در این مقاله، طبقه­بندی مبتنی بر طبقه­بند K نزدیکترین همسایه­ها و خطای بازسازی، جهت دسته­بندی داده­ها معرفی شده است. در روش پیشنهادی، ابتدا K نزدیکترین داده (همسایه) به داده­ی آزمون، از هر دسته موجود در داده­های آموزش، محاسبه می­گردد. سپس به بازسازی داده­ی آزمون، بر حسب تعداد مختلفی از نزدیکترین همسایه­ها (از یک تا  K)، در هر دسته پرداخته شده و میزان خطای بازسازی به ازای هر تعداد همسایه به طور مجزا محاسبه می­گردد. در گام بعد، در هر دسته، میزان خطا به صورت جمع وزندار خطای حاصل از تمامی بازسازی­ها محاسبه می­گردد. وزن خطای بازسازی، متناسب با تعداد همسایه­های دخیل در آن در نظر گرفته شده است بدین ترتیب که خطای بازسازی در تعداد همسایه­های آن ضرب می­شود. در آخر، داده­ی آزمون به دسته­ای تعلق دارد که کمترین میزان خطای کل را دارا است. این عمل موجب می­گردد تا ترکیبی از طبقه­بندهای مبتنی بر K نزدیکترین همسایه به صورت هم­افزایی در طبقه­بندی داده­ها نقش ایفا نمایند. در این مقاله از 10 دسته­مجموعه متعلق به پایگاه داده­ی سری-زمانی UCR و پنج دسته-مجموعه متعلق به پایگاه داده­ی دسته­بندی UCI جهت ارزیابی روش پیشنهادی استفاده شده است. نتایج بدست آمده از این ارزیابی­ها نشان می­دهد که روش پیشنهادی، عملکرد طبقه ندهای KNN مبتنی بر کمترین خطای بازسازی را به میزان زیادی بهبود بخشیده و نرخ بازشناسی در برخی K ها را در حدود 5 درصد بهتر نموده و متوسط نرخ بازشناسی به ازای تمامی Kها (از 2 الی 15) در حدود 1.6 درصد بهبود یافته است.

مقدمه و هدف: بازیابی ژنوتیپ در طرح های انتخاب ژنومی به دلیل آنکه می تواند هزینه های انتخاب ژنومی را کاهش دهد بدون اینکه تاثیر منفی بر صحت انخاب ژنومی داشته باشد در طی سال های اخیر مورد توجه محققین قرر گرفته است. در فرآیند بازیابی ژنوتیپ، ژنوتیپ نشانگرهایی که به هر دلیل اطلاعات ژنوتیپی آن ها از دست رفته است با استفاده از روش های مختلف آماری بازیابی می شود. مواد و روش ها: جهت ایجاد ماتریس ژنوتیپی، ژنومی متشکل از 1 کروموزوم به طول یک مورگان برای 250 و 1000 فرد شبیه سازی شد که بر روی آنها در سناریوهای مختلف، 250، 500، 750، 1000، 1500 و 2000 نشانگر چند شکلی تک نوکلیوتیدی (SNP) توزیع گردید. جهت ایجاد فایل اطلاعات حاوی ژنوتیپ های از دست رفته، اطلاعات ژنوتیپی به ترتیب 5، 10، 25، 50، 75 و 90 درصد SNPها از ماتریس ژنوتیپی حذف شده تا مجددا توسط روش KNN بازیابی شوند. درصد ژنوتیپ های به درستی بازیابی شده (نسبت تعداد ژنوتیپ های به درستی بازیابی شده به کل ژنوتیپ های از دست رفته) و همبستگی بین ماتریس ژنوتیپی اولیه (فاقد اطلاعات ژنوتیپی از دست رفته) و ماتریس ژنوتیپی بازیابی شده به عنوان شاخص های صحت بازیابی ژنوتیپ مورد استفاده قرار گرفت. یافته ها: در جمعیت شامل 250 فرد صحت بازیابی ژنوتیپ در سناریوهای 5، 10، 25، 50، 75 و 90 درصد، صحت بازیابی ژنوتیپ به ترتیب برابر 0/82، 0/82، 0/80، 0/76، 0/62 و 0/40 بود اما با افزایش جمعیت به 1000 فرد، صحت بازیابی ژنوتیپ برابر 0/83، 0/83، 0/82، 0/82، 0/71 و 0/54 حاصل شد که بویژه تاثیر افزایش جمعیت در دو سناریو 75 و 90 درصد ژنوتیپ از دست رفته قابل توجه بود. همبستگی بین ماتریس ژنوتیپی اولیه و ماتریس ژنوتیپی بازیابی شده نیز با افزایش درصد حذف کاهش یافت. با افزایش تعداد SNPها از 250 به 2000، صحت بازیابی ژنوتیپ از 0/67 به 0/84 افزایش یافت. همچنین یک رابطه معکوس بین فراوانی آلل نادر (MAF) با صحت بازیابی ژنوتیپ مشاهده شد به صورتیکه با افزایش MAF از 01/0 به 5/0، صحت بازیابی ژنوتیپ 15 درصد کاهش نشان داد. مدت زمان بازیابی ژنوتیپ نیز با افزایش ابعاد ماتریس ژنوتیپی به صورت تصاعدی افزایش یافت. با افزایش درصد ژنوتیپ های بازیابی شده، صحت پیش بینی ارزش های اصلاحی ژنومی کاهش یافت. در سناریوهای 5 و10 درصد ژنوتیپ بازیابی شده تغییری در صحت مشاهده نشد اما در دو سناریو 75 و 90 درصد ژنوتیپ بازیابی شده، صحت پیش بینی ارزش های اصلاحی ژنومی به ترتیب 16 و 32 درصد کاهش یافت. نتیجه گیری: به طور کلی صحت بازیابی ژنوتیپ های از دست رفته با استفاده از روش KNN قابل قبول بود به طوری که با افزایش درصد ژنوتیپ های از دست رفته تا 50 درصد، KNN با صحتی در حدود 80 درصد ژنوتیپ های از دست رفته را بازیابی نمود و بنابراین می توان این روش را برای طرح های انتخاب ژنومی پیشنهاد نمود.

مقدمه و هدف: روش رایج در برآورد بقا، مدل کاکس است که اعتبار نتایج آن، به پذیره مخاطرات متناسب وابسته است. روش k- نزدیکترین همسایگی یک روش ناپارامتری برای احتمالات بقا در جوامع ناهمگن می باشد. هدف این مطالعه مقایسه کارایی مدل کاکس و روش k- نزدیکترین همسایگی (KNN) است.روش کار: این مطالعه کوهورت گذشته نگر بر روی 475 بیمار دریافت کننده پیوند کلیه طی سال های 1390-1373 شهر همدان می باشد. اطلاعات از پرونده های پزشکی بیماران استخراج شد. مدت زمان بین پیوند کلیه و رد برگشت ناپذیر پیوند به عنوان پاسخ در نظر گرفته شد. برای مدل سازی داده ها، از مدل کاکس و روش KNN و برای مقایسه کارایی مدل ها از خطای پیش بینی نمره بری یر استفاده شد.نتایج: از 475 گیرنده پیوند، 55 نفر (11.50%) رد پیوند داشتند. میزان بقای 5، 10 و 15 سال به ترتیب 91.70%، 84.90% و 74.50% بدست آمد. تعداد همسایگی بهینه با روش اعتبار سنجی متقاطع برابر 45 بدست آمد. نمره بری یر برای الگوریتم KNN در زمان های 5، 10 و 15 سال 0.003، 0.006 و 0.007 و برای مدل کاکس به ترتیب 0.036، 0.058 و 0.069 بدست آمد. روش KNN با تعداد همسایگی 45 خطای پیش بینی کمتری در زمان های 5، 10 و 15 سال نسبت به مدل کاکس دارد که نشان می دهد این روش عملکرد بهتری دارد.نتیجه نهایی: نتیجه این مطالعه نشان می دهد که پیش بینی روش KNN نسبت به مدل کاکس زمانی که حجم نمونه بالا و تعداد متغیرهای پیشگو زیاد است، دقت بالاتری دارد.

مدل های گردش عمومی (General Circulation Models- GCMs) مناسبترین ابزار برای مطالعه پدیده تغییر اقلیم شناخته شده اند. اما این مدل ها به شبیه سازی پارامتر های اقلیمی در مقیاس بزرگ می پردازند که این مقیاس ها برای شبیه سازی فرایندهایی از جمله مدل های باران- رواناب کارایی ضعیفی دارد. ازاین رو روش های مختلف ریزمقیاس نمایی ایجاد و توسعه یافتند. در این پژوهش مدل ریزمقیاس نمایی، بر اساس روش ناپارامتریک نزدیکترین همسایگی (K-Nearest Neighbor-K-NN) ارائه شده است. در ادامه برای ارزیابی کارایی مدل، داده های بارش روزانه برای دوره آتی (2044-2015) در ایستگاه اهواز تحت سه سناریوی تغییر اقلیم بر اساس خروجی سه مدل HadCM3، NCARPCM و CSIROMK3.5 تحت سناریوی انتشار A2 شبیه سازی شده است. نتایج نشان داد که مدل ارائه شده توانایی بالایی در ریزمقایس نمایی داده های اقلیمی دارد. همچنین برای ایستگاه اهواز احتمال وقوع رگبارها با شدت بیشتر در دوره آتی افزایش یافته در حالیکه طول دوره های خشک نیز طولانی تر خواهد شد.

نظارت فعالانه کندو با استفاده از یک شبکه حسگر که قادر به ثبت و ضبط تمامی شرایط کندو جهت شناخت شرایط زندگی زنبورهای درون کندو باشد، کمک شایانی به اتخاذ تصمیم توسط زنبوردار در شرایط حمله دشمنان خارجی و جلوگیری از فروپاشی جمعیت زنبورعسل می-نماید. بدین منظور در پژوهش حاضر سامانه ای خبره جهت تشخیص حمله پرنده زنبورخوار شامل حسگرهای دما، صوت، رطوبت و اتانول توسعه یافت. پس از جمع آوری داده ها تحت دو شرایط نرمال و حمله پرنده زنبورخوار (سبزقبا) و استخراج ویژگی در دو حوزه زمان و فرکانس، انتخاب ویژگی با استفاده از الگوریتم ژنتیک و سپس طبقه بندی ویژگی ها با استفاده از K نزدیکترین همسایه[1] صورت پذیرفت. بر اساس نتایج بدست آمده از بین 19 ویژگی انتخاب شده، پنج ویژگی شامل آنتروپی طیفی، انرژی صوت، شدت بیشینه صوت، کمینه الکل و فرکانس غالب به ترتیب با 8967، 6018، 1321، 1287 و 809 وقوع به عنوان تأثیرگذارترین ویژگی ها وارد طبقه بند شدند. طبقه بند KNN برای معیارهای صحت، دقت، حساسیت، نمره F، خصوصیت و میانگین هندسی بیشینه (100%) و نرخ مثبت کاذب (FPR) کمینه (صفر) شد که نشان دهنده ی عملکرد خوب سامانه خبره تشخیص حمله پرنده به کندو است.