ارائه روشی جهت ادغام و همگامسازی سرویسهای Soap با سرویسهای Rest تحت مدیریت وب (1396) / مبارکه ، مسلم، نویسنده
نوع مدرک: متون چاپی سرشناسه مبارکه ، مسلم، نویسنده ردهبندی کنگره : COM soft 22 1398 عنوان : ارائه روشی جهت ادغام و همگامسازی سرویسهای Soap با سرویسهای Rest تحت مدیریت وب ناشر: دانشگاه شهید اشرفی اصفهانی : بی نا سال نشر : 1396 صفحه شمار: ه،73ص شابک/شاپا 22742 یادداشت پایان نامه کارشناسی ارشد : مهندسی نرم افزار شناسه افزوده : کلینی ، مینا، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها رست رست فول معماری سرویس گرا سواپREST RESTful Service-Oriented Architectures Soap چکیده : یکی از اصلیترین چالشهای پیش رو در توسعه دستگاههای با وسعت زیاد تغییرات متداول در نیازمندیهای مشتریان و محیط کسبوکارهای آنها است. معماری سرویس گرا با ادغام و همگامسازی سرویسها بهعنوان یکراه حل مؤثر برای رفع این مشکلات مطرح کرد که مزیت استفاده از این روش قابلیت یکپارچهسازی با تغییرات چندباره در نیازمندیهای کاربران میسر است. هدف اصلی این پایاننامه،امکان ادغام و همگامسازی سرویسهای وب رست و سرویسهای تحت سوپ با ارائه مدل متاداده ای برای توصیف همزمان آنها است. سعی بر آن است کـه درروش ارائهشده، امکـان ادغام و همگامسازی سرویسهای وب رست فول و سرویسهای وب مبتنی بر سواپ با ارائه مـدل متـاداده ای بـرای توصـیف همزمان آنها، فـراهم گردد. برای رسیدن به این هدف ضمن مطالعه روشهای موجود، سعی شده است که نقاط ضعف سایر روشهای موجود پوشـش داده شـود و از نقاط قوت آنها نیز بهره برده شود. در این پایاننامه با استفاده از API راهکاری جهت بهبود سرعت، امنیت و کارایی ارائه گردیده است. راهکار ارائهشده با تکیهبر سیستم رست و رست فول باعث تکمیل و بهبود سیستم لرا شده است و به ارائه نگاشتهایی که از این پیادهسازی پشتیبانی کند، پرداخته میشود و مستنداتی برای این نوع پیادهسازی ارائه میگردد. سپس راهکار ارائهشده با راهکار مشابه مقایسه میشود. در طراحی از زبان جاوااسکریپت استفادهشده است. نتایج حاصل نشاندهنده افزایش 5 درصدی سرعت، کیفیت، بهینهسازی با استفاده از سیستم LRAF میباشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1525 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 22742 COM soft 22 1398 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه وحیدنیا ، احمد، نویسنده ردهبندی کنگره : COM soft 51 عنوان : انتخاب ویژگی با استفاده از خوشه بندی مبتنی بر منطق فازی عنوان موازی : Feature selection using fuzzy logic based clustering ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 55ص شابک/شاپا 24536 یادداشت پایان نامه کارشناسی ارشد:رشته مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها داده¬کاوی، خوشه¬بندی، کاهش ابعاد، خوشه¬بندی فازی Data Mining, Clustering, Dimension Reduction, Fuzzy Clustering چکیده : دادهکاوی به مفهوم استخراج اطلاعات نهان و یا الگوها و روابط مشخص در حجم زیادی از دادهها در یک یا چند بانک اطلاعاتی بزرگ است. دادهکاوی، پایگاهها و مجموعه حجیم دادهها را در پی کشف و استخراج، مورد تحلیل قرار میدهد. اینگونه مطالعات و کاوشها را بهواقع میتوان همان امتداد و استمرار دانش کهن و همهجاگیر آمار دانست. یکی از چالش¬های بسیار قدیمی حوزه پردازش داده، کمبود داده¬های مورد پردازش است اما امروزه دیگر با مشکل کمبود داده و اطلاعات روبرو نیستیم و بهجای آن با مسئله دادهها و اطلاعات درست، از میان حجمی انبوه¬ی از داده¬ها روبروییم. ازآنجاکه درک روابط و ساختار حاکم بر دادهها و اطلاعات، میتواند دانشی گرانبها ارائه نماید، نیازمند استفاده از مکانیسمی هستیم تا به بهترین وجه عصاره این انبوه داشتهها تهیهشده و به کار گرفته شود. پایگاه دادههای امروزی به علت حجم بالای داده که معمولاً برگرفته از منابع مختلف هستند، دارای دادههای نویز دار، گمشده و ناسازگار هستند. بنابراین استفاده از یک مدل انتخاب داده با هدف کاهش ابعاد تعداد نمونه¬های پایگاه داده¬های بزرگ بیش از پیش احساس می¬شود. در این تحقیق یک روش جدید مبتنی بر خوشه¬بندی به منظور کاهش ابعاد پایگاه داده¬های بزرگ ارائه شده است. روش پیشنهادی در قالب مراحل چهارگانه ارائه شده است. به صورتی که پس از نرمالسازی دادهها، خوشهبندی با استفاده از خوشهبندی Possibilistic مبتنی بر منطق فازی انجام می¬شود و بعد از انتخاب ضریب دقت و تشخیص و ردهبندی دادهها، داده¬های موثر مجموعه داده شناسایی خواهد شد. نتایج آزمایشات روش پیشنهادی و روش¬های مورد مقایسه بر روی مجموعه داده¬ی Ionosphere با معیار دقت، زمان و منابع مصرفی نشان میدهد که روش پیشنهادی با بهبود 22 درصدی در دقت و کمترین زمان و منابع مصرفی بهترین عملکرد را داشته است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13611 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24536 COM soft 51 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بررسی تاثیر میانجی اعتماد بین سازمانی و قابلیت های مدیریت زنجیره تامین در افزایش عملکرد زنجیره تامین با استفاده از سیستم های بین سازمانی در زنجیره تامین ایران خودرو (1400) / یراقی ، میلاد، نویسنده
