گزینش متغیر از طریق برآورد تاوانیده برای کاهش بعد برخوردار از جذابیت است. برای رگرسیون خطی تاوانیده، افران و همکاران (2004) الگوریتم LARS را مطرح کردند. اخیرا الگوریتم نزول مختص (CD) توسط فریدمن و همکاران (2007) برای رگرسیون خطی تاوانیده و رگرسیون لوژستیک تاوانیده پرورده و نشان داده شد که برتری محاسباتی به دست می آید. این مقاله به کاوش در الگوریتمCD ‎ دو برآورد واگرایی برگمن (‎ (BDتاوانیده برای رده ای گسترده تر از مدل ها می پردازد که نه تنها مدل خطی تعمیم یافته را، که در نوشتگان مربوط به تاوانیدن به حد کفایت مطالعه شده، در بر می گیرد، بلکه مدل شبه درست نمایی را، که کمتر پرورده شده، شامل می شود. مطالعه بر اساس شبیه سازی و کاربرد داده های واقعی، عملکرد الگوریتم های ‎ CDو LARS را در برآورد رگرسیونی، گزینش متغیر و شیوه رده بندی موقعی که تعداد متغیرهای تبیینی در مقایسه با اندازه نمونه بزرگ است، تشریح می کند.

پردازش تصویر روشی برای اعمال برخی عملیات ها برروی تصویر، برای به دست آوردن تصاویری با کیفیت بالاتر یا استخراج برخی اطلاعات مفید می باشد. الگوریتم های سنتی پردازش تصویر در شرایطی که تصاویر آموزشی (دامنه منبع) که برای یاددهی مدل استفاده می شوند توزیع متفاوتی از تصاویر آزمایشی (دامنه هدف) داشته، نمی توانند عملکرد خوبی داشته. درواقع، وجود اختلاف توزیع شرطی بین دامنه های منبع و هدف، بازدهی مدل را کاهش می دهد. تطبیق دامنه و یادگیری انتقالی راه حل های امیدبخشی هستند که هدف آن ها تعمیم دادن یک مدل یادگیری بین داده های آموزشی و تست با توزیع های متفاوت است. در این مقاله، مسئله پردازش تصویر بین دامنه ای بدون نظارت مورد توجه قرار گرفته است که هیچ برچسبی برای داده های تست در دسترس نمی باشد. درواقع، روش پیشنهادی دامنه های منبع و هدف را به یک زیرفضای کم بعد مشترک براساس FLDA به صورت بدون نظارت منتقل می کند. روش پیشنهادی ما، اختلاف احتمال توزیع شرطی در داده های منبع و هدف را ازطریق واگرایی برگمن حداقل می کند. یک ماتریس نگاشت به دست می آید که داده های منبع و هدف را به یک زیرفضای مشترک انتقال می دهد که در آن فضا ماتریس پراکندگی بین کلاسی حداکثر شده و ماتریس پراکندگی درون کلاسی و توزیع های بین دامنه ای حداقل می شود. آزمایشات متنوع برروی 58 عملیات طبقه بندی بین دامنه ای برروی شش پایگاه داده همگانی نشان می دهد که روش پیشنهادی ما بهتر از روش های پردازش تصویر جدید ارائه شده در حوزه بین دامنه ای عمل می کند.

