کمپرسورها از مولفه‌های مهم و اساسی در طراحی ضرب کننده هستند. آنها در کاهش درخت ضرب و جمع حاصلضرب‌های جزئی نقش اساسی دارند. اما نوع کمپرسورها از لحاظ تعداد ورودی و خروجی و نحوه چیدمان آنها به شدت بر کارآیی ضرب کننده تاثیر گذار است. به همین دلیل، مدارها، معماری‌ها، و الگوریتم‌های زیادی تا به امروز برای ساخت ضرب کننده ارائه شده است. این مقاله، الگوریتمی جدید برای ایجاد درخت ضرب 16 بیتی ارائه می‌دهد. الگوریتم پیشنهادی تنها از کمپرسورهای کامل که از تمام توان و ظرفیت خروجی استفاده می‌کنند، بهره می‌برد. بعلاوه، این کمپرسورها فاقد رقم نقلی ورودی و خروجی هستند. بنابراین، از تولید سیم‌های اضافی نیز جلوگیری می‌شود. الگوریتم پیشنهادی با نگاه به آینده و رویکرد رو به جلو تا جای ممکن مانع از ایجاد نیم جمع کننده در ساختار درخت ضرب می‌شود. همین موضوع دلیل حذف 32 نیم جمع کننده نسبت به الگوریتمی که پیشتر ارائه شده است، می‌باشد. همچنین، مدار پیشنهادی یک تمام جمع کننده و تعداد 50 نیم جمع کننده سخت افزار کمتری از دیگر ضرب کننده ای که از کمپرسورهای کامل استفاده نمی‌کند، دارد. ضرب کننده‌ها با کد ساختاری VHDL بر روی FPGA پیاده سازی و مقایسه شده اند. نتایج حاصل از سنتز مدارها حکایت از برتری ضرب کننده جدید دارد. نتایج شبیه سازی نشان می‌دهد که ساختار ارائه شده باعث بهبود قابل توجهی در میزان تاخیر و میزان استفاده از منابع سخت افزاری دارد.

‌ حسگر بیسیم شبکه‌های با منابع محدود از نظر حافظه، منبع انرژی، قدرت پردازشی و شعاع حسی هستند. بر اساس محدودیت‌های جدی در این شبکه‌ها، پوشش به یک مسئله اساسی و چالش ‌برانگیز تبدیل‌شده است که بر این مسئله تأکید دارد که حسگرها تا چه اندازه می‌توانند منطقه نظارتی را به‌ خوبی پوشش دهند. این مقاله، با استفاده از تئوری بازی‌ها سعی بر ارائه راهکاری برای کاهش حفره پوششی در کل شبکه را دارد. الگوریتم ارائه ‌شده بر اساس ناهمگن کردن شعاع حسی در حسگرهای ثابت با توزیع تصادفی پایه‌ریزی شده است. برای تحقق این امر، از الگوریتم ژنتیک به‌عنوان ابزار بهینه‌سازی استفاده می‌شود. روش پیشنهادی ابتدا با استفاده از ساختار مثلثی دیاگرام HSTT، جمعیت اولیه را تشکیل می‌دهد. سپس برای هر حسگر در شبکه، شعاع حسی به ‌صورت تصادفی اختصاص داده می‌شود. با استفاده از تابع برازندگی الگوریتم ژنتیک، نسلی که کمترین حفره را در شبکه دارد به‌عنوان نسل نهایی انتخاب شود. نتایج شبیه‌سازی نشان می‌دهد این راهکار در مقایسه با روش‌های همگن در این زمینه به شکل مؤثرتری توانسته است پوشش را در شبکه افزایش دهد.

کیفیت داده‌ها یکی از مباحث بسیار مهم در حوزه مهندسی نرم افزار می‌باشد. در سال های اخیر راهکارهای مختلفی جهت پاکسازی و ارتقاء کیفیت داده ها ارائه شده است. بسیاری از این راهکارها از روش‌های کاملا اتوماتیک و مبتنی بر الگوریتم به منظور شناسایی و تصحیح مشکلات کیفیت‌ داده‌ای استفاده می‌کنند. این راهکارها در حوزه پاکسازی داده‌های ساخت یافته، عملکرد مناسبی دارند ولی بخش قابل توجهی از داده‌های دنیای امروز را داده‌های غیرساخت‌یافته و نیمه ساخت یافته تشکیل می‌دهند که روش‌های یادشده، عمدتا به دلیل مشکلات پیچیدگی الگوریتم و عدم امکان پیاده‌سازی بسیاری از قواعد کیفیت داده‌ای، عملا کارایی خود را در این حوزه‌ها از دست می‌دهند. در این مقاله جهت شناسایی و تصحیح مشکلات کیفیت داده‌ای، یک رویکرد مبتنی بر جمع سپاری ارائه شده است که با استفاده از قابلیت های هوش انسانی قادر است در حوزه های داده‌ای نیمه ساخت یافته و غیرساخت یافته هم عملکرد مطلوبی داشته باشد و با توجه به نیازمندی‌های کاربر و بهره‌گیری از مفاهیم حوزه مهندسی کیفیت، امکان ارتقاء سطح کیفی داده‌ها را با در نظر گرفتن محدودیت‌های مهندسی موجود فراهم کند.

با افزایش میزان تقاضای محتوای چندرسانه‌ای، گونه جدیدی از شبکه‌های توزیع محتوا به نام شبکه جریان‌سازی ویدئو نظیربه‌نظیر چندکاناله مطرح شده است. در این شبکه‌ها، گره‌های دستیار، از یک سو میزان ارجاعات نظیرها را به سرور کاهش می‌‌دهند. از سوی دیگر، به‌عنوان ریز-سرورهای تأمین‌کننده محتوا، نقاط اتصال جدیدی را جهت دریافت محتوای مورد نظر هر نظیر، در اختیار آنها قرار می‌دهند. از طرفی، برای تضمین توازن بار، نیاز به هماهنگ‌سازی میان تصمیمات نظیرها بر سر پیوستن به گره‌های دستیار است. به دلیل نبود نظارت مرکزی در شبکه‌های واقعی، این هماهنگ‌سازی باید به صورت غیرمتمرکز توسط نظیرها و با اتکا به اطلاعات محلی‌شان محقق گردد. در این مقاله، مسألۀ انتخاب دستیار برای دریافت کانال خاص در یک سیستم نظیر-به-نظیر با جمعیت بالا، به عنوان بازی تکاملی مدل شده است که نقطۀ تعادل آن به منزلۀ برقراری هماهنگی میان انتخاب‌های نظیرهاست. تعادل بازی فرمول¬بندی شده، نقطۀ ثابت معادلۀ معروف پویای همانندساز است که ما برای محاسبۀ آن، نظیرها را مجهز به یک الگوریتم یادگیری غیرمتمرکز می‌نماییم. الگوریتم پیشنهادی قابلیت همگرایی برخط به تعادل بازی را با مفروضات اطلاعاتی پایین فراهم می‌آورد. نتایج شبیه‌سازی حاکی از کارایی الگوریتم پیشنهادی در ایجاد هماهنگی میان نظیرها و برقرای توازن بار در سیستم جریان‌سازی است.

امروزه به کارگیری ماشین‌های با تعداد هسته‌های پردازشی زیاد امری رایج در انجام پردازش‌های تحلیلی بر روی داده‌ها گردیده است. همچنین مدل کردن داده‌ها به صورت گراف در کاربردهای بسیاری از جمله شبکه‌های اجتماعی، شبکه‌های بیولوژی و غیره صورت گرفته است. در این حوزه، زیرگراف کاوی جزء مسائل جذاب است که در آن می‌توان زیرگراف‌های ‌با خصوصیات مدنظر را از گراف (حجیم) ورودی استخراج کرد. یکی از زیرگراف‌های ‌پرکاربرد k-truss است که از آن برای به دست آوردن اجتماعات منسجم، نقاط پرچگال و افرازبندی استفاده می‌شود. در این مقاله یک الگوریتم چندهسته‌ای کارا و مقیاس پذیر برای یافتن زیرگراف‌های ‌k-truss ارائه شده است. برای این منظور ابتدا یک الگوریتم چندهسته‌ای برای شمارش مثلث‌ها با ایجاد یک ساختار مناسب به نام FONL از گراف ورودی پیشنهاد شده است. سپس از خروجی‌های آن، یک الگوریتم تکرارشونده ارائه شده است که به صورت موازی آن یال¬های گراف، که خصوصیت k-truss را نقض می‌کنند، حذف می‌نماید. روش پیشنهادی با استفاده از مجموعه گراف‌های ‌استاندارد بر روی یک ماشین 12 هسته‌ای اجرا شده است. نتایج آزمایشات نشان دهنده مقیاس پذیری مناسب و کارایی بالای روش پیشنهادی در مقایسه با دیگر روش‌های موازی است.

در رشته‌های مهندسی از جمله مهندسی نرم افزار، اندازه‌گیری کیفیت به عنوان یک فعالیت ضروری جهت تعیین کارایی فرآیند ساخت، قابلیت استفاده و استحکام محصول نهایی به شمار می‌رود. اندازه‌گیری کیفیت سبب فهم بهتر، کنترل، ردیابی مسیر تغییرات و در نهایت بهبود کیفیت محصول نهایی خواهد شد. امروزه استفاده از آنتولوژی در سیستم‌های هوشمند جهت بازنمایی و اشتراک دانش دامنه در حال افزایش است. آنتولوژی نیز مانند هر محصول مهندسی دیگر، نیاز به روشی جهت اندازه‌گیری و ارزیابی کیفیت دارد. در طول سال‌های اخیر، روش های زیادی برای اندازه‌گیری و ارزیابی کیفیت آنتولوژی ارائه شده است که اکثر آن‌ها سعی در ارائه متریک و روش اندازه‌گیری بعد کیفی ساختاری آنتولوژی داشته اند. مساله‌ای که کمتر در اندازه‌گیری این بعد مورد توجه قرار گرفته است در نظرگرفتن معنا و دانش ضمنی آنتولوژی است. در این مقاله از تکنیک نقشه کشی دانش، جهت بازنمایی دانش ضمنی استفاده شده است. سپس بر مبنای این روش بازنمایی و مدل کیفی ساختار آنتولوژی، متریک‌هایی جهت اندازه‌گیری زیرفاکتور کیفی دقت ساختاری پیشنهاد شده است. در پایان متریک‌های پیشنهادی امکان سنجی شده اند و اعتبار و صحت آن‌ها نیز مورد بررسی قرار گرفته شده است.

محاسبه‌ی امن و گروهی روی داده‌های خصوصی، توجه پژوهشگران حوزه‌ی امنیت اطلاعات را بیش از پیش به خود جلب نموده است. اولین مسئله از این دست، مسئله‌ی میلیونرهاست که در آن دو میلیونر بدون افشای میزان سرمایه‌ی خود و بدون استفاده از طرف سوم، قصد دارند بدانند کدامیک ثروتمندتر است. در اين تحقیق، مسئله‌ی جمع چندسویه‌ی امن مورد توجه گرفته‌است که در آن گروهی از کاربران مجموع داده‌ی محرمانه خود را با حفظ محرمانگی داده‌ها محاسبه می‌کنند. در این مقاله یک پروتکل کارا جهت محاسبه‌ی جمع چندسویه‌ی امن در مدل بدخواه ارائه شده است. راهکار پیشنهادی، بدون نیاز به کانال امن و با هزینه‌ی ارتباطی کمتر نسبت به روش‌های موجود، قادر به محاسبه‌ی حاصل جمع است. به‌علاوه، راهکار پیشنهادی محرمانگی حاصل‌جمع را تأمین نموده و در مقابل تبانی جزئی تا سطح n-2 نفر امن است.

در اين مقاله، از طریق طبقه‎بندی تصایر رنگی شبکیه‎ی چشم، یک سیستم تشخیص خودکار پزشکی برای بیماری آب سیاه طراحی می‎شود. در تصویر شبکیه نشانه‎های بیماری آب سیاه، در ناحیه سرعصب بینایی ظاهر می‎شود.در اکثر موارد تشخیص بیماری در زمان مناسب انجام نمی‎گیرد و یک سیستم کمک تشخیص پزشکی می‎تواند بسیار مفید واقع شود. روش پیشنهادی شامل پنج بخش 1- پیش پردازش تصویر، 2- مکان‎یابی و استخراج خودکار دیسک‎ نوری ، 3- تولید ماسک‎های باینری، 4-استخراج ویژگی و 5- طبقه بندی تصاویر است. در این مقاله الگوریتمی جدید جهت استخراج الگوی رگها مبتنی بر فیلتر تقویت بالا و تبدیل پایین کلاه مورفولوژی ارائه می‎گردد.ایده اصلی در بخش استخراج ویژگی این است که ویژگی ها به صورت محلی استخراج شوند تا قابلیت تفکیک پذیری بالاتری داشته باشند، که شامل توصیف گرهای آماری سطوح شدت داخل دیسک‎نوری و ویژگی بافت حاشیه اطراف آن است. در این مقاله در بخش طبقه بندی برای بالا بردن قابلیت تعمیم شبکه عصبی MLP و جلوگیری از بیش برازش آن، روش جدیدی بر پایه رویکرد توقف زود هنگام و تحلیل T^2 ارائه می‎گردد.روش پیشنهادی بر روی پایگاه داده استاندارد تصاویر شبکیه آزمایش شده، که 100 تصویر سالم و 82 تصویر بیمار با دقت 96% درصد طبقه بندی شده است.

