مقدمه: سرطان پستان یکی از سرطان های شایع در ایران بوده و هر گونه اقدام تشخیصی به هنگام در این مورد می تواند جان بسیاری از مبتلایان به این سرطان را نجات بخشد. هدف از این پژوهش طبقه بندی داده های نامتوازن مربوط به بانوان مراجعه کننده به کلینیک پژوهشکده سرطان پستان جهاد دانشگاهی به منظور تعیین وضعیت ایشان و طبقه بندی نرمال و یا غیرنرمال بودن پستان مراجعه کنندگان بود. مجموعه داده های نامتوازن یکی از چالش های پیش روی طراحی سیستم های پزشک یار برای طبقه بندی و تعیین وضعیت بیمار محسوب می شود که در این پژوهش از روش های سطح داده برای حل آن استفاده شد.روش بررسی: در این مطالعه برای طبقه بندی داده های 918 نفر، سه الگوریتم AdaBoost.M1، k تا نزدیک ترین همسایه و شبکه عصبی احتمالی به خدمت گرفته شد. از آنجا که داده های این مطالعه نامتوازن بود، برای حل این مساله از روش بیش نمونه برداری تصادفی کلاس اقلیت، زیرنمونه برداری تصادفی کلاس اکثریت و بیش نمونه برداری مصنوعی کلاس اقلیت استفاده شد. به منظور پیاده سازی الگوریتم ها از امکانات و ابزارهای نرم افزار «متلب» و «آر» استفاده گردید. همچنین برای ورودی الگوریتم های طبقه بندی از 60 متغیر مندرج در کاربرگ های شرح حال و معاینه فیزیکی مراجعان استفاده شد. معیارهای دقت و F-measure به منظور ارزیابی در مرحله آزمون الگوریتم ها مورد استفاده قرار گرفت.یافته ها: بر اساس معیارهای دقت و F-measure، بهترین عملکرد الگوریتم های سه گانه این مطالعه در مواجهه با مجموعه داده تولیدشده با روش بیش نمونه برداری مصنوعی کلاس اقلیت بود. در این راستا عملکرد الگوریتم هایAdaBoost.M1 ، k تا نزدیک ترین همسایه و شبکه عصبی احتمالی در مواجهه با مجموعه داده مذکور و بر اساس معیارهای دقت و F-measure به ترتیب عبارتند از: 93.5 و 93.6، 79.5 و 87.7 و 86 و 91.9 بدست آمد.نتیجه گیری: روش های مختلفی برای حل مساله عدم توازن مجموعه داده ها به منظور طبقه بندی وجود دارد؛ نمونه گیری مجدد که از روش های سطح داده محسوب می شود یکی از متداول ترین آنهاست. از سه روش نمونه گیری مجددی که در این مطالعه استفاده شد، بهترین عملکرد طبقه بندها در مواجهه با مجموعه داده ایجاد شده در نتیجه نمونه گیری مجدد به روش بیش نمونه برداری مصنوعی کلاس اقلیت بود. از بین الگوریتم های به خدمت گرفته شده و بر اساس معیارهای دقت و F-measure بهترین عملکرد در تمامی مجموعه داده های این مطالعه متعلق به الگوریتم AdaBoost.M1 بود.

