Distance-based clustering methods categorize samples by optimizing a global criterion, finding ellipsoid clusters with roughly equal sizes. In contrast, density-based clustering techniques form clusters with arbitrary shapes and sizes by optimizing a local criterion. Most of these methods have several hyper-parameters, and their performance is highly dependent on the hyper-parameter setup. Recently, a Gaussian Density Distance (GDD) approach was proposed to optimize local criteria in terms of distance and density properties of samples. GDD can find clusters with different shapes and sizes without any free parameters. However, it may fail to discover the appropriate clusters due to the interfering of clustered samples in estimating the density and distance properties of remaining unclustered samples. Here, we introduce Adaptive GDD (AGDD), which eliminates the inappropriate effect of clustered samples by adaptively updating the parameters during clustering. It is stable and can identify clusters with various shapes, sizes, and densities without adding extra parameters. The distance metrics calculating the dissimilarity between samples can affect the clustering performance. The effect of different distance measurements is also analyzed on the method. The experimental results conducted on several well-known datasets show the effectiveness of the proposed AGDD method compared to the other well-known clustering methods.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در سال های اخیر، مسئله ای تحت عنوان آسیب پذیری مدل های مبتنی بر یادگیری ماشین مطرح گردیده است که نشان می دهد مدل های یادگیری در مواجهه با آسیب پذیری ها از مقاومت بالایی برخوردار نیستند. یکی از معروف ترین آسیب ها یا به بیان دیگر حملات، تزریق مثال های تخاصمی به مدل می باشد که در این مورد، شبکه های عصبی و به ویژه شبکه های عصبی عمیق بیشترین میزان آسیب پذیری را دارند. مثال های تخاصمی، از طریق افزوده شدن اندکی نویز هدفمند به مثال های اصلی تولید می شوند، به طوری که از منظر کاربر انسانی تغییر محسوسی در داده ها مشاهده نمی شود اما مدل های یادگیری ماشینی در دسته بندی داده ها به اشتباه می افتند. یکی از روش های موفق جهت مدل کردن عدم قطعیت در داده ها، فرایندهای گوسی هستند که چندان در زمینه مثال های تخاصمی مورد توجه قرار نگرفته اند. یک دلیل این امر می تواند حجم محاسباتی بالای این روش ها باشد که کاربردشان در مسایل واقعی را محدود می کند. در این مقاله از یک مدل فرایند گوسی مقیاس پذیر مبتنی بر ویژگی های تصادفی بهره گرفته شده است. این مدل علاوه بر داشتن قابلیت های فرایندهای گوسی از جهت مدل کردن مناسب عدم قطعیت در داده ها، از نظر حجم محاسبات هم مدل مطلوبی است. سپس یک فرایند مبتنی بر رأی گیری جهت مقابله با مثال های تخاصمی ارائه می گردد. همچنین روشی به نام تعیین ارتباط خودکار به منظور اعمال وزن بیشتر به نقاط دارای اهمیت تصاویر و اعمال آن در تابع هسته فرایند گوسی پیشنهاد می گردد. در بخش نتایج نشان داده شده که مدل پیشنهادشده عملکرد بسیار مطلوبی در مقابله با حمله علامت گرادیان سریع نسبت به روش های رقیب دارد.

How to profoundly change the beliefs of the polytheists during the age of revelation from the denial of the Prophet (pbuh) to the certainty of his Message and the acceptance of his full guardianship is a question worthy of attention. The order of verses about prophecy based on the order of revelation is the reason to lead a transformative Process and a special Quranic method in institutionalizing the belief of prophecy in the lives of Arabs. In the first stage, the Holy Quran in the first Makkī (Arabic: المکّیّ, suras revealed in Mecca) chapters has prepared the community from the motivational side to accept the truth of the Prophet’s (pbuh) prophecy and briefly stating the key issues surrounding it. The Holy Book of Quran at the time of the emergence of oppositions and doubts (the second stage) destroyed the arguments of the polytheists and explained the prophecy and proved its authenticity from a cognitive perspective in the second stage by presenting clear arguments. and the Holy Book of Quran in the third stage after Madanī (Arabic: المدنیّ, suras revealed in Medina) period has undertaken measures in order to fulfill the goals of the Massage by explaining the true position of the Prophet (pbuh) to deepen and operationalize the Prophetic belief through explaining practical duties for the Prophet (pbuh) and behavior based on the acceptance of Walaya (Arabic: ولایة, meaning “guardianship” or “governance”).

تبخیر-تعرق یکی از مهم ترین عوامل محدود کننده توسعه کشاورزی در مناطق خشک و نیمه خشک می باشد. به دلیل محدودیت های اقتصادی و سایر محدودیت ها همواره جمع آوری داده های تبخیر-تعرق چالش های فراوانی را برای محققان در پی داشته است. لذا هدف از مطالعه حاضر پیش بینی تبخیر-تعرق مرجع روزانه در دو ایستگاه آستارا و اصفهان با استفاده از مدل های رگرسیون فرآیند گاوسی، رگرسیون بردار پشتیبان، مدل درختی M5P و رگرسیون خطی M5Rules است. برای این منظور داده های هواشناسی روزانه ایستگاه ها شامل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی طی دوره 2021-1990 به عنوان ورودی مدل ها به کار برده شد. بررسی پارامترهای ورودی نشان داد که رطوبت نسبی بیش ترین تاثیر را بر دقت پیش بینی مدل ها داشته است. همچنین جهت ارزیابی کارایی مدل ها از معیارهای ارزیابی مختلفی استفاده شد. ارزیابی مدل های به کار رفته در ایستگاه آستارا نشان داد که سناریو پنجم با کاربرد پارامتر های حداکثر دما، حداقل دما، میانگین دما، رطوبت نسبی حداکثر و رطوبت نسبی میانگین مدل های M5P و M5Rules با داشتن مقدار خطای (mm day-1) 42/1، بالاترین دقت را نسبت به سایر مدل ها داشته-اند. در ایستگاه اصفهان نیز سناریو هشتم مدل M5P و M5Rules با کاربرد پارامتر های حداکثر دما، حداقل دما، میانگین دما، رطوبت نسبی حداکثر و رطوبت نسبی میانگین ، رطوبت نسبی حداقل، ساعات آفتابی و سرعت باد با داشتن مقدار خطای (mm day-1) 86/1، بهترین عملکرد را نسبت به سایر مدل ها داشتند. لذا مدل های M5P و M5Rules با موفقیت تبخیر-تعرق مرجع را پیش بینی کرده و روابط ریاضی ساده مستخرج از آنها برای استفاده در تعیین نیاز آبی گیاهان توصیه میگردد.

در پژوهش حاضر از شبیه­ سازی رایانه­ای برای تولید سطوح (1+1) و (1+2) بعدی با دو نوع تابع همبستگی گاوسی و تابع همبستگی نمایی استفاده شده است. برای این منظور از یک مولد اعداد تصادفی برای تولید سطوح با توزیع ارتفاع گاوسی با میانگین صفر استفاده شد که توابع همبستگی آن­ها دارای فرمول گاوسی و نمایی فرض شده است. محاسبات برای سطوح همسانگرد و همچنین سطوح ناهمسانگرد انجام شد. به منظور بررسی مونوفرکتالی سطوح ناهموار تولید شده، مقادیر چولگی و کشیدگی برای این سطوح (1+1) و (1+2) بعدی محاسبه شد. همچنین، مقادیر این کمیت­ها با رفتار توزیع احتمال ارتفاع تطبیق داده و نتایج بررسی شد. سپس، برای بررسی بی­نظمی و ناهمواری سطوح تولید شده، نماهای ناهمواری سطوح، مورد ارزیابی قرار گرفت. افزون بر این، برای این سطوح ناهموار، بُعد فراکتال برای توصیف پیچیدگی سطوح فراکتال نامنظم بدست آمد.

تخمین سرعت امواج برای طراحی سازه­های ژئوتکنیکی و مدل­سازی حفاری­های عمیق اهمیت زیادی دارد. هدف از این مطالعه تخمین سرعت موج برشی به روش رگرسیون فرایند گاوسی با استفاده از تابع کرنل نمایی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره می­باشد. به منظور انجام این مطالعه، 14 بلوک سنگی از شمال غرب شهر دماوند تهیه و بعد از انتقال به آزمایشگاه از آن­ها مغزه­گیری شد. جهت توسعه یک مدل پیش­بینی کننده، آزمایش­های شاخص بار نقطه­ای، سرعت موج تراکمی، تخلخل و دانسیته بر روی 61 نمونه مغزه سنگی انجام شد. شاخص بار نقطه­ای، سرعت موج تراکمی، تخلخل و چگالی به عنوان پارامترهای ورودی مدل­ها به منظور پیش­بینی سرعت موج برشی استفاده شدند. نتایج مطالعات سنگ­شناسی نشان داد که ماسه­سنگ­های مورد مطالعه، فلدسپاتیک لیتارنایت و لیت آرنایت می­باشند. نتایج نشان داد که نسبت سرعت موج تراکمی به سرعت موج برشی بطور متوسط برابر با 70/1 می­باشد. نتایج شبکه عصبی مصنوعی پرسپترون چند لایه نشان داد که بیش­ترین دقت مدل­ها با استفاده از قانون آموزش لونبرگ مارکوارت حاصل شده است. دقیق­ترین مدل­ها با استفاده از این الگوریتم برای تخمین سرعت موج برشی در نورون شماره 2 (نورون بهینه) حاصل شد. روش رگرسیون فرایند گاوسی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره سرعت موج برشی را به ترتیب با ضرایب همبستگی 97/0، 96/0 و 95/0 پیش بینی نمودند. روش رگرسیون فرایند گاوسی عملکرد بهتری در پیش­بینی سرعت موج برشی نسبت به سایر روش­ها نشان داد.