انجمن کامپیوتر ایران

شبکه مش بی‌سیم یکی از روش‌های برقراری ارتباط است. این شبکه توسط گروهی از میزبان‌ها ایجاد و نگهداری می‌شود. یکی از مسائل مهم در شبکه مش بی‌سیم مدیریت است. مدیریت بر شبکه با نظارت بر آن حاصل می‌شود. در یک نظارت ایده‌آل می‌توان تمام گره‌های شبکه را به عنوان ناظر انتخاب تا اطلاعات گوناگون را از شبکه جمع‌آوری و به مدیر ارسال نمایند اما این رویکرد بار زیادی را به ترافیک شبکه اضافه می‌نماید. در این مقاله ایده ای مطرح شده است که در آن ابتدا منطقه تحت پوشش به قسمت‌های گوناگون تقسیم و سپس در هر ناحیه گره خاصی به عنوان نماینده انتخاب می‌شود. سایر گره‌ها اطلاعات نظارتی خود را به نماینده ارسال و در آخر نماینده هر ناحیه اطلاعات دریافتی را به مدیر شبکه تحویل می‌دهد. در این مقاله روش ارائه شده شبیه‌سازی و با روشی که تمام گره‌ها به عنوان ناظر انتخاب شوند مقایسه شده است. بر اساس نتایج حاصل شده از شبیه‌سازی تعداد بسته‌های خراب شده، تلاش برای ارسال مجدد، بار و تأخیر با استفاده از سوپر همتا کاهش یافته است.

از معضلات صفحه¬های فارسی موجود در وب می¬توان به حجم کثیر صفحات فریب¬آمیز و نیز صفحه¬ها با محتویات جعلی اشاره کرد. این¬گونه صفحات سعی دارند با ترفند¬های متفاوت موتور¬های جستجو را فریب داده و نتیجه جستجو را تحت تاثیر خود قرار دهند. در مقابل کاوشگر¬های وب به صورت مداوم روش¬های جدید تشخیص صفحات فریب¬آمیز را به کار می¬برند. طبق تحقیقات ما، در زمینه تشخیص اینگونه صفحات در زبان فارسی کار گسترده¬ای صورت نگرفته است. در این پژوهش ویژگی¬هایی منحصر به صفحات فارسی ارائه خواهیم داد که مبتنی بر ظاهر صفحه می¬باشد. در این مقاله مقدار این ویژگی¬ها برای تعدادی از سایت¬های فریب¬آمیز و مجاز زیان فارسی به دست¬آمده و در انتها با اعمال روش¬های مختلف ساخت مدل از قبیل درخت تصمیم¬گیری اطمینان حاصل شد ویژگی¬های انتخاب شده به خوبی و با دقت 96.7% قادر است در مجموعه¬ی داده¬ی موجود، صفحات فریب¬آمیز را متمایز سازد.

پردازش موازی، مدلی از پردازش داده¬ها است که در آن کارها به صورت موازی انجام می¬گیرد. یکی از روش¬های موازی¬سازی برنامه¬ها استفاده از برنامه¬نویسی مبتنی جریان (Stream) است. جریان¬ها مجموعه¬ای از داده¬ها هستند که می¬توانند به صورت موازی پردازش شوند. زبان¬های برنامه¬نویسی مختلفی برای نوشتن برنامه¬های موازی با استفاده از جریان¬ها (استریم¬ها) طراحی شده است. یکی از زبان¬های جریانی پرکاربرد زبان StreamIt است. زبان StreamIt یک ساختار سلسله مراتبی مبتنی بر جریان دارد و کدنویسی برای نوشتن برنامه¬های موازی را ساده می¬کند. مشکل اساسی در زبان¬¬های مبتنی بر جریان مانند StreamIt نداشتن مکانیزمی برای کنترل دستیابی همزمان به حافظه (کنترل همزمانی) است. کنترل همزمانی در مواردی نیاز است که چندین پردازنده بخواهند به طور همزمان به یک داده مشترک دستیابی داشته باشند. در این مقاله یک مدل برای کنترل همزمانی داده¬های مشترک در زبان¬¬های مبتنی بر جریان ارائه شده است.

زیرساخت شبکه‌های اجتماعی را گراف‌هایی تشکیل می‌دهند که گره‌های گراف، نماینده کاربران و یال‌های آن، بیان‌گر ارتباطات افراد با یکدیگر می‌باشند. با توجه به انگیزه هریک از افراد، گونه عملکرد آن‌ها می‌تواند متفاوت باشد به نوعی که بر اساس آن، گروه‌های فعالیتی کاربران شکل می‌گیرد. از طرف دیگر، رفتار کاربران براثر تحریکات اطلاعاتی می‌باشد که از سوی دیگر کاربران در شبکه رخ می‌دهد. اگر یک شبکه‌ اجتماعی را به مانند یک جامعه تصور کنیم، اتفاقاتی که در یک جامعه رخ می‌دهند و نحوه برخورد اعضای جامعه با آن وقایع را می‌توانیم الگوی خود برای مدل‌سازی عملکرد کاربران یک شبکه اجتماعی هنگام مواجهه با رویدادها قرار دهیم. بیماری‌های همه‌گیر از جمله مواردی است که اعضای یک جامعه همواره با آن روبرو بوده و نحوه رفتار افراد در مقابل آن‌ها، شیوه توسعه آن بیماری‌ها را شکل می‌دهد. نحوه شیوع این چنین بیماری‌هایی در یک جامعه را می‌توان به مانند توزیع اطلاعات در یک شبکه اجتماعی قلمداد کرد و با استفاده از ایده مدل‌های رفتاری افراد جامعه در برابر این بیماری‌ها، رفتار کاربران یک شبکه را در برابر انتشاراطلاعات مدل‌سازی نمود. در این مقاله با ایده گرفتن از مدل SIRS که گونه‌ای از الگوهای بیماری‌های همه گیری است، رفتار کاربران در برابر توزیع اطلاعات در یک شبکه را مدل‌سازی نموده‌ایم و پارامترهایی را برای ارزیابی مدل استخراج کرده‌ایم که نتایج شبیه‌سازی نشان دهنده صحت تقریبی فرض‌های انجام گرفته برای مدل می‌باشد.

Web Services Composition (WSC) is a seamless approach to develop the software development projects on the basis of reusability potentials. Most web services composition approaches tend to benefit from either of practical or formal models; this paper proposes an approach for semi-automatic web services composition to close the gap between formal models and database practice. In this approach, the web services are stored in a database after being modeled in G-net. The G-net services employed in the composition process can be subsequently obtained using a proposed WSC search algorithm with SQL queries. Finally, based on the relational algebra operators the WSC is performed and a Java-based tool is developed for WSC. The proposed approach is demonstrated using a digital class assistant as a case study

در سال‌های اخیر، فناوری ریزآرایه امکان مانیتورینگ بیان هزاران ژن را به‌طور همزمان فراهم آورده است. تحلیل‌هایی که در زمینه داده‌های ریزآرایه صورت گرفته است، بیانگر قدرت این فناوری در زمینه تشخیص بسیاری بیماری‌ها از جمله سرطان است. چالشی که در این زمینه مطرح است، تعداد بالای ویژگی‌ها (ژن‌ها) و از طرفی تعداد پایین نمونه‌ها است. تا به امروز تلاش‌های متعددی در زمینه انتخاب ژن و سپس دسته‌بندی داده‌ها صورت گرفته است که نتایج بدست آمده، بیانگر برتری تکنیک‌های ترکیبی در مقابل تکنیک‌های منفرد هست. لذا در این پژوهش، پس از ارائه روشی کارآمد در زمینه انتخاب ژن، از تکنیک‌های ترکیبی معروف آدابوست، بگینگ و دگینگ جهت کلاس‌بندی داده‌ها کمک گرفته شده است. به‌علاوه در بخش بعدی این پژوهش، ادغام چندین تکنیک و در نهایت رأی‌گیری اکثریت با هدف بهبود نتایج صورت گرفته است. نتایج بدست ‌آمده، بیانگر کارا بودن روش پیشنهادی در مقایسه با الگوریتم‌های پایه و همچنین هر یک از تکنیک‌های ترکیبی به‌صورت منفرد بوده است.

