انتخاب ویژگی

مقدمه شهرهای هوشمند، آینده شهرها را تشکیل می دهند و عصر انقلاب اطلاعات دیر یا زود شهرها را به سمت هوشمند شدن سوق خواهد داد. شهر هوشمند در دنیای تکنولوژیکی امروز اهمیت بسیاری یافته و در کشورهای پیشرفته به عنوان یک الگوی مهم دنبال می شود، اما برای تحقق شهر هوشمند الزامات و ضروریات و همچنین، مؤلفه هایی لازم است که شناسایی آن ها جهت تحقق این مهم اجتناب ناپذیر است. بنابراین شهرها باید آمادگی فنی لازم را برای هوشمند شدن داشته باشند یا بستر لازم برای آن را فراهم کنند. بنابراین، دو پرسش مطرح می شود که عوامل فنی که برای اجرای طرح های هوشمندسازی شهری مؤثرند کدام اند و چه ارتباطی بین این عوامل وجود دارد.مواد و روش هاتحقیق حاضر از نظر هدف کاربردی و از نظر جمع آوری اطلاعات توصیفی است. نوع تحقیق از نوع آمیخته کیفی و کمی است. جمع آوری اطلاعات در دو سطح میدانی و کتابخانه ای انجام می شود. به منظور بررسی شکاف تحقیقاتی و کشف نوآوری از روش کتابخانه ای استفاده می شود ضمن اینکه با استفاده از این روش مبانی نظری و پیشینه تحقیق استخراج می شود، اما به منظور شناسایی عوامل فنی مؤثر بر پیاده سازی شهر هوشمند از مصاحبه با خبرگان استفاده می شود، ضمن اینکه به منظور استخراج داده ها، از پایگاه های داده های حاکمیتی و آرشیوی استفاده خواهد شد. ابزار جمع آوری اطلاعات در تحقیق حاضر شامل یک مصاحبه و یک پرسشنامه دلفی در مقیاس 20 است که هر یک از عوامل استخراجی در مرحله قبل به عنوان یک گویه در این پرسش وارد می شوند. روایی این پرسشنامه با استفاده از نظر اساتید و پایایی آن با استفاده از آزمون آلفای کرونباخ بررسی می شود. جامعه آماری تحقیق حاضر شامل کلیه کارشناسان و فعالان در حوزه شهر هوشمند هستند که باید حداقل 10 سال در حوزه مربوطه مشغول فعالیت باشند و روش نمونه گیری به صورت گلوله برفی است. در مرحله دلفی و دسته بندی از نرم افزار اکسل و در بخش انتخاب ویژگی از نرم افزار متلب استفاده شد.یافته هابا استفاده از تکنیک تحلیل محتوا عوامل مؤثر بر شهر هوشمند استخراج می شوند. این عوامل با استفاده از مصاحبه با خبرگان استخراج شده اند. پس از تعیین عوامل، در مرحله دلفی عوامل فنی استخراجی مورد بازبینی و پالایش قرار گرفت و عواملی که در هر سه مرحله اول اتفاق نظری در خصوص آن ها وجود نداشته باشد حذف می شوند. از 22 عامل فنی 4 عامل به دلیل نبود اتفاق نظر و همچنین، وجود مغایرت در سه مرحله دلفی حذف شد. آماره آزمون آلفای کرونباخ برای تمامی متغیرها بالاتر از 6/0 است که نشان می دهد تمامی متغیرها در سطح قابلیت اطمینان یا پایایی مطلوب قرار داشته و لذا پایایی پرسشنامه مورد تأیید قرار می گیرد. سپس با استفاده از تکنیک الگوریتم فراابتکاری ژنتیک که یکی از روش های انتخاب ویژگی است، غربال نهایی متغیرهای ورودی صورت گرفت. مرحله دسته بندی به عنوان مرحله نهایی تحلیل حاضر تلقی می شود. در مراحل قبلی شناسایی و غربال و پالایش متغیرها صورت گرفت. اما در این مرحله با استفاده از روش مدل سازی ساختاری تفسیری به سطح بندی معیارهای برآمده از روش های دلفی و انتخاب ویژگی بر اساس تأثیرگذاری و تأثیرپذیری پرداخته می شود که بر اساس مدل نهایی تحقیق، سطح ششم یعنی معیار زیر ساخت دیجیتال، تأثیرگذارترین معیار است که به صورت مستقیم روی معیار سطح پنجم یعنی توسعه زیرساخت اینترنت تأثیر می گذارد. سطح اول که شامل معیار سیستم های هوشمند کمک به راننده و سیستم های هشدار ساختمان است تأثیرپذیرترین معیارها هستند.نتیجه گیریشهر هوشمند در آینده نزدیک به عنوان یک پارادایم مهم در عرصه مدیریت شهری و شهرسازی مطرح خواهد شد ضمن اینکه در جهان توسعه یافته این مفهوم نسبت به جهان رو به توسعه بیشتر نهادینه شده است. لذا تحقیق در این زمینه و شناسایی عوامل اثرگذار بر آن یک ضرورت اجتناب ناپذیر تلقی می شود. مدل نهایی عوامل فنی شامل شش سطح است. سطح ششم یعنی معیار زیرساخت دیجیتال تأثیرگذارترین معیار است که به صورت مستقیم روی معیار سطح پنجم یعنی توسعه زیرساخت اینترنت تأثیر می گذارد. همچنین عوامل فنی از لحاظ قدرت نفوذ و وابستگی بررسی شد که بر این اساس، معیارهای زیرساخت دیجیتال و توسعه زیرساخت اینترنت از نوع مستقل هستند. این متغیرها دارای وابستگی کم و هدایت بالا هستند. به بیانی دیگر، تأثیرگذاری زیاد و تأثیرپذیری کم از ویژگی های این متغیرها است. معیارهای سیستم های هوشمند کمک به راننده و سیستم های هشدار ساختمان نیز از نوع وابسته هستند که وابستگی قوی و هدایت ضعیف دارند. این متغیرها تأثیرپذیری بالا و تأثیرگذاری کمی روی سیستم دارند. باقی معیارها از نوع رابط هستند این متغیرها از وابستگی بالا و قدرت هدایت بالا برخوردارند. به بیانی تأثیرگذاری و تأثیرپذیری این معیارها بسیار زیاد است و هر تغییر کوچکی روی این متغیرها باعث تغییرات اساسی در سیستم می شود. بنابراین نتایج این پژوهش نشان می دهد زیرساخت دیجیتال اثرگذارترین عامل فنی در پیاده سازی طرح های شهر هوشمند است و سرمایه گذاری در این بخش در توسعه طرح های شهر هوشمند اهمیت زیادی دارد که در زندگی شهروندان و اقتصاد شهری نیز تأثیر به سزایی خواهد داشت.

مقدمه: فناوری تشخیص احساس از گفتار، می تواند به محققان کمک کند تا دریابند چه عواملی باعث می شود برخی از روان درمانگران درمان مؤثرتری نسبت به دیگران ارائه دهند، اطلاعاتی که می تواند برای بهبود تشخیص روش درمان استفاده شود. اگر بدانیم چه کسی می خواهد اقدام به خودکشی کند یا حداقل ریسک بالایی برای این کار دارد می توانیم پیشگیری کنیم و این دقیقاً همان چیزی است که علم روانشناسی سال هاست به آن نیاز دارد تا هزینه های درمان را کاهش دهد. ازاین رو، نیاز به تشخیص احساس از گفتار و پایگاه داده احساسی به شدت احساس می شود؛ ولی جمع آوری پایگاه داده با نمونه های زیاد نیازمند صرف چندین دهه است. افزایش داده و انتخاب ویژگی، از مفاهیم کلیدی در یادگیری ماشین هستند. روش: هنگامی که داده های آموزشی در پایگاه داده متنوع نیستند و تعداد و تنوع آن ها در هر کلاس آموزشی محدود است، آموزش یک شبکه عصبی عمیق بدون آنکه پدیده اور فیتینگ اتفاق بیفتد، بیش از حد چالش برانگیز است. برای غلبه بر این چالش، این مقاله یک شبکه افزایش داده جدید، یعنی شبکه افزایش داده متخاصمانه و مبتنی بر شبکه های مولد متخاصمی را پیشنهاد می کند. این شبکه افزایش داده پیشنهادی، از یک شبکه مولد متخاصمی، یک رمزگذار خودکار و یک طبقه بند تشکیل شده است. این شبکه ها به طور خصمانه آموزش داده می شوند تا بردارهای ویژگی وابسته به هر کلاس را در فضای ویژگی ها ترکیب کنند، و سپس آن ها را به داده های موجود در پایگاه داده بیفزایند. برای داده های هر کلاس به صورت جداگانه یک شبکه مولد متخاصمی پیشنهاد شده است که از یک سو شباهت بین نمونه های واقعی و تولید شده را تضمین کند و از طرف دیگر باعث ایجاد تمایز عاطفی در بین نمونه های تولید شده بین کلاس های مختلف شود. برای رفع مشکل کوچک شدن بیش از حد گرادیان در فرایند آموزش شبکه افزایش داده متخاصمی که منجر به عدم آموزش کافی شبکه های مولد و تشخیص دهنده و متوقف شدن فرایند آموزش پیش از یادگیری کامل توزیع داده ها در فضای ویژگی ها می شود، به جای استفاده از خطای متداول آنتروپی متقابل برای آموزش شبکه مولد متخاصمی، واگرایی و اسراستین برای تولید نمونه های مصنوعی باکیفیت بالا استفاده شده است.   یافته ها: عملکرد این مدل با استفاده از پایگاه داده احساسی برلین به عنوان مجموعه داده های آموزش، تست و ارزیابی شبکه مورد آزمایش قرار گرفته و مشخص شد که با ترکیب نمودن بردارهای ویژگی مصنوعی و بردارهای ویژگی واقعی، می توان مشکل کوچک شدن بیش از حد گرادیان و متعاقباً متوقف شدن ادامه روند آموزش شبکه را تا حد زیادی کاهش داد. نتایج به دست آمده نشان می دهد که داده های تولید شده توسط شبکه پیشنهادی می توانند در یک شبکه تشخیص احساس از سیگنال گفتار استفاده شوند و به این شبکه کمک کنند تا کلاسه بندی احساسی بهتری را انجام دهد.

امروزه مرکز خرید دیگر مکانی برای اهداف معامله نیست که مشتریان در صورت نیاز به یک کالا یا خدمت، به آن مراجعه کنند، بلکه مکانی برای اهداف اجتماعی است. از طرفی روند رو به رشد فروشگاه های خرده فروشی موجب فشار عظیم بر مصرف کنندگان در انتخاب شده است. خریداران اگر یک محیط اجتماعی را به عنوان محیطی بسیار تحریک کننده یا نامناسب درک کنند، ممکن است سردرگم شوند. هدف از پژوهش حاضر مدل سازی عوامل مؤثر بر سردرگمی مشتریان زن در انتخاب فروشگاه های خرده فروشی است. برای انتخاب ویژگی هایی که بیشترین ارتباط را با متغیرهای هدف داشته و می توانند بهترین عملکرد را در پیش بینی و تفسیرمدل ارائه دهند، از انتخاب ویژگی با استفاده از شبکه عصبی استفاده شده است. رویکرد پیشنهادی در ابتدا با کاهش ابعاد فضای مسئله از طریق آموزش یک نوع شبکه های عصبی چند لایه، پیچیدگی محاسباتی را در حل مشکل طراحی کاهش می دهد. 7 عامل از عوامل مؤثر بر سردرگمی مشتریان براساس این مدل شبکه عصبی استخراج، در 5 سطح با استفاده از مدل یابی ساختاری تفسیری طبقه بندی شدند و مدل مرتبط با آن ترسیم گردید. در این دسته بندی متغیرهای تنوع زیاد برندهای فروشگاهی، برنامه های وفاداری و تجمع فروشگاه ها در یک موقعیت مکانی، بیشترین قدرت نفوذ (تأثیرگذاری) و ریسک ادراک شده، فاکتورهای فردی و جمعیت شناسی و آهنگ اطلاعات بیشترین وابستگی (تأثیرپذیری) را نشان می دهند و متغیر فاکتور فردی تنها متغیری است که رابطه دوطرفه با سایر متغیرها دارد. 

تعیین الگوی تصمیم گیری مشتریان در خرید محصولات یکی از موارد مهم در بازاریابی است و هدف از مقاله، ارائه راهکار جدید در بازاریابی عصبی در پیش بینی انتخاب محصولات توسط مشتریان است. در این تحقیق سیگنال های مغزی از بیست وپنج نفر شرکت کننده با محدوده سنی 18 تا 38 سال در زمان مشاهده 14 محصول مختلف استفاده شده است که گروه اول شامل 10 مرد و 6 زن با گستره سنی 18 تا 23 سال، گروه دوم شامل 8 مرد و 5 زن با گستره سنی 25 تا 30 سال و گروه سوم شامل 7 مرد و 4 زن با گستره سنی 31 تا 38 سال بودند. برای انتخاب ویژگی در این مقاله الگوریتم جدیدی مبتنی بر هوش جمعی سالپ آشوبی ارائه شده است که می تواند با قدرت جستجوی بالا، ویژگی های مؤثر را مشخص نماید و برای پیش بینی نهایی از طبقه بندهای مختلف در قالب یادگیری چندتایی استفاده شده است. در مدل پیشنهادی، از روش طیف های مرتبه بالا در استخراج ویژگی ها از سیگنال مغزی استفاده شده که شامل بیش از هفتصد ویژگی است و سپس انتخاب ویژگی با الگوریتم هوش جمعی سالپ پیشنهادی تعداد ویژگی ها از 742 به 198 کاهش یافته است. نتایج نشان داده است که مدل پیشنهادی توانسته به طور میانگین در تشخیص انتخاب کاربران در همه محصولات دقت 99/75 درصد داشته باشد که نشان دهنده بهبود 75/3 درصدی نتایج نسبت به تحقیقات مشابه است.