روشهای بهینهسازی روزبهروز درحال ظهور و توسعه هستند. یکی از روشهای موفق در این حوزه، چه از نظر سادگی و قابل درک بودن و چه از نظر سرعت عملکرد وکیفیت پاسخ، الگوریتم بهینهسازی علفهای هرز میباشد. علیرغم برتریها، این الگوریتم از کمبود تنوع در جمعیت خود و در نتیجه جستج چکیده کامل
روشهای بهینهسازی روزبهروز درحال ظهور و توسعه هستند. یکی از روشهای موفق در این حوزه، چه از نظر سادگی و قابل درک بودن و چه از نظر سرعت عملکرد وکیفیت پاسخ، الگوریتم بهینهسازی علفهای هرز میباشد. علیرغم برتریها، این الگوریتم از کمبود تنوع در جمعیت خود و در نتیجه جستجوی ضعیف رنج میبرد. در این مقاله، با افزودن نگاشت آشوب آبشاری به الگوریتم، این مشکل مرتفع شده و عملکرد این الگوریتم بهبود یافته است. همچنین، یکی از مشکلات کنترل سیستمها در جهان واقعی، حضور عدم قطعیت، شامل عدم قطعیت مدل و اغتشاش خارجی میباشد. در این مقاله، یک روش کنترل مقاوم بهینه پیشبین، شامل یک کنترلکننده برپایه مدل نامی و یک مکانیزم تخمین عدم قطعیت، ارائه شده است. ماتریس ضرایب کنترل پسخورد بهینه با کمک الگوریتم بهینهسازی پیشنهادی به دست میآید. در نهایت، به عنوان یک مساله کاربردی جهت ارزیابی، کنترلکننده پیشنهادی را برای کنترل موتور جریان مستقیم آهنربای دائم به کار میبندیم. نتایج شبیهسازی کارایی کنترلکننده و بهینهساز را نشان میدهد. مقایسه صورت گرفته با دیگر الگوریتمهای تکاملی و روش کنترلی مبتنی بر مشتق کارایی روش پیشنهادی را تایید کرده است.
پرونده مقاله
رویکردهای مختلفی برای افزایش دقت تشخیص بدافزار پیشنهاد شده است که ازجمله می توان به ترکیب طبقه بندها اشاره کرد. همچنین تحقیقات گوناگونی با هدف کاهش هزینه های مختلف IDS انجام شده است. با وجود این نیاز به ارائه رویکردی جهت کاهش هزینه سیستم های مبتنی بر ترکیب طبقه بندها وج چکیده کامل
رویکردهای مختلفی برای افزایش دقت تشخیص بدافزار پیشنهاد شده است که ازجمله می توان به ترکیب طبقه بندها اشاره کرد. همچنین تحقیقات گوناگونی با هدف کاهش هزینه های مختلف IDS انجام شده است. با وجود این نیاز به ارائه رویکردی جهت کاهش هزینه سیستم های مبتنی بر ترکیب طبقه بندها وجود دارد. این مقاله راهکاری برای تشخیص بدافزارهای اندروید پیشنهاد میدهد. این رویکرد شامل دو مرحله است. اولین گام، انتخاب مناسب ترین ویژگی ها با استفاده از الگوریتم کایمربع است. در گام دوم به عنوان نوآوری عمده این پژوهش، یک مدل پلکانی برای تشخیص بدافزار با استفاده از ترکیب دو طبقهبند مورد استفاده قرارمیگیرد که براساس سطح ریسک موجود و حساسیت مورد نیاز، یک مصالحه مطلوب بین نرخ هشدار اشتباه و نرخ منفی کاذب برقرار می کند. در مدل پیشنهادی طبقه بند دوم فقط بر روی رکوردهایی که با طبقه بند اول تعیین تکلیف نشده اند عمل می کند تا هزینه هزینه زمانی تشخیص در مقایسه با روش های پرهزینه ای مانند رأی گیری اکثریت کاهش یابد. نتایج ارزیابی راهکار پیشنهادی برروی یک مجموعه داده معتبر نشان داد که مدل ما صحت تشخیص را به بیش از 95% و نرخ تشخیص اشتباه را به کمتر از 0.03% می رساند که بهبود قابل ملاحظهای نسبت به کارهای قبلی محسوب می شود. همچنین کارایی مدل در چهار سطح امنیتی بررسی شد.
پرونده مقاله
شبکه بیزین یکی از توانمندترین روشها در تخمین دادههای مفقود است. از طرفی ماشین یادگیری مفرط بهطور تحلیلی وزنهای خروجیهای بهینه را محاسبه میکند و این امیدواری وجود دارد که در مورد دادههای مفقود، بهعنوان یک مدل خوب عمل کند. مهمترین چالش بسیاری از روشهای تخمین مقاد چکیده کامل
شبکه بیزین یکی از توانمندترین روشها در تخمین دادههای مفقود است. از طرفی ماشین یادگیری مفرط بهطور تحلیلی وزنهای خروجیهای بهینه را محاسبه میکند و این امیدواری وجود دارد که در مورد دادههای مفقود، بهعنوان یک مدل خوب عمل کند. مهمترین چالش بسیاری از روشهای تخمین مقادیر مفقود این است که ماهیت این روشها عمدتا برای دادهها با مقادیر پیوسته یا داده ها با مقادیر گسسته مناسب است. شبکه بیزین و ماشین یادگیری مفرط نیز از این قاعده مستثنا نیستند و به ترتیب برای پر کردن مقادیر مفقود گسسته و مقادیر مفقود پیوسته مناسبترند. لذا در این پژوهش از ترکیب این دو مدل جهت تخمین دادههای مفقود مخلوط در مجموعه داده هپاتیت استفاده شده و در نهایت دسته بندی بر اساس شبکه بیزین جهت تخمین کلاس خروجی انجام شده است. روش پیشنهادی بر اساس معیارهای دقت، فراخوانی، صحت و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج نشان داد، جبران دادههای مفقود با ترکیب BN-ELM و طبقهبندی بر اساس شبکه بیزین صحت بالایی کسب کرده است. همچنین روش پیشنهادی با سایر روشهای تخمین داده، بر اساس طبقه بندهای BN، ELM و KNN مورد مقایسه قرار گرفت و نتایج برتری روش پیشنهادی را نشان می دهد.
پرونده مقاله
آشوب پدیدهای است که در سامانههای دینامیکی غیرخطی مورد توجه قرار میگیرد. یکی از سامانهها با دینامیک غیر خطی سیستم چرخ دنده است که در برخی از مواقع از خود رفتار آشوبی نشان میدهد. در این مقاله کنترل رفتار آشوبی این سیستم به کمک یک روش جدید مورد بررسی قرار گرفته است. ب چکیده کامل
آشوب پدیدهای است که در سامانههای دینامیکی غیرخطی مورد توجه قرار میگیرد. یکی از سامانهها با دینامیک غیر خطی سیستم چرخ دنده است که در برخی از مواقع از خود رفتار آشوبی نشان میدهد. در این مقاله کنترل رفتار آشوبی این سیستم به کمک یک روش جدید مورد بررسی قرار گرفته است. برای کنترل آشوبی این سیستم ، یک کنترل کننده فازی تنظیم شده با الگوریتم گرگ خاکستری توسعه یافته پیشنهاد شده است. الگوریتم گرگ خاکستری توانایی جستجوی محلی و سراسری ضعیفی دارد. بنابراین در این مقاله به منظور بهبود توانایی جستجوی محلی و سراسری الگوریتم گرگ خاکستری از الگوریتم جستجوی خزنده استفاده میشود. سپس از این الگوریتم در تنظیم پارامترهای توابع عضویت کنترل کننده فازی اعمال شده به سیستم چرخ دنده استفاده شده است. برای ارزیابی کنترل فازی تنظیم شده با روش پیشنهادی ، نتایج شبیه سازیها با روشهای مشابه مقایسه شده است. نتایج حاصل از شبیهسازی در نرمافزار متلب بهخوبی نشان میدهد که استراتژی کنترلی ترکیبی و بهینهی طراحی شده توانسته است که ضمن مقابله با آشوب، متغیرهای حالت سامانهی چرخ دنده را در زمان مناسبی پس از اعمال ورودی، با وجود اغتشاش خارجی و نویز در سیستم، به وضعیت و مکان مشخص برساند.
پرونده مقاله
با توسعه سریع فناوری اطلاعات، حجم دادهها روزبه روز در حال افزایش است و این موضوع منجر به چالش های جدی در پیداکردن اطلاعات درست و مناسب برای کاربران اینترنت میشود. برای رفع این مشکل، انواع سیستمهای توصیهگر برای تحلیل دادههای سابقه رفتاری کاربران و ارائه خدمات شخصی ب چکیده کامل
با توسعه سریع فناوری اطلاعات، حجم دادهها روزبه روز در حال افزایش است و این موضوع منجر به چالش های جدی در پیداکردن اطلاعات درست و مناسب برای کاربران اینترنت میشود. برای رفع این مشکل، انواع سیستمهای توصیهگر برای تحلیل دادههای سابقه رفتاری کاربران و ارائه خدمات شخصی برای بهبود تجربهها و بررسی نظرهای مشتریان در بسیاری از زمینهها ایجاد شدهاند. با توجه به اهمیت و کاربردهای گسترده توصیه POI، این موضوع هم در تحقیقات آکادمیک و هم در صنعت در کانون توجه قرار گرفته است. با این حال، فناوریهای سنتی مانند فیلترینگ مشارکتی با چالش کمبود داده ها محدود شده اند و همچنین بسیاری از روشهای قدیمیتر برای استخراج و توصیه POI طراحی نشده اند، بنابراین نمیتوانند خصوصیات منحصر به فردی را که تأثیرات زیادی بر روابط توصیه POI دارد، استخراج کنند. در سالهای اخیر الگوریتم‎های مختلفی از حوزه یادگیری عمیق برای توصیههای POI مورد توجه محققین بوده است. در این تحقیق، کارهای تحقیقاتی و مدل های ارائه شده در زمینه توصیه POI به کمک یادگیری عمیق مورد مطالعه قرار گرفته و همچنین نتایج به دست آمده از نظر الگوریتمهای یادگیری عمیق استفاده شده، مجموعه دادههای مورد استفاده، معیارهای ارزیابی و ابزارهای پیاده سازی مورد بررسی و تحلیل قرار گرفتهاند.
پرونده مقاله
امروزه موضوع یادگیری عمیق با پیشرفت موفقیت آمیز شبکههای پیچشی و یادگیری بهینهی لایههای شبکه، مورد اهمیت واقع شده است. در این مقاله یک الگوریتم پیشپردازش با الهام از ماتریس عدم تشابه بازنمایی مغز برگرفته از مسیر بینایی ارائه گردیده که با تعریف تابع RDM و ایجاد تنکی ک چکیده کامل
امروزه موضوع یادگیری عمیق با پیشرفت موفقیت آمیز شبکههای پیچشی و یادگیری بهینهی لایههای شبکه، مورد اهمیت واقع شده است. در این مقاله یک الگوریتم پیشپردازش با الهام از ماتریس عدم تشابه بازنمایی مغز برگرفته از مسیر بینایی ارائه گردیده که با تعریف تابع RDM و ایجاد تنکی کمک میکند تا وزنهای CNN سریعتر همگرا شود. این پارامتر جدید شتاب دهنده یا کاتالیزور فرایند آموزش CNN با افزایش تعداد صفرهای ماتریس عدم تشابه بازنمایی می باشد. میزان نرخ بازشناسی برای دادههای دو گروهه و سه گروهه و میزان نرخ بازشناسی در زیرمجموعههایی از مجموعه داده کلتک 256 مورد تحلیل و بررسی قرار گرفت که میزان بهبود مدل پیشنهادی 4 درصد نسبت به مدل پایه ارزیابی گردید. همچنین مقایسه مدل پیش پردازش پیشنهادی با مدلهای مرجع در حیطهی پارامترهای ارزیابی بررسی گردید.
پرونده مقاله