دکتر محمد حسن قاسمیان

استاد دانشکده مهندسی برق و کامپیوتر دانشگاه تربیت مدرس     

چکیده:
سامانه های هوشمند معمولا از سه لایه: حسگری (طراحی و انتخاب ویژگی)، پردازش (استخراج ویژگی)، و تصمیم (شناسایی یا صدور فرمان) تشکیل شده اند. طراحی بهینه هریک از این سه لایه نقش موثر در افزایش اعتبار-صحت-سرعت عملکرد و کاهش هزینه ساخت سامانه دارد. انتخاب مناسبترین حسگر (زمان، مکان، طیف، فشار، رطوبت و...) که وظیفه تبدیل یک پدیده به سیگنال را دارد، نقش بسیار مهمی در جدا سازی اطلاعات مطلوب و نامطلوب دارد. محدودیت دسترسی به حسگرها انتخاب حسگر مناسب برای سامانه هوشمند را پیچیده میکند. برای حل این چالش یک راه حل پیشنهادی استفاده از حسگرها در کاربریهای نامتعارف آنهاست، بطور مثال چگونه می توان با چشم چشید، و با گوش دید ؟!  به عبارت دیگر، به علت محدودیتهای موجود از جمله تحریمها و هزینه ها، گاها در عمل مجبور به انتخاب حسگر نابهینه میشویم. این نقصان با یادگیری ماشین و هوش مصنوعی در لایه دوم سامانه قابل جبران میباشد. لایه پردازش تمایز بین پدیده های ورودی را بیشینه میکند. فرایند  پردازش داده ها به ذات پدیده بستگی دارد. مثلا صدای ضبط شده قلب به ویژگیهای زمانی و صدای ریه به ویژگیهای فرکانسی وابسته است. سیگنالهای الکتریکی و مغناطیسی جمجمه، تصاویر چندطیفی، راداری، فراصوت، فرو سرخ، حرارتی، MRI و CT، همگی با توجه به منشاء و کاربری خاص آنها، فرایند خودکار استخراج ویژگی هوشمند را می طلبند. در لایه تصمیم اعتبار-صحت و سرعت اخذ تصمیم بستگی به معیار تصمیم گیری مشخص شده دارد. سامانه های هوشمند چند معیاره، بهبود عملکرد چشمگیری را نشان داده اند. در انتها دو سامانه هوشمند مبتنی بر شبکه های عصبی عمیق که با الهام از سامانه های گوش و چشم (برای تصاویر سنجش از دور و طبقه بندی صدای قلب) طراحی شده اند معرفی می گردند. این دو شبکه با نمونه های آموزشی محدود (5%) از اعتبار-صحت-سرعت بالا برخوردارند. 

زندگینامه
محمد‏حسن قاسمیان یزدی تحصیلات کارشناسی خود را در رشته مهندسی مخابرات در سال 1359 در دانشکده مخابرات ایران به پایان رساند. از تیرماه 1359 تا اردیبهشت 1362 در طراحی و ساخت اولین مرکز تمام الکترونیک مرکز تحقیقات مخابرات ایران همکاری داشتند. مدارک کارشناسی‏ ارشد و دکترای خود را در رشته مخابرات از دانشگاه پردو آمریکا به ترتیب در سالهای 1363 و 1367 اخذ کردند. ایشان از آبان ماه 1367 به عنوان عضو هیئت علمی دانشگاه تربیت مدرس به تدریس و پژوهش مشغولند. ایشان بیش از 500 مقاله علمی پژوهشی در مجلات معتبر و مجموعه مقالات کنفرانس منتشر و بیش از 140 پایان نامه کارشناس ارشد و 45 رساله دکترا را راهنمایی کرده اند.

بعضی از تحقیقات کاربردی ایشان: 
طراحی و ساخت سامانه نمابر کامپیوتری (دو پایان نامه1369)، طراحی و ساخت سامانه رقومی کننده ویدئو (پایان نامه1370)، طراحی و ساخت سامانه شناسایی خودکار اثرانگشت (برنده جایزه تحقیقات کاربردی جشواره بین المللی خوارزمی 1374)، طراحی سامانه اندازه گیری بی درنگ عمق بیهوشی (رساله1378)، تعیین بهینه محل مراکز تلفن همراه با استفاده از تصاویر سنجش از دور(پایان نامه1379)، تشخیص ناهنجاری های شبکه برق در عملکرد اتاق عمل(پایان نامه1381)، تشخیص اتصال یا پاره شدن خطوط فشار قوی (پایان نامه و رساله1383)، طراحی سامانه ادغام همزمان سیگنال EEG و تصاویر سه بعدی MRI برای تهیه نقشه مغز(طرح پژوهشی SBDC 1383)، طراحی و ساخت سامانه اخذ صدای قلب و تشخیص ناهنجاری آن (دو پایان نامه 1387و1385)، چشیدن از راه دور با استفاده از دوربین ابرطیفی (رساله1391)، سامانه کنترلی و حسگری خانه های هوشمند (پایان نامه1396)،  تشخص بیماری های تنفسی (از جمله کرونا) با استفاده از صدای ریه (پایان نامه 1402). 

لینک صفحه شخصی

Abstract
Machine Learning (ML) is a rather new instrument in geophysical sciences, even if the first applications date from 30 years ago. Probably as in other research branches, it has recently attracted attention for a series of motivations, i.e. 
1. the availability of large data set, in particular from Earth Observation satellites
2. the need to retrieve/estimate spatial information from 2-D satellite and models fields
3. the possibility to improve forecasting in climatology, meteorology and oceanography 
4. the potentiality to improve/correct experimental data 
5. the need to downscale the fields from meteorological and oceanographic models to gain insight on the space variability of the main variable (temperatures and wind, for instance)
Just browsing the literature published in the last five years, one can see that in oceanography the most popular topic is the retrieval from data (~50%), followed by forecasting (~30%) and monitoring, while in meteorology the topic of predictions (nowcasting and forecasting) seems the most relevant (~80%) ML application. Among the large set of geoscience topics where the ML is applied in recent years (seismic in the solid Earth science, hydrology, oceanography, meteorology and climate science), this note is going to dwell on two applications derived from using images of clouds, from ground-based sensors and from satellite, and sea surface from the Synthetic Aperture Radar (SAR). Both kind of images present high complexity:
  • cloud images show, from below and above, the spatial distribution of clouds at different heights, along with their type according to classification, for instance stratus, closed cellular, disorganized cellular, open cellular, clustered cumulus, and suppressed cumulus types (Yuan et al, 2000). Assessing how the cloud system is organized is important in the Earth’s atmosphere radiative energy balance;
• radar SAR images of the sea surface are able to detect a large variety of geophysical phenomena: in the ocean, the gravity and internal waves, the sea current eddies and also the presence of oil slicks, ships and sea ice; in atmosphere, the atmospheric gravity waves in the top of the troposphere, the convection structures at the sea level and the wind field ML techniques are applied to cloud images to understand the cloud structure and organization up to regional scales and to SAR images to retrieve the sea surface wind field at unprecedented spatial scales. 
As for ML in general, the results’ interpretation and validation remains the main issue even in the geophysical applications, due the scarcity of suitable experimental data set. This impacts also the training of the ML models.

Curriculum Vitae of Stefano Zecchetto:
Stefano Zecchetto has been a Senior Research Scientist at the Institute of Polar Sciences (ISP) belonging to the National Research Council of Italy (CNR). Retired since 2023, he is currently Associate Senior Researcher at ISP and Adjunct Professor at the Faculty of Intelligent Systems Engineering and Data Sciences, Persian Gulf University, Busher, Iran.

 With a background in physics, he specialized in the dynamic of the ocean wind waves and in microwave satellite remote sensing of the sea. His main research interests are on the physics of the marine atmospheric boundary layer. This include the small and meso-scale marine meteorology in coastal areas, carried out using the satellite Synthetic Aperture Radar images and radar scatterometer wind data. For experimental data analysis and for retrieving the wind field over the ocean with SAR images, he developed techniques based on the 2-D continuous wavelet transform and on the convolutional neural networks.

