فهرست مطالب علی قنبری سرخی
-
پیش بینی عملکرد پروتئین یکی از چالش های اصلی در بیوانفورماتیک می باشد که کاربردهای زیادی دارد. در سال های اخیر در تحقیقات بسیاری از روش های یادگیری ماشین در این زمینه استفاده شده اند. در این روش ها ابتدا باید از توالی پروتئین ویژگی های مختلف استخراج شود و بر اساس ویژگی های استخراج شده عمل دسته بندی انجام شود. غالبا روش های استخراج ویژگی بر اساس خصوصیات فیزیکی و شیمایی توالی پروئتین می باشد. بنابراین استخراج ویژگی هایی مناسب از توالی پروتئین باعث افزایش و بهبود عملکرد روش های یادگیری ماشین می شود. در این مقاله، یک مجموعه جدید از ویژگی ها بر اساس روش های PSSM، PsePSSM، K-gram ، AAC و روش نوین TFCRF که تا کنون در این کاربرد استفاده نشده برای استخراج ویژگی های مناسب پیشنهاد شده است. ویژگی های استخراج شده با استفاده از این روش قدرت تمایز کنندگی خوبی بین داده ها در دسته ها، به مدل های یادگیری ماشین می دهد. در روش TFCRF وزن دهی ویژگی ها علاوه بر توجه به چگونگی توزیع آنها در توالی های مختلف به چگونگی توزیع آنها در طبقات مختلف نیز توجه می شود. در مرحله بعد با استفاده از ویژگی های استخراج شده با استفاده از روش جنگل چرخ عمل دسته بندی انجام می شود. روش پیشنهادی با دسته بند های مختلف و روش های متفاوت مقایسه شده است. نتایج حاصل نشان دهنده کارایی مناسب روش پیشنهادی نسبت به سایر روش های نوین در این کاربرد می باشد.
کلید واژگان: توالی پروتئین, استخراج ویژگی, TFCRF, جنگل چرخش, فاکتور ارتباط}Protein function prediction is one of the main challenges in bioinformatics, which has many applications. In recent years, many researches in this field have been used machine learning methods. In these methods, First, different features should be extracted from the protein sequence and classification should be done based on the extracted features. The feature extraction methods are based on the physical and chemical properties of the protein sequence. Therefore, extracting suitable features from protein sequence increases and improves the performance of machine learning methods. In this paper, usage of a new set of features based on Position-Specific Scoring Matrix (PSSM), Pseudo-Position Specific Scoring Matrix (PsePSSM), K-gram, Amino Acid Composition (AAC) and the new Term Frequency and Category Relevancy Factor (TFCRF) method, which has not been used in this application so far, is proposed to extract suitable features. In the PSSM method for protein BLAST searches, a scoring matrix is used, in which amino acid substitution scores are given separately for each position in a multi-sequence protein alignment. The PsePSSM feature is described by considering different ranking correlation factors along a protein sequenc to preserve information about the amino acid sequence. The normalized occurrence frequency of a certain number of amino acids in the protein is calculated by the ACC method. An K-gram is a set of K successive items in a protein that include amino acid. In the TFCRF weighting method, in addition to paying attention to how these are distributed in different sequences, how these are distributed in different classes is also paid attention to.The features extracted using this method give machine learning models a good discriminating power between data in classes. In the next step, classification is done using the extracted features using the rotation forest method. This classifier is a successful ensemble method for a wide range of data mining applications. In this method, the feature space is changed through Principal Component Analysis (PCA), which increases the power of this classifier. The proposed method has been compared to different classifiers. The results show that the efficiency of the proposed method is much better than other state-of–the-art methods in this application.
Keywords: Protein Sequence, Feature Extraction, TFCRF, Rotation Forest, Relevancy Factor} -
Deploying m-connected k-covering (MK) wireless sensor networks (WSNs) is crucial for reliable packet delivery and target coverage. This paper proposes implementing random MK WSNs based on expected m-connected k-covering (EMK) WSNs. We define EMK WSNs as random WSNs mathematically expected to be both m-connected and k-covering. Deploying random EMK WSNs is conducted by deriving a relationship between m-connectivity and k-coverage, together with a lower bound for the required number of nodes. It is shown that EMK WSNs tend to be MK asymptotically. A polynomial worst-case and linear average-case complexity algorithm is presented to turn an EMK WSN into MK in non-asymptotic conditions. The m-connectivity is founded on the concept of support sets to strictly guarantee the existence of m disjoint paths between every node and the sink. The theoretical results are assessed via experiments, and several metaheuristic solutions have been benchmarked to reveal the appropriate size of the generated MK WSNs.
Keywords: m-connectivity, k-coverage, Wireless sensor networks, support sets} -
امروزه آشکارسازی و برچسبزنی اشیاء در تصاویر یکی از چالشهای اساسی در برخی از کاربردهای بیناییماشین میباشد. در سالهای اخیر استفاده از یادگیری عمیق مورد توجه محققان قرار گرفته است. در همین راستا، در این مقاله ابتدا جدیدترین شبکههای عمیق موجود معرفی، سپس نقاط قوت و ضعف آنها تحلیل می شود. در ادامه شبکهای بهبود یافته از شبکه R-FCN ارائه می‌شود. روش پیشنهادی بر پایه معماری ResNet و شبکه تمام کانولوشن است. در این روش، معماری جدیدی مبتنی بر شبکه عمیق برای پیشنهاد ناحیه کاندید و روشی ترکیبی مبتنی بر SVMفازی دوکلاسه و SVR برای آشکارسازی و برچسبزنی اشیاء ارائه شده است. در این روش از تابع زیان جدید با عنوان اختلاف کوشی-شوارتز استفاده شده است. این تابع زیان از لحاظ سرعت و دقت، عملکرد بهتری از خود نشان داده است. روش پیشنهادی با معماری 101-ResNet بر روی مجموعه داده SUN برای آشکارسازی و برچسبزنی 36 شی مورد آزمایش قرار گرفت و نتایج بدست آمده نشان دهنده بهبود عملکرد این روش نسبت به روش پایه شبکه R-FCN است. روش پیشنهادی از لحاظ معیار mAP، عملکرد 48/38% و مدت زمان متوسط برای هر تصویر 0/13 را دارد، و نسبت به بهترین روش در این حوزه تقریبا 2% در عملکرد و 0/4 ثانیه در زمان بهتر عمل کرده است.کلید واژگان: آشکارسازی و شناسایی اشیاء, یادگیری عمیق, R-FCN, ماشین بردار پشتیبان دودویی فازی, اختلاف کوشی-شوارتز}Today, the detection and annotation of objects in images is one of the major challenges in some applications of machine vision. In recent years, the use of deep learning has attracted the attention of researchers. In this regard, this paper first introduces the newest deep networks and analyzes the strengths and weaknesses of these methods. An improved network of R-FCN network has been presented. The proposed method is based on the ResNet architecture and the fully- convolutional network. In this method, a new architecture is proposed based on region proposal deep network and a combined method based on the binary fuzzy SVM and the SVR for final detection and categorization of objects. Also, a new loss function called Cauchy-Schwartz Divergence loss, has been used. This function has shown better performance in terms of speed and accuracy. The proposed ResNet-101 architecture was tested on the SUN dataset for the detection and annotation of 36 objects, and the results indicate improved performance of this method compared to the basic R-FCN network method. The proposed method, In terms of Mean Average Precision, has 48.38% performance and average duration for each image is 0.13 Compared to the best method in this area, it performed about 2% in performance and 0.04 seconds in better time.Keywords: objects detection, annotation, Deep Learning, R-FCN network, binary fuzzy SVM, Cauchy-Schwarz Divergence}
-
با پیشرفت روزافزون اینترنت و رسانه های تحت وب، توزیع و اشتراک منابع اطلاعاتی نظیر تصویر در حال افزایش است. اشتراک این منابع علاوه بر مزایای بسیار، خطرات و مشکلاتی نظیر دسترسی به تصاویر نامتعارف دارد که به نوبه خود تهدیدی برای فرهنگ جوامع مختلف، به خصوص نوجوانان و جوانان است. امروزه بسیاری از افراد، عضو سایت های اجتماعی از جمله اینستاگرام و فیسبوک هستند. به دلیل عدم وجود فیلترینگ هوشمند مناسب، حتی وجود درصدی اندک از تصاویر نامتعارف، فیلتر شدن کلی سایت های اجتماعی را به همراه دارد که برای کاربران، احساس نارضایتی را به ارمغان می آورد. به همین منظور، در این مقاله به تحلیل و بررسی روشی برای دسته بندی تصاویر نامتعارف و فیلترینگ هوشمند آن ها پرداخته شده است. یکی از مشکلات این نوع از سامانه ها، حجم بالای داده های موجود در شبکه های تحت وب و استخراج ویژگی های معنادار در این حجم از داده ها است. در این راستا، در این مقاله روشی جدید، بر پایه شبکه های عصبی عمیق به منظور تشخیص هوشمند تصاویر نامتعارف ارائه شده است. این نوع از شبکه ها ، مفاهیم سطح بالا را از روی ویژگی های سطح پایین استخراج می کنند و با این استخراج مفاهیم، به دقت مناسبی در دسته بندی اطلاعات دست مییابند. در این پژوهش، معماری جدیدی برای شناسایی تصاویر نامتعارف پیشنهاد شده است. نتایج به دست آمده بر روی مجموعه داده به نسبت بزرگ آزمایش شده است. این آزمایش ها نشان میدهد که روش پیشنهادی دو درصد دقت بیشتری نسبت به روش های جدید مطرح شده در شناسایی تصاویر نامتعارف دارد.کلید واژگان: فیلترینگ هوشمند, تصاویر نامتعارف, شبکه عصبی عمیق, شبکه عصبی کانولوشن}Currently vast improvement of internet access and significant growth of web based broadcasters have resulted in distribution and sharing of informative resources such as images worldwide. Although this kind of sharing may bring many advantages, there are certain risks such as access of kids to porn images which should not be neglected. In fact, access to these images can be a threat to the culture of any society where kids and adults are included. However, many of internet users are members of social websites including Facebook or Instagram and without an appropriate intelligent filtering system, presence of few unconventional images may result in total filtering of these websites causing unpleasant feeling of members. In this paper, an attempt was made to propose an approach for classification and intelligent filtering of unconventional images. One of the major issues on these occasions is the analysis of a large scale of data available in the websites which might be a very time consuming task. A deep neural network might be a good option to resolve this issue and provide a good accuracy in dealing with huge databases. In this research, a new architecture for identifying unconventional images is proposed. In the proposed approach, the new architecture is presented with a combination of AlexNet and LeNet architecture that uses convolutional, polling and fully-connected layers.
The activation function used in this architecture, is the Rectified Linear Unit (ReLU) function. The reason of using this activation function is the high speed of convergence in deep convolution networks and simplicity in implementation. The proposed architecture consists of several parts. The first two parts consist of convolutional layers, ReLUs and pooling. In this section, convolution is applied to the input image with different dimensions and filters. In the next section, the convolutional layer with ReLU is used without pooling. The next section, like the first two parts, includes convolutional layers, ReLU and pooling. Finally, the last three parts include the fully-connected layers with ReLU. The output of the last layer is the two classes, which specifies the degree of belonging of each input to the class of unconventional and conventional images. The results are tested on a large-scale dataset. These tests show that the proposed method is more accurate than the other methods recently developed for identifying unconventional images.Keywords: Intelligent filtering system, unconventional images, deep neural network, conventional neural network} -
در این نوشتار از روش های شبکه ی عصبی )N N(، ماشین بردار پشتیبانی )S V M( و تحلیل مولفه ی اصلی )P C A( با یک رویکرد متوالی برای پیش بینی بار کوتاه مدت استفاده شده است. ابتدا با استفاده از یک روش غربال سازی، داده های ورودی استخراج و به کلاس هایی تقسیم شدند که بتواند بهترین نتایج را ارائه دهد. سپس مقادیر گذشته بار به همراه اطلاعات وابسته در هر دسته به شبکه های عصبی چندلایه ی پرسپترون و ماشین بردار پشتیبان به صورت پشت سر هم و وابسته به ساعت قبل داده شده است که ماشین بردار پشتیبان پیشنهادی توانست نتایج بهتری ارائه دهد. سپس با اعمال تحلیل مولفه ی اصلی به پارامترهای ورودی مجددا این دو سیستم مورد آزمون قرار گرفت. نتایج نشان داده که هنگام استفاده از تحلیل مولفه ی اصلی نتایج شبکه های عصبی و ماشین های بردار پشتیبان بهبود یافته و نتایجی بهتر از پیش بینی های سنتی ارائه داده است.کلید واژگان: پیش بینی بار الکتریکی, شبکه ی عصبی, ماشین بردار پشتیبان, تحلیل مولفه ی اصلی}One of the major issues for design and operation of power systems is load forecasting for the same hour in the next few days, known as a Short-Term Load Forecasting (STLF). Forecasts are required for proper scheduling activities, such as generation scheduling, fuel purchasing activities, maintenance scheduling, investment scheduling, and for security analysis. Accurate forecasting of electrical load leads to energy saving and careful planning. The aim of this study is to predict short-term consumption of electrical energy in one of the states of Iran (i.e., Mazandaran). This study used several techniques and tools of data mining to predict electrical energy consumption and demand in short-term time. Several methods, such