مقدمه :
این مطلب یک ایده متعار ف برای تعداد متفاوتی از روشهایی است که جهت تشخیص الگو بکار می روند و اهمیت ندارد که آن الگوها آماری ، ترکیبی یا ساختاری باشند. این یک مقایسه از الگویی ناشناخته با یک عدد بطور نمونه یا با نمونه الگوی اولیه با استفاده از فاصله یا ( میزان ) شباهت یا تفاوت است. یعنی هر الگوی ناشناخته را بصورت نمونه با یک رشته عددی تقریب زده و آن رشته را با رشته عددی الگوی اولیه مقایسه می کنیم. ابتدا ارائه یک عدد از نمونه های اولیه که به کلاس مربوط به آن نمونههای اولیه شناخته شده مرتبط است ، و سپس دسته بندی یک الگوی ناشناخته بوسیله تعیین کردن بیشترین شباهت الگوی تصمیم گیری برای آن کلاس است که دست یافتنی است. پس برای هر نمونه اولیه یک عدد در نظر می گیریم که آن عدد با کلاسهای این نمونه های شناخته شده در ارتباط است و دسته بندی الگوهای ناشناخته بوسیله تعیین کردن بیشترین شباهت الگو و تصمیم گیری درباره کلاس آن حاصل می شود.
در دسته بندی آماری ، نمونه ها به وسیله عامل مشترک از یک تابع تصمیم گیری ارزیابی شده اند. پارامترها از یک احتمال توزیع شده نقاط ، در یک فضای ویژگی تعریف شده ، و مفهوم شباهت نیز بر اساس فاصله تعریف شده است. و توابع تصمیم گیری در فضای n بعدی از اعداد حقیقی کار می کنند. اگر ساختار الگو لازم باشد ، گرامرهای رسمی (قراردادی) یک مفهوم مفید هستند. تابع متداول بصورت دستی یا بصورت اتوماتیک یک گرامر از یک بسته نمونه را نتیجه می دهد. بنابراین یک الگوی ورودی ناشناخته به یک تجزیه کننده تحویل داده شده و مطابق با این گرامر تحلیل می شود. در این روش نه فقط یک دسته بندی ، بلکه همچنین یک شرح ساختاری از الگوی ناشناخته می توان فراهم کرد. تحلیل گر نحوی میتواند مانند یک تابع ویژه برای تصمیم گیری شباهت ساختاری تفسیر شود.
مطابق ساختارهای دادهای متفاوت که برای تشخیص الگو مورد استفاده قرار میگیرند ، فقط رشته گرامرها بررسی نمی شود ، بلکه درخت ، گراف و آرایه گرامرها در یک قاعده مهم تشخیص الگو فعالیت دارند.
اینها مواردی از تعدادی از مثالهای آماده بسیار کوچک هستند که کاربردشان برای نتیجه گیری دستوری است ، یا در جایی است که تمام توان یک پیشروی دستوری نیاز نیست. یعنی کاربرد این مثالهای آماده بسیار کوچک برای استنتاجی بر اساس قواعد ، و یا استنتاجی در مکانی که نیازی نیست از تمام توان قواعد استنتاجی استفاده کرد می باشد. اگر ساختار الگو مورد نیاز باشد ، با این حال ، شاید تکنیک تطبیق ساختاری مفید باشد.
ایده پایه ای تطبیق ساختاری ، به سوی بازنمایی مستقیم نمونه های اولیه است ، بخوبی الگوهای ورودی ناشناخته ، که بوسیله معانی یک ساختار داده مناسب و بسوی مقایسه این ساختارها در ترتیبی برای یافتن شباهت نمونه اولیه با یک الگوی ناشناخته ورودی حرکت می کند. این حرکت به جلو نیازمند یک عدد قراردادی از شباهت بین دو ساختار ارائه شده است. تعدادی از برخی اعداد در برخی از نوشته ها پیشنهاد شده است. آنها می توانند به گروههای بزرگی طبق ساختارهای دادهای تقسیم بشوند که برای تشخیص الگو استفاده شدهاند. بیشتر ساختارهای داده ای مهم ، رشته ای ، درختی ، گراف و آرایه ای هستند. وابستگی به دامنه مسائل خاص برای همه این ساختارهای دادهای می تواند بوسیله ویژگی هایشان افزایش یابد.
با یک محاسبه پیچیده ، رشتهها خیلی کارآمد هستند ، از آنجائیکه بررسی میزان شباهت بین رشته ها می تواند کاملا سریع انجام شود ، اگر چه رشتهها به تعداد نمایششان محدود هستند. در موارد خیلی زیاد گراف ها بیشترین قدرت رسیدن به بازنمایی الگوی ساختاری را دارند. اگر چه تطبیق گراف بطور مفهومی نسبتا پیچیده است ، و به نسبت قیمت محاسبات ، گران است. بنابراین یک تعادلی بین تعداد نمایه ها و تعداد تکرارهایمان برای تطبیق نیاز است. اگر ما برای بازنمایی کلاس الگو از یک گرامر استفاده کنیم ، یک تعادل ساده رعایت می شود.
در این بخش ما مهمترین راه رسیدن به تطبیق رشته را بررسی می کنیم. از نقطه نظر نمایش ، تطبیق ساختاری ، می تواند به عنوان یک مورد خاص نحوی ( ترکیبی ) در حرکت بر اساس گرامر مطرح بشود.

فهرست مطالب

چکیده ……………………………………………………………………………………………………………… …..1
مقدمه ……………………………………………………………………………………………………………………2

فصل اول : کلیات

1-1) هدف ……………………………………………………………………………………………………………….6
1-2) پیشینه تطبیق رشته ……………………………………………………………………………………………6
1-3) روش کار و تحقیق ……………………………………………………………………………………………….7

فصل دوم : فاصله ویرایشی رشته و تطبیق گراف

2-1) تبدیل گراف به رشته …………………………………………………………………………………………….10
2-2) تطبیق گراف ………………………………………………………………………………………………………10
2-3) فاصله ویرایشی رشته …………………………………………………………………………………………. 13
2-4) جمع بندی ………………………………………………………………………………………………………..15

فصل سوم : تقریب سریع تطبیق رشته

3-1) تطبیق رشتهای تقریبی ……………………………………………………………………………………… 18
3-2) اصول کلی کار …………………………………………………………………………………………………. 19
3-2-1) فهرست برای تطابق رشتهای تقریبی …………………………………………………………………… 20
3-2-2) جستجوی آنلاین ……………………………………………………………………………………………. 22
3-2-3) جستجو در فواصل اندازهای کلی ………………………………………………………………………… 23
3-3) لغت به عنوان یک فاصله اندازه ای ……………………………………………………….. ………………..26
3-4) جمع بندی ………………………………………………………………………………………………………28

فصل چهارم : تطبیق رشته ای برای تشخیص ساختاری الگو

4-1) الگوریتم ابتدایی ……………………………………………………………………………………………….31
4-2) مفاهیم تشخیص الگو بر اساس فاصلههای رشته ای …………………………………………………….40

فصل پنجم : الگوریتم بهینه شده برای تطبیق رشته ای

5-1) اصلاحاتی در الگوریتم پایه ………………………………………………………………….. ……………….46
5-1-1) یک روش ساده شده ………………………………………………………………….. …………………..46
5-1-2) شباهت جمله ها در زیر دنباله های مشترک ……………………………………………………………. 47
5-1-3) مطابقت دهی کشسانی و درهم پیچشی ……………………………………….. ……………………48
5-1-4) فاصله رشته بر اساس جایگزینی های تعمیم یافته ……………………………………………………. 50
5-1-5) هزینه های وابسته به متن …………………………………………………………… ………………….54
5-1-6) یک روش سریعتر ……………………………………………………………………… ……………………57
5-2) تطبیق رشته های خاص ……………………………………………………………………………………… 58

فصل ششم : نتیجه گیری و پیشنهادات

6-1) نتیجه گیری ……………………………………………………………………………………………………..62
6-2) پیشنهادات ……………………………………………………………………………………………………..62

فصل هفتم : منابع و ماخذ

7-2) آدرس چند سایت و مقاله مرتبط …………………………………………………………… ……………….66
7-2-1) آدرس چند سایت مرتبط …………………………………………………………….. …………………….66
7-2-2) آدرس چند مقاله مرتبط ……………………………………………………………… …………………….66

فهرست شکلها

3-1) تقریب جستجو در یک ایندکس معکوس …………………………………………………….. ……………21
3-2) ساختار دادهای پیشنهادی …………………………………………………………………………… ……27
4-1) الگوریتم برای محاسبه d(x,y) …….ا……………………………………………………………………….. 34
4-2) تصویر گرافیکی الگوریتم شکل 4-1 ………………………………………………………….. ……………35
4-3) یک مثال از محاسبه فاصله رشته ……………………………………………………………….. …………36
4-4a) سه مسیر متفاوت ، مطابق با حداقل هزینه عملیاتهای ویرایشی ………………….. ……………….37
4-4b) سه مسیر متفاوت ، مطابق با حداقل هزینه عملیاتهای ویرایشی ……………………………………. 37
4-4c) سه مسیر متفاوت ، مطابق با حداقل هزینه عملیاتهای ویرایشی …………………… ……………….38
4-5) مثال دیگری از محاسبه فاصله رشته ……………………………………………………………………….. 38
4-6) دو مسیر متفاوت مطابق با حداقل هزینه عملیاتهای ویرایش در شکل 4-5 ……………………………. 39
5-1) اصلاحاتی در الگوریتم شکل 4-1 برای مطابقت دهی کشسانی …………………….. …………………48
5-2) یک مثال از مطابقت دهی کشسانی ……………………………………………………………. ………….49
5-3) توضیح گرافیکی محاسبه فاصله رشته بر پایه جایگزینیهای تعمیم یافته ……………………………….. 52
5-4) یک مثال از فاصله رشته وابسته به متن ………………………………………………………. ……………57

فصل اول

1- 1) هدف :
هدف از این سمینار ارائه یک الگوریتم با کمترین پیچیدگی زمانی ، جهت بدست آوردن فاصله بین یک رشته به عنوان الگوی ناشناخته با یک مجموعه رشته به عنوان کلاس های الگوست. حال این فاصله ممکن است فاصله ویرایشی شباهتی یا فاصله ویرایشی تفاوتی باشد. یعنی در بررسی تطبیق رشته ها تا به اینجا میرسیم که این دو رشته (یعنی الگوی ناشناخته با هر یک از الگوهای مجموعه کلاس الگو) به میزان α% شباهت و یا β% تفاوت دارند. که این درصد بر اساس تعداد کاراکتر مشابه ، تقسیم بر طول رشته ضرب در 100 برای حالت شباهت ، و بر اساس تعداد کاراکتر متفاوت ، تقسیم بر طول رشته ضرب در 100 برای حالت تفاوت محاسبه می گردد.
1- 2) پیشینه تطبیق رشته :
فاصله ویرایشی بین دو رشته کاراکتری را می توان به صورت حداقل هزینه دنباله ای از عملیات ویرایشی تعریف کرد ، که یک رشته را به رشته دیگری تبدیل می کند. عملیاتی که ما می پذیریم عبارت است از حذف کردن ، درج کردن و جایگزینی یک نماد در یک زمان و احتمالا برای هر کدام از این عملیات ها هزینه های متفاوتی وجود دارد. مسئله پیدا کردن بلندترین زیر دنباله مشترک دو رشته حالت خاصی از مسئله محاسبه فاصلههای ویرایشی میباشد. برای محاسبه فاصلههای ویرایشی هزینه های عملیات ویرایشی باید مضرب صحیحی از یک عدد حقیقی مثبت مثل r باشد ، و به الفبای مورد استفاده در رشته ها محدود باشند. این شرایط برای اینکه الگوریتم محدودیت زمانی داشته باشد لازم هستند.
Wagner و Fischer الگوریتمی برای تعیین یک دنباله از تبدیلات ویرایشی که یک رشته را به رشته دیگر تبدیل میکند ارائه کردند. زمان اجرای الگوریتم آنها متناسب با حاصلضرب طولهای دو رشته ورودی است. همان سه نوع عملیات گفته شده اینجا هم مد نظر هستند. یعنی: 1- درج یک کاراکتر در رشته ، 2- حذف یک کاراکتر از رشته و 3- جایگزینی یک کاراکتر از رشته با کاراکتری دیگر. این الگوریتم دنباله ویرایشی بهینه ای را برای جفت رشته محاسبه میکند ، و به عنوان حالت خاص می تواند بلندترین زیر دنباله مشترک آنها را بدست بیاورد.
برای حالت الفبای محدود Wong و Chandra حدهای بالایی و پایینی متناسب با ٢n را با استفاده از یک مدل با محدودیت جزئی بدست آوردند. همچنین Aho نتایج مشابهی را برای مسئله بلندترین زیر دنباله مشترک بدست آورد. Lawrance و Wagner نتایج Wagner و Fischer را تعمیم دادند تا شامل عمل جابجایی کاراکترهای مجاور باشد. آنها با حل کردن مسئله تعمیم یافتهشان الگوریتمی از درجه (2O(n را ایجاد کردند.

1- 3) روش کار و تحقیق :
با استفاده از ماتریس نزدیکی یک گراف گره های آن را به رشته تبدیل می کنیم. آنگاه اگر این ترتیب از گرهها با یک پیمایش تصادفی از گراف یکسان بود ، آن عملیات ویرایشی را پیدا میکنیم که بتواند رشته حاصل از ماتریس نزدیکی را با کمترین فاصله ویرایشی به رشته حاصل از پیمایش تصادفی گراف تبدیل کند. برای یافتن این فاصله ویرایشی میتوان از روش Wagner پیروی کرده و از برنامه نویسی دینامیکی برای ارزیابی فاصله ویرایشی بین رشتـهها استفـاده کـرد. پـس بـا سـه عملیـات درج (مانند : ε→a اضافه کردن a) ، حذف (مانند : b→ε حذف b) و جایگزینی (مانند : a→b جایگزین کردن a به جای b) و تخصیص هزینه ای برای هر کدام و جمع هزینه ها ، تلاش می کنیم تا رشته اول را به رشته دوم تبدیل کنیم و میزان تطابق را بدست آوریم.
برای تقریب سریع تطبیق رشته ، ابتدا باید فاصله ویرایشی یا ed() بین دو رشته مورد نظر را که همان k است بدست آورد. فاصله ویرایشی در واقع کمترین فاصله درج ، حذف و یا جابجایی کاراکتر جهت همسان سازی رشتههاست. برنامه نویسی پویا که بهترین نتایج را تولید می کند در بدترین حالت دارای O(mn) می باشد. ایده جستجوی تقریبی برای پایگاه داده تصاویر ، اثر انگشت ، فایلهای صوتی و بانکهای اطلاعاتی بزرگ کاربرد دارد که هدف اصلی مطابقت رشتهای تقریبی در آن ، ناشی از کیفیت پایین متن ، ناهماهنگی پایگاه داده ، غلط املایی در الگو یا در متن ، جستجوی اسامی خارجی و جستجوی نامطمئن است.
برای اینکه بتوان میزان شباهت یا تفاوت رشته مورد نظر با الگو را بصورت ساختاری با استفاده از تطبیق رشتهای تشخیص داد ، به کمک سه عملیات ویرایشی که گفته شد یک ماتریس تشکیل داده و در آن تعریف می کنیم که حرکت عمودی به سمت پایین در ماتریس به معنای حذف یک کاراکتر ، حرکت افقی به سمت راست در ماتریس به معنای اضافه کردن یک کاراکتر و حرکت اریب به سمت انتهای ماتریس به معنای جایگزینی یک کاراکتر است. و با یک کد برنامه نویسی سلولهای این ماتریس را پر میکنیم و در نهایت عنصر موجود در خانه (n,m) کمترین هزینه عملیات ویرایشی برای تبدیل رشته اول به رشته دوم را در خود نگهداری خواهد کرد.

فصل دوم

فاصله ویرایشی رشته و تطبیق گراف

2-1) تبدیل گراف به رشته :
این فصل نشان می دهد که چگونه ساختار ویژه ماتریس نزدیکی ، می تواند به منظور یک تطبیق دهی کارآمد گراف مورد استفاده قرار گیرد. اگر بردار ویژه هادی یک ماتریس احتمال انتقال ، همان حالت یکنواخت زنجیره وابسته به مارکوف باشد ، آنگاه هنگامیکه ماتریس انتقال نرمال شده نزدیکی یک گراف ، موجود باشد ، بردار ویژه هادی ، یک دنباله از گرههای پیمایش تصادفی بر روی گراف در حالت یکنواخت را به ما نتیجه می دهد. ما از این ویژگی برای تبدیل گرههای گراف به رشته استفاده می کنیم. به این شکل ، که اگر ترتیب گرهها با یک دنباله از گرههای دیده شده در پیمایش تصادفی گراف داده شده یکسان باشد ، گرافهایی را که به این صورت نشان داده می شوند بوسیله پیدا کردن دنبالهای از عملیات ویرایشی رشته که فاصله ویرایش را به کمترین مقدار میرسانند تطبیق می دهیم.
2-2) تطبی ق گراف :
تطبیق گراف در سطح بالایی از نگرش کاری است که از اهمیت محوری برخوردار است به این دلیل که ابزاری فراهم میآورد که بوسیله آن میتوان توصیفات تصویری یگانه را با یکدیگر تطبیق داد.
متاسفانه از آنجا که پروسه فراخوانی و بدست آوری ساختارهای گراف از داده های خام تصویری به دلیل وجود نویز و کارآیی محدود الگوریتمهای موجود قطعه بندی کاری ظریف و دشوار میباشد ، تطبیق گراف همواره با روشهای غیر دقیق حاصل می شود. جستجو برای یافتن روشهایی که در برخورد با خطاهای تطبیقدهی گراف ، قویتر عمل کنند ، در طول دهه های اخیر مورد توجه و کوشش مداوم متخصصین بوده است. همه روشها از ایدههای تشخیص الگوی ساختاری بیرون کشیده شده و در حول موضوع گسترش و تعمیم دادن مفهوم فاصله ویرایش رشته به گراف ها عمل می کنند. پیشرفتهای اخیربر روی استفاده از روشهای بهینهسازی و احتمالاتی متمرکز شده اند ، با این هدف که پروسه تطبیقگراف را در برابر خطاهای ساختاری مقاوم کنند.
با وجود اثبات کارآیی ، این روشها فاقد ظرافت و زیبایی نمایش ماتریسی هستند که برای نخستین بار توسط Ullman در تحقیقش بر روی همریختی زیر گرافها بکار برده شد. ثابت شده است ، که عمل قرار دادن روش غیر دقیق تطبیق گراف در قالب روش ماتریسی ، گمراه کننده و بی فایده است.
این از زمانی مایوس کننده بود که مجموعهای غنی از ابزارهای قوی در حوزه ریاضیات با نام تئوری طیفی گراف در دسترس بود. این اصطلاح به مجموعهای از تکنیکها داده شد ، که هدفشان مشخص کردن و نمایاندن خصوصیتهای جامع و سراسری ساختاری یک گراف با استفاده از مقادیر ویژه و بردارهای ویژه ماتریس نزدیکی می باشد. در متنهایی از علوم کامپیوتر ، کوششهایی برای استفاده از تئوری طیفی در تطبیق گراف ، تشخیص اشیاء و قطعه بندی تصویر وجود دارد. Umeyama روش تجزیه ای دارد که گرافهایی با اندازه یکسان را مطابقت دهی می کند. Scott و Longuet-Higgins جزو اولین کسانی بود که با قرض گرفتن ایده هایی از شیمی ساختاری ، روشهای طیفی را برای آنالیز مطابقت بکار بردند. آنها نشان دادند که چگونه مطابقتها از تجزیه تک مقداری بر روی ماتریس پیوستگی نقطه ، بین تصویرهای مختلف بدست می آیند. Shapiro و Brady از تئوری طیفی گراف که Scott و Longuet-Higgins ارائه داده بودند فراتر رفتند ، که در آن مجموعه نقاط ، با بردارهای ویژه ماتریس مجاورت نقاط ، مطابقتدهی می شوند. در اینجا ماتریس مجاورت با محاسبه فاصله بین نقاط با وزن دهی گوسی ، ساخته می شود. بردارهای ویژه ماتریس مجاورت ، میتوانند به صورت بردارهای پایه یک تبدیل متعامد ، بر روی مختصات نقطه اولیه در نظر گرفته شوند. به عبارت دیگر مولفه های بردارهای ویژه ، نشان دهنده آم یختهای از زاویه ها ، برای نقطه های تبدیل یافته هستند. بررسی مطابقت دهی ، در واقع بین مجموعه نقاط مختلف تاثیر گرفته از مقایسه الگوی بردارهای ویژه در تصاویر مختلف می باشند. روش Shapiro وBrady می تواند به عنوان متدی که به جای فضای ساختار در فضای مقادیر ویژهکار می کند ، در نظر آید. Horaud و Sossa روشی کاملا ساختاری را برای تشخیص ترسیمهای خطیبکار بردند. روش ارائه شده آنها بر اساس چند جمله ای های اصلی ماتریس لاپلاسی در گراف اتصال خطی است. با مقایسه ضرایب چند جمله ای ها ، آنها قادر خواهند بود که پایگاه اطلاعاتی بزرگی از
ترسیمات خطی را طبقهبندی و اندیسدهی کنند. Dickinson ، Shokoufandeh و Siddiqi نشان دادند که به منظور تشخیص شکل از یک پایگاه اطلاعاتی بزرگ ، چگونه می توان گرافها را بوسیله طیف توپولوژیکی محلی شان کد گذاری کرد.
در یک مقاله جدید Luo و Hancock به روش Umeyama برگشتند و نشان دادند که چگونه می توان این روش را در برابر تغییرات و اندازه گراف و خطاهای ساختاری مقاوم ساخت. آنها از یک توزیع برنولی برای خطاهای مطابقت شروع کردند و الگوریتمی را بوجود آوردند که مقدار امید ریاضی برای مطابقتدهی گراف را ماکزیمم میکند. مطابقتها در مرحله M یا مرحله بیشینهسازی الگوریتم با اجرای تجزیه تک مقداری بر روی حاصل وزنی ماتریسهای مجاورت برای گرافهای در حال تطبیق ، بدست می آیند. در مرحله E یا مرحله مقدار منتظره ماتریس وزنی ، تطابق وزنی ماتریس به روز می شود. به هر حال از آنجا که این روش دارای تکرار است روشی نسبتا کند و حساس به مقداردهی اولیه می باشد.
هدف در این بخش این است که از ساختار ویژه ماتریس مجاورت برای تطبیق گرافها با استفاده از یک متد جستجو بجای روش تکرار استفاده شود. برای انجام این کار ما به سراغ تئوری زنجیره های مارکوف می رویم. یک زنجیره مارکوف را در نظر میگیریم که ماتریس احتمال انتقال آن ، ماتریس نرمال شده و کناره وزین گراف میباشد. پیمایش تصادفی پیوسته برای زنجیره مارکوف روی گراف ، بوسیله بردارهای ویژه هادی انتقال ماتریس کناره وزین انجام میشود. به این ترتیب با در نظر گرفتن ترتیب گرههای تعریف شده بوسیله بردارهای ویژه ما می توانیم گراف را به رشته تبدیل کنیم. این امکان مطابقت دهی گراف را با به انجام رساندن تطبیق رشته بوسیله کمینه کردن فاصله لونشتین یا فاصلهویرایش انجام می دهیم. ما می توانیم از Wagner پیروی کنیم و از برنامه نویسی دینامیکی برایارزیابی فاصله ویرایش بین رشتهها استفاده کنیم و به این ترتیب میزان مطابقت را بدست آوریم. باید به این نکته تاکید کنیم که اگر چه تلاشهایی برای تعمیم ایده ویرایش رشته به درختها و گرافها صورت گرفته است ، اما هنوز کار و زحمت قابل توجهی در جریان است با این هدف که متدولوژی لحاظ شده بر روی شالودهای دقیق و استوار گذاشته شود. بعنوان مثال Bunke و همکارانش ارتباط بین فاصله ویرایش گراف با اندازه بزرگترین زیر گراف مشترک را نشان دادند.
2-3) فاصله ویرایشی رشته :
با بدست آوردن بردارهای ویژه ماتریسهای مجاورت در گراف داده و گراف مدل ، ما دو گراف را به دو رشته تبدیل کردهایم. قصد ما در این بخش آن است که کشف کنیم که آیا می توانیم وقتی گرافها به این شکل نمایش داده شوند از فاصله ویرایش رشته ، برای تطبیق دهی مقاوم در برابر خطای گرافها استفاده کنیم؟ فرض اینکه X و Y دو رشته با نمادهایی از الفبای ∑ باشند. ما می خواهیم طی یک دنباله مرتب از عملیات X را به Y تبدیل کنیم. به شکلی که هزینه مربوط به دنباله حداقل شود.

قیمت 25 هزار تومان

خرید فایل pdf به همراه فایلword

قیمت:35هزار تومان