انجمن کامپیوتر ایران

در سال‌های اخیر، طبقه‌بندی‌های تکه‌ای-خطی به دلیل سادگی و قابلیت بالای طبقه‌بندی برای توسعه مدل‌های خطی به غیرخطی، توجه زیادی را جلب کرده‌اند. در اين مقاله، طبقه‌بندی پهن‌حاشیه‌ی چندبرچسبه‌ای به نام Cell-SVM ارائه می‌شود که با ساختار سلولی و ایجاد مرزهای تصمیم‌گیری تکه‌ای-خطی قادر به حل مسائل پیچیده‌ی طبقه‌بندی غیرخطی است. برخلاف روش‌های متداول طبقه‌بندی‌های SVM، طبقه‌بندی Cell-SVM از چند ابرصفحه به جای یک ابرصفحه در فضای جستجو بهره می‌برد و با ساختار سلولی ایجاد شده، راهکاری برای برخی چالش‌های مهم در حوزه‌ی یادگیری ماشین مانند داده‌های چند برچسبه، برچسب‌های چندبخشی،تعداد کم نمونه‌ها و طبقه‌بندی غیرخطی ارائه می‌دهد. نتایج آزمایش‌ها بر روی مجموعه داده‌های واقعی مخرن شناخته شده‌ی UCI نشان می‌دهد به طورکلی، طبقه‌بندی پیشنهادی Cell-SVM دقت بالاتری نسبت به روش‌های متداول چندبرچسبه‌ی SVM غیرخطی با کرنل RBF دارد که دقت به دست آمده بر روی چندین مجموعه داده به‌طور چشمگیری بهبود داشته است. همچنین نتایج قابل مقایسه‌ای با سایر روش‌های شناخته شده‌ی طبقه‌بندی مانند شبکه‌های عصبی و درخت تصمیم‌گیری به‌دست آمده که در مجموع Cell-SVM عملکرد مناسبی داشته است.

با ظهور تهدیدها و حملات سایبری جدید و پیشرفته، امنیت اطلاعات یکی از مهمترین چالش‌های سازمان‌ها شده است. نگرانی از خطراتی که دارایی‌ها و اطلاعات با ارزش سازمان‌ها را تهدید می‌کند، هر روز بیشتر می‌شود. در این راستا سامانه‌های مختلف امنیتی از استراتژی‌ها و راه حل‌های متفاوتی، جهت حل دغدغه‌های حوزه امنیت، استفاده می‌کنند. یکی از رویکردهای مهم در این زمینه، استفاده از سیستم‌های جامع آگاهی وضعیتی سایبری است. یکی از حوزه‌هایی که می‌تواند کمک شایانی به بحث آگاهی وضعیتی بکند حوزه فرآیندکاوی است. فرآیندکاوی، تکنیکی برای استخراج دانش فرآیندی از رویدادهای ثبت ‌شده توسط یک سیستم اطلاعاتی است. در این تحقیق، ضمن بررسی سیستم‌های آگاهی وضعیتی سایبری به کاربرد فرآیندکاوی در تشخیص حملات سایبری، پرداخته شده است. هدف اصلی این مطالعه، بررسی کاربرد فرآیندکاوی در سیستم‌های آگاهی وضعیتی سایبری و ارائه رویکردی در این زمینه است، که در بخش‌های بعدی به آن پرداخته شده است. بررسی تحقیقات انجام شده نشان می‌دهد، استفاده از فرآیندکاوی می‌تواند، تاثیر زیادی در پیشرفت سیستم‌های آگاهی وضعیتی داشته باشد.

