انجمن کامپیوتر ایران

خلاصه سازی خودکار چند سندی، روشی برای ارائه فشرده مطالبی است که در ارتباط با یک موضوع بوده ولی جهت دید آنها متفاوت از یکدیگر می باشند. خلاصه خوب، باید بیانگر زمینه کلی بوده و ضمن بیان دیدگاههای مختلف موجود در متن از خوانایی و پیوستگی بالایی برخوردار باشد. در این مقاله با بهره¬گیری شکل جدیدی از روش استخراج روابط معنایی موجود در متن (LSA یا LSI) و تکنیک برچسب زنی معنایی نقش لغات(SRL)، روشی جدید برای خلاصه¬سازی چند سندی شده است. در ابتدا با استفاده از ماتریس کلمه- سند به جای ماتریس کلمه- جمله و با بهره گیری از LSA، جملات مهم مرتبط با زمینه استخراج می شود. در گام بعدی با استفاده از تکنیک SRL و با استفاده از WordNet شباهت معنایی جملات استخراج شده و در نهایت جملات شبیه به هم حذف می شوند. نتایج آزمایش¬ها برروی داده¬های DUC2007 حاکی از افزایش چشمگیر دقت در قیاس با روش¬های قبلی مبتنی بر LSAو سیستم¬های موجود در DUC2007 می باشد.

تخمين فعاليت¬هاي صوتي عبارت است از فرآيند دسته¬بندي سيگنال گفتار به قسمت¬هاي گفتار و غيرگفتار. با توجه به کاربرد گسترده‌ي چنين الگوريتم‌هايي در شاخه‌هاي مختلف پردازش گفتار، ارائه‌ي روش‌هايي که باعث بهبود اين فرآيند شوند، همواره مد نظر پژوهشگران بوده است. در اين مقاله با استفاده از روش يادگيري ميدان تصادفي شرطي و ويژگي‌هاي انرژي و اندازه‌ي همواري طيف، مدلي برای تشخيص و جداسازي قسمت‌هاي گفتاري و غيرگفتاري سيگنال صوت، ارائه شده است. برای به دست آوردن مقادير بهينه‌ي پارامترهاي روش يادگيري ميدان تصادفي شرطي از مجموعه‌ي دادگان صوتي Aurora استفاده شده و با در نظر گرفتن اين مقادير بهينه و با استفاده از دادگان Timit مدل نهايي ساخته شد و کارآيي آن روي دادگان بدون نويز 78/90% برآورد شده است. مهمترين مزيت استفاده از روش يادگيري ميدان تصادفي شرطي، حجم کم دادگان مورد نياز برای ساخت مدل است. مقايسه‌ي اين روش و روش ماشين بردار پشتيبان روي حجم يکساني از دادگان آموزشي و آزمايشي نشان مي‌دهد که ميدان تصادفي شرطي 22/14% بهتر از روش ماشين بردار پشتيبان عمل کرده و در مقابل نويز نيز پايدارتر است.

یادگیری ماشین با رویکرد با ناظر امروزه پایهی بسیاری از فعالیت‌های مختلف در حوزه پردازش زبان طبیعی است. اگرچه این روش‌ها به موفقیت‌هایی دست یافته‌اند اما در مقابل نیازمند فراهم شدن حجم زیادی از داده آموزشی توسط یک تفسیر کننده مانند انسان است، که گاها هزینه‌های بالایی را در بر خواهد داشت. علاوه بر این در بیشتر روش‌های یادگیری با ناظر ترتیب انتخاب نمونه‌های آموزشی بر اساس تصادف صورت می‌گیرد، در مقابل برای برطرف کردن مشکلات مذکور یادگیری فعال مطرح می‌شود که در آن به شکلی تکرار شونده نمونه‌هایی با بیشترین اثر مطلوب بر فرآیند آموزش انتخاب می‌شوند. نتایج آزمایشات نشان می‌دهد در آموزش یک مدل برچسب‌زنی دنباله فارسی بر اساس پیکره متنی زبان فارسی تنها با استفاده از 9.36% از کل داده‌های آموزشی به دقت برچسب زنی تا 96.28% رسید و این در حالی است که دقت برچسب زنی با بکارگیری کل نمونه‌ها 96.45% می‌باشد.

تشخیص زبان به صورت خودکار، در واقع مسأله تشخیص زبان، برای یک نمونه گفتار صحبت شده توسط سخنگوی نامعلوم است. در دهه گذشته، روش¬های متعددی برای تشخیص خودکار زبان پیشنهاد شده است. این روش¬ها، بر پایه استخراج ویژگی¬های خاص هر زبان، شامل مجموعه آواشناسی، واج آرایی و علم عروضی و بدیعی بودند. در این مقاله روش جدیدی پیشنهاد شده است که مستقل از اطلاعات زبان¬شناسی بوده و از تبدیل موجک برای استخراج خواص صوتی سیگنال گفتار استفاده می¬کند. انتخاب ویژگی¬های لازم جهت دسته¬بندی زبان، از میان ضرایب تبدیل موجک، بر اساس کاهش ابعاد فضای ضرایب، بر مبنای الگوریتم گسسته سازی چند بازه¬ای و سپس اعمال الگوریتم رتبه بندی ویژگی ها انجام می¬شود. روش پیشنهادی علاوه بر آنکه درصد تشخیص را برای نمونه¬های زبانی دو به دو 10 ثانیه¬ای و 45 ثانیه¬ای بهبود داده است، قادر به تشخیص نوع زبان از میان 5 زبان گوناگون نیز می¬باشد.