نوع مدرک: متون چاپی سرشناسه یراقی ، میلاد، نویسنده ردهبندی کنگره : M lnp 83 1400 عنوان : بررسی تاثیر میانجی اعتماد بین سازمانی و قابلیت های مدیریت زنجیره تامین در افزایش عملکرد زنجیره تامین با استفاده از سیستم های بین سازمانی در زنجیره تامین ایران خودرو عنوان موازی : Investigating the mediating effect of inter-organizational trust and supply chain management capabilities in increasing supply chain performance using inter-organizational systems in Iran Khodro supply chain ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1400 صفحه شمار: ط، 82ص شابک/شاپا 24360 یادداشت پایان نامه کارشناسی ارشد: مدیریت صنعتی گرایش تولید و عملیات شناسه افزوده : طلایی ، حمیدرضا، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها استفاده از سیستم های بین سازمانی اعتماد بین سازمانی قابلیت های مدیریت زنجیره تامین عملکرد زنجیره تامین Use of inter-organizational Systems Inter-Organizational Trust Supply Chain Management Capabilities Supply chain Performance چکیده : سیستم های بین سازمانی سیستم های اطلاعاتی شبکه ای هستند که مرزهای یک سازمان را گسترش می دهند. استفاده از سیستم های بین سازمانی می تواند بر عملکرد زنجیره تامین تاثیرگذار باشد. همچنین ایجاد اعتماد بین شرکای زنجیره تامین می تواند در این رابطه موثر باشد. در این مطالعه، نقش میانجی اعتماد بین سازمانی و قابلیت های مدیریت زنجیره تامین در افزایش عملکرد زنجیره تامین با استفاده از سیستم های بین سازمانی در زنجیره تامین ایران خودرو بررسی خواهد شد. این پژوهش بر اساس هدف کاربردی و از نظر روش جمع¬آوری داده¬ها برای آزمون فرضیه¬ها از نوع توصیفی - همبستگی از شاخه میدانی می¬باشد. جامعه آماری مطالعه¬ حاضر را شرکت های زنجیره تامین ایران خودرو تشکیل می¬دهند. در این تحقیق از روش سرشماری استفاده شده است. جهت گردآوری داده¬ها از پرسشنامه استفاده شد که روایی آن با محاسبه روایی صوری و سازه و پایایی آن از طریق شاخص آلفای کرونباخ مورد تایید قرار گرفت. در تجزیه و تحلیل آماری، از رویکرد مدل¬سازی معادلات ساختاری استفاده شده است. بر اساس نتایج حاصل تحقیق، استفاده از سیستم های بین سازمانی بر قابلیت های مدیریت زنجیره تامین ایران خودرو، اعتماد بین سازمانی در میان شرکا و عملکرد زنجیره تاثیر مثبت و معناداری دارد. قابلیت های مدیریت زنجیره تامین بر عملکرد زنجیره تامین ایران خودرو تاثیر مثبت و معناداری دارد. همچنین اعتماد بین سازمانی بر عملکرد زنجیره تامین ایران خودرو تاثیر مثبت و معناداری دارد. علاوه بر این، استفاده از سیستم های بین سازمانی بر عملکرد زنجیره تامین ایران خودرو از طریق نقش میانجی قابلیت های مدیریت زنجیره تامین و اعتماد بین سازمانی تاثیر مثبت و معناداری دارد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13435 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24360 M lnp 83 1400 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه موسوی ، جمال، نویسنده ردهبندی کنگره : COM soft 30 1399 عنوان : بررسی علل حوادث در شرکت ملی حفاری با استفاده از تکنیک های داده کاوی عنوان موازی : Investigating the Causes of Accidents at the National Iranian Drilling Company using Data Mining Techniques ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1399 صفحه شمار: 102ص شابک/شاپا 23361 یادداشت پایان نامه کارشناسی ارشد: مهندسی نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها دادهکاوی شرکت ملی حفاری علل حوادث پیشگیری حوادث Data Mining National Iranian Drilling Company Causes Of Accident Accident prevention چکیده : شرکت ملی حفاری ایران یکی از شرکتهای بزرگ ایران در زمینه خدمات حفاری نفت و گاز ایرانی است ، که در سال 1979 به عنوان یک شرکت تابعه از شرکت ملی نفت ایران تأسیس شد. در شرکت ملی حفاری با توجه به نوع کار در صنعت حفاری و مخاطرههای آن به کار گرفتن کامل مقررات و ضوابط ایمنی اجتنابناپذیر است و اگر رعایت نشود هزینههای بسیاری به دنبال دارد، همچنین منابع انسانی ارزشمندترین سرمایه هر سازمانی است و وظیفه ایمنی؛ زمینهسازی، آگاهی-بخشی، فرهنگسازی و پیشگیری از وقوع حوادث در حین کار است و اجرای دقیق شاخصهای آن، میتواند در ارتقاء جایگاه شرکت در سطح ملی و منطقهای تأثیر مستقیم داشته باشد بنابراین باید با استفاده از روشهای امروزی بتوان این حوادث را پیشبینی و کنترل کرد .
