انجمن کامپیوتر ایران

استخراج اطلاعات زمانی از متون یکی از زمینه های فعال در پردازش زبان طبیعی است، اما کارهای اندکی در این زمینه در زبان فارسی انجام شده است. سامانه PET یکی از معدود سامانه‌هایی است که برای «استخراج اطلاعات زمانی» در زبان فارسی توسعه یافته است. در سامانه PET از یک روش مبتنی بر قاعده برای تشخیص رویدادها و از روش «ماشین های بردار پشتیبان» برای تشخیص رابطه ی زمانی بین رویدادها استفاده شده است. در جهت ایجاد سامانه PET، یک پیکره اطلاعات زمانی به نام پرس تایم بنک گسترش یافت. در این پژوهش برای افزایش کارایی سامانه PET، علاوه بر گسترش پیکره پرس تایم بنک، سعی شده تا از روش هایی که برای تشخیص رویدادها و رابطه ی زمانی بین رویدادها در زبان انگلیسی موفق بوده اند، استفاده شود به همین منظور ابتدا با استفاده از یک روش مبتنی بر قاعده رویداهای متن اولیه برچسب زنی شد و سپس به صورت دستی اصلاح گردید. در ادامه برای تشخیص رویدادها، روش-های یادگیری با ناظر «میدان های تصادفی شرطی» و «ماشین های بردار پشتیبان» استفاده شدند. همچنین برای تشخیص روابط زمانی بین رویدادها، روش های «میدان های تصادفی شرطی» و «بی-نظمی بیشینه» مورد استفاده قرار گرفتند. نتایج آزمایشات، نشان می دهد که روش «میدان های تصادفی شرطی» در تشخیص رویدادها و روابط زمانی بین آن ها از دیگر روش ها بهتر عمل می‌کند.

تشخیص جوامع به صورت پویا یکی از مباحث مهم تحقیقاتی در شبکه های اجتماعی است. رویکردهای گوناگونی برای تشخیص جوامع به صورت پویا وجود دارد. یکی از پرکاربردترین رویکردها در این زمینه، رویکرد مبتنی بر انتشار برچسب است. روش های گوناگونی برای تشخیص جوامع مبتنی بر انتشار برچسب وجود دارد. یکی از این روش ها، روش انتشار گوینده – شنونده پویا است. روش انتشار گوینده - شنونده پویا سرعت بالایی برای تشخیص جوامع به صورت پویا در شبکه های اجتماعی دارد، با این وجود، این روش در برخی مواقع در تشخیص صحیح جوامع دچار مشکل خواهد شد. یکی از این مشکلات، این است که یک گره به یک جامعه می پیوندد بدون آنکه اتصالات درونی آن جامعه و تعداد ارتباطات گره با آن جامعه در نظر گرفته شود. این مشکل صحت تشخیص جوامع را در حالت پویا کاهش خواهد داد. در این مقاله، یک روش ترکیبی براساس روش انتشار گوینده - شنونده و روش حریصانه ی بلاندل ارائه شده است. در ادامه روش ارائه شده و روش انتشار گوینده – شنونده پویا بر روی مجموعه ی داده ای دی بی ال پی پیاده سازی شده است. نتایج این پیاده سازی نشان می دهد که روش ارائه شده از لحاظ صحت نسبت به روش انتشار گوینده – شنونده پویا بهتر عمل کرده است. همچنین زمان اجرای دو الگوریتم تفاوت چندانی ندارد.

با پیچیده شدن مسائل علمی و تخصصی شدن حوزه های تحقیقاتی، لزوم انجام کارها به صورت تیمی در راستای افزایش اثربخشی و کارآمدی فعالیت ها، افزایش یافته است. تعیین یک رهبر خوب به عنوان مدیر تیم و داشتن همکاران با صلاحیت به عنوان اعضای تیم، کلیدی برای موفقیت در پروژه ها می باشد. مسئله ی تشکیل تیم با یک رهبر، یافتن بهترین رهبر و تیمی است که علاوه بر ارضای توانمندی های موردنیاز پروژه، دارای حداقل هزینه ی ارتباطی باشد. در این تحقیق روشی برای شناسایی تیمی از متخصصین ارائه شده است که بر مبنای هرس گراف ارتباطی، رهبر و تیمی با هزینه ی ارتباطی کم را شناسایی می نماید. برای ارزیابی عملکرد، آزمایش هایی با استفاده از مجموعه داده ی واقعی DBLP انجام شده است. نتایج آزمایش ها نشان می دهد که الگوریتم ارائه شده به دلیل حذف گره های اضافی بر اساس توانمندی متخصصین و ویژگی های پروژه، نسبت به الگوریتم های مورد مقایسه کارآمدتر و سریع تر می باشد.

عدم وجود یک منبع قابل اعتماد مرکزی، باعث شده است تا سیستم های توزیع شده زیان های جدی را از حملات سایبیل متحمل شوند. در این گونه حملات یک شخص مخرب با جعل موجودیت‌های شبکه (گره) سعی دارد که کنترل سیستم را به دست گیرد یا خرابی هایی را ایجاد نماید. با بهره گیری از ارتباطات قابل اعتماد بین کاربران در دنیای واقعی، طرح های دفاعی بر اساس شبکه های اجتماعی پیشنهاد شده است تا وقوع حملات سایبیل را کاهش دهد. این راه حل ها اغلب پیچیدگی قابل توجهی دارند و با توجه به بالا بودن حجم اطلاعات در شبکه های اجتماعی قادر به ارائۀ عملکرد مناسبی نیستند. در این مقاله روشی نوین و سلسله مراتبی براساس سیستم های توزیعی ارائه می شود که با بهره گیری از ویژگی های شبکه های اجتماعی، قادر به کشف حملات سایبیل در برابر پیچیدگی‌های این نوع از شبکه ها است. آزمایشات صورت گرفته، روی داده های واقعی استخراج شده از مجموعه داده‌های فیس بوک است. نتایج حاصل شده نشان می‌دهد که روش پیشنهادی، کارایی بالاتری را نسبت به پارامترهای کارایی تعریف شده در برابر روش های مشابه قبلی دارد، با این توجه که سربار محاسباتی آن مشابه روش های پیشین می‌باشد.

با گسترش فناوری اطلاعات و تعاملات برخط، شاهد رشد چشم‌گیر اجتماعات مجازی و انجمن‌های الکترونیکی هستیم. فراوانی و توسعه انجمن‌های مجازی در عین ایجاد مزیت‌های بسیار زیاد، ما را با چالش‌های امنیتی متعددی از جمله فعالیت عوامل فریبکار و مخرب، مواجه کرده است. یکی از راه‌حل‌های کاهش چنین مسائلی بکارگیری مکانیزم‌های شهرت است که وظیفه تجمیع سوابق موجودیت‌های درون انجمن‌ها و عمومی کردن شهرت را برعهده دارند، با اینحال گردآوری و استفاده از بازخوردها و اطلاعات موجودیت‌های داخلی تک‌تک انجمن‌ها همیشه به تنهایی کافی نیست و همین امر ما را به ارائه روش‌هایی با قابلیت بکارگیری سایر منابع اطلاعاتی سوق می‌دهد. در این مقاله یک مکانیزم توزیع شده برای مدیریت شهرت در محیط انجمن‌های مجازی ارائه شده که قابلیت استفاده از بازخوردهای انجمن‌های مختلف را به عنوان منابع اضافه اطلاعات، فراهم می‌نماید. این مکانیزم برای جمع‌آوری و تجمیع اطلاعات شهرت بین انجمنی از عامل‌های واسط یا مراکز میانی گردآوری اطلاعات استفاده می‌کند و مدل محاسباتی آن بر پایه میزان اعتماد انجمن‌ها به یکدیگر می‌باشد. ارزیابی‌های صورت گرفته نشان می‌دهد که مکانیزم پیشنهادی، دقت محاسبات شهرت رابه نسبت سایر روش‌های مشابه افزایش داده است.

گسترش رسانه های اجتماعی آنلاین و افزایش تمایل کاربران و مشتریان به انتشار عقاید و نظرات خود در محیط وب، فرصتی ارزشمند برای سازمان ها جهت بررسی تمایلات و ترجیحات مشتریان و همچنین ارزیابی شهرت نام های تجاری است. هدف اصلی در این پژوهش ارائه روشی نوین جهت سنجش و رتبه بندی شهرت نام های تجاری با استفاده از روش تحلیل احساسات در شبکه ی اجتماعی توییتر است. در این پژوهش استخراج و طبقه بندی نظرات و عقاید کاربران با بهره گیری از رویکردهای ترکیبی مبتنی بر لغت نامه، الگوریتم های یادگیری ماشین و نیز روش های پردازش زبان طبیعی انجام می گیرد. نتایج نشان می دهد الگوریتم های Naïve Bayes و Support Vector Machine با انتخاب ویژگی های Tri-grams و TF بهترین عملکرد را در میان مدل های مورد آزمون داشته اند. همچنین به کارگیری مقادیر مختلف پارامتر جریمه به منظور حل مشکل ماتریس پراکنده در داده های متنی کلان, سبب افزایش کارآیی در الگوریتم های مورد استفاده شده است. نوآوری اصلی این پژوهش به کارگیری روش خودکار تحلیل احساسات و استفاده از نظرات و عقاید کاربران در شبکه های اجتماعی جهت ارزیابی و طبقه بندی شهرت نام های تجاری است. همچنین ارتقای معیارهای ارزیابی طبقه بندی کننده ها در مقایسه با مدل های پیشین تحلیل احساسات و استفاده از مجموعه ای کارآمد از ویژگی ها، از جمله سایر دست آوردهای این تحقیق می باشد.

در این مقاله روشی جدید برای نشانه گذاری سیگنال های صوتی در حوزه تبدیل موجک ارایه شده است، که در آن بیت های نشانه به منظور ایجاد مقاومت در برابر حملات، در ضرایب موجک فرکانس پایین، به روش مقیاس گذاری درج می شوند. به منظور حفظ کیفیت سیگنال صوتی نشانه - گذاری شده، فاکتور مقیاس سیگنال را به صورت تطبیقی انتخاب کردیم. برای آشکارسازی نشانه، از آشکارساز بهینهML استفاده شده است. از آن جا که کارایی آشکارساز وابسته به مدل آماری استفاده شده برای ضرایب موجک سیگنال صوتی است، ابتدا به مدل سازی آماری این ضرایب می پردازیم. نشان دادیم که توزیع آماری ضرایب موجک، بسیار نزدیک به توزیع گوسی تعمیم یافته است. لذا از این توزیع آماری برای ضرایب موجک استفاده کرده و آشکار ساز بهینه ML را براساس این توزیع طراحی کردیم. آشکارساز پیشنهادی ما به صورت کور طراحی شده است. لذا برای آشکار سازی نیازی به سیگنال صوتی اولیه نیست. روش پیشنهادی ما یک بار بدون در نظر گرفتن هیچ گونه نویزی و بار دیگر در حضور نویز بررسی شده است. نتایج تجربی نشان می دهد که روش ما در هر دو مورد مقاومت خوبی در برابر حملات مختلف از خود نشان داده است و کیفیت سیگنال اصلی بعد از درج نشانه به خوبی حفظ شده است.

روش هنجارسازي طول مجراي صوتيیکی از روش های رایج برای کاهش تاثیرات ناشی از طول‌های مختلف مجرای گفتار گویندگان است. در اين روش بااعمال يك ضريب پيچش فرکانسي روي طيف سيگنال گفتار گويندهاختلاف طول مسير صوتي بين گويندگان مختلف جبران مي‌شود. اما بدست آوردن ضريب پيچش هر گوينده امري با هزينه محاسباتي بالا است. در اين مقاله روشي براي تخمين سريع ضريب پيچش فركانسي در روش هنجارسازي VTLN ارائه شده است. براي اين منظور ابتدا تعدادی مولفه كه وابستگي قابل توجهي به گوينده دارند معرفي شده و سپس با استخراج اطلاعات آماري، تعداد 53 ويژگي از آنها استخراج شده است. سپس با استفاده از روش‌ انتخاب ويژگي مرحله به مرحله 9 ويژگي كه بيشترين تاثير را بر مقدار ضريب پيچش دارند انتخاب می نماییم. در ادامه براي تخمين سريع ضريب پيچش با اين 9 ويژگي، از روش رگرسيون خطي و با در نظر گرفتن عبارات متقابل علاوه بر عبارات تكي استفاده كرديم. نتايج پياده‌سازي نشان داد كه از ميان ويژگي‌هاي به كار رفته، ميانه گام گفتار و امتياز جنسيت بيشترين همبستگي را با ضريب پيچش دارند و وجود آن ها در ميان ويژگي‌ها الزامي است. همچنين تركيب ويژگي‌هاي انتخابي بهترين نتيجه را در بر داشته است.

مدل های گراف یا حتمالا تیاز جمله ابزارهای قدرتمندی هستند که به ما این امکان را می‌دهند که از ارتباطات بین نمونه داده ها به طور کار آمدی بهره ببریم. با استفاده از این مدل ها می تواند در یک قالب واحد و به طور همزمان به حل چند وظیفه (مانند تقطیع، آشکارسازی اشیاء و ..) در مسایل بینایی ماشین پرداخت به گونه ای که اطلاعات در بین وظایف رد و بدل شود. در این مقاله با بهره گیری از یک مدل گرافی سلسله مراتبی و با ترکیب وظایفِ تقطیع، آشکارسازی شیء و رتبه بندی صحنه سعی در بهبود دقتِ قطعه بندی تصاویر را داریم. روش پیشنهادی در مقایسه با مدل پایه و مدل های مرتبط دیگر، میانگین دقت تقطیع تصاویر مربوط به پایگاه داده MSRC-21 را به مقدار قابل توجهی بهبود داده است؛ این در حالیست که مدل پیشنهادی در مقایسه با مدل‌های رقیب بسیار سریعتر عمل می کند.

در این مقاله به تشخیص پالس بلندمدت به‌عنوان یکی از رایج‌ترین تخریب‌ها در صداهای ضبط‌ شده قدیمی می‌پردازیم. روش ارائه‌ شده، از یکی از ویژگی‌های این نوع نویز که نشان می‌دهد پالس بلندمدت با نویز ضربه‌ای آغاز می‌شود بهره برده است. در این روش، ابتدا نویزهای ضربه‌ای شناسایی می‌شوند و پس‌ از آن با توجه به اینکه در محل وقوع این نویز، انرژی سیگنال نسبت به بخش‌های قبل از آن افزایش می‌یابد، با محاسبه اختلاف انرژی در بخش‌های قبل و بعد از کلیک و اعمال آستانه‌ای بر روی آن، پالس‌های بلندمدت شناسایی می‌شوند. آزمایش‌ها بر روی سیگنال‌هایی که به‌طور مصنوعی تخریب‌ شده‌اند انجام‌ شده است و معیارهای درصد تشخیص‌های از دست‌ رفته و درصد تشخیص‌های نادرست و همچنین میانگین اختلاف محل شروع تشخیص با محل شروع واقعی نویز برای ارزیابی روش، مورد استفاده قرار گرفته‌اند. آزمایش‌ها نشان می‌دهد که این روش توانسته تمام پالس‌ها را با مقدار اختلاف کمی شناسایی کند. آزمون شنیداری به کار گرفته شده نیز که به منظور مقایسه روش پیشنهادی با حالتی که مکان نویزها از قبل مشخص است حاکی از عملکرد خوب روش پیشنهادی است.

سرطان سینه یکی از شایع‌ترین بیماری‌های زنان در جهان و همچنین در ایران می‌باشد که تشخیص زود هنگام این بیماری می‌تواند در درمان آن بسیار موثر باشد. استفاده از روش‌ها و تکنیک‌های پردازش تصویر و شناسایی الگو در تشخیص خودکار سرطان از روی تصاویر ماموگرافی باعث کم شدن خطاهای انسانی و افزایش سرعت تشخیص می‌شود. در این مقاله با استفاده از تکنیک‌های پردازش تصویر به تحلیل و بررسی تصاویر ماموگرافی پرداخته شده است و یک ساختار دومرحله‌ای برای قطعه‌بندی و تشخیص توده‌های سرطانی پیشنهاد شده است. در مرحله نخست، کیفیت تصاویر ماموگرام و کنتراست نواحی غیرنرمال موجود در تصویر، با استفاده از روش تعدیل هیستوگرام بهبود می یابد. سپس بخش‌های اضافی از قبیل برچسب‌های موجود در تصاویر، به کمک روش مولفه‌های متصل، از تصویر حذف می‌گردد. به‌علاوه برخی ویژگی‌های دیگر از قبیل بافت پکتورال که بسیار شبیه ویژگی‌های توده سرطانی می‌باشد، در مرحله پیش‌پردازش از تصویر اصلی حذف شده و در نهایت با استفاده از روش ماتریس وزن اختلاف سطح خاکستری (GDWM)، نواحی مشکوک در تصاویر از تصویر اصلی جدا می‌گردد. در این مرحله، صحت تشخیص موارد سرطانی برای تصاویر دادگان DDSM برابر با 97.83 درصد می‌باشد؛ اما در این حالت نرخ تشخیص موارد غیرسرطانی (مثبت نادرست) بالاست، به منظور کاهش تعداد نمونه‌های مثبت نادرست، در مرحله دوم، تعدادی ویژگی مرتبط با بافت از تصاویر استخراج شده و موارد نرمال و سرطانی با کمک دسته بند ماشین بردار پشتیبان (SVM) از هم تفکیک شده است. صحت تشخیص نهایی، در روش پیشنهادی 98.45 درصد و دقت و بازخوانی به ترتیب 100 درصد و 96.94 درصد به دست آمده است که از درصد تشخیص بیان شده در روش‌های مشابه بالاتر است.

با توجه به اینکه شبکه‌های عصبی عمیق در مدل‌ کردن زیرفضا‌های پیچیده و غیرخطی از توانایی بالایی برخوردار هستند، استفاده از آنها در بازشناسی گفتار در چند سال اخیر بسیار مورد توجه قرار گرفته است. استخراج ویژگی‌های گلوگاهی یکی از ترفندهایی است که سیستم‌های بازشناسی گفتار را قادر می سازد، از توانایی‌شبکه‌های عصبی عمیق در مدل‌ کردن زیرفضاهای غیرخطی استفاده کنند. در این مقاله روشی جهت استخراج ویژگی‌های گلوگاهی مقاوم نسبت به نویز ارائه شده است که در آن از روش آموزش با آگاهی از نویز استفاده شده است. در روش پیشنهادی در هنگام آموزش شبکه‌های خود کد کننده، در لایه‌ی بعد از لایه گلوگاه اطلاعاتی از نویز به‌صورت یک ورودی جدید به شبکه خود کد کننده وارد می‌شود و موجب استخراج ویژگی‌های گلوگاهی نسبتا مستقلی از نویز خواهد شد که در شرایط نویزی در مقایسه با ویژگی‌های گلوگاهی رایج از مقاومت بالاتری برخوردار هستند. مزیت اصلی روش پیشنهادی نسبت به روش آموزش با آگاهی از نویز معمول در عدم نیاز به تخمین نویز در هنگام بازشناسی است، در حالی که روش رایج آموزش با آگاهی از نویز هم در هنگام آموزش و هم در هنگام بازشناسی به تخمینی از نویز نیاز دارد. کارایی روش پیشنهادی در یک سیستم تشخیص فرمان‌های صوتی مورد ارزیابی قرار گرفت. نتایج حاصله نشان می‌دهد که روش پیشنهادی دقت سیستم تشخیص فرمان را تقریبا 5 درصد در شرایط نسبت سیگنال به نویز کم و تقریبا 5/2 درصد شرایط نسبت سیگنال به نویز زیاد، بهبود داده است.

الگوریتم K2 که جزء روش‌های شناخته شده و پرارجاع یادگیری ساختار شبکه‌های بیزی است، نیازمند یک ترتیب از متغیرهای تصادفی به‌عنوان ورودی می‌باشد. دقت ساختار حاصل از این الگوریتم به‌طور مستقیم به صحت ترتیب ورودی وابسته است. با این وجود، تعیین یک ترتیب کاملاً صحیح و بدون خطا در عمل امکان‌پذیر نمی‌باشد. رویکردی که در این مقاله برای غلبه بر این چالش مورد استفاده قرار می‌گیرد، تجمیع چند ترتیب مختلف (با درجات مختلفی از دقت) با هدف افزایش صحت ترتیب نهایی می‌باشد. به‌طور خاص، تجمیع ترتیب‌ها با درنظر گرفتن دقت هر ترتیب انجام می‌پذیرد و برای تخمین دقت هر ترتیب، از الگوریتم مبتنی بر سازگاری‌ها/ناسازگاری‌ها استفاده می‌شود. برای رفع تناقض‌های محتمل، حاصل تجمیع به‌صورت یک گراف مدل شده و با استفاده از نسخه‌ی حریصانه‌ی الگوریتم انتخاب زیرگراف بدون دور با بیشترین وزن، تناقض‌ها برطرف می‌شوند. نتایج آزمایشات برروی شبکه‌های بیزی استاندارد نشان می‌دهد که استفاده از حاصل تجمیع ارائه شده در این مقاله باعث افزایش دقت الگوریتم K2 می‌شود.

با افزایش روز افزون حجم اطلاعات ذخیره ‌شده در شبکه هاي جهانی وب و زیرمجموعه هاي آن همانند شبکه‌های اجتماعی، فرآیند بازیابی و استخراج اطلاعات اهمیت ویژه اي یافته است. سیستم‌های پرسش و پاسخ شکل پیچیده‌تری از سیستم‌های بازیابی اطلاعات هستند که نتایج بازیابی شده را در قالب پاسخی مستقیم و اجمالی به کاربر ارائه می‌دهند. سیستم ارائه شده در این مقاله یک سیستم پرسش و پاسخ دامنه باز مبتنی وب است. در بخش طبقه بندی پرسش، جهت بهبود کارایی طبقه بندی از ویژگی های مختلف لغوی، نحوی و معنای استفاده‌ شده است. در بخش استخراج پاسخ، ویژگی های مختلف آماری، نحوی و معنایی استخراج می شود. در بخش طبقه بندی پاسخ، برای افزایش کارایی از یک طبقه بند ترکیبی استفاده ‌شده است. میزان معیار دقت بر روی مجموعه ای با تعداد 200 پرسش شامل پرسش های دستی و پرسش های حقایق TREC-10 برابر با 78 درصد به دست آمده است که نشان ‌دهنده قابل ‌قبول بودن عملکرد سیستم است.

تحقیقات نشان می دهد که در نظر گرفتن سبک یادگیری، باعث افزایش کیفیت یادگیری می‌شود. فرآیند ساخت مدل در سیستم آموزشی هوشمند، مدلسازی یادگیرنده نامیده می شود. مدل یادگیرنده شامل ویژگی‌هایی مانند دانش، علایق، اهداف، پیش زمینه، رفتار احساسی، خصلت‌های فردی، خصوصیات شناختی و سبک ‌یادگیری می باشد. با استفاده از این ویژگی ها رفتار یادگیرنده و چگونگی پردازش اطلاعات کاربر پیش‌بینی و در نتیجه سرویس های آموزشی منطبق بر نیازهای وی ارائه خواهد شد. در گذشته آموزش بر این قرار بود که تدریس به صورت معلم محور بود و معلم تنها ارائه دهنده ی اطلاعات و دانش آموزان پذیرنده ی غیرفعال این سیستم بودند، این نگاه نگاه یک بعدی به بحث آموزش بود. ولی در سال های اخیر به این جنبه توجه شده است که دانش آموزان باید با یادگیری و بحث آموزش درگیر شوند تا بتوانند داشته های خود را انتقال دهند و آموزش یاران باید به دانش آموزان این امکان را بدهند به این آموزش، آموزش مشارکتی گفته می شود. سبک یادگیری به ترجیحات و روش ِفرد برای یادگیری اشاره می کند. در این مقاله از روش مارکوف و درخت تصمیم برای تشخیص سبک یادگیری استفاده شده است و برای بهبود این روش ها از الگوریتم MFMC و PCA استفاده شده است. نتایج حاصل، نشان دهنده دقت خوب روش پیشنهادی در مقایسه با روش های دیگری که از درخت تصمیم بهره گرفته اند، می باشد.

مدل‌سازی موضوعی یکی از روش‌های مرسوم یافتن موضوعات نهان در مجموعه‌ی اسناد می‌باشد. اکثر روش‌های مدل‌سازی موضوعی به صورت بدون نظارتی می‌باشند و معمولا از انسجام لازم برخوردار نیستند. برای افزایش دقت و کیفیت موضوعات تلاش شده تا از دانش کاربران به عنوان اطلاعات اولیه در مدل‌سازی استفاده شود. استفاده از دانش‌کاربران هزینه‌بر می‌باشد. برخی روش‌ها استفاده از دانش کاربران را کنار گذاشته و برای بهبود نتایج سعی کرده‌اند از پایگاه‌های دانش و یا دانش حاصل از مجموعه‌های مشابه استفاده کنند. فرض ما در این مقاله این است که مجموعه‌ی سندی مورد بررسی برای یک سازمان با دامنه‌لغات و دانش خاص خود می‌باشد و مجموعه‌ي اسنادی مشابه با آن در دسترس نیست. در این صورت استفاده از پایگاه‌های دانشی‌ای همچون وردنت و یا ویکی‌پدیا بر روی چنین مجموعه‌ای توجیه پذیر نیست. در این مقاله تلاش شده تا تنها با تکیه بر دانش نهفته در مجموعه‌ی اسناد و بدون کمک گرفتن از دانش خارجی، مدل‌سازی موضوعی بهبود داده شود و موضوعاتی منسجم‌تولید گردد. این دانش بر اساس ارتباط-بایسته و ارتباط-نبایسته میان تعدادی از کلمات مجموعه می‌باشد. نمودارها نشان‌می‌دهد که روش پیشنهادی موجب بهبود در نتایج شده است.

داده های سری زمانی، مجموعه ای از مقادیر می باشند که به صورت متوالی و در زمان های مشخص ثبت شده اند. هدف از پیش بینی سری های زمانی ارائه ی یک مدل به منظور توصیف رابطه ی بین داده ها بر اساس مشاهدات گذشته است. بر اساس مدل به دست آمده، مقادیر متغیرها برای زمان های آینده پیش بینی میشود. در این مقاله روشی مطمئن به منظور تخمین سری های زمانی مالی مبتنی بر مدل رگرسیون بردار پشتیبان و جستجوی هارمونی بهبود یافته ارائه شده است. مدل رگرسیون بردار پشتیبان به دلیل قدرت یادگیری بالا و استخراج ساختاری مناسب از مجموعه داده، ابزار مناسبی به منظور تخمین سری های زمانی مالی است. یکی از مشکلاتی که در استفاده از مدل رگرسیون بردار پشتیبان وجود دارد، تعیین مقادیر پارامترها می باشد که در روش پیشنهادی به منظور تعیین مقادیر بهینه برای پارامترها از روش جستجوی هارمونی بهبود یافته استفاده شده است که با جستجو در فضای مسئله، بهینه ترین مقادیر را برای هر یک از پارامترها می یابد. بهبود جستجوی هارمونی شامل پیش پردازش جمعیت اولیه با استفاده از الگوریتم تکامل تفاضلی، بهبود پارامترهای کنترلی PAR و BW در جستجوی هارمونی و هدایت بردارهای هارمونی به سمت موقعیت بهترین بردار هارمونی می باشد. روش پیشنهادی بر روی دو مجموعه داده ی مالی معتبر مورد ارزیابی قرارگرفته است و بر اساس نتایج بدست آمده، روش پیشنهادی به میانگین خطای 228/2 بر روی دو پایگاه داده معتبر دست یافته است که در مقایسه با سایر روش های بهینه سازی که به منظور تنظیم پارامترهای رگرسیون بردار پشتیبان مورد استفاده قرار گرفته اند، کمترین میزان خطا را بین مقادیر تخمینی و مقادیر واقعی سری بدست آورده است.

سنجش شباهت معنایی واژگان از جمله مساله‌های مهم در پردازش متن و زبان طبیعی است که در بسیاری مسائل نظیر ساخت وردنت و استخراج روابط معنایی از متن کاربرد دارد و معیارهای زیادی برای این منظور پیشنهاد شده است. اما تاکنون مقایسه جامعی بین آن‌ها در زبان فارسی صورت نگرفته است. در این مقاله دقت چندین معیار شباهت سنجی توزیعی مورد بررسی قرار گرفته است و با تحلیل نقاط قوت و ضعف آن‌ها، چندین معیار ترکیبی ارائه شده است. آزمایش‌ها نشان می‌دهند که PMI با ۴۲% بیشترین دقت را بین معیارهای توزیعی دارد و بهترین معیار ترکیبی ارائه شده توانسته است دقت آن را ۱۶% بهبود بخشد.

سرویس های مبتنی بر موقعیت (LBS)، تکنولوژی های مهم در حال افزایش می‌باشند که نقش حیاتی را در زندگی مدرن ایفا می‌کنند و مبنای اساسی این سرویس ها بدست آوردن مکان فیزیکی است. با حضور فراگیر گوشی های هوشمند دارای وای فای و گسترش نقاط دسترسی، تعیین موقعیت مبتنی بر بی سیم یکی از پرکاربردترین روش های تعیین موقعیت داخلی می باشد. راه‌حل های موجود برای تعیین موقعیت مبتنی بر بی سیم، نیازمند دقت بالا و مصرف انرژی کمتری برای بروزرسانی های دوره‌ای هستند، که این امر مانعی برای پیشرفت این سیستم ها بر روی گوشی های تلفن همراه می شود، چرا که موانع و اختلالات منجر به بروز خطاهایی در تعیین دقیق موقعیت می شوند. ما در این مقاله یک الگوریتم کارآمد، بهنام CMLoc ارائه می نماییم، که با استفاده از خوشه بندی گوشی های همراه و ترکیب تکنولوژی های بی سیم و بلوتوث، منجر به تعیین موقعیت داخلی با دقت بالا می شود. در این مقاله، الگوریتم تعیین موقعیت پیشنهاد شده را با استفاده از پیاده سازی نمونه ی اولیه مورد ارزیابی قرار دادیم. نتایج نشان می دهد، این روش نسبت به روش های موجود دیگر دقت بالایی دارد و همچنین مصرف انرژی را نیز کاهش می دهد.

انتخاب مناسب نوع و تعداد گره های کنترل شونده، نقش مهمی در بهبود کنترل پذیری و عملکرد شبکه های دینامیکی دارد. در این مقاله انتخاب گره های کنترل شونده بر اساس معیارهای مرکزیت گره ها در شبکه انجام شده است. برای هر معیار، کنترل پذیری و عملکرد حرکت همگام در شبکه های دینامیکی مورد مطالعه قرار گرفته است و کمینه تعداد گره های کنترل شونده به منظور دستیابی به عملکرد مطلوب، برای چندین مدل ساختاری شبکه ها بدست آمده است. نتایج بررسی کنترل پذیری گیره ایی در شبکه های دینامیکی تصادفی نشان می دهد که کمترین تعداد گره های کنترل شونده، برای معیار مرکزیت میانی است. مشابه همین نتیجه برای شبکه های جهان کوچک نیز برقرار است با این تفاوت که در شبکه های متراکم تر، تعداد گره های کنترل شونده افزایش می یابد. بررسی نتایج در شبکه های مستقل از مقیاس نشان می دهد که معیار مرکزیت نزدیکی انتخابی مناسب بوده و بخصوص در شبکه ها با تعداد گره های بالاتر، منجر به کاهش تعداد گره های کنترل شونده می شود. نتیجه مهم دیگر، کاهش تعداد گره های کنترل شونده برای یک عملکرد مطلوب و بهبود کنترل پذیری با افزایش ضریب همسایگی در شبکه های جهان کوچک است.