حذف نویز دما با روش موجک و پیش بینی دما با SVM و عکس روش موجک

•   آرشیو : نسخه تابستان 1397
•   موضوع : داده کاوی
• نویسنده/گان : زهرا پزشکی، هادی گرایلو، سید علی سلیمانی ایوری
•   چکیده :
  سری های زمانی دما اغلب آغشته به نویز هستند. لذا، باید به فنون حذف نویز داده ها توجه زیادی نمود. روش تحلیل موجک به میزان زیادی به منظور حذف نویز داده ها در علوم و مهندسی مورد استفاده قرار می گیرد. در این مقاله با استفاده از موجک symlet 16 و فیلترهای بالاگذر و پایین گذر، قدرت روش موجک را در حذف نویز داده های دما نشان می دهیم. سپس با استفاده از دسته بندی ضرایب موجک با استفاده از ماشین برداری پشتیبان (SVM) و بازسازی سریهای زمانی با عکس تبدیل موجک به پیش بینی دما طی روزهای آینده خواهیم پرداخت. سپس با مقایسۀ داده های دمای با نویز و بدون نویز به این نتیجه دست می یابیم که خطای تخمین و پیش بینی دما، پس از حذف نویز با استفاده از روش ترکیبی موجک و ماشین برداری پشتیبان به میزان 1.08% کاهش می یابد و داده های به دست آمده به میزان خیلی زیادی به داده های واقعی نزدیک هستند. واژگان کليدي: تحلیل موجک، ماشین برداری پشتیبان، دما، حذف نویز. امروزه کتابخانه های دیجیتال یکی از بهترین راهکارها برای به دست آوردن اطلاعات مورد نیاز کاربران می باشد.این کتابخانه های دیجتال با توجه به دسترسی آسان تر و هزینه کمتر یکی از بهترین راهکارهای کاربران برای بدست آوردن کتاب های موردنظر کاربران می باشد ولی با توجه به رشد روز افزون تعداد کتاب های مختلف در زمینه های مختلف وجود سیتمی که بتواند اطلاعات مورد نیاز افراد را از میان حجم عظیم این کتاب ها که روز به روز در حال افزایش می باشند، استخراج کند لازم و ضروری به نظر می رسد،یکی از بهترین راهکارها برای بدست آوردن کتب موردعلاقه کاربران از میان حجم عظیم داده ها،شخصی سازی این سیستم ها می باشد.یکی از بهترین سیستم های شخصی سازی استفاده از سیستم های توصیه گر می باشند،سیتم های توصیه گر یا پیشنهاد دهنده سیستم هایی هستند که با یکسری از روش های داده کاوی و روش هایی مانند اینکه کاربر در گذشته چه کتاب هایی جستجو کرده است می تواند پیشنهاد های مناسبی به کاربر ارائه دهند.در این تحقیق از یک سیستم توصیه گر مبتنی بر پالایش مشارکتی استفاده شده است که با دسته بندی کابران مشابه در یک گروه و با توجه به سوابق این افراد و امتیازهایی که به داده ها در پروفایل خود داده اند و تشابهات بین آنها به کاربر موردنظر می تواند پیشنهاد مناسبی از بین این حجم کتب مختلف ارئه دهد که موردنظر و مورد علاقه کاربر باشد.
•   کلید واژه : سیستم توصیه گر،استخراج اطلاعات،داده کاوی،کتابخانه دیحیتالی،فیترینگ مشارکتی.
•   Title : Provide a recommendation system to extract the information users need from large digital libraries
•   Abstract :
  Digital libraries are nowadays one of the best ways to get the information that users need. These digital libraries are one of the best ways to get the books users need due to their easier access and lower cost. The growing number of different fields in different fields , there is a need for a system that can extract the information needed from the huge volume of these books that are growing day by day.one of the best ways to get users favorite books out of the huge amount of data is to personalize these systems.one of the best personalization systems is to use recommender or recommender systems there are a number of data mining methods that a user has searched for in the past that can provide useful suggestions .the research uses a collaborative refinement recommendation system that works with categorize similar users in a group according to the records of these people and that ratings they give to the data in full they have their own files , and the journeys between them can give the user the best possible offerings from this volume of books that the user wants and desires.
•   مراجع :
  پناهی،سمیه(۱۳۹۶).پژوهشی در باب خدمات شخصی سازی کتابخانه دیجیتال براساس داده کاوی.مجله الکترونیکی.متابدار۲/۰.دوره سوم.شماره اول(اردیبهشت ماه).
  رحمانی ،محمود و حاجی زین العابدینی،محسن،(۱۳۹۵).کاربردهای داده کاوی در علم اطلاعات و دانش شناسی:نشریه مدیریت اطلاعات و دانش شناسی.مقاله ۲،دوره ۲،شماره ۳،پاییز ۱۳۹۴،صفحه ۲۳-۳۲.
  سالاری،عبدالرضا.(۱۳۸۳) ”کاربرد محاسبات نرم در وب کاوی”،پایان نامه کارشناسی ارشد کامپیوتر،دانشگاه آزاد اسلامی وحد علوم و تحقیقات.
  سعیدی،احمد.(۱۳۸۴) ” داده کاوی،مفهوم وکاربرد آن در آموزش عالی”،شماره ۱۸،اسفند، ص ۲-۱۷.
  کوشا،کیوان.۱۳۸۴.کتاب رقومی چیست؟اصطلاحی رایج با مفهوم ابهام برانگیز.مطالعات کتابداری و سازماندهی،۶۳:۹۷-۱۱۰.
  مرادی،گلمراد؛قاسمی،وحید(۱۳۹۱)تکنیک داده کاوی و کاربرد آن در مطالعات اجتماعی.مجله علوم اجتماعی.بهار و نتبستان،شماره ۱۱۹.(۱۷۶-۱۵۵).
  نوروزی،یعقوب.۱۳۸۹.تحلیلی بر کاربر مداری رابط کاربر در صفحات وب فارسی کتابخانه های دیجیتالی ایران و ارائه پیشنهادی-فصلنامه علوم و فناوری اطلاعات،۱۶(۸):۷۹-۶۴.
  
  Babu, P.B. Krishnamurthy,M .2013. Library Automation to Resource Discovery: A Review of Emerging Challenges. Electronic Library, 31(4):433-451.
  Burke, R., ―Hybrid recommender systems: Survey and Experiments.‖ User Model. UserAdapt. Interact. 12, 4, 331–370, (2002)
  Kim, H. Lee, J. Y. 2008. Exploring the emerging intellectual structure of archival studies using text mining: 2001-2004. Journal of Information Science, 34(3): 356-369.
  Konstan, J. A., ―Introduction to recommender systems‖. In Proceedings of the 2008 ACM SIGMOD international Conference on Management of Data, Vancouver, Canada, (Jun, 2008).
  Lu Jie, Dianshuang Wu, Mingsong Mao, Wei Wang, Guangquan Zhang, (2015).Recommender System Application Developments: A Survey, Decision Support Systems, Volume 74,12-32.
  Montaner, M., Lopez, B., Rosa, and J.L.D.L.,‖taxonomy of recommender agents on the internet‖.Artificial Intelligence Review 19 (2003).
  Nkweteyim, D., ―Hyperlink Recommender Systems Design: a Research Study on Tools and Techniques.‖ VDM Verlag. (2009)
  Pareek, S. 2013. A Bibliometric analysis of the literature of IFLA Journal during 2001-2010. http://digitalcommons.unl.edu/libphilprac/954. (accessed 12/07/ 2013)
  Queiroz da Silva Edjalma, Celso G. Camilo-Junior, Luiz Mario L. Pascoal, Thierson C. Rosa, (2016). An evolutionary approach for combining results of recommender systems techniques based on collaborative filtering, Expert Systems with Applications,Volume 53, 204-218.
  R. Burke, ―Knowledge-Based Recommender Systems,‖ Encyclopediaof Library and Information Systems, A. Kent, ed., vol. 69,Supplement 32, Marcel Dekker, (2000).
  Rao Kagita Venkateswara, Arun K. Pujari, Vineet Padmanabhan,(2015). Virtual user approach for group recommender systems using precedence relations, Information Sciences, Volume 294, 15-30.
  Saracevic, T. 2000. Digital library evaluation: Toward evolution of concepts. Library trends, 49 (2):350-369. Shen, R. Gonçalves,M.A. Fox,E.A.. 2013. Key Issues Regarding Digital Libraries: Evaluation and Integration. Synthesis Lectures on Information Concepts, Retrieval, and Services, 5 (2):1-110. Tedd
  Wang, H., Li, W.-J.,(2014). Relational collaborative topic regression for recommender systems, IEEE Transactions on Knowledge and Data Engineering (TKDE), Volume 27, Issue 5,1343 - 1355.
  Wang, H., Li, W.-J.,(2014). Relational collaborative topic regression for recommender systems, IEEE Transactions on Knowledge and Data Engineering (TKDE), Volume 27, Issue 5,1343 - 1355.
  Wei Jian, Jianhua He, Kai Chen, Yi Zhou, Zuoyin Tang, (2016). Collaborative Filtering and Deep Learning Based Recommendation System for Cold Start Items, Expert Systems with Applications, Volume 69, 29-39.
  Wel, litavan; Royakkers, Lamber(2004)”Ethical issue in web data mining”. Ethics and Information Thecnology,6, pp. 129 140
  Yang Xiwang, Yang Guo, Yong Liu, Harald Steck,(2014). A survey of collaborative filtering based social recommender systems, Computer Communications, Volume 41,1-10.
  Zhao, L. Zhang, Q.2011. Mapping knowledge domains of Chinese digital library research output, 1994–2010. Journal of scientometrics, 89: 51– 87.
  Zhao, Yonghua, and Hong Lin. "WEB data mining applications in e-commerce.", IEEE 9th International Conference on Computer Science & Education, Vancouver, Canada, 2014.
•  صفحات : 1-18
•   دانلود فایل ( 1.37 KB )