کدرز نیوز

برچسب: دانشگاه تهران

  • توسعه نرم‌افزار بومی پردازش GNSS در دانشگاه تهران

    توسعه نرم‌افزار بومی پردازش GNSS در دانشگاه تهران

    یک نرم‌افزار بومی پردازش GNSS با دقت سانتی‌متری با هدف کاهش وابستگی به نمونه‌های خارجی، به‌طور کامل در دانشگاه تهران طراحی و توسعه یافته و در شبکه ایستگاه‌های دائمی شرکت ملی مناطق نفت‌خیز جنوب مورد آزمایش و ارزیابی قرار گرفته است.

    این نرم‌افزار به‌عنوان یک پلتفرم مدرن، امن و هوشمند، امکان پردازش مشاهدات سامانه‌های مختلف تعیین موقعیت جهانی از جمله GPS، Galileo، BeiDou و GLONASS را فراهم می‌کند. پردازش خودکار داده‌ها در روش‌های استاتیک، PPK، PPP، SPP و همچنین کنترل کیفیت مشاهدات از جمله قابلیت‌های اصلی این سامانه به شمار می‌رود. علاوه بر این، امکان پایش آنی اثرات یونسفر و تروپسفر نیز در بستر این نرم‌افزار پیش‌بینی شده است.

    این سامانه با پشتیبانی از انواع داده‌های GNSS، ابزاری کاربردی برای مهندسان نقشه‌بردار، پژوهشگران، شرکت‌ها و سازمان‌های فعال در حوزه سنجش و پایش داده‌های ماهواره‌ای محسوب می‌شود. از جمله قابلیت‌های فنی آن می‌توان به اتصال به ایستگاه‌های مرجع در حالت‌های کلاینت و سرور، پشتیبانی از تمامی منظومه‌ها و سیگنال‌های GNSS موجود و امکان توسعه آن‌ها در آینده اشاره کرد. این نرم‌افزار همچنین توان پشتیبانی هم‌زمان از حداقل ۵۰ ایستگاه دائمی GNSS و ۲۰۰ کاربر فعال و حل ابهام فاز برای طول بازهای تا ۷۰ کیلومتر را داراست.

    از نظر دقت، این سامانه در روش استاتیک با حداکثر ۱۵ دقیقه استقرار، دقت نسبی ۲ سانتی‌متر مسطحاتی و ۳ سانتی‌متر ارتفاعی را تأمین می‌کند. همچنین در روش‌های PPK و NRTK، دقت نسبی ۴ سانتی‌متر مسطحاتی و ۵ سانتی‌متر ارتفاعی گزارش شده و تصحیحات با حداکثر تأخیر مجاز ۰٫۵ ثانیه در اختیار کاربران قرار می‌گیرد.

    پشتیبانی از اتصال به ایستگاه‌های مرجع از طریق پورت‌های Serial، TCP و UDP، سازگاری با پروتکل NTRIP نسخه‌های ۱ و ۲، نمایش نقشه آنلاین با پس‌زمینه‌ای مشابه Google Map، امکان مشاهده وضعیت ایستگاه‌های CORS و کاربران فعال و تهیه خروجی KML از دیگر قابلیت‌های این نرم‌افزار است.

    این سامانه از فرمت‌های داده‌ای مختلف از جمله RTCM2.x، RTCM3.x، RINEX 2.x، RINEX 3.x و داده‌های خام پشتیبانی می‌کند و امکان آرشیو اطلاعات، دریافت نامحدود ورودی‌های RTCM، مدل‌سازی و ارسال تصحیحات با الگوریتم‌های NEAREST و VRS و همچنین تحلیل و کنترل کیفیت داده‌ها به‌همراه گزارش‌ها و نمایش‌های گرافیکی تخصصی را فراهم می‌سازد.

    در بخش قابلیت‌های پیشرفته، می‌توان به مدل‌سازی خطاها در فضای حالت (SSR) و فضای مشاهدات (OSR)، ثبت و مشاهده کامل لاگ رویدادهای سامانه، فعالیت کاربران و ایستگاه‌ها، پس‌پردازش تفاضلی داده‌های خام در حالت‌های Static و Stop and Go، پردازش نقطه‌ای داده‌ها در روش‌های SPP و PPP و تحلیل اثرات یونسفر و تروپسفر از طریق استخراج پارامترهای STEC و ZTD اشاره کرد.

    همچنین امکان مانیتورینگ لحظه‌ای مختصات ایستگاه‌های مرجع، ثبت تاریخچه تغییرات آن‌ها و بهره‌مندی از یک پورتال خدماتی با سطوح دسترسی متنوع برای کاربران، این نرم‌افزار را به یک سامانه جامع بومی در حوزه موقعیت‌یابی دقیق ماهواره‌ای تبدیل کرده است.

    این پروژه در آزمایشگاه ژئودزی ماهواره‌ای دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی دانشکدگان فنی دانشگاه تهران و تحت نظارت دکتر سعید فرزانه، عضو هیئت علمی دانشگاه تهران، با مشارکت دانشجویان و پژوهشگران این حوزه اجرا شده است.

    اخبار مرتبط بیشتر در این رابطه را می‌توانید از این صفحه دنبال کنید.

  • دستاورد جدید دانشگاه تهران در تحلیل سری‌های زمانی با هوش مصنوعی

    دستاورد جدید دانشگاه تهران در تحلیل سری‌های زمانی با هوش مصنوعی

    به گزارش خبرگزاری مهر به نقل از دانشگاه تهران، تیمی از پژوهشگران دانشکدگان علوم این دانشگاه موفق شدند به نتایج مهمی در حوزه تحلیل سری‌های زمانی با هوش مصنوعی دست پیدا کنند. این تیم پژوهشی متشکل از دکتر باقر باباعلی، دانشیار دانشکده ریاضی، آمار و علوم کامپیوتر، و محمدمهدی عزیزی، دانشجوی دکترای علوم کامپیوتر است.

    پژوهشگران این پروژه، با تمرکز بر معماری «میکسر ماتریسی» و توسعه یک روش نوین «توکن‌سازی» رویکرد تازه‌ای برای بهبود دقت مدل‌های یادگیری ماشین در داده‌های زمانی ارائه کرده‌اند.

    نقش کلیدی توکن‌سازی در مدل‌های مبتنی بر توجه

    دکتر باباعلی در تشریح این دستاورد توضیح داد که مدل‌های مبتنی بر Attention تنها زمانی عملکرد مطلوب دارند که داده‌های زمانی به‌درستی قطعه‌بندی شوند. به گفته او، نحوه توکن‌سازی داده‌ها نقش تعیین‌کننده‌ای در درک معنای اطلاعات توسط مدل ایفا می‌کند.

    وی تأکید کرد که بدون یک توکن‌سازی دقیق، حتی قدرتمندترین معماری‌ها نیز روی داده‌های نادرست آموزش می‌بینند. این موضوع می‌تواند دقت نهایی مدل را به‌طور جدی کاهش دهد.

    چالش تنوع داده‌های سری زمانی

    باباعلی با اشاره به چالش‌های اصلی این حوزه گفت تنوع بالای داده‌های سری زمانی، از نظر نویز، مقیاس و فرکانس، توسعه یک مدل پایه جهانی را دشوار کرده است. به گفته او، پژوهش حاضر با بازتعریف معماری میکسر ماتریسی، مسیر ساخت چنین مدل‌هایی را هموارتر می‌کند.

    این رویکرد، معماری را به یک «جعبه ابزار منعطف» تبدیل می‌کند که می‌تواند با انواع داده‌های پیچیده سازگار شود.

    چرا Attention بر MLP-Mixer برتری دارد؟

    سرپرست این تیم پژوهشی توضیح داد که مکانیزم Attention به مدل اجازه می‌دهد روابط کوتاه‌مدت و بلندمدت بین قطعات داده را به‌صورت پویا شناسایی کند. این ویژگی، مزیتی مهم نسبت به روش‌هایی مانند MLP-Mixer محسوب می‌شود.

    او افزود این برتری در داده‌هایی مانند سیگنال‌های مغزی یا داده‌های زیستی، که وابستگی‌های زمانی ظریفی دارند، اهمیت حیاتی پیدا می‌کند.

    دقت ۸۶ درصدی بدون داده‌های برچسب‌دار

    به گفته باباعلی، مدل پیشنهادی در حالت خودنظارتی به دقت متوسط ۸۶ درصد روی بنچ‌مارک‌های معتبر دست یافته است. این نتیجه نشان می‌دهد که مدل توانسته بدون اتکا به داده‌های برچسب‌دار پرهزینه، الگوهای نهفته در داده‌های زمانی را یاد بگیرد.

    این ویژگی، کاربرد مدل را در شرایط واقعی که داده‌های برچسب‌دار محدود هستند، بسیار ارزشمند می‌کند.

    مسیر آینده پژوهش‌های سری زمانی

    دکتر باباعلی در پایان به مسیر آینده این تحقیقات اشاره کرد. او گفت پژوهشگران قصد دارند به سمت «توکن‌سازی تطبیقی و هوشمند» حرکت کنند؛ رویکردی که در آن، خود مدل بهترین روش قطعه‌بندی داده را انتخاب می‌کند.

    به گفته او، تحقق این هدف می‌تواند تحول بزرگی در تحلیل داده‌های صنعتی و زیستی ایجاد کند و کاربردهای هوش مصنوعی را گسترش دهد.

    جمع‌بندی

    بر اساس گزارش خبرگزاری مهر، این دستاورد نشان می‌دهد که ترکیب بینش‌های آماری با معماری‌های نوین یادگیری عمیق می‌تواند افق‌های تازه‌ای در تحلیل سری‌های زمانی با هوش مصنوعی ایجاد کند. پژوهش دانشگاه تهران نمونه‌ای روشن از گذار موفق از پژوهش نظری به کاربردهای عملی در علوم داده و یادگیری ماشین است.