ارائه یک روش ترکیبی با استفاده از چندین طبقهبند برای سیستم تشخیص نفوذ (1397) / یوسف نژاد ، مریم، نویسنده
نوع مدرک: متون چاپی سرشناسه یوسف نژاد ، مریم، نویسنده عنوان : ارائه یک روش ترکیبی با استفاده از چندین طبقهبند برای سیستم تشخیص نفوذ : مریم یوسف نژاد سال نشر : 1397 صفحه شمار: 55 ص یادداشت چکیده
سیستم تشخیص نفوذ یک سیستم امنیتی می¬باشد، که خرابکاری¬¬¬¬¬ها و نفوذ¬¬های روی شبکه را شناسایی میکند و حملات و سوء استفاده¬های که ¬از شبکه و سیستم میشود را به مسئولان اطلاع میدهد. روشهای مختلف طبقهبندی تکی همچون الگوریتم ژنتیک، فازی، درخت تصمیم، شبکه عصبی و ماشین بردار پشتیبان در سیستم تشخیص نفوذ مورد استفاده قرار گرفتهاند، این روشها هر کدام دارای مزایا و معایبی می¬باشند اما نسبت به بعضی روش¬های ترکیبی نرخ صحت کمتری دارند. در دهه اخیر تشخیص مبتنی بر ناهنجاری و بسیاری از مشکلات طبقهبندی از ایده ترکیب طبقه¬بند استفاده می¬کنند در این پژوهش برای بهبود عملکرد، نرخ صحت و کاهش هشدار اشتباه در سیستم تشخیص نفوذ، روش ترکیب طبقه¬بند پیشنهاد شده است. در این پژوهش از چندین طبقه¬بند SVM و KNN استفاده می¬شود و برای ترکیب خروجی چندگانه KNN و SVM از روش تلفیق داده دمپستر شافر که خروجی آن به صورت چند کلاسه امتیاز دار و امکان بازیابی صریح عدم قطعیت را دارد بکار گرفته شده است. آزمایشات بر روی مجموعهداده KDD99 انجام شده است نتایج آزمایشات نشان برتری نرخ صحت و درستی روش پیشنهادی نسبت به طبقه¬بند¬های بکار رفته در روش پیشنهادی است. همچنین روش پیشنهادی نرخ صحت بیشتری در بعضی حملات، نسبت به سایر روش¬های مطرح در این زمینه را دارد.
واژههای کلیدی: سیستم تشخیص نفوذ، ماشین بردار پشتیبان، الگوریتم نزدیکترین همسایگی، ترکیب طبقه¬بند، دمپستر شافر، تلفیق دادهشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=24600 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 430 پ 430پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت ارزیابی مدیریت اعتماد درشبکههای اجتماعی با استفاده از نظریه شواهد (1398) / عبدالسلامی ، عبدالرضا، نویسنده
نوع مدرک: متون چاپی سرشناسه عبدالسلامی ، عبدالرضا، نویسنده عنوان : ارزیابی مدیریت اعتماد درشبکههای اجتماعی با استفاده از نظریه شواهد تکرار نام مولف : عبدالرضا عبدالسلامی سال نشر : 1398 صفحه شمار: 56ص یادداشت چکیده
ارزیابی مدیریت اعتماد درشبکههای اجتماعی با استفاده از نظریه شواهد
با ظهور شبکههای ارتباطات و اتصال گسترده رایانهها و وسایل همراه، همواره امنیت کاربران و امنیت ارتباط آنان مورد توجه بودهاست. در حوزه شبکههای اجتماعی، اعتماد کاربران به یکدیگر از اصلی ترین مسایل این شبکهها است و مدیریت اعتماد نقش اساسی در این زمینه ایفا میکند. درحال حاضر مدیریت اعتماد از مباحث تعیین کننده در حوزه امنیت نرم و ارتباطات امن است. در امنیت نرم، اعتماد وکسب باور براساس ویژگیها و رفتار کاربران شکل میگیرد و استنباط براساس ذهنیت صورت میگیرد. روشهای مختلفی برای ارزیابی مدیریت اعتماد بین کاربران در شبکههای اجتماعی ارائه شدهاست ولی تشخیص فردی و ذهنی در تصمیم اعتماد کمتر مورد توجه قرار گرفتهاند و در اکثر موارد مدلی کلی و عموما به صورت باینری به منطور تصمیم اعتماد برای همه کاربران ارائه شدهاست که البته ارزیابی اعتماد بدون در نظرگرفتن خصوصیتهای فردی و ذهنی کاربران کارایی لازم را ندارد. در مدل ارائه شده این پایاننامه، ویژگیهای کاربران با در نظر گرفتن میزان اهمیت آنها به شواهدی برای تصمیمگیری در رابطه با اعتماد تبدیل میشوند و الگویی برای ارزیابی اعتماد براساس منطق ذهنی ارائه میشود. در این مدل ویژگیهای کاربران، ارزیابی محاسباتی میشود و مجموعههای مقادیر اعتماد و بیاعتمادی و ابهام به شواهدی برای ترکیب و تجمیع تبدیل میشوند و مقادیر نهایی ترکیب شواهد به منظور تصمیم اعتماد و تعیین درجه اعتماد و ایجاد ارتباط امن مورد استفاده قرار میگیرند و میزان قابلیت اعتماد کاربر در کل شبکه توسط همه کاربران تعیین میگردد. امتیاز اصلی این مدل ارائه الگوی محاسباتی برای تعیین درجات اعتماد و مقادیر مختلف ارزیابی اعتماد است. ارزیابی این مدل با کاربرد پایگاه داده اپینیون و نرم افزار متلب صورت میپذیرد. و نتایج نشان دهنده میزان احتمالی کارایی این مدل خواهد بود.
