انجمن کامپیوتر ایران

هدف از ارائة اين مقاله آشكارسازيِ هدف در صحنه با تبديلِ بهينة فضاي رنگ هدف و زمينه است. فضاي رنگ تصوير به يك فضاي جديد با استفاده از الگوريتم هايِ PSO و GA تبديل مي شود بنحوي كه الگوهاي يادگيري هدف و زمينه به بهترين كارايي در جداسازي برسند . براي ارزيابيِ جداسازي از معيارِ خوشه بندي استفاده مي شود. فضاي تبديلِ رنگِ بهتر منجر به ايجاد دو خوشة هدف و غيرِهد فِ فشرده و دور از هم مي شود كه به عنوان تابع برازشِ الگوريتمهايِ جستجو استفاده مي شود. در فضاي جديدِ بدست آمده تابع توزيع گوسيِ هدف و غيرِهدف بدست مي آيد و با استفاده از طبقه بند بيز تعيين هدف از غيرِ هدف ممكن مي شود. با استفاد ه از روش پيشنهادي هدف از زمينه در رديابي گلايدر بخوبي جدا مي شود و فاصلة الگوهاي آزمون از زمينه نسبت به فضاي اولية 28% بهتر می شود.

این مقاله به ارائه يك مدل تراز بندی جدید برای ساخت پیکره‌های موازی دو‌زبانی انگليسي-فارسي پرداخته است. در حالت کلی چارچوب پيشنهادي، غیر وابسته به زبانهاي مبدا و مقصد بوده و از آن می توان برای تولید پیکره موازی، برای هر جفت زبان ديگري نيز استفاده کرد. نتايج بدست آمده از پياده‌سازي‌ها نشان داده است که بکاربردن ویژگیهای زبانی و غیر زبانی به صورت توامان، عملکرد سیستم را تا حد قابل قبولی بهبود خواهد بخشید. در اين مقاله اين بررسي نيز صورت ميگيرد كه توجه به وي‍ژگي‌هاي طولي، ترجمه تحت اللفظي و شباهت دستوري به صورت مستقل يا تركيبي چه اثری بر روي كيفيت نتايج مي‌گذارد. همچنين بكارگيري طبقه‌بندهاي چند گانه در تشخيص نوع ترازبندي به عنوان يكي از شاخص‌هاي اصلي سيستم مطرح است. از ويژگيهاي ديگر اين روش، قابليت ارتقاء مدل از طريق گنجاندن خصوصياتي (در بدنه بردارهاي ورودي) مي باشد كه ممكن است در آينده براي تشخيص بهتر نوع ترازبندي مورد توجه قرار گيرند. با اين حال، چالش اساسي مدل ما و بسياري از روشهاي پيشين وجود سلايق متنوع در ترجمه متون است كه سبب توليد جملاتي مي‌گردد كه مشابهت آنها با متن اصلي درحد معنا بوده و تنها قابل درك و تشخيص براي انسان مي‌باشد اين مساله كار را براي استخراج جفت عبارات معادل، بسيار سنگين مي‌نمايد.

این مقاله به طراحی کنترلگر برای مسأله ناوبری ربات می¬پردازد. در ناوبری ربات معمولاً مدل کاملی از محیط در دسترس نیست، لذا فرمان کنترلی با توجه به داده¬های محلی جمع آوری شده توسط حسگرهای ربات تولید می¬شود. استفاده از یادگیری با ناظر برای تنظیم کنترلگر دارای چالش¬های جدّی همچون ناسازگاری داده¬ها و خطای زیاد آن¬ها می¬باشد. لذا با توجه به قابلیت¬های روش یادگیری تقویتی که در آن تنها با استفاده از یک سیگنال تقویتی اسکالر آموزش صورت می¬گیرد، محققین از آن برای ناوبری ربات استفاده کرده¬اند. این مقاله یک ایده جدید جهت ترکیب یادگیری باناظر و یادگیری تقویتی برای تسريع در روند فرايند يادگيري ربات¬ها و بهبود کيفيت آموزش ارائه می¬دهد. در فاز اول داده¬های آموزشی توسط ناظر در محیط جمع¬آوری می¬شوند و با کمک این داده¬ها و استفاده از روش یادگیری باناظر یک کنترلگر مرتبه صفر را تنظیم نموده¬ایم. بعد از این در فاز دوم پارامترهای تالی کنترلگر را با استفاده از روش یادگیری سارسای فازی (FSL) که یک الگوریتم یادگیری تقویتی فازی با معماری نقاد-تنها است تنظیم نموده¬ایم. محيط¬هاي آموزش و تست در شبيه ساز KIKS فراهم شده است. نتايج شبيه سازي حاكي از عملكرد مناسب روش یادگیری ترکیبی در مقایسه با یادگیری باناظر و FSL می¬باشد.

علم پيش¬بيني، يکي از شاخه¬هاي پرکاربرد در هوش‏مصنوعي است که در زمينه هاي گوناگون مورد استفاده قرار مي‏گيرد. از جمله يکي از موارد پيش‏بيني، مربوط به رفتار انسان‏ها در شرايط مختلف است.برپايه نظريه روان¬شناسان دستخط فرد، نوعي رفتار است. براين اساس دستخط هر فرد حاصل يک سيستم سازماندهي شده است و امکان تجزيه، تحليل و تعيين ماهيت افراد را ممکن مي¬سازد. امروزه اين علم به¬عنوان شاخصي قابل اعتماد از شخصيت و رفتار انسان‏ براي ارزيابي درسازمان‏هايي مانند: کلينک‏هاي روانشناسي، درمصاحبه‏هاي‏‏استخدامي، مورد استفاده قرار مي¬گيرد. در اين بررسي هدف طراحي سيستمي است تا بر اساس نمونه¬ دستخط‏هاي دريافت شده از افراد ويژگي¬هاي شخصيتي آنها را پيش‏بيني نمايد. دراين تحقيق درابتدا نمونه دستخط ازافراد مختلف جمع¬آوري شد. بعد ازطي مراحل پيش‏پردازش، پنج خصوصيت از متن دستخط استخراج شد که اين خصوصيات شامل: اندازه‏، شيب ، ميزان کشيدگي‏عمودي، ميزان‏پهناي‏افقي و فاصله‏خطوط است. بعد از استخراج خصوصيت‏ها از دستخط، بر اساس مشاهده‏هاي صورت گرفته از نمونه‏ها وهمچنين نتايج به‏دست آمده از پرسشنامه روان‏شناسي رابطه بين پنج خصوصيت دستخط با پنج ويژگي شخصيتي حاصل شد. ودر آخر با استفاده از شبکه عصبي و باکمک400 نمونه جمع‏آوري شده سيستم را آموزش و سپس آن را از لحاظ کارايي تست کرده و به کارايي98.35% رسيديم.

در اين مقاله يک الگوريتم کارای مبتني بر اتوماتاي يادگير براي يافتن همه مسیرها از یک راس به سایر راسهای یک گراف تصادفی با کمترین طول مورد انتظار را ارائه می‌دهیم. فرض می‌کنیم که وزن هر یال یک متغیر تصادفی با توزیع ناشناخته می‌باشد. در الگوریتم پیشنهادی که یک الگوریتم تکرار شونده می‌باشد شبکه ای از اتوماتاهای یادگیر برای حل مساله استفاده می‌شود. در هر تکرار همه اتوماتاهای یادگیر به طور همزمان فعال می‌شوند و یالهایی که باید از آنها نمونه گیری شود را مشخص می‌کنند. این روش نمونه گیری منجر به کاهش نمونه گیریهای زاید و در نتیجه باعث کاهش زمان اجرای الگوریتم می‌شود. نتایج آزمایشی نشان می‌دهد که الگوریتم پیشنهادی به طور معناداری کاراتر از الگوریتمهای موجود برای حل این مساله می‌باشد.