فهرس المقالات نزدیک‌ترین همسایگی

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - مدلسازی رواناب ماهانه با استفاده از روشهای داده کاوی براساس الگوریتم های انتخاب ویژگی
  محمدتقی ستاری علی رضازاده جودی
  باتوجه به اهمیت مقدار جریان خروجی از حوضه آبریز جهت مدیریت آب های سطحی، فهم دقیق ارتباط بین مقدار رواناب با پارامترهای اقلیمی همچون بارش و دما و شناسائی موثرترین پارامتر در فرآیند مدل سازی بسیار مهم می‌باشد. در این تحقیق پس از آزمون همگنی داده‌های بارش، دما و رواناب ماه أکثر

  باتوجه به اهمیت مقدار جریان خروجی از حوضه آبریز جهت مدیریت آب های سطحی، فهم دقیق ارتباط بین مقدار رواناب با پارامترهای اقلیمی همچون بارش و دما و شناسائی موثرترین پارامتر در فرآیند مدل سازی بسیار مهم می‌باشد. در این تحقیق پس از آزمون همگنی داده‌های بارش، دما و رواناب ماهانه حوضه آبریز ناورود، ابتدا براساس دو الگوریتم رلیف و همبستگی دو ترکیب مختلف از پارامترهای موثر در رواناب مورد توجه قرار گرفت. الگوریتم جدید رلیف با استفاده از میانگین بردار وزنی مرتبط بین داده‌ها و یک مقدار آستانه، ویژگی‌های موثر در بین یک مجموعه از داده‌ها را به ویژه در شرایطی که تعداد داده‌ها کم باشد، به ترتیب اهمیت شناسایی می‌کند. سپس با استفاده از دو روش رگرسیون بردار پشتیبان و نزدیک‌ترین همسایگی رواناب ماهانه مبتنی بر دو ترکیب ورودی پیشنهادی مدل سازی گردید. نتایج به‌دست آمده نشان داد، روش رگرسیون بردار پشتیبان با بهره گیری از تابع کرنل شعاع محور نسبت به روش نزدیک‌ترین همسایگی از دقت بالا و خطای کمتری در برآورد رواناب به خصوص در مقادیر جریان‌های سیلابی برخوردار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - مقایسه عملکرد مدل‌های داده‌کاوی در پیش‌بینی بارش باران با استفاده از رویکرد دسته‌بندی (مطالعه موردی: ایستگاه هواشناسی سینوپتیک فرودگاه همدان)
  مرتضی صالحی سربیژن حمید رضا دزفولیان
  10.30495/wsrcj.2024.75668.11411
  زمینه و هدف: بارندگی یکی از پدیده‌های پیچیده طبیعی و از مهم‌ترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی ایفا می‌کند. شناخت میزان و روند تغییرات بارش به‌عنوان یکی از عناصر مهم هواشناسی، از یک‌سو جهت داشتن مدیریت اثربخش و برنامه‌ریزی دقیق‌تر ب أکثر

