لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 16 صفحه
قسمتی از متن word (..docx) :
Dec. 28
Feature Extraction
2
1) چکیده:
در این تمرین روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی را مورد مطالعه قرار میدهیم. در ابتدا روش های مختلف استخراج ویژگی که از آن جمله PCA، LDA، روش قاب بندی و چند روش دیگر هستند را و سپس برای ویژگی های استخراج شده از روش های دسته بندی خطی بیزین و SVM خطی و سپس روش های غیرخطی RBF ، MLP و همچنین SVM غیرخطی برای دسته بندی استفاده شده است. بسته به روش شناسایی بکار گرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش های موجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراج می شوند. از مجموعه ی ویژگی های استخراج شده معمولاً تعدادی مفید تر و موثرترند. ما برای تشخیص و انتخاب ویژگی های تاثیرگذارتر از یک الگوریتم ژنتیک استفاده کرده ایم. اما پس از استخراج و انتخاب ویژگی ها نوبت به دسته بندی می رسد. در ابتدا از چند دسته بند خطی استفاده کرده ایم. به راحتی میتوان نشان داد که ناحیههای تصمیمگیری یک ماشین خطی محدودند و این محدودیت انعطافپذیری و دقت دستهبند را کاهش میدهد. مسایل بسیاری وجود دارد که توابع جداساز خطی برای داشتن حداقل خطا در آنها کافی نیستند. علاوه بر این مرزهای تصمیمگیری که کلاسها را از یکدیگر تفکیک میکنند ممکن است همیشه خطی نباشند و پیچیدگی مرزها گاهی اوقات نیاز به استفاده از سطحهای کاملاً غیر خطی را دارند. بنابراین در ادامه ی کار از چند دسته بند غیرخطی نیز استفاده نمودیم. در استفاده از شبکههای عصبی چندلایه، شکل غیر خطی بودن از مجموعهی آموزش فرا گرفته میشود. در روشهای RBF و SVM غیرخطی مشکل اصلی انتخاب توابع هسته غیر خطی مناسب است.
2) مقدمه
اولین الگوریتم دستهبندی در سال 1936 توسط Fisher ارایه شد و معیارهای آن برای بهینه بودن، کم کردن خطای دستهبندی کنندههای الگوهای آموزشی بود. بسیاری از استراتژیهای موجود نیز از همین روش پیروی میکنند. در سادهترین شکل ممکن، دسته بندهای خطی میتوانند دو دستهی متفاوت را تفکیک کنند. با توجه به این موضوع مسالهای را جداییپذیر خطی مینامند که با یک ابرصفحه بتوان محدودهی تصمیم را به دو گروه تقسیمبندی کرد. در عمل میتوان دسته بندهای خطیای را طراحی کرد که بیش از دو گروه را از هم تفکیک کنند. این عمل را با تنظیم محدودههای تصمیم متعدد و آزمونهای چندگانه بر اساس شرایط موجود میتوان انجام داد. ما در این مساله یک دسته بندی با 26 کلاس را داریم.
در روش بیزین احتمال شرطی تعلق بررسی میشود. به این ترتیب که الگوی مورد نظر به دستهای تخصیص داده میشود که احتمال شرطی تعلق بردار مشخصهی الگو به آن دسته ازتمام دستههای دیگر بیشتر باشد. روش بیزین به طور کلی می تواند برای کارایی بسیار مطلوب بهینه شوند. این روش مزایای دیگری نیز دارد که استفادهی از آن را توجیه میکند. این روش میتواند با چند فرض ساده در مورد دادهها کاملاً به شکل روشهای سادهی خطی عمل کند، به علاوه این کار میتواند به
Dec. 28
Feature Extraction
2
گونهای انجام شود که در پایان، مدل قطعی بدون هیچ گونه رجوع به آمار به دست آید. در روش بیزین مشکل کار تعریف احتمالات شرطی مورد نظر قاعدهی بیز است.
یک محقق روسی به نام Vladimir Vapnik در سال 1965 گام مهمی در طراحی دستهبندها برداشت [1] و نظریهی آماری یادگیری را بصورت مستحکمتری بنا نهاد و ماشین بردار پشتیبان را ارایه کرد. ماشینهای بردار پشتیبان در دو حالت جداییپذیر و جداییناپذیر برای دستهبندی الگوهای یک مسالهی چندکلاسه از چند مرز جداکنندهی خطی یا ابرصفحه استفاده میکنند و در واقع حاصلضرب داخلی بردار ورودی با هر یک از بردارهای پشتیبان در فضای d بعدی ورودی محاسبه میشود. Vapnik نشان داد که میتوان بردار ورودی را با یک تبدیل غیرخطی به یک فضای با بعد زیاد انتقال داد و در آن فضا حاصلضرب داخلی را بدست آورد که با این شرایط هستهی مفیدی را خواهیم داشت.
