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

در تقاطع­­های راست گوشه سه شاخه یا چهار شاخه کانال­های روباز، مطالعه جدایی جریان بسیار حائز اهمیت می­باشد. برخی پارامترهای موثر در این زمینه نسبت دبی ورودی و عمق جریان می­باشد که در این تحقیق تاثیر نسبت دبی ورودی و نسبت ارتفاع سرریزها (عمق جریان) در الگوی جریان و ابعاد ناحیه جداشدگی به صورت عددی شبیه­سازی شده است. بررسی نتایج مدل عددی نشان داد که مدل k-ω بیشترین مطابقت را با نتایج آزمایشگاهی دارد، به طوریکه میزان خطای شبیه­سازی کمتر از 20% بود. ابعاد ناحیه جداشدگی در کانال­­های اصلی و فرعی با نسبت دبی ورودی رابطه مستقیم داشت. همچنین با افزایش ارتفاع سرریزهای خروجی، عمق جریان افزایش یافت و منجر به کاهش ابعاد ناحیه جداشدگی شد. مطابق نتایج عددی، ابعاد ناحیه جداشدگی در راستای قائم از کف کانال به سطح آب افزایش یافت، به­طوری­که برای نسبت دبی 6/0 و نسبت ارتفاع سرریز 377/0، طول ناحیه جداشدگی در کف کانال، فاصله 1/0 متر از کف و در سطح آب به ترتیب در حدود 60 سانتیمتر، 75 سانتیمتر و 85 سانتیمتر بود. بنابراین از سطح آب به سمت کف کانال طول ناحیه جداشدگی در حدود 29% کاهش یافت.

فرض کنید G یک گروه غیر آبلی متناهی باشد. فرض کنید p(G) مجموعه مقسوم علیه های اول مرتبه G و Z(G) مرکز G را نمایش دهد. گراف اول G گرافی است که مجموعه رئوس آن p(G) است و دو عدد اول متمایز 𝑝 و 𝑞 توسط یک یال به هم بهم وصل اند اگر و تنها اگر G شامل یک عنصر از مرتبه 𝑝𝑞 باشد. گراف ناجابجایی G گرافی است با مجموعه رئوسG - 𝑍(G)  جایی که دو عنصر غیرمرکزی 𝑥 و 𝑦 توسط یک یال به هم وصل اند اگر و تنها اگر𝑥𝑦¹𝑦𝑥  فرض کنیم G و 𝐻 گروههای متناهی غیر آبلی با گراف ناجابجایی یکریخت باشند. در این مقاله نشان می دهیم که اگر|Z(G)|=|Z(H)| ، آنگاه 𝐺 و 𝐻 گراف های اول یکسان دارند و هم چنین مجموعه مرتبه های زیرگروههای آبلی ماکسیمال 𝐺 و 𝐻 یکسان هستند. اصل مقاله به صورت متن کامل انگلیسی، در بخش انگلیسی قابل رویت است.

امروزه گراف ها به طور گسترده در بسیاری از حوزه ها از جمله نرم افزار، شبکه، وب، شیمی، زیست، ژنتیک و حتی مخابرات و جامعه شناسی برای مدل سازی و پردازش داده ها استفاده می شوند. حجیم بودن و پیچیدگی زیاد گراف های داده، یکی از مهمترین چالش ها در این زمینه است که کار استخراج اطلاعات و دانش مورد نیاز از میان مجموعه ای از داده ها را بسیار مشکل می سازد. در چنین شرایطی، استفاده از الگوریتم های خلاصه سازی گراف می تواند راه حل مناسبی باشد. در مقاله حاضر، الگوریتمی نو برای خلاصه سازی گراف ها ارائه شده که قادر است از یک گراف بر حسب نیاز کاربران، خلاصه های مختلف با جزئیات متفاوت تولید کند. به علاوه، کاربر قادر است سطح خلاصه سازی را نیز کنترل کند. الگوریتم معرفی شده، با استفاده از پایگاه دادهNeo4j  که یکی از انواع پایگاه های داده ای غیررابطه ای است پیاده سازی شده است. همچنین آزمون هایی به وسیله داده های آزمایشگاهی و واقعی برای ارزیابی الگوریتم انجام گرفته است که نشان می دهد خلاصه های تولید شده، از کیفیت مناسبی برخوردار هستند. ضمن آنکه این الگوریتم از لحاظ مقیاس پذیری و کارایی از نمونه مشابه خود کیفیت بهتری ارائه می کند.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید. لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

گراف ناجابه جایی ∇(G) از یک گروه نا آبلی G به صورت زیر تعریف می شود: مجموعه رئوس آن G-Z(G) است و دو راس متمایز c و y توسط یک یال به هم وصل هستند اگر و فقط اگر جا به جاگر c و y همانی نباشد. در این مقاله ثابت می کنیم اگر G یک گروه متناهی با شرط ∇(G)≅∇(Sn) باشد، آنگاه G≅Sn، جایی که Sn گروه متقارن از درجه n و n عددی طبیعی است.

