انجمن کامپیوتر ایران

واژه‌یابی گفتار به جستجوی کلمات كلیدی هدف در یک آرشیو صوتی اتلاق می‌شود. در سال‌های اخیر با پیشرفت تکنولوژی استفاده از سیستم‌های واژه‌یاب گفتار در دستگاه‌های با توان پردازشی كم مانند بلندگوهای هوشمند و تلفن‌های همراه رواج یافته است. استفاده از واژه‌یابی گفتار در این دستگاه‌ها با محدودیت‌های حافظه‌ای و پردازشی همراه است. از این رو، لازم است از روش‌هایی استفاده شود که در كنار دقت مطلوب، تعداد پارامتر‌های كمی نیز داشته باشد. در سال‌های اخیر، شرکت گوگل مبتنی بر مد‌های مطرح شبکه‌های عصبی پیچشی مانند موبایل نت، تی‌سی رزنت، اینسپشن و اکسپشن در حوزه‌ی واژه‌یابی گفتار به دقت مطلوبی دست یافته است. در این مقاله سعی شده است با بهره‌گیری از مکانیزم خودتوجه، دقت واژه‌یابی گفتار مبتنی بر مدل‌های مطرح مذکور افزایش یابد. نتایج ارزیابی حاکی از آن است که استفاده از مکانیزم خودتوجه باعث افزایش دقت %1.72ای مدل موبایل‌نت، %1.411ای مدل اینسپشن، %1.43ای مدل اكسپشن و %1.83ای مدل تی‌سی‌رزنت بدون تاثیر قابل توجه بر تعداد پارامترهای آموزش پذیر مدل‌های مذکور شده است. همچنین، در قیاس با سایر مدل‌های مطرح در حوزه‌ی واژه‌یابی گفتار، در بهترین حالت، به ازای کاهش حدود 2 درصد دقت، تعداد پارامترهای آموزش پذیر مدل 1000 برابر کاهش یافته‌اند.

فسفوریلاسیون یكی از مهمترین تغییرات پس از ترجمة سلول است که طی این فرآیند گروه‌های فسفری به جایگاه‌های خاصی از آمینواسیدها وصل می‌شوند. فسفریلاسیون نقش مهمی در اهداف دارویی و فرآیندهای بیولوژیكی بدن دارد. در سا‌ل‌های اخیر روش‌های محاسباتی و یادگیری ماشینی به عنوان اصلی‌ترین روش‌ها برای پیش‌بینی جایگاه‌ها استفاده شده‌اند. روش‌های محاسباتی برای پیش‌بینی جایگاه فسفوریلاسیون نقش مهمی در مطالعات عملكرد پروتئین‌ها دارند. این روش‌ها عموما از استخراج ویژگی‌های متفاوت برای حل مساله استفاده می‌کنند. از طرفی روش‌های یادگیری ماشینی به دو رویکرد تقسیم شده اند: رویکرد کلاسیک و رویکرد یادگیری انتها به انتها. در این مقاله ابتدا پایگاه‌ داده‌های اصلی موجود برای پیش‌بینی جایگاه فسفوریله مشخص و برررسی شده است. سپس روش‌های استخراج ویژگی در کنار روش‌های محاسباتی و یادگیری ماشینی مقایسه و تشریح شده است.

اخيرا تهديد خودي‌هاي بدسرشت به شدت مورد توجه پژوهشگران اين حوزه قرار گرفته است، اما تا رسيدن به راه حل‌هاي قابل اتکا در محيط‌‌‌‌ هاي تجاري راهي طولاني جلوی روست. دلايل اين مشکل را مي‌توان در وابستگي شديد به داده‌هاي عيني، عدم وجود روش ساخت يافته براي پيش پردازش داده‌ها و در نتيجه عدم بسط‌‌ پذيري آن و نيز نرخ بالاي اعلان‌هاي اشتباه و در مواردی زمان طولاني پردازش داده‌ها دانست. در اين تحقيق برآنیم با استفاده از يادگيري ماشين تحت نظارت راهکاري براي تشخيص تهديدهاي خودي بدسرشت ارائه شود. راهکار بر روي يک سناريو از رايج‌ترين سناريوهاي اين حوزه اعمال شده و نيز گام‌هاي آن در پيش‌پردازش داده‌ها به تفصيل مورد تشريح قرار گرفته است. همچنين، تفکيک مناسبي مابين نگرش کاربر محور و داده محور در نظر گرفته شده، تفاوت آنها با ارائه داده‌هاي حاصل از هر يک از نگرش‌ها بيان شده است. نهايتا با در نظر گرفتن نتايج، اين راهکار توانسته است با نرخ تشخيص بيش از ۹۶٪ و نرخ اعلان اشتباه کمتر از ۰/۶٪ تهديدهاي خودي را شناسايي نمايد. همچنین، راهکار نسبت به راهکارهاي مشابه از وابستگي کمتري به داده‌هاي عيني برخوردار بوده و نيز رويه پيش پردازش آن شفاف بوده و به همين دليل از بسط‌ پذيري قابل توجهي برخوردار است، به همين دليل استفاده از آن در ساير سناريوها نيز ممکن خواهد بود.

