نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

در این مقاله، با استفاده از تحلیل کتاب‌سنجی، ارزیابی تحقیقات هوش مصنوعی را از سال 1990 تا 2014 انجام دادیم. ما تجزیه و تحلیل فضایی و تجزیه و تحلیل شبکه های اجتماعی را به عنوان روش های بازیابی اطلاعات جغرافیایی برای تجزیه و تحلیل کتابسنجی صریح فضایی معرفی کردیم. این مطالعه بر اساس تجزیه و تحلیل داده‌های به‌دست‌آمده از پایگاه داده‌های Science Citation Index Expanded (SCI-Expanded) و Conference Proceedings Citation Index-Science (CPCI-S) است. نتایج ما خروجی‌های علمی، دسته‌های موضوعی و مجلات اصلی، بهره‌وری نویسنده و توزیع جغرافیایی، بهره‌وری و همکاری بین‌المللی، و موضوعات داغ و روندهای تحقیقاتی را نشان داد. رشد خروجی های مقاله در تحقیقات هوش مصنوعی از دهه 1990 همراه با افزایش همکاری، ارجاع و استنادها افزایش یافته است. علوم کامپیوتر و مهندسی بیشترین مقوله های مورد استفاده در مطالعات هوش مصنوعی بودند. بیست نویسنده مولد برتر در کشورهایی با سرمایه گذاری بالا در تحقیق و توسعه توزیع شده اند. ایالات متحده دارای بالاترین تعداد مؤسسات تحقیقاتی برتر در زمینه هوش مصنوعی است که بیشتر مقالات تک کشوری و مشترک را تولید می کنند. اگرچه همکاری‌های روزافزونی بین مؤسسات وجود دارد، اما همکاری‌ها، به‌ویژه بین‌المللی، آنطور که انتظار می‌رود در تحقیقات هوش مصنوعی چندان رواج ندارد. تجزیه و تحلیل کلیدواژه ترجیحات تحقیقاتی جالبی را نشان داد، تأیید کرد که روش‌ها، مدل‌ها و کاربردها در جایگاه مرکزی هوش مصنوعی قرار دارند. علاوه بر این، ما کلمات کلیدی مرتبط جالبی با فراوانی همزمان بالا پیدا کردیم، که در سال های اخیر به شناسایی مدل ها و حوزه های کاربردی جدید کمک کرده است. نتایج تجزیه و تحلیل کتاب‌سنجی حاصل از مطالعه ما درک پیشرفت و روند در هوش مصنوعی را به‌ویژه برای آن دسته از محققانی که علاقه‌مند به حل مسئله مبتنی بر هوش مصنوعی دامنه خاص هستند، تسهیل می‌کند. این کمک بزرگی برای کاربردهای هوش مصنوعی در زمینه های جایگزین به طور کلی و علم اطلاعات جغرافیایی به طور خاص خواهد بود.
کلید واژه ها: 

هوش مصنوعی ؛ تجزیه و تحلیل کتاب سنجی ; خروجی های علمی ; گرایش های پژوهشی ؛ SCI-expanded ; فهرست استنادی مجموعه مقالات کنفرانس-علم

 

1. معرفی

هوش مصنوعی (AI) موضوعی است که نظریه‌ها، روش‌ها و کاربردها را با توجه به شبیه‌سازی، بسط و گسترش هوش انسانی برای حل مسئله مطالعه می‌کند. حوزه‌های کاربردی هوش مصنوعی شامل رباتیک، تشخیص صدا، تشخیص تصویر، پردازش زبان طبیعی و سیستم‌های خبره است [ 1 ]. هوش مصنوعی، به عنوان شاخه ای از علوم کامپیوتر، هدفش درک ماهیت هوش و طراحی ماشین های هوشمندی است که می توانند به عنوان رفتار انسان عمل کنند. هوش مصنوعی از زمان کنفرانس دارتموث در سال 1956 محققان را با توجه به نظریه ها و اصول خود جذب کرده است [ 2 , 3] .]. از دهه 1960، تحقیقات مرتبط با هوش مصنوعی به شدت تامین شده است و آزمایشگاه های زیادی در سراسر جهان تأسیس شده است. با این حال، در اواسط دهه 1970 و اوایل دهه 1980، دو دوره رکود در هوش مصنوعی وجود دارد [ 4 ]. تا دهه 1990، هوش مصنوعی به بزرگترین موفقیت خود دست یافت، که می توان آن را با مقالات علمی نمایه شده توسط Science Citation Index Expanded (SCI-Expanded) تایید کرد ( شکل 1 ). در این دوره است که هوش مصنوعی به طور گسترده برای لجستیک، داده کاوی، تشخیص پزشکی و بسیاری از زمینه های دیگر در سراسر صنعت استفاده می شود [ 2 ، 5]]. از اوایل قرن بیست و یکم، تحقیقات هوش مصنوعی وارد دوره ای با خروجی های تحقیقاتی متعدد می شود. این موفقیت به عوامل متعددی نسبت داده شد: افزایش قدرت محاسباتی رایانه ها، تأکید بیشتر بر حل مسئله، ایجاد پیوندهای جدید بین هوش مصنوعی و سایر زمینه هایی که روی مسائل مشابه کار می کنند، و تعهد جدید محققان به روش های ریاضی محکم و علمی دقیق. استانداردها [ 6 ، 7 ]. امروزه هوش مصنوعی و برنامه های کاربردی آن نقش مهمی در علوم کامپیوتر و حوزه های مرتبط با آن ایفا می کند [ 8 ].
تجزیه و تحلیل کتاب سنجی شامل مجموعه ای از رویه ها یا آمارهای کمی و بصری برای تعمیم الگوهای تحقیق، پویایی ها و روندها در انتشارات علمی است [ 9 ، 10 ، 11 ، 12 ]. در سال‌های اخیر، بسیاری از روش‌های کتاب‌سنجی برای تخمین خروجی‌های علمی یا روند تحقیقاتی نویسندگان، مجلات، مؤسسات و کشورها، حتی برای شناسایی و تعیین کمیت همکاری‌های بین‌المللی ارائه شده است [13 ، 14 ، 15 ]]. به عنوان روش مؤثر برای ارائه تصویری فوری از محتوای واقعی موضوعات تحقیق، تجزیه و تحلیل استناد، تجزیه و تحلیل کلمات مشترک و ضریب تأثیر جغرافیایی (GIF) در حوزه تحلیل کتاب‌سنجی انجام شد تا روش‌های کتاب‌سنجی مرسوم را تقویت کند [ 16 ، 17 ، 18 ، 19 ]. اخیراً تحلیل همبستگی در کتاب سنجی معرفی شده است تا پدیده روندهای پژوهشی را توضیح دهد [ 15 ].
هوش مصنوعی یک حوزه تحقیقاتی است که شاخه ها و روش های بسیاری را در بر می گیرد. در حالی که داده های کتابشناختی برای مطالعات مرتبط با هوش مصنوعی به طور فزاینده ای در دسترس است، چگونگی کشف الگوهای تحقیق و روندهای هوش مصنوعی بر اساس این داده های کتابشناختی، یک سوال پژوهشی چالش برانگیز را نشان می دهد. علاوه بر این، داده های کتابشناختی به خودی خود از نظر مکانی صریح هستند. با این حال، بین استفاده از روش‌های صریح فضایی برای تجزیه و تحلیل این داده‌های کتابشناختی ( به عنوان مثال ، بازیابی اطلاعات جغرافیایی از کتاب‌سنجی) و پیشرفت‌های علم اطلاعات جغرافیایی (GIScience) فاصله وجود دارد.])، که بر توسعه این روش‌های صریح فضایی تمرکز دارد. بنابراین، در این مطالعه ما یک تحلیل کتاب‌سنجی از تحقیقات هوش مصنوعی برای دوره 1990-2014 انجام می‌دهیم. ما یک روش جایگزین و نوآورانه، با پشتیبانی از فناوری‌های بازیابی اطلاعات جغرافیایی، برای آشکار کردن همبستگی تحقیقات جهانی بین بازده علمی و سرمایه‌گذاری تحقیق و توسعه (R و D) پیشنهاد کردیم. اهداف ما عبارتند از: (1) ارزیابی چند زاویه ای بهره وری تحقیق بر اساس دسته موضوعی، مجله، نویسنده، کشور، موسسه، و کلمات کلیدی. (2) تجزیه و تحلیل الگوهای انتشار قابل توجه در حوزه تحقیقات هوش مصنوعی. و (3) خلاصه ای از جهت گیری ها و روندهای تحقیقاتی در زمینه هوش مصنوعی.

