انجمن کامپیوتر ایران

تبدیل حوضچه یک ابزار شناخته شده برای ناحیه‌بندی تصویر است. این تبدیل در ناحیه بندی تصاویری که شامل بافت نباشند کارایی نسبتاً خوبی دارد. اما در ناحیه‌بندی تصاویر منظره که اغلب شامل مقداری بافت نیز هستند کارایی خوبی ندارد و منجر به تولید نواحی اضافی می‌شود. در این مقاله روشی برای ناحیه بندی تصاویر منظره با استفاده از تبدیل حوضچه پیشنهاد شده است. در این روش تبدیل حوضچه روی تصویری اعمال می شود که از روی تصویر اصلی بدست آمده و درآن مرز اشیاء نسبت به تصویر اصلی برجسته شده‌اند. به منظور برحسته‌سازی مرز اشیاء، مقادیر گرادیان شدت روشنایی تصویر در سه مقیاس مختلف بدست آمده و بعد از اعمال آستانه جمع وزن‌دار آنها محاسبه شده است. برای محاسبه‌ی مقادیر گرادیان شدت روشنایی یک مدل فرضی از کورتکس اولیه‌ی بینایی ارائه شده است. نتایج پیاده‌سازی نشان دهنده‌ی کارایی موثر روش پیشنهادی در ناحیه‌بندی تصاویر منظره است.

روش‌های آماری مانند مدل مخفی مارکوف به خوبی در مسائل بازشناسی گفتار مورد استفاده قرار گرفته‌اند. اخیراً این متدها در بازشناسی دست نوشته نیز بکار گرفته شد ه‌اند. در این مقاله یک روش مبتنی بر گروه‌بندی، جهت بازشناسی حروف مجزای بر خط فارسی مستقل از نویسنده، ارائه می‌شود. مدل‌سازی با استفاده از مدل مخفی مارکوف انجام می‌پذیرد و ویژگی‌های متعددی از دنباله نقاط نمونه‌برداری شده از حروف دست نوشته، جهت تخمین پارامترها، استخراج شده است. آزمایشات مختلفی با ویژگی‌های متفاوت دنباله نقاط و توپولوژی‌های گوناگون مدل مخفی مارکوف با استفاده از روش مبتنی بر گروه‌بندی و روش مبتنی بر هر یک از حروف انجام گرفته و نتایج و تاثیر آنها بر دقت بازشناسی گزارش شده است. با گروه‌بندی حروفی که حرکات دست هنگام نوشتن آن‌ها مشابه است و مدل‌سازی هر گروه، درصد خطای بازشناسی نسبت به روشی که در آن برای هر یک از حروف، مدلی ایجاد می شود، 25,63 درصد کاهش یافته است. بهترین نتیجه با استفاده از ویژگی‌های مشتق زمانی مرتبه اول مولفه‌های افقی و عمودی نقاط روی محورهای مختصات و تفاضل زوایای نقاط پی در پی، به‌دست آمده است.

هدف الگوریتم‌های یادگیری افزایشی در شبكه‌های چند لایه پرسپترونی، حفظ نتایج فازهای آموزشی قبلی و بهبود عملكرد شبكه با آموزش انحصاری آن بر روی نمونه‌های جدید است. الگوریتم‌هایی كه تاكنون برای یادگیری افزایشی در یك شبكه چند لایه پرسپترونی پیشنهاد شده‌اند قابلیت تعریف كلاس‌های جدید را در اختیار نمی‌گذارند. در این مقاله الگوریتمی برای یادگیری افزایشی در شبكه‌های چند لایه پرسپترونی مورد بررسی قرار می‌گیرد كه این نقطه ضعف را رفع كرده است. این الگوریتم از تركیب افزایشی تعدادی شبكه یادگیر ضعیف كه هریك مربوط به تعدادی از نمونه‌های آموزشی است كه در طول زمان به سیستم ارائه شده اند، یك شبكه یادگیر قوی می‌سازند و قابلیت پذیرش كلاس‌های جدید معرفی شده توسط نمونه‌های تازه وارد را نیز دارا می‌باشند. در اینجا تاثیر پارامترهای مختلف بر میزان كارایی الگوریتم مورد بررسی قرار گرفته و بوسیله نتایج بدست آمده، عملكرد الگوریتم مورد تحلیل قرار خواهد گرفت. به علاوه سه راه برای بهبود عملكرد چنین الگوریتمی پیشنهاد شده است. نتایج حاصل از پیاده سازی‌های صورت گرفته، حاكی از موفقیت این روش‌ها در بهبود عملكرد الگوریتم نسبت به نسخه اصلی می‌باشد تا جایی كه استفاده همزمان از این روش‌ها منجر به كاهش پنجاه درصدی خطا نسبت به نسخه اصلی الگوریتم گردیده است.

جایگزین کردن واحدهای عملیاتی یک پردازنده قابل توسعه با واحدهای عملیاتی قابل بازپیکربندی می‌تواند هزینه تولید و زمان ارائه به بازار را بطور چشمگیری کاهش دهد. بعلاوه افزون بر کاهش هزینه تولید، این پردازنده قادر به اجرای دستورات سفارشی بیشتری نیز خواهد بود. در این مقاله یک معماری ناهمگون برای واحدهای عملیاتی قابل بازپیکربندی در پردازنده‌های قابل توسعه ارائه شده است. نتایج آزمایشات نشان می‌دهد که در مقایسه با معماری پیشین، معماری ارائه شده از تعداد زیادی دستورالعمل سفارشی پشتیبانی می‌کند. بعلاوه این معماری قادر است زمان اجرای یک دستورالعمل سفارشی را بین ٢٠ تا ٤٠ درصد بهبود دهد.

در این مقاله الگوریتم جدیدی با الهام از روش‌های مبتنی بر معادلات نفوذ گرما برای کاهش نویز تصاویر ارائه می‌شود که از ویژگی‌های مهم آن حفظ لبه‌ها در تصاویرمی‌باشد. این الگوریتم بر این اصل استوار می‌باشد که روشنایی لبه‌های موجود در تصاویر واقعی به تدریج تغییر می‌یابد. بر این اساس در حل عددی معادلات نفوذ گرما به منظور حفظ لبه‌ها، لازم است همسایگی‌هایی با عمق بیش از یک پیکسل در نظر گرفته شود. در روش پیشنهادی علاوه بر لبه‌های افقی و عمودی چهار لبه اریب نیز در ساختار همسایگی در نظر گرفته می‌شود تا لبه‌های موجود در تصویر را بهتر حفظ نماید. این الگوریتم بر روی تصاویر استاندارد مختلف آزمایش شده است و عملکرد آن با عملکرد الگوریتم‌های موجود مورد مقایسه قرار گرفته اند. نتایج نشان می‌دهد که روش ارائه شده در این مقاله، نسبت به روش‌های موجود، علاوه بر حذف نویز در حفظ لبه‌ها از عملکرد بهتری برخوردار است.

كنترل ازدحام در شبكه هاي كامپيوتري مبتني بر TCP امروزه از اهميت بالايي برخوردار مي باشد و با ورود مهند سي كنترل به اين حيطه زمينه مساعدي براي بهبود عملكرد اي ن شبكه ها فراهم شده است . مديريت فعال صف (AQM) به عنوان يك كلاس از دورانداختن يا علامت گذاري بسته ها در صف مسيرياب ها راه حلي در كنترل ازدحام انتها به انتها در شبكه هاي TCP به شمارمي رود. در اين مقاله بوسيله مد ل رياضي جريان سيال TCP-Westwood و ساده سازي و تخمين پارامتر نسبت بازشدگي پنجره سعي بر اين است ك ه ديناميك هاي مختلف مسأله ازدحام جداسازي شده و با كمك پارامترهاي كنتر لگر PI كه قبلا در مورد TCP-Reno به دست آمده اند كنترلگر PI براي TCP-Westwood تنظيم شود . در پايا ن درستي نتايج به كمك نرم افزار شبيه ساز شبكه ( 2(NS بررسي شده و نشان داده شده است كه الگوريتم كنترلي ارائه شده عملكرد بهتري نسبت به الگوريتم قديمي تر RED به منظور تنظيم طول صف دارد.

اجراي برنام ه هاي موازي MPI بر روي سيستمهاي كلاستر و گري د معمولاً در معرض خطر خرابي سيستم و يا شبكه مي باشد. لذا استفاده از پياد هسازيهاي تحمل پذير در برابر خرابي در اين گونه سيستمها امري اجتناب ناپذير اس ت. دو دسته از روشها براي تحم لپذير ساختن اين گونه سيستمها به كار مي رود كه يكي مبتني بر checkpoint گرفتن از حالت پروسه هاي در حال اجرا و ديگري مبتني بر ثبت وقايع مي باشد.عيب روش ثبت بدبينان ه وقاي ع مبتني بر فرستنده كه در دسته دوم قرار م يگيرد حجم زياد پيامهايي است كه بايد در حافظه فرار نگ هداري شوند. در اين مقاله ما براي رفع مشكل ذكر شده روش checkpoint هماهنگ از محتوي پيامها (CCMP) را ارائه كرد هايم. نتايج آزمايشات دلالت بر كاهش زمان اجر ا در روش پيشنهاد ي براي برنام ه هاي سنجش NPB در محيطهاي بدون خرابي و داراي خرابي دارد.