انجمن کامپیوتر ایران

نهان¬نگاري سيگنال صوتي ديجيتال به عنوان ابزاري جهت شناسايي صاحب¬اثر يا مالک حقوقي داده¬ي صوتي ديجيتال ارائه شده-است. در این مقاله یک روش نهان نگاری صوتی نامحسوس پیشنهاد شده است که بعلت سرعت بالای عملیات جاسازی و تشخیص واترمارک، قابل استفاده در کاربردهای بلادرنگ می¬باشد. الگوریتم پیشنهادی دارای ظرفیت بالاتری نسبت به روش¬های مشابه است که در نتیجه می¬توان داده¬ی بیشتری را درون سیگنال میزبان پنهان نمود. در این مقاله برای یافتن مکان بیت¬های واترمارک در سیگنال صوتی از یک روش همگام¬سازی در حوزه زمان استفاده می¬شود. در این تحقیق بیت¬های واترمارک را در ضرایبِ با اندازه¬ی بزرگFFTقرار می¬دهیم. بر خلاف روش¬های معمول واترمارکینگ که از جاسازی یک بیتی واترمارک استفاده می¬کنند، در این مقاله با ارائه¬ی تکنیک جاسازی دو بیتی، ظرفیت جاسازی در سیگنال در مقایسه با نمونه¬ی مشابه دو برابر شده است. نتایج حاصل از آزمایشات و حمله¬ها روی سیگنال¬های متفاوت نشان می¬دهد که این روش در مقایسه با الگوریتم¬های دیگر، دارای شفافیت بهتر و سرعت بالاتر بوده، همچنین در برابر حمله¬های نویز افزایشی، MP3، فیلتر پایین¬گذر، نمونه¬برداری مجدد و Requantizationمقاوم می¬باشد.

در سيستم هاي تصويري ديجيتال با دقت بالا، دنباله فريم ها به طريقي است، كه از فريم اول فقط خطوط فرد و از فريم بعدي فقط خطوط زوج ارسال مي شود؛ كه به اين كار درهم تنيدگي مي گويند. مسئله رفع در هم تنيدگي، كه همانا جبران خطوط غايب در هر فريم باشد، كليد اصلي بسياري از مسائل پردازش تصاوير ويدئويي ديجيتال مي باشد. بسياري از روش هاي به كار رفته در اين زمينه، سعي دارند براي حذف آثار ناشي از درهم تنيدگي، از اطلاعات موجود در حوزه‌ي زمان و مكان و بعضا از الگوريتم هاي جبران سازي حركت استفاده كنند. به دليل هزينه‌ي سنگين محاسباتي اين دسته از الگوريتم ها و همچنين پيچيدگي بيش از حد آنها،‌ بسياري از روش ها از به كارگيري جبران سازي حركت امتناع كرده اند.در اين مقاله، روشي براي رفع در هم تنيدگي مبتني بر تشخيص حركت، و بر پايه‌ي ميانگين گيري خطي، پيشنهاد شده است.روش پيشنهادي در مقايسه با برخي از روش هاي اخير، توانسته است به دقت خوبي دست يابد. علاوه براين، شبيه سازي ها نشان داده است؛ كه اين روش نتايج بصري قابل قبولي نيز توليد كرده است.

علم پيش¬بيني، يکي از شاخه¬هاي پرکاربرد در هوش‏مصنوعي است که در زمينه هاي گوناگون مورد استفاده قرار مي‏گيرد. از جمله يکي از موارد پيش‏بيني، مربوط به رفتار انسان‏ها در شرايط مختلف است.برپايه نظريه روان¬شناسان دستخط فرد، نوعي رفتار است. براين اساس دستخط هر فرد حاصل يک سيستم سازماندهي شده است و امکان تجزيه، تحليل و تعيين ماهيت افراد را ممکن مي¬سازد. امروزه اين علم به¬عنوان شاخصي قابل اعتماد از شخصيت و رفتار انسان‏ براي ارزيابي درسازمان‏هايي مانند: کلينک‏هاي روانشناسي، درمصاحبه‏هاي‏‏استخدامي، مورد استفاده قرار مي¬گيرد. در اين بررسي هدف طراحي سيستمي است تا بر اساس نمونه¬ دستخط‏هاي دريافت شده از افراد ويژگي¬هاي شخصيتي آنها را پيش‏بيني نمايد. دراين تحقيق درابتدا نمونه دستخط ازافراد مختلف جمع¬آوري شد. بعد ازطي مراحل پيش‏پردازش، پنج خصوصيت از متن دستخط استخراج شد که اين خصوصيات شامل: اندازه‏، شيب ، ميزان کشيدگي‏عمودي، ميزان‏پهناي‏افقي و فاصله‏خطوط است. بعد از استخراج خصوصيت‏ها از دستخط، بر اساس مشاهده‏هاي صورت گرفته از نمونه‏ها وهمچنين نتايج به‏دست آمده از پرسشنامه روان‏شناسي رابطه بين پنج خصوصيت دستخط با پنج ويژگي شخصيتي حاصل شد. ودر آخر با استفاده از شبکه عصبي و باکمک400 نمونه جمع‏آوري شده سيستم را آموزش و سپس آن را از لحاظ کارايي تست کرده و به کارايي98.35% رسيديم.

در اين مقاله يک الگوريتم کارای مبتني بر اتوماتاي يادگير براي يافتن همه مسیرها از یک راس به سایر راسهای یک گراف تصادفی با کمترین طول مورد انتظار را ارائه می‌دهیم. فرض می‌کنیم که وزن هر یال یک متغیر تصادفی با توزیع ناشناخته می‌باشد. در الگوریتم پیشنهادی که یک الگوریتم تکرار شونده می‌باشد شبکه ای از اتوماتاهای یادگیر برای حل مساله استفاده می‌شود. در هر تکرار همه اتوماتاهای یادگیر به طور همزمان فعال می‌شوند و یالهایی که باید از آنها نمونه گیری شود را مشخص می‌کنند. این روش نمونه گیری منجر به کاهش نمونه گیریهای زاید و در نتیجه باعث کاهش زمان اجرای الگوریتم می‌شود. نتایج آزمایشی نشان می‌دهد که الگوریتم پیشنهادی به طور معناداری کاراتر از الگوریتمهای موجود برای حل این مساله می‌باشد.

امروزه پیشرفت¬های قابل توجهی در سیستم آموزش الکترونیکی بوجود آمده است، با این حال امنیت، قابلیت اعتماد و احراز هویت کاربران از مهمترین و چالش برانگیزترین موضوعات مطرح است؛ به طوری که هیچ فرد غیرمجاز، اجازه شرکت در آزمون الکترونیکی را نداشته باشد. سیستم مدیریت یادگیری عاری از مشکلات نیست به عنوان مهمترین این مشکلات می¬توان به این مورد اشاره کرد که در این سیستم هیچ ضمانتی وجود ندارد که آیا واقعاً خود دانش آموز در کلاس درس مجازی حضور دارد یا نه و همچنین راهی برای ردیابی حضور دانش¬آموز به طور پیوسته در طول زمان کلاس وجود ندارد. در این مقاله به تحلیل روش¬های بایومتریک برای برقراری امنیت در سیستم های یادگیری الکترونیک و بررسی این¬که کدام ویژگی‌های بایومتریکی در یادگیری الکترونیکی پرکاربردتر مي¬باشد، پرداخته شده است.

کاربرد سيستم¬هاي الکترونيکي و تحت وب در آموزش در چند سال اخير گسترش روزافزون داشته است. جهت افزايش کارآيي اين گونه سيستم¬ها و بهبود آموزش، تکنيک¬هاي هوش¬ مصنوعي و طراحي سيستم بر اساس مدل دانشجو استفاده می¬شود. با استفاده از پیش¬بینی رفتار دانشجو می¬توان سیستم را برای فرد شخصی ¬سازی کرد. در اين مقاله روشي جهت پيش¬بيني رفتار دانشجو با استفاده از مدل مخفي مارکوف ارائه داده¬ایم. ورودي ما مجموعه اعمال انجام شده توسط کاربر در طول دوران آموزش در تعامل با سيستم الکترونيکي است. ابتدا با پيش¬پردازش بر روي داده¬هاي جمع آوري شده از يک سيستم آموزش الکترونيکي به تنظيم پارامترهاي مدل¬هاي مخفي¬ مارکوف مورد نظر پرداختيم. گام بعدي آموزش مدل مخفي مارکوف به کمک الگوريتم بام ولش با استفاده از داده¬هاي آموزشي بود. سپس جهت تشخيص رفتار کاربر جديد از الگوريتم پيش¬رو استفاده کردیم. ميزان درستي پيش¬بيني در روش ارائه شده در مقایسه با شبکه عصبي مصنوعي طراحی شده بهتر بود.

درخت پسوندی ساختار داده‌ای است که تمامی پسوندهاییک رشته را نمایش می‌دهد. به کمک تشکیل این ساختار می‌توان اعمالی نظیریافتنیک زیر رشته را در دنباله‌های طولانی مانندDNA انجام داد. برای دنباله‌های طولانی، دنباله ورودی و درخت پسوندی حاصل، در حافظه اصلی جای نمی‌گیرندکه منجر به دستیابی به دیسک و افزایش زمان ساخت درخت می‌شود. از طرف دیگر،بهره‌مندی از موازی‌سازی امکان افزایش سرعت ساخت یکچنین ساختار داده‌ای را فراهم می‌آورد. در این مقاله، الگوریتم موازی برای ساخت درخت پسوندی مربوط به دنباله‌هایDNA پیشنهاد شده است. انگیزه اصلی،مشاهده نتایج حاصل از بکارگیری و تجمیع محاسن روش‌های پیشنهادی پیشین بعلاوه استفاده از موازی‌سازی در جهت کاهش زمان اجرای ساخت درخت پسوندی می‌باشد. نتایج نشان می‌دهد که الگوریتم پیشنهادی، زمان اجرای الگوریتم CMPUTreeرا تقریباً به میزان 2% بهبود داده است.

جنگ الکترونیک یکی از رشته¬ی خاص در علوم نظامی دفاعی است. یکی از سیستم¬های بسیار مهم در جنگ الکترونیک¬، سیستم پشتیبان جنگ الکترونیک است. واحد پردازش اطلاعات این سیستم وظیفه شناسایی رادارهای فعال موجود در محیط را داراست و سیگنال¬های انتشار ¬یافته از رادارهای محیط را دریافت می¬¬کند. موضوع این مقاله، ارائه ی یک الگوریتم کاربردی بر اساس روش های داده کاوی می باشد که با استفاده از پارامترهای دریافتی از پالس¬های رادار، وظیفه جداسازی پالس های متداخل و تعیین پارامترهای هر رادار را به صورت جداگانه بر عهده دارد. در این مقاله سعی در بهبود الگوریتم قبلی ارائه شده را داشته و علاوه بر استفاده ازپارامترهای Doa ، Pw و Freq ، با ترتیب اثر دادن پارامتر PRI سبب حذف بعضی از محدودیت ها شده ایم.