انجمن کامپیوتر ایران

در فراوانـی هـای کـاربرد مصـنوعی عصـبی هـای شـبکه
از یکـی دارنـد. ماشـینی یـادگیری و پـذیری انطباق ها، دادهجداسازی باشـد. مـی ٓان ٓاموزش مسئله عصبی های شبکه در موجود هایچالش هـایش اندوختـه اساس بر سپس و ببیند ٓاموزش ابتدا بایست میشبکه (Back خطـا انتشار پس همچون ٓاماری ٓاموزش های روش نماید.عمل مـی محلـی بهینه نقاط در توقف و پایین سرعت دارایPropagation) سـرمایش بـا ذرات تـوده سـازی بهینـه الگـوریتم دیگـر سـوی ازباشد. سـرمایش ایـده دو ترکیـب بـا کـه اسـت قـادر(SAPSO) تـدریجی (Particle ذرات تـوده سازی بهینه و(Simulated Anealing)تدریجی هـا، جـواب فضـای در قطعی غیر روش یک،Swarm Optimization) بـا نمایـد. پیـدا بـاال دقتی و سرعت با را جواب بهترین به نزدیکجوابی برای برایSAPSO از که است بار اولین برای نگارندگان، دانش بهتوجه مقاله این در ٓان گزارشات که شود می استفاده عصبی های شبکهتعلیم طور به الگوریتم این که دهد می نشان سازی شبیه نتایج شود. میارائه %20 متوسـط طـور بـه و خطـا انتشار پس روش از سریع %30متوسط دارد. خطا انتشار پس روش از بهتریصحت

طرح های سنتی ایران شامل مجموعه ای از نقش های اصیل و هندسی پایه است که از حیث تعداد و تکرار قابل تغییر می باشند. خلق یک اثر هنری توسط هنرمند عموما بر اساس بکارگیری یک یا چند نقش پایه و سپس استفاده از ذوق هنری در نحوه چینش و تکرارآنها است که از این طریق قادر به خلق نقوشی با تنوع و گستردگی فراوان خواهند بود. به دلیل کثرت و گستردگی نقوش و همچنین به دلیل ظرافت بالای نقش های خلق شده، فرآیند ارزیابی و رتبه بندی نقوش سنتی ایران مستلزم دقت بالا در کنار صرف زمان بسیار زیاد می باشد. لذا ارائه یک روش خودکار و کارآمد جهت رتبه بندی زیبایی نقوش خلق شده از اهمیت بسزایی برخوردار است. در این مقاله از مهمترین ویژگی زیبایی شناسی نقوش سنتی ایران یعنی تقارن برای تدوین یک روش کارآمد جهت ارزیابی کمّی آنها استفاده شده است. صحت عملکرد روش تدوین شده با استفاده از رتبه کیفی شخص خبره (استاد نگارگری) جهت امتیاز دهی به مجموعه ای از نقوش و مقایسه نتایج حاصله با نتایج حاصل از روش ارائه شده مورد بررسی قرار گرفته است. بررسی نتایج و مقایسه آنها نشان دهنده قابلیت اطمینان روش ارائه شده می باشد.

در جامعه کنونی به کارگیری کامپیوتر جهت آموزش امری ضروری است و در این میان سیستم¬های آموزشی هوشمند توجه محققان را به خود جلب کرده است. مدلسازی دانشجو نقطه تمرکز اصلی و یکی از اجزاء سیستم آموزشی هوشمند و نمایشی از رفتار و وضعیت دانشجو است. در هنگام استفاده دانشجو از سیستم، دنباله¬ای از اعمال انجام شده او ثبت می¬شود و سیستم تلاش می¬کند تا بر اساس آن، مدل یادگیری دانشجو را تعیین کند. این مقاله یک دیدگاه جدید برای مدل کردن رفتار دانشجو در سیستم شبه¬آموزشی با استفاده از ترکیب آتوماتای یادگیر و یادگیری تقویتی بیان می¬کند. در مدل پیشنهادی، مدل دانشجو توسط عامل تعیین¬کننده¬سطح به نام LDA -QLA که مدل یادگیری دانشجو را مشخص می¬کند، تعیین می¬شود. LDA-QLA در حقیقت الگوریتم یادگیری Qرا به عنوان مکانیزم یادگیری برای تعیین اینکه دانشجو یادگیرنده کند، نرمال یا سریع می¬باشد، بکار می¬¬گیرد و نشان داده شد با بکارگیری الگوریتم یادگیری Q سرعت تعیین مدل یادگیری دانشجو افزایش یافته است.