هدف از کلاسه بندی قوانین استخراجی، استخراج کردن مجموعه کوچکی از قوانین است تا یک کلاسه بند دقیق ساخته شود. الگوریتم های استخراج قانون مانند Apriori [61] و FPgrowth [15، 16] بکار

در داده های جریانی[1]، نمونه ها به مرور زمان دریافت می شوند در حالیکه تعداد ویژگی ها ثابت می باشد. اما در ویژگی های جریانی، تعداد داده های یادگیری ثابت می باشد

مفهوم الگوهای نوظهور برای استخراج دانش از پایگاه داده ها توسط Dong و Li پیشنهاد شده است تا تغییرات قابل توجه بین کلاس ها را به تصویر بکشند [1]. یک الگوی نوظهور،

 کلاسه بندی[1] یکی از وظایف اساسی در داده کاوی[2] است که بطور وسیعی در زمینه یادگیری ماشین[3]، شبکه های عصبی[4] و تشخیص الگو[5] مورد مطالعه واقع شده است. ورودی، مجموعه ای از

تاریخچه هوش مصنوعی توانایی یادگیری منحصر به سیستم‌های زنده نیست بلکه در مدل‌های شبکه عصبی نیز قابل دسترس است. گرچه مفهوم یادگیری ماشین‌ برخلاف باورهای معمول ما از کامپیوترها است، زیرا اغلب

2-2-1- حسون معمولي(Bloch, 1795) Saurida tumbil خانواده: كيجار ماهيان نام فارسي: حسون معمولي مشخصات: – بدن كشيده و لوله‌اي شكل. – چندين رديف دندان در هر دو فك كه حتي هنگام بسته

خلیج‌فارس بین 24  تا 30 درجه و 30 دقیقه عرض شمالی و 48 تا 65 درجه و 30 دقیقه طول شرقی از نصف النهار گرینویچ قرار گرفته است. طول خلیج‌فارس بیش از

پیاده سازی یک سیستم ERP از فعالیت هایی است که عموماً چالش برانگیز است. از یکسو بازه زمانی فرآیند پیاده سازی ممکن است از یک تا پنج سال بطول بیانجامد و از

تعریف: سیستم برنامه ریزی منابع سازمان، نرم افزارهایی هستند که به سازمان ها کمک می کنند تا جریان اطلاعات و فرآیندهای کسب و کارشان را یکپارچه نمایند. آن ها عمدتاً از طریق

دیدگاه حوزه فرکانس از اعوجاج­های موجود در تصاویر LR  به منظور بازسازی تصویر HR استفاده می­کند. تی­سای و هانگ [24] ، ابتدا رابطه­ی بین تصویر وضوح بالا را با تصاویر کم وضوح

الگوريتم اجتماع ذرات يك الگوريتم بهينه سازي تقليدي از رفتارهاي جوامع جانوري در پردازش دانش جامعه است. اين الگوريتم PSO از دو زمينه ريشه گرفته است . نخست زندگي مصنوعي (مانند دستة

شناسایی علایم ترافیکی بخشی از موضوع گسترده تری تحت نام ” شناسایی الگو“[1] است.مشکل اصلی در شناسایی الگو،  دشواری شناسایی مشخصه الگو(templates) است. بعنوان مثال برنامه ای را در نظر بگیرید که 

الگوريتم هاي آموزشي متنوعي جهت آموزش شبكه هاي عصبي به كار گرفته شده است. از مهم ترين الگوريتم هاي آموزشي مي توان از الگوريتم پس انتشار(back propagation)نام برد. در الگوريتم پس انتشار

یکی از مشکلات اساسی، که در شناخت اشیا وجود دارد ، این است که شکلها از نظر موقعیت قرارگیری ، چرخش ، بازتاب و غیره در حالت های مختلفی قرار میگیرند. •

در این رویکرد، مشکلاتی از قبیل رنگ و شکل علامت ترافیکی با استفاده از کدگذاری دستی حل شده است. این دانش با استفاده از یادگیری ماشین ، عمل اکتشاف را انجام میدهد.پژوهشی

واضح است که ترکیب اطلاعات رنگ وشکل،اطلاعات خوبی را در اختیار سیستم آشکارسازی علایم ترافیکی مهیا می کند. اطلاعاتی که از شکل به دست می آید، بهمان اندازه اطلاعاتی که از رنگ

رنگها نقش پررنگی را در سیستمهای آشکارسازی علامت ترافیکی را ایفا میکنند، با این حال شناسایی اشکال نیز مورد استفاده گروههای تحقیقاتی فراوانی می باشد.معمولا تکنیکهای آشکارسازی علامت ترافیکی بر اساس شکل،

برای درک اینکه بدانیم چرا بعضی از فضاهی رنگی به نور حساس است و برخی دیگر خیر؛ باید بطور خلاصه نظریه فضاهای رنگی را توضیح دهیم. فضای رنگی با استفاده از یک

همانطور که قبلا گفتیم شناسایی علایم ترافیکی در دومرحله آشکارسازی علامت وشناخت علامت انجام می شود.محققانی که در مرحله آشکارسازی علایم ترافیکی فعالیت میکنند به چهار گروه تقسیم میشوند:  گروه اول

اکثریت قریب به اتفاق روشهایی که برای شناسایی علایم ترافیکی مورد استفاده قرار میگیرند حداقل شامل دو مرحله میباشند.که یکی از آنها بمنظور آشکارسازی علایم ودیگری کلاس بندی علایم میباشد.در کل وظیفه

در مرحله آشکارسازی علامت روی تصویر پیش پردازش انجام می گیرد و بخش بندی تصویر با توجه به خصوصیات رنگ واشکال ، انجام می گیرد. هر کدام از این بخش ها حاوی