Home page link

چکیده:
...

زندگینامه:
علی اکبر جلالی معروف به دکتر جلالی استاد دانشکده برق دانشگاه علم و صنعت ایران است. ایشان یکی از فعالان توسعه فناوری اطلاعات و ارتباطات و کاربردهای آن می باشد که با ارائه صدها سخنرانی علمی، تالیف و ترجمه کتابهای مختلف، ارائه ده ها مقاله در مجلات و کنفرانس های ملی و بین المللی، انجام ده ها پروژه پژوهشی و حضور در صدها برنامه رادیو و تلویزیونی در توسعه کاربردهای فناوری اطلاعات نقش موثری در کشور دارند. آخرین پژوهش ایشان در زمینه اینترنت اشیا می باشد.

لینک صفحه شخصی 

                                
دکتر فرشید عبداللهی                             

استاد بخش ریاضی ، دانشگاه شیراز                   

چکیده:
داده‌های بزرگ، مجموعه‌های حجیم و پیچیده از اطلاعاتی هستند که از منابع مختلف تولید می‌شوند و از تحلیل آنها اطلاعات ارزشمند، کشف الگوها و روابط مختلف استخراج می‌شود و به پاسخگویی به چالش‌های پیچیده جامعه و صنعت کمک می‌کند. استفاده از روش‌های مناسب می‌تواند هزینه‌ها را کاهش داده و ارزش افزوده برای سازمان‌ها و جامعه ایجاد کند. یکی از رویکردهای مطلوب در این زمینه، استفاده از مفهوم پراکندگی (Sparsity) است. پراکندگی یک خصوصیت مهم در داده‌ها یا سیگنال‌ها است که به وجود تعداد زیادی عنصر با مقدار صفر یا نزدیک به صفر در مجموعه داده، سیگنال یا نمایش اشاره می‌کند.  پراکندگی در فشرده‌سازی اطلاعات و یادگیری ماشین استفاده می‌شود و بهبود قابل توجهی در سرعت و دقت آموزش و پیش‌بینی مدل به همراه دارد. مفهوم پراکندگی به ما کمک می‌کند تا به صورت کارا و موثر با داده‌ها برخورد کنیم و با کاهش ابعاد داده‌ها، مجموعه کوچک‌تری از ویژگی‌ها را انتخاب کنیم و در عین حفظ اطلاعات مهم، حجم قابل توجهی از داده‌ها را کاهش دهیم. پراکندگی کاربردهای متعددی در حوزه‌های تحلیل داده دارد، به عنوان مثال در سنجش فشرده(Compressed Sensing) ، خاصیت پراکندگی داده به ما اجازه می‌دهد تا از تعداد محدودی اندازه‌گیری، بازسازی دقیقی از داده را انجام دهیم و از این طریق، اکتساب و ذخیره داده‌ها را به صورت کارآمدتری انجام دهیم.
در این سخنرانی، ما به دنیای شگفت‌انگیز کاهش ابعاد و سنجش فشرده می‌پردازیم، دو روش قدرتمندی که ما را قادر می‌سازد اطلاعات ارزشمندی را از مجموعه داده‌های بزرگ استخراج کنیم و در عین حال اندازه و پیچیدگی آنها را کاهش دهیم. سنجش فشرده چالشی برای قاعده نمونه‌برداری نایکویست-شانون است و یک روش قدرتمند برای بازسازی سیگنال‌ها به صورت کارآمد فراهم می‌کند. با افزایش تعداد نمونه‌های داده به صورت نمایی، پردازش کارآمد داده بسیار مهم است و برای کاربردهای مختلف از پردازش سیگنال تا یادگیری ماشین بسیار اساسی است. 

کلمات کلیدی: کاهش ابعاد، سنجش فشرده، پراکندگی، سادگی، پردازش سیگنال، علم داده


زندگینامه

....