انجمن کامپیوتر ایران

در پي گسترش روزافزون شبکه‌هاي رايانه‌اي، محققان به فکر طراحي راهکارهاي نوين براي بهينه‌سازي اين ارتباطات افتاده‌اند؛ در اين زمينه، به‌علت وجود بخش کنترلي پيچيده روي سوئيچ‌ها و مسيرياب‌ها، نبود مکانيسم‌هاي بهينه کنترلي به چالش بزرگي تبديل‌ شده است. بدين منظور، بخش انتقال داده و کنترل در شبکه‌هاي سنتي جدا شده و هر گونه عمليات کنترلي به يک کنترل‌کننده منطقاً متمرکز داده‌ شده است. به اين شبکه‌ها، شبکه‌های نرم‌افزارپذیر گفته مي‌شود. براي طراحي توپولوژي بخش کنترلي، دو نوع کنترلر متمرکز و توزيع‌شده بکار مي‌رود. وجود خرابي فروپاشی در این نوع شبکه‌ها منجر به بروز اختلال در ارتباط اجزاء با کنترلر مي‌گردد. به همين دليل، بهبود قابلیت اطمینان و به‌خصوص تحمل‌پذيري خطا بسيار حائز اهميت مي‌باشد. در این پژوهش، کنترل کننده‌های توزیعی کامل و سلسله‌ مراتبي مورد بررسي قرار گرفته و یک مدل قابلیت اطمینان بهبود‌یافته ارائه گردیده است. شبکه نرم‌افزار پذیر توزیع‌شده با استفاده از نرم‌افزار ONOS طراحی گردیده و مدل قابلیت اطمینان براساس توابع توزیع وایبول و نمایی با استفاده از نرم‌افزار SHARPE محاسبه شده‌ است. نتایج حاصل از شبیه‌سازی بیانگر بهبود قابلیت اطمینان در کنترل کننده‌های توزیع‌ شده بوده و مدل پیشنهادی برای تشخیص خرابی‌هایی مانند بیزانتین نیز می‌تواند بکار برده‌ شود.

از حافظه های نهان روی تراشه برای کاهش اختلاف سرعت پردازنده و حافظه اصلی و دسترسی هر چه سریعتر به عناصر حافظه استفاده می شود. در پردازنده ‏های امروزی، حافظه نهان بخش زیادی از مساحت کل تراشه را اشغال می کند و همچنین درصد قابل توجهی از توان مصرفی کلی تراشه را به خود اختصاص می دهد. به همین دلیل کم کردن توان مصرفی این واحد تاثیر قابل توجهی در توان مصرفی کل تراشه خواهد داشت. در این مقاله با ارائه معماری برچسب فشرده ‏شده سعی در کاهش توان مصرفی ناشی از ذخیره سازی و بازیابی برچسب را داریم. در این روش، با استفاده از یک بافر محلی و یک تکنیک ذخیره سازی، مکانیزم جدیدی از نگاشت برچسب در حافظه ی نهان معرفی شده است. ایده اصلی این طرح فشرده کردن بخش برچسب داده‏ هایی است که برچسب یکسانی دارند. در این مقاله نشان داده خواهد شد که وجود محلیت مکانی احتمال شباهت برچسب‏ ها در حافظه نهان را بالا می برد که می توان با سربار ناچیز سخت افزاری آنها را فشرده کرده و بهبودی حدود 30% در مصرف توان الکتریکی حافظه های نهان روی تراشه را بدست آورد.

