انجمن کامپیوتر ایران

يکي از مشکلاتي که در مورد برخي بيماران چشمي وجود دارد، رويه تشخيص است. براي تشخيص بيماريهاي چشم از تصوير¬برداري سونوگرافي استفاده مي¬شود. اما در برخي موارد به دليل کيفيت پايين تصاوير سونوگرافي و همچنين نويزهاي وارده، برخي از جزئيات تصوير محو شده و شباهتهايي در ويژگي هاي تشخيصي برخي از بيماريها بوجود مي آيد. از اين ميان، تشخيص جداشدگي شبکيه (که نياز به عمل جراحي در اسرع وقت دارد)، اهميت بسزايي براي چشم پزشکان دارد و يافتن راهي که بتواند امکان تشخيص آن را از ساير بيماريها فراهم کند مي¬تواند نقش مفيدي در تشخيص بهنگام اين بيماري داشته باشد. در اين بررسي ابتدا تصوير سونوگرافي ديجيتال، مورد پيش پردازش قرار مي گيرد تا نويز موجود در آن تا حدودي کاهش يابد. سپس با استفاده از روش آناليز اجزاي ويژه (PCA)، ويژگي هاي تصوير استخراج مي¬شود و در نهايت از شبکه هاي عصبي براي تشخيص بيماري استفاده مي¬کنيم. در اينجا عملکرد دو نوع شبکه عصبي پرسپترون چند لايه (MLP) و شبکه با توابع پايه شعاعي (RBF) را مورد ارزيابي قرار مي¬دهيم. نتايج حاصل از اين بررسي نشان مي دهد که استفاده از شبکه عصبي RBF براي تشخيص بيماري نسبت به شبکه پرسپترون چند لايه داراي عملکرد بسيار موفق¬تري بوده است و توانسته است به ۹۰ درصد تشخيص درست دست يابد، که اين امر از نظر تشخيص پزشکي مي¬تواند داراي اهميت زيادي باشد.

در دهه¬های اخیر توانایی فنی بشر برای تولید و جمع آوری داده به سرعت افزایش یافته¬است. این رشد انفجاری در داده¬های ذخیره¬ شده، نیاز مبرم ابزارهای خودکارسازی را ایجاد کرده¬است، تا به صورت هوشمند به انسان یاری رساند تا این حجم عظیم داده را به دانش مفید و مورد نیاز خود تبدیل کند. به این فرآیند داده¬کاوی اطلاق می شود. یکی از زمینه¬هایی که می توان از این دانش به نحو مؤثری بهره¬گرفت، داده¬های پزشکی است. در این مقاله بر آن هستیم تا به کشف عوامل مؤثر در بروز انواع سرطان و تعیین نحوه¬ی درمان سرطان بپردازیم. بدین¬منظور از پایگاه داده سرطان بیمارستان نمازی شیراز در سال¬های 86-82 استفاده¬نمودیم. با اعمال الگوریتم¬های خوشه¬بندی و کشف قوانین وابستگی بر روی مجموعه داده¬ها به نتایج مفید و جالبی دست یافتیم.

IUI_B : واسط کاربری هوشمند مبتنی بر عامل برای نابینایان

مسأله‌ي بيدارسازي مجموعه‌اي از ربات‌هاي خواب توسط يک ربات بيدار اوليه، Freeze-Tag Problem (FTP) نام دارد. در FTP هدف، بيدارسازي کليه ربات‌ها در کمترين زمان ممکن است. اين مسأله در حالت کلي NP-Hard و در حالت اقليدسي از جمله مسائل باز (Open) به شمار مي‌رود. در اين مقاله الگوريتم‌هاي تقريبي براي FTP در محيط اقليدسي مد نظر قرار مي‌گيرند. ابتدا يک الگوريتم تقريبي با فاکتور تقريب O(1) و زمان اجراي O(n log⁡n) که توسط آرکين و همکارانش ارائه شده‌است، معرفي مي‌گردد و سپس يک الگوريتم با فاکتور تقريب بهتر و زمان اجراي خطي براي مسأله ارائه مي‌شود.

امکان استفاده موثر از مقادير بسيار زياد داده¬هاي جمع¬آوري شده به وسيله شبکه¬هاي حسگر بيسيم با مقياس بزرگ به الگوريتم¬هاي انتشار داده با ويژگي¬هاي مقياس¬پذيري، خود¬سازمان¬دهي، و کارآمدي در انرژي، اين کالاي کمياب در شبکه¬هاي حسگر بيسيم، نياز خواهد داشت. از آنجايي که در شبکه¬هاي حسگر بيسيم محتواي داده از شماره شناسايي گره¬¬اي که آنها را جمع¬آوري مي¬کند مهمتر است از اينرو محققان دريافته¬اند که بکارگيري مدلهاي انتزاعي براي ذخيره سازي که داده- محورند، کاراتر از ساير مدل¬هاي ذخيره سازي داده است. در اين راستا پروتکل¬هاي زيادي مبتني بر ذخيره¬سازي داده محور ارائه شده است که هر يک سعي در کاهش مصرف انرژي و حل مشکل عمده اين روش، مشکل مکان داغ ، داشته¬اند. در اين تحقيق، سعي داشته ايم که با ارائه روشي جديد با بهبود روش ذخيره سازي داده محور GHT ، با پخش بار در شبکه به شکل پويا از بروز مشکل عمده اين روش يعني مشکل مکان داغ پيشگيري کنيم، ضمن اينکه با افزايش دسترس پذيري داده¬ها، مصرف انرژي را نيز در گره¬هاي شبکه کاهش و طول عمر شبکه را افزايش دهيم. شبيه سازي ها کارايي روش ارائه شده را در مقايسه با ساير روشها به خوبي نشان داده است.

از آنجایی که پیش گیری قطعی ار رخداد حملات DDoS ممکن نیست، تشخیص این حملات می تواند گام مهمی در جلوگیری از پیشرفت حمله باشد. در حمله DDoS مهاجم با ارسال بسته‌هایی شبیه به بسته‌های نرمال سعی در سیلابی نمودن ترافیک ماشین قربانی دارند .در نتیجه سیستم تشخیص حمله همه منظوره موفقیت چندانی در تشخیص حملات DDoS ندارد. از سوی دیگر ماهیت توزیع شدگی این حملات، تشخیص آن ها را مشکل‌تر می‌کند. در این مقاله یک روش برای تشخیص این گونه حملات بر مبنای ترکیب پیش پردازنده آماری و شبکه‌های عصبی بدون ناظر ارائه شده است. در این روش ابتدا با در نظر گرفتن مجموعه بسته‌های موجود در یک بازه‌‌‌ی زمانی، ویژگی‌های آماری نشان دهنده رفتار این گونه حملات، ازآنان استخراج شده است. سپس با استفاده از شبکه‌های عصبی بدون ناظر، این ویژگی‌ها تحلیل و دسته‌بندی شده اند. در پایان، این روش با استفاده از ترافیکی که در یک محیط واقعی جمع آوروی شده، ارزیابی شده است.