در سال های اخیر تولید انبوهی از تصاویر و توزیع آن ها در سراسر جهان رشد چشمگیری داشته است. در بسیاری از زمینه ها مانند کاربردهای تجاری، کتابخانه های دیجیتال و بیمارستان ها، مجموعه های عظیمی از تصاویر دیجیتال ایجاد شده است. این گستره تولید، نیازمند توسعه ابزاری به منظور مدیریت و بازیابی مناسب در زمینه های مختلف می باشد. بازیابی تصویر مبتنی بر محتوی، به یافتن تصاویر با استخراج خودکار ویژگی های بصری سطح پائین مانند رنگ، بافت و شکل می پردازد. یکی از چالش اصلی فراروی بازیابی تصویر مبتنی بر محتوی شکاف معنایی است. شکاف معنای میان مفاهیم سطح بالایی که به طور طبیعی کاربران به تصاویر مرتبط می کنند و ویژگی های بصری سطح پائین که سیستم به آن ها تکیه می کند، وجود دارد. یک راه حل موفقیت آمیز برای کاهش شکاف معنایی، بکارگیری روش های یادگیری ماشین است. هنگامی که بازیابی تصویر، به عنوان یک مسئله یادگیری مطرح می شود، برای استفاده از روش های یادگیری نظارت شده، باید تعداد کافی از مثال های آموزشی برچسب دار فراهم کرد. فراهم کردن تعداد کافی از مثال های آموزشی برچسب دار عملی بازدارنده است. در مقابل، تصاویر بدون برچسب به کمیت زیادی دردسترس هستند. بنابراین، رویکرد موثر و عملی دیگر در یادگیری استفاده از نمونه های برچسب دار به همراه نمونه های بدون برچسب در زمان یادگیری است، این ایده مبنای اصلی رویکرد یادگیری نیمه نظارتی را تشکیل می-دهد که اغلب منتهی به نتایج دقیقتری می شود. در این پژوهش، سیستم بازیابی تصویر به سه زیرسیستم، برون خطی، درون خطی و پردازش تکمیلی و اعمال نظر کاربر تقسیم شده است. در زیرسیستم برون خطی، بازیابی تصاویر کلیه براساس فرآیند پیش پردازش و استخراج ویژگی های موثر تصاویر سونوگرافی کلیه انجام شده است. در این زیرسیستم، روشی مبتنی بر یادگیری تجمیعی برای انجام یادگیری نیمه نظارتی در حوزه تصاویر سونوگرافی کلیه پیشنهاد شده است. در زیرسیستم درون خطی از یک طبقه بند نظارتی به منظور تعیین برچسب تصویر پرس وجو و افزایش دقت سیستم بازیابی تصویر؛ و همچنین از رویکرد بیشینه- کمینه بهبودیافته به منظور بهبود نتایج بازیابی استفاده شده است. در زیرسیستم پردازش تکمیلی و اعمال نظر کاربر، برای توصیف ارتباطات معنایی بین تصاویر، کم کردن شکاف معنایی، لحاظ نمودن نظرات متخصص و افزایش دقت سیستم از بازخورد ربط کاربر نیز بهره گیری شده است. در این پژوهش هدف از ارائه رویکردهای ذکر شده افزایش دقت بازیابی تصاویر کلیه بدون تاکید بر جنبه سرعت بازیابی می باشد. براساس آزمایشات صورت گرفته، رویکردهای پیشنهادی قادر به افزایش قابل قبول دقت در عملیات بازیابی تصاویر سونوگرافی کلیه در مقایسه با سیستم های مشابه می باشد.

