• فهرس المقالات classifier

      • حرية الوصول المقاله

        1 - Classifier Ensemble Framework: a Diversity Based Approach
        Hamid Parvin Hosein Alizadeh Mohsen Moshki
        Pattern recognition systems are widely used in a host of different fields. Due to some reasons such as lack of knowledge about a method based on which the best classifier is detected for any arbitrary problem, and thanks to significant improvement in accuracy, researche أکثر
        Pattern recognition systems are widely used in a host of different fields. Due to some reasons such as lack of knowledge about a method based on which the best classifier is detected for any arbitrary problem, and thanks to significant improvement in accuracy, researchers turn to ensemble methods in almost every task of pattern recognition. Classification as a major task in pattern recognition, have been subject to this transition. The classifier ensemble which uses a number of base classifiers is considered as meta-classifier to learn any classification problem in pattern recognition. Although some researchers think they are better than single classifiers, they will not be better if some conditions are not met. The most important condition among them is diversity of base classifiers. Generally in design of multiple classifier systems, the more diverse the results of the classifiers, the more appropriate the aggregated result. It has been shown that the necessary diversity for the ensemble can be achieved by manipulation of dataset features, manipulation of data points in dataset, different sub-samplings of dataset, and usage of different classification algorithms. We also propose a new method of creating this diversity. We use Linear Discriminant Analysis to manipulate the data points in dataset. Although the classifier ensemble produced by proposed method may not always outperform all of its base classifiers, it always possesses the diversity needed for creation of an ensemble, and consequently it always outperforms all of its base classifiers on average. تفاصيل المقالة
      • حرية الوصول المقاله

        2 - Offline Auto-Tuning of a PID Controller Using Extended Classifier System (XCS) Algorithm
        Ehsan Abbasi Nader Naghavi
        Proportional + Integral + Derivative (PID) controllers are widely used in engineering applications such that more than half of the industrial controllers are PID controllers. There are many methods for tuning the PID parameters in the literature. In this paper an intell أکثر
        Proportional + Integral + Derivative (PID) controllers are widely used in engineering applications such that more than half of the industrial controllers are PID controllers. There are many methods for tuning the PID parameters in the literature. In this paper an intelligent technique based on eXtended Classifier System (XCS) is presented to tune the PID controller parameters. The PID controller with the gains obtained by the proposed method can robustly control nonlinear multiple-inputmultiple-output (MIMO) plants in any form, such as robot dynamics and so on. The performance of this method is evaluated with Integral Squared Error (ISE) criteria which is one of the most popular optimizing methods for the PID controller parameters. Both methods are used to control the ball position in a magnetic levitation (MagLev) system and the performance of controllers are compared. Matlab Simulink has been used to test, analyze and compare the performance of the two optimization methods in simulations. تفاصيل المقالة
      • حرية الوصول المقاله

        3 - پیش‌بینی روند حرکتی قیمت سهام با استفاده از XCS مبتنی بر الگوریتم ژنتیک و یادگیری تقویتی
        احمدرضا پاکرائی
        پیشرفت‌ها در حوزۀ هوش مصنوعی و یادگیری ماشین به‌خصوص درزمینۀ محاسبات تکاملی نه‌تنها ما را قادر به تجزیه‌وتحلیل مؤثرتر داده‌ها نموده است، بلکه این امکان را فراهم ساخته که از آن‌ها برای فهم هرگونه الگوی زیربنایی بازارهای مالی استفاده گردد. اقتصاددانان، آماردانان و مدرسان أکثر
        پیشرفت‌ها در حوزۀ هوش مصنوعی و یادگیری ماشین به‌خصوص درزمینۀ محاسبات تکاملی نه‌تنها ما را قادر به تجزیه‌وتحلیل مؤثرتر داده‌ها نموده است، بلکه این امکان را فراهم ساخته که از آن‌ها برای فهم هرگونه الگوی زیربنایی بازارهای مالی استفاده گردد. اقتصاددانان، آماردانان و مدرسان امور مالی همواره علاقه‌مند به توسعه و آزمایش مدل‌های رفتاری قیمت سهام بوده‌اند. XCS سامانه‌ای مرکب از الگوریتم ژنتیک و یادگیری تقویتی است که به‌صورت برخط با محیط در تعامل بوده و توانایی یادگیری از تجربه‌های خود را دارد. در این پژوهش مدلی ارائه می‌گردد که با استفاده از XCS به پیش‌بینی روند حرکت قیمت سهام روز آتی یکی از شرکت‌های فعال در بازار بورس تهران بر اساس داده‌های تاریخی و استفاده از نمایه‌های فنی مختلف پرداخته است. سپس دقت پیش‌بینی مدل پیشنهادی در مقایسه با مدل قدم زدن تصادفی سنجیده شده است. نتایج حاکی است که مدل پیشنهادی در مقایسه با مدل قدم زدن تصادفی از دقت پیش‌بینی بالاتری برخوردار است. تفاصيل المقالة
      • حرية الوصول المقاله