الگوریتم های شناسایی تغییرات در تصاویر سنجش ازدور به دو دسته پیکسل پایه و شیءگرا بر پایه حداقل واحد پردازش تقسیم می شوند. هدف از این پژوهش مقایسه عملکرد روش های پیکسل پایه و شیءگرا در طبقه بندی کاربری اراضی در دشت های اصفهان- برخوار، نجف آباد و چادگان و بررسی تغییر کاربری اراضی در طول دوره آماری با استفاده از تصاویر لندست (TM (1985 و (OLI (2015 است. طبقه بندی کاربری اراضی شامل قطعه بندی داده های تصویری با استفاده از الگوریتم قطعه بندی چندمقیاسه در محیط نرم افزار eCognition انجام شد. سپس این قطعات انتخاب شده و با استفاده از الگوریتم نزدیک ترین همسایه شیءگرا طبقه بندی شدند. طبقه بندی پیکسل پایه نظارت شده شامل انتخاب نمونه های تعلیمی با استفاده از الگوریتم حداکثر احتمال انجام شد. ارزیابی صحت در هر دو روش انجام شد. نتایج نشان داد که طبقه-بندی شیءگرا با صحت کلی بالای 90 درصد نسبت به طبقه بندی پیکسل پایه از دقت بالاتری برخوردار است. نقشه های کاربری اراضی نشان داد به ترتیب در دشت های اصفهان- برخوار، نجف آباد و چادگان مساحت کاربری مسکونی برابر با 2.09، 9.66، 3.74 درصد افزایش و کاربری مرتعی برابر با 7.48، 10.94 و 17.73 درصد کاهش در طول دوره موردمطالعه داشته اند. همچنین در دشت چادگان سطح اراضی زراعی و تحت آیش به ترتیب به میزان 8.31 و 5.64 درصد افزایش داشته اند.

داده های ورودی و ساختار مدل ها معمولا نقص هایی دارند و هیچ مدل منفردی را نمی توان پیدا کرد که عمل کرد آن در شبیه سازی جریان رود در تمام شرایط بهترین بوده و در خروجی آن بی قطعیتی نباشد. در این حالت با ترکیب مدل ها از مزیت های هر یک از مدل های منفرد برای ساختن مدلی که عمل کرد بهتری از هر یک از مدل های منفرد دارد بهره گرفته می شود. در این تحقیق، کارآیی روش های نافراسنجه یی نزدیک ترین همسایه و خوشه بندی فازی نسبت به روش های ترکیب مدل BGA (Bates Granger Averaging)، GRA (Granger Ramanathan Averaging)، AICA (Akaike Information Criterion)، BICA (Bayes Information Criterion)، متوسط گیری با وزن های یکسان و روش لاسو در ترکیب خروجی مدل های آب شناختی یکپارچه GR5J، SimHyd، SACRAMENTO و SMAR بررسی شد. با کاربرد داده های ورودی بارش، دما، آب دهی و تبخیر-تعرق هر یک از مدل های منفرد واسنجی، و روان آب خروجی حوضه ی کسیلیان شهرستان پل سفید در ایستگاه ولیک بن در مقیاس روزانه برآورد شد. سپس هر یک از روش های ترکیب مدل ها برای ترکیب نتایج خروجی هر یک از مدل های منفرد اجرا شد. نتایج نشان داد که بهترین عمل کرد در دوره ی واسنجی در مدل های GR5J و SACRAMENTO، و در دوره ی اعتبارسنجی در مدل های SimHyd و GR5J بود. بهترین عمل کرد مدل های ترکیبی در دوره ی واسنجی در روش های لاسو و GRA بود که هر دو مشابه هم عمل کردند؛ اندازه های ضریب همبستگی، ضریب نش-ساتکلیف و RMSE آن ها به ترتیب 0/83، 0/69 و 0/24 بود. در دوره ی اعتبارسنجی برای روش های متوسط گیری با وزن های یکسان و روش BGA با اندازه های ضریب همبستگی، ضریب نش-ساتکلیف و RMSE به ترتیب 0/73، 0/27 و 0/52 بود. در دوره ی واسنجی عمل کرد روش نزدیک ترین همسایه بهتر از روش مبتنی بر خوشه بندی فازی بود، و بهترین عمل کرد هر دو مدل در 20 همسایه به دست آمد. در دوره ی اعتبارسنجی عمل کرد روش مبتنی بر خوشه بندی فازی بهتر بود و عمل کرد هر دو مدل با افزایش تعداد همسایه بهتر شد.

در برخی کشورها، فندق ها به دلیل محدودیت های فناوری موجود و افزایش طول عمر نگهداری شان، معمولاً با پوسته مصرف می شوند. بنابراین، فندق های خندان مشتری پسندی بالاتری دارند. در مقیاس نیمه صنعتی، فندق های خندان و دهان بسته در حال حاضر از طریق بازرسی بصری از یکدیگر جدا می شوند. این مطالعه به منظور توسعه یک الگوریتم جدید برای جداسازی فندق های خندان از فندق های ترک خورده یا دهان بسته انجام شده است. در رویکرد اول، تکنیک های کاهش بعد مانند روش های مبتنی بر انتخاب ویژگی (SFFS) و تحلیل مؤلفه اصلی (PCA) برای انتخاب یا استخراج ترکیبی از ویژگی های رنگ، بافت و خاکستری به عنوان ورودی مدل استفاده شدند. در رویکرد دوم، ویژگی های به شکل انفرادی مستقیماً به عنوان ورودی ها استفاده شدند. در این مطالعه، سه مدل معروف یادگیری ماشین، شامل ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایه ها (KNN) و پرسپترون چندلایه (MLP) مورد استفاده قرار گرفتند. نتایج نشان داد که روش SFFS تأثیر بیشتری در بهبود عملکرد مدل ها نسبت به روش PCA دارد. با این حال، تفاوت معنی داری بین عملکرد مدل های توسعه یافته با ویژگی های ترکیبی (98.00%) و عملکرد مدل های با استفاده از ویژگی های انفرادی (98.67%) وجود نداشت. نتایج کلی این مطالعه نشان داد که مدل MLP با یک لایه پنهان، دراپ اوت برابر با 0.3 و 10 نورون، با استفاده از ویژگی HOG به عنوان ورودی، انتخاب خوبی برای طبقه بندی فندق ها به دو دسته خندان و دهان بسته می باشد.

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.

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.

بعد از جنگ جهانی دوم، کشورهای اروپایی درصدد برآمدند تا جهت ممانعت از تکرار تجربه تلخ جنگ و خسارات ناشی از آن به همکاری با یکدیگر بپردازند. بنابراین در سال 1957 بازار مشترک اروپائی بنیان نهاده شد و در سال 1993 بازار مشترک، تبدیل به اتحادیه اروپا شد. با پیوستن اعضای جدید و توسعه همه جانبه، اتحادیه اروپا به کنشگر مهمی در جهان به خصوص در حوزه اقتصاد سیاسی جهانی تبدیل شد. با گذر زمان عوامل متعددی ازجمله رشد خوانش های یوروسپتیویسم، بحران یورو، بحران مهاجرت، برگزیت و....زنگ بحرانی شدن شرایط اتحادیه را به صدا درآوردند و این تصور را در بین سایر کنشگران جهانی ایجاد کردند که اتحادیه اروپا در مسیر واگرایی قرارگرفته است. اسناد بی شماری نیز با محوریت احتمال فروپاشی اتحادیه اروپا انتشار یافتند. اکنون یکی از محتمل ترین سناریوهای مطرح شده از سوی بسیاری از خبرگان، سناریوی فروپاشی است. با این وجود، حجم سرمایه گذاری اتحادیه در مناطق مختلف جهان، توسعه فناوری های کلیدی، افزایش مناسبات اقتصادی با سایر کنشگران نظام بین الملل و نفوذ این سازمان در مناطق سرشار از منابع گازی، طلا و... ازجمله آفریقا و اوراسیا، روند افزایش قدرت اتحادیه در همه ابعاد به خصوص اقتصاد سیاسی جهانی را نمایان می سازد. فهم دوگانه موجود از جایگاه آینده اتحادیه اروپا در اقتصاد سیاسی جهانی، لزوم نگارش یک مقاله که ترسیم کننده سناریوهای مشخصی برای اتحادیه اروپا باشد را مطرح ساخت. ترسیم سناریوها صرفاً از طریق مطالعه اسنادی و کتابخانه ای میسر نبود.