بردارهای پشتیبان (مقاله رایگان pdf)

چکیده

       در یک دسته بندی SVM (ماشین بردار پشتیبان) افزایشی، داده های با بردارهای غیر پشتیبان عنوان بندی می-شوند( لیبل گذاری) که توسط دسته قبلی به عنوان داده های تمرینی در دسته بعدی همراه با داده های تایید شده توسط شرط KarusheKuhneTucker (شرایط کان تاکر) مورد استفاده قرار گرفته می شوند. این مقاله استراتژی نیمه تقسیم بندی انتخاب و حفظ بردارهای غیرپشتیبان از افزایش فعلی دسته بندی- که به عنوان بردارهای پشتیبان مناسب نامگذاری شدند(CSV)- را پیشنهاد می دهد که به احتمال زیاد به بردارهای پشتیبان در توسعه دسته بعدی تبدیل می شوند. همچنین این کار تحقیقاتی الگوریتمی را طراحی می کند که به عنوان بردار پشتیبان مناسب نامگذاری می شود که براساس الگوریتم SVM (CSV-ISVM) افزایشی می باشد به طوریکه استراتژی پیشنهادی را پیاده سازی می کند و کل فرایند دسته بندی SVM افزایشی تحقق می بخشد. این کار نیز تغییراتی را برای روش حلقه متمرکز پیشنهاد شده قبلی و استراتژی دسته معکوس پیشنهاد می دهد. عملکرد روش پیشنهادی با آزمایشات و همچنین مقایسه آن با تکنیکهای SVM دیگر ارزیابی می شود. نتایج تجربی و تحلیل عملکرد نشان می دهند که برای کشف نفوذ شبکه در زمان واقعی الگوریتم پیشنهادی CSV-ISVM از دسته بندی-های کلی ISVM بهتر می باشد.

ردیابی EEG ثابت (مقاله رایگان pdf)

چکیده

      ردیابی EEG ثابت با مدل های ARMA متغیر با زمان بحث شده است. یک روش برای تشخیص دوک ها در EEG موش ارائه شده است. این روش بر اساس ردیابی یک قطب سیستم واحد مدل ARMA است. 

زنجیره تامین حلقه بسته (مقاله رایگان pdf)

چکیده:

      افزایش نگرانی های زیست محیطی و قوانین اجتماعی، تصمیم گیرندگان را مجبور به طراحی زنجیره های عرضه خود با توجه به اثرات زیست محیطی و اجتماعی و نیز اهداف اقتصادی می کند. مشکلات تنزل سود، منجر به بازیافت تایر های خراب شده در رابطه با عوامل پایداری می شود. این مقاله در ابتدا یک مدل برنامه ریزی خطی چند بعدی هدفمند مختلط را برای طراحی یک شبکه زنجیره تامین حلقه  بسته پایدار ترسیم می کند. مدل پیشنهادی به منظور بهینه سازی هزینه های کل، اثرات زیست محیطی تأسیس تاسیسات، پردازش تایر و حمل و نقل بین هر سطح و همچنین تأثیرات اجتماعی از جمله فرصت های شغلی و آسیب های کاری است. برای رفع اشکالات الگوریتم های فراشناختی موجود در هنگام حل شبکه های بزرگ، چهار الگوریتم جدید ترکیبی بر اساس مزایای استفاده از الگوریتم های اخیر و قدیمی ایجاد شده است. برای ارزیابی کیفیت الگوریتم های پیشنهادی، آزمایش های محاسباتی وسیع، مقایسه و تحلیل حساسیت با معیارهای مختلف انجام می شود. نتایج نشان می دهد که الگوریتم های ترکیبی روشی موثر برای حل مشکل اساسی در شبکه های بزرگ است.

جمع کننده های تقریبی (مقاله رایگان pdf)

چکیده

        رایانش تقریبی با تخفیف الزام انجام محاسبات دقیق، عملکرد مدار دیجیتالی را بهبود می بخشد. ما در این مقاله به بررسی کاربرد جمع کننده های تقریبی در مرحلۀ نهایی انباشتگر مولتی پلایر(MAC) با قابلیت ذخیرۀ رقم نقلی که برای اپلیکیشن فیلترینگ عکس طراحی شده می پردازیم. ما یک جریان طراحی مبتنی بر ابزارهای سنتزی پیشنهاد می دهیم که از توصیف HDL آغاز می گردد.پس از اولین مرحله ای که در آن از جمع کنندۀ انتشار رقم نقلی استفاده می شود، نت لیست سنتزی جهت استخراج آمار و ارقام موارد جمع شده در جمع کنندۀ انتشار رقم نقلی شبیه سازی می گردد. سپس به طراحی جمع کنندۀ تقریبی جهت مواجه با مشخصه های خطایی مورد نیاز که در آمار و ارقام ورودی داده شده می پردازیم. این نت لیست در نهایت با جایگزینی جمع کنندۀ دقیق با جمع کنندۀ تقریبی اصلاح می گردد و سنتر و بهینه سازی نهایی انجام می گیرد. نمونۀ طرح ارائه شده در 28nm CMOS نشان می دهد که به بهرۀ توان 14درصدی با کاهش محدود کیفیت عکس می توان دست یافت. 

تکنیک بهینه سازی (مقاله رایگان pdf)

چکیده

       یک تکنیک هوشمند جدید ارائه شده است که آن الگوریتم سنجاقک نام دارد (DA). الگوریتم اصلی DA از رفتارهای ایستا و پویا متشکل از رفتار سنجاقک در طبیعت است. دو مرحله ضروری برای بهینه سازی، اکتشاف و بهره برداری، با تعامل اجتماعی سنجاقک ها که در جستجوی غذا و دوری از دشمنان در هنگام پیدایش هستند، طراحی شده  است. این مقاله نسخه های  چند هدفه و باینری را که به ترتیب نسخه چند هدفه DA (BDA) و چند هدفه DA (MODA) نامیده می شود را ارائه داده است. الگوریتم هایی که چندین توابع آزمون ریاضی و یک مطالعه موردی را که به صورت کیفی و کمی سنجیده می شوند را این مقاله ارائه کرده است. نتایج DA و BDA که باعث بهبود الگوریتم ها می شود و به صورت تصادفی مسائل را مقداردهی اولیه کرده است و به بهترین وجه بهینه سازی سراسری را انجام داده است، و نتایج بسیار دقیقی را از الگوریتم های دیگر در این ادبیات را ارائه کرده اند. نتایج MODA نشان می دهد که این الگوریتم بهترین راه حل پارتو را برای طیف گسترده ای از مسائل چند هدفه ارائه می دهد. مجموعه ای از طرح ها مسائل زیردریایی پروانه را برای نشان دادن محاسن MODA و برای حل مسائل واقعی که هنوز در اصل پارتو ناشناخته هستند را به کار می برند. توجه داشته باشید که الگوریتم های BDA، DA و MODA به صورت عمومی در سایت http://www.alimirjalili.com/DA.html. قابل دسترس است. 

نگاشت و کاهش (مقاله رایگان pdf)

چکیده 

     با توسعه تکنولوژی رایانه، افزایش قابل توجهی در رشد داد ه ها وجود دارد. دانشمندان با توجه به مقدار میزان افزایش نیازهای پردازش داده ها که در حوزه علم ایجاد می شوند همیشه غرق هستند. یک مسئله بزرگ در زمینه های مختلف استفاده از داده های با مقیاس بزرگ وجود دارد و این مسئله همیشه با پشتیبانی تصمیم-گیری مواجه است. داده کاوی تکنیکی است که می تواند الگوهای جدیدی را از مجموعه کلان داده ها پیدا کند. در طی این سال ها تمام زمینه های کاربردی مورد مطالعه و بررسی قرار گرفتند و بسیاری از روش های داده کاوی را توسعه داده اند. اما در سال های مقدار زیادی از داده ها، محاسبات و تجزیه و تحلیل آنها به طور قابل توجهی افزایش یافته اند. در چنین موقعیتی، اکثر روش های داده کاوی در عمل برای دسترسی به چنین کلان داده هایی از دسترس خارج شدند. الگوریتم موازی/همزمان و تکنیک های پیاده سازی به طور موثر کلید ارزیابی مقیاس پذیری و عملکرد مورد نیاز در تجزیه و تحلیل کلان داده ها در مقیاس بزرگ می باشند. تعدادی از الگوریتم های موازی دارای تکنیک های مختلف پیاده سازی هستند و می توانند: از نگاشت کاهش، MPI، بندها، و mash-up یا گردش کار که دارای ویژگی های عملکردی و قابلیت های متفاوتی هستند استفاده کنند. مدل MPI به طور موثر در محاسبه مسئله، به ویژه در شبیه سازی به دست می آید. در حقیقت استفاده از آن کار ساده ای نیست. نگاشت کاهش از یک مدل تجزیه و تحلیل داده ها در زمینه بازیابی داده ها است و به صورت فناوری ابر توسعه پیدا کرده است. تاکنون، چندین معماری نگاشت کاهش برای دست زدن به کلان داده ها توسعه پیدا کرده اند. معروف ترین آنها گوگل است. یکی دیگر از ویژگی های هادوپ این است که محبوب ترین نرم افزارها، نرم افزار منبع باز نگاشت کاهش است و توسط بسیاری از شرکت های فناوری اطلاعات مانند یاهو، فیس بوک، eBay و غیره مورد پذیرش قرار گرفته است. در این مقاله، ما به طور خاص روی هادوپ و اجرای موثر نگاشت کاهش به منظور تحلیل پردازش تمرکز می کنیم. 

