ارائه الگوریتمی به منظور کاهش مصرف انرژی در شبکههای حسگر بیسیم بر مبنای پروتکل Leach (1397) / داورپناه ، مهدی، نویسنده
نوع مدرک: متون چاپی سرشناسه داورپناه ، مهدی، نویسنده ردهبندی کنگره : COM soft 29 1397 عنوان : ارائه الگوریتمی به منظور کاهش مصرف انرژی در شبکههای حسگر بیسیم بر مبنای پروتکل Leach عنوان موازی : A New Approach Energy efficient in Wireless Sensor Networks Based on LEACH Protocol ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1397 صفحه شمار: س،89ص شابک/شاپا 23325 یادداشت پایان نامه کارشناسی ارشد: مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور توصیفگرها شبکههاي حسگر بی سیم الگوریتم LEACH خوشه بندی Wireless sensor networks LEACH algorithm Clustering چکیده : خصوصیات و ویژگی¬های منحصر به فرد شبکه¬های حسگر بی¬سیم باعث شده تا روش¬های بهینه¬سازی ارائه شده برای سایر شبکه¬های بی¬سیم در این نوع شبکه¬ها پاسخ¬گو نبوده و با مشکلات متعددی همراه باشند. بر همین اساس تکنیک¬های مدیریتی و روش¬های بهینه¬سازی کابردی برای این شبکه¬ها، دارای تفاوت¬های اساسی با سایر شبکه¬های بی¬سیم می¬باشند. مکانیزم¬های خوشه¬بندی این تفاوت¬ها را پاسخ گفته و به عنوان یکی از ابزارهای مؤثر جهت بهینه¬سازی منابع، مدیریت حسگرها و ارتقاء کارایی در شبکه¬های حسگر مطرح هستند. در پژوهش¬های گسترده¬ای از این ابزار به جهت افزایش کارایی شبکه، مدیریت گره¬ها، بهینه¬سازی منابع مصرفی به ویژه انرژی حسگرها، و موارد متعدد دیگری استفاده شده است. اما مطالعات پیرامون این حوزه، حاکی از وجود برخی چالش¬های حل نشده به ویژه در ارتباط با انتخابات مؤثر سرخوشه¬ها، مبادلات داده¬های گردآوری شده خوشه¬ها، موازنه¬سازی مصرف انرژی حسگرها و نهایتاً بهینه¬سازی انرژی است. عدم پوشش مؤثر این مسائل منجر به افت کارایی روش¬های خوشه¬بندی و در مجموع افت کارایی شبکه خواهد گردید. اینرو با ارائه روشی بهینهESA-LEACH بر محوریت الگوریتم پایه LEACH توسعه یافته و بر مبنای ملاحظه تدابیری در راستای تقویت انتخابات سرخوشه¬ها، پیکربندی متناسب خوشه¬ها و مبادلات هدفمند داده¬های گردآوری شده، بهبود یافته است. ESA-LEACH یک الگوریتم سه مرحله¬ای بوده که بر اساس دو مرحله نخست خود تلاش بر بهبود و افزایش کارایی خوشه¬بندی و مبتنی بر مرحله پایانی خود سعی بر مبادله هدفمند اطلاعات خوشه-ها برای گره چاهک دارد. نتایج شبیه¬سازی الگوریتم پیشنهادی با نرم¬افزار OPNET حاکی از برتری خاصی بر اساس شاخصهای (تاخیر 7.8تا11 ، مصرف انرژی12تا16، نرخ ترافیک سرخوشهها 3تا 7.5، دریافتهای موفق 4.5 تا 6.4، گذردهی 3.8 تا 5) ESA-LEACH در مقایسه با الگوریتم¬های مشابه تحت مقایسه پیشین است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12641 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23325 COM soft 29 1397 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت افزایش دقت خوشهبندی با استفاده از یک رویکرد ترکیبی جدید مبتنی بر شبکه عصبی، تحلیل مؤلفه اصلی و k نزدیکترین همسایگی (1398) / اشنودی ، آرش، نویسنده
نوع مدرک: متون چاپی سرشناسه اشنودی ، آرش، نویسنده ردهبندی کنگره : COM soft 31 1398 عنوان : افزایش دقت خوشهبندی با استفاده از یک رویکرد ترکیبی جدید مبتنی بر شبکه عصبی، تحلیل مؤلفه اصلی و k نزدیکترین همسایگی عنوان موازی : A novel hybrid approach to increase clustering performance based on neural networks, principal component analysis and k-nearest neighbor ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1398 صفحه شمار: 65 ص شابک/شاپا 23503 یادداشت پایان نامه کارشناسی ارشد: کامپیوتر نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور توصیفگرها سیستمهای توصیه گر خوشهبندی دستهبندی k نزدیکترین همسایه شبکه عصبی پرسپترون تحلیل مؤلفه اصلی چکیده : با گسترش روز افزون استفاده از سیستمهای رایانهای در کاربردهای مختلف و با توجه به استقبال از سیستمهای توصیهگر در کاربردهای مختلف، لزوم بهبود عملکرد این سیستمها بیشتر از قبل احساس میشود. سیستمهای توصیهگر ابزار کارآمدی در وبسایتهای تجارت الکترونیک محسوب میشوند و هدف اصلی آنها تولید پیشبینیهای دقیق است تا اینکه کاربران با صرف زمان و انرژی کمتر به اطلاعات و مورد نظر خود دسترسی پیدا کنند. خوشهبندی سبب بهینهسازی فعالیت جستجوی اطلاعات در این سیستمها شده و زمان جستجوی کاربر را کاهش میدهد. در برخی از سیستمهای توصیهگر، مسئله توصیه اشیاء برای کاربر جدید که اولین ورود را تجربه میکند وجود دارد. راهحلهایی برای حل این مسئله با عنوان درج داده جدید با استفاده از الگوریتم نزدیکترین همسایگی ارائه شده است. این تحقیق با استفاده ترکیبی الگوریتم¬های شبکههای عصبی پرسپترون چندلایه، نزدیکترین همسایگی و الگوریتم تحلیل مؤلفه اصلی، دقت خوشهبندی دادهها را بهبود میبخشد بهطوریکه داده ورودی در خوشه مناسبتر قرار گیرد. این کار به این صورت انجام می¬شود که داده ورودی به الگوریتم با هر دو روش موجود، خوشهبندی شده و سپس بین نتایج بهدستآمده رأیگیری خواهد شد. در این پژوهش از پایگاه داده موجود که شامل امتیازهای داده شده هزار کاربر به گروه¬های فیلم مختلف می¬باشد استفاده شده است که این دادهها در روش پیشنهادی نرمالسازی شده و نسبت به هر گروه از فیلم و امتیازات کاربران میانگینگیری صورتگرفته و دادهها در فضای جدیدی به ورودی سیستم فرستاده می¬شوند که فضای جدید معرفی شده در این پژوهش توانسته قدرت افتراق پذیری بالایی بین خوشههای موجود ایجاد کرده و در نتیجه خروجی نهایی سیستم بهدقت قابلقبولی دست یابد. نتایج آزمایشهای انجام شده بر روی این دادهها نشان می-دهد معیار دیویس بولدین در روش پیشنهادی برای افزایش بعد باعث 12 درصد میانگین بهبود خوشه بندی نسبت به قبل از افزایش بعد در تعداد خوشههای مختلف با انواع معیارهای خوشهبندی شده است. همچنین روش پیشنهادی ترکیبی شامل الگوریتم گروهی رأی گیری یادگیری ماشین توانسته با دقت 95.56%، صحت 93.91% و فراخوانی 94.17% در تشخیص خوشهبندی دادهها موفق باشد که نسبت به الگوریتم یادگیری ماشین به عنوان طبقهبند برتر، باعت 5/0% بهبود شده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12764 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23503 COM soft 31 1398 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بررسی عوامل موثر در تشدید بیماری استرپتوکوکوزیس در مزارع پرورش ماهی قزلآلا با استفاده از روشهای داده کاوی (1399) / جهانبازی ، مسلم، نویسنده
نوع مدرک: متون چاپی سرشناسه جهانبازی ، مسلم، نویسنده ردهبندی کنگره : COM soft 37 1399 عنوان : بررسی عوامل موثر در تشدید بیماری استرپتوکوکوزیس در مزارع پرورش ماهی قزلآلا با استفاده از روشهای داده کاوی عنوان موازی : Investigating the factors influencing the exacerbation of streptococcus in salmon farms using data mining methods ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1399 صفحه شمار: و، 73ص شابک/شاپا 23783 یادداشت پایان نامه کارشناسی ارشد: مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور توصیفگرها استرپتوکوکوزیس دادهکاوی الگوریتمهای دادهکاوی متدولوژی CRISP-DMو انتخاب ویژگی Streptococcosis Data Mining Data Mining Algorithms CRISP-DM Methodology Feature Selection چکیده : امروزه، دادهکاوی یکی از تکنیکهای پرکاربرد میباشد که پـردازش خـود را روی دادههـای انبـوه انجام میدهد. دادهکاوی نه تنها موجب استفاده بهینه از انبوه دادههای ذخیره شده توسط سیستمهای کلینیک شده، بلکه موجب کشف دانش موجود در میان این دادهها نیز شده است. با توجه به فراوانی دادههای پزشکی و بیماریها، این موضوع میتواند بستر مناسبی برای به کارگیری تکنیکهای مختلف دادهکاوی باشد.
بسیاری از بیماریهای باکتریایی ماهی، مسبب تلفات و ضرر اقتصادی بالا در مزارع پرورش قزلآلای رنگین کمان میباشند از این رو شناخت بیماریهای باکتریایی و باکتریهای بیماریزا یکی از مهمترین راهها جهت کنترل و پیشگیری از بروز بیماریهای باکتریایی است. استرپتوکوکوزیس یک بیماری عفونی باکتریایی است که در اکثر مراکز تکثیر و پرورش ماهیان سردابی قزلآلای رنگین
کمان کشور مشاهده شده است. در بروز و همه گیری این بیماری عواملی از جمله دما، فصل، PH و... در بروز بیماری نقش دارند. این مطالعه با هدف شناسایی عوامل خطر محیطی و ارزیابی میزان تاثیر گذاری آنان در بروز استرپتوکوکوزیس وارائه پیشنهادهای اجرایی برای کنترل بیماری در استان چهارمحال بختیاری اجرا گردید. این تحقیق از 10 مزرعه منتخب از مجموعه مراکز تکثیر و پرورش ماهیان سردآبی استان چهارمحال بختیاری، با بکارگیری طرحهای آماری استاندارد، در یک بازه زمانی یک ساله و با فواصل فصلها به ثبت عوامل اپیدمیولوژیک مؤثر بر بروز بیماری اقدام گردید.
سـپس بـرای کار با دادهها از متدولوژی CRISP-DM استفاده شد. دادهها در دو قسمت مورد مدلسازی و ارزیابی قرار گرفتند: انتخاب دادهها پس از پیشپردازش دادهها و انتخاب ویژگی. در ادامـه بـرای مدلسازی از سه الگوریتم درخت تصمیمگیری، شبکه عصـبی مصـنوعی و KNN در دو حالـت انتخاب دادهها پس از پیشپردازش دادهها و انتخاب ویژگی استفاده شد. بـا اسـتفاده از روش ارزیابی متقابل جهت ارزیابی مدلسازیهای انجام شد، روش درخت تصمیم بالاترین دقت (86.96%) را کسب کرده که در مقایسه با سایر پژوهشهای که تا کنون صورت گرفته است نتیجه بالاتری است (ابوالفصل سپهداری با صحت 20%) و به عنوان مدل برتر انتخاب شده است. بـا روش KNN نیز دقت قابل قبولی (79.11%) بدست آمده است. همچنین با استفاده از انتخاب ویژگی با الگوریتم درخت تصمیم توانسته شد دقت خوب (85.54%) بدست آورده شودلینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12999 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23783 COM soft 37 1399 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه قاسمی ، فؤاد، نویسنده ردهبندی کنگره : COM soft 6 1396 عنوان : بهبود تشخیص بیماری های قلبی با استفاده از تکنیک های دادهکاوی ناشر: دانشگاه شهید اشرفی اصفهانی : بی نا سال نشر : 1395 صفحه شمار: ن، 95ص شابک/شاپا 22726 یادداشت پایان نامه کارشناسی ارشد : مهندسی کامپیوتر گرایش مهندسی نرمافزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور توصیفگرها بیماری عروق کرونر دادهکاوی تکنیکهای دادهکاوی ویژگیهای موثر متدولوژیCoronary Artery Disease Data Mining Data Mining Techniques Effective Features CRISP-DM Methodology چکیده : استفاده از تکنیکهای دادهکاوی در زمینه پزشکی رشد روز افزونی داشته است. دادهکاوی نه تنها موجب استفاده بهینه از انبوه دادههای ذخیره شده توسط سیستمهای کلینیک شده، بلکه موجب کشف دانش موجود در میان این دادهها نیز شده است.بیماریهای قلبی عروقی امروزه بسیار معمول است و یکی از دلایل اصلی مرگ و میر است. در میان انواع مختلف این بیماریها، تشخیص درست و به موقع بیماری عروق کرونر (CAD) بسیار مهم است. بهترین و دقیقترین روش تشخیص بیماری عروق کرونر در حال حاضر آنژیوگرافی است که دارای عوارض جانبی زیاد و پر هزینه است. بنابراین محققان به دنبال روشهای ارزان و با دقت بالا برای تشخیص این بیماری هستند. مطالعات موجود از ویژگیهای جمعآوری شده از بیماران و الگوریتمهای مختلف دادهکاوی برای افزایش دقت استفاده کردهاند. در این پایاننامه یک مجموعه داده، شامل چندین ویژگی مهم و موثر جدید برای تشخیص بیماری عروق کرونر به همراه تعدادی از ویژگیهای مهم مورد استفاده در مطالعات قبلی جمعآوری شده است. مجموعه داده موجود در این پایاننامه، از 303 مراجعهکننده به صورت تصادفی به بیمارستان شهید رجایی تهران که مشکوک به داشتن بیماری عروق کرونر بودند جمعآوری شده است. در میان نمونهها، 87 نمونه سالم و 216 نمونه بیمار بودند. چندین روش دادهکاوی روی مجموعه داده اجرا شد و توسط معیارهای مختلفی کارایی الگوریتمها مورد ارزیابی قرار گرفت و پس از روش ارائه شده در این مطالعه در نهایت دقت 99.67% در تشخیص بیماری عروق کرونر به دست آمد که بالاترین دقت به دست آمده در مطالعات انجام شده تاکنون میباشد. با توجه به مدلهای استفاده شده مشخص شد که 3 ویژگی از 58 ویژگی تاثیر بسزایی در جهت تشخیص بیماری عروق کرونر و جداکنندگی CAD از Normal دارند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1114 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 22726 COM soft 6 1396 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود پیشبینی وضعیت تحصیلی دانشجویان با کمک تکنیکهای دادهکاوی و الگوریتمهای یادگیریماشین (1398) / شیرعلیزاده دزفولی ، محمد، نویسنده
نوع مدرک: متون چاپی سرشناسه شیرعلیزاده دزفولی ، محمد، نویسنده ردهبندی کنگره : COM soft 28 1398 عنوان : بهبود پیشبینی وضعیت تحصیلی دانشجویان با کمک تکنیکهای دادهکاوی و الگوریتمهای یادگیریماشین عنوان موازی : Improving Prediction of Academic Status of Students Using Data Mining Techniques and Machine Learning Algorithms ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1398 صفحه شمار: ح، 108ص یادداشت پایان نامه کارشناسی ارشد: مهندسی نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور توصیفگرها دادهکاویآموزشی طبقهبندی پیشبینی وضعیت تحصیلی جنگل تصادفی شبکه عصبی عمیق Educational Data Mining Classification Educational Prediction, Random Forest Deep Neural Network چکیده : مراکز آموزشی و دانشگاهی به طور خاصی بر روی عملکرد دانشجویان نظارت داشته و به آن اهمیت داده و به دنبال کشف و شناسایی عوامل تأثیرگذار و ارائهی رویکردی در راستای ارتقای سطح تحصیلی دانشجویان میباشند. دادهکاویآموزشی یک مبحث تحقیقاتی نوظهور میباشد که در راستای ارتقا سطح تحصیلی، به مراکز آموزشی کمک میکند تا وضعیت دانشجویان خود را پیشبینی و ارزیابی کنند. دستاوردهای آکادمیک برای مؤسسات آموزش عالی در سرتاسر دنیا دغدغهی بزرگی هستند. امروزه فضـای رقابتی شدیدی در دانشگاههای مختلف و مراکز آموزشی حاکم شده اسـت. یکی از چالشهای جدی در مدیریت امـور آموزشـی دانشـگاهها، پیشبینی وضعیت تحصیلی دانشجویان در نیمسال آینده بهمنظور شناسایی دانشجویانی است که دچار افت تحصیلی شده و ادامه تحصیل با مشکل مواجه خواهد شد. این پژوهش به بررسی عوامل تأثیرگذار در تشخیص و پیشبینی وضعیت تحصیلی دانشجویان از دو بعد آموزشی و الگوریتمی میپردازد. در این پژوهش از 37657 داده دانشجویان تمامی مقاطع دانشگاه شهید اشرفی اصفهانی با 27 ویژگی مختلف، در بین سالهای 85 الی96 هجری شمسی، استفادهشده و پس از انجام مراحل پیشپردازش، از شش الگوریتم (درخت تصمیم، جنگل تصادفی، شبکه عصبی عمیق، نزدیکترین همسایه، بیزینساده و رگرسیون لجستیک) در جهت پیشبینی وضعیت تحصیلی هر دانشجو، از اعمال روشهای شناسایی صفتهای مؤثر جهت کشف مهمترین عوامـل تأثیرگذار بـر پیشـرفت تحصیلی استفادهشده است. سپس نتایج مدلهای یادگیری و دادهکاوی مختلف، توسط معیارهای مهم و عام این حوزه، مورد ارزیابی قرارگرفته و مقایسه شده است. زبان برنامهنویسی پایتون و کتابخانههای یادگیری ماشین آن، جهت پیادهسازی آزمایشهای این تحقیق استفادهشده است. با استفاده از روشهای انتخاب صفتهای مؤثر مشخص شد که 3 ویژگی (تعداد واحد گذرانده شده، تعداد واحد اخذشده و معدل نهایی) تأثیرگذارترین ویژگی در میان 26 ویژگی موجود در جهت پیشبینی وضعیت نهایی هر دانشجو میباشد. درنهایت مشخص شد که از بین مدلهای بررسیشده، مدل جنگلتصادفی با صحت کلی 96.26 درصد و با در نظر گرفتن تمامی ویژگیها، بهترین نتیجه و مدل شبکه عصبی عمیق در معیارهای دقت و فراخوانی به ترتیب با کسب نتایج 92.81 درصد و 92 درصد بهترین عملکرد را به خود اختصاص داده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12613 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23298 COM soft 28 1398 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت