انجمن کامپیوتر ایران

انتخاب مجموعه ويژگي¬ها يکي از مهمترين مسائل در بحث شناسایی گفتار مي¬باشد. از اینرو، روش¬هاي مختلفي جهت استخراج و انتخاب زیرمجموعه¬ای موثر از ویژگی¬ها، مورد استفاده قرار مي¬گیرند. در این مقاله، نخست جهت افزایش دقت بازشناسی مصوت¬ها، با اعمال اولین سطح انتخاب ویژگی، یک "فوق مجموعه ویژگی" که حاصل ترکیبی هوشمند از گزیده¬ی مجموعه ویژگی¬های موجود است، ارائه می¬دهیم. سپس از آنجا که این ترکیب جدید، به دلیل دارا بودن تعداد زیادی ویژگی، سرعت بازشناسی را کاهش می¬دهد، از الگوریتم ژنتیک به عنوان سطح دوم انتخاب ویژگی استفاده می¬نماییم. در این سطح، زیرمجموعه¬ای مناسب از ویژگی¬های موجود در "فوق مجموعه ویژگی" انتخاب می¬شوند که مطابق با آزمایشات صورت گرفته، سرعت و دقت بازشناسی صحیح مصوت¬ها را به شکل مطلوبی افزایش می¬دهند.

مساله گالري هنر اين پرسش را مطرح مي کند که چه تعداد نگهبان براي ديدن هر نقطه از چندضلعي کافي است. مجموعه اي از نقاط را در چندضلعي ، مجموعه نگهبان همکار براي گوييم هر گاه مجموعه نگهبانان و گراف رؤيت پذيري مجموعه نگهبانان ، در متصل باشند. در اين مقاله مجموعه جديد را مطرح مي کنيم و به آن k-نگهبان همکار مي¬گوييم، درصورتيکه شرايط زير را داشته باشد: الف) براي هر نقطه در ، نقطه در وجود داشته باشد، بطوريکه از قابل رؤيت باشد. ب) مجموعه گراف رؤيت پذيري متصل باشد. ج) هر نقطه در ، حداقل توسط نقطه ديگر در قابل رؤيت باشد. در اين مقاله ابتدا الگوريتمي براي کاهش تعداد نگهبانان همکار معرفي کرده و نشان مي دهيم که اين الگوريتم براي چندضلعي هاي شانه اي دو سر، مجموعه نگهبانان همکار را به کاهش مي دهد. سپس ثابت مي کنيم که هر n ضلعي حداکثر به نگهبان از مجموعه k-نگهبان همکار نياز دارد.

بهينه‏سازي پرس¬و¬جو در پايگاه داده¬هاي رابطه¬اي يك فرآيند پرهزينه مي‏باشد و تعداد جايگشت‏هاي مختلف عمليات پيوند براي يك پرس¬و¬جو، به‏ صورت نمائي با افزايش تعداد جداول سهيم در پرس¬و¬جو رشد مي‏كنند. تكنيكهاي فعلي بهينه‏سازي پرس¬و¬جو براي پشتيباني در حالاتي که تعداد جدول‏هاي پايگاه داده و تعداد سطرهاي هر جدول زياد باشند، نامناسب هستند از طرفي رمز موفقيت يك سيستم پايگاه داده كارا بودن مدل پرس‏و‏جوي آن مي‏باشد. لذا در اين مقاله روشي براي بهينه¬سازي اجراي پرس¬و-جو‏¬ها با تعداد جداول بالا پيشنهاد گرديده است. با توجه به افزايش روز افزون اهميت کاهش زمان اجراي طرح شبه بهينه در عمليات پيوند با تعداد جدولهاي بالا و حداقل سازي زمان اجراي الگوريتم در جهت يافتن طرح شبه بهينه و قرار نگرفتن طرح در بهينه‏هاي محلي، استفاده از الگوريتم¬هاي اکتشافي و کاراي نوين مورد توجه زيادي قرار گرفته است. بدين منظور دراين مقاله الگوريتم تعميم يافته بهينه‏سازي گسسته ذرات پيشنهاد گرديده و کارايي آن از طريق مقايسه با برخي الگوريتم¬هاي پيشين و با در نظر گرفتن چهار معيار زمان اجراي الگوريتم، زمان اجراي طرح، خطا و انحراف معيار، بررسي شده و نتايج حاصله نشان دهنده برتري اين روش خصوصا در تعداد بالاي جداول نسبت به الگوريتم هاي پيشين مي¬باشد.

روش مجموع ساده وزین (SAW) یکی از ساده ترین تکنیک های جبرانی تصمیم گیری چند معیاره است. این روش برای حل مسائل تصمیم گیری چند معیاره به کار برده می شود. از طرفی دیگر داده کاوی یکی از 10 علم رو به رشد دنیا است و یکی از مهمترین الگوریتم های داده کاوی، الگوریتم های مبتنی بر مدل های پیشگویی است که برای پیش بینی آینده به کار برده می شوند. اکثر این الگوریتم ها پیچیده و زمان بر می باشند. در این مقاله روشی نوینی برای طبقه بندی داده ها به کمک روش SAW با استفاده از امتیاز فیشر به خصیصه ها معرفی شده است که مزیت اصلی آن سادگی است. همچنین از توابع فازی برای بهبود دقت این روش استفاده کرده ایم. بر اساس آزمایش های انجام شده بر روی دو پایگاه اطلاعاتی استاندارد و نتایج بدست آمده حاکی از دقت بالای روش نسبت به اکثر الگوریتم های طبقه بندی است.

شبکه‌های اقتضایی متحرک (MANETs) به دلیل داشتن ویژگی‌های ذاتی از قبیل همبندی پویا و عدم وجود زیرساخت در مقایسه با سایر شبکه‌ها از آسیب‌پذیری بیشتری برخوردار هستند. بنابراین، یک چالش مهم برای این شبکه‌ها توسعه رویکردی است که قادر باشد با وجود تغییر پویای همبندی شبکه ناهنجاری‌ها را با دقت بالا تشخیص دهد. در این مقاله، رویکردی مبتنی بر تحلیل مولفه‌های اصلی افزایشی به نام IPCAAD برای تشخیص ناهنجاری پویا در شبکه‌های اقتضایی متحرک پیشنهاد می‌شود. در رویکرد پیشنهادی، هر گره در هر پنجره زمانی مجموعه‌ای از بردارهای داده را از ترافیک شبکه جمع‌آوری می‌کند. رویکرد پیشنهادی شامل دو مرحله آموزش و تشخیص است. در مرحله آموزش، با استفاده از بردارهای داده عادی و تحلیل مولفه‌های اصلی، نمای ترافیک عادی شبکه ایجاد می‌شود. در مرحله تشخیص، در طی هر پنجره زمانی مجموعه‌ای از بردارهای داده جمع‌آوری شده و بردارهای داده غیرعادی مبتنی بر فاصله تصویرشان از اولین مولفه اصلی سراسری تشخیص داده می‌شوند. در پایان هر پنجره زمانی، نمای عادی با استفاده از بردارهای داده عادی در آن پنجره زمانی به‌روزرسانی می‌شود. به‌روزرسانی با استفاده از تحلیل مولفه‌های اصلی افزایشی (IPCA) و یک رابطه فراموشی انجام می‌شود. نتایج آزمایش‌های انجام شده با استفاده از شبیه‌ساز NS2 برای تعدادی از حملات مسیریابی نشان می‌دهند که رویکرد پیشنهادی از کارآیی قابل توجهی برخوردار است.

در این مقاله یک فیلتر فازی - ویولت برای کاهش اثر نویزهای گوسی جمع شونده با تصویر ارائه شده است. این فیلتر از دو بخش تشکیل شده است. بخش اول مشتق فازی را در 8 جهت مختلف متناظر با همسایگی‌های 3*3 پیکسل میانی بدست می‌آورد؛ در بخش دوم از این مشتقات جهت‌دار فازی وزن داده شده برای نرم‌سازی تصویر استفادده می‌شود. برای پیداکردن میزان نویز موجود در تصویر و توزیع آن از اختلاف میان تصویر نویزی و تصویر حذف نویز شده توسط روشBayes shrink استفاده می‌شود. روشBayes shrink یک روش حذف نویز بر اساس تبدیل ویولت است که جزئیات تصویر و لبه‌ها را حفظ می‌نماید. برای نشان دادن کارایی، روش ارائه شده پیاده‌سازی گردید و نتایج بدست آمده با فیلترهای مشابه گردید که حاکی از موثر بودن فیلتر ارائه شده می‌باشد.