انجمن کامپیوتر ایران

امروزه از سيستمهاي بازشناسي مبتني بر پارامترهاي زيستي به طور گسترده اي استفاده مي گردد. سيستم بازشناسي عنبيه به دليل عملکرد بهتر مورد توجه بيشتري قرار گرفته است. دقت سيستمهاي بازشناسي، بستگي به دقت بردارهاي ويژگي استخراج شده براي هر نمونه دارد. در اين مقاله براي استخراج ويژگي هاي بافتي عنبيه يک فيلتر وفقي جديد طراحي کرده ايم. اين فيلتر ويژگي هاي بافتي عنبيه را با دقت بيشتري آشکار مي نمايد. براي بهبود عملکرد سيستم بازشناسي عنبيه ويژگي هاي بافتي استخراج شده با چند روش را با هم ترکيب مي کنيم. سپس جهت کاهش اندازه بردارهاي ويژگي از PCA به صورت محلي استفاده مي کنيم. در نهايت براي عمليات تطابق نيز از يک رهيافت جديد استفاده مي کنيم. نتايج حاصل از شبيه سازي بهبود عملکرد سيستم را با کاهش نرخ خطاي تطابق نشان مي دهد.

ا ین مقاله روش ی نو ین بر اي فشرده ساز ي تصو یر بر اساس متد هاي ترمیم تصویر Image Inpainting ارائه م ی دهد . در ا ین روش کد ینگ نخست تصو یر او لیه آنا لیز شده و به منظور کاهش اطلاعات ، مقاد یر ناح یه ه ا یی از آن که قابل باز یا بی با دقت مناسب است ، حذف م ی شود . سپس اطلاعات نواح ی حذف نشده بعلاوه جز ئیات لازم بر اي باز یا بی نواح ی حذف شده به قصد ذخ یره س از ي یا انتقال، کد م ی شوند . در کدگش ا با استفاده از یک متد ترم یم تصو یر و با تک یه بر اطلاعات استخراج شده از تصو یر او لیه نواح ی حذف شده بازساز ي م ی شوند . متد ترم یم یاد شده مبتن ی بر معادلات د یفرانس یل جز ئی بوده و در راست اي هدف یک سیستم فشرده ساز ي طراح ی شده است ا ین روش رو ي تعداد ي از تصاو یر مرجع امتحان شده و توانسته ا یم به نسبت فشرده ساز ي بالا از مرتبه 1:40 دست پیدا کن یم همچنین نتا یج گو یاي ا ین است که روش حاضر هم از لحاظ بازده فشرده ساز ي و هم از لحاظ کیفیت بصري تصویر خروج ی با روش ه اي تجار ي قدرتمند مثل JPEG قابل مقایسه است.

روش هاي موجود براي پالايش صفحات وب بيشتر مبتني بر سد كردن نشاني هاي اينترنتي خاص از طريق جستجو در يك ليست مرجع از صفحات غير مجاز و يا با استفاده از تحليل ساده متن از طريق جستجوي كلمات كليدي خاص در صفحات است. مشكل اصلي اين روش ها نياز براي به روزرساني مداوم فهرست نشاني ها و نيز ميزان قابل توجه اشتباه گرفتن صفح ههاي مجاز در آنهاست. در اين مقاله يك روش پالايش هوشمند براي پالايش صفحات غيراخلاقي را پيشنهاد كرده ايم كه با استفاده از هر سه نوع ويژگي ساختاري، متني و تصويري و تركيب سلسله مراتبي آنها يك دسته بندي هوشمند با دقت بالا (روي FP و FN هر دو) را به دست مي دهد. الگوريتم روي 2600 صفحه وب شامل 1400 صفحه غيراخلاقي (داراي متن، تصوير، يا هر دو) انگليسي و فارسي و 1200 صفحه مجاز شامل صفحات پزشكي، سلامت، ورزشي و غيره مورد آزمايش قرار گرفته و دقت دسته بندي بالاي 95 % را به همراه داشته است.

تاکنون روش هاي مختلف جهت افزايش کارايي دسته بندها معرفي شده اند که در اغلب آن ها کارايي يک دسته بند خاص براي مجموعه داده خاصي بهينه مي شود . در اين مقاله دو ر وش پيش پردازش مستقل از دسته بند پيشنهاد داده مي شود . در اين روش ها هدف بدست آوردن ماتريس نگاشتي است که با نگاشت داده ها به فضاي جديد، سبب تمايز بيشتر دسته ها شود . در اولين روش ، از تحليل متمايز ساز خطي براي محاسبه نگاشت داده ها به فضاي جديد استفاده مي گردد. در دومين روش با استفاده از الگوريتم ژنتيک و مفهوم تعلق فازي داده ها به دسته هاي مختلف، ماتريس نگاشت محاسبه مي شود. براي ارزيابي اين دو روش از انواع مختلف دسته بند استفاده کرده ايم. نتايج نشان مي دهد که استفاده از اين نوع پيش پردازش، سبب باعث افزايش دقت دسته بند مي گردد.

