فهرس المقالات Clustering

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - تحلیل مبدل جریان کرشیو به عنوان نیروگاه تجدیدپذیر و دوستدار محیط زیست
  امیر قائدی
  مقدمه: جریان¬های کرشیو، نمونه¬ای از جریان¬های اقیانوس بوده که در نزدیکی سواحل ژاپن وجود دارد. این جریان¬ها دارای سرعت و در نتیجه انرژی جنبشی می¬باشند و می¬توانند به منظور تولید برق مورد استفاده قرار بگیرند. مشکل اصلی این مبدل¬های انرژی جریان کرشیو این است که به دلیل تغی أکثر

  مقدمه: جریان¬های کرشیو، نمونه¬ای از جریان¬های اقیانوس بوده که در نزدیکی سواحل ژاپن وجود دارد. این جریان¬ها دارای سرعت و در نتیجه انرژی جنبشی می¬باشند و می¬توانند به منظور تولید برق مورد استفاده قرار بگیرند. مشکل اصلی این مبدل¬های انرژی جریان کرشیو این است که به دلیل تغییر سرعت جریان¬های کرشیو، توان تولیدی آن¬ها نیز تغییر کرده و بر جنبه¬های مختلف آن¬ها از جمله قابلیت اطمینان تاثیر می¬گذارد. مواد و روش‌ها: به منظور تعیین مدل قابلیت اطمینان مبدل جریان کرشیو هم خرابی اجزای تشکیل دهنده بر خرابی کل سیستم مورد مطالعه قرار می¬گیرد و هم تغییرات توان خروجی این مبدل¬ها که ناشی از تغییر سرعت جریان¬های کرشیو می¬باشد. شاخص¬های قابلیت اطمینانی که در این سطح محاسبه می¬گردد عبارت است از: احتمال قطع بار، متوسط زمان قطع بار و متوسط انرژی تامین نشد. نتایج و بحث: در این قسمت، یک مبدل انرژی جریان کرشیو که شامل یک توربین به قطر 2 متر است در نظر گرفته شده , شاخص¬های قابلیت اطمینان یک سیستم تست نمونه به دست آورده می¬شود. نتایج نشان می¬دهد با زیاد شدن پیک بار سیستم، احتمال قطع بار، متوسط زمان قطع بار و انرزی تامین نشده سیستم افزایش پیدا کرده و به عبارت دیگر قابلیت اطمینان سیستم بدتر می¬شود. بنابراین لازم است نیروگاه¬های جدید به مدار بیایند تا شاخص¬های قابلیت اطمینان بهبود پیدا کنند. نتیجه‌گیری:در این تحقیق با استفاده از روش خوشه¬بندی فازی c میانگین، تعداد حالت¬ها کاهش داده شده است و یک مدل چند حالته برای مبدل¬های انرژی جریان کرشیو به دست آورده شده است. نتایج حاصل از شبیه¬سازی نشان می¬دهد اضافه شدن نیروگاه¬های جریان کرشیو به سیستم قدرت سبب بهبود شاخص¬های قابلیت اطمینان این سیستم می¬گردد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - افزایش طول عمر شبکه های حسگر بی سیم با استفاده از الگوریتم خوشه بندی فازی بر اساس مدل اعتماد
  فرشاد کیومرثی بهزاد زمانی دهکردی
  شبکه‌های حسگر بی‌سیم (WSN) ایمن‌ترین و پرکاربردترین شبکه‌های موجود هستند که برای نظارت و کنترل محیط و کسب اطلاعات محیطی به منظور تصمیم‌گیری مناسب در محیط‌های مختلف مورد استفاده قرار می‌گیرند. یکی از ویژگی های بسیار مهم شبکه های حسگر بی سیم طول عمر آنهاست. دو عامل مهم بر أکثر

  شبکه‌های حسگر بی‌سیم (WSN) ایمن‌ترین و پرکاربردترین شبکه‌های موجود هستند که برای نظارت و کنترل محیط و کسب اطلاعات محیطی به منظور تصمیم‌گیری مناسب در محیط‌های مختلف مورد استفاده قرار می‌گیرند. یکی از ویژگی های بسیار مهم شبکه های حسگر بی سیم طول عمر آنهاست. دو عامل مهم برای افزایش طول عمر شبکه ها به ذهن متبادر می شود: این عوامل حفظ پوشش شبکه و کاهش مصرف انرژی گره های حسگر به طور همزمان با مصرف یکنواخت انرژی توسط همه آنها می باشد. خوشه بندی به عنوان روش بهینه جمع آوری داده ها برای کاهش مصرف انرژی و حفظ پوشش شبکه در شبکه های حسگر بی سیم استفاده می شود. در شبکه های خوشه ای، هر گره داده های به دست آمده را به سر خوشه ای که به آن تعلق دارد، ارسال می کند. پس از اینکه یک سر خوشه تمام داده ها را از تمام گره های عضو جمع آوری کرد، داده ها را به ایستگاه پایه (سینک) منتقل می کند. با توجه به اینکه منطق فازی جایگزین مناسبی برای سیستم های پیچیده ریاضی است، در این مطالعه، مدل اعتماد مبتنی بر منطق فازی از روش خوشه بندی در شبکه های حسگر بی سیم استفاده می کند. به این ترتیب سنسورهای سر خوشه از میان حسگرهایی با قابلیت اطمینان بالا با کمک قوانین فازی انتخاب می شوند. در نتیجه بهترین و قابل اعتمادترین حسگرها به عنوان سر خوشه انتخاب خواهند شد. نتایج شبیه‌سازی در نرم‌افزار متلب نشان می‌دهد که به این ترتیب در مقایسه با پروتکل‌های K-Means، FCM، خوشه‌بندی تفریقی و خوشه‌بندی فازی چند هدفه، مصرف انرژی در گره‌های خوشه‌ای کاهش یافته و طول عمر شبکه افزایش می‌یابد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - خوشه بندی و نگاشت روند 40 ساله پژوهش‌های حوزه آینده نگاری
  محمد یوسفی خرایم حاکم قاسمی فرهاد درویشی سه تلانی عین اله کشاورزترک مرتضی موسی خانی
  زمینه: توسعه روش‌هایی اثربخش به منظور کاستن از پیچیدگی‌ها و عدم‌قطعیت‌های آینده و مواجهه با تغییرات سریع و گسسته یک ضرورت در عصر حاضر می‌باشد. آینده‌نگاری به عنوان یک ابزار موثر برای کاستن از پیچیدگی سیستم‌های پیچیده و پویا مورد توجه می‌باشد. هدف: با توجه به اینکه حجم أکثر

  زمینه: توسعه روش‌هایی اثربخش به منظور کاستن از پیچیدگی‌ها و عدم‌قطعیت‌های آینده و مواجهه با تغییرات سریع و گسسته یک ضرورت در عصر حاضر می‌باشد. آینده‌نگاری به عنوان یک ابزار موثر برای کاستن از پیچیدگی سیستم‌های پیچیده و پویا مورد توجه می‌باشد. هدف: با توجه به اینکه حجم زیاد پژوهش‌ها به عنوان چالش، برای در این پژوهش با استفاده از تکنیک‌های علم‌سنجی، روند تحقیقات پژوهشگران در حوزه آینده‌نگاری تجزیه و تحلیل گردیده است. روش‌ها: در این پژوهش 3883 مقاله منتشر شده بین سال‌های 1979 تا ژوئن 2019 در حوزه آینده‌نگاری در پایگاه WOS با استفاده از نرم‌افزار VOSviewer تجزیه و تحلیل گردید و شبکه ارجاعات مقالات، هم رخدادی کلمات کلیدی، همکاری نویسندگان و ارجاعات مجلات تجزیه و تحلیل شده و نویسندگان، برجسته شناسایی شدند. یافته‌ها: بر اساس نتایج به دست آمده نشریات futures ، technological forecasting and social change ، journal of political economy ، به عنوان تاثیرگذارترین مجلات در حوزه آینده‌نگاری شناخته شدند. همچنین Suddendorf, T، Saritas, O، Sarpong, D وRohrbeck, R به عنوان نویسندگانی با بیشترین سهم در تولید علم شناخته شدند. از میان کلمات کلیدی استفاده شده در کل مقالات بررسی شده نیز، کلمات decision-making، corporate foresight، climate-change حایز بالاترین رتبه در تکرار بین مقالات حوزه آینده‌نگاری بوده اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - بررسی تطبیقی متن چشم انداز و بیانیه ماموریت شرکت های برتر و شرکت های ایرانی در صنایع غذایی با استفاده از تکنیک متن کاوی و خوشه بندی
  محسن شفیعی نیک آبادی عطا کرباسی خیر
  با توجه به نقش مهم چشم انداز و بیانیه ماموریت در تبیین اهداف استراتژیک و جهت گیری سازمان ها، تحلیل متن این اسناد اهمیت به سزایی خواهد داشت. صنعت غذا به عنوان یکی از گسترده ترین صنایع در برطرف سازی یکی از نیاز های اساسی مردم در ایران نیازمند پیشرفت و بهبود می‌باشد. بدین أکثر

  با توجه به نقش مهم چشم انداز و بیانیه ماموریت در تبیین اهداف استراتژیک و جهت گیری سازمان ها، تحلیل متن این اسناد اهمیت به سزایی خواهد داشت. صنعت غذا به عنوان یکی از گسترده ترین صنایع در برطرف سازی یکی از نیاز های اساسی مردم در ایران نیازمند پیشرفت و بهبود می‌باشد. بدین منظور ما در این پژوهش به بررسی متن بیانیه ماموریت و چشم انداز شرکت های برتر صنایع غذایی در دنیا و ایران پرداختیم تا تفاوت ها و شباهت های بین جهت گیری این دو گروه را مشخص نماییم. در این پژوهش مقایسه بر 53 شرکت از لیست 500 شرکت برتر مجله فورچون و 42 شرکت برتر ایرانی به زعم وزارت صنعت و معدن صورت گرفته است. همچنین از تکنیک متن کاوی جهت پیش پردازش متون استفاده شد و در ادامه با استفاده از تکنیک خوشه بندی و الگوریتم K-Means شرکت ها در خوشه های مجزا قرار گرفتند. در نهایت با استفاده از تکنیک تصمیم گیری چند شاخصه SAW مهم ترین ریشه ها در هر خوشه رتبه بندی شدند و به تایید خبرگان در زمینه صنایع غذایی رسیدند. متعاقبا بررسی تطبیقی بر خوشه های ایرانی و خارجی صورت گرفت و مشخص گردید که شرکت های خارجی بر مفاهیمی از قبیل توجه به مشتریان و ایجاد یک تصویر بهتر از سازمان تاکید دارند، در حالیکه شرکت های ایرانی بیشتر بر محصول، توسعه و کلی گویی تمرکز دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - تحلیل خوشه‌ای جایگاه ایران در جهان و روندهای آتی مبتنی بر مولفه‌های حکمرانی خوب
  منا آهنی مرتضی موسی خانی رضا نجف بیگی محمدعلی افشارکاظمی
  مطالعه و بررسی حکمرانی خوب و کیفیت نهادهای حکومتی بحثی است که در دهه ی 90 میلادی آغاز شد. حکمرانی خوب که شامل شش مولفه: کنترل فساد، اثربخشی دولت، ثبات سیاسی و فقدان خشونت، کیفیت قوانین و مقررات، حاکمیت قانون، حق اظهار نظر و پاسخگویی است، الگویی برای توسعه محسوب می گردد. أکثر

  مطالعه و بررسی حکمرانی خوب و کیفیت نهادهای حکومتی بحثی است که در دهه ی 90 میلادی آغاز شد. حکمرانی خوب که شامل شش مولفه: کنترل فساد، اثربخشی دولت، ثبات سیاسی و فقدان خشونت، کیفیت قوانین و مقررات، حاکمیت قانون، حق اظهار نظر و پاسخگویی است، الگویی برای توسعه محسوب می گردد. در این مطالعه، از ارزیابی و آمارهای بانک جهانی بر روی شاخص های شش گانه حکمرانی خوب که هر سال یکبار منتشر می گردد، برای تحلیل 186 کشور جهان، استفاده گردید. هدف از این پژوهش، بررسی وضعیت کشورها بر مبنای حکمرانی خوب و تعیین جایگاه ایران در بین دیگر کشورها، با استفاده از تکنیک خوشه بندی؛ و تحلیل روند جایگاه ایران در افق زمانی 2021 با استفاده از تحلیل سری زمانی است. با بکارگیری روش خوشه بندی کشورهای جهان بر مبنای حکمرانی خوب و دفعات هم خوشه شدن ایران با دیگر کشورها تفکیک شدند و سپس از بین روش های سری زمانی با استفاده از روش هموارسازی نمایی به شیوه ARIMA برای پیش بینی شاخص های شش گانه حکمرانی خوب و چگونگی وضعیت کشور در پنج سال آینده مورد بررسی قرار گرفت. یافته های پژوهش نشان می دهد در افق زمانی 2021 شاخص پاسخگویی در کشور مسئله مند خواهد بود و شاخص حاکمیت قانون و کنترل فساد تقریباً بدون تغییر باقی می ماند و از طرفی، روند بقیه شاخص ها بهبود مختصری را نشان می دهند تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - بکارگیری تکنیک‌های خوشه‌بندی و الگوریتم ژنتیک در بهینه‌سازی درختان تصمیم گیری برای اعتبارسنجی مشتریان بانک ها
  محمود البرزی محمد خان بابایی محمدابراهیم محمدپور زرندی
  درختان تصمیم گیری به عنوان یکی از تکنیک های داده کاوی کاربرد زیادی در اعتبارسنجی مشتریان بانک و شناسایی آن ها برای اعطای تسهیلات اعتباری دارد. مسئله اصلی در پیچیدگی درختان تصمیم گیری، اندازه بیش از حد، عدم انعطاف پذیری و دقت کم در طبقه بندی است. هدف از این مقاله ارائه م أکثر

  درختان تصمیم گیری به عنوان یکی از تکنیک های داده کاوی کاربرد زیادی در اعتبارسنجی مشتریان بانک و شناسایی آن ها برای اعطای تسهیلات اعتباری دارد. مسئله اصلی در پیچیدگی درختان تصمیم گیری، اندازه بیش از حد، عدم انعطاف پذیری و دقت کم در طبقه بندی است. هدف از این مقاله ارائه مدل ترکیبی در بهینه سازی درختان تصمیم گیری توسط تکنیک الگوریتم ژنتیک به منظور حل مسائل ذکر شده در فوق برای اعتبارسنجی مشتریان بانک است. به نظر می رسد بتوان با انتخاب ویژگی های مناسب و ساخت درختان تصمیم گیری توسط الگوریتم ژنتیک به کاهش پیچیدگی و افزایش انعطاف پذیری درختان تصمیم گیری پرداخت. در مدل ترکیبی پیشنهادی ابتدا داده های اعتباری توسط تکنیک خوشه بندی SimpleKmeans به دو خوشه تقسیم می شوند. سپس با استفاده از الگوریتم ژنتیک، پنج الگوریتم انتخاب ویژگی مبتنی بر سه رویکرد فیلتر، Wrapper و طرح جاسازی شده بر پایه درخت تصمیم گیری ژنتیکی، به انتخاب ویژگی های اعتبارسنجی مهم در مجموعه داده می پردازند. در ادامه پنج درخت تصمیم گیری مبتنی بر الگوریتم C4.5 در هر خوشه با مجموعه ویژگی های منتخب ساخته می شود. بهترین درختان تصمیم گیری در هر خوشه مبتنی بر معیارهای بهینگی مورد نظر در این مقاله انتخاب شده و با هم ترکیب می شوند تا درخت تصمیم گیری نهایی برای اعتبارسنجی مشتریان بانک ایجاد شود. ابزار یادگیری ماشین وکا و نرم افزار GATree برای رسیدن به نتایج بکار گرفته شده است. نتایج پژوهش نشان می دهد که استفاده از مدل ترکیبی پیشنهادی در ساخت درخت تصمیم گیری منجر به افزایش دقت طبقه بندی نسبت به بسیاری از الگوریتم های مقایسه شده در این مقاله می شود؛ ولی پیچیدگی الگوریتم مدل ترکیبی پیشنهادی از برخی الگوریتم های طبقه بندی مقایسه شده در این مقاله بیشتر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - بکارگیری تکنیک های خوشه بندی و الگوریتم ژنتیک در بهینه سازی درختان تصمیم گیری برای اعتبارسنجی مشتریان بانک ها
  محمود البرزی محمد خان بابایی محمدابراهیم محمدپور زرندی
  درختان تصمیم گیری به عنوان یکی از تکنیک های داده کاوی کاربرد زیادی در اعتبارسنجی مشتریان بانک وشناسایی آن ها برای اعطای تسهیلات اعتباری دارد. مسئله اصلی در پیچیدگی درختان تصمیم گیری، اندازه بیش از حد،عدم انعطاف پذیری و دقت کم در طبقه بندی است. هدف از این مقاله ارائه مدل أکثر

  درختان تصمیم گیری به عنوان یکی از تکنیک های داده کاوی کاربرد زیادی در اعتبارسنجی مشتریان بانک وشناسایی آن ها برای اعطای تسهیلات اعتباری دارد. مسئله اصلی در پیچیدگی درختان تصمیم گیری، اندازه بیش از حد،عدم انعطاف پذیری و دقت کم در طبقه بندی است. هدف از این مقاله ارائه مدل ترکیبی در بهینه سازی درختان تصمیمگیری توسط تکنیک الگوریتم ژنتیک به منظور حل مسائل ذکر شده در فوق برای اعتبارسنجی مشتریان بانک است. بهنظر می رسد بتوان با انتخاب ویژگی های مناسب و ساخت درختان تصمیم گیری توسط الگوریتم ژنتیک به کاهشپیچیدگی و افزایش انعطاف پذیری درختان تصمیم گیری پرداخت. در مدل ترکیبی پیشنهادی ابتدا داده های اعتباریتوسط تکنیک خوشه بندیSimpleKmeansبه دو خوشه تقسیم می شوند. سپس با استفاده از الگوریتم ژنتیک، پنجالگوریتم انتخاب ویژگی مبتنی بر سه رویکرد فیلترWrapperو طرح جاسازی شده بر پایه درخت تصمیم گیری ژنتیکی،به انتخاب ویژگی های اعتبارسنجی مهم در مجموعه داده می پردازند. در ادامه پنج درخت تصمیم گیری مبتنی برلگوریتم C4.5در هر خوشه با مجموعه ویژگی های منتخب ساخته می شود. بهترین درختان تصمیم گیری در هر خوشهمبتنی بر معیارهای بهینگی مورد نظر در این مقاله انتخاب شده و با هم ترکیب می شوند تا درخت تصمیم گیری نهاییبرای اعتبارسنجی مشتریان بانک ایجاد شود. ابزار یادگیری ماشین وکا و نرم افزارGATreeبرای رسیدن به نتایج بکار گرفته شده است. نتایج پژوهش نشان می دهد که استفاده از مدل ترکیبی پیشنهادی در ساخت درخت تصمیم گیریمنجر به افزایش دقت طبقه بندی نسبت به بسیاری از الگوریتم های مقایسه شده در این مقاله می شود؛ ولی پیچیدگیالگوریتم مدل ترکیبی پیشنهادی از برخی الگوریتم های طبقه بندی مقایسه شده در این مقاله بیشتر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  8 - Experimental Evaluation of Algorithmic Effort Estimation Models using Projects Clustering
  Farzaneh Famoori Vahid Khatibi bardsiri Shima Javadi Moghadam Fakhrosadat Fanian
  One of the most important aspects of software project management is the estimation of cost and time required for running information system. Therefore, software managers try to carry estimation based on behavior, properties, and project restrictions. Software cost estim أکثر

  One of the most important aspects of software project management is the estimation of cost and time required for running information system. Therefore, software managers try to carry estimation based on behavior, properties, and project restrictions. Software cost estimation refers to the process of development requirement prediction of software system. Various kinds of effort estimation patterns have been presented in recent years, which are focused on intelligent techniques. This study made use of clustering approach for estimating required effort in software projects. The effort estimation is carried out through SWR (StepWise Regression) and MLR (Multiple Linear Regressions) regression models as well as CART (Classification And Regression Tree) method. The performance of these methods is experimentally evaluated using real software projects. Moreover, clustering of projects is applied to the estimation process. As indicated by the results of this study, the combination of clustering method and algorithmic estimation techniques can improve the accuracy of estimates. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  9 - Using fuzzy c-means clustering algorithm for common lecturer timetabling among departments
  hamed babaei Jaber Karimpour Sajjad Mavizi
  University course timetabling problem is one of the hard problems and it must be done for each term frequently which is an exhausting and time consuming task. The main technique in the presented approach is focused on developing and making the process of timetabling com أکثر

  University course timetabling problem is one of the hard problems and it must be done for each term frequently which is an exhausting and time consuming task. The main technique in the presented approach is focused on developing and making the process of timetabling common lecturers among different departments of a university scalable. The aim of this paper is to improve the satisfaction of common lecturers among departments and then minimize the loss of resources within departments. The applied method is to use a collaborative search approach. In this method, at first all departments perform their scheduling process locally; then two clustering and traversing agents are used where the former is to cluster common lecturers among departments and the latter is to find unused resources among departments. After performing the clustering and traversing processes, the mapping operation in done based on principles of common lecturers constraint in redundant resources in order to gain the objectives of the problem. The problem’s evaluation metric is evaluated via using fuzzy c-means clustering algorithm on common lecturer constraints within a multi agent system. An applied dataset is based on meeting the requirements of scheduling in real world among various departments of Islamic Azad University, Ahar Branch and the success of results would be in respect of satisfying uniform distribution and allocation of common lecturers on redundant resources among different departments . تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  10 - Energy optimization based on routing protocols in wireless sensor network
  Zoleikha Azizi Kambiz Majidzadeh
  Considering the great significant role that routing protocols play in transfer rate and choosing the optimum path for exchange of data packages, and further in the amount of consumed energy in the routing protocol, the present study has focused on developing an efficien أکثر

  Considering the great significant role that routing protocols play in transfer rate and choosing the optimum path for exchange of data packages, and further in the amount of consumed energy in the routing protocol, the present study has focused on developing an efficient compound energy algorithm based on cluster structure which is called active node with cluster structure. The purpose of this algorithm is to distribute the heavy traffic of data and equal load of highly-consumed energy throughout the networks by introducing unequal and unbalanced clusters into the network. In the second stage, the light sensor mechanism which is called active node sensor algorithm has been proposed. The major purpose of this mechanism is to prevent excessive interfering data of sensors through incorporating a set of active nodes in each cluster with a defensive shield near to the incident node. The third stage has aimed at proposing an active node algorithm for complexity of internal and external addressing due to clusters routing in high density distribution based on the values within node range. The obtained results indicate relative success of the design in terms of energy optimization on the basis of routing protocol. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  11 - Fuzzy Clustering Based Routing in Wireless Body Area Networks to Increase the Life of Sensor Nodes
  Mohsen Abdollahzadeh Aghbolagh Mohammad Ali Pourmina
  Body area networks is one of the types of wireless area networks which has been created to optimize utilizing hospital resources and for earlier diagnosis of medical symptoms, and ultimately to reduce the cost of medical care. This network like most of the wireless netw أکثر

  Body area networks is one of the types of wireless area networks which has been created to optimize utilizing hospital resources and for earlier diagnosis of medical symptoms, and ultimately to reduce the cost of medical care. This network like most of the wireless networks is without infrastructure and the embedded sensor nodes in the body have limited energy. Hence, the early power completion of the wireless nodes based on the transmission of messages in the network can disrupt the entire network. In this study, a fuzzy clustering based routing is presented to overcome the mention challenge. In this method, the sensor nodes are allocated to the nearest cluster, based on their distance from the cluster head node, and exchange information with the cluster-head at the near distances, and the cluster-head node, due to its high initial energy, can transmit data to the remote server. In this study, due to the movement of the person and the position shift in the sensor nodes and the distances between the cluster-head nodes, sensor nodes belonging to the clusters are also updated and placed in their proper cluster and the transmission of sensory messages was done with its nearest cluster- head node. Simulation results show that the proposed method can be better than other existing methods in and equal condition. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  12 - A Hybrid Data Clustering Algorithm Using Modified Krill Herd Algorithm and K-MEANS
  Jensi R
  Data clustering is the process of partitioning a set of data objects into meaning clusters or groups. Due to the vast usage of clustering algorithms in many fields, a lot of research is still going on to find the best and efficient clustering algorithm. K-means is simpl أکثر

  Data clustering is the process of partitioning a set of data objects into meaning clusters or groups. Due to the vast usage of clustering algorithms in many fields, a lot of research is still going on to find the best and efficient clustering algorithm. K-means is simple and easy to implement, but it suffers from initialization of cluster center and hence trapped in local optimum. In this paper, a new hybrid data clustering approach which combines the modified krill herd and K-means algorithms, named as K-MKH, is proposed. K-MKH algorithm utilizes the power of quick convergence behaviour of K-means and efficient global exploration of Krill Herd and random phenomenon of Levy flight method. The Krill-herd algorithm is modified by incorporating Levy flight in to it to improve the global exploration. The proposed algorithm is tested on artificial and real life datasets. The simulation results are compared with other methods such as K-means, Particle Swarm Optimization (PSO), Original Krill Herd (KH), hybrid K-means and KH. Also the proposed algorithm is compared with other evolutionary algorithms such as hybrid modified cohort intelligence and K-means (K-MCI), Simulated Annealing (SA), Ant Colony Optimization (ACO), Genetic Algorithm (GA), Tabu Search (TS), Honey Bee Mating Optimization (HBMO) and K-means++. The comparison shows that the proposed algorithm improves the clustering results and has high convergence speed. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  13 - An Improved Bat Algorithm based on Whale Optimization Algorithm for Data Clustering
  Neda Damya Farhad Soleimanian Gharehchopogh
  Clustering is a method of data analysis and one of the important methods in data mining that has been considered by researchers in many fields as well as in many disciplines. In this paper, we propose combining WOA with BA for data clustering. To assess the efficiency o أکثر

  Clustering is a method of data analysis and one of the important methods in data mining that has been considered by researchers in many fields as well as in many disciplines. In this paper, we propose combining WOA with BA for data clustering. To assess the efficiency of the proposed method, it has been applied in data clustering. In the proposed method, first, by examining BA thoroughly, the weaknesses of this algorithm in exploitation and exploration are identified. The proposed method focuses on improving BA exploitation. Therefore, in the proposed method, instead of the random selection step, one solution is selected from the best solutions, and some of the dimensions of the position vector in BA are replaced We change some of the best solutions with the step of reducing the encircled mechanism and updating the WOA spiral, and finally, after selecting the best exploitation between the two stages of WOA exploitation and BA exploitation, the desired changes are applied on solutions. We evaluate the performance of the proposed method in comparison with other meta-heuristic algorithms in the data clustering discussion using six datasets. The results of these experiments show that the proposed method is statistically much better than the standard BA and also the proposed method is better than the WOA. Overall, the proposed method was more robust and better than the Harmony Search Algorithm (HAS), Artificial Bee Colony (ABC), WOA and BA. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  14 - An Optimization K-Modes Clustering Algorithm with Elephant Herding Optimization Algorithm for Crime Clustering
  Farhad Soleimanian Gharehchopogh Sevda Haggi
  The detection and prevention of crime, in the past few decades, required several years of research and analysis. However, today, thanks to smart systems based on data mining techniques, it is possible to detect and prevent crime in a considerably less time. Classificati أکثر

  The detection and prevention of crime, in the past few decades, required several years of research and analysis. However, today, thanks to smart systems based on data mining techniques, it is possible to detect and prevent crime in a considerably less time. Classification and clustering-based smart techniques can classify and cluster the crime-related samples. The most important factor in the clustering technique is to find the centrality of the clusters and the distance between the samples of each cluster and the center of the cluster. The problem with clustering techniques, such as k-modes, is the failure to precisely detect the centrality of clusters. Therefore, in this paper, Elephant Herding Optimization (EHO) Algorithm and k-modes are used for clustering and detecting the crime by means of detecting the similarity of crime with each other. The proposed model consists of two basic steps: First, the cluster centrality should be detected for optimized clustering; in this regard, the EHO Algorithm is used. Second, k-modes are used to find the clusters of crimes with close similarity criteria based on distance. The proposed model was evaluated on the Community and Crime dataset consisting of 1994 samples with 128 characteristics. The results showed that purity accuracy of the proposed model is equal to 91.45% for 400 replicates. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  15 - An Overview of the Concepts, Classifications, and Methods of Population Initialization in Metaheuristic Algorithms
  Mohammad Hassanzadeh farshid keynia
  Metaheuristic algorithms are typically population-based random search techniques. The general framework of a metaheuristic algorithm consisting of its main parts. The sections of a metaheuristic algorithm include setting algorithm parameters, population initialization, أکثر

  Metaheuristic algorithms are typically population-based random search techniques. The general framework of a metaheuristic algorithm consisting of its main parts. The sections of a metaheuristic algorithm include setting algorithm parameters, population initialization, global search section, local search section, and checking the stopping conditions in a metaheuristic algorithm. In the parameters setting section, the user can monitor the performance of the metaheuristic algorithm and improve its performance according to the problem under consideration. In this study, an overview of the concepts, classifications, and different methods of population initialization in metaheuristic algorithms discussed in recent literature will be provided. Population initialization is a basic and common step between all metaheuristic algorithms. Therefore, in this study, an attempt has been made that the performance, methods, mechanisms, and categories of population initialization in metaheuristic algorithms. Also, the relationship between population initialization and other important parameters in performance and efficiency of metaheuristic algorithms such as search space size, population size, the maximum number of iteration, etc., which are mentioned and considered in the literature, are collected and presented in a regular format. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  16 - A New Model-based Bald Eagle Search Algorithm with Sine Cosine Algorithm for Data Clustering
  Farhad Soleimanian Gharehchopogh Berivan Rostampnah
  Abstract— Clustering is one of the most popular techniques in unsupervised learning in which data is divided into different groups without any prior knowledge, and for this reason, clustering is used in various applications today. One of the most popular algorithm أکثر

  Abstract— Clustering is one of the most popular techniques in unsupervised learning in which data is divided into different groups without any prior knowledge, and for this reason, clustering is used in various applications today. One of the most popular algorithms in the field of clustering is the k-means clustering algorithm. The most critical weakness of k-means clustering is that it is sensitive to initial values for parameterization and may stop at local minima. Despite its many advantages, such as high speed and ease of implementation due to its dependence on the initial parameters, this algorithm is in the optimal local configuration and does not always produce the optimal answer for clustering. Therefore, this paper proposes a new model using the Bald Eagle Search (BES) Algorithm with the Sine Cosine Algorithm (SCA) for clustering. The evaluation of the proposed model is based on the number of iterations, convergence, number of generations, and execution time on 8 UCI datasets. The proposed model is compared with Flower Pollination Algorithm (FPA), Crow Search Algorithm (CSA), Particle Swarm Optimization (PSO), and Sine-Cosine Algorithm (SCA). The results show that the proposed model has a better fit compared to other algorithms. According to the analysis, it can be claimed that the proposed model is about 10.26% superior to other algorithms and also has an extraordinary advantage over k-means. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  17 - اندازه‌گیری کارایی یک شبکه سه مرحله ای با استفاده از رویکرد تحلیل پوششی داده ها با در نظر گرفتن مرز دوگانه
  احسان واعظی سید اسماعیل نجفی سید محمد حاجی مولانا فرهاد حسین زاده لطفی مهناز احد زاده نمین
  این مقاله یک روش را برای اندازه گیری کارایی، رتبه بندی و خوشه بندی شبکه های پیچیده با درنظر گرفتن مرز دوگانه پیشنهاد می دهد. مدل پیشنهادی ساختار جعبه سیاه را باز می‌کند و اطلاعات مهمی در خصوص نقاط کارا و ناکارای شبکه ارائه می‌دهد. بدین منظور در این مقاله یک شبکه سه مرحل أکثر

  این مقاله یک روش را برای اندازه گیری کارایی، رتبه بندی و خوشه بندی شبکه های پیچیده با درنظر گرفتن مرز دوگانه پیشنهاد می دهد. مدل پیشنهادی ساختار جعبه سیاه را باز می‌کند و اطلاعات مهمی در خصوص نقاط کارا و ناکارای شبکه ارائه می‌دهد. بدین منظور در این مقاله یک شبکه سه مرحله ای شامل ورودی ها و خروجی های اضافی مطلوب و نامطلوب در نظر گرفته می شود و از رویکرد همکارانه کارایی کل شبکه محاسبه می‌گردد. به دلیل اینکه هر نتیجه‌گیری که یکی از این دو دیدگاه خوشبینانه یا بدبینانه را شامل شود یکطرفه و ناقص خواهد بود، در این مقاله از مرز دوگانه جهت تحلیل شبکه استفاده می شود. همچنین با توجه به پیچیدگی مدل همکارانه، یک روش حل اکتشافی برای خطی سازی مدل های غیرخطی ارایه می گردد. پس از مشخص شدن نقاط کارا و ناکارای شبکه، از الگوریتم کامینز جهت خوشه بندی واحدها استفاده می‌شود. نهایتا در این مقاله به منظور کاربرد مدل پیشنهادی یک کارخانه تولید محصولات لبنی با یک منطقه تولید، یک منطقه انبار و یک منطقه تحویل شبیه سازی و بصورت پویا در 24 دوره زمانی مورد ارزیابی قرار می گیرد. نتایج رتبه بندی نشان داد که دوره زمانی 10 بهترین و دوره زمانی 1 بدترین کارایی را در بین 24 دوره زمانی دارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  18 - خوشه‌بندی با الگوریتم k- میانگین لاینکس هوشمند
  نرگس احمدزاده‌گلی محمدحسن بهزادی عادل محمدپور
  خوشه‌بندی k- میانگین لاینکس هوشمند یک تعمیم از خوشه‌بندی k- میانگین است که در آن تعداد خوشه‌‌ها و مراکز مربوطه را می‌توان مشخص کرد در حالی که تابع زیان لاینکس به‌عنوان معیار عدم‌تشابه در نظر گرفته می‌شود. بنابراین انتخاب مراکز در هر خوشه تصادفی نیست. انتخاب معیار عدم‌تش أکثر

  خوشه‌بندی k- میانگین لاینکس هوشمند یک تعمیم از خوشه‌بندی k- میانگین است که در آن تعداد خوشه‌‌ها و مراکز مربوطه را می‌توان مشخص کرد در حالی که تابع زیان لاینکس به‌عنوان معیار عدم‌تشابه در نظر گرفته می‌شود. بنابراین انتخاب مراکز در هر خوشه تصادفی نیست. انتخاب معیار عدم‌تشابه لاینکس به پژوهش‌گر کمک می‌کند تا مراکز را در صورت نیاز بیش برآورد یا کم برآورد نماید که سبب می‌شود برخی مشاهدات به خوشه‌ای خاص هدایت شوند. در این پژوهش، کارکرد الگوریتم یاد شده بر برخی پایگاه داده‌های واقعی و شبیه‌سازی‌ شده بررسی می‌شود و نتایج با توجه به برخی معیارهای درونی و بیرونی ارزیابی می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  19 - یک الگوریتم کارا برای حل مساله کلاستر بندی ظرفیت دار
  نرگس محمودی دارانی پیام بصیری مجید یوسفی خوشبخت
  مساله کلاستر بندی ظرفیت­دار (CCP) یک تکنیک داده کاوی برای دسته‌بندی تعدادی اشیا با ظرفیت مشخص به k کلاستر مجزا است به­طوری که ظرفیت هر کلاستر نقض نشود، هر شی دقیقاً به یک کلاستر نسبت داده شود و مجموع فاصله­های همه مراکز کلاسترها به همه اشیا مینیمم شود. مساله أکثر

  مساله کلاستر بندی ظرفیت­دار (CCP) یک تکنیک داده کاوی برای دسته‌بندی تعدادی اشیا با ظرفیت مشخص به k کلاستر مجزا است به­طوری که ظرفیت هر کلاستر نقض نشود، هر شی دقیقاً به یک کلاستر نسبت داده شود و مجموع فاصله­های همه مراکز کلاسترها به همه اشیا مینیمم شود. مساله CCP یک مساله NP سخت است. بنابراین مسائل بزرگ این مساله را نمی‌توان در یک زمان قابل قبول حل کرد. بنابراین ما علاقمند هستیم که از روش‌های فراابتکاری برای حل این مساله استفاده کنیم. به­همین علت یک روش اصلاحی رقابت استعماری برای حل مساله CCP در این مقاله ارائه می‌شود. روش پیشنهادی MICA سه فاز اساسی تخصیص­تصادفی برای تشکیل دادن کلاسترها، تعویض مراکز کلاسترها برای بهبود بیشتر حل مساله و استفاده از الگوریتم های بهبود محلی برای اصلاح جواب را تکرار می­کند. روش پیشنهادی روی چندین مثال استاندارد در ادبیات موضوع مورد ازمایش واقع شده است. نتایج محاسباتی نه تنها نشان دهنده کارایی الگوریتم پیشنهادی است، یلکه دارای رقایت مناسبی برای حل مساله CCP با دیگر الگوریتم های فرا ابتکاری است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  20 - ارائه مدلی جهت برآورد ریسک دنبالهای با استفاده از مدلهای ترکیبی ارزش فرین (پارامتریک، نیمهپارامتریک و ناپارامتریک)
  علی سوری بهمن اسماعیلی وحید نوبخت
  10.30495/jfksa.2021.19253
  بازارهای مالی دائماً در معرض ریسک می‌باشند. پیش‌بینی و محاسبه ریسک یکی از مهم‌ترین موضوعات در حوزه مباحث مالی است. با مرور بحران‌های مالی سال‌های اخیر می‌توان این طور استنباط کرد که یکی از دلایل وقوع این بحران‌ها توجه بیش از حد به داده‌های پرتکرار مرکزی و عدم‌توجه به دا أکثر

