اختلال طيف اوتيسم يکي از مهم‌ترين بيماري‌هاي عصب شناختي است. اوتيسم يک اختلال مغزي است که در تعاملات اجتماعي و نحوه برقراري ارتباطات فرد اشکالاتي را ايجاد مي‌کند. با پيشرفت فناوري تصويربرداري مغزي، گراف ساختاري نواحي مغز در دسترس قرار دارد. پژوهش‌هاي پيشين در طبقه‌بندي شبکه‌هاي ساختاري در دو گروه داراي کنترل‌هاي سالم يا داراي اختلال اوتيسم با محدوديت‌هاي زيادي از جمله مهندسي ويژگي و زمان اجرا مواجه هستند. در اين مقاله، پس از پيش پردازش هر شبکه، تصويري از آن توليد شده و مسئله طبقه‌بندي شبکه‌هاي پيچيده به طبقه‌بندي تصاوير ساده با استفاده از يادگيري ماشين تبديل مي‌شود. دقت اين روش نسبت به پژوهش‌هاي پيشين داراي بهبود قابل توجه‌، سرعت بيشتر و برخورداري از قابليت پياده‌سازي موازي است و به نظر مي‌رسد که مي‌توان از آن براي ساير گونه‌هاي بيماري‌هاي عصب شناختي بهره برد. نتايج اين تحقيق با راهبرد LOOCV (leave out one cross validation) ارزيابي و نشان داده شده که اطمينان روش پيشنهادي به اندازه‌اي است (ميانگين دقت 99%) که بتوان از آن به عنوان يک ابزار کمک تشخيصي مناسب بهره جُست.

هپاتيت C يک عفونت ويروسي است كه سبب التهاب كبد گرديده و يکي از خطرناک‌ترين بيماري‌هاست. به‌طورکلي، هپاتيت C ناشي از عفونت‌هاي ويروسي است. با توجه به اينکه حوزه مراقبت سلامت هرروز بيشتر به مباحث كامپيوتري وابسته مي‌شود، ضرورت كمک به پزشکان در شناسايي و درمان هپاتيت C در مراحل اوليه حس مي‌شود. دقت ويژگي به تصميم‌گيري براي درمان درست و متعاقباً در درمان بيماري‌ها كمک مي‌کند. ازآنجايي‌که ويژگي اوليه و زودهنگام بيماري هپاتيت C يک امر بسيار مهم و حياتي است و تکنيک‌هايي مثل ماشين بردار پشتيبان، شبکه عصبي، درخت تصميم و الگوريتم ژنتيک هركدام راه‌حلي براي افزايش دقت ارائه داده‌اند اما هركدام از اين تکنيک‌ها به‌تنهايي مشکلاتي از قبيل پيچيدگي محاسباتي، عدم انجام پيش‌پردازش بر روي‌داده‌ها يا زمان اجراي طولاني دارند كه به همين علت دقت خوبي در ويژگي اين بيماري ارائه نداده‌اند. در اين مقاله جهت افزايش دقت ويژگي بيماري هپاتيتC از تکنيک‌هاي انتخاب ويژگي مبتني بر الگوريتم ملخ دودويي استفاده مي‌شود. انتخاب ويژگي روشي براي انتخاب زيرمجموعه‌اي مفيد از ويژگي‌ها است. همچنين در اين مقاله از سه روش SVM, NB, J48 براي طبقه‌بندي و ارزيابي معيارهاي موردبررسي استفاده‌شده است. نتايج نشان مي‌دهد الگوريتم ملخ باينري به‌عنوان عامل انتخاب‌کننده ويژگي به همراه الگوريتم SVM دقت بهتري را در ويژگي بيماري هپاتيت C ارائه داده است. مجموعه داده‌هاي مورداستفاده در اين مقاله از مخزن UCI برداشت‌شده و ابزار مورداستفاده نرم‌افزار MATLAB مي‌باشد.

ايجاد بستري قابل اعتماد جهت فعال نمودن دو دسته کاربرد ايمني و رفاهي/تجاري در شبکه‌هاي موردي بين خودرويي، به صورت انکار ناپذيري وابسته به عملکرد صحيح پروتکل‌هاي مسيريابي است. پروتکل‌هاي مسيريابي که تاکنون مطرح شده‌اند چالش‌هاي فراواني داشته‌اند. در اين مقاله ما روش نويني را مطرح مي‌کنيم که از ايده‌ي روشهاي مبتني بر جدول استفاده مي‌کند. به اين ترتيب که با جمع‌آوري اطلاعات مناسب از خودروها و ساخت جداول مسيريابي، با در نظرگرفتن دو پارامتر تعداد همسايگان غير يکسان و اعتبار، مناسب‌ترين گره را به منظور بازپخش اطلاعات در شبکه‌هاي موردي بين خودرويي انتخاب خواهد کرد. همچنين به منظور ارزيابي و تحليل کارايي پروتکل پيشنهادي دو آزمايش انجام داده شد. در اين دو آزمايش تاثير افزايش تعداد گره‌ها و همچنين تاثيرافزايش سرعت گره‌ها را بر روي سه معيار تاخير انتها به انتها، نرخ بازپخش پيام و پيام‌هاي سلام دوره‌اي بررسي کرديم. نتايج شبيه‌سازي نشان داد که روش پيشنهادي داراي کارايي و بهره‌وري به مراتب بهتر نسبت به ديگر روش‌هاي مطرح شده است.

به وجود آمدن اينترنت اشياء يا IoT بسياري از مسائل مربوط به شبکه‌هاي بي‌سيم را تحت تأثير قرار داد. با توجه به تعدادِ زياد تجهيزات بي‌سيم، همچنين کاربردهاي متنوع اينترنت اشياء در زندگي روزمره انسان‌ها، روش‌هاي کنترل دسترسي به رسانه انتقال MAC و مسيريابي کارآمد نقش مهمي در تضمين دست‌یابي به اهداف نهايي شبکه، که در نهايت موجب رضايت کاربران مي‌شود، ايفا ميکند. در اين مقاله، يک الگوريتم مسيريابي شناختي آگاه از وضعيت رسانه و آگاه از انرژي پيشنهاد شده‌است. در اين روش، يک شبکه از اتوماتاي يادگير با مجموعه اعمال متغير براي ساختن مسير از مبدأ به مقصد به کار گرفته مي‌شود. انتخاب مسير در هر گام به صورت توزيع شده و خود-تطبيقي، و با در نظر گرفتن قابليت اطمينان اتصال (پارامتر کنترل دسترسي به رسانه)، انرژي گره (پارامتر فيزيکي مؤثر)، و فاصله گره تا مقصد (پارامتر مسيريابي) انجام مي‌شود. به اين ترتيب، روش پيشنهاد شده قابليت‌هاي اصلي يک روش شناختي را دارا مي‌باشد. نتايج حاصل از شبيه سازي و مقايسه با پروتکل‌هاي کارآمد و رايج پيشين نشان مي‌دهد، که اين روش قادر است معيارهاي مهم کارآيي شبکه، يعني قابليت اطمينان انتها به انتها، تآخير انتها به انتها، و ميزان مصرف انرژي را بهبود بخشد

يکي از چالش‌هاي پيش روي سيستم‌هاي بازشناسي چهره، مقاوم بودن در برابر وجود پوشيدگي موضعي بر روي تصاوير در حالت‌هاي مختلف چهره است. هدف اصلي، بررسي پوشيدگي موضعي بر روي تصاوير پايگاه داده Bosphorus است. پايگاه داده بسفر شامل تصاوير دوبعدي بافت و سه بعدي عمق چهره است که قبلا با ترکيب اين تصاوير يک سيستم بازشناسي چهره مقاوم به حالت‌هاي مختلف چهره با شبکه‌هاي کانولوشني طراحي شده است، در اين مقاله قصد داريم به بررسي تاثير پوشيدگي موضعي بر روي اين سيستم بپردازيم. در سيستم طراحي شده با تصاوير حالات چهره متشکل از 105 فرد شبکه کانولوشني به دقت 97.22% مي‌رسد، اين سيستم در برابر پوشيدگي‌هاي قسمت‌هاي مختلف چهره همچون نوک بيني، کل ناحيه بيني، ناحيه چشم‌ها و دهان مورد آزمايش قرار گرفته است و به ترتيب به نتايج 95.65%، 93.65%، 63.79% و 83.57% دست يافته ايم. نتايج بيانگر تاثير بسيار زياد چشم‌ها در سيستم بازشناسي چهره مقاوم به حالت‌هاي مختلف است و کمترين تاثير در اين سيستم را ناحيه نوک بيني بر عهده دارد. روش پيشنهادي در مقايسه با کارهاي اخير با افزايش دقت همراه است