1. مقدمه 

      سازمان ها از چندین مقادیر که داده های ساختاری بسیار دشواری دارند و از تکنولوژی DBMS برای پردازش و تجزیه و تحلیل داده ها استفاده می کنند. این نوع مسئله با شرکت های مبتنی بر وب مانند فیس بوک، یاهو، گوگل و لینکدین همیشه مواجه است و نیاز به پردازش داده های با حجم بسیار زیاد و هزینه کافی مستر (ارباب) دارند. تعداد زیادی از این سازمان ها سیستم های غیر  رسمی خود را برای غلبه بر این موضوع توسعه داده اند. به عنوان مثال، گوگل، نگاشت کاهش و سیستم فایل گوگل را توسعه داده است. همچنین یک سیستم DBMS به نام بیگ تیبل (جدول بزرگ) نیز ساخته شده است. امکان جستجو در میلیون ها صفحه نیز وجود دارد و نتایج در آن به صورت میلی ثانیه یا کمتر به منظور کمک به الگوریتم هایی که هر کدام از سرویس های جستجو را در یک چارچوب نگاشت کاهش گوگل به ارمغان می آورند برگردانده می شوند ]1[. این یک مسئله چالش برانگیز در تحلیل داده های بزرگ نیز است. کلان داده ها برای کار کردن بسیار بزرگ هستند و بنابراین یک کار بزرگ برای تجزیه و تحلیل کلان داده ها انجام می شود. تکنولوژی های موجود در تجزیه و تحلیل کلان داده ها به سرعت در حال تکمیل شدن هستند و به طور قابل توجهی علاقه زیادی به رویکردهای تحلیلی مانند هادوپ، نگاشت کاهش و Hive و توسعه نگاشت کاهش در برابر ارتباط DBMS دارند.

      استفاده از چارچوب نگاشت کاهش به طور گسترده در جهت مقابله با کلان داده ها بسیار موثر بوده است. در چند سال گذشته، نگاشت کاهش به عنوان رایج ترین نمونه محاسباتی موازی، تحلیل کلان داده ها به نظر می-رسید.

این مقاله در نشریه الزویر منتشر شده و ترجمه آن با عنوان نگاشت و کاهش در سایت ای ترجمه به صورت رایگان قابل دانلود می باشد. جهت دانلود رایگان مقاله فارسی و انگلیسی روی عنوان فارسی (آبی رنگ) کلیک نمایید.
منبع:

MapReduce: Simplified Data Analysis of Big Data

بررسی هادوپ (مقاله رایگان pdf)

چکیده

      تجزیه و تحلیل کلان داده ها و مقدار زیادی از داده ها در سال های اخیر به یک بینش جدید تبدیل شده اند. روز به روز داده ها با سرعت چشمگیری در حال رشد هستند. یکی از تکنولوژی های کارآمد و موثر که با کلان داده-ها برخورد می کند هادوپ است و در این مقاله آنها را مورد بحث و بررسی قرار می دهیم. هادوپ، برای پردازش از کلان داده ها، که از مدل زمانبندی نگاشت کاهش است استفاده می کند. هادوپ از زمانبندی های مختلفی برای اجرای موازین شغلی استفاده می کند. زمانبندی به طور پیش فرض (First In First Out) زمانبندی FIFO است. زمانبندی با گزینه های مختلف پیشدستی و غیرپیشدستی توسعه پیدا می کند. نگاشت کاهش از محدودیت هایی که دست پیدا کرده است عبور می کند. بنابراین برای غلبه بر محدودیت های نگاشت کاهش، نسل بعدی نگاشت کاهش با عنوان YARN توسعه پیدا می کند (منابع انتقال دهنده دیگر). بنابراین، این مقاله یک بررسی از هادوپ، و استفاده از چند روش زمانبندی و به طور مختصر مقدمه ای بر YARN را ارائه می دهد. 

کلان داده ها (مقاله رایگان pdf)

چکیده

      استفاده روز افزون از سیستم های فعال شده اینترنت (IOT) منجر به مقادیر فراوانی از داده ها با ساختارهای مختلف شده است. اکثر راه حل های کلان داده ها در بالای سیستم اکو هادوپ یا از سیستم  فایل توزیع شده (HDFS) استفاده می شوند. با این حال، بررسی های ناکارآمدی در این سیستم در هنگام برخورد با داده ها نشان داده شده اند. برخی از تحقیقات این مسائل را برای نوع خاصی از داده های گراف برطرف می کنند، اما امروزه اطلاعات بیشتری از داده ها قابل دسترس هستند. چنین مسائلی مربوط به عملکردهایی می شوند که منجر به مسائل بزرگی از جمله فضای بزرگ تر مورد نیاز در مراکز داده، و از بین رفتن منابع (مانند مصرف انرژی)، و مشکلات زیست محیطی (مانند انتشار بیشتر کربن) نیز می شود. ما یک ماژول اطلاعاتی را برای سیستم اکو هادوپ ارائه می دهیم. ما همچنین یک روش رمزگذاری توزیع شده را برای الگوریتم های ژنتیک ارائه می دهیم. چارچوب ما این امکان را می دهد تا هادوپ بتواند توزیع داده ها و قرار دادن آنها براساس تجزیه و تحلیل داده های خوشه ای را مدیریت کند. ما قادر هستیم طیف گسترده ای از انواع داده ها را مدیریت کنیم و همچنین قادر هستیم زمان استفاده از منابع پرس وجو را بهینه کنیم. ما آزمایش هایی را که در مجموعه داده-های متعدد انجام شده اند را از طریق LUBM ایجاد می کنیم.  

مدیریت داده های بیمار (مقاله رایگان pdf)

چکیده 

      زمان یکی از سخت ترین جنبه های برای رسیدگی در  برنامه های کاربردی در دنیای واقعی ، به ویژه در سیستم های پایگاه داده است. سیستم های مدیریت پایگاه داده نسبی پیشنهاد شده توسط Codd پشتیبانی بسیار کمی از مدیریت داده های متغیر با زمان و نظریه معناشناسی موقتی ارائه نموده اند. بسیاری از الحاقات موقتی برای مدل نسبی پیشنهاد شده اند و برخی از آنها نیز اجرا می شوند. سیستم پیشنهادی مبتنی هستی شناختی برای اصطلاحات مراقبت از سلامتی شامل اطلاعات حیاتی بیماران، فعالیت ها و همچنین داده های درمان است. ما یک مدل مفهومی موقتی را برای هدایت ویژگی های متغیر با زمان در مدل پایگاه داده نسبی با ویژگی های موقتی حداقل پیشنهاد خواهیم داد. تعریف، مدیریت مدل ارائه شده آسان است و ویژگی های مهم را در مدل نسبی موقتی هدف می گنجاند. علاوه بر این ما باید پیاده سازی مدل را بر اساس اطلاعات بیمار را توضیح دهیم و همچنین تجزیه و تحلیل مورد نیاز را ارائه دهیم: گردش کار برای مدیریت بیماران در محیط بیمارستان. در پاسخ به افزایش هزینه مراقبت های بهداشتی، قابل اعتماد بودن ، حفظ حریم خصوصی ، امنیت و تغییر انتظارات در مورد کیفیت مراقبت های بهداشتی ، مدیریت داده ها در بهبود خدمات بهداشتی بسیار مهم است.

سیستم اندازه گیری سرعت (مقاله رایگان pdf)

چکیده:

      این پژوهش یک سیستم اندازه  گیری سرعت خودرو را با استفاده از پردازش تصویر ارائه می دهد. به طور کلی، تصویر گرفته شده از تشخیص سرعت وسیله نقلیه در شرایط تاریک با عملکرد بالا و با دوربین گران مورد نیاز است. با این حال، این سیستم نیاز به یک دوربین ارزان مانند دوربین های دیجیتال و یا دوربین های نصب شده بر روی گوشی های هوشمند دارد. در نتیجه، این سیستم از سرعت تفنگ استفاده می کند. کنترل سرعت شاتر دوربین، یک لاین روشن است که از پشت چراغ پیشانی یک وسیله نقلیه در حال حرکت می آید و در جلوی تصویر ظاهر می شود. علاوه بر این، تصویر گرفته شده از شیب، سرعت وسیله نقلیه را اندازه گیری می کند. در این روش، ما الگوریتمی که به این ویژگی وابسته است توسعه می دهیم. نتیجه حاصل از این آزمایش در اندازه گیری مقادیر منطقی نشان داده شده است.