روش‌های انتخاب نمونه به دنبال کاهش نیازمندی‌های حافظه، بهبود عملکرد دسته‌بندها و کاهش زمان محاسباتی برای الگوریتم‌های یادگیری مبتنی بر نمونه هستند. اکثر این روش‌ها، تلاش می‌کنند بهترین زیرمجموعه از نمونه‌ها را برای الگوریتم‌های یادگیری ماشین، انتخاب کنند. ما در این مقاله، یک روش انتخاب نمونه را معرفی می‌کنیم که FFP-IS نام دارد. این روش مبتنی بر الگوهای فازی نادر است که در نمونه‌های مرزی قرار دارند. هدف اصلی این الگوریتم این است که نمونه‌های نزدیک به مرز تصمیم‌گیری بین کلاس‌ها حفظ و سایر نمونه‌ها حذف شوند. ما روش پیشنهادی را با تعدادی از معروف‌ترین الگوریتم‌های انتخاب نمونه مورد مقایسه قرار داده‌ایم. برای ارزیابی عملکرد روش پیشنهادی از الگوریتم دسته‌بند KNN استفاده شده است. در آزمایش‌های انجام‌شده، تعدادی از مجموعه داده‌های موجود در مخزن داده‌ای UCI را مورد بررسی قرار داده‌ایم. نتایج به‌دست‌آمده نشان می‌دهد که روش پیشنهادی حدود 90 درصد از نمونه‌های هر مجموعه داده را کاهش می‌دهد و دارای بهترین میانگین دقت نسبت به سایر روش‌ها است. در واقع می‌توان گفت این روش، نمونه‌های مرزی مناسب را انتخاب می‌کند.

تشخيص نويسنده بر اساس متون دست‌نویس از زمینه‌هایی است که از قدیم متداول بوده و امروزه با توجه به گسترش هوش مصنوعی و پردازش تصویر، محققان سعی در ارتقا الگوریتم‌های اتوماتیک این کار دارند. با توجه به پیچیدگی‌های ساختاری زبان فارسی نسبت به سایر زبان‌ها از نظر فرم و تحریرهای موجود در دست نوشته، تشخیص هویت نویسنده بر اساس فرم دست خط در فارسی مطمئنا می‌تواند کارایی مناسب‌تر و در عین حال ویژگی‌های پیچیده‌تری داشته باشد. با توجه به کارهای اندک انجام شده در زمینه تشخیص نویسنده بر اساس دست نوشته در زبان فارسی، در این مقاله سعی شده بر اساس ویژگی های عمومی مبتنی بر گرادیان، یک مدل احتمالاتی برای هر نویسنده در هر گرافم برآورد شده و سپس کارایی مدل بدست آمده در تشخیص نویسنده بررسی شود. نتایج پیاده‌سازی روش پیشنهادی بر روی یک پایگاه داده نسبتا جامع فارسی، انطباق بسیار بالای مدل احتمالاتی پیشنهادی و دقت بسیار مناسب و سرعت بالای آن را در تشخیص نویسنده نشان می‌دهد.

دسته‌بندی نیمه نظارتی مبتنی بر منیفلد در سال‌های اخیر مورد توجه بسیاری از پژوهشگران واقع شده است. رویکرد های موجود از فاصله اقلیدسی به صورت محلی برای تقریب فاصله روی منیفلدها و اعمال فرض هموار بودن روی منیفلد استفاده می‌کنند. در فضایی که چند منیفلد با یکدیگر اشتراک دارند این تقریب در نواحی اشتراک صحیح نبوده و باعث انتشار اشتباه برچسب‌ها می‌شود. در این مقاله الگوریتمی برمبنای تفکیک نقاط داخلی منیفلد از سایر نقاط جهت دسته‌بندی نیمه نظارتی روی منیفلدهای متقاطع جهت یادگیری دسته‌بند مبتنی بر اتصالات مطمئن‌تر در گراف ارائه کننده‌ی داده پیشنهاد شده است. تفکیک نقاط داخلی از سایر نقاط بر مبنای رفتار متمایز لاپلاسین تابع هموار روی هر منیفلد در نقاط داخلی نسبت به سایر نقاط صورت می‌گیرد. الگوریتم پیشنهادی وزن یال‌های گراف ارائه کننده‌ی منیفلد را جهت انتشار برچسب اصلاح می‌کند. در مقایسه با رویکردهای دسته‌بندی نیمه نظارتی روی چند منیفلد، رویکرد پیشنهادی فرض مشخص بودن ابعاد ذاتی منیفلدها را نداشته، نیاز به تعداد خیلی زیاد داده‌های بدون برچسب ندارد، همچنین خصوصیات همسایگی مشابه به تمام همسایگی‌ها نسبت نمی‌دهد. آزمایش‌ها روی مجموعه داده‌های مصنوعی و واقعی نشان دهنده‌ی دقت خوب روش پیشنهادی نسبت به روش‌های مشابه است.

در راستای فراهم آوردن سرعت پردازش بیش‌تر، تولیدکنندگان تجهیزات کامپیوتری همواره در صدد افزایش کارایی محصولات خود بوده‌اند. امروزه پردازنده‌های چند هسته‌ای به عنوان راهی برای رسیدن به کارایی و موازی‌سازی بیش‌تر مورد استفاده قرار می‌گیرند. استفاده‌ی مناسب از منابع پردازشی در این پردازنده‌ها می‌تواند در افزایش کارایی برنامه‌ها بسیار موثر باشد و در نقطه‌ی مقابل، عدم استفاده‌ی بهینه و شایسته از آن‌ها نه تنها باعث عدم افزایش کارایی بلکه در مواردی باعث افت شدید کارایی در برنامه‌ها خواهد شد. یکی از مناسب‌ترین مدل‌های برنامه‌نویسی برای موازی‌سازی داده، مدل نگاشت-کاهش می‌باشد. چارچوب‌های مختلفی بر طبق این مدل به وجود آمده‌اند که چارچوب Phoenix++ برای سیستم‌های با حافظه مشترک پیاده‌سازی شده است و هدف آن پشتیبانی از اجرای کارا روی سیستم‌های چند هسته‌ای است بدون این‌که برنامه‌نویس مسئولیت مدیریت هم‌روندی را بر عهده داشته باشد. با توجه به اهمیت کاهش مصرف انرژی در سال‌های اخیر، زمان اجرا را نمی‌توان به عنوان تنها معیار ارزیابی کارایی در نظر گرفت. قربانی کردن کارایی به خاطر کاهش انرژی، به یکی از معیار‌های مهم ارزیابی یک سیستم کامپیوتری مبدل گشته است. به منظور کاهش انرژی، می‌توان از قابلیت‌های سخت‌افزاری مانند تنظیم پویای ولتاژ و فرکانس استفاده کرد. با این حال قابلیت‌های سخت‌افزاری را نمی‌توان به تنهایی کافی دانست و از این رو باید آن را با منطق دیگری ادغام نمود تا بتوان مشخص کرد که به چه میزانی باید از تکنیک‌های کاهش انرژی استفاده کرد که درعین‌حال کارایی نیز حفظ شود و زیاد افت نکند. در این مقاله مدلی ارائه می‌کنیم که با در نظر گرفتن تعداد هسته‌های فعال، تعداد نخ‌ها، سطح فرکانس کاری و شمارنده‌های کارایی معیار انرژی-کارایی را برای برنامه‌های موازی مبتنی بر Phoenix++ پیش‌بینی می‌کند و با نتایج آزمایش‌هایی که بر روی سیستم واقعی به دست آورده‌ایم دقت مدل را گزارش می‌کنیم.

