رکوردهای مرتبط با این شخص

بررسی و تدوین شاخص های ارزیابی فنی سامانه های اطلاعاتی (1403) / فکریان ، علی، نویسنده

نوع مدرک: متون چاپی سرشناسه فکریان ، علی، نویسنده شماره بازیابی : ‭COM soft ‭84 1403 عنوان : بررسی و تدوین شاخص های ارزیابی فنی سامانه های اطلاعاتی عنوان موازی : Reviewing and Compiling Technical Evaluation Indicators of Information Systems ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 151ص شابک/شاپا 25881 یادداشت پایان نامه کارشناسی ارشد: رشته مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : هادیان ، علی، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها نرم افزار، سامانه اطلاعاتی، ارزیابی، تست نرم افزار  software, information system, evaluation, software testing چکیده : سامانه اطلاعاتی یک سیستم رسمی، اجتماعی و سازمانی است که برای جمع آوری، پردازش، ذخیره و توزیع اطلاعات طراحی شده است. به دلیل جامع بودن سامانه های اطلاعاتی و دربرگرفتن چند حوزه مختلف، مقایسه و ارزیابی آن ها مسئله پیچیدهای خواهد بود. در این مطالعه با هدف ارائه چهارچوب کلی برای شاخص های فنی سامانه های اطلاعاتی در پی طرح مدیرکل فناوری اطلاعات وزارت علوم و فناوری استان اصفهان سامانه های اطلاعاتی گردآوری شده است. در حال حاضر شاخص های کلی فنی درست و مناسبی برای ارزیابی سامانه های اطلاعاتی وجود ندارد. به همین دلیل طرح تحقیق در این حوزه از سوی وزارت علوم اعلام شد تا روند و فرایند مشخصی در انتخاب و بررسی شاخص های مناسب برای ارزیابی سامانه های اطلاعاتی آموزشی در کشور تهیه شده و ارزیابی فنی سامانه ها قانونمند و مشخص شود. از طرفی در شاخص های موجود و مورد استفاده در مراکز مختلف، موارد تکراری زیادی مشاهده میشد، به طوری که یک موضوع از راه های مختلف ارزیابی میشد. در این تحقیق با بررسی شاخص های موجود از نظر تکرار و داشتن ارتباط نزدیک به سامانه های اطلاعاتی، تلاش بر آن بوده تا شاخص های مهم و موثر در ارزیابی فنی سامانه های اطلاعاتی را استخراج کرده و آن ها را در محور های مناسب قرار دهیم. از سوی دیگر، با توجه به این که سامانه های اطلاعاتی محصول زبان های برنامه نویسی و وابسته به سیستم عامل ها هستند، ضمن بررسی زبان های برنامه نویسی، بر آن شدیم که آیا میتوان شاخص های ارزیابی را از نوع زبان ها و فرصت ها و تهدید های آن ها استخراج کرد یا خیر. در ابتدای کار، مقالات مختلف در این موضوع را بررسی کردیم که با استفاده از آن ها اطلاعات ناچیزی به دست آمد. سپس به دلیل ماهیت موضوع و نیاز به واقعی بودن مباحث ذکر شده، نیاز به تحقیقات میدانی بسیار دیده میشد. در همین راستا، از برخی از شرکت ها و سازمان های دولتی و دانشبنیان فعال در حوزه فناوری اطلاعات در استان اصفهان شروع تحقیق به عمل آمد. به جز سازمان فاوا شهرداری استان اصفهان، هیچکدام از شرکت های دیگر حاضر به همکاری در این تحقیق نشدند. لازم به ذکر است که سازمان فاوا شهرداری نیز، اطلاعات مربوط به حوزه امنیت را در اختیار قرار نداد. همچنین شاخص های مربوط به زبان برنامه نویسی را نیز استخراج کردیم. پس از آن شاخص های مربوط به ارزیابی سامانه های اطلاعاتی پزشکی و بیمارستانی را بررسی کردیم و شاخص هایی از آن ها نیز انتخاب شد. از بین تمام شاخص های به دست آمده که تعداد آن ها 507 شاخص بود، تعداد 79 شاخص ارزیابی فنی که با توجه به مرتبط بودن و داشتن ارتباط مستقیم با مباحث فنی سامانه های اطلاعاتی انتخاب شده بودند، در 4 محور و 15 زیرمحور تقسیم شدند. به منظور رتبه بندی سامانه ها، کارشناسان متخصص این حوزه از شرکت ها و سازمان های مختلف دولتی و آموزشی، شاخص های ارزیابی فنی را با استفاده از پرسشنامه طراحی شده مورد ارزیابی قرار دادهاند. پس از آن با استفاده از روش تاپسیس، شاخص ها، زیرمحورها و محورها وزن دهی شدهاند. با توجه به عدم هماهنگی و بایاس در وزن های به دست آمده، رتبه های محور و زیرمحورها با استفاده از روش میانگین هندسی متعادل شده و از آنها به عنوان رتبه های نهایی استفاده میشود. نتایج به دست آمده به صورت نمودار نمایش داده شدند و درستی رتبه آن ها با دنیای واقعی سامانه های اطلاعاتی مورد مقایسه قرار گرفتند. در پایان، شاخص های ارزیابی فنی سامانه های اطلاعاتی تدوین شدند که طی آن تعداد محورها از عدد 4 به عدد 3، تعداد زیرمحورها از عدد 15 به عدد 11 و تعداد شاخص ها از عدد 79 به عدد 45 کاهش یافت. از بزرگترین نوآوری های این تحقیق تعیین شاخص های مهم و دارای ارزش بالا و موثر در انتخاب و تعیین سرنوشت یک سازمان است استفاده کرد که نتایج مثبت آن میتواند در بهبود کیفیت خدمات سازمان ها موثر باشد. از طرفی، در جریان تحقیق از شرکت های مختلف، برخی شرکت های مصاحبه شونده نظر و اطلاعاتی در این حوزه در اختیار نداشتند که همین مورد دلیل محکمی برای انجام این تحقیق است. به همین دلیل، این تحقیق شروع و آغاز طیف بزرگی از تحقیقات را در این حوزه به دنبال خواهد داشت که در کامل کردن و عملیاتی ساختن شاخص های ارزیابی فنی سامانه ها در کشور تاثیر مثبت دارد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14717 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25881	‭COM soft ‭84 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بررسی نقش اوراکل‌های بلاکچین در افزایش شفافیت مالی و کارایی اقتصاد بازی‌های Play-to-Earn (1403) / امینی ، مهرسا، نویسنده

