يكي از پر كاربردترين الگوريتم هاي طبقه بندي، الگوريتم نزديكترين همسايه مي باشد كه در اكثر مسائل طبقه بندي دقت خوبي از خود نشان مي دهد. اين الگوريتم داراي پيچيدگي محاسباتي زيادي مي باشد؛ زيرا براي طبقه بندي كردن هر الگوي تست بايد فاصله آن را تا تمام داده هاي آموزشي پيدا كند. در ضمن براي نگهداري تمام داده هاي آموزشي نياز به فضاي ذخيره سازي زيادي دارد. اين مشكلات باعث شده است كه با استفاده از روش هاي توليد الگوهاي نماينده، سعي در كاهش حجم داده ها و افزايش سرعت الگوريتم گردد. در اين مقاله با تركيب يكي از روشهاي Instance Filtering با الگوريتم AIRS الگوهاي نماينده را از روي داده هاي اصلي توليد كرده ايم. الگوريتم AIRS از سيستم ايمني بدن الهام گرفته است و با استفاده از مكانيزم اين سيستم الگوهاي نماينده را توليد مي كند
ANFIS بازشناسي احساسات انسان با استفاده از شبكه عصبي– فازي
در اين مقاله به بررسي موضوع بازشناسي احساسات در گفتار انسان با در نظر گرفتن خصوصيات زبان و فرهنگ فارسي مي پردازيم. اين موضوع به دليل افزايش روزافزون تراكنش ميان ماشين و انسان و نياز به محاوره خودكار اين دو و حذف اپراتور انساني اهميت ويژه اي در مباحث هوش مصنوعي يافته است. اما موضوعي كه ما مورد توجه قرار داده ايم تاثير فرهنگ و هنجارهاي اجتماعي در بروز احساسات هنگام جمع آوري داده و سپس بازشناسي احساسات با در نظر گرفتن ويژگيهاي فرهنگ محلي و زبان مي باشد. روش پيشنهادي ما يك روش تركيبي با استفاده از (Adaptive Neural Network Fuzzy Inference System) ANFIS مي باشد كه بر روي دو دسته از ويژگيهاي متفاوت صوت حاوي احساسات پياده سازي و نتايج آن با يكديگر مقايسه شده است. داده هاي مورد استفاده در اين مقاله با حفظ خصوصيات محلي فرهنگ و زبان فارسي و در محيط داراي نويز معمول توسط گوينده واحد جمع آوري شده اند و ويژگيهاي استخراج شده از آنها در سطح زيركلمه (Subword) به دو دسته تقسيم مي شوند. دسته اول شامل طول و ضرايب (linear prediction filter coefficients) LPC و دسته دوم شامل طول و خصوصيات فركانسي سيگنالهاي صوت )كه با استفاده از سري فوريه استخراج شده( مي باشد، نتايج بدست آمده نشان مي دهد كه استفاده از ويژگيهاي فركانسي صوت به همراه شبكه ANFIS جوابهاي بهتري نسبت به استفاده از ويژگيهاي LPC صوت و همچنين ساير روشهاي بكار گرفته شده در تحقيقات مشابه كه در اين زمنيه انجام شده است ارائه مي كند.
ANFIS بر اساس ساختمان GMDH معرفي شبكه اي جديد از خانواده
در اين مقاله به معرفي شبكه اي جديد از خانواده GMDH پرداخته مي شود كه ساختار توصيف گرهاي جزيي آن بر اساس ساختمان ANFIS مي باشد . در تكنيك متداول خانواده GMDH فازي، شبكه اي به نام NF-GMDH معرفي مي گردد كه ساختار داخلي توصيف گرهاي جزيي آن به صورت شبكه هاي RBF مي باشد . در روش مطرح شده ساختار داخلي اين توصيف گرهاي جزيي به صورت بلوكهايي با ساختمان شب كه ANFIS و داراي دو ورودي مي باشد كه تعداد توابع تعلق داخلي آنها قابل تغيير مي باشد. روش معرفي شده در مواردي كه ابعاد بردار ورودي ما بزرگ باشد داراي كارايي بسيار مناسب تري نسبت به شبكه NF-GMDH در نتايج و همچنين شبكه ANFIS در كاهش تعداد قوانين فازي مي باشد كه اين امر سبب كاهش قابل ملاحظه اي در زمان آموزش مي شود. روش معرفي شده در طبقه بندي داده هاي Iris و نيز شناسايي يك تابع غير خطي مورد آزمايش قرار گرفته است.
ارائه روشي جديد براي مكان يابي و تهيه نقشه بطور همزمان براي دو ربات متحرك
مسئله مكان يابي و تهيه نقشه بطور همزمان (SLAM) رباتهاي متحرك از مسائل مهمي ميباشد كه نظر بسياري از محققان علم رباتيك را به خود جلب كرده است. هدف مشخص نمودن مكان رباتهاي متحرك هوشمند و نابري آنها براي تهيه نقشه كلي از محيطي ميباشد كه هيچ دانشي درباره آن نداريم. مساله SLAM براي چند ربات شامل الگوريتمهاي متعددي ميباشد ، كه ما در اينجا روش جديدي مبتني بر الگوريتم RAO-Blackwelized particle filter را با استفاده از شيوه استفده از جعبه لايتنر معرفي نموده و ضمن شبيه سازي آن در تهيه نقشه هاي محلي و كلي رباتها از محيط، با نرم افزار Mathlab ، ورودي شبيه سازيهاي فوق را از محيط مجازي نرم افزار 1.5 Robotic Studio شركت ميكروسافت ، گرفته و نتايج شبيه سازي را با داده هاي مجازي بيان ميكنيم.
ارائه يك الگوريتم جديد براي ايجاد توازن بار پردازشي در سيستم هاي توزيع شده با استفاده از روش كولوني مورچه ها
در تحقيق حاضر با استفاده از روش بهينه سازي كولوني مورچه به ايجاد توازن بار در بين پردازنده هاي موجود درسيستم توزيع شده با ظرفيت پردازشي يكسان پرداخته و كارآيي الگوريتم پيشنهادي را نسبت به الگوريتم استاندارد dasud بررسي مي نماييم. نتايج بدست آمده نشان دهنده پيشرفت نسبي الگوريتم پيشنهادي ماست.
ارائه يك مدل موازي مبتني بر اجتماع مورچه ها براي استخراج قوانين طبقه بندی
در اين مقاله با استفاده از الگوريتم بهينه سازي اجتماع مورچه ها، يك مدل موازي منعطف جهت استخراج قوانين دسته بندي در حجم عظيمي از داده ها، ارائه مي شود. اين الگوريتم بر اساس توسعه رفتار واقعي مورچه ها و مفاهيم داده كاوي مي باشد. مورچه ها(عاملها) به صورت موازي و مستقل به جستجو و استخراج قوانين مي پردازند. سپس با استفاده از نتايج به دست آمده از تمامي مورچه ها مقدار فرمون براي يك ترم مشخص مي شود. موازي اجرا شدن عمليات مورچه ها باعث كاهش سرعت همگرايي الگوريتم مي شود. اين نتيجه به كشف قوانين جديد كمك ميكند. همچنين مورچه ها با به اشتراك گذاشتن دانش خود از جمع آوري قوانين غير مرتبط جلوگيري مي كنند. نتايج به دست آمده نشان ميدهد كه الگوريتم ارائه شده در اين مقاله، دقت بيشتري را نسبت به ديگر مدلهاي ارائه شده در استخراج قوانين طبقه بندي دارد.
اراﺋﻪ روﺷﻲ ﻧﻮ ﺑﺮاي ﺗﻀﻤﻴﻦ ﻋﻤﻠﻜﺮد در ﻃﺮاﺣﻲ ﻛﻨﺘﺮل ﻛﻨﻨﺪه ﺑﻬﻴﻨﻪ ﭘﺎﻳﺪار ﻓﺎزي ts ﺑﺎ اﺳﺘﻔﺎده از ﺗﻮاﺑﻊ ﻟﻴﺎﭘﺎﻧﻮف ﺗﻜﻪ اي ﮔﺴﺴﺘﻪ
در اين مقاله روند سيستماتيك طراحي كنترلر بهينه براي مدل ts سيستم غير خطي بيان مي شود. براي كاهش محافظه كاري، در تمام بخشهاي تحليل پايداري و طراحي از توابع لياپانوف تكه اي گسسته استفاده شده ا ست. تابع هزينه اي براي سيستم تعريف شده كه مينيمم سازي آن در طراحي بهره فيدبك حالت مورد توجه بوده است. همچنين تنظيم خصوصيات پاسخ گذرا مانند زمان نشست، ميزان فراجهش و... در قالب مساله جايابي قطبهاي سيستم حلقه بسته در مدل ts مورد توجه قرار گرفته است. در نهايت شروط لازم در طراحي كنترلر بهره فيدبك براي پايداري سيستم ، مينيمم سازي تابع هزينه و جايابي قطب هاي سيستم حلقه بسته در مدل ts حل يك سري نامعادلات ماتريسي خطي منجر ميگردد. روش طراحي ارائه شده در اين مقاله بر روي مدل ts سيستم غير خطي توپ و صفحه پياده سازي شده است كه نشان داده مي شود در مقايسه با برخي روشهاي متداول طراحي با صرف انرژي كمتر به عملكرد بهتري دست مي يابد.
ارايه يك جستجوي محلي جديد براي حل مساله برنامه ريزي دروس دانشگاهي با استفاده از الگوريتم ممتيك
مساله برنامه ربزي دروس دانشگاهي از جمله مسايل NP-hard است كه به لحاظ تاثير عوامل بسيار و وجود محدوديت هاي مختلف از مشهورترين مسايل بهينه سازي است. از سوي ديگر، الگوريت مهاي ممتيك يكي از انواع الگوريتمهاي تكاملي است كه مي تواند جهت حل اين مساله مورد استفاده قرار گيرد. در اين مقاله به چگونگي حل مساله پيچيده برنامه ريزي دروس دانشگاهي به كمك الگوريتم ممتيك پرداخته، سپس الگوريتم جستجوي محلي جديدي معرفي مي شود كه باعث افزايش هوشمندي و سرعت اجراي الگوريتم ممتيك شده و منجر به دستيابي به پاسخ هاي بهتر براي اين مساله مي شود. در انتها نتايج اجراي پياده سازي اين جستجوي محلي جديد با الگوريتم ژنتيك و الگوريتم جستجوي محلي سنتي مقايسه شده و كارايي بهتر آن مشخص ميشود. .