انجمن کامپیوتر ایران

In a two player game, the choices of our player can be modeled by angelic nondeterminism and those of our opponent by demonic nondeterminism. In this paper, we introduce some notations and semantics to Martin- Löf's theory of types which facilitate the use of angelic and demonic interpretations of nondeterminism in type theoretical specifications. Using the proposed, nondeterministic constructs, we can formally specify two player games and derive them from correctness proofs of their formal specifications.

Ensemble based methods have successfully been used in a variety of application. Recently using these methods in clustering algorithms has attracted a great deal of interest. Voting and averaging are two effective combining methods that are frequently used in multiple classifier systems. To use these methods in an unsupervised scenario (to combine multiple partitioning of data) the partitions must be relabeled first, i.e. similar partitions in different partitioning gets the same label. This phase has a great influence on the ensemble performance. In this paper a new heuristic label assignment method is proposed. The result of the Monte Carlo simulation and experimental results on real data show that the performance of ensemble method could be significantly improved using this method.

The goal of network topological design is to find a minimum cost configuration of network components. Design of access network is discussed here. The objective is minimizing the access network cost by means of finding optimal number and location of concentrators. The network cost consists of the concentrators cost and cost of access links, that connecting terminals to the concentrators. Here, contrary to most of other methods, which use candidate locations for concentrators, the search space is continuous. Solution to the problem is improved in this article. The problem is solved using a type of self organizing neural network called Growing Neural Network. In this method, terminal locations are used as input of neural network and self organizing feature leads to optimal solution. Furthermore, an improved version of the COM algorithm is proposed. Improvement is achieved by means of applying cost constraint in cluster merging phase. The simulation results for different networks with various cost parameters show the new methods achieve the better performance than that of previous methods.

This paper presents a computationally effective trajectory generation algorithm for omni-directional mobile robots. In this algorithm we use the Voronoi diagram to find a sketchy path that keeps away from obstacles and then we smooth this path with a novel use of Bezier curves. This algorithm defines velocity magnitude of a robot along the curved path to satisfy optimality conditions and dynamic constrains. The algorithm has been implemented on real robots, and we present experimental results in different environments.

Gaussian Mixture Model (GMM) models feature space using mean vector and covariance matrix of probability density functions of feature vectors. In this paper, improved Vector Quantization and Covariance Matrix methods were compared to GMM. Covariance Matrix model considers shape of probability density functions, while Vector quantization method models position of probability density functions in feature space. In this paper different methods of Covariance matrix model including Arithmetic-harmonic sphericity measure and Divergence Shape measure were examined to evaluate scores in speaker verification task.. Experimental results show that Arithmetic-harmonic sphericity measure outperforms Divergence shape measure. A novel vector quantization approach was also presented in this paper. This approach is based on comparing codebook obtained from training data to codebook obtained from test data. Results show that recent approach has a better performance compared to traditional vector quantization approach. Also, the results show that Covariance matrix model outperforms improved Vector Quantization and GMM.

در اين مقاله، روش جديدی براي افزايش كيفيت تصاويری كه با استفاده از تكنيك فشرده سازی فراكتالی كد شده اند ارائه شده است. استفاده از روش فراكتالی براي فشرده سازی تصاوير مانند بسياری از روشهای فشرده سازی سبب ايجاد پديده بلوكی و اثرات مصنوعی در تصوير می شود كه برای نرخهای مختلف فشرده سازی متفاوت می باشد. در اين مقاله با استفاده از معادلات نفوذ و اعمال آن به اين تصاوير باعث افزايش كيفيت تصوير وكاهش پديده بلوكی و اثرات مصنوعی شده ايم . روش پيشنهادی بر ر و ي چندين تصوير از تصاوير استاندارد كه با روش فراكتالی و با نرخ بيت های متفاوت فشرده شده اند آزمايش شده است . نتايج نشان داده است كه روش پيشنهادی كارايی روش فراكتالی را بهبود داده است.

کاربرد پروتکل S-MAC در شبکه های بی سیم و کشف وقایع نادر و عکس العمل سریع است. این پروتکل شبکه ها را بصورت لایه های هم مرکز در اطراف سینک تقسیم کرده و برای گره ها از آدرس دهی تصادفی استفاده کرده و به کمک بسته های کنترل MAC ، گره میانی بعدب برای مسیر یابی و ارسال بسته ها را میابد. با ایجاد وضعیت های مختلف گره ، مانند خواب یا بیدار بودن و کاهش ارسال اطلاعات و ایجاد همزمان سازی می توان مصرف انرژی ناشی از استعمال بلا استفاده را کاهش داد. با مقایسه و ارزیابی و شبیه سازی پروتکل های پیشنهادی و S-MAC می توان کارایی و بهینه شدن مصرف انرژی را برای کشف و گزارش رویدادها ، ناشی از تغییر در پروتکل S-MAC مشاهده کرد.

این مقاله درمورد طراحی یک نرم افزار به منظور استفاده بهینه از فرآیند جوشکار ی اصطكاكی - اغتشاشی است که یكی از فرآیندهای نوین جوشكاری در حالت جامد است. این نرم افزار که با و با استفاده از الگور یتم ژنتیک طراح ی شده، کاربر را قادر میسازد با ورود مقادیراندازهگیری شده خواص آلیاژ ، و با ورود درصد میزان اهمیت خواص به سیستم، به مقادیر بهینهای از سرعت حرکت و سرعت چرخش که در میزان تغییرات خواص آلیاژ مؤثرند، دست یابد . این نرمافزار با در نظر گرفتن وزن برای هر یک از خواص، این امکان را ایجاد میکند که بتوان بعضی از خواص را نسبت به برخ ی دیگر در حصول نتیجه، برتری داد. با این نوآوری امکان استفاده گسترده از این متد در صنایع مختلف، که در آنها یک یا چند خاصیت، اهمیت بیشتری نسبت به خواص دیگر دارند، فراهم میگردد.

ه ه ا نظير سرطان بسيار

شبكه هاي بيزي به عنوان يك دسته بندي كننده در كاربرد هاي مختلف يادگيري ماشين مورد استفاده قرار گرفته اند . يكي از مسايل مهم در شبكه هاي بيزي، آموزش شبكه ها ي بيزي بهينه بر اساس مثال هاي آموزشي دردسترس م ي باشد . آموزش شبكه ها ي بيزي شامل آموزش مقادير احتمالي موجود در جداول احتمال شرطي و نيز آموزش ساختار شبكه مي باشد. در اين مقاله ي ك روش مرحله به مرحله مبتني بر اتوماتاهاي يادگير براي آموزش جداول احتمال شرطي شبكه هاي بيزي پيشنهاد ميگردد. نتايج آزمايشها نشان مي دهند كه الگوريتم پيشنهادي با تعداد مثال ها ي آموزش ي كمتر ي داراي دقت دسته بندي مشابه با الگوريتم هاي كلاسيك مانند برآورد امكان بيشينه مي باشد.

افزايش تعداد هسته هاي بکار رفته در داخل را جايگزين معماري هاي ارتباطي مبتني بر گذرگاه کرده است. ويژگیهای بارز NoC نسبت ب ه معماري های مرسوم نظير سي م های اختصاصی و گذرگاه عبارتند ا ز : NoC (الف) بهرهوري انرژي و قابليت اطمينان بالا ، (ب)مقياسپذيري بالا در مقايسه با معماريهاي مرسوم ، (ج) قابليت استفاده مجدد،(د)بکارگيري الگوريتم هاي مسيريابي MinRoot توزيع شده. ما در اين مقاله يک معماري جديد شبکه بر تراشه با توپولوژی را به عنوان ساختار عمومي اتصا لا ت داخلي معرفي م ي کنيم. د راين مقاله معماری از Torus و Mesh , BFT با معماری اتصالات توپولوژی های MinRoot اتصالات توپولوژی نظر تعداد سوئيچ و تعداد لينک ( فضای تراشه ) و تاخير متوسط بسته مقايسه و مورد ارزيابی قرار گرفته اس ت . نتايج کاهش چشمگير تعداد سوئيچ و تعداد لينک نشان ميدهد. آزمايش ها کاهش تاخير Torus و Mesh , BFT را نسبت به توپولوژی های متوسط بسته را در کاربردهای با ارتباطات محلی زيا د و افزايش تاخير متوسط بسته نسبت به توپولوژی MinRoot را در کاربردهای با ارتباطات محلی کم در توپولوژی های ديگر نشان می دهند.

در این مقاله به بررسی محیط گرید محاسباتی که در آن منابع به شکل توپولوژي ستاره با یکدیگر در ارتباط هستند پرداخته شده و الگوریتمی جدید بر پایهي تئوري صف براي زمانبندي زیروظایف در محیطهاي گرید ارائه گردیده است. الگوریتم پیشنهادي با استفاده از مفاهیم سیستم صف و چگونگی توزیع زیروظایف، علاوه بر اجراي وظایف در کمترین زمانِ ممکن، تعادل بارکاري را نیز براي منابعِ موجود در گرید به ارمغان میآورد. بدین ترتیب با استفاده از این الگوریتم، دو عامل خیلی مهم از کیفیت سرویس (کارآیی و تعادل بارکاري) تا حد ممکن برآورده شده و کارِ زمانبندي زیروظایف و تخصیصمنابع به آنها با در نظر گرفتن این دو فاکتور انجام میگیرد.

درك سازوكار مغز به عنوان عامل هوشمندي موجودات زنده قرنها است كه ذهن بشر را مشغول كرده است. محققين در مسير پاسخ به اين سوال دو رويكرد كل به جزء و جزء به كل را پيش گرفتهاند. در اين مقاله به معرفي مدلي حاصل از اتصال كارآمدترين نظريات اين دو رويكرد خواهيم پرداخت. مدل ارائه شده تواناييهاي جالب توجهي از جمله يادگيري خودكار و پردازش بلادرنگ دنبالههاي زماني را داراست. همچنين اين مقاله نشان ميدهد كه مدل مذكور با دادههاي زيست شناختي مغز نيز انطباق قابل قبولي دارد. در انتها، كارآمدي مدل ارائه شده در يك آزمايش دنياي واقعي بررسي ميشود. مدل پيشنهادي اولين قدم به سمت ساخت سيستمهاي هوشمند خلاق و داراي قدرت سازشپذيري بالا به حساب ميآيد.

شناسايي و دسته بند ي دقيق جريانهاي ترافيكي شبكه بر اساس پروتكل توليد كننده آنها، يكي از المانهاي اصلي مديريت شبكه محسوب مي شود . تاكنون تكنيك هاي مختلفي در اين زمينه مانند شماره پورت و بررسي بخش داده اي بسته ها ارائه شده است . امروزه بسياري از برنامه ها (مانند (P2P با استفاده از شماره پورتهاي پويا و تكنيك هاي رمزنگاري سبب ناكارآمدي تكنيكهاي فوق شد ه اند . تكنيك ديگر در اين زمينه، استفاده ازاطلاعات آماري لايه انتقال جريانهاي عبوري مي باشد . در اين مقاله يك كنترلر فازي براي دسته بندي جريانهاي ترافيكي پيشنهاد شده است . در اين كار اطلاعات آماري لايه انتقال جريانهاي عبوري، بعنوان پارامترهاي دسته بندي استفاده شده است . نتايج آزمايشات نشان مي دهند كه مكانيزم پيشنهادي بطور متوسط داراي كارايي كلي 94% بوده و 98/77% جريانها را شناسايي كرده است . در حالي كه كارايي كلي الگوريتم هاي K-Means و DBSCAN به ترتيب 84% و 75/6 % مي باشد.

تخمين تعداد سيگنالهاي طيف گسترده پرش فركانسي وارده به يك آنتن يكي از مسايل مورد توجه است. روش هاي تجزيه مقادير ويژه مورد استفاده براي تخمين تعداد كاربران براي SNR هاي پايين از كارايي لازم برخوردار نيست. روش كار به اين صورت است كه ابتدا با استفاده از تحليل آنتروپي يك زير مجموعه ديتاي بدون پرش از سيگنال جدا شده و سپس با استفاده از تجزيه مقادير ويژه تعداد كاربران بدست ميآيد. در اين مقاله سعي شده است تا مشكل تخمين تعداد كاربران در SNR هاي پايين با اعمال يك بلوك حذف نويز به آنتروپي بدست آمده از سيگنال ورودي بهبود بخشيده شود.

برنامه نويسي ژنتيك، از جمله الگوريتم هاي تكاملي است كه توانايي زيادي، نسبت به اغلب روش هاي يادگيري ماشين دارا م ي باشد . مشكل اين روش، زمانبر بودن اجراي آن است . در اين مقاله، هدف استفاده از برنامه نويسي ژنتيك و تطبيق آن به منظور تصديق هويت گوينده و بررسي هويت كاربران از طريق صداي آنهاست . ايده هاي متعددي را پيشنهاد نموده ايم تا به كمك آنها بتوانيم ضمن افزايش كارايي روش برنام ه نويسي ژنتيك براي تصديق هويت گويند ه، سرعت آموزش مدلهاي گويندگان را كه معمولا در روش برنام ه نويسي ژنتيك بسيار زمانبر است را افزايش دهيم. براي اين منظور سعي شده است تا با روشهايي چون خوشه بندي به كمك روشهاي چندي سازي برداري و نيز با استفاده از توابع گوسي بدست آمده از روش مدل مخلوط گوسي GMM به جاي بردارهاي ويژگي داده هاي آموزشي ، حجم داده هاي آموزشي را كاهش دهيم و بدين ترتيب بر سرعت ساخت مدلهاي حاصل از برنامه نويسي ژنتيك بيافزائيم. نتايج بدست آمده نشان مي دهند كه استفاده از ميانگين هاي مدل هاي مخلوط گوسي حاصل از داده هاي آموزشي گوينده خودي و گويندگان غيرخودي به جاي استفاده مستقيم از داده هاي آموزشي و بطور مشابه استفاده از ميانگين هاي مدل مخلوط گوسي حاصل از داده هاي آزمايشي، منجر به دقت خوبي در تصديق هويت گويندگان و نيز افزايش سرعتي در حد 20 برابر (از 5 ساعت به 15 دقيقه) در آموزش مدلهاي گويندگان به كمك روش برنامه نويسي ژنتيك مي گردد.

In wireless sensor network often micro-battery with very limited power provides the energy of sensor nodes. Since sensors are usually utilized in remote or hostile environments, recharging or replacing the battery of the sensors is something quite undesirable or even impossible. Thus long system lifetime is a must. Sleep scheduling is a mechanism in wireless sensor network to save energy. In this paper, we propose an energyefficient distributed scheduling method considering mobile target tracking also called dynamic target coverage. The algorithm is based on cellular learning automata. In this algorithm, each node is equipped with a learning automaton which will learn (schedule) the proper on and off times of that node based on the movement nature of a single moving target. To evaluate the proposed method it is tested under straight with constant velocity movement model of target. The results of experimentations have shown that the proposed scheduling algorithm outperforms two existing dynamic target coverage scheduling methods.

Grid environment is being a service oriented infrastructure in which many heterogeneous resources participate for providing the high performance computation. On of bug issue in the grid environment is the vagueness and uncertainty between advertised resources and requested resources. In this work we propose a solution for the vagueness and uncertainty problems based on rough set theory. Here you can see how the rough set theory is developed to deal with the problem. We also report the result of the solution obtained from the simulation in Gridsim simulator. The comparison has been made between the proposed method and UDDI and OWL-S combined method. Rough set theory shows much better precision for the cases with vagueness and uncertainty.

Asynchronous protocols exhibit various noise robustness and when used in GALS NoC links, they can directly affect the signal integrity. In this paper we study the noise robustness of two well-known asynchronous protocols, namely Dual-Rail (DRP) and Bundled-Data (BDP) in the GALS NoC links, and subsequently confirm our claims through simulations. We apply an enhanced version of BDP and DRP to 32/64 parallel line links, show results in terms of noise robustness using global interconnect features, specified in the ITRS roadmap for 32nm technology. The simulation results for two thousand random generated inputs show that the number and the amplitude of noise glitches over ‘0’ state lines as well as the required threshold voltage needed for avoiding errors in BDP link are much lower than in DRP's. Therefore, BDP links can present better signal integrity features and have less overhead compared to DRP's, employing only some simple noise reduction techniques and more timing adjustment effort.

Discriminative subspace analysis is a popular approach for a variety of applications. There is a growing interest in subspace learning techniques for face recognition. Principal component analysis (PCA) and eigenfaces are two important subspace analysis methods have been widely applied in a variety of areas. However, the excessive dimension of data space often causes the curse of dimensionality dilemma, expensive computational cost, and sometimes the singularity problem. In this paper, a new supervised discriminative subspace analysis is presented by encoding face image as a high order general tensor. As face space can be considered as a nonlinear submanifold embedded in the tensor space, a decomposition method called Tucker tensor is used which can effectively decomposes this sparse space. The performance of the proposed method is compared with that of eigenface, Fisherface, tensor LPP, and ORO4×2 on ORL and Weizermann databases. Conducted experimental results show the superiority of the proposed method.