روش RBF یک دستهبندی و تقریبساز تابعی الگوست و شامل دو لایه میباشد که نرونهای خروجی ترکیبی خطی از توابع پایهای را به وجود میآورند که توسط نرونهای لایهی پنهان محاسبه شدهاند. زمانی که ورودی در ناحیهی تعیین شدهی کوچک از فضای ورودی قرار گیرد، توابع اساسی(غیر خطی) در لایهی پنهان، پاسخ غیر صفری به محرک ورودی میدهند. همچنین این مدل به عنوان یک شبکهی دریافتکنندهی ناحیهای شناخته شده است. ما در روش RBF از معمولترین تابع هستهی غیر خطی یعنی سیگموئید استفاده کردهایم.
به طور کلی شبکههای پرسپترون چندلایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسلهمراتبی، یک شکل پیشخورد با یک و یا چند لایهی میانی (لایههای پنهان) بین لایههای ورودی و خروجی را شکل میدهد. تعداد لایهی پنهان و تعداد نرونهای هر لایه ثابت نیستند. هر لایه ممکن است از نرونهای مختلفی تشکیل شده باشد که این موضوع به کار آنها بستگی دارد. الگوریتمهای آموزشی متفاوتی در روش چند لایه استفاده میشوند.
3) روشهای به کار رفته در این گزارش
در این قسمت روشهای استخراج ویژگی، روشهای انتخاب ویژگی ها جهت بهینه کردن آنها و کم کردن ابعاد مساله با کاهش تعداد آنها و روشهای دستهبندی (خطی و غیرخطی) به کار رفته بررسی شدهاند.
3-1) روشهای استخراج ویژگی
در این قسمت انواع روشهای استخراج ویژگی ها ذکر شده است. ذکر این نکته لازم است که برخی الگوریتم های استخراج برای انتخاب ویژگی های موثر نیز استفاده می شوند ازجمله ی آنها PCA و LDA هستند. اما در این گزارش ما برای بهینه کردن ویژگی ها و کم کردن تعداد آنها و یا به عبارت دیگر برای کاهش ابعاد (Curse of Dimensionality) از الگوریتم ژنتیک استفاده نموده ایم.
Dec. 28
Feature Extraction
4
3-1-1) روش PCA خطی
روشهای استخراج ویژگی یک زیرفضای مناسب m بعدی در فضای اصلی ویژگی ها از d بعد را تعیین می کنند(m
از آجا که PCA یک روش بدون بررسی استخراج ویژگی هاست (Unsupervised)، تحلیل جداسازی از یک اطلاعات گروهی در رابطه با هر الگو برای استخراج (خطی) ویژگی های با قابلیت جداسازی زیاد استفاده می کند. در LDA جداسازی بین کلاسی با جابجایی کل ماتریس کوواریانس در PCA با یک معیار جداسازی عمومی مانند معیار Fisher تائید می شود که در یافتن بردارهای مشخصه sw-1sb نتیجه می شود.( حاصل معکوس ماتریس پراکندگی sw و ماتریس پراکندگی بین کلاسی sb ). معیار دیگر همراه با بررسی (Supervised) برای چگالی های شرایط کلاس غیرگاوسی بر پایه ی فاصله Patrick-Fisher با استفاده از برآورد چگالی Parzen است.
3-1-2) روش Kernel PCA (PCA با هسته یا PCA غیرخطی)
چندین روش برای تعریف روش های استخراج ویژگی غیرخطی وجود دارد. یکی از این روش ها که مستقیماً به PCA مربوط است، Kernel PCA نام دارد. ایده ی اصلی KPCA نگاشتن داده های ورودی بر روی برخی از فضاهای ویژگی F جدید بطور معمولی با استفاده از تابع غیرخطی ∅ و سپس اعمال یک PCA خطی در فضای نگاشت شده است. به هر حال فضایF معمولاً ابعاد بسیار زیادی دارد. برای دوری از محاسبات نگاشت ساده ی ∅، KPCA تنها هسته های Mercel که می توانند به یک نقطه تجزیه شوند را بکار می گیرد.
kx,y=∅x.∅(y)
به عنوان یک نتیجه فضای هسته یک متریک با تعریف مناسب دارد. نمونه های هسته های Mercer شامل چندجمله ای های مرتبه P بصورت
Dec. 28
Feature Extraction
5
(x-y)p و هسته گاوسی هستند.