as Neural Network, Support Vector Machine were used for forecasting and their results were examined. The first phase of this research is to identify the parameters that affect electrical energy consumption. Then, among these factors, those with the greatest effect will be selected. In the next step, data analysis and different behaviors of electrical energy consumption are discussed and classified based on their similarity. Afterwards, the required inputs will be identified and pre-processing will be performed. In the next step, Pervious electricity load values with related data of each category are presented for the Multilayer Perceptron Neural Network and support Vector Machine recursively. In this model, the support Vector Machine could supply a better result. Then Principle Component Analysis (PCA) is used to reduce the dimension of input variables. New data will be tested once again with proposed systems to observe the effects of principle component analysis on each method.
Finally, the results of all methods are compared with each other. The result will be compared with two measures: including coefficient of determination (R2) and root mean square error (RMSE). The result shows the improvement in Neural Network and Support Vector Machine with the use of principal component analysis, which provide better results compared to classical predictions.Keywords: Short-term load forecasting, neural network, support vector machine, principal component analysis} -
در تحقیقات انجام شده در سال های اخیر، بدست آوردن ناحیه های کاندید به عنوان یک مرحله اساسی و مهم در سیستم های تشخیص و شناسایی اشیای موجود در تصویر معرفی شده است. بدست آوردن این ناحیه ها به مانند یک تنگناه بوده و بیشترین بار محاسباتی را در این نوع از سیستم ها دارد. در همین راستا انتخاب روش مناسب و سریع می تواند در بهبود عملکرد سیستم های تشخیص بسیار حائز اهمیت باشد. در این مقاله به مرور کارهای انجام شده در این زمینه پرداخته شده است و چندین روش مشهور و محبوب مورد استفاده در سیستم های شناسایی قدرتمند معرفی شده است. همچنین در این مقاله به مقایسه و ارزیابی روش های مطرح بر روی مجموعه داده های استاندارد PASCAL VOC، ImageNet و COCO پرداخته شده است. در روش های مورد ارزیابی روش ناحیه کاندید گروه بندی ترکیبی بر پایه چندین مقیاس (MCG) با الگوریتم شناسایی شبکه عصبی کانولوشن بر پایه ناحیه (R-CNN)، بهترین نتایج را داشته است. این روش عملکردی در حدود 57%، 54% و 41% بر روی مجموعه داده های PASCAL VOC 2007، ImageNet 2013 و COCO 2014 نشان داده است.کلید واژگان: ناحیه کاندید, R, CNN سریع, ابرپیکسل, شی بودن, تشخیص و شناسایی اشیاء}According to the studies carried out in recent years, determination of the regional proposal is one of the crucial steps in detection and recognition of the objects included in an image. In fact, determination of this region has been like a bottleneck, gaining a significant computational energy. As a result, selection of suitable and fast approaches, under these circumstance, may enhance the performance of the recognition system. In this paper, a review was provided on the recent studies carried out in this field of research and few of the famous and friendly approaches conventionally used in the strong recognition systems were introduced and applied on the dataset of PASCAL VOC, ImageNet and COCO. The results obtained indicated that the multiclass combinatorial grouping (MCG) method with the region-convoulational neural network (R-CNN) can provide the best results with the efficiency of 57%, 54% and 41% on the dataset of PASCAL VOC 2007, ImageNet 2013 and COCO 2014 respectively.Keywords: Region Proposal, R-CNN, Superpixel, Objectness, Objects Detection, Recognition}
-
