بهبود شناسایی آرم در سند های تصویری مبتنی بر الگوریتم ژنتیک به همراه کدهای نوشته شده در MATLAB

اختصاصی از یارا فایل بهبود شناسایی آرم در سند های تصویری مبتنی بر الگوریتم ژنتیک به همراه کدهای نوشته شده در MATLAB دانلود با لینک مستقیم و پرسرعت .

بهبود شناسایی آرم در سند های تصویری مبتنی بر الگوریتم ژنتیک به همراه تمامی کدها و الگوریتم های نوشته شده در نرم افزار MATLAB و تمامی مقالات زبان اصلی مورد استفاده

چکیده

تشخیص آرم یکی از راه های تشخیص منابع اسنادو اطلاعاتی درباره یک سند می باشد.در این مقاله شناسایی و تشخیص آرم ها در تصاویر متنی بیان می شود.بدین صورت که ابتدا تصاویر به سگمنت هایی تقسیم شده ، توسط فاز تشخیص آرم، برای هر سگمنت ویژگی هایی بر پایه آمار اولیه در مورد مؤلفه های پیکسل های سیاه درون هر بخش محاسبه می شود.با استفاده از این ویژگی ها، شبکه عصبی تکاملی بر پایه الگوریتم ژنتیک، سگمنت ها را بر اساس احتمال وجود آرم یا عدم وجود آن دسته بندی می نماید.در نهایت  در مجموعه انتخابی به عنوان مجموعه آرم ها، فاز انطباق آرم به کمک ویژگی های هندسی  محلی  و مستقل  انجام می شود. نتایج نشان می دهد که استفاده از شبکه عصبی تکاملی به منظور شناسایی آرم، با ارائه نتایج مطلوب به عنوان دستاوردی جدید در کنار دیگر روش ها قابل استفاده می باشد.

کلمات کلیدی: استخراج ویژگی ، الگوریتم ژنتیک، تابع ارزیاب، شبکه عصبی تکاملی

1- مقدمه

  مسئله تشخیص آرم از گرایش های بزرگ در حوزه سند خصوصا برای پایگاه داده ها می باشدو مزیت آن امکان بالقوه اش برای تشخیص منابع اسنادوکلی گویی اش برای مسئله تشخیص واطلاعات معنایی در مورد متن است.در زمینه کاربرد سندهای تصویری، تشخیص آرم های مشابه با دو شیوه قابل انجام است .

اول- سندی که شامل یک آرم باشد را به عنوان ورودی وارد نموده و سیستم ، آرم را به عنوان یکی از اعضای مجموعه کوچک آرم های شناخته شده  یا به عنوان آرمی که در حال حاضر در پایگاه داده موجود نیست ، طبقه بندی می کند.

دوم -آرم خاصی را (شناخته شده یا شناخته نشده) در پایگاه داده ای از اسناد اندیس گذاری نموده و اسنادی که شامل آن آرم باشند را استخراج می نماید. نمونه ای از یک سندتصویری در شکل1 نشان داده شده است.مسئله شناسایی آرم را می توان در سه مرحله تقسیم بندی نمود]2,1[:

1- بخش بندی1 : تصویر سند به تصاویرکوچکتری که شامل ارتباطات منطقی بخش هایی از سند می باشد، تقسیم می شود.

2- تشخیص آرم2 : ویژگی هایی از بخش ها استخراج می شوند سپس در دسته بندی بخش ها، بر پایه اینکه احتمالا شامل آرم هستند یا خیر،استفاده می شوند.

3-انطباق آرم3:مجموعه منتخب آرم هادر فاز2 با پایگاه داده شامل کلیه آرم هاانطباق پیدا می کنند تا آرم دقیقا شناسایی و تعیین شود. در اکثر کاربردها هدف نهایی فاز سوم می باشد]5-2[.

ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

متن کامل را می توانید در ادامه دانلود نمائید

چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است

دانلودپایان نامه بهبود عملکرد سازمان شرکت آب و فاضلاب منطقه ای از تهران

اختصاصی از یارا فایل دانلودپایان نامه بهبود عملکرد سازمان شرکت آب و فاضلاب منطقه ای از تهران دانلود با لینک مستقیم و پرسرعت .