امروزه حجم داده‌های چندرسانه‌ای در وب به‌طور چشمگیری در حال افزایش است. بنابراین نیاز به طراحی سیستم‌های جست‌وجو و بازیابی تصاویر به شدت احساس می‌شود. در این مقاله یک روش جدید و کارآمد برای بازیابی محتوا محور تصاویر(CBIR) پیشنهاد می‌شود. برای این منظور تصاویر از فضای رنگ RGB به فضای رنگ YCbCr تبدیل می‌شوند. سپس هر تصویر به کانال‌های خود یعنی Y، CbوCr تجزیه می‌شود. پس از آن تبدیل موجک روی هر کدام از کانال‌ها اعمال می‌شود و ضرایب موجک آن‌ها به عنوان ویژگی‌های تصویر استخراج می‌شود. روش پیشنهادی به مقابله با یکی از مهم‌ترین محدودیت‌ها در بازیابی محتوا محور تصویر، یعنی چالش بین دقت بازیابی و پیچیدگی زمانی آن می‌پردازد. نتایج تجربی روی پایگاه داده Wang که شامل ۲۳۶۳ تصویراست بسیار امیدوار کننده است.

حجم انبوه متون قابل دسترس بخصوص در گستره جهانی اینترنت و اطلاعات موجود در این حجم انبوه، اهمیت استخراج خودکار اطلاعات از متن را بیشتر نشان می‌دهد. استخراج اطلاعات از متن شامل ارائه قالب ساخت‌یافته از اطلاعات دلخواه موجود در متن می‌باشد. در این مقاله به معرفی یک سامانه استخراج خودکار اطلاعات از متون فارسی در دامنه خاص می‌پردازیم. سامانه استخراج خودکار اطلاعات برای زبان فارسی در حوزه اخبار حوادث تروریستی بر اساس ترکیبی از روش‌های یادگیر مانند الگوریتم ماشین بردار پشتیبان و مدل میدان‌های تصادفی شرطی و روش‌های مبتنی بر الگوهای استخراج، معرفی و ارزیابی شده است. نتایج بدست آمده نشان می‌دهد که این سامانه در مقایسه با کارهای مشابه دارای دقت و بازخوانی قابل قبولی است.

هدف سرویس‌های اورژانس پزشکی کاهش مرگ و میر و عوارض ناشی از بیماری‌ها و صدمات می‌باشد. فراهم کردن سریع سرویس‌های اورژانسی پزشکی و کاهش زمان پاسخ، منجر به افزایش نرخ بقاء می‌شود. زمان پاسخ یکی از معیارهای مهم سنجش کارایی سرویس‌های اورژانس پزشکی می‌باشد. روش معمول در اعزام آمبولانس‌ها، فرستادن نزدیک‌ترین واحد در دسترس می‌باشد. یکی از روش‌های که اخیرا در زمینه اعزام آمبولانس بیان شده است، مبتنی بر شبکه‌های پیچیده است. هدف این روش اعزام آمبولانس به تماس‌های می‌باشد که مرکزی‌تر هستند و آمبولانس‌ها سریع‌تر می‌توانند به تماس‌های دیگر خدمت‌رسانی نمایند. از دیگر روش‌ها در زمینه اعزام مبتنی بر پیدا کردن مسیر مناسب برای ماشین‌های سرویس‌دهنده می‌باشد که پیچیدگی زمانی این روش بسیار بالا می‌باشد. رویکرد پیشنهادی در این مقاله، ارایه یک رویکرد ترکیبی بر اساس روش‌های مبتنی بر اندازه‌های مرکزیت از نظریه شبکه‌های پیچیده و استفاده از الگوریتم‌های جستجو در هوش مصنوعی است که هدف آن کاهش زمان پاسخ نسبت به کارهای قبلی می‌باشد. علاوه بر این در رویکرد پیشنهادی، اولویت اورژانسی تماس‌ها نیز در نظر گرفته است. نتایج نشان می‌دهد که روش پیشنهادی نسبت به روش‌های قبلی همانند الگوریتم نزدیک‌ترین همسایه و الگوریتم مرکزیت، زمان پاسخ را بیشتر کاهش می‌دهد.

