انجمن کامپیوتر ایران

تشخیص هویت از طریق اثرانگشت به دلیل دقت بالا و سادگی، متداول ترین روش شناسایی افراد بر اساس تکنولوژی بیومتریک است. عملکرد یک سیستم تأیید اثر انگشت تا حد زیادی به کیفیت تصویر اثر انگشت ورودی بستگی دارد. و استخراج ویژگی از تصویر کم کیفیت در یک سیستم شناسایی همیشه با چالش مواجه بوده است.در این مقاله ما از تبدیل فوریه زمانی کوتاه (STFT) برای حذف نویزهای تصویر و رسیدن به یک تصویر با کیفیت بالایی که بتواند جهت و موقعیت نقاط منفرد را با دقت بالاتری بدست آورد استفاده کرده ایم. همچنین یک روش نوین برای استخراج ویژگی از تصویر اثر انگشت با استفاده از گشتاورهای زرنیک ارائه دادیم. در این روش یک بردار ویژگی با طول ثابت ازهر سلول در ناحیه ROI با مرکزیت نقطه مرجع تصویر اثر انگشت، استخراج می کنیم. در این سیستم از مدل شبکه عصبی MLP برای کلاس بندی استفاده شده است. در نهایت با انجام آزمایش بر روی تصاویر پایگاه داده استاندارد، نشان داده می شود که روش پیشنهادی دارای نرخ شناسایی 96.78%و میانگین خطای 3.02 % می باشد که در مقایسه با روش‌های مقایسه‌ای عملکرد بهتری دارد.

امروزه سیستم‌های مدیریت اعتماد به طور گسترده‌ای به منظور تضمین امنیت در حوزه‏های مختلف علوم کامپیوتر بکار می‌روند. رویکرد مدیریت اعتماد به افراد یک جامعه کمک میکند تا قابل اعتمادترین عامل را برای تعامل انتخاب کنند و به این طریق کارایی سیستم مورد نظر بهبود می‏یابد. با این وجود سیستم‏های مدیریت اعتماد خود در معرض تهدیدها و حمله‌های بالقوه مختلفی هستند. یک دسته از این حمله‌ها، حمله‌های توصیههای غیرمنصفانه میباشد که در سال‏های اخیر توجه محققان را به خود جلب کرده‏ است و تلاش‏هایی برای شناسایی و مقابله با این حمله‌‌ها صورت گرفته است. در این مقاله، انواع مختلف حمله‌های توصیه‌های غیرمنصفانه در برابر سیستم‌های اعتماد شرح داده می شود؛ و سپس سیستم مدیریت اعتماد جدیدی بنام URRTمعرفی می‏شود که با اعمال راهبرد‌هایی از جمله باورپذیری، پویایی و شکنندگی در برابر این حمله‌ها مقاوم است. سیستم پیشنهادی پنج نوع توصیه ‌غیرمنصفانه شامل توصیه مثبت، توصیه منفی، توصیه تبانی، توصیه دوره‌ای و توصیه تصادفی را مورد توجه قرار می‌دهد. نتایج آزمایش‏های مختلف، برتری سیستم پیشنهادی را از نظر کارایی و دقت تخمین اعتماد نسبت به چند سیستم مدیریت اعتماد معروف شامل FCTRUST، ARREP وRATM نشان می‏دهد.

امروزه تجارت الکترونیک، سعی در گسترش مخاطبان خود و بالا بردن کیفیت سرویس‌های ارائه‌شده به کاربران نهایی دارد. بررسی نیازمندی‌های کاربران سیار که با رشد فن‌آوری‌های ارتباطی در حال افزایشاند و گنجاندن ویژگی‌های آگاه از متن در ارائه سرویس‌ها، جهت بهبود کارایی دیالوگ‌های بین کاربران و سیستم‌ها، دو موضوع مهم برای رسیدن به این اهداف است. ترکیب پویای سرویس‌ با آگاهی از متن رهیافتی است که پوشش‌دهنده هر دو موضوع مذکور می‌باشد. در این مقاله، مدلی مبتنی بر عامل، با امکان ترکیب و انطباق آگاه از متن سرویس‌ها به صورت توأمان، به همراه کنترل کیفیت سرویس، مطرح شده است. در این مدل از عامل جهت حداقل سازی دخالت کاربر و خودکارسازی کامل ترکیب سرویس و از پردازش گر متن در هر یک از سرویس‌ها جهت انطباق آگاه از متن و در عامل برای ترکیب آگاه از متن استفاده می‌شود. با استفاده از مؤلفه‌ی QoS در بخش عامل، کنترل کیفیت سرویس صورت می‌گیرد. برتری‌های این مدل را در مقایسه با مدل‌های مشابه می‌توان کنترل کیفیت سرویس، در نظر گرفتن پویایی در متن کاربر و تلفیق ترکیب و انطباق سرویس‌ها با آگاهی از متن به صورت توأمان دانست.

شناسایی افراد مناسب برای واکسیناسیون با استفاده از علوم شبکه در سال‏های اخیر مورد توجه محققان قرار گرفته است. متداول‏ترین روش‏ها برای ایمن‏سازی شبکه بر پایه‏ی معیارهای مرکزیت شبکه مانند درجه و مرکزیت میانی بنا شده‏اند که اهمیت گره مورد نظر را به صورت کلی در سراسر شبکه‏ی مورد نظر می‏سنجند. در این مقاله روشی سلسله مراتبی برای اولویت دهی واکسیناسیون گره‏ها ارائه می‏کنیم که ابتدا گروه‏های موجود در شبکه را شناسایی و به هرگروه بنا به نقشی که در شبکه دارد امتیازی نسبت می‏دهد. سپس نقش هر گره را به صورت محلی در گروهی که متعلق به آن است مورد بررسی قرار می‏دهد و در مرحله‏ی آخر به نقش گره در انتقال بیماری بین گروه‏های مختلف خواهد پرداخت. نتایج به دست آمده بر حسب بزرگ‏ترین مولفه متصل نشان می‏دهد که این روش امتیازبندی در شبکه‏های جهان کوچک و شبکه‏های دارای ساختار اجتماعی بهتر از درجه و به خوبی معیار مرکزیت میانی عمل می‏کند در حالی که پیچیدگی زمانی آن نسبت به مرکزیت میانی کم‏تر است.

شبکه‌های موردی سیار بی‌سیم، به‌دلیل نداشتن زیرساخت و متحرک بودن گره‌ها، با مشکلات مدیریت توپولوژی و کنترل شبکه مواجه هستند. از این‌رو توسعه‌ی زیرساخت برای شبکه‌های موردیِ سیار پراهمیت می‌شود. در این مقاله روش نوینی برای ایجاد زیرساخت مبتنی بر ایستگاه‌های پایه پرنده (UAV) ارائه می‌گردد که درآن با همکاری بین ایستگاه‌های پایه پرنده ناحیه سرویس‌دهی شبکه برای پوشش‌دهی کامل گره‌های متحرک زمینی گسترش می‌یابد. این زیرساخت، چندگامی بودن پروتکل‌های مسیریابی شبکه‌های موردی را که مسبب مشکلات ارتباطی فراوانی است به پروتکل مسیریابی تک‌گامی تبدیل می‌کند. بنابراین، شبکه را قادر می‌سازد به تغییرات توپولوژی شبکه‌های موردی به سرعت پاسخ داده و مسیریابی میسر گردد. در این مقاله، ایستگاه‌های پایه پرنده وظیفه دارند گره‌های متحرک زمینی را تا پایان ماموریت یا رسیدن به مقصد، تحت پوشش و سرویس‌دهی خود قرار دهند. این امر به‌صورت یک مسئله بهینه‌سازی چندهدفه با اهداف استفاده از حداقل تعداد ایستگاه‌های پایه پرنده، حداکثر پوشش‌دهی گره‌های متحرک و استفاده‌ی حداکثری از سرویس‌دهی محلی هر ایستگاهِ پایه مطرح و از طریق یک الگوریتم هوشمند حل می‌گردد. در میانِ الگوریتم‌های هوشمند بهینه‌سازی چندهدفه از الگوریتم تکاملی NSGA-II و برای شبیه‌سازی روش پیشنهادی از نرم‌افزار MobiSim و MATLAB استفاده شده است. مقایسه نتایج شبیه‌سازی نشان می‌دهد که الگوریتم تکاملی NSGA-II بهتر از الگوریتم MOPSO و روش Fixed(Grid-Based) عمل می‌کند.

امروزه با رشد روزافزون صنایع و خدمات در دنیا و گسترش فناوری اطلاعات، به‌کارگیری نرم‌افزارهای ERP در شرکت‌ها و سازمان‌ها افزایش یافته است. نکته مهمی که در این مورد وجود دارد، این است که بیش از 80 درصد از هزینه‌های کلی سرمایه‌گذاری سامانه ERP به فعالیت‌های نگهداری آن مرتبط است. یکی از فاکتورهای اصلی که بر نگهداشت‌پذیری این سامانه تأثیر می‌گذارد، وجود سامانه‌ای برای مستندسازی محصول در سایت خریدار ERP است. از آنجایی که ERP، در زمان نصب و پس از آن دست‌خوش تغییرات بسیاری می‌شود، لازم است برای سامانه مستندسازی آن سطح مناسبی از هوشمندی در نظر گرفته شود، تا کیفیت مستندسازی، از جنبه‌های مختلف نظیر پویایی، تولید به موقع، کامل بودن و سازگاری کنترل گردد. از این رو عامل‌های نرم‌افزاری هوشمند، می‌توانند گزینه مناسبی برای پیاده‌سازی سامانه مستندسازی باشند. در این مقاله معماری‌ای مبتنی بر چندین عامل مستقل ولی همکار ارائه می‌شود که به پیاده‌سازی این سامانه کمک می‌کند. این معماری به طور مؤثر بر قابلیت‌های انواع عامل‌های هوشمند نرم‌افزاری، مانند هوشمندی، یادگیری، تحرک و خودمختاری تکیه دارد. نتایج حاصل از ارزیابی معماری پیشنهادی، با استفاده از تکنیک‌های مبتنی بر سناریو و لیست مرجع نشان می‌دهد که معماری پیشنهادی قابلیت به‌کارگیری دارد و ضوابط یک معماری عامل‌گرا را دارا است.

سامانه‌هاي فوق‌كلان‌مقياس سامانه‌هايي هستند كه از نظر مقياس و اندازه فراتر از سامانه‌هاي امروزي هستند. مقياس در سامانه‌هاي فوق‌كلان‌مقياس باعث تغيير همه چيز مي‌شود. اين مساله باعث انفجار فضاي طراحي مي‌شود و بخش‌هايي را شامل مي‌شود كه امروزه به هيچ عنوان با آن‌ها درگير نبوديم. نگهداشت يكپارچگي، مفهومي كه در طراحي چنين سیستم‌هايي مطرح مي‌شود فراتر از فعاليت‌هاي طراحي امروزي است. در واقع چالش‌هاي جديدي در دانش، ابزار و روش‌هاي امروزي مطرح مي‌شود. یکی از این چالش‌ها یافتن منبع در این نوع سیستم‌ها است، زیرا منابع در این سیستم‌ها از نظر جغرافیایی بسیار پراکنده هستند. تاکنون روش‌های متفاوتی برای کشف منبع در این نوع سیستم‌ها ارائه‌‌‌شده‌است. واضح است که پیدا کردن منابع برای کاربران در چنین محیطی مسئله‌ای بسیار پیچیده و دشوار است. در این مقاله الگوریتم جدیدی معرفی‌‌‌شده‌است که از یک درخت وزن‌دار برای کشف منبع استفاده می‌‌کند. در این روش می‌توان به صورت مستقیم و بدون مراجعه به گره‌های اضافی و ایجاد ترافیک غیرضروری به گره‌هایی که این منبع را در اختیار دارد، دست پیدا کرد. طبق نتایج شبیه‌سازی، ترافیک وارد بر شبکه و میزان لینک اشغال‌‌‌شده نسبت به روش‌های دیگر کمتر است و کارایی شبکه در این روش بهبود یافته‌است.

از آنجایی که معماری سرویس‌گرا باعث شده که سیستم‌های تجاری قابل ‌انعطاف‌تر و قابل‌استفاده مجدد باشند، محبوبیت زیادی در صنعت و همچنین جوامع علمی در دهه‌های اخیر کسب کرده است. با توجه به افزایش روزافزون سرویس‌ها در وب، یافتن سرویس مطابق با نیازمندی کاربر بسیار حیاتی است، در معماری سرویس‌گرا، کشف سرویس، فرآیند یافتن سرویس‌های مناسب از مخازن سرویس است. روش‌های زیادی برای کشف سرویس در معماری سرویس‌گرا ارائه شده است که هر یک سعی می‌کند نیازهای کاربر را برآورده کند و سرویسی مناسب با درخواست کاربر به وی ارائه دهد، اما راه‌حل‌های پیشنهادی هنوز دقت لازم برای کشف سرویس‌های مناسب را ندارند، در این مقاله سعی کردیم روشی برای کشف سرویس ارائه دهیم که سرویس‌های دقیق‌تری را مطابق با نیاز کاربر ارائه دهد. روش پیشنهادی رویکردی مبتنی بر آنتولوژی برای کشف سرویس در معماری سرویس‌گراست که ابتدا یک مدل نیازمندی‌های مبتنی بر آنتولوژی بر اساس لیستی از نیازمندی‌های محصول که مهندس نرم‌افزار در اختیار ما قرار می‌دهد، ایجاد می‌کنیم. سپس یک سیستم تعاملی با توسعه‌دهنده سیستم ایجاد می‌کنیم که با تعیین دامنه هر یک از نیازمندی‌ها، سرویس مرتبط با آن را به دست می‌آورد. با ارائه‌ی این روش میانگین دقت سرویس‌های کشف شده از 92/0 در بهترین راه‌حلی که تا کنون ارائه شده به 97/0 در راه حل پیشنهادی بهبود یافته است. با ارائه سرویس‌های دقیق‌تر و مرتبط‌با درخواست کاربر، می‌توان گفت میزان استفاده مجدد را تا حد زیادی افزایش می‌دهد و باعث کاهش زمان و هزینه در فرآیند توسعه نرم افزار می‌شود.

معماران در پروژه‌ها می‌توانند از تجارب قبلی یکدیگر استفاده نمایند و تأثیرات تصمیمات خود را بر ویژگی‌های کیفی اندازه‌گیری کنند. تصمیماتی که معمار برای یک سیستم اتخاذ می‌نماید مستقیماً روی پاسخ سناریوهای کیفی مربوطه اثر می‌گذارد. با توجه به اینکه این تصمیمات بارها توسط معماران نرم‌افزار در شرایط مختلف مورد استفاده قرار می‌گیرد چنانچه بتوان تجارب قبلی را به فرم مناسب ذخیره نمود در شرایط مشابه، قابل استفاده مجدد خواهد بود. با توجه به تنوع فیلدهای سناریوهای کیفی و مقادیر آنها، تعیین میزان اثر یک تصمیم بر پاسخ سناریوی کیفی نیاز به اطلاعات کافی از تجارب قبلی دارد تا بتوان به پاسخ، اعتماد نموده و آن را مورد استفاده مجدد قرار داد. در این مقاله چارچوبی ارائه شده است که با کمک آن، معمار قادر خواهد بود از تجارب سایر معماران استفاده مجدد نموده و میزان اثر تصمیم خود بر ویژگی‌های کیفی را مشاهده نماید. در این چارچوب یک آنتولوژی ارائه می‌شود تا امکان ذخیره سازی تصمیمات معماری و تأثیرات آنها بر سناریوهای کیفی برای استفاده های آتی فراهم گردد. برای ارزیابی چارچوب پیشنهادی، ابتدا اطلاعات چندین سیستم موجود را ذخیره نموده، سپس برای یک سیستم جدید میزان تأثیر مربوط به تصمیمات معماری بر روی سناریوهای مختلف محاسبه شده توسط این چارچوب را با تأثیرات واقعی مقایسه می نمائیم.

آزمون نرم‌افزار فرآیندی وقت‌گیر و خسته کننده است. آزمون فاز در کنار خودکار بودن مي‌تواند در صورت رسیدن به پوشش کد، خطاها و آسیب‌پذیری‌های زیادی را کشف کند. چالش اصلی در تمام آزمون‌های کد مانند این آزمون، رسیدن به پوشش کد و طی مناطق عمیق کد است تا احتمال یافتن خطا و آسیب‌پذیری بیشتر شود. بدین منظور استفاده از آزمون واقعی-نمادین در صورت داشتن حلال قیود مناسب و یا قیود به شکل درست می‌تواند بسیار امیدبخش باشد؛ اما به دلیل نقش گلوگاهی حلال قیود و شکل قیود ممکن است برخی از مسیرها، جوابی مناسب از حلال قیود دریافت نکرده و دچار انحراف شده و این مسیرها و مسیرهای حاشیه‌ای آن‌ها هرگز پیموده نشوند. در این مقاله، روشی برای بهبود نحوه عملکرد و ارتقاء پوشش آزمون در آزمون فاز ارائه شده است. برای این منظور در کنار استفاده از روش آزمون واقعی-نمادین، اکتشافاتی بر روی قیود شرایط مسیر با کمک الگوریتم ژنتیک صورت گرفته و شرایط مسیر بهتری تولید می‌شود به صورتی که توسط حلال قیود قابل حل بوده و طی کردن داده متناظر با آن، به پوشش کد بالاتر می‌انجامد. نتایج تجربی حاصل از پیاده سازی و اعمال روش پیشنهادی روی موارد کاربردی مختلف در مقایسه با روش مشابه مؤید این مطلب است.

از آن‏جا که فرآیند تنظیم ژن‏ها در سطح سلولی یک روند دینامیک و پویا است، شبکه‏های عصبی با قابلیت آموزش و تنظیم بر اساس داده‏های آموزشی و سیستم‏های فازی با قابلیت تفسیرپذیری، الگوریتم‏های مناسبی جهت این نوع محاسبات هستند. در پژوهش پیش‏روی، روش‏هایی بر مبنای شبکه‏های عصبی¬فازی جهت پیش‏بینی ارتباطات پیچیده میان ژن‏ها انجام شده است. روش پیشنهادی، ژن‏هایی که بیشترین تاثیر بر هم دارند را به عنوان ژن‏های تنظیم‏کننده می‏یابد و نوع روابط آن‏ها شامل اثر سدکنندگی، فعال‏کنندگی و یا خنثی را مشخص می‏کند و در نهایت شبکه تنظیم ژنی ترسیم می‏شود. برای آموزش، از مجموعه داده‏های استاندارد ریزآرایه مربوط به 12 ژن شاخص موثر در مدت سیکل جوانه زدن نوعی مخمر (Saccharomyces Cerevisiae) استفاده شد. فعل و انفعالات حاصل شده با نتایج آزمایشگاهی بیولوژیکی پیشین، تحت معتبرسازی قرار گرفته‏اند و نتایج نشان‏دهنده آن است که با اجرای روش پیشنهادی، 15% از تعداد قوانین استخراج شده جهت بخش‏بندی فضای ورودی- خروجی کاسته شده و این منجر به کاهش شدید محاسبات می‏شود، در حالی‏که میزان مجموع مربعات خطای الگوریتم نیز در مقایسه با نزدیک‏ترین روش از لحاظ الگوریتم، 0.3- کاهش یافته است.

یکی از مسائل مطرح در طبقه بندی کننده k نزدیک ترین همسایه، تعیین اندازه همسایگی است. تحقیقات نشان داده اند تعیین بهینه مقدار k تاثیر بسزایی در میزان دقت حاصل از طبقه بندی این نوع طبقه بندی کننده دارد از همین رو، کارهای بسیاری جهت تعیین اندازه همسایگی به صورت کلی برای هر مجموعه داده و یا به صورت محلی به ازای هر نمونه، صورت گرفته است. در این مقاله یک تکنیک k نزدیکترین همسایه وفقی ارائه شده که در فاز اول، با توجه به همسایگی هر نمونه آموزشی (الگو)، یک مقدار مناسب k به هر یک انتساب داده می شود. سپس در فاز دوم، با استفاده از مفهوم وزن دهی به الگوها، فاصله ای وفقی بین یک نمونه تست و یک الگو تعریف می شود. سپس وزن الگوها به گونه ای تنظیم می شود که منجر به افزایش نرخ طبقه بندی leave one out بر روی مجموعه داده آموزشی شود. در فاز طبقه بندی، نزدیکترین الگوی هر نمونه تعیین و از مقدار k آن، برای طبقه بندی استفاده می‌شود. روش پیشنهادی با شیوه های KNN وفقی ارائه شده در تحقیقات گذشته، بر روی تعدادی مجموعه داده استاندارد، مقایسه شده است. نتایج نشان می‌دهد که الگوریتم ارائه شده نه نتها اندازه مجموعه داده را کاهش می دهد بلکه در بسیاری از موارد، بهتر از سایر الگوریتم ها عمل می‌کند. علاوه بر این در حضور نویز، تقریبا در همه مجموعه های داده، دقت بیشتری را در بردارد.

وظیفه لايه‌ي انتقال در شبکه‌ها، کنترل و پيشگيري از ازدحام و تحويل مطمئن انتها به انتهاي بسته‌ها مي‌باشد. در شبکه‌هاي حسگر روش‌هايي که هر دو فاکتور فوق را همزمان مورد توجه قرار مي‌دهند، نسبت به ساير روش‌ها موفق‌ترند. ESRT يکي از اين روش‌ها است که بزرگ‌ترين چالش آن عدم پشتيباني از اولويت‌هاي چندگانه در انتقال ترافيک مي‌باشد. در این پژوهش براي رفع مشکل ESRT از روش کدگذاري توصيفات چندگانه به همراه تصحيح خطاي پيش‌رونده استفاده‌شد و روش جديدي براي کنترل ازدحام، تأمين اتکاپذيري و اولويت‌بندي چندگانه بين توصيف‌هاي توليدي در گره‌هاي حسگر ارائه شد. در اين روش با توجه به ترافيک ويدئويي در نظر گرفته‌شده براي شبکه حسگر، تلاش مي‌شود که اتکاپذيري و به دنبال آن کيفيت ويدئوي دريافتي تا جايي که ازدحام رخ نمي‌دهد در شبکه زياد شود. نتايج شبيه‌سازي‌ها نشان داد که براي ترافيک ويدئويي با امکان ارائه‌ي توصيفات گسترش‌پذير، به خوبي اولويت بين جريان‌ها رعايت می‌شود. سرعت عمل روش نيز در مقايسه با روش پايه، مطلوب تر ارزيابي شد، که اين موضوع باعث کاهش مصرف انرژي و جلوگيري از هدر رفتن منابع شبکه در هنگام وقوع ازدحام مي‌شود.

یک سیستم طبقه‌بندی مبتنی بر قواعد فازی گونه‌ا‌ی خاص از مدل‌سازی فازی است که در آن خروجی سیستم، مقداری غیرفازی و گسسته است. چالش‌برانگیزترین مسئله در طراحی این سیستم‌ها، ساخت پایگاه قواعد فازی است. تاکنون تلاش‌های بسیاری با هدف ایجاد و تنظیم ساختار این سیستم‌ها صورت گرفته است. در این مقاله، یک الگوریتم یادگیری مبتنی بر پاداش و جریمه ارائه شده‌است. الگوریتم پیشنهادی با ارزیابی رفتار قواعد فازی در روند یادگیری، پارامترهای توابع عضویت مقدم و وزن قواعد سیستم را در راستای بهبود نتایج طبقه‌بندی تنظیم می‌کند. در گونه‌های این الگوریتم، برای ایجاد تعادل مابین تنظیم وزن قواعد فازی و اصلاح زیر فضاهای فازی، معیارهای تعداد جریمه‌‌ها و میزان نوسان در دریافت پاداش و جریمه‌ی هر قاعده معرفی شده‌اند. ایده‌های پیشنهادی به کمک تعدادی از مجموعه‌داده‌های UCI ارزیابی شده و کارایی آنها در مقایسه با الگوریتم پایه‌ای پاداش و جریمه، و شبکه‌عصبی MLP بررسی شده ‌است. نتایج نشان می‌دهد روش پیشنهادی به خوبی می‌تواند کیفیت طبقه‌بندی را ارتقا داده و دقت بالاتری را حاصل نماید.

برنامه‌های کاربردی مبتنی بر سرویس انتقال صوت بر روی IP (VoIP) در شبکه‌های محلی بی‌سیم (WLANs) به سرعت در حال توسعه هستند. از آن‌جا که معماری این شبکه‌ها برای انتقال داده طراحی شده است، بهبود و افزایش کیفیت سرویسVoIP نیاز است. از طرف دیگر الگوریتم‌های سازگاری نرخ در استاندارد IEEE 802.11 با مدیریت نرخ ارسال در لایه MAC، بر پارامتر‌های کیفیت سرویس VoWLANs مؤثر هستند. در این مقاله ابتدا الگوریتم سازگاری نرخ کارآمدی جهت تضمین کیفیت سرویس VoWLANs ارائه‌ شده است. سپس با بهره‌گیری از رویکرد بین لایه‌ای، روشی برای بهبود کیفیت سرویس VoIP ارائه خواهد شد. در این روش با معرفی یک عامل ارتباطی بین لایه MAC و لایه کاربرد، مقدار R-Factor از طریق پروتکل RTCP محاسبه می شود.. متناسب با مقدار به‌دست آمده، در لایه MAC از الگوریتم سازگاری نرخ کارآمد، و در لایه کاربرد از کدگذار - کدگشای مناسب استفاده می‌شود. با استفاده از شبیه‌ساز NS-3، شبیه‌سازی‌هایی با سناریوهای متفاوت برای پنج الگوریتم‌ سازگاری نرخ و کدگذار - کدگشا‌‌ها‌ی مختلف اجرا شده است. نتایج شبیه‌سازی نشان می‌‎دهد که الگوریتم سازگاری نرخ ARF برای ترافیک‌های پایین و CARA برای ترافیک‌های بالا کارآمدتر است. هم‌چنین روش ارائه شده مبتنی بر رویکرد بین لایه‌ای، می‌تواند کیفیت ‌سرویس VoWLANs را پایدار و بهینه نماید.

در این مقاله الگوریتم جدیدی برای ناحیه بندی تصاویر بافتی، با استفاده از مدل کانتور فعال مبتنی بر ویژگی الگوی باینری محلی کامل (CLBP) ارایه شده است. در روش پیشنهادی ابتدا یک ناحیه‌بندی تقریبی توسط روش خوشه‌بندی K-Means بر روی ویژگی‌های به دست آمده از CLBP انجام می‌گیرد. از این ناحیه‌بندی تقریبی برای تعیین مکان کانتور اولیه استفاده می‌شود. در ادامه به منظور کاهش حجم محاسبات و بهبود در عملکرد ناحیه بندی، از بین کدهای CLBP، آنهایی که قدرت جداسازی بیشتری بین ناحیه‌ها ایجاد می‌کنند انتخاب می‌شوند. در پایان با استفاده از مدل کانتور فعال، ناحیه بندی تصویر انجام می‌شود. نتایج حاصل از اعمال الگوریتم جهت ناحیه‌بندی تصاویر بافتی نشان می‌دهد که روش پیشنهادی عملکرد مناسبی از نظر دقت و سرعت ناحیه‌بندی برخوردار است. از جمله مزایای روش ارایه شده، توانایی آن در ناحیه‌بندی تصاویر بافتی دارای ناهمگنی در شدت روشنایی است، که دلیل آن مقاوم بودن عملگر الگوی باینری محلی نسبت به تغییرات یکنواخت در شدت روشنایی تصویر است.

اقتباس از آثار علمی دیگران بدون ارجاع صحیح به آنها را دستبرد علمی می‌نامند که کشف خودکار انواع این سوء استفاده‌ها‌ همواره مورد توجه محققین بوده است. در این مقاله روشی جهت کشف دستبرد علمی ارائه شده است که یک روش مبتنی بر بازیابی اطلاعات است. در این روش ما از یک شیوه بازیابی اطلاعات مبتنی بر خوشه‌بندی استفاده کرده‌ایم و در آزمایشات نشان دادیم در سیستم‌های کشف دستبرد علمی، استفاده از شیوه‌های بازیابی اطلاعات مبتنی بر خوشه‌بندی می‌تواند بسیار کاربردی‌تر از شیوه‌های دیگر بازیابی اطلاعات باشد. همچنین در این الگوریتم معیاری برای رتبه‌بندی اسناد بازیابی شده، ارائه شده است. نتایج آزمایشات نشان می‌دهد با استفاده از این معیار، سند مورد نظر در 91% موارد در فهرست اسناد رتبه‌بندی شده با رتبه کمتر از پنج حضور دارد. روش کشف دستبرد علمی پیشنهادی قادر به کشف انواع کپی‌برداری‌های دقیق و کپی‌برداری با تغییرات مانند جابجایی جملات، حذف و درج جملات، جایگزینی کلمات با مترادف‌هایشان و ترکیب بخش‌های کپی شده با یکدیگر است. این سیستم قابل توسعه به انواع کپی‌برداری‌های هوشمندانه نیز می‌باشد. در روش پیشنهادی علاوه بر متن اسناد، تصاویر موجود در آنها نیز در رتبه‌بندی اسناد مؤثر خواهند بود. نتایج ارزیابی سیستم پیشنهادی، نشان می‌دهد که در این سیستم برای کپی‌برداری‌های تحت الفظی، میانگین رتبه سند منبع، پنج می‌باشد.

شبکه‌های عصبی عمیق دارای کاربردهای فراوانی در پردازش گفتار می‌باشند. در صورتی که این شبکه‌ها به صورت تصادفی مقداردهی اولیه شوند به جواب درست همگرا نخواهند شد، چراکه دارای تعداد پارامترهای فراوانی می‌باشند. روش‌هاي متعددي براي پيش-تعلیم شبكه‌های عصبي عميق مطرح شده است که باعث همگرا شدن شبکه می‌شوند. پيش-تعلیم شبكه‌های عصبي مي‌تواند هم بر مبناي شبكه باور عميق و هم ماشين بولتزمان عميق انجام گيرد. در این مقاله شبکه عصبی عمیق با روش پیش-تعلیم جدیدی که بر مبنای ماشين بولتزمان عميق می‌باشد، آموزش می‌بیند. در نهايت خروجي شبكه عصبي پس از پيش-تعلیم توسط روش ارائه شده، برای طبقه بندی واج‌ها مورد استفاده قرار می‌گیرد. نتايج تجربي بر روي دادگان گفتار تیمیت بیانگر آن است که روش ارائه شده براي كاربردهاي بازشناسي واج مناسب می باشد. همچنین آزمایشات نشان داده است که روش‌ ارائه شده بر مبنای ماشين بولتزمان عميق به كاهش خطاي عمومي سيستم و افزايش كارائي آن كمك مي‌كند و از طرفی باعث همگرائی سریع‌تر شبکه عصبی عمیق می‌شود.

مدل رایانش ابری نیازهای سطح زیرساخت تا نرم‌افزار را به عنوان خدمت ارائه می‌دهد. یکی از مهمترین چالش‌های این فن‌آوری داشتن صرفه‌ی اقتصادی و سود‌آوری بالا برای ارائه‌دهندگان خدمات ابری است. با توجه به ویژگی کشسانی رایانش ابری، امکان پرداخت به ازای استفاده برای هر خدمت فراهم می‌شود. لیکن، اگر منابع کمتر از نیاز بارکاری تخصیص یابند دسترس‌پذیری خدمت کاهش یافته و طبق توافق‌نامه‌ی سطح خدمت، ارائه‌دهنده باید جریمه پرداخت کند و اگر دسترس‌پذیری بیش از نیاز مشتری باشد، منجر به افزایش هزینه‌های ارائه‌دهنده‌ی خدمت می‌شود. در این مقاله، با توجه به ویژگی‌های کشسانی خودکار و پرداخت به ازای استفاده‌ی رایانش ابری و دسترس‌پذیری در توافق‌نامه‌ی سطح خدمت، یک الگوریتم ابتکاری برای تخصیص پویای منابع به خدمات نرم‌افزار ابری به منظور بیشینه کردن سود ارائه‌دهنده‌ی خدمات زیرساخت ابری ارائه گردیده است. نتایج آزمایشاتی که بر روی داده‌های واقعی صورت گرفته، نشان می‌دهد که الگوریتم ارائه شده در مقایسه با الگوریتم ژنتیک، زمان اجرای کوتاهتر و مقیاس‌پذیری دارد به طوری که برای یک بازه‌ی زمانی در مقیاس چند دقیقه امکان کشسانی خودکار به شیوه‌ی کارآمد مهیا می‌گردد. همچنین، این الگوریتم با تعیین تخصیص بهینه، سودی برابر و در برخی حالات بیشتر از الگوریتم ژنتیک برای ارائه‌دهنده‌ی خدمات ابری در پی دارد.

این مقاله به مساله شناسایی جریان‌های فیل‌آسا در شبکه‌های کامپیوتری می‌پردازد. به دلیل اینکه شناسایی این نوع از جریان‌ها باید به صورت برخط انجام شود، ارائه الگوریتمی بسیار کارا و سریع برای شناسایی این جریان‌ها بسیار ضروری می‌باشد. الگوریتم ارائه شده دارای ساختاری موازی تصادفی است. به عبارت دیگر برای حل مساله از رویکرد تصادفی بر مبنای الگوریتم موازی با معماری هرم استفاده شده است. مرتبه زمانی الگوریتم ارائه شده در مرحله تحلیل بسته‌ها O(1) و در مرحله ادغام نتایج و بازنشانی ساختمان داده O(lg n) است. بهبود عملکرد الگوریتم چه از نظر کاهش میزان خطای شناسایی جریان‌های فیل‌آسا چه از نظر کاهش فرکانس ساز و کار بازنشانی با آزمایش بر روی داده‌های نمونه مورد ارزیابی و تایید قرار گرفته است.