        4 - طبقه بندی مناطق جنگلی استان گلستان به روش حداکثر احتمال با استفاده ازتصاویر ماهوار های ETM+ سال 2001
        عبدالرسول سلمان ماهینی آزاده نادعلی جهانگیر فقهی برهان ریاضی
        نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ پذیری خاک، به مقدار کم در زمین فرو می روند و بیشتر در روی زمین جاری می شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب های سطحی و کاهش حاصل خیزی خاک می شود. متاسفانه در چند سال اخیر، کاهش چشمگیر أکثر
        نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ پذیری خاک، به مقدار کم در زمین فرو می روند و بیشتر در روی زمین جاری می شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب های سطحی و کاهش حاصل خیزی خاک می شود. متاسفانه در چند سال اخیر، کاهش چشمگیری در پوشش جنگلی به خصوص پوشش درختی در استان گلستان مشاهده می شود، به طوری که این مساله یکی از دلایل بروز سیل های مهیب بوده است. در این مطالعه، از داده های ماهواره لندست و سنجنده ETM+، سال 2001 جهت طبقه بندی پوشش درختی استان گلستان به روش حداکثر احتمال استفاده شده است. برای این کار با توجه به اطلاعات و تجربه قبلی از انواع کاربری و پوشش سرزمین در این محدوده و مطالعه چشمی تصویر رنگ مجازی، پوشش درختی منطقه شناسایی شد و بر روی تصویر رنگ مجازی تعیین گردید. سپس، با استفاده از 6 باند تصویر شامل باندهای 1، 2، 3، 4، 5، 7 و نمونه های تعلیمی خام وطبقه بندی کننده حداکثر احتمال، طبقه بندی صورت گرفت. در مرحله بعد، از نقشه حاصل از طبقه بندی نظارت نشده با 100 طبقه، جهت پالایش نمونه های تعلیمی خام استفاده گردید و طبقه بندی تصویر به روش مذکورتکرار شد. در انتها، صحت تصاویر طبقه بندی شده به دو روش جابه جایی تصادفی پیکسل ها وهمچنین استفاده از تصاویر سنجنده LISS III به عنوان نقاط کنترل زمینی مشخص شد. نتایج نشان دهنده درستی بسیار خوب طبقه بندی جنگل با استفاده از تصاویر ماهواره لندست است. تفاصيل المقالة
      • حرية الوصول المقاله

        5 - طبقه‌بندی مناطق جنگلی استان گلستان به روش حداکثر احتمال با استفاده ازتصاویر ماهواره‌ای ETM+ سال 2001
        عبدالرسول سلمان ماهینی آزاده نادعلی جهانگیر فقهی برهان ریاضی
        نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ‌پذیری خاک، به مقدار کم در زمین فرو می‌روند و بیشتر در روی زمین جاری می‌شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب‌های سطحی و کاهش حاصل‌خیزی خاک می‌شود. متاسفان أکثر
        نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ‌پذیری خاک، به مقدار کم در زمین فرو می‌روند و بیشتر در روی زمین جاری می‌شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب‌های سطحی و کاهش حاصل‌خیزی خاک می‌شود. متاسفانه در چند سال اخیر، کاهش چشمگیری در پوشش جنگلی به خصوص پوشش درختی در استان گلستان مشاهده ‌می‌شود، به طوری که این مسأله یکی از دلایل بروز سیل‌های مهیب بوده است. در این مطالعه، از داده‌های ماهواره‌ لندست و سنجنده ETM+، سال 2001 جهت طبقه‌بندی پوشش درختی استان گلستان به روش حداکثر احتمال استفاده شده است. برای این کار با توجه به اطلاعات و تجربه قبلی از انواع کاربری و پوشش سرزمین در این محدوده و مطالعه چشمی تصویر رنگ مجازی، پوشش درختی منطقه شناسایی شد و بر روی تصویر رنگ مجازی تعیین گردید. سپس، با استفاده از 6 باند تصویر شامل باندهای 1، 2، 3، 4، 5، 7 و نمونه‌های تعلیمی خام وطبقه‌بندی‌کننده‌ حداکثر احتمال، طبقه‌بندی صورت گرفت. در مرحله بعد، از نقشه حاصل از طبقه‌بندی نظارت ‌نشده با 100 طبقه، جهت پالایش نمونه‌های تعلیمی خام استفاده گردید و طبقه‌بندی تصویر به روش مذکورتکرار شد. در انتها، صحت تصاویر طبقه‌بندی شده به دو روش جابه‌جایی تصادفی پیکسل‌ها وهمچنین استفاده از تصاویر سنجنده LISS III به عنوان نقاط کنترل زمینی مشخص شد. نتایج نشان دهنده درستی بسیار خوب طبقه‌بندی جنگل با استفاده از تصاویر ماهواره لندست است. تفاصيل المقالة
      • حرية الوصول المقاله

        6 - یک روش طبقه‌بندی ترکیبی برای تشخیص سرطان پستان با استفاده از الگوریتم ژنتیک و تنظیم چند مرحله‌ای وزن‌ها در شبکه عصبی MLP
        امین رضایی پناه سیدجواد میرعابدینی علی مبارکی
        امروزه با گسترش روز افزون علم، استفاده از سیستم های پشتیبان تصمیم می تواند کمک زیادی در سیاست های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان پستان که یکی از رایج ترین سرطان ها در بین زنان می باشد، مورد توجه است. در ای أکثر
        امروزه با گسترش روز افزون علم، استفاده از سیستم های پشتیبان تصمیم می تواند کمک زیادی در سیاست های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان پستان که یکی از رایج ترین سرطان ها در بین زنان می باشد، مورد توجه است. در این مقاله فرآیند تشخیص بیماری سرطان پستان با استفاده از تنظیم چند مرحله ای وزن ها در شبکه عصبی MLP در دو لایه انجام می شود. در لایه اول، سه طبقه بند وجود دارد که به طور همزمان روی داده های مجموعه یادگیری آموزش می بینند. پس از اتمام آموزش خروجی طبقه بندهای لایه اول جمع آوری شده و به همراه داده های مجموعه یادگیری در مجموعه ای جدید قرار می گیرند. این مجموعه به عنوان ورودی به فراطبقه بند لایه دوم داده می شود و فراطبقه بند نگاشت میان خروجی های هر یک از طبقه بندهای معمولی لایه اول را با کلاس های خروجی واقعی مدل می کند. ساختار سه طبقه بند لایه اول و همچنین فراطبقه بند لایه دوم یک شبکه عصبی MLP است که وزن ها، ویژگی های موثر و اندازه لایه مخفی در آن به طور همزمان با استفاده از یک الگوریتم ژنتیک ابتکاری بهینه سازی می شود. به منظور ارزیابی دقت مدل پیشنهادی از پایگاه داده ویسکانسین استفاده می شود که با تست FNA ایجاد شده است. نتایج آزمایش ها روی مجموعه داده WBCD دقت 98.72% را برای روش پیشنهادی نشان می دهد که نسبت به الگوریتم های GAANN، CAFS عملکرد بهتری ارائه داده است. تفاصيل المقالة
      • حرية الوصول المقاله

