به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
فهرست مطالب نویسنده:

mohammad javad ebadi

  • جواد علیخانی کوپایی*، محمدجواد عبادی

    یکی از قدیمی ترین و اساسی ترین مسایل ریاضیات حل معادلات غیرخطی به شکل f(x)=0 می باشد. امروزه روش های تکراری ومتنوع بسیاری جهت حل اینگونه مسائل ارائه شده است. یکی از قدرتمندترین روش ها جهت حل معادلات غیرخطی، الگوریتم نیوتن-رافسون می باشد. اگرچه این الگوریتم از کارایی بالایی برخوردار است ولیکن با دو چالش، یکی حساس بودن به نقطه شروع و دیگری در حلقه قرار گرفتن دنباله جواب در برخی موارد ، مواجه است. در این مقاله میخواهیم با اضافه کردن یک جمله آشوبی کوچک به رابطه بازگشتی نیوتن عملا یک دنباله شبه تصادفی آشوبی تولید کرده و به این ترتیب دو مشکل فوق را برطرف کنیم. کارامد بودن نسخه پیشنهادی بصورت عددی بر روی چندین معادله غیرخطی نشان داده شده است. نتایج نشان می دهند نسخه بهبودیافته به شرط اولیه حساس نمی باشد و به علت تولید دنباله تصادفی از قرار گرفتن در حلقه تکرار فرار می کند و در عین حال بخاطر استفاده از یک سیستم قطعی در تولید دنباله تصادفی از زمان اجرای قابل قبولی برخوردار است.

    کلید واژگان: الگوریتم نیوتن-رافسون، روش های حل معادلات غیرخطی، نگاشت های آشوبی، دنباله تصادفی
    Javad Alikhani Koopaei *, Mohammadjavad Ebadi

    One of the most powerful methods for solving nonlinear equations is the Newton-Raphson algorithm. Although this algorithm is highly efficient, it faces two challenges: sensitivity to the starting point and the possibility of getting stuck in a loop for the solution sequence. In this paper, by adding a small disruptive term to the Newton recursive relation, we practically generate a chaotic pseudo-random sequence, thus addressing these two challenges. The effectiveness of the proposed version has been numerically demonstrated on several nonlinear equations. The results show that the improved version is not sensitive to the initial conditions and escapes from the loop due to the generation of a random sequence, while maintaining an acceptable execution time due to the use of a deterministic system in generating the random sequence.

    Keywords: Newton-Raphson Algorithm, Nonlinear Equation Solving Methods, Chaotic Maps, Random Sequences
  • لاله آرمی، الهام عباسی*، محمدجواد عبادی

    کووید-19 یک ویروس جدید است که باعث عفونت دستگاه تنفسی فوقانی و ریه می شود. تصاویر رادیولوژیکی برای نظارت بر بیماری های مختلف ریوی بوده و اخیرا برای نظارت بر بیماری کووید-19 مورد استفاده قرارگرفته است که با هدف تشخیص زودهنگام و کنترل گسترش همه گیری بیماری به کار گرفته می شود. بیشترین تحقیقات در این حوزه، به مقالات مبتنی بر روش های یادگیری عمیق اختصاص داشته است. با توجه به مدت زمان آموزش و پیچیدگی محاسبات زیاد این روش ها، در این مقاله از اختلاط خبره ها مبتنی بر ماشین یادگیری سریع با شبکه میانجی آموزش پذیر (MEETG) استفاده شده است. در MEETG از مزایای ماشین یادگیری سریع برای طراحی ساختار اختلاط خبره ها استفاده شده است. فرآیند یادگیری ماشین یادگیری سریع بسیار سریع تر از ماشین بردار پشتیبان و پرسپترون چند لایه می باشد و قابلیت تعمیم بهتری را نسبت به آن ها دارد. در ادامه، از الگوهای پنج تایی محلی بهبودیافته به عنوان توصیف کننده بافت برای استخراج ویژگی و از MEETG به عنوان طبقه بندی کننده برای تشخیص شش نوع بیماری ریوی و افراد سالم استفاده شده است.برای ارزیابی مدل پیشنهادی، از پایگاه داده RYDLS-20 با نمونه های نامتعادل که حاوی تصاویر اشعه ایکس قفسه سینه متعلق به هفت کلاس شامل شش بیماری مختلف ریوی ذات الریه ناشی از ویروس ها (کووید-19، سارس، مرس و واریسلا)، باکتری ها و قارچ ها و همچنین ریه های سالم استفاده شده است. هدف اصلی، دستیابی به بهترین میزان تشخیص ممکن برای کووید-19 در بین انواع دیگر ذات الریه و ریه های سالم است. معیارهای دقت طبقه بندی، صحت، بازخوانی و معیار-F برای ارزیابی مدل پیشنهادی استفاده شده است. نتایج تجربی نشان داد که معیار-F برای تشخیص کووید-19 برابر با 0.897 و همچنین میانگین کل معیار-F و دقت به ترتیب برابر با 0.80و %97.07 می باشد. میزان بهبود میانگین کل معیار-F روش پیشنهادی در مقایسه با k- نزدیک ترین همسایه، درخت تصمیم، پرسپترون چند لایه و ماشین یادگیری سریع حدود 24%، 43% ، 37% و 20% و در مقایسه با روش های مبتنی بر یادگیری مرکب نظیر اختلاط خبره ها و کیسه ای حدود 0.19% است.

    کلید واژگان: یادگیری مرکب، اختلاط خبره ها، توصیف گر بافتی
    Laleh Armi, Elham Abbasi *, Mohammadjavad Ebadi

    The covid-19 is a new virus that causes upper respiratory system and lung infections. Radiographic imaging is used to monitoring various lung diseases and has recently been used to monitoring covid-19 disease, which to detect early and control the outbreak of the disease. Most research in this field has been devoted to articles based on deep learning methods. Due to the high training and testing time of deep learning-based models, in this paper a mixture of ELM based experts with trainable gating network (MEETG) is used. In MEETG, the advantages of ELM are used for designing the structure of ME. The ELM learning process is faster than SVM and MLP and has a better generalizability than them. In continuation, ILQP has been used as texture descriptor for feature extraction and MEETG has been used as a classifier to diagnose six types of lung disease and healthy lung. To evaluate the proposed model, from the RYDLS-20 dataset with unbalanced samples containing chest X-ray images belonging to seven classes including six different viral pneumonia disease lung diseases (Covid-19, SARS, MERS and varicella), bacteria (Streptococcus), fungus (Pneumocystis) and healthy lungs. Our main aim is to achieve the best possible identification for Covid-19 among other types of pneumonia and healthy lungs. Evaluation measures consisting of accuracy, precision, recall, and F-Score have been used to evaluate the proposed model. The experimental results revealed that F-Score for detection of Covid-19 is equal to 0.897 and the average of the total F-Score and the classification accuracy is 0.80 and 97.07%, respectively. The average of total F-Score of the proposed method improves 24%, 43%, 37% and 20% compared with KNN, DT, MLP and ELM, and compared with ensemble learning based method such as ME and bagging is about 19%.

    Keywords: Ensemble Learning, Mixture Of Experts, Texture Descriptor
  • جواد علیخانی کوپائی*، محمد جواد عبادی، مجید ایرانپور مبارکه
    هدف
    این تحقیق با هدف بررسی توان الگوریتم های بهینه سازی آشوبی در ارتقای عملکرد نسبت به روش های دیگر بهینه سازی با تمرکز بر تعیین پارامتر شکل مناسب از توابع پایه ای شعاعی جهت حل معادلات دیفرانسیل با مشتقات جزیی صورت گرفته است.روش شناسی پژوهش: در این تحقیق، از یک فرآیند دومرحله ای که در آن روش کانزا، بر اساس تکنیک های هم محلی بدون شبکه با روش FCW  ترکیب می گردد. در مرحله نخست، الگوریتم FCW  برای به دست آوردن پارامتر شکل بهینه برای تابع پایه ای شعاعی مورداستفاده قرار می گیرد و سپس در گام دوم از روش کانزا به منظور تخمین خطای کمترین مربعات (RMS) برای جواب های تقریبی، بکار گرفته می شود.
    یافته ها
    نتایج عددی نشان می دهند که تقریبا %95 از نتایج حاصل از دو معادله دیفرانسیل با مشتقات جزیی توسط الگوریتم های PSO و FCW مشابه هستند. این نتایج حاکی از کارآمدی و موثر بودن این رویکرد در تخمین پارامترهای شکل مناسب برای حل معادلات دیفرانسیل هستند.اصالت/ارزش افزوده علمی: این مطالعه اهمیت الگوریتم های بهینه سازی مبتنی بر آشوب را در حل معادلات دیفرانسیل با مشتقات جزیی تایید می کند که می تواند به تحقیقات آینده در این حوزه کمک کند.
    کلید واژگان: الگوریتم های بهینه سازی آشوبی، توابع پایه ای شعاعی، روش کانزا، معادلات دیفرانسیل با مشتقات جزیی، روش نخستین حمل کننده موج
    Javad Alikhani Koupaei *, Mohammad Javad Ebadi, Majid Iran Pour
    Purpose
    This study aims to investigate the potential of chaotic optimization algorithms in improving performance compared to other optimization methods, focusing on determining the appropriate shape parameter of radial basis functions for solving partial differential equations.
    Methodology
    In this research, a two-stage process is employed where the Kansa method, based on meshless local techniques, is combined with the FCW method. In the first stage, the FCW algorithm is utilized to obtain the optimal shape parameter for radial basis functions, followed by the Kansa method in the second stage to estimate the Root Mean Square (RMS) error for approximate solutions.
    Findings
    Numerical results indicate that approximately 95% of the results obtained from two partial differential equations using PSO and FCW algorithms are similar. These results demonstrate the effectiveness and efficiency of this approach in estimating appropriate shape parameters for solving differential equations.Originality/Value: This study confirms the importance of chaos-based optimization algorithms in solving partial differential equations, which can contribute to future research in this field.
    Keywords: Chaos Optimization Algorithms, Radial Basis Functions, Kanza Method, Partial Differential Equations, First Carrier Wave Method
  • Hamed Farahani*, Mohammad Javad Ebadi, Seyed Ahmad Edalatpanah

    This article introduces a productive algebraic approach to identifying positive solutions for a system of fully fuzzy polynomial equations (FFPEs). To achieve this, the FFPEs system is transformed into a comparable system of crisp polynomial equations. The Wu's algorithm is then employed to solve the set of crisp polynomial equations as the solution method. This algorithm results in the solution of characteristic sets that are readily solvable. A key benefit of the proposed method is that all the solutions are obtained simultaneously. The article concludes by presenting some practical examples to demonstrate the efficacy of the proposed method.

    Keywords: Fully Fuzzy Polynomial, Equations Systems, Fuzzy Numbers, Characteristic Sets, Wu’S Algorithm, Positive Solutions
  • Mehdi Radmanesh, Mohammad Javad Ebadi *

    This paper presents a Localized Radial Basis Functions Collocation Method (LRBFCM) for numerically solving one and 2-dimensional Fractional Integral Equations (2D-FIEs). The LRBFCM approach decomposes the main problem into several local sub-problems of small sizes, effectively reducing the ill-conditioning of the overall problem. By employing the collocation approach and utilizing the strong form of the equation, the proposed method achieves efficiency. Additionally, the matrix operations only require the inversion of small-sized matrices, further contributing to the method's efficiency. To demonstrate the effectiveness of the LRBFCM, the paper provides test problems encompassing linear, nonlinear, Volterra, and Fredholm types of Fractional Integral Equations (FIEs). The numerical results showcase the efficiency of the proposed method, validating its performance in solving various types of FIEs.

    Keywords: Fractional calculus, Local meshless methods, Fractional integral equations, Collocation methods
  • Abouzar Sheikhi, MohammadJavad Ebadi *

    In this paper, we present a novel method for solving Fractional Transportation Problems (FTPs) with fuzzy numbers using a ranking function. The proposed method introduces a transformation technique that converts an FTP with fuzzy numbers into an FTP with crisp numbers by employing the robust ranking technique. Subsequently, we formulate two transportation problems, one for maximization and another for minimization, based on the given FTP. The optimal solution for the original FTP is then derived by leveraging the solutions obtained for the formulated transportation problems. By optimizing these single-objective transport problems, our method provides decision-makers with the ability to make satisfactory managerial decisions and evaluate economic operations when confronted with logistic problems involving fractional transportation. To demonstrate the effectiveness of the proposed approach, we present several illustrative examples that showcase its practical application and efficiency.

    Keywords: optimal solution, Fractional transportation problems, Denominator objective restriction method, Linear fractional programming problems
  • محمدجواد عبادی*، حامد فراهانی، حسین جعفری

    در این مقاله یک مدل غیرجریمهای مبتنی بر شمول دیفرانسیلی برای حل مسایل بهینهسازی مقید با قیود کراندار و تساوی خطی پیشنهاد گردیده است. همگرایی خط سیرها به ناحیهی شدنی مساوی در زمان متناهی را اثبات نمودهایم. همچنین معادل بودن نقطه تعادلی شبکه عصبی پیشنهادی با جواب بهینهی مساله بهینهسازی اصلی را نشان دادهایم. بهع لاوه پایداری شبکهی پیشنهادی به مفهوم لیاپانوف و همگرایی سراسری آن به جواب بهینهی دقیق مساله بهینهسازی اصلی اثبات گردیده است. مدل پیشنهادی در مقایسه با مدلهای موجود برای حل مسایل بهینهسازی محدب ناهموار فاقد پارامترجریمه یا تابع جریمه بوده و پیادهسازی آن آسانتر میباشد. به عنوان کاربرد، شبکه عصبی پیشنهادی به یک مدل برای حل مسایل بهینهسازی محدب ناهموار مقید با قیود مساوی خطی و 0 ≥ x تبدیل شده است. در انتها برای نشان دادن کارایی مدل پیشنهادی تعدادی مثال ارایه گردیده است.

    کلید واژگان: بهینه سازی محدب ناهموار، خطی مساوی، شبکه عصبی، شمول دیفرانسیلی، پایداری لیاپانوف
    Mohammad Javad Ebadi *, Hamed Farahani, Hossein Jafari

    In this paper, a non-penalty differential inclusion-based model is proposed for solving nonsmooth convex optimization problems subject to linear equality and bound constraints. We prove the convergence of the trajectories to the equality feasible region in finite time. Also, the equivalence of the equilibrium point of the proposed neural network and the optimal solution of the original optimization problem is shown. In addition, we prove the stability of the proposed neural network in the sense of Lyapunov and the global convergence to an exact optimal solution to the original problem. In comparison with some existing models for solving nonsmooth convex optimization problems, there does not exist any penalty parameter or penalty function in the model's structure and the implementation of the proposed model is easier. In the end, as an application, the proposed neural network is reduced to a model for solving nonsmooth convex optimization problems subject to linear equality and $xgeq0$ constraints. Also, some illustrative examples are given to show the effectiveness of the proposed neural networks.

    Keywords: nonsmooth convex optimization, linear equality, Neural Network, differential inclusion, Lyapunov Stability
  • Hamed Farahani *, MohammadJavad Ebadi

    In this study, the concept of an inverse matrix including fuzzy number elements is extended. Such a concept may be performed in the modeling of uncertain and imprecise real-world problems. The problem of finding a fuzzy inverse matrix is converted to a problem to solve a system of fuzzy polynomial equations. Here, a fuzzy system is transformed to an equivalent system of crisp polynomial equations. The solution of the system of crisp polynomial equations is calculated using Wu’s method and is introduced a criterion for invertibility of a fuzzy matrix (FM). In addition, an algorithm is proposed to calculate the fuzzy inverse matrix. The most important advantage of the presented method is that it achieves whole inverse entries of an FM, simultaneously. In the end, we give some illustrative examples to show the efficiency and proficiency of our proposed algorithm.

    Keywords: Fuzzy number, Fuzzy matrix, Fuzzy identity matrix, Fuzzy linear equation system (FLES), Wu's algorithm
  • حسین جعفری*، محمدجواد عبادی

    کران پایین کرامر-رایو با استفاده از انتگرال گیری جزءبه جزء و نامساوی کوشی شوارتز به دست می آید. انتگرال گیری جزءبه جزء در حسابان مالیاوین در این مطالعه نقش خواهد داشت. تخمین نقطه ای در آمار و احتمالات بسیار حیاتی است و طیف گسترده ای از کاربردها را دارد. مشکل تخمین نقطه ای بسیار حیاتی است و طیف گسترده ای از کاربردها دارد. هنگامی که با برخی مفاهیم مانند متغیرهای تصادفی مقابله می کنیم، پارامترهای موردنظر و برآورد ها ممکن است غیردقیق مشاهده شوند. بنابراین، نظریه ی مجموعه های فازی در شکل دادن چنین شرایطی اهمیت دارد. با استفاده از نظریه ی مجموعه ی فازی، متغیر تصادفی با مقدار فازی و فرایند تصادفی فازی را تعریف می کنیم. به منظور مطالعه خاصیت های مجانبی مدل آماری برای متغیرهای تصادفی فازی، از مشتق مالیاوین و انتگرال اسکورهود استفاده می کنیم. چگونگی استفاده از امیدهای شرطی عبارات معین، برای به دست آوردن کران های پایین کرامر-رایو برای متغیرهای تصادفی با مقادیر فازی، که نیازی به بیان صریح تابع احتمالی نداشته باشند، را نشان می دهیم. به عنوان مثال، نمونه ای تصادفی فازی به اندازه nرا که به وسیله متغیرهای تصادفی توزیع نرمال مستقل با پارامتر فازی ایجاد شده است، موردبررسی قرار می دهیم.

    کلید واژگان: مشتق مالیاوین، انتگرال اسکورهود، متغیر تصادفی فازی، کران پایین کرامر-رائو
    Hossein Jafari *, MohammadJavad Ebadi

    The Cramer-Rao lower bound is obtained by using integration by parts and the Cauchy-Schwarz inequality.  The integration by parts formulas of Malliavin calculus plays a role in this study. The point estimation problem is very crucial and has a wide range of applications. When we deal with some concepts such as random variables, the parameters of interest and estimates may be observed as imprecise. Therefore, the theory of fuzzy sets is important in formulating such situations. Using the fuzzy set theory, we define a fuzzy-valued random variable and fuzzy stochastic process.  We use the Malliavin derivative and Skorohod integral to study the asymptotic properties of the statistical model for fuzzy random variables. We show how to use the conditional expectations of certain expressions to derive Cramer-Rao lower bounds for Fuzzy valued Random Variables that they do not require the explicit expression of the likelihood function. As an example, we consider a fuzzy random sample of size n induced by independent standard normally distributed random variables with fuzzy parameter.

    Keywords: Malliavin derivative, Skorohod integral, fuzzy random variable, Cramer-Rao lower bound
  • محمدجواد عبادی*، علیرضا حسینی، حسین جعفری

    مسایل بهینه سازی مقید دارای کاربردهای وسیعی در علوم، مهندسی و اقتصاد می باشند. در این مقاله یک مدل شبکه عصبی برای حل دسته ای از مسایل بهینه سازی مقید ناهموار با تابع هدف محدب ناهموار و قیود نامساوی های غیرخطی و خطی آفین پیشنهاد شده است. آن یک شبکه عصبی بازگشتی تک لایه غیر جریمه ای مبتنی بر شمول دیفرانسیلی است. برخلاف اکثر مدل های شبکه عصبی موجود برای حل مسایل بهینه سازی، در ساختار مدل پیشنهادی هیچ پارامتر جریمه ای یا تابع جریمه وجود نداشته و مدل از پیچیدگی کمتری برخوردار است که منجر به پیاده سازی آسان تر مدل پیشنهادی می شود. معادل بودن مجموعه جواب های بهینه مساله بهینه سازی اصلی و مجموعه نقاط تعادلی مدل شبکه عصبی پیشنهادی اثبات گردیده است. به علاوه همگرایی سراسری و پایداری شبکه عصبی پیشنهادی نشان داده شده اند. به منظور روشن ساختن کارایی و اثربخشی مدل ارایه شده تعدادی مثال شامل مساله مینیمم سازی نرم L1 ارایه و حل شده است.

    کلید واژگان: مساله بهینه سازی محدب ناهموار، معادله خطی، نامساوی غیرخطی، شبکه عصبی بازگشتی
    MohammadJavad Ebadi *, Alireza Hosseini, Hossein Jafari

    Constrained optimization problems have a wide range of applications in science, economics, and engineering. In this paper, a neural network model is proposed to solve a class of nonsmooth constrained optimization problems with a nonsmooth convex objective function subject to nonlinear inequality and affine equality constraints. It is a one-layer non-penalty recurrent neural network based on the differential inclusion. Unlike most of the existing neural network models, there is neither a penalty parameter nor a penalty function in its structure. It has less complexity which leads to the easier implementation of the model for solving optimization problems. The equivalence of optimal solutions set of the main optimization problem and the equilibrium points set of the model is proven. Moreover, the global convergence and the stability of the introduced neural network are shown. Some examples including the L1-norm minimization problem are given and solved by the proposed model to illustrate its performance and effectiveness.

    Keywords: nonsmooth convex optimization problem, linear equality, nonlinear inequality, Recurrent neural network
بدانید!
  • در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
  • همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
  • در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال