مطالب مرتبط با کلیدواژه

یادگیری عمیق


۱.

آزمون مدل راهبردهای یادگیری خودتنظیم در درس ریاضی بر اساس عوامل انگیزشی و واسطه گری هیجان های تحصیلی

نویسنده:
منبع: فناوری آموزش و یادگیری سال اول زمستان ۱۳۹۳ شماره ۱

کلیدواژه‌ها: ارزش تکلیف خودکارآمدی خودتنظیمی یادگیری هیجان های تحصیلی درس ریاضی یادگیری سطحی یادگیری عمیق

حوزه های تخصصی:
  1. حوزه‌های تخصصی روانشناسی روانشناسی انگیزش انگیزش در تعلیم و تربیت
  2. حوزه‌های تخصصی روانشناسی هیجان
  3. حوزه‌های تخصصی روانشناسی روانشناسی یادگیری نظریه های یادگیری
تعداد بازدید : ۹۸۸ تعداد دانلود : ۵۰۲
این پژوهش باهدف بررسی الگوی مفروض راهبردهای یادگیری خودتنظیم در درس ریاضی بر اساس عوامل انگیزشی و واسطه گری هیجان های تحصیلی انجام شد. برای آزمون این الگو تعداد 395 نفر از دانش آموزان پسر نواحی پنج گانه تبریز به روش نمونه گیری خوشه ای چندمرحله ای انتخاب شدند و پرسشنامه یادگیری خودتنظیم و هیجان های پیشرفت را تکمیل نمودند. داده ها با استفاده از روش آماری تحلیل مسیر بررسی شدند. نتایج حاصل از تحلیل مسیر نشان می دهد که ارزش تکلیف با راهبردهای مبتنی بر یادگیری عمیق و سطحی ارتباط معنی داری دارد. رابطه ی خودکارآمدی با راهبردهای یادگیری عمیق و سطحی، معنی دار و مثبت است. ارزش تکلیف و خودکارآمدی رابطه ی مثبت و معنی داری با هیجان های مثبت و رابطه ی منفی و معنی داری با هیجان های منفی دارند. یافته ها حاکی از آن هستند که هیجان های منفی رابطه ی معنی داری با راهبردهای یادگیری عمیق ندارند؛ ولی رابطه ی معنی داری بین هیجان های منفی و یادگیری سطحی مشاهده می شود. درنهایت نتایج پژوهش نشان می دهد که هیجان های مثبت با گرایش فراگیران به استفاده از راهبردهای یادگیری عمیق و سطحی مرتبط هستند
۲.

شناسایی اهداف در تصاویر سنجش ازدوری با قدرت تفکیک بالا با استفاده از روش های یادگیری عمیق(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال یازدهم بهار ۱۳۹۸ شماره ۱ (پیاپی ۴۱) 33-48

کلیدواژه‌ها: یادگیری عمیق شبکه های کانولوشنی تصاویر سنجش ازدوری یادگیری ماشین انتقال آموزشی

حوزه های تخصصی:
تعداد بازدید : ۵۳۴ تعداد دانلود : ۶۴۲
شناسایی عوارض موجود در تصاویر، یکی از مسائل اساسی در حوضه تفسیر تصاویر به ویژه در تصاویر سنجش از دوری، به شمار می آید. یکی از روش های کارآمد و به روز در این زمینه، به کارگیری شیوه های یادگیری عمیق، جهت استخراج و تفسیر است. یک عارضه، مجموعه ای از الگوهای منحصربه فرد است که با عوارض مجاور خود متفاوت است، این تفاوت معمولاً در یک یا چند ویژگی به طور هم زمان اتفاق می افتد که می توان به تفاوت در شکل، رنگ و درجه خاکستری اشاره نمود. در این راستا، روش یادگیری عمیق با توانایی تحلیل مفاهیم انتزاعی سطح بالا، می تواند انتخاب مناسبی در این زمینه باشد. در روش پیشنهادی، ابتدا یک پایگاه داده مطابق با شرایط محیطی و جغرافیایی کشور از برخی از فرودگاه های ایران تشکیل شد. سپس با استفاده از شبکه های عصبی کانولوشنی به تولید مدل یادگیرنده بهینه اقدام شد. برای این کار، در قسمت پردازش داده های خام در کنار استفاده از روش انتقال آموزشی، بردارهایی جهت دسته بندی عوارض موردنظر استخراج و به یک مدل ماشین بردار پشتیبان طبقه بندی کننده، تحویل داده می شوند. در ادامه، مقادیر خروجی با مقادیر به دست آمده از تصویر آزمایشی برای هر عارضه، مقایسه و در یک روند تکرارشونده تحلیل و جهت تطابق ساختاری بررسی می شوند. نتایج استخراج شده از اعمال مدل پیشنهادی بر روی چند سری داده آزمایشی، ارزیابی و با روش های مشابه مقایسه شد که درنهایت با مقادیر 21/98 درصد برای معیار Precision و 1/99 درصد برای معیار F1-Measure، قادر به شناسایی عوارض هدف است
۳.

بازشناسی هیجان مبتنی بر همجوشی اطلاعات چندوجهی با استفاده از مدل ترکیبی یادگیری هیجانی مغز(مقاله علمی وزارت علوم)

نویسنده:
منبع: تازه های علوم شناختی سال بیست و یکم زمستان ۱۳۹۸ شماره ۴ (پیاپی ۸۴) 113-127

کلیدواژه‌ها: بازشناسی هیجان چندوجهی یادگیری هیجانی مغز مدل ترکیب شبکه های عصبی همجوشی یادگیری عمیق