نوع مدرک: متون چاپی سرشناسه امینی ، مهرسا، نویسنده شماره بازیابی : ‭COM soft ‭79 1403 عنوان : بررسی نقش اوراکل‌های بلاکچین در افزایش شفافیت مالی و کارایی اقتصاد بازی‌های Play-to-Earn عنوان موازی : Investigating the Role of Blockchain Oracles in Enhancing Transparency Financial and Economic Efficiency in Play-to-Earn Games ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 105ص شابک/شاپا 25866 یادداشت پایان‌نامه کارشناسی ارشد :رشته کامپیوتر گرایش نرم‌افزار شناسه افزوده : مهدوی ، مجتبی، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها بازی‌های Play-to-Earn(P2E)، بلاکچین، دارایی‌های دیجیتال، شفافیت مالی، کارایی اقتصادی، اوراکل‌  Play-to-Earn (P2E) games, blockchain, digital assets, financial transparency, economic efficiency, oracle. چکیده : بازی‌های Play-to-Earn(P2E) یکی از نوآورانه‌ترین مدل‌های درآمدزایی در صنعت بازی‌های دیجیتال هستند که با استفاده از بلاکچین و قراردادهای هوشمند به بازیکنان امکان کسب دارایی‌های دیجیتال را می‌دهند. با این حال، چالش‌هایی مانند شفافیت مالی و کارایی اقتصادی می‌تواند بر اعتماد کاربران و موفقیت این بازی‌ها تأثیر بگذارد. اوراکل‌ها، به‌عنوان پل ارتباطی بین داده‌های دنیای واقعی و قراردادهای هوشمند، نقشی کلیدی در رفع این چالش‌ها دارند. این پژوهش تأثیر اوراکل‌های بلاکچینی بر شفافیت مالی و کارایی اقتصادی در بازی‌های P2E را بررسی کرده و نقش آن‌ها را در افزایش اعتماد کاربران تحلیل می‌کند. بیان مسئله بر این است که نبود شفافیت و کارایی مناسب ممکن است اعتماد کاربران را کاهش داده و تعامل و درآمدزایی بازی‌ها را تهدید کند. پژوهش حاضر با تمرکز بر نقش اوراکل‌ها، از رویکردی جامع برای تحلیل تأثیر آن‌ها استفاده می‌کند و از شبیه‌سازی‌های پیشرفته برای ارزیابی تغییرات در متغیرهای کلیدی بهره می‌برد. نتایج نشان می‌دهند که اوراکل‌ها می‌توانند شفافیت و کارایی را افزایش داده، هزینه‌ها را کاهش و دقت تراکنش‌ها را بهبود بخشند، که به رضایت بیشتر کاربران منجر می‌شود. یافته‌ها به توسعه راهکارهای جدید برای ارتقاء شفافیت مالی و طراحی مدل‌های درآمدزایی بهینه در بازی‌های P2E کمک می‌کند. این پژوهش با ارائه چارچوبی جامع به پیشبرد دانش در حوزه بازی‌های دیجیتال و بلاکچین کمک می‌نماید لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14702 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25866	‭COM soft ‭79 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بهبود تشخیص بقای کودکان در پیوند مغز استخوان با استفاده از تکنیک‌های یادگیری ماشین گروهی و انتخاب ویژگی (1401) / بهارلوئی ، فاطمه، نویسنده

نوع مدرک: متون چاپی سرشناسه بهارلوئی ، فاطمه، نویسنده شماره بازیابی : ‭COM soft ‭58 عنوان : بهبود تشخیص بقای کودکان در پیوند مغز استخوان با استفاده از تکنیک‌های یادگیری ماشین گروهی و انتخاب ویژگی عنوان موازی : Improving The Diagnosis Of Children Survival In Bone Marrow Transplantation Using Ensemble Machine Learning Techniques And Feature Selection ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 85ص شابک/شاپا 24543 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها پیوند مغز استخوان، رای گیری اکثریت تطبیقی، شبکه عصبی، انتخاب ویژگی فیلتر  Bone marrow transplantation, Adaptive Majority Voting, Neural Network, Filter Feature Selection چکیده : پیوند مغز استخوان که به آن پیوند سلول‌های بنیادی خونساز نیز گفته می‌شود؛ سلول‌های سالم را جایگزین سلول‌های ناسالم مغز استخوان می‌کند. اخیرا پیوند مغز استخوان، به عنوان یک روش نجات دهنده برای درمان طیف وسیعی از اختلالات ناشی از مغز استخوان و انواع کمی از سرطان‌ها به شمار می‌آید. بیمارانی که تحت این جراحی هستند با عوامل خطر متعددی که احتمال حیات آن‌ها را کاهش می‌دهد مواجه هستند. از اینرو ارائه راهکار‌های مبتنی بر هوش مصنوعی در راستای تشخیص نرخ بقای بیماران با در نظر داشتن عوامل موثر بر آن، به شدت مورد توجه قرار گرفته است. در سال‌های اخیر از روش‌هایی مثل جنگل تصادفی، k نزدیکترین همسایه، شبکه بیزی و روش‌هایی از این دست برای تشخیص بقای بیماران پیوند مغز استخوان استفاده شده، اما بررسی روش‌های گروهی و روش‌های شبکه عصبی در این بین نادیده گرفته شده است. از اینرو در این تحقیق از ترکیب 5 روش مختلف شامل شبکه عصبی Dense‌، جنگل تصادفی، درخت تصمیم، ماشین بردار پشتیبان و K نزدیکترین همسایه برای تشخیص بقای بیماران پیوند مغز استخوان استفاده شده است. در این مدل برای ترکیب روش‌های فوق، تکنیک رای گیری اکثریت تطبیقی پیشنهاد شده است که در آن 3 مورد از 5 الگوریتم فوق که دارای بهترین نتایج هستند با یکدیگر ترکیب می‌شوند. از طرف دیگر برای کاهش پیچیدگی‌های محاسباتی مدل از سه روش انتخاب ویژگی فیلتر مختلف شامل روش Relief ، NCA و sequential برای انتخاب زیر مجموعه بهینه از ویژگی‌ها استفاده شده است. نتایج بررسی‌های مدل بر روی پایگاه داده Bone marrow دریافت شده از مخزن UCI نشان می‌دهد مدل می‌تواند به صحت بالغ بر 99‌% دست یابد که متعلق به روش رای گیری اکثریت تطبیقی با دو روش انتخاب ویژگی NCA و Relieff است. در بین روش‌های انفرادی شبکه Dense در مقایسه با روش‌های یادگیری ماشین سنتی عملکرد موفق‌تری از خود نشان داده است. همچنین روش توانسته بالغ بر 3‌% تشخیص نرخ بقای بیماران پیوند مغز استخوان را در مقایسه با مدل‌های پیشین بهبود دهد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13618 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24543	‭COM soft ‭58	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بهبود تشخیص حیات و مرگ بیماران قلبی با استفاده از روش‌های یادگیری ماشین و انتخاب ویژگی (1401) / مزروعی ، فائزه، نویسنده

