دفاعیه کارشناسی ارشد (برق و کامپیوتر) مدلی برای نشانش کارای گرافی جهت تشخص ناهنجاری

دانشجو: خانم مریم خزائی
استاد راهنما: دکتر نصرتعلی اشرفی پیامن
زمان: یکشنبه ۳۰ بهمن ماه ۱۴۰۱ ساعت: ۱۱:۳۰
مکان: کرج دانشکده فنی و مهندسی کلاس ۲۰۳

چکیده: 
اﻣﺮوزه ﺑﺎ رﺷﺪ ﺷﺒﮑﻪﻫﺎی اﺟﺘﻤﺎﻋﯽ، ﺗﺤﻠﯿﻞ دادهﻫﺎی ﭘﺮوﺗﺌﯿﻨﯽ، ﺧﺪﻣﺎت ﻣﺎﻟﯽ و اﻣﻨﯿﺘﯽ ﺣﺠﻢ دادهﻫﺎی ﺑﺎ ﺳﺎﺧﺘﺎر ﮔﺮاﻓﯽ اﻓﺰایﺶ ﭼﺸﻤﮕﯿﺮی داﺷﺘﻪ اﺳﺖ و ﮐﺎرﺑﺮدﻫﺎی ﻣﺮﺗﺒﻂ ﺑﺎ آﻧﻬﺎ از ﺟﻤﻠﻪ ﮔﺮوهﺑﻨﺪی، ﺧﻮﺷﻪﺑﻨﺪی، ﺳﯿﺴﺘﻢﻫﺎی ﺗﻮﺻﯿﻪﮔﺮ و ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری ﺑﯿﺶ از ﭘﯿﺶ ﻣﻮرد ﺗﻮﺟّﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ. در ﻣﯿﺎن اینﮐﺎرﺑﺮدﻫﺎ، ﺣﻮزه ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری اﻫﻤﯿّﺖ ﺑﺴﯿﺎری در ﻃﯿﻒ وﺳﯿﻌﯽ از ﺣﻮزهﻫﺎ ﭘﯿﺪا ﮐﺮده اﺳﺖ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ این
 ﮐﻪ دادهﻫﺎی ﻧﺎﻫﻨﺠﺎر ﺑﻪ ﺗﻌﺪاد ﮐﻢ در ﻣﺠﻤﻮﻋﻪ دادهﻫﺎ وﺟﻮد دارﻧﺪ، ﮐﺸﻒ آﻧﻬﺎ ﺑﺎ روشﻫﺎی ﻣﺘﺪاول ﮔﺮوهﺑﻨﺪی ﻣﻨﺠﺮ ﺑﻪ دﻗّﺖ ﭘﺎیین ﻣﺪل ﻣﯽﺷﻮد. ﻋﻼوه ﺑﺮ این، ﭘﯿﭽﯿﺪﮔﯽ ﻣﺴﺄﻟﻪ در یﮏ ﮔﺮاف ﻧﺎﻫﻤﮕﻮن ﮐﻪ ﻣﺘﺸﮑﻞ از ﮔﺮهﻫﺎی ﺑﺎ اﻧﻮاع ﻣﺘﻔﺎوت ﻣﯽﺑﺎﺷﺪ، اﻓﺰایﺶ ﻣﯽیآﺑﺪ. در این ﭘﮋوﻫﺶ ﺳﻌﯽ ﺷﺪه اﺳﺖ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻗﺎﺑﻠﯿﺖﻫﺎی ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ در اﺳﺘﺨﺮاج ویژﮔﯽ، ﻣﺪﻟﯽ ﺑﺮای ﻧﺸﺎﻧﺶ ﺧﺼﻮﺻﯿﺎت ﺳﺎﺧﺘﺎری و ﻣﺤﺘﻮایی ﻫﻤﺴﺎیﮕﺎن ﻣﺠﺎور و ﻏﯿﺮﻣﺠﺎور و ﻧﯿﺰ ﻫﻤﻨﻮع و ﻏﯿﺮﻫﻤﻨﻮع یک ﮔﺮاف ﻧﺎﻫﻤﮕﻮنِ وزﻧﺪار اﺳﺘﺨﺮاج ﻧﻤﻮده و ﺳﭙﺲ ﺑﺎ ﺑﻬﺮهﮔﯿﺮی از یک ﺧﻮدرﻣﺰﮔﺬار ﻣﺘﻐﯿﺮ و ﺑﺮ اﺳﺎس ﻣﯿﺰان ﺧﻄﺎی ﺑﺎزﺳﺎزی، ﮔﺮهﻫﺎی ﻧﺎﻫﻨﺠﺎر را ﺷﻨﺎﺳﺎیی ﮐﻨﯿﻢ. این ﻣﺪل در ﻣﻘﺎیسه ﺑﺎ ﺑﺮﺧﯽ از ﻣﺪلﻫﺎیی ﮐﻪ از ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﺟﻬﺖ ﻧﺸﺎﻧﺶ اﺳﺘﻔﺎده ﻣﯽﮐﻨﻨﺪ، ﮐﺎرایی ﺑﻬﺘﺮیاﻣﺮوزه ﺑﺎ رﺷﺪ ﺷﺒﮑﻪﻫﺎی اﺟﺘﻤﺎﻋﯽ، ﺗﺤﻠﯿﻞ دادهﻫﺎی ﭘﺮوﺗﺌﯿﻨﯽ، ﺧﺪﻣﺎت ﻣﺎﻟﯽ و اﻣﻨﯿﺘﯽ ﺣﺠﻢ دادهﻫﺎی ﺑﺎ ﺳﺎﺧﺘﺎر ﮔﺮاﻓﯽ اﻓﺰایش ﭼﺸﻤﮕﯿﺮی داﺷﺘﻪ اﺳﺖ و ﮐﺎرﺑﺮدﻫﺎی ﻣﺮﺗﺒﻂ ﺑﺎ آﻧﻬﺎ از ﺟﻤﻠﻪ ﮔﺮوهﺑﻨﺪی، ﺧﻮﺷﻪﺑﻨﺪی، ﺳﯿﺴﺘﻢﻫﺎی ﺗﻮﺻﯿﻪﮔﺮ و ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری ﺑﯿﺶ از ﭘﯿﺶ ﻣﻮرد ﺗﻮﺟّﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ. در ﻣﯿﺎن این ﮐﺎرﺑﺮدﻫﺎ، ﺣﻮزه ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری اﻫﻤﯿّﺖ ﺑﺴﯿﺎری در ﻃﯿﻒ وﺳﯿﻌﯽ از ﺣﻮزهﻫﺎ ﭘﯿﺪا ﮐﺮده اﺳﺖ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ این ﮐﻪ دادهﻫﺎی ﻧﺎﻫﻨﺠﺎر ﺑﻪ ﺗﻌﺪاد ﮐﻢ در ﻣﺠﻤﻮﻋﻪ دادهﻫﺎ وﺟﻮد دارﻧﺪ، ﮐﺸﻒ آﻧﻬﺎ ﺑﺎ روشﻫﺎی ﻣﺘﺪاول ﮔﺮوهﺑﻨﺪی ﻣﻨﺠﺮ ﺑﻪ دﻗّﺖ ﭘﺎیین ﻣﺪل ﻣﯽﺷﻮد. ﻋﻼوه ﺑﺮ این، ﭘﯿﭽﯿﺪﮔﯽ ﻣﺴﺄﻟﻪ در یک ﮔﺮاف ﻧﺎﻫﻤﮕﻮن ﮐﻪ ﻣﺘﺸﮑﻞ از ﮔﺮهﻫﺎی ﺑﺎ اﻧﻮاع ﻣﺘﻔﺎوت ﻣﯽﺑﺎﺷﺪ، اﻓﺰایﺶ ﻣﯽیﺎﺑﺪ. در این ﭘﮋوﻫﺶ ﺳﻌﯽ ﺷﺪه اﺳﺖ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻗﺎﺑﻠﯿﺖﻫﺎی ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ در اﺳﺘﺨﺮاج ویژﮔﯽ، ﻣﺪﻟﯽ ﺑﺮای ﻧﺸﺎﻧﺶ ﺧﺼﻮﺻﯿﺎت ﺳﺎﺧﺘﺎری و ﻣﺤﺘﻮایی ﻫﻤﺴﺎیگان ﻣﺠﺎور و ﻏﯿﺮﻣﺠﺎور و ﻧﯿﺰ ﻫﻤﻨﻮع و ﻏﯿﺮﻫﻤﻨﻮع یک ﮔﺮاف ﻧﺎﻫﻤﮕﻮنِ وزﻧﺪار اﺳﺘﺨﺮاج ﻧﻤﻮده و ﺳﭙﺲ ﺑﺎ ﺑﻬﺮهﮔﯿﺮی از یک ﺧﻮدرﻣﺰﮔﺬار ﻣﺘﻐﯿﺮ و ﺑﺮ اﺳﺎس ﻣﯿﺰان ﺧﻄﺎی ﺑﺎزﺳﺎزی، ﮔﺮهﻫﺎی ﻧﺎﻫﻨﺠﺎر را ﺷﻨﺎﺳﺎیی ﮐﻨﯿﻢ. این ﻣﺪل در ﻣﻘﺎیﺴﻪ ﺑﺎ ﺑﺮﺧﯽ از ﻣﺪلﻫﺎیی ﮐﻪ از ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﺟﻬﺖ ﻧﺸﺎﻧﺶ اﺳﺘﻔﺎده ﻣﯽﮐﻨﻨﺪ، ﮐﺎرایی ﺑﻬﺘﺮی دارد. 



CAPTCHA
دفعات مشاهده: 491 بار   |   دفعات چاپ: 80 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر