در مدل هایی که به پیش بینی فرآیندهای حاکم در محیط خاک می پردازند، دانستن جرم ویژه ظاهری خاک به عنوان یک پارامتر ورودی، لازم است. رویکردهای غیرپارامتریک در جنبه های مختلفی برای تخمین متغیرهای پیوسته به کار رفته اند. در این پژوهش نوعی از الگوریتم های غیرپارامتریک از نوع یادگیرنده های تنبل موسوم به k- نزدیک ترین همسایه، برای تخمین جرم ویژه ظاهری خاک با استفاده از دیگر ویژگی های کمکی آن شامل توزیع اندازه ذرات خاک، pH خاک، هدایت الکتریکی عصاره اشباع خاک (EC)، درصد اشباع خاک (SP)، درصد کربن آلی خاک (OC) و مقدار آهک به کار گرفته شد. بر اساس تکنیک cross validation برای تخمین جرم ویژه ظاهری هر نمونه خاک هدف، هشت نمونه خاک که حداکثر تشابه به خاک هدف را داشتند، از بانک مرجع که حاوی 136 نمونه خاک بود، انتخاب و مقدار جرم ویژه ظاهری آنها برآورد شد. استفاده از آماره های ضریب هم بستگی پیرسون (0.86=r)، خطای ماکزیمم (0.15=ME)، ریشه میانگین مربعات خطا (2.5=RMSE)، ضریب تبیین (1.3=CD)، کارآیی مدل (0.75=EF) و ضریب جرم باقی مانده (0.001=CRM) نشان داد که در اکثر موارد این تکنیک به صورت قابل قبول توانمند است. بر این اساس، می توان نتیجه گیری کرد که استفاده از این تکنیک به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به ویژه زمانی که فراهمی داده های جدید، نیاز به اشتقاق مجدد این توابع را الزام آور می کند، می تواند به کار رود.

مقدمه: دیابت یا بیماری قند یک اختلال متابولیک سوخت و سازی در بدن است که توانایی تولید انسولین در بدن از بین می رود و انسولین تولیدی نمی تواند عملکرد طبیعی خود را انجام دهد. وجود علائم و ویژگی های مختلف این بیماری، تشخیص را برای پزشکان دشوار می کند. داده کاوی امکان تحلیل داده های بالینی بیماران برای تصمیم گیری های پزشکی را فراهم می کند. هدف این پژوهش، ارائه یک مدل برای افزایش دقت پیش بینی دیابت است. روش: در این مطالعه، پرونده پزشکی 1151 بیمار مبتلا به دیابت با تعداد 19 ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد UCI جمع آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. به منظور ارائه مدل پیش بینی دیابت از الگوریتم ژنتیک و نزدیک ترین همسایه استفاده شد. نتایج: نتایج نشان داد که دقت پیش بینی مدل پیشنهادی برابر با 0/76 بود. همچنین برایروش های نایو بیز، شبکه عصبی پرسپترون چند لایه و ماشین بردار پشتیبان دقت پیش بینی به ترتیب برابر با 0/62، 0/65 و 0/75 به دست آمد. نتیجه گیری: در پیش بینی دیابت، مدل پیشنهادی نسبت به سایر مدل های مورد مقایسه، دارای حداقل میزان خطا و بیش ترین دقت و صحت است. روش نایو بیز، حداکثر میزان خطا و کم ترین دقت را دارا می باشد.

مقدمه: از آن جایی که کلیه بیمارستان ها اعم از دولتی و خصوصی، هزینه های سنگینی را در بخش بیماری کبد تقبل می کنند، ارایه روشی به منظور پیش بینی بیماری کبد ضرورتی اجتناب ناپذیر است. در این مقاله، مدل ترکیبی بر مبنای الگوریتم بهینه سازی شیرمورچه و k نزدیک ترین همسایه به منظور تشخیص بیماری کبد ارایه می گردد. مواد و روش ها: در این مطالعه توصیفی-تحلیلی یک مدل ترکیبی مبتنی بر الگوریتم های یادگیری ماشین برای طبقه بندی افراد به دو دسته سالم و مبتلا به بیماری کبد طراحی شده است. مدل پیشنهادی با استفاده از نرم افزار MATLAB شبیه سازی شده است. مجموعه داده مورد استفاده در این مقاله، مجموعه داده ILPD موجود در مخزن داده یادگیری ماشین دانشگاه ایروین کالیفرنیا است. این مجموعه داده شامل شامل 583 رکورد مستقل شامل 10 ویژگی برای بیماری کبد است. یافته های پژوهش: داده های این مجموعه پس از پیش پردازش به صورت تصادفی به 20 دسته از کل مجموعه داده تقسیم شدند که شامل داده های آموزش و آزمون متفاوت بودند. در هر دسته داده از 90 درصد داده ها برای آموزش و 10 درصد باقی مانده برای آزمایش استفاده شد. نتایج حاصله در بهترین حالت بر مبنای تمامی ویژگی ها بر اساس درصد صحت برابر با 23/95 درصد و بر مبنای معیارهای ویژگی و حساسیت درصد صحت به ترتیب برابر 95/93 درصد و 11/94 درصد می باشد. هم چنین درصد صحت مدل پیشنهادی با 5 ویژگی برابر با 63/98 درصد می باشد. بحث و نتیجه گیری: مدل پیشنهادی به منظور تشخیص و طبقه بندی بیماری کبد با دقت بالای 90 درصد پیشنهاد گردید. نتایج حاصل از این مقاله می تواند برای مراکز درمانی و پزشکان مفید واقع شود.

مقدمه: قلب یکی از ارگان های اصلی بدن انسان است و سالم نبودن آن عامل مهمی در مرگ ومیر انسان ها است. بیماری قلبی ممکن است بدون علامت باشد اما می توان از طریق آزمایش های پزشکی این نوع بیماری را پیش بینی و تشخیص داد. تشخیص بیماری قلبی به تجربیات زیاد پزشکان متخصص نیاز دارد. هدف مطالعه حاضر، تشخیص بیماری قلبی به منظور کمک به پزشکان برمبنای ترکیب الگوریتم بهینه سازی ملخ دودویی و k نزدیک ترین همسایه است. از الگوریتم بهینه سازی ملخ دودویی برای انتخاب ویژگی ها و از الگوریتم K نزدیک ترین همسایه برای طبقه بندی استفاده شده است. روش ها: این مطالعه از نوع توصیفی-تحلیلی بود. . در این مطالعه، پرونده پزشکی 270 بیمار در حوزه بیماری قلبی با تعداد 13 ویژگی بررسی شد. تعداد بیماران مبتلا برابر با 120 و فقدان بیماری برابر با 150 بود، لذا مجموعه داده در حالت متوازن است. اطلاعات بیماران از پایگاه داده استاندارد UCI استخراج شد. ارزیابی مدل پیشنهادی در شبیه سازی MATLAB انجام شد. یافته ها: با توجه به ارزیابی های انجام شده بر روی روش پیشنهادی، درصد صحت برابر با 8/89، درصد حساسیت برابر با 6/89 و درصد ویژگی برابر با 4/90 به دست آمد که در مقایسه با نتایج مطالعات انجام شده در حوزه بیماری قلبی، دقت به دست آمده روش پیشنهادی، قابل قبول است. همچنین، درصد صحت روش پیشنهادی برمبنای هفت ویژگی (Age, Sex, Chest Pain, BP, Electrocardiographic, Angina, Thallium) برابر با 3/90 درصد به دست آمد. نتیجه گیری: با توجه به نتایج حاصل از این مطالعه، برای تشخیص بیماری قلبی، روش پیشنهادی در تشخیص بیماری و انتخاب ویژگی های مهم نسبت به روش های قبلی بهتر عمل کرده است.

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

امروزه توصیف کمی ساختار جنگل به عنوان یکی از مناسب ترین ابزار در مدیریت نوین جنگل درنظر گرفته می شود. هدف از انجام این تحقیق، مطالعه شاخص های ساختاری در توده های دست نخورده راش با استفاده از شاخص های نزدیک ترین همسایه بود. به این منظور یک پارسل به مساحت 48 هکتار در بخش گرازبن جنگل آموزشی و پژوهشی خیرود به عنوان منطقه مورد مطالعه انتخاب شد و گونه و قطر برابر سینه تمام پایه های درختی با قطر برابر سینه بیشتر از 7.5 سانتی متر یاداشت و به منظور تهیه نقشه موقعیت مکانی درختان، موقعیت هر یک از پایه های درختی با روش فاصله- آزیموت ثبت شد. سپس شاخص های نزدیک ترین همسایه شامل شاخص های الگوی مکانی کلارک و ایوانز، شاخص آمیختگی (DMi)، شاخص آمیختگی نسبی (S) و شاخص اختلاف قطر برابر سینه (Tij) با استفاده از نرم افزار Crancod 1.3 محاسبه شدند. نتایج حاصل از شاخص کلارک و ایوانز نشان داد الگوی مکانی درختان در منطقه مورد مطالعه از حالت کپه ای پیروی می کند. مقدار شاخص (DMi) در منطقه مورد مطالعه برابر با 0.313 به دست آمد که نشان دهنده آمیختگی کم گونه های تشکیل دهنده است. مقدار شاخص (Tij) برابر با 0.43 حاکی از اختلاف متوسط درختان از نظر قطر برابر سینه است و مقدار شاخص S که بزرگ تر از صفر بود نشان دهنده تفکیک گونه ها در منطقه مورد مطالعه می باشد. نتایج این مطالعه کاربرد شاخص های نزدیک ترین همسایه را در مطالعه مولفه های ساختاری جنگل های راش نشان می دهد.

امروزه دستگاه های مبتنی بر اندروید مثل تلفن های همراه هوشمند، تبلت ها و اخیراً هدست های واقعیت مجازی، کاربرد روز افزونی در زندگی روزمره ما پیدا کرده اند. همراه با توسعه نرم افزارها برای این دستگاه ها، برنامه های مخرب جدیدی توسط نفوذگران منتشر می شود که شناسایی و مقابله با آن ها مشکل تر است چون از روش های پیچیده تری استفاده می کنند. اگرچه تاکنون روش هایی برای محاسبه خطر امنیتی و شناسایی برنامه های مخرب ارائه شده اند، اما با گسترش سطح و عمق تهدیدات آن ها، نیاز به روش های جدید در این زمینه همچنان احساس می شود. در این مقاله الگوریتم جدیدی به منظور محاسبه خطر امنیتی برنامه های اندروید ارائه داده ایم که می تواند در شناسایی برنامه های مخرب از برنامه های مفید به کار رود. در این الگوریتم برای محاسبه خطر امنیتی یک برنامه ورودی، به کمک فاصله همینگ نزدیک ترین همسایه ها از نوع برنامه های مخرب و نزدیک ترین همسایه ها از نوع برنامه های بی خطر به طور جداگانه مشخص می شوند. سپس بر اساس معیاری که در این مقاله ارائه شده است، خطر امنیتی برنامه ورودی محاسبه می گردد. پس از پیاده-سازی این الگوریتم و تنظیم پارامتر تعداد همسایه به کمک مجموعه داده های واقعی، آزمایش های گسترده و متنوعی به منظور ارزیابی روش پیشنهادی صورت گرفت. در این آزمایش ها، روش پیشنهادی با سه روش شناخته شده قبلی در زمینه تشخیص برنامه های مخرب، به کمک چهار مجموعه داده مختلف، مقایسه شد. نتایج حاصل نشان دهنده نرخ تشخیص بالاتر روش پیشنهادی در اغلب موارد است.