فهرست مطالب

پردازش علائم و داده ها - سال یازدهم شماره 2 (پیاپی 22، پاییز و زمستان 1393)

فصلنامه پردازش علائم و داده ها
سال یازدهم شماره 2 (پیاپی 22، پاییز و زمستان 1393)

  • تاریخ انتشار: 1394/02/04
  • تعداد عناوین: 9
|
  • بهبود رتبه بندی مخاطرات امنیت اطلاعات با استفاده از مدل های تصمیم گیری چند شاخصه
    حسین قرایی، مهسا آقا محی الدین صفحات 3-14
    یکی از مهمترین قابلیتهای سیستم مدیریت امنیت اطلاعات که در هر سازمانی به فراخور نیاز باید انجام شود، مدیریت مخاطرات امنیت اطلاعات است. اهمیت بکارگیری مدیریت مخاطرات امنیت اطلاعات تا جایی است که می توان آن را قلب سیستم مدیریت امنیت اطلاعات نامید و رتبه بندی مخاطرات امنیت اطلاعات، قسمت مهم و کلیدی فاز ارزیابی مخاطرات در فرایند این مدیریت به شمار می رود. در این مقاله روشی کاربردی بر اساس تلفیق دو روش تصمیم گیری چند شاخصه ی فرایند تحلیل سلسله مراتبی و تاپسیس، در محیط فازی، برای بهبود رتبه بندی مخاطرات امنیت اطلاعات ارائه شده است. نتایج حاصل از پیاده سازی مدل تلفیقی فرایند تحلیل سلسله مراتبی فازی- تاپسیس (FAHP-TOPSIS) در مقایسه با مدل فرایند تحلیل سلسله مراتبی فازی (FAHP) نشان می دهد که وزن های حاصل از مدل پیشنهادی FAHP-TOPSIS دارای ضریب تغییرات کمتر و میاتگین بیشتر نسبت به مدل FAHP می باشد و در نتیجه نتایج دقیق تر و با درصد خطای کمتری را جهت رتبه بندی مخاطرات ارائه می دهد.
    کلیدواژگان: مدیریت مخاطرات، امنیت اطلاعات، روش های تصمیم گیری چندشاخصه، روش فرایند تحلیل سلسله مراتبی، روش تاپسیس
    چکیده مشاهده متن زبان: فارسی
  • طبقه بندی بیماری پارکینسون بر مبنای شاخص های درون-ناحیه ای و بین-ناحیه ای شبکه حرکتی مغز با استفاده از دادگان fMRI حالت استراحت
    مهدیه قاسمی، علی محلوجی فر صفحات 15-29
    بیماری پارکینسون یک اختلال عصبی پیش رونده است که با علائم بالینی ترمور، سفتی عضلات و کندی حرکت مشخص می شود. تحقیقات اخیر در بررسی فعالیت مغز انسان با استفاده از دادگان تصویربرداری تشدید مغناطیسی عملکردی(fMRI) نشان می دهد که در حالت استراحت شبکه ای از ارتباطات و فعالیت به صورت نوسانات خود به خودی در نواحی مختلف مغز وجود دارد که در بیماری های مختلف تحت تاثیر قرار می گیرند. در این مقاله روش های دامنه نوسانات فرکانس پایین(ALFF) و آنالیز همگنی ناحیه ای(ReHo) جهت استخراج شاخص-های درون-ناحیه ای و آنالیز همبستگی متقابل (CCA) جهت استخراج شاخص های بین-ناحیه ای در نواحی آناتومیکی حرکتی مورد استفاده قرار می گیرند. با توجه به نتایج روش CCA، مدلی از شبکه ارتباطات عملکردی در افراد سالم و بیماران پارکینسونی ارائه شده است. نتایج مقایسه دو شبکه نشان می دهد که در بیماران پارکینسونی ارتباطات منفی معناداری بین مخچه و هسته های قاعده ای برقرار است، درحالیکه این ارتباطات در افراد سالم ضعیف و غیرمعنادار است. همچنین میانگین مقادیر ALFF و ReHo بعنوان شاخص های درون-ناحیه ای بهمراه شاخص های بین-ناحیه ای بعنوان ورودی طبقه بندی کننده استفاده شده اند. نتایج خوشه بندی بر مبنای متمایزکننده ترین ویژگی ها دقت 85%، مشخصه امتیاز 89% و مشخصه جکارد 75% را نشان می دهد. ما همچنین دریافتیم که در بیماران پارکینسونی شاخص های بین-ناحیه ای مغز بیشتر از شاخص های درون-ناحیه ای تحت تاثیر قرار می گیرند و متمایزکننده ترین ویژگی بین افراد سالم و پارکینسونیسم همبستگی بین مخچه و پوتامن در نیمکره چپ است