  بازارهای مالی دائماً در معرض ریسک می‌باشند. پیش‌بینی و محاسبه ریسک یکی از مهم‌ترین موضوعات در حوزه مباحث مالی است. با مرور بحران‌های مالی سال‌های اخیر می‌توان این طور استنباط کرد که یکی از دلایل وقوع این بحران‌ها توجه بیش از حد به داده‌های پرتکرار مرکزی و عدم‌توجه به داده‌های فرین است. به عبارت دیگر در تجزیه‌و‌تحلیل داده‌های مالی باید به بخش انتهایی توزیع نیز توجه نمود. هدف از این پژوهش، ارائه مدلی جهت برآورد ریسک دنباله‌ای با استفاده از مدل‌های ترکیبی ارزش فرین است. بر همین اساس از چهار مدل تک‌دنباله‌ای و یک مدل دو دنباله‌ای در دو تابع ساده و GARCH استفاده شده است. مدل‌سازی بر مبنای سه دسته داده صورت گرفته است. داده‌های مورد بررسی شامل شاخص کل، شاخص قیمت (هم‌وزن) و شاخص 50 شرکت برتر می‌باشد. دلیل اصلی استفاده از این شاخص‌ها یافتن نتایج حساسیت و عملکرد مدل‌های مختلف بر روی داده‌های اقتصادی بازار سرمایه کشور است. با توجه به نتایج بدست آمده، شبیه‌سازی مدل‌ها با GARCH به طور قابل توجهی عملکرد مدل‌ها را بهبود می‌بخشد و میزان خطای داده‌های شبیه‌سازی شده در مدل‌های مبتنی بر GARCH کاهش می‌یابد. همچنین یافته‌ها حاکی از آن است که مدل‌های دو دنباله‌ای نسبت به مدل‌های تک‌دنباله‌ای از دقت بیشتری برخوردارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  21 - تدوین دندروگرام‌های سبد سهام بر اساس معیار فاصله اقلیدسی (مقایسه‌ای بین روش‌های گوناگون خوشه‌بندی سلسله مراتبی)
  حجت اله صادقی شریفه فروغی دهنوی
  امروزه تجزیه‌وتحلیل بازارهای مالی به‌عنوان بخشی از بازار سرمایه و تأثیر آن در توسعه و طراحی پرتفوی و استراتژی سرمایه‌گذاری هر کشور، به موضوعی مهم و بسیار حیاتی تبدیل گشته است. هدف از این پژوهش، بررسی چگونگی ارتباط و توزیع سهم‌های مربوط به شاخص 30 شرکت بزرگ بورس اوراق به أکثر

  امروزه تجزیه‌وتحلیل بازارهای مالی به‌عنوان بخشی از بازار سرمایه و تأثیر آن در توسعه و طراحی پرتفوی و استراتژی سرمایه‌گذاری هر کشور، به موضوعی مهم و بسیار حیاتی تبدیل گشته است. هدف از این پژوهش، بررسی چگونگی ارتباط و توزیع سهم‌های مربوط به شاخص 30 شرکت بزرگ بورس اوراق بهادار تهران و اثرات ارتباطی بین خوشه‌های حاصل از سهم‌های مرتبط با هر صنعت است. در این پژوهش با استفاده از انواع روش‌های خوشه‌بندی سلسله مراتبی، ساختار، طبقه‌بندی و سلسله‌مراتب این سهم‌ها در سال 1393 موردبررسی قرارگرفته است. نتایج نشان داد که با تمرکز بر هر یک از روش‌های خوشه‌بندی سلسله مراتبی و پیاده‌سازی آن‌ها بر روی سهم‌های موردنظر، خوشه‌های مختلفی از سهام با توجه به شباهت و روابط اقتصادی و حوزه صنعت مربوط به هر سهم شناسایی گردید و همچنین خوشه‌های کلیدی و سهم‌های حیاتی در مجموعه موردنظر به دست آمد. درمجموع نتایج حاکی از آن است که انتخاب بهترین روش خوشه‌بندی سلسله مراتبی برای خوشه‌بندی سهم‌ها، به هدف موردنظر از تجزیه‌وتحلیل خوشه‌ای و در نظر گرفتن مزایا و معایب هر روش بستگی دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  22 - A hybrid Model on the Basis of Data Envelopment Analysis and Data Mining Techniques to Analyze the Investment Behavior in Stock Exchange: A Real Case Study in Tehran Stock Exchange
  Saiedeh Molla Hosseinagha Kaveh Khalili-Damghani
  Stock exchange, which is the core of investment market, transfers scattered resources to the productive sector of the service and industry. The analysis of stock exchange has attracted lots of researches in recent decades. The issue concern both of securities and invest أکثر

  Stock exchange, which is the core of investment market, transfers scattered resources to the productive sector of the service and industry. The analysis of stock exchange has attracted lots of researches in recent decades. The issue concern both of securities and investors. More formally both sides of investment (i.e., behavior of investors and fluctuations of returns on securities) form the markets. In this paper, a hybrid model on the basis of data envelopment analysis and data mining techniques is proposed to analyze the investment behavior in stock exchange. The proposed approach is applied in Tehran stock exchange. First, the financial data of investments on selective companies during 2013-2014 are analyzed using data mining approaches to recognize the behavioral patterns of investors and securities.Second, customers are clustered in 3 selling and 4 buying groups using data mining techniques. Then, the efficiency of active companies in stock exchange is evaluated using and input-oriented Data Envelopment Analysis model considering variable returns-to-scale assumption. Data mining techniques and DEA model are codified using MATLAB and LINGO software, respectively. The obtained results indicate that in 2013 and 2014,nine and six companies are efficient, respectively.Among these companies, six companies are efficient in both years. The most visited companies in reference sets are determined during periods of this study. The reference set of inefficient companies are determined in order to project them toward efficient frontier. The results of this study can provide insightful vision to investors in order to illustrate the behavior of previous investors and securities. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  23 - Analyzing and Drawing the Co-word Map of Competitive Intelligence in First-Level Technical Universities of Tehran
  Mandana Yavari Parivash Jafari Nadergholi Gorchian
  In recent years, the academic ecosystem of the country has witnessed extensive changes. The significant and sudden increase in the number of students and focus on degree attainment has led to a tremendous growth of higher education institutions in the country. By accura أکثر

  In recent years, the academic ecosystem of the country has witnessed extensive changes. The significant and sudden increase in the number of students and focus on degree attainment has led to a tremendous growth of higher education institutions in the country. By accurately understanding the factors emphasized in these studies and applying them to the country's academic environment, we can achieve a better understanding of intellectualism in the university system. Therefore, considering the wealth of studies and research background on competitive intelligence, this research employs scientometric methods and co-word analysis to provide a complete and comprehensive picture in this field. The present study is an applied research, and the data collection method involves content analysis research. The research data was gathered from the Science Direct database covering the years 2015 through the end of 2021. Data analysis was conducted using co-word analysis and the Vosviewer software. The findings of the research revealed a total of 18 keywords, 4 clusters, and 54 links with a strength of 87. The results indicate that the concepts of competitive intelligence, knowledge management, big data, business intelligence, strategic management, organizational learning, social networks, competitive advantage, and optimization are the most frequently used words in this field. Based on the results of the present study, it is suggested that the country's universities establish a foundation for competitive intelligence by adopting a strategic view that incorporates big data analysis and development-focused activities. It should be noted that knowledge management plays an essential role and can guarantee the university's competitive advantage through effective competitive intelligence practices. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  24 - شناسایی و اولویت‌بندی عوامل کلیدی موفقیت پیاده‌سازی لجستیک الکترونیک در شهرک سلامت اصفهان
  سعید دارابی مهدی ایران پور عاطفه امین دوست
  مقدمه: سازمان‌های ارائه‌دهنده خدمات بهداشتی و درمانی نقش اساسی در هر جامعه‌ای دارند. برخورداری این سازمان‌ها از فرآیند‌های الکترونیکی می‌تواند در کیفیت و کمیت خدمات و متعاقبا بهبود وضعیت سلامت جامعه تاثیر بسزایی بگذارد. پژوهش حاضر جهت شناسایی و اولویت‌بندی عوامل کلیدی ب أکثر

  مقدمه: سازمان‌های ارائه‌دهنده خدمات بهداشتی و درمانی نقش اساسی در هر جامعه‌ای دارند. برخورداری این سازمان‌ها از فرآیند‌های الکترونیکی می‌تواند در کیفیت و کمیت خدمات و متعاقبا بهبود وضعیت سلامت جامعه تاثیر بسزایی بگذارد. پژوهش حاضر جهت شناسایی و اولویت‌بندی عوامل کلیدی برای پیاده‌سازی لجستیک الکترونیک در شهرک سلامت اصفهان انجام می‌گیرد. روش پژوهش: پس از بررسی پیشینه پژوهش، 28 عامل به عنوان عوامل موثر بر پیاده‌سازی لجستیک الکترونیک استخراج گردید. در ادامه میزان تاثیر عوامل بر اساس نظر خبرگان و با استفاده از روش‌های تصمیم‌گیری گروهی مشخص شد، به منظور غربال کردن عوامل نامرتبط یا کم اهمیت از روش خوشه‌بندی کامینز استفاده گردید. سپس با بهره‌گیری از روش جدید رتبه‌بندی اعداد فازی به نام روش مرکز ثقل که مبتنی بر فاصله بین دو عدد فازی است، اولویت‌بندی عوامل از نظر شاخص کلی اثربخشی هزینه‌ای انجام گرفت. یافته‌ها: با انجام غربالگری توسط روش خوشه‌بندی کامینز 8 عامل حذف شده و اولویت‌بندی 20 عامل باقیمانده بر حسب شاخص کلی اثربخشی هزینه‌ای صورت گرفت. پس از محاسبه فاصله هر عامل با بازه حداکثر و حداقل عوامل، عامل تدوین چشم‌انداز با مقدار 761/3 و عامل نگهداری و تعمیرات با مقدار 093/0 به ترتیب به عنوان مهم‌ترین و کم اهمیت‌ترین عامل شناخته شدند. نتیجه‌گیری: در این پژوهش مشخص شد که عوامل تدوین چشم‌انداز، استراتژی و تعهد و حمایت مدیریت جهت پیاده‌سازی لجستیک الکترونیک در شهرک سلامت اصفهان به ترتیب از بالاترین اهمیت برخوردارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  25 - Ranking Pharmaceutics Industry Using SD-Heuristics Approach
  S. H. Ahmadi S. R. Alizadeh Shani
  In recent years stock exchange has become one of the most attractive and growing businesses in respect of investment and profitability. But applying a scientific approach in this field is really troublesome because of variety and complexity of decision making factors in أکثر

  In recent years stock exchange has become one of the most attractive and growing businesses in respect of investment and profitability. But applying a scientific approach in this field is really troublesome because of variety and complexity of decision making factors in the field. This paper tries to deliver a new solution for portfolio selection based on multi criteria decision making literature and clustering approach. The paper results reveal that four basic indexes (including: leverage indices, efficiency ratio, liquidity ratio, and market value ratio) besides twenty four secondary indexes were effective in portfolio selection. Multi attribute decision making method (MADM) and clustering were used as analytical tools. The cases of this study embrace pharmaceutical companies accepted in Tehran Stock Exchange. For clustering companies, they were divided into two clusters and finally the companies which located in optimum cluster were ranked via SD Heuristics method. This method eliminates considerable amount of cases and by doing so it helps the experts to sort and rank the alternatives more effectively. It's recommended by researchers to apply qualitative methods in addition to quantitative ones. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  26 - بررسی عوامل موثر بر انتخاب برند از جانب مشتریان با استفاده از روش تحلیل عاملی
  محمود سمیعی نصر سید مسلم علوی مهدی نجفی سیاهرودی
  امروزه اهمیت مفهوم برند در خرید مشتریان به حدی است که برخی از صاحب نظران از آن به عنوان یک محصول کامل یاد کرده و معتقدند بسیاری اوقات مشتریان در عوض آن که محصولی را خریداری نمایند، برندها را می خرند. از این رو شناخت عوامل موثر بر این انتخاب و بررسی ویژگی های خاص برند اه أکثر

  امروزه اهمیت مفهوم برند در خرید مشتریان به حدی است که برخی از صاحب نظران از آن به عنوان یک محصول کامل یاد کرده و معتقدند بسیاری اوقات مشتریان در عوض آن که محصولی را خریداری نمایند، برندها را می خرند. از این رو شناخت عوامل موثر بر این انتخاب و بررسی ویژگی های خاص برند اهمیتی دو چندان یافته و انجام تحقیقات متنوعی را در این زمینه ضرورت می بخشد. تحقیـق حاضر نیز با این هدف و تحت عنـوان بررسی علـل و عوامل مـوثر بر انتخـاب بـرند به انجام رسیده است. تحقیق حاضر از لحاظ روش ماهیتی پیمـایشی، توصیـفی و از لحاظ هدف ساختاری کاربردی دارد. جامعه تحقیـق شهروندان شیـرازی و نمونه آمـاری با تـوجه به شـاخص تحلیـل عـاملی بـرابـر400 نـفر (روش منطقه ای) مـد نظر قرارگـرفته است. طبق یـافته های آمـاری به دست آمده،30 متغیر تاثیـرگـذار در انتخـاب بـرند در ‌9 دستـه کلی قـرار گـرفتـه اند، که از میان این30 متغیر، 5 متغیر شامل قابلیت تلفظ آسان برند، مبهم نبودن برند، به خـاطر سپرده شدن آسان برند، زبان نـوشتاری و قابل فهم بودن برند درمهم تـرین دسته قرار گرفته اند. از طرفی بر اسـاس تحلیـل کیـفی دادها نیز مشـخص گردید، "تجـربه قبلی از خـرید برند" برای فـرد بیشترین تاثیـر را در انتخاب بـرند از جانـب وی داشته است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  27 - بررسی تاثیر روش های مختلف خوشه بندی داده ها بر روی دقت مدل های مربوط به برآوردی های حسابداری از طریق مقایسه روش های خوشه بندی سنتی و کلاسیک
  سید محسن صالحی وزیری جمال برزگری خانقاه
  امروزه استفاده از برآورد اطلاعات حسابداری همانند سایر رشته ها بدلیل عدم دسترسی به تمام اطلاعات، لازم و ضروری می باشد. به همین دلیل در این پژوهش سعی شده با استفاده از روش های مختلف خوشه بندی دقت مدل های مربوط به برآورد های حسابداری مورد بررسی قرار گیرد تا مشخص گردد روش ه أکثر

  امروزه استفاده از برآورد اطلاعات حسابداری همانند سایر رشته ها بدلیل عدم دسترسی به تمام اطلاعات، لازم و ضروری می باشد. به همین دلیل در این پژوهش سعی شده با استفاده از روش های مختلف خوشه بندی دقت مدل های مربوط به برآورد های حسابداری مورد بررسی قرار گیرد تا مشخص گردد روش های مختلف خوشه بندی به چه میزان دقت مدل های مدنظر را افزایش میدهند و روش ارجح تر در میان روش های مختلف خوشه بندی در افزایش دقت مدل ها کدام روش می تواند باشد. نمونه آماری پژوهش بدین منظور شامل 99 شرکت پذیرفته شده در بورس اوراق بهادار تهران بوده و به منظور جمع آوری داده های مورد نیاز، از اطلاعات صورت های مالی و یادداشت های دوره 9 ساله (1387-1395) شرکت های مورد نظر استفاده شده است. نتایج حاصل از تحقیق نشان داد که استفاده از روش های مختلف خوشه بندی دقت مدل های مربوط به برآوردهای حسابداری را در اکثر موارد افزایش می دهد ولی از میان روش های خوشه بندی مورد استفاده در تحقیق، روش خوشه بندی کلاسیک روش مناسب تری نسبت به روش سنتی در افزایش دقت مدل های مربوط به برآورد های حسابداری می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  28 - تاثیر روش‌های اندازه‌گیری فاصله در طبقه‌بندی گروه‌های بوم‌شناسی در جنگل‌های هیرکانی
  نغمه پاک گهر جواد اسحاقی راد غلامحسین غلامی احمد علیجانپور دیوید وی. رابرتز
  10.30495/jrnr.2022.65075.10229
  امروزه به صورت گسترده از الگوریتم‌های خوشه‌بندی استفاده می‌شود، هرچند که تصمیم‌گیری برای انتخاب روش مناسب به دلیل روش‌های مختلف خوشه‌بندی و عوامل موثر بر آنها دشوار است. هدف این پژوهش مقایسه نتایج روش‌های خوشه‌بندی سلسله‌ مراتبی و بررسی روش اندازه‌گیری فاصله موثر برای خ أکثر

  امروزه به صورت گسترده از الگوریتم‌های خوشه‌بندی استفاده می‌شود، هرچند که تصمیم‌گیری برای انتخاب روش مناسب به دلیل روش‌های مختلف خوشه‌بندی و عوامل موثر بر آنها دشوار است. هدف این پژوهش مقایسه نتایج روش‌های خوشه‌بندی سلسله‌ مراتبی و بررسی روش اندازه‌گیری فاصله موثر برای خوشه‌بندی است. برای این پژوهش، داده‌های جنگل‌های راش هیرکانی واقع در حوزه استحافظی اداره کل منابع طبیعی نوشهر مورد بررسی قرار گرفت. برای تعیین مراکز قطعات نمونه از روش منظم تصادفی با ابعاد شبکه 200×100 استفاده شد و در هر مرکز قطعه نمونه، قطعات نمونه صد مترمربعی (10×10 متر) برای بررسی گونه‌های علفی و چهارصد مترمربعی (20×20 متر) برای بررسی گونه‌ های درختی و درختچه‌ای انتخاب شد. در مجموع 120 قطعه نمونه اندازه‌ گیری شد. برآورد فراوانی و پوشش گونه‌های درختی، درختچه‌ای و علفی بر اساس مقیاس براون بلانکه انجام پذیرفت. سه روش اندازه‌گیری فاصله بری کورتیس، هلینگر و منهتن و الگوریتم ‌های خوشه‌ بندی، روش میانگین، روش وارد، روش بتای انعطاف‌ پذیر با مقدار بتای 0/1-، 0/25-، 0/4- برای پژوهش انتخاب شدند و با استفاده از شش شاخص ارزیابی ‌کننده (شاخص میانگین سیلوئت، آنالیز پارتیشن، آنالیز گونه ‌های معرف، آنالیز گونه ‌های معرف خوشه ‌ها برای کمینه کردن ثبات میانی، روش پاسخ چندگانه جایگشت و ضریب فی) مورد بررسی قرار گرفتند. نتایج هر معیار ارزیابی‌کننده از بهترین به بدترین رتبه دسته‌بندی شدند. یافته‌ها‌ نشان داد روش خوشه‌ بندی وارد و روش خوشه‌ بندی بتای انعطاف‌ پذیر با مقدار بتای 0/1- بهترین عملکرد را دارد و روش اندازه‌ گیری فاصله هلینگر در داده‌ های همگن بهتر از سایر روش‌ های اندازه ‌گیری فاصله است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  29 - تحلیل فضایی و ارزیابی شاخص های توسعه یافتگی شهرستان های استان کهگیلویه و بویراحمد (با استفاده از سیستم تحلیل عاملی و تکنیک خوشه ای)
  اصغر ضرابی سید علی موسوی نور
  درک استعدادها و توانمندیهای مناطق و برنامه ریزی برای گسترش و تقویت مزیت های نسبی بر اساس قابلیت ها موجب تعادل و توازن منطقه ای می شود.مطالعه حاضر در تلاش است تا با بهره گیری از سیستم تحلیل عاملی و روش تکنیک خوشه ای به نامتعادل بودن و شکاف موجود بین شهرستانهای استان بپرد أکثر

  درک استعدادها و توانمندیهای مناطق و برنامه ریزی برای گسترش و تقویت مزیت های نسبی بر اساس قابلیت ها موجب تعادل و توازن منطقه ای می شود.مطالعه حاضر در تلاش است تا با بهره گیری از سیستم تحلیل عاملی و روش تکنیک خوشه ای به نامتعادل بودن و شکاف موجود بین شهرستانهای استان بپردازد. در پرتو چنین مطالعاتی می توان الزامات استراتژیک توسعه بخش ها و مناطق و شهرستان های استان را تعیین و با دقت در اولویت بندی های راهبردی اهداف توسعه ای را به فراخور توانمندی ها ،ظرفیت ها و قابلیت های منطقه ای به انجام رساند.در این مقاله ابتدا 33 شاخص آموزشی ،فرهنگی،اقتصادی ،زیربنایی ،بهداشتی و جمعیتی مورد بررسی قرار گرفته و از روش پیشرفته تحلیل عاملی به شش عامل تقلیل یافته و بطور ترکیبی در مولفه های معنی دار قرار داده شده و سپس شهرستانهای استان به روش تکنیک خوشه ای به چهار طبقه همگن تقسیم شده اند.شاخص های مورد مطالعه به کمک تکنیک های فوق در نرم افزارهای SPSS و EXEL محاسبه شده و سپس چگونگی و یا درجه توسعه یافتگی و نابرابریهای شهرستانی محاسبه و تحلیل شده است.نتایج نشان می دهد شهرستانهای استان از جهت توسعه یافتگی کاملا نامتعادل هستند.بطوری که شهرستان بویراحمد به دلیل مرکزیت اداری - سیاسی استان و گچساران به لحاظ نفت خیز بودن شرایط بهتری از جهت شاخص های مورد مطالعه دارند و در سطح برخوردار و شهرستانهای کهگیلویه و چرام ، دنا در سطه نیمه برخوردار وشهرستان های لنده،بهمئی و باشت محروم و غیر برخوردارند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  30 - سنجش و تحلیل سطوح توسعه‌یافتگی نواحی روستایی استان کردستان با استفاده از مدل تحلیل خوشه‌ای
  علی زنگی آبادی طاهر پریزادی
  مقدمه و هدف پژوهش: هدف کلیه‌ی برنامه‌ریزی‌ها، دستیابی به توسعه‌ی مطلوب و برقراری تعادل است و نخستین گام در هر فرایند برنامه‌ریزی، به طور اعم و برنامه‌ریزی منطقه‌ای به طور اخص، شناخت و درک وضع موجود است که این شناسایی، مستلزم تفکیک منطقه‌ی مورد مطالعه به نواحی برنامه‌ریز أکثر

  مقدمه و هدف پژوهش: هدف کلیه‌ی برنامه‌ریزی‌ها، دستیابی به توسعه‌ی مطلوب و برقراری تعادل است و نخستین گام در هر فرایند برنامه‌ریزی، به طور اعم و برنامه‌ریزی منطقه‌ای به طور اخص، شناخت و درک وضع موجود است که این شناسایی، مستلزم تفکیک منطقه‌ی مورد مطالعه به نواحی برنامه‌ریزی و سنجش هر ناحیه با شاخص‌های توسعه (اقتصادی، اجتماعی، فرهنگی، بهداشتی و...) و تجزیه‌ی و تحلیل و رتبه بندی هر ناحیه به لحاظ برخورداری از مواهب توسعه می‌باشد روند توسعه‌ی استان کردستان و زیرساخت‌های آن، در اثر برنامه‌ریزی‌های نامطلوب و متمرکز گذشته، تعادل توسعه را در سطح نواحی روستایی[i] با مشکلاتی روبرو کرده است. به منظور حل مسائل ناشی از عدم تعادل‌های بخشی، گام نخست شناخت و سطح بندی روستاها در قالب تقسیمات سیاسی بخشی (از نظر برخورداری در زمینه‌های آموزشی- فرهنگی، زیربنایی و ارتباطات، فضایی - کالبدی، بهداشتی- درمانی، اقتصاد و خدمات و...) است و اقدام بعدی ارائه راه کارهای مناسب، جهت برقراری و حفظ تعادل بخش‌ها است روش پژوهش: در پژوهش حاضر، روش کار ترکیبی از روش‌های اسنادی، تحلیلی است. در این مطالعه با استفاده از منابع آماری 18 شاخص در پنج حوزه‌ی آموزشی- فرهنگی، زیربنایی و ارتباطات، فضایی - کالبدی، بهداشتی درمانی، اقتصاد و خدمات استخراج و در خصوص نقاط روستایی 26 بخش استان کردستان مورد مطالعه قرار گرفتند؛ و در تجزیه‌ی و تحلیل، تکنیک‌های آماری Z-score و روش تحلیل خوشه‌ای (clustering analysis) بکار گرفته شده‌اند. یافته‌ها: بر اساس یافته‌های پژوهش، در سطح توسعه‌یافتگی بخش‌های استان کردستان، تفاوت‌ها و نابرابری‌هایی وجود دارد، به طوری که نواحی روستایی هفت بخش در سطح (توسعه یافته)، هفت بخش در سطح (نسبتاً یافته)، شش بخش در سطح (کمتر توسعه یافته) و شش بخش در سطح محروم قرار دارند؛ لذا پیشنهاد می‌گردد جهت رفع عدم تعادل‌ها، اولویت برنامه‌ریزی و سرمایه‌گذاری با نواحی روستایی بخش‌های محروم (آلوت، سرشیو مریوان، زیویه، ننور، نمه شیر) باشد. [i] طبق ماده 4 قانون تقسیمات کشوری، هر شهرستان به چندین بخش و هر بخش به چندین دهستان تقسیم شده است تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  31 - Machine learning clustering algorithms based on Data Envelopment Analysis in the presence of uncertainty
  Reza Ghasempour Feremi Mohsen Rostamy-Malkhalifeh
  10.30495/ijdea.2022.69372.1184
  This study combines Data Envelopment Analysis (DEA) with machine learning clustering method in datamining for finding the most efficient Decision Making Unit (DMU) and the best clustering algorithm, respectively. The problem of assessment of units by using DEA may not b أکثر

  This study combines Data Envelopment Analysis (DEA) with machine learning clustering method in datamining for finding the most efficient Decision Making Unit (DMU) and the best clustering algorithm, respectively. The problem of assessment of units by using DEA may not be straightforward due to the data uncertainty. Several scholars have been attracted to develop methods which incorporate uncertainty into input/output values in the DEA literature. On the other hand, in many real world applications, the data is reported in the form of intervals. This means that each input/output value is selected from a symmetric box. In the DEA literature, this type of uncertainty has been addressed as Interval DEA approaches. The main goal of this study is to evaluate the efficiency of banks in the case of data uncertainty with cross-efficiency method in the DEA literature. For this purpose, we consider the BCC-CCR and CCR-BCC models in the presence of uncertain data to find the superior model. After applying the optimization models, in machine learning step, clustering method is applied. Clustering is a procedure for grouping similar items together which this group is called the cluster. Also, the different clustering algorithms can be used according to the behavior of data. In this study, we apply the farthest first and expectation maximization algorithms and show that, in the case of data uncertainty, the BCC-CCR and farthest first algorithms are as a superior optimization model and machine learning algorithm, respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  32 - تعیین نواحی همگن هیدرولوژیکی برای برآورد رواناب در حوضه‌های آبخیز فاقد آمار با استفاده از تحلیل خوشه‌ای (مطالعه موردی: استان اردبیل)
  بتول پورسیف اللهی امین کانونی محمدرضا نیک پور جواد رمضانی مقدم
  گروه‌بندی حوضه‌های آبخیز با توجه به عوامل اقلیمی و خصوصیات فیزیوگرافی حوضه‌ها پیش‌نیاز تحلیل منطقه‌ای رواناب و استفاده از آن برای تخمین آبدهی حوضه‌های فاقد ایستگاه سنجش دبی است. در این تحقیق با استفاده از داده‌های دبی، متوسط بارش سالانه و خصوصیات فیزیوگرافی حوضه‌های آبخ أکثر

  گروه‌بندی حوضه‌های آبخیز با توجه به عوامل اقلیمی و خصوصیات فیزیوگرافی حوضه‌ها پیش‌نیاز تحلیل منطقه‌ای رواناب و استفاده از آن برای تخمین آبدهی حوضه‌های فاقد ایستگاه سنجش دبی است. در این تحقیق با استفاده از داده‌های دبی، متوسط بارش سالانه و خصوصیات فیزیوگرافی حوضه‌های آبخیز و با روش خوشه‌بندی سلسله مراتبی وارد و k-means ، حوضه‌های آبخیز واقع در استان اردبیل به مناطق همگن هیدرولوژیکی تفکیک شدند. به علت تعدد زیاد پارامترها ابتدا با تحلیل مؤلفه‌های اصلی، چهار مؤلفه اول با تبیین 6/83 درصد واریانس کل، به عنوان ورودی تحلیل خوشه‌ای انتخاب شدند. سپس تعداد بهینه خوشه‌ها به کمک روش سلسله مراتبی وارد و رسم نمودار درختی، تعیین و در نهایت با روش k-means خوشه‌بندی نهایی انجام شد. در ادامه با به کارگیری آزمون یکنواختی دالریمپل، زیرحوضه‌هایی که از لحاظ هیدرولوژیکی از یک فرآیند آبدهی پیروی می‌کردند، شناسایی شدند. نتایج آزمون یکنواختی نشان داد که با کنار گذاشتن ایستگاه‌های واقع در خارج از محدوده اطمینان هر خوشه، زیرحوضه‌های که از نظر آبدهی سالانه و سایر پارامترهای فیزیوگرافی و هواشناسی با یکدیگر شباهت داشتند در یک خوشه قرار می‌گیرند. بنابراین تعداد زیرحوضه‌های واقع در خوشه‌های 1، 2، 3 و 4 به ترتیب برابر 8، 4، 9 و 9 حوضه بوده است که می‌تواند در تحلیل منطقه‌ای به منظور برآورد رواناب و سیلاب در حوضه‌های آبخیز فاقد داده‌های دبی سنجی، مورد استفاده قرار گیرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  33 - Prediction of Drying Time and Moisture Content of Wild Sage Seed Mucilage during Drying by Infrared System Using GA-ANN and ANFIS Approaches
  Ghazale Amini Fakhreddin Salehi Majid Rasouli
  10.30495/jfbt.2023.70837.10302
  This study investigated the use of an adaptive neuro-fuzzy inference system (ANFIS) and genetic algorithmartificial neural network (GA-ANN) for the prediction of drying time and moisture content of wild sage seed mucilage (WSSM) in an infrared (IR) dryer. These models ( أکثر

  This study investigated the use of an adaptive neuro-fuzzy inference system (ANFIS) and genetic algorithmartificial neural network (GA-ANN) for the prediction of drying time and moisture content of wild sage seed mucilage (WSSM) in an infrared (IR) dryer. These models (ANFIS and GA-ANN) were fed with three inputs of IR radiation intensity (150, 250, and 375 W), the distance of mucilage from the lamp surface (4, 8, and 12 cm), mucilage thickness (0.5, 1, and 1.5 cm) for prediction of average drying time. Also, to predict the moisture content, these models were fed with 4 inputs IR power, lamp distance, mucilage thickness, and treatment time. The GAANN model structure that used 4 hidden neurons, and modeled the drying time of WSSM with a correlation coefficient (r) of 0.984. Also, the GAANN model with 9 neurons in one hidden layer, predicts the moisture content with a high r-value (r=0.999). The calculated r-values for the prediction of drying time and moisture content using the ANFIS-based subtractive clustering algorithm were 0.925 and 0.998, respectively, that shows a higher correlation among predicted data and experimental data. Sensitivity analysis results demonstrated that IR intensity and mucilage distance were the main factors for the prediction of drying time and moisture content of WSSM drying, respectively. In summary, the GAANN approach performs better than the ANFIS approach and this method can be applied to relevant IR drying process with satisfactory results. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  34 - تحلیل زمانی و مکانی آلودگی‌ صدا با استفاده از سیستم اطلاعات مکانی (GIS)، خوشه‌بندی سلسله مراتبی تجمعی (AHC) و تحلیل مؤلفه‌های اصلی (PCA) (مطالعه موردی: شهر تهران)
  امیراسماعیل فروهید محسن رستمی
  10.30495/jest.2022.39642.4460
  زمینه هدف: آلودگی صدا از انواع آلودگی‌های زیست‌محیطی است که سلامت جامعه و موجودات زنده را تهدید می‌کند. تحقیقات نشان می‌دهد مواجهه کوتاه‌مدت و بلندمدت با آلودگی صدا علاوه بر کاهش شنوایی و افزایش فشارخون، ناراحتی قلبی و عروقی، برهم خوردن خواب و آرامش و باعث تغییر الگوی ر أکثر

  زمینه هدف: آلودگی صدا از انواع آلودگی‌های زیست‌محیطی است که سلامت جامعه و موجودات زنده را تهدید می‌کند. تحقیقات نشان می‌دهد مواجهه کوتاه‌مدت و بلندمدت با آلودگی صدا علاوه بر کاهش شنوایی و افزایش فشارخون، ناراحتی قلبی و عروقی، برهم خوردن خواب و آرامش و باعث تغییر الگوی رفتاری می‌شود.روش بررسی: به ‌منظور مطالعه آلودگی صدا و تاثیر به سزای وسایل نقلیه در بحث آلودگی صدا، محدوده‌های تجریش، توحید، اتوبان همت و حکیم به دلیل حجم ترافیک بالا به‌عنوان محدوده‌های مطالعاتی انتخاب گردید و از طریق روش میدانی به کمک روش‌های زمین‌آماری تهیه شد و پارامترهای تاثیرگذار در بحث تراز صوتی مانند: ترافیک، عرض جاده، شیب و کاربری‌های مسکونی، تجاری، اداری و فضای سبز، برای هر نقطه برداشت ثبت گردید و با استفاده از روش‌های آماری "خوشه‌بندی سلسله مراتبی" و "تحلیل مؤلفه‌های اصلی" ، میزان وابستگی‌های مکانی و زمانی آن‌ها استخراج شد.یافته‌ها: نتایج تحلیل‌های آماری نشان می‌دهد که بیشترین تاثیر بر میزان تراز آلودگی صدا را ترافیک و بعد از آن پارامتر عرض جاده‌ها دارد. بیشترین تراز آلودگی صدا نیز در کاربری‌های تجاری و اداری بوده است.بحث و نتیجه گیری: در اکثر خیابان‌های این محدوده به علت وجود ساختمان‌های نوساز و چندطبقه به نظر می‌رسد امکان تعریض خیابان وجود نداشته باشد. اما تا آنجا که میسر است توصیه می‌گردد در صورت امکان در جاهایی که سر و صدا زیاد است از مانع صوتی برای کاهش صدا در خانه هایی که اطراف خیابان ها ساخته شده اند، استفاده کرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  35 - خوشه بندی نوسانات و عدم تقارن آن در بورس اوراق بهادار تهران
  زهرا شیرازیان هاشم نیکومرام تقی ترابی
  هدف از این پژوهش بررسی خوشه بندی نوسانات و عدم تقارن آن در بورس اوراق بهادار تهران می باشد.تغییرات بزرگ در قیمتها تمایل به تغییرات بزرگ و تغییرات کوچک تمایل به تغییرات کوچک دارند که بدان خوشه بندی نوسانات گفته میشود.از طرفی نوسانات بیشتر بازده، تمایل به تشکیل خوشه بیشتر أکثر

  هدف از این پژوهش بررسی خوشه بندی نوسانات و عدم تقارن آن در بورس اوراق بهادار تهران می باشد.تغییرات بزرگ در قیمتها تمایل به تغییرات بزرگ و تغییرات کوچک تمایل به تغییرات کوچک دارند که بدان خوشه بندی نوسانات گفته میشود.از طرفی نوسانات بیشتر بازده، تمایل به تشکیل خوشه بیشتری نسبت به نوسانات کوچک دارند که بدان عدم تقارن خوشه بندی نوسانات گفته می شود. نوسانات بازده های دارایی می تواند به طور مستقیم روی قیمت اختیارهای معامله و ریسک سهام و پورتفوی اثر بگذارد. این پژوهش جزو تحقیقات کاربردی وکمی است .جامعه آماری سری زمانی شاخص کل بورس اوراق بهادار تهران و نمونه مورد استفاده سری زمانی بازده شاخص کل در بازه زمانی ابتدای سال 1387 تا مرداد سال 1396 می باشد . مقادیر شاخص از نرم افزار ره آورد نوین استخراج و سپس بازده لگاریتمی محاسبه و با نرم افزار ایویوز تحلیل شده اند. براساس رهیافت باکس و جنکینز معادله میانگین ARMA تهیه و با ARCH test وجود خوشه بندی نوسانات تایید شد.مدل TGARCH عدم تقارن در نوسانات و اثر اهرمی را نشان داد .با توجه به آماره آکاییک بهترین مدل خانواده گارچ جهت استخراج نوسانات ، ETGARCH معرفی شد . تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  36 - تشکیل سبد سرمایه گذاری بهینه در بورس اوراق بهادار تهران با استفاده از روش‌های خوشه‌بندی سلسله مراتبی و تفکیکی
  سید مجتبی میرلوحی نیما محمدی تودشکی
  نیاز برای دست‌یابی به معیارهای درست بهینه سازی پرتفو که علاوه بر دقت به سرعت در تصمیم گیری‌های سرمایه‌گذاری بیانجامد، امری فراتر از نیازهای آکادمیک است چرا که نیاز سرمایه‌گذاران، شرکت‌های سرمایه‌گذاری و مدیران سرمایه‌گذاری، به کاهش زیان‌های ناشی از سرمایه گذاری، افزایش أکثر

  نیاز برای دست‌یابی به معیارهای درست بهینه سازی پرتفو که علاوه بر دقت به سرعت در تصمیم گیری‌های سرمایه‌گذاری بیانجامد، امری فراتر از نیازهای آکادمیک است چرا که نیاز سرمایه‌گذاران، شرکت‌های سرمایه‌گذاری و مدیران سرمایه‌گذاری، به کاهش زیان‌های ناشی از سرمایه گذاری، افزایش بازده متناسب با ریسک همواره مورد بحث بوده است. با این وجود دستیابی به روشی جهت بهینه سازی پرتفو به گونه‌ای که شکاف بین نیازهای کاربردی و مدل‌های تئوریک را پر کند کار بسیار دشواری است. با توجه به اینکه یکی از مهمترین عوامل موثر در کسب بازدهی مطلوب، متنوع‌سازی است. این تحقیق با موضوع تشکیل سبد سرمایه‌گذاری بهینه در بورس اوراق بهادار تهران با استفاده از روش‌های خوشه‌بندی سلسله مراتبی و تفکیکی، سعی دارد با استفاده از داده‌های بازار و خوشه‌بندی آن، روشی مناسب جهت بهینه‌سازی پرتفو ارائه کند. نتیجه این مقایسه میزان موفقیت بهینه‌سازی بر اساس خوشه‌بندی را نسبت به پرتفوی شاخصی روشن خواهد کرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  37 - بررسی تاثیرانواع رفتار گله واری تحلیلگران بر قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تحلیل شبکه
  زهرا شیرازیان
  رفتار گله واری میان تحلیلگران اوراق بهادار رفتاری است که آنها هنگام پیش بینی وضعیت مالی شرکتهای سهامی عام و ارائه توصیه های سرمایه گذاری از خود نشان می دهد . این نوع رفتار می تواند براساس عوامل ایجادکننده رفتار گله واری تحلیلگر به دودسته تقسیم شود. در این مقاله از شبکه أکثر

