آشنایی با موضوع

تشخیص آنومالی ها یک مساله مهم است که در سطوح مختلف پژوهشی و حوزه های کاربردی مطالعه می شود. روش تشخیص ناهنجاری (به انگلیسی: anomaly detection) که به عنوان تشخیص دورافتاده (به انگلیسی: outlier detection) نیز شناخته شده، به تشخیص الگوهای موجود در یک مجموعه اطلاعات داده شده، که با رفتار بهنجار (نرمال) از پیش مقررشده، مطابقت ندارد، اشاره دارد. بنابراین الگوهای تشخیص داده شده، ناهنجاری‌ها نامیده می‌شوند و اغلب به اطلاعات حیاتی و کارآمد، در چندین حوزهٔ کاربرد، ترجمه می‌شوند. همچنین ناهنجاری‌ها به عنوان دورافتادگی، تغییر، انحراف، تعجب، نابجایی، صفات عجیب، نفوذ و غیره ارجاع می‌شوند. تشخیص ناهنجاری، در حوزه‌های مختلف، مانند سامانه تشخیص نفوذ، تشخیص تقلب، عیب یابی، نظارت بر سلامت سامانه، تشخیص رویداد در شبکه‌های حسگر، و تشخیص اختلالات سیستم سازگار با محیط زیست قابل اجرا است. این روش اغلب در پردازش به منظور حذف داده‌های غیرعادی از مجموعه داده‌ها، بکار می‌رود. در یادگیری تحت نظارت، حذف داده‌های غیرعادی از مجموعه داده، اغلب منجر به افزایش معنی دار آماری در دقت می‌شود.
در این صفحه تعداد 420 مقاله تخصصی درباره تشخیص آنومالی یا تشخیص ناهنجاری که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید.
در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI تشخیص آنومالی یا تشخیص ناهنجاری (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند.
در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: تشخیص آنومالی یا تشخیص ناهنجاری; Flight safety; Flight data; Flight operations monitoring; Anomaly detection; Cluster analysis
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: تشخیص آنومالی یا تشخیص ناهنجاری; Ant Colony Optimization; Traffic characterization; Network management; Unsupervised learning; Anomaly detection; Self-organized agents