کلمات کلیدی
مدیریت اعتماد ، نظریه شواهد دمپستر شفر ، تابع باور ، ویژگی کاربر، شبکه های اجتماعیشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=25398 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 601پ 601پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه کلیدری ، مهسا، نویسنده عنوان : انتخاب ویژگی با استفاده از الگوریتم فاخته بهبود یافته تکرار نام مولف : مهسا کلیدری سال نشر : 1398 صفحه شمار: 54ص یادداشت چکیده
انتخاب ویژگی نقش بسیار مهمی در داده هایی با ابعاد بالا دارد و به همین دلیل در سال های اخیر بسیار مورد توجه واقع شده است. یکی از کارهای بسیار مهم در داده کاوی و یادگیری ماشین کشف مرتبط ترین و مهم ترین ویژگی ها برای طبقه بندی است. در تمام دادگان ها ویژگی هایی نامرتبط به حل مساله وجود دارد که نرخ صحت و همچنین سرعت طبقه بند را تحت تاثیر قرار دهد. انتخاب ویژگی یک مساله بهینه سازی است که هدف آن بهبود نرخ صحت در طبقه بندی داده ها با بیشترین حذف داده نامرتبط است. مهمترین مساله ای که الگوریتم های انتخاب ویژگی با آن روبه رو هستند تصمیم گیری در این مورد است که کدام ویژگی باید در طبقه بندی شرکت کند. استفاده از تعداد زیاد ویژگی نیازمند حافظه زیاد است و از طرف دیگر سرعت اجرا را کاهش می دهد. پیچیدگی ابعاد مساله موجب ناکارآمدی الگوریتم های سنتی شده است و الگوریتم های تکاملی برای بهبود حل مساله مورد استفاده واقع شده اند. در این پژوهش با آشوبی کردن توام با استفاده از پرواز لوی در الگوریتم فاخته به الگوریتم فاخته بهبودیافته دست پیدا نموده تا بتوان به زیرمجموعه بهینه از ویژگی ها دست یافت. در الگوریتم فاخته بهبود یافته با کاهش میزان تصادفی بودن ویژگی های انتخاب شده و دوری از گیر کردن درپاسخ های بهینه محلی می توان به زیرمجموعه ویژگی مفیدتر و بهتری دست یافت. برای اثبات تاثیرگذاری و کارایی الگوریتم پیشنهادی، آزمایشات بر روی 15 دادگان دنیای واقعی انجام شده است. آزمایشات در حوزه نرخ صحت طبقه بند، نرخ کاهش ویژگی و میزان زمان مصرفی پردازنده انجام گردید و نتایج حاصل از آزمایشات برتری الگوریتم فاخته بهبودیافته را در میزان نرخ صحت، مقابل پنج الگوریتم مرز دانش شامل الگوریتم های جست وجوی کلاغ، وال، ازدحام ذرات، دسته گرگ خاکستری و فاخته را نشان می دهد. این نتایج، توانایی الگوریتم فاخته بهبودیافته را در انتخاب مرتبط ترین ویژگی ها و کاهش ویژگی معقول برای طبقه بندی نشان می دهد. همچنین با افزودن نویز به دادگان، آزمایشات نشان داد که الگوریتم فاخته بهبود یافته در مقابل سایر الگوریتم ها، با حضور ویژگی های نویزی، کمتر تحت تاثیر قرار می گیرد و نتایج معقول تر و بهتری در مواجهه با نویز دارد و نرخ صحت طبقه بندی تاثیر جدی در برابر نویز پیدا نمی کندشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=25413 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 616پ 616پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت انتخاب ویژگی در طبقهبندی دادههای چند برچسبی در حوزه سیستمهای توصیهگر (1398) / انصاریمهر ، محمد، نویسنده
نوع مدرک: متون چاپی سرشناسه انصاریمهر ، محمد، نویسنده عنوان : انتخاب ویژگی در طبقهبندی دادههای چند برچسبی در حوزه سیستمهای توصیهگر تکرار نام مولف : محمد انصاریمهر سال نشر : 1398 صفحه شمار: 34ص یادداشت چکیده
دادههای چند برچسبی به دادههایی گفته میشود که در آن بر خلاف دادههای تک برچسبی، هر نمونه در یک لحظه ممکن است متعلق به چندین کلاس باشد. در سالهای پیشین، به دلیل رشد روز افزون کاربردهای این گونه از دادهها در دنیای واقعی، طبقهبندی دادههای چند برچسبی توجه بسیاری از پژوهشگران را به خود جلب کرده است. همانند طبقهبندی دادههای تک برچسبی، در دادههای چند برچسبی نیز حذف ویژگیهای زاید، تکراری و نا کارآمد قطعاً تا حد زیادی تاثیر در بهبود صحت عملکرد طبقهبند خواهد داشت.
در این پژوهش یک روش ترکیبی برای انتخاب ویژگی در دادههای چند برچسبی پیشنهاد شده است. روش پیشنهادی بر پایه الگوریتم بهینهسازی ازدحام ذرات معرفی شده است. از آنجایی که معمولاً تعداد ویژگیهای دادههای چند برچسبی زیاد است و علاوه بر این تعداد کلاسهایی که هر نمونه با آن در ارتباط است بسیار بیشتر از دادههای تک برچسبی است استفاده مستقیم و بر خط از نتیجه روشهای جستجو برای کشف زیرمجموعه ویژگی بهینه، هزینه محاسباتی بسیار بالایی را در پی خواهد داشت و حتی ممکن است با شکست روبه رو شود. از این رو روش پیشنهادی، نتیجه مجموعه انتخاب برجستهترین ویژگیها را به صورت برونخط ارایه مینماید.
از سویی دیگر به دلیل اینکه طبقهبندی چند برچسبی و طبقهبندی تک بر چسبی به لحاظ کشف ارتباط میان ویژگیهای توصیفی هر نمونه با برچسبهای مرتبط آن، از نظر تئوری قدری با هم تفاوت دارند از این رو الگوریتم ازدحام ذرات برای طبقهبندی تک بر چسبی باید از لحاظ معیار ارزیابی صحت، نحوه محاسبه مکان و سرعت هر ذره سازگار گردند که در این پژوهش برای هر بخش روشی مناسب ارایه گردیده است تا با کمترین تغییر در تئوری طبقهبندی تک بر چسبی، بتوان طبقهبندی چند برچسبی را نیز پشتیبانی نمود.
واژههای کلیدی: طبقهبندی، دادههای چند برچسبی، انتخاب ویژگی، الگوریتمهای تکاملی، بهینهسازی ازدحام ذرات، روشهای ترکیبی، یادگیری ماشین،شناسه افزوده : حمیدزاده ، جواد، نویسنده لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=25406 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 609پ 609پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه امین ، ریحانه، نویسنده عنوان : بهبود دقت طبقه بندی داده های نامتعادل با ابعاد بالا تکرار نام مولف : ریحانه امین سال نشر : 1396 صفحه شمار: 62ص یادداشت چکیده
امروزه حل مسائل طبقه بندی مجموعه دادههای نامتعادل، یکی از موضوعات مهم در حوزه دادهکاوی و یادگیری ماشین است که به علت توزیع نامتعادل دادهها، با مشکلات زیادی روبرو شدهاست. این مسئله زمانی که با ابعاد بالا برای ویژگیهای نمونهها روبرو هستیم، باعث میشود که طبقهبندهای استاندارد نتیجه مطلوبی نداشته باشند. محققان برای حل مسائل مجموعههای نامتعادل، روشهایی را با هدف افزایش دقت طبقهبندی پیشنهاد دادهاند. تحقیقات انجام شده برای حل این مشکلات به پنج دستهی کلی: 1- سطح داده 2- سطح الگوریتم 3- یادگیری حساس بههزینه 4- یادگیری گروهی 5- روش انتخاب ویژگی تقسیم میشوند. در این پایاننامه، ما از دو روش حساس به هزینه و انتخاب ویژگی استفاده کردهایم. روش پیشنهادی، ابتدا با استفاده از خوشهبندی فازی (FCM)، درجه عضویت برای هر نمونه از کلاس اقلیت را محاسبه کرده و با پیدا کردن نمونههای اقلیت دشوار و مشخص شدن درجه عضویت آنها، توسط روش پیشنهادی هزینهای به این نمونهها اعمال میکند و سپس برای حل مشکل ابعاد بالا، با استفاده از یک روش انتخاب ویژگی پوشه توسط الگوریتم ازدحام ذرات آشوبی به وسیله پرواز لوی، به جستجوی بهترین مجموعه ویژگی میپردازیم و با استفاده از طبقهبند ماشین بردار پشتیبان، دقت طبقهبندی نادرست نمونههای اقلیت را کاهش میدهیم. روش پیشنهادی با چند روش دیگر طبقهبندی که اخیرا ارائه شدهاست، مقایسه شده و توسط معیار G-Mean ارزیابی شدهاست. در روش پیشنهادی از روش ارزیابی اعتبارسنجی ضربدری دهتایی، برای طبقهبندی استفاده شدهاست. نتایج آزمایشات، نشاندهندهی برتری روش پیشنهادی نسبت به روشهای مرز دانش و مطرح، بر اساس معیار G_Mean است.
