انجمن کامپیوتر ایران

در اواخر سال ۲۰۱۹ در شهر ووهان چین بیماری حاد تنفسی به نام کرونا ویروس شایع شد. این بیماری به سرعت در شهرهای چین و کشورهای دیگر گسترش یافت و به گونه‌ای ادامه یافت که در ۳۰ ژانویه ۲۰۲۰ سازمان جهانی بهداشت WHO وضعیت اضطراری بین‌المللی را در ارتباط با این بیماری اعلام کرد. با توجه به همه‌گیری این ویروس تمام کشورهای در حال توسعه به دنبال تشخیص و درمان آن هستند. این بیماری یک بیماری تنفسی می‌باشد و روی حنجره تاثیر زیادی می‌گذارد و شخص بیمار را دچار سرفه‌های خشک می‌کند. بنابراین از روی صدای سرفه می‌توان شخص مبتلا به کوید ۱۹ را شناسایی کرد. در این مقاله، ما با استفاده از مدل‌ یادگیری مبتنی بر شبکه عصبی کانولوشن به عنوان یک روش مناسب و کم هزینه برای تشخیص کوید 19 استفاده کردیم. ما با استفاده از ضبط‌های صوتی حاوی صدای سرفه که از دستگاه تلفن همراه یا از طریق وب آماده شده‌اند به تشخیص کوید 19 می‌پردازیم و مجموعه‌ای از شبکه‌های عصبی کانولوشن که از صدای سرفه خام استفاده می‌کنند آموزش می‌دهیم. برای ارزیابی نتایج از دادگان covid19-sounds، public Dataset و virufy-cdf-coughvid استفاده کردیم. نتایج نشان می‌دهد که روش پیشنهادی عملکرد بهتری نسبت به روش‌های پایه دارد.

شبکه‌های نرم‌افزار محور (SDN) با جداسازی صفحه کنترل از صفحه داده و متمرکز کردن آن در یک کنترل‌کننده مرکزی، معماری جدیدی در شبکه‌های کامپیوتری ایجاد کرده و امکان ایجاد یک دید کلی از شبکه را فراهم می‌سازد. برهمین اساس، کشف توپولوژی شبکه برای کنترل‌کننده‌های SDN جهت ایجاد یک دید متمرکز از شبکه، ضروری است. با این وجود، در زمان فرآیند شناسایی توپولوژی شبکه، کنترل‌کننده‌های SDN به دلیل عدم تائید هویت میزبان و سوئیچ از حملات مسمومیت توپولوژی و حمله سرقت میزبان رنج می‌برند. راه‌کار‌های موجود به دلیل وجود ضعف در آن‌ها و همچنین ارائه راه‌کار پیچیده و سنگین وزن، نتوانسته‌اند این ضعف را به طور مناسب رفع نمایند. در این مقاله تلاش گردیده تا با ارائه راه‌کاری امن، ساده و سبک، یک ساختار تائید هویت مکانی و جابجایی میزبان با استفاده از مکانیزم تابع درهم‌سازی فراهم گردد. راه‌کار ارائه شده با استفاده از نرم‌افزار شبیه‌سازی Mininet و همچنین کنترل‌کننده Pox پیاده‌سازی شده است. نتایج آزمایشات در یک محیط شبکه‌ای مجازیMininet نشان می‌دهد، راهکار ارائه شده در عین سادگی، تائید هویتی امن و سبک وزن را جهت شناسایی مکان و جابجایی میزبان‌ها فراهم می‌کند.

یکی از موفق‌ترین مدل‌های رشد در شبکه‌های پیچیده و اجتماعی، مدل باراباشی - آلبرت است که رشد و اتصال ترجیحی خطی را به عنوان دو عنصر سازندة اصلیِ یک شبکه در ساختار مقیاس - آزاد پیشنهاد کرده است. از سویی، تبیین شباهت‌ها/عدم‌شباهت‌ها میان مدل‌های مختلف گراف و مطالعة ناهمگنی (نامنتظمی) گراف‌ها یکی از مسایل بنیادین در مطالعة شبکه‌های پیچیده و اجتماعی محسوب می‌شود. در این مقاله، یک روش ادغام مبتنی بر انتروپی کوانتومی (ون نویمن) جهت ادغام گراف‌های مبتنی بر مدل باراباشی-آلبرت پیشنهاد گردیده و همچنین پدیده ناهمگنی در گراف یکپارچه حاصل به کمک مهمترین شاخص‌های ناهمگنی سنجش شده است. نتایج تجربی آزمون‌های شبیه‌سازی نشان می‌دهند که روش ادغام پیشنهادی همراه با شاخص‌های ناهمگنی می‌تواند با دقت و صحت مناسبی برای تبیین مشخصات شبکه‌های مقیاس - آزاد مورد استفاده قرار گیرد.

امنیت داده‌ها و تبادل امن اطلاعات یکی از مقوله‌های مهم در ایننترنت اشیاء می‌باشد. با توجه به قدرت محاسباتی اندک و همچنین ظرفیت کوچک ذخیره‌سازی در گره‌های شبکه اینترنت اشیاء، در بسیاری از موارد امکان رمزنگاری اطلاعات وجود ندارد و یا نیاز به صرف زمان زیادی است. چالش دیگر نگهداری کلید مشترک رمزنگاری در جای امن است. در چارچوب پیشنهادی بار پردازش رمزنگاری محدود به گره حاوی فایل یا اطلاعات نسبتا بزرگ نیست. بلکه با تقسیم فایل به قطعات کوچکتر‌ از مشارکت دیگر گره‌های شبکه استفاده ‌می‌گردد. بدین منظور سه نوع گره خاص منظوره هماهنگ‌کننده، ادغام‌کننده و مشارکت‌کننده تعریف شده است تا با مشارکت یکدیگر در یک معماری توزیع شده پردازش صورت پذیرد. برای تبادل کلید از روش ECDH استفاده شده است تا دو طرف بتوانند یک کلید امن مشترک را از طریق یک کانال ناامن ایجاد کنند. این چارچوب با فایلی با حجم 560 کیلوبایت روی دو گره واقعی (ESP8266 و ESP32) در کنار سایر گره‌های شبیه‌سازی‌ شده مورد آزمون قرار ‌گرفته شده است. و زمان رمزنگاری در دو حالت استفاده از گره‌های با توان‌های یکسان و متفاوت محاسبه شده که کاهش زمان تا 4 برابر را نشان می دهد.

در سال‌های اخیر استفاده از شبکه‌های عصبی عمیق در دستگاه‌های لبه در حوزه‌های مختلف مانند اتومبیل‌های خودران، اینترنت اشیاء و تلفن‌های همراه هوشمند مورد توجه زیادی قرار گرفته است. این شبکه‌ها برای ذخیره‌‌سازی نیازمند حافظه ذخیره‌سازی انبوه برای انجام محاسبات می‌باشند؛ در حالی که دستگاه‌های لبه دارای محدودیت حافظه و توان مصرفی می‌باشند. لذا یکی از مشکلات اصلی شبکه‌های عصبی عمیق، فضای ذخیره‌سازی عظیم می‌باشد که برای حل این مشکل تکنیک های فشرده‌سازی شبکه عصبی معرفی شدند. یکی از مهم‌ترین روشهای فشرده‌سازی شبکه عصبی، چندی‌سازی پارامتر های شبکه عصبی می‌باشد. در این مقاله تکنیک چندی‌سازی با استفاده از نواحی غیرهمپوشان با تعداد بیت متغیر معرفی می شود. در این روش نواحی مختلفی پارامترهای شبکه را براساس توزیع وزن نورون‌ها ایجاد می‌کنیم. هر کدام از این نواحی دارای تعداد بیت چندی‌سازی متغیری می‌باشند. استفاده از تکنیک پیشنهادی اندازه شبکه عصبی عمیق کاهش چشم‌گیری می‌یابد در حالی که دقت شبکه را تغییر نمی دهد. نتایج شبیه سازی نشان می دهد روش پیشنهادی با استفاده از مدل ResNet50 [1] بر روی مجموعه داده‌ی ImageNet [2] به دقت 74.78% دست یافته است، در حالی که اندازه مدل از 816 میلیون پارامتر به 96 میلیون پارامتر کاهش یافته است.

هدف تحلیل احساسات، طبقه‌بندی متون با توجه به احساس، عقیده و نگرش نویسنده متن است. در اغلب تحقیقات موجود، متون به دو دسته مثبت و منفی تقسیم می‌شوند، با این وجود دسته‌بندی‌های دیگری مانند خوب/بد یا موافق/مخالف هم وجود دارد که هر کدام کاربردهای خاص خود را دارند. هدف این مقاله تحلیل نظرات مطرح شده توسط کاربران فارسی زبان در رسانه‌های اجتماعی درباره بازگشایی مدارس در دوران همه‌گیری کووید-19 با به‌کارگیری تکنیک‌های یادگیری ماشین باناظر و طبقه‌بندی آنها به دو دسته موافق و مخالف است. در زبان فارسی، عدم وجود مجموعه داده‌های کافی و دقت کم ابزارهای پردازش زبان طبیعی، به‌کارگیری الگوریتم‌های یادگیری ماشین باناظر و نیز استخراج ویژگی‌های باکیفیت را با چالش جدی روبرو ساخته است. در این مقاله ابتدا یک مجموعه کوچک از نظرات کاربران درباره بازگشایی مدارس جمع‌آوری و به صورت دستی برچسب زده شده است. سپس با استفاده از یک روش ترکیبی برای داده‌افزایی، اندازه مجموعه آموزش حدود 43 درصد افزایش داده شده است. در پایان با استفاده از الگوریتم SVM به طبقه‌بندی نظرات مجموعه تست پرداخته شده است. نتایج آزمایشات انجام گرفته نشان می‌دهد که با اعمال روش پیشنهادی برای داده‌افزایی و به‌کارگیری ویژگی‌های انتخابی در این مقاله، دقت 83 درصد برای طبقه‌بندی نظرات حاصل می‌شود.

فراگیری نسل‌های جدید برقراری ارتباط و محدودیت‌های موجود در حوزه‌های توان محاسباتی/ذخیره‌سازی و مصرف انرژی، تحولی بزرگ را در روند توسعه و پیاده‌سازی الزامات آن‌ها طلب می‌کند. طی سال‌های اخیر موضوع بارسپاری وظایف در محاسبات لبه‌ای سیار به موضوعی جذاب و پرطرفدار تبدیل شده که هم قادر به بهبود طول عمر باتری دستگاه‌های کاربران پایانی سیار و هم حل مشکلات مربوط به تأخیر محاسباتی و تراکم شبکه آنان می‌باشد. این مقاله تلاش می‌کند حوزه‌های مفهومی و عملی مرتبط با چالش‌های استفاده از این تکنیک نویدبخش را مرور نموده و نقش مؤثر بارسپاری وظایف در بهبود کارایی و افزایش کیفیت ارائه‌ی خدمات به کاربران سیار را تبیین نماید. ارائه‌ی روش‌های دستیابی به بهبود‌هایی که می‌تواند توسط انجام فرایند بارسپاری وظایف برای سیستم ایجاد شود در کنار معرفی محدودیت‌های موجود در این مسیر و کارهای آتی قابل انجام در این حوزه، بخش پایانی این مقاله را تشکیل می‌دهد.

در این مقاله روشی برای شناسایی علائم راهنمایی‌ و رانندگی با استفاده از شبکه‌های عصبی و الگوریتم YOLO نسخه 3 پیشنهاد شده است. بنا به تحقیقات انجام شده، اکثر تصادفات رانندگی، از بی‌توجهی به این علائم ناشی می‌‌شود، بنابراین به‌کارگیری سیستم شناسایی علائم راهنمایی‌ و رانندگی به‌عنوان یک سیستم دستیار راننده می‌‌تواند آمار تصادفات را کاهش دهد. الگوریتم و دیتاست پیشنهادی قادر است در زمانی که با شدت و ضعف نور مواجه هستیم به‌درستی پاسخگو باشد. نوآوری این طرح را می‌‌توان توانایی تشخیص در شرایطی که نور، وضعیت دوربین، شرایط آب‌وهوا و کیفیت دوربین مناسب نیست مطرح نمود. با استفاده از دیتاست GTSDB و انجام تکنیک‌های داده‌افزایی بر روی همین دیتا‌ست به‌منظور تقویت داده‌ها و افزایش دقت شناسایی علائم راهنمایی‌ و رانندگی استفاده گردید. در این روش ابتدا کلیه داده‌های دیتا‌ست دریافت می‌‌گردد و جهت بهبود روند سرعت شناسایی و دقت بالاتر از داده‌افزایی استفاده گردید، و به‌منظور دقت بالاتر سایز تصاویر 416×416 در نظر گرفته شد و در نهایت، پس از آماده‌سازی وزن‌های YOLO با برنامه پایتون تست گردید. در مجموع، دقت روش پیشنهادی به 99.70 درصد رسید، وزن‌های آماده شده نسبت به دیتا‌ست GTSDB از دقت و سرعت تشخیص بالاتری، در زمان‌های مختلف روز، موقعیت و فاصله‌های متفاوت برخوردار است.

انجمن‌های آنلاین برای به اشتراک گذاشتن تجربیات و نظرات در مورد محصولات و خدمات استفاده می‌شوند. این انجمن‌ها از سایت‌های متن نظرات مانند آمازون تا شبکه‌های اجتماعی مانند توییتر را شامل می‌شوند. محتوای تولید شده توسط کاربر در پلتفرم‌های مذکور، شامل پیشنهادها و دیدگاه‌هایی است که نظر سایر کاربران و مدیران سازمان را جلب می‌کند. با توجه به حجم انبوه متون غیرساخت‌یافته، انجام پیشنهادکاوی بر روی متن نظرات از اهمیت بالایی برخوردار خواهد بود. پیشنهادکاوی یک مسئله طبقه‌بندی دودویی است که جملات را به‌عنوان پیشنهاد و غیر پیشنهاد برچسب‌گذاری می‌کند. در این مقاله مسئله تشخیص پیشنهاد از متن نظرات را بررسی کرده‌ایم. سیستم ما مبتنی بر بازیابی اطلاعات برای طبقه‌بندی متن انجام شده است. ابتدا پیش‌پردازش‌های لازم را قبل از آموزش مدل طبقه‌بندی اعمال کرده‌ایم. سپس با استفاده از الگوریتم‌های یادگیری ماشین و روش شبکه عصبی طبقه‌بندی را انجام داده‌ایم. آزمایش بر روی مجموعه داده ارائه شده در مسابقه SemEval2019-Task9 انجام شده است. نتایج پیاده‌سازی نشان می‌دهد که ارزیابی روش پیشنهادی نسبت به روش‌های پیشین به نتایج نسبتا بهتری دست یافته است.

در صنعت مد و لباس، سامانه‌های توصیه‌گر به کاربران کمک می کند تا اقلامی بیابند که به سلیقۀ آن‌ها نزدیک‌تر است. در این مقاله هدف آن است تا با استفاده از الگوریتم‌های یادگیری ژرف، سامانۀ توصیه‌گری برای لباس طراحی شود تا به کاربران برای خرید مناسب‌تر و به فروشندگان برای فروش بیشتر کمک کند. این سامانه تلاش می‌کند بر اساس شباهت میان لباس‌ها و نیز تحلیل تمایل کاربران، بهترین توصیه را به مشتری ارائه دهد. فرایند توصیه شامل چندین گام است: ابتدا تصویر اولیۀ لباس به متن تبدیل می‌شود و سپس متن تولید شده به فضای تعبیه‌ شده منتقل می‌شود. در ادامه فضای تعبیه‌سازی شده با فضاهای دیگر متون مربوط به لباس مقایسه و بر اساس فاصله، نزدیک‌ترین k متن انتخاب می‌شود. در گام بعد متون برگزیده بر اساس تحلیل نظر کاربران پالایش و در نهایت تصاویر مرتبط با متن نهایی، به کاربر توصیه می‌شود. این روش بر خلاف روش‌های موجود، تنها تصویر را به عنوان ورودی گرفته و متن مرتبط را تولید می‌کند. مزیت این متن آن است که می‌توان هنگام مقایسۀ متون با یکدیگر، تحلیل نظر و تمایل کاربران را هم درنظر گرفت. همچنین روش تبدیل تصویر به متن به سامانه‌ها برای تولید برچسب مناسب برای لباس‌ها کمک می‌کند.

با گسترش روز به روز اینترنت اشیاء یکی از چالش‌های مهم پیش روی آن امنیت است. مقوله امنیت در اینترنت اشیاء گستردگی وسیعی دارد؛ لکن احرازهویت دستگاه‌های موجود در این شبکه‌ی عظیم از اهمیت ویژه‌ای برخوردار است. اما به دلیل مقیاس بزرگ شبکه‌های اینترنت اشیاء و محدودیت منابع دستگاه‌های آن، استفاده از روش‌های احرازهویت متمرکز، با مشکلات عدیده‌ای مواجه است. با ظهور فناوری بلاک‌چین تحقیقات زیادی پیرامون استفاده از آن به عنوان یک پایگاه داده غیرمتمرکز و توزیع پذیر انجام شده است. در این مقاله ما ابتدا یکی از پروتکل‌های پیشنهادی پیرامون استفاده از فناوری بلاک چین برای احرازهویت متقابل دستگاه‌های اینترنت اشیاء را بررسی می‌کنیم و سپس با توجه به نقاط ضعف و آسیب‌پذیری‌های آن، پروتکل احرازهویت متقابلی را برای دستگاه‌های اینترنت اشیاء معرفی خواهیم کرد.

کنتراست مهمترین عامل تأثیر‌گذار روی کیفیت تصاویر می‌باشد. ضعف کنتراست تصویر بسیاری از فرآیندهای بینایی ماشین و پردازش تصویر را تحت تأثیر قرار می دهد. به منظور جبران ضعف یاد شده، در این پژوهش ارتقاء کیفیت کنتراست تصویر براساس یکنواخت سازی دو- هیستوگرام با تعیین نقطه بهینه جداسازی هیستوگرام مبتنی برآنتروپی پیشنهاد می‌شود. در فرآیند یکنواخت‌سازی دو- هیستوگرام با تعریف سطح فلات تلاش می‌شود تا ضمن بهبود کنتراست، میانگین سطح روشنایی تصویر حفظ ‌شود. در این روش ابتدا تابع هیستوگرام محاسبه و سپس با استفاده از نقطه بهینه جداسازی مبتنی بر آنتروپی به دو تابع مستقل تقسیم می‌شود. سپس اصلاح روشنایی با کمک سطح فلات تطبیقی روی توابع مجزا شده هیستوگرام محاسبه می‌شوند. همچنین جهت ارتقاء عملکرد الگوریتم روی لبه‌های تصویر از یک فیلتر هدایت شونده استفاده شده است. نتایج نشان می‌دهند که روش پیشنهادی در تقویت کنتراست تصاویر خصوصا در تصاویر نویزی عملکرد مطلوبی دارد.

شبکه‌های حسگر بدنی، شبکه‌هایی خاص منظوره هستند که وظیفه‌ی پایش، اعلام و انتقال تغییرات فیزیولوژیکی بدن به کاریر را دارند و به نوعی عنصری کلیدی در سلامت الکترونیکی برای نظارت بر بدن به حساب می‌آیند. شبکه‌های حسگر بدنی بی‌سیم به مانند دیگر شبکه‌ها دارای چالش‌هایی است که مهترین آنها بحث مصرف انرژی گره‌ها و محدود بودن منابع انرژی آنها می‌باشد. صرفه‌جویی در مصرف انرژی برای طولانی‌تر شدن عمر گره‌ها در چنین شبکه‌هایی به یکی از مهمترین ویژگی‌های گره‌های حسگر تبدیل شده است. به منظور تأمین مصرف انرژی معقول و همچنین بهبود طول عمر شبکه‌های حسگر بدنی بی‌سیم، باید برنامه‌های جدید و کارآمدی در زمینه صرفه‌جویی مصرف انرژی ایجاد شود. با مدیریت مصرف انرژی در گره‌ها و استفاده از یک پروتکل مسیریابی مناسب می‌توان طول عمر و دوره ثبات شبکه‌های حسگر بدنی بی‌سیم را بهبود بخشید. در این مقاله با استفاده از ارائه یک پروتکل مسیریابی و تعریف یک تابع هزینه برای انتخاب مناسب گره‌های ارسال کننده، سعی بر بهبود عملکرد شبکه به خصوص در زمینه طول عمر و دوره ثبات شبکه شده است.

همزمان با رشد فضای ابری و کارایی استفاده از آن، برون‌سپاری داده‌ها برای انجام عملیات مختلف داده‌کاوی از جمله خوشه‌بندی، رشد سریعی داشته است. چالش اصلی در این گونه از سامانه‌ها، حفظ امنیت داده‌ها و حفظ دقت و کارایی الگوریتم‌های خوشه‌بندی است. در این راستا، الگوریتم‌های رمزنگاری و روش‌های مبتنی بر گمنام سازی داده‌ها ارائه شده‌اند که در هر کدام از آن‌ها سعی شده است موازنه‌ای بین امنیت و دقت ایجاد شود. در این مقاله روشی برای خوشه‌بندی داده‌های توزیع شده با الگوریتم k-means و استفاده از رمزنگاری همومورفیک ارائه شده است که ضمن رمزنگاری داده‌های حساس، سرعت و هزینه‌ی محاسباتی آن را کاهش می‌دهد. دقت روش پیشنهادی برای خوشه‌بندی داده‌های غیر متمرکز روی مجموعه داده iris و seeds به ترتیب برابر 34.89% و 53.88% است. در حالتی که داده‌های این دو مجموعه در سرور متمرکز باشند و خوشه‌بندی انجام شود، دقت خوشه بندی به ترتیب برابر 30.90% و 00.89% است. نتایج حاصل نشان می‌دهد دقت روش پیشنهادی به حالتی که سرور خوشه‌بندی را به صورت متمرکز انجام می‌دهد، بسیار نزدیک است. هم‌چنین زمان اجرای روش پیشنهادی چون حجم داده‌ی رمز شده کم می‌شود، روی مجموعه داده iris و seeds به ترتیب برابر 5.7 و 7.12 ثانیه است که نسبت به حالتی که مالکان داده، تمام داده‌های خود را رمز می‌کنند که برابر 5.13 و 7.32 ثانیه است کاهش قابل توجهی داشته است.

همه‌گیری ناشی از کرونا ویروس جدید (کووید-19) بحرانی سراسری را به وجود آورده که تمام کشورهای جهان را درگیر کرده است. این بیماری به دلیل ناشناخته بودن، قدرت شیوع بسیار بالا و عدم قابلیت رهگیری مبتلایان به خطری جدی برای همگان تبدیل‌شده است که دولت‌ها را مجبور به اعمال انواع سیاست‌ها و پروتکل‌های پیشگیرانه در این حوزه نموده است. اولین قدم مشترک در تمام این سیاست‌ها، تشخیص بیماری است؛ تشخیص دقیق، سریع و کم‌هزینه امری است که بیشترین اهمیت را در مقابله با کووید-19 دارد. در سال‌های گذشته استفاده از هوش مصنوعی به‌عنوان یکی از روش‌های کمک تشخیصی، کمک شایانی در حوزه‌های مختلف علوم پزشکی داشته است. در همین راستا یادگیری عمیق در سال‌های اخیر بیش‌ازپیش مورد توجه پژوهشگران بوده و تاکنون معماری‌های گوناگونی برای آن ارائه شده است. با توجه به این موضوع استفاده از تکنیک‌های یادگیری عمیق در تشخیص دقیق بیماری کووید-19 می‌تواند راهگشا باشد. در این مقاله ضمن مقایسه و ارزیابی برخی معماری‌های یادگیری عمیق نظیر VGG19، InceptionV3، ResNet50 در تشخیص کووید-19 با استفاده از تصاویر سی‌تی‌اسکن ریه، یک مدل پیشنهادی بر اساس ترکیب دو معماری InceptionV3، ResNet50 ارائه شده است. یافته‌ها حاکی از آن است که مدل پیشنهادی نسبت به سایر روش‌ها دقت بالاتری دارد.