شبکه‌هاي جمع-ضرب نسل جديدي از شبکه‌هاي احتمالي عميق هستند که قادرند استنتاج دقيق را از مرتبه خطي بر حسب تعداد يال‌هاي گراف شبکه انجام دهند. اين شبکه‌‌ها قادر هستند توزيع‌هاي احتمالي را به صورت فشرده در يک ساختار لايه‌اي کدگذاري نمايند. در اين مقاله، ما اين شبکه را با درخت تصميم، که مي‌توان آن را حالت خاصي از شبکه جمع-ضرب در نظر گرفت مقايسه کرديم. حاصل اين مقايسه، درخت تصميمي با ساختار مبتني بر شبکه جمع-ضرب شد که قدرت بيان بيشتري دارد.

گريد نسل جديدي از شبكه‌هاي توزيع يافته است و همانند اينترنت به‌ كاربران خود اجازه مي‌دهد فايل‌ها را به ‌اشتراك بگذارند. علاوه بر اين، منابع مشتركي از اطلاعات را براي استفاده‌كنندگان فراهم مي‌كند. با عنايت به ويژگي‌هاي خاص محيط گريد، نظير پويايي بالا و ناهمگوني منابع و اعضاي اين شبکه، چالش‌هايي در اين بستر رايانشي مطرح مي‌باشد. يکي از چالش‌هاي اصلي در محيط‌هاي گريد، کشف منابع است. هدف اکتشاف منابع، شناسايي ليستي از منابع در دسترس، جهت واگذاري به کارها مي‌باشد. در اين مقاله، با استفاده از اختصاص دادن اعداد اول به‌ عنوان وزن گره‌هاي درخت، الگوريتم جديدي ارائه شده است که در آن، چندين شبکه با ساختار داخلي سلسله‌مراتبي با روش ابر گره، با هم در ارتباط هستند. نتايج حاصل از آزمايشات و مقايسه آنها با روش‌هاي مرتبط اخير، حاکي از بهبود روش پيشنهادي از نظر تعداد گره‌هاي ملاقات شده در حين روند جستجو تا 50% ، مقياس پذيري و کاهش بار پردازشي ناشي از محاسبه وزن يال‌هاي درخت است.

با کاهش روز‌افزون ابعاد تکنولوژي و نيز ولتاژ‌هاي تغذيه مشکلاتي نظير افزايش نرخ خطاي نرم و جريان‌هاي نشتي پيش مي‌آيند که کارايي مدار‌هاي ديجيتال مبتني بر تکنولوژي CMOS را به طرز چشمگيري کاهش مي‌دهند. در سال‌هاي اخير تکنولوژي FinFET براي حل مشکل جريان‌هاي نشتي خصوصا در ابعاد زير 25 نانومتر پيشنهاد شده است. در اين مقاله به بررسي و مقايسه ساختار‌هاي لچ مقاوم در تکنولوژي‌هاي CMOS و FinFET پرداخته شده است. ساختار‌هاي لچ درتکنولوژي FinFET اگرچه از لحاظ پارامتر‌هاي عملکردي مانند توان و تاخير وضعيت به مراتب بهتري نسبت به تکنولوژي CMOS دارند اما تکنولوژي CMOS از لحاظ مقاومت در برابر خطاي نرم عملکرد بهتري را از خود نشان مي‌دهد. لذا در اين مقاله راهکاري براي بهبود کيفيت مقاومت ساختار‌هاي لچ از طريق مهندسي افزاره در تکنولوژي FinFET ارائه شده است. در اين روش با افزايش ظرفيت خازن‌ها مقاومت گره‌هاي حساس مدار در برابر خطاي نرم افزايش مي‌يابد. نتايج شبيه‌سازي‌ها نشان مي‌دهد ساختار‌هاي بهينه هم‌چنان برتري خود را از نظر پارامتر‌هاي عملکردي نسبت به ساختار‌هاي مشابه در تکنولوژي CMOS حفظ مي‌کنند.

هرزبرگ وب با هدف دستکاري در نتايج حاصل از موتورهاي جويشگر ايجاد شده و موجب بي‌اعتمادي کاربران به اين موتورها و ضرر و زيان‌هاي فردي و اقتصادي مي‌شوند، از اين رو موتورهاي جويشگر انگيزۀ زيادي براي شناسايي صفحات هرز و کنار گذاشتن آنها دارند. ماهيت مسئلۀ شناسايي هرزبرگ، جداسازي و دسته‌بندي صفحات در دو گروه «قانوني» و «هرز» است و به همين دليل استفاده از روش‌هاي يادگيري ماشيني روش مناسبي براي حل اين دسته از مسائل به شمار مي‌آيد. از آنجا که روش‌هاي مورد استفادۀ هرزسازها با سرعت زيادي در حال ارتقا است، ابزار مورد استفاده در فرايند دسته‌بندي نيز بايد قابليت سازگاري و تعميم بالايي داشته باشد لذا شبکه‌هاي عصبي مصنوعي در زمرۀ بهترين ابزارها براي حل اين دسته از مسائل قرار مي‌گيرند. در اين مقاله شبکۀ پرسپترون چندلايه طراحي شده و با پياده‌سازي آن بر روي مجموعه دادۀ Web-Spam UK2006، ميزان سنجۀ F برابر با 56/77 به دست آمد. در بخش دوم تحقيق، براي بهبود عملکرد بازيابي، ويژگي جديدي به مجموعه دادۀ قبلي افزوده شد و پس از پياده‌سازي شبکه، ميزان سنجۀ F برابر با 06/78 به دست آمد که نسبت به تحقيقات پيشين داراي نتايج به مراتب بهتري است.

تخمين ترافيک جاده‌اي در نواحي شهري، به دليل وابستگي به زيرساخت‌هايي مانند دوربين و حلقه شناساگرها اغلب پرهزينه هستند. سنجش جمعي خودرويي يک راه‌حل در حال ظهور براي جمع‌آوري داده‌ها از خودروهاي هوشمند است. در برنامه‌هاي کاربردي سنجش جمعي خودرويي، مقدار زيادي داده‌هاي ترافيکي بين خودروها جمع‌‌آوري‌شده و سپس روي شبکه‌ي LTE ارسال مي‌شود که اين عمل منجر به افزايش بار شبکه‌هاي LTE شده است. در اين مقاله استفاده‌ي مشترک از ارتباطات شبکه‌ي سلولي LTE و ارتباطات DSRC شبکه‌ي اقتضايي خودرويي به‌عنوان راه‌حلي براي حل اين مسئله در نظر گرفته‌شده است. بدين منظور يک روش خوشه‌بندي براي جمع‌آوري داده‌هاي سنجش جمعي خودرويي، به‌منظور بارگذاري اين داده‌ها روي شبکه‌ي LTE ارائه‌شده است. پروتکل پيشنهادي شامل يک پروتکل جمع‌آوري داده‌هاي FCD است که به‌طور کامل توزيع‌شده است، در اين پروتکل داده‌هاي FCD به‌صورت دوره‌اي توسط زيرمجموعه‌اي از خودروها تحت عنوان گره نماينده جمع‌آوري مي‌شود و با يک روش مناسب توسط اين گره‌ها تجميع شده و پس‌ازآن به شبکه‌ي LTE ارسال مي‌شود. دستاوردهاي حاصل از پروتکل پيشنهادي، کاهش هزينه‌ي جمع‌آوري داده، کاهش استفاده از پهناي باند، کاهش انتقال‌هاي انجام‌شده بر روي شبکه‌ي LTE و کاهش تعداد کانال‌هاي LTE مورداستفاده در زمان بارگذاري داده‌ها است.

با توجه به افزايش لحظه‌اي حجم اطلاعات منتشر شده در اينترنت، يکي از داغ‌ترين موضوعات، تشخيص سريع وقوع يک رويداد از اين اطلاعات مي‌باشد. تشخيص رويداد به دو دسته‌ي گذشته‌نگر و برخط تقسيم مي‌شود که هدف اولي، يافتن رويدادها در مجموعه‌اي از اسناد از پيش جمع‌آوري شده است، درحاليکه دومي بر شناسايي رويدادهاي جديد در جريان‌هاي خبري برخط تمرکز دارد. در اين مقاله، روشي مبتني بر گراف عبارات براي تشخيص برخط رويداد در وب‌سايت‌هاي خبري ارائه شده است. روش پيشنهادي، گرافي از عبارات انفجاري ايجاد مي‌کند که اين گراف براساس هم‌رخدادي عبارات موجود در اسناد تشکيل مي‌شود. در اين روش، ويژگي‌هاي جديدي شامل کليک‌هاي کاربران بر اسناد و فراواني وزن‌دار عبارات موجود در اسناد از دادگان استخراج مي‌شوند. سپس با به کارگيري اين ويژگي‌ها در وزن‌دهي گراف و پس از آن اجراي الگوريتم تشخيص جامعه به‎روي گراف، خوشه‌هاي عبارات توصيف کننده‌ي هر رويداد شناسايي مي‌شوند. نتايج نشان مي‌دهد که روش پيشنهادي از نظر دقت و فراخواني در مقايسه با روش‌هاي گذشته پيشرفت چشمگيري (براي مثال، نزديک به پنج برابر بهبود از نظر معيار دقت) داشته است.

امروزه با پيشرفت تکنولوژي و ظهور روش‌هاي نوين بازشناسي گفتار، استفاده از گفتار براي تعامل با ماشين و انجام امور روزانه بيش از پيش مرسوم شده است. تعداد زيادي از امور روزانه مانند تراکنش‌هاي بانکي، پرداخت قبوض و سيستم‌هاي خدمات‌رساني با ارقام در ارتباط هستند. از سوي ديگر اکثر اين امور با استفاده از گوشي‌هاي تلفن همراه صورت مي‌پذيرد. در اين مقاله، دو رويکرد مبتني بر شبکه باور عميق و ماشين بردار پشتيبان به منظور بازشناسي اعداد تک رقمي فارسي در تلفن همراه ارائه و ارزيابي شده‌اند. به منظور بهبود بازشناسي ارقام فارسي در دسته‌بندهاي مبتني بر قاب (ماشين بردار پشتيبان و شبکه باور عميق)، استخراج نتايج در سطح کلمه از نتايجِ در سطح قاب و اصلاح مرزبندي نواحي سکوت و گفتار الگوريتمي ارائه شده است که با بهره گيري از قوانين ساده، خطاي در سطح قاب را به طور قابل توجهي کاهش مي‌دهد. براي ارزيابي روش‌هاي پياده‌سازي شده يک مجموعه دادگان از ارقام مجزاي فارسي مبتني بر تلفن همراه جمع‌آوري و برچسب‌گذاري شده است. آموزش و آزمون دسته‌بندهاي در سطح قاب کاملا مستقل از گوينده و در دو حالت (با استفاده از ويژگي‌هاي حساس و غير حساس به محتوا) انجام شده است. نتايج ارزيابي‌ها بر روي دادگان مذکور حاکي از عملکرد قابل توجه دسته‌بندهاي در سطح قاب در حالت حساس به محتوا در مقايسه با حالت غير حساس به محتوا (حدود 5% بهبود دقت) و تاثير چشمگير الگوريتم کاهش خطاي در سطح قاب (حدود 10% بهبود دقت) مي‌باشد.

تجزيه و تحليل نظرات کاربران، يک حوزه فعال در پردازش زبان طبيعي مي‌باشد که هدف آن، شناسايي، استخراج و سازماندهي نظرات متون توليد شده توسط کاربر مي‌باشد. در طول دو دهه گذشته، بسياري از مطالعات در اين حوزه، از روش‌هاي يادگيري ماشين براي حل وظايف تجزيه و تحليل نظرات ديدگاه‌هاي مختلف بهره برده‌اند. از آنجايي که امروزه روش‌هاي يادگيري عميق به عنوان مدل‌هاي محاسباتي قدرتمند، قادر به تفسير و درک معنايي متن و داده‌ها مي‌باشند، در اين مقاله روشي براي تعيين سنجمان کلمات و عبارات فارسي با استفاده از يادگيري عميق و ميدان‌هاي تصادفي شرطي (CRF) پيشنهاد شده است. در واقع به اين علت که کلمات و عبارات مي‌توانند در متن‌ها و بافتارهاي مختلف داراي سنجمان‌هايي متفاوتي باشند، هدف اين مقاله دادن بار معنايي به آن‌ها بوده و سيستم قادر به تشخيص سنجمان‌هاي مختلف آن‌ها مي‌باشد. به دليل اينکه سنجمان کلمات و عبارات مجاور بر روي يکديگر اثر مي‌گذارد، نتيجه CRF در روش پيشنهادي بهتر از softmax مي‌باشد.

شبکه‌هاي حسگر بي‌سيم چندرسانه‌اي (WMSN) با چالش‌هاي خاص خود از جمله نياز به پهناي باند بالا، روشهاي فشرده‌سازي متنوع، تأمين کيفيت سرويس و محدوديت منابع در دسترس روبرو هستند. در اين شبکه‌ها، انتقال محتواي چندرسانه‌اي فشرده روي کانال‌هاي بي‌سيم مستعد خطا، احتمال بروز خطا را به شدت افزايش مي‌دهد. از سوي ديگر به دليل محدوديت پهناي باند کانال بي‌سيم و انرژي گره‌هاي حسگر، نمي‌توان به شکل دلخواه، حجم داده ارسالي را با داده‌هاي افزونه براي تشخيص و تصحيح خطا افزايش داد. از اين رو، کنترل خطا در WMSN از جمله مسائل چالش‌برانگيز و موضوع تحقيقات گسترده‌اي بوده است.مکانيزم‌هاي کنترل خطاي لايه‌اي به دليل محدوديت دسترسي به اطلاعات ساير لايه‌ها، عملکرد مناسبي در اين شبکه‌ها ندارند. در مقابل، مکانيزم‌هاي کنترل خطاي بين لايه‌اي موجود عليرغم بهبود کنترل خطا، محدوديت‌هاي ازدحام شبکه و مصرف انرژي را لحاظ نمي‌کنند. در اين مقاله يک روش کنترل خطاي بين لايه‌اي بهبوديافته پيشنهاد مي‌شود که با بهره‌گيري از اطلاعات بين لايه‌اي و در نظر گرفتن ترافيک و محدوديت‌هاي WMSN، به شکل پويا ميزان افزونگي در داده‌هاي کنترلي را تنظيم مي‌کند. نتايج شبيه‌سازي‌هاي انجام شده نشان مي‌دهد که روش پيشنهادي، انرژي مصرفي را کاهش داده و در عين حال کيفيت ويديوي دريافتي را در سطح قابل قبولي حفظ نموده است.

برازش منحني يكي از مسايل پركاربرد در يادگيري ماشين است. كشف ساختار زيربنايي داده‌ها براي داشتن يك برازش با دقت قابل قبول امري ضروري است. در اين مقاله برازش منحني از ديدگاه رگرسيون را در نظر گرفته، سپس با مروري بر روش‌هاي كشف ساختار داده، يك رگرسور براي كشف ساختار زير بنايي داده بر مبناي سري فوريه(انتگرال فوريه در حالت تناوبي نبودن داده‌هاي ورودي) بدست مي‌آوريم. از اين رگرسور يك كرنل ساخته كه در ماشين‌هاي كرنل پذير همانند ماشين بردار پشتيبان استفاده مي‌شود. كرنل به دست آمده ترکيبي از كرنل ديريکله با فرمول بسته است. نتايج پياده سازي شده بر روي چند مجموعه داده و روش‌هاي دسته بندي متفاوت، قدرت و برتري اين كرنل را نشان ميدهد.

شبکه‌هاي مبتني بر نرم‌افزار با جداسازي لايه‌هاي کنترل و داده از يکديگر و اضافه کردن ماهيت نرم‌افزاري کنترلر، علاوه بر آسان کردن مديريت، بهبود کيفيت سرويس را براي مدير سيستم به ارمغان مي‌آورد، که به معناي ارسال به موقع و درست منابع سيستم به خصوص جريان‌ها مي‌باشد. يکي از راه‌هاي تضمين کيفيت سرويس، مسيريابي بهينه در سيستم است که اين امر در شبکه‌هاي مبتني بر نرم‌افزار توسط کنترلر انجام مي‌گردد. کنترلرهاي شبکه‌ي مبتني بر نرم‌افزار جهت برقراري ارتباط با لايه‌ي داده با استفاده از پروتکل OpenFlow، به صورت پيش فرض از الگوريتم دايکسترا براي مسيريابي استفاده مي‌کنند. دراين مقاله از الگوريتم‌هاي فراابتکاري ژنتيک و کلوني مورچگان در شبيه‌ساز Mininet به همراه کنترلر RYU استفاده و نتايج به دست آمده با هم مقايسه شده است. معيارهاي ارزيابي کارايي الگوريتم‌ها در يک دقيقه، تأخير در زمان دريافت داده‌ها در مقصد، متوسط پهناي باند استفاده شده و نرخ از بين رفتن جريان‌ها مي‌باشد. در الگوريتم ژنتيک ميزان تأخير 019/0 ميلي ثانيه، نرخ از بين رفتن جريان 5/0 درصد، پهناي باند استفاده شده 01/6 مگابيت بر ثانيه و در الگوريتم کلوني مورچگان ميزان تأخير 018/0 ميلي ثانيه، نرخ ازبين رفتن جريان 34/0 درصد، پهناي باند استفاده شده 34/6 مگابيت بر ثانيه مي‌باشد.

در سال‌هاي گذشته، کاربران محدود به مشاهده اطلاعات در وب‌سايت‌ها بوده‌اند اما امروزه با گسترش استفاده از شبکه‌هاي اجتماعي در بين کاربران در سرتاسر جهان، افراد بيش‌ترين زمان خود را در اين شبکه‌ها صرف مي‌کنند. شبکه‌هايي نظير فيس‌بوک، يوتيوب و توييتر به عنوان پرکاربردترين و محبوب‌ترين نوع شبکه‌هاي اجتماعي بر اساس تعداد کاربران شناخته شده‌اند، اين محبوبيت در شبکه‌هاي اجتماعي منجر به مشکلات مختلفي ازجمله امکان افشاي اطلاعات نادرست و ايجاد محتواي مخرب به کاربران خود از طريق حساب‌هاي جعلي شده‌اند که باعث به‌‌وجود آمدن مشکلات و آسيب‌هاي جدي براي کاربران در دنياي واقعي و مجازي شده است. از اين‌رو در اين پژوهش به شناسايي حساب‌هاي جعلي در توييتر برمبناي ويژگي‌هاي مبتني بر پروفايل و محتواي توييت و طراحي ويژگي‌هاي موثر با استفاده از يادگيري نظارتي و الگوريتم‌هاي طبقه‌بندي J48، K-نزديک‌ترين همسايه، بيزين، شبکه عصبي و پرسپترون پرداخته شده است که در نهايت پس از آزمايش مجموعه داده‌ و تست نتايج، دقت تشخيص نسبت به اکثر پژوهش‌هاي پيشين بهبود يافته است. الگوريتم J48 توانسته است بهترين نتيجه را با دقت %92/99 به‌دست آورد که با مقايسه اين مطالعه با تحقيقات اخير در اين حوزه دقت روش پيشنهادي در اين پژوهش ثابت شده است.

افزايش محبوبيت گوشي‌هاي هوشمند و به سبب آن افزايش تعداد برنامه‌هاي آن باعث شد تا شرکت‌هاي پيش‌رو در فناوري، فروشگاه‌هايي را براي توزيع برنامه‌ها و تعامل کاربران و توسعه‌دهندگان ايجاد کنند. در سال‌هاي اخير، اين فروشگاه‌ها به عنوان يکي از مخازن مهم نرم‌افزاري معرفي شدند و چالش‌هاي جديدي را براي پژوهش‌گران ايجاد کردند. يکي از اين چالش‌ها، جست‌وجوي دقيق برنامه‌ها و دسترسي راحت کاربران به برنامه‌هاي مطلوب مي‌باشد. پژوهش‌هايي مرتبط با اين حوزه با رويکردهاي ارتباط افراد و توجه به محتواي برنامه‌ها ديده مي‌شود. از کمبودهاي موجود در اين پژوهش‌ها، عدم توجه به نظرات کاربران و اطلاعاتي است که کاربران به صورت صريح در فروشگاه‌ها قرار مي‌دهند. از اين رو در اين پژوهش، رويکردي بر اساس نظرات کاربران براي حل اين چالش بيان خواهد شد. اين رويکرد با استفاده از توضيحات توسعه‌دهندگان، نظرات کاربران و اطلاعات دسته‌هاي برنامه‌ها، برنامه‌هاي مشابه را پيدا و پيشنهاد مي‌دهد. در ادامه‌ي اين پژوهش نشان داده مي‌شود که الگوريتم‌هاي مورد استفاده براي استخراج امتياز برنامه از نظرات کاربران، با دقت ٪۸۱ کار مي‌کند. همچنين ميزان مقبوليت اين روش به نسبت خروجي گوگل‌پلي ٪۴ بهبود داشته و تقريبا به ميزان دو برابر گوگل‌پلي تنوع در برنامه‌هاي پيشنهادي ديده مي‌شود.

شبکه‌‌هاي خودرويي يکي اجزاي کليدي سامانه‌هاي حمل‌ونقل هوشمند محسوب مي‌شوند که بستر مناسبي را جهت مديريت ترافيک و اطلاع‌رساني شرايط جاده‌ها فراهم مي‌کنند. در اين شبکه‌ها به دليل فقدان کنترل مرکزي، تحرک بالاي گره‌ها و اتصالات کوتاه‌مدت و متناوب تلاش بر اين است که روش‌هاي تحويل محتواي مؤثر و قابل‌اطميناني طراحي شود. با توجه به محدوديت‌هاي موجود در نسل فعلي شبکه‌ها، امکان برآورده نمودن نيازهاي کاربران و تأمين کيفيت سرويس ارتباطات با اين حجم بسيار زياد از داده وجود ندارد و نياز به معرفي نسل جديدي از شبکه‌ها احساس مي‌شود. در نسل پنجم ارتباطات موبايل پهناي باند بهبود داده‌شده و ظرفيت بالايي براي ارتباط با دستگاه‌هاي مختلف در شبکه ايجاد شده است. لذا در اين پژوهش جهت غلبه بر مشکلات شبکه خودرويي از نسل پنجم شبکه‌هاي موبايل براي ارتباطات استفاده مي‌شود. از طرفي براي دستيابي به اهداف تعريف‌شده براي نسل پنجم موبايل، نياز به سيستمي براي مديريت پوياي شبکه‌ها کاملاً احساس مي‌شود. خوشبختانه، شبکه‌هاي تعريف‌شده با نرم‌افزار منجر به پياده‌سازي سريع سياست‌ها و الگوريتم‌هاي جديد در شبکه مي‌شود و در پي آن مديريت شبکه را آسان و متمرکز مي‌کند. لذا در اين مقاله شبکه خودرويي مبتني بر نرم‌افزار که از امکانات نسل پنجم شبکه‌هاي موبايل جهت انتقال اطلاعات ترافيکي و سرگرمي بهره مي‌برد ارائه خواهد شد. براي شبيه‌سازي از يک بستر ترکيبي شامل سه ابزار OMNet++،SUMO و Veins استفاده شده است. نتايج شبيه‌سازي نشان‌دهنده اين است که روش پيشنهادي پارامترهاي کيفيت سرويس مدنظر را تا حد قابل قبولي بهبود مي‌بخشد

شهر هوشمند مبتني بر فناوري اطلاعات و ارتباطات يکي از راه‌حل‌هاي موفق براي مقابله با مشکلات و پيچيدگي‌هاي سيستم‌هاي مختلف شهري، مانند حمل و نقل، خدمات اداري و شهري، محيط زيست، سلامت شهروندان ... است. افزايش کيفيت در ارائه خدمات در هر يک از اين سيستم‌ها از اهداف هوشمندسازي است که با گسترش فناوري‌هاي ارتباطي مانند اينترنت اشيا تا اندازه‌اي محقق شده است. اين مقاله وضعيت شهر تبريز را بر اساس شاخص‌هاي مدل‌هاي مرجع ارزيابي شهر هوشمند بررسي و هدف آن کمک به برنامه‌ريزان شهري براي شناخت چالش‌ها و فرصت‌ها در بستر شهر هوشمند است. به اين منظور، شاخص‌هاي ارزيابي مرتبط از چندين مدل مرجع استخراج، سپس داده‌هاي مورد نظر هر شاخص جمع‌آوري، و بعد از تحليل دادهها ميزان کيفي هر کدام براي شهر تبريز استنتاج شده است. نتايج تحليل داده‌ها نشان مي‌دهد که شهر تبريز يکي از شهرهاي در حال توسعه سيستم‌هاي هوشمند شهري است، اما ضعف سيستم‌هاي ارتباطي به عنوان بستر توسعه شهر هوشمند و نيز عدم برنامه‌ريزي کلان و هماهنگي در سطح مديريت شهري، باعث کندي اين حرکت شده است.