نوع مدرک: متون چاپی سرشناسه مزروعی ، فائزه، نویسنده شماره بازیابی : ‭COM soft ‭47 عنوان : بهبود تشخیص حیات و مرگ بیماران قلبی با استفاده از روش‌های یادگیری ماشین و انتخاب ویژگی عنوان موازی : Improving the Prediction of Survival and Failure of Heart Patients using Machine Learning and Feature Selection ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 77ص شابک/شاپا 24532 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها شبکه‌ عصبی پرسپترون، تشخیص بقای بیماران قلبی، انتخاب ویژگی، عدم توازن داده  Perceptron Neural Network, Survival Diagnosis of Cardiac Patients, Feature Selection, Data Imbalance. چکیده : بیماری‌های قلبی عروقی، مجموعه‌ای از اختلالات هستند که عامل اصلی ناتوانی و مرگ زودرس در سراسر جهان محسوب ‌می‌شوند. اغلب بیماری‌ها از جمله بیمارهای قلبی، بواسطه تشخیص زودهنگام قابل کنترل و درمان‌پذیر هستند؛ اما حجم رو به رشد بیمارهای مختلف در سراسر جهان معضلی در تشخیص به موقع ‌آن‌ها است که عامل اصلی طراحی سیستم‌های هوش مصنوعی و یادگیری ماشین در راستای کمک به پزشکان است. اکثر سیستم‌های ارائه شده در این خصوص مبتنی بر تکنیک‌های یادگیری ماشین سنتی مثل درخت تصمیم، جنگل تصادفی و روش‌هایی از این قبیل هستند؛ که در داده‌های پزشکی به دلیل ماهیت چالش برانگیز آن‌ها مثل عدم توازن داده‌ها، عملکرد چندان موفقی از خود نشان نمی‌دهند. از اینرو در این تحقیق یک روش تشخیص بقای بیماران قلبی مبتنی بر شبکه عصبی چند لایه پرسپترون طراحی شده است که در آن به چالش عدم توازن داده‌ها توجه شده است. در این روش برای رفع این مشکل از تکنیک بیش نمونه‌گیری Borderline SMOTE استفاده شده است. همچنین برای رسیدن به بهترین نتایج یک مرحله انتخاب ویژگی مبتنی بر الگوریتم حداقل افزونگی- حداکثر همبستگی طراحی شده است؛ که می‌تواند منجر به رسیدن به بهترین داده‌های بالینی بیماران شود. نتایج ارزیابی مدل پیشنهاد شده بر روی داده‌های heart failure در مخزن UCI، نشان می‌دهد مدل پیشنهادی در تشخیص بقای بیماران به صحت 96.33‌% و دقت 95.22‌% دست یافته است؛ که در مقایسه با 6 روش یادگیری ماشین سنتی بطور میانگین بالغ بر 11‌% صحت را بهبود داده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13606 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24532	‭COM soft ‭47	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بهبود صحت پیش‌بینی بقای بیماران مبتلا به سپسیس با استفاده از شبکه‌های عصبی پیشخور آبشاری و روش نمونه گیری (1401) / کیانی ، فرناز، نویسنده

نوع مدرک: متون چاپی سرشناسه کیانی ، فرناز، نویسنده شماره بازیابی : ‭COM soft ‭60 عنوان : بهبود صحت پیش‌بینی بقای بیماران مبتلا به سپسیس با استفاده از شبکه‌های عصبی پیشخور آبشاری و روش نمونه گیری عنوان موازی : Improving the Accuracy of Survival Prediction of Patients with Sepsis Using Cascading Feedforward Neural Networks and Resampling Method ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 83ص شابک/شاپا 24545 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها بیماری سپسیس، باز نمونه‌گیری، شبکه عصبی پیشخور آبشاری، بیش نمونه‌گیری  Sepsis Disease, Resampling, Cascade Feedforward Neural Network, Oversampling. چکیده : بیماری سپسیس حاصل از پاسخ بدن بیمار، به عفونت است که با مرگ و میر بالا همراه است. درمان و کنترل این بیماری به شدت وابسته به زمان است، به این معنی که تشخیص زود هنگام آن نرخ بقای بیمار را افزایش داده و در مقابل تاخیر در درمان باعث افزایش مرگ و میر ناشی از آسیب غیرقابل برگشت به اندام‌ها می‌شود. در سال‌های اخیر بدلیل حیاتی بودن این موضوع روش‌های مختلفی مبتنی بر هوش مصنوعی و یادگیری ماشین ارائه شده است. اکثر روش‌های جدید مبتنی بر الگوریتم‌های سنتی مثل ماشین بردار پشتیبان، بیز ساده و از این دست هستند. این روش‌ها در داده‌های پزشکی که عموما نامتوازن هستند چندان موفق عمل نمی‌کنند. از اینرو در این تحقیق از شبکه‌های عصبی برای تشخیص بقای بیماران سپسیس استفاده شده است. در مدل پیشنهاد شده از شبکه عصبی پیشخور آبشاری برای تشخیص بقا استفاده شده و همچنین از دو نوع تکنیک باز نمونه‌گیری شامل بیش نمونه‌گیری و کم نمونه‌گیری برای رفع مشکل عدم توازن داده‌ها بهره برده شده است. نتایج تجربی بر روی داده‌های بیماران مبتلا به سپسیس در مخزن UCI نشان می‌دهد که مدل پیشنهاد شده در بخش Primary توانسته است به صحت 94.9‌% دست یابد که متعلق به ترکیب شبکه عصبی آبشاری و الگوریتم بیش نمونه‌گیری SMOTE است. همچنین ترکیب دو روش فوق توانسته است در داده‌های بخش Study به صحت 84.8‌% دست یابد. نتایج نشان می‌دهد در رتبه دوم ترکیب شبکه عصبی و تکنیک کم نمونه‌گیری قرار می‌گیرد و در آخر در مدل پیشنهادی کمترین نتایج متعلق به شبکه عصبی آبشاری است که بر روی داده‌های نامتوازن اصلی ارزیابی شده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13620 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24545	‭COM soft ‭60	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بهبوددقت تشخیص چهره در تصاویربا استفاده از ترکیب شبکه های عصبی کانولوشن و بازگشتی (1404) / عساکره ، بهاره، نویسنده

نوع مدرک: متون چاپی سرشناسه عساکره ، بهاره، نویسنده شماره بازیابی : ‭COM A ‭53 1404 عنوان : بهبوددقت تشخیص چهره در تصاویربا استفاده از ترکیب شبکه های عصبی کانولوشن و بازگشتی عنوان موازی : Improving the Accuracy of Face Recognition in Images Using a Combination of Convolutional and Recurrent Neural Networks ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1404 صفحه شمار: 67ص شابک/شاپا 26127 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش هوش مصنوعی و رباتیکز شناسه افزوده : صادق زاده ، مهدی، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها تشخیص چهره، شبکه های عصبی مصنوعی، یادگیری عمیق، شبکه های عصبی کانولوشن، شبکه های عصبی بازگشتی ، الگوریتم های یادگیری ماشین  Facial recognition, artificial neural networks, deep learning, convolutional neural networks, recurrent neural networks, machine learning algorithms چکیده : در دهه های اخیرا تشخیص چهره به عنوان یکی از مسائل حیاتی در حوزه هوش مصنوعی و پردازش تصویر مورد توجه قرار گرفته است. با پیشرفت روز افزون فناوری های مرتبط با شبکه های عصبی مصنوعی و یادگیری عمیق استفاده از این تکنیک ها برای بهبود دقت و کارایی تشخیص چهره از اهمیت بیشتری برخوردار است. شبکه های عصبی به عنوان مدل های محاسباتی الهام گرفته از ساختار مغز انسان عمل می کنند و به کمک الگوریتم های یادگیری ماشین ، قادر به تشخیص و شناسایی چهره در تصاویر و ویدیوها می باشند. شبکه های عصبی کانولوشن به عنوان یکی از روش های پرکاربرد در تشخیص چهره شناخته شده اند .این شبکه ها با استفاده از لایه های کانولوشن ویژگی های مهم از تصاویر را استخراج کرده و برای تشخیص دقیق چهره ها به کار می روند. از سوی دیگر شبکه های عصبی بازگشتی با قابلیت یادگیری اطلاعات متوالی و ارتباطات زمانی بین ویژگی ها برای تشخیص چهره در ویدیوها و تصاویر مورد استفاده قرار می گیرند. این شبکه ها می توانند اطلاعات زمانی را درنظر بگیرند و با توجه به تغییرات در چهره از زمان به زمان تشخیص دقیق تری ارائه دهند.با ترکیب این دو روش و استفاده از یادگیری عمیق می توان دقت و کارایی بالاتری در تشخیص چهره دست یافت. این روش ها در حوزه های مختلفی نظیر امنیت ، تشخیص هویت ، تشخیص افراد در ویدیوها ، پزشکی و رباتیک کاربرد دارد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14963 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
26127	‭COM A ‭53 1404	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

تشخیص زمان انعقاد شیر در فرآیند تولید پنیر با استفاده از بینایی کامپیوتر، یادگیری ماشین و تحلیل مؤلفه‌های اصلی (1404) / صدیقی ، نفیسه، نویسنده

نوع مدرک: متون چاپی سرشناسه صدیقی ، نفیسه، نویسنده شماره بازیابی : ‭COM A ‭50 1404 عنوان : تشخیص زمان انعقاد شیر در فرآیند تولید پنیر با استفاده از بینایی کامپیوتر، یادگیری ماشین و تحلیل مؤلفه‌های اصلی عنوان موازی : Detection of Milk Coagulation Time in Cheesemaking Using Computer Vision, Machine Learning, and Principal Component Analysis (PCA) ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1404 صفحه شمار: 79ص شابک/شاپا 26045 یادداشت پایان نامه کارشناسی ارشد :رشته کامپیوتر گرایش هوش مصنوعی شناسه افزوده : کلینی ، مینا، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها بینایی کامپیوتر، یادگیری ماشین، زمان انعMachine Vision, Machine Learning, Milk Coagulation Time, ResNet101 Network, Principal Component Analysis (PCA), Autocorrelation.قاد شیر، شبکه ResNet101، تحلیل مؤلفه‌های اصلی (PCA)، خودهمبستگی چکیده : تشخیص دقیق زمان انعقاد شیر در فرآیند تولید پنیر، نقش بسزایی در کنترل کیفیت نهایی محصول و بهینه‌سازی فرآیند تولید دارد. هدف از این پژوهش، توسعه و ارزیابی یک سامانه هوشمند مبتنی بر بینایی کامپیوتر و یادگیری ماشین به‌منظور تشخیص خودکار زمان انعقاد شیر و بررسی تأثیر تحلیل مؤلفه‌های اصلی در بهبود عملکرد مدل است. بدین منظور، از مجموعه‌داده CheeseMaking-IDB شامل 12 فرآیند واقعی تولید پنیر استفاده شد. تصاویر هر فرآیند پس از افزایش کنتراست و محاسبه آنتروپی، به شبکه عمیق ResNet101 جهت استخراج ویژگی‌های مکانی ارسال گردید. سپس برای استخراج الگوهای زمانی، از ماتریس خودهمبستگی همراه با تکنیک پنجره متحرک استفاده شد. در مرحله بعد، ویژگی‌های ترکیبی استخراج‌شده با استفاده از روش PCA کاهش بعد یافته و به یک شبکه پرسپترون چندلایه (MLP) برای طبقه‌بندی مراحل قبل و بعد از انعقاد شیر داده شدند.نتایج آزمایش‌ها نشان داد که ترکیب ویژگی‌های عمیق شبکه ResNet101 با ویژگی‌های زمانی حاصل از ماتریس خودهمبستگی، عملکرد قابل‌توجهی در تشخیص زمان انعقاد شیر دارد. همچنین استفاده از تحلیل مؤلفه‌های اصلی، ضمن کاهش حجم محاسبات و بهبود پایداری مدل، در برخی مجموعه‌ها موجب ارتقای دقت پیش‌بینی گردید. در مجموع، مدل پیشنهادی توانست با میانگین دقت بالای 85 درصد و حساسیت مطلوب، زمان انعقاد شیر را به‌صورت خودکار و کارآمد شناسایی نماید. نتایج حاصل بیانگر کارایی روش‌های ترکیبی مبتنی بر یادگیری عمیق و تحلیل مؤلفه‌های اصلی در بهبود کنترل هوشمند فرآیندهای لبنی است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14881 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
26045	‭COM A ‭50 1404	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