دادهکاوی فرآیند استخراج اطلاعات (قوانین و الگوها) ضمنی، غیر بدیهی، از قبل ناشناخته و بالقوه مفید از دادهها در پایگاه داده است ، در این پژوهش سعی بر آن است با استفاده از الگوریتمهای درخت تصمیم پیشبینی دقیقی از حوادث ازجمله حوادث جانی (فوتی ، نقص¬عضو، جزئی) حوادث مالی (آسیب وسایل) و حوادث آتشسوزی در شرکت ملی حفاری انجام گیرد و همچنین عوامل مؤثر بر حوادث در شرکت ملی حفاری را با استفاده از الگوریتمهای دادهکاوی، پیدا و جهت کنترل آن اقدام گردد . تحلیل انجام شده، دیدگاه جدیدی نسبت به پیچیدگی و عوامل حوادث در محیط کاری شرکت ملی حفاری را فراهم میکند که به نوبه خود اطلاعات ارزشمندی برای اقدامات پیشگیرانه توسط دولت در این شرکت ارائه میکندلینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12673 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23361 COM soft 30 1399 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود روش های مبتنی برخوشهبندی برای بهینهسازی مصرف انرژی در شبکههای حسگر بی سیم (1399) / آخوندی ، جواد، نویسنده
نوع مدرک: متون چاپی سرشناسه آخوندی ، جواد، نویسنده ردهبندی کنگره : COM soft 26 1399 عنوان : بهبود روش های مبتنی برخوشهبندی برای بهینهسازی مصرف انرژی در شبکههای حسگر بی سیم عنوان موازی : Improving Cluster-Based Methods To Optimize Energy Consumption In Wireless Sensor Networks ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1399 صفحه شمار: د، 121ص یادداشت پایان نامه کارشناسی ارشد: مهندسی نرم افزار شناسه افزوده : خیام باشی ، محمد رضا، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها شبكه هاي حسگر بي سيم مصرف انرژي پروتكل مسيريابي خوشه بندي بهينه سازي ازدحام ذرات الگوريتم جستجوي گرانشي Wireless Sensor Networks Energy Consumption Routing Protocol Clustering Particle Swarm Optimization Gravitational Search Algorithm چکیده : امروزه، در شبکه¬های حسگر بی¬سیم، پروتکل¬های مسیریابی مبتنی بر خوشه¬بندی از طریق تقسیم گره¬های همسایه به خوشه¬های مجزا و انتخاب سرخوشه¬های محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گره¬های شبکه، بهترین کارایی را از لحاظ افزایش طول عمر و حفظ پوشش شبکه¬ای در مقایسه با سایر روش¬های مسیریابی به دست می¬آورند. 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 راه حل مبتنی بر پیش پردازش خوشه¬بندی فازی و بهینه¬سازی تراکم ذرات برای انتخاب سرخوشه در کنترل توپولوژی سلسله مراتبی پیشنهاد شده است. به طور خاص، در ابتدا الگوریتم خوشه¬بندی فازی برای طبقه¬بندی اولیه¬ی گره¬های سنسور بر اساس مکان¬های جغرافیایی استفاده می-شود، که در آن یک گره سنسور به خوشه¬ای با احتمال مشخص تعلق دارد و تعداد خوشه¬های اولیه مورد تحلیل و بحث قرار می¬گیرد. علاوه بر این، تابع تطبیق با در نظر گرفتن فاکتورهای مصرف انرژی و فاصله از شبکه¬ای حسگر بی¬سیم طراحی شده است. سپس گره¬های سرخوشه در توپولوژی سلسله مراتبی براساس بهینه¬سازی تراکم ذرات بهبود یافته تعیین می¬شود. به علاوه یک تابع هزینه جدید به منظور تصمیم¬گیری در انتخاب گره¬های سرخوشه، پیشنهاد شده است که سعی در ترکیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آن¬ها دارد. در نهایت با استفاده از الگوریتم جستجوی گرانشی بهترین مسیر بین سرخوشه¬ها و ایستگاه اصلی محاسبه می¬شود. کارائی برتر این پروتکل از لحاظ افزایش طول عمر مفید شبکه و کاهش مصرف انرژی در پروتکل¬های پیشین در مقایسه با روش پیشنهادی با شبیه¬سازی در نرم افزار متلب به اثبات رسیده است. درشبیه¬سازی انجام شده با 100 گره مشاهده شد که مصرف انرژی در روش¬های پیشن E-OEERP, LEACH ،K-MEANS-PSO ، به ترتیب 60،100،150 ژول می باشد که در روش پیشنهادی¬ PRPOSED-METHOD¬ به ترتیب دارای 60% و 40% و 24% بهبود نسبت روش های پیشین می¬باشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12592 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23277 COM soft 26 1399 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود فرآیند تشخیص ناهنجاری داده¬ای در الگوریتم های خوشهبندی در دادههای بزرگ (1401) / جلالپور ، زهره، نویسنده
نوع مدرک: متون چاپی سرشناسه جلالپور ، زهره، نویسنده ردهبندی کنگره : COM soft 49 عنوان : بهبود فرآیند تشخیص ناهنجاری داده¬ای در الگوریتم های خوشهبندی در دادههای بزرگ عنوان موازی : Improving the detecting data Anomaly in clustering algorithms on big data ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 66ص شابک/شاپا 24534 یادداشت پایان نامه کارشناسی ارشد:رشته مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها خوشه بندی، داده های پرت، ناهنجاری های داده ها، داده های حجیم Clustering, Big Data چکیده : خوشهبندی یکی از شاخههای یادگیری بدون نظارت میباشد و فرآیند خودکاری است که در طی آن، نمونهها به دستههایی که اعضای آن مشابه یکدیگر میباشند تقسیم میشوند. خوشهبندی با نمونه¬های دیگر تقسیم داده¬ها از جمله طبقهبندی متفاوت است. در طبقهبندی نمونههای ورودی برچسبگذاری شده¬اند ولی در خوشهبندی نمونههای ورودی دارای برچسب اولیه نمیباشند و این موضوع پیچیدگی ساختاری و نحوه¬ی استفاده از خوشه-بندی را با چالش¬های متعددی رو به رو کرده است. یکی از مشکلات عمده خوشه¬بندی خصوصاً در داده¬های بزرگ داده¬های پرت و ناهنجاری¬ها هستند. دادههای پرت در بعضی مواقع میتوانند عملکرد نهایی مدل را با اختلال رو به رو کند و خوشه¬بندی در قالب پیش¬پردازش ظاهر شود و در بعضی مواقع هم خود مسئله تشخیص دادههای پرت و به نوعی تشخیص ناهنجاری است که در آن ما به دنبال یافتن دادههایی هستیم که الگویی متفاوت از دیگر داده¬ها را دارند. در کنار داده¬های پرت باید به ناهنجاری¬های داده¬ای نیز اشاره کرد. در واقع ناهنجاری¬ها نمونهها، رویدادها یا مشاهداتی هستند که با الگوها یا دیگر نمونههای موجود در مجموعه داده مطابقت نداشته باشند. ناهنجاریها را میتوان در حالت کلی در سه دسته¬ی ناهنجاریهای نقطه ای، ناهنجاریهای زمینهای، ناهنجاریهای تجمعی قرار داد. روش پیشنهادی در این تحقیق از دو بخش پیش پردازش و تشخیص و جداسازی تشکیل شده است. در بخش پیش¬پردازش یک مرحله پاکسازی (حذف داده¬های گم شده و غیره) نرمال سازی داده¬ها (یکسان سازی مقیاس داده¬ها) و کاهش ابعاد بردارهای ویژگی انجام شده است و در بخش تشخیص و جداسازی، پس از خوشه¬بندی داده¬ها مرتب سازی و برچسب¬زنی انجام شده است. ارزیابی روش پیشنهادی با داده¬های Crime in Atlanta نشان می¬دهد که روش پیشنهادی در مقایسه با دو روش OCSVM و رگرسیون با معیار دقت، زمان و منابع مصرفی بهبود چشمگیری داشته است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13609 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24534 COM soft 49 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه اکبری ، زهرا، نویسنده ردهبندی کنگره : COM soft 62 عنوان : تشخیص بیماری آریتمی قلبی با استفاده از مدل یادگیری ماشین عنوان موازی : Diagnosis of arrhythmic disease using machine model ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 72ص شابک/شاپا 24547 یادداشت پایاننامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها بیماری آریتمی قلبی، مدلهای یادگیری ماشین، دستگاه الکتروکاردیوگراف cardiac arrhythmia disease, machine learning models, electrocardiograph device چکیده : بیماری آریتمی قلبی یکی از شایعترین بیماریهای قلبی است که رشد سریع بیماری، اثرات، عوارض و هزینههای جبران ناپذیری بر شخص و جامعه به همراه دارد. همین موضوع باعث شده که جامعه پزشکی به دنبال روشهایی برای تشخیص درست و به موقع این بیماری باشند تا با شناسایی زودهنگام، از این بیماری جلوگیری کنند. تکنیکهای دادهکاوی در زمینه پزشکی مخصوصا در تشخیص بیماریهای قلبی رشد چشمگیری داشته است. به صورتیکه استفاده از این تکنیکها بر روی حجم زیادی از داده باعث کشف دانش و الگوهای پنهان موجود در بین این دادهها شده و به تشخیص به موقع بیماری کمک میکند. هدف در این پایاننامه تشخیص بیماری آریتمی قلبی با استفاده از روشهای یادگیری ماشین است. به صورتیکه با استفاده از ترکیب تکنیکها و مدلهای یادگیری ماشین با مدل ترکیبی و پیادهسازی آنها روی مجموعه داده آزمایشی، روشی برای پیشبینی زودهنگام و تشخیص بیماری آریتمی قلبی با بالاترین دقت طراحی شود. مجموعه داده استفاده شده در این پایاننامه، جهت تشخیص بیماری آریتمی قلبی از دادههای مرکز UCI است؛ که از بیمارستانهای سطح کشور سوئد جمعآوری شده است. این مجموعه داده آریتمی قلبی شامل اطلاعات 452 بیمار و دارای 279 ویژگی است. در این پایاننامه هدف تشخیص هایپرپارامترهای بهینه روشهای یادگیری ماشین و استفاده از آنها به عنوان ورودی مدل ترکیبی است تا روشی با بالاترین نرخ دقت در تشخیص بیماری آریتمی قلبی پیدا شود. در نهایت نتایج ارزیابی به ما نشان میدهد که با پیداکردن هایپرپارامترهای بهینهی روش درخت تصمیم و استفاده از این هایپرپارامترهای بهینه به عنوان ورودی مدل ترکیبی بستهبندی میتوان به بهینهترین روش با نرخ دقت (00/1) رسید. همچنین این روش در مقایسه با نتایج قبلی توانسته است بالغ بر 7% نرخ دقت را بهبود بخشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13622 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24547 COM soft 62 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه زمانی ، احسان، نویسنده ردهبندی کنگره : COM soft 52 عنوان : تشخیص بیماری دیابت با تکنیک های داده کاوی و شبکه عصبی چند لایه عنوان موازی : A method for diagnosing diabetes with data mining techniques and multi-layer neural network ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 66ص شابک/شاپا 24537 یادداشت پایان نامه کارشناسی ارشد: رشته کامپیوتر شناسه افزوده : کلینی ، مینا، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها شبکه عصبی، دیابت، داده کاوی A method for diagnosing diabetes with data mining techniques and multi-layer neural network چکیده : تشخیص زودهنگام بیماری دیابت به منظور جلوگیری از عوارض و آسیب های ناشی از این بیماری امری حیاتی است.
هدف از این مقاله طراحی یک سیستم هوشمند در دسته بندی افراد مبتلا به دیابت، با روش رگرسیون مبتنی بر شبکه عصبی پرسپترون چندلایه است.
در این مطالعه ی توصیفی- تحلیلی یک سیستم هوشمند برای دسته بندی افراد به دو دسته سالم و مبتلا به بیماری دیابت شبیه سازی شده است. سیستم طراحی شده با استفاده از زبان تحلیل داده پایتون بر روی مخزن داده PIMA انجام شده است. این مجموعه داده شامل 768 رکورد از زنان هندی و 8 فاکتور تشخیصی برای بیماری دیابت است.
داده های این مجموعه پس از پیش پردازش به صورت تصادفی به دو دسته از کل مجموعه داده تقسیم شدند که شامل داده های آموزشی و آزمون متفاوت بودند. در دسته بندی مجموعه داده از 70 درصد داده ها برای مرحله ی آموزش و 30 درصد باقیمانده برای مرحله ی آزمون استفاده شد. نتایج حاصل در بهترین حالت براساس شاخص های حساسیت، اختصاصیت، صحت و دقت در دسته بندی افراد، به دست آمد.
نتایج به دست آمده برتری سیستم هوشمند طراحی شده در دسته بندی افراد به دو دسته سالم و بیمار را نسبت به سایر روش های پیاده سازی شده بر این مجموعه داده تأکید می کند. استفاده از شبکه عصبی پرسپترون چندلایه برای تقریب تابع، موجب افزایش دقت سیستم پیشنهادی شده استلینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13612 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24537 COM soft 52 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت تشخیص بیماری کووید19- از تصاویر سی تی قفسه سینه با استفاده از یادگیری انتقالی (1401) / آسادوریان ، نازه، نویسنده
نوع مدرک: متون چاپی سرشناسه آسادوریان ، نازه، نویسنده ردهبندی کنگره : COM soft 69 عنوان : تشخیص بیماری کووید19- از تصاویر سی تی قفسه سینه با استفاده از یادگیری انتقالی عنوان موازی : Covid-19 Detection from Chest CT Scans Using Transfer Learning Approach ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 75ص شابک/شاپا 24905 یادداشت کارشناسی ارشد:رشته مهندسی کامپیوتر گرایش نرم افزار کامپیوتر شناسه افزوده : شیرزادفر ، حمیدرضا، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها یادگیری انتقالی، بیماری کووید،19- تصاویر سی تی قفسه سینه، شبکه عصبی کانولوشن، یادگیری عمیق : Transfer Learning, Covid-19 Disease, Chest CT Scans, Convolutional
Neural Network, Deep Learningچکیده : کووید19-)-2COV-SARS)که باعث سندرم حاد تنفسی می شود، یک بیماری مسری و کشنده است که
اثرات مخربی بر جامعه و زندگی انسان دارد و به طور قابل توجهی بر اقتصاد جهان تأثیر گذاشته است. کووید-
19 می تواند عوارض جدی به خصوص در بیماران با مشکالت سالمت زمینهای مانند دیابت، فشار خون باال،
سرطان ریه، سیستم ایمنی ضعیف و افراد مسن ایجاد کند. حیاتی ترین گام در مبارزه با کووید19- تشخیص
سریع بیماران مبتال است. تصاویر سی تی قفسه سینه و کیتهای تشخیصی PCR-RT اغلب برای تشخیص
بیماری استفاده می شوند. با این حال، به دلیل مشکالتی مانند ناکافی بودن کیتهای تست PCR-RT ،
نتایج منفی کاذب در مراحل اولیه بیماری، زمانبر بودن بررسی تصاویر پزشکی بهدستآمده از تکنیکهای
تصویربرداری سی تی قفسه سینه توسط متخصصان و پزشکان و افزایش حجم کار بر روی متخصصان،
شناسایی کووید19- چالش برانگیز است. بنابراین، محققان جستجوی روشهای جدید در تشخیص کووید-
19 را پیشنهاد کردهاند. روش های یادگیری عمیق روشی سریع و دقیق در تشخیص این بیماری نظر گرفته
شدهاند. پیشرفتهای اخیر در فناوری و در دسترس بودن روشهای یادگیری عمیق در تشخیص کووید19-
با دقت بیشتر، بسیار امیدوارکننده به نظر میرسند. یکی از روشهای یادگیری عمیق جهت پردازش تصاویر
شبکهی عصبی کانولوشن میباشد. برای عالمت گذاری کووید19- به عنوان مثبت یا منفی برای سی تی
اسکن بهبودیافته، از مدل های از پیش آموزش دیده موجود مانند 16VGG، 50ResNet، 201DenseNet،
L2EfficientNetV و 2InceptionResNetV استفاده شده است. مدل پیشنهادی در این تحقیق از مدل
از پیش آموزش دیده 2InceptionResNetV استفاده کرده است و به صحت باالتری دست یافته است.
صحت به دست آمده ،%97.59 دقت ،0.9878 بازیابی 0.9641 و میانگین 1F 0.9758 می باشدلینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13935 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت فاقد شماره ثبت
نوع مدرک: متون چاپی سرشناسه کاویانپور ، حسین، نویسنده ردهبندی کنگره : COM soft 34 1399 عنوان : تشخیص زودهنگام دیابت با رویکرد دادهکاوی مبتنی بر یادگیری عمیق عنوان موازی : Early diagnosis of diabetes with a deep learning-based data mining approach ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1399 صفحه شمار: ز،72ص شابک/شاپا 23718 یادداشت پایان نامه کارشناسی ارشد: مهندسی نرم افزار شناسه افزوده : ترابیان ، مهدی، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها داده كاوي بيماري ديابت تكنيك هاي داده كاوي يادگيري عميق Data Mining Diabetes Data Mining Techniques Deep Learning چکیده : در دنیای پزشکی امروز، دادهها روی علائم بیماران میباشد که تجزیه و تحلیل این دادهها برای یک شخص (دکتر) غیرممکن است بنابراین نیاز به یک سیستم هوشمند داریم که عوامل مختلف را بررسی و یک مدل مناسب را طراحی و پیاده سازی کند.علم داده¬کاوی بهعنوان پایه و اساس چنین سیستم¬هایی در صنعت های مختلف و بهویژه صنعت پزشکی میباشدیکی ازجدی ترین و پرخطرترین این بیماری ها،دیابت میباشد.که با توجه به آمارهای بین¬المللی موجود 285 میلیون نفر دیابتی در جهان وجود دارند.و این آمار در 20 سال آینده به 380 میلیون نفر میرسد.بنابراین با توجه به اهمیت این بیماری، طراحی یک مدل خوب با هزینه کم برای تشخیص این بیماری نیازکلیه جوامع میباشد.این تحقیق تکنیکی از تکنیک¬های یادگیری عمیق را ارائه میکندکه باعث بهبود تکنیک¬های موجود می¬باشد.و با توجه به ارزیابیهای انجام شده این تکنیک برروی روش درخت تصمیم بالاترین دقت را دارد و نتیجه را 01/1% از سایر روشهای موجود افزایش داده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12933 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23718 COM soft 34 1399 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت تشخیص نفوذ با استفاده از روش طبقهبندی گروهی مبتنی بر ماشین بردار پشتیبان و شبکه عصبی با تکیهبر گام انتخاب ویژگی مؤثر (1401) / رضایی ، شادی، نویسنده
نوع مدرک: متون چاپی سرشناسه رضایی ، شادی، نویسنده ردهبندی کنگره : COM A 37 عنوان : تشخیص نفوذ با استفاده از روش طبقهبندی گروهی مبتنی بر ماشین بردار پشتیبان و شبکه عصبی با تکیهبر گام انتخاب ویژگی مؤثر عنوان موازی : Intrusion detection using ensemble classification method based on support vector machine and neural network using the effective feature selection step ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 74ص شابک/شاپا 24725 یادداشت کارشناسی ارشد: مهندسی کامپیوتر گرایش هوش مصنوعی شناسه افزوده : نعمتبخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها تشخیص نفوذ، بهینهساز رودک عسلخوار، طبقه بند گروهی ماشین بردار و شبکهعصبی Intrusion Hetection, Honey Badger optimizer, Support Vector Machine Classification and Neural Network چکیده : بحث تشخیص نفوذ یکی از روشهای رایج و پراستفاده در شبکه در جهت محافظت از یکپارچگی، ایمنی و در دسترسیپذیری سرمایههای حساس در سیستمهای محافظتشده و ایمن است. اگرچه تاکنون روشهای یادگیری ماشینی با ناظر و بدون ناظر بسیاری برای افزایش کارآمدی سیستمهای تشخیص نفوذ ارائهشده است اما تاکنون همچنان حصول راندمان مناسب در بحث تشخیص نفوذ بهنوبه خود نوعی چالش تلقی میگردد. اولازهمه میتوان گفت، بسیاری از دادههای زائد و نامربوط در مجموعه دادههای با ابعاد بالا، در فرآیند طبقهبندی تشخیص نفوذ، اختلال ایجاد میکنند. دوما، بهکارگیری یک طبقهبندی منفرد موجب تشخیص دقیق و کارآمدی نمیگردد. سوما، ماهیت ساخت اکثر مدلها برمبنای مجموعه دادههای قدیمی است که آنها را برای سازگاری با حملات جدید مشکلساز میکند. بنابراین، در این پایاننامه از روش ترکیبی متکی بر رویکرد ماشین بردار پشتیبان و شبکهعصبی با تکیهبر گام انتخاب ویژگی بهینهسازی رودک عسلخوار پیشنهاد میشود. پروسه انتخاب ویژگی از الگوریتم بهینهساز رودک عسلخوار مبتنی بر فرمول اطلاعات متقابل برای انتخاب ویژگیهای مؤثر و مفید استفاده میکند. یافتههای آزمایشها با بهکارگیری بر روی مجموعه دادههای KDD-TEST+ و KDD-CUP99 نشان از راندمان بهتر طبقه بند گروهی پیشنهادی نسبت به سایر رویکردهای مرتبط دارد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13791 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24725 COM A 37 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت پیاده سازی یک سیستم تصمیم یار برای پیش بینی قیمت سهام با استفاده از روش های حافظه کوتاه مدت بلند با استفاده الگوریتم فرا ابتکاری بهینه ساز ازدحام ذرات (1401) / کورنگی بهشتی ، آروین، نویسنده
نوع مدرک: متون چاپی سرشناسه کورنگی بهشتی ، آروین، نویسنده ردهبندی کنگره : COM A 32 عنوان : پیاده سازی یک سیستم تصمیم یار برای پیش بینی قیمت سهام با استفاده از روش های حافظه کوتاه مدت بلند با استفاده الگوریتم فرا ابتکاری بهینه ساز ازدحام ذرات عنوان موازی : Implementation of a decision support system for predicting stock prices using LSTM methods with PSO optimizer ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 70ص شابک/شاپا 24513 یادداشت پایان نامه کارشناسی ارشد : رشته مهندسی کامپیوترگرایش هوش مصنوعیو رباتیکز شناسه افزوده : کلینی ، مینا، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها شبکههای عصبی بازگشتی ، شبکه عصبی حافظه کوتاه مدت بلند ، الگوریتم فرا ابتکاری ازدحام ذرات ، پیش بینی قیمت سهام Recurrent Neural Networks, long Short Term Memory, Particle Swarm Optimizer metaheuristic algorithm, Stock price prediction
چکیده : در گذشته دور ، بازرگانان ، تاجران و صنعت گران دنیا به این نتیجه رسیدند که شراکت بهترین راه کاهش ضرر می باشد و از این رو برای مشخص شدن میزان مشارکت هر فرد در آن تجارت ، اوراق به وجود آمدند (تاریخچه پیدایش بورس در جهان ، کارگزاری مفید ، 2020). از آن تاریخ ، بازار های مالی همواره یکی از گزینه های خوب و آسان برای سرمایه گذاری می باشند. بازار سهام ، فارکس و بازار های ارز دیجیتال از جمله این بازار های مالی می باشند که برای سرمایه گذاری روی سهام شرکت های مختلف ، ارز های رایج کشور های مختلف و ارز های دیجیتال مناسب هستند. ولی پیش بینی قیمت یک سهام در موقعیت مناسب برای سرمایه گذاری در میان صدها سهام مختلف ، کار بسیار دشواری است. هدف این پایان نامه پیاده سازی یک سیستم تصمیم یار برای کمک در پیش بینی قیمت یک سهام یا ارز با استفاده از شبکه عصبی حافظه کوتاه مدت بلند که فراپارامتر های آن توسط الگوریتم بهینه ساز فرا ابتکاری ازدحام ذرات ، بهینه شده اند. داده های این پایان نامه از سایت yahoo finance و به صورت برخط دریافت شده است ، ولی روش پیشنهادی این پایان نامه می تواند با دیتا ست های برون خط و در قالب های زمانی ساعتی ، روزانه ، هفتگی و ... که شامل مقادیر پایانی هر شمع باشند نیز کار کند. نتایج بدست آمده ، برتری این روش نسبت به شبکه عصبی حافظه کوتاه مدت بلند ساده را نشان می دهد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13588 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24513 COM A 32 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت پیش بینی خطا در ماژولهای نرم افزاری با استفاده از شبکه عصبی مبتنی بر الگوریتم ازدحام ذرات (1398) / حسینی ، سیدمحمدرضا، نویسنده
نوع مدرک: متون چاپی سرشناسه حسینی ، سیدمحمدرضا، نویسنده ردهبندی کنگره : COM soft 36 1398 عنوان : پیش بینی خطا در ماژولهای نرم افزاری با استفاده از شبکه عصبی مبتنی بر الگوریتم ازدحام ذرات عنوان موازی : Prediction of error in software modules using neural network based on particle swarm algorithm ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1398 صفحه شمار: ب، 52ص شابک/شاپا 23771 یادداشت پایان نامه کارشناسی ارشد: مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها تست نرم افزار تشخیص ماژولهای خطادار داده کاوی الگوریتم ازدحام ذرات شبکه عصبی software soft testing detection offaulted phases data minin particle swarm optimization neural network چکیده : امروزه با توجه به رشد نرم افزارها از نظر اندازه و پیچیدگی، حفظ کیفیت بالای محصول نرم افزاری، یکی از مهمترین مشکلات پیشِ روی صنعت نرم افزار است. پیش بینی کنندههای خطا، ابزارهای مناسب و مقرون به صرفهای برای رفع این مشکل هستند. قابلیت اطمینان نرم افزار یکی از جنبههای ارزیابی کارایی سیستمهای نرم افزاری است. همچنین به عنوان یکی از نیازمندیهای غیر عملیاتی سیستمهای نرم افزاری محسوب میشود، به بیان دیگر قابلیت اطمینان نرم افزار یک میزان سنجش کیفیت نرم افزار است. به طور کلی به این میزانها، معیارها یا متریکهای نرم افزاری گفته میشود. در این تحقیق یک روش جدید برای شناسایی خطا در سیستمهای نرم افزاری با استفاده از تکنیکهای داده کاوی و در نتیجه آن رسیدن به اهدافی همچون کاهش زمان، کاهش هزینهها و در نهایت عملکرد بهینه سیستمهای نرم افزاری ارائه شده است. بدین منظور یک الگوریتم تشخیص خطا بر اساس الگوریتم بهینه سازی ازدحام ذرات و شبکه عصبی ارائه شده است. بر اساس این الگوریتم ترکیبی اوزان شبکه عصبی با استفاده از الگوریتم PSO تعیین میشود تا بتوان بر اساس این اوزان با کمترین خطا به تشخیص ماژولهای خطا دار در پایگاه دانش پرداخت. بر اساس نتایج ارائه شده الگوریتم پیشنهادی توانست از دقت بالایی برای تشخیص ماژولهای خطادار بپردازد که مقداری برابر با عدد 0.9076 بدست امده که در غالب نمودارها نمایش داده شد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12987 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23771 COM soft 36 1398 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت