برق
A study of model reference adaptive control for variable-pressure pump (مطالعه کنترل تطبیقی مدل مرجع برای پمپ فشار متغیر)
A Bi-level Programming Model for Network Traffic Surveillance of Optimal Camera Location
Fuzzy Logic Based Image Edge Detection Algorithm in MATLAB (الگوریتم تشخیص لبه تصویر مبتنی بر منطق فازی در MATLAB)
Development of Monocular Vision System for Depth Estimation in Mobile Robot – Robot Soccer
(توسعه سیستم بینایی یک چشم (Monocular) برای برآورد عمق در ربات متحرک ربات فوتبالیست)
کامپیوتر
Bayesian-Inference-Based Recommendation in Online Social Networks
Applying Data Mining to the Geosciences Data
A Data Mining Analysis of the Parkinson’s Disease
A best-first multivariate decision tree method used for urban land cover classification
iabet prediction with using data mining techniques
مقاله شبیه سازی شده
کد پروژه:1504
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
موضوع:داده کاوی؛ سیستم خبره
شامل:4 مقاله اصلی +ترجمه مقالات + گزارش کامل از خلاصه ای از مقاله و نتایج شبیه سازی با وکا Weka+ دیتاستdataset
عنوان مقالات:
A comparative study on the pre-processing and mining of Pima Indian Diabetes Dataset
A Hybrid Model of Hierarchical Clustering and Decision Tree for Rule-based Classification of Diabetic Patients
Comparative Study of Different Data Mining Techniques Performance in knowledge Discovery from Medical Database
Performance Enhancement of Classifiers using Integration of Clustering and Classification Techniques
چکیده
حرفه ای پزشکی نیاز به یک روش پیش بینی قابل اعتماد برای تشخیص دیابت دارد. داده کاوی فرآیند تجزیه و تحلیل داده ها از دیدگاه های مختلف و خلاصه سازی آن به اطلاعات مفید است. هدف اصلی از داده کاوی کشف الگوهای جدید برای کاربران و تفسیر الگوهای داده ها برای ارائه اطلاعات معنی دار و مفید برای کاربران است. داده کاوی در پیدا کردن الگوهای مفید برای کمک به وظایف مهم تشخیص پزشکی و درمان بکار می‌رود. مدل های ترکیبی در داده کاوی و مطالعه پژوهش های پزشکی به تازگی مورد توجه قرار گرفتند. دقت و صحت عملکرد روش استفاده شده از پارامترهای مهم در فرآیندهای داده کاوی است؛ در نتیجه به دنبال روشی هستیم که با دقت بالاتری بیمارانی که خطر ابتلا به دیابت تهدیدشان می کند را پیش بینی کند تا از طریق روشهای پیشگیرانه و درمان؛ احتمال مبتلا شدن به دیابت را کاهش دهد.
کلمات کلیدی
داده کاوی؛ طبقه بندی: خوشه بندی؛ مجموعه داده دیابتی PIMA
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
Abstract
Data mining in medical data has successfully converted raw data into useful information. This information helps the medical experts in improving the diagnosis and treatment of diseases. In this paper, we review studied data mining applications applied exclusively on an open source diabetes dataset. Type II Diabetes Mellitus is one of the silent killer diseases worldwide. According to the World Health Organization, 346 million people are suffering from diabetes worldwide. Diagnosis or prediction of diabetes is done through various data mining techniques such as association, classification, clustering and pattern recognition. The study led to the related open issues of identifying the need of a relation between the major factors that lead to the development of diabetes. This is possible by mining patterns found between the independent and dependant variables in the dataset. This paper compares the classification accuracies of non-processed and pre-processed data. The results clearly show that the pre-processed data gives better classification accuracy.
