انجمن کامپیوتر ایران

موسیقی در زندگی روزمزه ما نقش بسیار مهمی دارد. انقلاب دیجیتالی، راه مصرف و تعامل با موسیقی را شدیدأ تحت تأثیر قرار داده است. ضبط موسیقی بصورت رقمی، امکان پردازش سیگنال‌های آنالوگ را به صورت رقمی، فراهم می کند. این گام از آنالوگ به دیجیتال، راه‌های جدیدی از تحقیق درباره موسیقی را باز کرده است. از جمله این تحقیقات می‌توان به شناخت سازها، کشف نت‌ها، حاشیه نویسی و طبقه‌بندی سبک‌های موسیقی اشاره کرد. ضرایب کپسترال فرکانس مل، از جمله ویژگی‌های رایج برای پردازش سیگنال‌های صوتی است. ولی این ویژگی‌ها برای گفتار مناسب‌تر از موسیقی هستند. در سال‌های اخیر، استفاده از روش‌های یادگیری داده، برای استخراج ویژگی موسیقی، طرفداران زیادی پیدا کرده است. الگوریتم فیلتر گذاری تنک، یک روش یادگیری بدون نظارت است که به کمک آن می‌توان ویژگی‌های مناسب‌تری را از سیگنال موسیقی، استخراج کرد. در این مقاله سعی شده است که از طریق این الگوریتم، ویژگی‌های صدای ساز کی برد، یادگرفته شده و نت های نواخته شده توسط آن، کشف شود. برای انجام چنین کاری، ابتدا یک طیف از صدا استخراج شده و به مقیاس مل تبدیل می‌شود که به این ترتیب ویژگی‌های اولیه بدست می‌آیند. این ویژگی‌ها دریک الگوریتم فیلترگذاری تنک استفاده می‌شوند تا ویژگی‌های بهتری یاد گرفته شوند. ویژگی‌هایی که از این روش بدست می‌آیند، به صورت بردار، برای یک طبقه بند فرستاده می‌شوند. روی نتایج حاصل از طبقه بندی داده‌های بدست آمده از هر دو روش یادگیری یعنی ضرایب کپسترال فرکانس مل و روش یادگیری فیلترگذاری تنک، ارزیابی متقاطع انجام می‌شود. نتایج آزمایشات نشان می‌دهد که دقت کشف نت از ۵/۳۸ درصد در روش ضرایب کپسترال فرکانس مل، به ۷۰ درصد در روش فیلترگذاری تنک، افزایش یافته است.

خط تولید نرم‌افزار رویکردی نوین برای توسعه مجموعه‌ای از محصولات متنوع با ویژگی‌های متفاوت است که این تنوع ویژگی‌ها در محصولات قابل ارائه، توسط مدل‌های تغییرپذیری نشان داده می‌شود. حوزه خط تولید نرم‌افزار و تغییرپذیری موضوعات تحقیقات گسترده طی چند دهه گذشته بوده است. در این مقاله تحقیقات سیستماتیکی که تاکنون در این زمینه انجام شده‌اند بررسی شده و بر اساس تجزیه و تحلیل و استفاده از نتایج مبتنی بر شواهد تحقیقات، بهترین و پرکابردترین نحوه مدل‌سازی تغییرپذیری در یک خط تولید نرم‌افزار مشخص می‌گردد. در این راستا ۸۶ مقاله از جنس مروری سیستماتیک مورد بررسی قرار گرفتند. بر اساس تحقیقات انجام شده، مدل‌های تغییر پذیری متعددی وجود دارد که مصنوعات مختلف توسعه را پوشش می‌دهد که از بین آنها "مدل ویژگی" به عنوان مشهورترین مدل برجسته می‌باشد و می‌توان آن را به عنوان یک مدل تغییرپذیری مناسب، به ویژه برای توسعه‌دهندگان و محققان در نظر گرفت.

زنجیره بلوکی گونه‌ای از معماری‌ داده مورد استفاده در فناوری دفاتر کل توزیع شده است که در آن سوابق تراکنش‌ها در زنجیره‌های متصل به یکدیگر ذخیره می‌شوند. بسیاری از صنایع شروع به پیاده‌سازی راه‌حل‌های زنجیره بلوکی برای برنامه‌ها و خدمات خود کرده‌اند. سیستم‌های بانکداری بزرگ دنیا نیز از این قافله عقب نمانده و سعی در بروزرسانی و ارتقاء زیرساخت‌های خود به این تکنولوژی نوین دارند. اگرچه مفهوم زنجیره بلوکی و تعاریف مقدماتی آن جزو مباحثی است که بسیار مورد بررسی قرار گرفته است، اما به مکانیسم‌های اجماع آن که با ‌عنوان الگوریتم‌های اجماع نیز شناخته می‌شوند، چندان پرداخته نشده است. ما در این مقاله الگوریتم‌های اصلی و کاربردی اجماع را تشریح نموده و سپس آنها را از لحاظ فاکتورهای موثر بر کارایی تراکنش‌ها (گذردهی، تأخیر، مقیاس پذیری و غیرمتمرکز بودن) تجزیه و تحلیل نموده و مورد مقایسه و ارزیابی قرار می‌دهیم و با استفاده از روش تصمیم‌گیری چند شاخصه مکانیسم اجماع مناسب‌تر به منظور گذردهی بیشتر و تأخیر کمتر در پردازش‌های بانکی را معرفی می‌نماییم. این مقاله به عنوان راهنمایی برای توسعه دهندگان و محققان برای ارزیابی و طراحی الگوریتم اجماع عمل کارآمدتر برای تراکنش‌های بانکی عمل خواهد نمود.

ظهور مفهوم GPGPU همراه با CUDA و مدل‌های برنامه نویسی نظیر OpenCl، فرصت‌های جدیدی را برای کاهش تأخیر و توان مصرفیِ برنامه‌های کارایی محور فراهم می‌کند. GPU می‌تواند هزاران نخ پردازشی موازی را برای پنهان کردن تأخیر پرهزینه دسترسی به حافظه اجرا کند. با این حال، برای برخی از برنامه‌های حافظه محور، به احتمال زیاد در برخی فواصل زمانی تمام نخ‌های پردازشی یک هسته متوقف شده و منتظر تأمین داده توسط واحد حافظه هستند. در این پژوهش هدف ما بهبود تأخیر دسترسی به حافظه برای بسته‌های تولیدی توسط هسته‌های بحرانی در پردازنده‌های گرافیکی است. به منظور بهبود زمان غیربهینه هسته‌ها، ما بر روی شبکه میان ارتباطی بین هسته‌ها و حافظه پنهان سطح آخر تمرکز و بسته مربوط به هسته‌هایی که تعداد بیشتری نخ متوقف شده دارند را در ورود به شبکه و داوری در شبکه اولویت قرار می‌دهیم. به این ترتیب، بیشترین اولویت در داوری و تخصیص منابع به بسته‌های بحرانی‌تر اعطا می‌شود، بنابراین درخواست حافظه برای آنها سریعتر سرویس دهی شده و متوسط زمان توقف هسته کاهش و در نهایت کارایی پردازنده گرافیکی افزایش می‌یابد.

در حال حاضر اینترنت اشیاء به عنوان یک موضوع تحقیقاتی مهم برای گسترش اتصال اینترنت به دستگاه‌های فیزیکی در فعالیت‌های روزمره تبدیل شده است. اینترنت اشیاء در زمینه‌های مختلفی نظیر بهداشت و درمان، صنایع خودروسازی، حمل و نقل، کشاورزی، آموزش و پرورش و بسیاری از کاربردهای تجاری نقش بسزایی دارد. یکی از مسائل قابل توجه پژوهشگران در این حوزه، شناخت حوزه‌های پژوهشی فعال و نوظهور در این خصوص جهت پژوهش‌های آتی است. از سوی دیگر در سال‌های اخیر تحلیل شبکه‌های اجتماعی به‌عنوان ابزاری مناسب جهت بررسی روابط حال و آینده بین موجودیت‌های یک ساختار شبکه‌ای، نظر محققین علوم مختلف را برای تحلیل این روابط و ترسیم نقشۀ علمی یک حوزه از علم به خود معطوف کرده است. در این مقاله با بکارگیری روش تحلیل هم رخدادی واژگان و نیز تحلیل شبکه‌های اجتماعی، نقشه و ساختار علمی حوزه اینترنت اشیاء در ایران بر اساس مقالات نمایه شده در پایگاه داده سیویلیکا طی سال‌های ۱۳۸۸ تا ۱۳۹۸ ترسیم شده و روند موضوعی حاکم بر پژوهش‌های حوزه مذکور بررسی شده است. نتایج حاکی از آن است که در مقالات منتشر شده در این حوزه، بیشترین توجه محققین به مفاهیمی همچون امنیت، رایانش ابری، شهر هوشمند معطوف بوده و فناوری بلاک چین در حال تبدیل شدن به موضوعی جذاب در تحقیقات آتی پژوهشگران این حوزه است.

سرطان ریه یکی از بیماری‌های مهلک در جهان است. به دلیل دشواری شناخت سرطان ریه در مقایسه با سایر بیماری‌ها، این بیماری در آمار مرگ و میر پیشروترین بیماری حال حاضر است. در این میان تصویربرداری سی تی اسکن به عنوان قدرتمندترین ابزار برای تشخیص و ارزیابی این بیماری بکار برده می‌شود. در سال‌های اخیر محققین حوزۀ بینایی ماشین سیستم‌های کمک تشخیص کامپیوتری (CAD) را معرفی کرده‌اند که بطور خودکار مناطق سالم و سرطانی بافت ریه را شناسایی و طبقه‌بندی می‌کنند. از سوی دیگر کیفیت مطلوب تصاویر استفاده شده در سیستم‌های مذکور جهت تشخیص دقیق، امری ضروری است. در همین راستا یکی از بخش‌های مهم سیستم‌های CAD قسمت بهبود کنتراست تصاویر است که وظیفه آن افزایش کیفیت و وضوح تصویر و در نتیجه تشخیص دقیق‌تر بیماری می‌باشد. با توجه به اهمیت موضوع در این مقاله روش‌های مختلف بهبود کنتراست تصاویر و تأثیر آن بر دقت تشخیص یک سیستم کمک تشخیص پزشکی مورد ارزیابی قرار گرفته است. نتایج این تحقیق نشان می دهد روش CLAHE مبتنی بر روش متعادل‌سازی هیستوگرام، FCCE مبتنی بر مجموعه‌های فازی و ECS از دسته مبتنی بر الگوریتم‌های فرا ابتکاری به ترتیب باعث افزایش دقت بیشتری در تشخیص سیستم‌های CAD شده است.

الگوریتم پس انتشار خطا رایج‌ترین الگوریتم برای آموزش بانظارت و مستقیم شبکه‌های عصبی ضربه‌ای می‌باشد. هرچند به علت ماهیت گسسته این شبکه‌ها، اعمال این الگوریتم با محدودیت‌ها و چالش‌هایی همراه است. در این مقاله یک الگوریتم یادگیری جدید مبتنی بر کدگذاری زمانی تک ضربه‌ای ارائه شده است که در آن گرادیان‌های بازگشتی را حذف کرده و از یک تقریب خطی برای محاسبه مشتق تابع فعالیت نورون‌های ضربه‌ای استفاده می‌کنیم. به منظور حذف گرادیان‌های بازگشتی، تابع خطای هر لایه به صورت جداگانه محاسبه شده و سپس با اعمال الگوریتم کاهش گرادیان، پارامترهای آن لایه به روز رسانی می‌شوند. همچنین به منظور کاهش حجم محاسبات، مدل نورونی خطی تکه‌ای را پیشنهاد داده‌ایم و از یک روش کدگذاری زمانی استفاده کرده‌ایم به گونه‌ای که هر نورون حداکثر یک بار اجازه آتش دارد. الگوریتم پیشنهادی برای آموزش یک شبکه عصبی ضربه‌ای کانولوشنی استفاده شده است و با بررسی بر روی پایگاه داده MNIST نشان داده شده که این الگوریتم قابلیت پیاده‌سازی در ساختارهای عمیق شبکه‌های عصبی ضربه‌ای را دارد.

امروزه رشد گسترده محاسبات ابری موجب افزایش مصرف انرژی در مراکز داده شده است. به‌کارگیری تکنیک‌های کاهش مصرف انرژی جزو چالش‌های اصلی ارائه‌دهندگان سرویس‌های ابری است و شامل دو تکنیک پویا و ایستا می‌باشد. با به‌کارگیری تکنیک‌های ایستا در زمان ساخت مراکز داده، مصرف انرژی تا حدودی کاهش می‌یابد؛ با فزونی یافتن محاسبات ابری، به دلیل افزایش نیازمندی‌ها و درخواست‌های کاربران برای استفاده از این منابع، مصرف کلی انرژی همچنان رو به رشد و چالش‌ برانگیز است. یک راه‌حل مؤثر برای مقابله با این مسئله، استفاده از تکنیک‌های پویای کاهش مصرف انرژیست که از طریق تجمیع ماشین مجازی در حداقل سرور فیزیکی امکان‌پذیر خواهد بود. این کار از طریق مهاجرت زنده ماشین مجازی انجام می‌شود و انتخاب ماشین مجازی کاندیدای مهاجرت، یک گام اصلی در این تکنیک می‌باشد. برای اجرای آن در این مقاله از ترکیب شبکه عصبی پیچشی و واحد برگشتی دروازه‌دار بر اساس حجم کار ماشین‌های مجازی مایکروسافت آزور به‌عنوان مجموعه داده استفاده‌ شده که منجر به تشخیص حساس به تأخیر بودن یا نبودن ماشین مجازی می‌شود. طبق ارزیابی نتایج حاصل از آزمایش‌ها، روش پیشنهادی دارای دقت بالاتری نسبت به سایر روش‌های موجود در انتخاب ماشین مجازی کاندیدای مهاجرت، می‌باشد.

امروزه با توجه به تغییرات محیط و حرکت به سمت عصر دیجیتال، استفاده از چارچوب‌های مدیریت خدمات به تنهایی، پاسخ‌گوی نیازهای کسب‌ و کار و مشتریان نخواهد بود. ادغام رویکردهای سنتی در رویکردهای جدید، به تطبیق سازمان‌ها با نیازهای جدید و تغییرات محیط، کمک قابل توجهی می‌کند. در این مقاله، ابتدا مفاهیم پایه‌ی چارچوب ITIL به عنوان پرکاربردترین چارچوب مدیریت خدمات فناوری اطلاعات و چارچوب COBIT به عنوان پذیرفته‌ شده‌ترین چارچوب حاکمیت فناوری اطلاعات بررسی شده است. همچنین رویکرد VeriSM به عنوان راهکاری برای مدیریت خدمت در عصر دیجیتال معرفی شده است. یکی از مؤلفه‌های مدل VeriSM، حاکمیت است که از استاندارد ISO/IEC 38500 استفاده می‌کند. اصول این استاندارد، به این موضوع اشاره دارد که چه کاری باید انجام شود، در حالی‌که COBIT و ITIL راهنماهای بیشتری برای پیاده‌سازی در اختیار قرار می‌دهند. در ادامه مدلی ارائه می‌شود که از طریق بکارگیری ITIL و COBIT در کنار مؤلفه‌ی حاکمیت مدل VeriSM به حاکمیت مؤثر سازمان کمک می‌کند. در نهایت مدل پیشنهادی با استفاده از روش پرسش‌نامه توسط خبرگان صنعت و دانشگاه مورد ارزیابی و تایید قرار گرفت.

انتخاب ویژگی به عنوان یک مرحله‌ی پیش‌پردازش مهم برای شناسایی الگو، یادگیری ‌ماشین و داده‌کاوی شناخته‌ شده است. مفاهیم مختلفی برای ارزیابی زیرمجموعه‌های ویژگی وجود دارد که آنتروپی و همسایگی از پرکاربردترین آن‌ها هستند. معیار شاخص تمایز همسایگی معیاری مبتنی بر آنتروپی و همسایگی است که برای تعیین توانایی تمایز زیرمجموعه‌های ویژگی در فرآیند انتخاب ویژگی استفاده می‌شود. در این معیار برای ایجاد روابط همسایگی از مفهوم شعاع همسایگی (ε) استفاده شده که تعیین مقدار آن به مجموعه‌ داده‌ها وابسته است. در این مقاله روش جدیدی برای ایجاد روابط همسایگی براساس نقاط هدف ارائه شده است. برای مشخص کردن نقاط هدف ابتدا با استفاده از مفهوم چگالی که بیانگر تراکم نقاط داده‌ در اطراف یک نقطه است، نقاط داده رتبه‌بندی شده و نقاط با رتبه‌ی بالا به عنوان نقاط هدف انتخاب می‎‌شوند. سپس دایره‌هایی حول نقاط هدف ترسیم شده و نقاط درون و روی دایره‌های یکسان به عنوان همسایه در نظر گرفته می‌شوند. با به کارگیری روش ارائه شده در معیار شاخص تمایز همسایگی یک معیار اهمیت ویژگی پیشنهاد می‌شود. سرانجام یک الگوریتم بر اساس این معیار به انتخاب ویژگی می‌پردازد. نتایج به ‌دست آمده از ارزیابی‌ها نشان می‌دهد که روش ارائه ‌شده عملکرد بهتری نسبت به روش‌های قبلی دارد.

زبان ریو یک بستر توسعه و ایجاد هماهنگی برای سامانه‌های مبتنی بر مؤلفه است که توانایی تهیه مدل دقیق از رفتار سامانه‌ها را دارد. در این زمینه به دلیل اینکه برنامه‌های زبان ریو همانند توسعه دیگر سامانه‌ها توسط انسان صورت می‌گیرد؛ احتمال وجود اشتباه در خود را دارد. بنابراین نیازمند روشی برای بررسی صحت برنامه‌های تولید شده از آن هستیم. در این پژوهش قصد داریم با به‌کارگیری تئوری آزمون انطباقی و با استفاده از روش مبتنی بر مدل، برنامه‌های ریو را راحت‌تر، به صورت خودکار، دقیق‌تر و با صرف زمان کمتری مورد آزمون قرار دهیم. برای انجام آزمون به روش مبتنی بر مدل، رفتار مورد انتظار از مدار ریو را به عنوان مشخصات برنامه ریو در نظر می‌گیریم و برنامه تولید شده از کامپایلر زبان ریو را به عنوان برنامه‌ی تحت آزمون به ابزار آزمون‌ اوپال ترون ارائه می‌کنیم. از نتایج یافت شده در این پژوهش بررسی صحت برنامه‌های ریو با استفاده از آزمون مبتنی بر مدل بدون مواجه شدن با مسئله‌ انفجار فضای حالت، ارائه راه‌حل برای همگام‌سازی برنامه‌ ریو با ترتیب اجرا شدن موارد آزمون توسط ادپتور اوپال ترون و تولید مشخصات مورد انتظار از مدار ریو متناسب با ابزار اوپال ترون است.

در بازار بورس روش‌های تصمیم‌یار متفاوتی با استفاده از روش‌های محاسباتی ارائه شده است تا افرادی که وارد بازار سرمایه می‌شوند سهم‌هایی را انتخاب کنند که بیش‌ترین بازدهی را داشته باشد، یکی از چالش‌های تکنیک‌های ارائه شده برای بازار سرمایه‌ای ایران، آن است که این تکنیک‌ها متناسب با واقعیت‌های بازارهای سرمایه‌ای کشورمان نیست، به همین سبب در این تحقیق یک روش مبتنی بر یادگیری ماشین به منظور ارائه‌ یک سیستم تصمیم‌یار که بتواند سهام‌داران را در فروش سهام‌هایشان یاری کند ارائه‌ می‌شود، روش پیشنهادی از ۲ مرحله‌ی اصلی تشکیل شده‌ است که در مرحله‌ی اول زیرمجموعه‌ی بهینه‌ای از ویژگی‌ها توسط الگوریتم رقابت جهانی انتخاب می‌شوند و سپس در مرحله بعدی بر اساس آن‌ها و با استفاده از ماشین‌های بردار پشتیبان مدل پیش‌بینی کننده ایجاد می‌شود، در این تحقیق الگوریتم رقابت جهانی به مسئله انتخاب ویژگی که یک مسئله گسسته است تعمیم داده‌ شده است، در ارزیابی که از نتایج حاصل شده بر روی یک نمونه موردی حاصل شده‌ است مشاهده می‌شود که راهکار پیشنهادی با دقت ۷۸ درصد، بهتر از روش‌های ژنتیک و ازدحام ذرات می‌تواند افت وخیز سهام بورسی را پیش‌بینی کند.

با پیشرفت تکنولوژی، سیستم‌های نهفته به صورت روزافزون پیچیده‌تر شده و با محدودیت‌های طراحی متعدد رو به رو می‌گردند. از این‌رو طراح‌های این سیستم‌ها باید از میان تعداد زیاد گزینه‌های طراحی، بهترین را جستجو کنند. نمونه این تصمیم‌ها، نحوه تخصیص منابع و زمان‌بندی بخش نرم‌افزاری به معماری سخت‌افزاری موجود با در نظر گرفتن اهداف مختلف طراحی است. استراتژی‌های بهینه‌سازی مختلفی برای غلبه بر این چالش توسعه یافته است اما اکثر این روش‌ها روی یکی از اهداف طراحی تمرکز کرده‌اند. در اين مقاله، یک روش زمانبندی وظیفه چندهدفه برای سیستم‏‌های نهفته ارائه می‌شود که با در نظر گرفتن یک معماری سخت افزاری روشی برای زمان‌بندی و نگاشت وظایف روی آن پیشنهاد می‌شود. در این روش، سه پارامتر زمان اجرای وظایف، انرژی مصرفی و قابلیت اطمینان، به عنوان سه هدف بهینه‌‏سازی طی یک الگوریتم بهینه‌سازی ترکیبی ژنتیک و گرگ خاکستری (GA/GW) بهینه می‌گردند. در این الگوریتم، ضمن استفاده از مزایای الگوریتم ژنتیک، از الگوریتم گرگ خاکستری برای جستجوی بهتر فضای جستجو و همگرایی سریع‌تر بهره برده‌ایم. نتایج نشان می‌دهند الگوریتم پیشنهادی در مقایسه با الگوریتم‌های قبلی به زمان‌بندی‌های بهتر از نظر اهداف بهینه‌سازی دست می‌یابد.

شبکه‌های نرم‌افزار محور یکی از راهکارهای نوین و مورد توجه در راستای بهبود شبکه‌های سنتی به شمار می‌‌آیند که به جداسازی سطح کنترل از سطح داده می‌پردازند و جریان باز به عنوان شناخته شده‌ترین پروتکل ارتباطی میان این دو سطح به کار می‌رود. در این شبکه‌ها، چالش‌های زیادی در زمینه قابلیت اطمینان، مقیاس‌پذیری و کارایی وجود دارند که باید بررسی شوند. یکی از مهم‌ترین مسائل مطرح در این شبکه‌ها بحث مقیاس‌پذیری است که بسیار وابسته به ارتباطات بین کنترلر و سوئیچ است و به شدت کارایی شبکه را تحت تاثیر قرار می‌دهد و به مسأله جایگیری کنترل‌کننده معروف است. به همین دلیل در این پژوهش به حل مسأله جایگیری کنترل‌کننده توزیع‌شده در شبکه‌های نرم‌افزار محور با استفاده از الگوریتم ژنتیک چندهدفه پرداخته شده و از عملگرهای مبادله، معکوس‌سازی و تابع کرم شب‌تاب مبتنی بر جهش در جهت بهبود الگوریتم ژنتیک چندهدفه بهره برده شده است و نتایج با الگوریتم بهینه‌سازی علف هرز چندهدفه مقایسه شده است. نتایج حاکی از عملکرد بهتر الگوریتم ژنتیک چندهدفه بر اساس زمان ارسال و زمان تاخیر در بسته‌های اطلاعاتی است.

پیش‌بینی سری‌های زمانی مالی یکی از مباحث داغ و مورد علاقه برای بسیاری از سرمایه گذاران می‌باشد. از آنجا که داده‌های سری زمانی مالی ماهیتی non-stationary و غیرخطی دارند پیش‌بینی این بازار به خودی خود می‌تواند بسیار چالش برانگیز باشد. نویز و ناهنجاری نیز پدیده جدا نشدنی داده‌های از نوع سری زمانی هستند که پیش‌بینی این داده‌های ماهیتا پیچیده را دشوارتر می‌کنند. رفتارهای هیجانی سرمایه گذاران می‌تواند باعث ایجاد الگوهایی بر خلاف روند معمول بازار گردد که شناسایی و حذف این الگوها می‌تواند در ادامه پیش‌بینی روند بازار موثر واقع گردد. در اینجا سعی شده تا با استفاده از یک Autoencoder داده‌های مربوط رفتارهای هیجانی بازار را شناسایی کرده و با جایگذاری بهینه این ناهنجاری‌ها داده‌های بهتری را در اختیار یک شبکه عمیق LSTM که به عنوان مدل نهایی جهت پیش‌بینی بازار مورد استفاده واقع شده است قرار دهیم. نتایج بدست آمده نشان می‌دهد که انجام پیش پردازش بر روی داده‌ها باعث بهبود عملکرد مدل و کاهش خطای پیش‌بینی می‌شود به طوریکه خطای پیش‌بینی با روش ارائه شده در کمترین حالت بر اساس توابع ،RMSE MAPE و MAE به ترتیب ۴ ،۴و ۵ درصد بهود داشته است.

امروزه با افزایش پیچیدگی سیستم‌های دیجیتال، استفاده از سنتز سطح بالا در طراحی و پیاده‌سازي‌هاي سخت‌افزارهای مختلف به یک ضرورت تبدیل شده است. به علاوه، به دلیل بالا بودن هزینه‌های ساخت مدارهای دیجیتال، تمایل به استفاده از سخت‌افزارهای قابل بازپیکربندی افزایش یافته است. اما برای حفظ سرعت و کارایی، ریزدانگی در طراحی این سخت‌افزارها به تدریج افزایش یافته، به طوریکه در حال حاضر سخت‌افزارهای قابل بازپیکربندی درشت‌دانه در کاربرهای مختلف از جايگاه ویژه‌ای برخوردار هستند. از سوی دیگر، استفاده از کاربردهای حسابی و به ویژه حساب دهدهی در زندگی روزمره بشر بسیار رایج است و به همین دلیل، بهینگی این مدارها و کارایی آن‌ها بسیار حائز اهمیت می‌باشد. این مقاله به اراﺋﻪ یک الگوریتم مکاشفه‌ای مبتنی بر قوانین برای مرحله مقیدسازی و نگاشت در سنتز سطح بالای مدارهای دهدهی ورودی بر روي یک ﻣﻌﻤﺎري ﻗﺎﺑﻞ ﺑﺎزﭘﯿﮑﺮﺑﻨﺪي درﺷﺖداﻧﻪ در این کاربرد می‌پردازد.

امروزه با توجه به حجم فراوان و روبه رشد اطلاعات بر روی وب و اینترنت، فرآیند تصمیم‌گیری و انتخاب اطلاعات و یا کالاهای موردنیاز، برای بسیاری از کاربران وب دشوار شده ‌است. این موضوع با عنوان مشکل سرریز داده‌ها شناخته می‌شود. سیستم‌های توصیه‌گر می‌توانند به‌عنوان یک راهنما، کاربران را در انتخاب‌های خودیاری رسانند. در این مقاله یک سیستم توصیه‌گر ارائه‌ شده‌ است که در آن اطلاعات کاربران و آیتم‌ها در قالب یک گراف بازنمایی می‌شوند؛ سپس این گراف، مانند یک گراف شبکه اجتماعی در نظر گرفته‌شده و برای تحلیل آن از الگوریتم کشف انجمن و پیش‌بینی لینک استفاده می‌شود. هر انجمن به‌عنوان یک خوشه در نظر گرفته‌ شده و پس از پیش‌بینی لینک برای شناسایی روابط پنهان بین کاربران و آیتم، پیشنهاد‌ها برای هر خوشه به‌صورت جداگانه‌ای ارائه خواهد شد. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های مبتنی‌ بر مدل که در سال‌های اخیر ارائه‌ شده‌اند، بهبود قابل‌ توجهی داشته است.

یکی از محدودیت‌هایی که در بیشتر کارهای موجود در مدل‌کردن زبان‌های طبیعی به چشم می‌خورد، نحوه‌ی واردکردن جنبه‌ی احساسی زبان به متن می‌باشد. با این توضیح که مطالعات موجود عموما به هنگام پردازش یک متن احساسی بر حالت‌های دوگانه‌ی مثبت و منفی و یا یک حالت هیجانی مشخص تمرکز کرده و تنها قادر به تحلیل متن با گونه‌ی احساسی یگانه هستند. این در حالی است که انسان‌ها معمولا احساسات و هیجانات مختلفی را در یک زمان تجربه می‌کنند و این احساسات را در زمان استفاده از زبان گفتار یا نوشتار خود نیز بکار می‌برند. در این پژوهش مساله‌ی تحلیل و پردازش متن با تاکید بر گونه‌های هیجانی-ترکیبی تعریف شده و قطبیت یک واژه‌ی احساسی به‌صورت مقادیری پیوسته و ترکیبی از گونه‌های هیجانی به جای دسته‌های گسسته درنظر گرفته شده است. بر این اساس در این پژوهش مدلی جهت درج احساسی واژه پیشنهاد شده است که با استفاده از اطلاعات واژه‌نامه‌های احساسی، بردار یک واژه احساسی را متناسب با گونه‌های هیجانی-ترکیبی خاصی تولید می‌کند. تحلیل‌های انجام گرفته در این پژوهش شامل تحلیل فضای همسایگی و دسته‌بندی احساسی متن بوده و حاکی از برتری مدل پیشنهادی نسبت به مدل‌های رایج درج واژه می‌باشد.

تکامل نرم‌افزار یکی از قسمت‌های مهم فرایند توسعه نرم‌افزار است. یکی از اثرات منفی ناشی از تکامل نرم‌افزار فرسایش طراحی است. بازآرایی یک تکنیک است که هدف آن مبارزه با این پدیده می‌باشد از این رو بازآرایی یکی از فرایندهای مهم توسعه نرم‌افزار می‌باشد که برای بهبود کیفیت نرم‌افزار بدون تغییر رفتار بیرونی آن صورت می‌گیرد. بازآرایی در سطح مدل همانند بازآرایی در سطح کد می‌باشد و مزایای مشابهی دارد با این تفاوت که بازآرایی در سطح مدل از آنجایی که در مراحل اولیه فرایند توسعه نرم‌افزار انجام می‌گیرد تاثیر بیشتری در کاهش هزینه و افزایش بهره‌وری دارد. انجام به موقع و مداوم این روال در یک پروژه نرم‌افزاری اثرات بلند مدت بسیار مثبتی برای آن خواهد داشت به ویژه زمانی که این امر با ابزار مخصوص به خود انجام گیرد آنگاه بازآرایی یک عمل سریع، آسان و امن برای بهبود کیفیت سیستم‌های نرم‌افزاری می‌باشد. ایده اصلی این پایان‌نامه بررسی خودکار سازگاری در بازآرایی مدل به منظور حفظ رفتار مدل با استفاده از زبان مدل‌سازی Alloy می‌باشد. به همین جهت با بکارگیری الگوهای رفتاری به عنوان یک مولفه قابل استفاده مجدد و خوش تعریف و قوانین سازگاری می‌توان این هدف را تحقق بخشید.

امروزه شبکه‌های حسگر بی‌سیم به عنوان یک انقلاب در تمام جنبه‌های زندگی ما پدیدار شده‌اند . در اين شبكه‌ها پوشش ناحیه یا هدف خاص توسط گره‌های حسگر بی‌سیم انجام مي‌شود. عمل پوشش، اصلی‌ترین و پایه‌ای‌ترین هدف ایجاد و استقرار شبکه‌های حسگر بی‌سیم می‌باشد. در اين شبكه‌ها همواره امكان دارد برخي از گره‌هاي شبکه حسگر به دلایل مختلفي از قبيل خرابي، نويزهای موجود در محیط و نقص در توان مصرفی از کار بیفتند. اين مشکلات تاثير به سزایی در پوشش شبكه حسگر بی‌سیم خواهد داشت. روش ارائه شده در اين تحقيق از اطلاعات مربوط به تراکم گره‌ها به منظور تشخيص حفره‌هاي موجود در شبكه استفاده مي‌نمايد. همچنين اين روش علاوه بر تشخیص حفره‌ها سعي در ترميم آنها با استفاده از شعاع حسگری نيز دارد. همچنين در روش ارائه شده به كاهش بار محاسباتي گره‌ها و كاهش زمان پیدا کردن اولین حفره توجه شده است. همچنین تاثير روش ارائه شده در طول عمر شبکه نيز بررسي شده است. آزمايش‌هاي انجام شده نشان دهنده كارايي روش پيشنهادي است.