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

هدف از پژوهش حاضر، ارایه یک الگوریتم اصلاح شده از TWINSPAN و معرفی توابع جدید برای توقف طبقه بندی در دارنگاره TWINSPAN است. TWINSPAN اصلاح شده، با تلفیق آنالیز ناهمگنی خوشه ها پیش از هر تقسیم، ضمن این که از تفکیک تحمیلی خوشه های همگن جلوگیری می کند، بلکه با اجرای فرآیند طبقه بندی به صورت گام به گام، محدودیت روش TWINSPAN معمولی مبنی بر این که تعداد خوشه ها در سطوح بعدی باید دو برابر سطح قبلی باشد را نیز برطرف می سازد. برای این منظور، طبقه بندی اکولوژیک جنگل های شمشاد فریم بر اساس مقادیر درصد تاج پوشش ترکیب گیاهی تعداد 60 قطعه نمونه 400 متر مربعی که به روش رولوه (انتخابی) برداشت شدند، با استفاده از دو روش TWINSPAN معمولی و اصلاح شده انجام شد. در این ارتباط، پنج روش آنالیز ناهمگنی شامل تنوع بتا ویتاکر و واریانس کل به همراه شاخص های فاصله ای عدم تشابه سورنسون، جاکارد و اورلوسی استفاده شد. همچنین، طبقه بندی خوشه ای رویشگاه بر مبنای ویژگی های توپوگرافیک رویشگاه و با استفاده از ضریب فاصله اقلیدوسی و روش خوشه بندی واردز انجام شد. نتایج حاصل از دو سری از شاخص های ناهمگنی با یکدیگر متفاوت بود و در این ارتباط، نتایج دو شاخص تنوع بتا ویتاکر با واریانس کل و نتایج سه شاخص عدم تشابه سورنسون، جاکارد و اورلوسی که به ترتیب به عنوان شاخص های تنوع و فاصله ای ناهمگنی به شمار می روند، مشابه هستند. به طور کلی، نتایج تحقیق حاضر تصریح می کند که روش TWINSPAN اصلاح شده به تغییر منطق طبقه بندی TWINSPAN منجر نشده است، بلکه با تغییر در سلسله مراتب تقسیم ها در فرآیند طبقه بندی به افزایش انعطاف پذیری روش TWINSPAN در تعیین گروه های اکولوژیک جنگل های شمشاد فریم منجر می شود.

دسته بندی پرسش ها یکی از مولفه های حیاتی سیستم های بازیابی اطلاعات و پاسخ گویی به پرسش است. هدف از دسته بندی پرسش، شناسایی دقیق نوع پاسخ موردانتظار آن و انتساب برچسبی به آن مطابق با دسته ای است که پرسش در آن قرار می گیرد. تاکنون با دو رویکرد مبتنی بر قانون و یادگیری ماشین، پژوهش های متعددی در این حوزه صورت پذیرفته است. هدف ما در این پژوهش تلفیق نتایج این دو رویکرد به منظور افزایش صحت دسته بندی است. نوآوری اصلی ارائه شده در این پژوهش، غنی سازی بردار ویژگی کیسه کلمات حاصل از پرسش ها با قوانین دسته بندی است. اهمیت روش تلفیق ارائه شده در این مقاله امکان استفاده از مخازن قوانین با ساختار طبقه بندی متفاوت نسبت به ساختار موجود برای دسته بندی پرسش ها است. نتایج حاصل از پیاده سازی روش پیشنهادی بر دادگان UIUC بیانگر موثر بودن روش پیشنهادی در بهبود صحت دسته بندی پرسش ها است.

