انجمن کامپیوتر ایران

در این مقاله روش جدیدی برای استخراج و انتخاب بردار ویژگی در یک سیستم تشخیص ارائه و سپس عملکرد آن مورد آزمایش و ارزیابی قرار گرفته است. هسته‌ی اصلی ایده عبارت است از ایجاد ترکیبی خطی از ویژگی‌های اولیه بنحوی که اولاً بردارهای جدید ایجاد شده متعامد باشند ثانیاً پراکندگی بردار ویژگی نمونه‌های هر کلاس کمتر گردد. بدیهی است وجود این دوخاصیت اولاً باعث کاهش شدت محاسبات و ثانیاً بالا رفتن دقت سیستم تشخیص می‌گردد. عملیات پیشنهادی برای کار روی بردار ویژگی عبارت است از بکارگیری روش آنالیز واریانس روی بردار اولیه ویژگی و استخراج بردارهای متعامد، سپس بر اساس ویژگی های جدید مکانیزم انتخاب صورت می‌گیرد و آنگاه ویژگی‌های انتخاب شده و بردارهای متعامد نهایی استخراج می‌گردد.جهت ارزیابی، موضوع تشخیص نفوذ به شبکه‌های کامپیوتری در نظر گرفته شده است، نتایج بدست آمده با بکارگیری روش نزدیکترین همسایه نشان می‌دهد اولاً دقت سیستم تشخیص بالاتر رفته است و ثانیاً سرعت محاسبات به میزان چشمگیری افزایش یافته است.

يکي از عوارض خطرناک بيماري ديابت نوع يک افزايش و يا کاهش ناگهاني سطح غلظت قند خون مي‌باشد که باعث بروز خطراتي چون اغما و بيهوشي خواهد شد. بنابراين استفاده از روشي مناسب به منظور پيش بيني و در نهايت پيشگيري از اين عوارض گام مهمي درجهت کنترل بهينه بيماري محسوب مي‌شود. به همين منظور در اين مقاله سعي شده است تا به مقايسه شبکه‌هاي عصبي خود بازگشتي و شبكه عصبي پرسپترون سه لايه در فرايند پيش‌بيني نوسانات سطح غلظت قند خون بيماران مبتلا به ديابت نوع ۱ پرداخته شود. داده‌هاي پزشکي مورد استفاده در اين مقاله مربوط به ۳ بيمار زن ايراني مبتلا به ديابت نوع يک است که شامل الگوهايي چون نوع و دز انسولين تزريقي، فاصله زماني بين ساعات ثبت سطح غلظت قند خون و نيز سطح غلظت قند خون در ابتداي بازه زماني مي‌باشد. در پايان تحقيق با توجه به نتايج به دست آمده مشخص شد که شبکه‌هاي عصبي خود بازگشتي با کاهش تقريباً ۲۰ درصدي خطاي پيش بيني نسبت به ديگر روش‌هاي متداول و از جمله شبكه عصبي پرسپترون سه لايه، مي‌توانند به عنوان مدلي مناسب به منظور پيش‌بيني نوسانات سطح غلظت قند خون در بيماران مبتلا به ديابت نوع يک تلقي گردد.

در این مقاله کاربرد برنامه‌ای تکاملی در پارامتری کردن و بهینه‌سازی یک جامعه مصنوعی شبیه‌سازی شده، بررسی می‌گردد. جامعه مصنوعی که مورد استفاده قرار گرفته است، مد ل "فضای قندی" است که شامل یک فضای سلولی از منابع (قند یا دانه) و یک جمعیتی از عامل‌ها است که برای بقائشان به آن منابع نیازمندند و برای دست‌یابی به آن‌ها جستجو و حرکت می‌کنند. مقدار دانه‌ای که هر عامل جمع‌آوری می‌کند دارایی یا ثروتش به حساب می‌آید. این مدل با یک تساوی نا‌هموار از ثروت در جامعه شروع می‌شود و سپس عامل‌ها سرگرم جمع آوری هر مقدار دانه‌ای که می توانند، می‌شوند. در شبیه سازی‌ها، جمعیت با توجه به دارایی‌شان دسته‌بندی شده است و سپس درصدی از جمعیت که مالک درصدی از دارایی است، در نمودارها مشخص شده است. در " این مدل‌سازی از قانون "پارتو " استفاده شده و مشاهده تساوی یا عدم تساوی توزیع ثروت به کمک استفاده از "منحنی لورنز " صورت پذیرفته و همچنین ضریب جینی مورد بررسی قرار گرفته است. بدین ترتیب مدلی (مدل رفاه اجتماعی ) عرضه شده است که چگونگی توزیع ثروت را در جامعه شبیه سازی، بررسی و بهینه سازی می نماید.