از وظايف اصلی پردازنده‌های شبکه‌ای دسته‌بندي بسته‌ها می‌باشد. اين فرآيند خودکار، جريان هاي ترافيکي شبکه را براساس پارامترهاي متعدد از جمله آدرس فرستنده و گيرنده دسته بندي مي‏نمايد. هر چند، تسريع الگوريتم هاي دسته‌بندي بسته‏ ها از طريق پياده‌سازي سخت‌افزاري آنها ممکن است، اين راه‌حل‌ هزينه بالا و توسعه‌پذيري محدودي دارد. در مقابل، روش‌هاي نرم‌افزاري که اين مشکلات را برطرف مي‌کنند، سرعت پائيني دارند. يک ايده کليدي براي رفع اين مشکل، موازي‏ سازي دسته بندي بسته‏ ها مي‏ باشد. در اين پژوهش، الگوريتم‏ هاي جستجوي فضاي چندتايي و فضاي هرس ‏شده به چهار روش Thread ،PPL،OpenMP و TBB بر روی پردازنده های چندهسته ای موازي‏ سازی شده ‏اند. پیاده سازی نسخه های موازی شده الگوریتم های انتخابی روی بسترهای چهارگانه مذکور و ارزیابی آن ها به کمک مجموعه قوانین و بسته های آزمون، نشان دهنده بهبود کارایی آنها در هر چهار روش است. همچنین، نتایج نشان می دهد بیشترین تسریع دسته بندی بسته ها در نسخه موازی شده با TBB و حدود 91/7 می باشد.

با ظهور متدولوژی چابک تعاریف مختلفی برای آن عنوان شد و براساس این تعاریف و قوانین مربوط به این تعاریف، متدهای مختلفی به وجود آمد که نقطه اشتراک همه آن‌ها چرخه تکرار کوتاه، بازخورد سریع مشتری و یادگیری است. این متدها به علت تکیه بر میزان رضایت مشتری و ارائه راه‌حل با استفاده از تیم نرم‌افزاری خود سازمانده مورد توجه است. در سال‌های اخیر تفکر ناب که ابتدا در حوزه خودروسازی مطرح شده بود، وارد صنعت نرم‌افزار شد و به تنهایی یا به صورت ترکیبی با متدهای چابک مورد استفاده قرار گرفت. تفکر ناب به دنبال بالا بردن ارزش‌های تعریف شده در توسعه نرم‌افزاری و کاهش اتلاف‌های آن است. با توجه به تأثیر مثبت این تفکر بر روی متدهای چابک بررسی انواع اتلاف‌های این تفکر در این متدها مورد اهمیت است. ما در این مقاله به بررسی انواع اتلاف ناب و مقایسه میزان این اتلاف‌ها در پنج متد چابک می‌پردازیم تا میزان تطابق آن‌ها با تفکر ناب مشخص شود.

در فرایند توسعه نرم افزار، کشف خطا اهمیت بالایی در کیفیت نرم افزار دارد. اگر خطاهای نرم افزار در مرحله طراحی یعنی قبل از پیاده سازی و اجرای آن کشف گردد، می توان کیفیت نرم افزار را به سطح قابل قبولی رساند. برای رسیدن به این هدف، ارزیابی صحت رفتار و اعتبارسنجی نمودارهای UML (Unified Modeling Language( می تواند نقش مهمی را در رویداد کشف خطا در مرحله طراحی، ایفا نماید. بررسی صحت رفتار و اعتبارسنجی نمودار توالی UML نیازمند تولید مسیرهای آزمون و ردیابی حالت های اجرایی تعامل ها در این نمودار است. در این مقاله سعی شده است با استفاده از شبکه های پتری رنگیمدل قابل اجرایی از تعامل های بیان شده در نمودار توالی UML، ارائه گردد که با استفاده از این مدل و اجرای آن بتوان به ردیابی حالت های اجرایی تعامل ها در نمودار توالی پرداخت. نتایج حاصل شده از مدل نشان می دهد که مدل قابل اجرای ایجاد شده، تمام حالت های اجرایی ممکن در نمودار توالی را شناسایی و استخراج می نماید، بنابراین این مدل می تواند به عنوان مدلی برای ارزیابی صحت رفتار و اعتبارسنجی سیستم بکار گرفته شود.