Keywords:
Diabetes prediction; Type II Diabetes Mellitus; Data Mining; Data pre-processing
سفارش پروژه
A data placement strategy in cloud workflows
مقاله شبیه سازی شده
کد پروژه:1501
موضوع: مدیریت داده در جریان کاری ها روی ابرها
A data placement strategy in cloud workflows
شامل: 4مقاله از ژورنالهای معتبر + فایل گزارش مروری بر چهار مقاله
عنوان مقاله:
A data placement strategy in cloud workflows
استراتژی مدیریت داده روی جریان کاری ها در ابر
لیست مقالات:
1. A data placement strategy in scientific cloud workflows
2. On-demand minimum cost benchmarking for intermediate dataset storage in scientific cloud workflow systems
3. Policy Based Data Placement in High Performance Scientific Computing
4. Data Management Challenges of Data-Intensive Scientific Workflows
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
خلاصه:
در جریان کاری علمی روی ابر، نیاز به ذخیره سازی مقادیر زیادی از داده های برنامه در مراکز داده توزیع شده است. برای ذخیره کارا و موثر این دادهها، مدیر دادهها باید هوشمندانه مراکز داده را برای اقامت این دادهها انتخاب کند. به طور سنتی، مرکز داده به طور انتخابی با توجه به ظرفیت ذخیره سازی سیستم تعیین میشود (تعیین دستی). در مورد داده‌هایی که مکان ثابت نیستند؛ وقتی یک کار نیاز به مجموعه داده های مختلف واقع در مراکز داده مختلف دارد، حرکت حجم زیادی از دادهها به یک چالش تبدیل میشود. در حال حاضر انجام کارهای علمی در ابرها محبوب شده است، مجموعه داده های میانی در جریان کاری علمی روی ابر را می‌توان با استراتژی‌های ذخیره سازی مختلف بر اساس مدل «پرداخت به اندازه استفاده» ذخیره کرد و سیستم را مطلوب‌تر ساخت. در صورتی که مدیر دادهها، مراکز داده محلی را برای استقرار مجموعه دادهها انتخاب کند؛ حرکت دادهها میان مراکز داده کم میشود و تحقیقات نشان داده که کاهش میزان حرکت دادهها روی سرعت و کارایی جریان کاری موثر می‌باشد.
کلمه کلیدی:
ابر؛ جریان کاری؛ مدیریت داده؛ جریان کارهای علمی
A Bi-level Programming Model for Network Traffic Surveillance of Optimal Camera Location
مقاله شبیه سازی
کد پروژه:1054
موضوع: کنترل بهینه
بهینه سازی ترافیک شهری
شامل: 17 مقاله مرتبط+ ترجمه مقاله+ شبیه سازی با ویژوال C + + 2008+ گزارش شبیه سازی 15 صفحه ای دارای توضیح کامل شبیه سازی+ فیلم DEMO آموزش شبیه سازی
عنوان مقاله:
A Bi-level Programming Model for Network Traffic Surveillance of Optimal Camera Location
Address: ieeexplore
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
چکیده
دوربین های دیجیتال قادر به سنتز تفکیکاطلاعات خودرو از مکان های مختلف هستند.این مقاله، در مورد مشکل چگونگی تعیین محل بهینه دوربین برای نظارت ترافیک در شبکه جاده های شهری است. همه کاربران به کلاس های متعدد با توجه به درجه پذیرش از نظارت دوربین (ADOCM) تقسیم شده اند. مدل دو سطحی برنامه نویسی برای مشکل محل دوربین (CLP) معرفی شده است.هدف از مسئله سطح بالایی، به حداکثر رساندن مشاهده جریان ترافیک کل از نظر برنامه ریزان شبکه است. و مسئله سطح پایین تر به تصویر کشیدن مبتنی بر لگاریتم از انتخاب مسیر تصادفی کاربران است. روش میانگین های متوالی (MSA) و الگوریتم فرانک ولف برای حل این مسئله به کار رفته است.
نمونه های عددی نشان می دهد، بینش مدیریتی دوربین های نظارت که رفتار در برابر دوربین های نظارت بر از دست دادن قابل توجه به نظارت ترافیک شبکه به ارمغان آورد.
Cameras enable synthesis of disaggregated vehicle information from multiple locations. This paper addresses the problem of how to determine the optimal locations of cameras for best traffic surveillance in urban road networks. All users are divided into multiple classes according to their own acceptance degree of camera monitoring (ADOCM). A bi-level programming model for camera location problem (CLP) is introduced. The objective of upper level problem is to maximize the total observed traffic flow from the viewpoint of network planners. The lower level problem is to depict the logit-based stochastic route choice behavior of users. The method of successive averages (MSA) and Frank Wolfe algorithm are employed to solve the problem. Numerical examples show the managerial insight that the behavior against camera monitoring has brought considerable loss to network traffic surveillance.