e-x-y2c
فرض می کنیم که X یک ماتریس الگوی n×d نرمال شده با میانگین صفر است و ∅x یک ماتریس الگو در فضای F باشد. PCA خطی در فضای F بردارهای مشخصه ی ماتریس همبستگی ∅x.∅(y)T را حل می کند که همچنین ماتریس هسته K(X,X) نیز نامیده می شود. در KPCA در ابتدا m بردار ویژگی از K(X,X) بدست می آیند تا یک ماتریس انتقال E را تعریف کنند (E یک ماتریس n×m است که m تعداد ویژگی های دلخواه است و m
3-1-3) روش مقیاس گذاری چندبعدی(MDS)
مقیاس گذاری چند بعدی (MDS)یک روش غیرخطی دیگر برای استخراج ویژگی هاست. هدف این روش بازنمایی یک مجموعه ی چندبعدی در دو یا سه بعد است مثل آنچه ماتریس فاصله در فضای اصلی ویژگی های d بعدی به طور کاملاً ثابت در فضای تصویرشده باقی مانده است. توابع تاکید فراوانی برای اندازه گیری کارایی این نگاشت استفاده شده اند. یک مشکل MDS این است که یک تابع نگاشت ساده و روشن را ارئه نمی کند بنابراین ممکن نیست که یک الگوی جدید را در یک نگاشت برای یک مجموعه ی آموزش مشخص بدون تکرار جایگذاری کند. چندین روش برای عنوان کردن این نقص که از درون یابی خطی تا آموزش شبکه عصبی محدود است مورد بررسی قرار گرفته است. همچنین امکان دارد که الگوریتم MDS مجدداً تعریف شود بنابراین مستقیماً یک نگاشت را تهیه می کند که ممکن است برای الگوهای آزمون جدید استفاده شود.
3-1-4) روش شبکه عصبی روبه جلو (Feed-Forward Neural Network)
یک شبکه ی عصبی روبه جلو یک روال جامع را برای استخراج ویژگی هاو دسته بندی پیشنهاد می کند. خروجی هر لایه ی مخفی ممکن است به عنوان یک مجموعه ی جدید و اغلب غیرخطی از ویژگی ها تعریف شود که در لایه ی مخفی برای دسته بندی ارائه می شوند. در این شرایط شبکه های استفاده شده توسط Fukushima و Lecun که اصطلاحاً آن را لایه های وزنی مشترک نامیده اند، در حقیقت فیلترهایی برای استخراج ویژگی ها در تصاویر دوبعدی هستند. در طول آموزش فیلترها با داده ها برای بیشینه کردن کارایی دسته بندی وفق داده شده اند.
شبکه های عصبی می توانند بطور مستقیم برای استخراج ویژگی ها در یک شکل بدون بررسی (
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..pptx) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 11 اسلاید
قسمتی از متن powerpoint (..pptx) :
بنام خدا
درس سوم
ویژگی های جغرافیایی سواحل
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 16 اسلاید
قسمتی از متن powerpoint (..ppt) :
بنام خدا
پیام و ویژگی های پیام اثربخش
گام های اساسی در تولید پیام
توجه و تمرکز بر یک ایده اصلی
سازماندهی اطلاعات: آنچه در تولید پیام اصل است، استفاده نظام مند از محتوای پیام است. انتخاب چارچوب مشخص قبل از پرداختن به محتوای پیام، طرح کلی را مشخص می کند. (رعایت ترتیب زمانی و یا مکانی، و نیز پرداختن به مشکلات و راه حل های مربوط به آن)
گام های اساسی در تولید پیام
توجه به ویژگی های پیام: خصوصیات محتوایی و ساختاری پیام شامل دقت و درستی محتوا، نحوه ارائه مطلب مورد نظر، جاذبه برای توجه به پیام و ترغیب مخاطب برای تغییر، سبک و شکل پیام، قابلیت فهم پیام و توان سرگرم کنندگی آن
مراحل تولید یک پیام ارتباطی
بررسی پیام ها و مواد موجود
تولید پیام می تواند وقت گیر و پرهزینه باشد و ممکن است فرآیند تولید پیام منجر به خلق مواد و پیام های تکراری گردد.
جمع آوری و استفاده از مواد آموزشی موجود مانند کتابچه ها، پوسترها و پمفلت ها و لیفلت های حاوی پیام برای شروع کار ضروری است.
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 27 صفحه
قسمتی از متن word (..doc) :
تغییرات در ویژگی های مورفولوژیکی (ریخت شناسی ) شته کلم BREVCORYNE brasssicae مربوط به استفاده گیاهان میزبان مختلف
تغییرات در ویژگی های مورفولوژیکی (ریخت شناسی ) شته کلم BREVCORYNE brasssicae مربوط به استفاده گیاهان میزبان مختلف
تغییرات در ویژگی های مورفولوژیکی (ریخت شناسی ) شته کلم BREVCORYNE brasssicae مربوط به استفاده گیاهان میزبان مختلف
چکیده مطلب :
تفاوتهای مورفولوژیکی و ژنتیکی جمعیتهای حشرات در ارتباط با استفاده گیاهان میزبان مختلف پدیده مهمی است که تشخیص اکولوژیکی و گونه زایی در شرایط هم محلی را قدیمی تر می کند. در این تحقیق تغییر مورفولوژیکی جمعیتهای BREVCORYNE brasssicae (هم بال :APHIDIDAE ) مربوط به دو گونه میزبانBRASSICA OLERACEO. BRASSICA COMPESTRIS هستند که از لحاظ هم محلی بودن در کوهستانهای چیاپاس مکزیکو وجود دارند . این تحقیق هدفش بدست آوردن شاهدی در باب تحقیق مورفولوژیکی جمعیتهای مربوط به دو گونه میزبان هستند که از لحاظ هم محلی بودن در کوهستانهای چیا پاس ، مکزیکو وجود دارند . این تحقیق هدفش بدست آوردن شاهدی در باب تفاوت فنوتیپی ایجاد شده توسط ، یا مربوط به استفاده متفاوت اما نزدیک به گونه های میزبان می باشد. 7 ویژگی مورفولوژیکی در 696 شته بی بال که از گیاهان این دو گونه در 4 محل جمع آوری شده اند ارزیابی شده است . 62%تغییر مورفولوژیکی توسط دو جز اصلی (
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 27 صفحه
قسمتی از متن word (..doc) :
تغییرات در ویژگی های مورفولوژیکی (ریخت شناسی ) شته کلم BREVCORYNE brasssicae مربوط به استفاده گیاهان میزبان مختلف
تغییرات در ویژگی های مورفولوژیکی (ریخت شناسی ) شته کلم BREVCORYNE brasssicae مربوط به استفاده گیاهان میزبان مختلف
تغییرات در ویژگی های مورفولوژیکی (ریخت شناسی ) شته کلم BREVCORYNE brasssicae مربوط به استفاده گیاهان میزبان مختلف
چکیده مطلب :
تفاوتهای مورفولوژیکی و ژنتیکی جمعیتهای حشرات در ارتباط با استفاده گیاهان میزبان مختلف پدیده مهمی است که تشخیص اکولوژیکی و گونه زایی در شرایط هم محلی را قدیمی تر می کند. در این تحقیق تغییر مورفولوژیکی جمعیتهای BREVCORYNE brasssicae (هم بال :APHIDIDAE ) مربوط به دو گونه میزبانBRASSICA OLERACEO. BRASSICA COMPESTRIS هستند که از لحاظ هم محلی بودن در کوهستانهای چیاپاس مکزیکو وجود دارند . این تحقیق هدفش بدست آوردن شاهدی در باب تحقیق مورفولوژیکی جمعیتهای مربوط به دو گونه میزبان هستند که از لحاظ هم محلی بودن در کوهستانهای چیا پاس ، مکزیکو وجود دارند . این تحقیق هدفش بدست آوردن شاهدی در باب تفاوت فنوتیپی ایجاد شده توسط ، یا مربوط به استفاده متفاوت اما نزدیک به گونه های میزبان می باشد. 7 ویژگی مورفولوژیکی در 696 شته بی بال که از گیاهان این دو گونه در 4 محل جمع آوری شده اند ارزیابی شده است . 62%تغییر مورفولوژیکی توسط دو جز اصلی (
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 45 اسلاید
قسمتی از متن powerpoint (..ppt) :
مهارت رفتارشناسی یا شناخت ویژگی های فردی افراد
شناسایی شایستگی ها
شایستگی یک لازمه متعارف برای یک فرد به منظور به درستی انجام دادن یک کار خاص است.
شامل ترکیبی از دانش ، مهارت و رفتار مورد استفاده در جهت بهبود عملکرد می باشد. شایستگی وضعیت یا کیفیت مناسب داشتن برای انجام نقشی خاص است.