حوزه های تخصصی:
تعداد بازدید : ۵۲۲ تعداد دانلود : ۲۷۱
مقدمه: بازشناسی هیجان چندوجهی به واسطه دریافت اطلاعات از منابع حسی (وجه های) مختلف از یک ویدیو دارای چالش های فراوانی است و به عنوان روش جدیدی برای تعامل طبیعی انسان با رایانه مورد توجه محققان زیادی قرار گرفته است. هدف از این پژوهش، بازشناسی هیجان به طور خودکار از روی گفتار هیجانی و حالات چهره، مبتنی بر ساز و کارهای عصبی مغز بود. بنابراین، با توجه به مطالعات صورت گرفته در زمینه مدل های الهام گرفته از مغز، یک چارچوب کلی برای بازشناسی هیجان دومدالیتی با الهام از عملکرد کورتکس شنوایی و بینایی و سیستم لیمبیک مغز ارائه شود. روش کار: مدل ترکیبی و سلسله مراتبی پیشنهادی از دو مرحله یادگیری تشکیل شده بود. مرحله اول: مدل های یادگیری عمیق برای بازنمایی ویژگی های بینایی و شنوایی و مرحله دوم: مدل ترکیبی یادگیری هیجانی مغز ( MoBEL ) بدست آمده از مرحله قبل برای همجوشی اطلاعات شنیداری _ دیداری. برای بازنمایی ویژگی های بینایی به منظور یادگیری ارتباط مکانی بین پیکسل ها و ارتباط زمانی بین فریم های ویدئو از مدل شبکه عصبی یادگیری عمیق 3D-CNN استفاده شد. همچنین به منظور بازنمایی ویژگی های شنوایی، ابتدا سیگنال گفتار به تصویر لگاریتم مل _ اسپکتروگرام تبدیل شده سپس به مدل یادگیری عمیق CNN برای استخراج ویژگی های مکانی _ زمانی داده شد. در نهایت، اطلاعات به دست آمده از دو جریان فوق به شبکه عصبی ترکیبی MoBEL داده شد تا با در نظر گرفتن همبستگی بین وجه های بینایی و شنوایی و همجوشی اطلاعات در سطح ویژگی، کارایی سیستم بازشناسی هیجان را بهبود بخشد. یافته ها: نرخ بازشناسی هیجان در ویدیو با استفاده از مدل ارائه شده بر روی پایگاه داده eNterface’05 به طور میانگین 82 درصد شد. نتیجه گیری: نتایج تجربی در پایگاه داده مذکور نشان می دهد که کارکرد روش پیشنهادی بهتر از روش های استخراج ویژگی های دستی و سایر مدل های همجوشی در بازشناسی هیجان است.
۴.

ارزیابی ظرفیت کتاب های درسی ریاضی دوره متوسطه اول در ترویج یادگیری عمیق مفاهیم(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات برنامه درسی ایران سال چهاردهم بهار ۱۳۹۸ شماره ۵۲ 1 - 30

کلیدواژه‌ها: تحلیل محتوای کتاب درسی یادگیری عمیق درک رابطه ای درک ابزاری

حوزه های تخصصی:
تعداد بازدید : ۵۱۳ تعداد دانلود : ۵۷۲
در این مقاله، یک پژوهشِ تحلیل محتوا گزارش می شود که هدف آن بررسی میزان توجه به یادگیری عمیق مفاهیم ریاضی در کتاب های درسی ریاضی دوره متوسطه اول است. بر این اساس محتوای سه سرفصلِ اعداد، اعمال و جبر از سه کتاب ریاضی هفتم، هشتم و نهم برای تحلیل انتخاب شد. در فرآیند تحلیل، هر مسئله به عنوان یک واحدِ تحلیل در نظر گرفته شد. چارچوب نظری از ادبیات پژوهشی مرتبط با هدف اخذ شد و پس از جرح و تعدیلِ چارچوب، مسائل از نظر چهار معیارِ «پیچیدگی رویه ای»، «نوع فرآیند حل»، «تکرار» و «تمرین/کاربرد» بررسی شدند. نتایج نشان داد که در معیار اول، در هر سه کتاب، تقریبا 80 درصد مسائل در طبقه ی «پیچیدگی رویه ای پایین» بود؛ در معیار دوم، در دو کتاب پایه ی هشتم و نهم، حدود 90 درصد مسائل با «استفاده از رویه ها» قابل حل بودند و این میزان برای کتاب پایه ی هفتم به 80 درصد می رسید؛ در معیار سوم و چهارم نیز در هر سه کتاب، مسائل عمدتا در طبقات «تکرار» (60 درصد)  و «تمرین» (90 درصد) قرار گرفتند. در مجموع، نتایج تحلیل مسائل سه کتاب نشان داد که در سرفصل های اعداد، اعمال و جبر، میزان تکرارِ تمرین های کمتر پیچیده که با استفاده از رویه های از قبل آموخته شده قابل حل هستند، زیاد است. این امر نشان می دهد که کتاب های درسی ریاضی متوسطه اول، با اهداف برنامه درسیِ قصد شده فاصله دارند و بیشتر بر یادگیری به روش تکرار و تمرین تکیه می کنند.
۵.

ارزیابی مقایسه ای رویکرد مارکویتز با یک روش ترکیبی به منظور تشکیل پرتفوی بهینه با کاربرد یادگیری عمیق DNN و الگوریتم جستجوی گرانشی(مقاله علمی وزارت علوم)

نویسنده:
منبع: چشم انداز مدیریت مالی سال نهم زمستان ۱۳۹۸ شماره ۲۸ 165-188

کلیدواژه‌ها: رویکرد ترکیبی پرتفوی سهام الگوریتم جستجوی گرانشی یادگیری عمیق

حوزه های تخصصی:
تعداد بازدید : ۳۶۴ تعداد دانلود : ۶۹۶
هدف پژوهش حاضر مقایسه عملکرد روشی ترکیبی نوآورانه با عملکرد بهینهسازی سبد سهام، به روش معمول مارکوییتز است. بدین منظور، ابتدا با استفاده از یک شبکه یادگیری عمیقDNN، و متغیرهای تکنیکی سهام برای بازه 2/4/1397 تا 2/6/1397، به پیشبینی قیمت آتی سهام پرداخته شد. سپس بر اساس قیمتهای آتی سهام، بازده و ریسک سهام محاسبه و سود پرتفو با قید ریسک، و با روش الگوریتم گرانشی حداکثر شد. این عمل منجر به ایجاد پرتفویهای ریسک گریز تا ریسکپذیر روی مرز کارای پارتو میشود. پس از آن بازدهی آتی پرتفوها برای دو ماه آینده محاسبه و فرایند ذکر شده برای 30 هفته به شکل پنجره غلطان و با گامهای یک هفتهای تکرار شد. این نتایج با نتایج حاصل از روش عادی مارکوییتز و با بهینه سازی از طریق الگوریتم جستجوی گرانشی مبتنی بر شاخصهای تکنیکی برای 30 دوره مقایسه شد. نتایج نشان داد که روش مبتنی بر پیشبینی قیمت سهام با استفاده از شاخصهای تکنیکی، و همچنین روش مارکویتز تنها در پرتفوی ریسک گریز عملکرد بهتری نبست به میانگین شاخص بازار ارائه می دهد.
۶.

