بستن× ارتباط ۸۴۹۷۷۶۷۲
بستن×

فرم جستجو

بازسازی سیگنال گراف داده های حجیم با استفاده از روش‌های مبتنی بر compressive sensing

زمان برگزاری: 02/12/1396 - 10:00 الی 12:00
نوع: کارگاه آموزشی
زبان: فارسی
سازمان ارائه دهنده: پژوهشگاه ارتباطات و فناوری اطلاعات
ارائه دهنده: دکترگیتا بابازاده اسلاملو
تلفن تماس:
مکان: سالن آموزش
نشانی تارنما:
ردیف فایل تصویری
1 Segment1.mp4 Segment2.mp4 Segment3.mp4

چكيده:

گسترش استفاده از اینترنت و پیدایش تکنولوژی های جدید موجب ایجاد حجم وسیعی از داده ها شده است. ظهور داده های حجیم، روش های سنتی تحلیل و ذخیره داده را ناکارآمد نموده است. از این رو برای انجام هرگونه تحلیلی بر روی این داده های حجیم و پیچیده، نیازمند انتخاب الگوریتم های کارآمدی هستیم.

در سال های اخیر تحقیقات گسترده ای در زمینه ایجاد تکنیک های جدید برای کار بر روی داده های حجیم صورت گرفته است که موجب پیدایش زیرساخت ها و الگوریتم های مختلفی در این حوزه گشته است. با توجه به وجود روش ها و الگوریتم های مختلف برای کار با داده های حجیم، انتخاب الگوریتم مناسب برای کار با این داده ها نیازمند شناخت دقیق مشخصات و ویژگی های آن ها است.

یکی از مشخصات و ویژگی های موجود در برخی از داده های حجیم همسان (Smooth) بودن مقادیر در داده های مختلف است. منظور از همسان بودن مقادیر این است که مولفه های همسایه مقادیر مشابه هم داشته باشند و بتوان آن ها را در دسته های یکسانی قرار داد. برای بکارگیری این ویژگی داده (سیگنال)، می توان داده را بر روی گراف نگاشت کرد بطوری که هر مولفه داده به یک گره از گراف نگاشت شود. ویژگی همسانی در کاربردهای مختلفی از جمله شبکه های اجتماعی، شبکه های حسگر، الگوریتم های ژنتیک و... وجود دارد. برای مثال در حوزه شبکه های اجتماعی، ما انتظار داریم که داده های مربوط به مشخصات افرادی که با هم دوست هستند )نظیر گروه سنی، علایق و ...( تفاوت چندانی با هم نداشته باشند. بنابراین الگوریتم های مورد استفاده برای کار با داده های ایجاد شده در این کاربردها، باید ویژگی همسانی را در روش خود دخیل کرده باشند.

یکی از نیازمندی ها در حوزه کار با داده های حجیم، ذخیره سازی تعداد بسیار کم نمونه هایی از این داده ها و سپس امکان بازسازی داده اولیه با دقت بالا از روی این نمونه های نویزی است. در این جلسه مسئله بازسازی گراف سیگنال با بهره گیری از اطلاعات نویزی مورد بررسی قرار خواهد گرفت . تکنیک compressive sensing  به دلیل بازسازی نسبتاً دقیق داده (سیگنال) با استفاده از یافتن راهکاری

برای سیستم های خطی نامعین از جمله روش های کارآمد در این حوزه می باشد. در روش های مبتنی بر compressive sensing ، داده اولیه با بکارگیری دانش پیش فرض درمورد ساختار داده (مانند خلوت یا همسان بودن سیگنال) بازسازی می شود.

در این ارائه نشان می دهیم با استفاده از تکنیک های بهینه سازی و بهره مندی از مدل داده می توان با تعداد بسیار کم نمونه ها (خیلی کمتر از نمونه های مورد نیاز در روش نایکویست) داده اولیه را بازسازی نمود. در ادامه با برخی از روش های موجود در حوزه compressive sensing  آشنا شده و کارایی این روش ها را بر روی داده های واقعی نشان می دهیم.

مستنداتی یافت نشد.