مدارهای DCVS از جمله ساختارهای شناخته شده در طراحی مدارهای مجتمع هستند. این روش طراحی منجر به تولید همزمان دو خروجی می‌شود. به دلیل وجود افزونگی ذاتی در ساختار داخلی، از این مدارها معمولا در کاربردهای تشخیص خطا استفاده می‌کنند. سرعت بالا از دیگر مزایای این طرح است. در این مقاله، یک نیم جمع کننده سه ارزشی بر این اساس و با استفاده از جمع خازنی ارائه می‌شود. طرح پیشنهادی نمونه منحصربفردی است که تا جایی که نویسندگان این مقاله اطلاع دارند، قبلا مشابه آن وجود نداشته است. طراحی مدار با استفاده از ترانزیستورهای نانو لوله کربنی انجام می‌شود. این فنآوری نوظهور به عنوان اصلی ترین جایگزین ترانزیستورهای ماسفت در آینده شناخته می‌شود که قابلیت‌های زیادی به ویژه برای طرح‌های چند ارزشی ایجاد می‌کند. شبیه سازی‌هایی که با نرم افزار HSPICE و تکنولوژی 32 نانو متر انجام گرفته است نشان از استحکام و سرعت بالای مدار پیشنهادی دارد.

اینترنت و سرویس‌های مبتنی بر آن، به‌طور قابل توجهی کسب و کارهای مختلف از جمله صنعت گردشگری را تحت تاثیر قرار داده و تنوع بسیاری در سرویس‌ها و محصولات آن فراهم آورده‌اند. با افزایش چشمگیر تعداد انتخاب‌ها در بسته‌های سفر، هتل‌ها، جاذبه‌های گردشگری و ...، پیدا کردن آن چه که گردشگر بدان نیاز دارد، بسیار دشوار شده است. به همین دلیل، سیستم‌های توصیه‌گر گردشگری مورد توجه محققان و کسب و کارها قرار گرفته‌اند. جاذبه‌های گردشگری، اغلب دلیل تمایل افراد به سفر و گردشگری هستند. این تحقیق، یک سیستم توصیه‌گر اجتماعی-ترکیبی را در بستر تجارت اجتماعی پیشنهاد می‌دهد که می‌تواند یک فهرست شخصی‌سازی شده از جاذبه‌های گردشگری برای هر گردشگر، مبتنی بر تشابه تمایلات و علایق کاربران، اعتماد، شهرت، روابط و جوامع اجتماعی ایجاد کند. در مقایسه با روش‌های قدیمی پالایش مشارکتی و مبتنی بر محتوی و ترکیبی، مزیت روش پیشنهاد شده جامعیت به‌کارگیری از فاکتورهای مختلف و لحاظ کردن فاکتور اعتماد در منابع توصیه مانند شناسایی رتبه‌دهی‌های برون هشت می‌باشد. نتایج حاصل از آزمایش‌ها برتری روش پیشنهادی نسبت به سایر روش‌های رایج را تایید می‌کند؛ مدل پیشنهادی، می‌تواند در توصیه سایر محصولات و سرویس‌ها در صنعت گردشگری و دیگر کسب وکارهای اجتماعی بکار گرفته شود.

در سال‌های اخیر و با رشد روز افزون داده‎ها، حجم انبوهی از داده‎ها ذخیره و نگه‎داری می‌شوند که تمام این داده‌ها جهت استفاده مجدد مورد نیاز نخواهند بود. یکی از روش‎های کاهش حجم داده‎های تکراری و کم اهمیت، روش انتخاب ویژگی‎های مهم می‌باشد. این مقاله با استفاده از الگوریتم بهینه‎سازی کلونی مورچگان که به عنوان یک روش ابتکاری مطرح است، به دنبال کاهش ابعاد مجموعه‎داده‎ها با حفظ عملکرد اولیه داده‎ها می‌باشد. از روش Wrapper و شبکه عصبی برای انتخاب ویژگی‎ها استفاده شده است. در این مقاله محاسبه فاصله ویژگی‎ها (η) با دو روش SUFC و SUFF انجام خواهد شد. نتایج نشان‏ دهنده عملکرد مناسب الگوریتم در مجموعه ‎داده‎های بزرگتر می‌باشد.

این پژوهش یک روش تشخیص چهره مبتنی بر تئوری ماشین حالت مایع ارائه می‌دهد که قادر است با تعداد محدودی از ورودی‌ها در فاز آموزش، ورودی‌ها را در فاز آزمون با دقت بالایی بازشناسی کند. ماشین حالت مایع که یکی از کلاس‌های شبکه‌های عصبی اسپایکی به شمار می‌رود، توانایی پشتیبانی محاسبات بلادرنگ را با به بکارگیری یک سیستم دینامیکی همگن بعد بالا، که بوسیله ورودی‌های متغیر با زمان آشفته شده است را دارد. یکی از مهمترین کاربردهای ماشین حالت مایع بازشناسی الگو می‌باشد. ما در این پژوهش، یک مدل ساده از قشر بینایی انسان را بوسیله ماشین حالت مایع مدل کرده و با استفاده از این شبکه به بازشناسی چهره پرداخته‌ایم. برای مدل‌سازی ماشین حالت مایع، از ساختار و نحوه اتصالات لایه‌های مختلف قشر بینایی انسان الهام گرفتیم، بطوریکه ساختار و اتصالات آن را مانند قشر بینایی انسان در نظر گرفتیم، که این کار منجر به بهبود قابل ملاحظه‌ای در دقت بازشناسی شد. مهمترین ویژگی روش ارائه شده، بالا بودن دقت بازشناسی چهره با توجه به تعداد نمونه‌های اندک ورودی در فاز آموزش است بطوریکه این شبکه قادر است پس از اتمام فرایند آموزش الگوهای جدید را با دقت بالایی بازشناسی کند.

استاندارد IEEE 802.11n ویژگی‌های لایه فیزیکی و پیوند داده در شبکه‌های بی‌سیم محلی را توصیف می‌کند و با بهبود برخی مکانیسم‌های موجود در این دو لایه، قادر است نرخ داده را تا 600 مگابیت برثانیه افزایش دهد. یکی از قابلیت‌های این استاندارد، امکان تجمیع فریم لایه MAC به منظور کاهش سربار در انتقال بسته‌های داده است که به نوبه‌ی خود باعث افزایش بهره‌وری کانال می‌گردد. در این مقاله الگوریتم پویایی برای تنظیم اندازه فریم تجمیعی در نقطه دسترسی مبتنی بر اعتبار میزبان‌های شبکه 802.11n ارائه می‌کنیم. در روش پیشنهادی، نقطه دسترسی بصورت مداوم و با توجه به شرایط کانال، به هر ایستگاه اعتباری اختصاص می‌دهد. در هر بازه‌ی زمانی سرویس، نقطه دسترسی، اندازه فریم تجمیعی هر ایستگاه را بر اساس میزان اعتبار فعلی آن محاسبه و به همان میزان داده به ایستگاه مذکور ارسال می‌نماید. مساله تخصیص اعتبار به هر ایستگاه را به صورت یک مساله بهینه‌سازی محدب مدل و مکانیسم پیشنهادی را در شبیه‌ساز NS3 پیاده‌سازی نمودیم. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی کارایی شبکه را از نقطه نظر بهره‌وری کانال و میانگین تأخیر انتها به انتها و نیز میزان انحراف از تأخیر آستانه بهبود می‌بخشد.

مسأله تشخیص جنسیت نویسنده متن، یکی از مسائل مورد استفاده در حوزه داده کاوی و متن کاوی است که جهت شناسایی هویت مجهول و یا غیر واقعی تعدادی از کاربران اینترنتی و کاربران شبکه‌های اجتماعی بکار رفته است. هدف از ارائه این مسأله این است که با استفاده از یک یا چند روش بهینه در زمینه تجزیه و تحلیل متون، بتوان مدلی را استخراج کرد که با استفاده از آن، ضریب احتمال تشخیص صحیح برای تعیین جنسیت نویسندگان متون مورد نظر (مرد یا زن بودن نویسنده) را بالا ببریم. یکی از دلایل اصلی ضرورت پرداختن به این موضوع، جلوگیری از سوء استفاده‌های احتمالی از دیگر کاربران، توسط افراد ناشناس یا افراد با هویت جعلی است. راهکارهایی که در این مقاله، برای حل مسأله تشخیص جنسیت نویسنده متن استفاده شده است، شامل دو بخش است، بخش اول شامل یک شیوه جدید وزن دهی به نام معکوس فراوانی سند وابسته به جنسیت (GIDF) است که مبنای آن روش معکوس فراوانی سند (idf) می‌باشد. بخش دوم استفاده از یک روش فراابتکاری ترکیبی مبتنی بر روش خفاش‌ها به نام روش ترکیبی خفاش‌ها – زنبورهای مصنوعی (BABC) است که با الگوریتم طبقه بندی ماشین بردار پشتیبان ترکیب شده و وظیفه آن بهبود نتایج حاصل از طبقه بندی SVM بوسیله انتخاب بهترین ویژگی‌ها جهت ساخت مدل پیشنهادی است. مجموعه داده مورد استفاده جهت ساخت مدل، شامل 3000 نمونه جمع آوری شده از متون نگاشته شده توسط مرد و زن در سایت بلاگفا است که 50 درصد از کل نمونه مربوط به متون مربوط به زن و 50 درصد دیگر مربوط به متون مربوط به زن است. نتایج بدست آمده توسط الگوریتم‌های پیشنهادی نشان می‌دهد که دقت کلاس‌بندی برابر با 85.5 درصد است.

در این مقاله روشی برای بازنمایی معنایی جملات به منظور انجام استنتاج‌های منطقی بر روی متن ارائه شده است. در این شیوه از ویژگی‌های معنایی پردازش زبان مانند برچسب زنی نقش معنایی برای ذخیره‌ی حقایق در قالب پایگاه شناخت استفاده شده است. ماهیت ابهام‌آلود زبان طبیعی، بازنمایی منطقی آن را به یک مسئله باز برای پژوهش‌های حاضر تبدیل کرده است. علاوه بر این وجود عدم اطمینان و وجود حقایقی که تنها در بازه‌های زمانی خاص معتبر هستند، از چالش‌های دیگر در امر استنتاج روی زبان طبیعی هستند. برای حل این چالش‌ها سیستم پیشنهادی از یک پایگاه شناخت مبتنی بر دیدگاه دیویدسونی برای بازنمایی اخبار استفاده می‌کند. در طرح پیاده‌سازی شده اخبار ورودی با برچسب‌های معنایی در قالب یک پایگاه شناخت (OWL) ذخیره می‌شوند و در کنار منایع دانش مانند پایگاه شناخت‌های عمومی و واژگان زبان به موتور استنتاج داده می‌شوند. این سیستم خبره توانایی استنتاج بر روی متن خبر ورودی را با قواعد برخط تعریف شده توسط کاربر دارا می‌باشد. این سیستم قابلیت افزودن قواعد مورد نیاز کاربر و پایگاه‌های شناخت دلخواه را داراست.

یکی از چالش‌های شبکه‌های بی سیم حسگر مساله بهره‌وری انرژی است. افزایش پایداری و طول عمرشبکه و ایجاد پروتکل‌های مسیریابی انرژی بهره‌ور در این شبکه‌ها بسیار مهم است. دراین مقاله از یکی از پروتکل‌های خوشه‌بندی متمرکز و نامتقارن به‌نام MCEEC بهره گرفته شده که ناحیه شبکه را به سه قسمت مساوی تقسیم کرده و در هر ناحیه گره‌هایی با سطح انرژی متناسب با آن ناحیه به‌طور یکنواخت پخش شده‌اند. ایستگاه پایه با استفاده از الگوریتم کنترل مرکزی مسئول انتخاب سرخوشه می‌باشد و گره‌ها می‌بایست در هر دور اطلاعات خود را به این ایستگاه بفرستند که خود موجب اتلاف انرژی بیشتر و افزایش سر بار و ترافیک و کندی روند همگرایی شبکه می‌شود. برای بهبود این مشکلات در فاز نشست اصلاحاتی انجام می‌دهیم به این شکل که با اضافه کردن پارامتر دیگری به ساختارشبکه و اعمال تغییرات همزمان به الگوریتم مرکزی، روند انتخاب سرخوشه را دقیق‌تر می‌کنیم و گره‌هایی که قبلا سرخوشه شده‌اند، دیگر انتخاب نمی‌شوند تا زمانیکه تمام گره‌های داخل ناحیه حداقل یکبار سرخوشه شوند. این کار باعث بهبود در زمان پایداری و طول عمر و سرعت همگرایی شبکه می‌شود. نتایج بدست آمده از شبیه‌سازی الگوریتم فوق افزایش هشت درصدی طول عمر و ده درصدی زمان پایداری و چهار درصدی سرعت همگرایی شبکه را نشان می‌دهد.