یادگیری عمیق ماشینی؛ چالش های فلسفی و رهیافت ها(مقاله علمی وزارت علوم)

نویسنده:
منبع: فلسفه علم سال دهم پاییز و زمستان ۱۳۹۹ شماره ۲ (پیاپی ۲۰) 185-202

کلیدواژه‌ها: یادگیری ماشین یادگیری عمیق شبکه های عصبی مصنوعی اخلاق اطلاعات چالش فلسفی

حوزه های تخصصی:
تعداد بازدید : ۴۶۱ تعداد دانلود : ۵۵۷
پیشرفت شگرف بشر در تولید و ذخیره سازی انبوه داده ها و نیز استفاده از آن ها در ساختن ماشین استنتاج گر، امروزه در قالب یک فناوری پیشرفته به نام «یادگیری عمیق ماشینی» ظهور یافته است. این فناوری با الهام از اتصالات موجود در ساختار مغز جانداران طراحی شده و از شبکه های عصبی مصنوعی عمیق قدرت می گیرد. توانایی آن در استنتاج خبره گونه در زمینه های مختلف و یا تولید آثار مشابه افراد زبردست، با وجود مزایای بسیار، انسان امروز را با چالش های مختلفی رو در رو می سازد. این نوشتار تلاش می کند با رویکرد نظام مند عقلی- فلسفی به تحلیل و معرفی چالش های اخلاقی یادگیری عمیق ماشینی و ارائه رهیافت مناسب در قبال هر یک از این چالش ها بپردازد. اگرچه یادگیری عمیق ماشینی چالش های قابل توجهی بر سر راه انسان قرار داده، با آگاهی و چاره اندیشی نسبت به آن ها، می توان در عین بهره بردن از مزایای چشمگیر این فناوری، ارزش های انسانی را نیز آگاهانه محافظت نمود. واژگان کلیدی یادگیری ماشین، یادگیری عمیق، شبکه های عصبی مصنوعی، اخلاق اطلاعات، چالش فلسفی.
۷.

طراحی یک سیستم معاملاتی خودکار با استفاده از شبکه عصبی پیچشی(مقاله علمی وزارت علوم)

نویسنده:
منبع: چشم انداز مدیریت مالی سال دهم پاییز ۱۳۹۹ شماره ۳۱ 153 - 184

کلیدواژه‌ها: معاملات الگوریتمی تحلیل تکنیکال یادگیری عمیق شبکه عصبی پیچشی

حوزه های تخصصی:
تعداد بازدید : ۳۸۵ تعداد دانلود : ۲۷۶
در سال های اخیر مقالات و پژوهش های زیادی در زمینه ی استفاده از روش های یادگیری ماشینی و معاملات الگوریتمی در بازارهای مالی به منظور کسب بازدهی منتشر شده است. هدف این پژوهش ایجاد یک سیستم معاملاتی خودکار با استفاده از پردازش تصویر به وسیله ی شبکه عصبی پیچشی است. بدین منظور، در ابتدا پس از دریافت داده های مورد نیاز برای سهام منتخب، 28 اندیکاتور تحلیل تکنیکال انتخاب و مقادیر هر کدام به صورت جداگانه برای هر سهم محاسبه شد. سپس سری های زمانی این اندیکاتورها به تصاویر 2 بعدی تبدیل شده و در نتیجه برای هر داده روی سری زمانی قیمت سهم، یک تصویر دو بعدی با ابعاد 28×28 ساخته شد. پس از برچسب گذاری هر تصویر با یکی از برچسب های خرید، فروش و نگهداری، این تصاویر به شبکه عصبی پیچشی وارد شدند. همچنین برای بررسی بازدهی و ریسک سیستم ارائه شده، یک روش برای خرید و فروش بر اساس نتایج مدل در زمان گذشته معرفی شده است. نتایج پژوهش نشان می دهد که در 80% موارد، این روش بازدهی بیشتری نسبت به استراتژی مرسوم خرید و نگهداری کسب کرده است. همچنین همواره از نظر معیارهای ریسک انحراف معیار و بیشترین افت بهتر عمل می کند. همچنین، نتایج نشان دهنده ی تأثیر زیاد کارمزد معاملات بورس اوراق بهادار تهران بر روی بازدهی مدل است. به گونه ای که مدل چند برابر سود کسب شده را برای پرداخت کارمزد از دست می دهد.
۸.

راهکاری مبتنی بر شبکه های عصبی کاملاً کانوولوشنی برای تشخیص هم زمان جاده ها و ساختمان ها در تصاویر هوایی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال سیزدهم تابستان ۱۴۰۰ شماره ۲ (پیاپی ۵۰) 39 - 60

کلیدواژه‌ها: یادگیری عمیق شبکه های عصبی مصنوعی شبکه های عصبی کانوولوشنی تصاویر هوایی شناسایی جاده شناسایی ساختمان شناسایی عوارض طبیعی هوش مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۳۱۸ تعداد دانلود : ۲۰۶
توسعه سیستم های خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالش های مهمی مانند متفاوت بودن ظاهر ساختمان ها، تغییرات روشنایی، زاویه تصویربرداری و فشرده و چگال بودن جاده ها و ساختمان ها در نواحی شهری روبه روست. در چند سال اخیر، استفاده از شبکه های عصبی مصنوعی چندلایه (شبکه های عصبی عمیق) مورد توجه بسیاری از پژوهشگران این حوزه (و حوزه های مشابه) قرار گرفته و نتایج خیره کننده ای با به کارگیری آنها حاصل شده است. باوجوداین، به دلیل استفاده از لایه های کاملاً متصل در راهکار های داده شده، میانگین مدت زمان پردازش هنوز بسیار زیاد است و مدل ساخته شده نیز به سرعت دچار پدیده بیش برازش می شود. علاوه براین، در بیشتر روش های پیشنهادی، برای تفسیر تصاویر هوایی براساس چنین راهکاری از رویکرد تک کلاس استفاده شده است. به عبارتی، تشخیص جاده ها و ساختمان ها از عوارض طبیعی به طور هم زمان امکان پذیر نیست و لازم است مدل های جداگانه ای برای تشخیص هریک از آنها ایجاد شود. هدف اصلی، در این پژوهش، طراحی معماری جدیدی است که مدل ساخته شده با استفاده از آن بتواند، هم زمان، جاده ها و ساختمان ها را از عوارض طبیعی تشخیص دهد و به این ترتیب، پیچیدگی عمل طبقه بندی را به حداقل برساند. همچنین، در طراحی معماری پیشنهادی، حذف لایه های کاملاً متصل از معماری چندلایه ای مرسوم و در نتیجه، کاهش میانگین مدت زمان پردازش مورد توجه قرار گرفته است. نتایج آزمایش های انجام گرفته روی بانک تصاویر هوایی ماساچوست نشان می دهد عملکرد معماری پیشنهادی %۳۸ سریع تر از دیگر روش های مبتنی بر شبکه های عصبی چندلایه بوده است و دقت تشخیص را به طور میانگین، %۲ افزایش می دهد.
۹.

پیش بینی قیمت بیت کوین با استفاده از مدل ترکیبی ARIMA و یادگیری عمیق(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت صنعتی سال ۱۹ تابستان ۱۴۰۰ شماره ۶۱ 125 - 146

کلیدواژه‌ها: پیش بینی قیمت رمز ارز بیت کوین یادگیری عمیق ARIMA

حوزه های تخصصی:
تعداد بازدید : ۵۵۱ تعداد دانلود : ۳۳۵
اخیرا بیت کوین به عنوان محبوب ترین رمزارز، مورد توجه بسیاری از سرمایه گذاران و فعالان اقتصادی قرار گرفته است. بازار رمز ارزها نوسان به شدت زیادی را تجربه کرده است و یکی از چالش های پیش روی آن، پیش بینی قیمت آینده است. بدون شک، ایجاد روش هایی برای پیش بینی قیمت بیت کوین بسیار هیجان انگیز بوده و تاثیر بسیار زیادی در تعیین سود و زیان حاصل از معامله آن در آینده دارد. در این پژوهش به منظور پیش بینی قیمت بیت کوین از ترکیب مدل ARIMA و سه نوع شبکه عصبی عمیق شامل RNN، LSTM و GRU استفاده شده است. هدف اصلی این پژوهش تعیین تاثیر مدل های یادگیری عمیق بر روی عملکرد پیش بینی قیمت آینده بیت کوین است. در مدل پیشنهادی ابتدا اجزای خطی موجود در مجموعه داده ها با استفاده از ARIMA جداسازی و باقیمانده های به دست آمده بصورت جداگانه به هر یک از شبکه های عصبی منتقل می شود. نتایج نشان می دهد که مدل ARIMA-GRU برای معیار های RMSEو MAPE نسبت به سایر مدل ها نتایج بهتری داشته است. همچنین مدل های ترکیبی نسبت به مدل سنتی ARIMA در پیش بینی، عملکرد بهتری را از خود نشان می دهند.
۱۰.

پیش بینی مصرف بنزین درایران با استفاده از رهیافت های یادگیری عمیق و مدل های کلاسیک سری زمانی(مقاله علمی وزارت علوم)

نویسنده:
منبع: بررسی مسائل اقتصاد ایران سال هشتم بهار و تابستان ۱۴۰۰ شماره ۱ (پیاپی ۱۵) 59-89

کلیدواژه‌ها: پیش بینی مصرف بنزین یادگیری عمیق شبکه های با حافظه طولانی کوتاه مدت نقشه های خودسازمانده بازگشتی

حوزه های تخصصی:
تعداد بازدید : ۵۰۵ تعداد دانلود : ۲۰۹
کمبود انرژی امروزه به عنوان مانعی جدی در دستیابی به توسعه اقتصادی مطرح است، به همین دلیل مدیریت تقاضای آن مورد توجه کشورها است. در ایران بخش حمل و نقل سهم عمده ای از مصرف انرژی دارد که 7/99 درصد از آن متعلق به بنزین است. با توجه به روند افزایشی مصرف بنزین در ایران، کافی نبودن تولید داخل کشور، رشد قابل توجه واردات بنزین در سال های اخیر اهمیت مدیریت مصرف بنزین افزایش یافته است که پیش بینی هر چه دقیق تر روند مصرف آن می تواند در تحقق این امر بسیار مفید باشد. این مطالعه به پیش بینی مصرف بنزین با استفاده از داده های ماهانه با مقایسه عملکرد سه روش شبکه های با حافظه طولانی کوتاه مدت، نقشه های خودسازمانده بازگشتی و روش سنتی میانگین متحرک جمع بسته خود رگرسیون فصلی پرداخته است. نتایج حاکی از این است که روش یادگیری عمیق شبکه های با حافظه طولانی کوتاه مدت و تواتر12 ماهه برای آموزش داده ها کاراتر از دو روش دیگر است.
۱۱.

مقایسه کارآمدی چهار روش هوش مصنوعی در پیش بینی خشک سالی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحلیل فضایی مخاطرات محیطی سال هشتم پاییز ۱۴۰۰ شماره ۳ 139-156

کلیدواژه‌ها: خشک سالی شاخص بارش استاندار شده هوش مصنوعی یادگیری عمیق الکس نت ریکارنس پلات

حوزه های تخصصی:
تعداد بازدید : ۴۴۷ تعداد دانلود : ۲۰۰
خشکسالی یک اختلال موقتی است که خصوصیات آن از منطقه ای با منطقه دیگر متفاوت است، از این رو نمی توان تعریف جامع و مطلق برای خشک سالی بیان نمود.در تحقیق حاضر، به منظور معرفی یک روش مناسب جهت پیش بینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکس نت که یکی از شبکه های کانولوشن می باشد استفاده شده است)، الگوریتم K نزدیک ترین همسایه (KNN)، ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. داده های بارندگی 11 ایستگاه سینوتیک استان یزد طی دوره آماری 29 ساله (1988 تا 2017) به صورت ماهانه به عنوان داده های آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاس های زمانی 1، 3، 6، 9، 12 و 24 ماهه محاسبه گردید. در ابتدا داده های بارش به عنوان ورودی شبکه های عصبی و کلاس بندی SPI به عنوان خروجی شبکه ها قرار داده شد. 80 درصد داده ها برای آموزش و20 درصد داده ها برای تست شبکه ها به کار گرفته شد. نتایج نشان داد که تمامی شبکه ها توانایی پیش بینی خشکسالی را داشته اند، بر اساس معیار ارزیابی macro-f1 شبکه Deeplearning در مقیاس زمانی 1 ماهه با 71/22 درصد، ناکارآمدترین روش و Decision Tree با 65/64 درصد، کارآمدترین روش بوده اند، اما با افزایش مقیاس زمانی، شبکه Deeplearning عملکرد خود را بهبود بخشید، به طوریکه در مقیاس زمانی 24 ماهه با 35/65 درصد، بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن، شبکه SVM-MultiClass با 40/57 درصد، قرار گرفت.
۱۲.

ارائه روشی در زمینه آشکارسازی اهداف در تصاویر ماهواره ای با استفاده از یادگیری عمیق و با رویکرد سنجش از دور و GIS(مقاله پژوهشی دانشگاه آزاد)

نویسنده:
منبع: سرزمین سال هجدهم بهار ۱۴۰۰ شماره ۱ (پیاپی ۶۹) 44 - 60

کلیدواژه‌ها: سنجش از دور یادگیری عمیق شبکه عصبی کانولوشن آشکارسازی خودکار اهداف

حوزه های تخصصی:
تعداد بازدید : ۴۸۷ تعداد دانلود : ۱۲۵
آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیده های سطح محسوب می گردد. تکنیک های سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از سنجنده های ماهواره ای با تلفیق الگوریتم های یادگیری عمیق نمایان سازی عوارض موجود در تصاویر را به خوبی ارتقاء داده است. در این پژوهش به ارائه روشی نو در تلفیق همزمان لایه های CNN و Pooling موجود در الگوریتم مورد استفاده پرداخته شده که در نهایت منجر به کاهش چشمگیر زمان آموزش شبکه با استفاده از داده های جامع آموزشی با دقت بالا و در عین حال حجم زیاد گردید. در این تحقیق با بهره گیری از آموزش شبکه به وسیله داده های آموزشی به آشکارسازی کشتی های موجود در تصاویر ماهواره ای با ایجاد یک شبکه تماماً کانولوشنال FCN پرداخته شده است. جهت ارزیابی عملکرد و دقت الگوریتم استفاده شده در یافتن و آشکارسازی کشتی های موجود در تصاویر ماهواره ای، با اعمال این الگوریتم آشکارساز بر روی چندین تصویر ماهواره ای دیگر از معیارهای ارزیابی Precision، Recall و F1-Score استفاده شد که مقادیر آن ها به ترتیب برابر با %100، % 61/97 و % 83/98 بوده است که نمایانگر دقت و قابل اعتماد بودن الگوریتم می باشد.
۱۳.

کاربرد شبکه کانولوشنی LSTM در طبقه بندی محصولات کشاورزی با استفاده از سری زمانی NDVI(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال چهاردهم بهار ۱۴۰۱ شماره ۱ (پیاپی ۵۳) 89 - 106

کلیدواژه‌ها: یادگیری عمیق حافظه کوتاه مدت بلند سری زمانی سنتینل 2 طبقه بندی محصولات کشاورزی

حوزه های تخصصی:
تعداد بازدید : ۴۱۷ تعداد دانلود : ۱۸۱
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهم زمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمان های دوره کشت و کمبود داده های زمینی، طبقه بندی محصولات زراعی در تصاویر ماهواره ای را به کاری چالش برانگیز مبدل می کند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجسته ترین ویژگی پوشش های گیاهی ازجمله محصولات کشاورزی است که می توان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخص های گیاهی انجام می شود که اطلاعات بسیار مفیدی از توالی ویژگی های فنولوژیک محصولات کشاورزی در اختیار ما قرار می دهد. استفاده از روش های یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سری ها می تواند، در طبقه بندی محصولات کشاورزی و کاهش وابستگی به داده های زمینی، مفید باشد. شبکهLong-Short Term Memory (LSTM) یکی از انواع شبکه های عصبی بازگشتی در تجزیه و تحلیل داده های متوالی است که توانایی یادگیری توالی های بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبه شاخص NDVI از باندهای ماهواره سنتینل 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیه متفاوت در دشت مغان در نظر گرفته شد که محصولات کشت شده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیه اول، شبکه کانولوشنی LSTM برای طبقه بندی محصولات آموزش دید و در ناحیه دیگر، کارآیی این شبکه آموزش دیده در طبقه بندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 به دست آمد. افزایش تعداد نمونه های زمینی و انتخاب مرز دقیق محصولات، می تواند کارایی روش مورد استفاده را افزایش دهد.
۱۴.

استفاده از الگوریتم های یادگیری مولد عمیق به منظور تخمین غلظت ذرات معلق در شهر تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: اطلاعات جغرافیایی سپهر دوره ۳۱ تابستان ۱۴۰۱ شماره ۱۲۲ 7 - 22

کلیدواژه‌ها: مدل های عمیق مولد یادگیری عمیق شبکه های خود رمزنگار غلظت PM2.5 عمق لایه ی نوری ایروسل مودیس

حوزه های تخصصی:
تعداد بازدید : ۲۷۱ تعداد دانلود : ۱۹۶
در دهه های اخیر، سطح غلظت ذرات معلق در کلان شهر تهران افزایش یافته است که این امر، مخاطرات فراوانی را برای محیط زیست و سلامت شهروندان به همراه داشته است. یکی از خطرناک ترین نوع آلودگی ها، آلودگی ذرات معلق کمتر از 2.5 میکرون ( PM2.5 ) هست که مدل سازی، پایش و پیش بینی آن را بسیار حیاتی می نماید. برآورد غلظت این ذرات در سطح شهر تهران به دلیل وجود منابع گوناگون آلودگی و کمبود ایستگاه های هواشناسی و عدم توزیع مناسب ا یستگاه ها موضوعی چالش برانگیز است. یکی از منابع جایگزین، استفاده از داده های به دست آمده از طریق تصاویر ماهواره ای شامل داده های ایروسل با توان تفکیک مکانی بالاست. بااین حال تخمین مقادیر آلودگی سطحی از روی داده های ایروسل ماهواره ای به سادگی امکان پذیر نیست و نیازمند توسعه مدل های مناسب نظیر مدل های داده مبنا و استفاده از تکنیک های یادگیری ماشینی می باشد. در این راستا هدف این مقاله ایجاد یک مدل به منظور تخمین میزان غلظت ذرات معلق در سطح شهر تهران با استفاده از داده های حاصل از مدل های هواشناسی و داده های ایروسل به دست آمده از تصاویر ماهواره ای مودیس به کمک الگوریتم های یادگیری عمیق مولد هست. برای این منظور سه نوع شبکه یادگیری عمیق بر مبنای مدل های مولد یعنی شبکه خود رمزنگار عمیق، شبکه باور عمیق بولتزمن و شبکه مولد تخاصمی شرطی برای تخمین غلظت PM2.5 با استفاده از داده های زمینی و ماهواره ای جمع آوری شده، توسعه داده شد. سپس ارزیابی دقت مدل های ایجادشده توسط شبکه های مذکور بر روی داده های تست انجام شد و عملکرد آن ها مورد بررسی و مقایسه قرار گرفت. ارزیابی دقت نشان داد که شبکه خود رمزنگار ترکیب شده با مدل بردار پشتیبان مبنا با همبستگی0.69 و دقت ( RMSE ) 10.34 میکروگرم بر مترمکعب بالاترین کارایی را در مقایسه با سایر مدل ها به دست می دهد که می تواند به منظور مدل سازی میزان غلظت ذرات در سطح شهر تهران مورد استفاده قرار گیرد.
۱۵.

تحلیل احساسات نظرات کاربران تریپ ادوایزر برای رستوران های ایران با رویکرد یادگیری عمیق(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت کسب و کار هوشمند سال دهم تابستان ۱۴۰۱ شماره ۴۰ 17-41

کلیدواژه‌ها: یادگیری عمیق شبکه ی عصبی متن کاوی تحلیل احساسات تریپ ادوایزر

حوزه های تخصصی:
تعداد بازدید : ۱۹۶ تعداد دانلود : ۱۳۳
رشد اینترنت، شبکه های اجتماعی و وبسایت های تجارت الکترونیک بستری جهت ارائه عقاید و نظرات برای کاربران فراهم می نمایند. در سال های اخیر بسیاری از کاربران احساسات و نظرات خوب یا بد خود را در مورد غذا، خدمات، کیفیت و فضای رستوران ها در بسترهای آنلاین بیان می کنند. این نظرات برای تصمیم گیری سایرکاربران و همینطور رستوران ها جهت حفظ کیفیت، توسعه ی محصول و برندشان بسیار مهم می باشند. تحلیل احساسات رویکردی جهت پردازش زبان طبیعی است و امکان تحلیل سیستماتیک نظرات کاربران را فراهم می نماید. با توجه به اهمیت این موضوع هدف این مطالعه ارائه ی مدل تحلیل احساسات نظرات سایت تریپ ادوایزر درباره ی رستوران های ایرانی می باشد. در این تحقیق ما تحلیل احساسات مبتنی بر جنبه بر اساس الگوریتم یادگیری عمیق شبکه ی عصبی حافظه ی طولانی کوتاه مدت استاندارد را برای استخراج احساسات کاربران در مورد رستوران ها پیشنهاد نموده ایم. برای آموزش مدل، 4000 نظر طبق چهار جنبه در سه حالت عدم اشاره، مثبت و منفی برچسب زده شد و گام های مطالعه طبق متدولوژی کریسپ صورت گرفت. میزان دقت برای معیارهای غذا، سرویس، قیمت و اتمسفر به ترتیب 82%، 86%، 87% و 81% به دست آمد. این نتایج نشان از کارایی و عملکرد قابل قبول مدل برای تحلیل احساسات مبتنی بر جنبه ی رستوران ها است. همچنین جنبه ی غذا و اتمسفر به ترتیب مهم ترین جنبه ها برای مشتریان رستوران های ایرانی محسوب می شوند. رستوران داران و صاحبان کسب وکار می توانند از مدل توسعهیافته برای کسب مزیت رقابتی و یافتن نقاط قوت و ضعف خود استفاده کنند.
۱۶.

بازسازی تصاویر تصویربرداری تشدید مغناطیسی کارکردی با استفاده از سیگنال های الکتروآنسفالوگرام با روش شبکه های کانولوشنی همبند متراکم خود رمزنگار(مقاله علمی وزارت علوم)

نویسنده:
منبع: تازه های علوم شناختی سال ۲۴ پاییز ۱۴۰۱ شماره ۳ (پیاپی ۹۵) ۱۱۵-۱۰۵

کلیدواژه‌ها: یادگیری عمیق میدان انتقال مارکوف DenseNet fastICA شبکه های خود رمزنگار

حوزه های تخصصی:
تعداد بازدید : ۲۵۰ تعداد دانلود : ۱۵۶
مقدمه: داده های استفاده شده در این مدل یادگیر از ثبت هم زمان تصاویر تصویربرداری تشدید مغناطیسی و سیگنال های الکتروآنسفالوگرام در حین انجام تکلیف شناختی نقاط تصادفی متحرک برای سنجش میزان اطمینان در تصمیم گیری ادراکی تشکیل شده است با یادگیری مدل می توان از داده های سیگنال های الکتروآنسفالوگرام در آینده به طور مستقل استفاده کرد. هدف این پژوهش بازسازی تصاویر تصویربرداری تشدید مغناطیسی کارکردی با استفاده از سیگنال های الکتروآنسفالوگرام است این پژوهش کاربردی است که بر روی داده های ثبت شده هم زمان صورت پذیرفته است. روش کار: داده های الکتروآنسفالوگرام به عنوان ورودی مدل و داده های تصاویر تصویربرداری تشدید مغناطیسی به عنوان خروجی مدل در نظر گرفته شده و مدل یاد می گیرد که چطور از داده هایی با قالب ورودی، داده هایی از جنس قالب خروجی تولید نماید. قبل از ورود داده ها به مدل داده های ورودی برای بالا رفتن دقت مدل با حذف آرتیفکت ها با روش fastICA و تبدیل شدن به ماتریس گرامیان پیش پردازش می شود. یافته ها: مدل نسبت به سایر روش ها برتری های مناسبی را در زمان آموزش و دقت مدل نشان داده است و مدل عمیق یادگیر کانولوشنی پیشنهادی با دقت مطلوبی موفق به شبیه سازی تصاویر تصویربرداری تشدید مغناطیسی از روی سیگنال های الکتروآنسفالوگرام گردید. نتیجه گیری: با استفاده از مدل عمیق یادگیر کانولوشنی پیشنهادی می توان به ارتباط بین فضای ساختاری و فضای رفتاری مغز پی برد و آن را جهت مطالعه هر بخش، پیاده سازی نمود.
۱۷.

مقایسه روش های یادگیری عمیق و طبقه بندی کننده آبشاری در تشخیص اشیا، در فرود اتوماتیک پرنده های بدون سرنشین(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال چهاردهم زمستان ۱۴۰۱ شماره ۴ (پیاپی ۵۶) 1 - 18

کلیدواژه‌ها: یادگیری عمیق فرود اتوماتیک پرنده های بدون سرنشین

حوزه های تخصصی:
تعداد بازدید : ۱۹۹ تعداد دانلود : ۱۳۷
فرود اتوماتیک یکی از موضوعات و چالش های مهم در حوزه کنترل و اتوماسیون پهپادهای بدون سرنشین است. توسعه الگوریتم های فرود اتوماتیک نیازمند تعیین موقعیت پهپاد نسبت به محل فرود است که این کار، در حوزه های پردازش تصویر، به تشخیص دقیق و سریع محل فرود نیاز دارد. ازجمله روش های معمول، در این زمینه، طبقه بندی کننده آبشاری و تناظریابی و قطعه بندی تصویر است که به نظر می رسد، با تغییرات آب و هوایی و مقیاس متفاوت، این الگوریتم ها با چالش مواجه شوند. از طرف دیگر، در سال های اخیر شبکه های کانولوشنی عمیق به منزله مدل هایی قوی به منظور شناسایی و تشخیص اشیا در تصاویر به کار رفته اند؛ بااین حال با توجه به بار محاسباتی زیاد، این مدل ها هنوز در حوزه پرنده های بدون سرنشینی که از لحاظ سخت افزاری سبک اند و قدرت پردازش ضعیفی دارند، کاربرد جدی نیافته اند. هدف این مقاله مقایسه دو روش شبکه های عمیق کانولوشنی و طبقه بندی کننده آبشاری برای تشخیص آنی محل فرود است. نتایج عملی کردن روش ارائه شده روی یک پرنده Parrot AR Drone2.0 نشان می دهد که شبکه های کانولوشنی در مقابل دوران، مقیاس، انتقال و حتی پنهان شدگی پایداری بسیار زیادی دارند. دقت تشخیص در این روش 1/99 است که، در قیاس با روش طبقه بندی کننده آبشاری، 3% بیشتر است و درعین حال از لحاظ سرعت نیز، مناسب کاربردهای آنی است.
۱۸.

شناسایی تغییرات ساختمان ها بر مبنای تئوری منطق فازی و مبتنی بر یادگیری عمیق با استفاده از مدل رقومی سطح و تصاویر ارتوفتو(مقاله علمی وزارت علوم)

نویسنده:
منبع: اطلاعات جغرافیایی سپهر دوره ۳۱ پاییز ۱۴۰۱ شماره ۱۲۳ 43 - 61

کلیدواژه‌ها: قطعه بندی چندمقیاسه خوشه بندی فازی یادگیری عمیق شبکه های عصبی کانولوشن

حوزه های تخصصی:
تعداد بازدید : ۱۶۰ تعداد دانلود : ۱۲۳
امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش های متعددی برای شناسایی تغییرات با به کارگیری داده های سنجش از دوری توسعه داده شده اند و روش های جدیدی در حال ظهور هستند. در بسیاری از روش های شناسایی عوارض زمینی، این عوارض با استفاده از پیش دانسته هایی از جمله ساختار، بافت، خصوصیات بازتابی و غیره شناسایی می شوند. هدف از این تحقیق ارایه روشی برای شناسایی تغییرات ساختمان ها در دو  منطقه شهری و در بازه های زمانی 5 ساله و 3 ساله می باشد. در این تحقیق با توجه نوع داده های مورد استفاده و مناطق مورد مطالعه و تراکم ساختمان های شهری، روش شیءمبنا برای طبقه بندی عوارض و شناسایی ساختمان ها استفاده شده است. این روش شیءگرا، قطعه بندی چندمقیاسه است که با استفاده از آن توصیف گرهای مناسب طیفی، بافتی و ساختاری استخراج و با استفاده از روش های فازی، طبقه بندی می شوند و پس از طبقه بندی در دو اپک و استخراج ساختمان های حاصل از طبقه بندی، تغییرات ارتفاعی آنها محاسبه می شود. روش های شناسایی این تغییرات بر مبنای روش مبتنی بر یادگیری عمیق است و ارزیابی آن با استفاده از روش تفاضل DSM می باشد. در روش تفاضل  DSM با استفاده از یک حدآستانه ارتفاعی تغییرات شناسایی می شوند، سپس در روش مبتنی بر یادگیری عمیق با استفاده از یک شبکه عصبی کانولوشن بار دیگر با در اختیار داشتن مشخصه های ارتفاعی و داده های واقعیت زمین  ایجادشده از شناسایی تغییرات در حالت تفاضلی، این تغییرات ارتفاعی آشکار می شوند و با تغییرات شناسایی شده در روش تفاضلی ارزیابی می شوند. نتایج آزمون ها نشان داد با توجه نوع داده مورد استفاده، منطقه مورد مطالعه و تراکم ساختمان های موجود، حدود 96% ساختمان ها از تصاویر هوایی در گام اول شناسایی و استخراج شدند. همچنین در گام دوم شناسایی تغییرات ساختمانی به روش شبکه عصبی با صحت کلی 90% انجام شده است.
۱۹.

طبقه بندی نظرهای مشتریان با رویکرد متن کاوی و یادگیری عمیق (نمونه موردی: نظرهای کاربران وبسایت دیجی کالا)(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت بازرگانی دوره ۱۴ زمستان ۱۴۰۱ شماره ۴ 675 - 694

کلیدواژه‌ها: شبکه های پیچشی طبقه بندی نظرها متن کاوی یادگیری عمیق

حوزه های تخصصی:
تعداد بازدید : ۷۸ تعداد دانلود : ۸۱
هدف: امروزه افراد هنگام خرید محصول یا تهیه خدمات، معیار های متفاوتی را برای تصمیم گیری در نظر می گیرند. یکی از این معیار ها، اطلاع از نظر خریداران قبلی محصولات و خدمات است؛ اما حجم زیاد نظرها نیز، چالشی است که پیش روی این افراد قرار دارد. پژوهش حاضر با هدف ایجاد مدلی جهت تحلیل احساسات کاربران و طبقه بندی نظر آن ها برای حل این چالش اجرا شده است. روش: پژوهش حاضر روی نظرهای خریداران تلفن همراه از وبسایت دیجی کالا، طی سال های ۱۳۹۴ تا ۱۳۹۵ انجام شده است. به منظور تحلیل احساسات و طبقه بندی نظرها، الگوریتم های مبتنی بر یادگیری عمیق و شبکه های پیچشی (کانوولوشن) که نوعی از شبکه های عمیق هستند، پیشنهاد شده است. در این پژوهش پس از پیش پردازش داده ها و یکسان سازی آن ها با استفاده از مدل از پیش تعلیم دیده فست تکست، کلمه ها به بردار هایی از اعداد صحیح تبدیل و به عنوان ورودی به شبکه عمیق پیشنهادی تحویل داده شدند. یافته ها: جهت تعلیم مدل منتخب این پژوهش، ۹۰ مرتبه الگوریتم آموزشی روی آن اجرا شد. برای صحت عملکرد مدل منتخب از معیار های ماتریس گیجی، دقت، بازخوانی، معیار F و میزان دقت استفاده شد. نتیجه گیری: در پژوهش حاضر با رویکرد شبکه های عمیق و با استفاده از شبکه های پیچشی و حافظه طولانی کوتاه مدت دوطرفه، پس از ۹۰ دوره آموزش، توانستیم با دقت ۹۳ درصد عقاید خریداران تلفن همراه در وبسایت دیجی کالا را طبقه بندی کنیم.
۲۰.

شیمی ساختمان: رویکردی زیست محیطی به ساختمان سالم و سلامت ساکنان(مقاله علمی وزارت علوم)

نویسنده:
منبع: نقش جهان سال دوازدهم زمستان ۱۴۰۱ شماره ۴ ۶۹-۵۱
تعداد بازدید : ۱۱۹ تعداد دانلود : ۱۰۵
اهداف: در فضای داخلی، دما و رطوبت نسبی اغلب کنترل می شود و حتی بدون استفاده از سیستم های گرمایش و سرمایش، تغییرات دما و رطوبت نسبی فضای داخلی کمتر از فضای باز خارجی است. ساختمان ها در برابر آلاینده هایی که منشأ بیرونی دارند، به صورت نسبی محافظت می شوند. مساله اصلی پژوهش تحلیل و بررسی اثرات زیست محیطی حاصل از قرار گرفتن در معرض ذرات و گازهایی که در داخل خانه منتشر یا تولید می شوند؛ و به خصوص تاثیر این آلاینده ها بر سلامت ساکنان می باشد. روش ها: روش تحقیق این پژوهش بر اساس استدلال منطقی استوار شده است. مبانی علمی موضوع با رویکرد شبه تجربی تحلیل شده، نتایج با روش مدل سازی ترکیبی ارایه می شود. از نظر روش شناختی، در این پژوهش، واکنش های شیمیایی انجام شده در فضاهای داخلی مورد بررسی قرار می گیرند. در این راستا، مکانیسم ها و سینیتیک واکنش ها، ویژگی های سطوح مختلف و اثر عواملی چون نور و دما مورد بررسی قرار خواهد گرفت. یافته ها: محیط زیست سالم پیش نیاز زندگی سالم برای ساکنان است؛ این مهم در فضاهای بسته به اندازه فضاهای باز و نیمه باز دارای اهمیت است. یافته های پژوهش بر اهمیت ویژه ریزآلاینده ها و تاثیر آن ها بر سلامت ساکنان تاکید دارد. نتیجه گیری: تبیین اهمیت و نقش مصالح ساختمانی در سلامت هوای داخل، یکی از مهمترین دستاوردهای این پژوهش است. دستاوری که بیش از هرچیز بر اهمیت آموزش محیط زیست در ترویج ساختمان سالم، رایانش زیستی و کاربرد مصالح دوستدار محیط زیست تاکید دارد.