شایستگی ترکیبی از دانش، رفتار و مهارتهای صریح و ضمنی است که به شخص، نیروهای بالقوه برای اثر بخشی در عملکرد کاری را می دهد
شایستگی هدف
توسعه برنامه آموزشی
تحلیل فاصله
تعلیم
بازارزیابی و آموزش حین کار
به تقویت این ممیزه ها بپردازید
توان جمع آوری، پالایش و انتخاب
توانایی کاربرد علوم در جهت رشد اقتصادی بلندمدت
توان ایجاد فرصت های یادگیری مداوم برای خود
دارا بودن اطلاعات گسترده در زمینه های گوناگون و تعمق در تعداد محدودی از آ نها
جمع آوری، سازماندهی و تجزیه و تحلیل اطلاعات
باور و اهتمام به مشارکت پژوهش در آموزش
توانایی حل مسأله
مهارت به کارگیری فن آوری و فرا فن آوری
شیوه به کارگیری دانش در بازار
توان رشد و پرورش ابعاد و شخصیت انسانی تا بالاترین حد
درک تغییرات صورت گرفته و قابل پیش بینی در بازار کسب و کار
مهارت های مربوط به اخلاق حرفه ای و شغلی یا داشتن تعهد و اخلاق کار
افزایش مستمر سطح استاندارد و صلاحیت های شغلی یا قابلیت آموزش دیدن حین کار
مهارت عضویت مسؤول و مشارکت جو در جامعه
توانایی تفاهم و زندگی مسالمت آمیز به دور از هر گونه تعصب و ناشکیبایی
اعمال و احقاق مسؤولیتها و حقوق فردی و اجتماعی
محلی اندیشی
کار گروهی
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 94 اسلاید
قسمتی از متن powerpoint (..ppt) :
بنام خدا
آنزیم ها کاتالیزورهای بیوشیمیایی با ویژگی عمل زیاد
چند ویژگی مهم آنزیم ها
انجام واکنش مشخص
استفاده از سوبسترای خاص
عدم ایجاد محصولات فرعی
بازده 100%
انواع آنزیم ها
آنزیم های پروتئینی
آنزیم های دارای ساختار RNA ( ریبوزیم)
کوفاکتور
برخی از آنزیم ها برای فعالیت خود به مواد دیگری احتیاج دارند که نسبت به حرارت پایدار بوده و کوفاکتور نامیده میشوند
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 246 صفحه
قسمتی از متن word (..doc) :
1
دانشگاه علامه طباطبائی
دانشکده مدیریت
پایان نامه
جهت اخذ درجه کارشناسی ارشد
عنوان تحقیق :
تحلیل رابطةعوامل شغلی باتعهد سازمانی
بر اساس مدل ویژگی های شغلی
3
فهرست مطالب
عنوان صفحه
فصل اول : کلیات تحقیق
مقدمه..................................................................................................................................................................................... 1
بیان موضوع.......................................................................................................................................................................... 2
اهمیت و ضرورت تحقیق......................................................................................................................................................7
فرضیه ها یا سوالهای تحقیق...............................................................................................................................................8
هدف اصلی تحقیق..............................................................................................................................................................10
3
روش تحقیق.........................................................................................................................................................................10
جامعه آماری، روش نمونه گیری و حجم نمونه............................................................................................................11
قلمرو موضوعی، مکانی و زمانی تحقیق..........................................................................................................................11
منابع گرد آوری اطلاعات...................................................................................................................................................12
سوابق مربوط........................................................................................................................................................................12
روش تجزیه و تحلیل داده ها............................................................................................................................................13
4
مشکلات و تنگناهای احتمالی تحقیق............................................................................................................................14
تعریف مفاهیم و واژگان اختصاصی طرح........................................................................................................................14
منابع تحقیق.........................................................................................................................................................................16
فصل دوم: ادبیات موضوع
مقدمه.................................................................................................................................................................................. 18
تعهد سازمانی:
ابعاد و تعاریف تعهد سازمانی........................................................................................................................................... 19
تعهد عاطفی............................................................................................................................................................... 19
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 16 صفحه
قسمتی از متن word (..docx) :
Dec. 28
Feature Extraction
2
1) چکیده:
در این تمرین روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی را مورد مطالعه قرار میدهیم. در ابتدا روش های مختلف استخراج ویژگی که از آن جمله PCA، LDA، روش قاب بندی و چند روش دیگر هستند را و سپس برای ویژگی های استخراج شده از روش های دسته بندی خطی بیزین و SVM خطی و سپس روش های غیرخطی RBF ، MLP و همچنین SVM غیرخطی برای دسته بندی استفاده شده است. بسته به روش شناسایی بکار گرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش های موجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراج می شوند. از مجموعه ی ویژگی های استخراج شده معمولاً تعدادی مفید تر و موثرترند. ما برای تشخیص و انتخاب ویژگی های تاثیرگذارتر از یک الگوریتم ژنتیک استفاده کرده ایم. اما پس از استخراج و انتخاب ویژگی ها نوبت به دسته بندی می رسد. در ابتدا از چند دسته بند خطی استفاده کرده ایم. به راحتی میتوان نشان داد که ناحیههای تصمیمگیری یک ماشین خطی محدودند و این محدودیت انعطافپذیری و دقت دستهبند را کاهش میدهد. مسایل بسیاری وجود دارد که توابع جداساز خطی برای داشتن حداقل خطا در آنها کافی نیستند. علاوه بر این مرزهای تصمیمگیری که کلاسها را از یکدیگر تفکیک میکنند ممکن است همیشه خطی نباشند و پیچیدگی مرزها گاهی اوقات نیاز به استفاده از سطحهای کاملاً غیر خطی را دارند. بنابراین در ادامه ی کار از چند دسته بند غیرخطی نیز استفاده نمودیم. در استفاده از شبکههای عصبی چندلایه، شکل غیر خطی بودن از مجموعهی آموزش فرا گرفته میشود. در روشهای RBF و SVM غیرخطی مشکل اصلی انتخاب توابع هسته غیر خطی مناسب است.