مقدمه
یک شبیه سازی ترافیک (ATS) بسته توسعه یافته شبیه سازی میکروسکوپی ترافیک با استفاده از Visual C++ است.که قادر به تکثیر هزاران وسایل نقلیه این است ، که می تواند راه حل یا به عنوان عوامل راه حل تعیین شود، در حال اجرا بر روی یک شبکه طراحی شده جاده ها، چند خط تقاطع با درگیری های خودرو، چراغ های راهنمایی، حتی شبیه سازی میدان ها و تابلوهای راهنمایی وجود دارد، وسایل نقلیه می تواند به دنبال مدل های مختلف جریان ترافیک حرکت کند.
طراحی ATS (نسخه روز به روز (Day-to-day version
در آغاز یک روز به صورت تصادفی مسافران از ریشه تولید می شود، و مسافران برآورد زمان سفر و/ یا کوتاه ترین مسیر را بر اساس تجارب انتخاب می کنند. مسافران در طول انتخاب کوتاه ترین مسیر با توجه به پیش بینی های خود حرکت می کنند. زمان ورود به عنوان مرجع مورد نیاز است و مسافران در مقصد قبل از رسیدن به زمان ورود نیاز دارند؛ .مسافران به دلیل تاخیر و دیرکرد مجازات نمی شوند. در پایان یک روز تمام مسافران به منظور ایجاد شرایط ترافیک مشابه در تمام طول روز پاک خواهند شد.
سفارش پروژه
Enhanced Topic-based Vector Space Model for semantics-aware spam filtering
مقاله شبیه سازی شده
کد پروژه:1508
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
موضوع:داده کاوی؛ سیستم خبره ؛ وب معنایی
شامل:مقاله اصلی +گزارش کامل از خلاصه ای از مقاله و نتایج شبیه سازی با وکا Weka+ دیتاستdataset + فایل پاورپوینت برای ارائه
عنوان مقاله:
Enhanced Topic-based Vector Space Model for semantics-aware spam filtering
تشخیص هرز نامه‌ها (SPAM) در میان نامه های الکترونیکی (E-mail)
خلاصه:
هرزنامه (اسپم) تبدیل به یک مسئله مهم در امنیت کامپیوتر شده است به دلیل آن که یک کانال برای تهدیدات مانند ویروس‌های کامپیوتری، کرم‌ها و حملات فیشینگ است. بیش از 85٪ از ایمیل‌ها دریافتی هرزنامه است. روشهای هیوریستیک برای مقابله با این پیام‌ها شامل تکنیک‌های ساده از جمله لیست سیاه[1] فرستنده و یا استفاده از امضای ایمیل، دیگر کاملاً قابل اعتماد نیست. در حال حاضر، بسیاری از راه حل‌های الگوریتم‌های یادگیری ماشین از ویژگی‌های آموزش دیده با استفاده از بازنمایی آماری از قوانین است که معمولاً در ایمیل به نظر می‌رسد.
داده‌کاوی تلاش برای استخراج دانش از انبوه داده های موجود است . داده کاوی به کمک مجموعه ای از روشهای آماری و مدلسازی، می تواند الگوها و روابط پنهان موجود در پایگاه های داده را تشخیص دهد . تاکنون ابزارها و روش های مختلف برای پردازش اطلاعات ساخت یافته توسعه داده شده است که در نتیجه آن ها ساخت پایگاه‌های اطلاعاتی و ایجاد انبارهای داده به سادگی صورت می گیرد. امروزه سازمان‌ها قادرند با هزینه کم اطلاعات وسیعی از وضعیت کسب وکار خود جمع و نگهداری کنند و این موجب شده است که استفاده از روشهای داده‌کاوی، ارزش قابل توجهی را برای سازمان، به دست آورد . رویکردهای موجود به مساله داده کاوی متنوع است . دراین گزارش نگاهی به یکی از کاربردهای داده کاوی یعنی طبقه بندی ایمیل انداخته خواهد شد و با طبقه بندی های انجام شده هرزنامه ها (spam) را شناسایی می کنیم و در نهایت این مسئله را پیاده سازی خواهیم نمود. ما از چند مدل درختی شناخته شده یادگیری ماشین استفاده می‌کنیم و نشان می‌دهیم که روش پیشنهادی می‌تواند پیام‌های اسپم شناسایی کند.