تشخیص نفوذ در شبکه های کامپیوتری با استفاده از شبکه¬ی ترکیبی CNN-BiLSTM (1403) / یزدانی ، محدثه، نویسنده

نوع مدرک: متون چاپی سرشناسه یزدانی ، محدثه، نویسنده شماره بازیابی : ‭COM A ‭44 1403 عنوان : تشخیص نفوذ در شبکه های کامپیوتری با استفاده از شبکه¬ی ترکیبی CNN-BiLSTM عنوان موازی : Intrusion Detection in Computer Networks Using a Hybrid CNN-BiLSTM Network ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 93ص شابک/شاپا 25710 یادداشت پایان نامه کارشناسی ارشد :رشته کامپیوتر گرایش هوش مصنوعی شناسه افزوده : کلینی ، مینا، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها داده¬کاوی، شبکه¬های کامپیوتری، سیستم تشخیص نفوذ، شبکه¬های عصبی کانولوشن، شبکه¬ی BiLSTM  : Data mining, computer networks, intrusion detection system, convolutional neural networks, BiLSTM network. چکیده : سیستم‌های تشخیص نفوذ به عنوان ابزاری حیاتی برای حفاظت از شبکه‌های رایانه‌ای، به شناسایی و تحلیل رفتارهای غیرمجاز و غیرطبیعی در سیستم‌های اطلاعاتی پرداخته و از بروز حملات سایبری جلوگیری می‌کنند. با این حال، شناسایی نفوذ از چالش‌های متعددی از جمله پیچیدگی و تنوع روزافزون تهدیدات، حجم بالای داده‌ها برخوردار است که نیازمند روش‌های پیشرفته و کارآمد برای تحلیل داده‌ها می‌باشد. شبکه‌های عصبی کانولوشن (CNN) به عنوان یک تکنیک یادگیری عمیق، به دلیل قابلیت استخراج ویژگی‌های فضایی و الگوهای پیچیده، به سرعت در حوزه تشخیص نفوذ مورد توجه قرار گرفته‌اند و می‌توانند در شناسایی حملات مخرب و رفتارهای غیرعادی بهبود چشمگیری ارائه دهند. به‌علاوه، استفاده از BiLSTM (شبکه‌های حافظه طولانی کوتاه دوتایی) به تقویت کارایی CNN در پردازش توالی‌های زمانی و مدیریت وابستگی‌های بلندمدت کمک کرده و دقت تشخیص را افزایش می‌دهد. این پژوهش به بررسی این ترکیب نوآورانه و مزایای آن در بهبود سیستم‌های تشخیص نفوذ می‌پردازد و چالش‌های موجود در این حوزه را تحلیل می‌کند. نتایج بدست آمده از آزمایش¬ها بروی مجموعه داده¬ی NSL-KDD در حالت باینری برابر 99 درصد و برای حالت چند کلاسه برابر 99.12 درصد بدست آمده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14546 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25710	‭COM A ‭44 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

حفظ حریم خصوصی در داده¬های پزشکی با استفاده از شبکه¬های عصبی کانولوشن (1403) / وکیلی ، بهارو، نویسنده

نوع مدرک: متون چاپی سرشناسه وکیلی ، بهارو، نویسنده شماره بازیابی : ‭COM A ‭48 1403 عنوان : حفظ حریم خصوصی در داده¬های پزشکی با استفاده از شبکه¬های عصبی کانولوشن عنوان موازی : Privacy protection in medical data using convolutional neural networks ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 96ص شابک/شاپا 25887 یادداشت پایان نامه کارشناسی ارشد/رساله دکتری رشته هوش مصنوعی شناسه افزوده : نصر اصفهانی ، ابراهیم، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها حفظ حریم خصوصی، امنیت، داده¬کاوی، شبکه¬های عصبی کانولشن، ماشین بردار پشتیبان  Privacy, security, data mining, convolutional neural networks, support vector machine چکیده : حفظ حریم خصوصی به عنوان یکی از اصول اساسی در مدیریت داده‌های پزشکی، اهمیت بالایی دارد، چرا که این داده‌ها حاوی اطلاعات حساس و شخصی بیماران هستند. با این حال، چالش‌های زیادی در زمینه حفظ حریم خصوصی وجود دارد که مهم¬ترین آن‌ها شامل دسترسی غیر مجاز به داده‌ها، نشت اطلاعات، و سوءاستفاده‌های احتمالی از داده‌های شخصی می‌باشد. این چالش‌ها نه تنها تهدیدی برای امنیت اطلاعات بیماران هستند، بلکه می‌توانند اعتبار سیستم‌های بهداشتی و درمانی را نیز تحت تأثیر قرار دهند. برای مقابله با این چالش‌ها، روش‌های مختلفی پیشنهاد شده است که از جمله آن‌ها می‌توان به رمزنگاری داده‌ها، سیاست‌های قانونی سختگیرانه، یادگیری فدرال، و یادگیری انتقالی اشاره کرد. این روش‌ها به‌طور مؤثری می‌توانند امنیت داده‌ها را افزایش دهند و از دسترسی غیر مجاز به اطلاعات حساس جلوگیری کنند. ترکیب فناوری‌های پیشرفته نظیر شبکه‌های عصبی کانولوشن (CNN) و ماشین بردار پشتیبان (SVM) به‌عنوان یک رویکرد نوآورانه در حفظ حریم خصوصی می‌تواند تأثیر قابل توجهی داشته باشد. در این ترکیب، شبکه‌های عصبی برای استخراج و یادگیری ویژگی‌های پیچیده از داده‌های پزشکی استفاده شده و ماشین بردار پشتیبان برای طبقه‌بندی و پیش‌بینی داده‌ها به کار گرفته می‌شود. در این پژوهش جهت حفظ حریم خصوصی از یک فرآیند سه مرحله¬ای استفاده گردیده است که در مرحله¬ی نخست عملیات پیش¬پردازش به منظور بهبود داده¬ها صورت گرفته است، بعد از عملیات فوق، استخراج الگو توسط شبکه¬ی عصبی کانولوشن صورت گرفته است و در نهایت عملیات طبقه¬بندی براساس ماشین بردار پشتیبان برای جلوگیری از دسترسی¬های غیر مجاز استفاده گریدده است. نتایج حاصل از آزمایش¬ها نشان¬دهنده¬¬ی کارایی قابل قبول روش پیشنهادی در حفظ حریم خصوصی داده¬¬ها می¬باشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14723 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25887	‭COM A ‭48 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

دسته بندی سرطان دهان با استفاده از یادگیری انتقالی و مکانیزم توجه (1403) / شیرانی ، آرش، نویسنده

نوع مدرک: متون چاپی سرشناسه شیرانی ، آرش، نویسنده شماره بازیابی : ‭COM A ‭46 1403 عنوان : دسته بندی سرطان دهان با استفاده از یادگیری انتقالی و مکانیزم توجه عنوان موازی : Oral cancer classification using transfer learning and attention mechanism ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 79ص شابک/شاپا 25722 یادداشت پایان‌نامه کارشناسی ارشد رشته کامپیوتر گرایش هوش مصنوعی و رباتیکز شناسه افزوده : راستین ، نیلوفر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها یادگیری انتقالی، مکانیزم توجه، DenseNet-121، سرطان دهان  Transfer learning, Attention mechanism , DenseNet-121, Oral cancer چکیده : سرطان دهان، به ویژه کارسینوم سلول سنگفرشی دهانی (OSCC)، یک بیماری خطرناک با علل پیچیده و میزان مرگ ومیر بالا است. تشخیص زودهنگام و دقیق نقش کلیدی در افزایش نرخ بقا و کاهش عوارض آن دارد. روش های تشخیصی سنتی، مانند بررسی های بافت شناسی، علاوه بر زمان بر بودن، به دلیل وابستگی به تفسیر متخصصان آسیب شناسی، مستعد خطای انسانی هستند. با پیشرفت های اخیر در یادگیری عمیق، به ویژه شبکه های عصبی کانولوشنی، سیستم های تشخیص خودکار برای شناسایی سرطان توسعه یافته اند. بااین حال، مدل های متداول شبکه عصبی کانولوشنی، اغلب در شناسایی روابط فضایی گسترده و وابستگی های بلندمدت در تصاویر بافت شناسی دچار ضعف هستند، درحالی که این ویژگی ها برای تحلیل دقیق الگوهای پیچیده ضروری اند. در این پژوهش، یک مدل DenseNet-121 بهینه شده با ماژول های موازی توجه کانالی و فضایی برای حل این چالش ها معرفی شده است. این ماژول ها با تمرکز بر ویژگی های مهم در ابعاد کانالی و فضایی، فرایند استخراج ویژگی را بهبود می بخشند. مدل پیشنهادی بر روی دو مجموعه داده ی متنوع بافت شناسی ارزیابی شده و نتایجی بهتر از روش های پیشین ارائه داده است. بدون استفاده از افزایش داده، مدل به دقت %97.88 و %93.50 در مجموعه داده های مورد بررسی دست یافته است. همچنین، با اعمال افزایش داده، عملکرد مدل بهبود یافته و دقت آن روی مجموعه داده ها به ترتیب به 99.23% و %95.51 افزایش یافته است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14558 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25722	‭COM A ‭46 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