2) مقدمه
اولین الگوریتم دستهبندی در سال 1936 توسط Fisher ارایه شد و معیارهای آن برای بهینه بودن، کم کردن خطای دستهبندی کنندههای الگوهای آموزشی بود. بسیاری از استراتژیهای موجود نیز از همین روش پیروی میکنند. در سادهترین شکل ممکن، دسته بندهای خطی میتوانند دو دستهی متفاوت را تفکیک کنند. با توجه به این موضوع مسالهای را جداییپذیر خطی مینامند که با یک ابرصفحه بتوان محدودهی تصمیم را به دو گروه تقسیمبندی کرد. در عمل میتوان دسته بندهای خطیای را طراحی کرد که بیش از دو گروه را از هم تفکیک کنند. این عمل را با تنظیم محدودههای تصمیم متعدد و آزمونهای چندگانه بر اساس شرایط موجود میتوان انجام داد. ما در این مساله یک دسته بندی با 26 کلاس را داریم.
در روش بیزین احتمال شرطی تعلق بررسی میشود. به این ترتیب که الگوی مورد نظر به دستهای تخصیص داده میشود که احتمال شرطی تعلق بردار مشخصهی الگو به آن دسته ازتمام دستههای دیگر بیشتر باشد. روش بیزین به طور کلی می تواند برای کارایی بسیار مطلوب بهینه شوند. این روش مزایای دیگری نیز دارد که استفادهی از آن را توجیه میکند. این روش میتواند با چند فرض ساده در مورد دادهها کاملاً به شکل روشهای سادهی خطی عمل کند، به علاوه این کار میتواند به
Dec. 28
Feature Extraction
2
گونهای انجام شود که در پایان، مدل قطعی بدون هیچ گونه رجوع به آمار به دست آید. در روش بیزین مشکل کار تعریف احتمالات شرطی مورد نظر قاعدهی بیز است.
یک محقق روسی به نام Vladimir Vapnik در سال 1965 گام مهمی در طراحی دستهبندها برداشت [1] و نظریهی آماری یادگیری را بصورت مستحکمتری بنا نهاد و ماشین بردار پشتیبان را ارایه کرد. ماشینهای بردار پشتیبان در دو حالت جداییپذیر و جداییناپذیر برای دستهبندی الگوهای یک مسالهی چندکلاسه از چند مرز جداکنندهی خطی یا ابرصفحه استفاده میکنند و در واقع حاصلضرب داخلی بردار ورودی با هر یک از بردارهای پشتیبان در فضای d بعدی ورودی محاسبه میشود. Vapnik نشان داد که میتوان بردار ورودی را با یک تبدیل غیرخطی به یک فضای با بعد زیاد انتقال داد و در آن فضا حاصلضرب داخلی را بدست آورد که با این شرایط هستهی مفیدی را خواهیم داشت.
روش RBF یک دستهبندی و تقریبساز تابعی الگوست و شامل دو لایه میباشد که نرونهای خروجی ترکیبی خطی از توابع پایهای را به وجود میآورند که توسط نرونهای لایهی پنهان محاسبه شدهاند. زمانی که ورودی در ناحیهی تعیین شدهی کوچک از فضای ورودی قرار گیرد، توابع اساسی(غیر خطی) در لایهی پنهان، پاسخ غیر صفری به محرک ورودی میدهند. همچنین این مدل به عنوان یک شبکهی دریافتکنندهی ناحیهای شناخته شده است. ما در روش RBF از معمولترین تابع هستهی غیر خطی یعنی سیگموئید استفاده کردهایم.
به طور کلی شبکههای پرسپترون چندلایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسلهمراتبی، یک شکل پیشخورد با یک و یا چند لایهی میانی (لایههای پنهان) بین لایههای ورودی و خروجی را شکل میدهد. تعداد لایهی پنهان و تعداد نرونهای هر لایه ثابت نیستند. هر لایه ممکن است از نرونهای مختلفی تشکیل شده باشد که این موضوع به کار آنها بستگی دارد. الگوریتمهای آموزشی متفاوتی در روش چند لایه استفاده میشوند.
3) روشهای به کار رفته در این گزارش
در این قسمت روشهای استخراج ویژگی، روشهای انتخاب ویژگی ها جهت بهینه کردن آنها و کم کردن ابعاد مساله با کاهش تعداد آنها و روشهای دستهبندی (خطی و غیرخطی) به کار رفته بررسی شدهاند.
3-1) روشهای استخراج ویژگی
در این قسمت انواع روشهای استخراج ویژگی ها ذکر شده است. ذکر این نکته لازم است که برخی الگوریتم های استخراج برای انتخاب ویژگی های موثر نیز استفاده می شوند ازجمله ی آنها PCA و LDA هستند. اما در این گزارش ما برای بهینه کردن ویژگی ها و کم کردن تعداد آنها و یا به عبارت دیگر برای کاهش ابعاد (Curse of Dimensionality) از الگوریتم ژنتیک استفاده نموده ایم.
