انجمن کامپیوتر ایران

در ساختار شبکه‌هاي روي تراشه سه‌بعدي، چندين لايه از اجزاء، روي هم قرار مي‌گيرند. ارتباط بين اين لايه‌ها از طريق اتصالات عمودي بين‌لايه‌اي برقرار مي‌شود. يکي از مهم‌ترين چالش‌هايي که قابليت اطمينان يک سيستم مبتني بر شبکه‌هاي روي تراشه‌ سه‌بعدي را با مخاطره مواجه مي‌سازد، اشکال همشنوايي است. در اين مقاله جهت حل اين مشکل، روش پيشنهادي با نام کدينگ شناور براي کاهش اشکال همشنوايي بر اساس پيدا کردن بهترين جانمايي بين حالت‌هاي همشنوايي موجود مي‌پردازد، طوري که دامنه‌ي از کاربردها را پوشش خواهد داد. اين روش پيشنهادي از سربار مساحت بسيار کم در برابر کارهاي پيشين بهره مي‌برند. براي ارزيابي روش‌هاي پيشنهادي، از شبيه‌ساز کامل gem5 به منظور استخراج کاربرد واقعي از بسته‌هاي محک SPEC استفاده شده است. همچنين براي سنتز واحدهاي سخت‌افزاري مختلف از ابزار Design Compiler استفاده شده است.

با توجه به اهمیت حوزه یادگیری و آموزش، شاهد به کارگیری علوم مختلف در این حوزه هستیم. در این مقاله از دیدگاه نظریه بازی به محیط یادگیری نگاه خواهیم داشت. با توجه به اهمیت نقطه تعادل نش و بهینگی پارتو در نظریه بازی‌ها،با استفاده از داده‌های یک محیط مشارکتی پویا، به بررسی میزان فعالیت یادگیرندگان در این نقاط خواهیم پرداخت. محیط مشارکتی‌ایی که داده‌های آن در این تحقیق استفاده شده است، بر پایه نظریه بازی طراحی و پیاده سازی شده است. نتایج تحقیق حاضر نشان می‌دهد که در محیط یادگیری، دستاورد بیشتر در بهینگی پارتو دانشجویان را به بازی بیشتر در این نقطه نسبت به تعادل نش راغب نموده است.

تغییرپذیری یک مفهوم کلیدی در خط محصول نرم‌افزار یا سیستم‌های قابل پیکربندی است. نخستین قدم جهت تحقق تغییرپذیری، مدل‌سازی آن در قالب مدل تغییرپذیری به عنوان یک دارایی پایه و قابل استفاده مجدد می‌باشد. یکی از فرآورده‌های مهم سازمانی، فرآيندهای حرفه هستند که در صورت عدم وجود مدل‌های مدون قبلی، می‌بایست بر اساس نگاره‌های رویداد سازمان‌ها کشف شوند. با توجه به دشواری بسیار و احتمال بالای بروز خطای انسانی در تولید مدل تغییرپذیری فرآيندهای حرفه از این نگاره‌ها، نیازمند روشی خودکار جهت استخراج مدل تغییرپذیری فرآيند حرفه در راستای کاهش هزینه و زمان و خطای احتمالی می‌باشیم. در این تحقیق به ارائه یک روش خودکار بر اساس گسترش الگوریتم آلفا پرداخته شده است. روش پیشنهادی در سه فاز به استخراج مدل تغییرپذیری فرآيند حرفه با متامدل BPFM و بر اساس نگاره‌های رویداد می‌پردازد. نتایج ارزیابی نشان دهنده آن است که روش پیشنهادی، کاربردپذیر، قابل پیاده سازی و قابل انجام می‌باشد، خروجی حاصل از آن از معیار شباهت مناسبی با خروجی مورد انتظار از آن دارد، و از شاخص‌های مناسبی نسبت به روش‌های پیشین برخوردار است.

با کاهش سایز تکنولوژی CMOS و افزایش چالش‌ها، نانولوله‌ها به‌دلیل ویژگی‌های الکتریکی، حرارتی و مکانیکی موردتوجه قرار گرفتند. بدین منظور، مدل‌سازی و شبیه‌سازی این نوع ترانزیستورها با هدف مطالعه رفتار نانولوله‌ها و درک مدارهای بر پایه این نوع ترانزیستور اهمیت می‌یابد. در اين مقاله مدل متراکم مداری دانشگاه استنفورد برای ترانزیستورهای تک‌دیواره مبتنی بر نانولوله‌کربنی توسعه داده شده است. در مدل پیشنهادی، برای مشخصه جریان-ولتاژ سه زیرباند اول در نظر گرفته شده است. در این مدل، غیرایده‌آل‌هایی مانند اثرات کوانتومی، پراکندگی فونون صوتی/نوری و پراکندگی الاستیک در ناحیه‌ی کانال، مقاومت سورس/درین، مقاومت سد شاتکی، خازن‌های پارازیتی گیت، و اثر پوششی ناشی از نانولوله‌های موازی برای CNFET با چند نانولوله درنظر گرفته‌ شده است. پیاده‌سازی این مدل توسط HSPICE انجام شده است و برای کاربردهای آنالوگ و دیجیتال مناسب است. مدل پیشنهادی ارائه شده برای ترانزیستورهای نانولوله با قطر نانولوله بزرگ‌تر از 3 نانومتر و کاربردهایی که نیاز به سرعت بالاتر دارند مناسب است. این مدل به ازای درنظرگرفتن ولتاژ منبع تغذیه بالاتر از 8/2 ولت، در مقایسه با مدل دو زیرباندی جریان بالاتری به‌دست می‌دهد.

در سال‌های اخیر، مدیریت فرآیندهای حرفه در سازمان‌ها به عنوان یکی از موضوعات حائز اهمیت در نظم‌دهی، افزایش سرعت و دقت در مدیریت تغییرات داخلی و خارجی سازمان، فراگیر شده است. یکی از مهم‌ترین فازهای مدیریت فرآیندهای حرفه، اقدامات مرتبط با پیاده‌سازی فرآیندها در سازمان است. پیاده‌سازی و به تبع آن، خودکارسازی فرآیندها نیازمند هزینه‌های اجتناب‌ناپذیری است. مدیریت این هزینه‌ها به صورتی که بیشترین تاثیر ممکن را در کوتاه‌ترین زمان ممکن داشته باشند، امر بسیار مهمی است. یکی از عوامل تاثیرگذار در موفقیت خودکارسازی فرآیندها، انتخاب صحیح نقاط شروع است. در مقاله حاضر با معرفی معیارهای تحلیل فرآیند و پیشنهاد روشی برای اولویت‌بندی فرآیندهای منتخب، نتایجی در حوزه مدیریت هزینه‌ها، کسب آمادگی لازم و تسهیل تغییر فرهنگ سازمانی به دست می‌آید.

تعامل بین فناوری و شهرها سابقه‌ای طولانی دارد. با این حال، رشد سریع و تصویب الگوی اینترنت اشیاء، ظهور حسگر‌های مینیاتوری و پیشرفت‌های تحقیق در روش‌های کلان داده‌ها و هوش مصنوعی، تغییر بزرگی در خدمات شهری ایجاد کرده و فرصت‌های جدیدی را از حمل و نقل هوشمند تا سلامت هوشمند ایجاد کرده است. از مزایای این خدمات می توان به بهینه‌سازی و بهره‌وری بیشتر از خدمات و کاربری‌های شهری اشاره کرد. با این وجود، برای ایجاد سیستم‌های سازگار، مناسب، ایمن، انعطاف‌پذیر و با انرژی مناسب برای نیازهای شهری بایستی چالش‌های بسیاری برطرف شود. یکی از مهمترین فرآیندها در شهرهای هوشمند فرآیند جمع‌آوری اطلاعات از شهروندان، دستگاه‌ها و منابع شهری است که معمولا در سیلوهای داده مجزا و ایزوله نگهداری می‌شوند. عبارت "سیلو" در سیلوهای داده برای توصیف سازمان‌هایی استفاده می‌شود که برخی از بخش‌ها با سایر افراد و ادارات در همان سازمان اطلاعاتی را به اشتراک نمی‌گذارند و یا افشا نمی‌کند. با این حال، این مشکل نه تنها در یک سازمان بلکه در بین سازمان‌ها نیز دیده می‌شود. در واقع یکی از مهمترین چالش‌های موجود در شهرهای هوشمند، عدم تبادل داده بین سازمان‌ها و یا حتی درون سازمان‌ها است. دلایل مختلفی از دلایل کاملا فنی تا دلایل سیاسی برای این امر وجود دارد. به طور مثال اغلب مدیران سازمان‌ها نگران هستند که اطلاعات حساس سازمان به افراد دیگری منتقل شود و یا از سازمان خارج شود. عدم‌ تبادل داده خود باعث عدم ایجاد و یا توسعه سرویس‌ها و کسب‌وکارهای هوشمند مبتنی بر داده می‌شود. در این حالت اغلب داده‌ها ایجاد و جمع‌آوری شده به صورت تاریک در سیلوها باقی مانده و هیچ بینشی از آنها استخراج نمی‌شود. برای حل این مسئله مهم در شهرهای هوشمند، این مقاله راه حل‌ها، معماری‌ها و استانداردهای تبادل و اشتراک‌گذاری داده را با در نظر گرفتن حریم شخصی و حاکمیت داده‌ها بررسی می‌کند.

با توجه به تولید حجم بسیار زیاد داده‌های سازمانی که توسط افراد و رایانه‌ها تولید و جمع آوری و ذخیره می‌شوند، استخراج الگوهای خاص و دانش از این داده‌ها از چالش‌های پیشروی سازمان‌ها می‌باشد. چرا که داده‌های حجیم، متنوع که با سرعت بالایی تولید می‌شوند در نهان خود الگوهای نهفته‌ای دارند که می‌تواند در تصمیم‌سازی مدیران ارشد سازمان‌ها موثر باشد. ازجمله این الگوها می‌توان به اندازهگیری و مدیریت ریسک اعتباری و مالی در سازمان‌ها و نهادها اشاره نمود. این مقاله تلاش دارد، تا با استفاده از داده‌کاوی و شبکه‌های مولد خصمانه مدلی را برای کاهش ریسک اعتباری سازمان‌های حمایتی ارائه دهد. از آنجاکه ویژگی‌های مشتریان این سازمان‌ها بطور اساسی، با مشتریان بنگاه‌های اقتصادی مانند بانک‌ها و موسسات مالی متفاوت است، ارائه مدلی که بتواند دقت ارائه تسهیلات و کاهش ریسک اعتباری به مشتریان (نیازمندان) را به کمترین میزان برساند امری حیاتی است. نتایج پیاده‌سازی بر روی داده‌های واقعی بر متقاضیان تسهیلات اشتغال کمیته امداد امام خمینی (ره) نشان داده است مدل پیشنهادی می‌تواند با دقت 86.4 درصد طبقه‌بندی پرداخت اعتبارات را انجام دهد که این میزان با استفاده از روش‌های پایه 72.1 درصد می‌باشد. لذا مدل جدید توانسته است به میزان 14.3 درصد ریسک اعتباری پرداخت تسهیلات را کاهش دهد.

موسیقی در زندگی روزمزه ما نقش بسیار مهمی دارد. انقلاب دیجیتالی، راه مصرف و تعامل با موسیقی را شدیدأ تحت تأثیر قرار داده است. ضبط موسیقی بصورت رقمی، امکان پردازش سیگنال‌های آنالوگ را به صورت رقمی، فراهم می کند. این گام از آنالوگ به دیجیتال، راه‌های جدیدی از تحقیق درباره موسیقی را باز کرده است. از جمله این تحقیقات می‌توان به شناخت سازها، کشف نت‌ها، حاشیه نویسی و طبقه‌بندی سبک‌های موسیقی اشاره کرد. ضرایب کپسترال فرکانس مل، از جمله ویژگی‌های رایج برای پردازش سیگنال‌های صوتی است. ولی این ویژگی‌ها برای گفتار مناسب‌تر از موسیقی هستند. در سال‌های اخیر، استفاده از روش‌های یادگیری داده، برای استخراج ویژگی موسیقی، طرفداران زیادی پیدا کرده است. الگوریتم فیلتر گذاری تنک، یک روش یادگیری بدون نظارت است که به کمک آن می‌توان ویژگی‌های مناسب‌تری را از سیگنال موسیقی، استخراج کرد. در این مقاله سعی شده است که از طریق این الگوریتم، ویژگی‌های صدای ساز کی برد، یادگرفته شده و نت های نواخته شده توسط آن، کشف شود. برای انجام چنین کاری، ابتدا یک طیف از صدا استخراج شده و به مقیاس مل تبدیل می‌شود که به این ترتیب ویژگی‌های اولیه بدست می‌آیند. این ویژگی‌ها دریک الگوریتم فیلترگذاری تنک استفاده می‌شوند تا ویژگی‌های بهتری یاد گرفته شوند. ویژگی‌هایی که از این روش بدست می‌آیند، به صورت بردار، برای یک طبقه بند فرستاده می‌شوند. روی نتایج حاصل از طبقه بندی داده‌های بدست آمده از هر دو روش یادگیری یعنی ضرایب کپسترال فرکانس مل و روش یادگیری فیلترگذاری تنک، ارزیابی متقاطع انجام می‌شود. نتایج آزمایشات نشان می‌دهد که دقت کشف نت از ۵/۳۸ درصد در روش ضرایب کپسترال فرکانس مل، به ۷۰ درصد در روش فیلترگذاری تنک، افزایش یافته است.

امروزه با توجه به حجم فراوان و روبه رشد اطلاعات بر روی وب و اینترنت، فرآیند تصمیم‌گیری و انتخاب اطلاعات و یا کالاهای موردنیاز، برای بسیاری از کاربران وب دشوار شده ‌است. این موضوع با عنوان مشکل سرریز داده‌ها شناخته می‌شود. سیستم‌های توصیه‌گر می‌توانند به‌عنوان یک راهنما، کاربران را در انتخاب‌های خودیاری رسانند. در این مقاله یک سیستم توصیه‌گر ارائه‌ شده‌ است که در آن اطلاعات کاربران و آیتم‌ها در قالب یک گراف بازنمایی می‌شوند؛ سپس این گراف، مانند یک گراف شبکه اجتماعی در نظر گرفته‌شده و برای تحلیل آن از الگوریتم کشف انجمن و پیش‌بینی لینک استفاده می‌شود. هر انجمن به‌عنوان یک خوشه در نظر گرفته‌ شده و پس از پیش‌بینی لینک برای شناسایی روابط پنهان بین کاربران و آیتم، پیشنهاد‌ها برای هر خوشه به‌صورت جداگانه‌ای ارائه خواهد شد. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های مبتنی‌ بر مدل که در سال‌های اخیر ارائه‌ شده‌اند، بهبود قابل‌ توجهی داشته است.

شبکه‌ی اجتماعی، ساختاری اجتماعی متشکل از مجموعه‌ای از افراد است که تعامل بین افراد را نمایش می‌دهد. در سال‌های اخیر استفاده از شبکه‌های اجتماعی گسترش یافته است، در نتیجه شبکه‌های اجتماعی به بستری مناسب و محبوب برای تبلیغ محصولات و انتشار اطلاعات تبدیل شده‌اند. مسئله بیشینه‌سازی انتشار به صورت شناسایی تاثیرگذارترین گره‌ها به منظور رسیدن به بیشترین تاثیر انتشار در یک شبکه اجتماعی معرفی می‌شود که به عنوان یک مسئله‌ی NP-Hard شناخته می‌شود. در این مقاله، الگوریتمی برای یافتن تاثیرگذارترین گره‌ها با هدف بیشینه‌سازی انتشار در شبکه‌های اجتماعی ارائه شده است. در الگوریتم پیشنهادی، برای انتخاب تاثیرگذارترین کاربران از ترکیب شناسایی جوامع گراف با شباهت کاربران استفاده شده است. برای شناسایی جوامع از الگوریتم لووین و برای ارزیابی شباهت کاربران از سه شاخص شباهت جاکارد، سالتون و سورنسون استفاده شده است. نتایج آزمایشات انجام شده بر روی مجموعه دادگان استاندارد شبکه اجتماعی مختلف، حاکی از موفقیت الگوریتم پیشنهادی دارد.

انجمن‌های آنلاین برای به اشتراک گذاشتن تجربیات و نظرات در مورد محصولات و خدمات استفاده می‌شوند. این انجمن‌ها از سایت‌های متن نظرات مانند آمازون تا شبکه‌های اجتماعی مانند توییتر را شامل می‌شوند. محتوای تولید شده توسط کاربر در پلتفرم‌های مذکور، شامل پیشنهادها و دیدگاه‌هایی است که نظر سایر کاربران و مدیران سازمان را جلب می‌کند. با توجه به حجم انبوه متون غیرساخت‌یافته، انجام پیشنهادکاوی بر روی متن نظرات از اهمیت بالایی برخوردار خواهد بود. پیشنهادکاوی یک مسئله طبقه‌بندی دودویی است که جملات را به‌عنوان پیشنهاد و غیر پیشنهاد برچسب‌گذاری می‌کند. در این مقاله مسئله تشخیص پیشنهاد از متن نظرات را بررسی کرده‌ایم. سیستم ما مبتنی بر بازیابی اطلاعات برای طبقه‌بندی متن انجام شده است. ابتدا پیش‌پردازش‌های لازم را قبل از آموزش مدل طبقه‌بندی اعمال کرده‌ایم. سپس با استفاده از الگوریتم‌های یادگیری ماشین و روش شبکه عصبی طبقه‌بندی را انجام داده‌ایم. آزمایش بر روی مجموعه داده ارائه شده در مسابقه SemEval2019-Task9 انجام شده است. نتایج پیاده‌سازی نشان می‌دهد که ارزیابی روش پیشنهادی نسبت به روش‌های پیشین به نتایج نسبتا بهتری دست یافته است.

شبکه نرم‌افزار محور برای ایجاد تغییر در معماری شبکه‌های سنتی جهت رسیدن به شبکه‌های هوشمند به وجود آمده است. اخیراً این نوع شبکه‌ها، به دلیل انعطاف‌پذیری در مدیریت سرویس‌های شبکه و کاهش هزینه‌های عملیاتی در بین سازمان‌ها محبوبیت خاصی پیداکرده‌اند. در معماری این نوع شبکه‌ها، بخش کنترل از بخش داده جدا شده و به‌صورت متمرکز سوئیچ‌های داده را مدیریت می‌کند. با توجه به گسترش روزافزون حملات در شبکه‌های کامپیوتری و اهمیت امنیت اطلاعات و لزوم ارائه درست سرویس‌ها از طریق این شبکه‌ها، یکی از مسائل مهم در شبکه‌های کامپیوتری امنیت است. وجود کنترل‌کننده متمرکز در شبکه نرم‌افزار محور مزایای قابل‌توجهی را نسبت به شبکه‌های سنتی به‌ویژه در زمینۀ تشخیص حملات فراهم می‌کند. در این مقاله، با استفاده از ساختار داده CRT-RS و رابطه آماری فاصله هلینگر الگوریتم جدیدی برای تشخیص حملات DNS Amplification ارائه شده است. استفاده از طرح (اسکچ) برگشت‌پذیر (CRT-RS) که توانایی ادغام و فشرده‌سازی ترافیک شبکه و بازیابی معکوس آدرس‌های منبع غیرعادی را دارد، موجب برطرف شدن مشکل مصرف منابع زیاد هنگام بازیابی آدرس‌های مخرب می‌شود. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی قادر است حملات DNS Amplification را در زمان واقعی با دقت و صحت مناسب تشخیص دهد، در حالی‌ که تأثیر محدودی بر عملکرد کاربران عادی داشته باشد.

شبکه‌های بین خودرویی، نوع خاصی از شبکه‌های اقتضایی متحرک (MANETs) هستند؛ که ارتباط میان وسایل نقلیه و واحدهای کنار جاده‌ای را فراهم می‌کنند. از جمله مشخصه‌های این شبکه‌ها، تحرک سریع گره‌ها و تغییرات مکرر توپولوژی می‌باشد. که بهبود این چالش‌ها موجب ایجاد تکنیک‌های جدید گردیده است. خوشه‌بندی یکی از كارآمدترین رویکردهای موجود در جهت سازماندهی ارتباطات در شبکه به شمار می‌رود. و همچنین خوشه‌بندی با ایجاد یک ستون فقرات مجازی در سطح جاده، جابجایی داده‌ها را به صورت بهینه فراهم کرده و میزان استفاده از پهنای باند را بهبود بخشیده است. در این مقاله، به تشریح ساختاری جدید در جهت ادغام خوشه‌ها و انتخاب سرخوشه جدید، پرداخته شده است. که در صورت برقرار بودن شروط تعیین شده، ادغام صورت می‌گیرد. و همچنین در فرایند انتخاب سرخوشه جدید، گره‌ای که از نظر میزان سرعت نسبی و تعداد همسایگان مشترک در بین گره‌های همپوشانی شده شرایط بهتری را داشته باشد، به عنوان سرخوشه جدید معرفی می‌گردد. نتایج شبیه‌سازی توسط نرم‌افزار ++OMNET و دو ابزارSUMO و VIENS حاکی از آن است، که الگوریتم پیشنهادی در مقایسه با الگوریتم قدرتمند PMC، از عملکرد بهتری در میانگین مدت زمان سرخوشه ماندن، میانگین مدت زمان عضو بودن گره‌ها و تعداد تغییرات سرخوشه‌ها برخوردار است.

بازشناسی احساس از گفتار، یک زمینه‌ی فعال تحقیقاتی در حوزه پردازش گفتار محسوب می‌شود. اما علیرغم پیشرفت‌های گسترده‌ای که در حوزه‌ی یادگیری ماشین حاصل شده است، کارایی سیستم‌های بازشناسی احساس از گفتار چندان مطلوب نمی‌باشد. یکی از اصلی‌ترین دلایل آن کمبود دادگان احساسی خصوصا از نوع برچسب‌دار است. در این مقاله، با الهام از پژوهش‌های انجام شده در این حوزه به یکی از راه‌حل‌های فراگیر چند سال اخیر در رابطه با افزایش دادگان یعنی شبکه‌های مولد رقابتی پرداخته می‌شود. معماری در نظر گرفته شده یک شبکه‌ی مولد رقابتی چرخشی است که با استفاده از یک مجموعه داده‌ی بدون برچسب سعی می‌کند به تولید بردارهای ویژگی جدید که بازنمایی از یک احساس مورد نظر در مجموعه داده‌ی برچسب‌دار هستند بپردازد و به این شکل منجر به افزایش داده برای مجموعه داده‌ی برچسب‌دار می‌شود. این مدل بر روی دو مجموعه‌‌ی دادگان‌ IEMOCAP و ShEMO ارزیابی شده است. نتایج حاصل حاکی از آن است که استفاده از بردارهای ویژگی تولید شده توسط شبکه در کنار بردارهای ویژگی واقعی برای مجموعه‌‌ی دادگان‌ IEMOCAP و ShEMO، به ترتیب باعث بهبود بازخوانی به میزان ۱۴درصد و نه درصد با استفاده از دسته‌بند ANN و نه درصد و ده درصد با استفاده از دسته‌بند CNN می‌شود.

در اين مقاله، برنامه‌ریزی کوتاه‌مدت تولید محصولات کارمزدی با استفاده از الگوریتم رقابت استعماری ارائه‌ شده است. با توجه به اینکه در فضای رقابتی امروز برنامه‌ریزی صحیح برای خطوط تولید از اهمیت بالایی در تعیین جایگاه شرکت‌ها و جلب رضایت مشتری برخوردار است، ارائه روش‌های به‌روز و هوشمند برای این مسئله بسیار حائز اهمیت است. با توجه به مفهوم برنامه‌ریزی تولید به‌عنوان چینش سفارش‌های تولید در محور زمان، این مسئله به‌عنوان یک مسئله جایگشت در نظر گرفته‌ شده است که در نهایت خروجی مسئله، ترتیب تولید سفارش‌های خواهد بود. نسخه گسسته الگوریتم رقابت استعماری به‌عنوان یکی از الگوریتم‌های تکاملی برای حل این مسئله در نظر گرفته‌ شده است. با در نظر گرفتن زمان لازم برای تولید هر کدام از سفارش‌های و همچنین مهلت تحویل محصولات و جریمه تأخیر به ازای هر روز تأخیر در هر سفارش، کمینه کردن جریمه کل به‌عنوان تابع هدف در نظر گرفته‌ شده است. ارزیابی‌ها نشان می‌دهد که الگوریتم پیشنهادی به‌خوبی توانسته است برنامه‌ریزی کوتاه‌مدت برای تولید محصولات کارمزدی که منجر به کمترین جریمه تأخیر شود را ارائه نماید.

در اين مقاله قصد داريم با ترکيب روش تکامل تفاضلي با درخت مدل خطي محلي، تعداد نرونهاي مدل اصلي را براي رسيدن به خطاي مشخصي کاهش دهيم و ساختار درخت مدل خطي محلي را بهينه کنيم. در واقع با استفاده از توانايي سيستم هاي عصبي- فازي و روشهاي تکاملي، سيستم همهمنظوره اي با حجم محاسبات کم و زمان اجراي پايين جهت تخمين توابع معرفي کرده، سپس کارايي آن را با الگوريتم اصلي مقايسه مي کنيم. نتايج نشان مي دهد سيستم معرفي شده داراي کارايي مناسب تري نسبت به الگوريتم اصلي و روشهای قبلی است.

معماري‌هاي مختلفي براي پياده‌سازي سخت‌افزاري ضرب پيمانه‌اي مونتگمري مورد استفاده در الگوريتم‌هاي رمزنگاري كليد‌عمومي همچون ECC، پيشنهاد شده كه هدف آنها بالا بردن كارايي بوده‌است. در اين مقاله طرح جديدي براي بخش محاسباتي ضرب‌پيمانه‌اي‌مونتگمري ارائه مي‌نمائيم كه براي سيستم رمز ECC در GF(2n) و GF(p)، مورد‌استفاده ‌قرار‌مي‌گيرد. معماري معرفي‌شده به‌صورت پايپ‌لاين قابل پياده‌سازي است. در طرح جديد علارغم اكثر معماري‌هاي شناخته‌شده، به‌جاي استفاده از CSA براي كاهش تاخير مسير بحراني از كدگذاري جديد كه كاهش حجم فضاي مصرفي را نيز به‌دنبال دارد، استفاده شده‌است. در اين مقاله با معرفي كدگذاري جديد اعداد، براي جلوگيري از انتشار رقم‌نقلي، به‌جاي استفاده از CSA در عمل جمع از جمع‌كننده‌جديدي استفاده‌شده‌است كه از CSA نيز مناسب‌تر است. در اين مقاله با تعميم چنين جمع‌كننده‌اي براي جمع اعداد علامت‌دار، علاوه‌بر افزايش سرعت پردازش تا 48% ، حجم فضاي‌مصرفي را نيز تا 54% در مقايسه با معماري‌هاي قبلي بهبود داده ‌است.

بسیاری از الگوریتم‌های ردگیری از ویژگی رنگ استفاده می‌کنند. بار محاسباتی کم و استقلال نسبت به چرخش و تغییر شکل شیء از مزایای ردگیری با استفاده از رنگ است. در شرایط حضور چند شیء با رنگ مشابه و تغییرات زیاد نور محیط، الگوریتم‌های بر پایه‌ی ویژگی رنگ دچار شکست می‌شود. الگوریتم تخمین‌گر انتقال میانگین از جمله الگوریتم‌های بر پایه‌ی ویژگی رنگ است. در این مقاله به کمک ترکیب ویژگی‌های رنگ و لبه‌ی شیء متحرک و با استفاده از الگوریتم تخمین‌گر انتقال میانگین، معایب این الگوریتم نسبت به حضور چند شیء مشابه و تغییرات نور محیط بهبود یافته است. در روش ارائه شده، ابتدا هیستوگرام ویژگی‌های رنگ و لبه‌ی شیء متحرک استخراج می‌شود. سپس برای هر ویژگی، الگوریتم تخمین‌گر انتقال میانگین اجرا می‌گردد. برای ترکیب خروجی‌های این الگوریتم به ضرایب مناسبی نیاز داریم. ما با استفاده از ضریب bhattacharya و ارائه‌ی روابط مناسب، ضرایب وزنی مورد نیاز هر ویژگی را استخراج نمودیم. موقعیت نهایی هدف از مجموع وزن‌دار خروجی رنگ و لبه‌ی الگوریتم تخمین‌گر انتقال میانگین به دست می‌آید. نتایج نشان می‌دهد که روش پیشنهاد شده نسبت به الگوریتم تخمین‌گر انتقال میانگین اولیه، در صحنه‌ای با حضور چند شیء با رنگ مشابه و در محیطی با تغییرات نوری زیاد، دارای عملکرد بهتری است.

در اين مقاله يك روش جديد در زمينه کشف جرايم الکترونيک، پيشنهاد شده است. روش پيشنهادي بر مبناي الگوی نويز تصوير و اطلاعات محلي، دوربيني که تصوير با آن گرفته شده است را تعيين مي‌کند. در اين مقاله از الگوي نويز ناشي از تغيير حساسيت سنسور به روشنايي استفاده شده است. با توجه به تحليل‌هاي انجام شده، انتظار مي‌رود بهترين مناطق براي تشخيص صحيح اين نوع نويز مناطقي با پيكسل¬هاي داراي مقدار زياد و واريانس کم باشند. براي شناسايي اين مناطق ابتدا تصوير به بلاك‌هاي غير هم پوشا شكسته شده و از هر كدام از بلاك¬ها يك سري مشخصه از جمله ميانيگن و عكس واريانس استخراج مي¬شود. بر اساس اين مشخصه‌ها، تعدادي از بلاك‌ها جهت تعيين همبستگي الگوی نويز تصوير با الگوی نويز دوربين انتخاب مي¬گردد. با توجه به حذف بلاك¬هايي كه مي‌توانند اثر منفي بر روي تشخيص داشته باشد انتظار مي‌رود تشخيص دوربين منبع بهتر انجام شود. روش پيشنهادي بر روي يك پايگاه تصوير شامل 500 تصوير مورد بررسي قرار گرفته و نتايج بدست آمده تئوري پيشنهادی را تاييد مي-كنند.

در این مقاله یک تکنیک جدید برای خلاصه کردن یک متن با توجه به ویژگی¬های زبانی عناصر موجود در متن و زنجیره¬های معنای میان آن¬ها ارائه شده¬است. در بسیاری از روش¬های موجود خلاصه¬سازی متون، تمامی توجه به ویژگی¬های آماری عناصر متن می¬باشد. در اینجا با استفاده از نظریه مرکزیت که زنجیره¬های انسجام در داخل متن را تشخیص می¬دهد، یک روش جدید خلاصه¬سازی خودکار متن ارائه می¬شود. برای پردازش متن توسط نظریه مرکزیت و استخراج یک خلاصه¬ی منسجم احتیاج به در¬هم آمیختن تعدادی از ابزارهای پردازش متن شامل روش جایگزینی ضمایر و گروه¬های اسمی با مرجع اسمی آنها (Coreference Resolution)، روش برچسب¬زنی نقش گرامری اسامی در داخل یک جمله (Semantic Role Labeling) و روش برچسب¬زنی گروه¬های اسمی (POS Tagger) می¬باشد.