انجمن کامپیوتر ایران

رشد روزافزون اینترنت اشیاء، علیرغم دستاوردهای فراوان در حوزة تکنولوژی، ریسک‌های امنیتی متنوعی را نیز به همراه داشته است. بات‌نت‌های این حوزه به عنوان گونه‌ای از حملات امنیتی پیچیده شناخته می‌شوند که می‌توان از ابزارهای یادگیری ماشین، به منظور شناسایی و کشف آنها استفاده نمود. شناسایی حملات مذکور از یک سو نیازمند کشف الگوی رفتاری آنها مبتنی بر حجم وسیع داده‌های پیشین می‌باشد و از سوی دیگر می‌بایست وفق‌پذیر بوده و به لحاظ عملیاتی به صورت بلادرنگ عمل نماید. کشف الگوی رفتاری بات‌نت‌ها از طریق تکنیک‌های یادگیری دسته‌ای امکان‌پذیر می‌باشد اما این تکنیک‌ها به دلیل نیاز به زمان بالای یادگیری، نمی‌توانند به صورت بلادرنگ به شناسایی الگوهای جدید بپردازند و به صورت وفق‌پذیر عمل نمایند. در مقابل تکنیک‌های یادگیری جریانی، سابقة محدودی از الگوهای پیشین را بررسی می‌نمایند اما قادر به شناسایی در زمان کوتاه هستند. به منظور برآورده ساختن نیازهای مذکور، در این مقاله به ارائة راهکاری مبتنی بر ترکیب روش‌های یادگیری جریانی و دسته‌ای با هدف تشخیص ناهنجاری بات‌نت‌ها می‌پردازیم. نتایج آزمایشات در مجموعه داده‌ای مشتمل بر دو نوع بات‌نت شناخته شده، بیانگر آن است که روش پیشنهادی، با دقتی بالاتر از روش یادگیری دسته‌ای، قادر به تشخیص در زمانی قابل مقایسه با روش‌های یادگیری جریانی می‌باشد.

در این مقاله، عناصر اصلی مدل مرجع نرم‌افزار ایران به اختصار معرفی شده است. این مدل شامل سه سطح سیستم، مؤلفه‌های کاربردی و واسط است. در بخش سیستم این مدل، 11 گروه سیستم، 74 سیستم و بیش از 250 ماژول وجود دارد. بخش مولفه‌های کاربردی شامل 4 گروه مؤلفه برنامه، 36 مؤلفه برنامه و بیش از 100 ماژول است. در نهایت، قسمت رابط‌ها شامل 16 رابط است. صرفاً ارائه مدل مرجع چندان مفید نیست و لازم است موارد استفاده از مدل مشخص شود. در همین راستا، این مقاله 10 مورد استفاده برای مدل مرجع نرم‌افزار ایران را شرح می‌دهد. به عنوان یک مورد خاص استفاده، مشارکت دولت در تهیه نرم‌افزارهای عمومی برای دستگاه‌های دولتی (بر اساس مدل مرجع نرم‌افزار ایران و با هدف کاهش هزینه در تهیه و نگهداری سیستم و افزایش کیفیت سیستم) توضیح داده شده است.

در این مقاله یک روش واترمارکینگ تصویر دیجیتال در حوزه تبدیل موجک گسسته دو بعدی و تجزیه مقدار تکین به‌منظور بهبود مقاومت و بهطور کلی افزایش قابلیت اطمینان سیستم واترمارکینگ تصویر با استفاده از تکنیک افزونه سه تایی پیشنهاد می‌شود. در این روش از دو بار اجرای تبدیل موجک گسسته و دو بار اجرای تجزیه مقدار تکین به منظور افزایش کیفیت و مقاومت استفاده می‌شود. همچنین به‌منظور افزایش امنیت، تصویر نهان‌نگار با استفاده از تبدیل آرنولد بهبودیافته رمزنگاری می‌شود. سپس تجزیه مقدار تکین بر روی تصویر رمزنگاری شده اعمال گشته و با پیروی از تکنیک افزونه سه تایی، مقادیر تکین تصویر نهان‌نگار رمزنگاری شده به وسیله جمع با مقادیر تکین هر یک از زیرباندهای فرکانسی بالا از تصویر میزبان، در تصویر میزبان درج می‌شود. در این مقاله به‌منظور ایجاد توازن بین مقاومت و کیفیت، سه فاکتور مقیاس توسط الگوریتم کلونی زنبور عسل برای درج نهان‌نگار در هر یک از زیرباندهای فرکانسی تصویر میزبان تعیین می‌شوند. طبق ارزیابی‌های صورت گرفته، روش پیشنهادی نسبت به آثار موجود مقاومت بالایی در برابر بیشتر حملات دارد و از کیفیت بالایی نیز برخوردار است. لذا سیستم پیشنهادی یک سیستم تحمل‌پذیر خطا می‌باشد که در برخی شرایط می‌تواند درست کار کند و قابلیت اطمینان و امنیت بالایی دارد.

شبکه‌های حسگر بی‌سیم متشکل از تعداد زیادی گرهِ حسگر هستند که با پایشِ داده‌های محیطی نظیر سنجش دما و تشخیص حرکت، داده‌های حاصل از این پایش را به یک ایستگاه مرکزی می‌فرستند. به دلیل ماهیتِ انتقالِ گام‌به‌گام داده در این‌گونه از شبکه‌ها، اگر تعدادی گره حسگر در شبکه به طور پیوسته به هر علتی اعم از اتمام انرژی، رخدادهای طبیعی، انفجار و .. از کار بی‌افتند، کارکردِ گره‌های سالمِ باقی‌مانده هم دچار مشکل شده و انتقال داده بین گره‌ها تا ایستگاه مرکزی غیر ممکن می‌شود. در این پژوهش به مسئله‌ی بازیابی ارتباطات در شبکه‌های حسگر بی‌سیم پرداخته شده و روشی نو مبتنی بر خوشه‌بندی سلسله‌ مراتبی برای بازیابیِ مجدد شبکه پس از رخداد خرابی ارائه شده است. در انتها داده‌ها و نتایجِ حاصل از ارزیابیِ کاراییِ روش ارائه شده در این پژوهش در مقایسه با دو الگوریتمِ مطرح در این حوزه ارائه شده‌ است. الگوریتم ارائه شده در این پژوهش به نام HACCR در معیارهای ارزیابی تعداد گره مورد نیاز برای بازیابی مجدد شبکه، مجموع کل مسافت طی شده و بیشترین مسافت طی شده به طور میانگین نسبت به الگوریتم GSR به میزان ۲۲.۲۶% و نسبت به الگوریتم DARDS به میزان ۴۳.۸۵% کارایی بهتر بر طبق داده‌های حاصل از شبیه‌سازی داشته است.

امروزه رشد گسترده محاسبات ابری موجب افزایش مصرف انرژی در مراکز داده شده است. به‌کارگیری تکنیک‌های کاهش مصرف انرژی جزو چالش‌های اصلی ارائه‌دهندگان سرویس‌های ابری است و شامل دو تکنیک پویا و ایستا می‌باشد. با به‌کارگیری تکنیک‌های ایستا در زمان ساخت مراکز داده، مصرف انرژی تا حدودی کاهش می‌یابد؛ با فزونی یافتن محاسبات ابری، به دلیل افزایش نیازمندی‌ها و درخواست‌های کاربران برای استفاده از این منابع، مصرف کلی انرژی همچنان رو به رشد و چالش‌ برانگیز است. یک راه‌حل مؤثر برای مقابله با این مسئله، استفاده از تکنیک‌های پویای کاهش مصرف انرژیست که از طریق تجمیع ماشین مجازی در حداقل سرور فیزیکی امکان‌پذیر خواهد بود. این کار از طریق مهاجرت زنده ماشین مجازی انجام می‌شود و انتخاب ماشین مجازی کاندیدای مهاجرت، یک گام اصلی در این تکنیک می‌باشد. برای اجرای آن در این مقاله از ترکیب شبکه عصبی پیچشی و واحد برگشتی دروازه‌دار بر اساس حجم کار ماشین‌های مجازی مایکروسافت آزور به‌عنوان مجموعه داده استفاده‌ شده که منجر به تشخیص حساس به تأخیر بودن یا نبودن ماشین مجازی می‌شود. طبق ارزیابی نتایج حاصل از آزمایش‌ها، روش پیشنهادی دارای دقت بالاتری نسبت به سایر روش‌های موجود در انتخاب ماشین مجازی کاندیدای مهاجرت، می‌باشد.