در سال های اخیر، رشد شبکه ارتباطی جهانی و همچنین بهبود وسیع در فناوری های موتور جستجو، تغییرات جدی را در روش های جمع آوری و اشتراک گذاری اطلاعات موجب گردیده است. اگر چه تاکنون فناوری موتور جستجو به موفقیت های زیادی دست یافته است اما هنوز مشکلاتی در فرایند جستجو وجود دارد که سبب نمایش نتایجی نامرتبط با موضوع اصلی می شود. راهکارهای زیادی در جهت رفع این مشکلات مطرح شده است که بسط پرس و جو یکی از آن ها می باشد. بسط پرس و جو یک روش تقویت پرس و جوست که برای افزایش میزان ارتباط معنایی نتایج بدست آمده از طریق افزودن واژه های جدید به یک پرس و جوی ابتدایی و یا تغییر وزن کلمات موجود در آن عمل می نماید. در این پژوهش با توجه به یکی از چالش های مهم در این زمینه یعنی عدم وجود ارتباط معنایی مناسب بین کلمات انتخاب شده برای بسط و کلمات موجود در پرس و جو، بسط پرس و جو با بهره گیری از روش های معنایی مورد توجه قرار گرفته است. تمامی راهکارهای ارائه شده در این پژوهش مبتنی بر انتخاب کلماتی مرتبط به لحاظ معنایی با کلمات پرس وجو جهت بسط آن می باشد. در روش پیشنهادی ابتدا کیفیت داده ها با استفاده از ابزارهای پردازش زبان طبیعی ارتقاء داده می شود. این امر منجر به تولید مجموعه داده همتا شده است که می تواند سبب افزایش کارایی در فرایند بازیابی گردد. همچنین در روش پیشنهادی با استفاده از روش های آماری یک گراف ارتباط مفهومی مبتنی بر مفاهیم اصلی متون و ارتباط میان آن ها ساخته شده است. با استفاده از گراف پیش گفته و آنتولوژی فارس نت گروه بندی معنایی کلمات صورت پذیرفته است که در واقع این گروه های معنایی مبنای اصلی بسط پرس و جو را در روش پیشنهادی تشکیل می دهند. در نهایت با بهره گیری از این گروه های معنایی و الگوریتم ژنتیک عملیات بسط پرس و جو انجام می گیرد. نتایج بدست آمده از آزمون روش پیشنهادی و برخی روش های دیگر در قالب نمودارهای دقت و میانگین متوسط دقت ارائه گردیده است.

با پیشرفت های اخیر در فرایند ارتباطات و ذخیره سازی داده، میزان زیادی از اطلاعات جمع آوری و ذخیره شده است. چنین میزان گسترده ای از داده ها فرصت های زیادی برای کشف دانش ایجاد می کنند. اگرچه، اطلاعات تقریبا همیشه تحت برخی ملاحظات حفظ حریم خصوصی جمع آوری شده است، اما در سال های اخیر افزایش نگرانی ها درمورد محرمانگی باعث شده است که صاحبان داده ها تمایل به اشتراک گذاری داده هایشان و ایجاد انباره های داده ی اشتراکی نداشته باشند. وجود محدودیت مذکور در جمع آوری داده ها می تواند در میزان موفقیت فرایند داده کاوی اثر منفی داشته باشد، بنابراین انجام داده کاوی با حفظ محرمانگی مسأله پژوهشی مهمی تلقی می شود. یکی از مهم ترین راهکارها جهت حفظ محرمانگی در داده کاوی، روش های مبتنی بر آشفتگی داده است. چالش عمده این دسته از روش ها عدم تعادل مطلوب بین حفظ محرمانگی و دقت داده هاست. براین اساس، تحقیقاتی مبتنی بر روش های تجزیه ماتریس، در راستای رفع چالش فوق و ایجاد تعادل مناسب بین حفظ محرمانگی داده و حفظ سودمندی داده ها صورت گرفته است. اما معمولا در روش های مبتنی بر تجزیه ماتریس، همه داده ها با درجه یکسانی تحریف می شوند، در صورتیکه تمام داده ها اهمیت یکسانی برای داده کاوی ندارند و همه آنها نیازمند یک سطح محرمانگی نیستند. در این پژوهش، در راستای بهبود روش های مبتنی بر آشفتگی، مدلی جدید ارائه شده است. در روش پیشنهادی با استفاده از روش های انتخاب ویژگی تمام ویژگی های مجموعه ی داده بر حسب اهمیتشان برای داده کاوی، به دو گروه تقسیم شده و هر کدام از این گروه ها با مرتبه ی متفاوتی آشفته می شوند. همچنین به منظور جبران کاهش دقت ناشی از تحریف داده ها، از روش های شفاف سازی استفاده شده است. آزمون های مختلف و تحلیل نتایج حاصل از آنها نشان می دهد که روش پیشنهادی ارائه شده، نسبت به روش های پیشین، موجب بهبود سطح حفظ محرمانگی داده ها و دقت نتایج داده کاوی شده است. به بیان دیگر روش پیشنهادی تعادل مطلوبی را بین حفظ محرمانگی و سودمندی داده ها ایجاد می کند.

چکیده ندارد.