ردیابی و شناسایی مجدد افراد در شبکه ای از دوربین ها با دید مجزا بر مبنای سیستم فازی در محیط های بستهانتخاب یک ویژگی مناسب جهت شناسایی و ردیابی در سیستم های نظارتی با شبکه ای از دوربین ها به معیارهایی مانند سرعت و دقت به دلیل بلادرنگ بودن این نوع از سیستم ها بستگی دارد. به همین منظور در این مقاله از ویژگی هیستوگرام رنگ به عنوان یک روش ساده و درعین حال موثر برای ردیابی و انطباق افراد در بین دوربین های مختلف استفاده شده است. ولی استفاده از این ویژگی در بعضی از موارد به دلیل تغییر شدت روشنایی محیط و تغییر اندازه افراد نسبت به دوربین های مختلف، نتایج رضایت بخشی را از خود نشان نمی دهند. در این مقاله برای کاهش تغییر شدت روشنایی در هنگام عبور افراد در بین دوربین ها از تابع انتقال روشنایی تجمعی استفاده شده است. از آنجایی که تغییر اندازه افراد با توجه به فاصله ی آنها نسبت به دوربین، عملکرد ویژگی رنگ را در مکان های متفاوت از محیط تحت تاثیر قرار می دهد، به همین منظور، با به کارگیری یک سیستم فازی محیط تحت پوشش هر دوربین به قسمت های متفاوت تقسیم شده است. در ادامه، به منظور مقایسه رنگ ظاهر افراد، بدن هر فرد با استفاده از فاصله نسبی قسمت های مختلف به سه قسمت سر، نیم تنه و پایین تنه (پاها) تقسیم می شود. برای ردیابی در یک دوربین و شناسایی مجدد افراد در بین دوربین ها، از ویژگی هیستوگرام قسمت های مختلف بدن با توجه به موقعیت قرار گرفتن افراد نسبت به هر دوربین استفاده شده که نتایج بدست آمده از روش پیشنهادی نشان دهنده بهبود عملکرد این نوع از سیستم ها می باشد.کلید واژگان: ردیابی انسان, شبکه ای از دوربین ها, زاویه دید بدون همپوشانی, سیستم فازی, هیستوگرام زنگ, تابع انتقال روشنایی تجمعی}Journal of Iranian Association of Electrical and Electronics Engineers, Volume:13 Issue: 2, 2016, P 75The selection of a suitable feature is an important and indispensible issue in real-time surveillance systems employing a network of cameras to achieve rapid and accurate results. We have used the concept of color image histograms¡ as a simple but efficient method¡ to track people in different cameras in this research. Employing the image histogram for tracking may not be robust as it is sensitive to the environmental brightness changes and the human body shape and size. In this paper¡ we propose a novel method employing the Cumulative Brightness Function (CBF) to attenuate the effects of brightness changes in tracking objects moving in the camera networks. In the proposed method a fuzzy system is used to partition the field of view of each camera to cope with the size variations of people in different cameras. Then the body of each subject is divided into three portions¡ namely the head¡ the torso and the bottom section¡ with the prior knowledge about the human physiology¡ to have a better distinction between variance people appearance color. Finally¡ the histograms of the body sections with respect to the distance of subject from each camera are used for subject identification¡ reidentification and tracking. The results achieved by the proposed method in various environmental conditions show its robustness and effectiveness for tracking people in a network of cameras.Keywords: People tracking, Camera networks, Disjoint view, Fuzzy system, Color histogram, Cumulative brightness transform function}
-
In the recent years, cameras with disjoint views are often used in surveillance system to cover a wide area to reduce the cost posed by utilizing many cameras. Tracking in surveillance systems is performed in two distinct steps. During the first step, identification and tracking of persons is done in the field of view (FOV) of one camera. In the second step, re-identification of persons is carried out in the other available cameras to measure performance of the tracking system. Various conventional features such as clothes and appearance of person have been used to identify peoples in the cameras. However, similarity between appearance and clothes can cause tracking system to give unreliable results. Thus, much sophisticated features are required to increase the ability of tracking system. The aim of this paper is to propose a suitable method to identify peoples in a network of cameras with disjoints views. In our proposed methodology, according to relative distance of various parts, human body has been partitioned into three portions of head, torso and bottom part. Histograms of these portions are used to match and distinguish between persons in FOV of cameras. Since the color space is one of the effective parameters to use histograms, experiments have been conducted in RGB, YCbCr and HSV color spaces. It was found that RGB color space has a superior efficiency compared to those color spaces used in this study.Keywords: People tracking, Camera networks, Disjoint view, Color histogram}
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.