پایان نامه بهبود عملکرد سازمان ( شرکت آب و فاضلاب منطقه ای از تهران )

فهرست مطالب
2 -1- ضرورت تحقیق    6
1- اهداف تحقیق    8
4- 1- فرضیه های تحقیق    8
فرضیه ها    8
5- 1- قلمرو مکانی تحقیق    9
موضوع فعالیت شرکت    9
مرکز  و حوزه عملیات شرکت    9
سرمایه و سهامداران    10
اهداف و مأموریت های شرکت    10
اهداف    11
فصل دوم ادبیـات تحقیق    12
1-2- عملکرد    13
2- 2- ارزیابی عملکرد :    14
3-2- تاریخچه ارزیابی عملکرد :    16
4-2- ارزیابی عملکرد در ایران    19
5-2-  مبانی طراحی سیستم ارزیابی عملکرد    20
6-2- اجزای یک سیستم ارزیابی عملکرد    21
7-2- ویژگی های سیستم ارزیابی عملکرد    21
8-2-  شاخص های ارزیابی عملکرد    23
1-8-2- طبقه بندی شاخص های ارزیابی عملکرد    24
2-8-2- ویژگیهای شاخص های ارزیابی عملکرد    25
9-2- مزایای ارزیابی عملکرد سازمان    28
11-2- سیستم های ارزیابی عملکرد    29
1-11-2- سیستمهای ارزیابی عملکرد سنتی    29
2-11-2- سیستمهای ارزیابی عملکرد نوین    31
3-11-2- مقایسه دیدگاههای سنتی و نوین در ارزیابی عملکرد    33
12-2- مدلهای ارزیابی عملکرد    35
1-12-2- مدل جایزه دمینگ    35
2-12-2- مدل مالکوم بالدریج    38
مراحل و قدمهای اجرایی    40
3-12-2-  مدل PIPE    41
شکل شماره 2-2- طراحی و اجرای یک سیستم اندازه گیری عملکرد    42
شکل شماره 3-2- بخش های مختلف طراحی یک سیستم اندازه گیری    43
تهیه نقشه فرآیند    45
تعیین شاخصهای اندازه‌گیری عملکرد    46
4-12-2-  مدل  EFQM    47
ویژگیهای مدل    47
کلیات مدل    49
منطقRADAR    50
بکارگیری منطق RADAR    51
حوزه های مدل    52
5-12-2- مدل ارزیابی متوازن    53
روش ارزیابی متوازن چیست؟    56
منظر یادگیری و رشد    57
1- منظر مالی    59
2- منظر مشتری    59
3- منظر فرایندهای داخلی کسب و کار    60
1- توازن بین سنجه های مالی و غیرمالی (از لحاظ اهمیت)    62
2- توازن بین ذینفعان داخلی و خارجی سازمان    62
3- توازن بین اهداف بلندمدت و کوتاه مدت    63
4- توازن بین شاخصهای هادی و تابع عملکرد    63
13-2- انتخاب الگوی مناسب    63
وجوه شباهت بین EFQM و BSC    64
وجوه تفاوت بین EFQM و BSC    65
جدول 2-2- تفاوت های مدل EFQM و BSC    68
جدول 3-2- تعیین مدل پیشنهادی    69
14-2-  تاریخچه و پیشینه تحقیق :    70
1-14-2- تحقیقات داخلی    70
2-14-2-  تحقیقات خارجی    73
15-2- چارچوب نظری تحقیق    75
فصل سوم متدولــوژی تحقیق    79
1-3- نوع تحقیق    80
2-3- ابزار اندازه گیری    81
3-3-پایایی آزمون     82
4-3-  روایی آزمون      83
5-3- جامعه آماری    83
6-3- آزمون های آماری    85
1-6-3-آزمون دوجملهای    85
2-6-3-آزمون مربع  کای پیرسون    86
فصل چهـارم    89
تجزیه و تحلیل یافته‌های تحقیق    89
مقدمه    90
1-4- ویژگیهای دموگرافیک    91
سابقه مدیریتی افراد در شرکت    92
سابقه فرد در پست مدیریت فعلی    92
تحصیلات پاسخگو    93
الف- جامعیت    95
ب- انعطاف‌پذیری    96
ج- مقبولیت سازمانی    96
د- قابلیت پیش‌بینی    97
2-4-آزمون فرضیات و پاسخ به سوال‌های تحقیق    98
جدول 10-4  نتایج آزمون فرضیه ها با استفاده از روش آزمون دو جمله ای    100
جداول دو بعدی    101
جدول 13-4- آزمون شفه    102
آزمون تحلیل مولفه های اصلی    103
تعریف و ویژگی های مولفه های اصلی    104
نمودار شماره 1-4- نمودار مقادیر ویژه معنی داری شاخص جامعیت    106
نمودار شماره 2-4- نمودار مقادیر ویژه معنی داری شاخص مقبولیت    110
فصل پنجم نتیجه‌گیری و پیشنهادهای تحقیق    112
مقدمه    113
1-5- بحث و نتیجه‌گیری:    115
2-5- محدودیت‌های تحقیق    116
- محدودیت مکانی تحقیق    116
3-5- پیشنهادهای تحقیق    118
پیشنهادهایی برای تحقیقات آینده:    121
منابع و مأخذ :    123
شاخص اثربخشی نیروی انسانی    128
شاخص بازده دارایی    129
شاخص سود (زیان) ناخالص    130
شاخص سود (زیان) عملیاتی    131
شاخص بهره وری نیروی انسانی    133
شاخص رشد بازار    135
شاخص ارزش افزوده    136
شاخص بازده سرمایه در گردش    137
فصل اول کلیـات تحقیق

نقش رژیم غذایی در بهبود اختلالات خلقی و عاطفی 10ص

اختصاصی از یارا فایل نقش رژیم غذایی در بهبود اختلالات خلقی و عاطفی 10ص دانلود با لینک مستقیم و پرسرعت .

10 ص

نقش رژیم غذایی در بهبود اختلالات خلقی و عاطفی

نتایج ارزیابی ها نشان می دهد تغییرات ساده در رژیم غذایی افراد، می تواند تأثیر عمده ای در بهبود افسردگی ، اضطراب و اختلالات خلقی بگذارد، به نحوی که این گونه افراد نیاز مداوم به داروهای ضدافسردگی نخواهند داشت . البته محققان اعتقاد دارند جهت پیشبرد درمان ، بهتر است از روان درمانی و دارو درمانی نیز استفاده شود و تغذیه مناسب در کنار درمان اصلی رعایت شود. نتایج "تحقیق درباره ارتباط غذا و شرایط روحی و روانی افراد نشان می دهد" 80 درصد افرادمصاحبه شده گزارش داده اند وضعیت بهداشت روانی آنها وقتی رژیم غذایی خود را تغییر داده اند، بهبود یافته است و حدود یک چهارم آنها بیان داشته اند نسبتاً بهبودی یافته اند یا ناراحتی کمتری از افسردگی ، اضطراب یا تغییرات خلقی متحمل شده اند. برای تحقیق 200 نفر پرسشنامه ای را که جهت تعیین ارتباط بین تغییرات رژیم غذایی ، تغذیه و بهداشت روانی طراحی شده بود، تکمیل کردند.براساس پاسخ های ارائه شده 88 درصد کسانی که شیوه های کنترل و حفظ رژیم غذایی انجام داده بودند، بهبود یافتند.نتایج نشان می دهد افرادی به نتیجه مثبت و مطلوب رسیده اند که مصرف غذاهای استرس زا مانند شکر (80 درصد شرکت کنندگان )، کافئین (79 درصد شرکت کنندگان )، الکل (55 درصد شرکت کنندگان ) و شکلات (53 درصد شرکت کنندگان ) را کم یا ترک کرده اند و مصرف غذاهای کمک کننده را از قبیل آب (80 درصد شرکت کنندگان )، انواع سبزی (78 درصد شرکت کنندگان )، میوه (72 درصد شرکت کنندگان ) و روغن ماهی (52 درصد شرکت کنندگان ) افزایش داده اند.

بهبود مستمر فرآیند CPI

اختصاصی از یارا فایل بهبود مستمر فرآیند CPI دانلود با لینک مستقیم و پرسرعت .

14 ص

بهبود مستمرفرآیند CPI
مقدمه
هدف رسیدن به کمال از طریق بهبود فرآیندهای تولید و کاری است.
بهبود مستمر از طریق کارهای زیر صورت می گیرد:
• بازنگری تمام کارها به عنوان یک فرآیندی که به فعالیتهای کاری یا تولیدی مربوط است.
• تمام فرایندهایمان را موثر، کارا و قابل وفق سازیم.
• پیش بینی تغییرات نیازهای مشتری
• کنترل عملکرد فرایند از آزمایشاتی از قبیل کاهش ضایعات ،زمان سیکل ، نمودارهای کنترل و غیره.
• حفظ نارضایتی مثبت و سودمند با سطح عملکرد فعلی.
• حذف ضایعات و دوباره کاریها در جایی که اتفاق می افتد.
• جستجو کردن فعالیتهایی که برای محصول یا خدمت، ارزش افزوده ندارند، با هدف حذف آن
فعالیتها.
• حذف عدم انطباقها در تمام مراحل کاری، حتی اگر افزایش در بهبود کم است.
• استفاده از نظام ترازیابی برای بهبود مزایای رقابتی.
• ابداع کردن برای برطرف کردن موانع.
• نگهداری و حفظ منافع تا آنجا که سیر نزولی وجود نداشته باشد.
• یکی کردن درسهای یاد گرفته شده با فعالیتهای آینده.
• استفاده از ابزار فنی از قبیل کنترل آماری فرایند، طراحی آزمایشات، ت رازیابی، به کارگیری توابع
کیفیت و غیره.
فرایند به فعالیتهای تولیدی و کاری تمام سازمان ها اشاره می کند . فرایندهای کاری از قبیل خرید،
مهندسی، حسابداری، بازاریابی، نواحی هستند که عدم انطباق می تواند فرصتی را برای بهبود واقعی نشان
1 فرایندی را با ور ودیها و خروجیهایش نشان می دهد . ورودیها می توانند مواد، پول، اطلاعات، - دهد.شکل 5
داده و غیره باشند . خروجیها می توانند اطلاعات، داده، محصولات، خدمت و غیره باشند .به طور واقعی
خروجی یک فرایند می تواند ورودی برای سایر فرایندها باشد . خروجیها معمولا به اندازه گیریهای عملکرد ی
نیاز دارند.

32ص بهبود سرعت یادگیری شبکه های عصبی چند لایه با الگوریتم پس انتشار خطا

اختصاصی از یارا فایل 32ص بهبود سرعت یادگیری شبکه های عصبی چند لایه با الگوریتم پس انتشار خطا دانلود با لینک مستقیم و پرسرعت .

32 ص

شبکه های عصبی چند لایه پیش خور1 به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و ... مورد استفاده قرار گرفته است.

الگوریتم یادگیری پس انتشار خطا2، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل3 می باشد و در چارچوب یادگیری عملکردی 4 قرار می گیرد.

عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد.

علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد:

- الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا                می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

- سرعت همگرایی الگوریتم BP، خیلی آهسته است.

از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است.

در این گزارش، با هدف بهبود الگوریتم BP، تکنیک های مختلفی ارائه شده است. نتایج شبیه سازیهای انجام شده نیز نشان می دهد، الگوریتم های پیشنهادی نسبت به الگوریتم استاندارد BP، از سرعت همگرایی بالاتری برخوردار هستند.

خلاصه ای از الگوریتم BP

از قانون یادگیری پس انتشار خطا (BP)، برای آموزش شبکه های عصبی چند لایه پیش خور که عموماً شبکه های چند لایه پرسپترون 5 (MLP) هم نامیده می شود، استفاده می شود، استفاده می کنند. به عبارتی توپولوژی شبکه های MLP، با قانون یادگیری پس انتشار خطا تکمیل می شود. این قانون تقریبی از الگوریتم بیشترین نزول (S.D) است و در چارچوب یادگیری عملکردی قرار می گیرد.

بطور خلاصه، فرایند پس انتشار خطا از دو مسیر اصلی تشکیل می شود. مسیر رفت6 و مسیر برگشت 7 .

در مسیر رفت، یک الگوی آموزشی به شبکه اعمال می شود و تأثیرات آن از طریق لایه های میانی به لایه خروجی انتشار می یابد تا اینکه

_________________________________

1. Multi-Layer Feedforward Neural Networks
2. Back-Propagation Algorithm
3. Steepest Descent (S.D)
4. Performance Learning
5. Multi Layer Perceptron
6. Forward Path
7. Backward Path

نهایتاً خروجی واقعی شبکه MLP، به دست می آید. در این مسیر، پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، ثابت و بدون تغییر در نظر گرفته می شوند.

در مسیر برگشت، برعکس مسیر رفت، پارامترهای شبکه MLP تغییر و تنظیم می گردند. این تنظیمات بر اساس قانون یادگیری اصلاح خطا1 انجام می گیرد. سیگنال خطا، رد لایه خروجی شبکه تشکیل می گردد. بردار خطا برابر با اختلاف بین پاسخ مطلوب و پاسخ واقعی شبکه می باشد. مقدار خطا، پس از محاسبه، در مسیر برگشت از لایه خروجی و از طریق لایه های شبکه به سمت پاسخ مطلوب حرکت کند.

در شبکه های MLP، هر نرون دارای یک تابع تحریک غیر خطی است که از ویژگی مشتق پذیری برخوردار است. در این حالت، ارتباط بین پارامترهای شبکه و سیگنال خطا، کاملاً پیچیده و و غیر خطی می باشد، بنابراین مشتقات جزئی نسبت به پارامترهای شبکه به راحتی قابل محاسبه نیستند. جهت محاسبه مشتقات از قانون زنجیره ای2 معمول در جبر استفاده می شود.

فرمول بندی الگوریتم BP

الگوریتم یادگیری BP، بر اساس الگوریتم تقریبی SD است. تنظیم پارامترهای شبکه، مطابق با سیگنالهای خطا که بر اساس ارائه هر الگو به شبکه محاسبه می شود، صورت می گیرد.

الگوریتم بیشترین تنزل با معادلات زیر توصیف می شود:

(1)                                      

(2)                                                 

به طوری WLji و bLj، پارامترهای نرون j ام در لایه iام است. α، نرخ یادگیری2 و F، میانگین مربعات خطا می باشد.

(3)                                                              

(4)                                                                               

(5)          

به طوریکه SLj(k)، حساسیت رفتار شبکه در لایه L ام است.