Abstract
Spam has become a major issue in computer security because it is a channel for threats such as computer viruses, worms and phishing. More than 85% of received e-mails are spam. Historical approaches to combat these messages including simple techniques such as sender blacklisting or the use of e-mail signatures, are no longer completely reliable. Currently, many solutions feature machine-learning algorithms trained using statistical representations of the terms that usually appear in the e-mails. Still, these methods are merely syntactic and are unable to account for the underlying semantics of terms within the messages. In this paper, we explore the use of semantics in spam filtering by representing e-mails with a recently introduced Information Retrieval model: the enhanced Topic-based Vector Space Model (eTVSM). This model is capable of representing linguistic phenomena using a semantic ontology. Based upon this representation, we apply several well-known machine-learning models and show that the proposed method can detect the internal semantics of spam messages.
Keywords
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
Spam detection; Information Retrieval; Semantics; Computer security; Machine-learning
Early Detection of Numerical Typing Errors Using Data Mining Techniques
مقاله شبیه سازی شده
کد پروژه:1509
موضوع:داده کاوی؛ سیستم خبره ؛ وب معنایی
شامل:مقاله اصلی +گزارش کامل از خلاصه ای از مقاله و نتایج شبیه سازی با وکا Weka و متلبMatlab+ دیتاستdataset
عنوان مقاله:
Early Detection of Numerical Typing Errors Using Data Mining Techniques
تشخیص زودهنگام اشتباهات تایپ عددی با استفاده از تکنیک های داده کاوی
خلاصه:
در این مقاله به مطالعه برنامه های کاربردی از تکنیک های داده کاوی در تشخیص زود هنگام از اشتباهات تایپ کردن عددی توسط اپراتورهای انسانی را از طریق تجزیه و تحلیل کمی از منحنی هایی که توسط دستگاه الکتروگرام چندکاناله (EEG) ضبط شده است. سه تکنیک استخراج ویژگی توسعه یافته براساس capture temporal و morphologicalو مشخصات time–frequency (wavelet) داده های EEG است.دو مورد متداول مورد استفاده ی تکنیک های داده کاوی عبارتند از:
1. خطی (LDA) : linear discriminantan alysis
2. ماشین بردار پشتیبان (SVM)
این روشها برای کلاس بندی نمونه های EEG مرتبط با کلید های درست و نادرست است. روشهای cross-validation leave-one-error-pattern-out و leave-one-subject-out طراحی شده اند برای ارزیابی کارآیی in-and cross-subject classification. برای in-subject classification بهترین عملکرد تست دارای حساسیت 62.20٪ و حساسیتی که توسط SVM با ویژگی های morphological به دست آمد 51.68٪ است. برای classification cross-subject بهترین کارآیی عملکرد بوسیله ی LDA با استفاده از ویژگی های زمانی که در آن حساسیت 68.72٪ و ویژگی از 49.45٪ است. علاوه بر این، آنالیز عامل مشخصه گیرنده (ROC) نشان داد که مقادیر میانگین سطح زیر منحنیROC از LDA و SVM برای طبقه بندی in- and cross subject classifications هر دو بزرگتر از 0.60 با استفاده از EEG 300 میلی ثانیه قبل از کلید است. طبقه بندی نتایج این مطالعه نشان داد که الگوهای EEG کلید اشتباه ممکن است از آنهایی که درست است متفاوت باشد. در نتیجه،پیش بینی کلید اشتباه را قبل از وقوع خطا ممکن است. مشکل طبقه بندی classification مورد بررسی در این مطالعه چالش تعداد بسیار محدودی کلید اشتباه ساخته شده توسط هر یک از موضوع و ویژگی های فضایی و زمانی complex spatiotemporal پیچیده ای از داده ها EEG است. با این حال، نتیجه این مطالعه بسیار دلگرم کننده است، و آن را وعده آینده نگر به منظور توسعه یک سیستم تشخیص زود هنگام برای کلید اشتباه بر اساس موج سیگنال های مغز است.
