تحقیق جامع و پروژه مطالعاتی درس یادگیری ماشین در هوش مصنوعی

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 74 صفحه

فهرست مطالب

1-     مقدمه. 3

2-    روشهای مبتنی بر استخراج ویژگی.. 5

2-1-  Discrete Fourier Transform (DFT) 6

2-2-  Discrete Wavelet Transform (DWT) 9

2-3-  Principal Component Analysis (PCA) 12

2-3-1-    مفاهیم مقدماتی مورد نیاز در PCA.. 13

2-3-2-    الگوریتم PCA.. 15

2-4-  Factor Analysis (FA) 20

3-    روشهای مبتنی بر انتخاب ویژگی.. 23

3-1-    تعاریف.. 23

3-2-    روشهای مختلف انتخاب ویژگی.. 26

3-2-1-    توابع تولید کننده 26

3-2-2-   تابع ارزیابی.. 27

3-2-3-    دسته بندی و تشریح الگوریتم های مختلف انتخاب ویژگی.. 30

3-2-4-   جمع بندی روشهای انتخاب ویژگی.. 43

4-   فهرست منابع و مراجع. 45

1-    مقدمه

پیشرفتهای بوجود آمده در جمع آوری داده و قابلیتهای ذخیره سازی در طی دهه­های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات روبرو شویم. محققان در زمینه­های مختلف مانند مهندسی، ستاره شناسی، زیست شناسی و اقتصاد هر روز با مشاهدات بیشتر و بیشتری روبرو می­شوند. در مقایسه با بسترهای داده­ای قدیمی و کوچکتر، بسترهای داده­ای امروزی چالشهای جدیدی در تحلیل داده­ها بوجود آورده­اند. روشهای آماری سنتی به دو دلیل امروزه کارائی خود را از دست داده­اند. علت اول افزایش تعداد مشاهدات (observations) است، و علت دوم که از اهمیت بالاتری برخوردار است افزایش تعداد متغیرهای مربوط به یک مشاهده می­باشد.

تعداد متغیرهایی که برای هر مشاهده باید اندازه گیری شود ابعاد داده نامیده می­شود. عبارت "متغیر" (variable) بیشتر در آمار استفاده می­شود در حالی که در علوم کامپیوتر و یادگیری ماشین بیشتر از عبارات "ویژگی" (feature) و یا "صفت" (attribute) استفاده می­گردد.

بسترهای داده­ای که دارای ابعاد زیادی هستند علیرغم فرصتهایی که به وجود می­آورند، چالشهای محاسباتی زیادی را ایجاد می­کنند. یکی از مشکلات داده­های با ابعاد زیاد اینست که در بیشتر مواقع تمام ویژگیهای داده­ها برای یافتن دانشی که در داده­ها نهفته است مهم و حیاتی نیستند. به همین دلیل در بسیاری از زمینه­ها کاهش ابعاد داده یکی از مباحث قابل توجه باقی مانده است.

روشهای کاهش ابعاد داده به دو دسته تقسیم می­شوند:

روشهای مبتنی بر استخراج ویژگی: این روشها یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت می­کنند. در واقع با ترکیب مقادیر ویژگیهای موجود، تعداد کمتری ویژگی بوجود می­آورند بطوریکه این ویژگیها دارای تمام (یا بخش اعظمی از) اطلاعات موجود در ویژگیهای اولیه باشند. این روشها به دو دسته­ی خطی و غیر خطی تقسیم می­شوند.روشهای مبتنی بر انتخاب ویژگی: این روشها سعی می­کنند با انتخاب زیرمجموعه­ای از ویژگیهای اولیه، ابعاد داده­ها را کاهش دهند. در پاره­ای از اوقات تحلیلهای داده­ای نظیر طبقه­بندی برروی فضای کاسته شده نسبت به فضای اصلی بهتر عمل می­کند.

در تهیه این گزارش کمتر به اثباتهای ریاضی پرداخته شده و بیشتر به مفاهیم و کاربرد روشها توجه شده است. در فصل دوم از این گزارش، به مطالعه­ی روشهای مبتنی بر استخراج ویژگی پرداخته­ایم. در تهیه­ی مطالب این فصل سعی کرده­ایم با ارائه­ی مثالهای مناسب، خواننده را در درک بهتر مفاهیم مربوطه یاری رسانیم. در این فصل، چهار روش ارائه شده است که همگی از نوع خطی هستند. بدلیل حجم زیاد مطالب، مجالی برای پرداختن به روشهای دیگر خطی و روشهای غیر خطی باقی نماند. امید است در آینده مطالب این فصل توسط اینجانب یا دانشجویان دیگر کاملتر شود.

در فصل سوم روشهای مبتنی بر انتخاب ویژگی ارائه شده است. می­توان گفت در این فصل یک مطالعه­ اجمالی برروی تمامی روشهای انتخاب ویژگی انجام شده است. در تهیه­ی مطالب این فصل، از گزارش "معرفی روشهای مختلف انتخاب ویژگی" توسط صادق سلیمان­پور استفاده شده است که جا دارد در همین­جا از ایشان تشکر نمایم.

2-  روشهای مبتنی بر استخراج ویژگی

همانطور که در فصل اول اشاره شد روشهای مبتنی بر استخراج ویژگی، یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت می­دهند. این روشها به دو دسته­ی خطی و غیرخطی تقسیم می­شوند. روشهای خطی که ساده­ترند و فهم آنها راحت­تر است بدنبال یافتن یک زیرفضای تخت عمومی[1] هستند. اما روشهای غیرخطی که مشکلترند و تحلیل آنها سخت­تر است بدنبال یافتن یک زیرفضای تخت محلی[2] می­باشند.

از روشهای خطی می­توان به DFT، DWT، PCA و FA اشاره کرد که آنها را به ترتیب در ادامه­ی همین فصل توضیح خواهیم داد. روشهای دیگر غیرخطی عبارتند از:

Projection Pursuit (PP) : برخلاف روشهای PCA و FA می­تواند اطلاعات بالاتر از مرتبه­ی دوم را ترکیب نماید. بنابراین روش مناسبی است برای بسترهای داده­ای غیر گاوسی.Independent Component Analysis (ICA) : این روش نیز یک نگاشت خطی انجام می­دهد اما بردارهای این نگاشت لزوماً بر یکدیگر عمود نیستند، در حالی که در روشهای دیگر مانند PCA این بردارها بر هم عمودند.Random Projection (PP) : یک روش ساده و در عین حال قدرتمند برای کاهش ابعاد داده است که از ماتریسهای نگاشت تصادفی برای نگاشت داده­ها به یک فضای با ابعاد کمتر استفاده می­کند.

از روشهای غیرخطی نیز می­توان به موارد زیر اشاره کرد:

Principal CurvesSelf Organizing MapsVector QuantizationGenetic and Evolutionary AlgorithmsRegression

مسئله­ی کاهش ابعاد داده را بطور ریاضی می­توان به اینصورت بیان کرد: یک متغیر تصادفی p-بعدی  داریم. می­خواهیم متغیر k-بعدی را به گونه­ای پیدا کنیم که اولاً k ≤ p باشد و ثانیاً s محتویاتی که در x وجود دارد را بر اساس معیاری خاص دارا باشد. روشهای خطی سعی می­کنند هر یک از این k مؤلفه را از ترکیب خطی p مؤلفه­ی اولیه بدست آورند.

که Wk×p ماتریس وزنهای نگاشت خطی می­باشد.

در مقاله [3] نگاهی اجمالی به کلیه­ی روشهای کاهش ابعاد داده­ی مبتنی بر استخراج ویژگی شده است. در بخش 2-1 تبدیل فوریه گسسته و در بخش 2-2 تبدیل wavelet گسسته را شرح خواهیم داد. برای تهیه­ی بیشتر مطالبی که در این دو بخش ارائه شده از منبع [4] که یک پایان نامه دکتری در زمینه­ی داده­کاوی برروی سریهای زمانی می­باشد استفاده شده است. در بخش 2-3 روش PCA که بهترین تبدیل خطی به حساب می­آید را بیان خواهیم کرد. برای تهیه­ی این بخش نیز از منبع [5] استفاده کرده­ایم که یک tutorial بسیار عالی می­باشد. در بخش 2-4 روش Factor Analysis را بیان کرده­ایم. مطالب این بخش نیز از سایت اینترنت زیر تهیه شده است.

 

دانلود مقاله انگلیسی 2015 ISI شبکه های حسگر بیسیم -- الگوریتم های یادگیری ماشین و شبکه های عصبی در مکانیابی شبکه های سنسور

نوع مطلب: مقاله آی اس آی (ISI)

زبان مقاله: انگلیسی

قالب مقاله: پی دی اف (PDF)

تعداد صفحات: 18 صفحه

سال انتشار: 2015

محل انتشار: ژورنال معتبر ارتباطات شخصی بیسیم (Wireless Personal Communications) که متعلق به انتشارات اشپرینگر (Springer) است و توسط انتشارات تامسون رویترز (Thomson Reuters) یا ISI ایندکس میشود.

در سالهای اخیر استفاده از شبکه های حسگر بیسیم به میزان زیادی گسترش یافته است. در این شبکه ها تعداد زیادی گره سیار ریز به نام سنسور یا حسگر در محیطی قرار داده میشوند و اطلاعات آن محیط را پایش و بررسی میکنند و برای یک سرور به نام Sink یا چاهک ارسال میکنند. این شبکه ها کاربردهای زیادی پیدا کرده اند که از میان آنها میتوان به کاربردهای نظامی، جاسوسی، امنیتی، حفاظت از منازل و دارایی ها، هواشناسی، کنترل زیست محیطی، پایش و نظارت بر حیوانات و گونه های در حال انقراض، کشاورزی، رصد کردن زیر دریا، کاربردهای تجاری و هزاران کاربرد دیگر اشاره کرد.

در زمینه این شبکه ها مسائل باز زیادی وجود دارد و کارهای زیادی میتوان انجام داد. مثلا در زمینه میزان مصرف انرژی به خاطر محدود بودن میزان باتری حسگرها، الگوریتم های مسیریابی برای انتقال اطلاعات به چاهک، امنیت این شبکه ها برای جلوگیری از دستبرد به داده ها، تحمل خطا در زمان بروز مشکلات و ده ها زمینه دیگر. یکی از زمینه هایی که بسیار مهم است، مکانیابی درست حسگرهاست، یعنی بتوانیم مکان گره های سنسور را به درستی یا با تقریب خوبی پیدا کنیم که این کار تاثیر بسیار زیادی روی کیفیت کاربرد موردنظر دارد.

در این مقاله الگوریتم های یادگیری ماشین بر روی بحث مکانیابی گره ها در شبکه های حسگر بیسیم بحث شده اند و مورد مقایسه و ارزیابی قرار گرفته اند. فرض شده است که تعدادی گره با مختصات موقعیت مشخص به نان انکر (Anchor node) یا گره تکیه گاه یا گره لنگر گاه وجود دارد. در پایان نتایج در نرم افزار متلب (Matlab) شبیه سازی شده اند.

