Journal of Advances in Computer Engineering and Technology
,
Issue1,Year,
Winter
2021
The decision tree is one of the popular methods for learning and reasoning through recursive partitioning of data space. To choose the best attribute in the case on numerical features, partitioning criteria should be calculated for individual values or the value range o More
The decision tree is one of the popular methods for learning and reasoning through recursive partitioning of data space. To choose the best attribute in the case on numerical features, partitioning criteria should be calculated for individual values or the value range of each attribute should be divided into two or more intervals using a set of cut points. In partitioning range of attribute, the fuzzy partitioning can be used to reduce the noise sensitivity of data and to increase the stability of decision trees. Since the tree-building algorithms need to keep in main memory the whole training dataset, they have memory restrictions. In this paper, we present an algorithm that builds the fuzzy decision tree on the large dataset. In order to avoid storing the entire training dataset in main memory and overcome the memory limitation, the algorithm builds DTs in an incremental way. In the discretization stage, a fuzzy partition was generated on each continuous attribute based on fuzzy entropy. Then, in order to select the best feature for branches, two criteria, including fuzzy information gain and occurrence matrix are used. Besides, real datasets are used to evaluate the behavior of the algorithm in terms of classification accuracy, decision tree complexity, and execution time as well. The results show that proposed algorithm without a need to store the entire dataset in memory and reduce the complexity of the tree is able to overcome the memory limitation and making balance between accuracy and complexity .
Manuscript profile
Intelligent Multimedia Processing and Communication Systems (IMPCS)
,
Issue11,Year,
Spring
2023
تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه More
تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه های بدون نظارت مورد بررسی قرارمیگیرد. یکی از چالشها در تطبیق دامنه که به آن کمتر توجه شده است، عدم توجه به زیرفضا دامنه (فشردگی درون کلاسی) و همچنین تاثیر مخرب دادههای نویزی و خارج از محدوه است، که موجب انتقال منفی و در نهایت موجب کاهش دقت طبقهبندی میشود. در این مقاله با استفاده از شبکه تخاصمی مولد جهت استخراج ویژگیها با درنظرگرفتن فشردگی درون-کلاسی دامنهها بر مبنای تخمین اولیه برچسبها با کمک الگوریتم خوشهبندی فازی c-means در گام اول و در گام دوم با کمک شبکههای عصبی پیچشی و متریک WMMD جهت طبقهبندی تصاویر با خطای کمتر ارائه شده است. ارزیابی و نتایج به دست آمده در 5 مجموعه داده محک استاندارد و مقایسه آن با روشهای پیشین نشان دهنده عملکرد بهتر نسبت به رهیافتهای مشابه میباشد.
Manuscript profile
Journal of Computer & Robotics
,
Issue30,Year,
Summer
2024
With the appearance of deep neural networks, and at the head of it, convolutional neural networks, a great revolution in machine vision was created. Also, the growth of video data and the need for automated processing of this data type have made deep neural network usag More
With the appearance of deep neural networks, and at the head of it, convolutional neural networks, a great revolution in machine vision was created. Also, the growth of video data and the need for automated processing of this data type have made deep neural network usage increasingly important. There are several methods to recognize the type of movement in the videos. One of the methods is using LSTM and a convolutional neural network in order to extract the time dependencies from video images more accurately. In this study, we present an extended version of the LSTM that can learn longer temporal dependencies. Besides the convolutional neural network, our extended version of the LSTM forms a strong structure to recognize human activity. The results of this study on data set UCF 101 and HMDB51 show that the presented architecture, with a performance accuracy of 96.28 on data set UCF101 and 78.02 on data set HMDB51, performs better than the most similar methods.
Manuscript profile
بیش از 60 سال مطالعه در حوزه تولید چیدمان های خودکار فضایی نشان است که چیدمان های معماری می تواند نقش مهمی در ایجاد ساختمان هایی صرفه جوتر ایفا کنند. این پژوهش در تلاش است بر خلاف اکثر مطالعات انجام شده که به بررسی مقالات از منظر روش محاسباتی پرداخته اند، ضمن ارائه دسته More
بیش از 60 سال مطالعه در حوزه تولید چیدمان های خودکار فضایی نشان است که چیدمان های معماری می تواند نقش مهمی در ایجاد ساختمان هایی صرفه جوتر ایفا کنند. این پژوهش در تلاش است بر خلاف اکثر مطالعات انجام شده که به بررسی مقالات از منظر روش محاسباتی پرداخته اند، ضمن ارائه دسته بندی جدیدی برای مطالعات در حوزه تولید چیدمان های معماری، به بررسی کاربرد ها و مقایسه روش ها و رویکرد های موجود بپردازد علاوه بر آن، الگویی برای تولید خودکار چیدمان های فضایی معرفی کند این مقاله به بررسی 34 مطالعه متخب از میان 105 مطالعه مرتبط تولید چیدمان های فضایی به روش تحلیل محتوا میپردازد. برای این منظور از پایگاه های معتبر بین المللی و داخلی استفاده شده است. یافتههای حاصل از بررسی نشان می دهد مطالعات در حوزه تولید خودکار چیدمان های خودکار فضایی از منظر رویکرد های بازنمایی مساله می توانند در 6 رویکرد سازمان دهی شوند. از سوی دیگر مزایای و کاربرد هر یک از این رویکرد ها بر اساس معیارهای کیفی مورد بررسی قرار گرفته اند. در این پژوهش ضمن ارائه الگوی عام، تولید چیدمان های خودکار فضا از منظر معماری، 3 روش تولید، جز به کل، کل به جز و مبتنی بر اصل خبرگی و کاربرد های آن را معرفی شده است.
Manuscript profile
شیوه معماری اندیشی، روشها، سنتها و دانش آن بهمانند هر رشته هنری دیگری امروزه در دورهایی دورهای بسیار حیاتی و تاریخی قرار دارد. همانگونه که در هفتادسال اخیر راهحلهای مبتنی بر هوش مصنوعی، معماری را بهطور قابلتوجهی متحول کرده است. این پژوهش بهجای پرداختن به عواملی که مانع از تسریع این تحول شدهاند، نگاهی بر تداوم برهمکنش تحولات معماری و هوش مصنوعی دارد. یکی از روشهایی که میتوان این مساله را مورد بررسی قرار داد، نگاهی فرهنگی و فنی و تاریخی به مساله هوش مصنوعی و نحوه ورود و تأثیر آن بر معماری است. هدف از این پژوهش چگونگی برهمکنش یافتههای جدید هوش مصنوعی و معماریبا تمرکز بر تحولات تاریخی 1920 تا 2023، همچنین نقش متصور آن در آینده فناوری این حوزه است. این پژوهش از نظر رویکرد کیفی است و از نظر روش یک پژوهش تاریخی مبتنی تحلیلمقایسهای رویدادهای معماری و هوش مصنوعی در دورههای ده ساله است. یافتههای حاکی از آن است این برهمکنش را میتوان در 4 دوره، معماری به کمک استانداردسازی، معماری به کمک رایانه، معماری به کمک پارامترها و در نهایت معماری به کمک هوش مصنوعی (شبکههای عصبی و مدلهای مولد) سازماندهی کرد. رابطه معماری با فناوری بهموازات تحولات هوش مصنوعی بالغ شده و آخرین پیشرفتهای هوش مصنوعی نهتنها بر فرآیند طراحی تأثیرگذار بوده است، بلکه بر حوزه عمل و اندیشه آن نیز مؤثر بوده و حتی موجب پیدایش و توسعه سبکهای معماری شده است.