جستجوي پيشرفته | کتابخانه مجازی الفبا

مسئله تشخیص کلام یکی از مسائل بنیادین در پردازشهای دیجیتالی است . یکی از ساده ترین راهها برای ارتباط سریعتر با کامپیوتر صحبت کردن با آن است و تشخیص کلام توسط کامپیوتر یکی از مسائل دیرینه کامپیوتر است که در این باره پروژه های زیادی انجام گرفته است و هنوز نیز درحال تکمیل شدن است .در محیطهای صنعتی و پرسروصدا دیگر این ترفند کاربرد ندارد و باید روش دیگری برای ارتباط با کامپیوتر پیدانمود . بهترین راه برای این کار تشخیص کلام با استفاده از تصاویر دریافتی از فردگوینده است به عبارت دیگر ساخت سیستمی که بتواند لب خوانی نماید و به این ترتیب به کلام اداشده توسط فردگوینده پی برد .دراین پروژه به منظور کلاسه بندی نمودن داده ها از دورش میانگین حداقل مربع خطاها و روش شبکه های عصبی پس انتشارخطا استفاده شده است.

امروزه استفاده از اطلاعات ژنتیکی افراد در تشخیص و رده‌بندی انواع بیماری‌ها از جمله سرطان‌ها، مورد توجه قرار گرفته است. یکی از بهترین و دقیق‌ترین روش‌ها در این زمینه، بررسی مقادیر بیان ژنی در افراد مختلف توسط فناوری ریزآرایه می‌باشد. یکی از مشکلات داده‌های ریزآرایه کم بودن تعداد نمونه‌ها در مقایسه با تعداد ژن‌ها است. این مسیله سبب کاهش دقت رده‌بندی و افزایش هزینه‌های محاسباتی و آزمایشگاهی می‌شود، در عین حال بسیاری از این ژن‌ها در ایجاد بیماری مورد بررسی نقشی ندارند، در نتیجه تشخیص و انتخاب ژن‌های موثر در بروز بیماری علاوه بر آنکه سبب افزایش دقت رده‌بندی وکاهش هزینه‌ها می‌شود، از نظر زیستی نیز از اهمیت ویژه‌ای برخوردار است و می‌تواند اطلاعات مفیدی درباره علل و نحوه درمان بیماری‌ها در اختیار محققین قرار دهد. تشخیص و انتخاب ژن‌های موثر در بروز بیماری، از میان هزاران ژن مورد بررسی در آزمایش ریزآرایه، انتخاب ژن نام دارد.در این پایان‌نامه با بررسی روش‌های مختلف انتخاب ژن، تلاش شده است با بهره‌گیری از مزایای روش‌های موجود، چارچوب جدیدی برای انتخاب ژن‌های موثر در بروز بیماری ارایه شود، به‌نحوی که نقاط ضعف روش‌های متداول پوشش داده شوند. در روش پیشنهادی، علاوه بر داده‌های بیان ژنی از یکی دیگر از منابع معتبر موجود درباره ژن‌ها یعنی آنتولوژی ژن نیز کمک گرفته شده است. استفاده از آنتولوژی ژن در کنار مجموعه داده‌های بیان ژنی تا حدی می‌تواند محدودیت‌های ریزآرایه یعنی کم بودن تعداد نمونه‌ها و خطای احتمالی در مقادیر اندازه‌گیری شده را جبران نماید. در چارچوب ارایه شده ابتدا بخش عمده‌ای از ژن‌های غیرمرتبط با کمک روش فیلتری (فیشر) حذف می‌شوند، اما روش‌های فیلتری همبستگی موجود بین ژن‌ها را مدنظر قرار نمی‌دهند در نتیجه ژن‌های باقیمانده دارای حجم بالایی از افزونگی می‌باشند. به‌منظور کاهش افزونگی در ژن‌های باقیمانده، یک رویکرد حریصانه برای حذف ژن‌های مشابه پیشنهاد شده است. در این رویکرد میزان مشابهت ژن‌ها با در نظر گرفتن اطلاعات آنتولوژی ژن و داده‌های بیان ژنی و بر اساس یک