دانلود مقالات ISI درباره اطلاعات متقابل + ترجمه فارسی

اطلاعات متقابل (به انگیسی Mutual information)در نظریه احتمالات و نظریه اطلاعات، اطلاعات متقابل بین دو متغیر تصادفی معیاری برای نشان دادن میزان وابستگی متقابل آن دو متغیر می باشد. به بیان دیگر در حقیقت این معیار "میزان اطلاعات" به دست آمده (مثلاً در واحد بیت) در مورد یک متغیر تصادفی از طریق متغیر تصادفی دیگر را نشان می دهد. مفهوم اطلاعات متقابل ذاتاً مرتبط با آنتروپی یک متغیر تصادفی که میزان اطلاعات موجود در یک متغیر تصادفی را نشان می دهد، می باشد. طبیعت پیچیده ارتباطات مغزی که متشکل از شبکه‌های محلی به هم مرتبط است نمایانگر اصلی سازمان‌دهی کارکردی آن است. به منظور سنجش وابستگی‌ بین مناطق مختلف مغز، عموماً از معیارهای خطی مثل ضریب همبستگی متقابل استفاده می‌شود. با این وجود از میانه‌های دهه 1980 میلادی، روش‌های غیرخطی مبتنی بر تئوری اطلاعات برای تحلیل سیگنال‌های مغزی مورد توجه فزاینده قرار گرفت چراکه محققان معتقد بودند ویژگی‌های غیرخطی سیستم همودینامیک بر روی سیگنال BOLD اثر می‌گذارد. مزیت معیارهای مبتنی بر تئوری اطلاعات در تخمین ماتریس ارتباطات کارکردی و در حضور عوامل غیرخطی و نویز مورد بررسی قرار می‌گیرد. همچنین یک معیار اطلاعات متقابل جدید به نام «اطلاعات متقابل درجه ‌دوم» (QMI) ارائه می‌شود که امکان تخمین بهینه‌ی اطلاعات را در ابعاد بالا فراهم می‌کند و در نتیجه می‌تواند برای تحلیل‌های چند-واکسله و چند-سوژه استفاده شود. به علاوه، برای توزیع‌های گوسی رابطه‌ای تحلیلی به دست ‌آوردکه اطلاعات متقابل درجه دوم را به همبستگی متقابل مرتبط می‌کند. سپس برای بهبود و تضمین عملکرد این تخمینگر روشی برای تصحیح بایاس آن بیان می‌شود. به منظور سنجش عملکرد معیار اطلاعاتیِ جدید، سه دسته داده شبیه‌سازی fMRI حالت استراحت بر اساس مدل‌های شناخته‌شده تولید می‌شود. یکی از مسایل موجود در سیستم های حمل و نقل هوشمند، پیش بینی جریان ترافیک می باشد که نقش مهمی را در مباحث کنترل ترافیک، کنترل چراغ های راهنمایی و کنترل زمان سفر دارد. دیدگاه استفاده از اطلاعات متقابل (Mutual Information) یک ایده جالب برای به دست آوردن میزان وابستگی موجود بین داده های گذشته می باشد که می تواند میزان وابستگی غیرخطی موجود بین داده ها را بهدست آورد. با محاسبه این تقابل اطلاعات بین داده های گذشته و انتخاب بهترین دسته داده برای عملیات پیش بینی سعی کردهایم که در عین کاهش حجم محاسباتی، دقت پیش بینی را نیز افزایش دهد اطلاعات متقابل میزان شباهت بین توزیع مشترک p ( X، Y ) {\displaystyle p(X،Y)} و ضرب احتمال های حاشیه ای یعنی p ( X ) p ( Y ) {\displaystyle p(X)p(Y)} را مشخص می سازد.