  زمینه و هدف: بارندگی یکی از پدیده‌های پیچیده طبیعی و از مهم‌ترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی ایفا می‌کند. شناخت میزان و روند تغییرات بارش به‌عنوان یکی از عناصر مهم هواشناسی، از یک‌سو جهت داشتن مدیریت اثربخش و برنامه‌ریزی دقیق‌تر برای بخش‌های کشاورزی، اقتصادی و اجتماعی و از سوی دیگر برای مطالعاتی مانند رواناب‌ها، خشک‌سالی‌ها، وضعیت آب‌های زیرزمینی و سیلاب‌ها ضروری است. همچنین پیش‌بینی بارش در مناطق شهری تأثیر بسیار زیادی بر کنترل ترافیک، جریان فاضلاب‌ها و فعالیت‌های ساخت‌وساز دارد. روش پژوهش: هدف این مطالعه مقایسه دقت مدل‌های کلاس‌بندی درخت تصمیم (چاید (CHAID)، درخت تصمیم C5، نیو بیزین (NB)، کوئست (Quest) و جنگل تصادفی)، k نزدیک‌ترین همسایگی (KNN)، ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) جهت پیش‌بینی وقوع بارش باران با استفاده از داده‌های یک دوره 50 ساله در ایستگاه سینوپتیک فرودگاه همدان است. در این مطالعه از 80 درصد داده‌ها جهت آموزش و از 20 درصد داده‌ها جهت صحت سنجی مدل‌ها استفاده‌شده و نتایج حاصل از اجرای مدل‌ها با استفاده از معیارهای ماتریس درهم‌ریختگی (اغتشاش)، منحنی ROC و شاخص AUC مقایسه شدند. برای ساخت متغیر کلاس‌بندی داده‌های بارش و عدم بارش، با توجه به داده‌های بارش، روزهای سال در دو کلاس روزهای وقوع بارش (y) و روزهای عدم وقوع بارش (n) دسته‌بندی شدند. در این تحقیق پیش‌پردازش داده‌ها با استفاده از پیش‌پردازش خودکار داده‌ها (ADP) انجام شده و آنگاه کاهش ابعاد متغیرها از روش PCA استفاده شد. یافته‌ها: در این مطالعه با توجه به روش PCA ابعاد متغیرها به 5 بعد کاهش یافت. همچنین از داده‌های موجود تقریباً 80 درصد، روزها بدون بارش و 20 درصد روزها با بارش هستند. نتایج تحقیق نشان داد که مدل KNN با معیار صحت 9/91 برای داده‌های آموزشی و مدل SVM، 13/89 درصد برای داده‌های آزمون بهترین عملکرد را بین مدل‌های داده‌کاوی داشتند. شاخص AUC مدل KNN برابر 97/0 در داده‌های آموزشی و در داده‌های آزمون مقدار 94/0 برای الگوریتم SVM به دست آمد. همچنین با توجه به منحنی عملکرد سیستم (ROC) برای داده‌های بارش همدان مدل KNN نسبت به سایر مدل‌ها عملکرد بهتری را دارا می‌باشد. توجه به شاخص حساسیت در ماتریس اغتشاش، مدل‌های KNN و SVM در پیش‌بینی عدم وقوع بارش برای داده‌های آموزش بهتر عمل کردند. با توجه به شاخص خاصیت در پیش‌بینی وقوع بارش مدل‌های RT و KNN نتایج بهتری داشتند. نتایج: نتایج تحقیق نشان داد که در داده‌های آموزش مقدار معیار صحت برای مدل‌های RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 82/86، 78/89، 55/89، 96/89، 06/88، 9/91، 29/88 و 46/87 بدست آمده اند. همچنین این معیار در داده‌های آزمون برای این مدل‌ها به ترتیب 2/83، 9/87، 12/88، 13/89، 12/87، 19/88، 93/86 و 76/86 به دست آمد. مقدار شاخص AUC در داده‌های آموزش برای مدل‌های RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 94/0، 92/0، 94/0، 94/0، 93/0، 97/0، 93/0 و 89/0 به دست آمد. همچنین این معیار در داده‌های آزمون برای این مدل‌ها به ترتیب 89/0، 89/0، 93/0، 94/0، 92/0، 90/0، 92/0 و 88/0 برآورد شد. همان‌طور که مشاهده شد، با توجه به معیارهای صحت و شاخص AUC در داده‌های آموزش مدل KNN و با توجه به داده‌های آزمون مدل SVM کارا تر در پیش‌بینی بارش باران بودند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - آشکارسازی تغییرات کاربری/ پوشش اراضی با استفاده از طبقه‌بندی شئ‌گرای تصاویر ماهواره‌ای (مطالعه موردی: حوزه آبریز قره‌سو، استان اردبیل)
  بهروز خدابنده لو حسن خاوریان نهزک اردوان قربانی
  دقت نقشه تغییرات کاربری به‌دست‌آمده از داده‌های سنجش‌ازدور به‌دقت نقشه های طبقه‌بندی کاربری اراضی در زمان‌های مورد مطالعه بستگی دارد. در این مطالعه از تصاویر سنجنده‌های TM و OLI در سال‌های 1368 و 1397 و روش طبقه‌بندی شئ‌گرا برای بررسی روند تغییرات کاربری/ پوشش اراضی با أکثر

