پروژه و تمرین 5 - تمرین درس شناسایی آماری الگو (Feature Extraction & Clustering)

Feature Extraction & Clustering

این پروژه و تمرین مربوط به درس شناسایی آماری الگو می باشد سوالات مربوط به این تمرین و پروژه در ذیل مشاهده میکنید.

برای خرید پاسخ سوالات ّبصورت PDF و همچنین کدهای Matlab مربوط به سوالات میتوانید از لینک ذیل استفاده نمایید:

قیمت : ۵۰۰۰ تومان

نوشته های زیر برای افزایش سئو در سایت می باشد و به تمرین فوق ارتباطی ندارد.

Prove the following statement:

The pattern matrix of X is:

Use the following methods to cluster the pattern matrix and draw the
dendrogram in each case:
a) Single link algorithm (Min method)
b) Maximum link algorithm
c) Average link algorithm
d) Ward’s method

Find the linear orthonormal transformation from an n-dimensional X to an mdimensional Y by maximizing tr{Sh}.

find the linear orthonormal transformation from an n-dimensional X to an m-dimensional Y which maximizes

پروژه و تمرین 4 - تمرین درس شناسایی آماری الگو (Feature Selection & Linear Classification)

Feature Selection & Linear Classification

این پروژه و تمرین مربوط به درس شناسایی آماری الگو می باشد سوالات مربوط به این تمرین و پروژه در ذیل مشاهده میکنید.

برای خرید پاسخ سوالات ّبصورت PDF و همچنین کدهای Matlab مربوط به سوالات میتوانید از لینک ذیل استفاده نمایید:

قیمت : 5000 تومان

 

 

نوشته های زیر برای افزایش سئو در سایت می باشد و به تمرین فوق ارتباطی ندارد.

Given the following objective function, use SFS, SBS and “Plus-2 Minus-1 Selection” (LRS) to select 3 features

The density function of a two-dimensional random vector X consists of four

Let 􀜺(􀬵) and 􀜺(􀬶) be samples from 􀟱􀬵 and 􀟱􀬶respectively. The between-class scatter

an n-dimensional X to an m-dimensional Y which maximizes

Design a linear classifier by minimizing the mean-square error for the data given in the following Table, assuming P1 = P2 = 0.5.

Design a Perceptron linear classifier for the data given below

پروژه و تمرین 3 – تمرین درس شناسایی آماری الگو (Likelihood Estimation & Density Estimation)

Likelihood Estimation & Density Estimation

این پروژه و تمرین مربوط به درس شناسایی آماری الگو می باشد سوالات مربوط به این تمرین و پروژه در ذیل مشاهده میکنید.

برای خرید پاسخ سوالات ّبصورت PDF و همچنین کدهای Matlab مربوط به سوالات میتوانید از لینک ذیل استفاده نمایید:

قیمت : ۱۰۰۰۰ تومان

پروژه و تمرین 2 – تمرین درس شناسایی آماری الگو (Bayesian Decision Theory)

Bayesian Decision Theory

این پروژه و تمرین مربوط به درس شناسایی آماری الگو می باشد سوالات مربوط به این تمرین و پروژه در ذیل مشاهده میکنید.

برای خرید پاسخ سوالات ّبصورت PDF و همچنین کدهای Matlab مربوط به سوالات میتوانید از لینک ذیل استفاده نمایید:

قیمت : ۱۰۰۰۰ تومان

پروژه و تمرین 1 - تمرین درس شناسایی آماری الگو (Linear Algebra & Probability Theory)

Linear Algebra & Probability Theory

این پروژه و تمرین مربوط به درس شناسایی آماری الگو می باشد سوالات مربوط به این تمرین و پروژه در ذیل مشاهده میکنید.

برای خرید پاسخ سوالات ّبصورت PDF و همچنین کدهای Matlab مربوط به سوالات میتوانید از لینک ذیل استفاده نمایید:

گزارش شماره 3 - خوشه بندی آنلاین

Online Clustering

خوشه بندی آنلاین

فرمت  گزارش  : word ، PDF و پاورپوینت

تعداد صفحات گزارش : 50 صفحه

تعداد اسلایدهای پاورپوینت : 26

دانلود منابع گزارش به رایگان :

دانلود اصل مقاله – رایگان

دانلود اصل مقاله – رایگان

دانلود اصل مقاله – رایگان

قیمت : 32000 تومان

چکیده

خوشه­ بندی یکی از شاخه­ های یادگیری بدون نظارت می­باشد و فرآیند خودکاری است که در طی آن، نمونه ­ها به دسته ­هایی که اعضای آن مشابه یکدیگر می­باشند تقسیم می­شوند که به این دسته ­ها خوشه گفته می­شود. بنابراین خوشه مجموعه­ای از اشیاء می­باشد که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه­ های دیگر غیر مشابه می­باشند.

در این گزارش الگوریتم خوشه­ بندی آنلاین معرفی شده است، بدین صورت که با اضافه شدن یک نمونه جدید، از نیاز به آموزش مجدد دسته­ بندی کننده در هر بار اضافه شدن نمونه جدید به سیستم، جلوگیری می­کند. نمونه ­های جدیدی که به سیستم وارد می­شوند، از مزایای ساختار آموزش دیده قبلی استفاده خواهند کرد، و اضافه شدن این نمونه ­های جدید، نیازی به محاسبات تکراری نخواهد داشت.

در بخش اول این گزارش، خوشه بندی سلسله­ مراتبی آنلاین رو بحث خواهیم کردم و در بخش دوم یک روش برای بهبود الگوریتم خوشه­ بندی واحد آنلاین ارائه خواهد شد و در بخش سوم کاربرد خوشه بندی آنلاین بازگشتی در استخراج سلسله‌مراتبی ویژگی فضایی و زمانی مطرح می­نماییم.

کلمات کلیدی

خوشه ­بندی آنلاین، خوشه ­بندی بازگشتی، تشخیص الگو،استخراج ویژگی بدون ناظر، تکنیک­های سلسله مراتبی، الگوریتم های تصادفی، خوشه­بندی واحد

ترجمه شماره 14 - یک آشکارساز مخصوص برای استگانوگرافی انطباقی لبه تصویر بر مبنای LSB منطبق

فرA Special Detector for the Edge Adaptive Image Steganography
Based on LSB Matching Revisited

یک آشکارساز مخصوص برای استگانوگرافی انطباقی لبه تصویر بر مبنای LSB منطبق 

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 11 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15000تومان

چکیده

بر اساس آنالیز هیستوگرام های اختلاف مقدار پیکسل تصاویر پوششی و stego ، یک steganalyzer خاص برای steganography لبه های تصویر بر اساس تکنیک انطباق کم اهمیت ترین بیت EA-LSBMR ارائه شده است. این روش steganography امکان ایجاد نواحی لبه ای تیز تر را در تصاویر پوششی فراهم می کند تا اولا داده های سری را بتوان در آنها جای داد و ثانیا امنیت بالاتری را بدست آورد. این روش خاص با استفاده از ضعف steganography LSBMR EA- طراحی شده است. نتایج ازمایش نشان می دهد که این روش می تواند از EA-LSBMR steganography به خوبی دفاع کند.

ترجمه شماره 13 - همگرایی انحراف معیار برای استگانوگرافی تصادفی تصویر

Standard Deviation Converges for Random Image 
Steganography

همگرایی انحراف معیار برای استگانوگرافی تصادفی تصویر

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 15 صفحه

دانلود اصل مقاله – رایگان

قیمت : 20000 تومان

چکیده

ظهور اینترنت باعث افزایش مسائل ایمنی شبکه شد. پنهان کردن اطلاعات تبدیل به روشی برای استفاده در مورد اطلاعات محرمانه شد. با افزایش سرعت ظرفیت های محاسباتی همزمان در سخت افزار کامپیوتر، این روش برای اطمینان از امنیت اطلاعات مناسب نیست و در نتیجه تکنیک های مخفی کردن و سپس بیرون کشیدن اطلاعات مطرح شده است. steganography و نشانه گذاری دو تکنیک مخفی کردن اطلاعات هستند. در حالیکه steganography برای جاسازی اطلاعات حساس در فایل ها بکار می شود، نشانه گذاری برای حفاظت کپی رایت به کار می رود. ترکیبی از رمزنگاری و steganography سیستم های رمزی بسیار قوی ای را نتیجه می دهد. طول بیت برای جاسازی از طریق برخی شرایط معین تعیین        می شود و بااستفاده از کم اهمیت ترین بیت انجام می گیرد. نتایج ازمایشگاهی در زمینه ی BPP، ظرفیت جاسازی، و خروجی های stego نیز در این مقاله توجیهاتی ارائه می شود. این مقاله نسبت های تعیین کننده ی steganography را نیز پیش بینی می کند.

لغات کلیدی:

مخفی کردن دیتا، مخفی کردن اطلاعات، steganography تصادفی تصویر RIS، LSB اصلاح شده

ترجمه شماره 12 - استگانو گرافی تصادفی تصویر در دامنه ی فضایی

Random Image Steganography in Spatial Domain

استگانو گرافی تصادفی تصویر در دامنه ی فضایی

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : ۱۰ صفحه

دانلود اصل مقاله – رایگان

قیمت : ۱۵۰۰۰ تومان

چکیده

Steganography یک روش مخفی کردن اطلاعات در برخی واسطه ها می باشد. این مقاله به بررسی تکنیک های مختلف steganpgraphy بر اساس یک دامنه ی فضایی و با درنظر گرفتن مقادیر پیکسل در فرمت باینری تصویر می پردازد. دامنه ی فضایی بر اساس موقعیت فیزیکی پیکسل ها در تصویر است. به طور کلی تصاویر رنگی یا خاکستری هشت بیتی را می توان به عنوان یک پوشش برای مخفی کردن داده استفاده کرد. نمایش های ترکیب باینری دوباره ی این پیکسل ها برای مخفی کردن اطلاعات مناسب است. بیت های تصادفی از این بایت ها برای جایگزین کردن بیت های مخفی به کار می رود. همراه با این تکنیک ها، برخی روش های دیگر نیز ، بر اساس انتخاب پیکسل های تصادفی ازیک تصویر و داده های مخفی در بیت های تصادفی از این بیت های انتخاب شده ی تصادفی ارائه می شود. برای این منظور، بسیاری از پارامترهای یک تصویر در نظر گرفته می شود مانند موقعیت فیزیکی پیکسل ها، ارزش فزونی پیکسل و غیره.

لغات کلیدی:

steganography، LSB، ردیابی محل تصویر، اسکن تصادفی، مدیریت لی اوت (نقشه)

ترجمه شماره 11 - خوشه‌بندی سلسله‌مراتبی آنلاین

On-line hierarchical clustering

خوشه‌بندی سلسله‌مراتبی آنلاین

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 10 صفحه

دانلود اصل مقاله – رایگان

قیمت : ۱۵۰۰۰ تومان

 

چکیده

اکثر تکنیک‌های استفاده شده در ادبیات برای خوشه‌بندی سلسله‌مراتبی بر اساس عملیات آفلاین هستند. ایده‌ی اصلی این مقاله، پیشنهاد یک الگوریتم جدید برای خوشه‌بندی سلسله‌مراتبی آنلاین با یافتن k نزدیک‌ترین شی به هر شی معرفی شده تاکنون است و این k نزدیکترین شی به طور مداوم با رسیدن یک شی جدید بروزرسانی می‌شوند. در آخرین شی، ما اشیا و k نزدیکترین شی را داریم که مرتب شده‌اند تا دندوگرام سلسله‌مراتبی را تولید کنند. با استفاده از نتایج برنامه‌ی الگوریتم جدید بر روی داده‌های حقیقی و ترکیبی و استفاده از آزمایشات شبیه‌سازی، نشان می‌دهیم که تکنیک جدید کاملاً کاراست و از بسیاری جنبه‌ها، بهتر از روش‌های سلسله‌مراتبی آفلاین قدیمی است.