انجمن کامپیوتر ایران

کیفیت سرویس در شبکه‌های سنسور تعاریف متفاوتی دارد که از آن جمله می‌توان به پوشش مناسب شبکه، تعداد ندهای فعال در یک زمان، صحت اطلاعات دریافتی در ند مرکزی و مدت زمان انتقال اطلاعات به ند مرکزی اشاره کرد. در این مقاله بر مبنای تعریف تعداد ندهای فعال به عنوان کیفیت سرویس، به ارائه‌ی روشی مبتنی بر اتوماتای یادگیر جهت دستیابی به کیفیت مورد انتظار خواهیم پرداخت. در این روش، با خوشه‌بندی شبکه و قرار دادن رؤوس خوشه‌ها به عنوان مسؤول بررسی تعداد ندهای فعال در هر خوشه، پوشش مناسبی از تعداد ندهای فعال در سطح کل شبکه به دست خواهد آمد. هر ند مجهز به یک اتوماتای یادگیر می‌باشد که در طول فعالیت شبکه و از طریق پاسخ‌هایی که از رأس خوشه دریافت می‌دارد، لزوم فعال یا غیرفعال بودن ند را مشخص می‌کند. از طریق شبیه سازی کامپیوتری نشان داده می‌شود که روش ارائه شده، می‌تواند کیفیت سرویس مطلوبی را از دیدگاه ارائه شده تولید کند.

در اين مقاله الگوريتمي براي قطعهبندي تصاوير راديوگرافي قفسه سينه با هدف جداسازي محدوده ريهها از ساير آناتومي هاي موجود در اين تصاوير پيشنهاد شده است. در اين الگوريتم از روش طبقهبندي پيكسلها جهت قطعهبندي استفاده ميشو د. بر اي اين کار به منظور انتخاب ويژگي هاي بهينه، از دو روش انتخاب ويژگي: "انتخاب پيشرو" و " تحليل واريانس يكطرفه" بهره گرفته و سپس از ويژگي هاي بدست آمده در ط بقهبندي پ يكسلها به دو كلاس ريه و زمينه استفاد ه م يشو د. از آنجايي كه در روش طبقهبندي پيكسل با توجه به درجة وضوح بالاي تصاوير (تعداد زياد پيكسلها در هر تصوير) سرعت پايين م يباشد، از تكنيك طبقهبندي پيكسل با چندين درجة وضوح استفاده شده تا بخش طبقهبندي كه معمولا" شامل پرهزينهترين عمليات محاسباتي است، بهبود يابد. نتايج حاصله از قطعهبندي محدوده ريهها در راديوگرافي قفسه سينه با استفاده از مجموعه ويژگيهاي بدست آمده از دو روش انتخاب ويژگي "انتخاب پيشر و" و " تحليل واريانس يك طرفه " با نتايج استفاده از مجموعه کامل ويژ گيها و همچنين مجموعه ويژگيهاي تصادف ي, مقايسه شده و مي توان د ريافت که استفاده از مجموعه ويژگ يهاي کاهش يافته باعث کاهش زمان محاسبات و کارايي قيا سپذيري نسبت به استفاده از مجموعه کامل ويژگي ها ميگردد. علاوه بر اين, کارايي روش طبق هبندي پيشنهادي با کارهاي مشابه انجام شده در زمينه قطعهبندي تصاوير راديوگرافي قفسه سينه مقايسه شده است.