مقدمه: در این مطالعه، با استفاده از ترکیبی از روش های کاهش بعد داده و طبقه بندی، ویژگی های مواد دارویی مورد بررسی قرار گرفت. تعریف و آماده سازی مولکول های «غیر فعال» برای توسعه مدل های تفکیکی دوتایی (Two-class classifier) یکی از مشکلات عمده در مسیر استفاده از مدل های تفکیکی بر پایه لیگاند در روند طراحی سیستماتیک دارو می باشد. از این رو، با استفاده از مولکول های «فعال» موجود در پایگاه Binding-DB، به توسعه مدل های تفکیکی چند متغیره چند منظوره پرداخته شد.روش ها: به این منظور، در حدود 160372 ریز مولکول برای 45 هدف دارویی مختلف از پایگاه مولکولی Binding-DB دانلود شد و پس از بهینه سازی ساختار، 1497 ویژگی فیزیکی و شیمیایی برای هر مولکول استخراج گردید. با استفاده از الگوریتم Apriori و ترکیب آن با روش طبقه بندی تفکیکی خطی (Linear discriminant analysis)، ویژگی های مولکولی برای هر هدف دارویی به منظور تفکیک مولکول های فعال استخراج شد.یافته ها: در نهایت، با استفاده از غربالگری مجازی در پایگاه داده های مولکولی Zinc و Binding-DB و محاسبه سطح زیر نمودار Receiver operating characteristic( ROC) صحت و حساسیت طبقه بندی مورد بررسی قرار گرفت. میزان سطح زیر نمودار ROC برای هر بهینه سازی پایگاه Zinc به طور میانگین برابر با 0.8341±0.1495 و در پایگاه Binding-DB به طور میانگین برابر با 0.8615±0.1502 بود.نتیجه گیری: می توان با استفاده از الگوریتم ارایه شده، ویژگی هایی برای هر دسته از ریز مولکول های مرتبط با هر هدف دارویی استخراج کرد و پایگاه های مولکولی مختلف را برای هر هدف دارویی بهینه سازی کرد. سطح زیر نمودار ROC برای دو پایگاه مولکولی مورد بررسی نشان می دهد که روش ارایه شده، روش مفیدی برای طبقه بندی پایگاه های بزرگ مولکولی بدون استفاده از ریز مولکول های غیر فعال می باشد.

هدف: عفونت های ناشی از ویروس ها و باکتری ها، مشکلات اولیه مرتبط با میکروب هستند که به طور قابل توجهی بهره وری کشاورزی را در سراسر جهان کاهش می دهند. در حال حاضر، شناسایی عوامل بیماری زا به دلیل شرایط زندگی غالب دشوار است. حسگرهای زیستی امروزه به طور گسترده برای نظارت بر ذرات میکروبی و ویروسی استفاده می شوند. مواد و روش ها: جلوگیری از هدررفت محصول و کاهش اثرات اقتصادی و زیست محیطی نیازمند شناسایی زودهنگام بیماری های گیاهی است. ردیابی نانوذرات آلودگی گیاهی، تشخیص زودهنگام بیماری را به دلیل نانوتکنولوژی و حسگرهای زیستی ممکن کرده است. پاتوژن ها از جمله باکتری ها، قارچ ها و ویروس ها نانوذراتی را با آثار شیمیایی منحصربه فرد تشکیل می دهند که ممکن است توسط نانو حسگرهای زیستی حساس شناسایی شوند. کشاورزی دقیق اکنون پاسخ های سریع تر و کنترل بیماری های خاص تر را امکان پذیر می کند. روش های یادگیری عمیق (DL)، به ویژه شبکه های عصبی کانولوشن (CNN)، می توانند الگوهای سلسله مراتبی را در داده های نانو حسگر زیستی بیاموزند و گیاهان سالم و آلوده را به طور دقیق تشخیص دهند، حتی در مراحل اولیه آلودگی. این امر کشاورزی دقیق و مدیریت بیماری را گسترش می دهد.   نتایج: این مطالعه از مدل ECPD-CNN-NBS برای شناسایی بیماری لکه های باکتریایی (BS) در گیاهان هلو با تجزیه و تحلیل تصاویر برگ آنها استفاده می کند. این مدل همچنین می تواند برای تشخیص ECPD استفاده شود. آزمایش های انجام شده در این مقاله از مجموعه داده های قابل دسترسی عمومی PlantVillage برای به دست آوردن تصاویر برگ گیاهان هلو استفاده می کنند. نتیجه گیری: سیستم پیشنهادی با استفاده از 10013 پارامتر یادگیری به دقت یادگیری 99.55 درصد و دقت تست 99.01 درصد می رسد.

در سال های اخیر، وزن دهی قوانین فازی در سیستم های طبقه بندی مبتنی بر قوانین فازی، جهت بهبود صحت طبقه بندی مورد تحقیق قرار گرفته است. در این مقاله، یک مدل بهینه سازی مبتنی بر حاشیه، که برگرفته از طبقه بندی SVM می باشد، برای محاسبه وزن های قوانین فازی پیشنهاد شده است. این رویکرد، نه تنها معیارهای صحت و تعمیم پذیری طبقه بندی را در یک تابع هدف در نظر گرفته است، بلکه مستقل از ترتیب بررسی قوانین و نمونه های آموزشی عمل می کند. این روش یک جواب بهینه عمومی دارد و تنها از یک پارامتر قابل تنظیم به نام C برخوردار است. در ضمن، یک روش کاهش قوانین جهت حذف قوانین با وزن های پایین و تولید مجموعه قوانین فشرده ارائه شده است. روش پیشنهادی با تعدادی از روش های حریصانه، تقویتی و جستجوی محلی وزن دهی قوانین بر روی 13 مجموعه داده استاندارد مقایسه شده است. نتایج تجربی نشان می دهد که روش پیشنهادی به شکل معناداری (به لحاظ آماری) از باقی روش ها به خصوص از لحاظ تعمیم پذیری موفق تر عمل می کند.

هدف از این مقاله، ارائه الگوی تلفیقی از مدل کانو و قوانین انجمنی به منظور طبقه بندی نیازهای مشتریان و تجزیه و تحلیل رفتار آنها است. جامعه آماری این تحقیق شامل مشتریان بانک سامان قم بوده، پس از نمونه گیری تصادفی ساده، تعداد 144 پرسشنامه برای تجزیه و تحلیل داده ها استفاده شده است. در این تحقیق، بعد از جمع آوری داده ها، نیازهای مشتریان به وسیله مدل کانو طبقه بندی و در ادامه به وسیله قوانین انجمنی، ارتباط میان ویژگی های جمعیت شناختی مشتریان و نتایج حاصل شده از مدل کانو، مشخص شده است. یافته های تحقیق نشان می دهد که ویژگی های جمعیت شناختی مشتریان به طور آشکاری بر نوع نیازهای آنها تاثیر گذاشته است. نتایج حاصل از این تحقیق می تواند به شکل موثری در تدوین استراتژی های بازاریابی به منظور جلب رضایت مشتریان و همچنین در بخش بندی بازار استفاده شود.

شهر باستانی اسفراین که در منابع نوشتاری به شهر «بلقیس» موسوم است، از شهرهای مهم و باشکوه ایران دوران اسلامی در ناحیه فرهنگی شمال شرقی ایران است که آثار قرون اولیه اسلامی در آن جای دارد. این مقاله با معرفی یکی از مهم ترین شاخصه های مواد فرهنگی در باستان شناسی، یعنی سفال با تکیه بر نقش، پس از تبیین و طبقه بندی سفال های این محوطه فرهنگی و مقایسه آن با سایر سفال های کشف شده در فاصله زمانی قرن دوم تا چهارم هجری، وجود کوره سفال پزی، سه پایه های سفالی و توپی های کوره را دال بر مرکزیت شهر بلقیس در میان صدها رشته آبادی منطبق بر متون کهن می داند که مجموعه این دلایل، وارداتی نبودن سفال ها را در هر یک از این مناطق ثابت می کند. نتیجه مهم دیگری که از وحدت مشهود در نقوش سفالینه های محوطه های مذکور استنباط می شود، باور هنرمندان و اعتقاد خالقان هنر به تفکرات یکتاپرستی است، لذا این وحدت عمل در حقیقت تبیین گر وحدت فکر و باور توحید است که از دل و جان هنرمندان برمی آید و در نقوش تجلی می یابد.