fa طبقه بندی و گونه شناسی سفال های عصر آهن II به دست آمده از کاوش های باستان شناسی قره تپه سگز آباد قزوین به کمک توابع شعاع، تانژانت و انحنای (RTC) منحنی لبه خارجی سفال باستان سنجی Archaeometry پژوهشي Original Research <div style="text-align: justify;">یکی از اساسی‌ترین پژوهش‌ها در بررسی‌های میدانی و کاوش‌های علمی باستان‌شناسی، ارائۀ یک توصیف کمّی و کیفی دقیق از ویژگی‌های هندسی قطعات سفالی است. این توصیفات در قالب مفاهیم طبقه‌بندی و گونه‌شناسی سفال‌های یک دورۀ تاریخی مطرح شده است و از آن‌ها به‌منظور بررسی ساختارهای فرهنگی و اجتماعی آن دوره استفاده می‌شود. امروزه، بیشتر مطالعات انجام‌شده در این زمینه به کمک روش‌های رقومی و مدل‌سازی‌های ریاضی صورت می‌گیرند. در این پژوهش نیز به بررسی امکان استفاده از روش‌ها و الگوریتم‌های ریاضی در طبقه‌بندی و گونه‌شناسی سفال‌های باستانی پرداخته می‌شود. آنچه در وهلۀ اول حائز اهمیت است، معرفی مجموعه‌ای از ویژگی‌های هندسی برای منحنی لبۀ خارجی سفال است که در قالب توابع RTC به الگوریتم‌ها معرفی می‌شوند. این توابع ویژگی‌های یکتا و منحصربه‌فردی را برای هر منحنی لبۀ خارجی نشان می‌دهند که از آن‌ها در طبقه‌بندی و گونه‌شناسی سفال‌ها استفاده می‌شود. طبقه‌بندی نمونه‌ها به کمک شبکۀ عصبی مصنوعی و بر اساس توابع RTC انجام شده است که در آن نمونه‌ها با دقت حدود 95درصد و در سه طبقۀ کاسه، کوزه و خمره قرار می‌گیرند. شبکۀ عصبی طراحی‌شده یک شبکۀ سه‌لایه با یک لایۀ پنهان است که شامل دو نورون می‌شود. خروجی شبکۀ کدهای رقومی صفر، یک و دو هستند که به‌ترتیب به لبه‌های کاسه، کوزه و خمره اشاره می‌کنند. در ادامه، با تصحیح نمونه‌های خطادار و از مجموع 209 طرح سفال، 128 نمونه در طبقۀ کاسه‌ها (61.2درصد نمونه‌ها)، 42 نمونه در طبقۀ کوزه‌ها (20.1درصد نمونه‌ها) و 39 نمونه در طبقۀ خمره‌ها (18.7درصد نمونه‌ها) قرار می‌گیرند. پس از انجام طبقه‌بندی، گونه‌شناسی نمونه‌های موجود در هر طبقه نیز به کمک الگوریتم خوشه‌بندی اتصال همسایگی صورت گرفته که در آن فرم لبه‌های موجود در طبقات کاسه‌ها، کوزه‌ها و خمره‌ها به‌ترتیب در 83، 22 و 27 تیپ از یکدیگر متمایز می‌شوند. دقت روش گونه‌شناسی سفال‌ها نیز بین 95درصد تا 97 درصد ارزیابی می‌شود.<br> &nbsp;</div> <div style="text-align: justify;">One of the critical tasks of archaeological studies is to illustrate in detail the geometric properties of pottery fragments. The illustrations are presented as classification and typological concepts for the potteries of a historical period. They are used to investigate the cultural and social structures of that period. Nowadays, most similar studies are conducted by numerical methods and mathematical modeling. This research examines the feasibility of using these methods and algorithms in the classification and typology of ancient potteries. What is important at first glance is introducing a set of geometric properties of the outer profile of the pottery fragments, which are entered to the algorithms in the form of RTC functions. These functions show unique features for an outer profile which are used in the classification and typology of the fragments. The classification of samples is accomplished based on RTC functions and by using an Artificial Neural Network (ANN). The samples are categorized in bowl, jug and jar classes with nearly 95% accuracy. The designed ANN is a three-layer network with one hidden layer that includes two neurons. Network outputs are numeric codes 0, 1 and 2 which refer to bowl, jug and jar profiles, respectively. In the following, by correcting the erroneous samples and out of a total of 209 pottery designs, 128 (61.2%), 42 (20.1%) and 39 (18.7%) samples were placed in bowl, jug and jar categories, respectively. After classification, the typology of the available samples within each class is also performed by the Neighbor Joining (NJ) algorithm. According to the NJ algorithm, the bowl, jug, and jar samples are distinguished by 83, 22 and 27 types, respectively. The accuracy of the typology method is also evaluated between 95 and 97%.</div> سفال, عصر آهن II, توابع RTC, طبقه‌بندی, شبکه عصبی مصنوعی, گونه‌شناسی Pottery, Iron age, RTC functions, Artificial Neural Network, Neighbor-Joining algorithm 147 163 http://jra-tabriziau.ir/browse.php?a_code=A-10-690-1&slc_lang=fa&sid=1 Saleh Mafi صالح مافی saleh.mafi@gmail.com 10031947532846007697 10031947532846007697 No School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Iran دانشکدۀ مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران Mostafa Dehpahlavan مصطفی ده پهلوان mdehpahlavan@ut.ac.ir 10031947532846007698 10031947532846007698 Yes Department of Archaeology, Faculty of Literature and Humanities, University of Tehran, Iran گروه باستان شناسی، دانشکده ادبیات و علوم انسانی، دانشگاه تهران، تهران، ایران Ali Aarab علی اعراب aliaarab94@gmail.com 10031947532846007699 10031947532846007699 No Department of Archaeology, Faculty of Literature and Humanities, University of Tehran, Iran گروه باستان شناسی، دانشکده ادبیات و علوم انسانی، دانشگاه تهران، تهران، ایران