مدل‌سازی سیستم‌های بیولوژیکی
حسین بانکی کشکی؛ سیدعلی سیدصالحی
دوره 17، شماره 2 ، شهریور 1402، ، صفحه 100-110
چکیده
همآوایی نورونی بعنوان یکی از مهمترین پدیده‌های شناختی مغز انسان، در سال‌های اخیر مورد توجه پژوهشگران قرار گرفته است. پدیده همآوایی اغلب در مدلهای نورونی گسسته و پیوسته یا سیگنالهای تجربی ثبت‌شده از مغز مورد بررسی قرار می‌گیرد اما در این پژوهش، بر خلاف پژوهشهای قبلی، پدیده همآوایی برای نخستین بار در وزن‌های شبکه‌های ...
بیشتر
همآوایی نورونی بعنوان یکی از مهمترین پدیده‌های شناختی مغز انسان، در سال‌های اخیر مورد توجه پژوهشگران قرار گرفته است. پدیده همآوایی اغلب در مدلهای نورونی گسسته و پیوسته یا سیگنالهای تجربی ثبت‌شده از مغز مورد بررسی قرار می‌گیرد اما در این پژوهش، بر خلاف پژوهشهای قبلی، پدیده همآوایی برای نخستین بار در وزن‌های شبکه‌های عصبی مصنوعی در حال تعلیم مورد بررسی قرار گرفته است. یافتههای پژوهش نشان میدهد که همآوایی در وزن‌های این شبکهها، هم در حین یادگیری و هم در حالت بدون یادگیری اتفاق میافتد و از نوع همآوایی عمومی است. هم‌چنین با افزایش میزان یادگیری در شبکه، میزان همآوایی در وزنها نیز افزایش مییابد. در این پژوهش هم‌چنین روشی جدید برای تشخیص الگوهای همآوایی با استفاده از مشتق سیگنال و روش خوشهبندی سلسلهمراتبی ارائه میشود و یک شاخص نیز برای سنجش میزان همآوایی وزنها در لایههای مختلف شبکه عصبی معرفی میگردد. بررسی این شاخص نشان میدهد که وزن‌های لایههای نخستین شبکه در مقایسه با لایههای سطوح بالاتر بصورت معناداری همآوایی بیشتری دارند.
شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
حسین بانکی کشکی؛ سیدعلی سیدصالحی
دوره 15، شماره 3 ، آذر 1400، ، صفحه 199-209
چکیده
ارائه‌ی مدلهای نورونی جدید به منظور شبیه‌سازی پدیده‌های شناختی در مغز در سال‌های اخیر مورد توجه پژوهشگران قرار گرفته است. در این پژوهش مدل نورونی جدیدی مبتنی بر رفتار آشوب‌گونه‌ی وزن‌های شبکه‌های عصبی مصنوعی در حین یادگیری با استفاده از الگوریتم پس‌انتشار خطا ارائه شده است. این مدل نخستین مدل نورونی گسسته با قابلیت یادگیری ...
بیشتر
ارائه‌ی مدلهای نورونی جدید به منظور شبیه‌سازی پدیده‌های شناختی در مغز در سال‌های اخیر مورد توجه پژوهشگران قرار گرفته است. در این پژوهش مدل نورونی جدیدی مبتنی بر رفتار آشوب‌گونه‌ی وزن‌های شبکه‌های عصبی مصنوعی در حین یادگیری با استفاده از الگوریتم پس‌انتشار خطا ارائه شده است. این مدل نخستین مدل نورونی گسسته با قابلیت یادگیری است و توانایی بروز رفتارهای پیچیده و آشوبی را دارد. قابلیت یادگیری این امکان را به این مدل نورونی داده است که پدیده‌های شناختی مانند همآوایی نورونها را در شرایطی نزدیک به واقعیت شبیه‌سازی کند. مدل نورونی مذکور که از یک شبکه‌ی عصبی جلوسوی سهلایه به دست آمده، دارای جاذبهای همزیست متعددی است که یادگیری را در بستر جذبهای مختلف امکانپذیر میکند. بررسی پارامترهای مدل نشان داده که بایفورکیشن نه تنها با تغییر پارامتر ضریب یادگیری روی میدهد، بلکه تحریک بیرونی نیز میتواند به عنوان یک پارامتر کنترل باعث تغییر رفتار مدل و بایفورکیشن شود. بنابراین این مدل میتواند در طراحی و مدل‌سازی روشهای درمانی برای اختلالات شناختی مورد استفاده قرار گیرد.
بیوانفورماتیک / زیست‌داده‌ورزی
حسین بانکی کشکی؛ سیدعلی سیدصالحی؛ فاطمه زارع میرک‌آباد
دوره 11، شماره 3 ، آبان 1396، ، صفحه 219-230
چکیده
استفاده از توالیهای نوکلئوتیدی ژنوم به عنوان سیگنالهای بیوشیمیایی در روشهای یادگیری ماشین، با تبدیل این توالیها به کدهای عددی امکانپذیر است و این تبدیل باعث افزایش غیرواقعی بعد دادهها شده و انجام عملیاتهای تحلیل داده، مانند بصریسازی و استخراج ویژگی را با محدودیتهایی روبه‌رو میسازد. از این‌رو، باید با ...
بیشتر
استفاده از توالیهای نوکلئوتیدی ژنوم به عنوان سیگنالهای بیوشیمیایی در روشهای یادگیری ماشین، با تبدیل این توالیها به کدهای عددی امکانپذیر است و این تبدیل باعث افزایش غیرواقعی بعد دادهها شده و انجام عملیاتهای تحلیل داده، مانند بصریسازی و استخراج ویژگی را با محدودیتهایی روبه‌رو میسازد. از این‌رو، باید با استفاده از روشهای کاهش بعد، دادهها را به فضای واقعی برگرداند. در این پژوهش از یک شبکه‌ی عصبی عمیق اتوانکودر به منظور کاهش بعد دادههای توالی مربوط به جایگاههای پیوند روی ژنوم انسان استفاده شده است. به منظور بررسی میزان حفظ اطلاعات دادههای اصلی در دادههای کاهش بعد یافته، از یک طبقهبندی دوکلاسه به وسیله‌ی ماشین بردار پشتیبان استفاده میشود. نتایج به دست آمده نشان میدهد که اطلاعات تقریبا به طور کامل در فشردهسازی حفظ میشود. سپس از دادههای فشرده‌شده برای بصریسازی و هم‌چنین انتخاب ویژگی با تحلیل واریانس استفاده میشود. نتایج به دست آمده نشان میدهد که مکانهای اول، دهم و هشتم در توالیها دارای بیشترین اطلاعات هستند. درحالی‌که عمده‌ی پژوهشهای پیشین روی دادههای بیان ژن حاصل از میکروآرایه، متمرکز شدهاند و مقایسه‌ی محدودی بین روشهای کاهش بعد در آن‌ها انجام شده است. این مقاله برای نخستین بار، دادههای نوکلئوتیدی توالی را با شبکه‌ی اتوانکودر، کاهش بعد داده و مقایسه‌ی جامعی بین انواع روشهای کاهش بعد و یادگیری ماشین ارائه میدهد.
پردازش گفتار
محمدرضا یزدچی؛ سید علی سیدصالحی
دوره 1، شماره 3 ، آذر 1386، ، صفحه 201-213
چکیده
بازشناسی خودکار گفتار در شرایط عدم تطابق دادگان آموزش و آزمون، یکی از چالش های مهم در این مورد است. به منظور کاهش هر چه بیشتر این عدم تطابق، روش های مرسوم، سعی در بهسازی گفتار یا تطابق مدل آماری دارند. در این زمینه از جمله روش های دیگر می توان به آموزش مدل در شرایط مختلف اشاره کرد. موفقیت در این روش ها، در مقابل کارایی سیستم درک و بازشناسی ...
بیشتر
بازشناسی خودکار گفتار در شرایط عدم تطابق دادگان آموزش و آزمون، یکی از چالش های مهم در این مورد است. به منظور کاهش هر چه بیشتر این عدم تطابق، روش های مرسوم، سعی در بهسازی گفتار یا تطابق مدل آماری دارند. در این زمینه از جمله روش های دیگر می توان به آموزش مدل در شرایط مختلف اشاره کرد. موفقیت در این روش ها، در مقابل کارایی سیستم درک و بازشناسی در انسان بسیار ابتدایی به نظر می رسد. در مقاله حاضر با الهام از سیستم درک و بازشناسی در انسان، شبکه عصبی دو سویه جدیدی طراحی و پیاده سازی شده است. این شبکه قادر است تا با اتصالات بازگشتی ضمن مدل سازی دنباله واج نظیر کلمات مجزا، طی تکرارهای مختلف، دنباله واج استخراج شده از مدل صوتی را به دنباله واج مطلوب، اصلاح کند. برای این منظور پس از پیاده سازی روش مذکور بر روی 400 کلمه مجزا از دادگان فارس دات تلفنی، در بهترین حالت، افزایش %16.9 در صحت بازشناسی واج مدل صوتی مشاهده شد. تشکیل بستر جذب در این شبکه عصبی دو سویه، از مزایای این شبکه در برابر شبکه های عصبی تک سویه است. در ادامه، به کمک متوالی کردن مدل واژگانی مذکور با مدل صوتی، متغیرهای بازنمایی بر اساس روش های معکوس سازی شبکه های عصبی اصلاح گردید. بهسازی گفتار با این روش نتایج قابل ملاحظه ای در کاهش عدم تطابق دادگان آزمون و آموزش در پی داشت. در این مقاله کارایی مدل واژگانی و بهسازی گفتار در قالب افزایش صحت بازشناسی واج به میزان %18 نسبت به مدل صوتی نشان داده شده است.