ایجاد چندضلعی ساده تصادفی و شبه مثلث¬بندی یک چندضلعی از مسائل مطرح در هندسه محاسباتی محسوب می¬شوند. تولید چندضلعی تصادفی در زمینه بررسی صحت و درستی الگوریتم¬ها مورد استفاده قرار می¬گیرد. در این مقاله الگوریتمی جدید برای ایجاد یک چندضلعی ساده حلزونی از مجموعه نقاط تصادفیS در صفحه با استفاده از پوسته¬های محدب لایه¬ای ارائه شده است که به طور همزمان نیز شبه مثلث¬بندی روی آن انجام می¬شود. این الگوریتم ابداعی جدید دارای مرتبه زمانی O(nlogn) است، لذا جزو الگوریتم¬های بهینه به شمار می¬آید.

در این مقاله یک روش تشخیص جنسیت جدید با دقت دسته‌بندی و قابلیت اعتماد بالا ارایه شده است. در این روش از نوعی استخراج مشخصه بر اساس عملگر آنالیز بافت الگوی باینری محلی استفاده شده است. این تکنیک قادر است بدون تحمیل عوارض جانبی از جمله افزایش بیش از حد حالت‌های ممکن و محاسبات زیاد، با توسعه فضای همسایگی اطراف نقاط در هنگام استخراج اطلاعات، باعث بدست آمدن اطلاعات دقیق‌تری در مورد ساختارهای موجود در تصویر شود. این روش به علت سرعت بالای استخراج مشخصه، قابلیت به کارگیری در سیستم‌های بلادرنگ تشخیص جنسیت اشخاص را دارا است. نتایج بدست آمده از پیاده‌سازی روش پیشنهادی نشان‌دهنده دقت بالای این روش و برابر97.43% است

يکي از عمليات مهم در چرخه‌ي حيات يک نرم‌افزار، آزمون رگرسيون است که در مرحله‌ي نگهداري نرم‌افزار به‌دفعات انجام مي‌شود. آزمون رگرسيون در هر اجرا بايد تعداد انبوهي از موارد آزمون را روي نرم‌افزار اجرا نمايد. با گذشت زمان، حجم مجموعه آزمون آن‌قدر بزرگ مي‌شود که اجراي همه‌ي آن‌ها غير عملي مي‌گردد. براي حل اين مشکل از فنون کاهش مجموعه آزمون استفاده مي‌شود. متأسفانه کاهش حجم، منجر به از دست رفتن کارايي مجموعه در کشف خطا مي‌گردد. براي برطرف نمودن اين مشکل، در اين مقاله يک الگوريتم کارا ارائه شده است. اين الگوريتم با استفاده از خوشه‌بندي الگوهاي اجرايي موارد آزمون، افزونگي را از مجموعه حذف مي‌نمايد. در جريان نمونه‌گيري از هر خوشه، مورد آزموني که بيش‌ترين پوشش نيازمندي‌ها را تأمين کند، انتخاب خواهد شد. جهت ارزيابي الگوريتم پبشنهادي، آزمايش‌هايي مشابه مطالعات پيشين روي برنامه‌هاي محک زيمنس ترتيب يافته است. نتايج آزمايش‌ها نشان مي‌دهد که الگوريتم‌ پيشنهادي قادر است ضمن کاهش قابل ملاحظه اندازه‌ي مجموعه‌ها، قدرت کشف خطاي آن‌ها را بهبود دهد.

تامين هزينه و انرژي موردنياز براي ارائه سرويس در شبكه¬هاي همكاري به عهده كاربران شبكه است. از سوي ديگر، كاربران شبكه¬هاي همكاري عامل¬هايي مستقل بوده و هدفشان بيشينه كردن بهره¬¬ايست كه از شبكه به دست مي¬آورند. بنابراين، در حالت عادي، كاربران شبكه انگيزه كافي براي همكاري با ساير اعضا ندارند. استفاده از مکانيزم هاي انگيزشي روشي مرسوم براي اعمال همکاري در چنين شبکه¬هايي است. در اين مقاله، يك مکانيزم انگيزشي براي شبكه¬هاي همكاري با استفاده از سيستم شهرت مرکزي و مبتني بر نظريه بازي‏ها ارائه مي¬شود. به نظر مي¬رسد بازي نظيريابي تصادفي براي مدل کردن خصوصيات پايه¬اي شبكه¬هاي همكاري مناسب باشد. از اين روي، ابتدا تعاملات بين گره¬ها به عنوان يك بازي نظيريابي تصادفي مدل شده و سپس يك پروفايل استراتژي، شامل قانون تنبيه براي بازيكن متخلف، پيشنهاد مي¬شود. اثبات مي¬کنيم كه اين پروفايل استراتژي يك تعادل زيربازي¬ـ¬كامل است. به اين ترتيب، مکانيزمي که در اين مقاله ارائه مي¬شود در تشويق گره¬ها به همکاري موفق خواهد بود.

در این مقاله ابتدا یک ویژگی دنباله‌ی خروجیshrinking generator به عنوان یک نقطه ضعف برای الگوریتم مطرح می شود و سپس با توجه به آن، یک جمله‌ی جدید به این الگوریتم ارائه می‌گرددکه پیچیدگی محاسباتی آن بسیار پایین می‌باشد؛ ولی به طول زیادی از دنباله‌ی کلید اجرایی محتاج است. در انتها، نسخه‌ی دیگری از این جمله نیز ارائه می‌شود که به بهای بالا رفتن پیچیدگی، از طول کمتری از دنباله‌ی کلید استفاده می‌کند.