کاهش مصرف ا‌نرژی در شبکه‌های حسگر بی سیم (1394) / هاشمی جزی ، آزاده سادات، نویسنده

نوع مدرک: متون چاپی سرشناسه هاشمی جزی ، آزاده سادات، نویسنده شماره بازیابی : ‭COM soft ‭2 1396 عنوان : کاهش مصرف ا‌نرژی در شبکه‌های حسگر بی سیم ناشر: دانشگاه شهید اشرفی اصفهان : بی نا سال نشر : 1394 صفحه شمار: 89ص شابک/شاپا 22722 یادداشت پایان نامه کارشناسی ارشد : کامپیوتر شناسه افزوده : خیام باشی ، محمد رضا، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها شبکه های حسگربی سیم  مصرف انرژی  پروتکل مسیریابی  خوشه بندی  بهینه سازی ازدحام ذرات  الگوریتم جستجوی گرانشیWireless Sensor Networks  Energy Consumption  Routing Protocol  Clustering  Particle Swarm Optimization  Gravitational Search Algorithm چکیده : امروزه، در شبکه‌های حسگر بی‌سیم، پروتکل‌های مسیریابی مبتنی بر خوشه‌بندی از طریق تقسیم گره‌های همسایه به خوشه‌های مجزا و انتخاب سرخوشه‌های محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گره‌های شبکه، بهترین کارایی را از لحاظ افزایش طول عمر وحفظ پوشش شبکه‌ای در مقایسه با سایر روش‌های مسیریابی به دست می‌آورند. یک چالش مهم در شبکه های حسگر بی سیم،کاهش مصرف انرژی و افزایش طول عمر شبکه در کل شبکه حسگر است، و کنترل توپولوژی تأثیر زیادی روی این کاهش مصرف انرژی دارد. براساس تحقیقات قبلی، یک راه‌حل مبتنی بر پیش‌پردازش خوشه بندی فازی و بهینه‌سازی تراکم ذرات برای انتخاب سرخوشه در کنترل توپولوژی سلسله مراتبی پیشنهادشده است. به طورخاص، در ابتدا الگوریتم خوشه-بندی فازی برای طبقه‌بندی اولیه ی گره های سنسور براساس مکان‌های جغرافیایی استفاده می‌شود، که در آن یک گره سنسور به خوشه ای با احتمال مشخص تعلق دارد و تعداد خوشه های اولیه مورد تحلیل و بحث قرار می‌گیرد. علاوه بر این تابع تطبیق با در نظر گرفتن فاکتورهای مصرف انرژی و فاصله از شبکه‌ای حسگر بی سیم طراحی شده است. سپس گره های سرخوشه در توپولوژی سلسله‌مراتبی براساس بهینه‌سازی تراکم ذرات بهبود یافته تعیین می‌شود. به علاوه یک تابع هزینه جدید به منظور تصمیم‌گیری در انتخاب گره‌های سرخوشه، پیشنهاد شده است که سعی در ترکیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آن‌ها دارد.در نهایت با استفاده از الگوریتم جستجوی گرانشی بهترین مسیر بیی سرخوشه ها و ایستگاه اصلی محاسبه می شود. کارائی برتر این پروتکل از لحاظ افزایش طول عمر مفید شبکه و کاهش مصرف انرژی در پروتکل‌های پیشین در مقایسه با روش پیشنهادی با شبیه‌سازی در نرم افزار متلب به اثبات رسیده است. درشبیه سازی انجام شده با 100 گره مشاهده شد که مصرف انرژی در روش های پیشن LEACH ،E-OEERP، K-MEANS-PS به ترتیب 150،100،60ژول ودرروش پیشنهادی METHOD - PRPOSED،40 ژول می باشد. با استفاده از نتایج به دست آمده در شبیه سازی روش پیشنهادی یعنی انتخاب سرخوشه با ادغام الگوریتم فازی وازدحام ذرات استفده از الگوریتم جستجوی گرانشی برای مسیر یابی نسبت به روشهای پیشین کاهش مصرف انرژی و افزایش طول عمر شبکه، مشاهده می شود لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1115 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
22722	‭COM soft ‭2 1396	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت