طبقه بند یکی از سه بلوک تشکیل دهنده یک نهان کاو ویدئو است که برای آموزش نیازمند برچسب می باشد. در نهان کاوی کور به دلیل عدم دسترسی به الگوریتم های نهان نگاری تهیه برچسب مشکل است. در این مقاله از طبقه بند خودسازمانده پویای شبه ناظر برای رسیدن به حداقل برچسب استفاده شده و بدین منظور مفهومی به نام افزونگی هندسی گره های لایه زیرین شبکه خودسازمانده پویای شبه ناظر به کار گرفته شده است. نشان داده شده که این افزونگی منجر به ایجاد الگوهای تکراری برای شبکه خواهد شد، پس حذف چنین گره هایی بلامانع است. اثبات شده به دلیل وجود تناظر یک به یک بین گره ها و برچسب ها کاهش گره ها منجر به کاهش تعداد برچسب لازم می شود. نکته اساسی این که لازمه وجود افزونگی هندسی در میان تعدادی گره که مفهومی انتزاعی است، تشکیل دسته توسط آنهاست و بنابراین مبنای الگوریتم پیشنهادی شناسایی دسته ها و ادغام اعضای آنهاست. طبقه بند به دست آمده بر این مبنا طبقه بند خودسازمانده هندسی نام نهاده شده و اثبات می شود که این طبقه بند می تواند به مقدار بهینه حداقل برچسب دست یابد.نتایج شبیه سازی نشان دهنده برتری چشم گیر طبقه بند نسبت به الگوریتم های پیشین است.

شبکه خودسازمانده پویا با یادگیری نیمه ناظر در بسیاری از کاربردها نظیر خوشه بندی داده ها کاربرد دارد. محاسبه پارامترهای شبکه خودسازمانده شامل شکل و ساختار لایه خوشه بندی، سطح فعال سازی و وزن های لایه طبقه بندی از جمله مسایل چالش برانگیز و مهم آن است. راهکارهای ارائه شده فعلی از روش های ابتکاری و با یک نگاه محلی سعی در تعیین این پارامترها دارند که در اثر آن، نتایج این الگوریتم ها وابستگی بالایی به شرایط دارد. این مقاله یک روش یادگیری نیمه ناظر مبتنی بر شبکه خودسازمانده پویا و یادگیری حداکثری را برای اولین بار مورد بررسی قرار می دهد. روش پیشنهادی، بدون محاسبه مستقیم پارامترهای شبکه خودسازمانده پویا و با استفاده از روش یادگیری حداکثری، کلاس هر داده را تعیین می کند. خطای حاصل از بازخورد سیستم، هم در یادگیری حداکثری و هم در بهینه سازی شبکه خودسازمانده پویا مورد استفاده قرار می گیرد. در این مقاله، علاوه بر بررسی تحلیلی همگرایی روش پیشنهادی، روش حداکثری ترتیبی برای شبکه نیمه ناظر خودسازمانده پویا ارائه شده است. آزمایش های انجام شده بر روی داده های برخط و با برچسب جزئی نشان می دهند که روش پیشنهادی از نظر دقت، نسبت به روش نیمه ناظر خودسازمانده پویا برتری نسبی دارد.