گريد دانش يک محيط اتصالي هوشمند مي باشد که بر روي گريد محاسباتي ساخته مي شود تا ايجاد سازمان هاي مجازي را تسهيل نماي د. يکي از خصوصيات مهم محيط هاي مجازي پشتيباني تصميم گيري جمعي مي باش د. يکي از مشکلات روش هاي موجود اين است که نمي توانند محيط هايي را که تصميم گيران به صورت پويا اضافه و کم مي شوند را پشتيباني نمايند. در اين مقاله روشي جديد ارائه شده است تا بتوان تصميم گيران را به صورت پويا به محيط اضافه و يا از محيط حذف نمو د. ميزان صحت تصميم گرفته شده توسط هر تصميم گير به صورت موضوعي با در نظر گرفتن نظر ديگر اعضا مشخص مي گردد. ميزان اثر گذاري تصميم هر تصميم گير با در نظر گرفتن تصميمات گذشته اش به صورت تدريجي تغيير مي نمايد . با فرض اينکه هر تصميم گير يک مجموعه پاسخ فازي در پاسخ به يک مساله تصميم گيري توليد مي نمايدعملگري براي هم جوشي مجموعه تصميمات تصميم گيران پيشنهاد شده اس ت. هدف از هم جوشي بهبود کيفيت تصميم مي باشد . عملگرهم جوشي يک مجموعه جواب فازي توليد مي نمايد که تابعي از امکان درستي هر تصميم گير و مجموعه پاسخ فازيش مي باشد .

در اين مقاله به جای ساختارهای معمول متمرکز و يا سلسله مراتبی، ساختار تشخيص نفوذ کاملا توزيع شده مورد بررسی قرارگرفته است. در اين ساختار با استفاده از جزئی بنام عامل متحرک، اجزاءآناليز متمرکز حذف شده ان د . در اين زمينه سيستم هايی چون MA-IDS و Micael ،IDA ،AAFIDَ نيز برای کمک به توزيع شدگ ی ، در جمع آوری داد ه ازعامل های متحرک استفاده کرد ه اند ولی در آن ها آناليز داده های جمع آوری شده بصورت متمرکز میباشد. سيستم پيشنهادی MA-GrIDS با تکيه بر ساختار توزيع شده میتواند بر مشکلاتی چون محدوديت در قابليت اطمينان، توسعه پذيری و وجود نقطه شکست تا حد زيادی فايق آيد. پس از پياده سازی، از اين سيستم در تشخيص کر م های کامپيوتری به عنوان گونهای از حملات توزيع شده، استفاده شد و با انجام آزمايشات ، دو پارامتر تعداد سرکشی با توجه به تعداد بازر س های متحرک درهرزون و تأثير آن بر زمان تشخيص مورد بررسی قرارگرفت. هرچه که تعداد بازرس ی های موجود در هرزون بيشتر باشد، ميزان ترافيک شبکه افزايش پيدا م ی کند، اما زمان تشخيص نفوذ کاهش می يابد و بلعکس . باتوجه به اين مساله که اين دو پارامت ر (تعدادبازرسها وزمان تشخيص نفوذ) نسبت عکس با يکديگر دارند همچنين افزايش بيش از حد بازر س ها سبب ايجاد ترافيک و تداخل در کارشان م ی شود،حالتی را بايد پيداکرد که حاصلضرب اين دو پارامتر بهينه گردد.

مشکل بزر گی که امروزه در بار ه تصميم گيری ماشينی وجود دارد کارايی نامناسب سيستمهای تصمي مگيری کنونی است. يافت ههای علم ی اخير نشاندهنده اين مطلب است که عواطف، نق شی اسا سی در تصمي م گيری، ادراک و يادگير ی با زی م یکنند. در اين ميان، استرس جايگاه خاص ی داشته و بر عملکرد ذهن و کارا يی فيزي کی و ذهنی تاثيری بسزا دارد. تحقيقات نشان داده اند که فرآيند تصميم گيری تحت شرايط اضطرار با تصميم گيری در شرايط عادی و تجاری کاملا متفاوت است . در شرايط عادی تصمي مگيرنده گزينه های متفاوت را در نظر گرفته، نقاط قوت و ضعف هر يک را به دقت بررسی کرده و سپس تصميم م یگيرد. اما در شرايط اضطرار به علت محدوديت زمانی ناچار است در همان اولين قدم بهترين روش را انتخاب کند که اين انتخاب بر اساس تجرب هی وی و مطابق با شرايط موجود انجام می شود. بنابراين با کسب تجربه و بازيابی آن در شرايط اضطرار م ی توان کارايی سيستم را بالا برد و در چنين شرايطی تصميمی درست اتخاذ کر د. در اين مقاله به معرفي مدلی عاطفی برای تصميم گيری خواهيم پرداخ ت. در اين ساختار که از الحاق بخش تصميم گيری اضطراری به سيستم قبلی به دست می آيد، سيستم تا زمان بروز استرس به روند عادی تصمي مگيری خود ادامه می دهد اما به هنگام رخ دادن استرس بر اساس شرايط موجود، سيستم وارد بخش تصميم گيری اضطراری شده و بر اساس تجرب ه ی پيشين خود از وضعيت جاری، دست به همان کاری م ی زند که پيش از اين در آن تجربه انجام داده است. نتايج بدست آمده از تست اين مدل بر روی محيط شبي ه سازی نجات، نشان داده که بدون شک اين روش در مقايسه با روش پيشين کارايی بالاتری داشته و به طور ٢ امتياز بهبود يافته اند. همچنين در اين مدل در صورت بروز مشکل، سيستم قابليت تحمل خطا را داشته و کارايی را / متوسط نتايج کسب شده ٦ در حد مشخصی حفظ خواهد کرد.

وزن دهي ويژگي به عنوان يكي از تكنيك هاي پيش پردازش در حوزه طبقه بندي مستندات ، نقش بسيار مهمي در دستيابي به شاخص بندي با كيفيت بالا و در نتيجه دستيابي به طبقه بندي كننده خوب مستندات ايفا مي كند. در اين مقاله يك روش جديد براي وزن دهي ويژگي به نام TFCRF خاص حوزه طبقه بندي مسستندات ارائه مي شود كه در آن براي وزن دهي ويژگي ها علاوه بر توجه به چگونگي توزيع آنها در مستندات مختلف و مستن د ات كل م جموعه به چگونگي توزيع آنها در طبقات مختلف نيز توجه شده است . نتايج شبيه سازي نشان دهنده بهبود قابل توجهي در كارايي الگوريتم طبقه بندي كننده SVM با بكارگيري روش وزن دهي ويژگي ارائه شده جديد TFCRF در مقايسه با ساير رو ش هاي متداول وزن دهي ويژگي پياد ه سازي شده نظير روش هاي مبتني بر TF ، روش هاي مبتني بر IDF ، روش هاي تركيبي TFIDF و روش هاي خاص طبقه بندي بر روي مجموعه مستندات inex مي باشد.

مشکل عمده رو شهاي یادگیري مبتنی بر یادگیري تقویتی ، طولانی شدن زمان یادگیري در اثر افزایش ابعاد فضاي مسئله است . یادگیري تقویتی سلسله مر اتبی با تجزیه مسئله به اجزاي کوچ کتر سعی در حل چنین مشکلی دار د. در این مقاله نیز با تجزیه مسئله به اجزاي کوچک تر که آنها را رفتار می نامیم، از ساختارهاي BB به عنوان ساختارهاي سلسله مراتبی براي یادگیري رفتارها استفاده می شود و روشی براي تجدید توابع ارزش و تقسیم پاداش دریافتی پیشنهاد می شو د. در این روش دانش طراح بیشتر در ساختار کد می شود و مزایایی مانند سرعت بالاي همگرایی، روش هاي یادگیري سلسله مراتبی و کاهش فضاي حالت را با مزایاي سیستمهاي BB یکجا جمع می کنیم . به علاوه در چنین ساختاري قابلیت یادگیري خود ساخ تار نیز امکان پذیر است. نتایج شبیه سازي روي مسئله هدایت تاکسی، کارایی روش را بهتر نشان می دهد.

امروزه استفاده از سيستم ها ي پيکربندي مجدد زمان اجرا در حال گسترش است وليکن هزينه زماني پيکربندي براي ارسال فريمهاي پيکربندي به v گلوگاه اين سيستم ها م يباشد. پيکربندي جزيي يک راه حل مناسب براي کاهش اين هزينه است. در اين روش مي توان از شباهت ميان قالب هاي پيکربندي استفاده نمود و درصورت مناسب بودن شباهت ميان دو قسمت يك سخ تافزار، قسم تهاي مشترک مابين پيکربندي ها در FPGA را بدون تغيير گذاشته و بخ شهاي غير مشترك پيكربندي دوم را براساس پيكربندي قسمت قبل در FPGA نگاشت نمود. طراحي سنت زکننده مناسب براي پشتيباني از اين قابليت، عاملي موثر در افزايش کارايي اين سيستم ها م يباشد. سنتز الگوريت مها به دو قسمت سنتز رفتاري و سنتز منطقي تقسيم م يشود. در کارهاي گذشته تحقيقات مناسبي در زمينه بهبود سنتز منطقي اين سيستم ها شده است. هدف الگوريتم ارائه شده در اين مقاله بهبود سنتز کننده رفتاري سيست مها ي با قابليت پيکربندي جزيي م يباشد. دراين روش پيك ربندي FPGA با استفاده از شباهت ميان پيکربنديها، براساس سخت افزار پيکربندي شده مراحل قبل صورت م يگيرد. با اضافه کردن يک مرحله به مراحل سنتز رفتاري، سنتزکننده متناسب با اين سيست مها طراحي م يشود. نتايج حاصله بيانگر افزايش کارايي روش ارائه شده م يباشد.

در اين مقاله نوع جديدي از مدل شبكه ART براي پردازش ورودي هاي مختلط پيشنهاد مي گردد. بدين منظور مي بايست ساختار شبكه و الگوريتم يادگيري شبکه بگونه اي تغيير يابد كه بتواند وروديهاي از نوع مختلط را پذيرفته و خوشه بندي کند. به اين منظور تغييرات لازم پيشنهاد شده و الزامات و نتايج اين تغييرات از لحاظ رياضي و عملي بررسي شده است .از ميان تغييرات لازم، مهمترين تغيير انتخاب تابع شباهت مناسب به عنوان معياري براي اندازه گيری شباهت بين بردارهايي با اجزاي مختلط است، که در اينجا يک تابع مناسب پيشنهاد شده و مورد بررسي قرار گرفته است . در انتهاي مقاله نتايج آزمايش شبکه پيشنهاد شده براي خوش هبندي يک مجموعه از داده های فضايي-زماني ارائه شده است.

یکی از روش های اصلاح و توسعه معماری سازمانی، استفاده از بلوغ معماری سازمانی اس ت . در بسیاری از سازما ن ها معماری وضعیت موجود، استعداد کافی را برای ا ر تقاء و بهبود ندار د . علاوه بر این در بسیاری موارد و ب ه خصوص در کشورهای در حال توسعه، معماری وضعیت موجود، توانایی لازم را برای ایفای نقش معماری مبدأ و ایجاد معماری مطلوب ندارد. در این تحقیق، با استفاده از مد ل های مرجع و شناسایی روابط مؤلفههای معماری سازمانی، روشی را برای ارزیابی و سنجش استعداد معماری سازمان جهت ایفای نقش معماری مبدأ ارائه نمود ه ایم. این روش می تواند به عنوان عاملی کمکی برای رو ش های ارزیابی بلوغ معماری سازمانی مورد استفاده قرار گیر د . با استفاده از نتایج حاصل از روش ارزیابی ارائه شده، م ی توان در مورد اینکه آیا معماری سازمان، قادر است به عنوان معماری مبدأ مورد استفاده قرار گیرد یا خیر، تصمیمگیری دقیقتری انجام داد.

Previous studies have shown the advantages of Gabor filters for the purpose of writer identification. Current study attempts to show that designing a set of such filters is domain specific however tuning of their parameters is not an easy task. Here we use genetic algorithms as a systematic approach to search in the space of filter parameters to choose a set of best filters for the problem of offline writer identification based on handwriting. Specifically, each chromosome encodes the parameters of filters and then during an evolutionary process those filters which show the best classification performance are selected. Identification was performed using two different classifiers: weighted Euclidean distance (WED) and nearest neighbor classifier (KNN). Our results show the superiority of proposed method compared with traditional Gabor filters and Gray Scale Co-occurrence matrices (GSCM).

The unit selection speech synthesis method is accounted of concatenative speech synthesis methods that it produces more natural quality speech than other approaches. So developing and improvement of this approach attracts great attraction to produce more natural output speech. Synthesis unit is one of important factors that have great effect on output quality of synthesizer systems. Using phones as synthesis unit can cause more natural output, however the discontinuity at the boundaries of concatenated phonemes can be potentially increased in output speech. In this paper, we proposed using unseen unit generation idea to eliminate discontinuities at phoneme boundaries when phone instances are used as synthesis units. In proposed method, existence discontinuities at phoneme boundaries in output speech are firstly found and then if it possible, one of adjacent phonemes of these boundaries are replaced by a suitable unseen unit. To synthesizing every unseen unit, left half phone of one existence instance of corpus are merged by right half phone of other existence instance. Perceptual Evaluations show quality output improvement due to decreasing discontinuities at boundaries.

In this paper, we propose a novel approach whereby a reinforcement learning agent attempts to understand its environment via meaningful temporally extended concepts in an unsupervised way. Our approach is inspired by findings in neuroscience on the role of mirror neurons in action-based abstraction. Since there are so many cases in which the best decision cannot be made just by using instant sensory data, in this study we seek to achieve a framework for learning temporally extended concepts from sequences of sensory-action data. To direct the agent to gather fertile information for concept learning, a reinforcement learning mechanism utilizing experience of the agent is proposed. Experimental results demonstrate the capability of the proposed approach in retrieving meaningful concepts from the environment. The concepts and the way of defining them are thought such that they not only can be applied to ease decision making but also can be utilized in other applications as elaborated in the paper.

Many definitive and approximate methods have been so far proposed for the construction of an optimal binary search tree. One such method is the use of evolutionary algorithms with satisfactorily improved cost efficiencies. This paper will propose a new genetic algorithm for constructing a near optimal binary search tree. In this algorithm, a new greedy method is used for the crossover of chromosomes while a new way is also developed for inducing mutation in them. Practical results show a rapid and desirable convergence towards the near optimal solution. The use of a heuristic to create not so costly chromosomes as the first offspring, the greediness of the crossover, and the application of elitism in the selection of future generation chromosomes are the most important factors leading to near optimal solutions by the algorithm at desirably high speeds. Due to the practical results, increasing problem size does not cause any considerable difference between the solution obtained from the algorithm and exact solution. Task parallelism causes an improving effect on proposed algorithm.

In this paper, we present a cycle-accurate co-simulation environment developed for verification and performance evaluation of OO-ASIP in our ODYSSEY design methodology. This environment is composed of a processor Instruction Set Simulator (ISS) integrated with a hardware simulator and communicate with it through socket connections. We demonstrate the effect of our co-simulation method in increasing speed of simulation without missing cycle accuracy of results by means of two case studies.

Attacks on Computer networks can be divided into four groups including denial of service (DOS), unauthorized access from remote machine (R2L), unauthorized access to super user privileges (U2R) and probing (Probe). Using information collected from a system along probing attack, an attacker can identify vulnerability of victim system and specify the kind of attack to penetrate that system. Probing attack is the preamble of other attacks, so if that attack is detected and prevented, the immunity of the system is more promoted . In this paper we use support vector machine (SVM) to detect probing attack. The results of our experiments performed on dataset provided by the DARPA intrusion detection evaluation program; show that SVM classifier outperforms many other classifiers for detection of probing attacks.

در اين مقاله يك طبقه بندی کننده فازی مبتنی بر اتوماتای يادگير سلولی پيشنهاد ميگردد. در اين طبقه بندی کننده به كمك مجموعه ای از اتوماتاهای يادگير سلولی توابع عضويت و قوانين فازی به طور اتوماتيک توليد ميشوند. از اتوماتای يادگير سلولی نا همگنِ ناهمگامِ باز به عنوان ابزاری برای يافتن بهترين ساختار توابع عضويت فازی استفاده شده است. در اتوماتای يادگيرسلولی ناهمگام باز هر سلول برا ی انتخاب عمل خود علاوه بر پاسخ سراسری محيط از نتيجه اعمال انتخابی توسط اتوماتاهای يادگير همسايه خود نيز تاث ير ميپذيرد . طبقه بندی کننده فازی پيشنهادی به ازای هر ويژگی يک اتوماتای يادگير سلولی جهت تنظيم توابع عضويت مربوط به آن ويژگی استفاده می نمايد.هر تابع عضويت مربوط به يک ويژگی به يك سلول در اتوماتای يادگير سلولی متناظر با آن نگاشت ميشود كه وظيفه آن يافتن مناسب ترين واريانس و ميانگين براي آن می باشد. طبقه بندی كننده فازی پيشنهادی بر رو ی آزمايش شده است. نتايج آزمايشات (Iris) پايگاه داده استاندارد گل زنبق نشان ميدهد كه طبقه بندی کننده پيشنهادی با استفاده از ۸ قانون ۹۷ % طبقه بندی كند که در مقايسه / فازی ميتواند دادهها را با راندمان ۳ با بيشتر روشهاي گزارش شده نتيجه بسيار خوبی می باشد.

در اين مقاله روشی جهت افزايش دقت سيستم های بازيابی تصوير مبتنی بر محتوا (Retrieva l CBIR: Content Based Image ) ارائه می شود. اين سيستم ها ابتدا به دسته بندي تصاوير پرداخته و سپس به بازيابي دسته اي از تصاوير كه مورد نظر كاربر است اقدام مي كنند. ما با انتخاب ويژگي هاي كيفي، به ارتقاء دقت دسته بندي مي پردازيم. در روش پيشنهادی قدرت دسته بندی هر ويژگی به کمک يک معيار آماری محاسبه شده و سپس به گزينش ويژگی هايي می پردازيم که قدرت دسته بندی بيشتری داشته باشند . نتايج آزمايشی نشان می دهند، تعداد کمی از اين ويژگی ها قادرند پيچيدگی محاسباتی را کاهش و دقت دسته بندی را افزايش دهند.

طبقه بندی خودکار متون از موارد کاربرد الگوریتمهای یادگیری ماشینی در مبحث بازیابی اطلاعات میباشد. در این مقاله نیز نتایج طبقه بندی خودکار متون فارسی با استفاده از معیارهای شاخص گذاری -gram ٤-gram٣ و کلمه ارائه شدهاست . در ضمن نتایج در دو حالت با حذف stop word و بدون حذف stop word های متون نیز مقایسه شدهاند. به منظور دستهبندی متون از الگوریتم یادگیری ماشینی نزدیکترین k همسایه (knn) استفاده شده است و در نهایت به منظور ارزیابی و مقایسه نتایج، دو معیار دقت و یادآوری برای هر روش شاخصگذاری نیز محاسبه شدهاند. نتایج بدست آمده نشان داد که بهترین روش شاخصگذاری متون فارسی -gram ٤ میباشد و حذف stop word ها نتایج را اندکی بهبود میبخشد.

یادگیری الکترونیکی روشی برای ایجاد سیستم آموزشی انعطاف پذیر منطبق بر سطح دانش یادگیر در هر زمان و هر مکان است. شخصی سازی، یکی از مفاهیم کلیدی در جریان آموزش و پرورش است. بر این اساس یادگیری الکترونیکی باید متمرکز روی شخص گرا بودن فرایند یادگیری شود تا به نتیجه مطلوب در یادگیری برسد. همچنین ضرورت تشریک مساعی و تعامل در محیط های یادگیری الکترونیکی امری بدیهی و لازم است. در این مقاله روشی جهت بهبود شخص گرا بودن فرایند یادگیری ارائه شده است. روش پیشنهادی ارائه ی محیطی مبتنی بر تطبیق دانش (محتوای آموزشی) بر اساس توسعه مهارت و صلاحیت یادگیر در یادگیری الکترونیکی مطرح شده است. که با تفکیک مهارت ها به دو بخش "لازمه" و "آموختن"؛ امکان یادگیری در محیط توزیع شده، منطبق بر شرایط یادگیر فراهم می شود. همچمنین برای پیاده سازی محیط یادگیری متحرک، از تکنولوژی عامل سیار استفاده شده است.