بیماری فصلی آنفلوآنزا هر ساله باعث مرگ 500.000 نفر در جهان می‌شود. بنابراین جلوگیری از این بیماری و بیماری‌های واگیردار مشابه از اهمیت بالایی برخورداراست. همان‌طور که مطالعات نشان می‌دهد، در صورت تشخیص زودهنگام، می‌توان از بسیاری از بیماری‌های واگیردار جلوگیری کرد. از‌این‌رو، پیش‌بینی شیوع بیماری‌های واگیر نقش مهمی در کاهش خسارات ناشی از آنها دارد. مرکز کنترل و پیشگیری بیماری (CDC) به صورت سنتی داده بیماری شبه آنفلوآنزا (ILI) را جمع‌آوری می‌کند که معمولاً فاصله زمانی تشخیص بیماری تا تهیه گزارش ILI، یک تا دو هفته است. کاهش این زمان، منجر به پیش‌بینی زودتر شیوع بیماری و کاهش هزینه‌های آن می‌باشد. در این مقاله با استفاده از روش‌های یادگیری ماشین، روش‌های جدیدی برای پیش‌بینی داده بیماری شبه آنفلوآنزا مبتنی بر تحلیل داده‌های شبکه اجتماعی توییترارائه شده است. روش‌های پیشنهادی از مدل رگرسیون خطی با ورودی خارجی و مدل سری زمانی با شبکه عصبی برای پیش‌بینی داده بیماری شبه آنفلوآنزا استفاده می‌کنند. ارزیابی‌های انجام شده بر روی داده‌های سال 2009 تا 2010 شبکه توییتر نشان می‌دهند که از طریق روش‌های پیشنهادی امکان پیش‌بینی شیوع بیماری، دو تا چهار هفته زودتر از CDC، فراهم می‌شود. نتایج حاصل نشان می‌دهد که می‌توان توسط شبکه عصبی بیماری آنفولانزا را با خطای کمتر از 5% پیش‌بینی کرد.

شبکه‌های گرید یک سیستم توزیع شده می‌باشد که هماهنگ سازی و اشتراک منابع را در مقیاس بزرگ امکان پذیر می‌سازد. يكي از اهداف اساسي در شبكه‌هاي گريد بالا بردن امکان دسترسی به منابع با هزینه کمتر است. در شبکه‌های گرید ارائه شيوه‌اي هوشمند جهت در اختيار قرار دادن منابع مي تواند در استفاده مفيد از منابع، مؤثر باشد. در واقع چنانچه منابع هوشمندانه انتخاب شوند ميزان استفاده بهينه از منابع افزایش می‌یابد و در نتيجه بر كارايي كل سيستم، تأثير مي‌گذارد. برای اين منظور وجود سيستم‌هاي زمانبندي هوشمند، در اين شبكه ها ضروري است. در اين مقاله، الگوریتمی مبتنی بر Q-Learning برای انتخاب هوشمند منابع پیشنهاد شده است. در این الگوریتم، سیستم تجربیاتی که در حین تعامل با محیط بدست آورده است را ذخیره می‌کند تا در آینده با استفاده از این تجربیات، عمل تخصیص هوشمندانه منابع را انجام دهد. نتایج شبیه سازی نشان می‌دهد که الگوریتم پیشنهادی در مقایسه با الگوریتم‌های بررسی شده، امکان دسترسی به منابع را در مهلت تعیین شده با هزینه کمتری انجام می‌دهد.

شبکه‌های حسگر بی‌سیم نسل جديدي از سیستم‌های تعبيه شده بلادرنگ با محدودیت محاسباتي، انرژي و حافظه هستند که برای نظارت، کنترل محیط و به دست آوردن اطلاعات محیطی جهت اتخاذ تصمیم مناسب در محیط‌های مختلف به کار می‌روند. به دلیل وجود تعداد زیاد حسگر در این شبکه‌ها، کاهش مصرف انرژی آن‌ها با هدف افزایش طول عمر شبکه از اهمیت ویژه‌ای برخوردار است. یکی از رویکردهای مناسب جهت کاهش مصرف انرژی و افزایش طول عمر شبکه خوشه‌بندی گره‌ها می‌باشد که منجر به توزیع انرژی و بار در کل شبکه می‌شود. در این مقاله ما از الگوریتم تکاملی 2FH برای ایجاد خوشه‌های متعادل متصل استفاده می‌کنیم و برای هر گره با وزن‌دهی به مؤلفه‌های محلی انرژی، تعداد همسایگانش و فاصله نسبت به گره‌های همسایه، گره‌هایی را به عنوان کاندید سرخوشه شدن انتخاب می‌کنیم و با استفاده از منطق فازی بر مبنای سه معیار سراسری وزن، پراكندگی و فاصله تا چاهک به انتخاب بهترین سرخوشه‌ها در دوره‌های زمانی مختلف پرداخته‌ایم و به هدف ایجاد تعادل در مصرف انرژی سرخوشه‌ها و افزایش 6/5% طول عمر شبکه نسبت به بهترین روش رسیده‌ایم.

احراز اصالت از جمله پارامترهای مهمی است که یک شبکه ماهواره‌ای برای تامین امنیت خود به آن نیاز دارد. در همین راستا در سال‌های اخیر مقالات متعددی جهت تامین این نیاز ارائه شده‌اند. در سال 2012 آقای Chang و همکارانشان یک طرح احراز اصالت و توافق کلید ارائه دادند. طرح پیشنهادی آنها در برابر حمله جعل هویت و ممانعت از سرویس آسیب‌پذیر است. در این مقاله یک طرح احراز اصالت امن و کارآمد برای سیستم‌های ارتباطات ماهواره‌ای متحرک ارائه شده است که ضعف‌های پروتکل‌های گذشته و بخصوص پروتکل آقای Chang را برطرف نموده است. پروتکل پیشنهادی به دلیل مبتنی‌بودن بر تابع درهم‌ساز و عملیات XOR دارای محاسبات سبک بوده و در برابر حملاتی مانند جعل هویت، ممانعت از سرویس، تکرار، الحاق، تصدیق‌کننده مسروقه و دزدیدن کارت هوشمند امن می‌باشد.

گسترش بکارگیری معماری سرویس‌گرا و به تبع آن گسترش توسعه سرویس‌های وب، نیاز به روش‌های اکتشاف سرویس را دوچندان کرده است. با درنظر گرفتن زمینه در این روش‌ها، می‌توانیم سرویس‌هایی متناسب با نیاز کاربر و زمینه جاری به او پیشنهاد دهیم. روش‌های زیادی برای اکتشاف سرویس‌ها ارائه شده است که بعضا اطلاعات زمینه‌ای را در نظر می‌گیرند، اما این روش‌های آگاه از زمینه، در فرایند اکتشاف سرویس، سرویس‌های مرکب را در نظر نگرفته‌اند. در این مقاله روشی آگاه از زمینه برای اکتشاف سرویس‌ها ارائه خواهد شد که سه ویژگی اصلی دارد: اول اینکه سرویس‌های مرکب را در فرایند اکتشاف سرویس در نظر می‌گیرد، دوم اینکه سیاست‌های کنترل دسترسی به سرویس‌ها را لحاظ می‌کند، سوم اینکه از روش‌های معنایی برای مدل‌سازی سرویس‌ها و زمینه استفاده می‌کند. قابلیت کاربرد روش ارائه شده با استفاده از یک مطالعه موردی نشان داده می‌شود. نتایج مطالعه موردی نشان می‌دهد که بکارگیری این روش منجر به کاهش منفی کاذب خواهد شد. همچنین با استفاده از این روش می‌توانیم سیاست‌هایی برای کنترل دسترسی کاربران به سرویس‌های موجود اعمال نموده و از مزایای روش‌های معنایی همچون استنتاج بهره‌مند شویم.

در اين مقاله، روش جدیدی برای طبقه‌بندی شکل معرفی می‌شود. در این روش ابتدا شکل به قطعه‌های مختلف تقسیم می‌شود. این قطعه‌بندی به صورت پیاده کردن پنج مرتبه عمل فرسایش، روی شکل است. برای نقطه‌های هر قطعه پاسخ معادله پواسن را بدست می‌آوریم. سپس ماتریس هسین را برای پاسخ معادله پواسن، در هر نقطه تشکیل می‌دهیم. بردار ویژه‌ی متناظر با مقدار ویژه‌ی کوچک ماتریس هسین در یک نقطه، جهت آن نقطه را مشخص می‌کند. در هر قطعه، هیستوگرام زاویه‌های نقطه‌ها را محاسبه می‌کنیم. پس از آن، هیستوگرام‌های قطعه‌های مختلف را به یکدیگر متصل می‌کنیم تا بردار ویژگی شکل بدست آید. قطعه‌بندی شکل کمک می‌کند تا اطلاعات مکانی بیشتر حفظ شود. برای انجام عمل طبقه‌بندی، از شبکه عصبی احتمالاتی، (PNN)، استفاده شده و به نتایج نسبتا خوبی در پایگاه داده MPEG-7 در مقایسه با سایر روش‌ها دست یافته‌ایم.

دراین مقاله، همترازی توالی چندگانه با استفاده از الگوریتم بهینه‌سازی کلونی مورچه انجام و میزان دقت و صحت همترازی سنجیده شده است. همترازی توالی چندگانه از مهمترین چالش‌های موجود در بیوانفورماتیک می‌باشد که هدف ازآن به حداکثر رساندن شباهت‌ بین توالی‌ها با حذف یا اضافه کردن شکاف‌ها است. این مسئله از نوع مسائل NP-Complete می‌باشد و راه‌حل قطعی برای آن وجود ندارد. لذا سعی بر این است که روشی برای به حداکثر رساندن میزان شباهت توالی‌ها مبتنی بر روشهای بهینه‌سازی ارائه گردد. الگوریتم ACO یکی از الگوریتم‌های الهام گرفته از طبیعت در بهینه‌سازی مسائل مختلف می‌باشد که در این مقاله با استفاده از این الگوریتم، روشی برای همترازی توالی چندگانه پیشنهاد شده است. نتایج حاصل از پیاده‌سازی بر روی دادگان استاندارد BaliBase نشان می‌دهد که الگوریتم ACO پیشنهادی عملکرد مناسبی دارد و می‌تواند به عنوان روشی برای حل مساله همترازی چندگانه مورد استفاده قرار گیرد.

نظر به اینکه کاربردهای شبکه‌های حسگر بی‌سیم، به‌صورت روزافزون در حال گسترش است، طراحی این شبکه‌ها به نحوی که منطبق بر احتیاجات کاربردی خاص باشند، چالش بزرگی به شمار می‌رود. طراحان شبکه، متناسب با کاربرد مدنظر، جهت افزایش کارائی شبکه، پارامترهای مختلفی را برای بهبود در نظر می‌گیرند. پارامترهایی هم‌چون پوشش ناحیه، طول‌‌عمر شبکه، قابلیت‌اطمینان و مانند آن، که هر کدام از آنها می‌توانند با جایابیِ دقیق گره‌ها به میزان قابل‌توجهی بهبود یابند. مسئله جایابی گره‌ها در شبکه حسگر بی‌سیم با هدف بهبود پارامترهای کارائی تاکنون توسط روش‌های مختلفی حل شده است. در این مقاله از الگوریتمHBB-BC (انفجار بزرگ-فروپاشی بزرگ ترکیبی) برای حل این مسئله استفاده می‌شود. این الگوریتم با استفاده از ظرفیت‌های الگوریتم PSO (تجمعی دسته ذرات)، قابلیت الگوریتم BB-BC را برای جستجوی بهتر افزایش می‌دهد. اهداف مورد نظر در این مسئله، افزایش طول‌عمر و پوشش شبکه می‌باشد. در پیاده‌سازی الگوریتم HBB-BC به صورت دو هدفه، یک چارچوب فازی برای حل مسئله در نظر گرفته شده است. نتایج شبیه‌سازی، کارایی مؤثر الگوریتم HBB-BC را نشان می‌دهد؛ ضمن اینکه الگوریتم پیشنهادی سریع‌تر از الگوریتم PSO به سمت پاسخ‌ها میل داده می‌شود.

عمل تشخيص هويت با استفاده از عنبیه شامل چهار مرحله است که به ترتيب عبارتند از: بخش‌بندي، نرمالیزه کردن، استخراج ويژگي و تطابق. بخش‌بندي به عنوان اولين مرحله سامانه تشخیص هویت از اهمیت بسزایی برخوردار است و در صورت دقیق نبودن آن چهار نوع نويز ناشي از مژه‌ها، پلکها، انعکاسات و مردمک به سيستم اضافه شده و کارآيي سيستم را کاهش می‌دهد. در اين مقاله روش جديدي براي شناسايي مرز مردمک و آشکارسازی پلک‌ها ومژه‌ها ارائه شده است. روش‌های پیشین بخش‌بندی عنبیه فرض می‌کردند که مرز مردمک یک دایره است؛ بر طبق مشاهدات، دایره نمی‌تواند این مرز را به طور دقیق مدل کند. برای بهبود بخشیدن کیفیت بخش‌بندی، یک کانتور فعال جدید به منظور آشکارکردن مرز نامنظم مردمک ارائه شده است. روش ارائه شده می‌تواند به طور موفقیت آمیز همه‌ی مرزهای مردمک در پایگاه داده‌ی CASIA را آشکار کند و دقت شناسایی را افزایش دهد. علاوه بر این، مدل پلک بیضوی، الگوریتم تکرار شونده و آشکارسازی سلسله‌مراتبی مژه برای بخش‌بندی دقیق ارائه شده که به بررسی اجمالی آن‌ها می‌پردازیم.

امروزه یکی از موضوعات مهم و مورد توجه پژوهشگران در زمینه بازیابی اطلاعات، خلاصه‌سازی خودکار متن می‌باشد. در همین راستا، متونِ مختلف را می‌توان در غالب ماتریس‌های دوبُعدی کلمه-سند ذخیره نمود. همچنین تاکنون بیشتر خلاصه‌سازی‌های انجام شده، روی ماتریس‌های دوبعدی حاصل از متن انجام شده است. این ماتریس‌ها را می‌توان با اضافه نمودن بعدهای اطلاعاتی متفاوت، به آرایه‌های چندبعدی مختلفی به‌نام تانسور تبدیل کرد که حاوی اطلاعات بیشتری نسبت به ماتریس‌های دوبعدی باشند. ازجمله‌ی این ابعاد اطلاعاتی، بعد جغرافیا، زمان، معنا و مفهوم، نویسندگان و ... می‌باشد. در این مقاله، با اضافه نمودن بعد زمان به ماتریس کلمه-سند، تانسور کلمه-سند-زمان ایجاد و سپس روش جدیدی برای خلاصه‌سازی ارائه شده است. در مدل پیشنهادی با استفاده از روش «آنالیز معنایی پنهان زمانی» به تجزیه تانسورها پرداخته و زمینه اصلی متون و اهمیت موضوعی هرسند در طول زمان مشخص می‌شود. سپس با محاسبه شباهت معنایی جملات براساس وردنت، جملاتِ مشابه با اهمیت کمتر حذف می‌شوند تا خلاصه نهایی عاری از هرگونه مفاهیم تکراری باشد. ارزیابی روش پیشنهادی بر روی مجموعه داده‌ی استاندارد DUC2007 و با استفاده از معیار ارزیابی ROUGE صورت گرفته است که نتایج حاصل شده، نشان از برتری روش پیشنهادی نسبت به سیستم‌های هم‌رده دارد.

داده پَرت با بقیه نمونه‌ها تفاوت قابل ‌ملاحظه‌ای دارد، در تمام زمینه‌ها از قبیل طبقه‌بندی، خوشه‌بندی و مسائل رگرسیونی تأثیرات منفی برجای می‌گذارد. برای مقابله با تأثير سوء داده‌های فوق تدابیری باید اندیشیده شود که تأثیر آنها کمتر شده و اصطلاحاً روشی مقاوم ارائه شود. در مسائل رگرسیونی، روش‌های متفاوتی برای تشخیص داده پَرت وجود دارد که اکثر آن‌ها در برابر این داده‌ها در حین انجام عمل رگرسیون جهت مقاوم‌سازی به شناسایی داده‌های پَرت می‌پردازند، در واقع سطح تصميمی را تخمین می‌زنند که متأثر از داده‌های پَرت نباشد. اکثر روش‌ها در حوزه ورودی هم‌بستگی بین ورودی‌ها را لحاظ می‌کنند، اما در این مقاله به دنبال انتقال داده‌ها از حوزه ورودی به حوزه فرکانس با استفاده از تبدیل فوریه هستیم که به‌توانیم رابط‌های ریاضی ارائه نماییم تا داده‌هایی که در بعضی از فرکانس‌ها رفتار متفاوت با دیگر داده‌ها دارند شناسایی شود. در اینصورت به‌عنوان یک پیش‌پردازش بدون انجام عمل رگرسیون می‌توانیم داده‌های پَرت را شناسايی و حذف نماییم. راه‌کار ابتکاری معرفی شده در این مقاله بر روی داده‌های شبیه‌سازی شده و مجموعه داده‌های سری زمانی مورد آزمایش قرار خواهد گرفت و با روش‌های رگرسیون مقاوم مطرح شده در مرز‌های دانش مقایسه خواهد شد.