انجمن کامپیوتر ایران

خوشه‌بندي در شبکه‌هاي حسگر بي‌سيم يک روش مناسب جهت ساختار بخشيدن به شبکه بوده و با هدف انتساب مجموعه‌‌اي از گره‌هاي شبکه به يک سرخوشه انجام مي‌گيرد. سرخوشه، داده‌ها را از گره‌هاي حسگر جمع‌آوري نموده و با استفاده از ارتباطات دوربرد براي مرکز اصلي ارسال مي‌نمايد. اين وظيفه مي‌تواند به سرعت انرژي سرخوشه را تحليل ببرد. لذا گره‌هاي سرخوشه بايستي به طور متناوب تغيير کنند. يکي از روش‌هاي اخير براي خوشه‌بندي گره‌ها، الگوريتم BLAC است که علاوه بر درنظرگرفتن معيارهايي از پيش تعريف شده، ميزان انرژي هر گره را نيز در هر تناوب در نظر مي‌گيرد. اين الگوريتم تنها پارامتر طول عمر شبکه را بهبود داده و پارامترهاي ديگر کارايي شبکه از قبيل متوسط نرخ تحويل بسته‌ها، متوسط تعداد گام‌ها تا گره سرخوشه و ميزان پايداري شبکه را در نظر نمي‌گيرد. در اين مقاله با استفاده از معيارهاي جديد کارايي شبکه از قبيل ضريب خوشه‌بندي، رتبه‌بندي گره‌ها و همچنين وزن‌دهي معيارها، نسخه توسعه‌ يافته‌اي از الگوريتم BLAC ارائه مي‌شود که گره‌هاي سرخوشه را به صورت بهبود يافته انتخاب مي‌نمايد. نتايج شبيه‌سازي نشان مي‌دهد که استفاده از معيارهاي پيشنهادي، علاوه‌بر افزايش طول عمر شبکه تا 34 درصد نسبت به نسخه اصلي BLAC ، پارامترهاي ديگر کارايي را نيز بهبود داده است.

امروزه اينترنت اشياء بسيار محبوب و فراگير است بطوريکه به سرعت در زمينه‌هاي گوناگوني کاربرد پيدا کرده است. بسته به محل استفاده از اينترنت اشياء و نحوه ارتباط گره‌ها با يکديگر و با سرور، پروتکل‌هاي متفاوت ارتباطي مورد نياز است که مي‌توان آنها را بر اساس عوامل مختلفي همچون سرعت، توان مصرفي، يک طرفه يا دو طرفه بودن ارتباطات بررسي کرد. با توجه به نيازمندي هاي کاربرد مورد نظر و براساس مصالحه بين معيارهاي مختلف، مي‌توان پروتکل مناسب را انتخاب نمود. در اين مقاله به بررسي و ارزيابي پروتکل دوربرد LoRa که يکي از پروتکل‌هاي پرکاربرد در اينترنت اشياء است پرداخته مي-شود تا براساس معيارهاي مختلفي مانند توان مصرفي، سرعت انتقال داده، محدوده‌ي تحت پوشش و غيره، امکان انتخاب پروتکل و پيکربندي مناسب آن فراهم شود. نتايج ارزيابي نشان مي‌دهد که براي بهبود انرژي مصرفي، براي فواصل کمتر از 3 کيلومتر انتخاب پهناي باند بزرگتر مناسب‌تر است و همچنين براي کاهش تاخير ارسال، انتخاب مقادير کمتر براي SF اولويت دارد.

عارضه کمردرد از جمله شايع ترين بيماري هاست که نزديک به 42 درصد از جمعيت جهان از آن رنج مي برند. اين عارضه مي تواند ناشي از عواملي مانند لغزش مهره کمر، فتق ديسک، تنگي کانال نخايي، تغيير شکل مهره ها و انحراف ستون فقرات باشد. شبکه هاي عصبي کانولوشن در تشخيص عارضه انحطاط ديسک کمر در تصاوير ام آر آي دقت قابل قبولي را از خود نشان داده اند اما در شرايطي که تصاوير ورودي تحت تاثير نويز قرار گرفته شده باشند، شبکه هاي مذکور کارايي خوبي ندارند. در اين مقاله، يک يادگيرنده تجمعي عميق دو لايه اي ارايه شده است که شبکه هاي عميق کانولوشن را نسبت به دو نويز گاوسي و نمک و فلفل مقاوم مي سازد. در لايه اول چهار طبقه بند ماشين بردار پشتيبان، k نزديک ترين همسايه، درخت تصميم گيري و جنگل تصادفي و در لايه دوم، يک شبکه دروازه در نظر گرفته شده است که به هر کدام از طبقه بندها بر اساس دقت فاز آموزش وزني مشخص را تخصيص مي دهد. نتايج آزمايشات نشان مي دهد که روش پيشنهادي دقتي برابر با 98 درصد براي تصاوير با نويز گاوسي و 96 درصد براي تصاوير با نويز نمک و فلفل دارد.

گفتار طبیعی‌ترین، آسان‌ترین و کارآمد‌ترین روش برقراری ارتباط بین انسان‌ها به شمار می‌رود. فناوری تشخیص گفتار به سیستمی که توانایی دریافت صدا را دارد، این امکان را می‌دهد که صحبت کاربر را متوجه شود. بنابراین، دیگر نیاز بسیار کمتری به برقراری ارتباط فیزیکی بین انسان و وسیله موردنظر می‌باشد. فناوری تشخیص گفتار در حوزه‌های مختلفی ازجمله تشخیص فرامین صوتی در خودرو، خواندن نامه‌های الکترونیکی، تبدیل خروجی GPS به صوت، خواندن صفحات وب برای افراد نابینا، لوازم خانگی هوشمند و غیره قابل استفاده است. در این مقاله به پروسه طراحی، جمع‌‌آوری و ارزیابی مجموعه دادگان به زبان فارسی برای رابط صوتی خودرو با هدف کمترین میزان تاثیر منفی بر تمرکز راننده پرداخته شده است. ضبط دادگان با استفاده از تلفن همراه و در شرایط واقعی خودرو صورت گرفته است. مجموعه دادگان این مقاله به دو بخش آموزش و آزمون تقسیم شده‌اند. نتایج ارزیابی دادگان نشان می‌دهند که کارایی بازشناس کلمات تشکیل دهنده فرامین آموزش یافته بر روی این دادگان، در بهترین حالت از صحت %60/83 و دقت %36/82 برخوردار بوده و میزان خطا در سطح کلمه نیز %64/17 می‌باشد.

پیش‌بینی دقیق داده‌های از دست رفته در داده کاوی همیشه یک مشکل چالش بر انگیزه بوده است. در اغلب روش‌ها برای برطرف کردن این چالش، نمونه از دست رفته را از مجموعه داده حذف و یا با مقادیر پیش فرض جایگزین می‌کنند، که این کار کیفیت داده‌های مجموعه داده را کاهش می‌دهد. در این مقاله یک مدل پیش‌بینی با ناظر برای تخمین مقادیر از دست رفته ارائه می‌شود. در ابتدا با استفاده از روش‌های انتخاب ویژگی، ویژگی‌های تاثیرگذار را پیدا کرده و مجموعه داده را به فضای جدید می‌بریم و با استفاده از دسته‌بند K-NN، نزدیک ترین همسایه‌های هم‌کلاس هر داده را در فضای ثانویه پیدا می‌کنیم. با میانگین گیری k همسایه نزدیک هم‌کلاس در فضای ثانویه، مقادیر از دست‌رفته را در فضای اولیه مجموعه داده تخمین می‌زنیم. مدل پیشنهادی بر روی مجموعه داده پزشکی از مخزن دادگان UCI پیاده سازی شده است. مدل با روش‌های معتبر پیشین مورد ارزیابی و مقایسه قرار گرفته است. نتایج بدست آمده نشان می‌دهد که دقت مدل پیشنهادی برای دادگان Hepatitis برابر با ۸۵.۹۶% و دادگان Pima Indians Diabetes برابر با %۷۹.۰۴ و دادگان Wisconsin Breast Cancer به ۹۷.۱۴% رسیده است.

با توسعه سریع فناوری، جمع‌آوری اطلاعات از منابع مختلف سریع‌تر و ارزان شده، در نتیجه داده‌های بیشماری حاوی ویژگی‌های ناهمگن که نمایانگر اشیاء از منظرهای مختلف است در دسترس قرار گرفته، لیکن اهمیت آنها یکسان نیست و ممکن است برخی از آنها نویزی باشند. لذا تعیین وزن مناسب برای هر کدام از منابع داده (منظرها) می‌تواند به ترکیب بهینه آنها و در نتیجه بهبود دقت منجر شود. می‌توان برای توصیف روابط بین نمونه داده‌ها از منظر هر کدام از ویژگی‌ها یک گراف ساخت. گرافی که در آن وزن بین نمونه‌های متعلق به یک کلاس زیاد و بین کلاس‌های مختلف کم باشد مطلوب‌تر است و دقت انتشار برچسب روی آن بالا خواهد بود. در سال‌های اخیر توجه زیادی به طیف گراف‌ها شده است، زیرا طیف گراف‌ها نقش بسیار مهمی در شناختن ساختار گراف ایفا می‌کنند. در این مقاله با بررسی طیف گراف برای داده‌های برچسب دار معیاری برای ارزیابی هر گراف پیشنهاد شده است که ارتباط بسیار نزدیکی با دقت شناسایی هر گراف نشان می‌دهد. در روش پیشنهادی مجموع مقادیر ویژه هر گراف به عنوان معیاری از مناسب بودن ویژگی استفاده شده و روش ساخت گراف پیشنهاد شده است. نتایج بدست آمده نشان می‌دهد که معیار پیشنهادی نشانگر مناسبی برای دقت شناسایی با استفاده از هر گراف است. همچنین نتایج ترکیب گراف‌ها نشان می‌دهد که ترکیب گراف‌های انتخاب شده توسط روش پیشنهادی می‌تواند به دقت بالاتری در مقایسه با استفاده از تک گراف و ترکیب تمام گراف‌ها بدهد.

امروزه یکی از مشکلات کلیدی تمامی سازمان‌ها و کسب و کارهای جهانی، عدم صحیح مدیریت خدمات فناوری اطلاعات و توسعه آنها در جهت تحقق اهداف کلان سازمان است. برطرف نمودن مشکل پیش‌ آمده در هنگام استفاده از خدمات فناوری اطلاعات در سریع‌ترین زمان ممکن و کمترین هزینه، از اولویت‌های کاری بخش فناوری اطلاعات ادارات و سازمان‌های فناوری اطلاعات می‌باشد. یکی از فرآیندهای مرجع زیرساخت فناوری اطلاعات، مدیریت مشکل می‌باشد که هدف آن کاهش اثرات نامطلوب رخدادها و مشکلات بر کسب و کار و جلوگیری از وقوع مجدد آنها است. دراین بخش تحقیق سعی بر آن است که یک مدل برای فرآیند مدیریت مشکل مبتنی بر چارچوب ITIL در نظر گرفته‌ شود که قابلیت اجرا در بخش فناوری اطلاعات ادارات و شرکت‌های تولیدی و سازمان‌های فناوری اطلاعات را داشته‌ باشد. بدین صورت که ابتدا اصول و اهداف این فرایند و اجرای آن در زمینه خدمات فناوری اطلاعات را بررسی‌ کرده و سپس به دنبال روش‌هایی برای غلبه بر چالش‌های موجود باشد. در این تحقیق برای ارزیابی ریشه‌ای علل وقوع مشکلات و امکان تشخیص آنها و دقت بیشتر در محاسبه احتمال وقوع و کنترل آنها از روش FMEA استفاده‌ کردیم که شدت اثر را با شناسایی محاسبه‌ی وزن معیارهای مرتبط با استفاده از رویکرد AHP به دست می‌آوریم. این مدل می‌تواند جهت شناسایی مشکلات، شناسایی علل ریشه‌ای ریسک‌ها به متخصصین فناوری اطلاعات کمک ‌نماید. برای ارزیابی پیشرفت‌های انجام شده، مجموعه‌ای از شاخص‌های عملکرد کلیدی یا KPIها را تعریف می‌کنیم که بتوانیم از آنها برای سنجش یا مقایسه عملکرد خود استفاده‌ کنیم. علاوه بر این از موافقت‌نامه‌های سطح سرویس نیز به عنوان یک پیش شرط برای ارزیابی تحقق وعده‌های مشتریان استفاده می‌کنیم. انتظار می‌رود با پیاده‌سازی و بومی‌ کردن فرآیند مدیریت مشکل و توجه ویژه به خدمات برون‌سپاری شده در ادارات و سازمان‌های فناوری اطلاعات به مواردی همچون تشخیص، ریشه‌یابی مشکلات نرم‌افزاری و برطرف‌کردن دائمی آنها، ثبت مشکلات شناخته‌ شده و راه‌حل آنها جهت مراجعات بعدی و کاهش زمان رفع مشکل برسیم.