2. داده ها و روش

2.1. منابع اطلاعات

داده های این مطالعه از پایگاه داده Science Citation Index Expanded (SCI-Expanded)، Conference Proceedings Citation Index-Science (CPCI-S) نسخه آنلاین Web of Science که توسط موسسه اطلاعات علمی (ISI) منتشر شده است، جمع آوری شده است. فیلادلفیا، ایالات متحده، زیرا پایگاه داده SCI-Expanded به عنوان تأثیرگذارترین پایگاه داده و منبع کتابشناختی قابل اعتماد در نظر گرفته می شود [ 18 ، 21 ]، و CPCI-S شامل بسیاری از مقالات تئوری اصلی است. SCI-Expanded و CPCI-S به طور گسترده برای آشکار کردن الگوهای کتابشناختی و روندهای تحقیقاتی در زمینه های مختلف علمی استفاده شده اند [ 22 ، 23]]. بر اساس تجزیه و تحلیل کتاب‌سنجی قبلی هوش مصنوعی و تحقیقات مرتبط، «*هوش مصنوعی*» که شامل هر کلمه‌ای که حاوی «هوش مصنوعی» مانند «هوش مصنوعی توزیع‌شده»، «تکنیک هوش مصنوعی» باشد، برای جستجوی انتشار با این کلمات در عنوان، چکیده یا کلمات کلیدی در پایگاه داده SCI-Expanded و CPCI-S از سال 1990 تا 2014 (سوابق تکراری حذف شدند). ضریب تأثیر گزارش شده (IF) مجلات از 2014 Journal Citation Report (JCR) [ 24 ] به دست آمد. داده های سرمایه گذاری تحقیق و توسعه (تحقیق و توسعه) از بانک جهانی و وب سایت ویکی پدیا جمع آوری شده است.
نشریاتی که از انگلستان، اسکاتلند، ولز و ایرلند شمالی سرچشمه می‌گرفتند به عنوان از بریتانیا (بریتانیا) طبقه‌بندی شدند [ 15 ]، و نشریات هنگ کنگ و تایوان از نشریات سرزمین اصلی چین جدا شدند زیرا سیستم‌های تحقیقاتی متفاوتی در این مناطق وجود دارد.

2.2. روش شناسی

تجزیه و تحلیل کتاب سنجی با به کارگیری رویکردهای ریاضی، آماری و بصری برای تعمیم الگوهای تحقیق و گرایش در انتشارات علمی، از تجزیه و تحلیل کمی دانش علمی پشتیبانی می کند. بیشتر تجزیه و تحلیل ها را می توان توسط Microsoft Excel 2010 (ردموند، واشنگتن، ایالات متحده آمریکا) و CiteSpace 2.2 R11 (فیلادلفیا، پنسیلوانیا، ایالات متحده آمریکا)، مانند خروجی های علمی، دسته بندی های موضوعی و مجلات انجام داد. با این حال، انتشار علمی دارای یک جزء فضایی است، مانند مکان(های) نویسندگان یا موسسات. تجزیه و تحلیل این مولفه فضایی از طریق روش های بازیابی اطلاعات جغرافیایی ممکن است بینش بیشتری نسبت به الگوی تحقیق و روندها در مقیاس فضایی (به عنوان مثال، منطقه ای، کشوری یا قاره ای) ارائه دهد. در این مطالعه،به عنوان مثال ، تجزیه و تحلیل کتاب سنجی فضایی صریح. ما در اینجا بر استفاده از تجزیه و تحلیل تراکم هسته و تجزیه و تحلیل شبکه های اجتماعی تمرکز می کنیم.

2.2.1. تجزیه و تحلیل چگالی هسته

به منظور انجام تجزیه و تحلیل چگالی هسته، ابتدا تخمین چگالی هسته (KDE؛ [ 25 ]) را برای تجسم توزیع جغرافیایی جهانی نویسندگان معرفی کردیم. ما برآوردگر چگالی هسته را برای نشان دادن توزیع جغرافیایی جهانی نویسندگان تعریف کردیم. اجازه دهید ( x 1 , x 2 , …, x n ) مختصات فضایی نویسندگان در زمینه هوش مصنوعی باشد که توزیعی با چگالی نامعلوم است. برآوردگر چگالی هسته آن را می توان به صورت زیر توصیف کرد:

fساعتˆ( x ) =1n∑i = 1nکساعت( x- _ایکسمن) =1n ساعت∑i = 1nکساعت(x –ایکسمنساعت)fساعت^(ایکس)=1�∑من=1�کساعت(ایکس–ایکسمن)=1�ساعت∑من=1�کساعت(ایکس–ایکسمنساعت)

که در آن K(·) هسته است و h یک پارامتر هموارسازی است که اغلب به آن پهنای باند می گویند. با استفاده از تخمین‌گر چگالی هسته، می‌توانیم یک سطح پیوسته تولید شده توسط تعداد نویسندگان در سراسر جهان بر اساس داده‌های اصلی بدست آوریم. سپس توزیع جغرافیایی نویسندگان در سراسر جهان را می توان با نقشه جهان پوشاند تا منطقه کانونی تحقیقات هوش مصنوعی را تجسم کند.

2.2.2. تحلیل شبکه های اجتماعی

تحلیل شبکه های اجتماعی روشی برای بررسی ساختارهای اجتماعی بر اساس نظریه شبکه ها و نمودارها است [ 26].]. در این مطالعه، این روش در تحلیل کتاب‌سنجی برای تجسم شبکه‌هایی که در آن گره‌ها به صورت نقطه و یال‌ها به‌عنوان خطوط نشان داده می‌شوند، استفاده می‌شود. این شبکه ها اغلب از طریق ساختار و رابطه جنبه هایی مانند نویسندگان، کشورها، مؤسسات و کلمات کلیدی تجسم می شوند. تحلیل شبکه اجتماعی را با تعریف دو عنصر زیر انجام دادیم. گره ها می توانند برای نشان دادن موجودیت در دنیای واقعی استفاده شوند. در تجزیه و تحلیل کتاب سنجی، می تواند نویسندگان، کشورها، مؤسسات و کلمات کلیدی باشد. لبه ها رابطه یا تعامل بین گره ها را نشان می دهند. به عنوان مثال، لبه ها می توانند همکاری بین نویسندگان یا کلمات کلیدی همزمان را در ادبیات توضیح دهند. اندازه گره ها می تواند درجه اهمیت یک موجودیت را نشان دهد، در حالی که عرض لبه ها درجه ارتباط در شبکه را نشان می دهد.
در این مطالعه از روش تحلیل شبکه اجتماعی برای آشکارسازی الگوهای کتابشناختی در تحقیقات هوش مصنوعی استفاده شد. نوع همکاری بر اساس آدرس نویسندگان تعیین می‌شد، در صورتی که عبارت «کشور/موسسه واحد» در صورتی که محققین از همان کشور/موسسه بودند و عبارت «همکاری بین‌المللی/بین‌موسسه‌ای» در صورتی که مقاله‌ای مشترک بود، اختصاص داده می‌شد. توسط محققانی از چندین کشور/موسسه تالیف شده است. ما نویسندگان، کشورها، موسسات و کلمات کلیدی را با استفاده از CiteSpace 2.2 R11 کدگذاری کردیم و از نرم افزار Ucinet 6 (ایروین، کالیفرنیا، ایالات متحده آمریکا)، یکی از رایج ترین پلت فرم های نرم افزار تحلیل شبکه های اجتماعی، برای اندازه گیری اهمیت نسبی هر کشور استفاده می کنیم. قلمرو در شبکه همکاری و هر کلمه در تحلیل هم واژه.

3. نتایج و بحث

3.1. خروجی های انتشار

از این مطالعه، 21 نوع سند در مجموع 22072 نشریه مرتبط با هوش مصنوعی منتشر شده در طی 25 سال گذشته یافت شد. مقاله (20715) شامل مقاله منتشر شده به عنوان مقاله (8806) یا فصل کتاب (6) رایج ترین نوع (با 85/93 درصد از کل انتشارات) بوده و پس از آن نقدها (528 یا 39/2 درصد) و مطالب ویراستاری (39/2 درصد) قرار دارند. 508 یا 2.3٪. در میان این انتشارات، 20715 مقاله در مورد هوش مصنوعی بیشتر مورد تجزیه و تحلیل قرار گرفت. 98.49 درصد از کل مقالات به زبان انگلیسی منتشر شده است. بیست و یک زبان دیگر ظاهر شد که رایج ترین آنها چینی (59)، اسپانیایی (51)، فرانسوی (51)، آلمانی (41) و پرتغالی (39) بودند. تعداد انتشارات طبقه بندی شده بر اساس سال در جدول 1 گزارش شده است. انتشارات سالانه از 212 در سال 1990 به 1153 در سال 2014 افزایش یافته است که نشان دهنده افزایش قابل توجه تحقیقات هوش مصنوعی در 25 سال گذشته است. در همین حال، مقالات به عنوان نوع غالب در این دوره باقی ماندند.
تحقیقات هوش مصنوعی در دهه های گذشته رشد سریعی را تجربه کرده است. شکل 2 نشان می دهد که انتشارات هوش مصنوعی، هر دو توسط SCI-Expanded و CPCI-S نمایه شده اند، از اوایل دهه 1990 به سرعت افزایش یافته اند. با این حال، از سال 2010، تعداد انتشارات در هوش مصنوعی ناپایدار است. مهمترین دلیل این است که انتشارات نمایه شده توسط CPCI-S الگوی کاهشی را نشان می دهد و کل خروجی انتشار ثابت می ماند. جدول 1 اطلاعات بیشتری را علاوه بر شکل 2 ارائه می دهد. تعداد نویسندگان در هر مقاله از 2.1 به 3.4 در دوره 1990-2014 افزایش یافته است، که احتمالاً ناشی از کیفیت بالاتر تحقیقات شامل تعداد بیشتری از محققان از زمینه های مختلف است. در همین حال، تعداد مقالات استناد شده در هر مقاله از 9.2 به 34.5 افزایش یافت که همانطور که می دانیم با خروجی های تحقیقاتی بیشتر و بیشتر در مورد هوش مصنوعی و استناد از سایر زمینه های مرتبط به دست آمد. از جدول 1 ، یک یافته جالب این است که هر چه مقالات زودتر منتشر شده اند، زمان استناد آنها قبل از دهه 2000 کمتر می شود و پس از آن، یافته جالب دیگر این است که مقالات بعدی منتشر شده اند، زمان استناد آنها کمتر می شود. بنابراین، خروجی تحقیقات کمتر، تعداد استنادها را قبل از دهه 2000 محدود کرد، و پس از آن، قانون استناد کار می‌کند [ 27 ،28 ].

3.2. مقوله های موضوعی و مجلات اصلی

با توجه به طبقه بندی دسته بندی های موضوعی SCI/SSCI در سال 2014، تحقیقات هوش مصنوعی 138 دسته را پوشش داد. 10 دسته موضوعی برتر شامل علوم کامپیوتر (12575؛ 35.2%)، مهندسی (7884؛ 22.1%)، اتوماسیون و سیستم های کنترل (1714؛ 4.8%)، تحقیق در عملیات و علوم مدیریت (1185؛ 3.3%)، ریاضیات (911؛ 2.5%). %)، مخابرات (714؛ 2%)، علم مواد (700؛ 2%)، رباتیک (642؛ 1.8%)، ابزار و ابزار دقیق (484؛ 1.4%) و فیزیک (444؛ 1.2%). این دسته بندی های برتر همچنین نشان می دهد که تحقیقات هوش مصنوعی در حال تبدیل شدن به موضوعی با اولویت است. روش هوش مصنوعی به طور گسترده در برنامه های مختلف از جمله بازی ها، اتوماسیون، پزشکی و کنترل فرآیند استفاده شده است [ 3 ]. بیشتر و بیشتر محققان و دانشمندان شروع به درگیر شدن در این موضوع داغ کردند.
مقالاتی در زمینه هوش مصنوعی در 2599 مجله و 958 مقاله منتشر شد ( جدول 2 را برای 20 مجله پربارتر ببینید). غلظت بالایی از مقالات هوش مصنوعی در این مجلات وجود داشت. این 20 مجله (0.6٪ از 3557 مجله) یا مجموعه مقالات 1976 مقاله یا 9.5٪ از کل مقالات را تشکیل می دهند. بدیهی است که Expert Systems with Applications بیشترین مقاله را در مورد هوش مصنوعی (344 مقاله) منتشر کرده است و پس از آن مهندسین کاربردهای هوش مصنوعی (161)، مجله AI (161)، هوش مصنوعی (126) و سیستم های مبتنی بر دانش قرار دارند.(103). مقالات مرتبط با هوش مصنوعی منتشر شده در این مجلات به طور متوسط ​​13.3 استناد دریافت کرده اند که نشان می دهد این مقالات تأثیرات قابل توجهی بر این موضوعات دارند. علاوه بر این، چندین مجله تعداد قابل توجهی از مقالات پراستناد را منتشر کردند، از جمله هوش مصنوعی (126 مقاله با 7341 استناد) و IEEE Transactions on Information Theory (هفت مقاله با 4524 استناد).

3.3. بهره وری نویسنده و توزیع جغرافیایی

جدول 3 نتیجه تحلیل بهره وری نویسنده را نشان می دهد. 20 نویسنده در دوره 1990-2014 پربازده ترین بودند. بدیهی است که این نویسندگان برتر بهره وری دستاوردهای بزرگی در تحقیقات هوش مصنوعی داشته اند. از بین این نویسندگان، J. Neves بیشترین تعداد (35) مقاله را تولید کرد [ 29 ]، اما G. Klopman بالاترین میزان استناد (35.6) را دریافت کرد [ 30 ، 31 ]. برای نویسندگان فردی، به نظر می رسد که بهره وری آنها با ارزش علمی آنها رابطه منفی دارد. پیگیری برای تحقیقات سطح بالا ممکن است به قیمت کمیت تحقیق باشد [ 32]. ما دریافتیم که نویسندگان با تجزیه و تحلیل داده‌های نویسندگان به‌جای همکاری بین‌المللی با همکاران خود در موسسات سطح ملی همکاری می‌کنند: M. Ogiela 14 مقاله با R. Tadeusiewicz منتشر کرده است و G. Klopman 11 مقاله با H. Rosenkranz دارد. این داده‌ها نشان می‌دهند که این همکاری در تحقیقات هوش مصنوعی رایج نیست و این همکاری بسیار کمتر از سایر زمینه‌ها است [ 15 ، 33 ].
ما شهرهای نویسندگان را در پایگاه داده جغرافیایی کدگذاری کردیم و با استفاده از ArcGIS 10.1، یک بسته نرم افزاری GIS، توزیع نویسندگان در تحقیقات هوش مصنوعی را ترسیم کردیم. سپس، ما از روش تخمین چگالی هسته (KDE) برای تجسم توزیع جغرافیایی نویسندگان استفاده کردیم ( شکل 3 ). همانطور که در شکل 3نشان می دهد، خوشه های فضایی عمده نویسندگان در ایالات متحده، اروپا و آسیای شرقی هستند. در ایالات متحده آمریکا و چین، بیشتر نویسندگان در سواحل شرقی به جای غرب قرار داشتند. خوشه‌های نویسندگان اروپایی عمدتاً در بریتانیا، اسپانیا، فرانسه، آلمان، ایتالیا، لهستان، یونان، هلند و رومانی قرار داشتند. چین، ژاپن و کره جنوبی مناطق اصلی توزیع نویسندگان در شرق آسیا بودند. خوشه‌های فضایی نویسندگان در کانادا، هند، برزیل، ایران و ترکیه توزیع شده‌اند، اما یک استثنا در هند است: توزیع نویسندگان یک خوشه را تشکیل نداد، اگرچه نویسندگان زیادی با خروجی مولد وجود دارند. شکل 4 توزیع نویسندگان و سرمایه گذاری R و D را نشان می دهد (همچنین به جدول 4 مراجعه کنید). با مقایسه این دو شکل، متوجه شدیم که یک همبستگی مکانی قوی بین توزیع جغرافیایی نویسندگان و سرمایه گذاری R و D وجود دارد. بیشتر نویسندگان در کشورهای توسعه یافته و کشورهای در حال توسعه با سرمایه گذاری بالای تحقیق و توسعه توزیع شده اند. کشورها، موسسات تحقیقاتی و دانشگاه ها مقدار قابل توجهی از سرمایه گذاری تحقیق و توسعه دریافت می کنند. بنابراین، نویسندگان در آن کشورها مقالات بیشتری تولید می کنند. برای کشورهای جداگانه، نویسندگان سازنده در آن مناطق با دانشگاه ها و مؤسسات تحقیقاتی بیشتر، مانند بخش شرقی ایالات متحده، پکن در چین، پاریس در فرانسه، لندن در بریتانیا، و توکیو در ژاپن، دسته بندی می شوند. حمایت در این موسسات و دانشگاه ها فرصت های بیشتری را برای پژوهشگران فراهم می کند.

3.4. بهره وری و همکاری بین المللی

تعداد کل مقالات برای تجزیه و تحلیل توزیع نشریات کشور و موسسه 28565 بود (2537 مقاله بدون اطلاعات وابستگی نویسنده حذف شدند). بر اساس تجزیه و تحلیل وابستگی نویسنده، 122 کشور/منطقه در تحقیقات هوش مصنوعی شرکت داشتند. 20 کشور/سرزمین برتر بر اساس تعداد کل مقالات رتبه بندی شدند ( جدول 4 ). از این 20 کشور، 9 کشور از اروپا، هفت کشور از آسیا، دو کشور از آمریکای شمالی، یک کشور از آمریکای جنوبی و یک کشور از اقیانوسیه بودند. نتایج مشابه توزیع جغرافیایی نویسندگان است. جدول 4 نشان می دهد که ایالات متحده مسئول بیشترین همکاری بین المللی و مقالات تک کشوری است – به عنوان مثال.، ایالات متحده آمریکا را می توان پربازده ترین کشور برای مطالعات هوش مصنوعی دانست. علاوه بر استناد، رتبه بندی کشورها توسط ایالات متحده آمریکا پیشتاز بود. چین دومین مقاله (2392) و پس از آن انگلستان (1718)، اسپانیا (1073)، فرانسه (869)، آلمان (830) و کانادا (823) قرار دارند.
سرمایه گذاری تحقیق و توسعه تا حدی می تواند به بازده دانشگاهی مرتبط باشد. بنابراین، مقایسه تعداد انتشارات در هر کشور نسبت به جمعیت و سرمایه گذاری تحقیق و توسعه آموزنده است. جدول 4همچنین میزان سرمایه گذاری تحقیق و توسعه و تعداد جمعیت 20 کشور/سرزمین برتر را فهرست می کند. از نظر سرمایه گذاری تحقیق و توسعه، آمریکا در رتبه اول و ایران در رتبه آخر قرار گرفتند. با توجه به شدت مقاله در هر میلیون نفر، یونان در رتبه اول و هند در رتبه آخر قرار گرفتند. اگرچه ایالات متحده آمریکا بیشترین تعداد مقاله را منتشر کرد، اما پس از در نظر گرفتن جمعیت و تحقیق و توسعه در رتبه هفدهم و نهم در بین 20 مقاله برتر قرار گرفت. برای کمی کردن رابطه بین تحقیق و توسعه و بروندادهای تحصیلی، تحلیل همبستگی با استفاده از داده‌های 20 کشور برتر انجام شد. تعداد مقالات با سرمایه گذاری R و D همبستگی زیادی دارد (r 2 = 0.88).
در سطح کشور/منطقه، 17969 (86.7%) مقاله تک کشوری و 2746 (13.3%) نشریه با همکاری بین‌المللی بودند که نشان می‌دهد تحقیقات مستقل در این کشورها/سرزمین‌ها غالب بوده است. مقالات پراستناد که در سطح بین المللی همکاری می کنند، بیشتر از مقالات مربوط به کشورهای منفرد است. به عنوان مثال، استناد مقالات تک کشوری در 20 کشور/منطقه تولیدکننده 6.7 است، در حالی که استناد مقالات با همکاری بین المللی 14.8 است. این پدیده توضیح می‌دهد که همکاری بین‌المللی می‌تواند به دستاوردهای تحقیقاتی و مقالات سطح بالا منجر شود.
در سطح موسسه، 28566 موسسه تحقیقاتی در تحقیقات هوش مصنوعی شرکت داشتند. تسلط ایالات متحده در تحقیقات هوش مصنوعی به سطح سازمانی گسترش یافته است. در میان 20 موسسه برتر جدول 5هفت نفر در آمریکا و 13 نفر دیگر از چین، سنگاپور، کانادا، اسپانیا، هند، ایتالیا، برزیل، ایران و یونان بودند. آکادمی علوم چین با 123 مقاله، مؤسسه فناوری ماساچوست (MIT) با 118 مقاله و دانشگاه پلی‌تک هنگ کنگ با 118 مقاله در رتبه‌های بعدی قرار دارند. دانشگاه تورنتو دارای بالاترین نرخ استناد برای همکاری های بین نهادی با CPP 110.9 است، در حالی که دانشگاه فنی نانیانگ و آکادمی علوم چین در سطوح تک نهادی و بین نهادی عملکرد بهتری داشتند. علاوه بر این، میانگین نرخ استناد برای مقالات یک موسسه واحد (12.4) کمتر از خروجی های سازمانی (18.2) بود. نشان می دهد که همکاری بین نهادی نرخ استناد و تأثیر مقالات را بهبود بخشیده است. نتایج نشان داد که دانشگاه‌های پیتسبورگ، دانشگاه آزاد اسلامی، آکادمی علوم چین و فناوری موسسه جورجیا با تعداد مقالات تک‌موسسه‌ای بیشتر از همکاری‌های بین‌المللی، و دانشگاه آلبرتا، دانشگاه ملی فناوری آتن، دانشگاه فناوری نانیانگ، چهار رتبه برتر هستند. و دانشگاه پلی‌تکنیک والنسیا با مقالات همکاری بین‌المللی بیشتر از یک موسسه واحد، چهار نفر برتر بودند.
واضح است که همکاری بین المللی در تحقیقات هوش مصنوعی رایج نبود ( شکل 5 ). از میان 19963 مقاله با اطلاعات آدرس، 14798 (74.1%) مقالات مستقل منتشر شده توسط موسسات واحد، و مقالات دیگر مربوط به همکاری بین نهادی، شامل همکاری های ملی (16.5%) و بین المللی (9.4%) بود. بنابراین، به منظور تقویت تحقیقات هوش مصنوعی، باید به همکاری، به ویژه همکاری بین المللی، بین موسسات توجه بیشتری شود.

3.5. کلمات کلیدی، مسائل داغ و تحلیل روند تحقیق

تحلیل کلمات کلیدی را می توان به عنوان ابزاری مهم برای تحلیل موضوعات داغ و روند تحقیق در نظر گرفت. ما تجزیه و تحلیل کلمات کلیدی را توسط کلمات کلیدی نویسنده و کلمات کلیدی بعلاوه انجام دادیم. 4001 مقاله بدون کلمات کلیدی نویسنده و کلمات کلیدی به علاوه وجود دارد و سایر مقالات (16714) حاوی 36049 کلمه کلیدی منحصر به فرد با 108850 تکرار هستند. با این حال، 25144 (69.7٪) کلمات کلیدی تنها یک بار ظاهر شدند. این نشان می دهد که زمینه های تحقیقاتی زیادی در تحقیقات هوش مصنوعی وجود دارد و بسیاری از محققان تحقیقات هوش مصنوعی را در زمینه های مختلف با روش های مختلف مطالعه می کنند. با این حال، به دلایل مختلف، اکثر محققان فاقد تحقیقات مستمر هستند [ 34]. تنها 1137 کلمه کلیدی (3.2%) بیش از 10 بار در مقالات هوش مصنوعی استفاده شده است و این کلمات کلیدی به عنوان موضوع داغ در تحقیقات هوش مصنوعی در نظر گرفته شده است. به منظور تجزیه و تحلیل توسعه ماکروسکوپی تحقیقات هوش مصنوعی، دوره 25 ساله تحقیقات هوش مصنوعی به پنج مرحله با فاصله زمانی پنج ساله تقسیم می شود. نتایج نشان می دهد که در 25 سال گذشته، تعداد کلمات کلیدی از 5692 در طی سال های 1990-1994 به 24183 در طی سال های 2010-2014 افزایش یافته است. 30 کلیدواژه با فرکانس بالا در جدول 6 فهرست شده است . می‌توان موضوعات داغ و روندهای تحقیقاتی هوش مصنوعی را به شرح زیر نتیجه‌گیری کرد:
کلمات کلیدی به جز کلمه جستجوی “هوش مصنوعی” را می توان به دو گروه “روش و مدل” و “کاربردها” در تحقیقات هوش مصنوعی طبقه بندی کرد. به منظور یافتن موضوعات داغ و روندهای تحقیق، تحلیل مقایسه ای هر گروه از کلیدواژه ها را در پنج مرحله انجام دادیم.
اول، شبکه عصبی مصنوعی (ANN)، الگوریتم ژنتیک (GA)، منطق فازی (FL)، ماشین بردار پشتیبان (SVM)، یادگیری ماشین (ML)، هوش ازدحامی (SI)، بهینه سازی ازدحام ذرات (PSO)، هوش مصنوعی توزیع شده (DAI)، هوش محاسباتی (CI) و هستی شناسی را می توان در کلاس “روش ها و مدل ها” سازماندهی کرد. شکل 6 تغییرات و روند خروجی هر مقاله پنج ساله “روش ها و مدل ها” را از سال 1990 تا 2014 نشان می دهد. به عنوان یک رویکرد مهم در هوش مصنوعی، ANN توجه مستمر را به خود جلب کرد. بنابراین، فراوانی وقوع در ANN تقریباً سه برابر در GA است و بسیار بیشتر از سایر کلمات کلیدی در طول دوره مطالعه [ 35 ، 36 ، 37]]. خروجی مقاله ANN رشد سریعی را حفظ کرد. این نشان می دهد که ANN هنوز هم در آینده مستحق تحقیقات گسترده خواهد بود [ 38 ]. ما متوجه شدیم که در اواسط دهه 2000 رشد قابل توجهی با توجه به خروجی ANN به دلیل پیشرفت در ANN وجود دارد. یکی از دلایل احتمالی پیشرفت در منابع محاسباتی است. بنابراین، تعداد بیشتری از محققان فرصت‌هایی برای استفاده از منابع محاسباتی با کارایی بالا برای مدیریت، تجزیه و تحلیل و تجسم داده‌ها دارند [ 39 ، 40]]. دلیل دیگر افزایش تحقیقات “یادگیری عمیق” در اواخر دهه 2000 است زیرا “شبکه های عصبی مکرر” و “شبکه های عصبی پیشخور عمیق” (بر اساس استفاده از بسیاری از لایه های پنهان، به جای یک یا دو) توسعه یافته اند. GA روش مهم دیگری در تحقیقات هوش مصنوعی است، اما عوامل محدودی در استفاده از GA وجود دارد، به عنوان مثال، ارزیابی عملکرد تناسب، مشکلات تصمیم گیری و بهینه سازی جهانی. به عنوان یک زمینه پررونق، هوش مصنوعی به طور غیرقابل انکاری به روش های متعددی مانند SVM، SI، CI و PSO متکی است. اگرچه این روش‌ها تعداد زیادی کاربرد ندارند، بسیاری از محققان پیشنهاد کردند که این روش‌ها کاربردهای بیشتری خواهند داشت و در هوش مصنوعی اهمیت بیشتری پیدا می‌کنند [ 41 ، 42 ، 43 ، 44 ].
دوم، هوش مصنوعی یک رشته کاربردی است [ 45 ]. بنابراین روش و مدل هوش مصنوعی به طور گسترده در بسیاری از زمینه ها استفاده شده است [ 46 ]، مانند سیستم خبره (ES)، بهینه سازی، طبقه بندی، طراحی، پیش بینی، سیستم چند عاملی (MAS)، شبیه سازی، تشخیص، سیستم پشتیبانی تصمیم. DSS)، تشخیص الگو، سیستم مبتنی بر دانش (KBS)، استدلال مبتنی بر مورد (CBR)، نمایش دانش (KR)، مدیریت، شناسایی، تصمیم‌گیری، تشخیص خطا، شناسایی و داده‌کاوی. شکل 7 روند کاربردهای تحقیقات هوش مصنوعی را در 25 سال گذشته (فاصله های پنج ساله) نشان می دهد. هوش مصنوعی مزیت زیادی در استدلال، یادگیری [ 47 ]، پردازش داده ها و حل مسئله ویژه برنامه دارد [ 48], 49 , 50 , 51 ]. علاوه بر این جنبه ها، به خوبی اذعان شده است که هوش مصنوعی می تواند مشکلات کاربرد دامنه را به طور کارآمد و مؤثر حل کند [ 52 ، 53]. محققان کاربرد هوش مصنوعی را از دو جنبه اصلی مطالعه کردند. (1) طراحی و تحقق سیستم نمونه اولیه و سیستم آزمایشی، مانند ES، DSS، KBS، MAS، با روش و مدل برای حل مشکلات برنامه؛ (2) استفاده از روش، مدل یا الگوریتم هوش مصنوعی برای حل کاربردهای عملی در برخی زمینه ها. بر اساس تجزیه و تحلیل خروجی دانشگاهی، تعداد مقالات به طور قابل ملاحظه ای در بیشتر زمینه های کاربردی که بهینه سازی، پیش بینی، طبقه بندی و داده کاوی نقش مهمی ایفا می کنند، افزایش یافت. از سوی دیگر، اگرچه برخی از رشته ها تا قبل از دهه 2000 بیشترین فراوانی را داشتند، اما در سال های اخیر کمتر و کمتر محققی به این رشته ها توجه کرده است. به عنوان مثال، مقالات مرتبط با ES در سال‌های 2010-2014 تنها یک سوم مقالات مربوط به سال‌های 1990-1994 است، که مشابه در زمینه تشخیص الگو است.
کلمات کلیدی مقالات تحت سلطه AI، ANN، GA، ES، بهینه سازی و پیش بینی بود. به منظور دستیابی به درک عمیق از موضوعات و الگوهای داغ تحقیق هوش مصنوعی، روش تحلیل هم واژه با استفاده از 30 کلیدواژه پر تکرار انجام شد ( شکل 8) .). شایان ذکر است که “AI” بسامدهای بالای همزمانی را با “ANN”، “ES”، “GA” و “Simulation” به دست آورد که نشان می دهد این کلمات کلیدی در تحقیقات هوش مصنوعی اهمیت دارند. کلیدواژه مهم دیگر ANN است که دارای فرکانس‌های بالای همزمانی با «ES» و «AI»، «پیش‌بینی»، «GA»، «منطق فازی»، «SVM» و «CI» است که نشان می‌دهد ANN الگوریتم ضروری و مهم در تحقیقات هوش مصنوعی با استفاده از روش‌های جدید ، در سال‌های اخیر ، بسیاری از محققین قصد بهبود ANN و افزایش کارایی شبکه عصبی مصنوعی را از طریق جفت شدن با الگوریتم‌های دیگر، مانند GA ، و منطق فازی داشته‌اند .]. علاوه بر این، رابطه نزدیک هوش مصنوعی با ANN و ES نشان می دهد که بسیاری از محققان به تحقیقات مرتبط اختصاص داده اند و مقالات متعددی منتشر کرده اند.
از اوایل دهه 2000، با تجدید حیات تحقیقات هوش مصنوعی، روش ها و مدل های بیشتری مانند بهینه سازی کلونی مورچه ها (ACO)، سیستم ایمنی مصنوعی (AIS) و الگوریتم های کلونی زنبورهای مصنوعی (ABC) ارائه شد. این روش‌ها و مدل‌ها در زمینه‌های بیشتری اعمال شد و حتی برخی از زمینه‌های جدید پدید آمدند ( جدول 7 ). بر اساس جنبه های مختلف رفتار جستجوی مورچه، ACO در ابتدا برای مسائل عددی پیشنهاد شد و برای حل مسئله بهینه سازی در بسیاری از زمینه ها استفاده شد [ 60 ، 61 ]. در حال حاضر، مطالعات زیادی در مورد الگوریتم های AIS [ 62 ] و ABC [ 63 ، 64] وجود دارد.]. این روش‌ها و مدل‌ها معمولاً از ویژگی‌های زیست‌شناختی پاسخ، حافظه و یادگیری برای حل مسئله خاص حوزه تقلید می‌کنند. به عنوان یک روش مهم در علوم کامپیوتر، مجموعه ای تقریبی در زمینه هوش مصنوعی اعمال شده است [ 65 ، 66 ]. آخرین تحقیق در روش های هوش مصنوعی، سیستم غدد درون ریز مصنوعی (AES) است که در زمینه هوش مصنوعی معرفی شده است [ 6 ، 67 ، 68 ، 69 ]. قابل پیش بینی است که AES به یک روش مهم هوش مصنوعی در علوم کامپیوتر و حوزه های مرتبط تبدیل شود. به طور کلی، این روش‌ها نه تنها برای حل مشکل هوش مصنوعی به طور مستقل اعمال می‌شوند، بلکه با روش‌های موجود برای حل مشکلات کاربردی نیز یکپارچه می‌شوند [ 60 ,70 ، 71 ، 72 ]. از سوی دیگر، تئوری و روش هوش مصنوعی برای حل مسائل جدید به کار می رود. از اواخر دهه 1990 مطالعاتی در رابطه با کاربردها در ربات های متحرک و یادگیری تقویتی گزارش شده است ( جدول 7 را ببینید ).
در دهه‌های گذشته، هوش مصنوعی نه تنها در تئوری، روش و مدل، بلکه در کاربرد آن نیز پیشرفت سریعی داشته است. همانطور که در بالا ذکر شد، هوش مصنوعی یک رشته کاربردی است. بسیاری از مشکلات کاربردی خاص در زمینه علوم زمین (به طور گسترده شامل مجموعه ای از حوزه ها، به عنوان مثال، علم اطلاعات جغرافیایی، جغرافیا، علوم زمین و علوم محیطی) به توسعه هوش مصنوعی کمک می کند (به عنوان مثال، پشتیبانی از بهینه سازی فضایی، طبقه بندی تصاویر) [ 36 ، 73 ]. محققان علوم زمین در زمینه تحقیقات کاربردی در هوش مصنوعی مشغولند، و این مورد به ویژه با ظهور محاسبات زمین در دهه 1990 [ 74 ، 75] صادق است.]. ما 1482 مقاله مرتبط با علوم زمین را در تحقیقات هوش مصنوعی تجزیه و تحلیل کردیم، از جمله 4819 کلمه کلیدی، که در آن تنها 219 کلمه کلیدی بیش از پنج بار استفاده شده است. علاوه بر کلمه کلیدی جدول 8برخی از کلمات کلیدی مانند کاربری زمین و واقعیت مجازی در سال های اخیر مورد توجه محققان قرار گرفته است. با این حال، خروجی و وضعیت در زمینه علوم زمین توجه کافی را به خود جلب نمی کند. دلیل ممکن است از دو جنبه باشد: یکی این که بخشی از محققان معتقد بودند هوش مصنوعی و کاربرد آن به حوزه علوم زمین تعلق ندارد. دلیل دیگر این است که مشکلات زیادی برای غلبه بر نظریه، روش و مدل هوش مصنوعی مورد نیاز است. به عنوان مثال، بسیاری از مسائل حل نشده در AIS، تحقیقات کاربردی را محدود می کند. در واقع عدم تحقیق در زمینه علوم زمین رابطه خاصی با این دو دلیل دارد، مخصوصاً دلیل دوم. با توسعه سخت افزار محاسباتی و قدرت محاسباتی در سال های اخیر، بسیاری از مشکلات هوش مصنوعی حل شده است. تعداد فزاینده ای از محققانی که در تحقیقات بین رشته ای مشغول هستند،20 ) و شکوفایی مطالعات کلان داده [ 76 ]. همانطور که محققان پیشنهاد گسترده ای برای انجام تحقیقات مشترک بین رشته ای ارائه کردند، تحقیقات هوش مصنوعی و رشته های مرتبط وارد عصر جدیدی خواهند شد. تعدادی از مشکلات تحقیقاتی که ممکن است مدل‌های آماری مرسوم برای آنها مناسب نباشد، هوش مصنوعی (به عنوان مثال، یادگیری ماشین) ممکن است پشتیبانی جایگزین یا جدیدی را برای حل این مشکلات، به ویژه در مواجهه با حجم زیادی از داده‌ها، ارائه دهد.