به علت خسارات اجتماعی و  اقتصادی وارده توسط تصادفات، مطالعات ایمنی ترافیک در دهه های گذشته به شدت مورد توجه قرار گرفته اند. یکی از ابعاد مطالعات ایمنی ترافیکی، مدل سازی شدت تصادفات است که در آن رابطه بین شدت تصادفات و  یک دسته متغیر توضیح مورد بررسی قرار می گیرد. علاوه بر مدل های آماری مختلفی که به این منظور مورداستفاده قرار گرفته اند، مدل های یادگیری ماشین نیز در سال های اخیر مورد توجه بوده اند. شبکه های عصبی یکی از این دسته الگوریتم های یادگیری ماشین است که در برخی از مطالعات مدل سازی شدت تصادفات استفاده شده. اما ازآنجا که روش های یادگیری ماشین قابلیت مدل سازی مواردی مانند ناهمگونی مشاهده نشده را ندارند و به علت برخی مشکلات دیگر مانند توزیع غیرخطی داده ها، استفاده از داده های تصادفات به فرم اصلی شان همراه با کاستی هایی است. در نتیجه پژوهش حاضر با استفاده از الگوریتم نزدیک ترین همسایگی، یک ساختار پنهان گراف بر روی داده ها ایجاد می کند و سپس با استفاده از شبکه عصبی گراف پیچشی به مدل سازی شدت تصادفات می پردازد. سپس مدل پیشنهادی با چهار مدل یادگیری ماشین از جمله شبکه عصبی پرسپترون چندلایه مقایسه می شود نتایج نشان می دهد که مدل پیشنهادی در تمام شاخص ها از سایر مدل ها عملکرد بهتری داشته که می توان نتیجه گرفت ساختار پنهان گراف بر روی داده های تصادفات توانسته به استخراج روابط معنی دارتر از داده ها کمک کند.

ما در دنیایی زندگی می کنیم که وجود دوربین های خانگی و قدرت رسانه باعث شده تا با حجم خیره کننده ای از داده های ویدئویی سر و کار داشته باشیم. مسلم است روشی که بتوان با کمک آن، این حجم بالای فیلم را با سرعت و بهینه مورد دسترسی و پردازش قرار داد، اهمیت ویژه ای پیدا می کند. با کمک خلاصه سازی ویدئویی این مهم حاصل شده و فیلم به یک سری فریم یا کلیپ کوتاه ولی بامعنی خلاصه می گردد. در این پژوهش سعی گردیده در ابتدا داده با کمک الگوریتم K-Medoids خوشه بندی شود؛ سپس در ادامه با کمک شبکه توجه گرافی کانولوشنالی، جداسازی زمانی و گرافی انجام گیرد و در گام بعدی با کمک روش ردکردن اتصال، نویزها و موارد تکراری حذف گردد. سرانجام با ادغام نتایج به دست آمده از دو گام متفاوت گرافی و زمانی، خلاصه سازی انجام گیرد. نتایج به دو صورت کیفی و کمی و بر روی سه دیتاست SumMe، TVSum و OpenCv مورد بررسی قرار گرفت. در روش کیفی به طور میانگین 88% نرخ صحت در خلاصه سازی و 31% میزان خطا دست یافته که به نسبت سایر روش ها جزء بالاترین نرخ صحت است. در ارزیابی کمی نیز روش پیشنهادی، کارایی بالاتری نسبت به روش های موجود دارد.

امروزه، موقعیت یابی به عنوان یکی از جنبه های اساسی سامانه های مختلف توجه ویژه ای به خود جلب کرده است. در طول زمان، خطای سامانه ناوبری اینرسی به طور قابل ملاحظه ای افزایش می یابد. این افزایش خطا می تواند به مشکلات جدی در فرآیندهای ناوبری، به ویژه در مسیرهای ناوبری طولانی منجر شود. به منظور تضمین دقت بالاتر و پایداری در مسیرهای ناوبری به مدت طولانی، استفاده از سامانه های کمکی پیشرفته و مؤثر، نیاز است. هدف این مقاله، ارائه یک روش نوآورانه برای موقعیت یابی است که با تلفیق داده های دوربین و حسگر اینرسی (INS)، به دنبال افزایش دقت در این فرآیند حیاتی است. این روش، به ویژه در سامانه های خودرو های خودران، ربات های خانگی و ربات های امداد و نجات که در محیط های بسته عمل می کنند یا در مناطق بدون پوشش GPS فعالیت می نمایند، اهمیت ویژه ای دارد. در نتیجه، نیاز به یک سامانه برخط موقعیت یابی برای این سامانه ها ضروری است. به این منظور در این مقاله، یک سامانه ناوبری تلفیقی VIO برخط در بستر کامپیوتر شخصی پیاده سازی کردیم که به مراتب از سامانه اینرسی تنها عملکرد بهتری دارد. بدین طریق که در این سامانه از دوربین به منظور تصحیح خطای جمع شونده INS و همچنین تلفیق دوربین و اینرسی با استفاده از گراف تجزیه انجام شد. نتایج صحت سنجی و عملکرد سامانه با استفاده از داده های عملی ذخیره نشان داد که سامانه VIO پیشنهادی، بیش از 90% بهبود نسبت به INS داشته است.