  رفتار گله واری میان تحلیلگران اوراق بهادار رفتاری است که آنها هنگام پیش بینی وضعیت مالی شرکتهای سهامی عام و ارائه توصیه های سرمایه گذاری از خود نشان می دهد . این نوع رفتار می تواند براساس عوامل ایجادکننده رفتار گله واری تحلیلگر به دودسته تقسیم شود. در این مقاله از شبکه های وزنی بی جهت به منظور مطالعه رفتار گله‌واری تحلیلگران استفاده و سپس یک شاخص جدید بر مبنای میانگین درجه گره ها و میانگین ضریب خوشه بندی وزنی برای بررسی انواع مختلفی از رفتار گله واری تشکیل شده است.نتایج تحقیق نشان می دهد که هر صنعتی درجه خاصی از رفتارگله واری میان تحلیلگران دارد . در برخی از صنایع مانند فنی و مهندسی تحلیلگران رفتار گله واری آگاهانه و در برخی دیگر مانند دارویی رفتار گله واری غیر آگاهانه دارند. نتیجه بعدی این که رفتار گله واری ناآگاهانه تأثیر مثبت و رفتار گله واری آگاهانه تأثیر منفی روی قیمت سهام دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  38 - قیمتهای خوشهای در بازار سرمایه ایران و علل موثر بر آن
  مسلم پیمانی فروشانی امیرحسین ارضاء محمدمهدی بحرالعلوم
  قیمت‌های خوشه‌ای به تمایل قیمت‌ها به اعداد گرد اشاره دارد. این موضوع در کشورهای مختلف و در خصوص متغیرهای مالی گوناگونی بررسی و نظریات متفاوتی برای توجیه آن ارائه شده است. در این پژوهش به بررسی وجود این رفتار در قیمت‌ها و عوامل موثر بر شدت آن در بازار سرمایه ایران پرداخت أکثر

  قیمت‌های خوشه‌ای به تمایل قیمت‌ها به اعداد گرد اشاره دارد. این موضوع در کشورهای مختلف و در خصوص متغیرهای مالی گوناگونی بررسی و نظریات متفاوتی برای توجیه آن ارائه شده است. در این پژوهش به بررسی وجود این رفتار در قیمت‌ها و عوامل موثر بر شدت آن در بازار سرمایه ایران پرداخته شده است. برای این منظور از داده‌های پربسامد بهره جسته و با تحلیل این داده‌ها با استفاده از آزمون‌ها و فنون آماری، شواهدی دال بر وجود این پدیده در بازار سرمایه ایران مشاهده شد. علاوه بر این از بین عوامل مختلف، متغیر اندازه و قیمت و همچنین متغیر مجازی تفکیک بورس و فرابورس بر شدت خوشه‌ای بودن قیمت‌ها موثر شناخته شد که از این بین، متغیر اندازه بر خلاف انتظار دارای ضریبی مثبت بود. نتایج تحلیل‌های انجام شده با فرضیات خرده قیمت‌گذاری، واکافت قیمت (صرفاً در مورد متغیر قیمت و نه اندازه شرکت) و مذاکره همخوانی دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  39 - A cultural algorithm for data ‎clustering‎
  M. R. Shahriari
  Clustering is a widespread data analysis and data mining technique in many fields of study such as engineering, medicine, biology and the like. The aim of clustering is to collect data points. In this paper, a Cultural Algorithm (CA) is presented to optimize partition w أکثر

  Clustering is a widespread data analysis and data mining technique in many fields of study such as engineering, medicine, biology and the like. The aim of clustering is to collect data points. In this paper, a Cultural Algorithm (CA) is presented to optimize partition with N objects into K clusters. The CA is one of the effective methods for searching into the problem space in order to find a near optimal solution. This algorithm has been tested on different scale datasets and has been compared with other well-known algorithms in clustering, such as K-means, Genetic Algorithm (GA), Simulated Annealing (SA), Ant Colony Optimization (ACO) and Particle Swarm Optimization (PSO) algorithm. The results illustrate that the proposed algorithm has a good proficiency in obtaining the desired ‎results.‎ تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  40 - Application of 3D-QSAR on a Series of Potent P38-MAP Kinase Inhibitors
  Reihaneh Safavi-Sohi Jahan B. Ghasemi
  One of the most applied methods in drug industry for development of new drugs is 3D-QSAR methodology. As p38-mitogen-activated protein kinase (p38-MAPK) plays a crucial role in regulating the production of such proinflammatory cytokines as tumor necrosis factor-α أکثر

  One of the most applied methods in drug industry for development of new drugs is 3D-QSAR methodology. As p38-mitogen-activated protein kinase (p38-MAPK) plays a crucial role in regulating the production of such proinflammatory cytokines as tumor necrosis factor-α (TNF-α) and interleukin-1, emerging as an attractive target for new anti-inflammatory agents, we used a 3D-QSAR based method of Comparative Molecular Field Analysis (CoMFA) on a series of 52 potent p38-MAP kinase inhibitors with IC50 ranging from 3.2 to 10,000 nM. An alignment rule for the compounds was defined using Distill in SYBYL 7.3. The best model was validated using a data set obtained by dividing the data set into a training set and test set using hierarchical clustering, based on the CoMFA fields and biological activities (pIC50). The best predictions were obtained with a CoMFA region-focusing model (R2 ncv = 0.952, q2 = 0.678, R2 Pred = 0.627). The statistical parameters from the model indicate that the data are well fitted and has high predictive ability. Moreover, the resulting 3D CoMFA contour maps provide useful guidance for designing highly active inhibitors. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  41 - خوشه‌بندی تصاویر مقیاس بالا با مدل‌سازی نشانه‌های معنایی و شبیه‌سازی مکانی
  مهدی جلالی
  10.30495/jce.2022.1968473.1173
  در سال‌های اخیر حاشیه‌نویسی تصاویر یکی از موضوعات تحقیقاتی فعال است. در این مقاله برای حاشیه‌نویسی تصاویر، تکنیک خوشه‌بندی تعاونی نیمه نظارت‌شده پیشنهاد می‌شود. روش‌های خوشه‌بندی به دلیل عدم نیاز به حاشیه‌نویسی بسیار موردتوجه هستند. برای دستیابی به بالاترین کارایی، نتای أکثر

  در سال‌های اخیر حاشیه‌نویسی تصاویر یکی از موضوعات تحقیقاتی فعال است. در این مقاله برای حاشیه‌نویسی تصاویر، تکنیک خوشه‌بندی تعاونی نیمه نظارت‌شده پیشنهاد می‌شود. روش‌های خوشه‌بندی به دلیل عدم نیاز به حاشیه‌نویسی بسیار موردتوجه هستند. برای دستیابی به بالاترین کارایی، نتایج خوشه‌بندی شش سیستم با فضای رنگ و معیار شباهت متفاوت با رأی اکثریت به‌صورت تعاونی، باهم ترکیب می‌شوند. در شرایطی که تعداد رأی‌ها برای یک تصویر کم باشد از بازخورد مرتبط برای حاشیه‌نویسی آن استفاده می‌شود. امروزه بیشتر از معیار شباهت خطی برای تعیین شباهت بین تصاویر استفاده می‌شود، ولی مدل‌های غیرخطی به دلیل نزدیکی به سیستم بینایی انسان می‌توانند کارایی بسیار بهتری داشته باشند، بدین منظور معیار شباهت غیرخطی KMRBF برای شبیه‌سازی بینایی انسان و بهبود نتایج بازیابی پیشنهاد می‌شود. آزمایش‌ها روی پایگاه داده تصاویر کورل و تصاویر ماهواره‌ای نشان می‌دهند که روش پیشنهادی دارای کارایی مناسبی است. با توجه به نتایج به‌دست‌آمده در پایگاه داده تصاویر ماهواره‌ای فضای رنگ YIQ دارای دقت بالاتری (به مقدار 5/82 درصد) است. همچنین سه فضای رنگ CIELab, HSV و YIQ دارای کارایی بالاتری هستند، چون در این فضاهای رنگی لومینانس از کرومینانس جدا بوده و این فضاهای رنگی به سیستم بینایی انسان نزدیک‌تر هستند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  42 - ارائه روشی ترکیبی هارمونی جهت مسیریابی پویا در شبکه‌های حسگر بیسیم
  فاطمه شبیه جلیل عظیم پور مرضیه دادور
  شبکه های حسگر بیسیم دارای تعداد زیادی گره حسگر با انرژی محدود می باشند که در یک منطقه محدود جغرافیایی پراکنده شده اند. با توجه به محدودیت منابع در شبکه های حسگر بیسیم، افزایش طول عمر این شبکه ها با کاهش مصرف انرژی همواره مورد توجه است. انرژی گره ها بیشتر برای ارسال اطلا أکثر

  شبکه های حسگر بیسیم دارای تعداد زیادی گره حسگر با انرژی محدود می باشند که در یک منطقه محدود جغرافیایی پراکنده شده اند. با توجه به محدودیت منابع در شبکه های حسگر بیسیم، افزایش طول عمر این شبکه ها با کاهش مصرف انرژی همواره مورد توجه است. انرژی گره ها بیشتر برای ارسال اطلاعات به ایستگاه مرکزی مصرف می شود. در مسیریابی پی در پی بر مبنای خوشه‌بندی، این مسئولیت بر عهده سرخوشه ها است و این امر موجب افزایش مصرف انرژی در سرخوشه ها می شود. در سال‌های اخیر برای دیرتر تمام شدن انرژی سرخوشه ها، پروتکل های خوشه بندی و مسیریابی های زیادی پیشنهاد شده است. هدف این پژوهش، ترکیب خوشه‌بندی و مسیریابی در راستای افزایش طول عمر این نوع شبکه‌هاست. برای خوشه بندی از الگوریتم ژنتیک با تعداد خوشه های ثابت و برای مسیریابی از الگوریتم جستجوی هارمونی استفاده شده است. از آنجاییکه سرخوشه ها انرژی بیشتری نسبت به دیگر گره‌ها برای ارسال اطلاعات مصرف می کنند، هدف الگوریتم ژنتیک کاهش تعداد سرخوشه ها در جهت افزایش طول عمر شبکه می باشد. در سفارشی کردن الگوریتم جستجوی هارمونی برای مسیریابی، سه معیار همسایگی، کاهش مصرف انرژی و توزیع مناسب مصرف انرژی در نظر گرفته شده است. الگوریتم هارمونی پیشنهادی با برقراری توازن مناسب بین معیارهای ذکرشده باعث تولید مسیرهای بهینه‌تری خواهد شد. در نهایت تغییر سرخوشه ها در هر دور مسیریابی باعث ایجاد توازن مصرف انرژی بین گره های هر خوشه خواهد شد. نتایج حاصل شده از آزمایشات، حاکی از برتری 14/2% الگوریتم پیشنهادی در ارسال پیام و همچنین افزایش 84/24% طول عمر شبکه نسبت به پروتکل DEEC می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  43 - قطعه بندی تصاویر با استفاده از روش خوشه بندی طیفی مبتنی بر سوپرپیکسل
  فاطمه افسری شولی جلیل عظیم پور مرضیه دادور
  علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستم‌های هوشمند به کار گرفته می‌شود. اولین گام در بسیاری از کاربرد‌های بینایی ماشین، قطعه‌بندی تصویر می‌باشد. در این پژوهش، روش خوشه بندی طیفی با سوپرپیکسل برای قطعه بندی تصویر ارائه شده است. با أکثر

  علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستم‌های هوشمند به کار گرفته می‌شود. اولین گام در بسیاری از کاربرد‌های بینایی ماشین، قطعه‌بندی تصویر می‌باشد. در این پژوهش، روش خوشه بندی طیفی با سوپرپیکسل برای قطعه بندی تصویر ارائه شده است. با اعمال الگوریتم KFCM و با استفاده از توزیع عضویت در ماتریس بخش بندی، یک میزان تشابه فازی هسته ای جدید پیشنهاد داده ایم که سبب کاهش میزان حساسیت پارامتر مقیاس گذاری می شود. علاوه بر این، به‌منظور کاهش هزینه محاسباتی برای قطعه بندی تصویر، سوپر پیکسل را معرفی کرده ایم و یک اندازه گیری جدید برای ساخت ماتریس وابستگی خوشه بندی طیفی ارائه شده است. الگوریتم‌های پیشنهادی بر روی 300 تصویر طبیعی متفاوت اعمال می‌شود و توسط شاخص های ارزیابی، مورد ارزیابی و مقایسه قرار می‌گیرند. نتایج حاصل شده از آزمایشات نسبت به دیگر روش های قطعه بندی مقایسه شده است و حاکی از برتری 4/3% دقت قطعه بندی الگوریتم پیشنهادی دارد و تمام شاخص های ارزیابی موردنظر پژوهش به میزان قابل قبولی افزایش پیداکرده‌اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  44 - صرفه‌جویی در مصرف انرژی شبکه های حسگر بی سیم با استفاده از پروتکل مسیریابی مبتنی بر خوشه بندی مسطح و الگوریتم های تکاملی
  مسعود نگهداری مرضیه دادور
  شبکه های حسگر بی سیم دارای تعداد زیادی گره های حسگر با انرژی محدود می باشند که در یک منطقه محدود پراکنده شده اند. بیشتر انرژی گره ها برای ارسال اطلاعات به ایستگاه مرکزی مصرف می شود. با توجه به محدودیت انرژی در این نوع شبکه ها، افزایش طول عمر با کاهش مصرف انرژی همواره مو أکثر

  شبکه های حسگر بی سیم دارای تعداد زیادی گره های حسگر با انرژی محدود می باشند که در یک منطقه محدود پراکنده شده اند. بیشتر انرژی گره ها برای ارسال اطلاعات به ایستگاه مرکزی مصرف می شود. با توجه به محدودیت انرژی در این نوع شبکه ها، افزایش طول عمر با کاهش مصرف انرژی همواره مورد توجه بوده است. در این تحقیق، یک الگوریتم خوشه بندی سطحی مبتنی بر ژنتیک در راستای افزایش طول عمر این نوع شبکه ها ارائه شده است. در خوشه بندی سطحی پیشنهادی، ناحیه جغرافیایی با توجه به برد رادیویی به سه سطح تقسیم شده و خوشه بندی گره های هر سطح به صورت جداگانه انجام می شود. سرخوشه ها انرژی بیشتری نسبت به دیگر گره ها برای ارسال اطلاعات مصرف می کنند، لذا هدف الگوریتم پیشنهادی کاهش تعداد سرخوشه ها در جهت افزایش طول عمر شبکه است. در نهایت با تغییر سرخوشه ها در هر دور مسیریابی، توازن مصرف انرژی بیشتری بین گره ها به وجود می آید. نتایج حاصل شده از آزمایشات، حاکی از برتری الگوریتم پیشنهادی در ارسال پیام و طول عمر شبکه نسبت به سایر پروتکل های مشابه می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  45 - روشی برای بخش بندی تصاویر سنجش از دور با استفاده از الگوریتم Watershed و خوشه بندی Fuzzy C-Means
  محسن حامد فاطمه حاجیانی
  در تقسیم بندی پیکسل های تصویر سنجش از دور با استفاده از بخش بندی Watershed، مرزهای تصویر به خوبی آشکار نمی شوند. در این مقاله، یک الگوریتم خوشه بندی تصویر بر اساس بخش بندی Watershed و خوشه بندی Fuzzy C-Means ارائه شده است. روش کار به این صورت است که در ابتدا از الگوریتم أکثر

  در تقسیم بندی پیکسل های تصویر سنجش از دور با استفاده از بخش بندی Watershed، مرزهای تصویر به خوبی آشکار نمی شوند. در این مقاله، یک الگوریتم خوشه بندی تصویر بر اساس بخش بندی Watershed و خوشه بندی Fuzzy C-Means ارائه شده است. روش کار به این صورت است که در ابتدا از الگوریتم Watershed برای بخش بندی تصویر حاصل از مجموع مشتق تصویر با تصویر اصلی استفاده می شود. مشتق گرفتن از تصویر موجب می شود مرزهای تصویر به خوبی آشکار شده و رویهم افتادگی بین مرزها رخ ندهد. پس از بخش بندی، برای ترکیب نواحی مشابه حاصل، از خوشه بندی Fuzzy C-Means استفاده می شود. در نهایت، به منظور بهبود نتایج خوشه بندی، یک ماتریس تقسیم بندی جدید نیز برای هر ناحیه از تصویر، با توجه به ویژگی های نواحی همسایه ی آن محاسبه می شود. با توجه به اینکه تصاویر سنجش از دور شامل یک سطح نویز بالا هستند، الگوریتم پیشنهادی در مقایسه با الگوریتم Watershed رایج، توانایی بیشتری در مقابله با نویز دارد و لبه های تصویر بهتر نمایان می شوند. نتایج آزمایش روش پیشنهادی بر روی یک نمونه تصویر سنجش از دور، عملی بودن و کارایی الگوریتم پیشنهادی را نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  46 - روشی برای بخش بندی تصاویر سنجش از دور با استفاده از الگوریتم Watershed و خوشه بندی Fuzzy C-Means
  ابراهیم علی بابایی روح اله آقاجانی
  در تقسیم بندی پیکسل های تصویر سنجش از دور با استفاده از بخش بندی Watershed، مرزهای تصویر به خوبی آشکار نمی شوند. در این مقاله، یک الگوریتم خوشه بندی تصویر بر اساس بخش بندی Watershed و خوشه بندی Fuzzy C-Means ارائه شده است. روش کار به این صورت است که در ابتدا از الگوریتم أکثر

  در تقسیم بندی پیکسل های تصویر سنجش از دور با استفاده از بخش بندی Watershed، مرزهای تصویر به خوبی آشکار نمی شوند. در این مقاله، یک الگوریتم خوشه بندی تصویر بر اساس بخش بندی Watershed و خوشه بندی Fuzzy C-Means ارائه شده است. روش کار به این صورت است که در ابتدا از الگوریتم Watershed برای بخش بندی تصویر حاصل از مجموع مشتق تصویر با تصویر اصلی استفاده می‌شود. مشتق گرفتن از تصویر موجب می‌شود مرزهای تصویر به خوبی آشکار شده و رویهم افتادگی بین مرزها رخ ندهد. پس از بخش بندی، برای ترکیب نواحی مشابه حاصل، از خوشه بندی Fuzzy C-Means استفاده می‌شود. در نهایت، به منظور بهبود نتایج خوشه بندی، یک ماتریس تقسیم بندی جدید نیز برای هر ناحیه از تصویر، با توجه به ویژگی‌های نواحی همسایه‌ی آن محاسبه می‌شود. با توجه به اینکه تصاویر سنجش از دور شامل یک سطح نویز بالا هستند، الگوریتم پیشنهادی در مقایسه با الگوریتم Watershed رایج، توانایی بیشتری در مقابله با نویز دارد و لبه های تصویر بهتر نمایان می‌شوند. نتایج آزمایش روش پیشنهادی بر روی یک نمونه تصویر سنجش از دور، عملی بودن و کارایی الگوریتم پیشنهادی را نشان می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  47 - The Effects of Graphic Organizer Strategy on Improving Iranian EFL Learners’ Vocabulary Learning
  الناز شعاری Farahman Farrokhi
  This study aimed at investigating the effect of graphic organizer strategy on improving Iranian EFL learners’ vocabulary learning. Fifty students participated in this study which lasted for one academic semester. The students were divided into two groups: one expe أکثر

  This study aimed at investigating the effect of graphic organizer strategy on improving Iranian EFL learners’ vocabulary learning. Fifty students participated in this study which lasted for one academic semester. The students were divided into two groups: one experimental group in which students were taught new vocabulary items through graphic organizers in form of clusters and pictures, and one control group whose students were taught the same items through traditional instruction. At the beginning of the program, the researchers conducted Cambridge Mover Tests in order to assure the homogeneity of the students’ proficiency level. A pretest was subsequently administered on learners’ vocabulary knowledge. Then the intervention commenced. At the end of the sessions, one posttest was conducted for measuring effectiveness of the treatment. Then the researchers analyzed the gathered data. Because there were two groups in this study, the researcher used t-test for analysis, paired t-test for comparing the results within groups, and independent t-test for comparing the results between groups. The results showed that graphic organizers were indeed conducive to L2 vocabulary learning by the learners. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  48 - Clustering Methods Survey in VANET on Roads and Mountain Trails with High Reliability
  Mohammad Ali Pourmina Babak Mosharmovahed Sam Jabbehdari
  10.52547/mjtd.10.1.45
  VANETs are one of the important technologies in recent decade. This importance is evident which can be used in road and mountains trails and also provides other information to vehicle from roads. There are many challenges and problems in this networks which can cited as أکثر

  VANETs are one of the important technologies in recent decade. This importance is evident which can be used in road and mountains trails and also provides other information to vehicle from roads. There are many challenges and problems in this networks which can cited as routing, clustering, quality of services criteria, energy consumption, RSU placement and etc. This article try to study and survey about VANET’s clustering methods in roads and mountain trails with high reliability. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  49 - Efficient Modified-LEACH Protocol for Enhancing WSNs’ Lifetime
  Mehdi Masoodi Mohsen Maesoumi Ehsan Akbari Sekehravani
  Obviously, it is inefficient and pretty impossible to replace or recharge batteries of sensor nodes (SN) in a vast wireless sensor networks (WSN). Consequently, one of the major concerns in such networks is energy efficiency (EE) which helps to improve reliability and l أکثر

  Obviously, it is inefficient and pretty impossible to replace or recharge batteries of sensor nodes (SN) in a vast wireless sensor networks (WSN). Consequently, one of the major concerns in such networks is energy efficiency (EE) which helps to improve reliability and lifetime of these networks. Many researches have been conducted and some efficient methods have been introduced to increase the EE in WSNs. Low-energy adoptive clustering hierarchy (LAECH) is one of these methods, which can decrease energy consumption of each SN. This paper offers a novel technique of clustering and selecting cluster head (CH) which takes the energy level of SNs and distance between them into consideration. This algorithm improves EE and lifetime of each SN. Simulations prove this claim. Moreover, the proposed protocol has not significant complexity since there is no difficult equation to cause overload, then in term of simplicity this novel protocol is significantly efficient. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  50 - Improved Cuckoo Search-based Clustering Protocol for Wireless Sensor Networks
  Hossein Sadeghian Mohammadreza Soltan Aghaei
  In most applications of intelligent networks equipped with wireless sensors, it is not possible to charge the nodes’ battery consistency and it is impossible under some conditions. Protocols designed for this type of networks should be energy efficient. The rapid consum أکثر

  In most applications of intelligent networks equipped with wireless sensors, it is not possible to charge the nodes’ battery consistency and it is impossible under some conditions. Protocols designed for this type of networks should be energy efficient. The rapid consumption of battery power in wireless sensors and high power consumption in data transmission are two main challenges of this area. Nodes’ clustering is a natural way of categorizing nodes close together with the aim of using related data and removing plug-in data. However, existing clustering protocols are unbalanced in the term of energy consumption. The cluster heads are not distributed equally and overload clusters (with excess load) are much shorter than under-load clusters (low load). To solve this problem, an improved cuckoo search-based clustering algorithm (ICSCAS) has been proposed in present study. Also, performance evaluation of ICSCAS and its comparison with advanced clustering schemes in terms of total energy and residual energy consumption have been represented. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  51 - Distributed Routing Protocol in Wireless Sensor Networks through Mimetic Algorithm and Time-Sharing Approach to Select Cluster Head
  Sahar Nassirpour Shayesteh Tabatabaei
  Wireless sensor networks include sensor nodes communicating each other through wireless links for effective data collection and routing. These wireless nodes are of limited processing power, memory, communication range, channel band width, and battery capacity, from amo أکثر

  Wireless sensor networks include sensor nodes communicating each other through wireless links for effective data collection and routing. These wireless nodes are of limited processing power, memory, communication range, channel band width, and battery capacity, from among which the most important is limited capacity of batteries which are unchangeable, under many conditions. The limitation encourages designing efficient protocols in terms of energy consumption. Using clustering is one of the methods to optimize energy consumption. On the other hand, a technical challenge in successful expansion of wireless sensor networks and their exploitation is effective usage made of limited channel band width. To overcome the challenge, one of the methods is dividing schedule of channel usage through TDMA method (Time-Division Multiple Access) so that each cluster head node creates a schedule for transmission of data from member nodes of the cluster through TDMA. Accordingly, in the paper, a distributed routing protocol based on clustering through usage of mimetic algorithm and time-sharing approach is proposed; and, it is capable of optimizing energy consumption and throughput rate, as well as reducing delay. The simulation results are indicative of better performance of proposed method, compared to IEEE 802.15.4 Standard. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  52 - Biogeography-based Optimized Adaptive Neuro-Fuzzy Control of a Nonlinear Active Suspension System
  Ali Fayazi Hossein Ghayoumi Zadeh
  10.52547/mjtd.11.1.43
  This paper presents an optimum network structure based on a BBO tuned adaptive neuro-fuzzy inference system (ANFIS) to control an active suspension system (ASS). The unsupervised learning via Biogeography-Based Optimization (BBO) algorithm is used to train the ANFIS net أکثر

  This paper presents an optimum network structure based on a BBO tuned adaptive neuro-fuzzy inference system (ANFIS) to control an active suspension system (ASS). The unsupervised learning via Biogeography-Based Optimization (BBO) algorithm is used to train the ANFIS network. The optimal proportional-integral-derivative controller tuned based on the LQR method is used to generate the training data set. ANFIS base on Fuzzy c-means (FCM) clustering algorithm is applied to approximate the relationships between the vehicle body (sprung mass) vertical input velocity and the actuator output force. BBO algorithm is used to optimize fuzzy c means clustering parameters. The numerical simulation results showed that the proposed optimized BBO-FCMANFIS based vehicle suspension system has better performance as compared with the optimal LQR-PID controller under uncertainties in both of reducing actuator energy consumption and the suppression of the vibration of the sprung mass acceleration, with a 43% and 9.5% reduction, respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  53 - A Survey on Applications of Machine Learning in Bioinformatics and Neuroscience
  Narges Habibi Shahla Mousavi
  10.30486/mjtd.2022.695920
  Machine learning is one of the most practical branches of artificial intelligence that tries to provide algorithms by which the system can analyze a set of data in different formats. Machine learning algorithms are widely used in biomedicine, bioinformatics and neurosci أکثر

  Machine learning is one of the most practical branches of artificial intelligence that tries to provide algorithms by which the system can analyze a set of data in different formats. Machine learning algorithms are widely used in biomedicine, bioinformatics and neuroscience. The main goal of this paper is to propose the latest applications of machine learning in bioinformatics and neural imaging and to introduce new branches of research. In this article, the application of four indicators of machine learning techniques in the field of bioinformatics is examined. The four categories of techniques studied include clustering, classification, dimensionality, and deep learning. In this paper, we also show that machine learning techniques can be successfully used to address common bioinformatics challenges such as gene expression, DNA methylation identification, mRNA expression, patient classification, brain network analysis, protein chain identification, clustering, and biomarker identification. In each section, some efficient articles with technical details are discussed separately. The results of some papers are also reported in terms of accuracy, database and techniques used. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  54 - On the Applications and Techniques of Vehicular Ad-Hoc Networks
  mohsen Norouzi ali arshaghi navid Razmjooy Mohsen ashourian
  10.30486/mjtd.2022.695922
  Vehicular Ad-Hoc Networks (VANET) models are derived from Mobile Ad-Hoc Networks that possess an impressive role in the intelligent transportation system today and also in the future. So scientists are always looking for the best theories in hope of grasping the fastest أکثر

  Vehicular Ad-Hoc Networks (VANET) models are derived from Mobile Ad-Hoc Networks that possess an impressive role in the intelligent transportation system today and also in the future. So scientists are always looking for the best theories in hope of grasping the fastest and safest connections between vehicles, to provide traffic and accident news in real time. The high number of nodes is one of the significant features of this network that results in an increase of the number of transmitted packets in the network. Distributed system and high mobility of the nodes are the other most important attributes of Vehicular Ad-Hoc networks. In this paper, we aim to review the studies and improvements of vehicular Ad-Hoc network in the fields of safety and traffic management. In addition, we introduce the most common challenges of this network and gather latest methods for resolving those problems. Multi agent systems will be one of the newest and suitable tools in this system. The main purpose is arranging safe connection between agents. Fixing agreements and removing the disputes are not detachable from functional system. It is like group associations and societies which require human collaborations and cooperation. Development of science resulted in utilization of these systems in various aspects like VANET. Nowadays scientists and researchers are interested to make use of these methods for improving the role of vehicle networks in the field of traffic management, safety and entertainment, we will review them in the following paragraphs. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  55 - Customer Behavior Analysis using Wild Horse Optimization Algorithm
  Raheleh Sharifi Mohammadreza Ramezanpour
  10.30486/mjtd.2023.1980070.1025
  One of the areas in which businesses use artificial intelligence techniques is the analysis and prediction of customer behavior. It is important for a business to predict the future behavior of its customers. In this paper, a customer behavior model using wild horse opt أکثر

  One of the areas in which businesses use artificial intelligence techniques is the analysis and prediction of customer behavior. It is important for a business to predict the future behavior of its customers. In this paper, a customer behavior model using wild horse optimization algorithm is proposed. In the first step, K-Means algorithm is used to classify based on the features extracted from the time series, and then in the second step, wild horse optimization algorithm is used to estimate customer behavior. Three dataset including, the grocery store dataset, the household appliances dataset, and the supermarket dataset are used in the simulation. The best clusters count for the grocery store dataset, the household appliances dataset, and the supermarket dataset are obtained 5, 4, and 4, respectively. The simulation results indicate that this proposed method is obtained the lowest prediction error in three simulated datasets and is superior to other counterparts. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  56 - Toward a High-Accuracy Hybrid System for Cardiac Patient Data Analysis using C-Means Fuzzy Clustering in Neural Network Structure
  Mahmood Karim Qaseem Razieh Asgarnezhad
  10.30486/mjtd.2023.1977501.1014
  The main problem related to heart disease is the lack of timely diagnosis or the general weakness in the diagnosis of this disease, which is also due to the lack of selection of the appropriate model by the doctor or the lack of proper use of standard models. One of the أکثر

  The main problem related to heart disease is the lack of timely diagnosis or the general weakness in the diagnosis of this disease, which is also due to the lack of selection of the appropriate model by the doctor or the lack of proper use of standard models. One of the essential applications of data mining techniques is related to medicine and disease diagnosis. One of the data mining techniques is information clustering. This paper will try to provide a model for the diagnosis of heart disease and its improvement in terms of accuracy on the standard UCI heart database. In this research, with a comprehensive and complete review of the C-Meaning fuzzy clustering method and neural networks in the field of heart disease prediction, an attempt is made to improve these solutions and provide new solutions in this field. The main goal is to combine these two data mining algorithms, both of which alone showed the highest accuracy and the fastest speed in past research. The current authors are trying to find a model that has higher accuracy and speed than the previous methods and makes fewer mistakes and has significantly higher efficiency than other models. The numerical tests implemented on the proposed model show the superiority of the new model compared to the conventional methods in the literature. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  57 - ارزیابی شوری خاک با تحلیل تصاویر لندست-8 و مشاهدات زمینی (مطالعه موردی: بهشت گمشده استان فارس)
  محمد کاظمی فریبرز محمدی علیرضا نفرزادگان
  شوری خاک ازجمله مخاطرات محیطی بالقوه محسوب می شود. هدف از این تحقیق یافتن بهترین شاخص و مناسب ترین رابطه جهت برآورد شوری خاک و تهیه نقشه آن با استفاده از داده های دورسنجی است. بدین منظور ابتدا نمونه برداری تصادفی با استفاده از روش تور ماهی و اندازه گیری هدایت الکتر أکثر

  شوری خاک ازجمله مخاطرات محیطی بالقوه محسوب می شود. هدف از این تحقیق یافتن بهترین شاخص و مناسب ترین رابطه جهت برآورد شوری خاک و تهیه نقشه آن با استفاده از داده های دورسنجی است. بدین منظور ابتدا نمونه برداری تصادفی با استفاده از روش تور ماهی و اندازه گیری هدایت الکتریکی خاک سطحی (EC) انجام شد. سپس سطوح حد آستانه (92%، 95% و 98%) روی تصاویر خروجی هر شاخص اعمال شد. از روش‌های کمترین مربعات رگرسیون شده (LS-fit) و آنالیز مؤلفه اصلی (PCA) برای کانی‌های هالیت و ژیپس، همبستگی بین خروجی شاخص ها و داده های زمینی، خوشه بندی و تحلیل عاملی بین مقادیر EC و تصاویر خروجی استفاده شد. جهت انتخاب بهترین مدل حاصل از ترکیب باندهای لندست-8 و میزان شوری، از آزمون هم خطی، آزمون دوربین-واتسون و رگرسیون چندمتغیره پس‌رو استفاده شد. همچنین جهت ارزیابی رگرسیون چندمتغیره باندهای لندست8، از ضریب کاپای کوهن استفاده شد. کارایی شاخص‌ها براساس چهار معیار مجذور میانگین مربعات خطا (RMSE)، میانگین انحراف خطا (MBE) و میانگین خطای مطلق (MAE) و ضریب تعیین (R2) ارزیابی شد. نتایج تحلیل عاملی کمترین فاصله را بین EC، شاخص شوری (SI) و شاخص درجه روشنایی (BI) نشان داد. به‌ طوری‌ که شاخص SI با مقدار 0.89 بیشترین همبستگی پیرسون را با EC داشت. در نمودار دندروگرام، شاخص SI با EC در یک خوشه قرار گرفتند و مقدار RMSE، MBE، MAE و R2 برای شاخص SI به ترتیب 0.16، 0.11، 0.12 و 0.76برآورد شد. شاخص SI نسبت به بقیه شاخص ها و رگرسیون چند متغیره خطی (با ضریب توافق کاپای کوهن 60%)، نتایج بهتری ارائه کرده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  58 - تعیین مناطق همگن عرضه خدمات اکوسیستمی در بخش مرکزی استان اصفهان
  صدیقه عبداللهی علیرضا ایلدرمی عبدالرسول سلمان ماهینی سیما فاخران
  10.30495/girs.2020.672371
  یک گام مؤثر و کاربردی در بهبود مدیریت سرزمین، شناسایی و تعیین مناطق همگن عرضه خدمات اکوسیستمی است. ازاین‌رو در این مطالعه، پس از کمی‌سازی و نقشه‌سازی خدمات اکوسیستمی ارزش زیبایی‌شناسی، ارزش تفرجی و کاهش آلودگی صوتی، از روش خوشه‌بندی K-Means به‌منظور شناسایی مناطق همگن ع أکثر

  یک گام مؤثر و کاربردی در بهبود مدیریت سرزمین، شناسایی و تعیین مناطق همگن عرضه خدمات اکوسیستمی است. ازاین‌رو در این مطالعه، پس از کمی‌سازی و نقشه‌سازی خدمات اکوسیستمی ارزش زیبایی‌شناسی، ارزش تفرجی و کاهش آلودگی صوتی، از روش خوشه‌بندی K-Means به‌منظور شناسایی مناطق همگن عرضه خدمات اکوسیستمی استفاده شد و پهنه‌بندی مناطق همگن در محیط GIS تهیه گردید. به‌منظور بررسی منابع اثرگذار بر عرضه خدمات اکوسیستمی، پارامترهای شیب، ارتفاع، تراکم جمعیت، فاصله از مسیرهای دسترسی، فاصله از مسیر رودخانه، درصد انواع کاربری‌های موجود و فاصله از مرکز بزرگ‌ترین منطقه شهری منطقه مطالعاتی، برای هر یک از مناطق همگن و یا خوشه‌ها استخراج گردید. براساس شاخص صحت‌سنجی دیویس-بولدین تعداد بهینه خوشه‌ها 4 به‌دست آمد. خوشه 2 با مساحت 686.27 کیلومترمربع دارای بیشترین وسعت در منطقه است درحالی‌که خوشه یک با 119.75 کیلومترمربع کمترین مساحت منطقه را به خود اختصاص داده است. بررسی پارامترهای محیطی-اجتماعی نشان داد که کاربری اراضی بیشترین تأثیر را در عرضه خدمات اکوسیستمی دارد. نتایج نشان داد که رابطه مستقیمی بین این پارامترها و عرضه خدمات اکوسیستمی در هر یک از خوشه‌ها وجود دارد. براساس نتایج این مطالعه بررسی مناطق همگن عرضه خدمات اکوسیستمی می‌تواند در بهبود برنامه‌ریزی و مدیریت کاربری زمین مؤثر واقع شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  59 - تعیین الگوی پراکنش و همبستگی مکانی وقوع سیلاب استان اردبیل با استفاده از شاخص موران در سامانه اطلاعات جغرافیایی
  امیرحسین قربانی محسن ذبیحی رئوف مصطفی زاده
  10.30495/girs.2023.1977963.2036
  نقشه‌بندی الگوهای توزیع مکانی و تعیین روند تغییرات مکانی داده‌های هیدرواقلیمی دارای اهمیت بالایی است. در همین راستا پژوهش حاضر با هدف تعیین همبستگی مکانی و الگوی وقوع داده‌های دبی حداکثر لحظه‌ای سیلاب استان اردبیل در دوره‌ بازگشت‌های مختلف با استفاده از شاخص موران برنام أکثر

  نقشه‌بندی الگوهای توزیع مکانی و تعیین روند تغییرات مکانی داده‌های هیدرواقلیمی دارای اهمیت بالایی است. در همین راستا پژوهش حاضر با هدف تعیین همبستگی مکانی و الگوی وقوع داده‌های دبی حداکثر لحظه‌ای سیلاب استان اردبیل در دوره‌ بازگشت‌های مختلف با استفاده از شاخص موران برنامه‌ریزی شده است. با استفاده از نرم‌افزار CumFreq مقادیر دبی سیلاب در ایستگاه‌های هیدرومتری مختلف با دوره‌بازگشت‌های 5، 10، 25 و 50 ساله محاسبه شدند. همبستگی مکانی از طریق شاخص موران محلی محاسبه شد و در ادامه الگوی وقوع خوشه‌ای سیلاب با استفاده از شاخص شاخص موران محلی انسلین تعیین شدند. بر اساس نتایج، مقادیر شاخص موران عمومی، در دوره‌های بازگشت 5، 10، 25 و 50 ساله به‌ترتیب برابر 168/0، 201/0، 268/0، 115/0 محاسبه شده است. کم‌تریم همبستگی مکانی در دوره بازگشت 50 ساله و بیش‌ترین همبستگی مکانی در دوره بازگشت 25 ساله مشاهده شده است. در دو ایستگاه گیلانده و پل الماس، دارای الگوی خوشه‌ای زیاد-زیاد (HH) مشاهده شد. از طرفی، برخی از ایستگاه‌های هیدرومتری دامنه کوهستان سبلان و نیز محدوده شمال شرقی استان اردبیل دارای مقادیر آماره z غیرمعنی‌دار است که به معنی عدم وجود الگوی خوشه‌ای در داده‌های ایستگاه‌های مذکور با ایستگاه‌های مجاور است. در مجموع می‌توان گفت که تفاوت در الگوی خوشه‌ای بودن دبی حداکثر لحظه‌ای می‌تواند با شرایط متفاوت اقلیمی، توپوگرافی و تفاوت در عوامل ایجاد سیل در حوزه‌ها مرتبط باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  60 - کاربرد داده کاوی آموزشی جهت شناسایی عوامل مؤثر بر افت تحصیلی دانش آموزان
  محمود نجفی مهدی افضلی محمود مرادی
  استخراج دانش یکی از مهمترین مسائل داده‌کاوی می‌باشد. قوانینی که به‌صورت اگر - آنگاه مطرح می‌گردند، این توانایی را دارند که به صورت اعداد حقیقی در هر جزء به صورت تمام مقادیری که در مجموعه‌ داده می‌تواند وجود داشته باشد، قرار بگیرند. روش پیشنهادی در این مقاله استفاده از ا أکثر

  استخراج دانش یکی از مهمترین مسائل داده‌کاوی می‌باشد. قوانینی که به‌صورت اگر - آنگاه مطرح می‌گردند، این توانایی را دارند که به صورت اعداد حقیقی در هر جزء به صورت تمام مقادیری که در مجموعه‌ داده می‌تواند وجود داشته باشد، قرار بگیرند. روش پیشنهادی در این مقاله استفاده از الگوریتم‌های درخت تصمیم و خوشه‌بندی و قوانین انجمنی برای استخراج قوانین می‌باشد. در روش پیشنهادی استخراج قوانین را به صورت یک مسئله بهینه‌سازی در آورده و هدف به دست آوردن قانونی با اطمینان بالا، عمومیت و قابلیت درک بالا می‌باشد. الگوریتم پیشنهادی برای استخراج قوانین ازمجموعه داده افت تحصیلی از اطلاعات فردی256 دانش‌آموزان هنرستان‌ها در زنجان جمع‌آوری شده و تست گردید. از نتایج به دست آمده از این تحقیق می توان برای پیشگیری از افت تحصیلی دانش‌آموزان و بهبود کیفیت ارتباط مسوولین و والدین با دانش‌آموزان و آموزش هر چه بهتر آنان استفاده کرد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  61 - ارائه روشی جهت شبکه‌های اجتماعی چند لایه‌ای پویا جهت کشف گروه‌های تاثیرگذار مبتنی بر ترکیبب الگوریتم تکاملی جهش قورباغه و خوشه‌بندی C-means
  لیدا ندرلو محمد تحقیقی شربیان
  امروزه علم و فن آوری با آهنگی شتابناک در حال رشد است و شبکه های اجتماعی پیچیده به بخشی ضروری از زندگی تبدیل شده اند، آن گونه که بحث جدایی مردم از شبکه های درهم پیچیده ای که مبتنی بر نیازهای اساسی زندگی است بحث ناگزیری در زندگی روزمره و عرصه دانش است. در پژوهش پ أکثر

  امروزه علم و فن آوری با آهنگی شتابناک در حال رشد است و شبکه های اجتماعی پیچیده به بخشی ضروری از زندگی تبدیل شده اند، آن گونه که بحث جدایی مردم از شبکه های درهم پیچیده ای که مبتنی بر نیازهای اساسی زندگی است بحث ناگزیری در زندگی روزمره و عرصه دانش است. در پژوهش پیش رو مدلی برای شبکه های اجتماعی چندلایه ای پویا برای کشف گروه های تأثیرگذار، مبتنی بر ترکیبب الگوریتم تکاملی جهش قورباغه و خوشه بندی C-means ارائه شده است. بدین ترتیب که پس از جمع‌آوری داده‌ها به پاک سازی و نرمال سازی آن ها پرداخته شد تا داده‌های مطلوب منجر به شناسایی افراد و گروه‌های مؤثر شود که در ادامه کار ماتریس تصمیم شکل گرفت و از روی آن شناسایی و خوشه‌بندی(مبتنی بر خوشه‌بندی فازی) انجام شد و اهمیت گروه‌ها نیز مشخص گردید. برای دستیابی به افراد و گروه‌های تأثیرگذار در شبکه‌های اجتماعی، از الگوریتم قورباغه جهنده برای بهبود تشخیص پارامترهای تأثیرگذار استفاده شد که باعث بهبود اهمیت گره ها شده است. در ارزیابی و شبیه سازی بخش خوشه‌بندی، روش پیشنهادی با روش K-means مقایسه و نتیجه مقدار تعادل روش در انتخاب خوشه برابر 5 شد. گفتنی است که روش پیشنهادی به نسبت روش‌های مورد مقایسه، بهبود مناسب تری را نشان داد. همچنین ارزیابی معیار صحت روش پیشنهادی به نسبت روشهای همسان بهبود 3.3 داشته و نسبت به روش پایه M-ALCD بهبود 3.8 را به ثبت رسانده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  62 - مقایسه‌ کارآیی رهیافت‌های حل مسئله جدول زمان‌بندی دروس دانشگاهی مبتنی‌بر الگوریتم‌های خوشه‌بندی و تصمیم‌گیری چندمعیارۀ فازی ترکیبی
  بهزاد محمدخانی حاجی خواجه لو حامد بابایی داود اسکندری محمدرضا حسن زاده
  مسئله جدول زمانبندی دروس دانشگاهی، فرآیند زمانبندی دروس برای یک نیم سال تحصیلی توسط دانشکده های یک دانشگاه است. این مسئله به ترتیب رویدادها (استادان/دانشجویان/دروس) را در منابع (برش های زمانی/ کلاس های درسی)، زمانبندی و تخصیص می دهد. فرآیند تخصیص دارای دو قید حساس ش أکثر

  مسئله جدول زمانبندی دروس دانشگاهی، فرآیند زمانبندی دروس برای یک نیم سال تحصیلی توسط دانشکده های یک دانشگاه است. این مسئله به ترتیب رویدادها (استادان/دانشجویان/دروس) را در منابع (برش های زمانی/ کلاس های درسی)، زمانبندی و تخصیص می دهد. فرآیند تخصیص دارای دو قید حساس شامل قید سخت و نرم می باشد. در این مقاله، رهیافت های به کارگرفته شده برای زمان بندی استادان (مشترک بین دانشکده ها) شامل: الگوریتم های خوشه بندی (K- میانگین، C- میانگین فازی و قیفی) و مقایسه تصمیم گیری چندمعیارۀ فازی، ترکیبی (جستجوی محلی/ ژنتیک) می باشد. اهداف مقاله در بر گیرندۀ کمینه سازی اتلاف منابع و ارضاء نزولی قیود نرم استادان (مشترک بین دانشکده ها) است. بهینگی و مقایسۀ کارآیی عملکرد الگوریتم های به کار رفته در این مقاله بر روی مجموعۀ داده ه ای دانشکده های دانشگاه آزاد واحد اهر تحلیل و بررسی شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  63 - ارائه روشی جدید به منظور بهبود دادن مصرف انرژی در شبکه‌های حسگر دوربین بی‌سیم
  جواد بیات شیوا کریمی
  در چند سال اخیر، شبکه‌های حسگر بی‌سیم از زمینه¬های تحقیقاتی بسیار فعال بوده‌اند. با این حال، بیشتر حسگرهای مورد استفاده در توسعه این شبکه‌ها، حسگرهای معمولی و غیرتصویربرداری مانند صوتی، لرزه‌ای، دما، رطوبت و غیره بوده‌اند. در توسعه شبکه‌های حسگر دوربین بی‌سیم چالش‌های م أکثر

  در چند سال اخیر، شبکه‌های حسگر بی‌سیم از زمینه¬های تحقیقاتی بسیار فعال بوده‌اند. با این حال، بیشتر حسگرهای مورد استفاده در توسعه این شبکه‌ها، حسگرهای معمولی و غیرتصویربرداری مانند صوتی، لرزه‌ای، دما، رطوبت و غیره بوده‌اند. در توسعه شبکه‌های حسگر دوربین بی‌سیم چالش‌های منحصر به¬فردی همانند نیاز به پهنای باند بالا، نیاز به تأخیر اندک برای پردازش، انرژی مصرفی بالا و کنترل در زمان واقعی وجود دارد. در این مقاله یک مدل پیشنهادی جدید برمبنای الگوریتم بهینه‌سازی شاهین هریس به منظور بهبود مصرف انرژی در شبکه‌های حسگر دوربین بی‌سیم پیشنهادشده¬است. الگوریتم بهینه‌سازی شاهین هریس یکی از الگوریتم‌های فراابتکاری است که در سال 2019 ابداع¬شده¬است. از الگوریتم بهینه‌سازی شاهین هریس برای تشکیل خوشه‌بندی بهینه استفاده می¬شود. هر بردار تولیدشده در الگوریتم بهینه‌سازی شاهین هریس برمبنای تابع برازندگی محاسبه¬می‌شود و بهینه‌ترین بردارها جهت خوشه‌بندی انتخاب¬می‌شوند. در مدل پیشنهادی به فاکتورهایی همانند فاصله درون¬خوشه‌ای و فاصله برون¬خوشه‌ای و انرژی مصرفی توجه¬شده¬است. ارزیابی‌ها در محیط با تعداد گره‌های مختلف نشان¬می‌دهد که مدل پیشنهادی در مقایسه با PADT و الگوریتم ژنتیک (GA) دارای کارایی بهتری بوده¬است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  64 - تطبیق دامنه بدون نظارت جهت طبقه‌بندی تصاویر با استفاده از شبکه‌های عصبی عمیق
  امیرفرهاد فرهادی میترا میرزارضایی آرش شریفی محمد تشنه لب
  تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه أکثر

  تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه های بدون نظارت مورد بررسی قرارمی‌گیرد. یکی از چالش‌ها در تطبیق دامنه که به آن کمتر توجه شده است، عدم توجه به زیرفضا دامنه (فشردگی درون کلاسی) و همچنین تاثیر مخرب داده‌های نویزی و خارج از محدوه است، که موجب انتقال منفی و در نهایت موجب کاهش دقت طبقه‌بندی می‌شود. در این مقاله با استفاده از شبکه‌ تخاصمی مولد جهت استخراج ویژگی‌ها با درنظرگرفتن فشردگی درون-کلاسی دامنه‌ها بر مبنای تخمین اولیه برچسب‌ها با کمک الگوریتم خوشه‌بندی فازی c-means در گام اول و در گام دوم با کمک شبکه‌های عصبی پیچشی و متریک WMMD جهت طبقه‌بندی تصاویر با خطای کمتر ارائه شده است. ارزیابی‌ و نتایج به دست آمده در 5 مجموعه داده محک استاندارد و مقایسه آن با روش‌های پیشین نشان دهنده عملکرد بهتر نسبت به رهیافت‌های مشابه می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  65 - ارائه یک الگوریتم برای گروه بندی انواع محصولات بیمه و کاربران در سیستم توصیه گر بیمه با خوشه بندی مبتنی بر فیلتر مشارکتی ارزیابی عملکرد آن براساس توصیه بیمه
  مرضیه  امینی شیرکوهی محمدرضا یمقانی
  با پیشرفت‌هایی که در صنعت بیمه صورت گرفته است، افراد زیادی برای دریافت خدمات بیمه‌ای به شرکت‌های دولتی و خصوصی بیمه مراجعه می‌کنند. پیش بینی اینکه مشتریان چه نوع بیمه‌ای مناسب آن ها است و با توجه به شرایط فردی و اجتماعی به خصوص سطح درآمد کدام بیمه را ممکن است انتخاب کنن أکثر

  با پیشرفت‌هایی که در صنعت بیمه صورت گرفته است، افراد زیادی برای دریافت خدمات بیمه‌ای به شرکت‌های دولتی و خصوصی بیمه مراجعه می‌کنند. پیش بینی اینکه مشتریان چه نوع بیمه‌ای مناسب آن ها است و با توجه به شرایط فردی و اجتماعی به خصوص سطح درآمد کدام بیمه را ممکن است انتخاب کنند امری حیاتی است. در صنعت بیمه می توان با پیش بینی نوع بیمه ی انتخابی برای هر مشتری کار را برای افرادی که قصد خرید بیمه دارند و همچنین بیمه گزاران تا حد زیادی آسان کرد. خوشه‌بندی مشتریان، تحلیل ویژگی‌های هر خوشه و دریافت اینکه در هر خوشه کدام بیمه‌ها پرطرفدار هستند سپس استفاده از تکنیک فیلترینگ مشارکتی برای ارائه توصیه خرید بیمه به مشتریان، می تواند در روند تصمیم گیری و خرید خدمات بیمه ای موثر باشد. با استفاده از داده های موجود در مورد ویژگی‌های فردی و اجتماعی افراد و نوع بیمه‌هایی که انتخاب می‌کنند به همراه میزان رضایت آن‌ها از خدمات بیمه‌ای در صنعت بیمه می‌توان به پیش بینی رفتار مشتری پرداخت و این امر با استفاده از الگوریتم خوشه بندی k-means و استفاده از تکنیک های سیستم‌های توصیه‌گر مانند فیلترینگ مشارکتی تا حد زیادی میسر می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  66 - پارتیشن بندی زمانی گراف برای خوشه بندی در سیستم های برچسب دار
  علی اکبر اله داغی مهرداد جلالی سید جواد سید مهدوی چابک
  در عصر حاضر رشد اطلاعات در دنیای وب 2.0 به حدی بوده است که به علت حجم وسیع داده ها و اطلاعات و همچنین تغییر برخی مفاهیم در طی گذر زمان، اطلاعات غیرضروری و غیر مرتبط بسیاری با آنچه کاربران به دنبال آن هستند، به وجود آمده است.در این مقاله ما برای حل این مشکل، خوشه بندی زم أکثر

  در عصر حاضر رشد اطلاعات در دنیای وب 2.0 به حدی بوده است که به علت حجم وسیع داده ها و اطلاعات و همچنین تغییر برخی مفاهیم در طی گذر زمان، اطلاعات غیرضروری و غیر مرتبط بسیاری با آنچه کاربران به دنبال آن هستند، به وجود آمده است.در این مقاله ما برای حل این مشکل، خوشه بندی زمانی برچسب ها در سیستم‌هایی که از برچسب به‌عنوان یک متاداده استفاده کردهو در طی زمان در حال تغییر می باشند را پیشنهاد می دهیم. این عمل از طریقپارتیشن‌بندی زمانی گراف برچسب هاست، به‌طوری‌که با تغییر دادن وزن های مشابهت برچسب ها در طی زمان، خوشه بندی ما هم دچار تغییر شده و خودش را با تغییرات وفق می دهد. برای نشان دادن کارایی این روش، ما آن را بر روی مجموعه داده سایت متافیلتر اجرا کرده و با روش های مشابه مقایسه کردیم. نتایج نشان‌دهنده این مطلب است که روش پیشنهادی ما،F-Measureمیانگین خوشه ها را 24% نسبت به بهترین روش مشابه در طول زمان، بهبود بخشیده است و ازنظر مفهومی، هم با مفاهیم گذشته وهم با مطالب روز در ارتباط است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  67 - The Effect of JCPOA on the Network Behavior Analysis of Tehran Stock Exchange Indexes
  Salman Abbasian-Naghneh Reza Tehrani Mohammad Tamimi
  10.22034/amfa.2019.1873319.1258
  The purpose of this paper is investigating the effect of JCPOA on the network behavior analysis of Tehran Stock Exchange indexes using the minimum spanning tree (MST) and hierarchical clustering. By simplifying a complex system, network analysis allows for the extractio أکثر

  The purpose of this paper is investigating the effect of JCPOA on the network behavior analysis of Tehran Stock Exchange indexes using the minimum spanning tree (MST) and hierarchical clustering. By simplifying a complex system, network analysis allows for the extraction of important and essential information from that system. In this paper, using network analysis the simultaneous behavior of 38 industry indexes in Tehran Stock Exchange in manufacturing, service and invest-ment sectors during 2012-2017 was investigated. These analysis included identi-fying the main indexes in the direction of moving other indexes using the MST, providing a classification using hierarchical clustering for the behavioral similarity of the indexes as well as examining the degree of integration (behavioral similarity) of market indexes over time. The results showed that investment, automobile, industry and medicine indexes in the research period had a major role in guiding other indexes and indexes can be classified into six groups in terms of behavioral similarity. The market has also been moving toward integration of indexes since early 2015 and beginning the executive steps of Joint Comprehensive Plan of Action (JCPOA). This reflects the investors' hope for the promotion of all indexes. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  68 - An Integrated Entropy/VIKOR Model for Customer Clustering in Targeted Marketing Model Design (Case Study: IoT Technology Services Companies)
  Hossein Teimouri Jalil Gharibi Ali Hossein Zadeh Alireza Pooya
  10.22034/amfa.2020.1895428.1389
  Nowadays, marketing researchers are constantly striving to identify consumer behavior and therefore to find appropriate solutions for better and more effective sales and increase market share. In this regard, the purpose of the present study is the role of customer clus أکثر

  Nowadays, marketing researchers are constantly striving to identify consumer behavior and therefore to find appropriate solutions for better and more effective sales and increase market share. In this regard, the purpose of the present study is the role of customer clustering in designing a targeted marketing model. The research method is applied and exploratory. The statistical population of the study was in the qualitative part of sales and marketing managers of IoT companies who were selected by non-random sampling method and 15 people were interviewed. The quantitative part also included all the customers of the companies surveyed. Due to the unlimited population of Morgan Table 384 persons were selected as the sample size. Data gathering tool was interview and questionnaire, which were used to assess the validity of the questionnaire by the opinions of marketing experts and Cronbach's alpha reliability. Content analysis approach was used to analyze the data in the qualitative part and PLS2 software in the structural part. The results showed that the dimensions of the model in the four main clusters were communication factors, behavioral factors, individual factors, and economic factors. Model performance is very high performance. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  69 - Computing the Efficiency of Bank Branches with Financial Indexes, an Application of Data Envelopment Analysis (DEA) and Big Data
  Fahimeh Jabbari-Moghadam Farhad Hosseinzadeh Lotfi Mohsen Rostamy-Malkhalifeh Masoud Sanei Bijan Rahmani-Parchkolaei
  10.22034/amfa.2023.1959465.1755
  In traditional Data Envelopment Analysis (DEA) techniques, in order to calculate the efficiency or performance score, for each decision-making unit (DMU), specific and individual DEA models are designed and resolved. When the number of DMUs are immense, due to an increa أکثر

  In traditional Data Envelopment Analysis (DEA) techniques, in order to calculate the efficiency or performance score, for each decision-making unit (DMU), specific and individual DEA models are designed and resolved. When the number of DMUs are immense, due to an increase in complications, the skewed or outdated, calculating methods to compute efficiency, ranking and …. may not prove to be economical. The key objective of the proposed algorithm is to segregate the efficient units from that of the other units. In order to gain access to this objective, effectual indexes were created; and taken to assist, in regards the DEA concepts and the type of business (under study), to survey the indexes, which were relatively operative. Subsequently, with the help of one of the clustering techniques and the ‘concept of dominance’, the efficient units were absolved from the inefficient ones and a DEA model was developed from an aggregate of the efficient units. By eliminating the inefficient units, the number of units which played a role in the construction of a DEA model, diminished. As a result, the speed of the computational process of the scores related to the efficient units increased. The algorithm designed to measure the various branches of one of the mercantile banks of Iran with financial indexes was implemented; resulting in the fact that, the algorithm has the capacity of gaining expansion towards big data. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  70 - Designing a Model to Investigate the Process of Forming Cluster Fluctuations According to the Fractal Structure in Financial Markets
  Amin Amini Bashirzadeh Shahrokh Bozorgmehrian Bahareh Banitalebi Dehkordi
  10.22034/amfa.2023.1973569.1830
  Cluster fluctuations and fractal structures are important features of space-time correlation in complex financial systems. However, the microscopic mechanism of creation and expansion of these two features in financial markets remains challenging. In the current researc أکثر

  Cluster fluctuations and fractal structures are important features of space-time correlation in complex financial systems. However, the microscopic mechanism of creation and expansion of these two features in financial markets remains challenging. In the current research, by using factor-based model design and considering a new interactive mechanism called multi-level clustering, the formation process of cluster fluctuations was investigated with regard to the fractal structure of financial markets. For this purpose, the daily information of the final price of 150 shares that were accepted in the Tehran Stock Exchange, after the final screening, was entered in 5 sections with 30 shares in each section, in the desired model, and they were aggregated in three stock levels., sector and market were measured. Due to the fact that some investors have a longer investment horizon in the stock market and due to the limitation of the investigated time period, the maximum investment horizon of 1000 days has been determined in the model.In addition, the data studied in the research model are from August 2012 to September 2018. The findings of the research showed that the intensity of the tendency of collec-tive behavior at the sector level is much stronger than at the market level. In addition, based on the findings of the research, it was determined that the distribution of simulation eigenvalues in three levels is significantly similar to the distribution of real data. Also, according to the investor's time horizon, the studied series always has a long-term memory for fluctuations. In addi-tion, it was found that long-term memory is directly related to fractal dimen-sions. The findings of this research, in addition to providing a new insight into the space-time correlations of financial markets, show that multi-level conglomeration is one of the mechanisms for creating the microscopic mi-crostructure of such markets. In other words, multi-level collective behavior is an important factor in the occurrence of cluster and fractal fluctuations in the market, and therefore, it should be considered from this point of view in the interpretation of the concept of risk and the definition of risk manage-ment strategies. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  71 - Typology of Iranian Consumers based on Values System and Lifestyles: A Clustering Method
  Zahra Saneian seyed mohammad Tabatabai-Nasab
  10.30495/jsm.2022.1961769.1666
  In recent decades, lifestyle has been one of the most important concepts in marketing, and management studies. Hence, this study aimed to identify the values and lifestyles of Iranian consumers. According to Cochran’s formula, 1580 people were selected as the stat أکثر

  In recent decades, lifestyle has been one of the most important concepts in marketing, and management studies. Hence, this study aimed to identify the values and lifestyles of Iranian consumers. According to Cochran’s formula, 1580 people were selected as the statistical sample. Eighteen values were identified by examining the theoretical foundations and interviewing 77 Iranian citizens. The data collected by Likert-scale questionnaire were evaluated using R software, clustering method. Considering the importance of Iranian values, three clusters were identified: “normal lifestyle,” “phlegmatic lifestyle,” and “ideal lifestyle.” This study is one of the first attempts to create a general typology of Iranian consumers based on values and lifestyle and focusing on cultural, ideological and belief differences of Iranian consumers. Researchers are suggested to take advantage of the lifestyles identified in this research in order to identify and deeply understand the consumption behaviors specific to each style in different markets. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  72 - PRFM Model Developed for the Separation of Enterprise Customers Based on the Distribution Companies of Various Goods and Services
  Mohammad Mahdi Hajmohamad Narges Rahimi Behzad Sasanizadeh
  10.30495/jsm.2021.678895
  In this study, a new model of combining variables affecting the classification of customers is introduced which is based on a distribution system of goods and services. Given the problems that the RFM model has in various distribution systems, a new model for resolving أکثر

  In this study, a new model of combining variables affecting the classification of customers is introduced which is based on a distribution system of goods and services. Given the problems that the RFM model has in various distribution systems, a new model for resolving these problems is presented. The core of this model is the older RFM. The new model that has been proposed as PRFM, consists of four dimensions: Profit margins (P), time period from customer's last purchase (R), Frequency of transactions (F) and the Monetary Value (M). Adding variable (P) makes a huge change in customer clustering and classification systems and makes it more optimized for future planning. For review and approval, the model was implemented in one of the largest and most diversified distribution companies in Iran. Using Ward's clustering, the optimal number of clusters was prepared and entered by hierarchical clustering and based on Euclidian distance customers are clustered and separated. One of the most important results of this study is introducing a new model and resolving the problems of the old RFM model in determining customer's value. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  73 - Innovation Capability Based on Clustering and Ranking Approach (Case Study: Food and Beverage Industries of Urmia Metropolis)
  Khadijeh Bahrami Houshang Taghizadeh Morteza Honarmand Azimi
  10.30495/jsm.2022.1959461.1651
  Innovation capability refers to a complete set of characteristics of the organization that facilitates innovation strategies, and the food industry plays a pivotal role in the processing of agricultural raw materials and food supply. The aim of the present study was to أکثر

  Innovation capability refers to a complete set of characteristics of the organization that facilitates innovation strategies, and the food industry plays a pivotal role in the processing of agricultural raw materials and food supply. The aim of the present study was to Identify and Analyze of the dimensions of innovation capability, clustering and ranking indexes in Urmia food industries. The sample size of the statistical population encompassing 221 companies was equal to 143 according to Cochran's formula. Obtaining required information was based on field study method. In the applied part of the study, exploratory factor analysis, clustering with K-MEANS algorithm and cluster ranking based on AHP technique were used. The results of the exploratory factor analysis showed that the relationship of each item with the factors classified into three categories was properly expressed. Companies with similar features but different from other clusters were put into 8 clusters. Finally, according to the weights of study variables, "human", "operability" and "structural” factors ranked first, second and last respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  74 - Predicting Customer Churn Using CLV in Insurance Industry
  Vahid Dust Mohammadi Amir Albadvi Babak Teymorpur
  Today, increased level of customer awareness caused themto access to the other suppliers easily and they can get their servicesfrom the competitors with similar or even better quality and same price.Therefore, focusing on customers and preventing them to leave, has been أکثر

  Today, increased level of customer awareness caused themto access to the other suppliers easily and they can get their servicesfrom the competitors with similar or even better quality and same price.Therefore, focusing on customers and preventing them to leave, has beenthe most important strategy for any company. Researches have shownthat retaining former customers is cheaper than attracting new ones. Inthe proposed model in this article we first identified important factorscausing customers in insurance industry, to have a specific behavior byusing a k-means clustering algorithm, and then we tried to predict thefuture behavior of them by a logistic regression. Our model accuracy is98%. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  75 - ارائه مدلی جهت کنترل فرآیندآماری به منظور بهینه‌سازی راندمان و کیفیت در صنایع تولیدی
  abbas morovvati Seyed Jalaledin Hosseini Ghoncheh Hasan Haleh
  10.30495/imj.2023.1988808.1854
  در این پژوهش یک مدل کنترل فرآیند آماری ترکیبی برای شناسایی عوامل تأثیرگذار بر راندمان و کیفیت در صنایع تولیدی و قطعه ساز ارائه شده و سپس تحت کنترل قراردادن و بهینه سازی این فرآیندها مد نظر قرار می گیرد. صنایع تولیدی و قطعه ساز به عنوان بدنه اصلی صنایع کشور جهت مطالعه مو أکثر

  در این پژوهش یک مدل کنترل فرآیند آماری ترکیبی برای شناسایی عوامل تأثیرگذار بر راندمان و کیفیت در صنایع تولیدی و قطعه ساز ارائه شده و سپس تحت کنترل قراردادن و بهینه سازی این فرآیندها مد نظر قرار می گیرد. صنایع تولیدی و قطعه ساز به عنوان بدنه اصلی صنایع کشور جهت مطالعه موردی و پیاده سازی در نظر گرفته شده است. جهت کشف عوامل اثرگذار بر راندمان از تکنیک‌های خوشه بندی استفاده می شود. و سپس با استفاده از الگوریتم‌های درخت تصمیم به پیش بینی راندمان و کیفیت در این صنایع پرداخته می‌شود و در مرحله پایانی جهت رسم نمودارهای کنترل، از نمودارهای کنترل پراکندگی و میانگین متغیرها استفاده می گردد. جدول مقایسه‌ای پارامترها توسط خروجی نرم افزار کلمنتاین تهیه شده و در بخش شبکه عصبی از نرم افزار رپیدماینر استفاده می‌شود. نتایج حاصل از شناسایی عوامل اثرگذار و پیش بینی از نظر فنی به مقادیر هدف نزدیک بوده و نمودارهای کنترل با حدود کنترل فنی مشخصه‌ها همخوانی داشته و جهت بهینه سازی مقدار هدف که راندمان و کیفیت است مفید می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  76 - بررسی و تحلیل رابطه خوشه ای شدن صنعتی و ارتقاء ظرفیت های یادگیری (مورد مطالعه: خوشه‌های صنعتی مبلمان و چاپ و نشر در شهر قم)
  Hashem Dadashpoor Mahdi Pourtaheri Abolfazl Moarrefi
  رویکرد خوشه های صنعتی، یکی از رویکردهای موفق در زمینه توسعه ی منطقه ای است که با فراخوانی همجواری های کالبدی، اجتماعی- فرهنگی، اقتصادی و نهادیِ فضای پیرامون، ارتقاء ظرفیت های یادگیری در محیط شهری و منطقه‌ای را موجب می‌شود. هدف مقاله حاضر، سنجش چگونگی رابطه میان خوشه ای أکثر

  رویکرد خوشه های صنعتی، یکی از رویکردهای موفق در زمینه توسعه ی منطقه ای است که با فراخوانی همجواری های کالبدی، اجتماعی- فرهنگی، اقتصادی و نهادیِ فضای پیرامون، ارتقاء ظرفیت های یادگیری در محیط شهری و منطقه‌ای را موجب می‌شود. هدف مقاله حاضر، سنجش چگونگی رابطه میان خوشه ای شدن صنعتی و ارتقاء ظرفیت های یادگیری، در صنایع مبلمان و چاپ و نشر کلان شهر قم است. روش تحقیق در مقاله حاضر پیمایشی و رویکرد حاکم بر آن کاربردی بوده و حجم نمونه تحقیق بر اساس جدولِ حداقل اندازه ی نمونه برای جامعه‌ی آماری (94 بنگاه در صنعت مبلمان و 90 بنگاه در صنعت چاپ و نشر) و روش نمونه گیری احتمالی طبقه بندی شده تعیین شده و روایی ظاهری، روایی محتوایی و پایایی سازه های آزمون به ترتیب با استفاده از نظر کارشناسان، آزمون کرویت بارتلت و KMO و آزمون آلفای کرونباخ مورد تائید قرار گرفته است. ابزارهای پژوهش شامل پرسشنامه ی 10 سوالی ظرفیت های یادگیری و پرسشنامه 36 سوالی برای شاخص های خوشه صنعتی می باشد. داده ها از طریق تحلیل همبستگی پیرسون تحلیل شد. یافته ها نشان داد که در خوشه صنعتی چاپ و نشر، همجواری های اجتماعی-فرهنگی و اقتصادی و در خوشه صنعتی مبلمان، تنها همجواری اجتماعی- فرهنگی با و خصوصیات عمومی بنگاه های هر دو صنعت (سطح تحصیلات مدیر/مالک بنگاه، تعداد شاغلین، قدمت بنگاه و متوسط میزان فروش سالانه ی بنگاه) با ارتقاء ظرفیت های یادگیری رابطه ی معنادار دارند. علاوه بر این به نظر می‌رسد که همجواری های نهادی، کالبدی، و اقتصادی در صنعت مبلمان و همجواری های کالبدی و نهادی در صنایع چاپ و نشر در ارتقاء ظرفیت های یادگیری خوشه‌های صنعتی فوق نقش ضعیفی دارند. توصیه تحقیق این است که برای موفقیت بیشتر این خوشه‌ها و ارتقاء ظرفیت‌های یادگیری و در نهایت تحریک توسعه منطقه‌ای نیاز است تا همجواری های نهادی، کالبدی، اقتصادی و فرهنگی اجتماعی این صنایع تقویت گردد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  77 - بهبود کنترل‌کننده تطبیقی عصبی-فازی با بکارگیری الگوریتم خوشه‌بندی فازی بمنظور کنترل ارتعاشات سیستم تعلیق خودرو
  غلامرضا بامی محمدی مهدی صالحی
  سیستم تعلیق یکی از اجزاء مهم تشکیل دهنده خودرو می‌باشد که هدف اصلی آن جداسازی بدنه خودرو از ارتعاشات ناشی از شرایط مختلف جاده‌ای می‌باشد. امروزه دست‌یابی به یک سیستم تعلیق که بتواند خود را با شرایط مختلف جاده‌ تطبیق دهد چالش پیش‌روی شرکت‌های سازنده خودرو می‌باشد. شرایط أکثر

  سیستم تعلیق یکی از اجزاء مهم تشکیل دهنده خودرو می‌باشد که هدف اصلی آن جداسازی بدنه خودرو از ارتعاشات ناشی از شرایط مختلف جاده‌ای می‌باشد. امروزه دست‌یابی به یک سیستم تعلیق که بتواند خود را با شرایط مختلف جاده‌ تطبیق دهد چالش پیش‌روی شرکت‌های سازنده خودرو می‌باشد. شرایط جاده و سرعت پیش‌روی خودرو از عوامل متغییر با زمان می‌باشند که باعث می‌شود رفتار دینامیکی سیستم تعلیق بسیار تصادفی باشد. از این‌رو طراحی و کنترل یک سیستم تعلیق که قابلیت تطبیق و انعطاف‌پذیری مناسب در مواجه با شرایط مختلف جاده و سرعت پیش‌روی را داشته باشد، امری ضروری می‌باشد. در این پژوهش مدل دینامیکی خطی برای چهار چرخ خودرو در نظر گرفته شد و سپس معادلات دینامیکی مربوط به آن استخراج گردید. در ابتدا کنترل‌کننده فازی برای سیستم تعلیق خودرو طراحی شد، در مرحله بعد سیستم تعلیق خودرو با کنترل‌کننده فازی در مواجه با شرایط مختلف جاده و سه سرعت پیش‌روی قرار گرفت. سپس با استفاده از داده‌های مربوط به کنترل‌کننده فازی دو کنترل‌کننده دیگر از طریق سیستم استنتاج تطبیقی عصبی-فازی مبتنی بر تقسیم‌بندی توری و خوشه‌بندی فازی آموزش داده شدند. نتایج شبیه‌سازی نشان دادند که کنترل کننده تطبیقی عصبی- فازی مبتنی بر خوشه‌بندی فازی با وجود تغییر در شرایط جاده و سرعت خودرو عملکرد سیستم تعلیق را بصورت قابل ملاحظه‌ای بهبود می‌دهد، و در مقایسه با سایر روش‌های کنترلی توانایی بیشتری در کاهش شتاب خطی بدنه خودرو دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  78 - Generating Optimal Timetabling for Lecturers using Hybrid Fuzzy and Clustering Algorithms
  hamed babaei amin hadidi
  UCTTP is a NP-hard problem, which must be performed for each semester frequently. The major technique in the presented approach would be analyzing data to resolve uncertainties of lecturers’ preferences and constraints within a department in order to obtain a rank أکثر

  UCTTP is a NP-hard problem, which must be performed for each semester frequently. The major technique in the presented approach would be analyzing data to resolve uncertainties of lecturers’ preferences and constraints within a department in order to obtain a ranking for each lecturer based on their requirements within a department where it is attempted to increase their satisfaction and develop lecturers timetabling by using clustering algorithms. The first goal of this paper is to improve satisfaction of lecturers and then optimize the ranking of lecturers based on soft constraints weights over their preferences. The proposed method applies a two-step algorithm. At the first step, the department performs timetabling process using fuzzy decision making approach to prioritize and rank lecturers by local search algorithm with seven neighbor structures and genetic algorithm to improve lecturers’ ranks as well as thoroughly satisfying hard constraints over the department in a local manner. In the second step, two clustering and traversing agents are used, where the former clusters lecturers of the department and the latter finds the extra resources. Following the clustering and traversing, in order to reach the major goals of the paper, mapping action is performed based on lecturers’ constraints in resources. In this method, the list of each lecturer’s selective preferences is resolved, prioritized and ranked by applying fuzzy decision making method based on fuzzy comparison of daily and weekly timeslots of per lecturer and then the timetable including department lecturers with their fitness functions is given to the hybrid algorithm in order to improve the quality of fitness function of lecturers within each timetable so that the clustering and mapping is performed based on a desired logic of each lecturer’s fitness function. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  79 - Geochemical pattern recognition for Cu-Au Deposit Based on Self-Organizing Map (SOM) and Fuzzy K-means Clustering (FKMC) in Meshginshahr, NW of Iran
  Aynur Nasseri
  Mapping the mineralized zones and providing an appropriate distribution pattern of elements for characterizing geochemical system and targeting potentially promising areas of Cu-Au mineralization by utilizing an adequate technique and establishing an optimized explorati أکثر

  Mapping the mineralized zones and providing an appropriate distribution pattern of elements for characterizing geochemical system and targeting potentially promising areas of Cu-Au mineralization by utilizing an adequate technique and establishing an optimized exploration tool is the main object of this study in Meshginshahr, NW of Iran. In this respect 144 stream sediments samples were collected and analyzed for Au, Ba, Bi, Cd, Ce, Co, Cr, Cu, Hg, Mo, Ag, As, Sn, Sb, W and Pb. In this study, self-organizing map (SOM) and Fuzzy K-means clustering (FKMC) approaches with the aim of pattern recognition were employed. The SOM as a dimension reduction approach was introduced to recognize geochemical dispersion patterns with high certainty while preserving the originality of data.. During data processing, SOM appropriate structure with a pattern including six clusters was selected and the related elements distribution model was extracted. Results represent two significant sets of elements in clusters for anticipating the mechanism of distribution. In this target pattern, copper and pertaining trace elements formation are localized in the north of the area. Also, Au Anomalies and its associated elements are mostly elongated from NW to SW of the area. To evaluate the SOM results, a comparative study was carried out with the results obtained from Fuzzy K-means clustering (FKMC). FKMC performance showed the proper compliance with the SOM results with respect to the relationship between the elements and their corresponding membership’s probabilities in different clusters. The results illustrated higher performance of the approaches in characterizing geochemical pattern and detecting the element paragenetic sequence in the area for locating the exploration targets.. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  80 - Using Cluster and Feature Weighted FCM for reducing ANFIS Rules
  Solmaz Abdollahizad
  Fuzzy c-means (FCM) is assumed that all the features are of equal importance. In real applications, however, the importance of the features is different and there exist some features that are more important than the others. These important features should basically have أکثر

  Fuzzy c-means (FCM) is assumed that all the features are of equal importance. In real applications, however, the importance of the features is different and there exist some features that are more important than the others. These important features should basically have more effects than the other features in the forming of optimal clusters. The basic FCM algorithm does not support this idea. Also, the FCM algorithm suffers from another problem; the algorithm is very sensitive to initialization, whereas a bad initialization leads to a poor local optimum. In this paper, motivated by these weaknesses of the FCM, the goal is to solve the two problems at the same time. In doing so, an automatic local feature weighting scheme is proposed to properly weight the features of each clusters. And, a cluster weighting process is performed to mitigate the initialization sensitivity of the FCM. Feature weighting and cluster weighting are performed simultaneously and automatically during the clustering process resulting in high quality clusters, regardless of the initial centers. Extensive experiments conducted on a synthetic dataset and 16 real world datasets indicate that the proposed algorithm outperforms the state-of-the-arts algorithms. The convergence proof of the proposed algorithm is also provided. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  81 - Increasing Lifetime Using Whale Optimization Routing Algorithm in Wireless Sensor Networks
  Hassan Nouri Esmaeil Zeinali
  Following the development of wireless sensor networks, the need to design a low-waste, scalable, and long-life network is felt more than ever. Clustering and routing are widely used to minimize energy consumption and increase network lifetime, as important issues in wir أکثر

  Following the development of wireless sensor networks, the need to design a low-waste, scalable, and long-life network is felt more than ever. Clustering and routing are widely used to minimize energy consumption and increase network lifetime, as important issues in wireless sensor networks. Since, in these networks, the largest amount of energy is spent on sending and receiving the data, the clustering technique done by collecting data on cluster heads has been found to influence the overall network performance; along with this, routine and efficient routing has also found to improve the network throughput. Therefore, multi-hop routing can increase the network lifetime and reduce the energy consumption by sensor nodes. In this paper, the main approach was using the mobile sinks attached to the public transportation vehicles, such as the bus to collect data in wireless sensor networks. The proposed protocol used multi-hop routing as well as Whale Optimization Algorithm to select cluster heads based on a fitness function, in which the amount of the remaining energy of the sensor nodes and the sum of the remaining energy of the adjacent sensor nodes were taken into account. Adopting this approach created a balance in the amount of energy consumption in sensor nodes. The proposed protocol was studied to validate the results obtained for the network lifetime and energy consumption. Independent and consecutive simulation results and statistical analysis indicates the superiority of the proposed protocol compared to other protocols. Also, the network lifetime improved by averagely 20% and the energy consumption reduced about 25% during the network activity. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  82 - Selecting Optimal k in the k-means Clustering Algorithm
  Mojtaba Jahanian Abbas Karimi Faraneh Zarafshan
  10.22094/jcr.2021.688694
  Clustering is one of the essential machine learning algorithms. Data is not labeled in clustering. The most fundamental challenge in clustering algorithms is to choose the correct number of clusters at the beginning of the algorithm. The proper performance of the cluste أکثر

  Clustering is one of the essential machine learning algorithms. Data is not labeled in clustering. The most fundamental challenge in clustering algorithms is to choose the correct number of clusters at the beginning of the algorithm. The proper performance of the clustering algorithm depends on selecting the appropriate number of clusters and selecting the optimal right centers. The quality and an optimal number of clusters are essential in algorithm analysis. This article has tried to distinguish our work from other writings by carefully analyzing and comparing existing algorithms and a clear and accurate understanding of all aspects. Also, by comparing other methods using three criteria, the minimum internal distance between points of a cluster and the maximum external distance between clusters and the location of a cluster, we have presented an intelligent method for selecting the optimal number of clusters. In this method, clusters with the lowest error and the lowest internal variance are chosen based on the results obtained from the research. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  83 - Fuzzy Clustering Algorithm to Identify Sybil Attacks in Vehicular ad Hoc Networks
  Mahdi Maleknasab Ardekani Mohammad Tabarzad Mohammad Amin Shayegan
  10.22094/jcr.2023.1979689.1295
  Abstract: Due to the increasing use of VANET networks and the use of smart systems in these types of networks, their challenges have been the focus of researchers. One of the important challenges of such networks is the security issues that threaten this category of net أکثر

  Abstract: Due to the increasing use of VANET networks and the use of smart systems in these types of networks, their challenges have been the focus of researchers. One of the important challenges of such networks is the security issues that threaten this category of networks. In this article, the Sybil attack, which is one of the security challenges in VANET networks, has been investigated and identified. In a Sybil attack, a node threatens VANET networks by stealing the identity of other nodes or creating a virtual identity, by making incorrect decisions and sending false information. In this article, the clustering method is used to avoid the overhead of identification nodes in centralized methods and avoid delay in distributed methods. RSU determines the cluster head with the help of fuzzy logic. The cluster head creates moving clusters by placing similar nodes in terms of direction, speed, and distance in separate clusters while moving. The cluster head performs malicious node detection using a directional antenna and a fuzzy system. The first fuzzy system places the cluster head in the best possible place of the cluster. The cluster head identifies the malicious nodes in each cluster locally, while the second fuzzy system interferes in determining the validity of the cluster members. In the proposed plan, in addition to optimizing the sending and receiving of messages, The simulation results show that the proposed method has improved by 1.2% in detecting the malicious node, 0.4% in the number of a false positive detection, 0.6% in the lost packet, and 0.1% in the delay compared to the previous methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  84 - Cluster-Based Image Segmentation Using Fuzzy Markov Random Field
  Peyman Rasouli Mohammad Reza Meybodi
  Image segmentation is an important task in image processing and computer vision which attract many researchers attention. There are a couple of information sets pixels in an image: statistical and structural information which refer to the feature value of pixel data and أکثر

  Image segmentation is an important task in image processing and computer vision which attract many researchers attention. There are a couple of information sets pixels in an image: statistical and structural information which refer to the feature value of pixel data and local correlation of pixel data, respectively. Markov random field (MRF) is a tool for modeling statistical and structural information at the same time. Fuzzy Markov random field (FMRF) is a MRF in fuzzy space which handles fuzziness and randomness of data simultaneously. This paper propose a new method called FMRF-C which is model clustering using FMRF and applying it in application of image segmentation. Due to the similarity of FMRF model structure and image neighbourhood structure, exploiting FMRF in image segmentation makes results in acceptable levels. One of the important tools is Cellular learning automata (CLA) for suitable initial labelling of FMRF. The reason for choosing this tool is the similarity of CLA to FMRF and image structure. We compared the proposed method with several approaches such as Kmeans, FCM, and MRF and results demonstratably show the good performance of our method in terms of tanimoto, mean square error and energy minimization metrics. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  85 - Detection of Breast Cancer Progress Using Adaptive Nero Fuzzy Inference System and Data Mining Techniques
  Hengameh Mahdavi
  Prediction, diagnosis, recovery and recurrence of the breast cancer among the patients are always one of the most important challenges for explorers and scientists. Nowadays by using of the bioinformatics sciences, these challenges can be eliminated by using of the prev أکثر

  Prediction, diagnosis, recovery and recurrence of the breast cancer among the patients are always one of the most important challenges for explorers and scientists. Nowadays by using of the bioinformatics sciences, these challenges can be eliminated by using of the previous information of patients records. In this paper has been used adaptive nero fuzzy inference system and data mining techniques for processing of input data and the educational combined algorithm for arranging of parameters of input functions. It has used also the downward gradient algorithm for arranging of unlined input parameters and the algorithm of the least of squares for arranging of lined output parameters. It has been used the data the institute of oncology Ljubljana of Yugoslavia that contain the information of 1090 the breast cancer patients. The results show the suggesting system has 89% accuracy in the diagnosis of progressing the breast cancer, which has improved by compared with neural network classification method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  86 - Modified Convex Data Clustering Algorithm Based on Alternating Direction Method of Multipliers
  Tahereh Esmaeili Abharian Mohammad Bagher Menhaj
  Knowing the fact that the main weakness of the most standard methods including k-means and hierarchical data clustering is their sensitivity to initialization and trapping to local minima, this paper proposes a modification of convex data clustering in which there is no أکثر

  Knowing the fact that the main weakness of the most standard methods including k-means and hierarchical data clustering is their sensitivity to initialization and trapping to local minima, this paper proposes a modification of convex data clustering in which there is no need to be peculiar about how to select initial values. Due to properly converting the task of optimization to an equivalent convex optimization problem, the proposed data clustering algorithm can be indeed considered as a global minimizer. In this paper, a splitting method for solving the convex clustering problem is used called as Alterneting Direction Method of Multipliers (ADMM), a simple but powerful algorithm that is well suited to convex optimization. We demonstrate the performance of the proposed algorithm on real data examples. The simulation result easily approve that the Modified Convex Data Clustering (MCDC) algorithm provides separation more than the Convex Data Clustering (CDC) algorithm. Furthermore, complexity of solving the second part of MCDC problem is reduced from O(n2) to O(n). تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  87 - Merging Similarity and Trust Based Social Networks to Enhance the Accuracy of Trust-Aware Recommender Systems
  Leily Sheugh Sasan H. Alizadeh
  In recent years, collaborative filtering (CF) methods are important and widely accepted techniques are available for recommender systems. One of these techniques is user based that produces useful recommendations based on the similarity by the ratings of likeminded user أکثر

  In recent years, collaborative filtering (CF) methods are important and widely accepted techniques are available for recommender systems. One of these techniques is user based that produces useful recommendations based on the similarity by the ratings of likeminded users. However, these systems suffer from several inherent shortcomings such as data sparsity and cold start problems. With the development of social network, trust measure introduced as a new approach to overcome the CF problems. On the other hand, trust-aware recommender systems are techniques to make use of trust statements and user personal data in social networks to improve the accuracy of rating prediction for cold start users. In addition, clustering-based recommender systems are other kind of systems that to be efficient and scalable to large-scale data sets but these systems suffer from relatively low accuracy and especially coverage too. Therefore to address these problems, in this paper we proposed a multi-view clustering based on Euclidean distance by combination both similarity view and trust relationships that is including explicit and implicit trusts. In order to analyze the effectiveness of the proposed method we used the real-world FilmTrust dataset. The experimental results on this data sets show that our approach can effectively improve both the accuracy and especially coverage of recommendations as well as in the cold start problem. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  88 - A Hybrid Geospatial Data Clustering Method for Hotspot Analysis
  Mohammad Reza Keyvanpour Mostafa Javideh Mohammad Reza Ebrahimi
  Traditional leveraging statistical methods for analyzing today’s large volumes of spatial data have high computational burdens. To eliminate the deficiency, relatively modern data mining techniques have been recently applied in different spatial analysis tasks wit أکثر

  Traditional leveraging statistical methods for analyzing today’s large volumes of spatial data have high computational burdens. To eliminate the deficiency, relatively modern data mining techniques have been recently applied in different spatial analysis tasks with the purpose of autonomous knowledge extraction from high-volume spatial data. Fortunately, geospatial data is considered a proper subject for leveraging data mining techniques. The main purpose of this paper is presenting a hybrid geospatial data clustering mechanism in order to achieve a high performance hotspot analysis method. The method basically works on 2 or 3-dimensional geographic coordinates of different natural and unnatural phenomena. It uses the systematic cooperation of two popular clustering algorithms: the AGlomerative NEStive, as a hierarchical clustering method and κ-means, as a partitional clustering method. It is claimed that the hybrid method will inherit the low time complexity of the κ-means algorithm and also relative independency from user’s knowledge of the AGNES algorithm. Thus, the proposed method is expected to be faster than AGNES algorithm and also more accurate than κ-means algorithm. Finally, the method was evaluated against two popular clustering measurement criteria. The first clustering evaluation criterion is adapted from Fisher’s separability criterion, and the second one is the popular minimum total distance measure. Results of evaluation reveal that the proposed hybrid method results in an acceptable performance. It has a desirable time complexity and also enjoys a higher cluster quality than its parents (AGNES and κ-means). Real-time processing of hotspots requires an efficient approach with low time complexity. So, the problem of time complexity has been taken into account in designing the proposed approach. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  89 - Persistent K-Means: Stable Data Clustering Algorithm Based on K-Means Algorithm
  Rasool Azimi Hedieh Sajedi
  Identifying clusters or clustering is an important aspect of data analysis. It is the task of grouping a set of objects in such a way those objects in the same group/cluster are more similar in some sense or another. It is a main task of exploratory data mining, and a c أکثر

  Identifying clusters or clustering is an important aspect of data analysis. It is the task of grouping a set of objects in such a way those objects in the same group/cluster are more similar in some sense or another. It is a main task of exploratory data mining, and a common technique for statistical data analysis This paper proposed an improved version of K-Means algorithm, namely Persistent K-Means, which alters the convergence method of K-Means algorithm to provide more accurate clustering results than the K-means algorithm and its variants by increasing the clusters’ coherence. Persistent K-Means uses an iterative approach to discover the best result for consecutive iterations of K-Means algorithm. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  90 - ترسیم و تحلیل نقشه هم‌واژگانی کارآفرینی دیجیتال در دانشگاه‌های هنر
  اصغر پناهزاده سهیلا خویشتن دار فرهاد نژاد حاجی علی ایرانی
  کارآفرینی دیجیتال رویکرد کارآفرینانه متناسب با عصر تحولات دیجیتال است که با سرعت فزاینده‌ای به گفتمان غالب در زمینه کارآفرینی تبدیل شده است. نظر به غنای مطالعات و پیشینه پژوهشی پیرامون کارآفرینی دیجیتال استفاده از روش‌های علم‌سنجی و تحلیل هم‌واژگانی می‌تواند به ارائه تص أکثر

  کارآفرینی دیجیتال رویکرد کارآفرینانه متناسب با عصر تحولات دیجیتال است که با سرعت فزاینده‌ای به گفتمان غالب در زمینه کارآفرینی تبدیل شده است. نظر به غنای مطالعات و پیشینه پژوهشی پیرامون کارآفرینی دیجیتال استفاده از روش‌های علم‌سنجی و تحلیل هم‌واژگانی می‌تواند به ارائه تصویری کامل و فراگیر از این حوزه کمک نماید. بنابراین مطالعه حاضر با هدف ترسیم نقشه هم‌واژگانی کارآفرینی دیجیتال انجام شده است. پژوهش حاضر از نوع کاربردی با رویکرد علم سنجی است که به روش تحلیل هم‌واژگانی به تحلیل داده‌ها می پردازد. داده‌ها از پایگاه Science Direct طی سال‌های 2015 تا پایان سال 2022 گردآوری شده وبرای ترسیم نقشه هم واژگانی از نرم‌افزار VOSviewer استفاده شده است. در مجموع 19 کلیدواژه، 4 خوشه و 68 لینک با قدرت ارتباط 152 شناسایی شده است. مفاهیم کارآفرینی دیجیتال، مدیریت دانش، کلان داده، هوش تجاری، مدیریت استراتژیک، یادگیری سازمانی، شبکه‌های اجتماعی، مزیت رقابتی و بهینه‌سازی پرکاربردترین واژه‌های این حوزه هستند. بنا بر این دانشگاه‌های هنر از طریق نگاهی استراتژیک با استفاده از تحلیل کلان داده و فعالیت در بستر شبکه‌های اجتماعی زمینه را برای کارآفرینی دیجیتال فراهم کنند. مدیریت دانش در این میان نقشی اساسی ایفا می‌کند و می‌تواند مزیت رقابتی دانشگاه را از طریق کارآفرینی دیجیتال تضمین نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  91 - ارزیابی ریسک اعتباری در سیستم‌های بانکی با استفاده از تکنیک‌های داده‌کاوی
  نیما همتا محمد احسانی‌فر بهاره محمدی
  این مقاله با هدف شناسایی عوامل مؤثر بر ریسک اعتباری و ارائه مدلی جهت پیش بینی ریسک اعتباری و رتبه بندی اعتباری مشتریان حقوقی متقاضی تسهیلات بانک سپه شهرستان دزفول، با استفاده از روش های خوشه بندی، شبکه عصبی و ماشین بردار پشتیبان انجام گرفته است. در این مقاله، 27 متغیر ت أکثر

  این مقاله با هدف شناسایی عوامل مؤثر بر ریسک اعتباری و ارائه مدلی جهت پیش بینی ریسک اعتباری و رتبه بندی اعتباری مشتریان حقوقی متقاضی تسهیلات بانک سپه شهرستان دزفول، با استفاده از روش های خوشه بندی، شبکه عصبی و ماشین بردار پشتیبان انجام گرفته است. در این مقاله، 27 متغیر توضیح دهنده شامل متغیرهای مالی و غیرمالی مورد بررسی قرار گرفت که از بین این متغیرها، 8 متغیر تأثیرگذار بر ریسک اعتباری انتخاب گردید که به وسیله روش خوشه بندی مجموعه داده ها به خوشه ها دسته بندی شدند. هم چنین متغیرهای انتخابی به عنوان بردار ورودی شبکه عصبی پرسپترون 3 لایه وارد مدل شد و در نهایت با استفاده از ماشین بردار پشتیبان، به منظور پیش بینی عملکرد مالی مشتریان حقوقی بانک ارائه گردید. نتایج حاصل از مدل شبکه عصبی و ماشین بردار پشتیبان حاکی از آن است که مدل شبکه عصبی در پیش بینی ریسک اعتباری مشتریان حقوقی و رتبه بندی اعتباری از کارایی بیشتری برخودار است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  92 - A Hybrid Grey based Two Steps Clustering and Firefly Algorithm for Portfolio Selection
  farshad faezy razi Naeimeh Shadloo
  10.22094/joie.2017.276
  Considering the concept of clustering, the main idea of the present study is based on the fact that all stocks for choosing and ranking will not be necessarily in one cluster. Taking the mentioned point into account, this study aims at offering a new methodology for mak أکثر

  Considering the concept of clustering, the main idea of the present study is based on the fact that all stocks for choosing and ranking will not be necessarily in one cluster. Taking the mentioned point into account, this study aims at offering a new methodology for making decisions concerning the formation of a portfolio of stocks in the stock market. To meet this end, Multiple-Criteria Decision-Making, Data Mining, and Multi-objective Optimization were employed. First, candidate stocks were clustered using two-step clustering method. Available stocks in each cluster were independently ranked using grey relational analysis. Firefly algorithm was employed for Pareto analysis of risk and ranking. The results of clustering in the stocks revealed that all candidate stocks were not placed in one cluster. The results of robustness analysis employed in ranking method verified the accuracy of calculations in the grey relational analysis through stock repetition of candidates in each cluster. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  93 - Integrating AHP and data mining for effective retailer segmentation based on retailer lifetime value
  Amin Parvaneh Hossein Abbasimehr Mohammad Jafar Tarokh
  Data mining techniques have been used widely in the area of customer relationship management (CRM). In this study, we have applied data mining techniques to address a problem in business-to-business (B2B) setting. In a manufacturer-retailer-consumer chain, a manufacture أکثر

  Data mining techniques have been used widely in the area of customer relationship management (CRM). In this study, we have applied data mining techniques to address a problem in business-to-business (B2B) setting. In a manufacturer-retailer-consumer chain, a manufacturer should improve its relationship with retailers to continue its business. Segmentation is a useful tool for identifying groups of similar retailers in order to improve retailer loyalty by developing and implementing segment-specific marketing strategies. In this study, we have proposed a methodology for retailer segmentation based on their LRFM variables (relation Length, Recency, Frequency and Monetary) and analytical hierarchy process (AHP). The proposed methodology has been implemented by using data of a firm from a hygienic industry in Iran. The empirical results indicated that there are six groups of retailers. After analyzing each segment according to LRFM values, we labeled each retailer group according to its performance. Furthermore, we provided some possible actions that can be taken in order to improve the relationship between the firm and retailers. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  94 - Using the Hybrid Model for Credit Scoring (Case Study: Credit Clients of microloans, Bank Refah-Kargeran of Zanjan, Iran)
  Abdollah Nazari Mohammadreza Mehregan Reza Tehrani
  10.22094/joie.2019.574793.1583
  In any country, commercial banks lay the groundwork for economic growth by collecting national resources and capitals and allocating them to different economic sectors. Optimal allocation of resources is especially important in achieving this goal. Banks with an effecti أکثر

  In any country, commercial banks lay the groundwork for economic growth by collecting national resources and capitals and allocating them to different economic sectors. Optimal allocation of resources is especially important in achieving this goal. Banks with an effective and dynamic system of customer assessment can efficiently allocate their resources to customers regardless of their geographic area. Following[M1] a linear programming optimization approach, this research employs the UTilités Additives DIScriminantes (UTADIS) model for credit scoring of bank customers. The advantages of the proposed technique are high flexibility, mutual interaction with decision makers, and the ability to update under various macroeconomic conditions. The chosen environment is a branch of Bank Refah Kargaran, one of the popular banks in Iran. According to the experimental results, the proposed technique demonstrates high effectiveness. Also, the results indicate that the initial credit score and age of the applicants are the most influential factors for credit scoring of customers. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  95 - A Data Mining approach for forecasting failure root causes: A case study in an Automated Teller Machine (ATM) manufacturing company
  Seyedehpardis Bagherighadikolaei Rouzbeh Ghousi Abdolrahman Haeri
  10.22094/joie.2020.1863364.1630
  Based on the findings of Massachusetts Institute of Technology, organizations’ data double every five years. However, the rate of using data is 0.3. Nowadays, data mining tools have greatly facilitated the process of knowledge extraction from a welter of data. Thi أکثر

  Based on the findings of Massachusetts Institute of Technology, organizations’ data double every five years. However, the rate of using data is 0.3. Nowadays, data mining tools have greatly facilitated the process of knowledge extraction from a welter of data. This paper presents a hybrid model using data gathered from an ATM manufacturing company. The steps of the research are based on CRISP-DM. Therefore, based on the first step, business understanding, the company and its different units were studied. After business understanding, the data collected from sale's unit were prepared for preprocess. While preprocessing, data from some columns of dataset, based on their types and purpose of the research, were either categorized or coded. Then, the data have been inserted into Clementine software, which resulted in modeling and pattern discovery. The results clearly state that, the same Machines’ Code and the same customers in different provinces are struggling with significantly different Problems’ Code, that could be due to weather condition, culture of using ATMs, and likewise. Moreover, the same Machines’ Code and the same Problems’ Code, as well as differences in Technicians' expertise, seems to be some causes to significantly different Repair Time. This could be due to Technicians' training background level of their expertise and such. At last, the company can benefit from the outputs of this model in terms of its strategic decision-making. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  96 - A bi-objective mathematical model for the patient appointment scheduling problem in outpatient chemotherapy clinics using Fuzzy C-means clustering: A case study
  Masoud Rabbani Alireza Khani amirreza Zare niloofar Akbarian-Saravi
  10.22094/joie.2022.1928133.1849
  In healthcare, the Patient Appointment Scheduling (PAS) problem is one of the critical issues in Outpatient Chemotherapy Clinics (OCC). In the wake of this, this paper proposes a novel bi-objective mathematical programming model for solving the PAS problem in OCC. The d أکثر

  In healthcare, the Patient Appointment Scheduling (PAS) problem is one of the critical issues in Outpatient Chemotherapy Clinics (OCC). In the wake of this, this paper proposes a novel bi-objective mathematical programming model for solving the PAS problem in OCC. The developed mathematical model is inspired by cellular manufacturing. The first objective function minimizes the completion time of all treatments, and the second objective function maximizes the use of nurses' skills while considering clustered patients about their characteristics. To solve the bi-objective mathematical model, for the first time a hybrid approach based on Torabi-Hassini (TH) and Lagrange method is utilized. The results indicate that an increase in the number of nurses will enhance the treatment completion speed and allocation of nurses’ work skill. On the other hand, an increase in the number of chairs in clinics will decrease the assignments of nurses’ skills priority. The study supports decision makers in considering nurses' skills for the PAS problem. The results also denote the desirability of the proposed model. To validate the proposed model, OCC in Tehran is considered as a case study. Computational results reveal that considering nurses' skills in OCC and using the fuzzy clustering model, as a new method in patient clustering, lead to achieving a desirable and more realistic outcome. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  97 - Residential appliance clustering based on their inherent characteristics for optimal use based K-means and hierarchical clustering method
  Shima Simsar Mahmood Alborzi Ali Rajabzadeh Ghatari Ali Yazdian Varjani
  10.22094/joie.2023.1975210.2028
  With global warming and energy shortages, smart grids have become a significant issue in the power grid. Demand response is one of the basic factors of smart grids. To enhance the efficiency of demand response, an intelligent home appliance control system is essential, أکثر

  With global warming and energy shortages, smart grids have become a significant issue in the power grid. Demand response is one of the basic factors of smart grids. To enhance the efficiency of demand response, an intelligent home appliance control system is essential, which prioritizes the start-up of electrical appliances according to the necessity of use and efficiency. To properly manage the demand response, utilities use different signals such as price. One of the pricing methods that can be considered is different pricing for electrical appliance clusters. In this article, appliances are clustered by the K-means and hierarchical clustering based on the characteristics of the appliances themselves, such as the appliances’ extent of consumption, the type of use of home appliances, how home appliances work, the ability to change the working conditions of home appliances, home appliances usage time, etc. It seems that the K-means clustering method outperforms the hierarchical method in this issue, due to its lower value of DB coefficient. In this method, home appliances were classified into three clusters. The silhouette coefficient was developed as a measure of the K-means clustering model performance, where the average silhouette coefficient of 0.6 indicates the satisfactory value of the model. Based on the results, it was found that the proposed clustering method can rationally classify different types of home appliances by selecting the appropriate characteristics since the appliances in a cluster are very similar to each other and can help users understand the operating conditions of the appliances. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  98 - Fuzzy Particle Swarm Optimization Algorithm for a Supplier ClusteringProblem
  esmaeil Mehdizadeh reza Tavakkoli Moghaddam
  This paper presents a fuzzy decision-making approach to deal with a clustering supplier problem in a supply chain system. During recent years, determining suitable suppliers in the supply chain has become a key strategic consideration. However, the nature of these decis أکثر

  This paper presents a fuzzy decision-making approach to deal with a clustering supplier problem in a supply chain system. During recent years, determining suitable suppliers in the supply chain has become a key strategic consideration. However, the nature of these decisions is usually complex and unstructured. In general, many quantitative and qualitative factors, such as quality, price, and flexibility and delivery performance, must be considered to determine suitable suppliers. The aim of this study is to present a new approach using particle swarm optimization (PSO) algorithm for clustering suppliers under fuzzy environments and classifying smaller groups with similar characteristics. Our numerical analysis indicates that the proposed PSO improves the performance of the fuzzy c-means (FCM) algorithm. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  99 - ارائه الگوریتم خوشه‌بندی جدید به‌منظور بهره‌وری در عملیات داده‌کاوی (مطالعه داده‌های استاندارد یوسی‌آی)
  ژیلا نصیری روشتی فرزین مدرس خیابانی نیما آذر میر شتربانی
  10.30495/qjopm.2020.1867405.2443
  روش‌های خوشه‌بندی و بهره‌وری آنها در عملیات داده‌کاوی توسعه زیادی یافته‌اند. نیاز مدیران به داده‌های دسته‌بندی‌شده و بهره‌وری روش‌های خوشه‌بندی در امر مدیریت و تصمیم‌گیری، به گسترش روش‌های داده‌کاوی ضرورت بخشیده است. الگوریتم بهینه‌سازی نهنگ روش عمومی است که در حل مسائل أکثر

  روش‌های خوشه‌بندی و بهره‌وری آنها در عملیات داده‌کاوی توسعه زیادی یافته‌اند. نیاز مدیران به داده‌های دسته‌بندی‌شده و بهره‌وری روش‌های خوشه‌بندی در امر مدیریت و تصمیم‌گیری، به گسترش روش‌های داده‌کاوی ضرورت بخشیده است. الگوریتم بهینه‌سازی نهنگ روش عمومی است که در حل مسائل متعددی کاربرد دارد. در این الگوریتم جواب‌های آغازین به‌صورت تصادفی انتخاب می‌شوند. الگوریتم کی-میانگین یک روش خوشه‌بندی پرکاربرد است که به دلیل سادگی و کوتاه بودن مراحل، بسیار موردتوجه محققان قرار می‌گیرد. در این مقاله این مزیت الگوریتم کی- میانگین را برای افزایش توانایی الگوریتم بهینه‌سازی نهنگ در خوشه‌بندی داده‌ها به‌کاررفته است. الگوریتم پیشنهادی ترکیبی از الگوریتم‌های کی-میانگین و خوشه‌بندی نهنگ است. در این پژوهش الگوریتم جدید و چند الگوریتم خوشه‌بندی دیگر را بر روی مجموعه داده‌های واقعی و شناخته شده اجرا شده است. نتایج عددی نشان می‌دهد که الگوریتم جدید ازنظر کیفیت جواب‌ها و انحراف استاندارد مقادیر جواب‌های نهایی، نتایج مطلوبی نشان می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  100 - ‎A New Approach to Define the Number of Clusters for Partitional Clustering Algorithms
  Huliane Silva Benjamın Ren Callejas Bedregal Anne Canuto Thiago Batista Ronildo Moura
  10.30495/tfss.2023.1990425.1078
  ‎Data clustering consists of grouping similar objects according to some characteristic‎. ‎In the literature‎, ‎there are several clustering algorithms‎, ‎among which stands out the Fuzzy C-Means (FCM)‎, ‎one of the most discussed algorithms‎, ‎being used in different ap أکثر

  ‎Data clustering consists of grouping similar objects according to some characteristic‎. ‎In the literature‎, ‎there are several clustering algorithms‎, ‎among which stands out the Fuzzy C-Means (FCM)‎, ‎one of the most discussed algorithms‎, ‎being used in different applications‎. ‎Although it is a simple and easy to manipulate clustering method‎, ‎the FCM requires as its initial parameter the number of clusters‎. ‎Usually‎, ‎this information is unknown‎, ‎beforehand and this becomes a relevant problem in the data cluster analysis process‎. ‎In this context‎, ‎this work proposes a new methodology to determine the number of clusters of partitional algorithms‎, ‎using subsets of the original data in order to define the number of clusters‎. ‎This new methodology‎, ‎is intended to reduce the side effects of the cluster definition phase‎, ‎possibly making the processing time faster and decreasing the computational cost‎. ‎To evaluate the proposed methodology‎, ‎different cluster validation indices will be used to evaluate the quality of the clusters obtained by the FCM algorithms and some of its variants‎, ‎when applied to different databases‎. ‎Through the empirical analysis‎, ‎we can conclude that the results obtained in this article are promising‎, ‎both from an experimental point of view and from a statistical point of view‎. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  101 - Improving Lifetime of Strategic Information Network in Oil Supply Chain
  mohammad ali afshar kazemi mohammad hossein darvish motevally Mahmood Darvish Motevalli
  Today, information networks play an important role in supply chain management. Therefore, in this article, clustering-based routing protocols, which are one of the most important ways to reduce energy consumption in wireless sensor networks, are used to optimize the sup أکثر

  Today, information networks play an important role in supply chain management. Therefore, in this article, clustering-based routing protocols, which are one of the most important ways to reduce energy consumption in wireless sensor networks, are used to optimize the supply chain informational cloud network. Accordingly, first, a clustering protocol is presented using self-organizing map neural network, SOM. Second, we cluster the network nodes based on two criteria of neighborhood and energy level using K-means clustering pattern. Third, we survey the efficiency and inefficiency of the clusters to balance the energy properly among the clusters. Then, to increase the network lifetime and to maintain the network DEA method is used. Finally, the model is tested for the information network of oil supply chain. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  102 - Identification and Management of the Main Challenges in Saffron Industry in Iran
  Samuel Yousefi Jamileh Hayati Sargiz Yousefi
  Saffron, as one of the most expensive agricultural product around the world, has an important place among Iran’s non-oil exports. Therefore, it is important to solve the problems in Iran's saffron industry as the world’s largest saffron producer. Thus, this أکثر

  Saffron, as one of the most expensive agricultural product around the world, has an important place among Iran’s non-oil exports. Therefore, it is important to solve the problems in Iran's saffron industry as the world’s largest saffron producer. Thus, this study attempts to identify the challenges that directly and indirectly affect the saffron industry and cause stagnation. The challenges have been identified and ranked considering the cause-effect relationships between these challenges and the experts’ opinion in this field using Interpretive Structural Modeling (ISM). The results of the study show that the absence of the plan of the saffron industry development in the country’s budget plan and budget allocation, lack of a holistic and long-term vision and transitional decisions taken by the state managers and policy-makers, multiplicity of policy-making centers and lack of interaction between them are the most important challenges in the saffron industry. Finally, appropriate management strategies have been proposed to help saffron industry achieve stable conditions. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  103 - الگویابی و تحلیل همدیدی امواج گرمایی استان اردبیل
  برومند صلاحی مهناز صابر فاطمه وطن پرست قلعه جوق
  این پژوهش با هدف شناسایی امواج گرمایی استان اردبیل و واکاوی الگوهای همدیدی آن‌ها به روش محیطی به گردشی انجام گرفته است. برای این منظور، از داده روزانه متوسط حداکثر دمای ایستگاه‌های سینوپتیک اردبیل، پارس‌آباد و مشکین‌شهر در دوره آماری 1980-2020 استفاده شد. شاخص صدک 95 ام أکثر

  این پژوهش با هدف شناسایی امواج گرمایی استان اردبیل و واکاوی الگوهای همدیدی آن‌ها به روش محیطی به گردشی انجام گرفته است. برای این منظور، از داده روزانه متوسط حداکثر دمای ایستگاه‌های سینوپتیک اردبیل، پارس‌آباد و مشکین‌شهر در دوره آماری 1980-2020 استفاده شد. شاخص صدک 95 ام به‌عنوان معیار شناسایی روز گرم تعیین و تداوم حداقل 3 روزه آن به‌عنوان مبنای تعریف موج گرم در نظر گرفته شد. بررسی روند SLP، HGT و Tmax این موج‌ها نشان داد در گرم‌ترین روزهای امواج گرمایی، روند SLP نزولی و روند HGT و Tmax صعودی است. خوشه‌بندی الگوهای مولد امواج گرمایی بر مبنای داده‌های بازتحلیل فشار تراز دریا و ارتفاع ژئوپتانسیل تراز 500 هکتوپاسکال با استفاده از روش تحلیل خوشه‌ای و روش خوشه‌بندی Ward به شناسایی 5 خوشه منجر شد که در دو گروه اصلی ارائه شدند. در الگوی اول، کم‌فشار در سطح زمین و پرارتفاع در تراز میانی جو و در الگوی دوم، قرارگیری منطقه مورد مطالعه در غرب بلوکینگ شبه‌امگایی غرب روسیه در تراز 500 هکتوپاسکال به‌عنوان عوامل سینوپتیکی ایجاد امواج گرمایی استان اردبیل شناسایی شدند. وجه مشترک هر دو الگو، ضخامت زیاد جو بر روی منطقه در روزهای وقوع این رخداد است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  104 - مطالعه‌ تاثیر تبخیر‌ـ‌‌ تعرق بر دمای نزدیک سطح زمین با استفاده از الگوریتم LCZ در استان‌های تهران و البرز
  علی تیموری سعید جهانبخش علی محمد خورشید دوست
  تغییرات دمای سطح زمین می‌تواند عوامل و عناصر مختلف محیطی را تحت تاثیر قرار داده و با تاثیرگذاری بر آسایش زیست اقلیمی، میزان مصرف انرژی، فنولوژی گیاهی و جانوری، چگالی رطوبت هوا و خاک، غلظت آلاینده‌های هوا و دیگر عوامل، خود نیز متقابلا تحت تأثیر این عوامل قرار گیرد. در ای أکثر

  تغییرات دمای سطح زمین می‌تواند عوامل و عناصر مختلف محیطی را تحت تاثیر قرار داده و با تاثیرگذاری بر آسایش زیست اقلیمی، میزان مصرف انرژی، فنولوژی گیاهی و جانوری، چگالی رطوبت هوا و خاک، غلظت آلاینده‌های هوا و دیگر عوامل، خود نیز متقابلا تحت تأثیر این عوامل قرار گیرد. در این پژوهش به منظور بررسی نقش تبخیرـ ‌تعرق واقعی بر دمای ده متری سطح زمین، متغیرهای مونوکسید‌‌کربن، چگالی بخار آب، دی‌اکسید نیتروژن، دی‌اکسید گوگرد، ازن، فشار بخار آب و سرعت باد در کاربری‌های دوازده‌گانه‌ای که به کمک الگوریتم LCZ مشخص شده‌اند، برای استان‌های تهران و البرز مورد مطالعه و بررسی قرار گرفته است. منطقه مورد مطالعه به دلیل شرایط خاص جغرافیایی همچون موقعیت، تنوع ساختارهای انسان‌ساخت و شرایط ویژه اکولوژیکی از استعداد بالایی برای رخداد جزایر حرارتی برخوردار می‌باشد. در این پژوهش با توجه به تاثیر متغیرهای مورد مطالعه و لزوم بررسی روابط بین آن‌ها، از خوشه بندی سلسله مراتبی به شیوه ترکیبی؛ روش تحلیل مسیر و فنون سنجش‌از‌دور استفاده شده است. بر اساس نتایج به دست آمده در بین متغیرهای مورد مطالعه تبخیرـ‌ تعرق واقعی در هیچکدام از کاربری‌ها اثر معناداری در افزایش یا کاهش دمای ۱۰ متری سطح زمین نداشته است. فشار بخار آب در کاربری ۱4 (مناطقی با پوشش گیاهی چمنی ) بیشترین تاثیر را در افزایش دمای سطح زمین نشان می‌دهد. بر اساس نتایج به دست آمده نوع کاربری با میزان تاثیر متغیرهای مورد مطالعه بر دمای سطح زمین وابستگی بالایی دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  105 - ارزیابی روشهای مختلف برآورد تبخیر و تعرّق مرجع با روش تشت تبخیر فائو در حوضه آبریز شرق و جنوب شرق کشور
  جواد خوشحال حمید زارع ابیانه علیرضا جوشنی
  برآورد تبخیر و تعرّق مرجع جهت برآورد نیاز آبی گیاهان، مدیریت طرحهای آبی و زهکشی وزمان آبیاری گیاهان از ضروریات بخش کشاورزی میباشد. لذا در این پژوهش به منظور یافتنبهترین مدل برآورد تبخیر و تعرّق مرجع منطبق بر تبخیر و تعرق حاصل از دادههای تشتتبخیر برای حوضه آبریز شرق و جن أکثر

  برآورد تبخیر و تعرّق مرجع جهت برآورد نیاز آبی گیاهان، مدیریت طرحهای آبی و زهکشی وزمان آبیاری گیاهان از ضروریات بخش کشاورزی میباشد. لذا در این پژوهش به منظور یافتنبهترین مدل برآورد تبخیر و تعرّق مرجع منطبق بر تبخیر و تعرق حاصل از دادههای تشتتبخیر برای حوضه آبریز شرق و جنوبشرقی کشور، از اطلاعات 66 ایستگاه هواشناسی وهیدرومتری مستقر در حوضه آبریز استفاده شد. سپس با تکیه بر روش خوشه بندی، ایستگاههابر اساس آزمون فیشر و توکی به 1 خوشه تقسیم و تبخیر و تعرّق مرجع حاصل از تشت تبخیراین 1 خوشه با مقادیر تبخیر و تعرّق مستخرج از 8 معادله تبخیر و تعرّق بر اساس پارامترهایآماری NRMSE, MAE, MBE, D, T, R مورد مقایسه و ارزیابی قرار گرفت. بر اساس نتایجحاصله روشهای هارگریوز سامانی، بلانی کریدل فائو 44 ، تورک و پریستلی، تیلور با توجه - -به ابعاد زمانی متفاوت، بهترین انطباق را با مقادیر تبخیر و تعرّق مرجع حاصل از تشت تبخیرداشتند. همچنین نتایج تحقیق نشان داد در مقیاس فصلی، فصل تابستان کمترین خطا و فصلزمستان بیشترین خطای برآورد OET را دارا بودند. از طرفی مقیاس ماهانه کمترین خطا رانسبت به مقیاس فصلی داشت. این نتیجه بیانگر کاهش خطای برآورد ETO در مقیاسهایزمانی کوچک میباشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  106 - تحلیل همدیدی گرد و غبار نیمه گرم سال در استان خراسان جنوبی
  زهره احمدی رضا دوستان عباس مفیدی
  گرد و غبار اولین مخاطره طبیعی در مناطق بیابانی و نیمه بیابانی جهان و ایران است. به منظورشناسایی روزهای گرد و غبار خراسان جنوبی، دادههای روزانه میزان دید افقی، سرعت و جهت8001 از سازمان هواشناسی دریافت شد. در - باد در فصل بهار و تابستان برای دوره 8338ادامه بر اساس شاخص شا أکثر

  گرد و غبار اولین مخاطره طبیعی در مناطق بیابانی و نیمه بیابانی جهان و ایران است. به منظورشناسایی روزهای گرد و غبار خراسان جنوبی، دادههای روزانه میزان دید افقی، سرعت و جهت8001 از سازمان هواشناسی دریافت شد. در - باد در فصل بهار و تابستان برای دوره 8338ادامه بر اساس شاخص شایو و دونگ، روزهای همراه با گرد و غبار شناسایی گردید. به منظورتعیین الگوی جوی منجر به گرد و غبار، دادههای روزانه ارتفاع ژئوپتانسیل تراز 000هکتوپاسکال از مرکز ملی پیش بینی محیطی امریکا/ مرکز ملی پژوهشهای جوی( NCEP/NCAR (، تهیه شد. در این مطالعه برای تعیین الگوهای فشار، روش تحلیل مؤلفه اصلیدر حالت s و خوشه بندی سلسله مراتبی با حالت وارد) ward ( استفاده گردید. در مرحله بعد،نقشههای ترکیبی)کامپوزیت( تاوایی نسبی، ارتفاع ژئوپتانسیل، الگوی جریان و فشار سطحدریا برای هر الگو تهیه و تحلیل شد. نتایج نشان داد، دو الگوی همدیدی غالب به ترتیب،الگوی تابستانه با زبانه پرارتفاع جنب حاره بر روی ایران و کم ارتفاع بر روی پاکستان درسطوح بالای جو و اختلاف فشار بین جنوبشرق ایران )کم فشار(و دریای خزر)پرفشار( درسطح زمین میباشد. در این الگو جریان باد از شرق دریای خزر و بیابانهای ترکمنستان بهجنوبشرق ایران با عبور از سرزمینهای خشک و کویرهای شرقی ایران، گرد و غبار را موجبمیشود. این شرایط جوی در ارتباط با وزش باد 880 روزه سیستان و بلوچستان در شرقایران میباشد. همچنین در الگوی بهار، وجود تراف بادهای غربی در مرکز و غرب ایران درسطوح بالای جو و کم فشار در سطح زمین بر روی منطقه مورد مطالعه، شرایط جوی ناپایدار دربابانهای مرکزی ایران و غرب استان را موجب شده که این جریانها با خود ذرات گرد و غباررا منتقل و میزان دید را کاهش میدهند. همچنین اختلاف فشار شدیدتر بین مراکز درالگوهایفوق، منجر به طوفان گرد و غبار در استان خراسان جنوبی میشود تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  107 - بررسی روابط ژنتیکی برخی ارقام و تیپ‌های طبیعی ناشناخته مرکبات شمال ایران با استفاده از نشانگر مولکولی ISSR
  بابک باباخانی یلدا نقاشی
  شناخت تنوع ژنتیکی و روابط خویشاوندی در مرکبات برای برنامه ‌ریزی و کاربرد برنامه‌های اصلاحی، حفظ تنوع‌زیستی، ثبت ارقام جدید و انجام مطالعات مولکولی لازم است. در این پژوهش، تنوع ‌ژنتیکی 29 رقم مرکبات شامل ارقام پرتقال، نارنگی، نارنج، پوملو و تیپ های طبیعی با استفاده از نش أکثر

  شناخت تنوع ژنتیکی و روابط خویشاوندی در مرکبات برای برنامه ‌ریزی و کاربرد برنامه‌های اصلاحی، حفظ تنوع‌زیستی، ثبت ارقام جدید و انجام مطالعات مولکولی لازم است. در این پژوهش، تنوع ‌ژنتیکی 29 رقم مرکبات شامل ارقام پرتقال، نارنگی، نارنج، پوملو و تیپ های طبیعی با استفاده از نشانگرهای ISSR مورد ارزیابی قرار گرفتند. از مجموع 97 باند امتیازدهی شده برای نشانگر ISSR، تعداد 78 باند، معادل 22/80 درصد باندها چندشکل بودند. بیشترین و کمترین درصد چندشکلی به‌ترتیب آغازگرهای ISSR-8با 90 درصد و ISSR-5 با 73 درصد باند چندشکل نشان دادند. متوسط مقدار PIC در این آزمون 18/0 بود که بیشترین مقدار PIC متعلق به آغازگرهای ISSR-6 و ISSR-8 با 27/0 و کمترین میزان متعلق به آغازگر ISSR-1 با 12/0 بود. دندروگرام حاصل از تجزیه خوشه‌ای به‌ روش UPGMA با ضریب تشابه تطابق ساده، ارقام مورد بررسی را به پنج گروه اصلی طبقه بندی کرد. پوملو مجزا از سایر ژنوتیپ ها در خوشه ای مجزا قرار داشت. نارنگی انشو سوجی یاما در یک گروه طبقه بندی و مجزا از نارنگی کلمانتین قرار گرفته است. همه ژنوتیپ های پرتقال رقم های سیاورز 1، سیاورز 2، سیاورز 3، سیاورز 4، تیپ های طبیعی ناشناخته، پرتقال پارسون براون و واشنگتن ناول در یک گروه قرار داشتند که قرابت بالایی به هم دیگر نشان دادند. نشانگر ملکولی استفاده شده می‌تواند اطلاعات مفیدی درباره سطح چندشکلی و تنوع مرکبات را فراهم کنند، که نشان‌دهنده کاربرد آن در شناسایی ژرم پلاسم مرکبات می باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  108 - A Cutting-edge Metaheuristic Approach Based on ‎The Manifold Distance for Energy-efficient Clustering ‎in WSN
  Faraein Aeini
  This paper presents the development of a new algorithm called F-MPSO, which aims to enhance energy efficiency and extend the lifetime of wireless sensor networks. The F-MPSO algorithm aims to optimize the selection of cluster heads, which is a problem that falls under t أکثر

  This paper presents the development of a new algorithm called F-MPSO, which aims to enhance energy efficiency and extend the lifetime of wireless sensor networks. The F-MPSO algorithm aims to optimize the selection of cluster heads, which is a problem that falls under the category of Non-Deterministic Polynomial (NP)-hard problems. To address this challenge, a hybrid metaheuristic approach has been implemented using manifold distance to cluster the sensor nodes. We recommend using a combination of the Firefly approach for local updates and the PSO approach for global updates to create a reliable cluster. Our strategy aims to improve the overall lifespan of the network. We use a metric that takes into account the different routes available and gives preference to paths that go through intermediate sensors with high residual energy, rather than simply selecting the shortest distance between a regular node and cluster heads with low residual energy. Based on the analysis conducted using Matlab, it has been determined that the F-MPSO algorithm proposed is highly efficient regarding energy consumption. Additionally, it has been deemed successful in extending the network lifetime. Results from round 1600 indicate that the proposed method had approximately 78 still operational nodes. On the other hand, Leach's algorithm had no live nodes, while enhanced-LEACH and ESO_LEACH had 25 and 53 live nodes, respectively. Furthermore, the author has compared the results with previous algorithms, and the outcome shows excellent promise. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  109 - Identification and Clustering Outsourcing Risks of Aviation Part- Manufacturing Projects in Aviation Industries Organization Using Kmeans Method
  Alireza Abbasi Mehrdad Nikbakht
  The purpose of this paper is to identify and clustering strategic risks in the outsourcing field of partmanufacturingprojects of aviation products, that whit survey carried out through the study ofliterature and experts opinion, meanwhile, identification risk groups in أکثر

  The purpose of this paper is to identify and clustering strategic risks in the outsourcing field of partmanufacturingprojects of aviation products, that whit survey carried out through the study ofliterature and experts opinion, meanwhile, identification risk groups in this area through interview,identified cases and factors of risks through FMEA technique, finally, 50 strategic risks identified in7 titles. In the following to resolve problems of traditional FMEA method, with definition threeindicators risk include, risk intensity, occurrence probability, and confrontation frequency by aquestionnaire and considering from three factors outsourcing assess contain cost, time and quality,risks of this area were clustered to K-means clustering and using SPSS software in 4 cluster includeof significant risks, high level of risks, medium level of risks and low level of risks. Thus, theclustering of risks for decision-making and planning of suggested actions at the time of theiroccurrence, basis for future improvements will be provided to carry out the continuousimprovement process at appropriate intervals with assessment of actions taken, the rate ofimprovement identified and therefore appropriate decisions are achieved. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  110 - پیاده سازی الگوریتم خوشه بندی سلسله مراتبی تراکمی بصورت موازی با روش نگاشت و کاهش
  فهیمه توکلی فرامرز صافی اصفهانی
  : مدل نگاشت-کاهش یک مدل برای اجرای برنامه های کاربردی داده های بزرگ می باشد. همچنین این مدل، یک مدل برنامه نویسی موازی برای نوشتن برنامه‌هایی می‌باشد که می‌توانند بر روی ابر اجرا شوند. سازمان ها بطور فزاینده ای در حال تولید داده هستند که حاصل فرایندهای کسب وکار ، فعالیت أکثر

  : مدل نگاشت-کاهش یک مدل برای اجرای برنامه های کاربردی داده های بزرگ می باشد. همچنین این مدل، یک مدل برنامه نویسی موازی برای نوشتن برنامه‌هایی می‌باشد که می‌توانند بر روی ابر اجرا شوند. سازمان ها بطور فزاینده ای در حال تولید داده هستند که حاصل فرایندهای کسب وکار ، فعالیت های کاربران، ردیابی وب سایت ها، حسگرها، مالی، حسابداری و غیره تولید می شوند. الگوریتم های خوشه بندی داده، به عنوان ابزاری برای تجزیه و تحلیل حجم زیاد داده به کار می روند. هدف اصلی این الگوریتم ها، این است که داده ها را در خوشه هایی دسته بندی کنند، و اشیای داده در هر خوشه با یکدیگر شباهت دارند. در این مقاله، الگوریتم خوشه بندی سلسله مراتبی متراکم که یکی از تکنیک های داده کاوی می باشد با استفاده از طراحی نگاشت و کاهش پیاده سازی شده و سپس نتایج این الگوریتم با حالت بدون نگاشت و کاهش مورد مقایسه قرار می گیرد. آزمایش‌های انجام شده نشان می‌دهد با افزایش اندازه داده های ورودی، زمان اجرا کاهش می یابد. زمان اجرای الگوریتم به روش موازی نسبت به روش ترتیبی برای مجموعه داده‌ای به اندازه 200 شی داده، 16.80% و برای مجموعه داده‌ای به اندازه 1000 شی داده، 29.26% بهبود یافت. همچنین درصد استفاده از پردازنده کل سیستم در روش موازی از 22% به 94% ارتقاء یافت. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  111 - ارائه روشی مبتنی بر تکنیک‌های داده‌کاوی و وب‌معنایی جهت اولویت‌بندی نیازمندی‌های نرم افزار
  سحر قاضی زاده سیدابراهیم دشتی
  مهندسی نیازمندی ها یکی از فازهای مهم و اصلی در فرآیند توسعه نرم افزار است. در این فاز فعالیت های مختلفی توسط مهندسین نرم افزار انجام می شود. در این مقاله مسئله اولویت بندی نیازمندی ها در فرآیند توسعه تکراری نرم افزار مورد بررسی قرار گرفته است. هدف اصلی پیداکردن گروه های أکثر

  مهندسی نیازمندی ها یکی از فازهای مهم و اصلی در فرآیند توسعه نرم افزار است. در این فاز فعالیت های مختلفی توسط مهندسین نرم افزار انجام می شود. در این مقاله مسئله اولویت بندی نیازمندی ها در فرآیند توسعه تکراری نرم افزار مورد بررسی قرار گرفته است. هدف اصلی پیداکردن گروه های اولویت نیازمندی ها به صورت خودکار بوده، به گونه ای که بتوان هر گروه از نیازمندی ها را در یک تکرار از فرآیند توسعه پیاده سازی کرد. برای این منظور از تکنیک های داده کاوی، پردازش متن و شباهت معنایی استفاده شده است. روش پیشنهادی بر روی مجموعه داده های مربوط به نیازمندی های نرم افزارهای مختلف اعمال شده است. این روش دارای فازهای پیش-پردازش، استخراج ویژگی، خوشه بندی و اولویت بندی است. در فاز اول آماده سازی داده ها انجام می شود و در فاز دوم ویژگی های نیازمندی ها استخراج می شود. در فاز خوشه بندی از الگوریتم های مختلف خوشه بندی مانند میانگین k، سلسله مراتبی و خوشه‌بندی فضایی مبتنی بر چگالی در کاربردهای دارای نویز (DBSCAN) استفاده شده و در نهایت اولویت بندی انجام می شود. نتایج مقایسه نشان می دهد روش ارائه شده دارای کارایی خوب و قابل قبولی نسبت به روش های قبل در دسته بندی و خوشه بندی بوده و به طور میانگین دارای 3 درصد عملکرد بهتری است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  112 - ارائه رویکردی جدید برای تشخیص حملات علیه صدا از طریق پروتکل اینترنت مبتنی بر خوشه‌بندی تجمیعی
  فرید باوی فرد محمد خیراندیش محمد مصلح
  با توجه به هزینه کمتر و انعطاف‌پذیری بیشتر، انتقال صدا از طریق پروتکل اینترنت (VoIP) به طور گسترده‌ای در ارتباطات راه دور استفاده می‌شود. تنوع پایانه‌های VoIP باعث آسیب‌پذیری آنها می‌شود. یک راه متداول برای ایمن‌سازی VoIP، شامل تشخیص نفوذ مبتنی بر یادگیری ماشین است. با أکثر

  با توجه به هزینه کمتر و انعطاف‌پذیری بیشتر، انتقال صدا از طریق پروتکل اینترنت (VoIP) به طور گسترده‌ای در ارتباطات راه دور استفاده می‌شود. تنوع پایانه‌های VoIP باعث آسیب‌پذیری آنها می‌شود. یک راه متداول برای ایمن‌سازی VoIP، شامل تشخیص نفوذ مبتنی بر یادگیری ماشین است. با توجه به تنوع ترافیک و عدم وجود برچسب کلاس برای آموزش سیستم‌های تشخیص نفوذ (IDS) در بسیاری از مواقع، بر رویکردهای خوشه‌بندی (یادگیری بدون ناظر) متمرکز شده‌اند. اما سیستم‌های خوشه‌بندی منفرد نمی‌توانند تنوع مقادیر ویژگی‌ها را به خوبی پوشش دهند و برخی از نمونه‌های ترافیک ممکن است به عنوان نقاط پرت شناسایی شوند. مدل پیشنهادی، به‌عنوان یک رویکرد تجمیعی برای حل این مسائل، روی استفاده از الگوریتم خوشه‌بندی دومرحله‌ای متمرکز شده و سعی می‌کند با ایجاد بهبودی در آن، فرآیند تشخیص نفوذ مبتنی بر خوشه‌بندی را بهبود دهد. علاوه بر این، با توجه به اهمیت فرآیند انتخاب ویژگی، ترکیبی از الگوریتم شبیه‌سازی تبرید (SA) و شبکه عصبی پرسپترون چندلایه (MLP)، برای شناسایی ویژگی‌های برتر مورد استفاده در خوشه‌بندی بسته‌های VoIP، در قالب بسته‌های عادی یا حمله انکار سرویس (DoS)، حمله کاربر به ریشه (U2R)، حمله کاربر از راه دور (R2L) و حمله پویش‌گر مورد بهره‌‌برداری قرار گرفته است. بر اساس نتایج ارزیابی بر روی مجموعه داده "آزمایشگاه امنیت شبکه– کشف دانش در پایگاه‌های داده‌ای" ( NSL-KDD)، توسط نرم‌افزار متلب، انتخاب ویژگی پیشنهادی با کاهش ویژگی‌ها به 10 و 8، زمان آموزش و آزمایش را به‌ترتیب 77 درصد و 80 درصد کاهش می‌دهد. همچنین در مقایسه با تعدادی از مطالعات قبلی، IDS پیشنهادی بهبود متوسطی معادل 34/3 درصد، 17/14 درصد و 87/32 درصد را به‌ترتیب در دقت، نرخ تشخیص و معیار F نشان می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  113 - Voiced-Unvoiced-Silence Detection of Speech Signal using Combined Spectro-Temporal Features
  Nafiseh Esfandian
  10.30495/fomj.2022.1961029.1071
  This paper presents a new method for classification of voiced, unvoiced and silence segments of speech signal. In the proposed method, combination of spectro-temporal features is used for speech segmentation. Combined features are extracted using clustering in spectro-t أکثر

  This paper presents a new method for classification of voiced, unvoiced and silence segments of speech signal. In the proposed method, combination of spectro-temporal features is used for speech segmentation. Combined features are extracted using clustering in spectro-temporal domain. Multi-dimensional output of auditory model is clustered using weighted Gaussian mixture model. In this method, after extracting the main clusters for each frame, combined spectro-temporal features such as cluster’s energy, energy difference of clusters and minimum value of normalized cross-correlation between clusters are used for detection of voiced, unvoiced and silence regions of speech. In the proposed algorithm, speech segmentation is performed by comparing each class of features with the appropriate threshold value. Combined spectro-temporal features are used for speech segmentation in noisy conditions. The results demonstrate performance of the proposed algorithm comparing to the other features for speech segmentation. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  114 - A Hybrid Algorithm for Fault Diagnosis using Fuzzy Clustering Tools
  Adrián Rodríguez Ramos Pedro Juan Rivera-Torres Antônio José da Silva Neto Orestes Llanes-Santiago
  In this paper, a hybrid algorithm using fuzzy clustering techniques is proposed for developing a robust fault diagnosis platform in industrial systems. The proposed algorithm is applied in a fault diagnosis scheme with online detection of novel faults and automatic lear أکثر

  In this paper, a hybrid algorithm using fuzzy clustering techniques is proposed for developing a robust fault diagnosis platform in industrial systems. The proposed algorithm is applied in a fault diagnosis scheme with online detection of novel faults and automatic learning. The hybrid algorithm identifies the outliers based on data density. Later, the outliers are removed, and the clustering process is performed. To extract the important features and improve the clustering, the maximum-entropy-regularized weighted fuzzy c-means is used. The use of a kernel function allows achieving a greater separability among the classes by reducing the classification errors. Finally, a step is used to optimize the parameters m (regulation factor of the fuzziness of the resulting partition) and (bandwidth, and indicator of the degree of smoothness of the Gaussian kernel function). The proposed hybrid algorithm was validated using the Tennessee Eastman (TE) process benchmark. The results obtained indicate the feasibility of the proposal. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  115 - Improved Automatic Clustering Using a Multi-Objective Evolutionary Algorithm With New Validity measure and application to Credit Scoring
  مجید محمدی راد مهدی افضلی
  In data mining, clustering is one of the important issues for separation and classification with groups like unsupervised data. In this paper, an attempt has been made to improve and optimize the application of clustering heuristic methods such as Genetic, PSO algorithm أکثر

  In data mining, clustering is one of the important issues for separation and classification with groups like unsupervised data. In this paper, an attempt has been made to improve and optimize the application of clustering heuristic methods such as Genetic, PSO algorithm, Artificial bee colony algorithm, Harmony Search algorithm and Differential Evolution on the unlabeled data of an Iranian bank with the credit scoring approach. A survey was also used to measure the clustering validity index which resulted in a new validity index. Finally, the results were compared to identify the best algorithm and validity measure. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  116 - An Ant-Colony Optimization Clustering Model for Cellular Automata Routing in Wireless Sensor Networks
  عارف صفری
  High efficient routing is an important issue for the design of wireless sensor network (WSN) protocols to meet the severe hardware and resource constraints. This paper presents an inclusive evolutionary reinforcement method. The proposed approach is a combination of Cel أکثر

  High efficient routing is an important issue for the design of wireless sensor network (WSN) protocols to meet the severe hardware and resource constraints. This paper presents an inclusive evolutionary reinforcement method. The proposed approach is a combination of Cellular Automata (CA) and Ant Colony Optimization (ACO) techniques in order to create collision-free trajectories for every agent of a team while their formation is kept unchallengeable. The method reacts with problem distribution changes and therefore can be used in dynamical or unknown environments, without the need of a priori knowledge of the space. The swarm of agents are divided into subgroups and all the desired trails are created with the combined use of a CA path finder and an ACO algorithm. In case of lack of pheromones, paths are created using the CA path finder. Compared to other methods, the proposed method can create accurate clustered, collision-free and reliable paths in real time with low complexity while the implemented system is completely autonomous. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  117 - Genetic Structure and Marker-Trait Associations in Parental Lines of Sunflower (Helianthus annuus L.)
  Hossein Zeinalzadeh-Tabrizi Arash Hosseinpour Mehdi Ghaffari Kamil Haliloglu
  10.30495/ijpp.2021.1933502.1340
  Association mapping is a reliable tool to detect the association between phenotypic and genotypic data through linkage disequilibrium. In the present study, 21 SSR and 19 TRAP markers were applied to investigate the genetic structure and association analysis in 53 Irani أکثر

  Association mapping is a reliable tool to detect the association between phenotypic and genotypic data through linkage disequilibrium. In the present study, 21 SSR and 19 TRAP markers were applied to investigate the genetic structure and association analysis in 53 Iranian sunflower parental lines, including 23 restorer and 30 cytoplasmic male sterility lines. In the phenotypic analysis, 18 morpho-physiological traits were measured. The population structure analysis identified two and five actual subpopulations (optimum K) across SSR and TRAP markers, respectively. Using SSR data, population differentiation measurements (FST) between the subpopulations ranged from 0.24 to 0.43 (average 0.32); using TRAP data, FST varied between 0.23 and 0.24 (average 0.24). Association mapping analysis indicated that SSR and TRAP markers were associated with 11 and 17 traits, respectively. SSR loci Ha 494-ar, Ha 806-ar, Ha 991-ar, Ha 1167-ar, Ha 1287-ar, ORS-53, and ORS-54 were associated with seed yield per plant, oil yield per plant, seed yield, and oil yield respectively. On the other hand, several TRAP markers, including K11F05/TRAP03, K11F05/TRAP03, and F15O11F1/TRAP03 were associated with flowering duration, maturity, and 1000-seed weight, respectively. In conclusion, the genetic structure and marker-trait associations reported here can be exploited for marker-assisted selection (MAS) in sunflower breeding programs. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  118 - An Optimized Firefly Algorithm based on Cellular Learning Automata for Community Detection in Social Networks
  Hasan Rabani Farhad Soleimanian Gharehchopogh
  The structure of the community is one of the important features of social networks. A community is a sub graph which nodes have a lot of connections to nodes of inside the community and have very few connections to nodes of outside the community. The objective of commun أکثر

  The structure of the community is one of the important features of social networks. A community is a sub graph which nodes have a lot of connections to nodes of inside the community and have very few connections to nodes of outside the community. The objective of community detection is to separate groups or communities that are linked more closely. In fact, community detection is the clustering of the network, and the community separates a graph. In recent years, public methods suffer from inefficiency because of the high complexity of time and the need for full access to graph information. In contrast, smart methods such as meta-heuristic algorithms, the use of low parameters and much less complex time complexity have been among the most popular methods in recent years. These methods have good features, but they still face problems such as dependence on finding the best point in search space, global updates, and poor quality due to the formation of large communities and others. In this paper, in order to improve the mentioned problems, a method is proposed based on combining the Firefly Algorithm (FA) and Learning Automata (LA). In the proposed model, LA is used to increase the efficiency of the FA. Choosing the best neighbours for the FA agents is done using the LA. The results from the four datasets of Karate, Dolphins, Polbooks, and Football show that the proposed model has more Normalized Mutual Information (NMI) than other models. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  119 - An Improved W-LEACH Routing Protocol in Wireless Sensor Network
  Farhad Rad Zahra Moghtaderinasab Hamid Parvin
  Energy is one of the most important criteria in wireless sensor networks. To extend the lifetime and coverage in these networks, researchers are always looking for ways that they can reduce the energy consumption of sensor nodes. Clustering methods sensor nodes is one o أکثر

  Energy is one of the most important criteria in wireless sensor networks. To extend the lifetime and coverage in these networks, researchers are always looking for ways that they can reduce the energy consumption of sensor nodes. Clustering methods sensor nodes is one of the best ways that can significantly increase the lifetime of the network. The hierarchical clustering protocols will have a more effective role. In this protocols, how to build a cluster, the cluster and data transmission methods, including issues that have a significant role in energy consumption. Hence, this paper, we study the reduction of energy consumption Wireless Sensor Networks one of the following methods called W-LEACH focused and to improve the algorithm equation suggests that the density of nodes in each round clustering is used in a more effective way. Simulation of MATLAB environment, shows that the proposed method than other methods such as LEACH, DE-LEACH, LEACH-C, L-LEACH, W-LEACH is able to increase network lifetime and energy consumption of sensor nodes be less. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  120 - Providing a Method to Identify Malicious Users in Electronic Banking System Using Fuzzy Clustering Techniques
  Leila Pourabdi Ali Harounabadi
  Money-Laundering causes a higher prevalence of crime and reduces the desire tending to invest in productive activities. Also, it leads to weaken the integrity of financial markets and decrease government control over economic policy. Banks are able to prevent theft, fra أکثر

  Money-Laundering causes a higher prevalence of crime and reduces the desire tending to invest in productive activities. Also, it leads to weaken the integrity of financial markets and decrease government control over economic policy. Banks are able to prevent theft, fraud, money laundering conducted by customers through identification of their clients’ behavioral characteristics. This leads to reduce the banking and credit risks. So there are some systems in order to identify unusual users’ behavior in banking industry that can help different societies. In present study, effective variables are used to determine suspicious behavior in terms of money-laundering from users’ account transactions in an Iranian private bank. Users’ membership degree to clusters is determined using fuzzy clustering method and maximum membership degree is considered as a label for users; also, back propagation neural network is used to identify the model. The results show that the proposed method can detect money-laundering accurately at the bank up to 97%. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  121 - Solving Data Clustering Problems using Chaos Embedded Cat Swarm Optimization
  Farhad Ramezani
  In this paper, a new method is proposed for solving the data clustering problem using Cat Swarm Optimization (CSO) algorithm based on chaotic behavior. The problem of data clustering is an important section in the field of the data mining, which has always been noted by أکثر

  In this paper, a new method is proposed for solving the data clustering problem using Cat Swarm Optimization (CSO) algorithm based on chaotic behavior. The problem of data clustering is an important section in the field of the data mining, which has always been noted by researchers and experts in data mining for its numerous applications in solving real-world problems. The CSO algorithm is one of the latest meta-heuristic algorithms, which has a simple structure and it is easy to implement. The purpose of Chaos embedded Cat Swarm Optimization (CCSO) algorithm is to replace random values by chaotic ones to offer a stable algorithm that can allow for reaching the global optima to a large extent and improve the algorithm’s convergence speed. The proposed algorithm has been compared to other heuristic algorithms on standard data sets from UCI repository, and the experimental results demonstrate that the proposed algorithm yields high performance for solving the data clustering problem.Keywords: Data clustering, K-means, Cat Swarm Optimization, Chaos theory. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  122 - High Performance Implementation of Fuzzy C-Means and Watershed Algorithms for MRI Segmentation
  Farnaz Hoseini Ghader Mortezaie Dekahi
  Image segmentation is one of the most common steps in digital image processing. The area many image segmentation algorithms (e.g., thresholding, edge detection, and region growing) employed for classifying a digital image into different segments. In this connection, fin أکثر

  Image segmentation is one of the most common steps in digital image processing. The area many image segmentation algorithms (e.g., thresholding, edge detection, and region growing) employed for classifying a digital image into different segments. In this connection, finding a suitable algorithm for medical image segmentation is a challenging task due to mainly the noise, low contrast, and steep light variations of medical images. Due to the inherently parallel nature of image segmentation algorithms, they suit well for implementation on a Graphics Processing Unit (GPU). The main goal of this paper is to improve the performance of fuzzy c-means clustering through the parallel implementation of this algorithm. Although fuzzy c-means clustering is an important iterative clustering algorithm, it is computationally intensive and uses the same data between the iterations. The center of the clusters changes in each iteration, which requires a considerable amount of time for large data sets. The parallel fuzzy c-means clustering is implemented by applying pipeline parallelism on GPU. The experimental results show that the performance is improved up to 23.35x. Next, the watershed algorithm is applied to the final segmentation. In this paper using parallel fuzzy c-means clustering and computations we have attained competing results with other papers. The implementation results on the BRATS2015 show that the accuracy of diagnosis in Dice Similarity Coefficient metric 97/33% is obtained. This improvement is achieved using enhancing edges and reducing noises in images. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  123 - An Improved SSPCO Optimization Algorithm for Solve of the Clustering Problem
  Rohollah Omidvar Amin Eskandari Narjes Heydari Fatemeh Hemmat Mohammad Feyli
  Swarm Intelligence (SI) is an innovative artificial intelligence technique for solving complex optimization problems. Data clustering is the process of grouping data into a number of clusters. The goal of data clustering is to make the data in the same cluster share a h أکثر

  Swarm Intelligence (SI) is an innovative artificial intelligence technique for solving complex optimization problems. Data clustering is the process of grouping data into a number of clusters. The goal of data clustering is to make the data in the same cluster share a high degree of similarity while being very dissimilar to data from other clusters. Clustering algorithms have been applied to a wide range of problems, such as data mining, data analysis, pattern recognition, and image segmentation. Clustering is a widespread data analysis and data mining technique in many fields of study such as engineering, medicine, biology and the like. The aim of clustering is to collect data points. SSPCO optimization algorithm is a new optimization algorithm that is inspired by the behavior of a type of bird called see-see partridge. One of the things that smart algorithms are applied to solve is the problem of clustering. Clustering is employed as a powerful tool in many data mining applications, data analysis, and data compression in order to group data on the number of clusters (groups). In the present article, an improved chaotic SSPCO algorithm is utilized for clustering data on different benchmarks and datasets; moreover, clustering with artificial bee colony algorithm and particle mass 9 clustering technique is compared. Clustering tests on 13 datasets from UCI machine learning repository have been done. The results show that clustering SSPCO algorithm is a clustering technique which is very efficient in clustering multivariate data. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  124 - A New Dynamic Clustering Control Method in Wireless Sensor Networks
  Rohollah Omidvar Hamid Parvin Farhad Rad Amin Eskandari Ali Chamkoori
  Wireless sensor networks (WSNs) are composed of many low cost, low power devices with sensing, local processing and wireless communication capabilities. Clustering is a useful topology-management approach to improve lifetime and reduce the energy consumption in wireless أکثر

  Wireless sensor networks (WSNs) are composed of many low cost, low power devices with sensing, local processing and wireless communication capabilities. Clustering is a useful topology-management approach to improve lifetime and reduce the energy consumption in wireless sensor networks. In this paper we have proposed a new dynamic clustering method (NDCM) where clusters are created periodically and cluster head (CH) is selected based on threshold function. Unlike the LEACH protocol that clustering are static and cluster head number is fixed in the entire scenario, CHs in our method distributed in Land dimensions and the number of cluster can be dynamically adjusted based on the number of nodes. The simulation was performed in MATLAB software and it was compared with LEACH, LEACH-C, O-LEACH, LEACH-B, M-LEACH, V-LEACH AND W-LEACH algorithms. The simulation results show that proposed method have been reduced energy conservation and enhancement of network lifetime comparing with LEACH algorithm. Coverage of the number of clusters in proposed method is shown too. The results showed that in a test network life of leach protocol was 1100 rounds, whereas network life of proposed method was 3100 rounds. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  125 - A Balanced Distribution Method Of Cluster Head Selection For Clustering In Wireless Sensor Networks
  Marzieh Gholami Mehdi Golsorkhtabaramiri
  Wireless sensor network includes hundreds or even thousands of sensor nodes, which are devices with low energy and often impossible to be replaced or recharged. For this reason, efficient use of energy is one of the major challenges in these networks. One way for increa أکثر

  Wireless sensor network includes hundreds or even thousands of sensor nodes, which are devices with low energy and often impossible to be replaced or recharged. For this reason, efficient use of energy is one of the major challenges in these networks. One way for increasing energy efficiency in such networks is clustering. Clustering protocols such as LEACH, TEEN, SEP and DEEC randomly select the cluster heads for the clustering process. This causes the cluster heads to be close together, decreasing the efficiency of protocols. For this reason, we proposed a new approach called EBDCH. In this method, when cluster heads are close together, we distribute them based on the energy situation. The proposed approach runs on the clustering protocols. The simulation results show that with the implementation of the proposed method, throughput is increased and network lifetime is improved compared to protocols LEACH, DEEC, SEP and EEHC respectively at 26%,28%,37% and 36%. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  126 - Feature Selection And Clustering By Multi-objective Optimization
  Seyedeh Mohtaram Daryabari Farhad Ramezani
  In this paper, feature selection and clustering is formulated simultaneously by using evolutional multi-objective algorithm. Archived multi-objective NSGA-II is hybridized with k-medoids algorithm to use global searching capabilities of GA with local searching capabilit أکثر

  In this paper, feature selection and clustering is formulated simultaneously by using evolutional multi-objective algorithm. Archived multi-objective NSGA-II is hybridized with k-medoids algorithm to use global searching capabilities of GA with local searching capabilities of k-medoids for suitable centers of clusters and selecting suitable subset of features identifying the correct partitioning. Number of clusters should be determined as an input parameter by user. After determining number of clusters, archive string be generate randomly. In every solution of archived, center of clusters and features is determined. Objective functions are inter-cluster distance, intra-cluster distance and number of feature selection. Three objective functions are optimized simultaneously for partitioning and feature selection. Crossover and mutation operators are modified to solve the problem. In order to selecting final solution from pareto front, are modified to solve the problem is calculated. The Proposed algorithm were compared with other three clustering algorithms on seven UCI standard datasets and could improve results averagely 0.09 percent compared to FeaClusMoo, 0.28 percent compared to VGAPS-Clustering and 0.49 percent compared to K-means. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  127 - Presenting a Fast Classifier Based on Unsupervised Learning for Diagnosis Diseases
  Najmeh Hosseinpour Afzal Ghaseimi
  Abstract. From long ago, decision support systems (DSS) as a vital tool in many industrials is considered by decision-makers. These systems can aid managers in making better decisions by collecting and interpreting data. Medical decision support systems (MDSS) have crit أکثر

  Abstract. From long ago, decision support systems (DSS) as a vital tool in many industrials is considered by decision-makers. These systems can aid managers in making better decisions by collecting and interpreting data. Medical decision support systems (MDSS) have critical role in medical practice. They can help physicians for improving the quality of medical diagnosis. Classifiers as main core of MDSS systems play an important role in improving their performance. This paper presents an unsupervised learning-based real time classifier which is able to perform recognizing medical patterns with proper precision and speed. In the training phase, the proposed classifier is capable to obtain reference models related to classes using synergic clustering technique and finding the frequency of attributes . In order to evaluate efficiency of the proposed classifier, the UCI datasets including breast cancer (WBCD), liver disease (ILPD) and diabetic disease (PID) are applied. The obtained results indicate the effectiveness of the proposed method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  128 - FFS: A F-DBSCAN Clustering- Based Feature Selection For Classification Data
  Nasim Eshaghi Ali Aghagolzadeh
  Feature selection is an important step in most classification problems to select an optimal subset of features to increase the learning accuracy and reduce the computational time. In this paper we proposed a new feature clustering based method to perform feature selecti أکثر

  Feature selection is an important step in most classification problems to select an optimal subset of features to increase the learning accuracy and reduce the computational time. In this paper we proposed a new feature clustering based method to perform feature selection (FFS) in classification problems. The FFS algorithm works in two steps. In the first step, features are divided into clusters by using F-DBSCAN method. A novel F-DBSCAN clustering method used mutual information for measuring dependencies between features. In the second step, the most representative feature is selected from each cluster by a new criterion function. This allows us to consider the possible dependency on the target class and the redundancy between the selected features in each cluster. The experimental results on different datasets show that the proposed algorithm is more effective for feature selection in classification problems.. Compared with the other methods, the average classification accuracy of C4.5, KNN and Naïve Bayes are improved using FFS by 8.05, 8.36 and 4.63 percent, respectively. Also, the results demonstrate that the FFS algorithm produces small subsets of features with very high classification rate. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  129 - Stock Trading Signal Prediction Using a Combination of K-Means Clustering and Colored Petri Nets (Case Study: Tehran Stock Exchange)
  Ali Ghorbani Mahmood Yahyazadehfar Seyyed Ali Nabavi Chashmi
  Stock markets are attractive in nature for investors to gain profit. However decision making about suitable points of trading is a challenging issue, due to various properties of stocks, unstable values and data frequencies. Predicting stock price movements and discover أکثر

  Stock markets are attractive in nature for investors to gain profit. However decision making about suitable points of trading is a challenging issue, due to various properties of stocks, unstable values and data frequencies. Predicting stock price movements and discovering turning points using technical indicators, for the sake of data frequency reduction in short-term, is a preferred choice in comparison with price forecasting which commonly uses fundamental analysis. In this ambit, this paper proposes a Colored Petri Net model combined with k-means clustering decision making rules to predict stock trading signal, namely buy, sell, and hold, enhanced by a strength coefficient in a 7-step process. The paper focuses on Tehran stock exchange as case study in a two-year time interval. Simulation results implies superiority of proposed model against other state-of-the-art approaches, i.e. artificial neural networks, decision tree, and linear regression, with the accuracy rate of 88% in term of correctly classifying. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  130 - An improved opposition-based Crow Search Algorithm for Data Clustering
  Rogayyeh Jafari Jabal Kandi Farhad Soleimanian Gharehchopogh
  Data clustering is an ideal way of working with a huge amount of data and looking for a structure in the dataset. In other words, clustering is the classification of the same data; the similarity among the data in a cluster is maximum and the similarity among the data i أکثر

  Data clustering is an ideal way of working with a huge amount of data and looking for a structure in the dataset. In other words, clustering is the classification of the same data; the similarity among the data in a cluster is maximum and the similarity among the data in the different clusters is minimal. The innovation of this paper is a clustering method based on the Crow Search Algorithm (CSA) and Opposition-based Learning (OBL). The CSA is one of the meat-heuristic algorithms that is difficult at the exploration and exploitation stage, and thus, the clustering problem is susceptible to initialization for centrality of the clusters. In the proposed model, the crows change their position based on the OBL method. The position of the crows is updated using OBL to find the best position for the cluster. To evaluate the performance of the proposed model, the experiments were performed on 8 datasets from the UCI repository and compared with seven different clustering algorithms. The results show that the proposed model is more accurate, more efficient, and more robust than other clustering algorithms. Also, the convergence of the proposed model is better than other algorithms. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  131 - Increasing the Accuracy of Recommender Systems Using the Combination of K-Means and Differential Evolution Algorithms
  Ali Pazahr
  Recommender systems are the systems that try to make recommendations to each user based on performance, personal tastes, user behaviors, and the context that match their personal preferences and help them in the decision-making process. One of the most important subject أکثر

  Recommender systems are the systems that try to make recommendations to each user based on performance, personal tastes, user behaviors, and the context that match their personal preferences and help them in the decision-making process. One of the most important subjects regarding these systems is to increase the system accuracy which means how much the recommendations are close to the user interests. In this paper, to achieve the mentioned aim we use a combination of K-means and differential evolution algorithms. The K-means algorithm determines the best recommendations for the current user based on the behavior of the other users. The differential evolution algorithm is used to optimize the user clustering in the recommender system. Given that the proposed model has been tested in a movie domain, the films suggested to the current user, have the highest rates from the users who are similar to the current user. The results gained from the simulation show the superior performance of the proposed model in comparison to the related works with an average increased accuracy of 0.01. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  132 - NMFA: Novel Modified FA algorithm Based On Firefly Recent Behaviors
  Fatemeh Jafarnejad Rezaiyeh Kambiz Majidzadeh
  The Firefly optimization algorithm (FA) is one of the practical nature-inspired metaheuristic approaches in 2008, which simulated the behavior of fireflies in the movement toward the light sources. Recent studies on this beautiful creature have revealed new behaviors th أکثر

  The Firefly optimization algorithm (FA) is one of the practical nature-inspired metaheuristic approaches in 2008, which simulated the behavior of fireflies in the movement toward the light sources. Recent studies on this beautiful creature have revealed new behaviors that strongly require us to review them. The proposed algorithm NMFA is the simulation results with the latest information from the behavior of fireflies. The NMFA is used for data clustering and optimization of continuous problems. The experimental results of the testing on optimization of 26 standard functions show that the proposed method works best in terms of success rate and convergence than the FA, HS, ABC, and IWO algorithms and makes an important and substantial difference in optimization. The non-parametric, statistical, and pairwise tests show the superiority of the modern firefly algorithm. The NMFA can cluster the datasets like the conventional K-means algorithm and obtain a significant result among the well-known methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  133 - An Improved K-Means with Artificial Bee Colony Algorithm for Clustering Crimes
  Mohammad Karimi Farhad Soleimanian Gharehchopogh
  Crime detection is one of the major issues in the field of criminology. In fact, criminology includes knowing the details of a crime and its intangible relations with the offender. In spite of the enormous amount of data on offenses and offenders, and the complex and in أکثر

  Crime detection is one of the major issues in the field of criminology. In fact, criminology includes knowing the details of a crime and its intangible relations with the offender. In spite of the enormous amount of data on offenses and offenders, and the complex and intangible semantic relationships between this information, criminology has become one of the most important areas in the field of clustering. With the development of computer systems and the development of clustering algorithms, it has been possible to interpret mass data and extract knowledge from them. There are different types of attribute in the mass data set, each of which can be suitable for crime detection. By clustering, different groups of crime can be identified and also the percentage of their occurrence. In this paper, a K-Means improved by Artificial Bee Colony (ABC) algorithm is proposed for crime clustering. In the proposed model, an ABC algorithm has been used to improve cluster centers and increase the accuracy of clustering and assignment of samples to appropriate clusters. The main motivation is to exploit the search ability of ABC algorithm and to avoid the original limitation of falling into locally optimal values of the K-Means. Evaluation has done on data set with 1994 samples and 128 features. The results show that the accuracy of the proposed model is higher than K-Means, and the Purity value of the proposed model with 500 iterations is 0.943. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  134 - Improving Accuracy in Intrusion Detection Systems Using Classifier Ensemble and Clustering
  Ensieh Nejati Hassan Shakeri Hassan Raei
  Recently by developing the technology, the number of network-based servicesis increasing, and sensitive information of users is shared through the Internet.Accordingly, large-scale malicious attacks on computer networks could causesevere disruption to network services s أکثر

  Recently by developing the technology, the number of network-based servicesis increasing, and sensitive information of users is shared through the Internet.Accordingly, large-scale malicious attacks on computer networks could causesevere disruption to network services so cybersecurity turns to a major concern fornetworks. An intrusion detection system (IDS) could be considered as anappropriate solution to address the cybersecurity. Despite the applying differentmachine learning methods by researchers, low accuracy and high False AlarmRate are still critical issues for IDS. In this paper, we propose a new approach forimproving the accuracy and performance of intrusion detection. The proposedapproach utilizes a clustering-based method for sampling the records, as well asan ensembling strategy for final decision on the class of each sample. For reducingthe process time, K-means clustering is done on the samples and a fraction of eachcluster is chosen. On the other hand, incorporating three classifiers includingDecision Tree (DT), K-Nearest-Neighbor (KNN) and Deep Learning in theensembling process results to an improved level of precision and confidence. Themodel is tested by different kinds of feature selection methods. The introducedframework was evaluated on NSL-KDD dataset. The experimental results yieldedan improvement in accuracy in comparison with other models تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  135 - IKM-SARAVOA: A New Hybrid-based Search and Rescue Algorithm with African Vulture Optimization Algorithm for Data Clustering
  Ehsan Soleimani Dehkordi Mohammadreza Mollahoseini Ardakani
  Clustering is an essential technique for analyzing unlabeled data. In the past few years, population-based meta-heuristic algorithms have been effectively used to solve optimization problems including data clustering. In this paper, a new model based on the combination أکثر

  Clustering is an essential technique for analyzing unlabeled data. In the past few years, population-based meta-heuristic algorithms have been effectively used to solve optimization problems including data clustering. In this paper, a new model based on the combination of Search and Rescue Optimization Algorithm (SAR) with African Vulture Optimization Algorithm (AVOA) named Improved K-Means Search and Rescue with African Vulture Optimization Algorithm (IKM-SARAVOA) is proposed. Two common obstacles in achieving optimal clustering, i.e., premature convergence and getting stuck in local optima can be challenging for the complex clustering problem. In the IKM-SARAVOA model, the SAR is improved by the AVOA in order to optimally cluster and discover cluster centers. AVOA enhances the scope of exploration in SAR. The evaluation of the IKM-SARAVOA model has been performed on six standard datasets from the UCI machine learning database. The fitness function is set based on the sum of squared errors. The results show that the IKM-SARAVOA model has better accuracy compared to SAR and AVOA. IKM-SARAVOA model has achieved fast convergence in a smaller number of iterations. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  136 - An Efficient Protocol for Data Aggregation In Wireless Sensor Networks
  Mohammad Karim Sohrabi Elahe Khorramian
  Sensor networks generally consist of a very great number of sensor nodes which will be spread into a vast environment and aggregate data out of it. The sensor nodes are afflicted with some limitations as follows memory, reception, communication as well as calculation ca أکثر

  Sensor networks generally consist of a very great number of sensor nodes which will be spread into a vast environment and aggregate data out of it. The sensor nodes are afflicted with some limitations as follows memory, reception, communication as well as calculation capability, and battery power. The transmission of a great amount of extra data increases data transmission and proportionally increases the amount of energy and bandwidth for the data transmission. One solution for this issue is data aggregation. The results of aggregated data influence the accuracy and precision of the final result already gleaned from the base station. The main challenge in such networks is how to further elongate the network lifetime and among the factors doing so is the energy consumption or energy optimization. The clustering is one apt method in place for furthering the network life span. Respectively the clustering protocols have come up with a suitable method for the so called challenge or more simply put increasing the lifetime. In this paper the researchers attempt to bring forth yet another efficient protocol for data aggregation hinging around clustering which uses maximum residual energy and minimum distance for selecting the cluster-head to reduce the consumption of energy. The experimental results point to this very fact that Energy-Efficient Clustering Algorithm through Residual Energy and Average Distance (EECA-READ) attains very good performance. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  137 - Proposing a Novel Algorithm for Fault-Tolerant Relay Node Placement in Wireless Sensor Networks
  Hamid Barati Mohsen Sedighi Ali Movaghar Iman Attarzadeh
  Wireless sensor networks are composed of hundreds or thousands of small nodes called sensor that work together and are associated with a specific task or tasks to do. Each of these nodes includes sensor, processor, communication components, a small memory and a source o أکثر

  Wireless sensor networks are composed of hundreds or thousands of small nodes called sensor that work together and are associated with a specific task or tasks to do. Each of these nodes includes sensor, processor, communication components, a small memory and a source of energy.It is expected that wireless sensor networks will be used widely in many applications in near future. Scalability and lifetime extension in wireless sensor networks are critical issues in designing and implementing a wireless Sensor Network (WSN).Relay Nodes (RNs) in WSN are nodes with higher useful power and radius, which considered as head of network. RNs are able to disseminate data in a higher level, network clusters, and network regions. In this paper, a novel algorithm is proposed to cover all sensor nodes with the least possible RNs. The number of RNs can be calculated through a proposed mathematical function which has the maximum rate of detection. The proposed approach shows high capability for fault tolerance in WSN when compared to other algorithms. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  138 - Double Clustering Method in Hiding Association Rules
  Zahra Kiani Abari Mohammad Naderi Dehkordi
  Association rules are among important techniques in data mining which are used for extracting hidden patterns and knowledge in large volumes of data. Association rules help individuals and organizations take strategic decisions and improve their business processes. Extr أکثر

  Association rules are among important techniques in data mining which are used for extracting hidden patterns and knowledge in large volumes of data. Association rules help individuals and organizations take strategic decisions and improve their business processes. Extracted association rules from a database contain important and confidential information that if published, the privacy of individuals may be threatened. Therefore, the process of hiding sensitive association rules should be performed prior to sharing the database. This is done through changing the database transactions. These changes must be made in such a way that all sensitive association rules are hidden and a maximum number of non-sensitive association rules are extractable from the sanitized database. In fact, a balance is to be established between hiding the sensitive rules and extracting the non-sensitive rules. A new algorithm is presented in this paper to create a balance between preserving privacy and extracting knowledge. The items of sensitive rules are clustered in the proposed algorithm, in order to reduce changes. In fact, reduction of changes and clustering of rules are applied in order to reduce the side effects of the hiding process on non-sensitive rules. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  139 - Intrusion Detection System in Computer Networks Using Decision Tree and SVM Algorithms
  Zeinab Kermansaravi Hamid Jazayeriy Soheil Fateri
  Internet applications spreading and its high usage popularity result in significant increasing of cyber-attacks. Consequently, network security has become a matter of importance and several methods have been developed for these attacks. For this purpose, Intrusion detec أکثر

  Internet applications spreading and its high usage popularity result in significant increasing of cyber-attacks. Consequently, network security has become a matter of importance and several methods have been developed for these attacks. For this purpose, Intrusion detection systems (IDS) are being used to monitor the attacks occurred on computer networks. Data mining Techniques, Machine Learning, Neural networks, Collective Intelligence, Evolutionary algorithms and Statistical methods are some of algorithms which have been used for classification, training and reviewing detection accuracy with analysis based on the standard datasets in Intrusion Detection Systems. In this Paper, the hybrid algorithm is introduced based on decision tree and support vector machine (SVM) using feature selection and decision rules to apply on IDS. The main idea is to use the strengths of both algorithms in order to improve detection, enhance the accuracy and reduce the rate of error detection of the results. In this algorithm, the best features are selected by SVM, afterwards decision tree is used to make decisions and define rules. The results of applying proposed algorithm are analyzed on the standard dataset KDD Cup99. The proposed method guarantees high detection rate which is proved by simulation results. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  140 - Solving the Capacitated Clustering Problem by aCombined Meta-Heuristic Algorithm
  Narges Mahmoodi Darani Vahid Ahmadi Zahra Saadati Eskandari Majid Yousefikhoshbakht
  The capacitated clustering problem (CCP) is one of the most important combinational optimization problems that nowadays has many real applications in industrial and service problems. In the CCP, a given n nodes with known demands must be partitioned into k distinct clus أکثر

  The capacitated clustering problem (CCP) is one of the most important combinational optimization problems that nowadays has many real applications in industrial and service problems. In the CCP, a given n nodes with known demands must be partitioned into k distinct clusters in which each cluster is detailed by a node acting as a cluster center of this cluster. The objective is to minimize the sum of distances from all cluster centers to all other nodes in their cluster, such that the sum of the corresponding node weights does not exceed a fixed capacity and every node is allocated to exactly one cluster. This paper presents a hybrid three-phase meta-heuristic algorithm (HTMA) including sweep algorithm (SA), ant colony optimization (ACO) and two local searches for the CCP. At the first step, a feasible solution of CCP is produced by the SA, and at the second step, the ACO, insert and swap moves are used to improve solutions. Extensive computational tests on standard instances from the literature confirm the effectiveness of the presented approach compared to other meta-heuristic algorithms. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  141 - Intelligent Diabetic Retinopathy Diagnosis in Retinal Images
  Marzie Zahmatkesh Ali Rafiee Majid Mazinani
  Diabetic Retinopathy is one of the most important reasons of blindness which causes serious damage in the retina. The aim of this research is to detect one lesions of the retina, named Exudates automatically with Image processing techniques. Preprocessing is the first s أکثر

  Diabetic Retinopathy is one of the most important reasons of blindness which causes serious damage in the retina. The aim of this research is to detect one lesions of the retina, named Exudates automatically with Image processing techniques. Preprocessing is the first step of proposed algorithm. After preprocessing, the optic disc was detected and removed from the retinal image due to the same color of OD and the exudates. Next, the HSV format of image has been used where the H and V channels, standard deviation on green channel of retinal image and the background removal features were used as input of the system. The Fuzzy C-mean algorithm is used for classification. In this research the databases were Diaretdb0 and Diaretdb1. The results show 88.86% for Sensitivity and 99.98% for Specificity. Also, the result for PPV was 95.66% and the Accuracy was 99.90%. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  142 - A Routing Algorithm based on Fuzzy Clustering and Minimum Cost Tree (FCMCT) in Wireless Sensor Network
  Maryam Javaherian Abolfazl T.Haghighat
  Nowadays, wireless sensor network has been of interest to investigators and the greatest challenge in this part is the limited energy of sensors. Sensors usually are in the harsh environments and transit in these environments is hard and impossible and moreover the node أکثر

  Nowadays, wireless sensor network has been of interest to investigators and the greatest challenge in this part is the limited energy of sensors. Sensors usually are in the harsh environments and transit in these environments is hard and impossible and moreover the nodes use non- replaceable batteries. Because of this, saving energy is very important. In this paper we tried to decrease hard and complex computing with using soft computing such as fuzzy logic and we used it in cluster head selection part. Hard and complex computing can waist energy, because of this, we used some techniques to solve this problem. Minimum cost tree (MCT) helps to find minimum path, so we used this technique for intra cluster routing and again more over we used distributed source coding (DSC) technique for aggregating data. Finally all of methods could reduce energy consumption and increased network lifetime. Proposed algorithm is called FCMCT and simulation and results show improvement. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  143 - Presenting a Real Time Method for Automatic Detection of Diabetes Based on Fuzzy Reward-Penalty System
  Najmeh Hosseinpour Mohammad Mosleh Saeed Setayeshi
  Nowadays diabetes disease is one of the main problems of health domain and it’s known as the fourth factor of death in the world. The main problem with this dangerous disease is the late or weak diagnosis. The reason of weak diagnosis is because sometimes doctors أکثر

  Nowadays diabetes disease is one of the main problems of health domain and it’s known as the fourth factor of death in the world. The main problem with this dangerous disease is the late or weak diagnosis. The reason of weak diagnosis is because sometimes doctors aren’t able to select the right patterns or they can’t use the standard patterns very well, so the outcome is that the disease will be diagnosed by the patients when it has become late for controlling or curing it. Therefore, implementing a method which can help each person to have an authentic diagnosis of being or not being affected to this disease; can be an important step for prevention and controlling this special disease at the beginning of it. In this paper, a new method is presented for diagnosing diabetes disease which is able to extract the proper knowledge by helping to cluster and analyze the training patterns, after that in recognition phase it can diagnose diabetes disease precisely and fast via a fuzzy reward-penalty mechanism. For evaluating the proposed method, PIMA dataset has been used. The experimental results show that the proposed method has a better performance compared to other existing methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  144 - Robust Cluster-Based method for monitoring generalized linear profiles in phase I
  Davood Saremian Rassoul Noorossana Sadigh Raissi Paria Soleimani
  10.30495/jiei.2021.1920761.1085
  Profile monitoring is one of the new statistical quality control methods used to evaluate the functional relationship between the descriptive and response variables to measure the process quality. Most of the studies in this field concern processes whose response variab أکثر

  Profile monitoring is one of the new statistical quality control methods used to evaluate the functional relationship between the descriptive and response variables to measure the process quality. Most of the studies in this field concern processes whose response variables follow the normal distribution function, but in many industries and services, this assumption is not true. The presence of outliers in the historical data set could have a deleterious effect on phase I parameter estimation. Therefore, in this paper, we propose a robust cluster-based method for estimating the parameters of generalized linear profiles in phase I. In this method, the effect of data contamination on estimating the generalized linear model parameters is reduced and as a result, the performance of T^2 control charts is improved. The performance of this method has been evaluated for two specific modes of generalized linear profiles, including logistic and Poisson profiles, based on a step shift. The simulation results indicate the superiority of this cluster-based method in comparison to the non-clustering method and provide a more accurate estimation of the parameters. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  145 - A New Multi-Stage Feature Selection and Classification Approach: Bank Customer Credit Risk Scoring
  Farshid Abdi
  10.30495/jiei.2021.1919589.1079
  AbstractLots of information about customers are stored in the databases of banks. These databases can be used to assess the credit risk. Feature selection is a well-known concept to reduce the dimension of such databases. In this paper, a multi-stage feature selection a أکثر

  AbstractLots of information about customers are stored in the databases of banks. These databases can be used to assess the credit risk. Feature selection is a well-known concept to reduce the dimension of such databases. In this paper, a multi-stage feature selection approach is proposed to reduce the dimension of database of an Iranian bank including 50 features. The first stage of this paper is devoted to removal of correlated features. The second stage of it is allocated to select the important features with genetic algorithm. The third stage is proposed to weight the variables using different filtering methods. The fourth stage selects feature through clustering algorithm. Finally, selected features are entered into the K-nearest neighbor (K-NN) and Decision Tree (DT) classification algorithms. The aim of the paper is to predict the likelihood of risk for each customer based on effective and optimum subset of features available from the customers. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  146 - Exact algorithms for solving a bi-level location–allocation problem considering customer preferences
  Ehsan Mirzaei Mahdi Bashiri Hossein Shams Shemirani
  The issue discussed in this paper is a bi-level problem in which two rivals compete in attracting customers and maximizing their profits which means that competitors competing for market share must compete in the centers that are going to be located in the near future. أکثر

  The issue discussed in this paper is a bi-level problem in which two rivals compete in attracting customers and maximizing their profits which means that competitors competing for market share must compete in the centers that are going to be located in the near future. In this paper, a nonlinear model presented in the literature considering customer preferences is linearized. Customer behavior means that the customer patronizes the most attractive (most comfort) location that he/she wants to be served among the locations of the first-level decision maker (Leader) and the second-level decision maker (Follower). Four types of exact algorithms have been introduced in this paper which include three types of full enumeration procedures and a developed branch-and-bound procedure. Moreover, a clustering-based algorithm has been presented that can provide a good approximation (a good lower bound) to the mentioned binary problem. For this purpose, the numerical results obtained are compared with the results of the full enumeration, heuristic and the branch-and-bound procedure. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  147 - New spatial clustering-based models for optimal urban facility location considering geographical obstacles
  Maryam Javadi Jamal Shahrabi
  The problems of facility location and the allocation of demand points to facilities are crucial research issues in spatial data analysis and urban planning. It is very important for an organization or governments to best locate its resources and facilities and efficient أکثر

  The problems of facility location and the allocation of demand points to facilities are crucial research issues in spatial data analysis and urban planning. It is very important for an organization or governments to best locate its resources and facilities and efficiently manage resources to ensure that all demand points are covered and all the needs are met. Most of the recent studies, which focused on solving facility location problems by performing spatial clustering, have used the Euclidean distance between two points as the dissimilarity function. Natural obstacles, such as mountains and rivers, can have drastic impacts on the distance that needs to be traveled between two geographical locations. While calculating the distance between various supply chain entities (including facilities and demand points), it is necessary to take such obstacles into account to obtain better and more realistic results regarding location-allocation. In this article, new models were presented for location of urban facilities while considering geographical obstacles at the same time. In these models, three new distance functions were proposed. The first function was based on the analysis of shortest path in linear network, which was called SPD function. The other two functions, namely PD and P2D, were based on the algorithms that deal with robot geometry and route-based robot navigation in the presence of obstacles. The models were implemented in ArcGIS Desktop 9.2 software using the visual basic programming language. These models were evaluated using synthetic and real data sets. The overall performance was evaluated based on the sum of distance from demand points to their corresponding facilities. Because of the distance between the demand points and facilities becoming more realistic in the proposed functions, results indicated desired quality of the proposed models in terms of quality of allocating points to centers and logistic cost. Obtained results show promising improvements of the allocation, the logistics costs and the response time. It can also be inferred from this study that the P2D-based model and the SPD-based model yield similar results in terms of the facility location and the demand allocation. It is noted that the P2D-based model showed better execution time than the SPD-based model. Considering logistic costs, facility location and response time, the P2D-based model was appropriate choice for urban facility location problem considering the geographical obstacles. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  148 - تقسیم بازار مشتریان کتابخانه‌های عمومی بر مبنای وفاداری به روش تحلیل خوشه‌ای کا- میانگین (مطالعه استان‌های لرستان، فارس، و خوزستان)
  مریم کشوری ندا پورخلیل مرجان خجسته فر
  هدف: هدف این پژوهش تقسیم بازار مشتریان کتابخانه های عمومی سه استان لرستان، فارس، و خوزستان بر مبنای مفهوم وفاداری است. روشپژوهش: پژوهش از نظر هدف کاربردی و از نظر شیوه گردآوری داده ها توصیفی- پیمایشی است. جامعه پژوهش اعضای کتابخانه های عمومی سه استان لرستان، فارس، و أکثر

  هدف: هدف این پژوهش تقسیم بازار مشتریان کتابخانه های عمومی سه استان لرستان، فارس، و خوزستان بر مبنای مفهوم وفاداری است. روشپژوهش: پژوهش از نظر هدف کاربردی و از نظر شیوه گردآوری داده ها توصیفی- پیمایشی است. جامعه پژوهش اعضای کتابخانه های عمومی سه استان لرستان، فارس، و خوزستان هستند. با توجه به روش آماری پژوهش تعداد 350 پرسشنامه توزیع گردید و تجزیه و تحلیل نهایی روی 300 پرسشنامه برگشتی انجام شد. ابزار گردآوری داده ها، پرسشنامه ای محقق ساخته است (الفای کرونباخ = 874/0). در تجزیه و تحلیل داده ها از نرم افزار اس پی اس اس و با روش های تحلیل عاملی و تحلیل خوشه ای کامیانگین انجام شد. یافته ها: با اجرای تحلیل عاملی، 5 عامل (با مجموعاً 157/64 درصد از کل واریانس) شناسایی شدند. با اجرای تحلیل خوشه ای کامیانگین، دو خوشه تشکیل شد که به عنوان "وفاداران نگرشی و رفتاری" و "مشتریان خنثی" نامگذاری شدند، خوشۀ مشتریان وفادار نگرشی و رفتاری، هم نگرش مطلوبی نسبت به کتابخانه دارند و میزان استفاده بالایی نسبت به خدمات و محصولات کتابخانه دارند؛ در حالی که مشتریان خنثی در هر دو بعد وفاداری در سطح متوسط قرار داشته اند. بین خوشه ها از از نظر میزان امانت کتاب و نشریات اختلاف معنی دار وجود دارد. اصالت ارزش: بازار پژوهشی در حوزه کتابخانه های عمومی منجر به شناخت ویژگی های جامعه مخاطب شده و این مطلب می تواند منجر به ارائه برنامه های بازاریابی علمی و هدفمند، متناسب با نیازهای گروه های مخاطب مختلف شود. ضمن اینکه مشتریان وفادار سرمایه های مهمی برای کتابخانه های عمومی محسوب می شوند و شناسایی این بخش از مشتریان می تواند مزایای بسیاری برای کتابخانه ها داشته باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  149 - رتبه‌بندی و تعیین وب سایتهای هسته واحدهای جامع و مراکز استانهای دانشگاه آزاد اسلامی با استفاده از روش وب سنجی
  علیرضا اسفندیاری مقدم فرشید دانش فرامرز سهیلی
  هدف اصلی این پژوهش، رتبه بندی و تعیین وب سایت های هسته واحدهای جامع و مراکز استانهای دانشگاه آزاد اسلامی با استفاده از روش وب سنجی می باشد. جامعه پژوهش حاضر را 36 وب سایت واحدهای جامع و مراکز استانهای دانشگاه آزاد اسلامی شامل می شود. روش پژوهش حاضر، روش تحلیل پیوندها أکثر

  هدف اصلی این پژوهش، رتبه بندی و تعیین وب سایت های هسته واحدهای جامع و مراکز استانهای دانشگاه آزاد اسلامی با استفاده از روش وب سنجی می باشد. جامعه پژوهش حاضر را 36 وب سایت واحدهای جامع و مراکز استانهای دانشگاه آزاد اسلامی شامل می شود. روش پژوهش حاضر، روش تحلیل پیوندها است که یکی از روش های وب سنجی می باشد. بنابراین، با استفاده از شیوه های وب سنجی، میزان رویت و عامل تاثیرگذار وب، روش دسته بندی و مقیاس چند بعدی به مطالعه خوشه های اصلی این وب سایتها بر اساس هم پیوندی آنها پرداخته شده است. به منظور گردآوری داده ها و برای شمارش انواع پیوندها از راهنمای اینترنتی یاهو استفاده شد. بررسی وضعیت وب سایت های دانشگاه های آزاد مراکز استان و مراکز جامع آن بر اساس تعداد پیوندهای دریافتی حاکی از این است که وب سایت دانشگاه آزاد تهران جنوب با تعداد 2710، وب سایت دانشگاه آزاد کرج با 2560 و دانشگاه آزاد تبریز با 1350 پیوند دریافتی دارای بالاترین تعداد پیوند دریافتی و در نتیجه بالاترین میزان رؤیت هستند.یافته های حاصل از محاسبه ضریب تأثیرگذاری تجدیدنظر شده حاکی از آن است که وب سایت دانشگاه آزاد خرم آباد با 34381/10 دارای بالاترین رتبه و وب سایت دانشگاه آزاد خوراسگان با 188561/0 دارای پایین ترین رتبه اند. نتایج رتبه بندی دانشگاه های مورد بررسی بر اساس عامل تأثیرگذار کلی نشان داد که وب سایت دانشگاه آزاد خرم آباد با ضریب تأثیر 57303/10 دارای بالاترین، و وب سایت دانشگاه آزاد خوراسگان با ضریب تأثیر 212915/0 دارای پایین ترین عامل تأثیرگذار کلی بودند. نیز، از بین وب سایت های دانشگاه های مورد بررسی 10 وب سایت به عنوان وب سایت هسته انتخاب شدند. در نهایت، راهکارهایی به منظور ارتقاء وضعیت کنونی وب سایتهای مورد بررسی، و پیشنهاداتی برای پژوهشهای آتی ارائه گردید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  150 - تحلیل استنادی و ترسیم نقشه علمی مطالعات کتابداری و اطلاع‌رسانی در پایگاه استنادی "وب آو ساینس" از سال 1993 تا 2011
  مریم اخوتی حلیمه صادقی علی طالبیان محمدرضا بانشی
  هدف: ترسیم نقشه علمی از روش های بازنمود انتشارات علمی یک حوزه از علم است. هدف این پژوهش تحلیل و ترسیم ساختار علمی مطالعات کتابداری و اطلاع رسانی در پایگاه "وب آو ساینس" است. روش پژوهش: پ‍ژوهش از نوع کاربردی و روش تحلیل محتوا است. جامعه آماری پژوهش، کلیه مقالات کتاب أکثر

  هدف: ترسیم نقشه علمی از روش های بازنمود انتشارات علمی یک حوزه از علم است. هدف این پژوهش تحلیل و ترسیم ساختار علمی مطالعات کتابداری و اطلاع رسانی در پایگاه "وب آو ساینس" است. روش پژوهش: پ‍ژوهش از نوع کاربردی و روش تحلیل محتوا است. جامعه آماری پژوهش، کلیه مقالات کتابداری و اطلاع رسانی نمایه شده در پایگاه "وب آو ساینس" طی سال های 2011 – 1993 است. ابزار گردآوری داده ها نمایه استنادی گسترش یافته علوم (SCIE) و نمایه استنادی علوم اجتماعی (SSCI) از مجموعه "وب آو ساینس" است. پس از جستجو در پایگاه "وب آو ساینس" رکوردهای بازیابی شده به حالت متن ساده وارد نرم افزار هیست سایت شد. برخی از فایل ها برای تجزیه و تحلیل بیشتر وارد نرم افزار excel شد. نقشه علمی نیز با استفاده از نرم افزار "هیست سایت" ترسیم و خوشه های مهم تعیین شد. یافته ها: متوسط رشد تولیدات علمی کتابداری و اطلاع‌رسانی 0.013 درصد بوده ‌است. مجله "کتابخانه الکترونیکی" به عنوان مجله ای که بیشترین تولیدات علمی در آن منتشر شده است، شناخته شد (233 مدرک). دانشگاه ایلینویز بیشترین سهم را در بین سازمان های تولید کننده علم حوزه مورد بررسی داراست(118 رکورد). ضریب همکاری نویسندگان در حد پایین بود (0.24 درصد). بر اساس استناد جهانی (GCS) 3 خوشه تشکیل شد. موضوع اصلی خوشه‌ها، بازیابی اطلاعات و رفتار اطلاع‌یابی (خوشه 1)، رفتار اطلاع‌یابی کودکان (خوشه 2)، مصورسازی علم، علم اطلاع‌رسانی، بازیابی اطلاعات و علم‌سنجی (خوشه 3) بود. نتیجه گیری: در این تحقیق مجلات مهم، نویسندگان پرکار، مؤسسه های فعال و کشورهای پیشرو در تولیدات علمی کتابداری و اطلاع رسانی مشخص شدند که می تواند الگوی مناسبی برای پژوهشگران این حوزه در داخل کشور برای ارتقای سطح کیفی و کمی تحقیقات باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  151 - خوشه بندی خودرو سازان بر اساس تابع تولید اقتصادی با استفاده از تحلیل پوششی داده ها
  سمیه رضایی غلامرضا امین میر بهادر قلی آریا نژاد
  خوشه بندی به کمک تحلیل پوششی داده ها(DEA) شناسایی روابط پنهان بین عوامل ورودی و خورجی واحدهای تصمیم گیری در تعیین تابع تولید آنهاست.در این مقاله به کمک خوشه بندی بر اساسDEA توابع تولید واحدهای تصمیم گیری صنایع خودرو سازی(از جمله سایپا) به صورت تفکیک شده مشخص می شود.تع أکثر

  خوشه بندی به کمک تحلیل پوششی داده ها(DEA) شناسایی روابط پنهان بین عوامل ورودی و خورجی واحدهای تصمیم گیری در تعیین تابع تولید آنهاست.در این مقاله به کمک خوشه بندی بر اساسDEA توابع تولید واحدهای تصمیم گیری صنایع خودرو سازی(از جمله سایپا) به صورت تفکیک شده مشخص می شود.تعیین توابع تولید خودروسازان و استفاده از انها در تفکیک صنایع مشابه با قابلیت در نظر گرفتن همزمان چندین عامل ورودی و خروجی از مزیتهای روش خوشه بندی بر اساس DEA است.در نتیجه به کارگیری این روش نه تنها دسته ای را که هر واحد خودرو سازی به آن تعلق دارد مشخص شده است:بلکه نوع تابع تولید واحدهای هر دسته نیز شناسایی میگردد. از طرف دیگر با مقایسه تابع تولید به کار رفته در خوشه های متفاوت اطلاعات مهمی در مورد چگونگی استفاده از منابع در ترکیب ورودی ها برای صنایع متفاوت به دست می آید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  152 - ترسیم ساختار دانش در پژوهش‌های عرفانی: تحلیل هم‌واژگانی
  سهیلا فرهنگی علی اکبر خاصه آرزو ابراهیمی دینانی
  با استفاده از تحلیل هم‌واژگانی می‌توان ساختار دانش را در یک حوزۀ پژوهشی، شناسایی و خوشه‌های موضوعیِ زیر مجموعۀ آن را بیان کرد. در این پژوهش سعی بر آن است تا با کاربرد این روش و استفاده از رویکردهای تحلیل شبکه و دیداری‌سازی علم، ساختار دانش در پژوهش‌های حوزۀ عرفان بررسی أکثر

  با استفاده از تحلیل هم‌واژگانی می‌توان ساختار دانش را در یک حوزۀ پژوهشی، شناسایی و خوشه‌های موضوعیِ زیر مجموعۀ آن را بیان کرد. در این پژوهش سعی بر آن است تا با کاربرد این روش و استفاده از رویکردهای تحلیل شبکه و دیداری‌سازی علم، ساختار دانش در پژوهش‌های حوزۀ عرفان بررسی شود. مجموعۀ اصلی رکوردهای تحت مطالعه، 1931 مقالة‌ چاپ ‌شده در حوزۀ عرفان است که در پایگاه استنادی جهان اسلام نمایه شده‌اند. در این پژوهش ـ که به روش کتاب‌سنجی و تحلیل شبکه‌های اجتماعی انجام شده ـ پس از بازیابی رکوردها و یکپارچه‌سازی فایل داده‌ها، اطلاعات به ‌دست‌ آمده با استفاده از نرم‌افزارهای مختصّ علم‌سنجی و همچنین spss مورد تحلیل قرار گرفته است. تحلیل خوشه‌های واژگانی، مهم‌ترین موضوعات مرتبط با پژوهش‌های عرفانی را در یازده خوشه، هر یک را تحت عنوانی مجزا نشان می‌دهد. بر اساس نقشۀ مقیاس چند بُعدی، این یازده خوشه به هشت خوشه با موضوعاتی کلی‌تر و پیوستگی و شباهت بیشتر تقلیل یافت. بررسی مرکزیّت و تراکم هر یک از این خوشه‌ها ـ که بیانگر میزان بلوغ و توسعۀ هر موضوع بر مبنای کلیدواژه‌های آن است ـ در نمودار راهبردی نشان می‌دهد که موضوع حکمت یا عرفان نظری، به‌ویژه در دیدگاه ابن‌عربی علاوه بر داشتن قابلیت توسعه، دارای بیشترین مرکزیت در میان دیگر موضوعات است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  153 - An Energy Efficient improving the Leach protocol Scheme in Wireless Sensor Networks
  Farzaneh Abdolahi Maryam Khademi
  Data gathering is a common but a critical operation in many applications of wireless sensor networks. So, innovative techniques that improve energy efficiency to prolong the network lifetime are highly required. In this research, we analyze the reduction of energy consu أکثر

  Data gathering is a common but a critical operation in many applications of wireless sensor networks. So, innovative techniques that improve energy efficiency to prolong the network lifetime are highly required. In this research, we analyze the reduction of energy consumption in wireless sensor networks. A sensor network consists of a large number of limited-energy sensor nodes, which are widely distributed in an environment that sense and collect the environmental information. In most applications of wireless sensor networks, there is no possibility of charging node batteries. In these types of networks, the most important challenge is the power constraint that directly affects the lifetime of the sensor network. Protocols designed in these networks should be accompanied by efficient energy consumption. The LEACH protocol is one of the well-known protocols that are widely used in this field. In this study, we use genetic algorithm and fuzzy clustering for improving the LEACH protocol. Our results show that the proposed algorithm has needs energy consumption in comparison with the original version. This leads to a prolonged network lifetime, which is one of the most important issues in wireless sensor networks. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  154 - Entropy-based Kernel Graph Cut with Weighted K-Means for Textural Image Region Segmentation
  Mehrnaz Niazi Kambiz Rahbar Mansour Sheikhan Maryam Khademi
  Recently, image segmentation based on graph cut methods has shown impressive performance on a set of image data. Although the kernel graph cut method provides good performance, its performance is highly dependent on the data mapping to the transformation space and image أکثر