  دقت نقشه تغییرات کاربری به‌دست‌آمده از داده‌های سنجش‌ازدور به‌دقت نقشه های طبقه‌بندی کاربری اراضی در زمان‌های مورد مطالعه بستگی دارد. در این مطالعه از تصاویر سنجنده‌های TM و OLI در سال‌های 1368 و 1397 و روش طبقه‌بندی شئ‌گرا برای بررسی روند تغییرات کاربری/ پوشش اراضی با تأکید بر کاربری کشاورزی در حوزه آبریز قره‌سو استفاده شد. پس از پیش‌پردازش‌های لازم، پردازش شئ‌گرا با اعمال فرایند سگمنت‌سازی چند تفکیک آغاز گردید. جهت دستیابی به‌دقت بیش‌تر طبقه‌بندی کاربری اراضی علاوه بر باندهای طیفی از سایر اطلاعات نظیر شاخص نرمال شده تفاضل پوشش گیاهی NDVI، میانگین باندها، انحراف معیار باندها و ویژگی‌های هندسی استفاده‌شده است. از بین این اطلاعات غیر طیفی استفاده‌شده، تعداد 15 ویژگی توسط روش بهینهسازی فضای ویژگی ها FSO انتخاب و به‌عنوان اطلاعات جانبی در طبقه‌بندی الگوریتم نزدیک‌ترین همسایگی مورداستفاده قرار گرفتند. ضریب کاپای حاصل از ارزیابی صحت طبقه‌ بندی تصاویر سال‌های 1368 و 1397 به ترتیب 85 و 96 درصد محاسبه شد که نشان‌دهنده قابل‌اعتماد بودن نتایج طبقه‌بندی شئ‌گرا است. در مرحله بعد به کمک نقشه‌های طبقه‌بندی‌شده و روش مقایسه پس از طبقه‌بندی، نقشه تغییرات تهیه گردید. طبق نتایج حاصل از آشکارسازی تغییرات، کاربری کشاورزی طی این بازه زمانی حدود 73849 هکتار افزایش سطح را در برداشته است که علت اصلی آن تخریب مراتع و به زیر کشت بردن این کاربری است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - تشخیص بیماری پارکینسون با استفاده از تحلیل سیگنال‌های الکتروانسفالوگرام مبتنی بر تبدیل والش هادامارد
  یاسمین اعزازی پیوند قادریان
  بیماری پارکینسون یکی از مهم‌ترین بیماری‌های سیستم عصبی است که به دلیل انحطاط نورون‌های دوپامینرژیک در جسم سیاه مغز رخ می‌دهد. از آنجایی‌که این بیماری درمان قطعی ندارد، بنابراین تشخیص کلینیکی و به‌موقع آن می‌تواند در کند نمودن سیر پیشرفت بیماری و ارائه راهکارهای کنترلی ب أکثر

  بیماری پارکینسون یکی از مهم‌ترین بیماری‌های سیستم عصبی است که به دلیل انحطاط نورون‌های دوپامینرژیک در جسم سیاه مغز رخ می‌دهد. از آنجایی‌که این بیماری درمان قطعی ندارد، بنابراین تشخیص کلینیکی و به‌موقع آن می‌تواند در کند نمودن سیر پیشرفت بیماری و ارائه راهکارهای کنترلی برای بهبود کیفیت زندگی بیماران نقش اساسی ایفا کند. در این مطالعه از تحلیل سیگنال الکتروانسفالوگرام به عنوان یک مشخصه کم‌هزینه، غیرتهاجمی و قابل اعتماد برای تشخیص استفاده شده‌ است. روش پیشنهادی بر مبنای استخراج اطلاعات فرکانسی سیگنال به کمک تبدیل والش و محاسبه مجموعه‌ای‌ از ویژگی‌‌ها مانند آنتروپی، معیارهای تکانش، ویژگی‌های آماری پایه و مرتبه بالا از ضرایبِ استخراج‌شده است. سپس، برای ارزیابی قدرت تفکیکی روش ارائه‌شده، از ماشین بردار پشتیبان و k نزدیک‌ترین همسایگی به منظور تفکیک بیماران از گروه سالم استفاده شده است. قابلیت تشخیص روش با استفاده از داده‌های الکتروانسفالوگرام 28 فرد سالم و 28 بیمار مبتلا به پارکینسون در حین انجام تکلیف یادگیری-تقویتی مورد ارزیابی قرار گرفته است. نتایج به‌دست‌آمده نشان داده است که روش پیشنهادی قادر است با استفاده از ویژگی آنتروپی، ماشین بردار پشتیبان و k نزدیک‌ترین همسایگی بیماری پارکینسون را به ترتیب با صحت بالای 99.95% و 99.98% تشخیص دهد. تفاصيل المقالة