تجزیه تات برای ماتریس ها و دو - مترویدها
چکیده
چکیدهای برای این سند ثبت نشده است.
چکیدهای برای این سند ثبت نشده است.
تجزیه ی ماتریس دارای کاربردهای زیادی نظیر: کاهش بعد، تشخیص الگو، آنالیز بیان ژن و ... می باشد. از آنجا که دربسیاری از کاربردها مانند تشخیص چهره، عناصر منفی وجود و معنا ندارند، تجزیه غیرمنفی و باینری ماتریس پیشنهاد داده شده است. در تجزیه ماتریس باینری، همه ی عناصر باینری هستند و ج
تجزیه نامنفی ماتریس nmf از موضوعات به روز در زمینه جبرخطی است که برای تشخیص الگو، تحلیل داده ها و کاهش بعد به کار می رود. در این حوزه هدف، تجزیه ماتریس a شامل داده های نامنفی به حاصل ضرب ماتریس پایه u و ماتریس ضرایب v^t با درایه های نامنفی است. در حالت کلی نیاز به تحلیل و استخراج
فناوری ریزآرایه ی dna دارای آثار شگرفی در تحقیقات سرطان می باشد و داده های بیان ژن ریزآرایه، برای تشخیص ویژگی های ژنتیکی سرطان کاربرد وسیعی دارد، که می تواند به منظور افزایش دقت تشخیص سرطان و پیش بینی بیماری استفاده گردد. البته در مطالعات مختلف به دلیل محدودیت اندازه ی نمونه ها،
تجزیه نامنفی ماتریس روش بسیار مفیدی برای تقریب داده های با ابعاد بالاست که دارای مولفه های نامنفی هستند. این تجزیه در زمینه های بسیاری چون یافتن بردارهای پایه تصویر، خوشه بندی اسناد متنی و غیره کاربرد دارد. در این پایان نامه به بررسی برخی از الگوریتم های موجود برای آن از جمله روش
در این رساله خواص طیفی ماتریس عملگر بلوکی a روی فضای هیلبرت h h×h که در آن -d و a عملگرهایی -m قطاعی و d و b عملگرهای کراندار می باشند را مورد مطالعه قرار می دهیم. تحت یک فرض اضافی طیف a شامل یک قسمت در نیم صفحه راست و یک قسمت در نیم صفحه چپ می باشد و زیرفضاهای طیف متناظر قابل نم
در این پایان نامه، روش های تجزیه ی ماتریس های باینری و صحیح را با استفاده از روش های proximus و imf بررسی کرده، سپس کاربردهای این روش ها در خوشه بندی داده ها با ابعاد بالا، داده کاوی، حذف نویز، زیست شناسی و تشخیص ویژگی های داده ها مورد مطالعه قرار گرفته و محاسن و معایب روش ها با
تجزیه نامنفی ماتریس یک رویکرد جدید برای کاهش ابعاد دادهها است. در این روش با اعمال محدودیت نامنفی بودن دادههای ماتریس، ماتریس به اجزایی تجزیه میشود که این اجزا تفسیر پذیرتر هستند و دادهها را به بخشهایی تقسیم میکنند که دادههای موجود در این بخشها ارتباط خاصی با هم دارند. در
تحلیل مجموعهی مقادیر تکین(SSA) روشی نسبتاً جدید و قدرتمند در حوزهی تحلیل سریهای زمانی است. روش SSA یک روش ناپارامتری است که به دلیل دارا بودن ویژگیهایی نظیر عدم نیاز به برقراری فرض های مانایی سری زمانی و نرمال بودن مانده ها، مورد توجه بسیاری از پژوهشگران در حوزهی تحلیل سری
یادگیری ماشین در طی دهههای گذشته به دلیل طیف گسترده کاربردهای آن مورد استفاده زیادی قرار گرفته است. در اکثر کاربردهای یادگیری ماشین مانند خوشهبندی و طبقهبندی، ابعاد دادهها زیاد میباشد و استفاده از روشهای کاهش ابعاد داده ضروری است. تجزیه ماتریس غیر منفی با استفاده از استخراج ویژگی
در سالهای اخیر، استفاده از سامانههای پیشنهاددهنده در شبکههای اجتماعی رشد قابل توجهی داشته است. در این سامانهها، رفتار و علایق کاربران در طول زمان تغییر میکند و تطبیق سامانههای پیشنهاددهنده با این پویایی علایق و نیازهای کاربران بهمنظور ارائه پیشنهادات دقیقتر به کاربران ض
سیستمهای توصیهگر یکی از ضروری ترین ابزارهای هوشمندسازی تجارت الکترونیک است. این سیستمها با انواع مختلف روشهای فیلترکردن دادهها و دادهکاوی، قادر به انتخاب و ارایه بهترین پیشنهادات از بین انبوه موارد قابل انتخاب برای مشتریان هستند. در بین روشهای متنوع سیستمهای توصیهگر، فیل
چکیدهسابقه و هدف: از جمله اجزای پیچیده گرد و غبار خیابانی، فلزات سنگین میباشند که به دلیل سمیت بالا، پنهان شدن، پایداری و تجمع بیولوژیکی تبدیل به یک مشکل شهری و زیست محیطی شده است و توجه زیادی را به خود جلب کردهاند. وجود فلزات سنگین در گرد و غبار خیابانی باعث میشود که آنها در