Deep Learning

حرية الوصول المقاله

1 - ناحیه بندی تصاویر مغز نوزادان بر اساس شبکه های عصبی پیچشی
ایران سرافراز حامد آگاهی آذر محمودزاده

در این مقاله، روشی مبتنی بر شبکه های عصبی پیچشی برای ناحیه بندی تصاویر مغز نوزادان ارائه می شود. یکی از چالش های مهم در ناحیه بندی تصاویر مغز نوزادان، همپوشانی توزیع شدت روشنایی بافت های ماده خاکستری و ماده سفید است که منجر به کاهش دقت ناحیه بندی این نواحی می شود. برای أکثر

در این مقاله، روشی مبتنی بر شبکه های عصبی پیچشی برای ناحیه بندی تصاویر مغز نوزادان ارائه می شود. یکی از چالش های مهم در ناحیه بندی تصاویر مغز نوزادان، همپوشانی توزیع شدت روشنایی بافت های ماده خاکستری و ماده سفید است که منجر به کاهش دقت ناحیه بندی این نواحی می شود. برای افزایش تمایز سطوح خاکستری بین بافت های مغز، در این مقاله یک روش پیش پردازش مبتنی بر شبکه های عصبی پیچشی ارائه می شود که به طور موثری باعث افزایش دقت ناحیه بندی می گردد. برای به دست آوردن نتیجه نهایی ناحیه بندی، یک شبکه پیچشی دیگر ارائه می شود که بر اساس تصاویر مدالیتی T1-T2ناحیه بندی را انجام می دهد. برای ارزیابی روش پیشنهادی، از دو پایگاه داده که شامل تصاویر رزونانس مغناطیسی مغز نوزادان است استفاده می شود. نتایج به دست آمده نشان دهنده کارایی مناسب روش پیشنهادی در ناحیه بندی بافت های مغز است. تفاصيل المقالة

حرية الوصول المقاله

2 - طبقه بندی بهینه تومورهای مغزی در تصاویر MRI به کمک تکنیک¬های یادگیری عمیق
زهره عربی امید مهدی یار مهدی تقی زاده

فناوری های تصویربرداری پزشکی و بیولوژیک، اطلاعات تصویری ارزشمندی از ساختار و عملکرد یک ارگان را از سطح مولکول¬ها تا کل جسم فراهم می کنند. مغز پیچیده ترین عضو در بدن است و با توسعه سریع فناوری های تصویربرداری پزشکی و بیولوژیکی، توجهات تحقیقاتی فزاینده ای را به خود جلب می أکثر

فناوری های تصویربرداری پزشکی و بیولوژیک، اطلاعات تصویری ارزشمندی از ساختار و عملکرد یک ارگان را از سطح مولکول¬ها تا کل جسم فراهم می کنند. مغز پیچیده ترین عضو در بدن است و با توسعه سریع فناوری های تصویربرداری پزشکی و بیولوژیکی، توجهات تحقیقاتی فزاینده ای را به خود جلب می کند. از شایع ترین بیماری های مغز می توان به ایجاد بافت ناهنجار در سلول های مغزی اشاره کرد که منجر به تشکیل تومورهای مغزی می شود. از آنجایی که تومورهای مغزی با خطر مرگ و میر قابل توجهی مرتبط هستند و پیش بینی دقیق و سریع این بیماری در روند درمان تاثیر مستقیم دارد، لذا در این تحقیق از تعداد زیادی داده های تصویربرداری MRI تومور مغزی برای شناسایی سرطان های مغز و یافتن روشی با استفاده از تکنیک های یادگیری عمیق استفاده شد. برای تشخیص خودکار از چند مدل یادگیری عمیق استفاده شد و طبقه‌بندی سه نوع تومور مغزی، متشکل از گلیوم، مننژیوم و هیپوفیز نیزبا این الگوریتم ها انجام شد. بر اساس نتایج آزمون‌های انجام‌شده، بهترین دقت نتایج به‌دست‌آمده در این تحقیق ۹۶ درصد بود که با در نظر گرفتن نسبت 60 درصد برای داده‌های آموزشی و 40 درصد برای داده‌های آزمون حاصل شد. تفاصيل المقالة

حرية الوصول المقاله

3 - الگوریتم¬های یادگیری عمیق در فراتفکیک پذیری تصاویر
بهار قادری حمید آزاد

فراتفکیک¬پذیری تصویر یکی از فرآیند¬های مهم پردازش تصویر جهت افزایش وضوح تصاویر و ویدئو¬ها می¬باشد. در سال¬های اخیر، روش¬های مبتنی بر شبکه¬های عصبی عمیق جهت فراتفکیک¬پذیری شاهد پیشرفت قابل توجهی بوده است. هدف این مقاله ارائه یک بررسی جامع در مورد پیشرفت¬های اخیر فراتفکیک أکثر

فراتفکیک¬پذیری تصویر یکی از فرآیند¬های مهم پردازش تصویر جهت افزایش وضوح تصاویر و ویدئو¬ها می¬باشد. در سال¬های اخیر، روش¬های مبتنی بر شبکه¬های عصبی عمیق جهت فراتفکیک¬پذیری شاهد پیشرفت قابل توجهی بوده است. هدف این مقاله ارائه یک بررسی جامع در مورد پیشرفت¬های اخیر فراتفکیک¬پذیری تصویر با استفاده از رویکرد¬های یادگیری عمیق است. در اين مقاله، ضمن معرفي مفاهیم فراتفکیک¬پذیری تصویر، به بررسی الگوریتم¬های رایج یادگیری عمیق جهت فراتفکیک¬پذیری، و کاربردهای فراتفکیک¬پذیری پرداخته شده¬است. علاوه بر این، مجموعه پایگاه¬های داده و معیارهای ارزیابی تشریح داده می¬شود. اين مقاله مي¬تواند راهگشاي محققان پردازش تصوير در فرآیند فراتفکیک¬پذیری باشد. اهتمام نويسندگان بر اين بوده است که همه جنبه¬هاي اين فرآیند مورد کاوش قرار گيرد. تفاصيل المقالة

حرية الوصول المقاله

4 - تشخیص سیگنال سالم و ناسالم قلبی بر مبنای یادگیری عمیق با استفاده از شبکه عصبی کانولوشن
علیرضا نصرابادیان محمد امین نوش زاده مدیحا عباس زاده بارانی محمد مهدی مرادی

طبق اظهارات سازمان جهانی، مهمترین عامل تهدید کننده انسان آریتمی های قلبی می باشند. بر طبق آخرین آمار جهانی بهداشت نزدیک به 50% موارد مرگ و میر بر اثر عاضه های قلبی می باشند. بر اساس تحقیقات 25% موارد مرگ و میر بر اثر بیماری های قلبی، با تشخیص به موقع و صحیح قابل احیا أکثر

طبق اظهارات سازمان جهانی، مهمترین عامل تهدید کننده انسان آریتمی های قلبی می باشند. بر طبق آخرین آمار جهانی بهداشت نزدیک به 50% موارد مرگ و میر بر اثر عاضه های قلبی می باشند. بر اساس تحقیقات 25% موارد مرگ و میر بر اثر بیماری های قلبی، با تشخیص به موقع و صحیح قابل احیا می باشند. سیگنال الکتروکاردیوگرام مهمترین و وابسته ترین سیگنال وابسته به قلب می باشد. ثبت این سیگنال کم هزینه و و ثمر بخش می باشد و در تشخیص آریتمی ها بسیار توانمند است. استخراج ویژگی ها مهمترین قسمت برای تشخیص و پردازش می باشند. ویژگی های عمیق بر مبنای شبکه عصبی کانولوشن بسیار توانمند بوده و بادون دخالت دست انجام می شود. در این مقاله با استفاده از یادگیری عمیق بر مبنای شبکه عصبی کانولوشن ویژگی های عمیق استخراج می شوند. سپس نتایج طبقه بندی با صحت متوسط 99.3% و حساسیت متوسط 99.1% با اعتبارسنجی متقابل 10 برابری محاسبه شده است. با توجه به نتایج بدست آمده میتوان گفت که روش پیشنهادی، توانایی طبقه بندی آریتمی های قلببی را با صحت قابل قبول دارا می باشد. تفاصيل المقالة

حرية الوصول المقاله

5 - تشخیص تومور مغزی در تصاویر رزونانس مغناطیسی با استفاده از شبکه عصبی کانولوشنی عمیق
میترا افسری نژاد نبي اله شیری رامین براتی

در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد أکثر

در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد، مدل پیشنهادی در طبقه‌بندی بافت معمولی مغز و مناطق تحت تأثیر تومور بسیار توانمند است. این معماری شامل لایه‌های متعدد از جمله لایه‌های کانولوشنی، نرمال‌سازی دسته‌ای و لایه‌های پولینگ است که در نهایت به یک لایه قوی طبقه‌بندی منجر می‌شود. از طریق آموزش دقیق و بهینه‌سازی، شبکه عصبی کانولوشنی معرفی‌شده توانسته است در طبقه‌بندی تومور مغز به دقت بالایی دست یابد. اثربخشی این مدل پیشنهادی از طریق آزمایشات جامع به نمایش گذاشته شده که نشان‌دهنده قابلیت آن در تشخیص دقیق تومور مغز است. تفاصيل المقالة

حرية الوصول المقاله

6 - Prediction of Message Diffusion: A Deep Learning Approach on Social Networks
husnyeh safearyan Mohammad Jafar Tarokh Mohammad Ali Afshar Kazemi

Nowadays, many industries pay attention to social media because people are spending sizable chunks of their lives in virtual worlds. Some of the social networks such as Facebook, Instagram and Twitter affected by their user through content. Predicting the popularity of أکثر

Nowadays, many industries pay attention to social media because people are spending sizable chunks of their lives in virtual worlds. Some of the social networks such as Facebook, Instagram and Twitter affected by their user through content. Predicting the popularity of content can play an important role in different areas such as viral marketing, advertising and propagation news. However, prediction problem is a challenging problem. In this paper, we developed a deep learning approach to predict the popularity of tweets in the twitter social network. It is called DLMD. We extracted the feature of content from each tweet. We use the deep learning approach for prediction it means that we model this problem with a binary classification problem Our proposed method evaluate with different measures and the results show that DLMD method has a high accuracy in prediction rather than other methods. Therefore, DLMD is a convenient method to predict diffusion on the social networks. تفاصيل المقالة

حرية الوصول المقاله

7 - ارائه روشی در زمینه آشکارسازی اهداف در تصاویر ماهواره‌ای با استفاده از یادگیری عمیق و با رویکرد سنجش از دور و GIS
نادر بیرانوند مهدی کیخایی رویین ممانی

آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیده‌های سطح محسوب می‌گردد. تکنیک‌های سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از أکثر

آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیده‌های سطح محسوب می‌گردد. تکنیک‌های سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از سنجنده‌های ماهواره‌ای با تلفیق الگوریتم‌های یادگیری عمیق نمایان‌سازی عوارض موجود در تصاویر را به خوبی ارتقاء داده است. در این پژوهش به ارائه روشی نو در تلفیق همزمان لایه‌های CNN و Pooling موجود در الگوریتم مورد استفاده پرداخته شده که در نهایت منجر به کاهش چشمگیر زمان آموزش شبکه با استفاده از داده‌های جامع آموزشی با دقت بالا و در عین حال حجم زیاد گردید. در این تحقیق با بهره‌گیری از آموزش شبکه به وسیله داده‌های آموزشی به آشکارسازی کشتی‌های موجود در تصاویر ماهواره‌ای با ایجاد یک شبکه تماماً کانولوشنال FCN پرداخته شده‌است. جهت ارزیابی عملکرد و دقت الگوریتم استفاده شده در یافتن و آشکارسازی کشتی‌های موجود در تصاویر ماهواره‌ای، با اعمال این الگوریتم آشکارساز بر روی چندین تصویر ماهواره‌ای دیگر از معیارهای ارزیابی Precision، Recall و F1-Score استفاده شد که مقادیر آن‌ها به ترتیب برابر با %100، % 61/97 و % 83/98 بوده‌است که نمایانگر دقت و قابل اعتماد بودن الگوریتم می‌باشد. تفاصيل المقالة

حرية الوصول المقاله

8 - مدلسازی بارش-رواناب با استفاده از مدل یادگیر عمیق (مطالعه موردی: حوضه آبریز گالیکش)
راضیه طاطار خلیل قربانی مهدی مفتاح هلقی میثم سالاری‌جزی

شبکه‌های عصبی مصنوعی یکی از روش‌های داده‌کاوی است که توسط پژوهشگران زیادی در حوزه‌های مطالعاتی مختلفی همچون مدلسازی آماری بارش-رواناب استفاده می‌شود. جهت بهبود عملکرد این شبکه‌ها، شبکه‌های عصبی یادگیر عمیق توسعه یافته‌اند تا دقت مدلسازی را افزایش دهند. پژوهش حاضر به‌ من أکثر

شبکه‌های عصبی مصنوعی یکی از روش‌های داده‌کاوی است که توسط پژوهشگران زیادی در حوزه‌های مطالعاتی مختلفی همچون مدلسازی آماری بارش-رواناب استفاده می‌شود. جهت بهبود عملکرد این شبکه‌ها، شبکه‌های عصبی یادگیر عمیق توسعه یافته‌اند تا دقت مدلسازی را افزایش دهند. پژوهش حاضر به‌ منظور ارزیابی شبکه‌های یادگیرعمیق در بهبود عملکرد شبکه‌های عصبی‌مصنوعی در حوضه آبریز گالیکش انجام شد تا بر اساس داده‌های بارش و دما با گام‌های تاخیر زمانی ۱ تا ۵ ماهه، دبی در مقیاس زمانی ۱، ۳، ۶ و ۱۲ ماهه پیش‌بینی شود. نتایج مدل‌سازی بر اساس ۷۰ درصد داده‌ها (آموزش) و ۳۰ درصد داده‌ها (آزمون) نشان داد که در تمامی دوره‌های زمانی، شبکه عصبی یادگیر عمیق باعث بهبود عملکرد شبکه عصبی مصنوعی شده است و بطور متوسط RMSE در داده‌های آموزش از ۶۸/۰ به ۶۵/۰ و درداده‌های آزمون از ۸۴/۰ به ۷۳/۰ کاهش یافته است و ضریب تعیین نیز بطور متوسط برای داده‌های آموزش از ۵۷/۰ به ۶۲/۰ و برای داده‌های آزمون از ۵۱/۰ به ۶۷/۰ افزایش یافته است. از دیگر نتایح این پژوهش نیز می‌توان به تاثیر دما بر افزایش دقت مدلسازی بارش- رواناب اشاره کرد. تفاصيل المقالة

حرية الوصول المقاله

9 - مکان‌یابی خودکار کاروانسراها در تصاویر ماهواره‌ای با بهره‌گیری از تکنیک‌های پردازش تصویر مبتنی بر یادگیری عمیق
محمدحسین سالاری محمدامین شایگان فرناز فرجی

علیرغم افزایش روزافزون استفاده از یادگیری عمیق در پردازش تصاویر، لیکن استفاده از این تکنولوژی‌ در زمینه‌های مرتبط با میراث‌فرهنگی، به دلیل مشکلاتی همانند نبود پایگاه‌‌‌داده‌های مناسب، هزینه‌بر بودن ایجاد پایگاه‌داده‌ی جدید‌، پیچیدگی کار با شبکه‌های عصبی عمیق، نیاز به من أکثر

علیرغم افزایش روزافزون استفاده از یادگیری عمیق در پردازش تصاویر، لیکن استفاده از این تکنولوژی‌ در زمینه‌های مرتبط با میراث‌فرهنگی، به دلیل مشکلاتی همانند نبود پایگاه‌‌‌داده‌های مناسب، هزینه‌بر بودن ایجاد پایگاه‌داده‌ی جدید‌، پیچیدگی کار با شبکه‌های عصبی عمیق، نیاز به منابع سخت‌افزاری گران‌قیمت و ...، بسیار محدود مانده است. در این مقاله با استفاده از تکنیک‌های پردازش تصویر مبتنی بر یادگیری عمیق، روشی برای مکان‌یابی خودکار کاروانسراها در تصاویر ماهواره¬ای معرفی شده است. بدین منظور یک پایگاه‌داده از تصاویر ماهواره‌ای ۲۰۳ کاروانسرای ایران ایجاد و سپس با استفاده از تکنیک یادگیری انتقالی، الگوریتم یافتن شی YOLOv5 برای مکان‌یابی کاروانسراها بر روی پایگاه‌داده فوق، آموزش داده شده است. برای بررسی کارائی این شبکه، ۲۵ تصویر جدید با ابعاد ۵/۲×۵/۲ کیلومتر مربع از محیط اطراف برخی از کاروانسراها انتخاب و با استفاده از تکنیک پنجره لغزان و وزن‌های آموزش داده شده در گام پیشین، عملیات تشخیص کاروانسراها بر روی این تصاویر انجام گرفت. به منظور کاهش میزان تشخیص‌های اشتباه، مکان‌هایی که به اشتباه تشخیص داده شده بودند، به عنوان داده جدید به پایگاه‌داده افزوده شد و الگوریتم YOLOv5 مجدداً آموزش داده شد. دقت نهایی الگوریتم پیشنهادی در یافتن محل کاروانسرا برابر mAP_0.5 ۴۳/۹۱% بوده است. تفاصيل المقالة

حرية الوصول المقاله

10 - طراحی الگوی بازنگری برنامه درسی علوم تجربی دوره ابتدایی مبتنی بر دیدگاه یادگیری عمیق فولن: یک مطالعه سنتزپژوهی
رضا جعفری هرندی

10.30486/jsre.2023.1966202.2219

هدف از پژوهش حاضر، طراحی الگوی بازنگری برنامه درسی علوم تجربی دوره ابتدایی مبتنی بر یادگیری عمیق دیدگاه فولن بود. روش پژوهش کیفی و به روش سنتزپژوهی بر اساس مدل کلاین بود. حوزه پژوهش شامل متون مرجع در حوزه شناسایی اصلاحات آموزشی مورد نیاز به منظور بازنگری برنامه درسی علو أکثر

هدف از پژوهش حاضر، طراحی الگوی بازنگری برنامه درسی علوم تجربی دوره ابتدایی مبتنی بر یادگیری عمیق دیدگاه فولن بود. روش پژوهش کیفی و به روش سنتزپژوهی بر اساس مدل کلاین بود. حوزه پژوهش شامل متون مرجع در حوزه شناسایی اصلاحات آموزشی مورد نیاز به منظور بازنگری برنامه درسی علوم تجربی دورۀ ابتدایی در سال‌های 1389 تا 1400 برای اسناد داخلی و سال‌های 2010 تا 2021 برای اسناد خارجی بود. بر این اساس 51 منبع با شیوه انتخاب هدفمند مورد مطالعه و بررسی قرار گرفتند و توقف فرایند نمونه گیری، بر مبنای اشباع نظری بود. در مرحله بعد، به منظور تأیید اعتبار اجزای استخراج شده، جامعۀ پژوهش شامل متخصصان حوزه علوم تربیتی دارای مدرک دکتری در رشته‌های برنامه‌ریزی درسی و آموزش و پرورش دوره ابتدایی بودند. نمونه مورد مطالعه نیز 10 نفر از متخصصان حوزه برنامه‌ریزی درسی و آموزش و پرورش ابتدایی در شهر اصفهان در سال 1400 بودند که به صورت هدفمند انتخاب شدند. با روش لاوشه، نسبت روایی محتوایی (CVR) برای هر مؤلفه استخراج شده و همچنین هر جزء از الگو ارزیابی شد. نتایج نشان داد الگوی بازنگری برنامه درسی علوم دورۀ ابتدایی مبتنی بر دیدگاه فولن با هدف دستیابی به یادگیری عمیق و اهداف جزئی تقویت شایستگی‌های دانش‌آموزان، توجه به عناصر طراحی آموزشی، اصلاح شرایط آموزش و تسهیل فرایند تحقیق مشترک، سودمندی و قابلیت اجرایی دارد. بنابراین به دست‌اندرکاران وزارت آموزش و پروش پیشنهاد می‌شود تا به منظور اعمال اصلاحات آموزشی در برنامه درسی علوم تجربی دوره ابتدایی، از الگوی طراحی شده استفاده نمایند. تفاصيل المقالة

حرية الوصول المقاله

11 - Introducing a Two-step Strategy based on Deep Learning Enhance the Accuracy of Intrusion Detection Systems in the Network
Ali Bahmani Amirhassan Monajemi

Intrusion Detection System is one of the most important security features of modern computer networks that can detect network penetration through a series of functions. This system is independently used (e.g. Snort) or with various security equipment (such as Antivirus, أکثر

Intrusion Detection System is one of the most important security features of modern computer networks that can detect network penetration through a series of functions. This system is independently used (e.g. Snort) or with various security equipment (such as Antivirus, UTM, etc.) on the network and detects an attack based on two techniques of abnormal detection and signature-based detection. Currently, most of the researches in the field of intrusion detection systems have been done based on abnormal behavior using a variety of methods including statistical techniques, Artificial Intelligence (AI), data mining, and machine learning. In this study, we can achieve an effective accuracy using a candidate class of the KDD dataset and deep learning techniques. تفاصيل المقالة

حرية الوصول المقاله

12 - Extracting Image Features Through Deep Learning
Maliheh Ghasemzadeh

The purpose of this study is to identify images with deep learning with the least error. In machine learning projects, the basis of the work is extracting features from raw data. Finally, we differentiate different features through classifiers. In the present project, i أکثر

The purpose of this study is to identify images with deep learning with the least error. In machine learning projects, the basis of the work is extracting features from raw data. Finally, we differentiate different features through classifiers. In the present project, images with dimensions of 224*224 are applied to the network. Most networks use color images, which have 3 channels, the final dimensions of which are 3*224*224. We used the vgg19 network to extract the feature from the image with the highest accuracy. To increase the speed of weight correction operations, batch_size = 30 is considered. 70% of the images were used for network training, 20% for validation and 10% of the data for network testing and evaluation. The speed and accuracy of this project is high. تفاصيل المقالة

حرية الوصول المقاله

13 - Road Detection with Deep Learning in Satellite Images
Zohreh Dorrani

10.30486/mjtd.2023.1979006.1024

Road detection from high-resolution satellite images using deep learning is proposed in this article. The VGG19 architecture, which is one of the deep convolutional neural network architectures, is used in the proposed method. To detect the road, two steps are implement أکثر

Road detection from high-resolution satellite images using deep learning is proposed in this article. The VGG19 architecture, which is one of the deep convolutional neural network architectures, is used in the proposed method. To detect the road, two steps are implemented. To achieve high accuracy, image segmentation is done in the first step. At this stage, based on the semantic division, the objects whose area is small are removed. In the second stage, edge detection of images combines two techniques of segmentation and edge detection to improve road detection. Considering the good accuracy of the VGG19 architecture and the need for few parameters, the obtained results are favorable. To check the performance of the proposed method, the IoU criterion was used. The values obtained for this criterion show an improvement of more than 80%. While this criterion is less than 80% for the compared methods. The obtained results can be used for the purposes of digital mapping, transportation management and many other applications. تفاصيل المقالة

حرية الوصول المقاله

14 - Improving Students' Performance Prediction using LSTM and Neural Network
Hussam Abduljabar Salim Ahmed Razieh Asgarnezhad

10.30486/mjtd.2023.1995783.1050

Educational data mining utilizes information from academic fields to develop renewed techniques and spot unusual patterns to gauge students' academic achievement. Evaluating student learning is a complicated issue. Data mining in this field enables to predict students' أکثر

Educational data mining utilizes information from academic fields to develop renewed techniques and spot unusual patterns to gauge students' academic achievement. Evaluating student learning is a complicated issue. Data mining in this field enables to predict students' performance to recommend performance in universities. Therefore, the current authors have recently seen the rapid growth of data mining and knowledge extraction as tools used by academic institutions to optimize student learning processes. Here, a method based on a certain kind of artificial neural network called Long Short Term Memory recurrent neural network for prediction will operate. The proposed approach tries to use the educational characteristics of different people to predict the best educational process future educational. It career for students and thereby take steps to improve the effectiveness of the educational system. For comparison, one of the newest algorithms presented in this field was implemented using the proposed technique. The evaluations' findings were performed in the form of two scenarios with different data sizes and different amounts of test and training data. For the evaluation, the dataset taken from an online educational system was used. The evaluation results are presented in the form of four well-known criteria precision, recall, accuracy, and F1, which demonstrate the superiority of the proposed method. تفاصيل المقالة

حرية الوصول المقاله

15 - کدبرداری از کدهای خطی بر مبنای معادله سندرم با استفاده از یادگیری عمیق
علی مرادی محمد تحقیقی شربیان

استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیر شدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدل های یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اسا أکثر

استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیر شدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدل های یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اساسی در موفقیت مدل های یادگیری عمیق را دارند. برای افزایش دقت کدبرداری کدهای طول کوتاه (Low Density Parity Check Codes) بر مبنای معادله علامت از شبکه کانولوشنی استفاده گردید. برای تعیین جواب معادله علامت، از روش تشخیص الگوی خطا بهره گرفته شد. به این منظور، نخست شبکه کانولوشنی یک بعدی با سه لایه اصلی که هر لایه شامل زیرلایه‌های کانولوشن و ادغام میباشند استفاده شد. سپس خروجی شبکه کانولوشنی بر شبکه برگشتی GRU اعمال گردید. شبکه برگشتی GRU با تعداد سه برابر طول کدواژه با تابع فعالسازی ReLU مورد استفاده واقع گردید. تعیین مقدار ابرپارامترهای شبکه عصبی مورد استفاده ابتدا بصورت مقادیر پیش فرض کتابخانه تنسورفلو نسخه ۲ مقدار دهی و در برخی موارد برای افزایش دقت تغییر داده شدند.مقایسه بین مدل ترکیبی حاصل از شبکه کانولوشنی یک بعدی و شبکه برگشتی با مدل شبکه برگشتی نشان می دهد که برای کد LDPC با طول ۶۴ در کاهش نرخ خطای بیت، مدل ترکیبی حاصل از شبکه کانولوشنی و شبکه GRU بهتر عمل میکند. نرخ خطای بیت در شرایط نویزی مختلف به میزان ۵.۰ تا ۸.۰ دسیبل کمتر از میزان کدبردار بیشینه‌گر احتمال میباشد. همچنین نشان دادیم که شبکه‌های کانولوشنی در کنار شبکه‌های برگشتی پتانسیل این را دارند که بتوانند عملکرد چنین شبکه‌هایی را بهبود ببخشند. تفاصيل المقالة

حرية الوصول المقاله

16 - ارائه یک روش ترکیبی شبکه های عصبی عمیق جهت جلوگیری از نفوذ در شبکه های کامپیوتری
محسن رکن الدینی عرفانه نوروزی

چکیده: در این پژوهش به بررسی و ارائه یک روش ترکیبی شبکه‌های عصبی عمیق جهت جلوگیری از نفوذ در شبکه‌های کامپیوتری پرداخته می‌شود. هدف اصلی این پژوهش، افزایش کارایی سیستم تشخیص نفوذ است. برای دستیابی به این هدف، یک روش ترکیبی از یادگیری عمیق و شبکه عصبی مصنوعی ارائه شده اس أکثر

چکیده: در این پژوهش به بررسی و ارائه یک روش ترکیبی شبکه‌های عصبی عمیق جهت جلوگیری از نفوذ در شبکه‌های کامپیوتری پرداخته می‌شود. هدف اصلی این پژوهش، افزایش کارایی سیستم تشخیص نفوذ است. برای دستیابی به این هدف، یک روش ترکیبی از یادگیری عمیق و شبکه عصبی مصنوعی ارائه شده است. این روش با استفاده از شبکه‌های عصبی عمیق، ویژگی‌های پیچیده‌تر را تشخیص داده و عملکرد مدل را بهبود می‌بخشد. با استفاده از روش‌های ترکیبی شامل ترکیب معماری شبکه‌های عصبی، ویژگی‌ها، خروجی‌ها و ترکیب نتایج از شبکه‌های عصبی مختلف، تنوع و قدرت تشخیصی مدل افزایش می‌یابد و درستی و عملکرد آن بهبود می‌یابد. نتایج شبیه‌سازی‌ها نشان می‌دهد که روش‌های شبکه‌های عصبی عمیق مانند MLP، CNN، LSTM و GRU نتایج خوبی نسبت به دیگر روش‌های تک‌لایه‌ای یادگیری ماشین دارند. در این پژوهش دو روش ترکیبی شبکه عصبی عمیق CNN-GRU و CNN-LSTM معرفی شدند که به‌منظور تحلیل و ارزیابی کلی بر روی مجموعه‌داده KDD CUP'99 آزمایش شد. دو رویکرد ترکیبی، صحت بالا و خطای دسته‌بندی کمتری نسبت به دیگر روش‌های معرفی شده، دارند؛ بنابراین، می‌توان نتیجه گرفت که در مجموعه‌داده KDD CUP'99 روش ترکیبی CNN-LSTM عملکرد مناسبی دارد. تفاصيل المقالة

حرية الوصول المقاله

17 - ارائه رویکردی جدید مبتنی‌بر تکنیک‌ یادگیری عمیق برای بررسی عوامل مؤثر بر استفاده از شبکه‌های اجتماعی و عملکرد تحصیلی دانش‌آموزان
مریم بکشلو محمد تحقیقی شربیان

از آنجا که سایت‌های شبکه‌سازی اجتماعی با هدف برند‌سازی سازمانی، استخدام کارکنان و ترغیب دانش‌آموزان برای مشارکت فعالیت می‌کنند، در حوزۀ آموزش و پژوهش بسیار سودمندند. در این پژوهش روشی برای تشخیص تاثیر استفاده از شبکه‌های اجتماعی و اینترنت بر یادگیری دانش‌آموزان، مبتنی أکثر

از آنجا که سایت‌های شبکه‌سازی اجتماعی با هدف برند‌سازی سازمانی، استخدام کارکنان و ترغیب دانش‌آموزان برای مشارکت فعالیت می‌کنند، در حوزۀ آموزش و پژوهش بسیار سودمندند. در این پژوهش روشی برای تشخیص تاثیر استفاده از شبکه‌های اجتماعی و اینترنت بر یادگیری دانش‌آموزان، مبتنی بر تکنیک یادگیری عمیق و با طبقه‌بندی دقیق ارائه شده است. روش پیشنهادی دارای دو فاز اصلی است؛ در فاز اول داده ها طی سه مرحله یکپارچه‌سازی، پاکسازی و تبدیل داده برای مدل سازی آماده می‌شوند و در فاز بعدی بااستفاده از یادگیری عمیق به ایجاد مدل و بررسی داده‌ها پرداخته می‌شود. روش ارائه شده مبتنی بر انتخاب ویژگی داده‌های منظقه و زمان خاص است و از زمان مناسبی برای پاسخگویی بهره می‌برد. روش پیشنهادی باتوجه به صحت خروجی حصول نتیجه مناسب، می‌تواند در دنیای واقعی استفاده شود. روش مذکور در مجموعه انتخاب ویژگی دارای خروجی مطلوب به میزان 68 درصد بوده که نسبت به روش پایه بهبود 14 درصدی به ثبت رسانده است و می‌توان نتیجه گرفت که استفاده از شبکه‌های اجتماعی و اینترنت حدود 68 درصد بر یادگیری و کارایی تحصیلی دانش‌آموزان تأثیرگذار است. تفاصيل المقالة

حرية الوصول المقاله

18 - Deep Learning: Concepts, Types, Applications, and Implementation
Fereshteh Aghabeigi Sara Nazari Nafiseh Osati Iraqi

Today, deep learning has attracted attention in various scientific and non-scientific fields. Deep learning is a branch of machine learning that simulates the human brain for various applications like recognizing voice, face, handwriting, identifying kinship, image proc أکثر

Today, deep learning has attracted attention in various scientific and non-scientific fields. Deep learning is a branch of machine learning that simulates the human brain for various applications like recognizing voice, face, handwriting, identifying kinship, image processing, and etc. In deep learning, a set of representation algorithms is used to model high-level abstract concepts through learning at different levels and layers. Deep learning has become popular due to its capabilities like automatic feature extraction, high extendibility, and wide application in different fields. In this paper, it is tried to describe different deep learning models and architectures, how they are trained, and the required hardware and software structures. تفاصيل المقالة

حرية الوصول المقاله

19 - به‌کارگیری مدلRNN شبکه‌ عصبی مصنوعی جامع جهت ارزش‌گذاری معاملات بلوکی
عادله بحرینی مریم اکبریان فرد مهدی خوشنود

درگذشته مطالعات برعوامل تاثیر گذار بر معاملات بلوکی شرکت‌ها متمرکز بوده اند، در حالی که ارزش‌گذاری معاملات بلوکی برای اولین بار با استفاده از مدل یادگیری عمیق Rnn ، انجام شده است.ارزش‌گذاری معاملات بلوکی کمک می‌کند تا بتواند ترکیب مناسبی از سهام بلوکی را برای به حداکثر أکثر

درگذشته مطالعات برعوامل تاثیر گذار بر معاملات بلوکی شرکت‌ها متمرکز بوده اند، در حالی که ارزش‌گذاری معاملات بلوکی برای اولین بار با استفاده از مدل یادگیری عمیق Rnn ، انجام شده است.ارزش‌گذاری معاملات بلوکی کمک می‌کند تا بتواند ترکیب مناسبی از سهام بلوکی را برای به حداکثر رساندن بازده در افق موردنظر انتخاب کند.هدف این پژوهش بررسی اطلاعات حاصل ازگزارش‌های مالی شرکت‌های پذیرفته شـده دربـورس اوراق بهادارتهران درقالب 15 شاخص مالی و یافتن میزان تاثیر آن شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون rmse بر روی داده‌های موردمطالعه می باشد. بدین منظورازاطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفتـه شـده درسـازمان بـورس اوراق بهادارتهران برای دوره زمانی 1390تا1400 استفاده شده است.نتایج نشان می دهد پیش‌بینی ارزش‌گذاری معاملات بلوکی باعث تمرکز بر بلوک‌هایی با اندازه بزرگتر به عنوان معیار اندازه گیری منافع خصوصی، می‌تواند معاملاتی که صرفاً عملیات مالی و با هدف سوددهی هستند را تحت تاثیر قرار ‌دهد و انگیزه ی نهفته خریدار بلوک برای رسیدن به کنترل و منافع مالی یا استراتژیک را شناسایی کندو قابلیت اجرایی داشته باشد. تفاصيل المقالة

حرية الوصول المقاله

20 - Improving Stock Return Forecasting by Deep Learning Algorithm
Zahra Farshadfar Marcel Prokopczuk

10.22034/amfa.2019.584494.1173

Improving return forecasting is very important for both investors and researchers in financial markets. In this study we try to aim this object by two new methods. First, instead of using traditional variable, gold prices have been used as predictor and compare the resu أکثر

Improving return forecasting is very important for both investors and researchers in financial markets. In this study we try to aim this object by two new methods. First, instead of using traditional variable, gold prices have been used as predictor and compare the results with Goyal's variables. Second, unlike previous researches new machine learning algorithm called Deep learning (DP) has been used to improve return forecasting and then compare the results with historical average methods as bench mark model and use Diebold and Mariano’s and West’s statistic (DMW) for statistical evaluation. Results indicate that the applied DP model has higher accuracy compared to historical average model. It also indicates that out of sample prediction improvement does not always depend on high input variables numbers. On the other hand when using gold price as input variables, it is possible to improve this forecasting capability. Result also indicate that gold price has better accuracy than Goyal's variable to predicting out of sample return. تفاصيل المقالة

حرية الوصول المقاله

21 - Predicting Stock Price Crash Risk with a Deep Learning Approach from Artificial Intelligence and Comparing its Efficiency with Classical Predicting Methods.
Meysam Rahmati Ehsan Taieby Sani

10.22034/amfa.2023.1973199.1826

Purpose of this research is Predicting Stock Price Crash Risk with a Deep Learning Approach from Artificial Intelligence and Comparing its Efficiency with Classical Predicting Methods. This research is post-event correlation type and practical in terms of purpose. The r أکثر

Purpose of this research is Predicting Stock Price Crash Risk with a Deep Learning Approach from Artificial Intelligence and Comparing its Efficiency with Classical Predicting Methods. This research is post-event correlation type and practical in terms of purpose. The research data were extracted from the website of the Stock Exchange Organization and Codal website. The risk variable of crashing stock prices was introduced as a predictor. 3200 obser-vations were obtained from 10-year data of 320 companies between 2012 and 2021. In the following, 29 variables were identified as variables that can affect the risk of crashing stock prices. Statistical methods such as unit root test, composite data, Hausman test and variance heterogeneity test were used. Next, the top 10 algorithms in the field of deep learning were selected and used to model the mentioned variables with the CNN method. Python, Eviews and Excel software were used in this research. Examining the performance of different deep learning algorithms shows that the convolutional neural network method performs better compared to other algorithms and can improve the prediction accuracy. Therefore, it is suggested to use this algorithm in reviewing econometric data and especially predicting the risk of crashing stock prices. تفاصيل المقالة

حرية الوصول المقاله

22 - Analysis of Stock Market Manipulation using Generative Adversarial Nets and Denoising Auto-Encode Models
Hamed Hamedinia Reza Raei Saeed Bajalan Saeed Rouhani

10.22034/amfa.2021.1933112.1608

Market manipulation remains the biggest concern of investors in today’s securities market. The development of technologies and complex trading algorithms seems to facilitate stock market manipulation and make it inevitable for regulators to use Deep Learning model أکثر

Market manipulation remains the biggest concern of investors in today’s securities market. The development of technologies and complex trading algorithms seems to facilitate stock market manipulation and make it inevitable for regulators to use Deep Learning models to prevent manipulation. In this research, a Denoising GAN-based model has been designed. The proposed model (GAN-DAE4) consists of a three-layer encoder along with a 2-dimension encoder as the discriminator and a three-layer decoder as the generator. First, using statistical methods such as sequence, skewness, and kurtosis tests and some unsupervised learning methods such as Contextual Anomaly Detection (CAD) and some visual and graphical methods, the manipulated stocks have been detected in the Tehran Stock Exchange from 2015 to 2020; then GAN-DAE4 and some supervised deep learning models have been applied to the prepared data set. The results show that GAN-DAE4 outperformed other deep learning models (with F2-measure 73.71%) such as Decision Tree (C4.5), Random Forest, Neural Network, and Logistic Regression. تفاصيل المقالة

حرية الوصول المقاله

23 - Capsule Network Regression Using Information Measures: An Application in Bitcoin Market
Mahsa Tavakoli Hassan Doosti Christophe Chesneau

10.22034/amfa.2021.1932547.1603

Predicting financial markets has always been one of the most challengingissues, attracting the attention of many investors and researchers. In this regard, deeplearning methods have been used a lot recently. Due to the desired results, such networks are always in devel أکثر

Predicting financial markets has always been one of the most challengingissues, attracting the attention of many investors and researchers. In this regard, deeplearning methods have been used a lot recently. Due to the desired results, such networks are always in development and progress. One of the networks that is beingimplemented in various fields is capsule network. The first time the classification capsule network was introduced, it was able to attract a lot of attention with its successon MNIST data 1. In such networks, as in the other ones, the parameters are obtainedby minimizing a loss function. In this paper, we first change the classification capsulenetwork to a regression capsule network by modifying the last layer of the network.Then we use different information measures such as Kullnack-Leibler, Lin-Wang andTriangular information measures as a loss function, and compare their results with wellknown models including Artificial Neural Network (ANN), Convolutional Network(CNN) and Long Short-Term Memory (LSTM) as well as common used loss functionssuch as Mean Square Error (MSE) and Mean Absolute Percentage Error (MAPE). Usingappropriate accuracy metrics, it is shown that the capsule network using triangularinformation measure is well able to predict the price of bitcoin for the medium andlong term period including 10, 90 and 180 days. تفاصيل المقالة

حرية الوصول المقاله

24 - Deep Learning Application in Rainbow Options Pricing
Ali Bolfake Seyed Nourollah Mousavi Sima Mashayekhi

10.22034/amfa.2023.1970841.1812

Due to the rapid advancements in computer technology, researchers are attracted to solving challenging problems in many different fields. The price of rainbow options is an interesting problem in financial fields and risk management. When there is no closed-form solutio أکثر

Due to the rapid advancements in computer technology, researchers are attracted to solving challenging problems in many different fields. The price of rainbow options is an interesting problem in financial fields and risk management. When there is no closed-form solution to some options, numerical methods must be used. Choosing a suitable numerical method involves the most appropriate combination of criteria for speed, accuracy, simplicity and generality. Monte Carlo simulation methods and traditional numerical methods have expensive repetitive computations and unrealistic assumptions on the model. Deep learning provides an effective and efficient method for options pricing. In this paper, the closed-form formula or Monte-Carlo simulation are used to generate data in European and Asian rainbow option prices for the deep learning model. The results confirm that the deep learning model can price the rainbow options more accurately with less computation time than Monte-Carlo simulation. تفاصيل المقالة

حرية الوصول المقاله

25 - A Stock Market Prediction Model Based on Deep Learning Networks
seyyedeh mozhgan Beheshti Masalegou Mohammad-Ali Afshar-Kazemie jalal haghighat monfared Ali Rezaeian

10.30495/jsm.2022.1954072.1623

Accurate stock market prediction can assist in an efficient portfolio and risk management. However, accurately predicting stock price trends still is an elusive goal, not only because the stock market is affected by policies, market environment, and market sentiment, bu أکثر

Accurate stock market prediction can assist in an efficient portfolio and risk management. However, accurately predicting stock price trends still is an elusive goal, not only because the stock market is affected by policies, market environment, and market sentiment, but also because stock price data is inherently complex, noisy, and nonlinear. Recently, the rapid development of deep learning can make the classifiers more robust, which can be used to solve nonlinear problems. This study proposes a hybrid framework using Long Short-Term Memory, Autoencoder, and Deep Neural Networks (LSTM-AE-DNNs). Specifically, LSTM-AE is responsible for extracting relevant features, and in order to predict price movement, the features are fed into two deep learning models based on a recurrent neural network (RNN) and multilayer perceptron (MLP). The dataset used for this is Dow Jones daily stock for 2008-2018, which was used in this article. Besides, to further assess the prediction performance of the proposed model, original stock features are fed to the single RNN and MLP models. The results showed that the proposed model gives the more accurate and best results compared to another. In particular, LSTM-AE+RNN shows a better performance than the LSTM-AE+MLP. In addition, hybrid models show better performance compared to a single DNN fed with the all-stock features directly. تفاصيل المقالة

حرية الوصول المقاله

26 - A State-of-the-Art Survey of Deep Learning Techniques in Medical Pattern Analysis and IoT Intelligent Systems
Aref Safari

Deep learning techniques have been concentrated on medical applications in recent years. The proposed methodologies are inadequate while medical applications' evolutionary and complex nature is changing quickly and becoming harder to recognize. This paper presents a sys أکثر

Deep learning techniques have been concentrated on medical applications in recent years. The proposed methodologies are inadequate while medical applications' evolutionary and complex nature is changing quickly and becoming harder to recognize. This paper presents a systematic and detailed survey of the deep learning techniques in medical pattern analysis applications. In addition, it classifies deep learning techniques into two main categories: advanced machine learning and deep learning techniques. The main contributions of this paper are presenting a systematic and categorized overview of the current approaches to machine learning methodologies and exploring the structure of the effective methods in the medical pattern analysis based on deep learning techniques. At last, the advantages and disadvantages of deep learning techniques and their proficiency were discussed. This state-of-the-art survey helps researchers comprehend the deep learning field and allows specialists in intelligent medical research to do consequent examinations. تفاصيل المقالة

حرية الوصول المقاله

27 - ارائه یک مدل ترکیبی غیرقطعی برای پیشبینی قیمت رمز ارز بیتکوین CNN-LSTM
علی علی جماعت سید محسن میرحسینی

10.30495/qrm.2022.702933

چکیدهدر جامع ه امروزی تنوع سرما یهگذا ری اهمیت بالایی یافته است . افرا د با تنو عبخشی به سبد سرمایه، ریسکسرما یهگذاری را کاهش م یدهند. بی تکوین نیز ب هعنوان یکی از سرما یههای دیجیتالی محبوبیت زیادی به دستآورده و در سبد سرمای هگذاری افراد و نهادها قرارگرفته است. پی شبینی أکثر

چکیدهدر جامع ه امروزی تنوع سرما یهگذا ری اهمیت بالایی یافته است . افرا د با تنو عبخشی به سبد سرمایه، ریسکسرما یهگذاری را کاهش م یدهند. بی تکوین نیز ب هعنوان یکی از سرما یههای دیجیتالی محبوبیت زیادی به دستآورده و در سبد سرمای هگذاری افراد و نهادها قرارگرفته است. پی شبینی قیمت بیتکوین برای تعیین روندقیمتی و معاملات مهم است. برای ا ین کار رو شهای سنتی و نیز روشهای مبتنی بر یادگیری ماشین مختلفیارائه شده است که هرکدام مزایا و معا یب خود را دارن د. اخیرا استفاده از مد لهای ترکیبی مورد توجه قرارگرفته است. روشهای ترکیبی کارایی مناسبی داشته و از مزایای روشهای ترکیب شده استفاده میکنند. دراین مقاله، یک روش ترکیبی مبتنی بر شبکه عصبی عمیق کانولوشنی و شبکه عصبی بازگشتی با حذف تصادفیاحتمالی ارائه م یشود. حذف تصادفی احتمالی موجب منظمسازی یادگیری و پرهیز از بیش برازش شده وموجب کاهش خطای مدل م یشود. نتایج آزمایشهای انجام گرفته نشاندهنده دقت بالاتر روش پیشنهادینسبت به رو شهای مورد مقایسه در پیشبینی قیمت بیت کوین دارد .کلمات کلیدی: پیشبینی قیمت، بیتکوین، یادگیری ماشین و یادگیری عمیق . تفاصيل المقالة

حرية الوصول المقاله

28 - Image classification optimization models using the convolutional neural network (CNN) approach and embedded deep learning system
AKBAR PAYANDAN Seyed Hossein Hosseini Nazhad

Deep learning has progressed rapidly in recent years and has been applied in many fields, which are the main fields of artificial intelligence. Traditional methods of machine learning most use shallow structures to deal with a limited number of samples and computational أکثر

Deep learning has progressed rapidly in recent years and has been applied in many fields, which are the main fields of artificial intelligence. Traditional methods of machine learning most use shallow structures to deal with a limited number of samples and computational units. When the target objects have rich meanings, the performance and ability to generalize complex classification problems will be quite inadequate. The convolutional neural network (CNN), which has been developed in recent years, widely used in image processing; because it has high skills in dealing with image classification and image recognition issues and it has led to great care in many machine learning tasks and it has become a powerful and universal model of deep learning. The combination of deep learning and embedded systems has created good technical dimensions. In this paper, several useful models in the field of image classification optimization, based on convolutional neural network and embedded systems, are discussed. Since this paper focuses on usable models on the FPGA board, models known for embedded systems such as MobileNet, ResNet, ResNeXt and ShuffNet have been studied. تفاصيل المقالة

حرية الوصول المقاله

29 - Optimal detection of suspected lung nodules using a novel convolution neural network
Reza Majidpourkhoei Mehdi Alilou Kambiz Majidzadeh Amin BabazadehSangar

Lung cancer is among the deadliest cancers worldwide. One of the indications of lung cancers is lung nodules which can appear individually or attach to the lung wall. Therefore, the detection of the so-called nodules is complicated. In such cases, the image processing a أکثر

Lung cancer is among the deadliest cancers worldwide. One of the indications of lung cancers is lung nodules which can appear individually or attach to the lung wall. Therefore, the detection of the so-called nodules is complicated. In such cases, the image processing algorithms are performed by the computer, which can aid the radiologists in locating and assessing the nodule's feature. The significant problems with the current systems are the increment of the accuracy, improvement of other criteria in the results, and optimization of the computation costs. The present paper's objective is to efficiently cope with the aforementioned problems by a shallow and light network. Convolutional Neural Networks were utilized to distinguish between benign or malignant lung nodules. In CNN's networks, the complexity increases as the number of layers increases. Accordingly, in the current paper, two scenarios are presented based on State the art and shallow CNN method in order to accurately detect lung nodules in lung CT scans. A subset of the LIDC public dataset including N=7072 CT slices of varying nodule sizes was also used for training and validation of the current approach. Training and validation steps of the network were performed approximately in five hours, and the proposed method achieved a high detection accuracy of 83.6% in Scenario1 and 91.7% in Scenario2. Due to the usage of various validated database images and comparison with previous similar studies in terms of accuracy, the proposed solution achieved a decent trade-off between criteria and saved computation costs. The present work demonstrated that the proposed network was simple and suitable for the so-called problems. Although the paper attempted to meet the existing challenges and fill up the prevailing niches in the literature, there are still further issues that requires complementary studies to shape the tapestry of the knowledge in the field. تفاصيل المقالة

حرية الوصول المقاله

30 - Image classification optimization models using the convolutional neural network ( CNN ) approach and embedded deep learning system
AKBAR PAYANDAN Seyed Hossein HosseiniNazhad

Deep learning has progressed rapidly in recent years and has been applied in many fields, which are the main fields of artificial intelligence. Traditional methods of machine learning most use shallow structures to deal with a limited number of samples and computational أکثر

Deep learning has progressed rapidly in recent years and has been applied in many fields, which are the main fields of artificial intelligence. Traditional methods of machine learning most use shallow structures to deal with a limited number of samples and computational units. When the target objects have rich meanings, the performance and ability to generalize complex classification problems will be quite inadequate. The convolutional neural network (CNN), which has been developed in recent years, widely used in image processing; because it has high skills in dealing with image classification and image recognition issues and it has led to great care in many machine learning tasks and it has become a powerful and universal model of deep learning. The combination of deep learning and embedded systems has created good technical dimensions. In this paper, several useful models in the field of image classification optimization, based on convolutional neural network and embedded systems, are discussed. Since this paper focuses on usable models on the FPGA board, models known for embedded systems such as MobileNet, ResNet, ResNeXt and ShuffNet have been studied. تفاصيل المقالة

حرية الوصول المقاله

31 - Design of MobileNet algorithm to optimize image classification in Convolutional Neural Network (CNN) and implementation on FPGA
AKBAR PAYANDAN S. Hossein Hosseini Nejad

Deep learning has developed rapidly in recent years and has been applied in many areas that are major areas of artificial intelligence. The combination of deep learning and embedded systems has created good dimensions in the technical field. In this paper, a deep learni أکثر

Deep learning has developed rapidly in recent years and has been applied in many areas that are major areas of artificial intelligence. The combination of deep learning and embedded systems has created good dimensions in the technical field. In this paper, a deep learning neural network algorithm can be designed that can be implemented on FPGA hardware. The PyTorch and CUDA were used as assistant methods. Convolution neural network (CNN) was also used for image classification. Three good CNN models such as ResNet, ResNeXt and MobileNet were reviewed in this article. Using these models in the design, an algorithm was eventually designed with the MobileNet model. Models were selected from different aspects such as floating operation point (FLOP), number of parameters and classification accuracy. In fact, the MobileNet-based algorithm was selected with a top-1 error of 5.5% in software with a 6-class data set. In addition, hardware simulation in MobileNet-based algorithms was presented. The parameters were converted from floating numbers to 8-bit integers. The output numbers of each layer were cut into integer fixed bits to fit the hardware constraint. A method based on working with numbers was designed to simulate number changes in hardware. The results of simulation show that, the top-1 error increased to 12.3%, which is acceptable. تفاصيل المقالة

حرية الوصول المقاله

32 - Design of MobileNet algorithm to optimize image classification in Convolutional Neural Network ( CNN ) and implementation on FPGA
AKBAR PAYANDAN Seyed Hossein HosseiniNazhad

Deep learning has developed rapidly in recent years and has been applied in many areas that are major areas of artificial intelligence. The combination of deep learning and embedded systems has created good dimensions in the technical field. In this paper, a deep learni أکثر

Deep learning has developed rapidly in recent years and has been applied in many areas that are major areas of artificial intelligence. The combination of deep learning and embedded systems has created good dimensions in the technical field. In this paper, a deep learning neural network algorithm can be designed that can be implemented on FPGA hardware. The PyTorch and CUDA were used as assistant methods. Convolution neural network (CNN) was also used for image classification. Three good CNN models such as ResNet, ResNeXt and MobileNet were reviewed in this article. Using these models in the design, an algorithm was eventually designed with the MobileNet model. Models were selected from different aspects such as floating operation point (FLOP), number of parameters and classification accuracy. In fact, the MobileNet-based algorithm was selected with a top-1 error of 5.5% in software with a 6-class data set. In addition, hardware simulation in MobileNet-based algorithms was presented. The parameters were converted from floating numbers to 8-bit integers. The output numbers of each layer were cut into integer fixed bits to fit the hardware constraint. A method based on working with numbers was designed to simulate number changes in hardware. The results of simulation show that, the top-1 error increased to 12.3%, which is acceptable. تفاصيل المقالة

حرية الوصول المقاله

33 - Diagnosis of Covid-19 using optimized convolutional neural network
mohammad fatehi mehdi taghizadeh mohammad moradi gholamhosein shojaat

According to the report of the World Health Organization, corona disease is the most dangerous and contagious disease in the world. Currently, the most common method used to diagnose corona disease is the polymer chain reaction laboratory technique of reverse transcript أکثر

According to the report of the World Health Organization, corona disease is the most dangerous and contagious disease in the world. Currently, the most common method used to diagnose corona disease is the polymer chain reaction laboratory technique of reverse transcription, but since this method requires time to confirm the presence of the virus in the laboratory and also due to the unavailability of diagnostic kits and its high costs, Suspected corona virus patients cannot be identified and treated in time; This, in turn, can increase the likelihood of spreading the disease.Another diagnostic method is the use of X-ray chest imaging technique as well as chest computed tomography scan. Also, the use of deep learning methods can be very important for faster and more accurate diagnosis of the lung problems of the corona virus.In this study, using optimized deep convolutional networks based on X-ray images, patients with corona virus were diagnosed.In this article, using the optimized convolutional neural network of healthy people and those with corona, with 10-Fold cross-validation, average accuracy of 98.9% and average sensitivity of 96.5% were obtained.According to the obtained results, it can be said that the proposed method has the ability to separate healthy and unhealthy signals with acceptable accuracy. تفاصيل المقالة

حرية الوصول المقاله

34 - . Detection of healthy and unhealthy ECG signal using optimized convolutional neural network
mohammad fatehi mehdi khajooee nahid adlband mohammad moradi

According to the information of the World Health Organization, today heart diseases are considered the most important threat to humans and are the first cause of death in the world. According to the latest global statistics, 46% of deaths are related to the heart. Accor أکثر

According to the information of the World Health Organization, today heart diseases are considered the most important threat to humans and are the first cause of death in the world. According to the latest global statistics, 46% of deaths are related to the heart. According to reports and research, a large number of causes of death are caused by heart diseases, while 25% of cases are reversible. Correct and timely diagnosis of patients with acute heart problems can largely prevent sudden death and further problems.Due to the fact that recording an electrocardiogram is inexpensive and fruitful, the use of an electrocardiogram can help a lot in many heart diseases and other diseases.Deep learning is one of the new methods with high accuracy in diagnosis and classification, which is based on the convolutional neural network.Convolutional neural networks have a very high processing and training time, which can be optimized and reduced in order to reduce the time, so that acceptable results can be obtained with high accuracy.In this article, using the optimized convolutional neural network, the healthy and unhealthy signal was obtained with 99.9% accuracy and 99.7% sensitivity with 10-fold cross-validation.According to the obtained results, it can be said that the proposed method has the ability to separate healthy and unhealthy signals with acceptable accuracy. تفاصيل المقالة

حرية الوصول المقاله

35 - A Hybrid Type-2 Fuzzy-LSTM Model for Prediction of Environmental Temporal Patterns
Aref Safari Rahil Hosseini

Computational intelligence methods, such as fuzzy logic and deep neural networks, are robust models to solve real-world problems. In many dynamic and complex problems, statistical attributes frequently change over the time. Recurrent neural networks (RNN) are suitable t أکثر

Computational intelligence methods, such as fuzzy logic and deep neural networks, are robust models to solve real-world problems. In many dynamic and complex problems, statistical attributes frequently change over the time. Recurrent neural networks (RNN) are suitable to model dynamic high-dimensional and non-linear state-space systems. Nevertheless, the RNN is incapable of modelling long-term dependencies in temporal data, and its learning using gradient descent is a complex and difficult task. Long Short-Term Memory (LSTM) networks were introduced to overcome the RNN issues, but coping with uncertainty is still a major challenge for the LSTM models. This research presents a Hybrid Type-2 Fuzzy LSTM (HHT2FLSTM) deep approach to learn long-term dependencies in order to obtain a reliable prediction in uncertain time series circumstances. The proposed model was applied to the air quality prediction problem to evaluate the model’s robustness in handling uncertainties in a real-world application. The proposed model has been evaluated on a real dataset that contains the outdoor pollutants from July 2011 to October 2020 in Tehran and Beijing by a 10-fold cv with an average area under the ROC curve of 97 % with a 95% confidence interval [95-97] %. تفاصيل المقالة

حرية الوصول المقاله

36 - Enhancing Lung Cancer Diagnosis Accuracy through Autoencoder-Based Reconstruction of Computed Tomography (CT) Lung Images
Mohammad Amin Pirian iman heidari Toktam Khatibi Mohammad Mehdi Sepehri

Lung cancer is a major global cause of cancer-related deaths, emphasizing the importance of early detection through chest imaging. Accurate reconstruction of computed tomography (CT) lung images plays a crucial role in the diagnosis and treatment planning of lung cancer أکثر

Lung cancer is a major global cause of cancer-related deaths, emphasizing the importance of early detection through chest imaging. Accurate reconstruction of computed tomography (CT) lung images plays a crucial role in the diagnosis and treatment planning of lung cancer patients. However, noise in CT images poses a significant challenge, hindering the precise interpretation of internal tissue structures. Low-dose CT, with reduced radiation risks, has gained popularity. Nonetheless, inherent noise compromises image quality, potentially impacting diagnostic performance. Denoising autoencoder and unsupervised deep learning algorithms offer a promising solution. A dataset of CT images from patients suspected of lung cancer was categorized into four disease groups to evaluate different autoencoder models. Results showed that designed autoencoders effectively reduced noise, enhancing overall image quality. The semi-supervised autoencoder exhibited superior performance, preserving fine details and enhancing diagnostic information. This research underscores autoencoder models' potential in improving lung cancer diagnosis accuracy by reconstructing CT lung images, emphasizing the importance of noise reduction techniques in enhancing image quality and diagnostic performance. تفاصيل المقالة

حرية الوصول المقاله

37 - Determining COVID-19 Tweet Check-Worthiness: Based On Deep Learning Approach
hosniyeh safiarian Mohammad Jafar Tarokh MohammadAli Afshar Kazemi

10.22094/jcr.2022.698130

When, we consider the ubiquity of Facebook, twitter, LinkedIn, it is easy to understand how social media is woven into the fabric of our day-to-day activities. It is a suitable tool to find information about news , events , and different Issues. After corona virus outbr أکثر

When, we consider the ubiquity of Facebook, twitter, LinkedIn, it is easy to understand how social media is woven into the fabric of our day-to-day activities. It is a suitable tool to find information about news , events , and different Issues. After corona virus outbreak, it is inspired users to understand pandemic news, mortality statistics and vaccination news. According to evidence, the diffusion of pandemic news on social medium has increased from 2020 and user face a ton of COVID19 messages. The purpose of this paper is to determine the check-worthiness of news about COVID-19 to identify and priorities news that need fact-checking. We proposed a method that is called CVMD. We extracted the feature of content. We use the deep learning approach for prediction it means that we model this problem with a binary classification problem. Our proposed method is evaluated by different measures on twitter dataset and the results show that CVMD method has a high accuracy in prediction rather than other methods. تفاصيل المقالة

حرية الوصول المقاله

38 - MS Identification in Brain Magnetic Resonance Images Using Wavelet Transfer Learning
Ali Alijamaat Ali NikravanShalmani Peyman Bayat

Multiple Sclerosis (MS) is one of the most important diseases of the central nervous system. This disease causes small lesions detectable in Magnetic Resonance Imaging (MRI) images of the patient’s brain. Because of the small size of the lesions, their distributio أکثر

Multiple Sclerosis (MS) is one of the most important diseases of the central nervous system. This disease causes small lesions detectable in Magnetic Resonance Imaging (MRI) images of the patient’s brain. Because of the small size of the lesions, their distribution, and their similarity to some other diseases, the MS diagnosis can be difficult for specialists and may be mistaken. In this paper, we presented a new method based on deep learning for the automatic classification of MRI images. The proposed method is a combinational architecture from transfer learning and wavelet transform (WT). First, WT was applied to the input MRI image, and its four output sub-bands are used as the input of four fine-tuning networks based on EfficientNet-B3. Transfer learning networks perform feature extraction on all four sub-bands. Then, their outputs are combined, and the result is classified by a fully connected neural network. Due to the feature of WT to extract local features, it was possible to highlight the lesions in the images and subsequently classify it with higher accuracy and precision. Various criteria have been used to evaluate the proposed method. The results of the experiments show that the Values of accuracy, precision, sensitivity, and specificity are 98.91%, 99.20%, 99.20%, and 98.33%, respectively. تفاصيل المقالة

حرية الوصول المقاله

39 - Diagnosis of anomalies in Thyroid Gland Images Based on Feature Extraction from Capsule Network Architecture.
Mahin Tasnimi Hamid Reza Ghaffari

10.22094/jcr.2021.687484

Diagnosing benign and malignant glands in thyroid ultrasound images is considered as a challenging issue. Recently, deep learning techniques have significantly resulted in extracting features from medical images and classifying them. Convolutional networks ignore the hi أکثر

Diagnosing benign and malignant glands in thyroid ultrasound images is considered as a challenging issue. Recently, deep learning techniques have significantly resulted in extracting features from medical images and classifying them. Convolutional networks ignore the hierarchical structure of entities within images and do not pay attention to spatial information as well as the need for a large number of training samples. Capsule networks consist of different hierarchical capsules equivalent to the same layers in the CNN neural network. This study tried to extract textural features using a deep learning model based on a capsule network. Thyroid ultrasound images were given to the capsule network as input data, and finally the features learned in the capsule network were used to teach the Support Vector Machine classifier, in order to diagnose thyroid cancer. Experimental results showed that the proposed method with 98% accuracy has achieved better results compared to convolutional networks. تفاصيل المقالة

حرية الوصول المقاله

40 - Optimization and Improvement of Spam Email Detection using Deep Learning Approaches
Mohsen Nooraee Hamid Reza Ghaffari

10.22094/jcr.2022.1967782.1281

Today, one of the widely used fields in artificial intelligence is text mining methods, which due to the expansion of virtual space and the increase in the use of media and social messengers, and on the other hand, the ability of these methods to extract the desired inf أکثر

Today, one of the widely used fields in artificial intelligence is text mining methods, which due to the expansion of virtual space and the increase in the use of media and social messengers, and on the other hand, the ability of these methods to extract the desired information from a very large volume of Unstructured text files have a special place. for example, one of its applications can be mentioned in spam detection. Nowadays, the presence of spam content in social media is increasing drastically, and therefore spam detection has become critical. Users receive many text messages through social networks. These messages contain malicious links, programs, etc., and it is necessary to identify and control spam texts and emails to improve social media security. There are various techniques for this, among which neural networks have shown more effective results. In this article, an approach based on deep learning using an LSTM neural network and Glove word embedding method is introduced to display text word vectors to detect spam emails. The results of the proposed model have been evaluated using accuracy criteria. This model has shown successful and acceptable performance by achieving 98.39% and 99.49% accuracy on two different data sets. تفاصيل المقالة

حرية الوصول المقاله

41 - تشخیص k پست اثرگذار برمبنای یادگیری عمیق در جهت بهبود مدیریت دانش
حسنیه صفی آریان محمد جعفر تارخ محمدعلی افشارکاظمی

حضور رسانه های اجتماعی باعث ایجاد تحولات اساسی در جوامع امروزی شده است. این رسانه ها بستری مناسب برای کاربران در جهت اشتراک گذاری ایده ها باشد.همین امر موجب شده است که کاربران با انبوهی از اطلاعات مواجه شوند که در بیشتر اوقات مناسب آن ها نباشد و نفوذ کمی بر روی آن ها دا أکثر

حضور رسانه های اجتماعی باعث ایجاد تحولات اساسی در جوامع امروزی شده است. این رسانه ها بستری مناسب برای کاربران در جهت اشتراک گذاری ایده ها باشد.همین امر موجب شده است که کاربران با انبوهی از اطلاعات مواجه شوند که در بیشتر اوقات مناسب آن ها نباشد و نفوذ کمی بر روی آن ها داشته باشد. ارائه روشی جهت انتخاب پست های اثرگذار برای کاربر در میان انبوهی از پست ها ، می تواند بسیار حائز اهمیت باشد. روش‌هایی که در پژوهش های اخیر در جهت انتخاب پست های اثرگذار ارائه شده است مبتنی بر خصیصه‌های آماری مربوط به داده‌های مختلف میکروبلاگ ها می‌باشند و کمتر به صورت محتوایی اثرگذاری ، هر پست را بر روی کاربر مشخص، مورد اندازه‌گیری قرار داده است. علی رغم تنوع موضوعی ، محتوایی توئیت‌ها و کاربران مختلف، اکثر این روش‌ها با ارائه یک مدل عمومی بر مبنای خصیصه‌های پرتعداد، از دقت برخوردار نیستند و قادر به ارائه پیشگویی در زمان برخط نمی باشند. در این پژوهش ، با تحلیل انتشار پست‌ها بین کاربران در بازه زمانی مشخص، به بررسی روشی برای سنجش توجه کاربران به مطالب به اشتراک گذاشته شده و تأثیرات آن‌ها پرداخته می‌شود، این روش IKS نام گذاری شده است که بر مبنای خصیصه های محتوای منتشر شده توسط کاربر ارائه شده است و به صورت یک مساله کلاس بند دودوئی که برمبنای یادگیری عمیق می باشد. ارزیابی این روش با استفاده از روش شهودی و ارزیابی مجموعه دادگان انجام شده است که دقت بیشتری در مقایسه با سایر روش ها دارد. تفاصيل المقالة

حرية الوصول المقاله

42 - Prediction of Heating Energy Consumption in Houses via Deep Learning Neural Network
Newsha Valadbeygi Ali Shahrjerdi

This paper presents a novel model for prediction of energy consumption and heat transfer in houses on the basis of neural network by the use of experimental dataset of some cities of Iran for the learning process. To this end, a deep learning neural network (DNN) is des أکثر

This paper presents a novel model for prediction of energy consumption and heat transfer in houses on the basis of neural network by the use of experimental dataset of some cities of Iran for the learning process. To this end, a deep learning neural network (DNN) is designed by means of real set of data as input. In order to evaluate the proposed network, the predicted results are compared with the results obtained from the practical schemes. The comparison approved the effectiveness and feasibility of the suggested network in prediction of energy consumption and heat transfer with a low error for regression. تفاصيل المقالة

حرية الوصول المقاله

43 - ‎Role of Fuzzy Sets on Artificial Intelligence Methods‎: ‎A literature Review
Cengiz Kahraman Sezi Onar Basar Oztaysi Selcuk Cebi

10.30495/tfss.2023.1976303.1060

Machines can model and improve the human minds capabilities through artificial intelligence. One of the most popular tools of artificial intelligence is fuzzy sets, which can capture and model the vagueness and impreciseness in human thoughts. This paper, first of all, أکثر

Machines can model and improve the human minds capabilities through artificial intelligence. One of the most popular tools of artificial intelligence is fuzzy sets, which can capture and model the vagueness and impreciseness in human thoughts. This paper, first of all, introduces the recent extensions of ordinary fuzzy sets and then presents a literature review on the integration of fuzzy sets with other artificial intelligence techniques such as automated reasoning, autonomous agents, multi-agent systems, machine learning, case-based reasoning, deep learning, information reasoning, information representation, natural language processing, symbolic reasoning, and neural networks. Graphical illustrations of literature review results are presented for each of these integrated artificial intelligence techniques. The results of a patent search on fuzzy artificial intelligence are also given. تفاصيل المقالة

حرية الوصول المقاله

44 - Fake News Detection Using Feature Extraction, Resampling Methods, and Deep Learning
Mirmorsal Madani Homayun Motameni Hosein Mohamadi

The production of fake news were practiced even before the advent of the internet. However, with the development of the internet and traditional media giving way to social media, the growing and unstoppable process of making and spreading this kind of news have become a أکثر

The production of fake news were practiced even before the advent of the internet. However, with the development of the internet and traditional media giving way to social media, the growing and unstoppable process of making and spreading this kind of news have become a widespread concern. Fake news by disrupting the proper flow of information and deluding public opinion, potentially causes serious problems in society. Therefore, it is necessary to detect such news, which is associated with some challenges. These challenges may be related to various issues such as datasets, events, or audiences. Lack of sufficient information about news samples, or an imbalance are the main problems in some of these datasets, which will be addressed in this paper. In the proposed model, firstly the key features in relevant datasets will be extracted to increase information about news samples. After that, using the K-nearest neighbors, a genetic, and TomekLink algorithms as the cleaning techniques, as well as designing a Generative Adversarial network, as a technique for generating synthetic data, three novel methods in the area of hybrid resampling will be presented to balance these datasets. The presented methods cause a significant increase in the performance of the deep learning algorithms to detect fake news. تفاصيل المقالة

حرية الوصول المقاله

45 - A Hybrid Model Using Deep Learning to Predict Stock Price Index
Mohammad Reza Shahraki

Predicting the stock price is a demanding task since multiple factors affect it. To enhance the stock price index prediction accuracy, the current study hybridizes variational mode decomposition (VMD) with the CNN-LSTM model. The proposed model, VMD-CNN-LSTM, works base أکثر

Predicting the stock price is a demanding task since multiple factors affect it. To enhance the stock price index prediction accuracy, the current study hybridizes variational mode decomposition (VMD) with the CNN-LSTM model. The proposed model, VMD-CNN-LSTM, works based on the decomposition-and-ensemble framework. To do this, VMD and CNN-LSTM were used to deal with the nonstationary and nonlinear nature of the stock price data. The former was first applied to the decomposition of time-series data into a number of components. Then, CNN-LSTM was applied to the prediction of the components. To end with, all the components’ prediction results were summed up to attain the final prediction result. To verify the effectiveness of the proposed model in terms of predicting the stock price index, its performance was compared to some single models as well as some VMD- and EMD-based hybrid models. The results not only confirmed the superiority of the hybrid models over the single ones, but also showed the higher effectiveness of VMD-based models compared to EMD-based ones regarding the prediction accuracy. تفاصيل المقالة

حرية الوصول المقاله

46 - A New Hybrid Model Using Deep Learning to Forecast Gold Price
Mohammad Reza Shahraki

Today, different markets and economic sectors are directly or indirectly affected by gold price; thus its prediction is a big challenge for both investors and researchers. On the other hand, the nonstationary and nonlinear patterns of gold price data cause the predictio أکثر

Today, different markets and economic sectors are directly or indirectly affected by gold price; thus its prediction is a big challenge for both investors and researchers. On the other hand, the nonstationary and nonlinear patterns of gold price data cause the prediction process even more complex. To address this challenge, a hybrid model was developed in this paper to predict gold price, with a concentration on enhancing accuracy through considering the gold price data characteristics. To do this, Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (ICEEMDAN) and Gated recurrent units (GRU) were used to deal with the nonstationary and nonlinear nature of the gold price data. The former was first applied to the decomposition of time-series data of gold price into a number of components. Then, GRU was applied to the prediction of the components. To end with, all the components’ prediction results were summed up to attain the final prediction result. The efficiency of the developed model was evaluated using real-world gold data, which confirmed its superiority over the standard methods used for comparison. تفاصيل المقالة

حرية الوصول المقاله

47 - بهبود ساختار الگوریتم یادگیری عمیق در پردازش تصویر باالهام از ماتریس تفکیک پذیری مغز
زهرا حیدران داروقه امنیه سیدمحمد جلال رستگار فاطمی مریم رستگارپور

چکیده: الگوریتم های آموزش عمیق در بسیاری از مسائل بازشناسی الگو، نتایجی در سطح انسان و یا بهتر می توانند به ثبت رسانند. اما این نتایج با مکانیسمی متفاوت از مغز انسان به دست آمده است. مدل پیشنهادی در این مقاله یک الگوریتم تقسیم بندی و درون یابی با الهام از مغز انسان را ت أکثر

چکیده: الگوریتم های آموزش عمیق در بسیاری از مسائل بازشناسی الگو، نتایجی در سطح انسان و یا بهتر می توانند به ثبت رسانند. اما این نتایج با مکانیسمی متفاوت از مغز انسان به دست آمده است. مدل پیشنهادی در این مقاله یک الگوریتم تقسیم بندی و درون یابی با الهام از مغز انسان را توصیف نموده و بعد از لایه ورودی، لایه‌ی شبکیه اعمال ‌شده است که به پیروی از شبکیه چشم، عمل رمزنگاری بر روی تصویر ورودی را انجام می‌دهد. سپس تصویر ورودی به فضای ثانی انتقال می‌یابد که تلاش برای تغییر ساختار شبکه عمیق با الهام از مسیر بینایی مغز خواهد بود. بازخورد شبکه، نرخ بازشناسی و سطح انرژی شبکه و یا جامعیت شبکه ی آموزش دیده در زیرمجموعه هایی از مجموعه داده کلتک بررسی می گردد. در نمونه های مشابه الگوریتم های آموزش عمیق برای یادگیری نیاز به داده بیشتری در مقایسه با یادگیری انسان دارد. بعلاوه، اختلاف یادگیری عمیق و انسان، تفاوت در بازنمایش اطلاعات است. در یادگیری عمیق وزن ها در جهتی بهبود می یابند تا در یک آزمایش خاص نتیجه بهینه شود ولی در انسان با میلیون ها سال تکامل، مغز انسان به گونه ای تکامل یافته تا بازنمایش بهینه و مؤثر باشد. چالش مورد بررسی دیگر، عمیق تر شدن لایه های یادگیری عمیق است. تعداد این لایه ها نسبت به مغز چندین برابر گشته است و این مسئله منجر به پیچیدگی و صرف انرژی بیشتر می شود. اما در مغز با صرف انرژی کمتر می تواند تشخیص را انجام دهد. بیشینه نرخ بازشناسی مدل پیشنهادی به 93 درصد می رسد و مدل پایه نزدیک به 91 درصد است. همچنین مدل پیشنهادی تنک‌تر و نرخ آتش نورون ها در لایه های ابتدایی کمتر و پایداری بالایی به تغییرات شدت روشنایی داشته، تفکیک پذیری در لایه های مدل بالاتر رفته و توانسته در مواجهه با تصاویر نویزی پاسخ بهتری نشان دهد و افت بازشناسی کمتری را ثبت کند. تفاصيل المقالة

حرية الوصول المقاله

48 - پیش‌بینی بلندمدت تقاضا در "زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان" با استفاده از شبکه عصبی عمیق و ماشین یادگیری شدید
سپهر معلم رویا محمدعلی پوراهری غضنفر شاهقلیان مجید معظمی سید محمد کاظمی

صنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به عنوان دومین قطب صنعتی کشور و یکی از تامین کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامه ریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر أکثر

صنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به عنوان دومین قطب صنعتی کشور و یکی از تامین کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامه ریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر از تردید و عدم قطعیت، با پیش بینی تقاضای انرژی الکتریکی آغاز می گردد. در این مقاله یک روش پیش بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از یک روش ترکیبی شامل تبدیل موجک، شبکه عصبی عمیق و تکنیک داده کاوی مبتنی بر ماشین یادگیری شدید پیشنهاد شده است. داده های مورد نظر در این مطالعه با توجه به اطلاعات ثبت شده از سیگنال تقاضای انرژی الکتریکی صنایع تولیدی سنگ آهن اسپیدان در یک بازه زمانی 40 ماهه و به صورت 24 ساعته استخراج و استفاده شده است. داده ها در بخشی از دوره مورد نظر ناشی از عدم تولید این صنعت در بازه مورد مطالعه منقطع بود به طوری که فقط 40 درصد از داده ها دارای مقدار و 60 درصد مابقی صفر یا ناهمگون بوده اند. این موضوع باعث نقص اطلاعات و بالا رفتن خطای پیش بینی در بخش اول الگوریتم پیشنهادی در خروجی شبکه عصبی عمیق تا 40 درصد شد. جهت بهبود پیش بینی و کاهش خطای ایجاد شده، با تکمیل مدل پیشنهادی با ماشـین یـادگیری شـدید، امکان ایجاد یـک مدل پیش بینی بهبود یافته برای انجام آموزش تحت نظارت میسر گردید. در نهایت نتایج به دست آمده با تکنیک های دیگری مانند ماشین بردار پشتیبان و درخت تصمیم گیری مقایسه شده است. نتایج بهبود و کاهش خطا و افزایش قابل توجه دقت روش پیشنهادی در پیش بینی بلند-مدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان را نشان می دهند. تفاصيل المقالة

حرية الوصول المقاله

49 - مروری جامع بر روش های داده محور در شبکه های هوشمند برق
خالق بهروز دهکردی هما موحدنژاد مهدی شریفی

امروزه شبکه برق به طور چشم گیری در حال تبدیل شدن به شبکه هوشمند (SG)، به عنوان یک چشم انداز امیدوارکننده برای برخورداری از قابلیت اطمینان بالا و مدیریت کارآمد انرژی است. این انتقال به طور پیوسته در حال تغییر است و نیازمند روش های پیشرفته برای پردازش کلان داده های تولید أکثر

امروزه شبکه برق به طور چشم گیری در حال تبدیل شدن به شبکه هوشمند (SG)، به عنوان یک چشم انداز امیدوارکننده برای برخورداری از قابلیت اطمینان بالا و مدیریت کارآمد انرژی است. این انتقال به طور پیوسته در حال تغییر است و نیازمند روش های پیشرفته برای پردازش کلان داده های تولید شده از بخش های مختلف است. روش های هوش مصنوعی می توانند از طریق استخراج اطلاعات ارزشمند که توسط دستگاه های اندازه گیری و سنسور های موجود در شبکه تولید می شوند خدمات مبتنی بر داده را ارائه نمایند. به این منظور روش های یادگیری ماشین، یادگیری عمیق، یادگیری تقویتی و یادگیری عمیق تقویتی می توانند به کار گرفته شوند. این روش ها می توانند حجم زیادی از داده های جمع آوری شده را پردازش نموده و راه حل مناسبی برای مشکلات پیچیده صنعت برق ارائه نمایند. از این رو در این مقاله آخرین رویکرد های مبتنی بر هوش مصنوعی مورد استفاده در شبکه هوشمند برق برای کاربرد ها و منابع داده به طور جامع بررسی شده است. همچنین نقش کلان داده در شبکه هوشمند برق و ویژگی های آن از جمله چرخه حیات کلان داده و رویکردهای موثر آن مانند پیشگویی، تعمیرات قابل پیش بینی و تشخیص خطا در صنعت برق بیان می شود. تفاصيل المقالة

حرية الوصول المقاله

50 - شناسایی پارامترهای بارهای الکتریکی با استفاده از ساختار چند متغیره مبتنی بر یادگیری عمیق
امید ایزدی قهفرخی مزدا معطری احمد فروزان تبار

مدل‌سازی بار یکی از وظایف ضروری در مطالعات سیستم‌های قدرت محسوب می شوند. با توسعه سیستم‌های قدرت این مسئله بیش از پیش پیچیده تر شده ‌است. روش‌های پیشین مدل‌سازی بار دارای عیوب اساسی مانند الف) حساسیت بالا به نویز، ب) عدم لحاظ همگرایی بارهای الکتریکی در یک شبکه، ج) وابست أکثر

مدل‌سازی بار یکی از وظایف ضروری در مطالعات سیستم‌های قدرت محسوب می شوند. با توسعه سیستم‌های قدرت این مسئله بیش از پیش پیچیده تر شده ‌است. روش‌های پیشین مدل‌سازی بار دارای عیوب اساسی مانند الف) حساسیت بالا به نویز، ب) عدم لحاظ همگرایی بارهای الکتریکی در یک شبکه، ج) وابستگی به مدل ریاضی، د) بار محاسباتی بالا و ه) وابستگی به اندازه‌گیری محلی هستند. برای رفع این مشکلات، در این مقاله یک ساختار مبتنی بر یادگیری عمیق توسعه داده شده است که قادر به شناسایی تعداد زیادی از پارامترهای بار به صورت همزمان با سرعت و دقت مطلوب است. ساختار طراحی شده قادر به درک کامل ویژگی‌های زمانی بر مبنای یک ساختار حافظه‌دار بازگشتی است. همچنین، برای تخمین تعداد متغیرهای زیاد یک روش اختصاص‌دهی وزن برای این مدل توسعه داده شده ‌است. نهایتأ، یک تابع تلفات فرمول‌بندی شده ‌است تا مقاوم ‌بودن ساختار در برابر با نویز را افزایش دهد. مطالعات عددی بر روی شبکه 68-شینه IEEE موثر بودن و برتری روش پیشنهادی را در مقایسه با تعدادی از روش‌های کم‌-عمق و عمیق را نشان می دهد. تفاصيل المقالة

حرية الوصول المقاله

51 - افزایش دقت شبکه‌های عصبی کانولوشنی مبتنی بر مدل چهار-جریان با فیلترهای پردازش تصویر و نگاشت خطی‌ساز فضای عدم تشابه
زهرا حیدران داروقه امنیه سید محمد جلال رستگار فاطمی مریم رستگارپور گلناز آقایی قزوینی

در سال‌های اخیر با گسترش و موفقیت شبکه‌های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه‌های کانولوشنی شامل لایه های زیادی هستند، یادگیری بهینه لایه‌های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با أکثر

در سال‌های اخیر با گسترش و موفقیت شبکه‌های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه‌های کانولوشنی شامل لایه های زیادی هستند، یادگیری بهینه لایه‌های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با هدف کمک به خطی کردن فضای داده از طریق تبدیل عدم تشابه بازنمایی ارائه و تأثیر این تبدیل روی طبقه بندهای استاندارد برای داده های مصنوعی و تصاویر سیفار-10 بررسی و دو مدل مبتنی بر پیش پردازش داده با تبدیل عدم تشابه بازنمایی و فیلترهای سوبل و آشکارساز لبه تحلیل شده است. مدل چهار-جریان به دلیل بالا رفتن تعداد پارامترهای مدل و به تبع آن ظرفیت شبکه میزان 2/3 درصد افزایش دقت داشته است و اضافه نمودن بازنمایی عدم تشابه در جایی که طبقه بند نتواند با ویژگی های اصلی، تفکیک پذیری بالایی انجام دهد، می تواند تا حدودی با افزودن ویژگی های خطی به تفکیک پذیری کلاس ها کمک کند. تفاصيل المقالة

حرية الوصول المقاله

52 - ارتقا و بهینه‌سازی کامپوزیت همگن درآنتن های آرایه ای با استفاده از شبکه عصبی کانولوشن
گوهر ورامینی بهنام درستکار یاقوتی

ساختار و عملکرد آنتن ها، پهنای باند، بهره و هدایت مهمترین شاخص های عملکرد بشمار می آیند. برای این منظور خط انتقال همگن دست راست–چپ به دلیل تلفات کم، تغییرات فاز، پهنای باند فرکانس، رزونانس مرتبه صفر و منفی، مینیاتورسازی و ساخت آسان از اهمیت و جایگاه بالایی برخوردا أکثر

ساختار و عملکرد آنتن ها، پهنای باند، بهره و هدایت مهمترین شاخص های عملکرد بشمار می آیند. برای این منظور خط انتقال همگن دست راست–چپ به دلیل تلفات کم، تغییرات فاز، پهنای باند فرکانس، رزونانس مرتبه صفر و منفی، مینیاتورسازی و ساخت آسان از اهمیت و جایگاه بالایی برخوردار و در طراحی آنتن پهن باند و آرایه ای بسیار مناسب است. ساختار دست راست-چپی در آنتن ها به دلیل تفاوت فاز بخش راست در تکرار آرایه ها و ضخامت لایه دچار تاخیر فاز و در نهایت انحراف الگوی تابشی است. از طرفی مسدود شدن خط انتقال در قسمت چپ باعث محدودیت پهنای باند و افزایش میزان تلفات سیستم می گردد. در این مقاله با کمک یادگیری عمیق نقایص کامپوزیت برطرف و بهینه سازی آنتن آرایه ای را شامل شده است. طراحی خط انتقال آنتن پیشنهادی در محدوده 2 الی 7 گیگاهرتز، فرکانس تشدید بهینه 5/4 گیگاهرتز و الگوریتم عصبی کانولوشن، رزونانس دوگانه و سلف مارپیچی در چهار آرایه بر روی پچ بارگذاری شده است. استفاده از شبکه عصبی پیچشی در خط انتقال چپ، تاخیر فاز سمت راست را جبران و در نهایت تغییرات فاز بهینه و اصلاح الگوی تابشی و اسکن مداوم آرایه های فازی را مقدور می سازد. همچنین با ایجاد شکاف در پچ مایکرواستریپ محدودیت پهنای باند برطرف و تلفات سیستم کاهش می یابد. ابعاد ثانویه نسبت به بعد اولیه با توجه به مدل اصلاح شده هوشمند تا حدود 60 درصد کاهش سایز و مینیاتورسازی صورت می گیرد. نتایج این کامپوزیت ارتقا یافته نشان دهنده افزایش پهنای باند 3/20 و بهره وری الگوی تابش بیش از 96 درصد است. از طرفی ابعاد کوچک، پهنای باند فرکانسی مناسب و طراحی ساده شبکه نیز تامین شده است. تفاصيل المقالة

حرية الوصول المقاله

53 - Deep learning approach to help Chenopodiaceae biodiversity protection to prevent soil erosion (case study: Yazd province, Iran)
Ahmad Heidary-Sharifabad Najma Soltani

10.30495/jonass.2022.1953114.1035

Background and objective:Chenopodiaceae species are important vegetation around the world, especially in the desert and semi-desert areas. Preserving the biodiversity of Chenopodiaceae species is crucial to preventing soil erosion. In addition, most of them are of ecolo أکثر

Background and objective:Chenopodiaceae species are important vegetation around the world, especially in the desert and semi-desert areas. Preserving the biodiversity of Chenopodiaceae species is crucial to preventing soil erosion. In addition, most of them are of ecological and economic importance and also play an important role in biodiversity around the world. Conservation of this biodiversity is vital to the survival and sustainability of the ecosystem. To protect plant biodiversity, it is essential to know the plant species in their natural habitats. Therefore, automatic identification of plant species in their habitat helps to analyze the species and thus take care of their biodiversity. Computer vision approaches can be used to automatically identify and classify plant species. Modern approaches use deep learning in computer vision.Materials and methods:In this study, the ACHENY data set that consists of 27030 images of 30 species of Chenopodiaceae are used. Firstly, using the SuperPixel method, larger size images (448×448) than existing ACHENY dataset images size (224×224) are created. Secondly, based on the newly created dataset we introduce a proper deep learning model to identify Chenopodiaceae species.Results and conclusion:The results of the evaluation confirm the improvement of the classification accuracy of ACHENY species by the proposed model compared to the previously presented models. The results of the experiments indicate a superiority of about 3% accuracy of the proposed method and all evaluation parameters of the research have increased to a reasonable extent. تفاصيل المقالة

حرية الوصول المقاله

54 - A Hybrid Optimization Algorithm for Learning Deep Models
Farnaz Hoseini Asadollah Shahbahrami Peyman Bayat

Deep learning is one of the subsets of machine learning that is widely used in Artificial Intelligence (AI) field such as natural language processing and machine vision. The learning algorithms require optimization in multiple aspects. Generally, model-based inferences أکثر

Deep learning is one of the subsets of machine learning that is widely used in Artificial Intelligence (AI) field such as natural language processing and machine vision. The learning algorithms require optimization in multiple aspects. Generally, model-based inferences need to solve an optimized problem. In deep learning, the most important problem that can be solved by optimization is neural network training, but training a neural network can involve thousands of computers for months. In the present study, basic optimization algorithms in deep learning were evaluated. First, a performance criterion was defined based on a training dataset, which makes an objective function along with an adjustment phrase. In the optimization process, a performance criterion provides the least value for objective function. Finally, in the present study, in order to evaluate the performance of different optimization algorithms, recent algorithms for training neural networks were compared for the segmentation of brain images. The results showed that the proposed hybrid optimization algorithm performed better than the other tested methods because of its hierarchical and deeper extraction. تفاصيل المقالة

حرية الوصول المقاله

55 - Presentation of an Efficient Automatic Short Answer Grading Model Based on Combination of Pseudo Relevance Feedback and Semantic Relatedness Measures
Hossein Sadr Mojdeh Nazari Solimandarabi

Automatic short answer grading (ASAG) is the automated process of assessing answers based on natural language using computation methods and machine learning algorithms. Development of large-scale smart education systems on one hand and the importance of assessment as a أکثر

Automatic short answer grading (ASAG) is the automated process of assessing answers based on natural language using computation methods and machine learning algorithms. Development of large-scale smart education systems on one hand and the importance of assessment as a key factor in the learning process and its confronted challenges, on the other hand, have significantly increased the need for an automated system with high flexibility for assessing exams based on texts. Generally, ASAG methods can be categorized into supervised and unsupervised approaches. Supervised approaches such as machine learning and especially deep learning methods require the manually constructed pattern. On the other hands, while in the assessment process, student's answer is compared to an ideal response and scoring is done based on their similarity, semantic relatedness and similarity measures can be considered as unsupervised approaches for this aim. Whereas unsupervised approaches do not require labeled data they are more applicable to real-world problems and are confronted with fewer limitations. Therefore, in this paper, various measures of semantic relatedness and similarity are extensively compared in the application of short answer grading. In the following, an approach is proposed for improving the performance of short answer grading systems based on semantic relatedness and similarity measures which leverages students' answers with the highest score as feedback. Empirical experiments have proved that using students' answers as feedback can considerably improve the precision of semantic relatedness and similarity measures in the automatic assessment of exams with short answers. تفاصيل المقالة

حرية الوصول المقاله

56 - MCSM-DEEP: A Multi-Class Soft-Max Deep Learning Classifier for Image Recognition
Aref Safari

Convolutional neural networks show outstanding performance in many image processing problems, such as image recognition, object detection and image segmentation. Semantic segmentation is a very challenging task that requires recognizing, understanding what's in the imag أکثر

Convolutional neural networks show outstanding performance in many image processing problems, such as image recognition, object detection and image segmentation. Semantic segmentation is a very challenging task that requires recognizing, understanding what's in the image in pixel level. The goal of this research is to develop on the known mathematical properties of the soft-max function and demonstrate how they can be exploited to conclude the convergence of learning algorithm in a simple application of image recognition in supervised learning. So, we utilize results from convex analysis theory which associated with hierarchical architecture to derive additional properties of the soft-max function not yet covered in the existing literature for Multi-Class Classification problems. The proposed MC-DEEP model represents an average accuracy of 90.25% in different layers setting with 95% confidence interval in best initial settings in deep convolutional layers which applied on MNIST dataset. The results show that the regularized networks not only could provide better segmentation results with regularization effect than the original ones but also have certain robustness to noise. تفاصيل المقالة

حرية الوصول المقاله

57 - Deep Unsupervised Domain Adaptation for Image Classification via Low Rank Representation Learning
Yeganeh Madadi Vahid Seydi Reshad Hosseini

Domain adaptation is a powerful technique given a wide amount of labeled data from similar attributes in different domains. In real-world applications, there is a huge number of data but almost more of them are unlabeled. It is effective in image classification where it أکثر

Domain adaptation is a powerful technique given a wide amount of labeled data from similar attributes in different domains. In real-world applications, there is a huge number of data but almost more of them are unlabeled. It is effective in image classification where it is expensive and time-consuming to obtain adequate label data. We propose a novel method named DALRRL, which consists of deep architecture with domain-general and domain-specific representations across domains for deep unsupervised domain adaptation. Also, we apply low-rank representation learning to reduce source and target domains discrepancy. The low-rank constraint can uncover more related information between domains and it can transfer more relevant knowledge from the source domain to the target domain. The DALRRL guarantees to minimize marginal and conditional distributions difference between the source and target domains. The experimental results conducted on two benchmark domain adaptation datasets demonstrate the effectiveness of our method in image classification tasks. تفاصيل المقالة

حرية الوصول المقاله

58 - 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

59 - Providing suitable literary alternatives to sentences through text mining
Behzad Lak Mojgan Tanbakoosaz

With the increasing production of content in today's world, it is becoming more and more important to pay attention to the principles of document summarization that preserve the meaning of the original document. Document summaries are used everywhere today. Ability to s أکثر

With the increasing production of content in today's world, it is becoming more and more important to pay attention to the principles of document summarization that preserve the meaning of the original document. Document summaries are used everywhere today. Ability to summarize faster in publishing documents and content can be effective. These include scientific articles and news sites. Providing a summary system for Persian language that can provide a desirable summary such as transforming unstructured, can be used in various aspects. In this research, an abstract summarization method based on recursive neural networks and the architecture of Long short-term memory (LSTM) networks and the seq2seq model along with the attention mechanism is presented. The evaluation results show that the summary method proposed in this study using the seq2seq model along with the attention mechanism improves the measurement criteria. We compared the presented model with three examples of models presented for English language and also a model presented for Persian language. Rouge criterion was used to measure the quality of model results. تفاصيل المقالة

حرية الوصول المقاله

60 - Forecasting Iran’s Saffron Export by Comparison of Machine Learning Algorithms
علیرضا امیرتیموری منصور صوفی مهدی همایونفر مهدی فدایی

Imports and exports play an integral role in the economic growth of all countries. Therefore, selecting the right products can enhance a country's competitiveness in global trade. Saffron stands out as one of Iran's most vital and unique non-oil products for export. The أکثر

Imports and exports play an integral role in the economic growth of all countries. Therefore, selecting the right products can enhance a country's competitiveness in global trade. Saffron stands out as one of Iran's most vital and unique non-oil products for export. The objective of this study was to predict saffron exports using three data mining algorithms and determine the most suitable algorithm for forecasting. The sample period for the forecasting models encompasses saffron export data from Iran for the years 2012 to 2019, gathered from the Iran Saffron Association. Following the data preparation steps, saffron export was forecasted using three data mining algorithms: artificial neural network, deep learning, and gradient boost tree. The validity of the models plays a crucial role in selecting the best forecasting model. The predictive validity of the three designed models was evaluated using the absolute error (artificial neural network = 0.036, deep learning network = 0.031, and gradient boost tree = 0.047), R-squared (artificial neural network = 0.045, deep learning network = 0.044, and gradient boost tree = 0.073), and correlation coefficients (artificial neural network = 0.95, deep learning network = 0.98, and gradient boost tree = 0.97). Based on the findings, all models demonstrate high accuracy, with very low prediction errors that are closely matched. However, the deep learning network exhibits a slightly lower, albeit statistically insignificant, error. These results can be valuable for enhancing the precision of saffron export planning. تفاصيل المقالة

حرية الوصول المقاله

61 - Deep-Quantitative Medical Image Analysis Methods Applied on Brain Tumor Diagnosis
Aref Safari

Solving medical image diagnosis and image analysis problems has long been thought of in many research types in the last decades. Mostly the interpretations of medical data are being made by a medical expert. In terms of image interpretation by a human expert, it is enti أکثر

Solving medical image diagnosis and image analysis problems has long been thought of in many research types in the last decades. Mostly the interpretations of medical data are being made by a medical expert. In terms of image interpretation by a human expert, it is entirely limited due to its subjectivity, complexity, extensive variations across different interpreters, and fatigue. After the success of deep learning in other real-world applications, it provides exciting solutions with reasonable accuracy for medical imaging and is seen as a critical method for future applications in the health sector. This study proposed the deep learning approach based on soft-max activation function to obtain more reliable medical image diagnosis results properly. The proposed model evaluated a brain tumor (MRI) medical dataset, alongside an assessment in terms of accuracy, MSE, and RMSE, as a qualitative analysis of the learned features and practical commendations. This research should help improve the application and refinement of the evaluated approaches in the future. تفاصيل المقالة

حرية الوصول المقاله

62 - Deep Learning Method for Sleep Stages Classification by Time-Frequency Image
Mohammad Moradi Mohammad Fatehi Hassan Masoumi Mehdi Taghizadeh

Classification of sleep stages is an important method in diagnosing sleep problems. This is done by experts, based on visual inspection of bio-signals such as EEG, EOGs, ECG, EMG, etc. The deep learning method is one of the newest and most important methods for analyzin أکثر

Classification of sleep stages is an important method in diagnosing sleep problems. This is done by experts, based on visual inspection of bio-signals such as EEG, EOGs, ECG, EMG, etc. The deep learning method is one of the newest and most important methods for analyzing, separating, and detecting images, which is becoming more and more widespread. In this paper, for the first time, the deep learning method is used to extract the EEG signal time frequency image to classify sleep stages. Here, from the one channel of EEG signal, the time frequency image of the signal is extracted and then feature extraction using the deep learning method is done. Finally, without changing the nature of the signal, the sleep steps are detected with acceptable accuracy. In this article, for the first time, time-frequency image (TFI) was provided from the one channel of the EEG signal. Then, using the AlexNet convolutional neural network by the Wigner-Ville distribution method (ANWVD), using Deeper layers contain higher-level features were extracted, and finally, using the SVM classifier, the sleep steps were classified with acceptable accuracy. The accuracy 97.6% and the time of calculations 0.36s have been reached تفاصيل المقالة

حرية الوصول المقاله

63 - Brain Tumor Detection Using Deep Transfer Learning Method
Alireza Fazelnia Hassan Masoumi Mohammad Fatehi Jasem Jamali

Accurate brain tumor MR images detection plays an important role in diagnosis and treatment decision making. The machine learning methods for classification only uses low-level or high-level features, to tackle the problem of classifications using some handcrafted featu أکثر

Accurate brain tumor MR images detection plays an important role in diagnosis and treatment decision making. The machine learning methods for classification only uses low-level or high-level features, to tackle the problem of classifications using some handcrafted features. Development on deep learning, transfer learning and deep convolution neural networks (CNNs) has shown great progress and has succeeded in the image classification task. Deep learning is very powerful for feature representation. In this study, deep transfer learning method for features extraction and detection is used that it does not use any handcrafted features, and needs minimal preprocessing. Transfer learning is a method of transferring information during training and testing. In this study, features extraction from images with pre-trained CNN method, namely, GoogLeNet, VGGNet and AlexNet, for tumor detection is used. The accuracy of tumor detection is 99.84%. The results show that our method, shows the best accuracy for detections tumor تفاصيل المقالة

حرية الوصول المقاله

64 - A Denoising Autoencoder Stacked Deep Learning Method for Clinical Trial Enrichment and Design Applied to Alzheimer’s Disease
Aref Safari

In this research, we first present some background on the sample size estimation for conducting clinical trials, discussing the necessity of a computational enrichment criterion. The Denoising Autoencoder Stacked Deep Learning (DASDL) design and development are directly أکثر

In this research, we first present some background on the sample size estimation for conducting clinical trials, discussing the necessity of a computational enrichment criterion. The Denoising Autoencoder Stacked Deep Learning (DASDL) design and development are directly motivated by the optimal enrichment design. Although there are many types of deep architectures in the literature, we focus our presentation using two of the most widely used models stacked denoising autoencoders and fully-supervised dropout. The ideas presented here are applied to any such architectures used for learning problems in the small-sample regime. In this work, we propose a novel, scalable, deep learning method that is applicable for learning problems in the small sample regime and obtains reliable performance. The results show via extensive analyses using imaging, cognitive, and other clinical data alongside a ROC curve analysis. When used as trial inclusion criteria, the new computational markers result in cost-efficient clinical Alzheimer’s disease trials with moderate sample sizes. تفاصيل المقالة

حرية الوصول المقاله

65 - بررسی مقایسه‌ای مدل یادگیری عمیق با طبقه‌بندی دوتایی و چندتایی جهت پیش‌بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت
مسعود نادم یحیی کامیابی اسفندیار ملکیان

10.30495/fed.2024.709342

چکیده یکی از روش های محبوب اما پیچیده در تحلیل تکنیکال، روش امواج الیوت است. در این روش مهمترین بخش، تشخیص الگوهای روند اصلی بازار است که با توجه به ساختار فراکتال بازار، کاری دشوار است. اما همانند سایر حوزه ها، بکارگیری هوش مصنوعی در زمینه ی پیش بینی های مالی نیز بسیا أکثر

چکیده یکی از روش های محبوب اما پیچیده در تحلیل تکنیکال، روش امواج الیوت است. در این روش مهمترین بخش، تشخیص الگوهای روند اصلی بازار است که با توجه به ساختار فراکتال بازار، کاری دشوار است. اما همانند سایر حوزه ها، بکارگیری هوش مصنوعی در زمینه ی پیش بینی های مالی نیز بسیار فراگیر شده است. لذا به نظر می رسد بکارگیری هوش مصنوعی در تحلیل به روش امواج الیوت، جذاب باشد. لذا در پژوهش حاضر با معرفی مدل یادگیری عمیق جهت پیش بینی بازار از طریق تشخیص الگوهای امواج الیوت، به بررسی و مقایسه ی توان مدل در دو حالت طبقه بندی دوتایی و چندتایی پرداخته شده است. در این پژوهش برای 15 الگوی مدنظر، تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران در دوره 11 ساله 1390 تا 1400، جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی، در دو حالت طبقه بندی دوتایی و چندتایی وارد گردید. در این پژوهش جهت طراحی و اجرای مدل از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده ی صحت %18 در تشخیص الگوها در حالت طبقه بندی چندتایی و صحت 61% در حالت طبقه بندی دوتایی است. لذا توان مدل یادگیری عمیق در تشخیص الگوهای فراکتال امواج الیوت و در نتیجه پیش بینی روند بازار، در حالت طبقه بندی دوتایی به طور قابل توجهی نسبت به حالت طبقه بندی چندتایی بالاتر است. بنابراین پژوهش حاضر بکارگیری مدل یادگیری عمیق با طبقه بندی دوتایی را جهت تشخیص الگوهای فراکتال امواج الیوت توصیه می نماید. تفاصيل المقالة

حرية الوصول المقاله

66 - ارائه مدل پیش‌بینی بازدهی بیت‌کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)
سکینه صیادی نژاد علی اسماعیل زاده محمدرضا رستمی

10.30495/fed.2023.700133

چکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی أکثر

چکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی در تحلیل این نوع از داده ها ایجاد کرده است. یکی دیگر از رویکردهایی که می تواند در تحلیل قیمتی بازار رمزارزها کارا باشد تجزیه سیگنال های از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی CEEMD- DL(LSTM) به منظور پیش بینی بازدهی قیمتی رمز ارز بیت کوین (به عنوان محبوب ترین رمز ارز) مورد استفاده قرار گرفته است. در این راستا از داده های روزانه قیمتی بیت کوین در دوره زمانی01/01/2013 - 28/05/2022 استفاده گردید و نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش بینی های بازدهی رمزارز بیت کوین را افزایش داده است. بر همین اساس کاربرد این مدل به منظور پیش بینی در این حوزه پیشنهاد می گردد. واژه‌های کلیدی: مدل های یادگیری عمیق (DL)، تجزیه مد تجربی یکپارچه کامل (CEEMD)، بیت کوین، تفاصيل المقالة

حرية الوصول المقاله

67 - پیش ‏بینی ارزش شرکت مبتنی بر روش‏های یادگیری عمیق
سیده مریم بابانژاد باقری عباسعلی پورآقاجان محمد مهدی عباسیان

10.30495/fed.2023.705603

چکیده پیش بینی و درک روشن از رفتار یک پدیده نقش عمده ای در اتخاذ راهبردها و تصمیم گیری ها دارد. توسعه همه جانبه و تعمیق بازار سرمایه به عنوان موتور محرکه توسعه اقتصادی، نیازمند اعتماد عمومی مشارکت کنندگان به کارایی و درستی آن در تعیین قیمت عادلانه اوراق بهادار است. از أکثر

چکیده پیش بینی و درک روشن از رفتار یک پدیده نقش عمده ای در اتخاذ راهبردها و تصمیم گیری ها دارد. توسعه همه جانبه و تعمیق بازار سرمایه به عنوان موتور محرکه توسعه اقتصادی، نیازمند اعتماد عمومی مشارکت کنندگان به کارایی و درستی آن در تعیین قیمت عادلانه اوراق بهادار است. از سوی دیگر، پیش بینی ارزش شرکت، نوسانات قیمت یا بازدهی سهام اهمیت زیادی در انتخاب پرتفوی، مدیریت دارایی‌ها و حتی قیمت گذاری سهام شرکت‌هایی که تازه وارد بورس می‌شوند، دارد. در این پژوهش با استفاده از داده های 159 شرکت طی دوره زمانی 10 ساله شامل 1399-1390 و عوامل موثر بر ارزش شرکت شامل نسبت های مالی، سازوکارهای راهبری شرکتی، عوامل اقتصاد کلان و بازار سهام اقدام به پیش بینی ارزش شرکت شده است. در این پژوهش از دو ساختار روش یادگیری عمیق شامل GRU و BLSTM جهت ارزیابی بهتر استفاده می شود. نتایج حاصل از بررسی داده های گردآوری شده با استفاده از تکنیک های یادگیری عمیق، بیانگر آن بود که مدل ترکیبی با مقدار خطای RMSE کمتری نسبت به مدل GRU ارزش شرکت را پیش بینی کرده است تفاصيل المقالة

حرية الوصول المقاله

68 - Quality classification of tomato plant in field conditions using EfficientNet deep learning model
Mounes Astani Mohammad Hasheminejad Mahsa Vaghefi

10.30495/ijsee.2023.1988506.1269

The appropriateness of the agricultural economy is very effective in sustainable food security. The appearance and shape of agricultural products change in different periods. The correct classification of the product in terms of quality after harvest affects the economy أکثر

The appropriateness of the agricultural economy is very effective in sustainable food security. The appearance and shape of agricultural products change in different periods. The correct classification of the product in terms of quality after harvest affects the economy of farmers. Today, deep learning classifiers have greatly contributed to the correct classification of product quality. But the database challenges and the same conditions of the database in the training and testing phase affect the classification accuracy. The purpose of this article is to classify the quality of tomatoes in the challenging conditions of the database, including crowded backgrounds, noise in the image, leaves of the same color as the fruit in the image, and the similarity of growth stages. For this purpose, 3 databases with different challenges have been used in the stage of classification training and testing. In this article, the aim is to classify the quality of tomatoes into 3 classes ripe, unripe ,and semi-ripe using Efficientnet deep learning classifier. According to the conditions of the database, the first three processes of noise removal, image contrast improvement ,and image segmentation have been applied to the images. The results of the evaluation of the proposed method show the proper performance of EfficientnetB5. تفاصيل المقالة

حرية الوصول المقاله

69 - Diagnosing skin disease using deep features based on artificial intelligence
Hassan Masoumi Fatemeh Mosalanejad Mehdi Taghizadeh Mohammad Ghanbarian

10.30495/ijsee.2023.1987938.1267

Misdiagnosis of skin diseases is a common occurrence. Psoriasis is a skin disease that has many similarities with other diseases, and its incorrect diagnosis causes many problems in the treatment process. Misdiagnosis of this disease causes doctors to face problems duri أکثر

Misdiagnosis of skin diseases is a common occurrence. Psoriasis is a skin disease that has many similarities with other diseases, and its incorrect diagnosis causes many problems in the treatment process. Misdiagnosis of this disease causes doctors to face problems during treatment. The lack of images of the disease and the database of skin diseases reduces the diagnosis and the coordination of diagnostic methods, therefore, diagnosis using different images is very useful. Today, diagnosis methods using deep features in medical images have received much attention. Artificial intelligence is one of the automatic methods of diagnosis. These methods can detect new data entering the system and keep it in memory. Therefore, in this article, two different groups of data have been identified using deep features based on artificial intelligence. In this method, the data of the first group in the form of training and testing and the data of the second group are studied gradually. If they are correctly identified, the next 0.1 chunks of data enter the network without testing. If they are wrongly recognized, they enter the training section and this reduces the training process. In this work, by training 20% of the data, i.e. the first 10% and the fourth 10%, there was no need for training because the accuracy was not less than98%. In this article, deep features of images were first extracted using convolutional neural network, and then psoriasis and eczema were diagnosed with average accuracy of98.3%and sensitivity of 97.9% in skin images using artificial intelligence. تفاصيل المقالة

حرية الوصول المقاله

70 - به کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آنها
محمد سرچمی احمد خدامی پور مجید محمدی حدیث زینلی

هرچند مدل‌های اقتصاد سنجی برای توصیف و ارزیابی روابط بین متغیرها با استنتاج آماری مناسب هستند، اما محدودیت‌هایی برای تحلیل‌های مالی دارند. تلاش‌های زیادی برای مدل‌سازی روابط غیرخطی در داده‌های مالی با استفاده از فناوری‌های یادگیری ماشین انجام شده است. هدف از انجام این پ أکثر

هرچند مدل‌های اقتصاد سنجی برای توصیف و ارزیابی روابط بین متغیرها با استنتاج آماری مناسب هستند، اما محدودیت‌هایی برای تحلیل‌های مالی دارند. تلاش‌های زیادی برای مدل‌سازی روابط غیرخطی در داده‌های مالی با استفاده از فناوری‌های یادگیری ماشین انجام شده است. هدف از انجام این پژوهش به‌‌کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آن‌ها است. نمونه آماری پژوهش حاضر، شامل 156 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران برای بازه زمانی 1387 تا 1396 است. پس از گردآوری داده‌ها، مدل‌های یادگیری عمیق موردنظر در نرم‌افزار آناکوندا و زبان برنامه‌نویسی پای‌تون، مورد آزمون قرار گرفت و سپس توانایی هر یک از مدل‌ها در تشکیل پرتفوی بهینه سهام توسط معیارهای ارزیابی بازده، بازده مرکب، ترینر و جنسن تعیین شد. با توجه به نرخ بازده بدون ریسک و نرخ بازده بازار و اینکه سرمایه‌گذاران با تشکیل پرتفوی به دنبال سودآوری بیشتر از این دو نرخ بازده هستند و هم‌چنین نتایج ارزیابی پرتفوی دو شاخص ترینر و جنسن، این نتیجه حاصل گردید که مدل شبکه عصبی کانولوشن یادگیری عمیق توانایی تشکیل پرتفوی بهینه سهام را دارد و بر طبق همین استدلال، مدل شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت توانایی تشکیل پرتفوی بهینه سهام را ندارد. تفاصيل المقالة

حرية الوصول المقاله

71 - طراحی مدلی جهت پیش بینی بازده شاخص کل بورس اوراق بهادار(با تاکید بر مدل‌های ترکیبی شبکه یادگیری عمیق و مدل‌های خانواده GARCH)
مهدی ذوالفقاری بهرام سحابی محمد جواد بختیاران

در سال‌های اخیر، توسعه‌ی پردازنده‌های کامپیوتری موجب معرفی الگوریتم‌های جدیدی برای پیش‌بینی دادههای مالی شده است که یکی از این الگوریتم‌ها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی‌ از شبکه یادگیری عمیق (Deep Learning) و مدل‌ها أکثر

در سال‌های اخیر، توسعه‌ی پردازنده‌های کامپیوتری موجب معرفی الگوریتم‌های جدیدی برای پیش‌بینی دادههای مالی شده است که یکی از این الگوریتم‌ها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی‌ از شبکه یادگیری عمیق (Deep Learning) و مدل‌های منتخب خانواده GARCH جهت پیش‌بینی کوتاه‌مدت بازدهی روزانه شاخص کل بورس اوراق بهادار تهران پرداخته می‌شود. مهمترین ویژگی شبکه یادگیری عمیق در این است که بدون محدود بودن به مدل‌های معین، می‌تواند خود را با نوسانات متغیرهای بازار هماهنگ و تعدیل نماید. در این پژوهش از میان مدل‌های شبکه یادگیری عمیق، شبکه عصبی بازگشتی مبتنی بر حافظه کوتاه‌مدت و بلندمدت (RNN-LSTM) انتخاب و از مدل‌های دارای حافظه‌کوتاه مدت GARCH و EGARCH در ساختار آن استفاده می‌شود. همچنین دو متغیر مستقل قیمت نفت و نرخ دلار در ساختار مدل ترکیبی، کمک فراوانی به آن در پیش‌بینی دقیقتر داده‌های مالی می‌کند. نتایج تحقیق نشان می‌دهد که مدلهای ترکیبی دقت پیش‌بینی بالاتری نسبت به مدل‌های تکی دارند. همچنین براساس معیارهای ارزیابی خطای پیش‌بینی RMSE و MAPE، مدل RNN-LSTM-EGARCH برپایه توزیع GED دارای خطای پیش‌بینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیش‌بینی دیبولد-ماریانو (DM) نیز یافته‌های فوق را تایید میکند. تفاصيل المقالة

حرية الوصول المقاله

72 - ارزیابی و اعتبارسنجی معماری بهینه یادگیری عمیق در پیش بینی قیمت سهام (رویکرد الگوریتم حافظه کوتاه مدت ماندگار LSTM )
امیر شریف فر مریم خلیلی عراقی ایمان رئیسی وانانی میر فیض فلاح

امروزه انواع مدل‌های هوش مصنوعی جایگاه خود را در محاسبات و پیش‌بینی‌های بازارهای مالی تثبیت کرده‌اند؛ در این میان معماری‌های مبتنی بر یادگیری عمیق که خود براساس الگوریتم‌های یادگیری ماشینی می‌باشند، از طریق رفع ضعف‌های‌ مدل‌های سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای أکثر

امروزه انواع مدل‌های هوش مصنوعی جایگاه خود را در محاسبات و پیش‌بینی‌های بازارهای مالی تثبیت کرده‌اند؛ در این میان معماری‌های مبتنی بر یادگیری عمیق که خود براساس الگوریتم‌های یادگیری ماشینی می‌باشند، از طریق رفع ضعف‌های‌ مدل‌های سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای دینامیک، مورد توجه قرار گرفته‌اند. مهمترین مزیت الگوریتم‌های یادگیری عمیق نسبت به مدل‌های سنتی شبکه‌ عصبی، استخراج خودکار ویژگی‌های مناسب از ورودی‌های خام می-باشد که از آن برای روند یادگیری مدل استفاده می‌کند؛ به عبارتی الگوریتم‌های این روش از چندین لایه‌ی پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره می‌برند تا بهترین ویژگی‌های مناسب را از ورودی خام استخراج نمایند. در پژوهش حاضر توانایی معماری‌های الگوریتم حافظه کوتاه‌مدت ماندگار (LSTM) جهت پیش-بینی قیمت سهام مورد بررسی قرار گرفته است؛ علاوه بر این، ضمن طبقه‌بندی عوامل موثر بر قیمت سهام، مولفه‌‌های نشان‌دهنده معاملات سهامداران حقیقی و حقوقی به عنوان عاملی اثرگذار بر قیمت سهام معرفی و بررسی شده است. برای اجرای مدل از سه گروه داده‌های قیمتی، شاخص‌های تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر معماری LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN دارد. تفاصيل المقالة

حرية الوصول المقاله

73 - پیش بینی شاخص روزانه بورس اوراق بهادار تهران با استفاده از انتخاب ویژگی های مناسب برای شبکه عصبی حافظه کوتاه مدت ماندگار
سمیه محبی محمداسماعیل فدائی نژاد محمد اصولیان محمد رضا حمیدی زاده

شاخص بورس یکی از عوامل مؤثر در سرمایه گذاری محسوب می شود. زیرا می تواند نشان دهنده وضعیت سلامت و روند تغییرات کلان اقتصادی یک کشور باشد. ویژگیهای متنوعی بر شاخص تأثیر می گذارند. ترکیبهای مختلف این ویژگی ها، یک فضای حالت گسترده ایجاد می کنند. از این رو، فراهم کردن یک مجم أکثر

شاخص بورس یکی از عوامل مؤثر در سرمایه گذاری محسوب می شود. زیرا می تواند نشان دهنده وضعیت سلامت و روند تغییرات کلان اقتصادی یک کشور باشد. ویژگیهای متنوعی بر شاخص تأثیر می گذارند. ترکیبهای مختلف این ویژگی ها، یک فضای حالت گسترده ایجاد می کنند. از این رو، فراهم کردن یک مجموعه داده شامل همه این ترکیبها برای آموزش مدل پیش بینی شاخص بورس، غیرعملی است. در این پژوهش تلاش شده است پس از جمع آوری تعداد قابل توجهی از ویژگیهای مؤثر بر شاخص، روشی برای انتخاب ویژگیهای مناسب مدل پیش بینی شاخص بورس با هدف افزایش دقت پیش بینی ارائه شود. بدین منظور، از الگوریتم mRMR به عنوان الگوریتم پایه استفاده شده است. همچنین برای انتخاب مدل مناسب، به مقایسه تعدادی از پرکاربردترین مدلهای هوش مصنوعی در پیش بینی شاخص بورس اقدام شد و با توجه به نتایج حاصل شده، شبکه LSTM برای پیش بینی شاخص بورس انتخاب گردید. نتایج این مطالعه نشان می دهد که با استفاده از شبکه LSTM و روش پیشنهادی در گزینش ویژگیها، می توان با 8 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دست یافت. بطوری که میانگین درصد خطا حدود 2.66 محاسبه شده است. تفاصيل المقالة

حرية الوصول المقاله

74 - یادگیری عمیق برای پیش‌بینی بازار سهام با استفاده از اطلاعات عددی و متنی (رویکرد الگوریتم حافظه کوتاه مدت ماندگارLSTM)
سیده مژگان بهشتی مسئله گو محمدعلی افشارکاظمی جلال حقیقت منفرد علی رضاییان

قیمت سهام تحت تأثیر عوامل بسیاری است،که کار پیش‌بینی را چالش‌برانگیز می‌کند. این پیش‌بینی اگر فقط داده‌های عددی یا اطلاعات متنی را در نظر بگیرد، اغلب بی‌اثر می‌شود. هدف این پژوهش ارائه یک روش پیش‌بینی قیمت روز آینده سهام بر اساس ساختار شبکه عصبی عمیق با استفاده از داده‌ أکثر

قیمت سهام تحت تأثیر عوامل بسیاری است،که کار پیش‌بینی را چالش‌برانگیز می‌کند. این پیش‌بینی اگر فقط داده‌های عددی یا اطلاعات متنی را در نظر بگیرد، اغلب بی‌اثر می‌شود. هدف این پژوهش ارائه یک روش پیش‌بینی قیمت روز آینده سهام بر اساس ساختار شبکه عصبی عمیق با استفاده از داده‌های قیمت، مجموعه‌ای از شاخص‌های فنی و سر تیتر اخبار به‌عنوان ورودی مدل است. برای این منظور از داده‌های سهام شاخص داوجونز و داده‌های خبری کانال ردیت استفاده شده است. از داده‌های سهام ویژگی‌های مبتنی بر شاخص فنی استخراج می‌شوند و داده‌های خبری توسط روش کوله‌کلمات به بردار ویژگی تبدیل می‌شوند و به شبکه حافظه کوتاه‌مدت ماندگار (LSTM) برای پیش‌بینی داده می‌شوند.از دقت به‌عنوان معیار ارزیابی عملکرد استفاده شده و آزمایش‌هایی بر روی دو مجموعه داده فقط عددی و فقط متنی برای ارزیابی استفاده همزمان دو منبع اطلاعاتی انجام پذیرفته است. همچنین ازسه شبکه ،SVM ، MLPوRNN برای ارزیابی مدل استفاده شده است. نتایج نشان می‌دهد که مدل LSTM بالاترین دقت پیش‌بینی 69.19% را با استفاده از اخبار و داده‌های مالی به دست آورده است. داده‌های خبری با دقت65.62% و داده‌های عددی با دقت51.89% می‌باشند.همچنین مدل LSTMدر مقایسه با شبکه‌های عصبی SVM وMLP و RNN از عملکرد بهتری برخوردار می‌باشد. تفاصيل المقالة

حرية الوصول المقاله

75 - ارائه ی مدلی جهت پیش بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق
مسعود نادم یحیی کامیابی اسفندیار ملکیان

امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیو أکثر

امروزه هوش مصنوعی در تشخیص الگوهای نموداری در تحلیل تکنیکال تحولی بزرگ ایجاد کرده است. البته ظهور روش‌‌های جدید و پیچیده‌ در تحلیل تکنیکال، هر بار چالش نویی برای روش‌‌‌‌های هوش مصنوعی فراهم کرده است. از جمله روش‌های مورد‌ اقبال و پیچیده‌ی تحلیل تکنیکال، تئوری امواج الیوت است. از طرف دیگر سرعت پیشرفت روش‌های هوش مصنوعی نیز به گونه ای است که هر بار روشی قدرتمندتر معرفی می‌گردد. از جمله روش‌های نوین و قدرتمند هوش مصنوعی روش یادگیری عمیق است. لذا در پژوهش حاضر به ارائه‌ی مدلی جهت پیش‌بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت با استفاده از روش یادگیری عمیق پرداخته شده است. در این پژوهش تعداد 15 الگوی امواج الیوت مدنظر قرار گرفت و سپس تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران، برای الگوها جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی وارد گردید. در این پژوهش از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده‌ی صحت 61 درصدی در تشخیص الگوها توسط مدل است. تفاصيل المقالة

حرية الوصول المقاله

76 - ارائه مدلی برای پیش‌بینی ارزش‌گذاری معاملات بلوکی با رویکرد شبکه عصبی مصنوعی LSTM
عادله بحرینی مریم اکبریان فرد مهدی خوشنود

10.30495/afi.2023.1991282.1242

هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تأیید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش أکثر

هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تأیید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش‌‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در قالب 15 شاخص مالی و یافتن میزان تأثیرگذاری این شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون Rmse بر روی داده‌های Test موردمطالعه قرار گرفته است.روش‌شناسی پژوهش: بدین منظور از اطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفته شده درسازمان بورس اوراق بهادارتهران برای دوره زمانی 1390 تا1400 استفاده شده است. فرضیه‌ی تحقیق با بهره‌گیری از شبکه عصبی یادگیری عمیق مدل LSTM آزمون شده‌است.یافته‌ها: شبکة عصبی LSTM به جهت توانمندی بالا در آموزش داده‌ها و وزن‌های مناسب به این داده‌ها و خلق مسیری که با سرعت و دقت نتایج قابل‌قبولی جهت پیش‌بینی ارزش‌گذاری معاملات بلوکی دارد.اصالت / ارزش‌افزوده علمی: در مدل ارائه شده با اندازه‌گیری ارزش‌گذاری معاملات بلوکی، قیمت این معاملات، اثرات اطلاعات و نقدینگی معاملات با اندازه‌بزرگ را واپایش خواهیم نمود. تفاصيل المقالة

حرية الوصول المقاله

77 - A new approach using Machine Learning and Deep Learning for the prediction of cancer tumor
Fatemeh Asgari Arian Minooei Somayeh Abdolahi Reza Shokrani Foroushani Atefeh Ghorbani

Cancer is now one of the leading causes of death in the world. Existing therapies such as chemotherapy, radiation therapy and other methods due to the effect on other parts and even some side effects that in some cases are irreversible, has led researchers to find a new أکثر

Cancer is now one of the leading causes of death in the world. Existing therapies such as chemotherapy, radiation therapy and other methods due to the effect on other parts and even some side effects that in some cases are irreversible, has led researchers to find a new and more specific method with fewer side effects. On the other hand, the development of nanotechnology, in addition to the treatment of cancer, has been used in various fields, especially drug delivery and diagnostic and imaging cases. Because of their similarity to biological molecules, nanoparticles can easily enter cells and receive much attention when it comes to drug delivery to target tissues. Also, the best and effective solution for treatment is the use of multidisciplinary approaches, and on the other hand, one of the challenges in medical image recognition methods is the problem of dense tissue analysis and the time-consuming process of diagnosis. Which has caused machine learning and deep learning (artificial intelligence) to receive much attention. Deep learning techniques use data stored in electronic health systems files and process large amounts of resources such as medical imaging and artificial neural networks to help physicians analyze information and diagnose multiple diseases. And makes the diagnosis automatically تفاصيل المقالة

حرية الوصول المقاله

78 - An Interval Type-2 Fuzzy LSTM Algorithm for Modeling Environmental Time-Series Prediction
Aref Safari Rahil Hosseini

10.22034/ap.2022.1963124.1133

The statistical attributes of the non-stationary problems such as air quality and other natural phenomena frequently changed. Type-2 fuzzy logic is a robust and capable model to cope with high-order uncertainties associated with non-stationary time-dependent features. T أکثر

The statistical attributes of the non-stationary problems such as air quality and other natural phenomena frequently changed. Type-2 fuzzy logic is a robust and capable model to cope with high-order uncertainties associated with non-stationary time-dependent features. This research's main objective is to present a novel Fuzzy Deep LSTM (IT2FLSTM) model to predict air quality for Tehran and Beijing in a short and long time series scale. The proposed model has been evaluated on a real dataset that contains the one-decade information about outdoor pollutants from April 2011 to November 2020 in Tehran and Beijing. The IT2FLSTM model was evaluated using a ROC curve analysis and validated using 10-fold cross-validation. The results confirm the IT2FLSTM model's superiority with an average area under the ROC curve (AUC) of 97 % and a 95% confidence interval of [95-98] %. The proposed IT2FLSTM model promises to predict complex problems to make strategic prevention decisions to save more lives. تفاصيل المقالة

حرية الوصول المقاله

79 - Detection of children's activities in smart home based on deep learning approach
Toktam Nojavan Hooman Kashanian

Monitoring behavior of children in the home is the extremely important to avoid the possible injuries. Therefore, an automated monitoring system for monitoring behavior of children by researchers has been considered. The first step for designing and executing an automat أکثر

Monitoring behavior of children in the home is the extremely important to avoid the possible injuries. Therefore, an automated monitoring system for monitoring behavior of children by researchers has been considered. The first step for designing and executing an automated monitoring system on children's behavior in closed spaces is possible with recognize their activity by the sensors in the environment, collect data, and then use learning algorithms. In this paper, a deep learning algorithm to recognize and classify children activity in smart home is proposed which data collected from sensors in a smart environment. Experimental result on ARAS dataset indicates that this type of reorganization is highly effective and practical. تفاصيل المقالة

حرية الوصول المقاله

80 - An Ensemble Deep Learning Model for Detection Covid-19 from CT Scan Images
Habib Izadkhah

Diagnosis of covid-19 using deep learning on CT scan images can play an important role in helping doctors. In this paper, by combining EfficientNet-B2 and vision transformers (V iT − 1 − 32) neural networks a new deep transfer learning is proposed. For evaluation, con-f أکثر

Diagnosis of covid-19 using deep learning on CT scan images can play an important role in helping doctors. In this paper, by combining EfficientNet-B2 and vision transformers (V iT − 1 − 32) neural networks a new deep transfer learning is proposed. For evaluation, con-fusion matrix, precision, accuracy, recall, and F1 score are used. The experimental results are 0.9838 for validation accuracy, 0.9667 for test accuracy, and 0.9839 for accuracy. تفاصيل المقالة

حرية الوصول المقاله

81 - امکان سنجی مدل پیش بینی اقتصادی بر اساس الگوریتم هوشمند شهر هوشمند
مهسا خدادادی لاریسا خدادادی روزبه دبیری

شهرهای هوشمند از فضا استفاده بهتری می‌کنند و تردد کمتر، هوای پاک‌تر و خدمات شهری کارآمدتری دارند و کیفیت زندگی مردم را بهبود می‌بخشند. تعداد زیاد وسایل نقلیه که به طور مداوم در نقاط شلوغ در شهرهای هوشمند در حال تردد هستند، دستیابی به یک فضای پارک عمومی را پیچیده می کند. أکثر

شهرهای هوشمند از فضا استفاده بهتری می‌کنند و تردد کمتر، هوای پاک‌تر و خدمات شهری کارآمدتری دارند و کیفیت زندگی مردم را بهبود می‌بخشند. تعداد زیاد وسایل نقلیه که به طور مداوم در نقاط شلوغ در شهرهای هوشمند در حال تردد هستند، دستیابی به یک فضای پارک عمومی را پیچیده می کند. این امر چالش هایی را هم برای ترافیک و هم برای ساکنان ایجاد می کند. با چنین جمعیت گسترده ای، تراکم جاده ها یک چالش جدی است. منابع حیاتی مانند سوخت، پول و مهمتر از همه زمان را هدر می دهد. پیدا کردن مکان مناسب برای پارک یکی از دلایل ازدحام ترافیک در بزرگراه¬ها است. این مقاله یک مدل پیش‌بینی اقتصادی مبتنی بر یادگیری عمیق، برای رشد اقتصادی بلندمدت در شهرهای هوشمند پیشنهاد می‌کند. مدیریت ترافیک برای شهرها از این نظر حیاتی است که تضمین می کند که مردم بتوانند آزادانه در سطح شهر حرکت کنند. بسیاری از خودروهایی که برای رسیدن به مناطق شلوغ در شهرهای هوشمند تلاش می کنند، دستیابی به یک پارکینگ عمومی را دشوار می کنند. این موضوع هم برای رانندگان و هم برای ساکنین ناخوشایند است. تعدادی از مسئولین در امر مدیریت ترافیک، یک شبکه عصبی مصنوعی را برای حل این مشکل پیاده‌سازی کرده‌اند و سیستم‌های خودروهای مدرن با راه‌حل‌های پارک هوشمند همراه شده‌اند. نتیجه تجربی مدل پیش‌بینی اقتصادی مبتنی بر یادگیری عمیق، تخمین ترافیک، پیش‌بینی دقت در جریان ترافیک، مدیریت ترافیک و پارکینگ هوشمند را در مقایسه با روش‌های موجود بهبود می‌بخشد تفاصيل المقالة

فهرس المقالات Deep Learning

سند

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية