Hassan Khotanlou

Social networks have drastically changed how people obtain information. News in social net-works is accompanied by images and videos and thus receives more attention from readers as opposed to traditional ones. Unfortunately, fake news publishers often misuse these advantages to spread false information rapidly. Therefore, the early detection of fake news is crucial. The best way to address this issue is to design an automatic detector based on fake news content. So far, many fake news recognition systems including both traditional machine learning and deep learning models are proposed. Given that manual feature extraction methods are very time-consuming, deep learning methods are the preferred tools. This research aims to enhance the performance of existing approaches by utilizing an ensemble of deep learners based on attention mechanisms. To a great extent, the success of an ensemble model depends on the variety of its learners. To this end, we propose a novel loss function that enforces each learner to attend to different parts of news content on the one hand and obtain a good classification accuracy on the other hand. Also, the learners are built on a common deep feature extractor and only differ in their attention modules. As a result, the number of parameters is reduced efficiently, and the overfitting problem is addressed. Additionally, most research in automatic fake news detection is devoted to fully supervised setting. Given that the generation rate of news in social media is drastic and the labeling of a huge amount of data required by fully supervised models is expensive and time consuming, these models are not beneficial in real applications. To address this limitation, we extend our method for semi-supervised setting using effective augmentations, and a novel distribution-aware pseudo-labeling technique. The proposed augmentations enhance the robustness of learners and prevent overfitting effectively. Diverse learners are utilized to annotate the unlab

مقدمه: مطالعه سینرژی عضلانی روشی نوین جهت بررسی عملکرد سیستم کنترلی بدن انسان است. روشهای ریاضیاتی مختلفی جهت استخراج سینرژی عضلانی از دادههای الکترومایوگرافی بکار م یرود و این عامل میتواند باعث خروجیهای متفاوت در سینرژیهای عضلانی شود. همچنین خستگی عضلانی به عنوان متغیری تاثیر گذار بر ویژگیهای عصبی-عضلانی میتواند سینرژیها را تحت تاثیر قرار دهد. بنابر این هدف از این مطالعه بررسی سینرژیهای عضلانی قبل و بعد از خستگی عضلانی با استفاده از چهار روش مختلف استخراج سینرژی حین دویدن بود. روش: در این مطالعه نیمه تجربی، 12 دونده مرد شرکت کردند. فعالیت الکترومایوگرافی عضلات دوقلو، نعلی، درشت نی قدامی، راست رانی، پهن خارجی، پهن داخلی، نیم وتری و دوسر رانی طی دویدن ثبت شد. از پروتکل خستگی دوازده مرحلهای با استفاده از دوچرخه ثابت جهت ایجاد خستگی عضلانی استفاده شد. جهت استخراج سینرژی عضلانی از روشهای الگوریتم تجزیه ماتری س نامنفی ، آنالیز قدر مطلق مولفه اصلی ، آنالیز مولف ههای مستقل و آنالیز عاملی استفاده شد. از روش آماری همبستگی پیرسون جهت میزان شباهت الگوهای استخراج شده و .)P<0/ از آنالیز واریانس با اندازه گیری تکراری برای مقایسه وزن نسبی عضلات استفاده شد ) 05 یافته ها: الگوهای سینرژی عضلانی با استفاده از روشهای مختلف استخراج قبل و بعد از خستگی عضلانی، شباهت کم تا بالا را نشان دادند. زمان فعال سازی سینرژی عضلانی و نقاط پیک سینرژیها در قبل و بعد از پروتکل خستگی متفاوت بود. وزن نسبی عضلات پهن داخلی، پهن خارجی و دوقلو قبل از خستگی و عضلات راست رانی، پهن داخلی و پهن خارجی بعد از خستگی با استفاده از روش های مختلف استخراج از داده های الکترومایوگرافی بدست آمد. VAF سینرژی عضلانی به شکل معنی داری متفاوت بود. تعداد چهار سینرژی عضلانی توسط روش نتیجه گیری: با توجه به نتایج این پژوهش، مشاهده شد روشهای مختلف در استخراج سینرژ ی عضلانی م یتواند در تعداد سینرژی استخراج شده، الگوی سینرژیها و وزن نسبی عضلات، زمان فعال شدن سینرژیها و پیک سینرژی قبل و بعد از خستگی عضلانی تاثی ر زیادی داشته باشد و در نتیجه باعث ایجاد تفسیر متفاوت در مطالعات شود.

چکیده: امروزه منابع نوشتاری با سرعت بالایی در حال انتشار هستند و مقدار وسیعی از این منابع در ارتباط با نظرات و احساس های کاربران است به همین دلیل بررسی و تحلیل این گونه از نوشتار توجه بسیاری از محققان را به خود جلب کرده است. طراحی سامانه ای بر اساس ویژگی های زبان شناسی شناختی و ماشین های یادگیری از اهداف تعیین شده برای این رساله بوده است. بدین ترتیب در ابتدا پیکره ای احساسی تهیه شد که برگرفته شده از پیکره بی جن خان با تنوع متون نوشتاری است. پیکره تهیه شده با مقدار 23000 سند با طول 24 کلمه، پنج احساس غم، شادی، خشم، حیرت و ترس را شامل می شد. سپس ویژگی های شناختی از قبیل کلمات کلیدی، مفاهیم استعاری و کنایی احساسی، مقولات نحوی مرتبط با احساس معرفی گردید. در ادامه فهرستی نزدیک به 350 کلمه با بار معنایی احساسی به عنوان فهرستی از کلمات کلیدی مرتبط با احساس های گوناگون مشخص گردید. همچنین بر اساس کتاب اصطلاحات فرهنگ عامیانه (نجفی 1387) کتاب نجفی و استعاره های احساسی مطالعه شده در زبان فارسی، فهرستی نیز از استعاره ها و مفاهیم کنایی مرتبط با احساس تهیه گردید. به منظور تهیه فهرستی از مقولات نحوی مرتبط با احساس از برچسب زن نحوی خودکاری استفاده گردید و با استفاده از حد آستانه، مقولات نحوی مرتبط با احساس نیز تهیه گردید. در ادامه پس از مشخص شدن ویژگی های شناختی و توجه به حضور آن ها در جملات به روابط معنایی بین کلمات پرداخته شد. بدین ترتیب با استفاده از شبکه های عصبی مبتنی بر دروازهروابط معنایی کلمات استخراج شده و با ویژگی های شناختی ترکیب گردید. در بخش های بعدی با استفاده از الگوریتم های دسته بندی کننده نایوبیز، درخت تصمیم، ماشین بردار پشتیبانبه دسته بندی دادگان پرداخته شد. معیارهای ارزیابی دقت، بازخوانی، صحت و نرخ اشتباه برای ارزیابی عملکرد سامانه موردبررسی قرار گرفت. درنهایت نتایج به دست آمده نشان داد که ترکیب ویژگی های شناختی به همراه ویژگی های کسب شده از شبکه های عصبی یادگیری عمیق در بهبود عملکرد سامانه تأثیرگذار بوده است و نتایج به دست آمده میزان دقت بالاتری را نشان می دهد به نسبت هنگامی که این ویژگی ها به طور مجزا در دسته بندی احساس بکار می روند.

متن کاوی به مجموعه ای از مهم ترین تکنیک هایی گفته می شود که وظیفه تحلیل و پردازش داده های غیر ساخت یافته و نیمه ساخت یافته را بر عهده دارند. داده های غیر ساخت یافته و نیمه ساخت یافته هم اکنون چیزی حدود 80 درصد از داده های موجود در سطح جهان را تشکیل می دهند. امروزه درصد بسیار زیادی از شرکت های تجاری، صنایع و مؤسسات تحقیقاتی، حجم عظیمی از داده های متنی را جمع آوری و ذخیره سازی می کنند. با افزایش روزافزون حجم اطلاعات جمع آوری و ذخیره سازی شده، نیاز به پیاده سازی تکنیک هایی که بتوانند داده ها را تحلیل، دانش موجود در آن ها را استخراج و منابع متنی را جهت به کارگیری در حوزه های مختلف مدل سازی کنند، به شدت احساس می شود. متن کاوی، ابزارها و روش های لازم را برای پردازش، تحلیل، شناسایی و مدل سازی ساختارهای دانش و منابع متنی در اختیار شرکت های تجاری و محققان حوزه پردازش اطلاعات قرار می دهد. در رساله پیشنهادی یک معماری متن کاوی چندمنظوره ارائه شده است. قابلیت های تعبیه شده برای معماری متن کاوی پیشنهادی از طریق یکپارچه سازی دانش ساخت یافته آنتولوژی، پایگاه های دانش ساخت یافته و روش های یادگیری ماشین در مدل پیشنهادی حاصل می شود. اولین قدم در پیاده سازی یک معماری متن کاوی، استخراج ویژگی ها و ساختارهای اطلاعاتی موجود در داده های متنی است. برای چنین کاری یک واحد پیش پردازش معنایی داده های متنی پیاده سازی شده است. وظیفه این واحد استخراج محتوای اطلاعاتی داده های متنی و الگوهای ساخت یافته موجود در آن ها است. یکی از معضلاتی که برخی از سیستم های متن کاوی با آن ها دست وپنجه نرم می کنند، کمبود محتوای اطلاعاتی در اسناد متنی است. در چنین حالتی، روش های مبتنی بر دانش و یادگیری ماشین نیاز است تا محتوای اطلاعاتی مرتبط با منابع متنی شناسایی شوند. در این رساله از یک واحد بدیع جهت غنی سازی محتوای متنی استفاده شده است. در این واحد، دانش ساخت یافته آنتولوژی و پایگاه دانش و ساختارهای اطلاعاتی حاصل از مدل های یادگیری ماشین به طور کامل یکپارچه سازی شده است. در این رساله، دو روش وزن دهی ترکیبی به نام امتیاز برجستگی و امتیاز مشارکت جهت کاهش ابعاد فضای مسئله و شناسایی مفاهیم و ساختارهای اطلاعاتی که مهم ترین نقش را در انتقال زمینه محتوایی اسناد متنی دارند پیاده سازی شده است. قابلیت های تعبیه شده در این روش

درس تاسیسات مکانیکی

چکیده: بسیاری از ویدیوهایی که انسان ها را به تصویر می کشد، دارای فعالیت هایی است که بین انسان ها وجود دارد و نشان گر فرهنگ و رابطه بین آن هاست. با پیشرفت تشخیص کنش های انسان در ویدیو، محققان به شناخت و پیش بینی تعامل انسان- انسان به طور خودکار پرداخته اند. هدف از پیش بینی تعامل تشخیص زود هنگام تعامل قبل از انجام کامل آن است. که در بازیابی ویدیو بر اساس محتوا، تعامل انسان و کامپیوتر و امنیت و نظارت کاربرد دارد. اما این موضوع هنوز یک مسئله چالش برانگیز است، که این چالش می تواند ناشی ازتغییرات تصویر، نحوه اجرای متفاوت افراد در انجام یک تعامل و .. باشد. روش های موجود در این حوزه بر اساس ویژگی به ویژگی های دستی و ویژگی های یادگرفته شده تقسیم می شوند. ویژگی های یاد گرفته شده تا حدودی چالش های تنظیمات ضبط، ظاهر فرد، اندازه تصویر و نقطه دید را کاهش داده اند. انتظار ما این است که استفاده از استخراج ویژگی یادگرفته شده در مدل های پیشنهادی می تواند چالش ها را تا حد امکان کاهش دهد. در اولین مدل پیشنهادی به نام Dual-Actor CNN از دو شبکه همسان برای استخراج ویژگی های دو فرد در حال تعامل استفاده شده است. که این مدل به علت استفاده از شبکه های همسان و به اشتراک گذاری وزن ها باعث می شود چالش جهت و نقطه دید انجام کنش حل شود. در روش پیشنهادی دیگر مسئله در قالب سری زمانی به نام DTW-CNN مدل می شود، فرض بر این است که استفاده از روش روش پیچ وتاب زمانی پویا بتواند بر چالش نرخ زمان اجرای تعامل غلبه کند. از آنجایی که انجام هر کنش یا تعامل ماهیتی فازی دارد و نمی-توان حرکت مشخصی برای تعریف آن در نظر گرفت، استفاده از روش فازی می تواند باعث افزایش دقت تشخیص تعامل شود، در مدل پیشنهادی Fuzzy-Relation CNN از حرکات افراد در ویدیو دو تصویر فازی ساخته می شود که شامل حرکات افراد در حال تعامل است. این تصاویر ایجاد شده اطلاعات پیش-زمینه و نا مرتبط به تعامل را حذف می کند و تغییرات مهم حرکت افراد را با توجه به زمان آن را نگه میدارد. سپس از تصویر ایجاد شده ویژگی استخراج می شود. سه مدل بر روی مجموعه داده های TV human interaction، BIT و UT ارزیابی شده اند. نتایج نشان می دهد که دقت این مدل ها برای پیش-بینی تعامل نسبت به روش های پیشین بالاتر بوده و در بین این سه مدل روش Dual-Actor دقت بالاتری داشته است.

تمامی مطالعات ذکر شده بر ریسک های مختلف مواجهه با صدا صحه گذاشته اند، اما الگوی ارتباطی فراگیری که روند تاثیر عوامل(استرسور) را با استرس ها و استرین های ایجاد شده شامل اثرات شنیداری و غیر شنیداری فیزیولوژیک و سایکو-فیزیولوژیک با ارائه یک مدل قابل تعمیم نشان دهد، در دست نیست. لذا، تدوین و ارائه یک روش تجربی بهینه که بتواند ریسک مواجهه شاغلین با صدا را با در نظر گرفتن پتانسیل های خطر در محیطهای صنعتی تخمین زده و در مقایسه با روشهای سنجش کمی، ارزیابی دقیقتری ارائه نماید، لازم و ضروری به نظر می رسید. این پژوهش با هدف تدوین و ارائه روش تجربی جهت برآورد ریسک مواجهه با صدا در محیطهای صنعتی بسته با بهکارگیری تکنیک های هوش مصنوعی و آماری انجام گردید.

یکی از پژوهشهای مهم در زمینه رباتیک توسعه روشهای پیشرفتهای است که رباتها را قادر میسازد تا در محیطهای کارآمدی و رفتار ، حفظ ایمنی ، مشترک با انسان کار کنند. یک الزام اساسی برای رفتار رباتها در محیطهای انسانی پیمایش محیط با توجه به الزامات گفتهشده است. پیمایش اجتماعی ، اجتماعی قابلقبول است. از مهمترین وظایف اولیه محیط نیازمند دید کلی نسبت به محیط اطراف است که با استفاده از آن افراد در محیط اطراف تشخیص داده شده و رهگیری شوند. از اطلاعات بهدستآمده از مرحله تشخیص و رهگیری که شامل موقعیت و مسیر افراد است، برای پیشبینی حرکت افراد در محیط استفاده میشود. سپس تعامل بین افراد در محیط بر اساس موقعیت، مسیر و پیشبینی حرکت افراد تشخیص از اطلاعات استخراجشده افراد و تعاملهای آنها برای مدلسازی اجتماعی محیط اطراف و ، داده میشوند. درنهایت برنامهریزی مسیر مبتنی بر این مدل بهره گرفته میشود. مجموعه این وظایف ربات را قادر میسازد تا به صورت ایمن و سازگار با قوانین اجتماعی در محیطهای انسانی پیمایش کند. تعامل مکانی ربات و انسان مبتنی بر اطلاعات کسبشده از محیط انجام میشود. امروزه کمابیش تمامی رباتها مجهز به سنسورهای فاصلهیاب هستند و استفاده از آن نیاز به اعمال تغییری در ربات نخواهد داشت. مهمترین نوع سنسور فاصله یاب، سنسورهای لیزر هستند که قادرند اطلاعات فاصلهای دقیق و سریع از محیط اطراف فراهم کنند. از این رو، در این تمرکز شده ، پایاننامه بر پیمایش اجتماعی محیط با استفاده از دادههای بهدستآمده از لیزر که ابرنقطه نامیده میشوند مرحله انطباق ابرهای نقطه، تشخیص و رهگیری افراد 4 است. چارچوب پیمایش اجتماعی محیط مبتنی بر دادههای لیزر به پیشبینی حرکت افراد، مدلسازی و برنامهریزی اجتماعی محیط تقسیم میشوند. در این پژوهش هر یک ، در محیط اطراف از مراحل چارچوب معرفیشده برای پیمایش اجتماعی محیط به صورت مجزا مورد بررسی قرار گرفته است و سعی شده تا عملکرد هر مؤلفه با ارائه یا توسعه رویکردهای مرتبط بهبود داده شود. در مرحله انطباق ابرهای نقطه یک بررسی کامل و جامع بر روی روش انطباق تکرار نزدیکترین نقطه و توسعههای آن جهت انتخاب بهترین معماری صورت گرفته است .در همین راستا، یک روش پیشنهادی مبتنی بر ویژگی حفظ صلبیت تغییرات ابرهای نقطه، برای ارتقا عملکرد کلی الگوریتم تکرار نزدیکترین نقطه ارائه شده است. روش پیشنهادی با د

موضوع این پایان نامه، استفاده از عملگر دل (Del operator) برای انتقال یک تصویر از میدان عددی به برداری است. در پردازش تصویر، روشی که بتواند یک تصویر را از میدان عددی به برداری برده و به میدان عددی بازگرداند وجود ندارد. به عبارتی دیگر، یکی از چالش هایی که در پردازش تصویر وجود دارد این است که هرچند روش های مبتنی بر گرادیان به نظر تصویر را به فرم برداری درمی آوردند، اما این تنها در کاربردهایی از آن صادق است که نیاز به بازسازی تصویر نباشد. در مواردی که نیاز به بازسازی تصویر باشد، در عمل این روش ها از تصویر لاپلاس می گیرند تا بتوانند به کمک حل معادله ی پواسن به فضای تصویر برگردند. اما عمل لاپلاس گیری فضای تصویر را از میدان عددی به برداری نمی برد، بلکه در همان میدان عددی مانده و فقط دامنه ی آن تغییر می کند. بنابراین این روش ها تنها در حالتی که نیاز به بازگشت به میدان عددی نباشد می توانند از مزایای میدان برداری بهره ببرند و در حالتی که تصویر نیاز به بازسازی دارد، از هیچ یک از اطلاعات، دست کاری ها، و تبدیل هایی که فقط در میدان برداری معنی دارند نمی توانند استفاده کنند. راهکار ارائه شده در این پایان نامه برای تغییر میدان از عددی به برداری، کمک گرفتن از دیفرانسیل ریاضی است. بر اساس دیفرانسیل، یک تصویر دیجیتال (که با آن مانند یک ماتریس عددی رفتار می شود)، در دو راستای افقی و عمودی تحت تأثیر عملگر دل قرار می گیرد و تبدیل به یک ماتریس برداری می شود. درنتیجه، تصویر تبدیل یافته دارای هندسه، اندازه و اطلاعات کاملاً متفاوتی نسبت به تصویر اصلی است، زیرا عملگر دل تصویر را از میدان عددی به برداری تبدیل می نماید. برای بررسی صحت و کارایی این تبدیل، تعدادی از کاربردهای پردازش تصویر نیز در این پایان نامه ارائه شده و مورد ارزیابی قرارگرفته اند. ازجمله ی این کاربردها می توان به قطعه بندی تصویر، آمیختگی تصویر، معیار ارزیابی عینی تصویر، تکمیل سازی تصویر و ویرایش تصویر اشاره نمود. روش های تبدیل تصویر که تاکنون ارائه شده اند مبتنی بر تبدیل دامنه اند و به موجب آن ها تصویر همچنان در میدان عددی باقی می ماند؛ اما هدف این پایان نامه تبدیل تصویر از میدان عددی به میدان برداری است. نتیجه گیری آن که، تبدیل تصویر از میدان عددی به برداری منجر به دسترسی گسترده ای از اطلاعات، تبدیل های خطی و غیرخطی و تغییراتی

مقدمه و هدف: بی ثباتی مزمن مچ پا، شایع ترین عارضه بعد از پیچ خوردگی حاد اولیه است که حدود 60-15 درصد افراد آن را تجربه می کنند. هدف پژوهش حاضر پیش بینی فاکتورهای حسی حرکتی مؤثر بر میزان ناپایداری مزمن مچ پا در زنان ورزشکار نخبه و ارائه مدل با رویکرد شبکه عصبی بود. روش شناسی تحقیق: روش این مطالعه همبستگی و از نوع Case Control بوده، 25 ورزشکار آسیب دیده و 25 ورزشکار سالم با استفاده از مقیاس های FADI و فرم ورزشی FADI و نیز مقیاس سنجش میزان ناپایداری سایمون انتخاب و در مطالعه وارد شدند. فاکتورهای حسی-حرکتی پیش بین آسیب ناپایداری مزمن مچ پا شامل دامنه حرکتر دورسی فلکشن در تحمل وزن، ثبات ناحیه مرکزی، تعادل ایستا و پویا، فعالیت فیدبکی و فید فورواردی عضلات (دوقلو خارجی، تیبیالیس قدامی، نازک نئی بلند، نعلی، سرینی میانی و سرینی بزرگ) در مهارت فرود روی دستگاه سوپیناتور و پیچش ناگهانی مچ پا، هم انقباضی عضلات اطراف مفصل مچ پا در حین پیچش مچ پا پس از فرود روی دستگاه سوپیناتورمورد سنجش قرار گرفتند. جهت ارزیابی دامنه حرکتی دورسی فلکشن در تحمل وزن از اینکلاینومتر، جهت ارزیابی تعادل پویا از تست ستاره اصلاح شده، جهت ارزیابی تعادل ایستا از بایودکس و نهایتاً جهت ارزیابی فعالیت الکترومیوگرافی عضلات از دستگاه الکترومیوگرافی سطحی استفاده شد. جهت پیش بینی اثرگذاری فاکتورهای حسی-حرکتی بر وقوع اسپرین مزمن از آمار رگرسیون لجستیک استفاده گردید که سطح معناداری آزمون ها 05/0 در نظر گرفته شد. همچنین از شبکه عصبی جهت تعیین مدل پیش بینی اسپرین مزمن استفاده گردید. نتایج: نتایج این پژوهش نشان داد که مدل رگرسیونی 5/89% موردها را به طور صحیح طبقه بندی کرد که در این بین تنها متغیرِهای " فعالیت فیدفورواردی عضله تیبالیس قدامی، تعادل پویا و فعالیت فیدبکی پرونئوس لانگوس" سهم یگانه معنادار آماری در مدل داشتند. تعادل پویا دارای ضریب احتمال 86/0، ضریب احتمال برای شاخص فعالیت فیدفورواردی عضله تیبالیس قدامی 75/0 و ضریب احتمال برای شاخص فعالیت فیدبکی عضله پرونئوس لانگوس 95/0 بود. نتایج شبکه عصبی مصنوعی نیز نشان داد؛ ضرایب رگرسیون برای داده های آموزش، اعتبارسنجی و تست در شبکه ای با یک لایه پنهان و پنج نرون در این لایه به ترتیب 1، 503/0، 863/0 می باشد که نشان دهنده کارایی شبکه در پیش بینی ناپایداری مچ پا بوده و 6/93