انجمن کامپیوتر ایران

مدیریت جریان داده های ورودی و استفاده از عملگر الحاق، در ایجاد پایگاه دادة تحلیلی نیمه آنی از اهمیّت زیادی برخوردار می باشد. برای اینکه بتوان تغییرات رخ داده در سمت منابع داده را به قالب مورد نیاز در پایگاه دادة تحلیلی تبدیل نمود، باید از عملگر الحاق استفاده کرد. جریان دادة ورودی با رابطة موجود بر روی دیسک، الحاق شده و تغییر شکل می یابد و یا در بعضی موارد، فیلدهایی به آن افزوده می شود. الگوریتم های مختلفی برای پیاده سازی الحاق وجود دارند که یکی از آنها الگوریتم Semi-Stream Cache Join (S.S.C.J) نام دارد. این الگوریتم در فضای محدودی اجرا می شود؛ لذا نمی تواند تمام رابطة R را وارد حافظه نماید. باید در هر دور اجرا، پارتیشنی ازآن را، برای الحاق انتخاب نموده و وارد حافظه نماید. الگوریتم، برای انتخاب پارتیشن مذکور از شناسة جریان داده های ورودی که درون صف قرارداده می شوند؛ استفاده می کند. در این روش، پارتیشن مذکور بطور بهینه انتخاب نمی شود. در الگوریتم پیشنهادی این مقاله، روشی ارائه می شود که در هربار اجرا، پارتیشنی را انتخاب می کند که شامل بیشترین رکورد برای الحاق می باشد. برای مقایسه کارایی الگوریتم، آزمایش هایی انجام شده است. نتایج بدست آمده، نشان می دهد که الگوریتم پیشنهادی نرخ سرویس بهتری نسبت به سایر الگوریتم ها دارد.

روش ردگیری پویای جریان اطلاعات یکی از قوی‎ترین تکنیک‎های تحلیل نرم‎افزار است که برای ردگیری داده‎های مورد علاقه در هنگام اجرای برنامه برای استفاده می‎شود. با این وجود ردگیری پویای جریان اطلاعات به دلیل سربار زمانی عظیم، وجود نتایج کاذب و پیچیدگی پیاده‎سازی غیر عملی است. برای مقابله با این مسائل، در این مقاله یک چارچوب پویای ردگیری اطلاعات ارائه شده است که به تحلیل‎گر نرم‎افزار کمک می‎کند تا بتواند فرآیند ردگیری پویای جریان اطلاعات را با دقت، سرعت و سهولت بیشتر با استفاده از تکنیک ابزارمندی پویای باینری در سطح برنامه انجام دهد. چارچوب ارائه شده باید قادر باشد جریان اطلاعات را شناسایی کند، مقادیر آلودگی را ذخیره نماید و بر ورودی/خروجی نرم‎افزار هدف نظارت نماید. در این مقاله ما PCDIFT را ارائه کرده‎ایم؛ یک چارچوب ردگیری جریان اطلاعات جامع و شتابدار باینری که می‎تواند بدون در اختیار داشتن کد منبع یا هرگونه وابستگی به سخت‎افزار خاص جریان اطلاعات نرم‎افزار هدف را سریع و دقیق ردگیری نماید. این چارچوب دوهسته‎ای از ردگیری جریان ضمنی اطلاعات، که در نظر نگرفتن آن مهمترین دلیل نتایج کاذب منفی در فرآیند ردگیری جریان اطلاعات است، پشتیبانی کرده و با ارائه‎ی روش‎هایی برای کاهش نتایج کاذب و افزایش سرعت، ردگیری جریان ضمنی اطلاعات را عملا ممکن می‎سازد. ما یک ابزار ردگیری جریان اطلاعات نیز براساس چارچوب ارائه شده ایجاد کردیم تا میزان سادگی، سرعت و دقت کار با چارچوب ارائه شده را نشان دهیم. نتایج ارزیابی ما براساس SPEC2000 و برخی نرم‎افزارهای معروف ارائه شده‎ است که نشان‎گر 2.9 برابر سربار برای ردگیری جریان صریح اطلاعات و 9.6 برابر سربار برای ردگیری جریان صریح و ضمنی اطلاعات است.

گریدهای محاسباتی امکان دسترسی فراگیر به منابع محاسباتی پویا و ناهمگن عظیمی را که در موقعیت های جغرافیایی مختلف قرار گرفته اند و از لحاظ اجرايي داراي مالكیت جداگانه‌اي می باشند، فراهم می آورد. از جمله برنامه‌های کاربردی که برای اجرا بر روی گرید مناسبند BoTها (Bag-of-Tasks) هستند. BoT شامل وظایف مستقلی است که هریک می توانند به طور جداگانه و موازی بر روی منابع مختلف اجرا شوند. کاربران گرید ممکن است برای کل وظایفBoT نیازمندی‌های کیفیت سرویس مانند مهلت و بودجه داشته باشند. از سویی صاحبان منابع در محیط‌های سودمندی تمایلی به افشای اطلاعات خصوصی منابع خود - همچون میزان بار محلی، ظرفیت منابع و استراتژیهای زمانبندی - ندارند. هدف مقاله حاضر ارائه یک الگوریتم زمانبندی برای BoT با اعمال محدودیت‌های مهلت و بودجه و بدون نیاز به افشای اطلاعات تامین‌کنندگان منابع است. الگوریتم ارائه شده مبتنی بر مذاکره - در راستای عدم افشای اطلاعات خصوصی و تامین محدودیت بودجه- و تخصیص همزمان منابع (Co-allocation) - برای افزایش سرعت اجرا و تامین نیازمندی مهلت زمانی- می‌باشد. شبیه سازی در محیط GridSim انجام و کارایی روش با الگوریتم DBC، که اطلاعات کاملی ازتمامی منابع دارد، ارزیابی و مقایسه شده است. رویکرد ارائه شده علاوه بر رفع ایرادات وارد بر الگوریتم های موجود، نتایجی مشابه الگوریتم DBC دارد.

‏در یادگیری تقویتی از آنجایی که کل پاداش دریافتی عامل در طول زندگی نه در پایان آن اهمیت دارد، یافتن روش‌هایی که بتواند مقدار پشیمانی را کاهش و سرعت همگرایی به سیاست بهینه را افزایش دهد، حائز اهمیت است. اگر عامل مدل محیط را از قبل بداند با کاوش در آن مانند روش‌های برنامه‌ریزی پویا، می‌تواند سیاست بهینه را بدون تقبل خسارتی بیاید، ولی در مسائلی که در این زمینه با آن روبه رو هستیم این فرض تقریبا غیرممکن است و عامل باید با کسب تجربه از محیط، یادگیری خود را بهبود بخشد. ما در این پژوهش توسط الگوریتم یادگیری مبتنی بر مدل تخمینی‏، از تجربه‌های عامل برای تخمین مدل محیط استفاده می‌کنیم و این مدل که رفته رفته به دقت آن افزوده می‌شود جهت تصمیم‌گیری بهتر در حین زندگی عامل به کار گرفته می‌شود. سیاست تصمیم‌گیری عامل را در دو حالت ε-greedy‏وgreedy‏ براساس مقدار خوش‌بینانه ارزش‌های تخمینی قرار دادیم. نتایج نشان دادند که ‎‏الگوریتم مبتنی بر مدل تخمینی با سیاست ε-greedy علاوه بر این‌ که ‏سرعت یادگیری بیشتری در مقایسه با سیاست greedy براساس مقدار خوش‌بینانه ارزش‌های تخمینی دارد‏، زمان اجرای آن نیز به شدت کمتر است‏. همچنین در مقایسه با یادگیری ‎TD‎(‎λ)هم سریع‌تر است.

در پي گسترش روزافزون شبکه‌هاي رايانه‌اي، محققان به فکر طراحي راهکارهاي نوين براي بهينه‌سازي اين ارتباطات افتاده‌اند؛ در اين زمينه، به‌علت وجود بخش کنترلي پيچيده روي سوئيچ‌ها و مسيرياب‌ها، نبود مکانيسم‌هاي بهينه کنترلي به چالش بزرگي تبديل‌ شده است. بدين منظور، بخش انتقال داده و کنترل در شبکه‌هاي سنتي جدا شده و هر گونه عمليات کنترلي به يک کنترل‌کننده منطقاً متمرکز داده‌ شده است. به اين شبکه‌ها، شبکه‌های نرم‌افزارپذیر گفته مي‌شود. براي طراحي توپولوژي بخش کنترلي، دو نوع کنترلر متمرکز و توزيع‌شده بکار مي‌رود. وجود خرابي فروپاشی در این نوع شبکه‌ها منجر به بروز اختلال در ارتباط اجزاء با کنترلر مي‌گردد. به همين دليل، بهبود قابلیت اطمینان و به‌خصوص تحمل‌پذيري خطا بسيار حائز اهميت مي‌باشد. در این پژوهش، کنترل کننده‌های توزیعی کامل و سلسله‌ مراتبي مورد بررسي قرار گرفته و یک مدل قابلیت اطمینان بهبود‌یافته ارائه گردیده است. شبکه نرم‌افزار پذیر توزیع‌شده با استفاده از نرم‌افزار ONOS طراحی گردیده و مدل قابلیت اطمینان براساس توابع توزیع وایبول و نمایی با استفاده از نرم‌افزار SHARPE محاسبه شده‌ است. نتایج حاصل از شبیه‌سازی بیانگر بهبود قابلیت اطمینان در کنترل کننده‌های توزیع‌ شده بوده و مدل پیشنهادی برای تشخیص خرابی‌هایی مانند بیزانتین نیز می‌تواند بکار برده‌ شود.

شبکه‌های عصبی با معماری عمیق یکی از موفق‌ترین ابزارهای تشخیص الگو ازجمله بازشناسی دست‌نوشته هستند. در این مقاله یک شبکه‌ی عصبی مصنوعی با معماری عمیق به‌منظور بازشناسی دست‌نوشته فارسی معرفی می‌شود. برای این منظور، مجموعه‌ای از نمونه‌های دست‌نوشته‌ فارسی در قالب داده‌های برداری جمع‌آوری گردید و بر اساس استروک‌های رایج در رسم‌الخط فارسی برچسب‌گذاری شد. سپس در آموزش یک شبکه‌ی عصبی عمیق سه سطحی مورداستفاده قرار گرفت. نتایج روش پیشنهادی با روش قدس و همکاران در تشخیص دست‌نوشته فارسی مورد مقایسه قرار گرفت. همچنین برای اولین بار، سیستم تشخیص دست‌نوشته‌ی فارسی گوگل برای مقایسه‌ی نرخ تشخیص سامانه مورد استفاده قرار گرفت و روش پیشنهادی کارایی مطلوبی به نمایش گذاشت.

ویژگی همه‌پخشی رسانه بی‌سیم باعث افزایش تداخل فرکانسی بین گره های مجاور شده و در نتیجه موجب نرخ گذردهی کمتر در مقایسه با شبکه‌های سیمی می‌شود. یک رویکرد مهم برای بهبود ظرفیت در این شبکه‌ها، کدینگ شبکه برون جریانی است که بسته‌های متعلق به نشستهای متفاوت را با یکدیگر ترکیب کرده و اطلاعات بیشتری را در قالب بسته های کد شده در لینک‌های گلوگاه شبکه ارسال می‌کند. در این مقاله کدینگ شبکه با وجود یک MAC غیر ایده‌آل (لینک‌های خطادار) مورد توجه قرار گرفته است. هدف از این کار بررسی حساسیت کدینگ به کیفیت ارسال لینک‌هاست. در واقع با اینکه فرآیند کدینگ تعداد ارسال‌ها را کاهش می‌دهد اما به طور شهودی به نظر می‌رسد که حساسیت گره ها را نسبت به گم شدن بسته‌ها افزایش دهد زیرا بسته‌های کد شده‌ی حاوی اطلاعات بیشتری نسبت به بسته‌های معمول هستند. نتایج ارزیابی نشان می‌دهد که بعضی از ساختارهای کدینگ نظیر آلیس-باب در حالت خطادار بودن شبکه هم از مسیریابی معمول عملکرد بهتری دارند. اما در مورد دیگر ساختارها مشخص شد که کدینگ برای خطای پایین‌تر از 0.1 عملکرد بهتری از مسیریابی دارد و در حالت خطای بالا عملکرد مسیریابی استاندارد بهتر از کدینگ 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.

در شبکه‌های موری سیار مسيريابی و تبادل اطلاعات بين گره‌ها با همکاري خود گره‌ها با يکديگر صورت مي‌گيرد. بنابراین مسيريابی يکی از اجزای اساسی اين شبکه‌ها است. انرژی مصرفی نیز موضوع مهمی است که در این شبکه‌ها باید مورد بررسی قرار بگیرد تا بتوانیم شبکه‌ای با طول عمر بیشتر و کارایی بهتر داشته باشیم. در اين تحقیق از الگوریتم مسیریابی DSR به عنوان مسیریابی پایه استفاده شده، عملکرد الگوریتم‌های مختلف بر مبنای انرژی مصرفی را بررسي کرده و در نهایت یک الگوریتم پیشنهادی با مصرف توان بهینه ارائه داديم. ما ايده پيشنهادي را در الگوريتم پاية MEER توسط نرم‌افزار NS2 پياده سازي و الگوريتم خود را با دو الگوريتم مسيريابي چندپخشيEPAR و D-DSR و الگوريتم پايه MEER مقايسه كردیم¬ و نتايج خوبی در زمينة کاهش مصرف انرژي، كاهش تأخير انتها به انتها و افزايش نرخ تحويل بسته¬ها به مقصد بدست آوردیم. در الگوریتم پیشنهادی با افزایش تعداد و زمان توقف گره‌ها انرژی مصرفی الگوریتم پیشنهادی نسبت به سایر الگوریتم‌ها کاهش یافته و طول عمر شبکه بیشتر می‌شود. با افزايش بيشينه سرعت گره‌ها در هر سه الگوريتم ميانگين تأخير انتها به انتها افزايش مي‌يابد، در الگوريتم پیشنهادی نسبت به ديگر الگوريتم ها تأخير انتها به انتها در الگوريتم پيشنهادي کمتر از الگوريتم هاي ديگر است. همچنین با افزايش زمان توقف گره‌ها تاخير انتها به انتها كاهش مي‌يابد كه اين امر در الگوريتم پيشنهادي شيب بيشتري دارد.

بازیابی تصویر مبتنی بر محتوا، یکی از مهم‌ترین روش‌های موجود برای بازیابی خودکار تصاویر می‌باشد. در دهه اخیر به منظور نزدیکتر شدن سامانه‌های بازیابی تصویر به محتوای معنایی تصاویر، از روش‌های یادگیری کوتاه‌ مدت و بلند‌ مدت به صورت همزمان استفاده شده است. در این مقاله، رویکرد جدیدی در یادگیری کوتاه مدت مبتنی بر ماشین بردار پشتیبان و یادگیری فعال ارائه شده که در ترکیب با یک تکنیک یادگیری بلند مدت مبتنی بر الگوهای معنایی، دقت بازیابی را به طور موثری افزایش داده است. در این روش، مرز تصمیمگیری در ماشین بردار پشتیبان با استفاده از اطلاعات تصاویر مرتبط و نامرتبط تصحیح میشود. از آنجا که تعداد این تصاویر برای آموزش کم میباشد، از یک تکنیک یادگیری فعال برای انتخاب نمونه‌ها به صورت هدفمند استفاده شده است. همچنین الگوهای معنایی بر پایه اطلاعات این تکنیک یادگیری کوتاه مدت، استخراج شده و در صورت مفید بودن در بهبود نتایج بازیابی در پرس و جوهای آینده استفاده میشوند. روش پیشنهادی در یک پایگاه تصویر شامل 5000 تصویر آزموده شده است. نتایج آزمایشها، برتری روش پیشنهادی و ادغام موثر تکنیک یادگیری کوتاه مدت پیشنهادی با تکنیک یادگیری بلند مدت را نسبت به روش‌های یادگیری کوتاه مدت متداول نشان می‌دهد.

روزانه کاربران زیادی برای دستیابی به پاسخ پرسش‌های خود در حوزه‌ی پزشکی و درمان، به وب سایتهای مربوطه مراجعه می‌کنند. در سال 2015 کتابخانه‌ی ملی پزشکی آمریکا سیستم پرسش و پاسخی برای پاسخگویی به پرسش‌های پزشکی کاربران عادی که به زبان انگلیسی مطرح می شوند، ارائه نمود. دسته‌بندی پرسش، یک بخش کلیدی در طراحی این نوع سیستم‌ها است. با توجه به کوتاه بودن متون پرسش‌های کاربران عادی، تحلیل‌های سطحی نمی‌تواند اطلاعات کافی از پرسش‌های آن‌ها به دست دهد؛ همچنین آگاهی کم کاربران در مورد واژگان تخصصی، منجر به بیان غیر دقیق پرسش‌ها و شباهت زیاد در پرسش‌های مربوط به دسته‌های مختلف می‌شود و دسته‌بندی این پرسش‌ها را دشوار می‌کند. در این پژوهش روشی برپایه‌ی یادگیری ماشین برای دسته‌بندی پرسش‌های پزشکی کاربران عادی، براساس طبقه‌بندی ارائه شده در کتابخانه ملی پزشکی آمریکا، پیشنهاد شده است. در مدل پیشنهادی، از ویژگی‌های فریم‌های معنایی پرسش براساس فریم‌نت، چندتایی نحوی و ویژگی‌هایی برای نشان دادن هم‌رخدادی چند عنصر پرسش، استفاده شده است. به دلیل تأثیر قابل توجه دسته‌بندی پرسش در کیفیت سیستم پرسش و پاسخ نهایی، دو دسته‌بند با دو مجموعه متفاوت از ویژگی‌‍‌ها استفاده شده است تا پرسش‌ها از زوایای مختلفی بررسی شوند. نتایج تجربی نشان می‌دهد که دقت دسته‌بندی پرسش‌ها در روش پیشنهادی نسبت به بهترین روش موجود، افزایش یافته است.

سیستم‌های توصیه‌گر در تجارت الکترونیکی، اقلامی را به کاربران توصیه می‌کنند که پیش‌بینی می‌شود متناسب با ارجحیت‌ها و علاقمندی‌های کاربر باشند. هراندازه که سیستم توصیه‌گر، اقلام مورد علاقه‌ی کاربر را درست‌تر تخمین بزند، دقت بالاتری خواهد داشت. با این وجود، اگر در الگوریتم‌های توصیه‌گر تنها بر افزایش معیار دقت تمرکز شود، مشکلات مختلفی ایجاد می‌شود که یکی از آنها عدم توصیه اقلام دنباله طولانی است. اقلام دنباله طولانی، اقلامی هستند که تعداد کمی از کاربران، آنها را امتیازدهی کرده‌اند و به همین دلیل، تشخیص ارتباط آنها به کاربرانِ دیگر دشوار است. در نتیجه، این اقلام به ندرت در توصیه‌ها شرکت می‌کنند. تنوع‌بخشی در توصیه‌های سیستم‌های توصیه‌گر می‌تواند روشی برای مواجهه با پدیده دنباله طولانی باشد. تنوع‌بخشی به توصیه‌ها باعث می‌شود که اقلام دنباله طولانی، شانس بیشتری برای شرکت در توصیه‌ها داشته باشند. اما از طرف دیگر، ممکن است کاربران خواستار سطوح متفاوتی از تنوع در توصیه‌های دریافتی باشند. به همین دلیل، در این پژوهش پیشنهاد می‌گردد که تنوع‌بخشی به توصیه‌ها به صورت شخصی‌سازی‌شده و متناسب با نیاز هر کاربر انجام شود. برای این منظور، یک الگوریتم توصیه‌‌گر ارائه می‌گردد که در آن برای مقابله با مشکل عدم توصیه‌ اقلام دنباله طولانی، تنوع‌بخشی در توصیه‌ها با استفاده از بهینه‌سازی چندهدفه، شخصی‌سازی می‌شود. ارزیابی و مقایسه‌ی روش پیشنهادی با روش‌های پیشین نشان می‌دهد که این روش بهینه‌سازی چندهدفه، اهداف خود را به خوبی برآورده می‌کند؛ به این صورت که به مشارکت بیشتر اقلام دنباله طولانی کمک می‌کند و دقت سیستم توصیه‌گر را همزمان با شخصی‌سازی تنوع در حد مطلوبی حفظ می‌کند.

در اين مقاله تشخیص توده‌ای اشیاء از تصویر عمق و بدون استفاده از تصویر رنگی سنسور کینکت ارائه شده است. تصاویر عمق از سنسور کینکت دریافت شده و پس از کالیبراسیون دوربین و پروژکتور عمق، محدوده اجسام موجود در صحنه تشخیص داده می‌شوند. در روش پیشنهادی از الگوریتم‌های یادگیری استفاده نشده است و الگوریتم هیچ آگاهی از محیط ندارد. عدم استفاده از تصاویر رنگی موجب افزایش دامنه کاربرد الگوریتم در شرایط دشوار نوری می‌شود. در روش کانتور فعال با آستانه‌گیری چند هدفه از تصویر طیف خاکستری عمق، آن ناحیه رشد داده شده تا محدوده شیء تعیین شود. در این مقاله با استفاده از پیوستگی نواحی، تفکیک میان اشیاء واقع در یک عمق بررسی شده است. روش پیشنهادی در مسیریابی و تهیه نقشه‌های سه بعدی بلادرنگ که توسط ربات‌های خودکار در محیط‌های ناشناخته تهیه می‌شوند، می‌تواند مورد استفاده قرار گیرد. نتایج حاصل از شبیه‌سازی حاکی از عملکرد مناسب روش پیشنهادی در مقایسه با روش‌های متداول آن می‌باشد. نتایج تجربی از تصاویر واقعی گرفته شده سنسور کینکت به دست آمده و این روش قادر است با سرعت بالا و دقت مناسبی اشیاء محیطی را تشخیص داده و عوارض محیط را شناسایی نماید.

در دنیای امروز، مجموعه حجیمی از داده¬ها در سرتاسر دنیا در حال تولید شدن است. به این حجم عظیم داده که تولید می¬شود، کلان داده گفته می¬شود. تجزیه و تحلیل کلان داده می¬تواند بینش عمیقی به سازمان¬ها جهت تصمیم¬گیری در امور مختلف بدهد. استفاده از تجزیه و تحلیل کلان داده در نظام سلامت نه تنها چالش حجم زیاد داده¬ها را تسهیل می¬کند بلکه چالش تنوع داده¬ها شامل انواع مختلف داده¬های تولید شده و سرعت تولید آن را نیز حل می¬کند. با استفاده از تکنولوژی¬های کلان داده، اطلاعات می¬توانند از حجم وسیعی از داده¬های در دسترس استخراج شود. در حوزه سلامت، با بهره¬برداری درست و بهینه از اطلاعات خروجی، می¬توان بهترین سیستم تصمیم¬گیری را فراهم کرده تا بتواند موجب حفظ جان انسان¬ها گردد. در این مقاله سعی بر آن است که به کاربرد کلان داده در نظام سلامت شهری پرداخته شده، پزشکی کنش¬گرای P4 که پیش¬گویی کننده، پیش¬گیری کننده، فردگرایانه و مشارکت¬جویانه است، مطرح و پیوند کلان داده و پزشکی P4 تببین شود و فرصت¬ها و چالش¬هایی که وجود دارد، مورد بررسی قرار گیرند. اگرچه چالش¬هایی وجود دارند، اما می¬توان پیشرفت چشمگیری هم در حوزه سلامت و هم برای ابزار¬ها و زیرساخت¬های تجزیه و تحلیل¬های مرتبط با این حوزه متصور شد.

دستگاه‌های حسگر پوشیدنی برای بسیاری از برنامه‌های کاربردی در بهداشت و درمان استفاده می‌شود. ویژگی‌های آماری استخراج شده از سیگنال‌های فیزیولوژیکی توسط افراد، ممکن است منجر به تخلیه باتری شود که در این صورت باید ویژگی‌های بهینه انتخاب شوند. در این مقاله مفهوم انتخاب ویژگی با هدف به حداقل رساندن مصرف انرژی برنامه های کاربردی طبقه بندی شده معرفی می‌شود. مسئله با استفاده از الگوریتم ژنتیک برای انتخاب ویژگی به شیوه‌ای توان کارآمد و استفاده از دو معیار ارتباط و افزونگی به عنوان معیار ارزش‌گذاری ویژگی‌ها ارائه شده است. نتایج آزمایشی بر روی سی کانال داده فعالیت جمع‌آوری شده از افراد واقعی نشان می‌دهد که روش پیشنهادی به طور قابل توجهی می‌تواند باعث کاهش مصرف انرژی سنسورها گردد، در نتیجه باعث ذخیره بیش از 30% انرژی شود در حالی که دقت طبقه‌بندی به 95% می‌رسد.

شناسایی حالت چهره یکی از مسائل جالب و چالش‌برانگیز در بینایی ماشین است. استخراج ویژگی نقش بسیار مهمی در دقت الگوریتم‌های شناسایی حالت چهره ایفا می‌کند. یکی از روش‌های استخراج ویژگی در بینایی ماشین، استفاده از فیلتر گابور است، که عملکرد آن شباهت زیادی به سلول‌های پیچیده در سیستم بینایی انسان دارد. نقطه ضعف فیلتر گابور، هزینه محاسباتی و طول بردار ویژگی زیاد آن است. در این مقاله، با الهام از سیستم بینایی انسان، ماتریس‌های حاصل از کانولوشن فیلترهای گابور با تصویر، به نحو مناسبی براساس بیشترین و کمترین پاسخ، کدگذاری می‌شوند. در ادامه، با محاسبه هیستوگرام این کدها در تصویر، بردار ویژگی بدست می‌آید. طول این هیستوگرام به ازای 16 و 8 فیلتر گابور به ترتیب برابر با 240 و 56 بوده که بسیار کمتر از حفظ تمام ضرایب گابور است. روش پیشنهادی که از سیستم بینایی انسان الهام گرفته شده است، بر روی سه پایگاه داده شناسایی حالت چهره CK+، SFEW و MMI (به‌صورت مستقل از شخص) ارزیابی شده است. نتایج بدست آمده از این آزمایش‌ها نشان می‌دهد که روش پیشنهادی در مقایسه با سایر روش‌های مشابه موجود از دقت بالاتری در شناسایی حالت چهره در تصاویر کنترل شده و همچنین کنترل نشده برخوردار است.

مشکل تنگنای ابعاد در مجموعه داده‌های با ابعاد بالا از مسائل مهم در حیطه خوشه‌بندی داده‌ها است. در سال‌های اخیر برای حل این مشکل، روش‌های خوشه‌بندی زیر‌فضا مورد توجه بسیاری از محققان قرار گرفته است. هدف اصلی خوشه‌بندی زیر¬فضایی، یافتن تمام خوشه‌ها در تمام زیرفضاهای ممکن است. مشکل اصلی روش‌های پیشین خوشه‌بندی زیر‌فضایی، ایجاد تعداد بسیار زیادی زیرفضا است. این مشکل منجر به کاهش کارایی و افزایش زمان اجرای الگوریتم‌ها شده است. در این مقاله روشی کارا مبتنی بر چگالی برای ایجاد بهینه زیرفضاها ارائه شده است. این الگوریتم به صورت پایین به بالا عمل کرده و با استفاده از معیارهای مختلف شباهت، زیرفضاهای مشابه را با تکرار چندین باره الگوریتم پیدا و ترکیب می¬نماید. برای این منظور الگوریتم پیشنهادی در هر تکرار، پس از ترکیب و تشکیل زیرفضاهایی با ابعاد بالاتر، داده‌های موجود در این زیرفضاها را دوباره خوشه‌بندی می¬کند. این خوشه‌بندی به منظور، بدست آوردن ساختار جدید خوشه‌ها انجام می¬شود. در نهایت الگوریتم پیشنهادی، تمام زیرفضاهای ممکن در داده‌ها را تشخیص داده و همه‌ی خوشه‌های ممکن را می¬یابد. برای ارزیابی روش پیشنهادی از مجموعه داده‌های مصنوعی و واقعی مختلفی استفاده شده است. روش پیشنهادی در مقایسه با روش های پیشین از دقت و سرعت بهتری برخوردار است. روش پیشنهادی 34 درصد نسبت به الگوریتم CLIQUE و 6 درصد نسبت به DiSH دقت بالاتری دارد. همچنین روش پیشنهادی، برخلاف روش‌هاش پیشین، توانایی یافتن زیرفضاها در ابعاد مختلف را دارد.

شبکه‌های توری بی‌سیم یک تکنولوژی جدید به منظور ایجاد سرویس‌های ارتباطی پهن باند و با قابلیت توسعه را فراهم می‌سازند. با توجه به این موضوع، مدیریت دسترسی به منابع با هدف بهبود گذردهی، بعنوان یکی از مهمترین چالش‌های پیش رو در این شبکه‌ها مطرح می‌شود. در اين مقاله، ابتدا مسئله‌ی مدیریت دسترسی به منابع شامل: مدیریت کنترل توان، مدیریت تطبیق نرخ، مدیریت زمان‌بندی، مدیریت مسیریابی و مدیریت تخصیص کانال در گره‌های این شبکه فرمول‌بندی می‌شود. مسئله‌ی مطرح شده NP_hard می‌باشد و با افزایش تعداد گره‌های شبکه و تعداد تقاضاهای ترافیکی، مدت زمان پاسخگویی به صورت نمایی افزایش می‌یابد. برای حل این مشکل یک الگوریتم ترکیبی ابتکاری-فراابتکاری به منظور مدیریت دسترسی به منابع، ارائه می‌گردد. نتایج شبیه‌سازی عملکرد مناسب الگوریتم پیشنهادی را در مقایسه با رویکرد فرمول‌بندی شده بهینه نشان می‌دهد.

حمله منع سرویس تلاش برای خارج کردن ماشین و یا منابع شبکه از دسترس کاربران مجازش است. اگرچه منظور از حمله DOS و انگیزه انجام آن ممکن است متفاوت باشد، اما به طور کلی شامل تلاش برای قطع موقت یا دائمی و یا تعلیق خدمات یک میزبان متصل به اینترنت است. این حملات ممکن است با کمک سواستفاده از آسیب¬پذیری¬های مقصد یا تجهیزات بین راه اتفاق بیفتند و یا کاملا از مسیری که کاربران مجاز نیز از آن استفاده می¬کنند حمله کنند. روش ارائه شده در این مقاله، روشی مستقل از پروتکل و در لایه شبکه است که قادر به تشخیص رفتار حمله بدون نیاز به دانستن رفتار شبکه در حالات عادی است. ما از تجزیه و تحلیل دوبعدی موجک برای مدل کردن همزمان رفتار فرستنده و گیرنده برای تشخیص خارج از کنترل بودن/نبودن ترافیک استفاده کرده ایم.

With the expansion of embedded systems and the new applications of these computing systems in Internet of Things, smart homes and sensors, such systems are faced with a large amount of data. Therefore, designing an embedded system for Massive sensor data analysis for detecting a situation and making a decision is becoming more complex. Machine learning algorithms are a promising method for designing such systems. Neural networks are very popular learning systems to be used in data analysis. However, huge computations of the neural networks make them unsuitable for embedded systems which have strict limitations on energy consumption and execution time as the main design concerns. In this paper we propose an optimization for multi-layer perceptron neural networks based on neuron saturation states. Experimental results show that in average 89% of neurons are in saturated state for benchmark applications. Since in a saturated neuron, exact numerical value is not required, predicting the saturation state helps to perform the computation with less effort. The goal of the saturation prediction is to keep accuracy while minimizing the computations.