معیار تلفیقی محاسبه می‌شود و سپس بر اساس این معیار، ژن‌های افزونه از مجموعه ژن‌ها حذف می‌شوند. در نهایت ژن‌های باقیمانده از این مرحله، به‌عنوان ژن‌های کاندید به‌طور دقیق‌تر توسط روش SVMRFE مورد بررسی قرار می‌گیرند تا مجموعه ژن‌های نشانگر بیماری بدست آید. روش پیشنهادی بر روی دو مجموعه داده سرطان DLBCL و سرطان کلون اعمال شده است. نتایج بدست آمده نمایانگر تاثیر مثبت روش پیشنهادی بر کارایی رده‌بندی است، به‌علاوه مقایسه این روش با روش‌های انتخاب ژن متداول، نشان می‌دهد که روش ارایه شده به ازای تعداد ژن‌های مساوی، از کارایی بهتری برخوردار است.همچنین از آنجایی که بسیاری از مجموعه داده‌های ریزآرایه به دلایل مختلف از جمله وجود خراش یا گرد و غبار بر روی اسلاید، بروز خطا در حین آزمایش، اختلال در تصویر ریزآرایه و پایین بودن قدرت تفکیکی تصاویر، شامل مقادیر گمشده می‌باشند در این پایان‌نامه با استفاده از تلفیق روش خوشه‌بندی CST و آنتولوژی ژن روش نوینی برای تخمین مقادیر گمشده در مرحله پیش‌پردازش ارایه گردیده است. عملکرد روش پیشنهادی بر روی مجموعه داده سرطان DLBCL و به ازای درصدهای مختلفی از مقادیر گمشده مورد بررسی قرار گرفته است. مقایسه نتایج حاصل از روش پیشنهادی با نتایج سایر روش‌های تخمین مقادیر گمشده، نشان می‌دهد که روش پیشنهادی می‌تواند مقادیر گمشده را با دقت بالاتری تخمین بزند.

نفت به عنوان ماده اصلی تأمین انرژی جهان، همواره از اهمیت‏ ویژه‏ای برخوردار بوده‌است. از این‌رو قیمت‏های آینده نفت یکی از عوامل مهمی است که سیاست‏ها و برنامه‏ریزی‏های دولت‏ها، سازمان‏های بین‏المللی و شرکت‏ها را تحت‏تأثیر قرار می‏دهد. بنابراین پیش‏بینی قیمت نفت از طریق روش‏های اقتصاد سنجی و روش‌های شبکه‌های عصبی مبتنی بر داده‌کاوی و هستی‌شناسی می‏تواند مفید و راه‌گشا باشد.گرچه پیش‏بینی قیمت نفت در بازار بین‏المللی امری مشکل است اما محققان با مدل‏سازی توانسته‏اند به نتایج قابل توجهی دست یابند. دشواری پیش‏بینی قیمت بدون در نظر گرفتن عوامل غیر بنیادی از آنجا ناشی می‏شود که پیش‌بینی این عوامل خود وابسته به پیش‏بینی عوامل بنیادی بازار نظیر تقاضا و عرضه است که به نوبه خود به عوامل دیگری از جمله رشد اقتصادی و عوامل فنی- تکنولوژیکی وابسته‏اند.شناخت بازار نفت و توانایی ارائه پیش‌بینی صحیح از وضعیت قیمت نفت یکی از چالش‌های مهم علمی در سرتاسر جهان است. خصوصاً این مسأله در کشورهایی که اقتصاد آن‌ها وابستگی بیشتری به صنعت نفت دارد (نظیر ایران) از اهمیت ویژه‌ای برخوردار است، چرا که پیش‌بینی صحیح قیمت نفت، تأثیرات مهمی در سیاست‌گذاری‌ها و برنامه‌ریزی‌های اقتصاد کلان کشور خواهد داشت.در این تحقیق از داده‌های سالانه طی دوره‌ی 1980 تا 2009 میلادی استفاده گردیده است. به‌منظور پیش‌بینی قیمت نفت، 25 سال (1980تا 2004) را به عنوان مجموعه آموزش و 5 سال (2005 تا 2009) را به‌عنوان مجموعه آزمایش در نظر گرفته‌ شده است. در این پژوهش ابتدا مناسب‌ترین مدل خودرگرسیو میانگین متحرک مطابق با سری زمانی قیمت نفت برنت و با استفاده از معیارهای آکائیک و شوارتز-بیزین شناسایی شده که نتایج نشان‌دهنده‌ی مدل (1,1)ARMA بر روی لگاریتم قیمت نفت برنت می‌باشد. در تحقیق حاضر جهت بیان دقت مدل از معیارهای خطای میانگین مربعات خطا (RMSE) و میانگین قدر مطلق خطا (MAE) استفاده شده است. سپس به استخراج هستی‌شناسی بازار بین‌المللی نفت پرداخته و با استفاده از داده‌کاوی (خوشه‌بندی) به تحلیل سری زمانی قیمت نفت پرداخته و عوامل موثر بر قیمت نفت شناسایی شدند. این عوامل عبارتند از: ذخایر اثبات شده نفت کشورهای OECD، تولید نفت اوپک، ظرفیت پالایشگاه‌های نفت کشورهای OECD، قیمت طلا و رشد اقتصادی کشورهای گروه7. پس از تحلیل و شناخت بیشتر از بازار نفت، هستی‌شناسی اولیه اصلاح شده و هستی‌شناسی کامل‌تر و مناسب‌تری در مورد بازار نفت بنیان نهاده شد. با توجه به معیارهای خطای بدست آمده مشخص شد که مدل‌های شبکه عصبی مصنوعی دقت بسیار بالاتری نسبت به مدل اقتصادسنجی خودرگرسیو میانگین متحرک در پیش‌بینی قیمت جهانی نفت دارند، هم‌چنین در بین مدل‌های شبکه عصبی، مدلی که از نتایج خوشه‌بندی و هستی‌شناسی اصلاح شده استفاده می‌نماید دقت بیشتری نسبتبه سایر مدل‌ها دارد.

باتوجه به ذات پویای سیستم‌های چندپیشکاره وب‌معنایی و وجود پیشکارهای مختلف در آن، شناسایی پیشکارهای قابل اعتماد یکی از چالش‌های ایجاد ارتباط بین پیشکارها در وب‌معنایی است. ارزیابی اعتماد در این سیستم‌ها براساس رفتار گذشته‌ی پیشکارها انجام می‌شود. دو منبع اصلی برای کسب اطلاعات از رفتار گذشته‌ی پیشکارها وجود دارد: ارتباط‌ مستقیم بین پیشکارها و اطلاعات به‌دست آمده از سایر پیشکارهای اجتماع. باوجود پیشکارها با سلیقه‌ها و نظرات مختلف، مدل اعتماد پیشنهادی باید بتواند مطابق با نیازهای پیشکارها تنظیم شود. به‌علاوه برای محاسبه‌ی اعتبار پیشکارها باید اطلاعات مربوط به رفتار آن‌ها در گذشته از جامعه‌ی پیشکارها جمع‌آوری شود. همچنین اعتماد ابعاد مختلفی دارد و ممکن است میزان اعتماد به پیشکار مفروضی در ابعاد مختلف متفاوت باشد. این رساله برای حل هر یک از این چالش‌ها راه‌حلی پیشنهاد می‌دهد. مدل پیشنهادی این رساله از روش توزیع شده‌‌‌ای مبتنی‌بر شبکه‌های اجتماعی برای جمع‌آوری اطلاعات از محیط استفاده می‌کند و با بهره‌گیری از شبکه‌های عصبی مصنوعی میزان اعتبار را براساس مشاهدات جمع‌آوری شده ارزیابی می‌کند. شبکه‌های عصبی در طول زمان مطابق دیدگاه پیشکار آموزش می‌بینند، بدین‌ترتیب میزان اهمیت توصیه‌های جمع‌آوری شده باتوجه به دیدگاه پیشکار ارزیابی‌کننده‌ی اعتماد تنظیم شود. همچنین مدل پیشنهادی دراین رساله برای نمایش میزان اعتماد از آنتولوژی‌ها بهره می‌گیرد، بدین وسیله میزان اعتماد در ابعاد مختلف محاسبه می‌شود. این رساله برای بررسی کارایی مدل پیشنهادی، بستری با استفاده از میان‌افزار Jade پیاده‌سازی می‌کند و کارایی مدل به‌‌طور عملی در آن آزمایش می‌شود.