چکیده

شبکه های حسگر بیسیم (WSN) توجه زیادی هم از جهت پژوهشی و هم از جهت کاربردی پیدا کرده اند. مکانیابی (Localization) در شبکه های سنسور (Wireless Sensor Networks) نقشی حیاتی را در پیاده سازی کاربردهای بیشمار این تکنولورژی بازی میکنند که از جمله آنها میتوان به مدیریت سلامت، مدیریت بحران، مدیریتهای زیست محیطی و مدیریت کشاورزی اشاره کرد. الگوریتم های مکان یابی به یک نیاز اساسی برای بهبود کارایی شبکه های حسگر بیسیم تبدیل شده اند که تخمین نسبی موقعیت گره سنسور را نسبت به گره های انکر (لنگر Anchor) با مختصات مطلق نشان میدهند. ما در این مقاله، یک ارزیابی کارایی گسترده از برخی از الگوریتم های یادگیری شبکه های عصبی مصنوعی پیش خور (Feed Forward Artificial Neural Network) برای توسعه یک چارچوب موثر مکان یابی در شبکه های حسگر بیسیم انجام داده ایم. کار پیشنهادی ما از توان سیگنال دریافتی مشاهده شده توسط گره های انکر به وسیله برخی از اثرات انتشار چند مسیره استفاده میکند. این مقاله تلاش دارد با مقایسه نتایج الگوریتم های یادگیری مختلف بهترین خروجی الگوریتم یادگیری را بدست آورد. شبکه های عصبی مصنوعی پیش خور (FFANN) به کمک ورودی های سه بعدی و یک لایه مخفی با نورون های متغیر و دو خروجی طراحی میشوند. برای لایه پنهان، تابع انتقال تان سیگموئید (tan-sigmoid) و برای لایه خروجی تابع انتقال خطی به کار میرود. بهترین الگوریتم های یادگیری مدل مبتنی بر شبکه های عصبی مصنوعی پیش خور میتوانند درجه دقت مکانی بهتری را برای کاربردهای آینده فراهم کنند. ما الگوهای استفاده از الگوریتم های یادگیری را که دقت و درستی الگوریتم های مکانیابی و محلی سازی را بهبود میدهد، تجزیه و تحلیل کرده ایم. نتایج شبیه سازی نشان میدهد که پتانسیل و اثر بخشی زیادی در زمینه بهینه سازی سخت افزار برای ماژول مکانیابی در گره های سنسور وجود دارد.

*مناسب برای پژوهش در زمینه شبکه های کامپیوتری، شبکه های کامپیوتری پیشرفته، سیستم های توزیعی، شبکه های حسگر بیسیم، شبکه های سیار و بی سیم، سیستم های توزیع شده، سیستم عامل های پیشرفته

کلمات کلیدی:

مقاله کامپیوتر، مقاله ISI کامپیوتر، مقاله آی اس آی کامپیوتر، مقاله 2015 کامپیوتر، مقاله ISI 2015 کامپیوتر، شبکه های کامپیوتری، دانلود مقاله آی اس آی، ISI ، شبکه حسگر بیسیم، سنسور، تقسیم بندی شبکه، تعمیر توپولوژی، تحمل پذیری خطا، شبکه سنسور بی سیم، یادگیری ماشین، الگوریتم های مسیریابی در شبکه های حسگر بیسیم، الگوریتم های مکانیابی در شبکه های حسگر بیسیم، گره های انکر، گره های لنگرگاه، گره های تکیه گاه، مشخص کردن موقعیت، دانلود رایگان مقاله 2015، مقالات جدید کامپیوتر، شبکه های حسگر بیسیم، سیستم های توزیع شده، دانلود مقاله 2015 کامپیوتر، مقاله 2015 رایگان، دانلود رایگان مقاله 2015 کامپیوتر، کاربرد یادگیری ماشین در شبکه های کامپیوتری، کاربرد یادگیری ماشین در شبکه های حسگر بیسیم، الگوریتم های یادگیری ماشین، شبکه های عصبی مصنوعی، شبکه های پیش خور، شبکه های عصبی پیش تغذیه شده، مقاله مکانیابی در شبکه حسگر بیسیم، الگوریتم های پس انتشار، نرون های چند لایه، نورون های چند لایه، تنظیم بیزی، شبکه های بیزین، مقاله مکانیابی در شبکه سنسور، مشخص کردن موقعیت، wireless sensor networks, wsn, localization in wireless sensor network, localisation in wireless sensor networks, artificial neural networks, ann, feed forward neural networks, tansigmoid transfer function, tan sigmoid transfer function, training algorithms, Bayesian regularization, back propagation algorithms, multi-layer perceptron , ، Network partitioning ، Topology repair ، 2-Vertex connectivity، Fault tolerance ، Relay node placement

(قیمت ترجمه این مقاله با بهترین کیفیت، کاملا تخصصی و تایپ شده: حدود 110 هزار تومان)

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

دانلود مقاله انگلیسی 2015 ISI شبکه های حسگر بیسیم -- الگوریتم های یادگیری ماشین و شبکه های عصبی در مکانیابی شبکه های سنسور

نوع مطلب: مقاله آی اس آی (ISI)

زبان مقاله: انگلیسی

قالب مقاله: پی دی اف (PDF)

تعداد صفحات: 18 صفحه

سال انتشار: 2015

محل انتشار: ژورنال معتبر ارتباطات شخصی بیسیم (Wireless Personal Communications) که متعلق به انتشارات اشپرینگر (Springer) است و توسط انتشارات تامسون رویترز (Thomson Reuters) یا ISI ایندکس میشود.

در سالهای اخیر استفاده از شبکه های حسگر بیسیم به میزان زیادی گسترش یافته است. در این شبکه ها تعداد زیادی گره سیار ریز به نام سنسور یا حسگر در محیطی قرار داده میشوند و اطلاعات آن محیط را پایش و بررسی میکنند و برای یک سرور به نام Sink یا چاهک ارسال میکنند. این شبکه ها کاربردهای زیادی پیدا کرده اند که از میان آنها میتوان به کاربردهای نظامی، جاسوسی، امنیتی، حفاظت از منازل و دارایی ها، هواشناسی، کنترل زیست محیطی، پایش و نظارت بر حیوانات و گونه های در حال انقراض، کشاورزی، رصد کردن زیر دریا، کاربردهای تجاری و هزاران کاربرد دیگر اشاره کرد.

در زمینه این شبکه ها مسائل باز زیادی وجود دارد و کارهای زیادی میتوان انجام داد. مثلا در زمینه میزان مصرف انرژی به خاطر محدود بودن میزان باتری حسگرها، الگوریتم های مسیریابی برای انتقال اطلاعات به چاهک، امنیت این شبکه ها برای جلوگیری از دستبرد به داده ها، تحمل خطا در زمان بروز مشکلات و ده ها زمینه دیگر. یکی از زمینه هایی که بسیار مهم است، مکانیابی درست حسگرهاست، یعنی بتوانیم مکان گره های سنسور را به درستی یا با تقریب خوبی پیدا کنیم که این کار تاثیر بسیار زیادی روی کیفیت کاربرد موردنظر دارد.

در این مقاله الگوریتم های یادگیری ماشین بر روی بحث مکانیابی گره ها در شبکه های حسگر بیسیم بحث شده اند و مورد مقایسه و ارزیابی قرار گرفته اند. فرض شده است که تعدادی گره با مختصات موقعیت مشخص به نان انکر (Anchor node) یا گره تکیه گاه یا گره لنگر گاه وجود دارد. در پایان نتایج در نرم افزار متلب (Matlab) شبیه سازی شده اند.

چکیده

شبکه های حسگر بیسیم (WSN) توجه زیادی هم از جهت پژوهشی و هم از جهت کاربردی پیدا کرده اند. مکانیابی (Localization) در شبکه های سنسور (Wireless Sensor Networks) نقشی حیاتی را در پیاده سازی کاربردهای بیشمار این تکنولورژی بازی میکنند که از جمله آنها میتوان به مدیریت سلامت، مدیریت بحران، مدیریتهای زیست محیطی و مدیریت کشاورزی اشاره کرد. الگوریتم های مکان یابی به یک نیاز اساسی برای بهبود کارایی شبکه های حسگر بیسیم تبدیل شده اند که تخمین نسبی موقعیت گره سنسور را نسبت به گره های انکر (لنگر Anchor) با مختصات مطلق نشان میدهند. ما در این مقاله، یک ارزیابی کارایی گسترده از برخی از الگوریتم های یادگیری شبکه های عصبی مصنوعی پیش خور (Feed Forward Artificial Neural Network) برای توسعه یک چارچوب موثر مکان یابی در شبکه های حسگر بیسیم انجام داده ایم. کار پیشنهادی ما از توان سیگنال دریافتی مشاهده شده توسط گره های انکر به وسیله برخی از اثرات انتشار چند مسیره استفاده میکند. این مقاله تلاش دارد با مقایسه نتایج الگوریتم های یادگیری مختلف بهترین خروجی الگوریتم یادگیری را بدست آورد. شبکه های عصبی مصنوعی پیش خور (FFANN) به کمک ورودی های سه بعدی و یک لایه مخفی با نورون های متغیر و دو خروجی طراحی میشوند. برای لایه پنهان، تابع انتقال تان سیگموئید (tan-sigmoid) و برای لایه خروجی تابع انتقال خطی به کار میرود. بهترین الگوریتم های یادگیری مدل مبتنی بر شبکه های عصبی مصنوعی پیش خور میتوانند درجه دقت مکانی بهتری را برای کاربردهای آینده فراهم کنند. ما الگوهای استفاده از الگوریتم های یادگیری را که دقت و درستی الگوریتم های مکانیابی و محلی سازی را بهبود میدهد، تجزیه و تحلیل کرده ایم. نتایج شبیه سازی نشان میدهد که پتانسیل و اثر بخشی زیادی در زمینه بهینه سازی سخت افزار برای ماژول مکانیابی در گره های سنسور وجود دارد.

*مناسب برای پژوهش در زمینه شبکه های کامپیوتری، شبکه های کامپیوتری پیشرفته، سیستم های توزیعی، شبکه های حسگر بیسیم، شبکه های سیار و بی سیم، سیستم های توزیع شده، سیستم عامل های پیشرفته

کلمات کلیدی:

مقاله کامپیوتر، مقاله ISI کامپیوتر، مقاله آی اس آی کامپیوتر، مقاله 2015 کامپیوتر، مقاله ISI 2015 کامپیوتر، شبکه های کامپیوتری، دانلود مقاله آی اس آی، ISI ، شبکه حسگر بیسیم، سنسور، تقسیم بندی شبکه، تعمیر توپولوژی، تحمل پذیری خطا، شبکه سنسور بی سیم، یادگیری ماشین، الگوریتم های مسیریابی در شبکه های حسگر بیسیم، الگوریتم های مکانیابی در شبکه های حسگر بیسیم، گره های انکر، گره های لنگرگاه، گره های تکیه گاه، مشخص کردن موقعیت، دانلود رایگان مقاله 2015، مقالات جدید کامپیوتر، شبکه های حسگر بیسیم، سیستم های توزیع شده، دانلود مقاله 2015 کامپیوتر، مقاله 2015 رایگان، دانلود رایگان مقاله 2015 کامپیوتر، کاربرد یادگیری ماشین در شبکه های کامپیوتری، کاربرد یادگیری ماشین در شبکه های حسگر بیسیم، الگوریتم های یادگیری ماشین، شبکه های عصبی مصنوعی، شبکه های پیش خور، شبکه های عصبی پیش تغذیه شده، مقاله مکانیابی در شبکه حسگر بیسیم، الگوریتم های پس انتشار، نرون های چند لایه، نورون های چند لایه، تنظیم بیزی، شبکه های بیزین، مقاله مکانیابی در شبکه سنسور، مشخص کردن موقعیت، wireless sensor networks, wsn, localization in wireless sensor network, localisation in wireless sensor networks, artificial neural networks, ann, feed forward neural networks, tansigmoid transfer function, tan sigmoid transfer function, training algorithms, Bayesian regularization, back propagation algorithms, multi-layer perceptron , ، Network partitioning ، Topology repair ، 2-Vertex connectivity، Fault tolerance ، Relay node placement

(قیمت ترجمه این مقاله با بهترین کیفیت، کاملا تخصصی و تایپ شده: حدود 110 هزار تومان)

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.