Dec. 28
Feature Extraction
4
3-1-1) روش PCA خطی
روشهای استخراج ویژگی یک زیرفضای مناسب m بعدی در فضای اصلی ویژگی ها از d بعد را تعیین می کنند(m
از آجا که PCA یک روش بدون بررسی استخراج ویژگی هاست (Unsupervised)، تحلیل جداسازی از یک اطلاعات گروهی در رابطه با هر الگو برای استخراج (خطی) ویژگی های با قابلیت جداسازی زیاد استفاده می کند. در LDA جداسازی بین کلاسی با جابجایی کل ماتریس کوواریانس در PCA با یک معیار جداسازی عمومی مانند معیار Fisher تائید می شود که در یافتن بردارهای مشخصه sw-1sb نتیجه می شود.( حاصل معکوس ماتریس پراکندگی sw و ماتریس پراکندگی بین کلاسی sb ). معیار دیگر همراه با بررسی (Supervised) برای چگالی های شرایط کلاس غیرگاوسی بر پایه ی فاصله Patrick-Fisher با استفاده از برآورد چگالی Parzen است.
3-1-2) روش Kernel PCA (PCA با هسته یا PCA غیرخطی)
چندین روش برای تعریف روش های استخراج ویژگی غیرخطی وجود دارد. یکی از این روش ها که مستقیماً به PCA مربوط است، Kernel PCA نام دارد. ایده ی اصلی KPCA نگاشتن داده های ورودی بر روی برخی از فضاهای ویژگی F جدید بطور معمولی با استفاده از تابع غیرخطی ∅ و سپس اعمال یک PCA خطی در فضای نگاشت شده است. به هر حال فضایF معمولاً ابعاد بسیار زیادی دارد. برای دوری از محاسبات نگاشت ساده ی ∅، KPCA تنها هسته های Mercel که می توانند به یک نقطه تجزیه شوند را بکار می گیرد.
kx,y=∅x.∅(y)
به عنوان یک نتیجه فضای هسته یک متریک با تعریف مناسب دارد. نمونه های هسته های Mercer شامل چندجمله ای های مرتبه P بصورت
Dec. 28
Feature Extraction
5
(x-y)p و هسته گاوسی هستند.
e-x-y2c
فرض می کنیم که X یک ماتریس الگوی n×d نرمال شده با میانگین صفر است و ∅x یک ماتریس الگو در فضای F باشد. PCA خطی در فضای F بردارهای مشخصه ی ماتریس همبستگی ∅x.∅(y)T را حل می کند که همچنین ماتریس هسته K(X,X) نیز نامیده می شود. در KPCA در ابتدا m بردار ویژگی از K(X,X) بدست می آیند تا یک ماتریس انتقال E را تعریف کنند (E یک ماتریس n×m است که m تعداد ویژگی های دلخواه است و m
3-1-3) روش مقیاس گذاری چندبعدی(MDS)
مقیاس گذاری چند بعدی (MDS)یک روش غیرخطی دیگر برای استخراج ویژگی هاست. هدف این روش بازنمایی یک مجموعه ی چندبعدی در دو یا سه بعد است مثل آنچه ماتریس فاصله در فضای اصلی ویژگی های d بعدی به طور کاملاً ثابت در فضای تصویرشده باقی مانده است. توابع تاکید فراوانی برای اندازه گیری کارایی این نگاشت استفاده شده اند. یک مشکل MDS این است که یک تابع نگاشت ساده و روشن را ارئه نمی کند بنابراین ممکن نیست که یک الگوی جدید را در یک نگاشت برای یک مجموعه ی آموزش مشخص بدون تکرار جایگذاری کند. چندین روش برای عنوان کردن این نقص که از درون یابی خطی تا آموزش شبکه عصبی محدود است مورد بررسی قرار گرفته است. همچنین امکان دارد که الگوریتم MDS مجدداً تعریف شود بنابراین مستقیماً یک نگاشت را تهیه می کند که ممکن است برای الگوهای آزمون جدید استفاده شود.
3-1-4) روش شبکه عصبی روبه جلو (Feed-Forward Neural Network)
یک شبکه ی عصبی روبه جلو یک روال جامع را برای استخراج ویژگی هاو دسته بندی پیشنهاد می کند. خروجی هر لایه ی مخفی ممکن است به عنوان یک مجموعه ی جدید و اغلب غیرخطی از ویژگی ها تعریف شود که در لایه ی مخفی برای دسته بندی ارائه می شوند. در این شرایط شبکه های استفاده شده توسط Fukushima و Lecun که اصطلاحاً آن را لایه های وزنی مشترک نامیده اند، در حقیقت فیلترهایی برای استخراج ویژگی ها در تصاویر دوبعدی هستند. در طول آموزش فیلترها با داده ها برای بیشینه کردن کارایی دسته بندی وفق داده شده اند.
شبکه های عصبی می توانند بطور مستقیم برای استخراج ویژگی ها در یک شکل بدون بررسی (
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 45 اسلاید
قسمتی از متن powerpoint (..ppt) :
مهارت رفتارشناسی یا شناخت ویژگی های فردی افراد
شناسایی شایستگی ها
شایستگی یک لازمه متعارف برای یک فرد به منظور به درستی انجام دادن یک کار خاص است.
شامل ترکیبی از دانش ، مهارت و رفتار مورد استفاده در جهت بهبود عملکرد می باشد. شایستگی وضعیت یا کیفیت مناسب داشتن برای انجام نقشی خاص است.
شایستگی ترکیبی از دانش، رفتار و مهارتهای صریح و ضمنی است که به شخص، نیروهای بالقوه برای اثر بخشی در عملکرد کاری را می دهد
شایستگی هدف
توسعه برنامه آموزشی
تحلیل فاصله
تعلیم
بازارزیابی و آموزش حین کار
به تقویت این ممیزه ها بپردازید
توان جمع آوری، پالایش و انتخاب
توانایی کاربرد علوم در جهت رشد اقتصادی بلندمدت
توان ایجاد فرصت های یادگیری مداوم برای خود
دارا بودن اطلاعات گسترده در زمینه های گوناگون و تعمق در تعداد محدودی از آ نها
جمع آوری، سازماندهی و تجزیه و تحلیل اطلاعات
باور و اهتمام به مشارکت پژوهش در آموزش
توانایی حل مسأله
مهارت به کارگیری فن آوری و فرا فن آوری
شیوه به کارگیری دانش در بازار
توان رشد و پرورش ابعاد و شخصیت انسانی تا بالاترین حد
درک تغییرات صورت گرفته و قابل پیش بینی در بازار کسب و کار
مهارت های مربوط به اخلاق حرفه ای و شغلی یا داشتن تعهد و اخلاق کار
افزایش مستمر سطح استاندارد و صلاحیت های شغلی یا قابلیت آموزش دیدن حین کار
مهارت عضویت مسؤول و مشارکت جو در جامعه
توانایی تفاهم و زندگی مسالمت آمیز به دور از هر گونه تعصب و ناشکیبایی
اعمال و احقاق مسؤولیتها و حقوق فردی و اجتماعی
محلی اندیشی
کار گروهی
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 40 اسلاید
قسمتی از متن powerpoint (..ppt) :
1
2
اصول مشترک و ویژگی های عمومی پیامبران
3
نبوت
درس سوم : اصول مشترک و ویژگی های عمومی پیامبران
فهرست مطالب
اصول مشترک :
وحی
دعوت به توحید
دعوت به وحدت
دعوت به عدالت اجتماعی
مبارزه و درگیری با اهل نفاق و استبداد
ویژگی های عمومی پیامبران
مظهریت غفران و رحمت الهی
عصمت
اخلاص
حسن خلق
4
نبوت
درس سوم : اصول مشترک و ویژگی های عمومی پیامبران
اصول مشترک در رسالت پیامبران
1- هم زبانی و تفاهم فرهنگی با مردم
وَمَا أَرْسَلْنَا مِنْ رَسُولٍ إِلَّا بِلِسَانِ قَوْمِهِ لِیُبَیِّنَ لَهُمْ فَیُضِلُّ اللَّهُ مَنْ
یَشَاءُ وَیَهْدِی مَنْ یَشَاءُ وَهُوَ الْعَزِیزُ الْحَکِیمُ ﴿ ابراهیم:4 ﴾
و ما هیچ رسولی در میان هیچ قومی نفرستادیم مگر به زبان آن قوم تا بر آنها (معارف و
احکام الهی را ) بیان کند و بر امت اتمام حجت شود آنگاه خدا هر که را خواهد
به مقام هدایت می رساند و او خدای مقتدر داناست و همه کارش از روی
حکمت و مصلحت است.
منظور از لسان تنها لهجه یا لغت نیست بلکه فرهنگ مردم نیز مراد است .
5
نبوت
درس سوم : اصول مشترک و ویژگی های عمومی پیامبران
اصول مشترک در رسالت پیامبران
2- ارائه بینات ، کتاب و میزان
لَقَدْ أَرْسَلْنَا رُسُلَنَا بِالْبَیِّنَاتِ وَأَنْزَلْنَا مَعَهُمُ الْکِتَابَ وَالْمِیزَانَ ...
﴿ حدید:25 ﴾
همانا ما پیغمبران خود را با ادله و معجزات (به خلق) فرستادیم
و برایشان کتاب و میزان نازل کردیم...