پردازش تصویر روشی برای اعمال برخی عملیات ها بر روی یک تصویر است به طوری که با استفاده از آن، تصاویری با کیفیت بالاتر به دست آمده یا برخی اطلاعات مفید از تصویر استخراج می شود. الگوریتم های سنتی پردازش تصویر در شرایطی که تصاویر آموزشی (دامنه منبع) که برای یاددهی مدل استفاده می شوند، توزیع متفاوتی از تصاویر آزمایش (دامنه هدف) داشته باشند، نمی توانند عملکرد خوبی داشته باشند. با این حال، بسیاری از برنامه های کاربردی دنیای واقعی به علت کمبود داده های برچسب دار آموزشی دارای محدودیت هستند؛ از این رو از داده های برچسب دار دامنه های دیگر استفاده می کنند. به این ترتیب به خاطر اختلاف توزیع بین دامنه های منبع و هدف، طبقه بند یادگرفته شده براساس مجموعه آموزشی بر روی داده های آزمایشی عملکرد ضعیفی خواهد داشت. یادگیری انتقالی و انطباق دامنه، با به کارگیری مجموعه داده های موجود دو راه حل برجسته برای مقابله با این چالش هستند، و حتی با وجود اختلاف توزیع قابل ملاحظه بین دامنه ها می توانند دانش را از دامنه های مرتبط به دامنه هدف انتقال دهند. فرض اصلی در مساله تغییر دامنه این است که توزیع حاشیه ای یا توزیع شرطی داده های منبع و هدف متفاوت باشد. تطبیق دامنه به طور صریح با استفاده از معیار فاصله ازپیش تعیین شده تفاوت در توزیع حاشیه ای، توزیع شرطی یا هر دو توزیع را کاهش می دهد. در این مقاله، ما به یک سناریوی چالش برانگیز می پردازیم که در آن تصاویر دامنه های منبع و هدف در توزیع های حاشیه ای متفاوت بوده و تصاویر هدف دارای برچسب نیستند. بیش تر روش های قبلی دو استراتژی یادگیری تطابق ویژگی ها و وزن دهی مجدد نمونه ها را به طور مستقل برای تطبیق دامنه ها مورد بررسی قرار داده اند. در این مقاله، ما نشان می دهیم زمانی که تفاوت دامنه ها به طور قابل توجهی بزرگ باشد، هر دو استراتژی مهم و اجتناب ناپذیر هستند. روش پیشنهادی ما تحت عنوان تطبیق دامنه مبتنی بر نمونه برای طبقه بندی تصاویر (DAIC)، یک فرایند کاهش بعد بوده که با کاهش اختلاف توزیع تصاویر آموزشی و آزمایشی و به کارگیری هم زمان تطابق ویژگی ها و وزن دهی مجدد کارایی مدل را افزایش می دهد. ما با گسترش واگرایی برگمن غیرخطی برای اندازه گیری تفاوت توزیع حاشیه ای و اعمال آن به الگوریتم کاهش بعد آنالیز تفکیک خطی فیشر، از آن برای ساخت یک نمایش ویژگی موثر و قوی برای تفاوت های توزیع قابل ملاحظه بین دامنه ها استفاده می کنیم؛ همچنین، DAIC از مزیت برچسب گذاری اولیه برای داده های هدف به صورت تکرار شونده برای هم گرایی مدل استفاده می کند. آزمایش های گسترده ما نشان می دهد که DAIC به طور قابل توجهی بهتر از الگوریتم های یادگیری ماشین پایه و دیگر روش های یادگیری انتقالی در نه مجموعه داده بصری تحت سناریوهای مختلف عمل می کند.

نقص مادرزادی آدوکسیون چشم ها معمولا در اثر سندروم دوئن دو و یا همراه با سایر علایم عصب سوم دیده می شود. بیماری Synergistic divergence نوع نادری از نقص مادرزادی آدوکسیون است که با آبدوکسیون همزمان و دو طرفه چشم ها در نگاه به فیلد عضله رکتوس داخلی درگیر، مشخص می گردد. علت بیماری همانند سندروم دوئن انقباض همزمان دو عضله رکتوس داخلی و خارجی می باشد. بنابراین در گروه سندرم دوئن قرار می گیرد، منتهی با این تفاوت که شاخه بزرگتری از عصب 3 که قرار بوده است به عضله رکتوس داخلی عصب دهد، به سمت عضله رکتوس خارجی رفته است. بنابراین آبدوکسیون چشم ها واضح تر و رتراکشن گلوب کمتر می باشد. در این مقاله دو مورد سندرم مذکور در دو برادر گزارش می شود که در هر دو به صورت دو طرفه بوده است. یکی از دو برادر تحت عمل جراحی رسسیون دوطرفه عضله رکتوس خارجی قرار گرفته که تا حد زیادی بهبود یافته است.

در چند دهه اخیر حل مسائل کنترل بهینه با قید مشتقات جزئی به طور وسیعی مورد توجه قرار گرفته است. این نوع مسائل بسیار پیچیده است و حل عددی آنها از اهمیت ویژه ای دارد. در این مقاله به حل مساله کنترل بهینه با قید مشتقات بیضوی می پردازیم. ابتدا با استفاده از روش اجزای محدود شکل گسسته مساله را به دست می آوریم، مساله گسسته به دست آمده یک مساله بهینه سازی مقید در ابعاد بزرگ است. حل این مساله بهینه سازی با روش های معمول دشوار و نیازمند زمان و حافظه کامپیوتری زیادی است. اما روش برگمن مجزا با تبدیل مساله مقید به مساله ای نامقید در همان بعد در زمان و حافظه لازم صرفه جویی می کند. ما این مساله را با روش تکراری برگمن مجزا حل می کنیم و در مثال هایی که می آوریم سرعت و دقت روش تکراری برگمن مجزا را در حل این نوع از مسائل نشان می دهیم. همچنین از روش SQP برای حل مساله و مقایسه با روش برگمن مجزا استفاده کرده ایم.

خوزستان به عنوان استراتژیک ترین استان ایران، در سده بیستم میلادی بیش از هر استان دیگر کشورمان در معرض طرح های تجزیه طلبی بیگانگان بوده است. دولت های عرب به ویژه عراق به عنوان بزرگترین طراح، مجری و پشتیبان طرح تجزیه این خطه، مهم ترین سند و دلیل زنده پشتیبانی اش از این طرح را عرب بودن و به ویژه خواست تاریخی ساکنین این استان برای جدایی از ایران می دانند.این پژوهش توصیفی – تحلیلی در پی آن است تا بر اساس ملاک های شناخته شده فرهنگی – اجتماعی، اندازه واگرایی و همگرایی عرب های خوزستان را نسبت به اکثریت تشکیل دهنده هسته سیاسی و نیز آرمان های ملی مورد بررسی قرار دهد.

چکیده فارسی: تناسخ، از جمله مسائلی است که از دیرباز مورد توجه اندیشمندان مختلف با قومیت ها و آیین های گوناگون بوده است. از سوی دیگر، معاد جسمانی از جمله آموزه هایی است که نصوص قرآنی بر آن دلالتی آشکار داشته و همواره مورد اعتقاد مسلمانان بوده است. با وجود این، آموزه معاد جسمانی همواره انتقادات جدی به خود دیده که یکی از آنها مساوق بودن با تناسخ است که باور عمومی بر استحاله آن استوار است.آنچه در این نوشتار می آید، تبیین رابطه میان تناسخ و معاد جسمانی به جسم عنصری از دیدگاه فیلسوفان و متکلمان، و آن گاه ارائه دیدگاه برگزیده از سوی نویسنده است. بر اساس مهم ترین یافته های این پژوهش، از دیدگاه ابن سینا و ملاصدرا معاد جسمانی به جسم عنصری، مصداق تناسخ است. با این حال، متکلمان به دلیل نگاه خاص خود به تناسخ، چنین سنخیتی را بر نمی تابند.   چکیده عربی:إن التناسخ یعد من المسائل التی اهتم بها العلماء من مختلف القومیات والأدیان، وأما المعاد الجسمانی فهو من المفاهیم التی أشارت إلیها النصوص القرآنیة بصراحة، حیث اعتقد بها المسلمون علی مر العصور. ومع هذا، فإن مفهوم المعاد الجسمانی قد واجه دائما نقدا جادا، منها اتساقه مع التناسخ، الأمر الذی یعد محالا فی المعتقدات العامة. یقوم الباحث فی هذه المقالة ببیان الصلة بین التناسخ والمعاد الجسمانی فی الجسم العنصری، وذلک فی إطار رؤیة الفلاسفة وعلماء الکلام، وبالتالی یقوم بطرح الرأی المختار. وقد أثبتت أهم نتائج البحث أن رؤیة ابن سینا وصدر المتألهین تؤکد علی أن المعاد الجسمانی بالجسم العنصری هو مصداق للتناسخ. إلا أن علم الکلام لا یرون هکذا سنخیة بسبب رؤیتهم الخاصة للتناسخ.