انجمن کامپیوتر ایران

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.

تشخيص جامعه در شبکه‌هاي اجتماعي از نظر محاسباتي کاري چالش برانگيز است و توجه محققان زيادي را در دهه اخير به خود جلب کرده است. بيشتر مقالات در اين حوزه بر مدل‌سازي ويژگي‌هاي ساختاري تمرکز کرده‌اند. در اکثر اين مقالات، روش‌ها جوامع را يکي پس از ديگري و به صورت سري يا نوبتي تشخيص مي‌دهند. با هدف افزايش سرعت محاسبات، الگوريتم‌هاي تشخيص جامعه موازي‌سازي شدند. الگوريتم انتشار برچسب (LPA) به دليل بازدهي زماني، روش مؤثري براي موازي‌سازي است. در اين مقاله، اين الگوريتم به صورتي بازنويسي شده است که جوامع همپوشان را تشخيص دهد؛ در جوامع همپوشان يک فرد/گره مي‌تواند همزمان به بيش از يک جامعه متعلق باشد. همچنين، مبتني بر مدل نگاشت - کاهش الگوريتم جديد پياده‌سازي شده است. آزمايش‌هاي طراحي شده نشان مي‌دهد که الگوريتم پياده‌سازي شده از الگوريتم‌هاي مشابه تشخيص جوامع همپوشان مانند LPA، SLPA و COPRA براساس معيار ماژولاريتي کارکرد بهتري دارد.

تجزيه و تحليل نظرات کاربران، يک حوزه فعال در پردازش زبان طبيعي مي‌باشد که هدف آن، شناسايي، استخراج و سازماندهي نظرات متون توليد شده توسط کاربر مي‌باشد. در طول دو دهه گذشته، بسياري از مطالعات در اين حوزه، از روش‌هاي يادگيري ماشين براي حل وظايف تجزيه و تحليل نظرات ديدگاه‌هاي مختلف بهره برده‌اند. از آنجايي که امروزه روش‌هاي يادگيري عميق به عنوان مدل‌هاي محاسباتي قدرتمند، قادر به تفسير و درک معنايي متن و داده‌ها مي‌باشند، در اين مقاله روشي براي تعيين سنجمان کلمات و عبارات فارسي با استفاده از يادگيري عميق و ميدان‌هاي تصادفي شرطي (CRF) پيشنهاد شده است. در واقع به اين علت که کلمات و عبارات مي‌توانند در متن‌ها و بافتارهاي مختلف داراي سنجمان‌هايي متفاوتي باشند، هدف اين مقاله دادن بار معنايي به آن‌ها بوده و سيستم قادر به تشخيص سنجمان‌هاي مختلف آن‌ها مي‌باشد. به دليل اينکه سنجمان کلمات و عبارات مجاور بر روي يکديگر اثر مي‌گذارد، نتيجه CRF در روش پيشنهادي بهتر از softmax مي‌باشد.

تخمين ژست بدن انسان در تصوير که در آن محل قرارگيري اجزاء اصلي بدن انسان در يک تصوير دوبعدي مشخص مي‌شود، استفاده‌هاي فراواني در کاربردهاي مختلف بينائي ماشين دارد. در تخمين ژست در ويديو، علاوه بر اطلاعات ظاهري موجود در هر فريم مي‌توان از اطلاعات زماني بين فريم‌ها يا ويژگي‌هاي حرکتي نيز استفاده کرد. اطلاعات زماني بين فريم‌ها را مي‌توان با استفاده از حافظه‌هاي کوتاه مدت طولاني کانولوشني مدل‌سازي کرد. با تحليل حرکت انسان در يک دنباله از فريم‌ها مي توان ژست احتمالي انسان در فريم‌هاي بعدي را پيش‌بيني کرد. در برخي موارد نظير حالتي که يکي از اندام‌هاي بدن از يک حالت انسداد خارج و شروع به حرکت مي‌کند به دليل عدم وجود اطلاعات عضو مربوطه در فريم‌هاي قبلي، اطلاعات حرکتي براي تخمين ژست آن عضو در فريم‌هاي بعدي موجود نيست. برعکس، در اين گونه موارد، اطلاعات فريم‌هاي بعدي مي‌توانند در مورد محل آن عضو در فريم فعلي اطلاعاتي را ارائه نمايند. از اين رو با تحليل رو به عقب فريم‌ها مي‌توان به مجموعه جديدي از اطلاعات حرکتي دست يافت. در اين مقاله با تخمين ژست با استفاده از دو مدل مجزاي رو به جلو و رو به عقب، دو خروجي متمايز به ازاي هر فريم توليد مي‌شود. نقشه‌هاي اطمينان حاصل از اين دو مدل با استفاده از يک شبکه‌ي کانولوشني با يکديگر ترکيب شده و خروجي نهايي توليد مي‌شود. نتايج به دست آمده از اعمال روش پيشنهادي بر روي مجموعه داده‌هاي Penn Action‌ و Sub-JHMDB نشان‌دهنده برتري اين روش بر روش‌هاي پيشين و استخراج اطلاعات مورد نظر است.

پيدا کردن مسير ساده از مجموعه نقاط داده شده درون چندضلعي اولين بار توسط چنگ و همکارانش مطرح شد. اين مسئله مي‌تواند در مسيريابي حرکت ربات‌ها، توليد چندضلعي‌هاي تصادفي، طراحي مدارهاي VLSI و غيره کاربرد داشته باشد. در اين مقاله اثبات مي‌کنيم که رسم m زنجيره ساده با طول‌هاي متفاوت داده شده از يک مجموعه نقطه درون يک چندضلعي ساده به‌طوري‌که تمام نقاط را پوشش دهند و زنجيره‌هاي رسم شده باهم تقاطع نداشته باشند ان پي-کامل است. براي اثبات ان پي-کامل بودن اين مسئله، از مسئله «3-پارتيشن» که خود يک مسئله ان پي-کامل است استفاده مي‌کنيم و آن را به مسئله مطرح‌شده کاهش مي‌دهيم. در پايان نيز اثبات مي‌کنيم که رسم يک دورهميلتوني از نقاط درون چندضلعي ساده که لزوماً ساده نيست ان پي- کامل مي‌باشد.

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.