امروزه با افزایش تعداد وسایل‎ نقلیه متصل به اینترنت‎ اشیا (IoT)، شبکه‎‌های اقتضایی خودرو (VANET) در حال تغییر به اینترنت‎ وسایل‎ نقلیه (IoV) هستند. یکی از اهداف مهم اینترنت ‎وسایل‎ نقلیه این است که وسایل نقلیه بتوانند با رانندگان، عابران پیاده، سایر وسایل‎ نقلیه و زیرساخت‎های کنارجاده‌‎ای بصورت بلادرنگ ارتباط برقرار کنند. اما حمله انکارسرویس توزیع شده (DDoS) یکی از حمله‌های جدی در این محیط محسوب می‌‎شود. این حمله می‎تواند سرویس‎‌های اینترنت‎ وسایل‎ نقلیه را مختل کند و باعث ترافیک و تصادفات جاده‎‌ای شده و ایمنی کاربران را به خطر اندازد. از طرفی، تشخیص حمله انکارسرویس توزیع شده مبتنی بر بازتاب (DrDoS) به دلیل هویت پنهان آن دشوارتر است. بنابراین یک راه حل مبتنی بر یادگیری گروهی برای شناسایی انواع مختلف حمله انکارسرویس‎ توزیع شده مبتنی بر بازتاب در محیط اینترنت‎ وسایل‎ نقلیه پیشنهاد شده است. مدل پیشنهادی از الحاق دو مدل شبکه عصبی کانولوشن تشکیل شده است که این دو مدل با رویکرد بیزی با استفاده از براوردگرهای Parzen باساختار درختی، بهینه‌سازی شدند. عملکرد مدل پیشنهادی با مجموعه داده جدید CICDDoS2019 ارزیابی شده است. نتایج تجربی نشان می‎دهد که سیستم تشخیص نفوذ پیشنهادی به نرخ صحت ۹۹٪ رسیده است.

در اين مقاله يک روش جديد براي تخمين طيف فرکانسي سيگنال‌ها معرفي مي‌شود. اين روش بر اساس نمايش تنکi تابع خودبستگي سيگنال در يک پايه فرکانسي با اضافاتii ارائه مي شود. بدين وسيله اندازه پايه فرکانسي به نصف رسيده و در نتيجه حجم محاسبات به طور قابل ملاحظه‌اي کاهش مي‌يابد. نتايج شبيه‌سازي نشان مي‌دهد که کارآيي روش پيشنهادي نسبت به روش مرجع در مدت زمان بسيار کمتري، مشابه مي باشد

پروژه های فناوری اطلاعات به دلیل پیچیدگی زیاد ، در موارد متعددی به شکست می انجامند یا اینکه از زمان یا هزینه ی پیش بینی شده فراتر می روند . یکی از راه هایی که می توان با استفاده از آن جلوی شکست این پروژه ها را گرفت ، ارزیابی و ضعیت فعلی پروژه و بدست آوردن برآوردی از آینده ی پروژه است .در این مقاله قابلیتهای سامانه طراحی و ساخته شده "ساتاب" سامانه ی ارزیاب تحقق اهداف برنامه ای (شرایط پایان دهی) که با استفاده از مدل های تحلیل وضعیت به برآورد شرایط آتی یک پروژه در دست اجرا می پردازد ، توصیف شده است. این سامانه وضعیت فعلی را با آنچه که در ابتدای پروژه پیش بینی شده بود مقایسه شده و موارد عقب ماندگی از هزینه و زمان ، کارآیی زمان بندی و کارآیی هزینه ، بودجه ی تخمینی برای اتمام پروژه ، میزان کارآیی مالی پروژه و روند سودآوری آن را مشخص می کند. همچنین با استفاده از نظرات خبرگان در رابطه با معیارهای موفقیت و شکستی که در پروژه وجود دارد ، احتمالی برای موفقیت و شکست پروژه تعیین می کند و در نهایت به شناسایی خطرهای پروژه و ارائه ی راهکارهای بهبود طلب برای پروژه می پردازد . همچنین ارزیابی های پروژه در بازه های مختلف زمانی را باهم مقایسه می کند و بدین وسیله روند پایان دهی پروژه را نشان می دهد و در خاتمه یک گزارش تحلیلی نهایی رایانه ای شامل یک تصمیم توصیه ای در مورد توقف یا ادامه پروژه تا اتمام را تولید می کند.

در این مقاله روش جدیدی برای استخراج ویژگی از تصویر زیرکلمات چاپی فارسی با استفاده از تبدیل بسته­ی ویولت سیملت نوع 8، برای طراحی سیستم­های بازشناسی نوری نویسه ارائه شده است که برای چهار قلم زر، لوتوس، میترا و نازنین و سه اندازه­ی 12،14و16 ثابت است. با اعمال روش آنالیز اجزای اصلی ابعاد ویژگی­ها به 100×1 کاهش می­یابد تا ابعاد بزرگ بردار ویژگی باعث کندی سیستم نشود. برای مقایسه­ی نهائی، بردار ویژگی تصویر ورودی با بردار ویژگی تک تک تصاویر موجود در پایگاه داده مقایسه شده و از روی میزان شباهت دو کد، زیرکلمه بازشناسی می­شود. در این الگوریتم، برای بهبود نرخ بازشناسی می توان از کد نقاط زیرکلمه استفاده کرد. در این حالت جواب صحیح بدست می آید مگر در مواردی که کد نقطه­ی زیرکلمه­ی مجهول اشتباه شناخته شود. در مرحله­ی پس­پردازش با کد نقاط از یک مجموعه شامل 800 زیرکلمه با قلم­ها و اندازه­های مختلف 96% بدرستی بازشناسی شده­اند. نتایج بدست آمده بیان کننده­ی کارائی الگوریتم می­باشد.

تبديل ويژگي¬ها يک روش متداول در بازشناسی الگو است که مي تواند منجر به افزايش دقت رده بندي يا کاهش بار محاسباتي گردد. در اين مقاله يک روش تبديل ويژگی مبتنی بر ماکزيمم اطلاعات متقابل معرفی و ارائه می¬شود که اطلاعات متقابل ميان ويژگي¬ها و کلاسها را ماکزيمم مي¬کند. تبديل حاضر با يک روش تکراري و بر اساس افزايش گراديان نقطه¬ای تخمين زده مي¬شود. نتايج آزمايشات انجام گرفته روي دادگان UCI و دادگان TIMIT نشاندهنده عملکرد بهتر روش پيشنهادي نسبت به ديگر روشها است. در بين دادگان¬های UCI در دادگان Glass افزايش دقت 7.94 درصدی، نسبت به بهترين حالت تبديلات ديگر بدست آورده شده و در دادگان TIMIT اين افزايش 0.07 درصد مي¬باشد.

امروزه داده¬کاوی نقش مهمی در تجارت و فناوری اطلاعات ایفا می‌کند و روش‌های داده‌کاوی به طور وسیع در سازمان‌های تجاری به کار گرفته شده است. اگرچه به اشتراک‌گذاری داده‌ها در بین سازمان‌ها مزایای بسیاری را در اختیار آن‌ها قرار داده است، اما از طرفی این امر موجب گردیده که خطر افشای اطلاعات حساس در داده‌های منتشر شده افزایش یابد. پاک‌سازی اطلاعات به پروسه‌ای گفته می‌شود که در آن با استفاده از اعمال تغییراتی در پایگاه‌داده اصلی، مجموعه-آیتم¬های حساس مخفی‌سازی می‌شوند. پس از پاک‌سازی داده‌ها، پایگاه‌داده حاصل انتشار می‌یابد.اين مقاله به بررسي حفظ حريم خصوصی در يکي از روش-هاي داده¬کاوي به نام کاوش سودمندي مي¬پردازد. پیدا کردن راه حل بهینه برای مسأله پاک‌سازی پایگاه داده در کاوش سودمندی، یک مسأله برنامه‌ریزی غیرخطی عدد صحیح با قید¬های غیر خطی می‌باشد. الگوریتم‌های اکتشافی قبلي ارائه شده در اين زمينه اگرچه به خوبي توانسته¬اند حريم خصوصی را حفظ کنند، اما از لحاظ کيفيت داده¬هاي توليد شده از کارايي مناسبي برخوردار نيستند. در این مقاله یک الگوریتم تکاملی برای حل این مسأله ارائه شده است. نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که الگوريتم¬ارائه شده، از لحاظ کیفیت داده‌های تولید شده نسبت به الگوريتم¬هاي پيشين از برتري چشم¬گيري برخوردار است.

قطعه‌بندی تصاوير مغز يکي از اساسي‌ترين پروسه‌ها در آناليز بيماري‌های مغزی و طراحي برنامه‌هاي درمان است. تصاوير پزشکي همواره با مقدار قابل توجهي نويز ناشی از شرايط محيطي، ماهيت تصويربرداري و تاثیر امواج ساير تجهيزات پزشکي همراه است که منجر به ناکارآمدي روش‌هاي قطعه‌بندی مي‌شود. مدل میدان تصادفی مارکوف یک مدل آماری است که با یاری گرفتن از تعریف سیستم همسایگی و قیود وابستگی‌های فاصله‌ای تاثير نويز در قطعه‌بندی را کاهش داده و مساله قطعه‌بندی را به يافتن يک میدان برچسب‌گذاري شده با مقدار انرژي بهينه تبديل مي‌نمايد. روش‌های جستجوی گوناگونی برای یافتن این میدان بهینه پیشنهاد شده‌اند. اگرچه با کمک این روش‌ها موفقیت‌های چشمگیری در این زمینه بدست آمده اما در عمل بار محاسباتی بالا و سرعت کم این مدل برای انجام پروسه قطعه‌بندی کماکان یک چالش محسوب می‌شود. برای رفع این مشکل، در این مقاله یک روش ترکیبی جدید بر پایه الگوریتم بهینه‌سازی کلونی مورچگان و الگوریتم شایعه‌پراکنی به منظور قطعه‌بندی تصاویر سه‌بعدی مغز ارائه شده است. نتایج بدست آمده سرعت بالاتر روش پیشنهادی را نسبت به روش‌های موجود نشان می‌دهد.

ردگیری سریع ودقیق دست در بسیاری از کاربردها مانند بازشناسایی حرکات با معنی دست و واقعیت مجازی، از اهمیت بسیاری برخوردار است. ساختار مفصل شکل دست، وجود پس صحنه های درهم وپیچیده و انطباق‏هایی که دست با سایر نواحی پوستی می‏تواند داشته باشد، از چالش‏های موجود در تشخیص و ردگیری دست می‏باشد. در این مقاله روشی جدید برای تشخیص وردگیری دست بر پایه اطلاعات رنگ پوست، شکل دست و حرکت آن ارائه شده است به طوری که بتوان از آن در کاربردهای بلادرنگ استفاده کرد. همچنین توصیفگر جدیدی برای مدل کردن شکل دست، پیشنهاد شده است که نسبت به انتقال و تغییر اندازه پایدار می‏باشد.آزمایشات انجام شده در این مقاله نشان‏دهنده برتری روش پیشنهادی در ردگیری دست و توصیفگر شکل نسبت به روش‏های مشابه می‏باشد.

استخراجِ قوانين وابستگي در داده‌کاوي را مي‌توان به عنوان يك مسئله چندهدفه در نظر گرفت. اغلبِ روش‌هاي قبلي، قوانينِ پررخداد و با تعداد صفات زياد را از پايگاه داده كشف مي‌کنند که براي کاربر، جذاب و قابل فهم نمي‌باشند و اين قوانين را طي گذراندن دو مرحله مجزا از هم بدست مي‌آورند. علاوه براين، در بيشتر داده‌ها صفات عددي وجود دارد. اكثرِ اين روش‌ها قادر به کاوشِ اينگونه قوانين نيستند. در نتيجه گسسته کردن مقادير فيلدهاي عددي قبل از کاوش ضروري مي‌باشد که با از دست رفتن اطلاعات مفيد مواجه مي‌شويم. در اين مقاله با بهبود دادنِ الگوريتم جستجوي گرانشي، يک روش مناسب براي استخراج قوانين وابستگي عددي ارائه مي‌کنيم. در واقع يک الگوريتم جستجوي گرانشي بهبود يافته بر اساس مفهوم مقادير سخت مطرح مي‌کنيم. اين مقادير با بازه‌هاي بالا و پايين تعريف شده‌اند که رنجي از مقادير را مشخص مي‌کنند. روش پيشنهاد شده بدون نياز به گسسته¬سازي فيلدهاي عددي و استفاده از مقادير آستانه حداقل پشتيبان و اطمينان، مناسب‌ترين فواصل عددي را در يک اجرا کشف مي‌کند. نتايج حاصل از راهکار ارائه شده، حاکي از کارامد بودن اين روش است.

عدم دقت ذاتي داده در بسياري از برنامه¬هاي کاربردي، لزوم مديريت عدم قطعيت را نشان مي¬دهد. از آنجا که مديريت عدم قطعيت در داخل برنامه¬هاي کاربردي پيچيده بوده علاوه بر اينکه کارآمد نيز نمي¬باشد، نياز به سيستمي است که بتواند داده¬هاي غيرقطعي را به طور مناسبي مديريت کند. رويکردهاي مختلفي در اين رابطه وجود دارد اما روش استانداري نياز است که به صورت کارآمدي تمامي روش¬هاي موجود را با يکديگر مقايسه کند. محک پيشنهادي ما به منظور ارزيابي عملکرد سيستم¬هاي مديريت جريان داده احتمالاتي (PDSMS) در مقايسه با يکديگر و همچنين پايگاه داده¬هاي احتمالاتي (PDB) طراحي شده است. محک PLR نسخه احتمالاتي محک Linear Road است که خصوصيات ترافيکي يک سيستم بزرگراه ساده را شبيه¬سازي مي-کند. در محک پيشنهادي با استفاده از تعريف عوارض متغير، ميزان تراکم بزرگراه¬ها مديريت مي¬شود در حالي¬که بيشترين تمرکز بر روي مفاهيم احتمالاتي است. در اين مقاله، بعد از مقدمه¬اي کوتاه در خصوص محک در سيستم¬هاي احتمالاتي، چالش¬هاي موجود را مورد بررسي قرار مي¬دهيم. ساختار محک پيشنهادي را با توصيف داده¬هاي ورودي، پرس¬وجوها و معيارهاي ارزيابي بررسي مي¬کنيم. در آخر نيز مقايسه عملکرد برخي از PDSMSها را به عنوان کار آينده خود مطرح مي¬نماييم.

الگوريتم‌هايي براي بدست آوردن دو درخت پوشاي کمينه

در بازارهای واقعی مدل های اقتصادی فراوانی برای تنظیم قیمت منابع گرید بر مبنای عرضه و تقاضا و میزان ارزشمندی منابع برای متقاضیان وجود دارد. مذاکره یکی از پر کاربردترین مدلهای اقتصادی در راستای مدیریت منابع در گرید است. عامل های نرم افزاری مذاکره کننده نقشی بسزا در راستای محقق سازی مذاکره ایفا می نمایند. ایده اصلی در این مقاله طراحی عامل رفتار- بازارگرای مذاکره کننده تحت نام (MBDNA )به منظور مدیریت تخصیص منابع در گرید است . MBDNAمقدار مناسب امتیاز قابل واگذاری در فرآیند مذاکره را با لحاظ فاکتورهای رقابت،فرصت،زمان باقیمانده تا deadline و رفتار پیشین حریف حساب می کند.ارزیابی عملکرد MBDNA در مقایسه با عامل مذاکره کننده MDA با رویکرد دو معیار: کامل شدن وظیفه و بودجه پرداختی در محیط شبیه ساز Gridsim صورت پذیرفت.نتایج شبیه سازی نشان دهنده بهبود در هر دو معیار ذکر شده است.