انجمن کامپیوتر ایران

شناسايي رابطه تقابل در گفتمان به توانائي توليد و درک گفتمان کمک مي¬کند و در سيستم¬هاي متعددي مانند خلاصه¬ساز، تفسير و... کاربرد دارد. اين رابطه در يک گفتمان مي¬تواند به کمک نقش¬نماهاي خاص رابطه تقابل مانند "اما" و "ولي" شناسايي شود؛ اما در بعضي موارد اين نقش¬نماها حذف مي¬شوند و شناسايي رابطه را با مشکل مواجه مي¬کنند. به همين علت به منظور شناسايي اين رابطه، از ويژگي¬هاي زمان فعل¬ها، جفت کلمات، وجود يا عدم وجود شناسه¬هاي اعداد در دو قسمت متني اطراف نقش¬نما، فعل¬ها و کلمات منفي در يک طرف نقش¬نما و در طرف ديگر و عبارات دو و سه کلمه¬اي پرکاربرد در رابطه تقابل، استفاده شد. در اين مقاله پس از گردآوري 5000 نمونه رابطه تقابل و 5000 نمونه ساير روابط از مجموعه داده پژوهشکده هوشمند علائم، براي هر نمونه بردار ويژگي تشکيل داده شد. و در نهايت براي دسته-بندي و تشخيص رابطه تقابل از ماشين بردار پشتيبان (SVM) استفاده شد. ميزان صحت دسته¬بند 84.95 در بهترين حالت است.

دو الگوريتم اکتشافي براي حفظ حريم خصوصی در کاوش سودمندي

هدف از این مقاله ارائه روشی برای تشخیص خودکار خطاهای موجود در سیستم‌های نرم‌افزاری با حداکثر دقت ممکن و حداقل نیاز به بررسی دستی کد برنامه است. راه کارهایی که تاکنون برای رسیدن به این هدف، ارائه شده‌اند سعی دارند با مقایسه اطلاعات زمان اجرای برنامهها در اجراهای موفق و ناموفق و در نقاط خاصی از برنامه که تعیینکننده نام دارند، نقاط مظنون به خطا را به برنامه نویس معرفی کنند. اما مشکل اصلی این است که تحلیل اطلاعات زمان اجرا در نقاط تعیینکننده بدون در نظر گرفتن وابستگیهای موجود بین تعیینکنندهها، منجر به عدم توانایی این روشها در کشف برخی از انواع خطاها خواهد شد. برای رفع این مشکلات در این مقاله راه کاری نوین بر مبنای تحلیل رفتارهای زمان اجرای برنامه ها در قالب مسیرهای اجرایی و با در نظر گرفتن تعاملات بین تعیینکنندهها، ارائه شدهاست. بدین منظور از یک روش تحلیل خوشهبندی به منظور تشخیص نزدیکترین اجراهای موفق و ناموفق جهت تعیین محل خطا، استفاده شدهاست. ارزیابی راهکار پیشنهادی بر روی مجموعهای از برنامه های واقعی، موفقیت روش پیشنهادی را در کشف دقیقتر خطاها نسبت به روش‌های پیشین نشان میدهد.

راستی¬آزمایی نرم¬افزارهای زمان¬واقعی با دو مسئله مواجه است: (1) چگونه قوانین راستی¬آزمایی تولید کنیم و (2) چگونه آنها را برای راستی-آزمایی توصیف مسئله به کار ببریم. ما در این مقاله روشی را ارائه می¬دهیم تا به وسیله آن به حل این دو مسئله برای سیستم¬هایی که با ماشین حالت زماندار توصیف می¬شوند، بپردازیم. در قدم اول، گزاره¬های منطقی زمان واقعی را از توصیف¬ مسئله به دست می¬آوریم. در قدم دوم، قیود ایمنی را از گراف حالات ماشین حالت زماندار توصیف مسئله به دست می¬آوریم و در قدم سوم این قیود را به گزاره¬های منطقی زمان واقعی تبدیل می¬کنیم. این گزاره¬ها که قیود ایمنی را نشان می¬دهند برای راستی¬آزمایی گزاره¬های حاصل از توصیف که در قدم اول به دست آمده¬اند، به کار گرفته می¬شوند. برای نشان¬دادن عملی¬بودن روش¬مان، مسئله سیستم زمان¬واقعی تقاطع جاده و راه¬آهن را مطرح می¬کنیم و روش¬مان را برای آن به کار می¬بریم.

در اين مقاله برای زمان‌بندي بار محاسباتي تقسيم‌پذير با درنظرگرفتن توأم بازگشت نتايج و محدودیت حافظه، یک مدل ریاضی و حل آن، ارائه شده است. يكي از اهداف زمان‌بندي در اين‌گونه سيستم‌ها، كمينه‌سازي زمان كل پاسخ است. تاكنون الگوريتمی معين با پيچيدگي زماني چند جمله‌اي كه بتواند در تمام حالت‌ها جواب بهينه را توليد كند، براي این منظور ارائه نشده است. اين مساله مانند مسائل تركيباتي، پيچيده به نظر مي‌رسد و راه حل‌هاي موجود برای آن، راه حل‌هاي ابتكاري است. در اين مقاله، مدل پیشنهادی با استفاده از روش توابع پرکننده و انشعاب و تحدید، حل شده است. با انجام شبيه‌سازي و مقايسه نتايج مشاهده مي‌شود كه این راه حل‌ها‌، در مقایسه با ساير روش‌هاي موجود جواب‌هاي بهتري توليد مي‌كنند. در ميان روش‌هاي موجود، الگوريتم‌ پيشنهادي از ميانگين كل درصد خطاي نسبي كمتري برخوردار است.

هدف اصلی این مقاله ارائه سیستمی خودکار برای شناسایی، ردیابی و تعیین مسیر هر بازیکن و نیز تعیین تیم آندر تصاویر ویدیویی مسابقات فوتبال می‌باشد. تجزیه و تحلیل سیستم ابتدا شامل جداسازی چمن از دیگر اشیاء میدان بازی مبتنی بر هیستوگرام اصلاح شده و شناسایی بازیکنان با اعمال فیلتر میانه و عملگر مورفولوژی باز کردن است. پس از جداسازی ناحیه چمن، مشخص نمودن تیم بازیکنان بر اساس هیستوگرام باز تصویر شده انجام شده است. ردیابی بازیکنان نیز با استفاده از روش کلیشه همبستگی تطبیقی انجام شده است. در نهایت موقعیت و مسیر هر بازیکن با روش تبدیل هندسی آفین بر روی نشانه‌های خطی استخراج شده از میدان بازی محاسبه شده است. نتایج آزمایش‌ها نشان می‌دهند سیستم ارائه شده روشی مناسب را برای تجزیه و تحلیل تصاویر ویدیویی مسابقات فوتبال ارائه می‌دهد.