4. نتیجه گیری

با استفاده از روش تجزیه و تحلیل کتابسنجی، درک روشنی از روندهای جهانی در الگوهای تحقیقاتی هوش مصنوعی طی سال‌های 1990 تا 2014 در این مطالعه ایجاد شد. میزان انتشارات هوش مصنوعی با افزایش تعداد مقالات رشد قابل توجهی داشته است. این را می توان به عنوان یک رشد تحقیقاتی جدید در هوش مصنوعی پس از توسعه سریع از دهه 1990 در نظر گرفت. «علوم کامپیوتر» و «مهندسی» دو مقوله اصلی بودند. هوش مصنوعیمهم ترین مجله با بیشترین تعداد استناد در هر مقاله است. 20 نویسنده برتر معرفی شدند. ما متوجه الگویی شدیم که همکاری در تحقیقات هوش مصنوعی رایج نبود. رویکرد تجسم اطلاعات جغرافیایی برای نشان دادن توزیع جغرافیایی جهانی نویسندگان در هوش مصنوعی به کار گرفته شده است. نتایج نشان می‌دهد که نویسندگان عمدتاً در ایالات متحده آمریکا، اروپای غربی و آسیای شرقی توزیع شده‌اند، که به شدت با سرمایه‌گذاری تحقیق و توسعه و تراکم جمعیت مرتبط است. از سطح کشور/سرزمین و مؤسسه، ما بهره‌وری و همکاری بین‌المللی را تحلیل کردیم. ایالات متحده آمریکا و آکادمی علوم چین بیشترین تعداد مقالات تک کشوری و بین المللی را تولید کردند. تجزیه و تحلیل شبکه نشان داد که ایالات متحده آمریکا در موقعیت مرکزی شبکه همکاری بین المللی قرار دارد. با این حال، بر اساس تجزیه و تحلیل بر روی استناد، MIT برترین موسسه در تحقیقات هوش مصنوعی است. علاوه بر این، همکاری ملی و بین المللی در تحقیقات هوش مصنوعی رایج نیست. با تحلیل کلیدواژه‌ها، الگوهای تحقیق را با دسته‌بندی کلیدواژه‌ها در دو گروه روش و مدل، کاربرد، تحلیل کردیم و الگوهای رایج موضوع تحقیق نیز در این دو حوزه مشخص شد. از نظر تحلیل هم‌واژه، چندین کلیدواژه جالب با فراوانی هم‌روند بالا پیدا کردیم. بر اساس تحقیقات اخیر در زمینه هوش مصنوعی، روند تحقیقات آینده در زمینه هوش مصنوعی را مورد تجزیه و تحلیل قرار دادیم و روش ها و مدل های بیشتری را می توان برای حل این برنامه در آینده به کار برد. مطالعه ما الگوهایی را در خروجی های علمی و همکاری های دانشگاهی مرتبط با هوش مصنوعی نشان می دهد، و به عنوان یک راه جایگزین و نوآورانه برای آشکار کردن روندهای تحقیقاتی جهانی عمل می کند. روش و نتیجه این مقاله ممکن است برای تحقیقات آینده به عنوان یک نمایش جایگزین از پیشرفت های تحقیقاتی استفاده شود.
در این مطالعه، هدف ما این بود که الگوی تحقیق و روند مطالعات هوش مصنوعی را از دیدگاه‌های مختلف آشکار کنیم. برای مطالعه آینده، ما بر بهبود تجزیه و تحلیل کتاب سنجی تمرکز خواهیم کرد. اول، ما از شاخص های کتاب سنجی بیشتری برای تقویت بیشتر تحلیل کتاب سنجی استفاده خواهیم کرد. دوم، روش‌های بیشتری در تحلیل فضایی، ژئوتصویرسازی و تحلیل شبکه‌های اجتماعی به تحلیل کتاب‌سنجی در یک زمینه فضایی صریح معرفی خواهند شد. در این مطالعه، ما از geocoding و KDE به عنوان رویکردهای مکانی برای پشتیبانی از تجزیه و تحلیل کتاب‌سنجی فضایی صریح مطالعات هوش مصنوعی استفاده کردیم. در کار آینده، به عنوان مثال، از رویکردهای خودهمبستگی فضایی برای تجزیه و تحلیل ویژگی‌های وابسته به فضایی در داده‌های کتاب‌سنجی در سطوح جایگزین (مانند کشور، ایالت/استان) استفاده خواهیم کرد. به علاوه، تحلیل الگوی نقطه‌ای را می‌توان برای شناسایی آرایش فضایی داده‌های کتاب‌سنجی (مثلاً خوشه‌ای، تصادفی یا منظم) به کار گرفت. همانطور که ما معتقدیم، این جهت‌های آینده، مطالعه تحلیل کتاب‌سنجی را در زمینه‌های فضایی صریح بیشتر پیش خواهد برد. این نیاز به موقع است، با افزایش دسترسی به داده های کتاب سنجی و توسعه سریع و مستمر GIS و تجزیه و تحلیل فضایی.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

SCI-Expanded
نمایه استنادی علوم گسترش یافت
CPCI-S
فهرست استنادی مجموعه مقالات کنفرانس-علم
اگر
فاکتور تاثیر
KDE
تخمین چگالی هسته
JCR
گزارش استناد مجله
تحقیق و توسعه
تحقیق و توسعه

منابع

  1. شی، ز. ژنگ، ن. پیشرفت و چالش هوش مصنوعی. جی. کامپیوتر. علمی تکنولوژی 2006 ، 21 ، 810-822. [ Google Scholar ] [ CrossRef ]
  2. فام، دی.تی. فام، PTN هوش مصنوعی در مهندسی. بین المللی جی. ماخ. ابزار تولیدی 1999 ، 39 ، 937-949. [ Google Scholar ] [ CrossRef ]
  3. محد علی، ج. حسین، م. Tade، MO; ژانگ، جی. تکنیک های هوش مصنوعی به عنوان برآوردگر در سیستم های فرآیند شیمیایی – بررسی ادبیات. انقضا سیستم Appl. 2015 ، 42 ، 5915-5931. [ Google Scholar ] [ CrossRef ]
  4. راسل، اس جی؛ Norvig, P. Artificial Intelligence: A Modern Approach ; رودخانه زین بالایی: نیوجرسی، نیوجرسی، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  5. کالوگیرو، SA هوش مصنوعی برای مدل‌سازی و کنترل فرآیندهای احتراق: بررسی. برنامه احتراق انرژی. علمی 2003 ، 29 ، 515-566. [ Google Scholar ] [ CrossRef ]
  6. وی، سی. کیانگ، اس. گائو، XZ؛ IEEE. سیستم غدد درون ریز مصنوعی و کاربردها در مجموعه مقالات کنفرانس کنترل چین در سال 2006، هاربین، چین، 7 تا 11 اوت 2006.
  7. ملیت، آ. کالوگیرو، SA تکنیک‌های هوش مصنوعی برای کاربردهای فتوولتائیک: بررسی. برنامه احتراق انرژی. علمی 2008 ، 34 ، 574-632. [ Google Scholar ] [ CrossRef ]
  8. کورچادو، ای. گرانا، م. وزنیاک، ام. روندها و کاربردهای جدید در سیستم های هوش مصنوعی ترکیبی. محاسبات عصبی 2012 ، 75 ، 61-63. [ Google Scholar ] [ CrossRef ]
  9. پریچارد، الف. کتابشناسی آماری یا کتابشناسی؟ J. Doc. 1969 ، 348-349. [ Google Scholar ]
  10. هود، WW; ویلسون، CS ادبیات کتاب سنجی، علم سنجی و انفورمتریکس. Scientometrics 2001 ، 52 ، 291-314. [ Google Scholar ] [ CrossRef ]
  11. حسیه، دبلیو. چیو، دبلیو-تی. لی، Y.-S. هو، Y.-S. تجزیه و تحلیل کتاب سنجی درمان های مجرای شریانی باز شده. Scientometrics 2004 ، 60 ، 105-215. [ Google Scholar ] [ CrossRef ]
  12. هو، Y.-S. تجزیه و تحلیل کتاب سنجی فناوری جذب در علوم محیطی. جی. محیط زیست. Prot. علمی 2007 ، 1 ، 1-11. [ Google Scholar ]
  13. گلنزل، دبلیو. شوبرت، آ. Czerwon، H.-J. تحلیل کتاب سنجی همکاری علمی بین المللی اتحادیه اروپا (1985-1995). Scientometrics 1999 ، 45 ، 185-202. [ Google Scholar ] [ CrossRef ]
  14. چیو، دبلیو-تی. هو، Y.-S. تجزیه و تحلیل کتاب سنجی تحقیقات سونامی. Scientometrics 2007 ، 73 ، 3-17. [ Google Scholar ] [ CrossRef ]
  15. نیو، بی. هونگ، اس. یوان، جی. پنگ، اس. وانگ، ز. ژانگ، X. روندهای جهانی در تحقیقات مرتبط با رسوبات در علوم زمین طی سال های 1992-2011: تجزیه و تحلیل کتاب سنجی. Scientometrics 2013 ، 98 ، 511-529. [ Google Scholar ] [ CrossRef ]
  16. کالن، ام. دادگاهی، J.-P. لاویل، اف. تحلیل هم واژه به عنوان ابزاری برای توصیف شبکه تعاملات بین تحقیقات پایه و فناوری: مورد شیمی پلیمری. Scientometrics 1991 , 22 , 155-205. [ Google Scholar ] [ CrossRef ]
  17. دینگ، ی. Chowdhury، GG; Foo, S. نقشه برداری کتاب سنجی تحقیق بازیابی اطلاعات با استفاده از تحلیل هم واژه. Inf. روند. مدیریت 2001 ، 37 ، 817-842. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. لیو، ایکس. ژانگ، ال. Hong, S. تحقیقات جهانی تنوع زیستی در طول 1900-2009: تجزیه و تحلیل کتاب سنجی. تنوع زیستی حفظ کنید. 2011 ، 20 ، 807-826. [ Google Scholar ] [ CrossRef ]
  19. ژوانگ، ی. لیو، ایکس. نگوین، تی. او، س. Hong, S. روندهای تحقیقات سنجش از دور جهانی در طول سال های 1991-2010: یک تجزیه و تحلیل کتاب سنجی. Scientometrics 2012 ، 96 ، 203-219. [ Google Scholar ] [ CrossRef ]
  20. Goodchild، MF سیستم های اطلاعات جغرافیایی و علم: امروز و فردا. ان GIS 2009 ، 15 ، 3-9. [ Google Scholar ] [ CrossRef ]
  21. Kostoff, RN انتشار نادرست نتایج علم و فناوری. Scientist 2000 , 14 , 6. [ Google Scholar ]
  22. گو، YN تحقیق مدیریت دانش جهانی: تحلیل کتابسنجی. Scientometrics 2004 ، 61 ، 171-190. [ Google Scholar ] [ CrossRef ]
  23. کیو، جی. Lv, H. مروری بر تحقیقات مدیریت دانش که از طریق وب علم مشاهده شده است (1993-2012). Aslib J. Inf. مدیریت 2014 ، 66 ، 424-442. [ Google Scholar ] [ CrossRef ]
  24. سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها . CRC Press: Boca Raton، FL، USA، 1986. [ Google Scholar ]
  25. رویترز، تی ژورنال در انتشار JCR در سال 2014. در دسترس آنلاین: http://scientific.thomsonreuters.com/imgblast/JCRFullCovlist-2014.pdf (در 20 ژوئیه 2015 قابل دسترسی است).
  26. چن، سی. جستجو برای نقاط عطف فکری: تجسم حوزه دانش پیشرو. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2004 ، 101 ، 5303-5310. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. کامپاناریو، ام. تسلیت برای دانشمند: گاهی اوقات انتشار مقالاتی که بعداً مورد استناد زیادی قرار می گیرند، دشوار است. Soc. گل میخ. علمی 1993 ، 23 ، 342-362. [ Google Scholar ] [ CrossRef ]
  28. قاضی، TA; کابل، DM; Colbert، AE; Rynes, SL چه چیزی باعث می شود که یک مقاله مدیریت استناد شود – مقاله، نویسنده یا مجله؟ آکادمی مدیریت J. 2007 , 50 , 491-506. [ Google Scholar ] [ CrossRef ]
  29. کورتز، پی. روشا، م. Neves, J. سری های زمانی تکاملی پیش بینی مدل های ARMA. J. Heuristics 2004 ، 10 ، 415-429. [ Google Scholar ] [ CrossRef ]
  30. کلوپمن، جی. رویکرد هوش مصنوعی به مطالعات فعالیت ساختار – ارزیابی ساختار خودکار رایانه ای از فعالیت بیولوژیکی مولکول های آلی. مربا. شیمی. Soc. 1984 ، 106 ، 7315-7321. [ Google Scholar ] [ CrossRef ]
  31. کلوپمن، جی. روزنکرانز، آزمایش HS با هوش مصنوعی – جایگزین های محاسباتی برای تعیین جهش زایی. موتات. Res. 1992 ، 272 ، 59-71. [ Google Scholar ] [ CrossRef ]
  32. گوو، ک. لیو، YF; زنگ، سی. چن، YY; وی، XJ تحقیقات جهانی در مورد آلودگی خاک از سال 1999 تا 2012: تجزیه و تحلیل کتاب سنجی. Acta Agric. Scand. بخش B-علمی گیاه خاکی. 2014 ، 64 ، 377-391. [ Google Scholar ] [ CrossRef ]
  33. وانگ، ام. لیو، دی. جیا، جی. ژانگ، X. روندهای جهانی در تحقیقات نظارت بر خاک از 1999-2013: تجزیه و تحلیل کتاب سنجی. Acta Agric. Scand. بخش B-علمی گیاه خاکی. 2015 ، 65 ، 483-495. [ Google Scholar ]
  34. چوانگ، K.-Y. هوانگ، Y.-L. هو، Y.-S. تجزیه و تحلیل کتابسنجی و استنادی تحقیقات مرتبط با سکته مغزی در تایوان. Scientometrics 2007 ، 72 ، 201-212. [ Google Scholar ] [ CrossRef ]
  35. شبکه های عصبی Bishop، CM و کاربردهای آنها. کشیش علمی Instruments 1994 , 65 , 1803-1832. [ Google Scholar ] [ CrossRef ]
  36. Mas، JF; فلورس، جی جی کاربرد شبکه های عصبی مصنوعی برای تجزیه و تحلیل داده های سنجش از دور. بین المللی J. Remote Sens. 2008 , 29 , 617-663. [ Google Scholar ] [ CrossRef ]
  37. مومنی، ا. نذیر، ر. ارمغانی، دی جی; Maizir, H. کاربرد شبکه عصبی مصنوعی برای پیش‌بینی مقاومت شفت و نوک شمع‌های بتنی. علوم زمین Res. J. 2015 ، 19 ، 85-93. [ Google Scholar ] [ CrossRef ]
  38. جلال، م. رمضانیان پور، مدل‌سازی افزایش مقاومت سیلندرهای بتنی محصور شده با کامپوزیت‌های cfrp با استفاده از شبکه‌های عصبی مصنوعی. آهنگسازی. بخش ب: مهندس 2012 ، 43 ، 2990-3000. [ Google Scholar ] [ CrossRef ]
  39. اوه، KS; Jung, K. پیاده سازی GPU شبکه های عصبی. تشخیص الگو 2004 ، 37 ، 1311-1314. [ Google Scholar ] [ CrossRef ]
  40. مارتینز-زارزوئلا، م. دیاز پرناس، اف جی; دیز هیگورا، جی اف. رودریگز، MA محاسبات موازی شبکه عصبی هنر فازی بر روی پردازنده گرافیکی. در هوش محاسباتی و محیطی ; Sandoval, F., Prieto, A., Cabestany, J., Grana, M., Eds. Springer-Verlag: برلین، آلمان، 2007; جلد 4507، ص 463–470. [ Google Scholar ]
  41. آنیفوس، اف. آدنیه، س. عبدالرحیم، الف. پیشرفت‌های اخیر در کاربرد تکنیک‌های هوش محاسباتی در توصیف مخازن نفت و گاز: یک مطالعه تطبیقی. J. Exp. نظریه. آرتیف. هوشمند 2014 ، 26 ، 551-570. [ Google Scholar ] [ CrossRef ]
  42. کائو، NT; تن-آن، ق. Choi، HI تشخیص حالت چهره بر اساس ویژگی‌های الگوی باینری محلی و ماشین بردار پشتیبانی. بین المللی ج. تشخیص الگو. آرتیف. هوشمند 2014 . [ Google Scholar ] [ CrossRef ]
  43. خوخر، س. محد زین، AAB; مختار، ASB; پسران، م. مروری جامع بر کاربردهای تکنیک های پردازش سیگنال و هوش مصنوعی در طبقه بندی اختلالات کیفیت توان. تمدید کنید. حفظ کنید. انرژی Rev. 2015 ، 51 ، 1650-1663. [ Google Scholar ] [ CrossRef ]
  44. ژانگ، اس. لی، CKM؛ چان، هنگ کنگ؛ Choy، KL; وو، زی. هوش ازدحام در تدارکات سبز بکار رفته: مروری بر ادبیات. مهندس Appl. آرتیف. هوشمند 2015 ، 37 ، 154-169. [ Google Scholar ] [ CrossRef ]
  45. براون، ام. کاستل، بی. اشتراوس، دی. تاملینسون، آر. بلومنشتاین، ام. Lane, C. برآورد تورم نزدیک به ساحل از یک مدل موج باد جهانی: مدل‌های فرآیند طیفی، خطی و شبکه عصبی مصنوعی. ساحل. مهندس 2007 ، 54 ، 445-460. [ Google Scholar ] [ CrossRef ]
  46. ژانگ، جی. هرس گروه چندلایه Chau، KW از طریق بهینه سازی جدید ازدحام ذرات چند زیر مجموعه. J. Univers. محاسبه کنید. علمی 2009 ، 15 ، 840-858. [ Google Scholar ]
  47. تائورمینا، آر. Chau، KW انتخاب متغیر ورودی مبتنی بر داده برای مدل‌سازی بارش-رواناب با استفاده از بهینه‌سازی ازدحام ذرات کدگذاری‌شده باینری و ماشین‌های یادگیری شدید. جی هیدرول. 2015 ، 529 ، 1617-1632. [ Google Scholar ] [ CrossRef ]
  48. ژانگ، جنوب غربی؛ کاهش ابعاد Chau، KW با استفاده از تعبیه خطی موضعی نیمه نظارت شده برای طبقه بندی برگ گیاه. در فناوری و برنامه های کاربردی محاسبات هوشمند در حال ظهور، مجموعه مقالات ؛ Huang, DS, Jo, KH, Lee, HH, Kang, HJ, Bevilacqua, V., Eds. Springer-Verlag: برلین، آلمان، 2009; جلد 5754، ص 948–955. [ Google Scholar ]
  49. Wu، CL; Chau، KW; روش‌های Li، YS برای بهبود عملکرد شبکه عصبی در پیش‌بینی جریان‌های روزانه. جی هیدرول. 2009 ، 372 ، 80-93. [ Google Scholar ] [ CrossRef ]
  50. Chau، KW; Wu، CL یک مدل ترکیبی همراه با تجزیه و تحلیل طیف منفرد برای پیش‌بینی بارش روزانه. J. Hydroinform. 2010 ، 12 ، 458-473. [ Google Scholar ] [ CrossRef ]
  51. وانگ، WC; Chau، KW; Xu، DM; Chen، XY بهبود دقت پیش‌بینی سری‌های زمانی رواناب سالانه با استفاده از ARIMA بر اساس تجزیه EEMD. منبع آب مدیریت 2015 ، 29 ، 2655-2675. [ Google Scholar ] [ CrossRef ]
  52. هوانگ، جی.-اچ. چن، جی.-م. هوانگ، جی.-جی. چو، اچ.-سی. رویکردی مبتنی بر مقیاس زمانی برای ساختن سیستم‌های خبره پزشکی سیستم خبره Appl. 2006 ، 31 ، 299-308. [ Google Scholar ] [ CrossRef ]
  53. Bi, C. الگوریتم‌های ممتیک برای یافتن نقوش جدید در توالی‌های زیست پزشکی. آرتیف. هوشمند پزشکی 2012 ، 56 ، 1-17. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. چو، اس.-بی. ادغام شبکه های عصبی با منطق فازی و الگوریتم ژنتیک. Comput.-Aided Eng. 2002 ، 9 ، 363. [ Google Scholar ]
  55. تسای، سی.-ف. پشتیبانی تصمیم گیری مالی با استفاده از شبکه های عصبی و ماشین های بردار پشتیبانی انقضا سیستم 2008 ، 25 ، 380-393. [ Google Scholar ] [ CrossRef ]
  56. گوسارد، دی. لارتیگ، بی. Thellier, F. بهینه سازی چند هدفه یک پوشش ساختمان برای عملکرد حرارتی با استفاده از الگوریتم های ژنتیک و شبکه عصبی مصنوعی. انرژی ساخت. 2013 ، 67 ، 253-260. [ Google Scholar ] [ CrossRef ]
  57. مارتینز-مارتینز، وی. گومز-گیل، FJ; گومز-گیل، جی. Ruiz-Gonzalez، R. یک سیستم خبره مبتنی بر شبکه عصبی مصنوعی مجهز به الگوریتم‌های ژنتیک برای تشخیص وضعیت چندین جزء چرخشی در ماشین‌های کشاورزی و صنعتی با استفاده از یک سیگنال ارتعاشی. انقضا سیستم Appl. 2015 ، 42 ، 6433-6441. [ Google Scholar ] [ CrossRef ]
  58. گونزالس، بی. والدز، اف. ملین، پی. Prado-Arechiga، G. منطق فازی در الگوریتم جستجوی گرانشی برای بهینه‌سازی شبکه‌های عصبی مدولار در تشخیص الگو. انقضا سیستم Appl. 2015 ، 42 ، 5839-5847. [ Google Scholar ] [ CrossRef ]
  59. فارفانی، ح. بهنامفر، ف. فتح اللهی، ع. تحلیل دینامیکی اندرکنش خاک و سازه با استفاده از شبکه‌های عصبی و ماشین‌های بردار پشتیبان. انقضا سیستم Appl. 2015 ، 42 ، 8971-8981. [ Google Scholar ] [ CrossRef ]
  60. رحمانی، ر. یوسف، ر. سیدمحمودیان، م. Mekhilef، S. تکنیک ترکیبی کلنی مورچه ها و بهینه سازی ازدحام ذرات برای پیش بینی کوتاه مدت انرژی باد. جی. مهندس باد. هندی آئرودین. 2013 ، 123 ، 163-170. [ Google Scholar ] [ CrossRef ]
  61. نظری، ع. Sanjayan, JG مدلسازی مقاومت فشاری خمیر ژئوپلیمر، ملات و بتن با دستگاه بردار پشتیبان بهینه. سرام. بین المللی 2015 ، 41 ، 12164-12177. [ Google Scholar ] [ CrossRef ]
  62. Laurentys، CA; Palhares, RM; Caminhas، WM یک سیستم ایمنی مصنوعی جدید برای تشخیص رفتار خطا. انقضا سیستم Appl. 2011 ، 38 ، 6957-6966. [ Google Scholar ] [ CrossRef ]
  63. Bansal، JC; شارما، اچ. آریا، KV; Nagar, A. جستجوی ممتیک در الگوریتم کلونی زنبورهای مصنوعی. محاسبات نرم – فیوژن پیدا شد. روش. Appl. 2013 ، 17 ، 1911-1928. [ Google Scholar ] [ CrossRef ]
  64. آهنگ، X. گو، اچ. تانگ، ال. ژائو، اس. ژانگ، ایکس. لی، ال. Huang, J. کاربرد الگوریتم کلونی زنبورهای مصنوعی بر روی داده های امواج سطحی. محاسبه کنید. Geosci. 2015 ، 83 ، 219-230. [ Google Scholar ] [ CrossRef ]
  65. Kryszkiewicz, M. رویکرد مجموعه ای خشن به سیستم های اطلاعاتی ناقص. Inf. علمی 1998 ، 112 ، 39-49. [ Google Scholar ] [ CrossRef ]
  66. لیو، جی. زو، دبلیو. ساختارهای جبری تئوری مجموعه های خشن تعمیم یافته. Inf. علمی 2008 ، 178 ، 4105-4113. [ Google Scholar ] [ CrossRef ]
  67. قهرمانلی، ح. الله وردی، ن. استخراج قانون از شبکه های عصبی تطبیقی ​​آموزش دیده با استفاده از سیستم ایمنی مصنوعی. انقضا سیستم Appl. 2009 ، 36 ، 1513-1522. [ Google Scholar ] [ CrossRef ]
  68. Sauze، C. نیل، ام. کنترل کننده غدد درون ریز مصنوعی برای مدیریت توان در سیستم های رباتیک. IEEE Trans. شبکه عصبی فرا گرفتن. سیستم 2013 ، 24 ، 1973-1985. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  69. کو، آر جی؛ چیانگ، نیوجرسی؛ Chen، ZY ادغام سیستم ایمنی مصنوعی و الگوریتم k-means برای خوشه بندی مشتریان. Appl. آرتیف. هوشمند 2014 ، 28 ، 577-596. [ Google Scholar ]
  70. شیو کی، سی. محمد، ام اس; صالح، AHM; یی ون، سی. چویی خیم، سی. Deris, S. ترکیبی از بهینه سازی کلنی مورچه ها و به حداقل رساندن تنظیم متابولیک برای بهبود تولید اسید سوکسینیک در اشریشیا کلی. محاسبه کنید. Biol. پزشکی 2014 ، 49 ، 74-82. [ Google Scholar ]
  71. لی، ز. وانگ، دبلیو. یان، ی. Li, Z. PS–ABC: یک الگوریتم ترکیبی مبتنی بر ازدحام ذرات و کلنی زنبورهای مصنوعی برای مسائل بهینه‌سازی با ابعاد بالا. انقضا سیستم Appl. 2015 ، 42 ، 8881-8895. [ Google Scholar ] [ CrossRef ]
  72. ناهاتو، KB; هاریچندران، KN; Arputharaj, K. استخراج دانش از مجموعه داده های بالینی با استفاده از مجموعه های خشن و شبکه عصبی پس انتشار. محاسبه کنید. ریاضی. روش ها Med. 2015 ، 2015 ، 1-13. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  73. آرمسترانگ، MP جغرافیا و علوم محاسباتی. ان دانشیار صبح. Geogr. 2000 ، 90 ، 146-156. [ Google Scholar ] [ CrossRef ]
  74. اپن شاو، اس. آبراهارت، RJ Geocomptuation ; تیلور و فرانسیس: لندن، بریتانیا، 2000. [ Google Scholar ]
  75. اپن شاو، اس. Openshaw, C. Artificial Intelligence in Geography ; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1997. [ Google Scholar ]
  76. مانیکا، جی. موسسه، MG; چوی، م. براون، بی. بوگین، جی. دابز، آر. راکسبورگ، سی. Byers، AH Big Data: The Frontier بعدی برای نوآوری، رقابت و بهره وری . موسسه جهانی مک کینزی: واشنگتن، دی سی، ایالات متحده آمریکا، 2011. [ Google Scholar ]
Ijgi 05 00066 g001 1024
شکل 1. روند رشد مقالات در هوش مصنوعی از 1990-2014.
Ijgi 05 00066 g002 1024
شکل 2. الگوهای زمانی مقالات مرتبط با هوش مصنوعی.
Ijgi 05 00066 g003 1024
شکل 3. تخمین چگالی هسته برای توزیع جغرافیایی نویسندگان.
Ijgi 05 00066 g004 1024
شکل 4. رابطه بین توزیع جغرافیایی نویسندگان و سرمایه گذاری روی R و D.
Ijgi 05 00066 g005 1024
شکل 5. اصلی شبکه های همکاری بین المللی.
Ijgi 05 00066 g006 1024
شکل 6. روند کلمات کلیدی با توجه به روش و مدل.
Ijgi 05 00066 g007 1024
شکل 7. روند کلمات کلیدی با توجه به کاربرد هوش مصنوعی (DSS: سیستم پشتیبانی تصمیم، KBS: سیستم مبتنی بر دانش، CBR: استدلال مبتنی بر مورد، KR: بازنمایی دانش).
Ijgi 05 00066 g008 1024
شکل 8. شبکه هم واژه 30 کلیدواژه با فرکانس بالا در هوش مصنوعی.
جدول
جدول 1. خلاصه خروجی های علمی از 1990-2014.
جدول
جدول 2. پربارترین مجلات در تحقیقات هوش مصنوعی.
جدول
جدول 3. 20 نویسنده برتر از 1990 تا 2014.
جدول
جدول 4. بیست کشور/منطقه پربازده در تحقیقات هوش مصنوعی.
جدول
جدول 5. موسسات مولد برتر در تحقیقات هوش مصنوعی.
جدول
جدول 6. الگوی زمانی کلمات کلیدی پرکاربرد.
جدول
جدول 7. روش ها، مدل ها و کاربردهای جدید در تحقیقات هوش مصنوعی.
جدول
جدول 8. پرکاربردترین کلمات کلیدی در علوم زمین.

به اشتراک بگذارید و استناد کنید

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370