طبقه بندی با دقت بالای سیگنال الکترومایوگرام سطحی برای کنترل دست مصنوعی از عناوین مهم تحقیق در حوزه توان بخشی است. به ویژه آنکه با افزایش درجات آزادی، نرخ تشخیص درست بشدت کاهش می یابد. در مقاله حاضر بر اساس یک ساختار خودسازمانده فازی-عصبی جدید پیشنهادی پنج لایه، طبقه بندی سیگنال الکترومایوگرام چند کاناله انجام شده است. در این ساختار متناظر با ویژگی های ورودی، قواعد جدید ایجاد و وزن آنها بر اساس الگوریتم پس انتشار خطا بهبود یافته و از الگوریتم ژنتیک برای تنظیم نهایی استفاده شده است. به دلیل تعداد درجات آزاد بالا در حرکات ناحیه زیر آرنج در مقایسه با ناحیه بالای آن، از شش جفت الکترود برای برداشت سیگنال استفاده شده است. پس از حذف اغتشاش با فیلتر، ویژگی های رایجی چون متوسط قدرمطلق سیگنال، ضرایب کپستروم و ضرایب بسته ویولت هرس شده با آنتروپی به طبقه بندی کننده اعمال شده اند برای تضمین زمان واقعی بودن مرحله تشخیص (کمتر از ms100) و ساده تر شدن طبقه بندی، با استفاده از نگاشت آنالیز مولفه های اساسی، بعد ویژگی ها از 234 به 10 کاهش یافته است. ثبت های مربوط به 6 فرد در دو حالت 6 کلاس و 9 کلاس حرکتی ارزیابی شده و با طبقه بندی کننده ماشین بردار پشتیبان مقایسه شده است. در 9 کلاس صحت متوسط 96.7% به دست آمد که نسبت به ماشین بردار پشتیبان (76%) بهبود قابل توجهی دارد.

امروزه شناسایی لندفرم ها و طبقه بندی زمین مبتنی بر روش کارشناسی است که به صورت دستی و با استفاده از عکس های هوایی و نقشه های توپوگرافی انجام می شود و روشی وقت گیر و دارای دقت کمی است. از این رو، استفاده از روش های نیمه خودکار و خودکار به منظور طبقه بندی لندفرم ها برای افزایش دقت و سرعت کار ضروری به نظر می رسد. این پژوهش سعی دارد که به طبقه بندی لندفرم ها بر اساس الگوریتم شبکه های عصبی خودسازمانده (SOM) در حوضه آبخیز گاوخونی بپردازد. پژوهش از نوع تحلیل و توصیفی مبتنی بر روش های آماری، نرم افزار و میدانی است؛ بدین صورت که به منظور استفاده از الگوریتم SOM برای طبقه بندی لندفرم ها از شش پارامتر استفاده شد شامل جهت (aspect)، ارتفاع (elevation)، شیب (slope)، پروفیل طولی و عرضی (plan, profile) و انحنا (curvature). برای این منظور، ابتدا با استفاده از شاخص موقعیت توپوگرافی (TPI)، لندفرم های منطقه مورد مطالعه طبقه بندی شد. از کلاس های لندفرم حاصل از TPI به منظور آموزش مدل SOMاستفاده شد. در مرحله بعد، پنجاه نقطه به عنوان نمونه برای آموزش شبکه استفاده شد. نتایج حاصل از طبقه بندی لندفرم ها با استفاده از الگوریتم SOM نشان داد که شش خوشه (کلاس) در محدوده مورد مطالعه وجود دارد، به طوری که خوشه 1 و 5 شامل لندفرم هایی است که در ارتفاعات زیاد قرار دارد و خوشه 3 شامل لندفرم هایی است که در کمترین ارتفاع واقع شده است. بقیه خوشه ها شامل لندفرم هایی هستند که در ارتفاعات متوسط در حوضه آبخیز مورد مطالعه قرار دارد. بنابراین از الگوریتم فوق می توان به منظور پیش بینی لندفرم های منطقه مورد مطالعه استفاده کرد.

پایگاه قوانین طبقه بند فازی همباشی (FAC)، مجموعه ای از قوانین فازی همباشی است که اغلب مبتنی بر داده های کمی سیستم می باشد. درحالی که در دنیای واقعی-با پیچیدگی ها و عدم قطعیت های موجود-طبقه بندی، یک مسیله تصمیم گیری است که تحت تاثیر شدید دانش، تجربه، و دیدگاه شخصی افراد می باشد. در این مقاله، ساختار کلی ف-طبقه بند فازی همباشی(f-FAC) را در چارچوب منطق فازی توسعه یافته معرفی می نماییم که بیش از پیش به شیوه تفکر و استنتاج آدمی نزدیک می باشد. در ساختار پیشنهادی، دانش و تجربه انسانی در قالب مفهوم اعتبار فازی در هر دو مرحله تشکیل پایگاه قوانین و استنتاج طبقه بندهای فازی همباشی لحاظ شده است. در این طبقه بند، اعتبار مشخصه ها و قوانین با تلفیق نظرکارشناسان براساس هوش جمعی و با استفاده از محاسبات ادراکی تعیین می گردد. به منظور ارزیابی روش پیشنهادی، f-FARC-HD به عنوان توسعه ای از طبقه بند FARC-HD پیاده سازی شده و با تعدادی از طبقه بندهای دیگر-فازی همباشی و غیرفازی همباشی-مقایسه می شود. همچنین، کارآیی دو طبقه بند f-FARC-HD و FARC-HD در سطوح مختلف اغتشاش بررسی می گردد. آزمایش ها بر روی یک مجموعه داده واقعی ازاطلاعات بیماران بخش سوختگی بیمارستان های اهواز اجرا شده است. نتایج نشان می دهد که با در نظر گرفتن مفهوم اعتبار در f-FARC-HD، طبقه بندی کارا با پیچیدگی بسیار کم تر بدست می آید که حساسیت آن نسبت به تغییرات اغتشاش کمتر از FARC-HD می باشد.

اکثر الگوریتم هایی که تا این زمان در زمینه نهان کاوی کور ویدئو ارائه شده اند منطبق بر یادگیری باناظر بوده و هزینه تولید داده های برچسب دار در آنها بالا می باشد. تحت این شرایط در فرایند نهان کاوی کور ویدئو تنها می توان از تعداد محدودی از الگوریتم های نهان نگاری که کد آنها در دسترس است برای آموزش طبقه بند استفاده کرد. بنابراین نمی توان درباره کارایی نهان کاو برای شناسایی آن دسته از الگوریتم های نهان نگاری ویدئویی که کد آنها در دسترس نیست، مطمئن بود. همچنین الگوریتم های رایج عموما برون خط می باشند و بنابراین آموزش مجدد سیستم زمان بر بوده و نمی توان سیستم را به صورت برخط بروز کرد. برای حل این مشکلات یک روش جدید نهان کاوی کور ویدئو با رویکرد یادگیری شبه ناظر در این مقاله ارائه شده است. در روش پیشنهادی با توجه به رفع محدودیت برچسب دار بودن داده های آموزشی، کارایی طبقه بند برای آن دسته از الگوریتم های نهان نگاری که کد آنها در دسترس نیست بهبود می یابد. همچنین ثابت می شود که روش پیشنهادی نسبت به روش های متداول در فرایند نهان کاوی کور ویدئو پیچیدگی زمانی کمتری داشته و یک روش برخط بهینه است. نتایج شبیه سازی بر روی پایگاه داده استاندارد نشان می دهد که روش پیشنهادی علاوه بر مزایای فوق، دارای دقت آشکارسازی قابل مقایسه با روش های متداول روز است.

مشکل اصلی در پیاده سازی سیستم های طبقه بند یادگیر فازی طراحی یک معیار موثر برای انتخاب قوانین می باشد. استفاده از ضریب اطمینان (confidence) و پشتیبانی (support) اخیرا به عنوان معیارهای ارزیابی قوانین متداول شده است. در این مقاله ابتدا معیارهای ارزیابی سیستم های بازیابی اطلاعات که دقت (precision) و یادآوری (recall) نام دارند به معادل فازیشان تعمیم داده شده و سپس به منظور معیارهای ارزیابی قوانین استفاده شده اند. روش های متفاوت و متنوعی جهت ترکیب مفاهیم مذکور در قالب یک معیار ارزیابی طراحی و بررسی شده است. این معیارهای ترکیبی جدید به عنوان مکانیزم انتخاب قانون در روش یادگیری قانون از طریق تکرار (IRL) به کار گرفته شده است. سه پایگاه داده معروف برای مقایسه روشهای جدید ارایه شده مورد استفاده قرار گرفته است. نتایج آزمایشهای متنوع موثر بودن روشهای پیشنهادی را بر حسب کارایی محاسباتی و دقت طبقه بندی تایید می کنند.

تحلیل تفکیک کننده خطی یکی از روش های پرکاربرد در حوزه کاهش ابعاد فضای ویژگی و طبقه بندی داده ها به وسیله بیشینه سازی نسبت پراکندگی بین طبقه ها به پراکندگی درون طبقه ها است. این روش مبتنی بر معیار فیشر بوده و از تحلیل واریانس برای بیان تفکیک پذیری طبقه ها استفاده می کند. مهم ترین محدودیت این معیار در مواجهه با داده های ناهمگن است. برای رفع این محدودیت، استفاده از فواصل توزیعی نظیر معیار چیرنف پیشنهاد شده است. معیار چیرنف با در نظر گرفتن فاصله چیرنف میان دو توزیع داده، قادر به اندازه گیری فواصل میان توابع چگالی احتمال و استخراج ویژگی هایی با بیش ترین قابلیت تفکیک کنندگی است؛ اما ایراد این روش آن است که چنانچه دو توزیع طبقه داده های ناهمگن از یکدیگر فاصله کمی داشته باشند، موجب هم پوشانی طبقه ها در فضای نگاشت شده و باعث افزایش خطای طبقه بندی می شود. این مقاله، با معرفی روش انتخاب نمونه با نام حاشیه بیشینه ای به شناسایی نمونه های مرزی و غیرمرزی پرداخته و با بهره گیری از نمونه های مرزی، ماتریس پراکندگی مطلوبی برای افزایش کارایی تحلیل تفکیک کننده خطی ایجاد می کند. در روش پیشنهادی، فرایند انتخاب نمونه همانند یک مسأله بهینه سازی مقید دودویی در نظر گرفته شده و جواب های مسأله با استفاده از تابع پرکننده به دست می آیند. عملکرد روش پیشنهادی بر روی داده های برگرفته شده از پایگاه داده UCI به وسیله روش اعتبارسنجی ضرب دری ده تایی ارزیابی و با طبقه بندهای سنتی و مرز دانش مقایسه شده است. آزمایش ها نشان دهنده برتری روش پیشنهادی از نظر صحت طبقه بندی و زمان محاسبه است.

در این مقاله یک طبقه بند تک کلاسه مبتنی بر مرز با الهام از طبقه بند توصیف گر داده مبتنی بر بردار پشتیبان (SVDD) ارائه شده است. در طبقه بند SVDD حتی زمانی که نمونه های پرت به بیرون از مرز رانده می شوند، باز هم این نمونه ها بر مرز طبقه بند اثر می گذارند و این مساله باعث افزایش خطای طبقه بند می شود. در طبقه بند پیشنهادی به گرانش نمونه های آموزش اهمیت داده می شود و همچنین همه نمونه ها در تعیین مرز طبقه بند دخالت دارند. بر این مبنا دو طبقه بند که در یکی دانش در مورد نمونه های پرت نیز در نظر گرفته می شود، پیشنهاد شده است. مساله بهینه سازی مطرح در طبقه بند پیشنهادی علاوه بر این که تحدب را حفظ می کند، در حوزه کرنل نیز به سهولت قابل استفاده است. پس از معرفی طبقه بند پیشنهادی و حل مساله بهینه سازی آن، چگونگی تغییرات مرز طبقه بند پیشنهادی در مقابل تغییرات پارامترهای مدل بررسی می شود. نتایج آزمایش ها در مقایسه با دو طبقه بند SVDD و Density Induced SVDD نشان می دهد که روش پیشنهادی در کاهش اثر نمونه های پرت موفق بوده است.