واژههای کلیدی: طبقهبندی دادهها، مجموعه دادههای نامتعادل، ابعاد بالا، یادگیری حساس به هزینه، انتخاب ویژگی، بهینهسازی ازدحام ذرات آشوبی، پرواز لویشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=25383 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 586پ 586پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت بهبود عملکرد طبقه بندی داده های جریانی در حضور داده نامتوازن و تغییر مفهوم (1397) / رشیدی محمودی ، محمدعلی، نویسنده
نوع مدرک: متون چاپی سرشناسه رشیدی محمودی ، محمدعلی، نویسنده عنوان : بهبود عملکرد طبقه بندی داده های جریانی در حضور داده نامتوازن و تغییر مفهوم تکرار نام مولف : محمدعلی رشیدی محمودی سال نشر : 1397 صفحه شمار: 59ص یادداشت چکیده
امروزه با افزایش سرعت و حجم دادهها با مفهومی به نام داده های جریانی برمیخوریم. داده های جریانی، دادههایی با حجم بالا میباشند که بهصورت افزایشی و سرعتبالا به سامانه وارد میشوند. همراه با این دادهها مفاهیم مختلفی مانند داده های نامتوازن و تغییر مفهوم به وجود می آید. از مهم ترین چالشهایی که در داده های جریانی مطرح می شود، تغییر الگوی توزیع داده ها در طول زمان بوده که به آن تغییر مفهوم می گویند. در این پایان نامه روشی جدید برای طبقهبندی داده های جریانی در حضور تغییر مفهوم و داده نامتوازن ارائه شده است. روش پیشنهادی دارای دو بخش است؛ بخش اول موسوم به MNOS که داده را با استفاده از تابع باور، تابع آشوبی و نمونه افزایی متوازن میکند و سپس در بخش دوم با استفاده از وزن دهی، محاسبه خطا و تعیین سه حد آستانه خطا تغییر مفهوم را شناسایی و در نهایت طبقه بندی می¬کند. هدف این روش بهبود عملکرد طبقه بندی داده های جریانی در حضور تغییر مفهوم و داده نامتوازن است. نتایج به دست آمده روی مجموعه¬داده¬های SEA، WEATHER و PIMA نشان از برتری روش پیشنهادی نسبت به روش های مشابه از جمله روش NSDS و OSELM است.
واژههای کلیدی: تغییر مفهوم، داده نامتوازن، تابع باور، تابع آشوبی، طبقهبندی برخط، نمونه افزاییشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=25045 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 524پ 524پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت بهبود فیلترینگ مشارکتی با کمک خوشهبندی فازی C – میانگین مرتبشده و الگوریتم ازدحام ذرات تطبیقی – آشوبی در سیستمهای توصیهگر (1397) / ودیعی نوقابی ، تکتم، نویسنده
نوع مدرک: متون چاپی سرشناسه ودیعی نوقابی ، تکتم، نویسنده عنوان : بهبود فیلترینگ مشارکتی با کمک خوشهبندی فازی C – میانگین مرتبشده و الگوریتم ازدحام ذرات تطبیقی – آشوبی در سیستمهای توصیهگر تکرار نام مولف : تکتم ودیعی نوقابی سال نشر : 1397 صفحه شمار: 84ص یادداشت چکیده
سیستمهای توصیهگر زیرمجموعهای از سیستمهای هوشمند برای پالایش اطلاعات هستند که در فضای
اینترنت علاقههای کاربران را شناسایی میکنند. آنها با پالایش اطلاعات موجود، پیشنهادات مناسب و مرتبط
باسلیقهی شخصی کاربر ارائه میدهند. با توسعه وب و افزایش روزافزون حجم دادهها و اطلاعات، این سیستمها
و عملکرد آنها روزبهروز حائز اهمیت بیشتری میگردد. ارائه پیشنهادات متناسب با نیاز و سلیقهی اشخاص و
بهبود کارایی این سیستمها، اعتماد کاربران به آنها را افزایش میدهد. از مهمترین چالشها در این سیستمها
پراکندگی و حجم زیاد داده، مقیاسپذیری و مسئلهی شروع سرد میباشد که بر کارایی آنها مؤثر است.
استفاده از روشهای دادهکاوی در پردازش اطلاعات موجود میتواند به کسب نتایج بهتر منجر شود. فیلترینگ
مشارکتی مبتنی بر کاربر یکی از مهمترین انواع سیستمهای توصیهگر است. در تحقیقات اخیر، استفاده از
روشهای خوشهبندی فازی بیشازپیش در این نوع سیستمها موردمطالعه و توسعه قرارگرفته است. در این
پژوهش، برای اولین بار از الگوریتم خوشهبندی فازی C -میانگین مرتبشده و الگوریتم تکاملی ازدحام ذرات
تطبیقی آشوبی برای خوشهبندی کاربران استفادهشده است. در این روش سعی بر این بوده است تا تأثیر
چالشهای مطرحشده، بر یافتن همسایگی کاربران و ارائه توصیه به آنها کاهش یابد و درنتیجه افزایش کارایی
خوشهبند و سیستم توصیهگر حاصل شود. جهت ارزیابی و اثبات کارایی روش پیشنهادی در مقایسه با سایر
الگوریتمهای خوشهبندی آزمایشهایی روی پایگاه دادههای واقعی، اجرا شدهاست. با استفاده از معیار نرخ خطا
نتایج آزمایشها نشان میدهد روش ارائهشده در پیشبینی امتیازات دقت بیشتر و خطای کمتری دارد و در
نتیجه باعث بهبود عملکرد سیستم توصیهگر نسبت به روشهای موجود میگردد.
واژههای کلیدی: سیستم توصیهگر، فیلترینگ مشارکتی ،خوشهبندی فازی،الگوریتم تکاملی، الگوریتمشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=24816 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 505پ 505پ پایاننامه کتابخانه سجاد مهندسی فناوری اطلاعات اسناد مرجع غیر قابل امانت بهبود نرخ صحت در طبقهبندی تککلاسه دادههای جریانی ایستا با قابلیت یادگیری افزایشی (1395) / قومنجانی ، محمدهادی، نویسنده
نوع مدرک: متون چاپی سرشناسه قومنجانی ، محمدهادی، نویسنده عنوان : بهبود نرخ صحت در طبقهبندی تککلاسه دادههای جریانی ایستا با قابلیت یادگیری افزایشی تکرار نام مولف : محمدهادی قومنجانی سال نشر : 1395 صفحه شمار: 60 ص یادداشت چکیده
داده جریانی یک دنباله از دادهها با ویژگیهای خاصی از جمله حجم زیاد و دسترسی تدریجی به دادههاست. در بسیاری از کاربردهای دادههای جریانی، دادههایی از یک نوع دسته و گروه موجود است، تشخیص دادههای غیر از این دسته یک فعالیت مهم در دادههای جریانی به شمار میرود. هنگامیکه دادههای یک دسته در دسترس هستند از طبقهبندی تککلاسه برای طبقهبندی دادهها استفاده میشود. وظیفه اصلی طبقهبندی تککلاسه جداسازی دادهها به دو بخش داده هدف و پرت است. دسترسی تدریجی به دادهها یا در دسترس نبودن تمام دادهها در یک زمان خاص، یک چالش مهم در طبقهبندی دادههای جریانی است. این مطلب به طور مستقیم تاثیر منفی بر صحت طبقهبندی دارد. در این پایاننامه برای بهبود صحت طبقهبندی دادههای جریانی ایستا، دو طبقهبند افزایشی پیشنهاد شده است. روش اول بر پایه الگوریتم پوسته محدب میباشد. این روش با وزندهی به نقاط پوسته محدب براساس تراکم، سعی در بهبود صحت طبقهبند دارد. ایده اصلی روش پیشنهادی دوم مبتنی بر طبقهبند رُبع کُره ماشین بردار پشتیبان است. این طبقهبند با تقسیم مسئله به دومسئله طبقهبندی با فضای نمونه کمتر، سعی در تشخیص مرز کلاس هدف را دارد. برای ارزیابی روشهای پیشنهادی، آزمایشهای متعددی بر روی مجموعه دادههای واقعی انجام شده است. نتایج حاصل از آزمایشها نشاندهنده عملکرد بهتر روش پیشنهادی دوم از نظر بهبود صحت طبقهبندی در مقایسه با الگوریتمهای مرز دانش است.
واژههای کلیدی
دادههای جریانی، طبقهبندی تککلاسه، یادگیری افزایشیشناسه افزوده : حمیدزاده ، جواد، نویسنده لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14894 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 258پ 258پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت بهبود کارایی سیستم توصیهگر بهکمک طبقهبند ماشین بردار پشتیبان رُبع کُره وزندار (1397) / صادقزاده ، مریم، نویسنده
نوع مدرک: متون چاپی سرشناسه صادقزاده ، مریم، نویسنده عنوان : بهبود کارایی سیستم توصیهگر بهکمک طبقهبند ماشین بردار پشتیبان رُبع کُره وزندار تکرار نام مولف : مریم صادقزاده سال نشر : 1397 صفحه شمار: 86ص یادداشت چکیده
سیستمهای توصیهگر با توجه به تواناییشان در انتخابهای مناسب برای کاربران، در حوزه فناوریهای اینترنت به سرعت در حال رشد هستند. بنابراین بهبود عملکرد در این سیستمها، میتواند امری مهم و قابل توجه باشد. روشهای دادهکاوی به طور مؤثر میتوانند یک راهحل برای کسب نتایج بهتر در این سیستمها شوند. در این پایاننامه دو روش جدید با ترکیب فیلترکننده مشارکتی و طبقهبند ماشین بردار پشتیبان رُبع کُره ارائه شده است. نخستین روش با معرفی یک پارامتر جدید تعیینکننده درجه اعتبار نمونهها، با کمک الگوریتم خفاش مجهز به پرواز لِوی آشوبی، تأثیر دادههای نویزی و پَرت در ساخت مرز تصمیمگیری را کاهش داده است تا درنتیجه آن به افزایش کارایی طبقهبند ماشین بردار پشتیبان رُبع کُره منجر شود. در روش دوم با تعیین میزان اهمیت نمونهها به¬کمک مجموعه فازی ناهموار، طبقهبند بهتری نسبت به روشهای پیشین ارائه شده است. جهت نشاندادن کارایی روشهای پیشنهادی آزمایشهای متعددی بر روی مجموعه دادههای محک اجرا شده است. نتایج آزمایشها روی مجموعه دادههای واقعی نشان میدهد که روشهای پیشنهادی کارایی را نسبت به روشهای مطرح موجود، بهبود میبخشد.
کلمات کلیدی:
سیستمهای توصیهگر، ماشین بردار پشتیبان رُبع کُره، مجموعه فازی ناهموار، الگوریتم خفاش پرواز لِوی آشوبیشناسه افزوده : حمیدزاده ، جواد، استاد راهنما رضایی نیک ، ابراهیم، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=25405 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 608پ 608پ پایاننامه کتابخانه سجاد مهندسی صنایع اسناد مرجع غیر قابل امانت ترکیب طبقه بند بردار پشتیبان توصیف داده با طبقه بند کردال برای بهبود صحت در مقابل داده های دارای عدم قطعیت (1396) / نمایی قاسمی ، ندا، نویسنده
نوع مدرک: متون چاپی سرشناسه نمایی قاسمی ، ندا، نویسنده عنوان : ترکیب طبقه بند بردار پشتیبان توصیف داده با طبقه بند کردال برای بهبود صحت در مقابل داده های دارای عدم قطعیت تکرار نام مولف : ندا نمایی قاسمی سال نشر : 1396 صفحه شمار: 47ص یادداشت چکیده
یکی از اهداف اصلی علم دادهکاوی، جستجو و بررسی نوع خاصی از دادههامیباشد. برای جداسازی این نوع خاص از بقیهیدادهها، میتوان آنها را به دو دستهیدادههای مطلوب (هدف) و دادههای دیگر (دادههای پرت) تقسیم کرد. بررسی این دادهها و جداسازی آنها از هم مستلزم نوعی طبقهبندی داده است. طبقهبندی نیز به طور کلی به دو روش طبقهبندی سنتی و طبقهبندی تک کلاسه انجام میشود. بردار پشتیبان توصیف داده یک طبقهبندتککلاسه مبتنی بر بردار پشتیبان در یادگیری ماشینی است که هدف آن پیدا کردن مرزی در اطراف داده¬های هدف است به طوری که بیشترین تعداد داده¬های هدف را در برگرفته و کمترین میزان داده¬های پرت را شامل شود. اما وجود دادههای دارای عدم قطعیت در اطراف مرز این طبقهبند، طبقهبندی را با چالش مواجهه میکند.
یکی از ابزارهای مواجهه با عدم قطعیت استفاده از تئوری توابع باور است. یکی از طبقهبندهای کارا که با استفاده از این تئوری عمل میکند، طبقهبندکردال است. از این رو در این پایاننامهبرآنیم تا با ترکیب دو طبقهبندکردال و بردار پشتیبان توصیف داده، روشی برای مقاومسازیطبقهبند و بهبود صحت آن در مقابل دادههای دارای عدم قطعیت ارائه کنیم. برای ارزیابی روش پیشنهادی، آزمایشهای متعددی بر روی مجموعه دادههای واقعی انجام شده است. نتایج حاصل از آزمایشهانشاندهنده عملکرد بهتر این روش، از نظر میزان صحت در مقایسه با روشهای دیگر است.
واژههای کلیدی:بردار پشتیبان توصیف داده، طبقهبند کردال، تئوری توابع باور، عدم قطعیتشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=22861 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 381پ 381پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت حل مسئله زمانبندی کارکارگاهی پویا با الگوریتم کلونی زنبورعسل مصنوعی چندجمعیتی آشوب گونه مبتنیبر حافظه و پرواز لِوی (1397) / علیزاده ، فرزانه، نویسنده
نوع مدرک: متون چاپی سرشناسه علیزاده ، فرزانه، نویسنده عنوان : حل مسئله زمانبندی کارکارگاهی پویا با الگوریتم کلونی زنبورعسل مصنوعی چندجمعیتی آشوب گونه مبتنیبر حافظه و پرواز لِوی : فرزانه علیزاده سال نشر : 1397 صفحه شمار: 84 ص یادداشت چکیده
یکی از مطرحترین مباحث که توجه محققان و پژوهشگران صنعت را بهخصوص در دهههای اخیر به خود اختصاص داده است، مقوله زمانبندی میباشد. ایجاد یک برنامهریزی اثربخش و کارآمد جهت تعیین توالی تولید ارتباط اساسی با افزایش راندمان سیستمهای تولیدی دارد. بسیاری از این تحقیقات بهمنظور حل مسئله زمانبندی ایستا طراحی و فرمولبندی شدهاند. اتفاقات پویا نظیر ورود کار جدید، خرابی ماشین آلات و تغییر در زمان پردازش، اتفاقات انکار ناپذیری در محیط تولید هستند که در مسئله زمانبندی ایستا نادیده گرفته میشوند. یکی از اهدف این پژوهش استفاده ترکیبی از الگوریتم چندجمعیتی کلونی زنبورعسل مصنوعی با نگاشت آشوبی و پرواز لِوی (MCLABCA) برای تسریع در یافتن پاسخهای بهینه در مسئله زمانبندی کار کارگاهی پویا به عنوان یک مسئله با پیچیدگی NP-hard است. مسائل محک متعددی که شامل تعدادی از کارها، تعدادی از ماشینها و اتفاقات پویای متفاوتی باشند تولید میشوند و جزئیات نتایج عددی نشاندهنده عملکرد بهتر روش پیشنهادی برای حل مسئله مورد نظر در مقایسه با سایر روشهای ارائه شده است. همچنین بهمنظور ارزیابی کارایی روش پیشنهادی، از مسئله معروف محک قلههای متحرک برای محیط آزمایشها استفاده شده است و نتایج تجربی نشاندهنده کارایی بهتر روش پیشنهادی برای حل مسائل بهینهسازی پویا، در مقایسه با سایر روشهای مطرح مرز دانش است.
