انجمن کامپیوتر ایران

بر اساس رو ش ها ي نوين بازاريا بي، بازاريابان و مديران شرکت ها و فروشگا ه هاي بزرگ، فعالي ت هاي بازاريابي خود را بر روي مشتريان سودآور و وفادار متمرکز کرد ه اند. رقابت ميان فروشگا هها و شرکت ها زياد شده و مشتريان ب ه مهم ترين منابع درآمد شرك ت هاي تجاري و فروشگا ه هاي خرده فروشي تبديل شد ه اند. مديران براي رقابت با ساير شرك ت ها و سرمايه گذاري مطمئن ، بايد سود درازمدت گر و هي مشتريان را پي ش بيني کنن د. يكي از راهکارهاي تخمين سود درازمدت گروهي مشتريان، استفاده از فرآيند تصاد في مارکو ف اس ت. اما هنگامي كه تعداد حال ت هاي فرآيند مذکو ر زياد باشد، مديران بر اساس تعداد زيادي از حال ت ها نم ي توانند تصمي م گيري مناسب و کارآمدي براي سرمايه گذاري بلندمدت انجام دهند. در اين راهکار، با استفاده از روش هاي داده کاوي ١ تعداد حالت ها كاهش پيدا م يکند و سود درازمدت گروه هاي مشتريان با دقت بسيار زيادي پيش بيني م ي شود. براي آزمايش راهکار ارائه شده ، از بانک اطلاعاتي يک فروشگاه خرده فروشي مواد غذايي استفاده شده اس ت. اين بانک اطلاعاتي، توسط شرکت م ايکروسافت ارائه شده است و حاوي اطلاعات کامل مشتريان و فروش دو سالانه فروشگاه هاي مذکور است.

د ر پردازش زبان های طبیعی ، استخراج ریش ۀ واژگان از اهمیت زیادی برخوردار است و یکی از اساسی ترین نیازهای موتورهای جستجو، نرم افزارهای تبدیل متن به گفتار و مترج م های ماشینی م ی باشد . ریشه یاب های طراحی شده برای زبان فار سی، قادر به ریش هیابی واژگان وام گیری شده (عاریتی) نمی باشند. در این مقاله یک ریشه یاب خودکار برای واژگان عاریتی زبان فارسی که ساختار و ریشۀ عربی دارند طراحی گردیده. این ریشه یاب م ی تواند مکمّل خوبی برای ریشه یاب های زبان فارسی باشد . ریشه یاب مذکور مورد آز مایش قرار گرفته و نتایج بسیار خوبی را تولید نموده است.

در این مقاله یک روش سریع و کارا براي خوشهبندي مستندات اکس-ام-ال بر اساس ساختار آنها ارائه میشود. با توجه به رشد و توسعه سریع وب، روشهاي سنتی مدیریت اطلاعات کارساز نبوده و نیاز به سیستمهاي سازگار با بستر جدید احساس میشود. سیستمی که خوشهبندي مستندات اکس-ام-ال در وب را انجام میدهد، یکی از این نمونهها است. در روش پیشنهادي براي هر سند یک شماي فرضی ساخته شده و در طول مراحل الگوریتم به عنوان نماینده آن سند استفاده میشود. به دلیل حجم بسیار کوچک این نمایندهها نسبت به مستندات اصلی، استفاده از آنها سرعت کار را بطور چشمگیري افزایش میدهند. پس از مقایسه این شماها و یافتن میزان تفاوت (فاصله) بین آنها، عملیات خوشهبندي را بروي آنها اعمال میکنیم. علاوه بر سرعت بالا و پیچیدگی محاسباتی کمتر، دیگر ویژگی مثبت این روش قابلیت توسعه و تعمیم آن براي انواع خوشهبنديهاي متفاوت است. نتایج بدست آمده قدرت نسبتا مناسب روش پیشنهادي با توجه به هزینههاي زمانی و محاسباتی آن را نشان میدهد.

انتقال جريانهاي ويديويي در شبکههاي حسگر، چالش ه اي زيادي به همراه دارد. يکي از اين چالشها احتمال زي اد وقوع ازدحام است که به دليل بالا بودن نرخ و خاصيت انفجاري جريانهاي وي ديويي و همچنين محدوديت منابع در شبکههاي حسگر پديد ميآي د. در اي ن مقاله، يک روش کنترل ازدحام جديد براي اين نوع شبکهها معرفي شده است. اين روش هم محدوديتهاي موجود در شبکهه اي حسگر مانند محدوديت انرژي و حجم بافر کم گرهها و هم محدوديتهاي کاربردهاي ويديويي مانند حساسيت به تاخير و تغييرات آن را در نظر گرفته است . روش پيشنهادي از تفاوتهايي که ميان اولوي ت بسته ه اي وي ديويي وجود دارد، براي کنترل ازدحام استفاده ميکند. نت ايج ارزيابي که با شبيه ساز NS2 و ابزار Evalvid انجام شده، نشان ميدهد که استفاده از اين روش علاوه بر بالا بردن کيفيت ويديوي دريافتي، انرژ ي کمتري از گرهها را نيز مصرف ميکند.

ترجمه ماش يني مي تواند د ر سطوح مختلف پردازش زبان انجام شود كه هر چه عمق تحل يل بي شتر باشد (سطوح بالاتر ) به پردازش پيچيده تر و نت يجه مطلوب تر منجر خواهد شد . ما در ا ي ن مقاله به صورت مختصر نتيجه پياده ساز ي ي ك مترجم ماش يني از زبان فارس ي به انگل يسي را شرح خواهيم داد كه از سطح معنايي براي ترجمه استفاده مي كند. مترجم توليد شده مبتن ي بر قاعده بوده و گرامرهاي مورد استفاده در آن براي هر دو زبان انگليسي و فارسي بر اساس تئوري گرامري HPSG بنا شده است . معنا در اين مترجم توسط ساختار معنايي MRS نمايش داده مي شود.

بازشناسي زبان، تشخيص زبان يك گفتار يا گويش تلفني ضبط شده مي باشد كه امروزه با توسعه استفاده از فناوري اطلاعات در صنايع مختلف كاربردهاي آن روز به روز افزايش مي يابد . در اين مقاله براي دسته بندي زبان يك گويش تلفني از روش هاي ،PRLM ،GMM PPRLM و PPR استفاده مي شود. آزمايش ها بر روي دادگان تلفني OGI-MLTS انجام شده است. بهترين نتيجه بدست آمده مربوط به روش PPR است كه با دقت 87/91% داده هاي 45 ثانيه اي و با دقت %79/48 داده هاي 10 ثانيه اي زبان فارسي و انگليسي را از هم تشخيص مي دهد. بهترين راندمان بدست آمده براي تشخيص همزمان 10 زبان به كمك روش GMM برابر 59/94% است.

در اين مقاله يك الگوريتم مبتني بر گراف براي تركيب سرويس ها ارائه شده است. اگر چه كارهاي متفاوتي در رابطه با تركيب سرويس ها موجود مي باشد اما در اين كارها تاكيد بر جنبه هاي مختلفي از تركيب سرويس ها مانند چگونگي بيان سرويس ها، چگونگي تطبيق ميان سرويس ها، ارائه معماري براي تركيب سرويس ها و... مي باشد. در اين مقاله تاكيد ما بر خود الگوريتم تركيب، درستي آن و توليد همه جواب ها مي باشد. الگوريتم ارائه شده براساس درخواست كاربر به ساخت گراف ارتباطي ميان سرويس ها مي پردازد و با جستجو در گراف سرويس هاي تركيبي مورد انتظار كاربر را پيدا مي كند. گراف ميان سرويس ها مي تواند داراي گره ها و يال هاي فراوان و حلقه هاي متعدد باشد و نگهداري و بروز رساني آن، بدليل تغييرات در سرويس ها، مشكل است. الگوريتم ما گراف ميان سرويس ها را به صورت يك گراف مستقيم بدون حلقه و متناسب با هر درخواست كاربر به گونه اي ايجاد مي كند كه تمامي سرويسهاي تركيبي كه ميتوانند پاسخ كاربر باشند را دارا باشد. پس از ايجاد اين گراف مستقيم بدون حلقه ما با يك الگوريتم مسيريابي بازگشتي و با استفاده از يك پشته سرويس هاي تركيبي را از آن استخراج مي كنيم.

The power of grid technology in aggregating autonomous resources owned by several organizations into a single virtual system has made it popular in compute-intensive and data-intensive applications. Complex and dynamic nature of grid makes failure of users’ jobs fairly probable. Furthermore, traditional methods for job failure recovery have proven costly and thus a need to shift toward proactive and predictive management strategies is necessary in such systems. In this paper, an innovative effort is made to predict the futurity of jobs submitted to a production grid environment (AuverGrid). By analyzing grid workload traces and extracting patterns describing common failure characteristics, the success or failure status of jobs during 6 months of AuverGrid activity was predicted with around 96% accuracy. The quality of services on grid can be improved by integrating the result of this work into management services like scheduling and monitoring.

The discovery of suitable web services for a given task is one of the major operations in SOA architecture, and researches are being done to automate this step. For the large amount of available Web services that can be expected in real-world settings, the computational costs of automated discovery based on semantic matchmaking become important. To make a discovery engine a reliable software component, we must aim at minimizing both the mean and the variance of the duration of the discovery task. For this, we present an extension for discovery engines in SWS environments that exploit structural knowledge and previous discovery results for reducing the search space of consequent discovery operations. Our prototype implementation shows significant improvements when applied to the Stanford SWS Challenge scenario and dataset.

A hybrid feature and decision level information fusion architecture is proposed for human emotion recognition from facial expression and speech prosody. An active buffer stores the most recent information extracted from face and speech. This buffer allows fusion of asynchronous information through keeping track of individual modality updates. The contents of the buffer will be fused at feature level; if their respective update times are close to each other. Based on the classifiers’ reliability, a decision level fusion block combines results of the unimodal speech and face based systems and the feature level fusion based classifier. Experimental results on a database of 12 people show that the proposed fusion architecture performs better than unimodal classification, pure feature level fusion and decision level fusion.

In this paper we propose a new integration method for multi-feature object tracking in a particle filter framework. We divide particles into separate clusters. All particles within a cluster measure a specific feature. The number of particles within a cluster is in proportion to the reliability of associated feature. We do a compensation stage which neutralizes the effect of particles weights mean within a cluster. Compensation stage balances the concentration of particles around local maximal. So, particles are distributed more effectively in the scene. Proposed method provides both effective hypothesis generation and effective evaluation of hypothesis. Experimental results over a set of real-world sequences demonstrate better performance of our method compared to the common methods of feature integration.

This paper introduces a revisited hybrid algorithm for function approximation. In this paper, a simple and fast learning algorithm is proposed, which automates structure and parameter identification simultaneously based on input-target samples. First, without need of clustering, the initial structure of the network with the specified number of rules is established, and then a training process based on the error of other training samples is applied to obtain a more precision model. After the network structure is identified, an optimization learning, based on the criteria error, is performed to optimize the obtained parameter set of the premise parts and the consequent parts. At the end, comprehensive comparisons are made with other approaches to demonstrate that the proposed algorithm is superior in term of compact structure, convergence speed, memory usage and learning efficiency.

This paper estimates and segments the moving objects based on center of mass model to decrease the search window and to provide a new algorithm, which achieves an accurate and rapid tracking. Furthermore, a novel method is proposed to update the template size adaptively by using estimation and segmentation of moving objects. The estimated results of moving target is transformed to wavelet domain and target tracking is performed in that domain. To improve the algorithm center of mass model is performed in wavelet domain. By using kalman predictor and thresholding method, a new approach is presented for object tracking failure and recovery.

Human can determine optimal behaviors which depend on the ability to make planned and adaptive decisions. In this paper, we have proposed a predictive structure based on neuropsychological evidences to model human decision making process by concentrating on the role of frontal brain regions which are responsible for predictive control of human behavior. We have considered a model-based reinforcement learning framework to implement the relations between these brain areas. Finally, we have designed an experimental test to compare the function of model with human behavior in a maze task. Our results reveal that there is more than reward and punishment in human behavior, and considering higher cognitive functions such as prediction will help to have more reliable models which could better describe human behavior.