انجمن کامپیوتر ایران

دسته‌بندي بسته‌ها يکي از وظايف اصلي پردازنده‌هاي شبکه‌اي مي‌باشد. مهمترين مسئله در اين زمينه، استفاده از الگوريتمي است که بتواند بسته‌ها را با سرعت بالا و مصرف حافظه پايين، دسته‌بندي نمايد. الگوريتم‌هاي دسته‌بندي به دو رده‌ي کلي نرم‌افزاري و سخت‌افزاري تقسيم مي‌شوند. الگوريتم‌هاي مبتني بر درخت تصميم يک گروه از روش‌هاي نرم‌افزاري دسته‌بندي بسته‌ها هستند که با به کارگيري روش‌هاي مختلف براي انجام برش در مدل هندسي معادل نمايش قانون‌هاي دسته‌بند، درخت تصميم بهينه را مي‌سازند. الگوريتم‌هاي موجود در اين دسته، در دسته‌بندي مجموعه قوانين بزرگ عملکرد مطلوبي از خود نشان نمي‌دهند. آنها براي کاهش حافظه مصرفي، تعداد دفعات دسترسي به حافظه را که بيانگر سرعت جستجو مي‌باشد را تا حد چشمگيري افزايش مي‌دهند و يا بالعکس، براي افزايش سرعت جستجو با افزايش قابل توجهي در حافظه مصرفي مواجه مي‌شوند. الگوريتم BitCuts که اخيرا براي افزايش سرعت جستجو در الگوريتم‌هاي درختي ارائه شده است نيز از اين مشکل مستثني نشده است. ما در اين مقاله روش جديدي ارائه داده‌ايم که با تغيير نحوه انتخاب بيت در هر گره از درخت، حافظه مورد نياز و تعداد دسترسي به حافظه را در الگوريتم مذکور کاهش مي‌دهد. نتايج ارزيابي مويد آن است که متوسط تعداد دسترسي ها به حافظه جهت دسته بندي بسته‌ها و ميزان حافظه مصرفي در روش پيشنهادي، به ترتيب برابر %61 و %13 روش پايه Bitcuts است.

سامانه‌هاي نهفته‌ي بحراني-مختلط با به‌کارگيري اجزا با سطوح بحراني مختلف در يک بستر سخت‌افزاري مشترک، محبوبيت بسياري در صنايع هوايي و خودروسازي يافته‌اند. به‌منظور افزايش کارايي و کاهش هزينه، اين بسترها به‌سوي استفاده از چندين هسته‌ پيش مي‌روند. به دليل پردازش انبوه و طراحي عموماً مبتني بر باتري و نيز با توجه به کاهش ابعاد فناوري که خود موجب کاهش قابليت اطمينان مي‌گردد، توجه همزمان به مصرف انرژي و قابليت اطمينان در سامانه‌هاي بحراني-مختلط حائز اهميت است. در اين پژوهش راهکاري جهت نگاشت وظايف و زمان‌بندي آگاه از انرژي و قابليت اطمينان در يک سامانه‌ي بحراني-مختلط چندهسته‌اي با در نظر گرفتن سه سطح بحراني ارائه شده است. اين روش در زمان طراحي با توجه به قيود زماني و قابليت اطمينان به نگاشت و زمان‌بندي وظايف در عين کاهش انرژي مي‌پردازد. در زمان اجرا، علاوه بر کاهش هرچه بيشتر انرژي، با ارائه‌ي سناريوي تدريجي به مديريت توأمان زمان‌بندي و قابليت اطمينان در صورت رخداد سرريز در سامانه مي‌پردازد. راهکار پيشنهادي مقدار انرژي مصرفي را در فاز برون‌خط به طور ميانگين 14‌/‌5 درصد و در فاز برخط به طور ميانگين 41‌/‌5 درصد نسبت به حالت بدون اعمال DVFS کاهش مي‌دهد.

در وب‌سايت‌هاي تجاري اکثريت محصولات داراي تعداد کمي نظر و امتياز مي‌باشند و اين براي بسياري از سيستم‌ها مانند سيستم‌هاي نظرکاوي و توصيه‌گر مشکل زاست. اين مشکل که اصطلاحا مشکل شروع سرد محصولات نام دارد، کاربران و صاحبان کسب و کار را نيز با مشکل مواجه مي‌کند. در اين مقاله، به مساله توليد نظر براي محصول سرد پرداخته شده‌است. برخي تحقيقات با استفاده از اطلاعات ساخت‌يافته محصولات، شباهت بين محصولات و نظرات را اندازه‌گيري کرده و از نظرات محصولات مشابه براي محصول سرد استفاده مي‌نمايند. اگرچه اين اطلاعات به خوبي ويژگي‌هاي محصولات را بازنمايي مي‌نمايد، اما از آنجا که اين اطلاعات در همه وب‌سايت‌ها و براي همه محصولات موجود نيست اين روش ها از نظر تعميم پذيري دچار مشکل مي‌شوند. در اين پژوهش، چارچوبي براي بکارگيري انواع داده‌هاي جانبي از جمله داده‌هاي ساخت0‌يافته و غيرساخت‌يافته و انواع ارتباطات موجود بين موجوديت‌هاي مختلف در بسترهاي تجاري مانند ارتباط کاربران و محصولات در قالب يک گراف ناهمگن مورد استفاده قرار مي‌گيرد. سپس با بکارگيري تکنيک تعبيه گراف براي تمامي موجويت‌ها، يک بازنمايي معنايي توليد مي‌گردد و روشي براي انتخاب نظر براي محصول سرد با استفاده از بازنمايي‌هاي توليد شده معرفي مي‌گردد. علاوه بر اين، اثر استفاده از انواع هر يک از اين داده ها مورد بررسي و بحث قرار مي‌گيرد.

يادگيري عميق به عنوان يک تکنيک يادگيري قدرتمند ظاهر شده است که چندين لايه‌ از ويژگي‌ها را از داده ياد مي‌گيرد و نتايجي را توليد مي‌کند. همراه با موفقيت يادگيري عميق در بسياري از دامنه‌هاي کاربردي، يادگيري عميق در تجزيه و تحليل احساسات هم به کار برده مي‌شود. در اين پژوهش، از يادگيري عميق براي تشخيص قطبيت نظرات و تعيين درخواست‌‌هاي کاربران در تلگرام استفاده شده است که بر خلاف ساير روش‌هاي قبلي به جاي استفاده از کلمات پرتکرار براي توليد واژگان، روش امتيازدهي td-idf به کار گرفته شده است و کلماتي براي ايجاد واژگان به کار مي‌روند که داراي امتياز بيشتري هستند. ارزيابي‌هاي انجام‌شده روي دو مجموعه داده‌ي مختلف نشان مي‌دهند که اين روش با صحت خوبي توانسته است قطبيت هر نظر و يا هر درخواست کاربر را تشخيص دهد. روش پيشنهادي به زبان و دامنه‌‌ي خاصي محدود نيست و مي‌‌تواند براي همه‌‌ي زبان‌‌ها مورد استفاده قرار گيرد. عدم نياز مدل پيشنهادي به ديکشنري احساسات و تنها نيازش به متن خام به عنوان ورودي از مزاياي اين روش است.

شبکه‌سازي ‌نرم‌افزارمحور راه‌کاري عملي و قابل توسعه براي ايجاد واحد مديريتي منطقاً متمرکز است. چنين واحد کنترلي ضمن ساده‌سازي مديريت، امکان استفاده‌ي بهينه از تجهيزات شبکه را نيز فراهم مي‌کند. از طرفي معماري شبکه‌سازي ‌نرم‌افزارمحور، با جداسازي بخش کنترل و داده، در جهت بالا بردن سرعت تکامل و اِعمال تغييرات در شبکه نيز حرکت مي‌کند. با جداسازي صورت گرفته، انعطاف کافي براي استفاده از الگوريتم‌هاي دلخواه و پروتکل‌هاي شخصي‌سازي‌شده در شبکه‌ها فراهم شده است. در اين مقاله، ما الگوريتم مسيريابي‌اي پويا در بخش کنترل شبکه‌سازي ‌نرم‌افزارمحور پياده‌سازي کرده‌ايم. اين الگوريتم ضمن در نظر گرفتن توپولوژي کلي شبکه، وزن دهي مسيرها را بر اساس وضعيت لحظه‌اي ابزارهاي شبکه انجام مي‌دهد. درنتيجه، الگوريتم پيشنهادي با تنظيم دقيق و لحظه‌اي پارامترهاي مسيريابي، انتخاب مسير بهينه را بهبود مي‌بخشد. حاصل اين بهبود، توزيع متوازن‌تر بار و نهايتاً افزايش بهره‌وري کلي تجهيزات شبکه خواهد بود. نتايج مقايسه‌ي الگوريتم پيشنهادي با الگوريتمي که تنها تعداد گام را براي انتخاب مسير در نظر مي‌گيرد و همچنين الگوريتم RR به ترتيب بهبود حدود ۷ و ۲.۵ برابري توزيع بار را نشان مي‌دهد. همچنين استفاده از الگوريتم پيشنهادي بهره‌وري کلي شبکه را نيز نسبت به دو الگوريتم ذکرشده به ترتيب حدود ۲۴٪ و ۲۰۰٪ افزايش مي‌دهد.

در اغلب موارد، براي مدل‎سازي موضوع در اسناد متني از توزيع چندجمله‎اي بر روي کلمات استفاده مي‎شود. چالشي که در استفاده از اين مدل‎هاي موضوع در ديگر مسائل متن‎کاوي وجود دارد اين است که درک مفهوم هر موضوع در قالب يک توزيع چندجمله‎اي بر روي کلمات ممکن است براي کاربر بسيار دشوار باشد. در اين مقاله، روشي براي برچسب‎گذاري خودکار موضوعات استخراج‎شده توسط مدل تخصيص پنهان ديريکله از پيکره‎اي از اسناد ارائه مي‎شود. در مدل پيشنهادي، برچسب‎هاي کانديد بدون استفاده از منابع اطلاعاتي خارجي، تنها از متن خود پيکره جمع‎آوري مي‎شوند؛ دسته‎اي از برچسب‎هاي کانديد از ميان عبارات اسمي حاصل از قطعه‎بندي نحوي متن پيکره و دسته‎اي ديگر نيز از ميان عبارات دوتايي و سه‎تايي متن انتخاب مي‎شود. پس از مرحله‎ي جمع‎آوري برچسب‎هاي کانديد، مسئله‎ي برچسب‎گذاري خودکار موضوعات را به مسئله‎ي بهينه‎سازي تابع‎ نمره‎دهي ميزان شايستگي برچسب تبديل مي‎کنيم و براي هر موضوع ليستي از برچسب‎ها را با بيشترين ميزان شايستگي براي آن موضوع ارائه مي‎دهيم. براي متمايز بودن برچسب‎هاي موضوعات مختلف دو رويکرد پيشنهاد مي‎کنيم: يکي با ارائه‎ي تعريفي متفاوت از تابع نمره‎دهي و ديگري با پالايش برچسب‎هاي حاصل از همان تابع نمره‎دهي اوليه با استفاده از معيار معکوس فراواني سند. نتايج نشان مي‎دهد که در رويکرد پالايش برچسب‎ها بيشترين تعداد موضوع به طور مناسب برچسب‎گذاري مي‎شوند.

با فراگير شدن اينترنت و وب حجم زيادي از متون که به هر زباني نوشته مي‌شوند در دسترس است. مسئله تشخيص زبان يکي از مراحل اصلي براي هر نوع پردازش ديگر بر روي متن است. تاکنون پژوهش‌هايي بر روي تشخيص زبان در متون انگليسي انجام شده اما کارها روي زبان فارسي در اين حوزه محدود است. از طرفي با گسترش رسانه‌هاي اجتماعي متون محاوره بيشتر مورد استفاده قرار مي‌گيرند که روش‌هاي تشخيص زبان ارائه شده براي زبان رسمي دقت خوبي براي اين نوع متون ندارند. در اين مقاله روشي جهت تشخيص زبان محاوره ارائه شده و تمرکز بر تشخيص زبان فارسي و زبان‌هاي با رسم‌الخط مشابه يعني کردي مرکزي، عربي، پشتو و اردو و فضاي مورد مطالعه، شبکه‌هاي اجتماعي است. فرآيند طراحي شده از يک مرحله سنجش آماري (الگوي زباني مبتني بر Nتايي‌ها) و دو مرحله غيرآماري (نويسه‌هاي ويژه و ايست‌واژه‌ها) تشکيل شده است. براي ارزيابي روش پيشنهادي مجموعاً تعداد ۱۰۰۰ جمله از هر پنج زبان به صورت تصادفي از پيام‌هاي شبکه‌هاي اجتماعي استخراج شده است. نتايج به دست آمده از ارزيابي روش پيشنهادي بر روي مجموعه داده جمع‌آوري شده نشان مي‌دهد که روش پيشنهادي که تلفيق روش آماري و غيرآماري است بهبود قابل‌توجهي نسبت به روش آماري به تنهايي داشته است. همچنين نتايج به دست آمده نشان‌دهنده عملکرد خوب روش پيشنهادي در مقايسه با ابزارهاي قدرت‌مندي مانند گوگل و زيراکس است. اين ابزار همچنين توانايي تشخيص زبان پشتو و کردي مرکزي را دارد که براي ساير ابزارهاي معروف تشخيص زبان، قابل شناسايي نيست.

امروزه با گسترش استفاده از شبکه‌هاي بي‌سيم محلي، نياز به افزايش سرعت و کيفيت انتقال اطلاعات در اين شبکه‌ها بسيار افزايش يافته‌است. يکي از موثرترين روش‌هايي که تاکنون در راستاي دستيابي به اين هدف مطرح شده‌است، مکانيسم تجميع فريم است. تعيين اندازه فريم تجميعي همواره يک چالش مهم بوده و هدف اصلي پژوهش‌هاي مرتبط با اين مسئله، افزايش اندازه تجميع تا حداکثر ميزان ممکن با توجه به محدوديت‌هاي تأخير بوده‌است. از طرفي ارزيابي روش‌هاي موجود اغلب از طريق شبيه‌سازي صورت گرفته است. اين مقاله روشي جديد به نام Binary BitAllowance را معرفي مي‌کند که در آن اندازه فريم تجميعي با توجه به نرخ ارسال، براي هر ايستگاه تعيين مي‌شود. هدف اصلي در اين روش کمينه‌سازي مجموع زمان ارسال در هر ايستگاه است. در نتيجه ميزان استفاده از کانال توسط ايستگاه‌هاي مختلف کاهش يافته و منابع موجود به صورت بهينه‌ مورد استفاده قرار مي‌گيرند. روش پيشنهادي به‌همراه دو روش مهم EDF و موعدمحور در يک بسترواقعي و در هسته لينوکس پياده‌سازي شده و مورد ارزيابي قرار گرفته‌اند. نتايج ارزيابي‌ها نشان مي‌دهند که در حالت ارسال ترافيک به صورت اشباع، اين روش نه تنها ميانگين تأخير در ارسال بسته‌ها را نسبت به دو روش ديگر به حدود يک پنجم کاهش مي‌دهد، بلکه مدت زمان اشغال کانال در آن نيز ثابت بوده‌است. همچنين در اين روش هيچ يک از بسته‌ها گم نشده و حتي تأخير ارسال در هيچ بسته‌اي بيشتر از آستانه قابل قبول نبوده‌است. در حالي که در دو روش ديگردر حالت اشباع، حدود 80% از بسته‌ها آستانه تأخير را نقض کرده و حدود 15% از آنها گم شده‌اند.

طبقه‌بندي تصاوير سنجش از راه دور به دليل اينکه اطلاعات زيادي را براي بسياري از کاربردهاي موجود فراهم مي‌کند از اهميت بالايي برخوردار است و کاربردهايي مانند مديريت شهري و کشاورزي و موارد ديگر نياز به طبقه‌بندي تصاوير ماهواره‌اي دارد. در اين مقاله روشي براي درک صحنه‌هاي سنجش از راه دور با وضوح بالا، ارائه شد. ابتدا شبکه موبايل‌نت که يک شبکه پيش‌آموزش‌ديده است، جهت استخراج ويژگي‌هاي حاوي اطلاعات با ارزش از تصاوير به کار رفت. سپس تمام لايه‌هاي کاملا متصل که در آن هر لايه ويژگي جداگانه‌اي را توصيف مي‌کند توسط روش الحاق، جهت استخراج ويژگي‌هاي مفيدتر ادغام شدند. در نهايت با استفاده از رگرسيون چند کلاسه به عنوان يک طبقه‌بند اين تصاوير با وضوح بالا طبقه‌بندي شدند. براي شبيه‌سازي از کتابخانه کراس در سيستم عامل لينوکس اوبونتو با پشتباني Anaconda استفاده شده است. معيار ارزيابي روش پيشنهادي دقت بوده است که بر روي دو مجموعه داده U-Merced و WHU-RS به ترتيب معادل 28/84 % و 23/94 % به دست آمده که در مقايسه با ساير روش‌هاي مطرح، به دقت و عملکرد بهتري رسيده است.

امروزه بحث امنيت شبکه بيش از پيش مورد توجه پژوهشگران قرار گرفته است و تشخيص نفوذ به‌عنوان يکي از اجزاي اصلي برقراري امنيت در شبکه‌هاي کامپيوتري شناخته مي‌شود. سيستم‌هاي تشخيص نفوذ از تعدادي اشکالات مانند ميزان بالاي هشدارهاي نادرست، بازده تشخيص کم و کارايي پايين رنج مي‌برند. در اين مقاله يک سيستم تشخيص نفوذ همکارانه مبتني بر دسته‌بند بيزي براي بهبود مشکلات موجود ارائه شده است؛ به طوري‌که ترافيک به‌صورت جرياني وارد واحد آموزش دسته‌بندها شده و هر کدام از موتورهاي تشخيص با استفاده از دانش اوليه ايجاد مي‌شوند. در ادامه، در صورت مشاهده‌ داده‌ جديد، از ساير سيستم‌هاي موجود همکار، براي‌ تشخيص داده‌ جديد کمک خواسته مي‌شود. هر کدام از سيستم‌ها با توجه به واحد آموزش خود نسبت به داده جديد تشخيص مي‌دهند و نتايج را مي‌فرستند. سپس با توجه به نتايج، رأي‌گيري مي‌شود و مجدداً نتيجه‌ تشخيص به‌هنگام مي‌شود و داده‌ جديد به همراه نتيجه‌ به واحد آموزش اضافه مي‌شود. ارزيابي اين سيستم با استفاده از مجموعه داده NSL-KDD انجام و نتايج حاصل با دسته‌بند بيز ساده و بهبود يافته‌ آن مقايسه شده است. نتايج شبيه‌سازي‌ حاکي از آن است که سيستم پيشنهادي از لحاظ کارايي، دقت و نيز نرخ هشدارهاي نادرست عملکرد مناسب‌تري نسبت به سيستم‌هاي موجود دارد.

شبکه‌ي اجتماعي ريسرچ‌گيت(ResearchGate) يک شبکه‌ي اجتماعي علمي است که با ايجاد فضايي تعاملي ميان کاربران، محيطي مناسب را جهت ارتباط، همکاري و مبادله‌هاي علمي براي پژوهشگران سراسر جهان فراهم نموده و افراد از طريق دنبال‌کردن و پاسخ دادن به سؤال‌هاي ديگر کاربران به دنبال کشف يک فرصت جهت ايجاد ارتباط با کاربران تاثيرگذار، همکاري‌هاي علمي و ايجاد انجمن‌هاي علمي مي‌باشند. با تشخيص اجتماعات در اين شبکه که يکي از مهم‌ترين کاربردهاي تحليل شبکه‌هاي اجتماعي است، انجمن‌هاي شکل‌گرفته براساس روابط موجود در شبکه مشخص مي‌شوند. در اين پژوهش ابتدا روابط هم‌نويسندگي، دنبال‌کنندگي دنبال‌شوندگي و پرسش و پاسخ در شبکه‌ي ريسرچ‌گيت ايجاد‌ شده و با استفاده از روش ماژولاريتي(Modularity) که از الگوريتم لووين(louvain) پيروي مي‌کند انجمن‌هاي ايجاد شده در روابط با يکديگر مقايسه شده‌اند. از آنجائيکه در شبکه‌هاي اجتماعي علمي هدف از بارگذاري و انتشار مقالات توسط محققان، انتقال و به اشتراگ‌گذاري دانشي است که در پژوهش خود کسب کرده‌اند؛ بنابراين پژوهشگر مي‌تواند از طريق رابطه‌اي که به طور ميانگين افراد بيشتري را به يکديگر پيوند داده است دانش خود را ميان کاربران بيشتري به اشتراک بگذارد. طبق نتايج پژوهش حاضر، رابطه‌ي دنبال‌کنندگي دنبال‌شوندگي در اين شبکه بيشترين تراکم را در ميان روابط دارد و سبب انتقال دانش ميان کاربران بيشتري مي‌شود.

برخلاف مجموعه داده‌هاي با ناظر تک برچسبه که در آنها به هر نمونه يک برچسب کلاس تخصيص داده مي‌شود، در مجموعه داده‌هاي چند برچسبه به هر نمونه چندين برچسب کلاس منتسب مي‌شود که همين امر، کار ساخت يک مدل دقيق و جامع از روي اين مجموعه داده‌ها را با چالش مواجه مي کند. بنابراين، استفاده از روش‌هاي تک‌برچسبه براي کار بر‌روي مجموعه داده‌هاي چند‌برچسبه منجر به نتايج قابل قبولي نخواهد شد. امروزه انتخاب ويژگي در مجموعه داده‌هاي چندبرچسبه به يکي از موضوعات چالش برانگيز در پژوهش‌هاي مرتبط با داده‌کاوي و يادگيري ماشين تبديل شده است. مجموعه داده‌هاي چندبرچسبه در حوزه‌هاي مختلفي مانند بيوانفورماتيک، گروه‌بندي متن، پردازش تصوير و غيره استفاده مي‌شوند. در اين مقاله، يک الگوريتم ممتيک براي انتخاب ويژگي در مجموعه داده‌هاي چندبرچسبه ارائه شده است. نوآوري اصلي اين مقاله، ارائه يک الگوريتم جستجوي محلي جديد است که در ترکيب با الگوريتم ژنتيک، چارچوب اصلي الگوريتم ممتيک پيشنهادي را تشکيل مي‌دهد. ايده اصلي الگوريتم جستجوي محلي پيشنهادي، ساخت تعدادي همسايه براي يک راه‌حل با استفاده از بردار دانش پيشين و بردار دانش پسين جهت انتخاب ويژگي‌هاي موثر و حذف ويژگي‌هاي غيرمفيد است. نتايج پياده‌سازي الگوريتم پيشنهادي و مقايسه اين نتايج با کارهاي مشابه، نشان دهنده اين موضوع است که روش پيشنهادي در اکثر موارد منجر به توليد نتايج بهتري مي‌گردد.

شبکه‏‌هاي اجتماعي، پنجره‏اي رو به اجتماعات مجازي مي‏‌گشايد که در آن کاربران نظرات خود را بيان مي‏کنند. توييتر همواره به عنوان يک منبع غني از عقايد و احساسات شناخته مي‏شود. هدف تحليل احساسات، دسته‏‌بندي و تعيين قطبيت کلمات به احساسات مثبت، منفي و خنثي است؛ که به کمک آن مي‏توان عقايد منتشر شده حول يک موضوع خاص را شناسايي کرد. چالش اصلي، افزايش دقت دسته‏‌بندي و مقابله با پراکندگي داده‏‌ها مي‏باشد. گاهي عدم دسته‏‌بندي صحيح توييت‏‌ها باعث افزايش غيرعادي توييت‌‏هاي نامرتبط مي‏‌شود که اين امر دسته‏‌بندي اشتباه توييت‏‌ها را در پي دارد. متن‏کاوي به عنوان راهکار مهمي براي حل مسائل ذکر شده مطرح شده است. در اين مقاله رويکردي نوين جهت تحليل احساسات در توييتر بيان شده است. نوآوري ارائه شده شامل معرفي يک لغت نامه پيشنهادي مربوط به رشته مهندسي کامپيوتر، ليست رفع ابهام از اين حوزه، رويکرد ترکيبي با استفاده از درخت تصميم CART (روش يادگيري ماشين) و الگوريتم SentiStrength (روش مبتني بر واژه) جهت تحليل دقيق‏ احساسات مي‏باشد. نتايج پياده‏سازي در تشخيص نوع قطبيت احساسات در اغلب شاخص‏ها بهبود دسته‏‌بندي را نشان مي‏‌دهد. همچنين بهينه‏‌سازي ليست انتخابي منجر به غربال صحيح توييت‏‌هاي مرتبط گرديده که باعث دقيق‌‏تر شدن ورودي برنامه جهت پردازش نهايي شده است.

در شبکه‌هاي حسگر بي‌سيم، زماني که گرهي رويدادي را دريافت مي‌کند بعد از پردازش، آن را به چاهک ارسال مي‌کند. به دليل محدوديت گره‌هاي حسگر، داده ‌پردازش شده بايد به صورت چند گامي به چاهک مسيريابي شود. بيشتر روش‌هاي مسيريابي موجود در شبکه‌هاي حسگر بي‌سيم بر اساس راهبرد مسيريابي تک-مسير طراحي شده‌اند که اين نوع روش‌ها داراي مشکلاتي هستند. به منظور مقابله با محدوديت‌هاي روش‌هاي مسيريابي تک-مسيري، يک نوع استراتژي مسيريابي وجود دارد که مسيريابي چند مسيري ناميده مي‌شود. در مسيريابي چند مسيري، مسيرهاي کشف شده مي‌توانند به صورت همزمان براي ارسال داده‌ها به کار گرفته شوند و يا هر گره منبع مي‌تواند فقط از يک مسير به منظور ارسال داده استفاده کند و در زمان خراب شدن يک گره، مسير ديگري را انتخاب کند. يکي از روش‌هايي که براي کشف مسيرهاي چند مسيري کاربرد دارند، استفاده از الگوريتم ژنتيک است. الگوريتم‌ ژنتيک براي جستجوي بهينه سراسري در فضاي پيچيده، قوي و کارآمد هستند. در اين مقاله، ما يک روش مسيريابي چند مسيري با استفاده از الگوريتم ژنتيک در شبکه‌هاي حسگر بي‌سيم ارائه کرده‌ايم. در روش پيشنهادي ما يک تابع برازش متفاوت نسبت به الگوريتم GAEMW ارائه شده است که موجب کاهش انرژي مصرفي نسبت به الگوريتم GAEMW شده است.

امروزه اينترنت اشياء بسيار محبوب و فراگير است بطوريکه به سرعت در زمينه‌هاي گوناگوني کاربرد پيدا کرده است. بسته به محل استفاده از اينترنت اشياء و نحوه ارتباط گره‌ها با يکديگر و با سرور، پروتکل‌هاي متفاوت ارتباطي مورد نياز است که مي‌توان آنها را بر اساس عوامل مختلفي همچون سرعت، توان مصرفي، يک طرفه يا دو طرفه بودن ارتباطات بررسي کرد. با توجه به نيازمندي هاي کاربرد مورد نظر و براساس مصالحه بين معيارهاي مختلف، مي‌توان پروتکل مناسب را انتخاب نمود. در اين مقاله به بررسي و ارزيابي پروتکل دوربرد LoRa که يکي از پروتکل‌هاي پرکاربرد در اينترنت اشياء است پرداخته مي-شود تا براساس معيارهاي مختلفي مانند توان مصرفي، سرعت انتقال داده، محدوده‌ي تحت پوشش و غيره، امکان انتخاب پروتکل و پيکربندي مناسب آن فراهم شود. نتايج ارزيابي نشان مي‌دهد که براي بهبود انرژي مصرفي، براي فواصل کمتر از 3 کيلومتر انتخاب پهناي باند بزرگتر مناسب‌تر است و همچنين براي کاهش تاخير ارسال، انتخاب مقادير کمتر براي SF اولويت دارد.

تشخيص چهره يکي از حوزه‌هاي تحقيقاتي مهمي است که براي شناسايي هويت افراد بکار مي‌رود. هدف اين مقاله بازيابي سريع تصوير چهره از پايگاه داده حجيم است. روش ارائه شده در اين مقاله، به کمک تجزيه ماتريس نامنفي، ويژگي هاي اساسي در ساختار چهره را استخراج مي‌کند. در اين روش، براساس مجموعه تصاوير چهره موجود در پايگاه داده مورد بررسي، ديکشنريي از المان‌هاي ساختاري اوليه چهره تشکيل مي‌شود. هر تصوير چهره، بر اساس ويژگي‌هاي منحصر به فرد خود، با ترکيب المان‌هاي اوليه موجود در ديکشنري توصيف مي‌شود. بر اين اساس، براي جستجوي يک چهره در پايگاه داده، صرفاً جستجو بر روي بردارهاي ويژگي تصاوير چهره موجود در پايگاه داده انجام مي‌شود. در اين مقاله، به منظور تشکيل دقيق‌تر المان‌هاي ساختاري، ديکشنري جداگانه‌اي براي نيمه بالا و پايين مجموعه تصاوير چهره تشکيل مي-شود. روش ارائه شده با استفاده از پايگاه داده FERET، حاوي يک تصوير چهره از 990 افراد مختلف ، مورد ارزيابي قرار گرفته است. روش پيشنهادي در اين مقاله، به مراتب سريع‌تر از روش‌هاي موجود، با نرخ بازيابي نزديک به 90 درصد تصاوير چهره را از پايگاه داده بازيابي مي‌کند.

با ملاحظه‌ي مقبوليت عمومي و روبه‌گسترش استفاده از روش‌ها و الگوريتم‌هاي مبتني‌بر گراف در زيست‌شناسي سامانه‌ها و زيست‌شناسي مصنوعي، و همچنين، گستردگي تنوع گراف‌هاي بکارگرفته‌شده توسط اين الگوريتم‌ها، توليد و توسعه‌ي يک محصول جامع کتابخانه‌اي که با اتکاي بر آن بتوان نمايشي کامل و بي‌نقص از انواع سامانه‌هاي زيستي را ارائه داد، ضروري به نظر مي‌رسد. فقدان محصولات کتابخانه‌اي با غناي آنچه که براي طراحي، بررسي و تحليل شبکه‌هاي مختلف زيستي موردنياز است، از ديگر انگيزه‌هاي ما براي حرکت در راستاي نيل به اين مقصود بود. در کنار اين موارد، استفاده از معماري سه لايه در طراحي محصول مزايايي را بهمراه دارد که نتيجه‌اش توليد محصولي کارآمد است؛ مزيت‌هايي مانند: 1) توسعه‌ي يک معماري ماژولار ساختارمند براي ملاحظه‌ي انواع داده‌گراف‏ها ‏و کاهش پيچيدگي‌هاي وابسته، 2) حفظ دقت و صحت داده-گراف‌ها بدون دخالتِ کاربر نهايي در نحوه‌ي ذخيره‌سازي‌شان در کامپيوتر و 3) افراز محصول کتابخانه‌اي به زيربخش‌هاي مختلف بنابر آنچه که گفته شد و نقصان‌هاي موجود، اين مقاله به معرفي ساختار يک محصول کتابخانه‌اي توسعه‌پذير براي پوشش تمامي انواع داده‌گراف‌ها و نحوه‌ي توليد آن که مبتني‌بر معماري سه لايه است، مي‌پردازد. محصول مذکور با بهره-گيري از زبان برنامه‌نويسي جاوا و پايگاه داده‌اي MySQL پياده‌سازي شده و درحال بسط و گسترش است.

دسته‌بندي موضوعي متون يکي از مباحث پرکاربرد حوزه‌ي پردازش زبان طبيعي مي‌باشد. به همين جهت تاکنون کارهاي متفاوتي به جهت افزايش دقت در اين حوزه انجام شده‌است. بسياري از اين راهکارها بر اساس ساخت مدلي با نظارت و با استفاده از داده برچسب‌دار ارائه مي‌شود. در مواردي که داده برچسب‌دار موجود باشد، مدل‌هاي فوق عملکرد بسيار مناسبي دارند ولي در موارد بسياري چنين داده‌اي وجود ندارد و تهيه‌ي آن هزينه‌بر است. بنابراين روش‌هاي ياد شده در مواجهه با چنين شرايطي کارايي خود را از دست مي‌دهند. در اين مقاله به جهت مقابله با شرايطي که داده برچسب‌دار موجود نباشد، راهکاري مبتني بر بازنمايي بين زباني کلمات ارائه مي‌گردد که با استفاده از روش‌هاي انتخاب ويژگي و روش‌هاي دسته‌بندي ارائه شده‌است تا علاوه برحفظ دقت بالا در دسته‌بندي موضوعي، فقدان وجود داده برچسب‌دار را جبران سازد .

در سال‌هاي اخير، ابعاد سلول‌هاي حافظه‌هاي امروزي مانند DRAM، SRAM و FLASH خيلي کوچک شده است. جريان نشتي بالا و همچنين حساسيت نسبت به خطاهاي نرم، مقياس‌پذيري اين حافظه‌ها را با مشکلات جدي مواجه کرده است. به همين دليل، حافظه‌هاي مقاومتي غير‌فرار در حال پيدايش، به عنوان يک جايگزين، بسيار مورد توجه پژوهشگران قرار گرفته‌اند. اين حافظه‌هاي نوظهور داراي ويژگي‌هاي مثبتي چون چگالي بالا، توان ايستاي تقريباً صفر و مقاوم بودن در برابرخطاهاي نرم مي‌باشند. اما همچنان تعداد دفعاتي که مي‌توان عمل نوشتن را به صورت مطمئن در اين حافظه‌ها انجام داد، مشکلي است که مانع از توسعه اين فناوري و جايگزيني کامل حافظه‌هاي سنتي مبتني بر فناوري CMOS شده است. به اين خطاي ناشي از نوشتن زياد بر روي اين حافظه‌ها، خطاي سخت مي‌گويند. در اين مقاله مکانيزمي براي مقابله با خطاي سخت و افزايش طول عمر حافظه مقاومتي تغيير فاز مطرح شده است. اين روش مبتني بر روش‌هاي تشخيص و تصحيح خطاست و اين کار را در دو سطح انجام مي‌دهد. در ابتدا اگر خطايي اتفاق افتاد، براي تصحيح آن از حافظه دم دستي کنار هر صفحه استفاده مي‌کند. اگر اين حافظه پر شده بود، از استخر بخش‌هاي تصحيح خطا که در انتهاي حافظه تعبيه شده است استفاده مي‌نمايد. نتايج حاصل از شبيه‌سازي نشان مي‌دهد که طول عمر حافظه به نسبت روش شناخته شده ECP-6، 1/2 برابر و در قياس با روش PAYG، 4/1 برابر شده است.

با رشد روزافزون حجم داده‌ها، تحليل و کشف روابط بين آنها اهميت زيادي در علم داده‌کاوي پيدا کرده است. استخراج قانون به کمک شبکه‌عصبي يکي از ابزارهاي مهم در زمينه کشف دانش و روابط بين داده‌ها است که با بررسي ساختار داخلي شبکه، اتصالات موجود و خروجي نرون‌هاي لايه مخفي انجام مي‌گيرد. گسسته‌سازي خروجي نرون‌هاي لايه مخفي يکي از مراحل اساسي در روش تجزيه‌اي استخراج قانون به کمک شبکه عصبي است. در روش‌هاي موجود، عمليات گسسته‌سازي به‌صورت دستي يا به‌سادگي با انتخاب دسته‌هاي مساوي انجام مي‌گيرد. گسسته‌سازي نامناسب باعث ايجاد ابهام، کاهش دقت و پيچيدگي قوانين استخراج شده مي‌شود. در اين مقاله با بهره‌گيري از يک الگوريتم خوشه‌بندي و توجه به توزيع داده‌ها، گسسته‌سازي خروجي نرون‌هاي لايه مياني انجام مي‌گيرد. روش ارائه شده بر روي چندين پايگاه داده آزمايش شده‌است، نتايج نشان مي‌دهد که قوانين استخراج شده از نظر سادگي بهتر از روش‌هاي موجود و از نظر دقت بطور متوسط دو درصد بهبود مي‌يابد.