در این مقاله، به مکانیابی منابع سیگنال‌های الکتروانسفالوگرافی، با بهره‌گیری از فیلتر ذره ترتیبی (Sequential Particle Filter (SPF)) پرداخته شده است. در پیاده‌سازی الگوریتم SPF، در چهارچوب روش‌های Track Before Detection (TBD)، از داده‌های بدون آستانه‌گذاری استفاده شده است. این رویکرد متناسب با فضای تصادفی، چندنمایی، غیرگوسی و نویزی مسائل مکانیابی منابع سیگنال‌های الکتروانسفالوگرافی، طراحی گردیده است. روش پیشنهادی با توجه به سه فرض رایج نقطهای بودن، تنک بودن و تعداد معین و محدود بودن منابع غالب سیگنال‌های الکتروانسفالوگرافی، به گونهای طراحی شده که با نوعی اعمال فیلترینگ فضایی بر ذرات تولید شده در مراحل مختلف باز نمونه‌برداری الگوریتم فیلتر ذره، ذرات را مختص به هر منبع، با در نظر گرفتن اثر دیگر منابع، دسته‌بندی و باز نمونه‌برداری می‌کند. ویژگی بارز این رویکرد آن است که الگوریتم را نسبت به الگوریتم متداول فیلتر ذره، در برابر نویز مقاومتر می‌کند. نتایج حاصل از اعمال روش پیشنهادی بر داده‌های شبیه‌سازی شده، نشان می‌دهد که این روش ضمن کاهش بار محاسباتی الگوریتم نسبت الگوریتم‌های متداول فیلتر ذره، در داده‌های الکتروانسفالوگرافی با SNR پایین هم از عملکرد بهتری برخوردار است.

انتقال اطلاعات امن یکی از مهمترین دغدغه‌های علوم مخابرات و کامپیوتر است، که این موضوع منجر به تنوع ایجاد آلگوریتم‌های امن رمزنگاری در این زمینه شده است. از آنجا که الگوریتم‌های کوانتومی نسبت به مشابه کلاسیک خود امنیت بالاتری دارند، امروزه مورد توجه بیشتری از طرف علاقمندان این شاخه قرار گرفته‌اند. در این مقاله با ارایه الگوریتم اشتراک رمز کوانتومی با استفاده از توالی ماتریس‌های یکانی که نقش کلید اختصاصی هر یک از شرکت کننده‌ها را بازی می‌کند، توانستیم کلید کوانتومی را بین n شرکت‌کننده به صورت امن به اشتراک بگذاریم.

زنجیره بلوکی گونه‌ای از معماری‌ داده مورد استفاده در فناوری دفاتر کل توزیع شده است که در آن سوابق تراکنش‌ها در زنجیره‌های متصل به یکدیگر ذخیره می‌شوند. بسیاری از صنایع شروع به پیاده‌سازی راه‌حل‌های زنجیره بلوکی برای برنامه‌ها و خدمات خود کرده‌اند. سیستم‌های بانکداری بزرگ دنیا نیز از این قافله عقب نمانده و سعی در بروزرسانی و ارتقاء زیرساخت‌های خود به این تکنولوژی نوین دارند. اگرچه مفهوم زنجیره بلوکی و تعاریف مقدماتی آن جزو مباحثی است که بسیار مورد بررسی قرار گرفته است، اما به مکانیسم‌های اجماع آن که با ‌عنوان الگوریتم‌های اجماع نیز شناخته می‌شوند، چندان پرداخته نشده است. ما در این مقاله الگوریتم‌های اصلی و کاربردی اجماع را تشریح نموده و سپس آنها را از لحاظ فاکتورهای موثر بر کارایی تراکنش‌ها (گذردهی، تأخیر، مقیاس پذیری و غیرمتمرکز بودن) تجزیه و تحلیل نموده و مورد مقایسه و ارزیابی قرار می‌دهیم و با استفاده از روش تصمیم‌گیری چند شاخصه مکانیسم اجماع مناسب‌تر به منظور گذردهی بیشتر و تأخیر کمتر در پردازش‌های بانکی را معرفی می‌نماییم. این مقاله به عنوان راهنمایی برای توسعه دهندگان و محققان برای ارزیابی و طراحی الگوریتم اجماع عمل کارآمدتر برای تراکنش‌های بانکی عمل خواهد نمود.

تکامل نرم‌افزار یکی از قسمت‌های مهم فرایند توسعه نرم‌افزار است. یکی از اثرات منفی ناشی از تکامل نرم‌افزار فرسایش طراحی است. بازآرایی یک تکنیک است که هدف آن مبارزه با این پدیده می‌باشد از این رو بازآرایی یکی از فرایندهای مهم توسعه نرم‌افزار می‌باشد که برای بهبود کیفیت نرم‌افزار بدون تغییر رفتار بیرونی آن صورت می‌گیرد. بازآرایی در سطح مدل همانند بازآرایی در سطح کد می‌باشد و مزایای مشابهی دارد با این تفاوت که بازآرایی در سطح مدل از آنجایی که در مراحل اولیه فرایند توسعه نرم‌افزار انجام می‌گیرد تاثیر بیشتری در کاهش هزینه و افزایش بهره‌وری دارد. انجام به موقع و مداوم این روال در یک پروژه نرم‌افزاری اثرات بلند مدت بسیار مثبتی برای آن خواهد داشت به ویژه زمانی که این امر با ابزار مخصوص به خود انجام گیرد آنگاه بازآرایی یک عمل سریع، آسان و امن برای بهبود کیفیت سیستم‌های نرم‌افزاری می‌باشد. ایده اصلی این پایان‌نامه بررسی خودکار سازگاری در بازآرایی مدل به منظور حفظ رفتار مدل با استفاده از زبان مدل‌سازی Alloy می‌باشد. به همین جهت با بکارگیری الگوهای رفتاری به عنوان یک مولفه قابل استفاده مجدد و خوش تعریف و قوانین سازگاری می‌توان این هدف را تحقق بخشید.

در شبکه‌های اجتماعی افراد بر روی نظرات و رفتار یكدیگر به‌گونه‌ای مستقیم تأثیرگذار می‌باشند. در این شبکه‌ها ابتدا بخشی از افراد رفتار جدیدی اتخاذ کرده و سپس نظرات خود را با دوستان و آشنایان خود به اشتراک می‌گذارند. بدین‌ترتیب به دلیل تأثیر اجتماعی، افراد بیشتری آن رفتار را اتخاذ می‌کنند و اطلاعات در شبکه منتشر می‌شود. این پدیده گسترش تأثیر نامیده می‌شود. یکی از مهم‌ترین مسائل مطرح در بهینه‌سازی گسترش تأثیر، مسئله‌ی بیشینه‌سازی تأثیر می‌باشد. هدف از بیشینه‌سازی تأثیر، انتخاب زیرمجموعه‌ای کوچک از افراد است به طوری که با فعال کردن آنها تحت یک مدل انتشار اطلاعات، بیشترین تعداد از اعضای شبکه تحت تأثیر اطلاعات مورد نظر قرار گیرند. هدف از این پژوهش، ارائه راه‌حلی جهت یافتن تأثیرگذارترین افراد در شبکه‌های اجتماعی با استفاده از الگوریتم اشتراک‌گذاری برازندگی با شعاع اشتراک پویا و تحت مدل آستانه خطی می‌باشد. الگوریتم پیشنهادی، با تبدیل مسئله به یک سازوکار چندوجهی، ضمن حفظ تنوع جواب‌ها و ارائه چندین جواب مناسب از همگرایی زودرس جلوگیری می‌کند. نتایج آزمایش الگوریتم پیشنهادی بر روی مجموعه داده‌های مختلف، نشان می‌دهد که این روش نسبت به الگوریتم حریصانه پایه به طور میانگین در حدود ۶.۳ درصد باعث بهبود در یافتن تأثیرگذارترین افراد در مسئله‌ی بیشینه‌سازی تأثیر می‌شود.

با گسترش روز به روز اینترنت اشیاء یکی از چالش‌های مهم پیش روی آن امنیت است. مقوله امنیت در اینترنت اشیاء گستردگی وسیعی دارد؛ لکن احرازهویت دستگاه‌های موجود در این شبکه‌ی عظیم از اهمیت ویژه‌ای برخوردار است. اما به دلیل مقیاس بزرگ شبکه‌های اینترنت اشیاء و محدودیت منابع دستگاه‌های آن، استفاده از روش‌های احرازهویت متمرکز، با مشکلات عدیده‌ای مواجه است. با ظهور فناوری بلاک‌چین تحقیقات زیادی پیرامون استفاده از آن به عنوان یک پایگاه داده غیرمتمرکز و توزیع پذیر انجام شده است. در این مقاله ما ابتدا یکی از پروتکل‌های پیشنهادی پیرامون استفاده از فناوری بلاک چین برای احرازهویت متقابل دستگاه‌های اینترنت اشیاء را بررسی می‌کنیم و سپس با توجه به نقاط ضعف و آسیب‌پذیری‌های آن، پروتکل احرازهویت متقابلی را برای دستگاه‌های اینترنت اشیاء معرفی خواهیم کرد.

هدف از بازیابی تصویر، جستجوی تصویر خاص از مجموعه داده‌های تصویری می‌باشد. رویکردهای سنتی بازیابی تصویر مبتنی بر متن و محتوا دارای محدودیت شکاف معنایی می‌باشند. آنها نمی‌توانند درک بصری انسان از تصاویر را منعکس کنند. در این پژوهش برای کاهش فاصله معنایی، یک مدل بازیابی تصویر مبتنی بر شبکه عصبی عمیق و K نزدیکترین همسایه پیشنهاد شده است. در مدل پیشنهادی از شبکه عصبی کانولوشن برای استخراج ویژگی تصاویر استفاده شده است. این شبکه با استفاده از لایه‌های کانولوشنی، ویژگی‌های عمیقی از تصاویر را استخراج می‌نماید. شباهت تصویر فرضی با تصاویر آزمون در مجموعه داده‌های تصویری مورد استفاده توسط روش K نزدیکترین همسایه و با استفاده از معیار فاصله اقلیدسی محاسبه می‌شود. برای ارزیابی شبکه از معیار دقت و خطای شبکه استفاده شده است. روش پیشنهادی در مقایسه با روش‌های مشابه علاوه بر پیچیدگی کمتر، دارای دقت 98 درصد می‌باشد.

هدف از تحلیل احساسات، استخراج خودکار احساسات افراد از شبکه‌های اجتماعی و اسناد متنی می‌باشد. شبکه‌های اجتماعی مرتبط به بازارهای مالی، از جمله بازارهای سهام، اخیرا مورد توجه بسیاری از افراد و سازمان‌ها قرار گرفته است. افراد در این شبکه‌ها نظرات و عقاید خود را در مورد هر سهم در قالب یک پست یا توییت، به اشتراک می‌گذارند. در این مقاله کار تحلیل احساسات بر روی کامنت‌هایی که از سایت بورس استخراج نمودیم، انجام شد. برای اینکار ما از دو روش مرسوم که در کار تحلیل احساسات انجام می‌شود، استفاده نمودیم، این دو روش شامل روش مبتنی بر واژگان و روش مبتنی بر یادگیری ماشین است، برای روش مبتنی بر واژگان از یک واژگان موجود، به نام SentiStrength استفاده شد، که این واژگان با هدف استفاده عمومی طراحی شده است. برای روش مبتنی بر یادگیری ماشین از BERT که یک روش نوین برای تعبیه کلمات است استفاده شد، همچنین کار آموزش داده‌ها توسط الگوریتم‌های نایو بیز و ماشین بردار پشتیبان، انجام شد. نتایج آزمایشات نشان داد که استفاده از BERT برای نمایش داده‌ها به همراه الگوریتم نایو بیز برای آموزش داده‌ها، ۱۳ درصد معیار صحت را نسبت به استفاده از واژگان عمومی برای تحلیل احساسات، افزایش می‌دهد.

شبکه‌های عصبی عمیق تاثیر بسزایی در افزایش کارایی الگوریتم‌های بینایی ماشین از جمله طبقه‌بندی و بخش‌بندی تصاویر داشته‌اند. با توجه‌ به اهمیت گندم در تغذیه بخش بزرگی از جمعیت کره زمین و همچنین اهمیت نظارت و نگهداری از این محصول خوراکی (غالبا به شکل تحلیل خوشه‌ها)، تشخیص خوشه‌های گندم در تصاویر گیاهان به جهت مشاهده سلامت، مرحله رشد، وجود شاخک‏‌ها و غیره امری مهم به شمار می‏رود. در این مقاله به منظور تشخیص خوشه‌های گندم در تصاویر از مدل‌های عمیق موجود در حوزه بخش‌بندی و تشخیص اشیا شامل چهار مدل FASTER-RCNN ،MASK-RCNN ،CASCADE-RCNN و HTC که جزو بهترین مدل‌ها در این زمینه هستند و در سال‌های اخیر ارائه شده‌اند، استفاده شده است. همچنین برای بهبود نتایج از روش‌های یادگیری انتقالی، آگمنت تصاویر و DetectoRS بهره‌گیری شده است. نتایج حاصل از آموزش و ارزیابی این مدل‌ها برای تشخیص خوشه‌های گندم موجود در مجموعه داده GWHD نشان داد که استفاده از منطق برگشتی موجود در رویکرد CASCADE موجب افزایش سه و نیم درصدی دقت شده و همچنین سرعت آموزش در مدل HTC را نیز بالا می‌برد. استفاده از پیشنهادات طراحان DetectoRS نیز این بهبود نتایج را قوت می‌بخشد. بکارگیری روش آگمنت تصاویر سبب افزایش ۱.۲ درصدی دقت برای مدل HTC می‌شود. از میان مدل‌های آموزش دیده مدل DetectoRS-HTC بهترین کارایی را برای تشخیص خوشه‌های گندم دارد و توانست به بهبود ۴.۸ درصدی در مقایسه با پیاده‌سازی پایه‌ی طراحان مجموعه داده GWHD (مدل FASTER-RCNN) دست پیدا کند.

در سال‌های اخیر پیشرفت اینترنت اشیاء در سامانه‎های مراقبت‌ سلامت، تأثیر بسزایی بر سامانه‎های کنترل سلامت بیمار داشته است. حسگرها علائم حیاتی بیمار را ثبت می‌کنند و بر اساس داده‌های جمع‌آوری‌ شده هشدار می‌دهند. در صورتی‌که هشداری اعلام نشود و یا به‌صورت اشتباه هشدار داده شود ممکن است صدمات جبران‌ناپذیری را برای بیمار در پی داشته باشد. بنابراین دسترس‌پذیری و افزایش قابلیت اطمینان در سامانه‎های مراقبت سلامت، موضوع حائز اهمیتی است. از طرفی‌ دیگر، محاسبات مه به‌عنوان یک رویکرد کارآمد برای استفاده در کاربردهای اینترنت اشیاء معرفی شده‌ است. لایه‌ی مه به‌عنوان یک واسط بین حسگرها و مراکز داده ابری قرار می‌گیرد و به دلیل فاصله کم منابع پردازشی با دستگاه اینترنت اشیاء، تأخیر به طور قابل‌توجهی کاهش می‌یابد. کاهش تأخیر در کاربردهایی که نیاز است پاسخ در یک بازه‌ی زمانی مشخص آماده شود همانند کاربردهای بی‌درنگ از اهمیت زیادی برخودار است. در واقع در این کاربردها قابلیت اطمینان سامانه نه‌تنها به‌درستی پاسخ بلکه به زمان رسیدن پاسخ نیز وابسته است. همچنین بحث مصرف انرژی در سامانه‎های مراقبت‌ سلامت، به دلیل اهمیت تداوم در ماندگاری خدمات (دسترس‎پذیری) مورد توجه است. در بسیاری از پژوهش‌های پیشین از معیار کاهش مصرف انرژی به‌منظور افزایش قابلیت اطمینان و دسترس‌پذیری استفاده شده است. در این پژوهش، ما به بررسی انواع روش‌های کاهش مصرف انرژی و در نتیجه آن افزایش دسترس‌پذیری و قابلیت اطمینان می‌پردازیم. در انتها نیز، یک روش نمونه‌برداری ضربان قلب مورد بررسی قرار‌ گرفته و نرخ نمونه‌برداری بهینه برای کاهش مصرف انرژی و افزایش دسترس‌پذیری و قابلیت اطمینان براساس مشاهدات پیشنهاد شده‌ است.

این مقاله، روشی را در سطح معماری برای تصحیح اشکال­های (Faults) رخداده یک­بیتی و چندبیتی در حافظه دستور سیستم­های تعبیه شده ارائه می­دهد. این روش دارای دو مکانیزم است. مکانیزم اول محافظ دستورات انشعاب بوده و قبل از این دستورات، یک دستور خاص درج می­کند و قادر به تصحیح حداکثر 8 اشکال همزمان در هر دستور انشعاب است. مکانیزم دوم محافظ کد عملیاتی کلیه دستورات برنامه بوده و یک دستور خاص دیگر را هر شش خط یک بار در برنامه درج می­کند و قادر به تصحیح اشکال­های یک­بیتی درکد عملیاتی کل دستورات برنامه است. مدل­های اشکال در این روش، اشکال­های چندبیتی حذف دستور پرش و تغییر مقصد دستور پرش و همچنین اشکال یک­بیتی تغییر در کد عملیاتی کل دستورات است. این روش در ریزپردازندۀ OpenRISC پیاده­سازی و صحت عمل آن با شبیه­سازی تحقیق شده است. نتایج ارزیابی تحلیلی نشان می­دهد، پوشش تصحیح اشکال مکانیزم اول برای یک تا هشت اشکال همزمان در یک دستور انشعاب بین 100% تا 32/2% و در مکانیزم دوم برای یک اشکال در کد عملیاتی هر دستور100% است. همچنین نتایج ارزیابی تجربی نشان می­دهد که برای بارهای­کاری مرتب­سازی سریع و مرتب­سازی حبابی، سربار حجم حافظه، به ترتیب 38/54% و 92/49% و سربار زمان اجرا 68/25% و 28/48% است.

منظور از واژه­یابی گفتار يافتن موقعیت مکانی کلمات یا عبارات ویژه در یک گفتار بدون محدودیت و رد کردن قسمتهای نامرتبط گفتار است. در این مقاله ضمن معرفی مسئلة واژه­یابی گفتار در قالب یک مسئلة دسته­بندی دودویی، رویکرد متمایزسازی مبتنی بر ایدة حاشیه- وسیع برای حل آن ارائه شده است. نوآوری رویکرد ارائه شده، مدل نمودن سه مفهوم احتمال حضور يك واج در يك قاب گفتار، كشش زماني واجها و گذار ميان واجها تنها با بهره­گيري از دو تابع اندازة اطمينان و بر اساس ويژگيهاي آكوستيكي، طيفي و آماري قابهاي گفتار، است. رویکرد پیشنهاد شده در شرایط مختلف آزمايش، مورد ارزیابی قرار گرفته است. نتایج ارزیابی­ها دلالت بر کارایی مطلوب در حدود 65/94 معيار FOM، سرعت مناسب برابر با 3/3 معيار RTF و پیچیدگی زمانی و محاسباتی اندک این رویکرد، در هر دو مرحلة آزمون و آموزش دارد.