ها می توانند کمک شایانی به پلیس، دستگاه های قضایی و مددکارهای اجتماعی در شناسایی افراد در معرض خطر و کاهش جرایم مرتبط با قاچاق مواد مخدر نمایند.

مولدهای هواشناسی (Weather Generators) با هدف تطویل سری اطلاعات انواع متغیرهای وضع هوا اعم از بارش، دما و رطوبت نسبی، برای ارتقاء فهم و درک از عملکرد هر سیستمی که اقلیم عامل تاثیرگذار بر آن باشد، توسعه یافته اند. الگوریتم های متفاوتی از این مولدها در دو نوع کلی پارامتری و ناپارامتری تا به امروز ارائه شده اند. در این مطالعه کارایی مولد ناپارامتری k نزدیکترین همسایه با قابلیت برونیابی داده ها در سری مصنوعی، برای چندین ایستگاه شامل ایستگاه های تهران، مشهد، قزوین، بوشهر، تبریز و رشت با آمار قابل قبول 45 سال (2005-1961) ارزیابی و برای بیان برتری نسبی این روش ها نسبت به روش های پارامتری، نتایج آن با خروجی مولد پارامتری LARS-WG مقایسه شده است. نتایج حاصله نشان داد که روش ناپارامتری به کارگرفته شده در این مطالعه در شبیه سازی اکثر پارامترهای سری مشاهده شده، نسبت به روش پارامتری مطمئن تر عمل می نماید. با این وجود در شبیه سازی طول دوره های درازمدت تر و خشک، مولد LARS-WG بهتر عمل می کند که البته اختلاف این دو مولد ناچیز می باشد.

استفاده از روش های نمونه برداری فاصله ای در مدیریت جنگل های زاگرس کاربرد گسترده ای دارد. در تحقیق حاضر، برآورد ویژگی های کمی روش های نمونه برداری نزدیکترین فرد، نزدیکترین همسایه، دومین نزدیکترین همسایه، روش ترکیبی و نقطه مشترک مورد بررسی و مقایسه قرار گرفت. روش نمونه برداری نزدیکترین فرد با برآورد کننده های Morisita، Byth & Ripley و Cottam et al. و روش نزدیکترین همسایه با برآورد کننده های Byth & Ripley و دو برآورد کننده Cottam & Curtis1 و Cottam & Curtis2 نیز مورد بررسی قرار گرفت. موقعیت کل درختان و درختچه های یک قطعه جنگل به مساحت 53 هکتار واقع در شهرستان اردل استان چهارمحال و بختیاری ثبت گردید. با داشتن مقدار واقعی تعداد درختان در هکتار و درصد تاج پوشش و همچنین میزان برآوردی آنها، اریبی در هر تکرار به دست آمد. اختلاف مقدار اریبی با مقدار واقعی (برای آزمون اریبی) با آزمون t تک نمونه ای و تجزیه واریانس با آزمون گیمز هاول بررسی گردید. نتایج بدست آمده از ارزیابی برآورد تعداد در هکتار نشان می دهد که، اختلاف میانگین ها فقط در روش نزدیکترین همسایه با برآورد کننده Cottam & Curtis1 معنی دار نمی باشد و در سایر روش ها اختلاف معنی دار است. در محاسبه درصد تاج پوشش نیز، اختلاف میانگین ها فقط در دو روش دومین نزدیکترین همسایه و روش ترکیبی معنی دار نیست و در سایر روش ها معنی دار می باشد. بر اساس نتایج این تحقیق پیشنهاد می شود که برای برآورد تعداد در هکتار از روش Cottam & Curtis1 و برای برآورد درصد تاج پوشش از روش های نمونه برداری ترکیبی و دومین نزدیکترین همسایه استفاده شود.

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

مدل آیزینگ یکی از ساده ترین مدل های توصیف کننده برهم کنش ذرات است. در این تحقیق بسط دمای بالای پذیرفتاری مغناطیسی میدان صفر مدل آیزینگ فرومغناطیس و پادفرومغناطیس و مدل آیزینگ با یک برهم کنش پادفرومغناطیس بر روی شبکه دوبعدی کاگومه با برهم کنش بین نزدیک ترین همسایه ها بررسی شد. با استفاده از تقریب پد، نمای بحرانی مدل آیزینگ فرومغناطیس g »1.75 تخمین زده شد که با فرضیه جهان شمولی در تطابق است. اما در مدل آیزینگ پادفرومغناطیس و یک برهم کنش پادفرومغناطیس به علت اثر ناکامی مغناطیسی هیچ گونه گذارفازی مشاهده نشد.