    کلیدواژگان: تصویربرداری تشدید مغناطیسی عملکردی، حالت استراحت، بیماری پارکینسون، دامنه نوسانات فرکانس پایین، شباهت ناحیه ای، آنالیز همبستگی متقابل
    چکیده مشاهده متن زبان: فارسی
  • بهبود عملکرد سامانه های کنترل از طریق شبکه با استفاده از چرخش در قوانین کنترلگر منطق فازی
    مهندس پویا حاجبی، سید محمد تقی المدرسی صفحات 31-42
    در این مقاله یک کنترلگر منطق فازی، که با تاخیرهای زمانی تطبیق می یابد، ارائه شده است تا عملکرد سامانه های کنترل از طریق شبکه را بهبود دهد. مهمترین چالش در این سامانه ها، تاخیر زمانی تصادفی متغیر در شبکه های مخابرات داده است. کنترلگرهای سنتی مانند تناسبی-انتگرالی-مشتق گیر که معمولا با یک تاخیر ثابت تنظیم می شود، باعث ناپایداری این سامانه ها می گردد. از طرف دیگر کنترلگرهای منطق فازی به خاطر ماهیت غیرخطی شان می تواند گزینه خوبی برای کنترل فرآیندهای غیرخطی باشد. در روش پیشنهادی، محورهای مختصات جدول قوانین کنترلگر فازی بر اساس یک رابطه غیرخطی از تاخیر تخمینی شبکه می چرخد. مقدار این چرخش توسط یک سامانه غیرخطی دیگر یعنی شبکه عصبی محاسبه می گردد. در این پژوهش با اعمال تاخیرهای متغیر ناشی از شبکه شبیه سازی های مختلف انجام می شود و روش پیشنهادی با پیشگوگر اسمیت و کنترلگر منطق فازی مقایسه می گردد. علی رغم ناپایداری این دو کنترلگر در تاخیرهای بیش از 600 میلی ثانیه، کنترلگر پیشنهادی می تواند پایداری سامانه را حفظ نماید.
    کلیدواژگان: چرخش جدول قوانین فازی، سامانه کنترل از طریق شبکه، شبکه عصبی، شبکه های مخابرات داده، کنترلگر تطبیقی منطق فازی
    چکیده مشاهده متن زبان: فارسی
  • روشی برای بازخورد ربط براساس بهبود تابع شباهت در بازیابی تصویر بر اساس محتوا
    اسما شمسی گوشکی، حسین نظام آبادی پور، سعید سریزدی، احسان الله کبیر صفحات 43-55
    در سامانه های بازیابی تصویر بر اساس محتوا، ویژگی های دیداری تصاویر پایگاه استخراج شده و پایگاه ویژگی های دیداری برای یافتن نزدیک ترین تصاویر به تصویر پرس و جو، جستجو می شود. کاربر با سامانه تا رسیدن به هدف نهایی خود تعامل کرده و سامانه از اطلاعات کاربر و ابزار بازخورد ربط به منظور بالا بردن کارایی بازیابی استفاده می کند. در این تحقیق، هر تصویر با یک بردار ویژگی شامل 3 نوع ویژگی و مجموع 270 مولفه نمایه می شود. برای اندازه گیری شباهت بین دو تصویر از یک معیار وزن دار استفاده شده است که در آن برای هر نوع و هر مولفه ویژگی یک وزن در نظر گرفته شده است. این وزن ها در طول بازیابی با استفاده از اطلاعات کاربر و روش پیشنهادی بهبود می یابند. در این روش، وزن هر نوع ویژگی با توجه به رتبه تصاویر مرتبط در بازیابی بر اساس آن نوع ویژگی تنظیم می شود و برای تصحیح وزن هر مولفه ویژگی از میانگین و انحراف معیار آن مولفه روی تصاویر مرتبط و نامرتبط استفاده می شود. روش پیشنهادی روی یک پایگاه تصویر شامل 10000 تصویر از 82 گروه معنایی متفاوت آزموده شده است. نتایج آزمایش ها، برتری روش پیشنهادی به روش های موجود را نشان می دهد.
    کلیدواژگان: بازخورد ربط، بازیابی تصویر، بهبود بردار پرس و جو، بهبود تابع شباهت
    چکیده مشاهده متن زبان: فارسی
  • جداسازی طیفی و مکانی تصاویر ابرطیفی با استفاده از Semi-NMF و تبدیل PCA
    حبیب علی زاده، محمدحسن قاسمیان یزدی صفحات 57-70
    در سال های اخیر جداسازی داده های سنجش از دور با استفاده از عامل بندی ماتریس نامنفی (Nonnegative Matrix Factorization) مود توجه قرار گرفته است و برای بهبود کارایی آن، به تابع هزینه اقلیدسی قید های کمکی می افزایند. چالش اصلی در این میان معرفی قید های است که بتواند نتایج بهتری را استخراج کند. همبستگی بین باند های تصاویر ابر طیفی مساله ای است که کمتر مورد توجه الگوریتم های جداسازی قرار گرفته است. این مساله در جداسازی کلاس های مشابه بیشتر مشخص می شود. در این مقاله ما یک روش جدید برای جداسازی داده های ابر طیفی سنجش از دور با استفاده از عامل بندی ماتریس نیمه نامنفی (Semi-NMF) و تحلیل مولفه های اصلی پیشنهاد کردیم. در روش پیشنهادی جداسازی طیفی و مکانی به صورت همزمان انجام می شود و تمام محدودیت های فیزیکی مساله بر اساس مدل مخلوط خطی اعمال می گردد. همچنین، علاوه بر محدودیت های فیزیکی، از ویژگی داده های ابرطیفی در فرآیند جداسازی بهره برداری شده است. تنکی ضرایب فراوانی یکی از ویژگی های مهم داده های ابر طیفی است که در این مقاله ما با استفاده از ماتریس nsNMF به درون تابع هزینه اعمال کرده ایم. در روش پیشنهادی قواعد بروز رسانی الگوریتم با استفاده از روش ALS بدست آمده است. در بخش انتهایی این مقاله از داده های ابر طیفی مصنوعی و واقعی به منظور بررسی کارآمدی الگوریتم پیشنهادی استفاده شده است. نتایج بدست آمده برتری الگوریتم پیشنهادی را در مقایسه با برخی از الگوریتم ها جداسازی نشان می دهد.
    کلیدواژگان: تصاویر ابرطیفی، جداسازی داده های سنجش از دور، جداسازی کور منابع، عامل بندی ماتریس نیمه نامنفی، تجزیه و تحلیل مولفه های اصلی
    چکیده مشاهده متن زبان: فارسی
  • تاثیر ساخت واژه ها در تجزیه وابستگی زبان فارسی
    مجتبی خلاش، بهروز مینایی بیدگلی صفحات 71-80
    سامانه های مبتنی بر داده به راحتی می توانند به سایر زبان ها یا دامنه ها منتقل شوند. استفاده از این رویکرد در تجزیه وابستگی منجر به ارائه روش های مبتنی داده شد که تنها نیازمند پیکره ای حاوی جملات و درخت وابستگی متناظر با آن به عنوان داده آموزشی است. الگوریتم های طراحی شده برای تجزیه وابستگی با وجود صحت بالا در زبان انگلیسی، بر روی دسته ای از زبان ها با افت صحت مواجه می شوند که دلیل این امر را می توان در پر رنگ تر بودن عامل بی ترتیبی و غنای ساخت واژی آنها دانست. این بدان معناست که سامانه های مبتنی بر داده نیازمند انتخاب خصوصیات و تنظیم دقیق پارامترها به منظور رسیدن به کارایی بهینه هستند. زبان فارسی که به تازگی پیکره وابستگی برای آن طراحی شده است جزو زبان هایی است که دو عامل بی ترتیبی و غنای ساخت واژی را داراست. در این مقاله سعی شده که عوامل تاثیرگذار بر کاهش صحت تجزیه وابستگی در زبان فارسی شناسایی و راهکارهایی برای بهبود صحت آن ارائه شود.
    کلیدواژگان: تجزیه وابستگی، زبان های از نظر ساخت واژی غنی، خصوصیات ساخت واژی
    چکیده مشاهده متن زبان: فارسی
  • بکارگیری منحنی های بازگشتی به منظور تحلیل سیگنال های نرخ ضربان قلب در افراد با تجربه مدیتیشن
    عاطفه گشوارپور، عاتکه گشوارپور، سید محمدرضا هاشمی گلپایگانی صفحات 81-90
    هدف مطالعه حاضر، تحلیل دینامیک های سیگنال نرخ ضربان قلب با استفاده از منحنی های بازگشتی است تا توانایی های این روش در شناسایی الگوهای نرخ ضربان قلب در هنگام مدیتیشن مورد بررسی قرار گیرد. در روش پیشنهادی، سیگنال های نرخ ضربان قلب موجود در پایگاه داده فیزیونت مورد استفاده قرار گرفت. دینامیک های این سیگنال ها در دو حالت قبل و در هنگام مدیتیشن با تحلیل کمی سازی بازگشتی مطالعه گردید. در اندازه های غیرخطی از منحنی بازگشتی مشاهده می شود که این مقادیر در هنگام مدیتیشن نسبت به قبل از آن بیشتر بوده است؛ یعنی بعد سیستم در هنگام مدیتیشن بیشتر کاهش می یابد. نتایج نشان می دهد که در مدیتیتورهای باتجربه سیگنال های نرخ ضربان قلب از حالت کیاتیک و با پیچیدگی بالا در قبل از مدیتیشن به سمت رفتاری با درجه آشوب گونگی پایین تر و شبه پریودیک در هنگام مدیتیشن تغییر می یابند. این رفتار به علت کاهش تعاملات غیرخطی متغیرها در حالت مدیتیشن و همچنین افزایش فعالیت پاراسمپاتیک و آرامش است.
    کلیدواژگان: آشوب، تحلیل کمی سازی بازگشتی، مدیتیشن، نرخ ضربان قلب
    چکیده مشاهده متن زبان: فارسی
  • یک روش مبتنی بر خوشه بندی سلسله مراتبی تقسیم کننده جهت شاخص گذاری اطلاعات تصویری
    نجوا ایزدپناه، محمدرضا کیوان پور، سعیده رنجبران صفحات 91-109
    در سیستم های رایج بازیابی تصویر مبتنی بر محتوا از ساختارهای شاخص گذاری چندبعدی برای سرعت بخشیدن به عملیات جستجو استفاده می شود. در اکثر حوزه های کاربردی، ابعاد بالایی از بردارهای ویژگی چندبعدی برای توصیف تصاویر موردنیاز است، اما ساختارهای شاخص گذاری چندبعدی رایج کارایی خود را با افزایش ابعاد فضای ویژگی از دست می دهند. افزایش ابعاد فضای داده موجب افزایش نمایی اندازه فضای جستجو و تعداد گره ها در ساختارهای شاخص گذاری چندبعدی، و همچنین موجب افزایش همپوشانی بین گره های ساختارهای شاخص گذاری چندبعدی می شود. این مسائل منجربه افزایش هزینه جستجو ازطریق ساختارهای شاخص گذاری چندبعدی رایج می گردد. هدف این پژوهش ارائه یک ساختار شاخص گذاری تصویر مبتنی بر خوشه بندی سلسله مراتبی تقسیم کننده، جهت مدیریت بردارهای ویژگی متناظر با تصاویر، در فضای ویژگی با ابعاد بالا می باشد که درضمن از همپوشانی نواحی گره ها نیز جلوگیری به عمل آورد. آزمون های مختلف نشان داده است که ساختار شاخص گذاری پیشنهادی در فضاهای با ابعاد بالا کارایی مناسبی داشته و نسبت به رویکردهای پیشین دارای برتری است.
    کلیدواژگان: بازیابی تصویر مبتنی بر محتوا، ساختار های شاخص گذاری چند بعدی، خوشه بندی سلسله مراتبی تقسیم کننده، روش های پیگرد افکنش
    چکیده مشاهده متن زبان: فارسی
  • ارائه روش جدید مبتنی بر برنامه نویسی ژنتیک برای وزن دهی قوانین فازی در طبقه بندی نامتوازن
    محبوبه مهدی زاده، مهدی افتخاری صفحات 111-125
    در زمینه مسائل طبقه بندی، اغلب با کلاس هایی مواجه می شویم که تعداد نمونه های متفاوتی دارند یعنی کلاس هایی با تعداد نمونه زیاد و کلاس هایی با تعداد نمونه ی کم؛ این مسائل «مسائل طبقه بندی با مجموعه داده های نامتوازن» نامیده می شوند. سیستم های طبقه بندی مبتنی بر قوانین فازی(FRBCSs) یکی از رایج ترین سیستم های مدلسازی فازی استفاده شده، برای حل مسائل طبقه بندی می باشند. وزن دهی قوانین اغلب برای بهبود دقت طبقه بندی استفاده می شود ومعمولا نسخه های فازی confidence و support برای تولید وزن قوانین فازی بکار می روند. در این مقاله، یک روش تکاملی بر مبنای برنامه نویسی ژنتیک برای تولید عبارات مربوط به وزن ارائه می شود. برای تولید عبارات از چهار معیار confidence، support، lift و recall به عنوان پایانه های برنامه نویسی ژنتیک استفاده می کنیم. آزمایش را بر روی 20 مجموعه داده از مجموعه داده های keel اجرا و سپس نتایج بدست آمده را با استفاده از تست های آماری تحلیل می کنیم. نتایج حاصل، نشان می دهد که کارایی FRBCS با استفاده از روش پیشنهادی بهبود می یابد.
    کلیدواژگان: مسائل با مجموعه داده های نامتوازن، سیستم های طبقه بندی مبتنی بر قوانین فازی، وزن دهی قوانین، برنامه نویسی ژنتیک
    چکیده مشاهده متن زبان: فارسی
|
  • Design of Multi Criteria decision making model for improve Ranking of Information Security risks
    Hossein Gharaee, Mahsa Agha Moheidin Pages 3-14
    One of the most important capabilities of information security management systems, which must be implemented in all organizations according to their requirements, is information security risk management. The application of information security risk management is so important that it can be named as the heart of information security management systems. Information security risk rating is considered as the key part of the risk assessment phase in the process of this management. This article presents an applied method by combining two MADM methods of AHP and TOPSIS in a fuzzy environment in order to improve information security risk rating. The results of comparison between the implementation of the combined FAHP-TOPSIS and the FAHP indicated that the weights presented by the proposed FAHP-TOPSIS model have lower variation coefficients and higher mean compared to the FAHP model. As a result, it provides more accurate results with less percentage error.
    Keywords: Risk management, Information security, multi criteria decision making models, Analytical Hierarchical process model, TOPSIS model
    Abstract View Paper Original: Persian
  • Classification of Parkinson Disease Based on Inter - and Intra -Regional Biomarkers of the Brain Motor Network Using Resting State fMRI Data
    Ali Mahloojifar, M.Ghasemi Pages 15-29
    Parkinson’s disease (PD) is a progressive neurological disorder characterized by tremor, rigidity, and slowness of movement. Recent studies on investigation of the brain function show that there are spontaneous fluctuations between regions at rest as resting state network affected in various disorders. In this paper, we used amplitude of low frequency fluctuation (ALFF) for the study of intra-regional characteristics and cross-correlation analysis for the relationship between anatomical regions. According to the results of CCA, we presented functional connectivity network in healthy and PD. Comparing two networks showed that, firstly the activity of cerebellum and basal ganglia areas had a significant negative correlation in PD patients, while this relationship is weak and non-significant in healthy. We also used mean values of ALFF and ReHo as intra-region biomarkers in addition with inter-region characteristics in discriminative analysis to classify PD from healthy. This showed 85% accuracy in clustering. In addition, the score index is 89% and Jaccard coefficient of this clustering is 75%. We found that inter-regional feature (CCA) was more significant compared to the intra-regional feature (ALFF) and functional connectivity between left cerebellum and left putamen was the best discriminator between PD and control
    Keywords: functional Magnetic Resonance Imaging (fMRI), Functional connectivity, Resting State, Parkinson Disease, Amplitude of Low Frequency Fluctuations(ALFF), Regional Homogeneity(ReHo), Cross Correlation Analysis(CCA)
    Abstract View Paper Original: Persian
  • Improvement of Networked Control Systems Performance Using Rotation in Fuzzy Logic Controller Rules
    Eng. Pooya Hajebi, Dr. Seyed Mohammad Taghi Almodarresi Pages 31-42
    This paper addresses a novel control method adapted with varying time delay to improve NCS performance. A well-known challenge with NCSs is the stochastic time delay. Conventional controllers such as PID type controllers which are just tuned with a constant time delay could not be a solution for these systems. Fuzzy logic controllers due to their nonlinear characteristic which is compatible with these systems are potentially a wise option for their control purpose. Fuzzy logic controller could become adaptive by means of neural networks and beneficial to deal with the varying time delay problem. This novel method suggests an adaptive fuzzy logic controller which has been controlled and adapted through the neural network. The rule-based table of designed fuzzy logic controller rotates in relation to estimated time delay. The amount of rotation is obtained from neural network. The proposed method follows the input easily, despite classical methods which result in an unstable system especially over the large time delays as large as 600 ms.
    Keywords: Adaptive Fuzzy Logic Controller, Data Communication Networks, Fuzzy Rule, Table Rotation, Networked Control Systems, Neural Networks
    Abstract View Paper Original: Persian
  • A relevance feedback approach based on similarity refinement in content based image retrieval
    Pages 43-55
    In content based image retrieval systems, the suitable visual features are extracted from images and stored in the feature database Then the feature database are searched to find the most similar images to the query image. In this paper, three types of visual features by 270 components were used for image indexing. Here, we use a weighted distance for similarity measurement between two images. This paper presents a new relevance feedback approach based on similarity refinement. In the proposed approach, weight correction of feature’s components is done by a proposed rule set using the mean and standard deviation of feature vectors of related (positive) and non-related (negative) images. Also, the weight of each type of features is adjusted according to the related images’ rank in the retrieval with this type of feature. To evaluate the performance of the proposed method, a set of comparative experiments on a general image database containing 10000 images of 82 different semantic groups are performed. The results confirm the efficiency of the proposed method comparing by well-known conventional methods.
    Keywords: relevance feedback, image retrieval, similarity refinement, query refinement
    Abstract View Paper Original: Persian
  • Spectral and Spatial Unmixing of Hyperspectral Images Using Semi-nonnegative Matrix Factorization and Principal Component Analysis
    Mohammad Hasan Ghassemian, H. Alizadeh Pages 57-70
    Unmixing of remote-sensing data using nonnegative matrix factorization has been considered recently. To improve performance, additional constraints are added to the cost function. The main challenge is to introduce constraints that lead to better results for unmixing. Correlation between bands of Hyperspectral images is the problem that is paid less attention to it in the unmixing algorithms. In this paper, we have proposed a new method for unmixing of Hyperspectral data using semi-nonnegative matrix factorization and principal component analysis. In the proposed method, spectral and spatial unmixing is performed simultaneously. Physical constraints applied based on Linear Mixing Model. In addition to physical constraints, characteristics of Hyperspectral data have been exploited in the unmixing process. Sparseness of the abundance is one of the important features of Hyperspectral data, which is applied using the nsNMF matrix. In the proposed method update rules is derived using the ALS algorithm. In the final section of this paper, real and synthetic Hyperspectral data is used to verify the effectiveness of the proposed algorithm. Obtained results show the superiority of the proposed algorithm in comparison with some unmixing algorithms
    Keywords: Hyperspectral Image, Remote Sensing Data Unmixing, Blind Source Separation, Semi, nonnegative Matrix Factorization, Principal Component Analysis
    Abstract View Paper Original: Persian
  • Effect of morphologies on Persian dependency parsing
    Mojtaba Khallash, Dr. Behrouz Minaei, Bidgoli Pages 71-80
    Data-driven systems can be adapted to different languages and domains easily. Using this trend in dependency parsing was lead to introduce data-driven approaches. Existence of appreciate corpora that contain sentences and theirs associated dependency trees are the only pre-requirement in data-driven approaches. Despite obtaining high accurate results for dependency parsing task in English language, for many of other languages with high free-word order and rich morphology, most applying algorithms lead to drop in accuracy compared to English language. Therefore, data-driven systems require careful selection of features and tuning of parameters to reach optimal performance. A dependency corpus for Persian language introduced recently. Persian language has high free-word order and rich morphology. In this paper we try to find detect effective factors for decreasing parsing accuracy and we present solutions to improve the accuracy.
    Keywords: Dependency Parsing, Morphologically Rich Languages, Morphological Features
    Abstract View Paper Original: Persian
  • Applying Recurrence Plots to Analyze Heart Rate Signals in Experienced Meditators
    Pages 81-90
    The current study analyses the dynamics of the heart rate signals during specific psychological states in order to obtain a detailed understanding of the heart rate patterns during meditation. In the proposed approach, we used heart rate time series available in Physionet database. The dynamics of the signals are then analyzed before and during meditation by examining the recurrence quantification analysis. The results show that the measures of recurrence plots are increased significantly during meditation (p<0.05), which indicates that the dimension of signals are decreased during meditation. In general, the results reveal that the heart rate signals of experienced meditators transit from a chaotic, highly-complex behavior before meditation to a low dimensional chaotic (and quasi-periodic) motion during meditation. This can be due to decreased nonlinear interaction of variables in meditation states and may be related to increased parasympathetic activity and increase of relaxation state.
    Keywords: Chaotic, Heart Rate signals, Meditation, Recurrence Quantification Analysis
    Abstract View Paper Original: Persian
  • A Divisive Hierarchical Clustering-based Method for Indexing Image Information
    Mohammadreza Keyvanpour, N.Izad Panah, S.Rangbaran Pages 91-109
    It is conventional to use multi-dimensional indexing structures to accelerate search operations in content-based image retrieval systems. Many efforts have been done in order to develop multi-dimensional indexing structures so far. In most practical applications of image retrieval, high-dimensional feature vectors are required, but current multi-dimensional indexing structures lose their efficiency with growth of dimensions. Increase in dimensions of data space leads to exponentially growth of the search space and increase of the number of nodes in multi-dimensional indexing structure, as well as increase in overlap between nodes in multi-dimensional indexing structures. These problems lead to increase in cost of search through indexing structure and therefore to reduction in efficiency of these structures in high-dimensional spaces. The main goal of this research is to propose a divisive hierarchical clustering-based multi-dimensional indexing structure in order to manage high-dimensional feature vectors extracted from images, which also prevents overlapping in its structure.Various tests and analyses of experimental results on high-dimensional datasets indicate the performance of our proposed method in comparison with others.
    Keywords: Content, based image retrieval, Multi, dimensional indexing structures, Hierarchical divisive clustering, Projection pursuit methods
    Abstract View Paper Original: Persian
  • A new fuzzy rules weighting approach based on Genetic Programming for imbalanced classification
    Mahboubeh Mahdizadeh, Mahdi Eftekhari Pages 111-125
    In classification problems, we often encounter datasets with different percentage of patterns (i.e. classes with a high pattern percentage and classes with a low pattern percentage). These problems are called “classification Problems with imbalanced data-sets”. Fuzzy rule based classification systems are the most popular fuzzy modeling systems used in pattern classification problems. Rule weights have been usually used to improve the classification accuracy and fuzzy versions of confidence and support merits have been widely used for rules weighting in fuzzy rule based classifiers. In this paper, we propose an evolutionary approach based on genetic programming to generate weighting expressions. For producing expressions confidence, support, lift and recall merits are used as terminals of genetic programming. Experiments are performed over 20 imbalanced KEEL's datasets and the results are analyzed using statistical tests. The results show that the proposed method improves the classification accuracy of FRBCS.
    Keywords: Imbalanced dataset problems, Fuzzy Rule, Based Classification Systems(FRBCSs), Weighting rules, Genetic Programming
    Abstract View Paper Original: Persian