براي حل مسئلهي خوشه بندي دو دسته روش کلی وجود دارد: روشهاي مسطح و روشهاي سلسله مراتبی . مزیت روش هاي سلسله مراتبی به روشهاي مسطح در مواردي است که تعداد خوشهها از اول مشخص نمیباشد و همینطور هنگامیکه علاوه بر یافتن رابطه بین نمونهها علاقه مند به یافتن رابطهي بین خوشهها نیز می باشیم . یکی از روشهاي مفید جهت بهبود خوشه بندي، حل یک مسئله ي خوشه بندي به روشهاي مختلف و ترکیب نتایج میباشد. با توجه به اینکه در الگوریتمهاي سلسله مراتبی وابستگی زیادي به پارامترهاي مسئله وجود دارد، ترکیب خوشه بندي هاي سلسله مراتبی مختلف میتواند این وابستگی را کاهش دهد. در این مقاله برمبناي مفاهیم سیستمهاي ایمنی مصنوعی، روشی براي ترکیب خوشه بندي هاي سلسله مراتبی ارائه میدهیم. به این منظور، ابتدا به روشهاي مختلف خوشه بنديهاي مختلفی بهدست آورده و سپس جمعیتی از خوشه بنديهاي تصادفی شکل داده و با تعریف معیار شباهتی سعی میکنیم جمعیت را به سمت خوشه بندياي ببریم که بیشترین شباهت را به کلیهي خوشه بنديهاي پایه داشته و بنابراین، اطلاعات ساختاري کلیهي خوشه بنديهاي پایه را حتی الامکان حفظ نماید . نتایج ارائه شده در مقاله، کارا بودن این روش و بهبود ایجاد شده در خوشه بندي سلسله مراتبی را نشان میدهد.

Wireless sensor networks are limited in energy. Any routing protocol used in wireless sensor networks should take into consideration the time sensitive nature of the traffic in such networks, along with the amount of energy left for each sensor. In this paper we present an energy aware packet delivery mechanism for probabilistic Quality of Service (QoS) guarantee in wireless sensor networks. Each node takes routing decisions based on geographic progress towards the destination sink, required end-to-end total reaching probability, delay at the candidate forwarding node and residual energy. The simulation results demonstrate that the proposed protocol effectively improves the energy usage efficiency of the sensor nodes, maximizing the lifetime of the entire sensor network, while keeping guaranteed QoS.

A user of Brain Computer Interface (BCI) system must be able to control external computer devices with brain activity. Although the proof-of-concept was given decades ago, the reliable translation of user intent into device control commands is still a major challenge. There are problems associated with classification of different BCI tasks. In this paper we propose the use of chaotic indices of the BCI. We use largest Lyapunov exponent, mutual information, correlation dimension and minimum embedding dimension as the features for the classification of EEG signals which have been released by BCI Competition IV. A multi-layer Perceptron classifier and a KMSVM( support vector machine classifier based on kmeans clustering) is used for classification process, which lead us to an accuracy of 95.5%, for discrimination between two motor imagery tasks.

Classification is a well known task in data mining and machine learning that aims to predict the class of items as accurately as possible. A well planned data classification system makes essential data easy to find. An object is classified into one of the categories called classes according to the features that well separated the classes. Actually, classification maps an object to its classification label. Many researches used different learning algorithms to classify data; neural networks, decision trees, etc. In this paper, a new classification approach based on cooperative game is proposed. Cooperative game is a branch of game theory consists of a set of players and a characteristic function which specifies the value created by different subsets of the players in the game. In order to find classes in classification process, objects can be imagine as the players in a game and according to the values which obtained by these players, classes will be separated. This approach can be used to classify a population according to their contributions. In the other words, it applies equally to different types of data. Through out this paper, a special case in medical diagnosis was studied. 304 samples taken from human leukemia tissue consists of 17 attributes which determine different CD markers related to leukemia were analyzed. These samples collected from different types of leukemia at Iran Blood Transfusion Organization (IBTO). Obtained results demonstrate that cooperative game is very promising to use directly for classification.

Two popular and better performing approaches to language Identification (LID) are Phone Recognition followed by Language Modeling (PRLM) and Parallel PRLM. In this paper, we report several improvements in Phone Recognition which reduces error rate in PRLM and PPRLM based LID systems. In our previous paper, we introduced APRLM approach that reduces error rate for about 1.3% in LID tasks. In this paper, we suggest other solution that overcomes APRLM. This new LID approach is named Generalized PRLM or GPRLM. Several language identification experiments were conducted and the proposed improvements were evaluated using OGI-MLTS corpus. Our results show that GPRLM overcomes PPRLM and APRLM about 2.5% and 1.2% respectively in two language classification tasks.

A new structure learning approach for Bayesian networks (BNs) based on asexual reproduction optimization (ARO) is proposed in this paper. ARO can be essentially considered as an evolutionary based algorithm that mathematically models the budding mechanism of asexual reproduction. In ARO, a parent produces a bud through a reproduction operator; thereafter the parent and its bud compete to survive according to a performance index obtained from the underlying objective function of the optimization problem; this leads to the fitter individual. The proposed method is applied to real-world and benchmark applications, while its effectiveness is demonstrated through computer simulation. Results of simulation show that ARO outperforms GA because ARO results good structure in comparison with GA and the speed of convergence in ARO is more than GA. Finally, the ARO performance is statistically shown.

The presence of undetected direct path conditions in the TOA (Time of Arrival)-based indoor geolocation introduces major errors into distance measurements. In the proposed location estimation, an improved procedure is introduced in Ultra-wideband (UWB) systems in Line of Sight (LOS) and Non-Line of Sight (NLOS) multipath environments by incorporating the skewness as new statistic information of multipath channel. Weighted least square error (WLS) algorithm is used to estimate source position in this paper. Simulation results show effectiveness of the proposed algorithm, by reducing source localization error. Uncertainty region between NLOS and LOS identification is reduced in the proposed method compared to previous methods..