  Recently, image segmentation based on graph cut methods has shown impressive performance on a set of image data. Although the kernel graph cut method provides good performance, its performance is highly dependent on the data mapping to the transformation space and image features. Entropy-based kernel graph cut method is suitable for segmentation of textured images. However, the quality of its segmentation is affected by the quality of extracting kernel centers. This paper examines the segmentation of textured images using the entropy-based kernel graph cut method based on weighted k-means. Using the advantages of kernel space, the objective function consists of two data terms to transfer the data standard deviation of each area in the segmented image and the regularization term. The proposed method, while using the advantages of suitable computational load of graph cut methods, will be a suitable alternative for segmenting textured images. Laboratory results have been taken on a set of well-known datasets that include textured shapes in order to evaluate the efficiency of the algorithm compared to other states-of-the-art methods in the field of kernel graph cut. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  155 - Customer Clustering by Combining the Particle Swarm And K-Means Algorithms and Analyzing Their Behavior on Commercial Websites
  MohammadReza Mehrazma Behrad Mahboobi
  One of the trends in modern management is the consideration of the principle of customer orientation and customer satisfaction. Following this approach, online shopping, as one of the goods and services distribution channels, is also inclined to maintain and expand rela أکثر

  One of the trends in modern management is the consideration of the principle of customer orientation and customer satisfaction. Following this approach, online shopping, as one of the goods and services distribution channels, is also inclined to maintain and expand relations with customers. Nonetheless, what has become even more highlighted in the competition arena is going beyond customer satisfaction by predicting the customers’ behavior in order to properly respond to their needs and ultimately, establish loyalty. One of the methods used to know the customers is the clustering approach. Clustering is a data mining technique that takes a number of items and places them in clusters based on their attributes. One of the problems of the k-means clustering is that it has no specific method for primary determination or calculation of the cluster centers. Therefore, in order to optimize the clusters, we use the particle swarm optimization (PSO) algorithm. In the end, we analyze these clusters using the RFM model to analyze the customers’ behavior. What is achieved by analysis of each cluster is finding the cluster of the most loyal customers. In this study, we specify the number of optimized clusters using the k-means clustering algorithm. Then, we use the obtained number of clusters for the primary adjustment in the particle swarm optimization algorithm. Finally, we score the achieved clusters by the RFM method so that we can identify the most loyal customers that are placed in the cluster with the highest score. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  156 - Recognizing Ecological Species Groups and their Relationships with Environmental Factors at Chamanbid-Jozak Protected Area, North Khorasan Province, Iran
  Mohabat Nadaf hamid Ejtehadi Mansour Mesdaghi Mohamad Farzam
  Classification of Ecological Species Groups (ESG) in plant community analysis is one method to describe vegetation and relating them to environmental factors. This study was conducted to recognize ESG and their relationships with some environmental factors in Chamanbid- أکثر

  Classification of Ecological Species Groups (ESG) in plant community analysis is one method to describe vegetation and relating them to environmental factors. This study was conducted to recognize ESG and their relationships with some environmental factors in Chamanbid-Jozak protected area from 2014 to 2016. This area is located in the eastern part of North Khorasan province, Iran. The study area contains steppe vegetation with some woodlands and shrubs of Paliurus spina–christi, Cerasus pseudoprostrata, and Cerasus microcarpa. To recognize ESG, a systematic-random sampling, by using 1 m2 Sampling Unit (SU), was carried out to provide a matrix of 74 sampling units and 42 species. Canopy cover percentage of different species was recorded in each SU. Physiographical, physical, and chemical factors, including altitude, slope, soil texture, gravel percentages, Organic Carbon (OC), Nitrogen (N), Potassium (K), lime, soil acidity (pH), Phosphorus (P), and Electrical Conductivity (EC) were measured. Euclidean distance and Ward's method of clustering were used to classify the plant species. Six ESG were detected in clustering and indicator species analyses. The relationships among these ESG and environmental factors were analyzed using Canonical Correspondence Analysis (CCA). The first ESG consisting four indicator species was influenced by organic carbon and K of almost f.0 fertile soils. ESG2 and ESG3 consisting four and one, indicator species, respectively. These ESG were only slightly affected by phosphorus and less by environmental factors evaluated in this study. ESG4, including eight indicator species was mostly affected by environmental factors such as altitude, slope, pH, and N. Both ESG5 and ESG6 were affected by gravel percentages. ESG classification of vegetation for sound and proper resource management in future via using long-term projects is recommended. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  157 - ارایه الگوی دسته بندی مشتریان با رویکرد داده کاوی ترکیبی( مورد مطالعه صنعت محصولات بهداشتی و آرایشی)
  امید بشردوست عزت اله اصغری زاده محمدعلی افشار کاظمی
  با توجه به حجم انباشته شده اطلاعات خرید مشتریان و پیچیدگی رقابت در عصر حاضر اهمیت ایجاد بستری برای تحلیل داده‌های به روز ودقیق مشتریان، باهدف ایجاد ارتباط‌های مؤثر با مشتریان فعلی و وفادار، بیش از پیش برای سازمان‌ها به عنوان یک مزیت رقابتی جلوه‌گر شده است. هدف این پژوهش أکثر

  با توجه به حجم انباشته شده اطلاعات خرید مشتریان و پیچیدگی رقابت در عصر حاضر اهمیت ایجاد بستری برای تحلیل داده‌های به روز ودقیق مشتریان، باهدف ایجاد ارتباط‌های مؤثر با مشتریان فعلی و وفادار، بیش از پیش برای سازمان‌ها به عنوان یک مزیت رقابتی جلوه‌گر شده است. هدف این پژوهش بررسی الگوهای رفتاری خرید مشتریان محصول‌های بهداشتی به منظور دسته‌بندی آنها براساس مدل WRFMبا استفاده از روش‌های ترکیبی داده‌کاوی است. از میان مشتریان استان تهران که در بازه سالهای 1396- 1397 از شرکت خرید داشته اند از پایگاه داده های مشتریان 65534 نمونه، با روش نمونه گیری هدفمند در دسترس جمع آوری شده و به کمک SPSS مقدار RFM موزون با توجه به نظر خبرگان صنعت مشخص و سپس این فیلد به دیگر داده های پژوهش اضافه شده و توسط نرم افزار داده‌کاوی کلمنتاین بر اساس70 درصد داده ها، خوشه بندی مشتریان صورت گرفته است؛ همچنین به منظور بررسی کیفیت خوشه‌بندی از معیارهای امتیازجینی، درصد خطا، اطلاعات متقابل نرمال‌شده (NMI) استفاده شده است. نتایج پژوهش حکایت ازکارایی بالای روش خوشه‌بندی Kمیانگین با تعداد چهارخوشه با درصد خلوص (0/761)، برای بخش بندی مشتریان داشته است تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  158 - Diagnosis of Liver Cancer by Fuzzy Kmeans Clustering Based on Evidence Theory
  Babak Fouladi Nia Abbas Karimi Faraneh Zarafshan Manochehr Kazemi
  10.30495/ijsee.2022.1948054.1163
  Liver cancer is one of the most common cancers that causes many deaths every year. In recent years, the risk of men and women getting liver cancer has increased by 40% and 23%, respectively. In order to identify a tumor in the liver, segmentation is performed on CT imag أکثر

  Liver cancer is one of the most common cancers that causes many deaths every year. In recent years, the risk of men and women getting liver cancer has increased by 40% and 23%, respectively. In order to identify a tumor in the liver, segmentation is performed on CT images. The use of data fusion methods in data mining techniques is one of the most practical methods to improve accuracy, which also has many applications in the field of medical image processing. Correct and efficient diagnosis of liver abnormalities leads to a significant reduction in human error and a more accurate diagnosis by physicians. This requires the use of methods based on automatic and semi-automatic detection. Combining clustering methods and considering cluster uncertainty is an appropriate tool in solving clustering problems in medical image processing, especially cancer diagnosis. The proposed method, in addition to having high accuracy, has a high convergence speed. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  159 - A Novel Clustering Algorithm Based upon Learning Automata for Collaborative Filtering
  Sara Taghipour Javad Akbari Torkestani Sara Nazari
  Collaborative Filtering (CF) is one of the principal techniques applied in Recommender Systems, which uses ratings from similar users to predict interest items to a particular user. The scalability issue is a widespread problem of CF. The clustering technique is a succe أکثر

  Collaborative Filtering (CF) is one of the principal techniques applied in Recommender Systems, which uses ratings from similar users to predict interest items to a particular user. The scalability issue is a widespread problem of CF. The clustering technique is a successful approach to address the scalability issue in CF. However, some classic clustering methods cannot find appropriate clusters, which leads to low prediction accuracy. This paper suggests a new clustering algorithm based on the Learning Automata (LA) framework to group users for the CF technique. In this algorithm, a learning automaton is assigned to each user to detect the cluster membership of that user. Learning automatons improve their selection based on the reinforcement signal is received from intra-cluster distances and inter-cluster distances in previous iterations.Experimental results on standard and real datasets show that the proposed algorithm outperforms other compared methods in various evaluation metrics. This approach enhances the prediction accuracy and effectively deals with the scalability problem. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  160 - Presenting a Practical Way to Preprocess the Raw Data of Smart Meters and Calculate the Load Duration Curve
  Hassan Majidi Mahdi Emadaleslami
  10.30495/ijsee.2021.683247
  In recent years, due to developments in the electricity industry, the use of smart meters has increased worldwide. Smart meters allow the collection of large amounts of microdata on power consumption. The data collected by smart meters can be used in various cases. Sinc أکثر

  In recent years, due to developments in the electricity industry, the use of smart meters has increased worldwide. Smart meters allow the collection of large amounts of microdata on power consumption. The data collected by smart meters can be used in various cases. Since the load duration curve is of great importance in the study of power systems in this paper, the purpose is to obtain the load duration curve of consumer groups using raw smart meter data. The data collected by smart meters reflects the behavior of subscribers, so by categorizing this data, the behavior of subscribers can be categorized, and thus the continuous load curve can be calculated. However, due to challenges such as being raw data collected from smart meters, the presence of anomalous data, and the presence of lost data, the data collected by smart meters need to be pre-processed and corrected. This paper presents an approach for pre-processing and modification of raw data received from smart meters and using them to calculate the load duration curve and other uses. First, the preprocessing and modification of smart meter data on two data sets collected from Alborz Power Distribution Company is done based on the presented method; Then these data are clustered based on the k-means clustering algorithm, and finally, load duration curve is obtained for each cluster. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  161 - A New Clustering Approach for Efficient Placement of Controllers in SDN using Firefly Algorithm
  Azam Amin Mohsen Jahanshahi Mohammadreza Meybodi
  10.30495/ijsee.2021.685507
  In Software Defined Network (SDN), controller plane is separated from the data plane simplifying management. In these networks, data forwarding cannot be conducted just one controller. Therefore, it is needed to use multiple controllers in control plane. Since, switch-c أکثر

  In Software Defined Network (SDN), controller plane is separated from the data plane simplifying management. In these networks, data forwarding cannot be conducted just one controller. Therefore, it is needed to use multiple controllers in control plane. Since, switch-controller propagation delays and inter-controller latencies affect the performance, the problem of determining appropriate number of controllers as well as their suitable locations are two main challenges, which are known as NP-Hard. In this paper, a new clustering method based on K-means, K-Harmonics means and firefly algorithm named CPP-KKF is proposed for controller placement in SDN. Result obtained by CPP- KKF algorithm is benefitted by the advantages of all techniques. The proposed algorithm is evaluated on four topologies of TopologyZoo with different scales, that include Aarnet, Colt, Cognet, and DFN and the conducted simulations demonstrate that the proposed solution outperforms K-means, K-means++, Firefly and GSO algorithms in terms of aforementioned performance issues. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  162 - Intelligent Hybrid Heuristic-Metaheuristic Algorithm for Lifetime Extension in Wireless Body Area Networks
  Pouya Aryai Ahmad Khademzadeh Somayyeh Jafarali Jassbi Mehdi Hosseinzadeh
  10.30495/ijsee.2023.1987876.1266
  Wireless body area network (WBAN) is a type of wireless communication network, which consists of tiny bio-sensor nodes attached to or implanted in the human body, to continuously monitor the patient by medical staff. Energy efficient routing in WBANs is of utmost import أکثر

  Wireless body area network (WBAN) is a type of wireless communication network, which consists of tiny bio-sensor nodes attached to or implanted in the human body, to continuously monitor the patient by medical staff. Energy efficient routing in WBANs is of utmost importance, as bio-sensors are highly resource-constrained. Although many heuristic- and metaheuristic-based routing protocols have been proposed for WBANs, they suffer from some drawbacks: low solution quality of heuristics and low speed of metaheuristics in online routing. To overcome these drawbacks and simultaneously benefit from the advantage of both techniques, we present an ensemble heuristic-metaheuristic protocol (called CHM) as an adjustable routing solution for WBANs. In CHM, a multi-criteria heuristic based on the residual energy, distance to sink, path loss, and history of becoming a relay node, is used to select proper cluster heads. Furthermore, a metaheuristic algorithm using a genetic algorithm is applied to automatically tune the heuristic protocol. Simulation results in MATLAB using IEEE 802.15.6 on different WBANs demonstrate the performance of the introduced CHM protocol when compared with the existing routing protocols in terms of prolonging the application-specific network lifetime definition. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  163 - Online Aggregation of Coherent Generators Based on Electrical Parameters of Synchronous Generators
  Farkhondeh Jabari Heresh Seyedi Sajad Najafi Ravadanegh
  This paper proposes a novel approach for coherent generators online clustering in a large power system following a wide area disturbance. An interconnected power system may become unstable due to severe contingency when it is operated close to the stability boundaries. أکثر

  This paper proposes a novel approach for coherent generators online clustering in a large power system following a wide area disturbance. An interconnected power system may become unstable due to severe contingency when it is operated close to the stability boundaries. Hence, the bulk power system controlled islanding is the last resort to prevent catastrophic cascading outages and wide area blackout. Meanwhile, the aggregation of the coherent generators is the most important step in large power grids intentional defensive splitting to guarantee the dynamic stability of the created islands and reduce the computational burden of the huge initial search space. The proposed method of this paper determines the coherent machines based on the electrical parameters of the synchronous generators instead of the dynamical parameters such as rotor angle or speed curves, speed participation factors, etc. The stator and excitation windings flux, excitation voltage and current have been proposed as coherency indices. The proposed coherency based aggregation has been carried out on New England 39-bus test system. The time-domain simulation results demonstrate the effectiveness and capability of the proposed method to identify the coherent machines following a severe contingency. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  164 - An Efficient Cluster Head Selection Algorithm for Wireless Sensor Networks Using Fuzzy Inference Systems
  Mohsen Jahanshahi Shaban Rahmani Shaghayegh Ghaderi
  An efficient cluster head selection algorithm in wireless sensor networks is proposed in this paper. The implementation of the proposed algorithm can improve energy which allows the structured representation of a network topology. According to the residual energy, numbe أکثر

  An efficient cluster head selection algorithm in wireless sensor networks is proposed in this paper. The implementation of the proposed algorithm can improve energy which allows the structured representation of a network topology. According to the residual energy, number of the neighbors, and the centrality of each node, the algorithm uses Fuzzy Inference Systems to select cluster head. The algorithm not only balances the energy load of all nodes, but also provides a reliable selection of a new cluster head and optimality routing for the whole networks. Simulation results demonstrate that the proposed algorithm effectively increases the accuracy to select a cluster head and prolongs the network lifetime تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  165 - Finding Community Base on Web Graph Clustering
  Alireza Rezaee Fariba Jahandideh Shekalgourabi2
  Search Pointers organize the main part of the application on the Internet. However, because of Information management hardware, high volume of data and word similarities in different fields the most answers to the user s’ questions aren`t correct. So the web graph أکثر

  Search Pointers organize the main part of the application on the Internet. However, because of Information management hardware, high volume of data and word similarities in different fields the most answers to the user s’ questions aren`t correct. So the web graph clustering and cluster placement in corresponding answers helps user to achieve his or her intended results. Community (web communities) can be used to generate automated directory services. In this paper the act of clustering has been done by finding the complete bipartite sub- graphs. The sub- graphs form the core of a community or clustering and by extending the core we can attain to the whole clustering .The whole set of graphs in England are 18 million pages and 300 million links تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  166 - تحلیل شبکه های مالی در بورس اوراق بهادار تهران با استفاده از کاربرد معیارهای مرکزیت
  مجید منتشری حجت الله صادقی
  هدف این پژوهش ایجاد یک شبکه مالی برای شناسایی رهبران بازار سهام با استفاده از معیارهای مرکزیت است.این پژوهش در نهایت یک خوشه بندی از سهام برتر ارائه میدهد که میتواند به عنوان یک سبد سهام بهینه مورد استفاده سرمایه گذاران قرار گیرد.جامعه آماری کلیه بورس اوراق بهادار است ک أکثر

  هدف این پژوهش ایجاد یک شبکه مالی برای شناسایی رهبران بازار سهام با استفاده از معیارهای مرکزیت است.این پژوهش در نهایت یک خوشه بندی از سهام برتر ارائه میدهد که میتواند به عنوان یک سبد سهام بهینه مورد استفاده سرمایه گذاران قرار گیرد.جامعه آماری کلیه بورس اوراق بهادار است که تعداد 100 شرکت که بیشترین سرمایه را دارند،به عنوان نمونه آماری در محدوده زمانی 11 ساله انتخاب شدند.به علت ماهیت رتبه بندی پژوهش،از ضریب همبستگی کندال برای محاسبه همبستگی استفاده شد.از الگوریتم پرایم برای شناسایی روابط و ساخت حداقل درخت پویا و از الگوریتم سریع حریصانه برای خوشه بندی سهام استفاده شد. نتایج نشان میدهد از لحاظ معیار مرکزیت درجه، سهام شرکت های سیمان سپاهان، مدیریت سرمایه گذاری امید و سرمایه گذاری بانک ملی،از بعد معیار مرکزیت نزدیکی، سهام شرکت های سیمان سپاهان،بین المللی توسعه ساختمان و فولاد خوزستان،از منظر معیار مرکزیت بینابینی، سهام شرکت های سیمان سپاهان،سرمایه گذاری غدیر و سرمایه گذاری بانک ملی و در نهایت از جهت معیار مرکزیت تنگنا،سهام شرکت های سیمان سپاهان،فولاد خوزستان و بین المللی توسعه ساختمان بیشترین تاثیر را بر شبکه سهام دارند.همچنین سهام برتر در 11 خوشه دسته بندی شدند که هر خوشه نشان دهنده ارتباط قوی اجزای آن با یکدیگر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  167 - انتخاب آنلاین سبد سرمایه گذاری به روش تطابق با الگوی طیفی
  متین عبدی امیرعباس نجفی
  با توجه به افزایش حجم و سرعت معاملات در بازارهای مالی امروز، افزایش سرعت در تحلیل‌ها و تصمیم‌گیری‌ها اجتناب ناپذیر است. انجام تحلیل‌های سریع و عاری از خطاهای رفتاری توسط انسان غیر ممکن است. از این رو بازارهای مالی به سمت داد و ستدهای الگوریتمیدر حرکت هستند که در آن‎ أکثر

  با توجه به افزایش حجم و سرعت معاملات در بازارهای مالی امروز، افزایش سرعت در تحلیل‌ها و تصمیم‌گیری‌ها اجتناب ناپذیر است. انجام تحلیل‌های سریع و عاری از خطاهای رفتاری توسط انسان غیر ممکن است. از این رو بازارهای مالی به سمت داد و ستدهای الگوریتمیدر حرکت هستند که در آن‎ها از تکنیک‎هایی از قبیل یادگیری ماشینی و داده‌کاویاستفاده می‌شود. انتخاب آنلاین سبد سرمایه‌گذاری یکی از تکنیک‌های نوین در داد و ستد الگوریتمی است به این صورت که سرمایه را به تعداد مشخصی سهم تخصیص داده و در ابتدای هر دوره با استفاده از تکنیک‌هایی پرتفو را به روز رسانی می‌کند. در واقع در این تکنیک‌ها انسان در انتخاب پرتفو دخالتی نداشته و الگوریتم نحوه‌ی سرمایه‌گذاری را در هر دوره مشخص می‌کند. در این مقاله الگوریتمی توسعه داده شده است که از اصل تطابق با الگودر انتخاب آنلاین سبد سرمایه‌گذاری پیروی می‌کند. در این اصل، پرتفو بر اساس الگوهای تاریخی مشابه انتخاب می‌شود که در این مقاله برای یافتن الگوهای تاریخی مشابه از روش خوشه‌بندی طیفیدر داده کاوی استفاده شده است. در این خصوص یک مثال عددی با استفاده از ۲۰ سهم فعال‌تر در بورس نیویورک ارائه شده و نتایج آن با الگوریتم‌های دیگر در این حوزه مقایسه شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  168 - بررسی دنباله بازده شاخص کل بورس اوراق بهادار تهران
  زهرا شیرازیان
  این پژوهش به بررسی دنباله بازده شاخص کل بورس اوراق بهادار تهران می پردازد. ارزیابی دقیق ریسک در بازارهای مالی به منظور سرمایه گذاری و در نتیجه تخـصیص بهینـه سرمایه، از اهمیت حیاتی برخوردار است. افزایش نوسانات بازارهای مالی در دهه گذشته، موجب پیشرفت ابزارهای پیچیده مدیری أکثر

  این پژوهش به بررسی دنباله بازده شاخص کل بورس اوراق بهادار تهران می پردازد. ارزیابی دقیق ریسک در بازارهای مالی به منظور سرمایه گذاری و در نتیجه تخـصیص بهینـه سرمایه، از اهمیت حیاتی برخوردار است. افزایش نوسانات بازارهای مالی در دهه گذشته، موجب پیشرفت ابزارهای پیچیده مدیریت ریـسک شـده اسـت. شکلهای صریح دمهای توزیع، اطلاعـات مهمـی را بـرای مـدیران ریـسک و سـرمایه گذاران فراهم می کنند. در این پژوهش، یک توریع وقتی دم کلفت به حساب می آید.که دمهای توزیع احتمال به صورت تابعی تـوانی نـزول کننـد. وجود رفتار تابع توانی در دم توزیع، عواقب مهمی برای رفتار یک متغیر تصادفی به همراه دارد مثلا، ممکن اسـت، گـشتاورهای نامتناهی وجود داشته باشند. در این پژوهش از 2420 مشاهده روزانه شاخص بورس تهران و بازده لگاریتمی آن از ابتدای سال 87 تا مرداد سال 96 استفاده شده است. با استفاده از نرم افزار متلب به منظور بررسی دم های توزیع بازده های شاخص بورس تهـران از توزیـع هـای لـوی- پایـدار، مطالعه رفتار مجانبی (رگرسیون log-log ( تابع توزیع تجمعCDF ،تخمین گر هیل و نظریه مقدار مفرط استفاده می شود. نتیجه این توزیع ها نشان میدهد که در توزیع بازده های لگاریتمی شاخص بورس تهران دم کلفتی وجـود دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  169 - خوشه بندی نوسانات در بازارهای مالی با مدل شبیه سازی عامل بنیان
  زهرا شیرازیان هاشم نیکو مرام فریدون رهنمای رودپشتی تقی ترابی
  هدف از این پژوهش بررسی خوشه بندی نوسانات در بازارهای مالی از جمله بازار بورس اوراق بهادار با مدل شبیه سازی عامل بنیان است.سریهای زمانی از بازده های دارایی مالی ویژگی خوشه بندی نوسانات را نشان میدهد که تغییرات بزرگ در قیمتها تمایل به تشکیل خوشه با هم دارند و این خوشه ها أکثر

  هدف از این پژوهش بررسی خوشه بندی نوسانات در بازارهای مالی از جمله بازار بورس اوراق بهادار با مدل شبیه سازی عامل بنیان است.سریهای زمانی از بازده های دارایی مالی ویژگی خوشه بندی نوسانات را نشان میدهد که تغییرات بزرگ در قیمتها تمایل به تشکیل خوشه با هم دارند و این خوشه ها برای مدت زمانی پایدار می مانند. با استفاده از مدلهای مختلف اقتصادسنجی ، منبع این پدیده را در عوامل مختلفی از جمله رفتار مشارکت کنندگان بازار و فرایند اخبار رسیده به بازار مالی میدانند .یک ویژگی مشترک از این مدلها سوییچینگ میان رژیم های فعالیت بالا و پایین با دنباله های پهن می باشد.در این پژوهش از مدل شبیه سازی عامل بنیان که یک جزء مفیدی برای تحلیل اقتصادسنجی ارایه میکند از طریق نرم افزار متلب استفاده شده است. نتیجه استفاده از این مدل، برقراری ارتباط میان نوسانات بالا و پایین بازار با رفتار آستانه ای مشارکت کنندگان بازار می باشد. همچنین اینرسی سرمایه گذار را با خوشه بندی نوسانات مرتبط می سازد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  170 - Clustering with K-Means Hybridization Ant Colony Optimization (K-ACO)
  Dewi Ratnaningsih
  10.30495/ijm2c.2022.1953867.1249
  One of well-known techniques in data mining is clustering. Clustering method which is very popular is K-means cluster because its algorithm is very easy and simple. However, K-means cluster has some weaknesses, one of which is that the cluster result is sensitive toward أکثر

  One of well-known techniques in data mining is clustering. Clustering method which is very popular is K-means cluster because its algorithm is very easy and simple. However, K-means cluster has some weaknesses, one of which is that the cluster result is sensitive towards centroid initialization so that the cluster result tends to local optimal. This paper explains the modification of K-means cluster, that is, K-means hybridization with ant colony optimization (K-ACO). Ant Colony Optimization (ACO) is optimization algorithm based on ant colony behavior. Through K-ACO, the weaknesses of cluster result which tends to local optimal can be overcome well. The application of hybrid method of K-ACO with the use of R program gives better accuracy compared to K-means cluster. K-means cluster accuracy yielded by Minitab, Mathlab, and SAS at iris data is 89%. Meanwhile, K-ACO hybrid clustering with R program simulated on 38 treatments with 3-time repetitions gives accuracy result of 93,10%. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  171 - A Novel Method for Improving Cold Start Challenge in Recommender Systems through Users Demographics Information
  Taravat Abedini Alireza Hedayati Ali Harounabadi
  10.30495/ijm2c.2023.1962562.1256
  The user cold start challenge, occurs when a user joins the system which used recommender systems, for the first time. Since the recommender system has no knowledge of the user preferences at first, it will be difficult to make appropriate recommendations. In this paper أکثر

  The user cold start challenge, occurs when a user joins the system which used recommender systems, for the first time. Since the recommender system has no knowledge of the user preferences at first, it will be difficult to make appropriate recommendations. In this paper, users’ demographics information are used for clustering to find the users with similar preferences in order to improve the cold start challenge by employing the kmeans, k-medoids, and k-prototypes algorithms. The target user’s neighbors are determined by using a hybrid similarity measure including a combination of users’ demographics information similarity and users rating similarity. The asymmetric Pearson correlation coefficient utilized to calculate the user rating similarity, whereas GMR (i.e., global most rated) and GUC(i.e., global user local clustering) strategies are adopted to make recommendations. The proposed method was implemented on MovieLens dataset. The results of this research shows that the MAE of the proposed method has improved the accuracy of the proposals up to about 26% compared to the GMR method and up to about 34% compared to the GUC method. Also, the results show about 60% improvement in terms of rating coverage compared to the GMR and GUC methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  172 - FUZZY K-NEAREST NEIGHBOR METHOD TO CLASSIFY DATA IN A CLOSED AREA
  Saba Sajadi Majid Amirfakhrian
  Clustering of objects is an important area of research and application in variety of fields. In this paper we present a good technique for data clustering and application of this Technique for data clustering in a closed area. We compare this method with K-nearest neigh أکثر

  Clustering of objects is an important area of research and application in variety of fields. In this paper we present a good technique for data clustering and application of this Technique for data clustering in a closed area. We compare this method with K-nearest neighbor and K-means. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  173 - بررسی روابط مرفومتریک برخی گونه های جنس Rosa( Rosaceae) در ایران
  لیلا میرزایی لیلا جودی
  آنالیزهای چند ‌متغیره روی صفات ریختی گونه‌های جنس Rosa L. در ایران انجام شد. در مجموع، 12صفت کمی و کیفی ریختی روی گونه های بررسی شد. بررسی‌های آماری با استفاده از نرم افزار SPSS نسخه 18 انجام شد و از روشهای مختلفی در بررسیهای آماری چند متغیره شامل تجزیه خوشه ای (Ward) و أکثر

  آنالیزهای چند ‌متغیره روی صفات ریختی گونه‌های جنس Rosa L. در ایران انجام شد. در مجموع، 12صفت کمی و کیفی ریختی روی گونه های بررسی شد. بررسی‌های آماری با استفاده از نرم افزار SPSS نسخه 18 انجام شد و از روشهای مختلفی در بررسیهای آماری چند متغیره شامل تجزیه خوشه ای (Ward) و رسته بندی (PCA) استفاده شد .با استفاده از نتایج حاصل از مطالعات ریختی و صفات افتراقی به دست آمده در تجزیه به مولفه‌های اصلی دو مؤلفه معرفی شدند که در مؤلفه اول، ارتفاع گیاه و سایز و نوع خار، صفات دارای ضریب بالا و مثبت بود. گروهبندی حاصل از تجزیه خوشهای با نتایج تجزیه به مؤلفه‌های اصلی تأیید شد و تنوع موجود در صفات مطالعه شده به خوبی گونهها را بر اساس شباهت و تفاوت‌ها از یکدیگر تفکیک نموده است و این صفات ریختی ذکر شده می‌تواند ‌‌در شناسایی و طبقه‌بندی گونه‌های مختلف این جنس کاربرد سیستماتیکی داشته باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  174 - Assessing Populations Diversity of Small Panel Oak (Quercus brantii) in Western Forests of Iran: a Major Effort in Reforestation Programs
  Adele Rafezi Mohammad Reza Azimi Mehrshad Zeinalabedini Mohammad Reza ghaffari
  10.22034/jon.2023.1988151.1225
  Persian oak (Quercus brantii) is a critical, economic, and environmental species of Zagros forests in Iran. The effects of climate change and drought have caused a decline in Persian oak populations, leading to a severe reduction in genetic resources for future conserva أکثر

  Persian oak (Quercus brantii) is a critical, economic, and environmental species of Zagros forests in Iran. The effects of climate change and drought have caused a decline in Persian oak populations, leading to a severe reduction in genetic resources for future conservation programs. This study aims to evaluate the diversity and population structure of Persian oak in the western forests of Iran using morphological features. A total of 187 samples were collected from 15 locations in the Ilam province. Twenty phenotypic traits related to leaf, seed, and trunk characteristics were evaluated. Several multivariate statistical analyses were performed. The results revealed significant morphological diversity among the Persian oak ecotypes. Correlation analyses revealed a significant positive correlation between leaf length attribute and distance from leaf base to maximum leaf width (0.55) and maximum width of the leaflet (0.64) traits. The leaf width at 50% attribute with the maximum width of the leaflet and distance from leaf base to maximum leaf width have a positive (0.8 and 0.51 respectively) and significant correlation (p≤0.05). According to principal component analysis, the components of leaf and seed traits have the most impact on morphological variance. Hierarchical cluster analysis divided the locations into two groups, with some oak locations distributed in two clusters, indicating higher diversity of this species in different locations. Further research is needed to determine the optimal ecotype; however, the oaks in Ghallaje region have characteristics that can increase their ability to resist water scarcity, making them potentially appropriate for reforestation in Ilam province. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  175 - مروری بر پژوهش‌های انجام‌شده در خصوص خوشه‌بندی سری‌های زمانی مالی: رویکرد نگاشت دانش
  مرضیه نوراحمدی فاطمه راستی حجت الله صادقی
  10.30495/afi.2021.1919857.1002
  میزان اطلاعاتی که ما بازیابی و استفاده می‌کنیم، به سرعت افزایش یافته است. داده کاوی فرایند استخراج داده-های مربوط از حجم زیادی از داده‌ها و روش کشف و پیدا کردن الگوی مناسب از حجم زیادی از مجموعه داده‌ها است. خوشه‌بندی یکی از روش‌های معمول تجزیه‌وتحلیل داده‌های آماری و ه أکثر

  میزان اطلاعاتی که ما بازیابی و استفاده می‌کنیم، به سرعت افزایش یافته است. داده کاوی فرایند استخراج داده-های مربوط از حجم زیادی از داده‌ها و روش کشف و پیدا کردن الگوی مناسب از حجم زیادی از مجموعه داده‌ها است. خوشه‌بندی یکی از روش‌های معمول تجزیه‌وتحلیل داده‌های آماری و همچنین یکی از بهترین رویکردهای داده‌کاوی است. این رویکرد به‌عنوان یکی از روش‌های یادگیری بدون نظارت، با به‌کارگیری الگوریتم‌هایی، داده‌های سری‌های زمانی را برحسب معیارهای متفاوتی طبقه‌بندی می‌کند. هدف از پژوهش حاضر بررسی انواع کاربردهای خوشه‌بندی و شبکه‌سازی در حوزه‌های مختلف مالی ازجمله ریسک، معاملات الگوریتمی، بانکداری و دیگر موضوعات پرکاربرد در این حوزه است. در این پژوهش با استفاده از پکیج bibliometrix به‌مرور کلیه پژوهش‌های انجام شده در خصوص خوشه بندی پرداخته می‌شود. ضمن استخراج انواع معیارها و رویکردهای خوشه‌بندی به بررسی کاربردهای آن پرداخته‌شده است. این پژوهش با مروری جامع بر کلیه پژوهش‌های این حوزه می‌تواند به‌عنوان جعبه‌ابزاری در جهت ارائه انواع روش‌های خوشه‌بندی محققان را در ایده پردازی و انتخاب روش مناسب در طبقه‌بندی و تحلیل داده‌های مالی یاری دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  176 - گونه‌شناسی تجربی استراتژی‌های ترفیع محصولات موفق دارویی در مرحله رشد
  مهدی ابراهیمی علی عسگرحلوائی
  صنایع دارویی ایران از دیرباز با محدودیت‌های گوناگونی در حوزه بازاریابی و تبلیغات خود مواجه بوده‌اند. بخش عمده این محدودیت‌ها ناشی از قوانین و مقررات دولتی بوده است، و به مرور باعث شده تا اکثر قریب به اتفاق این شرکت‌ها رویکردی منفعلانه و حداقلی در بهره‌برداری از استراتژی أکثر

  صنایع دارویی ایران از دیرباز با محدودیت‌های گوناگونی در حوزه بازاریابی و تبلیغات خود مواجه بوده‌اند. بخش عمده این محدودیت‌ها ناشی از قوانین و مقررات دولتی بوده است، و به مرور باعث شده تا اکثر قریب به اتفاق این شرکت‌ها رویکردی منفعلانه و حداقلی در بهره‌برداری از استراتژی‌های ترفیع دنبال کنند. امروز اما با ورود چندین شرکت داروسازی جوان و پیشرفته و حمایت‌های بخش خصوصی، تغییرات جدی در رویکردهای گذشته این شرکت‌ها نسبت به استراتژی‌های ترفیع‌شان قابل مشاهده است. در این پژوهش بر تلاش شد تا ضمن ارائه آخرین یافته‌های علمی پیرامون استراتژی‌های ترفیع شرکت‌های تولیدکننده داروهای انسانی، گونه‌های رایج این دسته از استراتژی‌ها را با استفاده از روش تاکسونومی شناسایی شود. برای این مقصود ابتدا از طریق انجام مصاحبه‌های نیمه‌ساختاریافته در یک پژوهش کیفی و بهره‌گیری از روش تحلیل محتوا، چهارچوبی جامع برای ابعاد و اجزای استراتژی ترفیع شرکت‌های دارویی ایجاد شد و سپس از طریق یک پیمایش کمی و تکمیل پرسشنامه‌های حضوری، استراتژی ترفیع هر یک از 40 شرکت دارویی حاضر در نمونه آماری این پژوهشمشخص گردید در نهایت با انجام خوشه‌بندی فازی، چهار خوشه یا گونه متمایز از استراتژی‌های ترفیع شرکت‌های دارویی شناسایی شدند که هرکدام در تعدادی از ویژگی‌های کلیدی با سایر گونه‌ها تفاوت‌های معنادار داشتند. از جمله کلیدی‌ترین یافته‌های این پژوهش نشان داد که شرکت‌های دارویی رویکردهای متفاوتی جهت استفاده از استراتژی‌های ترفیع اتخاذ کرده‌اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  177 - Optimal Feature Selection for Data Classification and Clustering: Techniques and Guidelines
  Farhad Rad Ali Asghar Nadri Hamid Parvin
  In this paper, principles and existing feature selection methods for classifying and clustering data be introduced. To that end, categorizing frameworks for finding selected subsets, namely, search-based and non-search based procedures as well as evaluation criteria and أکثر

  In this paper, principles and existing feature selection methods for classifying and clustering data be introduced. To that end, categorizing frameworks for finding selected subsets, namely, search-based and non-search based procedures as well as evaluation criteria and data mining tasks are discussed. In the following, a platform is developed as an intermediate step toward developing an intelligent feature selection system, involving crucial, decisive and effective factors in feature selection process. The procedure increases accuracy in classification and goodness of clusters. Finally, some of the problems and challenges facing the current and future feature selection processing are also discussed. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  178 - The Application of Combined Fuzzy Clustering Model and Neural Networks to Measure Valuably of Bank Customers
  Raheleh Nasiri Sharifi Maryam Rastgarpour
  Currently, acquisition of resources in banks is subject to attraction of the resources of banking customers. Meanwhile, the Bank’s valuable customers are one of the best resources to make profit for banks. Several different models are introduced for evaluation of أکثر

  Currently, acquisition of resources in banks is subject to attraction of the resources of banking customers. Meanwhile, the Bank’s valuable customers are one of the best resources to make profit for banks. Several different models are introduced for evaluation of profitability of the customers; but most of them are classical models and they are unable to evaluate the customers in complete and optimized manner. In this way, the conditions are ready to enter artificial intelligence to this scope. In this study, we tried to design an intellectual system for identification of valuable customers of Bank. Such a model is capable of reasoning and explaining the expert system together with adaptation and learning capability of neural network at the same time. Expertise is added to it through data mining. As a result, evaluating the proposed model is done through transaction data of the customer, and accuracy of 95.46 percent is gained. تفاصيل المقالة