        7 - Optimal Prediction in the Diagnosis of Existing Heart Diseases using Machine Learning: Outlier Data Strategies
        Omid Rahmani Seyyed Amir Mahdi Ghoreishi Zadeh Mostafa Setak
        Heart disease is a prevalent and life-threatening condition that poses significant challenges to healthcare systems worldwide. Accurate and timely diagnosis of heart disease is crucial for effective treatment and patient management. In recent years, machine learning alg أکثر
        Heart disease is a prevalent and life-threatening condition that poses significant challenges to healthcare systems worldwide. Accurate and timely diagnosis of heart disease is crucial for effective treatment and patient management. In recent years, machine learning algorithms have emerged as powerful tools for predicting and identifying individuals at risk of heart disease. This article highlights the importance of heart disease diagnosis and explores the potential of machine learning algorithms in enhancing the diagnosis of heart disease accuracy. This article presents a study to develop a model for predicting heart disease in the Cleveland patient dataset. The innovation of this research involved identifying and handling outlier data using Winsorized and Logarithmic transformation methods. We also used Wrapper and Embedded methods to determine the most critical features for diagnosing heart disease. In addition to the usual features, Exercise-induced angina and No. of major vessels were found to be important. We then compared the performance of four machine learning algorithms, including KNN, Naïve Bayes' Classifier, Decision Tree, and Support Vector Classifier to determine the best algorithm for predicting heart disease. The findings showed that the Decision Tree algorithm had the best performance with an accuracy of 97.95%. تفاصيل المقالة
      • حرية الوصول المقاله

        8 - شناسایی بیماران نقص توجه-بیش فعال با استفاده از ویژگی‌های برمبنای موجک سیگنال‌های EEG
        سحر کریمی شهرکی مهدی خضری
        اختلال توجه-بیش فعالی (ADHD)، نوعی بیماری روانی توسعه عصبی است که باعث عدم توجه، اضطراب، بیش فعالی و رفتارهای تکانشگری فرد می‌شود. این بیماری بیشتر درکودکان دیده می‌شود و به‌طور مستقیم منجر به ناتوانی آن‌ها در یادگیری می‌شود. هدف این مطالعه، ارایه سیستمی به‌منظور شناسای أکثر
        اختلال توجه-بیش فعالی (ADHD)، نوعی بیماری روانی توسعه عصبی است که باعث عدم توجه، اضطراب، بیش فعالی و رفتارهای تکانشگری فرد می‌شود. این بیماری بیشتر درکودکان دیده می‌شود و به‌طور مستقیم منجر به ناتوانی آن‌ها در یادگیری می‌شود. هدف این مطالعه، ارایه سیستمی به‌منظور شناسایی دقیق‌تر بیماران ADHD با استفاده از ویژگی‌های برمبنای موجک سیگنال‌های مغزی (EEG) است. سیگنال‌های EEG ثبت شده از 61 کودک ADHD (شناسایی شده بر مبنای معیار DSM-IV) و60 کودک سالم به عنوان گروه کنترل در محدوده سنی 7-12 سال برای طراحی سیستم مورد استفاده قرارگرفتند. در روش پیشنهادی، سیگنال‌های EEG با اعمال تبدیل موجک به زیرباندهایی تجزیه شدند؛ و برای نسخه زمانی سیگنال‌ها در هر زیرباند، ویژگی‌های زمانی و آماری محاسبه شدند. مجموعه ویژگی کاهش یافته با روش تحلیل مولفه اصلی (PCA) سپس برای آموزش واحد طبقه‌بندی به منظور شناسایی بیماران ADHD از افراد سالم به‌کار رفت. برای کسب نتایج مطلوب، انواع مختلف توابع موجک و سطوح تجزیه مورد بررسی قرارگرفتند. تابع موجک bior3.1با روش طبقه‌بندی ماشین بردار پشتیبان (SVM)و تابع موجک rbio1.1 با روش طبقه‌بندی k نزدیکترین همسایه (kNN) با کسب دقت‌های شناسایی به‌ترتیب 98.33 و 99.17 درصد، بهترین عملکرد را ارایه کردند. روش طبقه‌بندی SVM با تابع کرنل پایه شعاعی (RBF) و روش kNN با تعداد همسایگی k=3 بهترین نتایج را کسب کردند. نتایج به‌دست آمده در این مطالعه، در مقایسه با نتایج گزارش شده در مطالعات قبلی حداقل 2 درصد بهبود در دقت شناسایی بیماران ADHD را نشان دادند. تفاصيل المقالة
      • حرية الوصول المقاله

        9 - تشخیص استرس برمبنای همجوشی سیگنال های فیزیولوژیکی چندگانه با استفاده از نظریه شواهد دمپستر- شفر
        سارا مجلسی مهدی خضری
        تشخیص و کنترل سطح استرس در رانندگان به منظور کاهش خطرات ناشی از آن، از اهمیت ویژه ای برخوردار است. در این مطالعه سیستمی برای تشخیص چهار سطح استرس کم، متوسط، زیاد و خیلی زیاد در رانندگان براساس سیگنال های فیزیولوژیکی ارائه شده است. در روش پیشنهادی از پایگاه داده drivedb أکثر
        تشخیص و کنترل سطح استرس در رانندگان به منظور کاهش خطرات ناشی از آن، از اهمیت ویژه ای برخوردار است. در این مطالعه سیستمی برای تشخیص چهار سطح استرس کم، متوسط، زیاد و خیلی زیاد در رانندگان براساس سیگنال های فیزیولوژیکی ارائه شده است. در روش پیشنهادی از پایگاه داده drivedb استفاده شده که شامل ثبت سیگنال های فیزیولوژیکی از هفده نفر داوطلب سالم هنگام رانندگی در مسیرهای مشخص از جمله خیابان های شهر و بزرگراه است. مجموعه ای از ویژگی های آماری و آنتروپی به همراه ویژگی های ریخت شناسی که فقط برای سیگنال ECG محاسبه شدند، به کار رفته است. ویژگی های تعیین شده به عنوان ورودی واحدهای طبقه بندی برای تشخیص سطوح استرس اعمال شدند. ماشین بردار پشتیبان (SVM)، k نزدیکترین همسایه (kNN) و درخت تصمیم (DT) به عنوان روش های طبقه بندی مورد ارزیابی قرار گرفتند. هدف اصلی این مطالعه، بهبود دقت تشخیص سطوح استرس با استفاده از ایده همجوشی در سطح نتایج واحدهای طبقه بندی است. به این منظور ترکیب واحدهای طبقه بندی منفرد، که هرکدام تنها از ویژگی های یکی از سیگنال های قلبی (ECG)، عضلات (EMG) و هدایت پوست (GSR) بهره گرفتند، توسط روش دمپستر-شفر انجام شد. با انتخاب ویژگی های مؤثر با الگوریتم ژنتیک، طبقه بندی کننده SVM و روش همجوشی دمپستر-شفر، بهترین دقت تشخیص سطوح استرس برابر با 9/96 درصد به دست آمد. در حالی که بالاترین دقت تشخیص بین طبقه بندهای منفرد 75 درصد بود و توسط زیر سیستمی که از ویژگی های سیگنال ECG استفاده کرده بود به دست آمد. نتایج به دست آمده عملکرد قابل توجه روش پیشنهادی را نسبت به مطالعات گذشته که از مجموعه داده مشابه استفاده کرده اند، نشان می دهد. تفاصيل المقالة
      • حرية الوصول المقاله

        10 - ارزیابی شبکه های عصبی عمیق در تشخیص احساسات با استفاده از الگوهای سیگنال الکتروانسفالوگرام
        آذین کرمانشاهیان مهدی خضری
        در این مطالعه طراحی یک سیستم قابل اعتماد که قادر به شناسایی احساسات مختلف با دقت مطلوب باشد، مورد توجه قرار گرفته است. برای رسیدن به این هدف، دو ساختار برای سیستم تشخیص احساسات شامل 1) ویژگی‌های خطی و غیرخطی سیگنال الکتروانسفالوگرام (EEG) به همراه طبقه‌بندهای رایج و 2) أکثر
        در این مطالعه طراحی یک سیستم قابل اعتماد که قادر به شناسایی احساسات مختلف با دقت مطلوب باشد، مورد توجه قرار گرفته است. برای رسیدن به این هدف، دو ساختار برای سیستم تشخیص احساسات شامل 1) ویژگی‌های خطی و غیرخطی سیگنال الکتروانسفالوگرام (EEG) به همراه طبقه‌بندهای رایج و 2) سیگنال EEG در یک ساختار یادگیری عمیق مدنظر قرار گرفته‌است. برای طراحی سیستم، سیگنال‌های EEG پایگاه داده DEAP که از ۳۲ نفر با نمایش ویدیوهای احساسی ثبت شده‌اند، مورد استفاده قرارگرفتند. پس از آماده‌سازی و حذف نویز، ویژگی‌های سیگنال شامل چولگی، کشیدگی، پارامترهای جورث، نمای لیاپانف‌، آنتروپی شانون، بعد همبستگی، بعد فرکتال و برگشت‌پذیری زمان از زیرباندهای آلفا، بتا و گاما استخراج شدند. سپس با توجه به ساختار یک، ویژگی‌های تعیین شده به‌عنوان ورودی به طبقه‌بندهای رایج مانند درخت تصمیم (DT)، k نزدیک‌ترین همسایه (kNN) و ماشین بردار پشتیبان (SVM) اعمال شدند. همچنین مطابق با ساختار دو، سیگنال EEG به‌عنوان ورودی شبکه عصبی کانولوشنی (CNN) درنظر گرفته شد. هدف ارزیابی نتایج شبکه‌های آموزش عمیق و سایر روش‌ها برای تشخیص احساسات است. با توجه به نتایج کسب شده، SVM با دقت 1/94 درصد بهترین عملکرد را برای شناسایی چهار حالت احساسی به‌‌دست آورد. همچنین CNN پیشنهادی، با دقت 86 درصد حالت‌های موردنظر را شناسایی کرد. روش‌های یادگیری عمیق به‌‌دلیل این‌که به تعیین ویژگی برای سیگنال‌ها نیاز ندارند و در برابر نویزهای مختلف مقاومند، نسبت به طبقه‌بندهای ساده برتری دارند. تفاصيل المقالة
      • حرية الوصول المقاله

        11 - طبقه‌بندی سکته مغزی بر اساس روش یادگیری عمیق در سامانه تصویربرداری ریزموجی از مغز
        مجید روحی جلیل مظلوم محمدعلی پورمینا بهبد قلمکاری
        یکی از عوامل رایج مرگ ومیر در دنیا که بیشتر افراد مسن در معرض آن هستند، سکته مغزی است. حدود 85 درصد از تمام سکته‌های مغزی، از نوع سکته مغزی ایسکمیک بوده و ناشی از خون ریزی داخلی بخشی از مغز است. با توجه به آمار بالای مرگ ومیر ناشی از سکته مغزی، تشخیص و درمان سریع سکته م أکثر
        یکی از عوامل رایج مرگ ومیر در دنیا که بیشتر افراد مسن در معرض آن هستند، سکته مغزی است. حدود 85 درصد از تمام سکته‌های مغزی، از نوع سکته مغزی ایسکمیک بوده و ناشی از خون ریزی داخلی بخشی از مغز است. با توجه به آمار بالای مرگ ومیر ناشی از سکته مغزی، تشخیص و درمان سریع سکته مغزی ایسکمیکی و سکته مغزی هموروژیک بسیار مهم است. در این مقاله یک سیستم تصویربرداری مایکروویو مغز، برای تشخیص خون ریزی داخل جمجمه کروی شکل با شعاع یک سانتی متر در نرم افزار CSTشبیه‌سازی و برای تصویربرداری از یک سری آرایه آنتن پروانه‌ای اصلاح شده در اطراف فانتوم سر چند لایه، استفاده شده است. برای داشتن ویژگی‌های تشعشی مورد نظر در محدوده باند فرکانسی 5/0 الی 5/5 گیگاهرتز، یک محیط تطبیق مناسب طراحی شده است. ابتدا در بخش پردازش از روش‌های بازسازی تصویر مانند الگوریتم‌های بیمفرمر تأخیر و جمع و همچنین تأخیر ضرب و جمع استفاده می‌شود. تصاویر بازسازی شده مفید بودن روش متداول پیشنهادی را در تشخیص هدف کروی در محدوده یک سانتی متر نشان می‌دهد. هدف اصلی این مقاله طبقه‌بندی سکته مغزی ایسکمیکی و هموروژیک با استفاده از رویکردهای یادگیری عمیق است. برای این منظور یک الگوریتم طبقه‌بندی تصویر برای تخمین نوع سکته از تصاویر بازسازی شده ایجاد می‌شود که در این راستا با استفاده از روش پیشنهادی یادگیری عمیق تصاویر بازسازی شده توسط یک ماشین بردار پشتیبان خطی چند کلاسه با ویژگی استخراج شده توسط یک شبکه عصبی کانولوشن آموزش می‌بینند. نتایج شبیه‌سازی شده عملکرد مناسب روش پیشنهادی را در تعیین محل دقیق اهداف خون‌ریزی با دقت 89 درصد و در مدت زمان 9 ثانیه نشان می‌دهد. علاوه بر این، روش پیشنهادی یادگیری عمیق به دلیل سردرگم نبودن سیستم در بین طبقات مختلف از نظر طبقه‌بندی عملکرد خوبی را نشان می‌دهد. تفاصيل المقالة
      • حرية الوصول المقاله

        12 - امکان تشخیص آریتمی‌های قلبی با استفاده از تحلیل شاخص‌های آشوبی سیگنال ECG
        علی تمیزی محمد عطایی محمدرضا یزدچی
        سیگنال الکتروکاردیوگرام (ECG) معمول‌ترین روش غیرتهاجمی برای بررسی سلامتی قلب یا تشخیص احتمالی بیماری‌های قلبی است. مطالعات نشان می‌دهد سیگنال ECG یک ساختار خطی ساده ندارد بلکه دارای مؤلفه‌های غیرخطی است. در این مقاله سیگنال ECG به عنوان یک سری زمانی در نظر گرفته شده است أکثر
        سیگنال الکتروکاردیوگرام (ECG) معمول‌ترین روش غیرتهاجمی برای بررسی سلامتی قلب یا تشخیص احتمالی بیماری‌های قلبی است. مطالعات نشان می‌دهد سیگنال ECG یک ساختار خطی ساده ندارد بلکه دارای مؤلفه‌های غیرخطی است. در این مقاله سیگنال ECG به عنوان یک سری زمانی در نظر گرفته شده است و شاخص‌های غیرخطی آشوبی مانند بزرگ‌ترین نمای لیاپانوف ( ) و بعد همبستگی (D2) از سیگنال ECG برای افراد سالم و بیمار استخراج می‌شود. در این راستا الگوریتم‌های مناسب جهت استخراج پارامترهای لازم برای بازسازی فضای حالت و نیز محاسبه بزرگ‌ترین نمای لیاپانوف و بعد همبستگی از روی سیگنال ECG با ملاحظات مربوطه ارائه می‌گردد. سپس با استفاده از طبقه‌بندی کننده فازی امکان تفکیک افراد سالم و بیمار، براساس شاخص‌های آشوبی محاسبه شده بررسی می‌شود. داده‌ها از پایگاه داده‌های MIT-BIH گرفته شده است و مقایسه نتایج برای سه گروه شامل افراد با ریتم قلبی سالم (NSR)، بیماران فیبریلاسیون دهلیزی (AF) و بیماران انسداد دسته شاخه چپ (LBBB) انجام شده است که مبیّن کارایی طبقه‌بندی ارائه شده بر اساس شاخص‌های آشوبی است. تفاصيل المقالة
      • حرية الوصول المقاله

        13 - The Introduction of a Heuristic Mutation Operator to Strengthen the Discovery Component of XCS
        Ahmad Reza Pakraei Kamal Mirzaie
        The extended classifier systems (XCS) by producing a set of rules is (classifier) trying to solve learning problems as online. XCS is a rather complex combination of genetic algorithm and reinforcement learning that using genetic algorithm tries to discover the encourag أکثر
        The extended classifier systems (XCS) by producing a set of rules is (classifier) trying to solve learning problems as online. XCS is a rather complex combination of genetic algorithm and reinforcement learning that using genetic algorithm tries to discover the encouraging rules and value them by reinforcement learning. Among the important factors in the performance of XCS is the possibility to discover rules that are not only general as possible but highly Accurate. In this paper, a new mutation operator is introduced for XCS that in addition to increasing the speed of learning, will help improve performance. The purpose of speed is the amount of time that takes for the system to reach an appropriate solution and the purpose of the performance is the quality of solution that has been developed. The proposed algorithm was named XCS-KF and to evaluate its performance, it is used to solve the common problem in this area that is known as the multiplexer. The results obtained showed that the speed and performance of the proposed algorithm to XCS algorithm increased significantly. تفاصيل المقالة
      • حرية الوصول المقاله

        14 - Presenting a Fast Classifier Based on Unsupervised Learning for Diagnosis Diseases
        Najmeh Hosseinpour Afzal Ghaseimi
        Abstract. From long ago, decision support systems (DSS) as a vital tool in many industrials is considered by decision-makers. These systems can aid managers in making better decisions by collecting and interpreting data. Medical decision support systems (MDSS) have crit أکثر
        Abstract. From long ago, decision support systems (DSS) as a vital tool in many industrials is considered by decision-makers. These systems can aid managers in making better decisions by collecting and interpreting data. Medical decision support systems (MDSS) have critical role in medical practice. They can help physicians for improving the quality of medical diagnosis. Classifiers as main core of MDSS systems play an important role in improving their performance. This paper presents an unsupervised learning-based real time classifier which is able to perform recognizing medical patterns with proper precision and speed. In the training phase, the proposed classifier is capable to obtain reference models related to classes using synergic clustering technique and finding the frequency of attributes . In order to evaluate efficiency of the proposed classifier, the UCI datasets including breast cancer (WBCD), liver disease (ILPD) and diabetic disease (PID) are applied. The obtained results indicate the effectiveness of the proposed method. تفاصيل المقالة
      • حرية الوصول المقاله

        15 - Categorization of Persian Detached Handwritten Letters Using Intelligent Combinations of Classifiers
        Hossein Sadr Mojdeh Nazari Solimandarabi Mahsa Mirhosseini Moghadam
        Abstract—detecting optical characters is the main responsibility to convert printed documents and manuscripts to digital format. In this article, detecting Persian handwritten letters by using the combination of classifiers and features were assessed, hence geomet أکثر
        Abstract—detecting optical characters is the main responsibility to convert printed documents and manuscripts to digital format. In this article, detecting Persian handwritten letters by using the combination of classifiers and features were assessed, hence geometric and statistical sections' features were used. In order to detect each letter, we divide it into two parts; the major and the minor parts. Then, we present some features for them. Preprocess algorithm prepare the possibility to unify dimension features for multiple words and deliver to classifier for detecting . We can get the hierarchy classification by separating the letters. After that, the optimal answer will be reached by using GA method of different SVM, ML and KNN classifications. Extraction algorithm of needed features was proved by using the evaluation of the basis of PCA. Empirical results represent classification of 94.3 and 92 accuracy in simple and multiple parts in 20 times repetition, respectively. eywords— Classifiers' Combination, Optical Character recognition, Persian handwritten, Reducing feature. تفاصيل المقالة
      • حرية الوصول المقاله

        16 - 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

        17 - An Optimal Configuration of Neural Networks by Multi-Objective Genetic Algorithm and Ensemble-Classifier Approach for Evaluation Trust in the Single Web Service
        baharak shakeri aski Abolfazl Haghighat mehran mohsenzadeh
        Abstract. Web Services provides a solution to web application integration. Due to the significant of trust to choose the proper web service, a novel optimal configuration of neural networks by multi-objective genetic algorithm and ensemble-classifier approach is used to أکثر
        Abstract. Web Services provides a solution to web application integration. Due to the significant of trust to choose the proper web service, a novel optimal configuration of neural networks by multi-objective genetic algorithm and ensemble-classifier approach is used to evaluate the trust of single web services. For evaluating trust in single web services, first, a set of neural networks were trained by the settings their parameters through the multi-objective genetic algorithm. Next, the best combination of neural networks was selected to make an ensemble classifier. This method was evaluated with single WS dataset considered eight criteria. Three measurements such as accuracy, time and ROC curve were considered to assess the efficiency. Ultimately, the obtained results show that the proposed approach can achieve a trade-off between time and accuracy by the multi-objective genetic algorithm. Also using ensemble-classifiers approach increases the reliability of the model. Consequently, the proposed method promote the detection accuracy. تفاصيل المقالة
      • حرية الوصول المقاله

        18 - Detection of Pulmonary Nodules in CT Images Using Template Matching and Neural Classifier
        Hosien Hasanabadi Mohsen Zabihi Qazaleh Mirsharif
        Computer aided pulmonary nodule detection has been among major research topics lately to help for early treatment of lung cancer which is the most lethal kind of cancer worldwide.Some evidence suggests that periodic screening tests with the CT of patients will help in r أکثر
        Computer aided pulmonary nodule detection has been among major research topics lately to help for early treatment of lung cancer which is the most lethal kind of cancer worldwide.Some evidence suggests that periodic screening tests with the CT of patients will help in reducing the mortality rate caused by the lung cancer. Acomplete and accurate computer aided diagnosis (CAD) system for detection of nodules in lung CT images consists of three main steps: extraction of lung parenchyma, candidate nodule detection and false positive reduction. While precise segmentation of lung region speed upthe detection process of pulmonary nodules by limiting the search area, in candidate nodule detection step we attempt to include all nodule like structures. However, the main problem in the current CAD systems for nodule detection is the high false positive rate which is mostly associated to misrecognition of juxta-vascular nodules from blood vessels. In this paper we propose an automated method which has all of the three above mentioned steps. Our method attempts to find initial nodules by thresholding and template matching. To separate false positives from nodules we use feature extraction and neural classifier. The proposed method has been evaluated against several images in LIDC database and the results demonstrateimprovements comparing to previous methods. تفاصيل المقالة
      • حرية الوصول المقاله

        19 - Combining Classifier Guided by Semi-Supervision
        Mohammad Mohammadi Hamid Parvin Eshagh Faraji Sajad Parvin
        The article suggests an algorithm for regular classifier ensemble methodology. The proposed methodology is based on possibilistic aggregation to classify samples. The argued method optimizes an objective function that combines environment recognition, multi-criteria agg أکثر
        The article suggests an algorithm for regular classifier ensemble methodology. The proposed methodology is based on possibilistic aggregation to classify samples. The argued method optimizes an objective function that combines environment recognition, multi-criteria aggregation term and a learning term. The optimization aims at learning backgrounds as solid clusters in subspaces of the high-dimensional feature-space via an unsupervised learning including an attribute discrimination component. The unsupervised clustering component assigns degree of typicality to each data pattern in order to identify and reduce the effect of noisy or outlaid data patterns. Then, the suggested technique obtains the best combination parameters for each background. The experimentations on artificial datasets and standard SONAR dataset demonstrate that our classifier ensemble does better than individual classifiers in the ensemble. تفاصيل المقالة
      • حرية الوصول المقاله

        20 - Common Spatial Pattern for Human Identification Based on Finger Vein Images in Radon space
        Akram Gholami Hamid Hassanpour
        Finger vein is one of the most fitting biometric for identifying individuals. In this paper a new method for finger vein recognition is proposed. First the veins are extracted from finger vein images by using entropy based thresholding. In finger vein images the veins a أکثر
        Finger vein is one of the most fitting biometric for identifying individuals. In this paper a new method for finger vein recognition is proposed. First the veins are extracted from finger vein images by using entropy based thresholding. In finger vein images the veins are appeared as dark lines. The method extracts veins as well, but the images are noisy, that means in addition to the veins they have some short and long lines. Then radon transformation are applied to segmented images. The Radon transform is not sensitive to the noise in the images due to its integral nature, so in comparison with other methods is more resistant to noise. For extracting dominant features from finger vein images, common spatial patterns (CSP) is applied to the blocks of radon transformation. Finally the data classified by using nearest neighbor (1-NN) and multilayer perceptron (MLP) neural network. The research was performed on the Peking University finger vein dataset. Experimental results show that 1-NN using CSP, with detecting rate 99.6753%, against MLP is most appropriate for finger vein recognition. تفاصيل المقالة
      • حرية الوصول المقاله

        21 - Presenting a New Text-Independent Speaker Verification System Based on Multi Model GMM
        Mohammad Mosleh Faraz Forootan Najmeh Hosseinpour
        Speaker verification is the process of accepting or rejecting claimed identity in terms of its sound features. A speaker verification system can be used for numerous security systems, including bank account accessing, getting to security points, criminology and etc. Whe أکثر
        Speaker verification is the process of accepting or rejecting claimed identity in terms of its sound features. A speaker verification system can be used for numerous security systems, including bank account accessing, getting to security points, criminology and etc. When a speaker verification system wants to check the identity of individuals remotely, it confronts problems such as noise effect on speech signal and also identity falsification with speech synthesis. In this system, we have proposed a new speaker verification system based on Multi Model GMM, called SV-MMGMM, in which all speakers are divided into seven different age groups, and then an isolated GMM model for each group is created; instead of one model for all speakers. In order to evaluate, the proposed method has been compared with several speaker verification systems based on Naïve, SVM, Random Forest, Ensemble and basic GMM. Experimental results show that the proposed method has so better efficiency than others. تفاصيل المقالة
      • حرية الوصول المقاله

        22 - Analysis of the performance of different classifiers in solving the credit risk scoring problem with noisy and clean data
        Reza Yousefi Zenouz Fatemeh Atapour Mashhad
        10.30495/jiei.2023.529781.1007
        Credit risk scoring is an important issue in the real business world. There are many different classifiers available to address this issue, but the determinant factor in evaluating a classifier's performance is its accuracy level. This factor becomes even more crucial w أکثر
        Credit risk scoring is an important issue in the real business world. There are many different classifiers available to address this issue, but the determinant factor in evaluating a classifier's performance is its accuracy level. This factor becomes even more crucial when dealing with noisy data. In this paper, we aim to utilize a unique approach to construct 11 new classifiers by combining various non-parametric methods. These new classifiers complement each other's shortcomings, leading to improved performance and subsequently, higher accuracy rates. Enhancing classifier performance directly impacts the profits of banks and financial institutions that utilize them. This study also investigates the question of whether the number of classifiers is more effective or if their accuracy levels are more critical in building combined classifiers. The single classifiers used in these combinations include K-nearest neighbor, Support Vector Machine, Multi-layer Perceptron, and Decision Tree. Furthermore, all the combined classifiers are compared with two types of ensembles in terms of accuracy rate and robustness at different noise levels. We utilized a standard dataset from the UCI database for our analysis. All results have been compared using the Wilcoxon signed rank test. The findings indicate that ensembles, especially RobustBoost, outperform both multiples and single classifiers in terms of both accuracy rate and robustness. Additionally, multiple classifiers are generally better than single ones. Moreover, the results highlight that in building multiple classifiers, the accuracy rate and robustness of each building block are more important than the number of components used. تفاصيل المقالة
      • حرية الوصول المقاله

        23 - Detection of Seizure EEG Signals Based on Reconstructed Phase Space of Rhythms in EWT Domain and Genetic Algorithm
        Hesam Akbari Somayeh Saraf Esmaili Sima Farzollah Zadeh
        Epilepsy is a brain disorder which stems from the abnormal activity of neurons and recording of seizures has primary interest in the evaluation ‎of epileptic patients. A seizure is the phenomenon of rhythmicity discharge from either a ‎local area or the whole br أکثر
        Epilepsy is a brain disorder which stems from the abnormal activity of neurons and recording of seizures has primary interest in the evaluation ‎of epileptic patients. A seizure is the phenomenon of rhythmicity discharge from either a ‎local area or the whole brain and the individual behavior usually ‎lasts from seconds to minutes. In this work, empirical wavelet transform (EWT) is applied to ‎decompose signals into Electroencephalography (EEG) rhythms. ‎EEG signals are separated into the delta, theta, alpha, beta and gamma ‎rhythms using EWT.‎ The proposed method has been evaluated by the benchmark dataset which is freely downloadable from the Bonn University website. Ellipse area (A) and shortest distance to 45 and 135-degree lines are computed from the 2D projection of reconstructed phase space (RPS) of rhythms as features. After that, the genetic algorithm is used as feature selection. Finally, selected features are fed to the K-nearest neighbor (KNN) classifier for the detection of the seizure (S) and seizure-free (SF) EEG signals. Our proposed method archived 98.33% accuracy in the classification of S and SF EEG signals with a tenfold cross-validation strategy that is higher than previous techniques. تفاصيل المقالة
      • حرية الوصول المقاله

        24 - Determination of the Type of The Imagined Movement of Organs in People with Mobility Disabilities Using Corrected Common Spatial Patterns
        Alireza Pirasteh Manouchehr Shamseini Ghiyasvand Majid Pouladian
        In order to help people with disabilities, understanding presence of the coronavirus (covid-19) pandemic increasingly highlights the need for emerging technologies. As we know, brain computer interface (BCI) systems were hired to resolve the important challenges on the أکثر
        In order to help people with disabilities, understanding presence of the coronavirus (covid-19) pandemic increasingly highlights the need for emerging technologies. As we know, brain computer interface (BCI) systems were hired to resolve the important challenges on the quality of life of people with disabilities and improve disabled person independent in performing daily activities. Therefore, in this work, BCI systems were furnished to study the type of movement of a person imagines from EEG signals. Before starting to analyze data, frequency bands and brain regions were first associated with motion imaging. Then, various types of spatial and frequency filters were applied to reduce signal noise, after that features were extracted by improving CSP algorithms like CSSP. Because the appropriate frequency band is not selected, the CSP results, which depend on frequency filtering, will not have the desired results, therefore CSSP method based on FIR filters is used. It means that we apply a frequency filter and frequency optimization occurred. The used data is standard data provided on bbci.de. In this database, 9 people have undergone EEG registration. Signal recording was performed in four visual classes including left-hand movement, right-hand movement, both feet, and language. To select the feature, we used the SFS feature algorithm. This algorithm achieved high accuracy by selecting six features together and using SVM classifier. In total, while the accuracy in the CSP method was 87.5%, in the CSSP method it reached 93.6 %. تفاصيل المقالة
      • حرية الوصول المقاله

        25 - Voltage Sag Compensation with DVR in Power Distribution System Based on Improved Cuckoo Search Tree-Fuzzy Rule Based Classifier Algorithm
        Majid Aryanezhad Mahmood Joorabian Morteza Razaz
        IJSEE-1705-1042
        A new technique presents to improve the performance of dynamic voltage restorer (DVR) for voltage sag mitigation. This control scheme is based on cuckoo search algorithm with tree fuzzy rule based classifier (CSA-TFRC). CSA is used for optimizing the output of TFRC so t أکثر
        A new technique presents to improve the performance of dynamic voltage restorer (DVR) for voltage sag mitigation. This control scheme is based on cuckoo search algorithm with tree fuzzy rule based classifier (CSA-TFRC). CSA is used for optimizing the output of TFRC so the classification output of the network is enhanced. While, the combination of cuckoo search algorithm, fuzzy and decision tree classifier can create a hybrid classifier. Here, Fuzzy and decision tree algorithm will be sufficiently combined with cuckoo search algorithm. The proposed CSA-TFRC algorithm based DVR is simulated in MATLAB software with comparison of traditional DVR and neuro-fuzzy based DVR. Results show the ability of proposed algorithm to detect the voltage sag and make a fast compensation deals. تفاصيل المقالة
      • حرية الوصول المقاله

        26 - Incorporation of Demand Response Programs and Wind Turbines in Optimal Scheduling of Smart Distribution Networks: A Case Study
        Mehrdad Ghahramani Morteza Nazari Heris Kazem zare Behnam Mohammadi Ivatloo
        IJSEE-1705-1043
        Smart distribution networks (SDNs) plays a significant role in future power networks. Accordingly, the optimal scheduling of such networks, which include planning of consumers and production sections, inconsiderably concerned in recent research studies. In this paper, t أکثر
        Smart distribution networks (SDNs) plays a significant role in future power networks. Accordingly, the optimal scheduling of such networks, which include planning of consumers and production sections, inconsiderably concerned in recent research studies. In this paper, the optimal planning of energy and reserve of SDNs has been studied. Technical constraints of distribution network and power generation units are satisfied in the optimal solution of day-ahead scheduling of the network. The proposed model is studied on a case instance for evaluating the performance and analyzing the optimal solution. A modified IEEE 32-bus test system is considered as test system, in which three wind turbines and four diesel generators are placed. Industrial, residential and commercial consumers can use demand response programs to change electrical energy consuming scheduling. In this paper, incentive based demand response programs are studied for improving the optimal solution. Two demand response providers and two industrial loads are taken into account for employing demand response programs. The obtained optimal solutions are prepared and analyzed, which shows the effectiveness of the proposed model. تفاصيل المقالة

سند

Sanad is a platform for managing Azad University publications

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية

حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1445

الصفحة الرئيسية| دخول| معلومات عنا| اتصل بنا|
[English] [فارسی] [en] [fa]