تخمین حرکت، یکی از اجزای کلیدی افزایش نرخ قابدر دنباله‌های ویدئویی است. افزایش نرخ قاب به طور کلی شامل دو مرحله است: تخمین حرکت و درون‌یابی قاب توسط جبران حرکت. در تخمین حرکت، مسیر حرکت بین دو قاب همسایه دنبال می‌شود و بردارهای حرکت تخمین زده می‌شوند. قاب درون‌یابی‌ شده توسط این بردارهای حرکتی به‌دست می‌آید. کیفیت قاب درون‌یابی‌ شده به‌شدت به الگوریتم تخمین حرکت وابسته است. در این مقاله، چهار الگوریتم تخمین حرکت مختلف تحلیل و مقایسه شده‌اند. این چهار الگوریتم عبارتند از: تخمین حرکت یک طرفه، تخمین حرکت دوطرفه، تخمین حرکت تلفیقی از تخمین حرکت روبه جلو و روبه عقب و تخمین حرکت تلفیقی از تخمین حرکت روبه جلو و دوطرفه. در این مقاله، عملکرد الگوریتم‌ها از لحاظ کیفیت بصری، میانگین PSNR و پیچیدگی محاسباتی، مقایسه شده است.

نخستین گام برای ایجاد بسیاری از سیستم‌های خودکار تحلیل تصویرهای شبکیه چشم، جداسازی رگ‌ها است. در این مقاله روشی مبتنی بر تبدیل مورفولوژی تاپ‌هت برای جداسازی رگ‌ها ارائه می‌دهیم که با استفاده‌ی مناسب از خطی بودن شکل رگ‌ها در تصویر شبکیه، رگ‌ها را تقویت و درعین‌حال پس‌زمینه را یکنواخت‌تر می‌کند. درنهایت روش پیشنهادی را روی مجموعه تصویرهای استاندارد آزمایش و با سایر روش‌ها مقایسه می‌کنیم. نتایج الگوریتم پیشنهادی، هم به‌صورت کمی و هم به‌صورت کیفی بررسی‌شده‌اند. کد برنامه نیز برای بازتولید نتایج در دسترس قرار داده‌ شده است.

گفتار طبیعی ترین و سریع ترین راه برقراری ارتباط میان انسان‌ها است از این رو انگیزه ای در محققان ایجاد کرده است که با استفاده از این روش به تعامل سریع و مؤثر بین انسان و ماشین فکر نمایند. برخلاف پیشرفت هایی که در حوزه بازشناسی گفتار صورت گرفته است، ما هنوز از یک تعامل طبیعی میان انسان و ماشین دور هستیم زیرا ماشین قادر به تشخیص حس گفتار و تولید بازخورد متناسب با احساس درک شده نیست. در طراحی سامانه های تشخیص احساس از گفتار دو مرحله اساسی وجود دارد: 1- انتخاب ویژگی مناسب برای نمایش سیگنال گفتار 2- آموزش مدل دسته‌بند با داده های آموزشی. از آنجا که بسیاری از سامانه های پیشنهاد شده دارای یک مدل دسته‌بند می باشند ما در این مقاله، با استفاده از تئوری احساسات دوبعدی و نمودار مدور ترکیبی احساسات، سامانه ای ‌با ترکیب دو مدل دسته‌بند مدل مخفی مارکوف و بردارتکیه گاه ماشین پیشنهاد کرده ایم. در مرحله اول از ویژگی های عروضی و در مرحله دوم از ویژگی های کپسترال استفاده شده است. درصد دقت بازشناسی در سامانه ‌یپیشنهادی برای ارزیابی مستقل و وابسته به گوینده به ترتیب 67/81 و 35/87 به دست‌ آمده است.