کلمات کلیدی: الگوریتم کلونی زنبورعسل مصنوعی، آشوب، بهینهسازی پویا، پرواز لِوی، چندجمعیتی، حافظه، زمانبندی کارگاهی پویاشناسه افزوده : حمیدزاده ، جواد، استاد راهنما رضایی نیک ، ابراهیم، استاد مشاور لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=24608 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 438پ 438پ پایاننامه کتابخانه سجاد مهندسی صنایع اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه قدمیاری ، ریحانه، نویسنده عنوان : خوشه بندی داده های جریانی با عدم قطعیت با استفاده از تابع باور تکرار نام مولف : ریحانه قدمیاری سال نشر : 1396 صفحه شمار: 59ص یادداشت چکیده
با توجه به افزایش منابع تولید دادههای جریانی، حجم انبوهی از اطلاعات، روزانه تولید میشود که نگهداری این اطلاعات در عمل ممکن نیست. استخراج مدل از میان این اطلاعات خام، برای رسیدن به دانشی مفید، امری ضروری محسوب میشود. هدف ما در این تحقیق،ارائه روشی جدید برای خوشهبندی دادههای جریانی، به نام DSCBF(Data Stream Clustering using Belief Function)، با توجه به مشکل عدمقطعیتموجود در دادهها است. در روش پیشنهادی، برای حل مشکل عدمقطعیت و ابهام در دادهها، از تابع باور استفاده شده است. تابع باور، به منظور خوشهبندی دادهها در خوشههای تکی و یا مجموعهای از خوشهها و تعیین ساختار دادهها، مورد استفاده قرار میگیرد. علاوه بر آن، استفاده از روش پنجره لغزان و وزندهی به مراکز با در نظر گرفتن زمان، موجب غلبه بر ویژگیهای خاص دادههای جریانی میشود. نتایج آزمایشها نشاندهنده برتری روش پیشنهادی، از نظر خلوص، درصد خطا و ابهام نسبت به سایر روشهای مطرح مرز دانش است.
واژههای کلیدی:خوشهبندی، دادههای جریانی، تابع باور، تئوری دمپستر شافرشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=21286 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 365پ 365پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت طبقه بندی چند کلاسه ماشین بردار پشتیبان با استفاده از اطلاعات ممتاز و یادگیری فعال (1396) / جاوید ، میترا، نویسنده
نوع مدرک: متون چاپی سرشناسه جاوید ، میترا، نویسنده عنوان : طبقه بندی چند کلاسه ماشین بردار پشتیبان با استفاده از اطلاعات ممتاز و یادگیری فعال تکرار نام مولف : میترا جاوید سال نشر : 1396 صفحه شمار: 63ص یادداشت چکیده
اساس کار ماشین بردار پشتیبان طبقهبندی دو کلاسه است ولیتوسعههایی از آن برای حل مسائل چندکلاسه در نظرگرفته شده است. دو رویکرد کلی برای طبقهبندی چندکلاسه با استفاده از ماشین بردار پشتیبان عبارتند از: یکی در مقابل یکی (OAO) و یکی در مقابل همه (OAA). اگرچه در روش OAAتعداد طبقهبندها کمتر است، اما ناحیههایی وجود خواهد داشت که ماشین بردار پشتیبان قادر به طبقهبندی صحیح آنها نیست. در این پایاننامه به منظور غلبه بر ناحیههای دشوار طبقهبندی OAA و کاهش هزینه برچسبگذاری دادههای نیمهنظارتی از مفهوم یادگیری فعال بهره بردهایم. به این ترتیب نمونههای آموزندهتر از نواحی دشوار طبقهبندی انتخاب شده و پس از برچسبگذاری توسط کارشناسان به عنوان نمونههای آموزش بهکار گرفته خواهند شد. همچنین در این مدل با هدف افزایش صحت طبقهبند، از چارچوب یادگیری با استفاده از اطلاعات ممتاز استفاده شده است. در بیشتر تحقیقات انجام شده، فرد خبره اطلاعات ممتاز را مشخص میکند و براساس آن دادههای آموزش را به چند گروه تقسیم میکند. هدف ما، انتخاب خودکار ویژگی حاوی اطلاعات ممتاز و همچنین گروهبندی دادههای آموزش براساس اطلاعات ممتازی است که در این ویژگی به صورت مخفی وجود دارد. درنهایت با بهکارگیری طبقهبند ارائه شده در روش یکی در مقابل همه یک طبقهبند چندکلاسه معرفی میگردد. نتایج آزمایشات نشاندهنده برتری روش پیشنهادی نسبت به سایر روشهای مطرح، از لحاظ صحت طبقهبندی در این زمینه است.