یکی از موثرترین روش‌های درمان بیماران مبتلا به آستیگماتیزم نامنظم قرنیه، استفاده از لنز سخت است. متخصصین حوزه‌ی بینایی‌سنجی تعیین مشخصات لنز مناسب فرد را بر اساس آزمایش و خطاهای متعدد انجام می‌دهند. در حال حاضر شرکت‌های گوناگون با دریافت هزینه‌های زیاد و پس از مدت نسبتا طولانی قادر است لنز پیشنهادی را در اختیار قرار دهد. در این مقاله پیشنهاد می‏شود تعیین انحنای پایه لنز بدون دخالت انسانی و مبتنی بر شرایط سطح چشم، صورت گیرد. در این مقاله از شبکه عصبی عمیق خودرمزگذار برای نخستین بار به منظور تجمیع اطلاعات حاصل از نگاشت‌های مختلف تصاویر چهارگانه پنتاکم برای تشخیص انحنای لنز سخت استفاده شده است. در این روش پیشنهادی از دو شبکه عصبی استفاده شده است؛ یکی شبکه عصبی خودرمزگذار پیچشی و دیگری شبکه عصبی پرسپترون رگرسیونی. از شبکه عصبی خودرمزگذار پیچشی به منظور تجمیع ویژگی‌های نگاشت‌های چهارگانه تصاویر پنتاکم استفاده شده است؛ زیرا این شبکه‌‎ها قادر هستند ساختار غیرخطی موجود در نماها را تشخیص دهند. از شبکه عصبی پرسپترون رگرسیونی هم به منظور دستیابی به مقدار انحنای پایه لنز استفاده شده است. ورودی شبکه عصبی پرسپترون رگرسیونی هم بردار ویژگی حاصل از شبکه عصبی خودرمزگذار پیچشی است.

اینترنت اشیاء به شبکه‌ای اشاره دارد که در آن بسیاری از وسایل و اشیاء پیرامون ما به شبکه اینترنت متصل شده‌اند و با همدیگر و یا با سایر اشیاء ارتباط برقرار می‌کنند. ارتباطات در این فناوری نوین فراتر از ارتباط انسان با انسان و ماشین با ماشین می‌باشد. همگام با گسترش روزافزون اینترنت اشیاء در جنبه‌های مختلف زندگی روزمره و فعالیت‌های فردی و اجتماعی افراد، اهمیت تامین امنیت اطلاعات و حفظ حریم خصوصی کاربران بیش از پیش نمایان شده است. یکی از معضلات استفاده از چنین سیستم‌هایی نفوذ افراد غیرمجاز به سیستم و استفاده از اطلاعات آن یا انجام دستکاری‌های غیرمجاز در آن است به همین علت تلاش برای بهبود روش‌ها و الگوریتم‌های موجود بسیار مورد توجه محققان این حوزه می‌باشد. در این پژوهش از شبکه‌های عصبی کانولوشن که یکی از روش‌های قدرتمند یادگیری عمیق هستند و دارای معماری پیچیده و توانایی تشخیص ویژگی‌ها و ارتباطات پیچیده موجود بین حملات هستند، برای ارائه یک سیستم تشخیص نفوذ با دقت تشخیص بالا و نرخ هشدار اشتباه پایین استفاده کرده‌ایم. این روش با مجموعه داده NSL-KDD آموزش داده شد و به دقت 1/86% در جداسازی داده‌های حمله و عادی دست یافت.