امروزه با توجه به تعداد زیاد شرکت‌های رقیب در حوزه‌های مختلف صنعت و خدمات، و رقابتی شدن هر چه بیشتر کسب‌وکارها، ریزش مشتریان از یک فراهم‌کننده خدمت یا محصول به فراهم کننده دیگر تبدیل به دغدغه جدی برای صاحبان کسب‌وکار شده است. با توجه به اینکه مشتریان در معرض انبوه تبلیغات و پیشنهادات جذاب از سوی کسب و کارهای رقیب هستند، می‌توان با توجه به رفتار و ویژگی‌های مصرف کننده قبل از وقوع ریزش به شناسایی مشتریانی که احتمال ریزش بالایی دارند پرداخت و با ایجاد کمپین‌های تبلیغاتی مختلف و ارائه دادن پیشنهاداتی آن‌ها را حفظ نمود. در بازاریابی همه بر این امر توافق دارند که حفظ یک مشتری از جذب یک مشتری جدید بسیار کم هزینه‌تر است. از این رو این مقاله به معرفی فازهای مختلف رویکرد پیش‌بینی مشتری ریزشی پرداخته است. در ادامه روش‌های گذشته به کار گرفته شده برای پیش‌بینی در سازمان‌های مختلف با یکدیگر مقایسه شده و ویژگی‌های هر یک مطرح گردیده است.

ارتقای کیفیت فرآیندهای آموزشی برخط به ویژه به دلیل فراگیری آن در شرایط کنونی شیوع بیماری کرونا، از اهمیت ویژه برخوردار است. اکنون رایج‌ترین بهبودها در آموزش تحت وب، از طریق کشف الگوهای نهفته در فرآیند انتخاب دروس و انتخاب منابع درسی، با استفاده از روش‌های داده‌کاوی انجام می‌پذیرد. این در حالی است که الگوریتم‌های تحلیل شبکه مانند پیشگویی پیوند نیز می‌توانند برای این مهم به کار گرفته شوند. در این مقاله ابتدا داده‌های بایگانی از دو مجموعه داده آموزشی Moodle و OULAD ، پیش‌پردازش و به شبکه دوبخشی، تبدیل شد، سپس الگوریتم‌های رایج پایه پیشگویی پیوند مبتنی بر مجاورت (ضریب جاکارد، همسایگان مشترک، آدامیک/آدار و تقدم الحاقی) برای آن شبکه‌ها پیاده‌سازی گردید و به وسیله دو معیار دقت و مساحت زیر منحنی، مورد ارزیابی قرار گرفت. آزمایشات نشان میدهد که الگوریتم تقدم الحاقی در پیش‌بینی اخذ درس و ضریب جاکارد در اخذ منبع درسی، بهترین عملکرد را داشتند. این تفاوت در نتایج، به دلیل متفاوت بودن ویژگی‌های شبکه‌های مورد بررسی است. زمینه‌های متعدد خوش‌آتیه‌ای در این رابطه برای کارهای آتی وجود دارد.

با افزایش روزافزون داده‌های گرافی، عدم قطعیت موجود در این داده‌ها بنا به دلایلی همچون خطا در روش‌های اندازه‌گیری و منابع اطلاعاتی مبهم امری انکارناپذیر است که این امر منجر به ظهور گراف‌های غیرقطعی شده است. خوشه‌بندی یکی از مهم‌‌ترین عملیات کاوش گراف‌های غیرقطعی است که هدف آن گروه‌بندی گره‌های مشابه در خوشه‌هایی با اتصالات داخلی متراکم است. ما در این مقاله قصد داریم رویکرد جدیدی را در خوشه‌بندی گراف‌های غیرقطعی بر اساس یادگیری عمیق ارائه کنیم. بدین منظور ابتدا ماتریس همبستگی احتمالی گراف را بر اساس ترکیبی از اطلاعات مجاورت مرتبه اول و دوم گره‌ها به دست می‌آوریم. سپس از خودرمزگذار عمیق جهت تعبیه‌سازی گراف بر روی ماتریس همبستگی حاصل بهره می‌بریم، طوریکه ضمن حفظ اطلاعات ساختاری گراف در فضای برداری با ابعاد کم، بازنمایی گره‌ها در راستای دستیابی به خوشه‌بندی بهینه‌ای از آنها باشند. در انتها بردارهای تعبیه گره‌ها را با استفاده از الگوریتم‌های خوشه‌بندی گراف‌های قطعی پارتیشن‌بندی می‌کنیم. روش پیشنهادی با استفاده از چهار مجموعه داده واقعی از شبکه تعاملی پروتئین‌ها شامل Krogan_core، Krogan_extend، Collins و Gavin و طبق معیارهایPrecision ، Specificity و Accuracy مورد ارزیابی قرار گرفت. مطابق نتایج حاصل، روش پیشنهادی حدود ۱۸ درصد کارایی بیشتری نسبت به الگوریتم‌های اخیر خوشه‌بندی گراف‌های غیرقطعی داشته است.

امروزه با افزایش پیچیدگی سیستم‌های دیجیتال، استفاده از سنتز سطح بالا در طراحی و پیاده‌سازي‌هاي سخت‌افزارهای مختلف به یک ضرورت تبدیل شده است. به علاوه، به دلیل بالا بودن هزینه‌های ساخت مدارهای دیجیتال، تمایل به استفاده از سخت‌افزارهای قابل بازپیکربندی افزایش یافته است. اما برای حفظ سرعت و کارایی، ریزدانگی در طراحی این سخت‌افزارها به تدریج افزایش یافته، به طوریکه در حال حاضر سخت‌افزارهای قابل بازپیکربندی درشت‌دانه در کاربرهای مختلف از جايگاه ویژه‌ای برخوردار هستند. از سوی دیگر، استفاده از کاربردهای حسابی و به ویژه حساب دهدهی در زندگی روزمره بشر بسیار رایج است و به همین دلیل، بهینگی این مدارها و کارایی آن‌ها بسیار حائز اهمیت می‌باشد. این مقاله به اراﺋﻪ یک الگوریتم مکاشفه‌ای مبتنی بر قوانین برای مرحله مقیدسازی و نگاشت در سنتز سطح بالای مدارهای دهدهی ورودی بر روي یک ﻣﻌﻤﺎري ﻗﺎﺑﻞ ﺑﺎزﭘﯿﮑﺮﺑﻨﺪي درﺷﺖداﻧﻪ در این کاربرد می‌پردازد.

امروزه پردازش تصویر به‌ واسطه گستره وسیعی از کاربرد‌های آن در زمینه‌های مختلف مانند کاربردهای نظامی، پزشکی، تجاری و کشاورزی نقش حیاتی در دنیا ایفا می‌کند. در چند سال اخیر مطالعات بسیاری در زمینه تشخیص و طبقه‌بندی خودکار گیاهان صورت گرفته است. در این مقاله یک روش کاربردی مبتنی بر الگوریتم بهینه‌سازی وال (WOA) به‌منظور شناسایی برگ و طبقه‌بندی انواع گیاهان ارائه شده است. در این روش مجموعه‌ای از ویژگی‌های کارآمد در فضاهای رنگی مختلف استخراج می‌شود. این ویژگی‌ها پس از نرمال‌سازی و کاهش بعد به‌وسیله الگوریتم بهینه‌سازی وال به‌عنوان ورودی به یک طبقه بند داده می‌شوند. طبقه‌بندهای مختلفی از جمله ماشین بردار پشتیبان، k نزدیک‌ترین همسایه، درخت تصمیم، Logistic Regression و MLP مورد آزمایش قرار گرفتند. روش معرفی‌ شده بر روی سه پایگاه داده Swedish Leaf،Flavia و مجموعه داده جمع‌آوری‌شده در این پژوهش ارزیابی می‌شود. در نهایت با استفاده از طبقه بند Logistic Regression توانستیم به بهترین دقت یعنی ۷۰/۹۹% بر روی مجموعه داده Swedish leaf و دقت ۶۳/%۹۷ بر روی مجموعه داده Flavia برسیم. نتایج تجربی نشان می‌دهد که روش پیشنهادی ما یک روش کارآمد برای طبقه‌بندی برگ گیاهان است که می‌تواند در حوزه‌های دیگر پردازش تصویر نیز مفید واقع شود.

در این مقاله روشی برای شناسایی علائم راهنمایی‌ و رانندگی با استفاده از شبکه‌های عصبی و الگوریتم YOLO نسخه 3 پیشنهاد شده است. بنا به تحقیقات انجام شده، اکثر تصادفات رانندگی، از بی‌توجهی به این علائم ناشی می‌‌شود، بنابراین به‌کارگیری سیستم شناسایی علائم راهنمایی‌ و رانندگی به‌عنوان یک سیستم دستیار راننده می‌‌تواند آمار تصادفات را کاهش دهد. الگوریتم و دیتاست پیشنهادی قادر است در زمانی که با شدت و ضعف نور مواجه هستیم به‌درستی پاسخگو باشد. نوآوری این طرح را می‌‌توان توانایی تشخیص در شرایطی که نور، وضعیت دوربین، شرایط آب‌وهوا و کیفیت دوربین مناسب نیست مطرح نمود. با استفاده از دیتاست GTSDB و انجام تکنیک‌های داده‌افزایی بر روی همین دیتا‌ست به‌منظور تقویت داده‌ها و افزایش دقت شناسایی علائم راهنمایی‌ و رانندگی استفاده گردید. در این روش ابتدا کلیه داده‌های دیتا‌ست دریافت می‌‌گردد و جهت بهبود روند سرعت شناسایی و دقت بالاتر از داده‌افزایی استفاده گردید، و به‌منظور دقت بالاتر سایز تصاویر 416×416 در نظر گرفته شد و در نهایت، پس از آماده‌سازی وزن‌های YOLO با برنامه پایتون تست گردید. در مجموع، دقت روش پیشنهادی به 99.70 درصد رسید، وزن‌های آماده شده نسبت به دیتا‌ست GTSDB از دقت و سرعت تشخیص بالاتری، در زمان‌های مختلف روز، موقعیت و فاصله‌های متفاوت برخوردار است.

با افزایش تراکنش‌های بانکی، که عمدتاً تراکنش‌های کارتی هستند و در بیشتر موارد از طریق کانال‌های اینترنتی انجام می‌شوند، تراکنش‌های ناهنجار و سوءاستفاده نیز افزایش یافته است. از آنجا که الگوی رفتاری تراکنشی هر شخص در طول زمان به دلایل مختلف دچار تغییرات می‌شود، مسأله‌ای به نام رانش مفهوم شکل می‌گیرید که سبب کاهش دقت الگوریتم‌های یادگیری ماشین که برای کشف ناهنجاری به کار گرفته می‌شوند خواهد شد. استفاده از مشخصه‌های آماری رفتاری مشتریان در الگوریتم‌های هوشمند قادر به حل مشکل رانش مفهوم و ارتقای دقت الگوریتم‌ها نیست از اینرو طول عمر مفید الگوریتم‌های هوشمندی که برای کشف ناهنجاری رفتاری ایجاد می‌شوند بسیار کوتاه خواهد بود. برای حل این مشکل و بهبود شناسایی ناهنجاری‌ها و مدیریت رانش مفهوم، در این تحقیق از مدلی بر اساس پنجره کشویی در 6 الگوریتم یادگیری ماشین بانظارت استفاده و کارایی و دقت آنها با هم مقایسه شده است. مجموعه داده استفاده شده در این مقاله مربوط به تراکنش‌های مشتریان یکی از بانک‌های ایران در یک دوره 7 ماهه است. طبق نتایج به دست آمده بعد از اجرای مدل، در کشف ناهنجاری‌های کارت‌ها بهبود ایجاد شده است و الگوریتم جنگل تصادفی بیشترین دقت، F1_Score و AUC_Score را نسبت به سایر الگوریتم‌ها نشان داده است.

افزایش اندازه مدل و تعداد پارامترها در شبکه‏‌های عصبی عمیق، از یک سو موجب پیشرفت‏‌های زیادی در عملکرد این شبکه‌‏ها شده و از سوی دیگر باعث بروز چالش‌هایی از قبیل افزایش اندازه حافظه می‌گردد. در هرس مدل، با حذف برخی پارامترهای شبکه، ضمن حفظ دقت مدل، اندازه آن کاهش داده می‏شود. با به‏کارگیری این شبکه‏‌ها در سیستم‌های حساس-از-منظر-ایمنی، تاثیر هرس مدل که به طور سنتی با هدف کاهش اندازه شبکه استفاده می‏‌شود، بر تحمل‌‏پذیری اشکال شبکه‏‌ها مورد سوال جدی قرار گرفته است. در این مقاله، به کمک آزمایش‏‌های گسترده تزریق اشکال، تحلیل جامعی بر میزان تاثیر روش‏‌های مختلف هرس بر تحمل‌‏پذیری اشکال شبکه‌‏های عصبی عمیق ارائه می‌‏شود. مدل اشکال مورد مطالعه، خطاهای نرم واژگونی بیتی است که در حافظه ذخیره‌‏ساز وزن‏‌های شبکه رخ می‏‌دهد و باعث تغییر مقدار وزن‏‌های شبکه می‏‌گردد. باتوجه به نتایج به‌دست‌آمده از آزمایش‏‌های متنوع تزریق اشکال بر روی شبکه AlexNet که به روش‏‌های مختلف هرس شده است، می‏توان نتیجه گرفت که به طور کلی، هرس کردن مدل باعث بهبود تحمل‌‏پذیری اشکال می‏‌شود و می‏‌توان از آن به منظور بهبود تحمل‏‌پذیری شبکه‏‌های عصبی عمیق هم بهره گرفت. از میان روش‏‌های مختلف هرس مدل، هرس وزنی بیشترین میزان بهبود تحمل‌‏پذیری اشکال را دارد.

تبدیل تصویر به تصویر با هدف تبدیل یک تصویر از دامنه مبدأ به دامنه مقصد بدون دسترسی به مجموعه داده آموزشیِ جفت شده یکی از چالش‌های این زمینه است. در این میان CycleGAN به نحو موفقیت آمیزی توانست با معماری خاص خود و استفاده از مفهوم Cycle Loss، از توانمندی شبکه‌های مولد تخاصمی در این کاربرد استفاده کند. در این مقاله با تغییراتی در معماری اصلی CycleGAN که با اضافه شدن دو تفکیک کننده در خروجی بخش Resnet مولدها انجام می شود، عملکرد مولدها بهبود داده شود. نتایج کمّی بر اساس سه معیار ارزیابی و همچنین مقایسه بصری نتایج نشان دهنده بهبود عملکرد معماری پیشنهادی نسبت به معماری اصلی شبکه CycleGAN است.

خوشه‌بندی یکی از مهم‌ترین مباحث در زمینه‌ی داده کاوی است. هدف از خوشه‌بندی تفکیک داده‌ها است به گونه‌ای که داده‌های موجود در یک خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را با اعضای خوشه‌های دیگر داشته باشند. یکی از مهم‌ترین الگوریتم‌های خوشه‌بندی الگورریتم K-means می‌باشد. در این الگوریتم ابتدا به تعداد خوشه‌ها به صورت تصادفی از داده‌های اصلی مراکز خوشه اولیه انتخاب می‌شوند و سپس عملیات یافتن خوشه‌ها اجرا می‌شود. چالش اصلی در K-means انتخاب مراکز خوشه‌ها به‌صورت بهینه است. در گذشته پژوهش‌های متعددی در زمینه انتخاب مراکز اولیه خوشه‌ها در الگوریتم K-means صورت گرفته است. در این مقاله برای نخستین بار روش جدیدی برای انتخاب مراکز خوشه‌ها مبتنی بر الگوکاوی ارائه می‌شود. در این روش ابتدا برای کاهش حجم داده‌ها، انتخاب ویژگی روی داده‌ها اعمال می‌شود؛ سپس الگوهای پرتکرار استخراج و بر پایه‌ی این الگوها مراکز اولیه خوشه‌ها مشخص می‌شود. روش پیشنهادی با روش پایه K-means و با روش جدید BDD بر روی ۵ مجموعه داده با ابعاد گوناگون ارزیابی می‌شود. نتایج به دست آمده نشان می‌دهد در اغلب موارد، روش پیشنهادی عملکرد بهتری دارد.

در اين مقاله روشي جديد براي تلفيق طبقه بندها در سيستمهايي با چند طبقه بند معرفي گرديده است. مبناي اين روش بر ايجاد گوناگوني در طبقه بندهاي پايه با استفاده از تغيير وزنها مي باشد. از آنجايي كه وجود گوناگوني در طبقه بندهاي پايه كليد اصلي در تلفيق طبقه بندها است و اينكه تلفيق تعدادي طبقه بند مشابه كه گوناگوني اندكي دارند نميتواند باعث بالارفتن كارايي كلي سيستمي با چند طبقهبند گردد لذا ضرورت دارد طبقه بندهاي پايه تاحد امكان گوناگون بوده و رفتارهاي متفاوتي در محدوده فضاي ورودي ازخود نشان دهند. به همين منظور در اين مقاله از الگوريتم PSO به شكل ويژهاي براي ايجاد گوناگوني در طبقه بندهاي پايه استفاده شده است. در نهايت نيز روشي براي تلفيق طبقه بندهاي پايه بر مبناي تعريف گوناگوني آنها و نيز معيار جديدي براي تعيين گوناگوني معرفي شده است. كارايي اين روش با چندين روش تلفيق طبقه بندها مقايسه گرديده است.

در سالهای اخیر، مدارات برگشتپذیر بسیار مورد توجه قرار گرفتهاند. از کاربردهای آن میتوان به طراحی مدارهای دیجیتالی با توان مصرف پایین، طراحی مدارهای محاسباتی در کامپیوترهای کوانتومی و محاسبات مبتنی بر DNA اشاره نمود. با این حال، دستهای از مدارات برگشتپذیر که دارای ویژگی خود معکوس هستند، کمتر مورد بررسی قرار گرفتهاند. در این مقاله، ابتدا با مقایسه بین گیتهای برگشتپذیر، گیتهایی را که دارای ویژگی خود معکوس هستند، مطرح کرده، سپس گیت جدید RMF که یک گیت کامل در این گروه است، ارائه شده است. با استفاده از گیت جدید RMF، سلول حافظه لچ D و دیکدر 4×2 پیادهسازی شدهاند. مقایسه با طرحهای مشابه، نشان داده است که مدارات پیشنهادی در این مقاله، علاوه بر دارا بودن ویژگی خود معکوس، از گیتهای کمتری تشکیل شدهاند و همچنین خروجیهای غیر قابل استفاده کمتری دارند.

اخیراً بکارگیری هوش دسته جمعی در حل مسائل بهینهیابی پویا افزایش یافته است. هوش دسته جمعی، عاملها یا دستههای برهم کنش را که قادر به خودسازماندهی هستند مدلسازی میکند. کلونی مورچهها، دسته پرندگان، گله حیوانات، قالبگیری باکتریها و گروه زنبورها مثالهایی از یک سیستم جمعی میباشند. عمکرد خوب بهینهیابی گروه زنبورها بروی یک سری از مسائل ایستا ثابت شده است ولیکن بیشتر مسائل دنیای واقعی پویا میباشند به این مفهوم که موقعیت و مقدار بهینه سراسری آنها در طول زمان تغییر میکنند. در این مقاله الگوریتم بهینه یابی کلونی زنبورهای مصنوعی مبتنی بر مدل تابع تسهیم برای حل مسائل پویا ارائه گردیده است. الگوریتم پیشنهاد شده برای بهینهیابی تابع محک قلههای متحرک که رفتاری شبیه به مسائل پویا را در دنیای واقعی دارد، در فرکانسهای تغییر و با تعداد قلههای متفاوت آزمایش شده است. نتیجههای آزمایشهای انجام شده با, RPSO, mQSO Adaptive mQSO, Cellular PSO Adaptive Cellular PSO مقایسه شده است و نشان میدهد که این الگوریتم به کمک مدل تابع تسهیم قابلیت اکتشاف را در کلونی زنبورهای مصنوعی با افزایش تنوع و تضمین بقای اهداف در محیطهای پویا بهبود میبخشد.

روش رگرسيون خطي با بيشينه درست¬نمايي (MLLR) يکي از روش¬هاي تطبيق گوينده است که با خوشه¬بندي پارامترهاي مدل و تخمين ماتريس تبديل براي هر خوشه و اعمال تبديل بر پارامترهاي مدل ، باعث بهبود عملکرد تطبيق و در نتيجه افزايش نرخ بازشناسي براي گوينده جديد مي¬شود. خوشه¬بندي پارامترهاي مدل معمولاً به دو صورت انجام مي¬شود: بر اساس دانش آوايي و نزديکي ويژگي¬ها در فضاي آکوستيکي. در اين مقاله با استفاده از روش متمايزسازي خطاي کمينه کلاس¬بندي با متمايز کردن ويژگي¬هاي سيگنال گفتار با بهبود کلاس¬بندي، کارآيي روش MLLR بهبود يافته است. اين بهبود در حالت اول با متمايزتر کردن کلاس¬هاي رگرسيون و در حالت دوم با يکنواخت کردن توزيع مخلوط¬هاي گوسي در کلاس¬هاي رگرسيون ايجاد مي¬شود. روش پيشنهادي يعني بكارگيري خطاي كمينه كلاس¬بندي نسبت به روش¬هاي معادل بدون خطاي كمينه كلاس¬بندي، به ترتيب باعث افزايش نسبي %0.42 تا %0.58 و %0.12 تا %0.72 در نرخ بازشناسي واج به ترتيب براي دادگان TIMIT و WSJ مي گردد. در حالتي است که درخت کلاس رگرسيون بر اساس نزديکي ويژگي¬ها در فضاي آکوستيکي ساخته شده است ، نرخ بازشناسي واج بر روي دادگان TIMIT %0.25 افزايش نسبي يافته است.

بسیاری از مسائل دنیای واقعی پویا هستند بطوری که بهینه‌های محلی و سراسری در طول زمان تغییر می‌کنند. الگوریتم PSO بر روی این مسائل به منظور پیدا کردن و دنبال کردن بهینه با موفقیت مورد استفاده قرار گرفته است. در این مقاله الگوریتم PSO برای محیط‌های پویا بهبود داده شده است. الگوریتم ارائه شده فضا را به قسمت های مختلفی تقسیم می‌کند و در هر قسمت به طور جداگانه گروه‌هایی ایجاد می‌شود و به جستجو می‌پردازد؛ برای بهبود سرعت همگرایی میزان اینرسی ذرات به صورت پویا تنظیم می‌شود و همچنین بهترین گروه موجود برای بهبود جواب بدست آمده یک جستجوی محلی نیز انجام می¬دهد. نتایج بدست آمده برروی بنچمارک قله‌های متحرک (MPB) نشان می‌دهد که الگوریتم ارائه شده نسبت به روش های مشابه عملکرد بهتری دارد.

امروزه استفاده از سيستم¬هاي داده¬آميزي سنسوري به منظور انجام عمليات مانيتورينگ و پايش محيطي يكي از رايج ترين و متداول¬ترين روش¬ها مي¬باشد. از آنجا که فرآيند سنسور¬آميزي از مجموعه¬اي از گره¬هاي سنسوري، مراكز پردازشي و مديريتي برای انجام عملیات خود استفاده می¬نماید، لذا به منظور آن¬كه بتوان انتقال اطلاعات از سنسورها به مراكز پردازشي و اجراي عمليات داده¬آميزي در مراكز پردازش اطلاعات به سرعت انجام گيرد، مبحث معماري فرآيند داده¬آميزي از مباحث بسيار مهم اين حوزه مي¬باشد. از آن¬جا كه معماري¬هاي متعددي براي اجراي این فرآيند وجود دارد و هر يك از آن¬ها داراي جنبه¬هاي مثبت و منفي متعددي با توجه به نوع كاركرد مي¬باشد، لذا انتخاب معماري مناسب براي اين امر بايد به شكلي هوشمندانه و با توجه به پارامترها و معيارهاي خاص فرآيند سنسوري مذكور صورت پذيرد. از اين رو تصميم گيري در مورد انتخاب معماري مورد نظر به شرايط متعددي نظير نحوه عمليات داده¬آميزي، اولويت معيارهاي انتخاب معماري و شرايط اهداف بستگي دارد. براي اين منظور يك سيستم تصميم يار انتخاب معماري داده¬آميزي طراحي گرديده است تا با توجه به موارد فوق الذكر در هر شرايط، معماري داده¬آميزي مناسب انتخاب¬گردد. براي حل اين مسئله چند¬معياره از روش¬هاي تصميم-سازي چند¬معياره نظير AHP و PROMETHEE و نرم افزارهاي مربوط به آن نظير EXPERT CHOICE و DECISION LAB استفاده گرديده است.

به منظور بهبود دقت بازیابی در سیستم های بازیابی تصویر تمرکز محققین از طراحی الگوریتم های پیچیده به منظور استخراج ویژگی های سطح پایین تصویر به سمت کاهش شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربران رفته است. در این مقاله سعی کردیم تابع معیار شباهت را به گونه ای تخمین بزنیم که شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربر را کاهش دهیم. برای این منظور ما از بازخورد کاربر جهت درک نظر کاربر و همچنین از قدرت برنامه نویسی ژنتیکی در زمینه مسائل بهینه سازی وجستجو در فضای های بزرگ جهت تولید توابع غیر خطی استفاده کردیم. نتایج آزمایشات بیانگر بهبود قدرت بازیابی در روش پیشنهادی است.

یکی از مسائل مهم دنیای امروز استخراج دانش از پایگاه‌داده‌های بسیار بزرگ است.داده‌کاوی این امکان را فراهم کردهاست که بتوان به‌صورت خودکار اطلاعات مفیدی را از پایگاه داده‌های بسیار بزرگ استخراج نمود. یکی از روش‌های بسیار مهم در داده‌کاوی، کاوش قوانین انجمنی می‌باشد. در سال‌های اخیر مبحث حفظ حریم خصوصی در داده‌کاوی و به‌خصوص کاوش قوانین انجمنی به شدت مورد توجه محققین قرار گرفته است. یکی از روش‌های کاوش قوانین انجمنی، کاوش سودمندی می‌باشد. مبحث حفظ حریم خصوصی در کاوش سودمندی اخیراً در محافل علمی مطرح گردیده است و تاکنون دو الگوریتم اکتشافی برای آن ارائه شده است. اگرچه این الگوریتم‌های اکتشافی به خوبی می‌توانند حریم خصوصی داده‌ها را حفظ کنند اما داده‌های تولید شده توسط این الگوریتم‌ها از کیفیت مناسبی برخوردار نیستند. مسأله یافتن راه‌حل بهینه برای پاک‌سازی پایگاه‌داده از مجموعه-آیتم¬های حساس، یک مسأله برنامه‌ریزی غیرخطی عدد صحیحمی‌باشد. در این مقاله مدل ساده شده‌ای از مسأله پاک‌سازی پایگاه‌داده ارائه شده است که یک مسأله برنامه‌ریزی خطی عدد صحیح می‌باشد و می‌توان آن را با استفادهاز روش‌های عددی حل نمود.نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که مدل¬ارائه شده به طور چشم‌گیری از الگوريتم¬هاي پيشين بهتر عمل می¬کند.