واژههای کلیدی: طبقهبندی، نیمهنظارتی، یکی در مقابل همه، ماشین بردار پشتیبان، اطلاعات ممتاز،یادگیری فعالشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=22905 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 388پ 388پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه زنگنه ، احمدرضا، نویسنده عنوان : کاهش توام نمونه و ویژگی تکرار نام مولف : احمد رضا زنگنه سال نشر : 1398 صفحه شمار: 84ص یادداشت چکیده
امروزه داده های زیادی توسط برنامه های کاربردی تولید می شوند و به نوعی حجم و ابعاد داده ها در حال افزایش است. پردازش این حجم داده نیاز به ابزارهای مانند پردازش ابری دارد اما منابع موجود در فضای محاسبات ابری نامحدود نبوده و نیاز است که تعداد نمونه های ارسال شده به فضای ابری کاهش داده شود و از طرفی ابعاد داده ها نیز برای پردازش سریع تر کاهش داده شود. در روش پیشنهادی برای کاهش تعداد ابعاد داده ها از روش انتخاب ویژگی استفاده شده است و برای این منظور الگوریتم بهینه سازی کفتار برای انتخاب ویژگی های داده ها جهت کاهش ابعاد داده ها استفاده شده است و نیز برای کاهش دادن تعداد نمونه از روش خوشه بندی Kmeans استفاده شده است به نحوی که در این الگوریتم داده های که پرت تشخیص داده می شوند دارای فاصله بیشتری از مراکز خوشه¬ای بوده و از نمونه ها حذف می شوند. در واقع برای کاهش دادن تعداد نمونه ها می توان از خوشه بندی نمونه ها در هر بار اجراء استفاده نمود و نمونه های که فاصله بیشتری از مراکز خوشه ای دارند را به عنوان نمونه های که باید حذف شوند در نظر گرفت. آزمایشات و پیاده سازی بر روی چندین مجموعه داده مانند هرزنامه، بیماری قلبی و سرطان سینه نشان می دهد روش پیشنهادی نسبت به الگوریتم بهینه سازی وال و الگوریتم بهینه سازی پروانه بیشتر توانسته است تابع هدف انتخاب ویژگی را کاهش دهد. از طرفی خطای روش پیشنهادی برای طبقه بندی نسبت به الگوریتم بهینه سازی وال و الگوریتم بهینه سازی پروانه کمتر است. آزمایشات نشان می دهد تعداد ویژگی انتخاب شده برای انواع مجموعه داده ها در روش پیشنهادی از الگوریتم بهینه سازی وال و الگوریتم بهینه سازی پروانه کمتر بوده و این موضوع نشان می دهد روش پیشنهادی بیشترین کاهش ابعاد را بر روی مجموعه داده ها اعمال نموده است. همچنین نشان می دهد که استفاده از الگوریتم خوشه بندی Kmeans باعث شده که نمونه های زائد از مجموعه داده ها حذف شود.
کلمات کلیدی:
کاهش ابعاد،کاهش نمونه، انتخاب ویژگی، الگوریتم فراابتکاری، داده کاویشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=25375 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 578پ 578پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه کاشفی ، نیلوفر، نویسنده عنوان : کاهش داده ها به صورت متوازن در طبقه بندی داده ها تکرار نام مولف : نیلوفر کاشفی صفحه شمار: 70 ص یادداشت چکیده
کاهش داده ها به صورت متوازن در طبقه بندی داده های نامتوازن
کاهش نمونه یکی از روش های پیش پردازش داده ها در فرآیند استخراج دانش می باشد. کاهش نمونه شامل حذف داده های تکراری، داده های نویزی و به طور کلی داده هایی است که عدم حضور آن ها خللی به دقت طبقه بندی داده ها وارد نمی کند. روال کاهش نمونه ضمن بهبود سرعت اجرا الگوریتم، دقت نتایج را نیز با حذف نمونه های شامل نویز یا خطا افزایش می دهد. از طرف دیگر، یکی از چالش های مهم در مسائل یادگیری ماشین پردازش داده های نامتوازن می باشد. از این رو، در این پژوهش روشی جهت کاهش نمونه بر روی داده¬های متوازن و نامتوازن ارائه شده است. در این روش، ابتدا یک سطح تصمیم مبتنی بر فاصله وزن دار فازی به منظور تعیین برچسب نمونه ها ارائه شده است که در آن ابتدا نمونه های آموزش به کمک یک روش فازی، وزن دهی می شوند سپس میانگین وزن دار کلاس ها مشخص می شود، نمونه های آزمون متعلق به کلاسی هستند که فاصله کمتری تا مرکز آن دارند. در این پژوهش برای کاهش نمونه از الگوریتم رقابت استعماری آشوبی جهت جستجو در فضای راه حل های مسأله استفاده شده است و تابع ارزیابی این الگوریتم به کمک دقت محاسبه شده توسط سطح تصمیم ارائه شده، محاسبه می شود. در روش پیشنهادی، با اعمال معیارهای ارزیابی مربوط به داده های نامتوازن در تابع ارزیابی، نرخ توزیع بین کلاسی داده ها بعد از کاهش داده ها حفظ شده است. از طرف دیگر به کار بردن توابع آشوب در الگوریتم رقابت استعماری آشوبی سبب کنترل سرعت همگرایی این الگوریتم شده است.آزمایشات بر روی داده های واقعی برگرفته شده از مجموعه داده UCI انجام شده است. روش پیشنهادی در مقایسه با سایر روش های مرز دانش برای داده های متوازن با وجود نرخ کاهش بالاتر، نرخ خطا افزایش پیدا نکرده است. همچنین برای داده های نامتوزان به بالاترین معیارG-meanبا نرخ کاهش قابل قبولی رسیده است.
کلمات کلیدی:کاهش نمونه، سطح تصمیم مبتنی فاصله میانگین وزن دار فازی، الگوریتم رقابت استعماری آشوبی، سرعت همگرایی، نرخ کاهش، نرخ خطاشناسه افزوده : حمیدزاده ، جواد، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14893 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 257پ 257پ پایاننامه کتابخانه سجاد مهندسي كامپيوتر اسناد مرجع غیر قابل امانت