نانوکپسول يکي از مواد مهم در داروسازي است که براي تثبيت تركيبات حساس دارويي و محافظت از عناصر اصلي آنها در برابر واكنش‌های زودرس در بدن انسان بکار مي‌رود. دستيابي به بهترين ترکيب براي ساخت و تعيين اندازه نانو کپسول‌ها يکي از چالش‌های محققان مي‌باشد. الگوريتم‌هاي يادگيري عميق روشي براي خودکارسازي مدل تحليلي است که با کمک الگوريتم‌هاي تکرارپذير از داده‌ها ياد مي‌گيرند و پارامترهاي خود را تنظيم مي‌کنند. در اين پژوهش از شبکه پيش‌رو عميق (DFF)Deep Feedforward براي مدل سازي رفتار نانوکپسول آليسين استفاده شده است. بعداز انجام 15 آزمايش، اين نانو کپسول توليد و اندازه ذره آن اندازه‌گيري شده است. اين شبکه‌ي عصبی با 1 و 2 و 3 لايه پنهان و تعداد نورون‌هاي مختلف با داده‌هاي گردآوري شده، ساخته شده و خطاي MSE هر يک از آنها بدست آمده است. به دليل کمبود داده‌هاي آزمايشگاهي از تکنيک Leave-One-Out براي ساخت اين مدل‌ها استفاده شده است. برای مقایسه، از سیستم Fuzzy با تعداد 1 و 2 و 3 و 4 تابع تعلق گوسی استفاده و خطای MSE آنها با DFF مقایسه شده است. نتايج بدست آمده نشان می‌دهد که يک شبکه‌ي DFF با 3 لايه پنهان نتايج بهتري نسبت به ديگر سيستم‌هاي پياده‌سازي شده فراهم مي‌کند و خطاي MSE آن بطور چشم‌گيري کمتر از ديگر مدل‌ها مي‌باشد.

فضای مجازی و اینترنت جزئی جدایی‌ناپذیر از زندگی انسان‌ها شده است و ظهور رسانه‌های ارتباطی و پیام‌رسان‌های جدید روی بستر اینترنت زندگی انسان‌ها و ارتباطات آنها را تحت تاثیر قرار داده است. اگرچه اینترنت مزایای زیادی به همراه دارد، اما از جنبه‌های تاریک‌ و نقاط ضعف آن نیز نباید غافل بود. امنیت ارتباط برخط کودکان و نوجوانان یکی از مهمترین چالش هایی است که با فراگیر شدن پیام‌رسان‌ها مورد توجه قرار گرفته است. نظارت مستمر بر ارتباط میان کاربران و محتوای تبادل شده در پیام‌های ارتباطی از اهمیت بالایی برخوردار است. خودکارسازی و هوشمندسازی نظارت بر ارتباطات و محتوای پیام‌ها، بدون استفاده از عامل‌های هوشمند سخت و دشوار است. به همین منظور می‌توان با طراحی عامل‌های هوشمند بر تبادل پیام‌ها به صورت خودکار نظارت نمود و در صورت مواجه با آسیب از طرف افراد سودجو واکنش‌های هوشمندانه‌ای از خود نشان داد. در این پژوهش تلاش می‌گردد با ارائه یک معماری و سیستم نمونه اولیه گام موثری برای امن‌سازی تعامل کودکان در محیط‌های برخط برداشته شود. برای غلبه بر چنین چالش پیچیده‌ای، تلفیق انواع فن‌آوری‌های مبتنی بر هوش مصنوعی و سیستم‌های خودمختار ضروری است. سیستم و معماری مورد بحث در این پژوهش در محیط توسعه عامل جاوا (جید) شبیه‌سازی شده و در سناریوهای متعدد با کارهای مشابه مورد مقایسه قرار گرفته است. نتایج مقایسه نشانگر برتری روش پیشنهادی در مقایسه با کارهای مشابه است.

با پیشرفت علم و افزایش روزافزون حجم اطلاعات، استفاده از سیستم‌های توصیه‌گر در همه زمینه‌ها کاربرد پیدا کرده است. اکثر این سیستم‌ها از یک معیار رتبه‌بندی در پیش‌بینی‌هایشان استفاده می‌کنند. با این حال، استفاده از سیستم‌های توصیه‌گر چند معیاره موجب ارائه پیش‌بینی‌های دقیق‌تری می‌شوند. از چالش‌های اصلی در سیستم‌های توصیه‌گر، پراکندگی ماتریس کاربر-مورد و یا همان وجود داده‌های گمشده است که این مسأله در سیستم‌های توصیه‌گر چند معیاره که هر کاربر باید معیارهای متفاوتی را در مورد یک مورد (کالا، خدمات) ثبت نماید، بسیار مشهودتر است. در این مقاله، الگوریتمی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره با استفاده از یادگیری عمیق ارائه می‌شود. الگوریتم ارائه شده قادر است برای کاربرانی که به تازگی وارد سیستم شده‌اند و سابقه‌ای از علاقه‌مندی آن‌ها در دسترس نیست، توصیه‌های مناسبی ارائه دهد. همچنین رتبه‌بندی‌های ارائه شده برای معیارهای مختلف را به نحوی ترکیب کند که رتبه‌بندی کلی به بهترین نحو پیش‌بینی شده و بهترین توصیه‌ها به کاربران، مطابق با علایقشان پیشنهاد شود. نتایج بدست آمده حاکی از کارایی روش پیشنهادی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره است.

امروزه مدل‌های تصمیم‌سازی چندمعیاره کاربردهای بیشماری در تمامی زمینه‌های علمی، به ویژه در علوم کامپیوتر به خود اختصاص داده‌اند. یکی از معماری‌هایی که امروزه مورد توجه محققان قرار گرفته است، معماری میکروسرویس می‌باشد. معماری میکروسرویس یک روش متمایز جهت توسعه سیستم‌های نرم‌افزاری است که سعی در ساخت مولفه‌های تک وظیفه با رابط‌ها و عملکردهای مستقل و مشخص دارد. مسئله مدیریت منابع در معماری‌های میکروسرویس‌ها، یکی از چالش‌های مهم حال حاضر بوده و مطالعات زیادی در این زمینه توسط محققان انجام شده است. در این مقاله، به منظور مدیریت بهینه منابع و تخصیص کارای آنها به هر یک از میکروسرویس‌های موجود در معماری، از راهکارهای تصمیم‌سازی چندمعیاری استفاده شده است. با استفاده از راهکار پیشنهادی، می‌توان ضمن تخصیص بهینه منابع بر اساس ارزیابی ترکیبی پارامترهای کیفیت سرویس در میکروسرویس‌ها، به یک سازوکار تخصیص کارا در منابع دست پیدا نمود. روش پیشنهادی ضمن افزایش کارایی در فرآيند میکروسرویس‌ها، باعث افزایش تعادل بار در معماری کل سیستم می‌شود. همچنین استفاده از رویکرد پیشنهادی، امکان مدیریت منابع در شبکه را قابل کنترل‌تر خواهد کرد.

دو درس «ساختمان داده‌ها و الگوریتم‌ها» و «طراحی و تحلیل الگوریتم‌ها» را می‌توان محوری‌ترین دروس در برنامه درسی دوره کارشناسی رشته‌های مهندسی رایانه و علوم رایانه دانست. با وجود نقش برجسته این دو درس در آموزش تفکر الگوریتمی به دانشجویان، به نظر می‌رسد که نحوه ارائه این دو درس در دانشگاه‌های ایران نیازمند بازنگری باشد. ما در این مقاله، به ذکر دو اشکال برجسته که بر نحوه ارائه این دو درس وارد است می‌پردازیم و آنگاه راهکارهایی را برای ارائه یکپارچه و روشمند این دو درس پیشنهاد می‌کنیم. ما هم مبنای اشکالات خود را و هم مبنای راهکار‌های پیشنهادی خود را شیوه آموزش الگوریتم‌ها در کتاب‌های درسی معتبری که در سال‌های اخیر به عنوان مراجع درسی و با هدف آموزش الگوریتم‌ها نوشته‌اند گذاشته‌ایم.آنچه در این متن به عنوان دو اشکال اساسی در ارائه دو درس مذکور مطرح شده‌اند عبارتند از تفکیک ساختمان‌داده‌ها از الگوریتم‌ها و نادیده گرفتن فنون طراحی الگوریتم ها. ما این دو اشکال را تبیین خواهیم کرد و آنگاه خواهیم گفت که چگونه مدرسان می‌توانند ساختمان داده‌ها را در متن طراحی الگوریتم ها معرفی کنند و اینکه چگونه می‌توانند الگوریتم ها را بر مبنای فنون طراحی دسته‌بندی و معرفی کنند.

چند پخشي نقش مهمي را در برخي از كاربردهاي شبكه هاي سيار موردي ايفا مي كند نظير كاربردهاي اورژانسي، جستجو ونجات و ارتباطات نظامي. در چنين محيطهايي نودها گروههايي را تشكيل مي دهند تا بتوانند برخي عمليات شامل ارسال داده و صوت به صورت يك به چند و يا چند به چند انجام دهند. حركت نودها توپولوژي شبكه را به طور غير قابل پيش بيني تغيير مي دهد و همراه با محدوديت توان، چند پخشي در شبكه هاي سيار موردي را بسيار چالش برانگير نموده است. در این مقاله در مورد عملکرد دو پروتکل چندپخشی شبکه های سیار موردی MAODV و ODMRP بحث شده است. پروتکل MAODV بر اساس ساختار درخت عمل می کند ( Tree Based ) که در این حالت بین دو گره مختلف فقط یک مسیر منحصر به فرد وجود دارد و پروتکل ODMRP بر اساس ساختار مش عمل می کند ( Mesh Based ) که در این حالت بین دو گره مختلف مسیرهای متفاوتی وجود دارد. پروتکل MAODV یک درخت چندپخشی را براساس اطلاعات سخت افزاری پایه گذاری و نگهداری می کند در حالی که ODMRP شبکه ای را براساس اطلاعات نرم افزاری نگهداری می کند. نتایج بررسی های ما نشان می دهد که، در بیشتر سناریوها پروتکل ODMRP نرخ تحویل بسته بالاتری دارد نسبت به MAODV اما ضعف ان سربار ( Overhead ) بالاتر ان است نسبت به MAODV.

پروتکل ODMRP (On Demand Multicast Routing Protocol) یکی از پروتکلهای مسیریابی چندپخشی در شبکه های ad hoc است که بدلیل ساده بودن، مقاوم بودن در مقابل تحرک گرهها و داشتن نرخ تحویل بسته ی بالا به یکی از پراستفاده¬-ترین پروتکل های مسیر یابی چند پخشی در این شبکه ها تبدیل شده است، اما یکی از مشکلاتی که این پروتکل از آن رنج می¬برد، این است که برای کشف مسیرها بین فرستنده ها و گیرنده ها، بسته های درخواست مسیر توسط تمام منابع در شبکه بصورت سیل آسا پخش می شوند و این عمل (پخش سیل آسای بسته های درخواست مسیر) به منظور بازسازی مسیرها بصورت دوره¬ای تکرارمی شود، در نتیجه پیامهای کنترلی زیادی در شبکه ایجاد و رد و بدل می شوند. سربار کنترلی ایجاد شده، مخصوصا زمانی که تعداد فرستنده ها زیاد باشد به شدت افزایش یافته و باعث مصرف پهنای باند، ایجاد ترافیک و برخورد بسته¬ها شده، در نتیجه نرخ تحویل بسته را پایین آورده و باعث افزایش تاخیر انتها به انتها در دریافت بسته ها می شود. در این مقاله روشی را برای کاهش سربار کنترلی پروتکل ODMRP ارائه داده ایم. در روش پیشنهادی از تصدیق های غیرفعال داده ای(Data Passive Acknowledgement) استفاده کرده ایم و بعضی از گرهها را از پخش بسته های درخواست مسیر منع کرده ایم. بدین وسیله دامنه پخش سیل آسای بسته های درخواست مسیر محدود شده و سربار کنترلی کاهش یافته است. روش پیشنهادی با استفاده از نرم افزار GLOMOSIM در سناریوهای مختلف شبیه سازی شد و نتایج حاصل از شبیه سازی نشان داد که در اثر محدود شدن دامنه پخش سیل آسای بسته های درخواست مسیر، سربار کنترلی کاهش یافته و در نتیجه ی آن برخورد و تراکم بسته ها و تاخیر انتها به انتها هم کاهش یافته و نرخ تحویل بسته بهبود یافته است.

خلاصه سازی خودکار چند سندی، روشی برای ارائه فشرده مطالبی است که در ارتباط با یک موضوع بوده ولی جهت دید آنها متفاوت از یکدیگر می باشند. خلاصه خوب، باید بیانگر زمینه کلی بوده و ضمن بیان دیدگاههای مختلف موجود در متن از خوانایی و پیوستگی بالایی برخوردار باشد. در این مقاله با بهره¬گیری شکل جدیدی از روش استخراج روابط معنایی موجود در متن (LSA یا LSI) و تکنیک برچسب زنی معنایی نقش لغات(SRL)، روشی جدید برای خلاصه¬سازی چند سندی شده است. در ابتدا با استفاده از ماتریس کلمه- سند به جای ماتریس کلمه- جمله و با بهره گیری از LSA، جملات مهم مرتبط با زمینه استخراج می شود. در گام بعدی با استفاده از تکنیک SRL و با استفاده از WordNet شباهت معنایی جملات استخراج شده و در نهایت جملات شبیه به هم حذف می شوند. نتایج آزمایش¬ها برروی داده¬های DUC2007 حاکی از افزایش چشمگیر دقت در قیاس با روش¬های قبلی مبتنی بر LSAو سیستم¬های موجود در DUC2007 می باشد.

تخمين فعاليت¬هاي صوتي عبارت است از فرآيند دسته¬بندي سيگنال گفتار به قسمت¬هاي گفتار و غيرگفتار. با توجه به کاربرد گسترده‌ي چنين الگوريتم‌هايي در شاخه‌هاي مختلف پردازش گفتار، ارائه‌ي روش‌هايي که باعث بهبود اين فرآيند شوند، همواره مد نظر پژوهشگران بوده است. در اين مقاله با استفاده از روش يادگيري ميدان تصادفي شرطي و ويژگي‌هاي انرژي و اندازه‌ي همواري طيف، مدلي برای تشخيص و جداسازي قسمت‌هاي گفتاري و غيرگفتاري سيگنال صوت، ارائه شده است. برای به دست آوردن مقادير بهينه‌ي پارامترهاي روش يادگيري ميدان تصادفي شرطي از مجموعه‌ي دادگان صوتي Aurora استفاده شده و با در نظر گرفتن اين مقادير بهينه و با استفاده از دادگان Timit مدل نهايي ساخته شد و کارآيي آن روي دادگان بدون نويز 78/90% برآورد شده است. مهمترين مزيت استفاده از روش يادگيري ميدان تصادفي شرطي، حجم کم دادگان مورد نياز برای ساخت مدل است. مقايسه‌ي اين روش و روش ماشين بردار پشتيبان روي حجم يکساني از دادگان آموزشي و آزمايشي نشان مي‌دهد که ميدان تصادفي شرطي 22/14% بهتر از روش ماشين بردار پشتيبان عمل کرده و در مقابل نويز نيز پايدارتر است.

یادگیری ماشین با رویکرد با ناظر امروزه پایهی بسیاری از فعالیت‌های مختلف در حوزه پردازش زبان طبیعی است. اگرچه این روش‌ها به موفقیت‌هایی دست یافته‌اند اما در مقابل نیازمند فراهم شدن حجم زیادی از داده آموزشی توسط یک تفسیر کننده مانند انسان است، که گاها هزینه‌های بالایی را در بر خواهد داشت. علاوه بر این در بیشتر روش‌های یادگیری با ناظر ترتیب انتخاب نمونه‌های آموزشی بر اساس تصادف صورت می‌گیرد، در مقابل برای برطرف کردن مشکلات مذکور یادگیری فعال مطرح می‌شود که در آن به شکلی تکرار شونده نمونه‌هایی با بیشترین اثر مطلوب بر فرآیند آموزش انتخاب می‌شوند. نتایج آزمایشات نشان می‌دهد در آموزش یک مدل برچسب‌زنی دنباله فارسی بر اساس پیکره متنی زبان فارسی تنها با استفاده از 9.36% از کل داده‌های آموزشی به دقت برچسب زنی تا 96.28% رسید و این در حالی است که دقت برچسب زنی با بکارگیری کل نمونه‌ها 96.45% می‌باشد.

تشخیص زبان به صورت خودکار، در واقع مسأله تشخیص زبان، برای یک نمونه گفتار صحبت شده توسط سخنگوی نامعلوم است. در دهه گذشته، روش¬های متعددی برای تشخیص خودکار زبان پیشنهاد شده است. این روش¬ها، بر پایه استخراج ویژگی¬های خاص هر زبان، شامل مجموعه آواشناسی، واج آرایی و علم عروضی و بدیعی بودند. در این مقاله روش جدیدی پیشنهاد شده است که مستقل از اطلاعات زبان¬شناسی بوده و از تبدیل موجک برای استخراج خواص صوتی سیگنال گفتار استفاده می¬کند. انتخاب ویژگی¬های لازم جهت دسته¬بندی زبان، از میان ضرایب تبدیل موجک، بر اساس کاهش ابعاد فضای ضرایب، بر مبنای الگوریتم گسسته سازی چند بازه¬ای و سپس اعمال الگوریتم رتبه بندی ویژگی ها انجام می¬شود. روش پیشنهادی علاوه بر آنکه درصد تشخیص را برای نمونه¬های زبانی دو به دو 10 ثانیه¬ای و 45 ثانیه¬ای بهبود داده است، قادر به تشخیص نوع زبان از میان 5 زبان گوناگون نیز می¬باشد.

ایجاد چندضلعی ساده تصادفی و شبه مثلث¬بندی یک چندضلعی از مسائل مطرح در هندسه محاسباتی محسوب می¬شوند. تولید چندضلعی تصادفی در زمینه بررسی صحت و درستی الگوریتم¬ها مورد استفاده قرار می¬گیرد. در این مقاله الگوریتمی جدید برای ایجاد یک چندضلعی ساده حلزونی از مجموعه نقاط تصادفیS در صفحه با استفاده از پوسته¬های محدب لایه¬ای ارائه شده است که به طور همزمان نیز شبه مثلث¬بندی روی آن انجام می¬شود. این الگوریتم ابداعی جدید دارای مرتبه زمانی O(nlogn) است، لذا جزو الگوریتم¬های بهینه به شمار می¬آید.

در این مقاله یک روش تشخیص جنسیت جدید با دقت دسته‌بندی و قابلیت اعتماد بالا ارایه شده است. در این روش از نوعی استخراج مشخصه بر اساس عملگر آنالیز بافت الگوی باینری محلی استفاده شده است. این تکنیک قادر است بدون تحمیل عوارض جانبی از جمله افزایش بیش از حد حالت‌های ممکن و محاسبات زیاد، با توسعه فضای همسایگی اطراف نقاط در هنگام استخراج اطلاعات، باعث بدست آمدن اطلاعات دقیق‌تری در مورد ساختارهای موجود در تصویر شود. این روش به علت سرعت بالای استخراج مشخصه، قابلیت به کارگیری در سیستم‌های بلادرنگ تشخیص جنسیت اشخاص را دارا است. نتایج بدست آمده از پیاده‌سازی روش پیشنهادی نشان‌دهنده دقت بالای این روش و برابر97.43% است