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
کلمه کلیدی:: تشخیص زود هنگام - طبقه بندی(EEG)- نظارت بر وضعیت روانی - تایپ کردن اشتباه
Abstract
This paper studies the applications of data mining techniques in early detection of numerical typing errors by human operators through a quantitative analysis of multichannel electroencephalogram (EEG) recordings. Three feature extraction techniques were developed to capture temporal, morphological, and time-frequency (wavelet) characteristics of EEG data. Two most commonly used data mining techniques, namely, linear discriminant analysis (LDA) and support vector machine (SVM), were employed to classify EEG samples associated with correct and erroneous keystrokes. The leave-one-error-pattern-out and leave-one-subject-out cross-validation methods were designed to evaluate the in- and cross-subject classification performances, respectively. For the in-subject classification, the best testing performance had a sensitivity of 62.20% and a specificity of 51.68%, which were achieved by SVM using morphological features. For the cross-subject classification, the best testing performance was achieved by LDA using temporal features, based on which it had a sensitivity of 68.72% and a specificity of 49.45%. In addition, the receiver operating characteristic (ROC) analysis revealed that the averaged values of the area under ROC curves of LDA and SVM for the in- and cross-subject classifications were both greater than 0.60 using the EEG 300 ms prior to the keystrokes. The classification results of this study indicated that the EEG patterns of erroneous keystrokes might be different from those of the correct ones. As a result, it may be possible to predict erroneous keystrokes prior to error occurrence. The classification problem addressed in this study is extremely challenging due to the very limited number of erroneous keystrokes made by each subject and the complex spatiotemporal characteristics of the EEG data. However, the outcome of this study is quite encouraging, and it is promising to develop a prospective early detection system for erroneous keystrokes based on brain-wa- - ve signals.
Keywords
data mining; electroencephalography ; feature extraction ; medical signal processing ; pattern classification; statistical analysis; support vector machines
irst multivariate decision tree method used for urban land cover classification
مقاله شبیه سازی شده
کد پروژه:1518
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.comموضوع: Data Miningداده کاوی
شامل: فایل Word ترجمه + شبیه سازی با وکا
A best-first multivariate decision tree method used for urban land cover classification
Address: ieeexplore
EndNote
W.-t. Cai, et al., "A best-first multivariate decision tree method used for urban land cover classification," in Geoinformatics, 2010 18th International Conference on, 2010, pp. 1-5.
Abstract
Nowadays China has speeded up urbanization, urban land use occurred in areas of significant change. In order to obtain land cover information speedily and correctly, many methods from data mining are used to classify the remote sensing image. In recent years, using decision trees (DTs) to classify remotely sensed data has increased, due to the algorithm running fast and making no statistical assumptions. While in remotely sensed data, the classification borders of topographic features are often not parallel with the feature space axes. So it will result in a large decision tree and poor generalization to the unobserved instances, if we use univariate DT method which tests a single feature at a node and splits the instance space with borders parallel with the features'. Aiming at the defect of univariate DT method, in this paper, principal component analysis-based approach and “best-first” method which is superior to the depth-first method that standard DT learners used are combined to construct a multivariate DT in which each tree node test can be based on one or more of the input features. In order to construct a good multivariate DT, the following issues are considered in this paper: calculating features for classification, determining the best feature space dimension, and avoiding overfitting the training data. In this study, separate test and training data sets from multispectral Landsat TM are used to evaluate the performance of univariate and multivariate DT for land cover classification. Evaluation factors considered are: the training data set size, the final tree size built by DT algorithms and algorithms classification accuracy. When compared our multivariate method with C4.5, a univariate DT algorithms, the experiments confirm that the multivariate DT builds a pithiness tree and generally improves the accuracy of the resulting DT over a univariate tree.
Keywords
data mining; decision trees; geophysical techniques; principal component analysis; remote sensing; terrain mapping; topography (Earth)
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com