فهرست مطالب
نشریه مهندسی برق و مهندسی کامپیوتر ایران
سال یازدهم شماره 1 (پیاپی 32، تابستان 1392)
- ب - مهندسی کامپیوتر
- 64 صفحه،
- تاریخ انتشار: 1392/08/10
- تعداد عناوین: 7
-
-
صفحه 1یادگیری ساختار شبکه بیزی از داده، در سال های اخیر توجه بسیاری از محققین را به خود جلب نموده است. از طرفی، یافتن شبکه بهینه از داده کامل، خود یک مساله غیر چندجمله ای سخت می باشد و پیچیدگی مساله، زمانی که داده ناقص است، بیشتر می شود. به طور کلی دو حالت یادگیری شبکه بیزی از داده ناقص وجود دارد: زمانی که ساختار مشخص است و زمانی که ساختار نیز نامشخص است. در این مقاله سعی بر آن است تا پارامترهای بهینه را برای یک شبکه بیزی با ساختار مشخص از داده حاوی مقادیر گم شده بیابیم. برای این منظور مفهوم «پارامتر موثر» را معرفی نمودیم، به طوری که درست نمایی ساختار شبکه به شرط داده کامل شده، بیشینه گردد. این روش می تواند به هر الگوریتمی همچون بیشینه سازی امید ساختاری که به پارامترهای بهینه برای یافتن ساختار شبکه بیزی نیاز دارند، متصل شود.
در این مقاله ثابت کردیم که روش پیشنهادی از دیدگاه تابع درست نمایی به پارامترهای بهینه شبکه دست می یابد. نتایج اعمال روش پیشنهادی به چندین شبکه بیزی استاندارد، نشان دهنده سرعت روش در مقایسه با روش های شناخته شده قبلی است و نیز این که به پارامترهای بهتری نسبت به آنها دست می یابد.
کلیدواژگان: پارامترهای شبکه بیزی، راست نمایی، شبکه بیزی، مقدار گم شده -
صفحه 13در این مقاله ضمن معرفی روش های متداول مبتنی بر سناریو در ارزیابی معماری نرم افزار و بیان نقاط ضعف و قوت آنها، رویکرد متفاوتی برای شناسایی نقایص معماری ارائه می شود. در روش پیشنهادی مشکلات تهدیدکننده سیستم توسط سهام داران فهرست می شوند و با تحلیل نقص های احتمالی که می توانند مسبب بروز آن مشکلات باشند، خطاهای موجود در سطوح مختلف به ویژه در سطح معماری نرم افزار کشف می گردند. نتایج به کارگیری عملی روش پیشنهادی نشان می دهد که این روش می تواند در آشکارنمودن نقص هایی که ممکن است از حوزه تاثیر روش های دیگر مصون مانده باشند، موثر باشد. لذا از این روش می توان هم برای آزمون معماری و هم به عنوان یک رویه تکمیلی در کنار روش های ارزیابی معماری نرم افزار جهت شناسایی نقایص و اصلاح معماری استفاده نمود. روش پیشنهادی و اجزای آن در یک قالب سیستماتیک معرفی شده و نتایج به کارگیری آن بر روی یک سیستم واقعی ارائه می گردد.
کلیدواژگان: معماری نرم افزار، مشکل، نقص معماری، ارزیابی مبتنی بر سناریو -
صفحه 23طبقه بندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهم ترین مرحله در طبقه بندی بافت تصویر، استخراج ویژگی از تصویر می باشد. تاکنون روش های بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند اما از میان روش های موجود الگوهای باینری محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیاده سازی و استخراج ویژگی های مناسب با دقت طبقه بندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی هرچند از نظر پیاده سازی بسیار ساده است، اما زمانی که شعاع همسایگی افزایش یابد پیچیدگی محاسباتی بالایی دارد. شکل بهبودیافته الگوهای باینری محلی نیز به الگوهای همگن برچسب های متمایز و به تمام الگوهای غیر همگن یک برچسب یکسان انتساب می دهد و این امر، طبقه بندی تصاویری که دارای درصد بالایی از الگوهای غیر همگن می باشند را با مشکل مواجه می سازد.
در این مقاله، یک شکل جدید از الگوهای باینری محلی ارائه شده است که پیچیدگی محاسباتی آن نسبت به شکل اصلی الگوهای باینری محلی کمتر و دقت طبقه بندی آن نیز از شکل اصلی و بهبودیافته الگوهای باینری محلی بیشتر می باشد. روش ارائه شده در این مقاله نه تنها تصاویر با الگوهای همگن را به خوبی طبقه بندی می کند، بلکه در مورد تصاویری که دارای حجم بسیار بالایی از الگوهای غیر همگن می باشند نیز به خوبی عمل می کند. همچنین می توان با تغییر در بازه های شدت روشنایی، محلی یا سراسری بودن ویژگی ها را کنترل کرد. دقت طبقه بندی برای تمام تصاویر بافتی موجود در پایگاه داده Brodatz و Outex، کارایی روش ارائه شده را نشان می دهد.
کلیدواژگان: طبقه بندی بافت، استخراج ویژگی، الگوهای باینری محلی، شکل بهبودیافته الگوهای باینری محلی، ویژگی محلی و ویژگی سراسری -
صفحه 34وب معنایی یکی از گسترده ترین موضوعات تحقیقی در چند سال اخیر است که در آن مفهوم بسیار مهم و ارزشمندی به نام آنتولوژی وجود دارد. آنتولوژی اطلاعات و دانش موجود در دامنه مورد نظر را به صورت صوری توصیف می کند و با وجود این توصیف صوری امکان استدلال در آنها فراهم می شود. به دلیل توزیع شدگی وب معنایی و پراکندگی آنتولوژی ها و داده ها در سطح وب، در بسیاری از موارد استدلال متمرکز به سختی انجام می شود و لازم است استدلال به صورت توزیع شده میان آنتولوژی های مختلف یک حوزه دانش صورت پذیرد. از طرف دیگر در اطلاعات موجود در وب معنایی همانند بسیاری از موضوعات دیگر عدم قطعیت و اطمینان وجود دارد. مدل سازی عدم قطعیت در وب معنایی و استدلال در اطلاعات غیر قطعی نیز از موضوعات تحقیقاتی جدیدی است که در دهه اخیر به آن پرداخته شده است. در این مقاله تلاش شده روشی برای استدلال توزیع شده میان گروهی از آنتولوژی ها که دارای اطلاعات غیر قطعی هستند، ارائه شود که از کارایی مناسبی نیز برخوردار باشد. برای این منظور از منطق توصیفی توزیع شده به عنوان چارچوبی برای استدلال توزیع شده و از نظریه عدم قطعیت برای مدل سازی عدم قطعیت بهره گرفته شده است. به کمک روش ارائه شده امکان استدلال میان گروهی از آنتولوژی های توزیع شده با اطلاعات غیر قطعی فراهم خواهد شد. نتایج کاربرد این روش در پالایش نگاشت میان آنتولوژی ها نشان می دهد این روش از دقت و درستی بیشتری نسبت به روش استدلال توزیع شده قطعی برخوردار است.
کلیدواژگان: استدلال توزیع شده غیر قطعی، منطق توصیفی توزیع شده، نظریه عدم قطعیت، آنتولوژی، وب معنایی -
صفحه 43یکی از مسایل مطرح در ساخت سیستم های یادگیر نظیر شبکه های عصبی و یا اتوماتای یادگیر، تعیین نرخ یادگیری است. در اکثر موارد از یک الگوریتم کاهش یابنده در طول زمان برای تنظیم نرخ یادگیری استفاده می شود. در این مقاله یک روش جدید برای تغییر نرخ یادگیری و انطباق سیستم یادگیرنده با وضعیت محیط، برای استفاده در اتوماتای یادگیر پیشنهاد شده است. این روش جدید از برخی معیارهای آماری مربوط به توزیع فعلی به دست آمده برای بردار احتمالات متناظر با اقدام های اتوماتا به منظور تعیین افزایش یا کاهش نرخ یادگیری استفاده می کند. مزیت این روش در آن است که بر خلاف روش های موجود فعلی، در طول فرایند یادگیری هم افزایش و هم کاهش مقدار نرخ یادگیری را - بسته به نتایج مقایسه معیارهای آماری - انجام می دهد و به صورت خودکار نرخ یادگیری را تنظیم می کند.
ضمن تشریح مبانی ریاضی این الگوریتم جدید، عملکرد این الگوریتم را در محیط های تصادفی نمونه بررسی کرده و با مقایسه نتایج به دست آمده نشان داده ایم روش پیشنهادی جدید به دلیل این که در طول زمان یادگیری، هم زمان و بر اساس معیارهای تعیین شده، افزایش و کاهش نرخ یادگیری را انجام می دهد، از انعطاف پذیری بیشتری نسبت به روش های قبلی برای انطباق با محیط های تصادفی پویا برخوردار است و مقادیر یاد گرفته شده به مقادیر حقیقی نزدیک تر هستند.
کلیدواژگان: اتوماتای یادگیری، نرخ یادگیری پویا، تنظیم نرخ یادگیری، نابرابری چبیشف -
صفحه 52روش بهینه سازی نیروی مرکزی (CFO) یکی از روش های ابتکاری جستجو و بهینه سازی جدید است که به تازگی به مجموعه روش های هوش جمعی اضافه شده است. در این تحقیق، روشی موثر و کارامد برای خوشه یابی بدون ناظر تصویر با استفاده از الگوریتم فوق ارائه و CFO - Clustering نامیده شده است. در روش پیشنهادی، هر پروب در بر دارنده اطلاعات مربوط به مراکز خوشه می باشد که به صورت تصادفی در ابتدای فرایند جستجو مقداردهی می شود. این مقادیر در طی مراحل مختلف الگوریتم CFO تغییر کرده و در نهایت پس از رسیدن به شرط توقف، حاوی مراکز بهینه خوشه ها خواهند بود. ملاک بهینه سازی یا تابع برازندگی، هم حاوی فواصل درون خوشه ایو هم شامل فواصل بین خوشه ایمی باشد. آزمایشات مکرر بر روی تصاویر مرجع، کارایی روش CFO-Clustering را نسبت به سایر روش های مرسوم خوشه بندی نشان می دهد.
کلیدواژگان: الگوریتم بهینه سازی نیروی مرکزی، پردازش تصویر، خوشه بندی -
تقدیر و تشکرصفحه 58
-
Page 1Learning Bayesian network structure from data has attracted a great deal of research in recent years. It is shown that finding the optimal network is an NP-hard problem when data is complete. This problem gets worse when data is incomplete i.e. contains missing values and/or hidden variables. Generally, there are two cases of learning Bayesian networks from incomplete data: in a known structure, and unknown structure. In this paper, we try to find the best parameters for a known structure by introducing the “effective parameter”, in a way that the likelihood of the network structure given the completed data being maximized. This approach can be attached to any algorithm such as SEM (structural expectation maximization) that needs the best parameters to be known to reach the optimal Bayesian network structure. We prove that the proposed method gains the optimal parameters with respect to the likelihood function. Results of applying the proposed method to some known Bayesian networks show the speed of the proposed method compared to the well-known methods.
-
Page 13In this paper, after a review on well-known scenario-based methods of SA evaluation, a different approach is introduced to find architectural defects. The proposed method at first, elicits the problems threatening the system's success. Then based on the analysis of the problems and probable defects which could cause the problems, tests are designed and applied to the system in order to find the real defects specially the architectural ones. Results show that the proposed method could be use to find those architectural defects which may be remained covered after applying the other methods. Therefore, it could be used as a mean to SA testing and also as a complementary mechanism along with well-known SA evaluation methods. The proposed method and its components are presented in a systematic form. An illustration of its application on the architecture of a real system is presented and the results are compared with the results of applying ATAM on the same architecture.
-
Page 23Texture classification is one of the main steps in image processing and computer vision applications. Feature extraction is the first step of texture classification process which plays a main role. Many approaches have proposed to classify textures since now. Among them, Local Binary Patterns and Modified Local Binary Patterns, because of simplicity and classification accuracy, have emerged as one of the most popular ones. The Local Binary Patterns have simple implementation, but with increase in the radius of neighborhood, computational complexity will be increased. Modified Local Binary Patterns assigns various labels to uniform textures and a unique label to all non-uniform ones. In this respect, the modified local binary pattern cant classify non uniform textures as well as uniform ones. In this paper a new version of Local Binary Pattern is proposed that has less computational complexity than Local Binary Patterns and more classification accuracy than Modified version. The proposed approach classifies non uniform textures as well as uniform ones. Also with change in the length of central gray level intervals, locality and globally of the features can be controlled. Classification accuracy on two standard datasets, Brodatz and Outex, indicates the efficiency of the proposed approach.
-
Page 34Semantic web has been one of the most important research areas of computer science in recent years. The concept of ontology as one of the most elements of semantic web is used to formally describe the domain knowledge and to enable the reasoning capability. Semantic web is a distributed system and ontologies may be developed on many different nodes, so centralized reasoning is very hard or even impossible in many cases. On the other hand, since the majority of information in semantic web is uncertain, considering the notion of uncertainty in ontological reasoning is crucial. In this paper a method for distributed reasoning in uncertain ontologies is proposed. For this purpose the distributed description logic (DDL) framework and the certainty theory are considered for distributed reasoning and modeling the uncertainty respectively. To evaluate the functionality and performance of the algorithm, we developed a case study on application of the proposed method in purifying the mappings between ontologies. The results show that our algorithm makes the mappings more precise than other similar methods.
-
Page 43The value of learning rate and its change mechanisms is one of the issues in designing learning systems such as learning automata. In most cases a time-based reduction function is used to adjust the learning rate aim at reaching stability in training system. So the learning rate is a parameter that determines to what extent a learning system is based on past experiences, and the impact of current events on it. This method is efficient but does not properly function in dynamic and non-stationary environments.In this paper, a new method for adaptive learning rate adjustment in learning automata is proposed. In this method, in addition to the length of time to learn, some statistical characteristics of actions probability vector of Learning Automata are used to determine the increase or decrease of learning rate. Furthermore, unlike existing methods, during the process of learning, both increase and decrease of the learning rate is done and Learning Automata responds effectively to changes in the dynamic random environment.Empirical studies show that the proposed method has more flexibility in compatibility to the non-stationary dynamic environments and get out of local maximum points and the learned values are closer to the true values.
-
Page 52Central Force Optimization (CFO) is a new member of heuristic algorithms which has been recently proposed and added to swarm intelligence algorithms. In this paper, an effective unsupervised image clustering technique is proposed, using CFO and called CFO-clustering. In the presented method, each probe includes the information of center of the clusters, and fitness function contains both inter-distance and intra-distance of the samples. Extensive experimental results show that the proposed CFO-clustering outperforms other similar clustering algorithms which were designed based on the evolutionary techniques.
©2000-2024 magiran.com All Rights Reserved.