تبدیل صورت نوشتاری به صورت تلفظی و دنباله واجی یکی از بخش‌های اصلی سامانه‌های تبدیل متن به گفتار است. در زبان فارسی تبدیل صورت نوشتاری جمله به دنباله تلفظی آن به دلیل حذف واج‌های صدادار کوتاه و نیز وابستگی تلفظ کلمه به جایگاه آن در جمله به مراتب از زبان‌های دیگر سخت‌تر است. روش‌های کنونی برای زبان فارسی که عمدتاً در سیستم‌های تجاری مورد استفاده قرار گرفته‌اند از بخش‌های متعدد و مدل‌های پیچیده برای پردازش زبان طبیعی و عملیات رفع ابهام در تشخیص تلفظ صحیح کلمه برخوردارند که باعث سختی پیاده‌سازی و کاهش دقت کلی سامانه می‌شوند. در این مقاله ما مسئله تبدیل صورت نوشتاری به صورت تلفظی را به عنوان یک مسئله نگاشت بین دنباله‌ای در نظر می‌گیریم و با استفاده از شبکه‌های عصبی بازخوردی تعدیل شده اقدام به ساخت روشی هوشمند و یکپارچه برای این منظور می‌نماییم. شبکه‌های عصبی بازخوردی به نحوی تعدیل شده‌اند که علاوه بر دوطرفه بودن به واحدهای حافظه LSTM نیز مجهز هستند تا از اطلاعات بافتی دنباله جهت تصمیم‌گیری و نگاشت، بیشترین استفاده را کنند. آزمایش‌های انجام شده در این مقاله نشان می‌دهند که شبکه‌های بازخوردی تعدیل‌شده (BRNN-LSTM) علاوه بر داشتن ساختاری یکپارچه و منظم دارای عملکرد بسیار مناسبی در تشخیص تلفظ صحیح عبارت‌های فارسی با دقتی بیش از 98 درصد هستند.

ترمیم تصاویر دیجیتال، یکی از حوزه های پردازش تصویر است که امروزه مورد توجه محققان بسیاری قرار گرفته است. این رشته به خصوص در بازیابی تصاویر، حذف نویز و حذف اشیای نامطلوب از تصویر کاربرد فراوانی دارد. در میان الگوریتم های مختلفی که تا کنون معرفی شده اند، الگوریتم های مبتنی بر نمونه ترمیم تصویر به دلیل سرعت و دقت بالا، مبنای بسیاری از پژوهش های این حوزه قرار گرفته اند. این الگوریتم ها اگر چه ساده، سریع و کارآمد هستند، اما در ترمیم تصاویر با ساختارهای خطی پیچیده، با مشکل مواجه و دچار خطاهای جدی می شوند. محدودیت این الگوریتم ها در ترمیم ساختارهای خطی، موضوعی است که تا کنون به آن کم تر پرداخته شده است. در این مقاله، با استفاده از همسان سازی تصویر به روش Anisotropic Diffusion الگوریتم جدیدی ارائه می شود که ضمن افزایش دقت و کیفیت ترمیم تصویر، بر مشکل فوق نیز غلبه می کند. نتایج حاصل از ارزیابی الگوریتم پیشنهادی این مقاله و مقایسه آن با الگوریتم های موفق در حوزه ترمیم تصویر، نشان می دهد الگوریتم ارائه شده، در دقت و کیفیت ترمیم تصویر، پیشرفت چشمگیری ایجاد کرده است.

در این مقاله، یک الگوریتم نشان‌گذاری تصویر دیجیتال در فضای رنگی YCbCr و حوزه‌ی تبدیل DCT ارائه گردیده که از روش مبادله‌ی ضرایب برای جاگذاری بیت‌های نشانه در مؤلفه‌ی Y تصویر اولیه استفاده می‌کند. در روش پیشنهادی، به‌منظور پراکنده نمودن اعوجاج‌های حاصل از نشان‌گذاری و همچنین افزایش مقاومت در برابر حملاتی ‌مانند حمله‌ی برش، مؤلفه‌ی Y تصویر اولیه و همچنین تصویر نشانه، توسط تبدیل آرنولد درهم‌ریخته می‌شود. سپس جهت جاگذاری بیت‌های نشانه، دو ضریب DCT از باند میانی که به‌طور متوسط مقادیر آن‌ها کمترین فاصله را در تمام بلوک‌ها نسبت به هم داشته باشد، انتخاب گردیده تا تأثیر سوء تبادل ضرایب بر روی شفافیت نشان‌گذاری کاهش یابد. پس‌ از آن به جهت ایجاد تعادل میان شفافیت و مقاومت نشان‌گذاری، متغیر فاصله‌ی اطمینان D را تعریف نموده و در صورتی‌که تفاضل مقدار دو ضریب کمتر از متغیر D باشد، مقدار ضریب بزرگ‌تر را تا رسیدن به مقدار متغیر D افزایش می‌دهد. نتایج ارزیابی، افزایش مقاومت روش پیشنهادی نسبت به سایر الگوریتم‌هایی که از رویکرد تبادل ضرایب استفاده می‌کنند را نشان می‌دهد.

در اين مقاله، يک حسگر تصوير هوشمند با قابليت تشخيص حرکت و توان مصرفي بسيار پايين معرفي شده است. به منظور افزايش دقت و امنيت سيستم تصويربرداري، 2 حالت کاري مجزا جهت پردازش فريم هاي مختلف تصوير در نظر گرفته شده؛ به اين ترتيب که فريم هاي کم ارزش که اطلاعات مهمي را گزارش نمي کنند، توسط حسگر پردازش مي شوند، حال آنکه بررسي فريم هاي با اهميت تر که حرکتي در آنها تشخيص داده شده باشد، به عهده ي کاربر خواهد بود. اين مهم با طراحي واحدي مستقل و هوشند تحت عنوان واحد مديريت مرکزي محقق شده است. از ديگر دستاوردهاي اين پژوهش مي توان به بهينه سازي عملکرد و ساختار هر پيکسل از آرايه و همچنين گسترش يک واحد تشخيص حرکت کم مصرف در انتهاي هر ستون اشاره کرد که ضمن افزايش سرعت قرائت ولتاژ پيکسل ها، کاهش چشم گير توان مصرفي سيستم تصويربرداري پيشنهادي را در مقايسه با حسگرهاي تصوير مشابه به دنبال داشته است. نتايج شبيه سازي نشان مي دهد که در پياده سازي آرايه اي از پيکسل ها با ابعاد 64×64 و بهره گيري از تکنولوژي CMOS استاندارد 180 نانومتر، توان مصرفي حسگر پيشنهادي در تصويربرداري با نرخ 100 فريم بر ثانيه معادل با 4/. ميلي وات خواهد بود. اين در حالي ست كه حسگرهاي تصوير مشابه، علي رغم تصويربرداري با سرعت پايين تر، توان مصرفي بالاتري دارند.

در رده‌بندی متون می‌توان هر واژه را به‌عنوان یک صفت یا ویژگی در نظر گرفت. تعداد زیاد واژه‌ها باعث کاهش دقت و سرعت رده‌بندی می‌گردد. انتخاب زیرمجموعه‌ای از واژه‌های (ویژگی‌های) متون یکی از مراحل ضروری در پیش‌پردازش متون قبل از اعمال الگوریتم‌های رده‌بندی است. روش‌های پالایه و پوشانه، دو دسته اصلی انتخاب ویژگی است. در این مقاله سعی شده است روش ترکیبی انتخاب ویژگی در حوزه متون بررسی‌شده و با روش‌های جدیدتر انتخاب ویژگی خاص متون مانند DFS وGiniText مقایسه گردد. در این تحقیق تأثیر استفاده از ترکیب روش پالایه و پوشانه برای انتخاب ویژگی بر عملکرد رده‌بند نایوبیزی برای رده‌بندی متون فارسی مورد بررسی قرار گرفته است. نتایج نشان می‌دهد که روش ترکیبی انتخاب ویژگی روی پیکره همشهری، علی‌رغم کاهش تعداد ویژگی‌ها، باعث بهبود نتایج رده‌بند نایوبیز چند جمله‌ای، نسبت به روش‌های پالایه و یا پوشانه شده است.

با رشد فزاینده ی داده های ویدئویی در سه دهه ی اخیر، بازیابی ویدئو یکی از حوزه های مهم در زمینه ی پردازش ویدئو شده است. با توجه به گستردگی ویدئوها از نظر محتوا، در این مقاله به بازیابی ویدئوهای حاوی رفتارهای انسانی پرداخته شده است که در سیستم هایی نظیر مراقبت و نظارت، امنیتی و بازیابی کاربرد گسترده ای دارد. در این مقاله با استفاده از دو بردار ویژگی تعریف شده برای ویدئوها، دور و شکلی برای بازیابی معرفی شده است. در روش اول بازیابی، ابتدا با کمک دو بردار ویژگی برمبنای ویژگیهای SIFT، فریمهای کلیدی ویدئو تعیین شده است. سپس با توجه به اهمیت بُعد زمانی ویدئو، ویژگی های مجموعه ای از فریم های حول هر فریم کلیدی ترکیب شده و بردار ویژگی نهایی برای هر کدام از ویدئوهای موجود در دادگان بدست آمده است. در فرایند بازیابی بردارهای ویژگی برای ویدئوی پرسمان محاسبه شده و با هر یک از بردارهای ویژگی ویدئوهای دادگان به طور مجزا، مقایسه می شود و سپس با استفاده از معیارهای سنجش شباهت، نتایج شبیه تر به کاربر نمایش داده می شود. در روش پیشنهادی دوم، از SVM برای طبقه بندی ویدئوهای دادگان استفاده شده و سپس با تعیین نوع ویدئوی پرسمان، بازیابی ویدئوها انجام شده است. نتایج حاصل از این دو روش با هر کدام از بردارهای ویژگی با یکدیگر مقایسه و ارزیابی شده اند. مقدار بازخوانی با استفاده از بردار ویژگی پیشنهادی جدید در تمام روش های بازیابی مورد ارزیابی، به طور میانگین 51% بهبود یافته است.

نظر به اين كه علم پردازش تصوير از علوم پركاربرد و مهم در فنون مهندسي و هوش مصنوعي است و در پيشبرد اهداف حوزه هاي مختلف مانند صنعت، پزشكي، علوم نظامي و امنيتي و ... نقش اساسي و مهمي را ايفا مي كند، لذا مطالعه حاضر در جهت آشنايي با علم پردازش تصوير و نيز معرفي يكي از كاربردهاي آن در حوزهي فناوري و در ربات مسير ياب بيسيم ارائه شده است. در علم پردازش تصوير رنگ و تصوير اساس كار با سيستم ها و ماشين هاي بينايي را تشكيل مي دهد. در اين مطالعه رباتي طراحي شده است كه در واحد بينايي خود به جاي استفاده از سنسورها از يك دوربين ديجيتال بهره گرفته است. تصاويري كه دوربين از محيط اطراف خود تهيه مي كند، از طريق ارتباط بي سيم به عنوان دادهي ورودي در اختيار بخش پردازش تصوير قرار مي گيرد. متلب یکی از نرم افزارهایي است كه وظيفه پردازش داده هاي تصويري و تبديل آن را بر عهده دارد. اين نرم افزار تمام محاسبات خود را از طريق ماتريس انجام مي دهد لذا تصاوير به صورت ماتريسي از اعداد تبديل مي گردند كه نرم افزار تنها با اين اعداد مرتبط است.

دراین مقاله روشی جدید جهت شناسایی چهره در حالت زاویه دار معرفی می گردد. در راهکار ارائه شده از الگوریتم کلاس بندی کننده ی علف هرز IWC به منظور طبقه بندی نقاط مختلف تصاویر ورودی و استخراج ویژگی های مشابه، همچنین ترکیب آن ها بر اساس میزان شباهت و گروهبندی این ویژگی ها به منظور شناسایی قسمت های چهره مورد بررسی قرار گرفته شده است. با استفاده از این روش که از ساختار کلی الگوریتم های تکاملی و خصوصا الگوریتم تکاملی علف هرز تبعیت می نماید نتایج قابل قبولی بدست آمده که در بخش نتایج به آن اشاره خواهد شد. این الگوریتم هیچگونه مشابه دیگری نداشته و می توان آنرا یگانه الگوریتم شناسایی چهره در حالت زاویه دار با استفاده از یک کلاسیفایر منحصر به فرد تهیه شده از الگوریتم بهینه سازی علف هرز دانست.

شبکه‌های عصبی با معماری عمیق یکی از موفق‌ترین ابزارهای تشخیص الگو ازجمله بازشناسی دست‌نوشته هستند. در این مقاله یک شبکه‌ی عصبی مصنوعی با معماری عمیق به‌منظور بازشناسی دست‌نوشته فارسی معرفی می‌شود. برای این منظور، مجموعه‌ای از نمونه‌های دست‌نوشته‌ فارسی در قالب داده‌های برداری جمع‌آوری گردید و بر اساس استروک‌های رایج در رسم‌الخط فارسی برچسب‌گذاری شد. سپس در آموزش یک شبکه‌ی عصبی عمیق سه سطحی مورداستفاده قرار گرفت. نتایج روش پیشنهادی با روش قدس و همکاران در تشخیص دست‌نوشته فارسی مورد مقایسه قرار گرفت. همچنین برای اولین بار، سیستم تشخیص دست‌نوشته‌ی فارسی گوگل برای مقایسه‌ی نرخ تشخیص سامانه مورد استفاده قرار گرفت و روش پیشنهادی کارایی مطلوبی به نمایش گذاشت.

در این مقاله، روشی مبتنی بر اطلاعات متقابل، برای تثبیت دو تصویر ارایه شده است. عموم روش های مبتنی بر اطلاعات متقابل، از یک سو از همبستگی بین پیکسل های تصویر چشم می پوشند و از این رو در برابر نویز تصویر حساس هستند و از سویی دیگر، اندازه ناحیه همپوشانیِ بین دو تصویر، بر صحت تثبیت تاثیر گذار است. در این مقاله، دو دیدگاه بلوکی و متناوب انگاری تصویر، به ترتیب برای در نظر گرفتن همبستگی های موجود بین پیکسل های همسایه و کاهش وابستگی الگوریتم به اندازه ناحیه هم پوشانی، مد نظر قرار گرفته اند. نتیجه شبیه سازی ها، نشان دهنده بهبود چشم گیری، به ویژه در عملکرد روش های مبتنی بر الگوریتم های تکاملی است.

مدل ترکيبي فرآيند ديريکله روشي قدرتمند براي خوشه‌بندي داده و تخمين تعداد خوشه‌ها بصورت همزمان است. اين مدل يک ترکيب سلسله مراتبي از فرآيندهاي ديريکله محسوب مي‌شود. فرآيند ديريکله توسط دو مولفه تعريف مي‌شود: 1) پارامتر تمرکز و 2) يک توزيع پايه پيوسته. اگر از فرآيند ديريکله نمونه‌برداري شود، هر نمونه خود يک توزيع است. در مدل ترکيبي فرآيند ديريکله بايد يک توزيع پارامتري براي نمونه داده‌ها تعريف کرده و مقدار اين پارامتر را با نمونه‌برداري از فرآيند ديريکله بدست آورد. مقدار پارامتر تمرکز فرآيند ديريکله تعيين کننده ميزان نزديکي نمونه‌ها به توزيع پايه مي‌باشد. بنابراين تعيين مقدار مناسب براي پارامتر تمرکز نقش مهمي در عملکرد مناسب مدل ترکيبي دارد. در اين مقاله پيشنهاد مي‌شود که پارامتر تمرکز فرآيند ديريکله در مدل ترکيبي با يک تابع توزيع احتمال جايگزين شود. بر اين اساس مدلي جديد براي خوشه بندي و تعيين تعداد خوشه ها به طور همزمان ارائه شده و کارايي آن بر روي چندين مجموعه داده استاندارد مورد ارزيابي قرار گرفته است. نتايج حاصل از اين مدل در مقايسه با تعداد زيادي از روش هاي شناخته شده خوشه‌بندي بيانگر کارايي بالاتر روش پيشنهادي مي‌باشد.

مدل‌های موضوعی بر مبنای هم رخدادی کلمات در یک سند عمل می‌نمایند ولی براساس اصل هم رخدادی کلمات، در بسیاری موارد مدل کردن هم رخدادی در واحدهای کوچکتر منجر به درک بهتری از ارتباطات میان کلمات می‌گردد. بر همین مبنا در اين مقاله، مدل جدیدی برمبنای مدل تخصیص پنهان دریکله (LDA) معرفی شده است که سعی می‌کند ارتباطات محلی در داخل یک سند را با استفاده از یک پنجره هم رخدادی وارد مدل LDA نماید. مدل LDA و مدل پیشنهادی بر روی پیکره 20newsgroups مقایسه شده‌اند و نتایج بدست آمده نشان می‌دهد که مدل پیشنهادی علاوه بر کاهش چشمگیر perplexity، تاپیک های دقیق‌تری نیز تولید کرده است.