نانوکپسول يکي از مواد مهم در داروسازي است که براي تثبيت تركيبات حساس دارويي و محافظت از عناصر اصلي آنها در برابر واكنش‌های زودرس در بدن انسان بکار مي‌رود. دستيابي به بهترين ترکيب براي ساخت و تعيين اندازه نانو کپسول‌ها يکي از چالش‌های محققان مي‌باشد. الگوريتم‌هاي يادگيري عميق روشي براي خودکارسازي مدل تحليلي است که با کمک الگوريتم‌هاي تکرارپذير از داده‌ها ياد مي‌گيرند و پارامترهاي خود را تنظيم مي‌کنند. در اين پژوهش از شبکه پيش‌رو عميق (DFF)Deep Feedforward براي مدل سازي رفتار نانوکپسول آليسين استفاده شده است. بعداز انجام 15 آزمايش، اين نانو کپسول توليد و اندازه ذره آن اندازه‌گيري شده است. اين شبکه‌ي عصبی با 1 و 2 و 3 لايه پنهان و تعداد نورون‌هاي مختلف با داده‌هاي گردآوري شده، ساخته شده و خطاي MSE هر يک از آنها بدست آمده است. به دليل کمبود داده‌هاي آزمايشگاهي از تکنيک Leave-One-Out براي ساخت اين مدل‌ها استفاده شده است. برای مقایسه، از سیستم Fuzzy با تعداد 1 و 2 و 3 و 4 تابع تعلق گوسی استفاده و خطای MSE آنها با DFF مقایسه شده است. نتايج بدست آمده نشان می‌دهد که يک شبکه‌ي DFF با 3 لايه پنهان نتايج بهتري نسبت به ديگر سيستم‌هاي پياده‌سازي شده فراهم مي‌کند و خطاي MSE آن بطور چشم‌گيري کمتر از ديگر مدل‌ها مي‌باشد.

امروزه ابرهای محاسباتی در زندگی روزمره ما نقش پر رنگی را ایفا می‌نمایند. از آنجایی که بستر ارتباطی بین کاربران و ابر عمومی، شبکه اینترنت است، برقراری امنیت داده‌های ارسال شده و حفظ حریم خصوصی کاربران تبدیل به یک چالش بزرگ شده است. در این مقاله روشی برای قابلیت ردیابی کاربرانی ارائه شده است که با استفاده از کلید خصوصی و خصیصه‌های خود اقدام به رمزگشایی داده‌های موجود در سیستم می‌کنند. روش پیشنهادی عناصر خرابکاری که از این امکان سوء‌استفاده نموده و آن را در اختیار دیگران قرار می‌دهند و موجب نشت اطلاعاتی در سیستم می‌گردند را شناسایی می‌کند. همچنین روش پیشنهادی راه کاری برای امنیت سیاست‌های ارسال شده به همراه متن‌های رمز شده برای برقراری کامل ایمنی سیستم و جلوگیری از نقض حریم خصوصی مالکان داده‌ها ارائه می‌دهد. نتایج شبیه‌سازی برتری راه کار پیشنهادی در مقایسه با روش مقاله پایه از جهت میزان توانایی سیستم در یافتن عناصر خرابکار و میزان امنیت سیستم در جلوگیری از نقض حریم خصوصی کاربران را نشان می‌دهد.

اصلاح روشنایی در پردازش تصاویر پزشکی و تشخیص بیماری‌های مختلف حائز اهمیت است. ارتقاء کیفیت تصویر تأثیر مستقیمی بر پردازش‌های بعدی تصاویر پزشکی دارد. اکثر تصاویر در آسیب شناسی دیجیتال برای بهینه سازی روشنایی به تنظیمات پس از اخذ تصوير نیاز دارند. علی رغم این واقعیت، تلاش زیادی برای توسعه تکنیک‌های اصلاح کنتراست در يك زمينه خاص صورت نگرفته است. در این مقاله از روش اصلاح گاما جهت بهبود کنتراست استفاده مي‌شود. الگوریتم بهینه‌ساز تکاملی ملخ جهت يافتن پارامتر گاما بهينه در جهت بهبود کنتراست تصویر بكار مي‌رود. این الگوریتم برای یافتن پارامتر اصلاح گاما بهینه از فاکتورهاي آنتروپی و محتوای لبه (تعداد پيكسل‌هاي لبه نسبت به كل پيكسل‌ها) استفاده می‌کند. بهبود کنتراست از طریق اصلاح گاما منجر به دستیابی به اطلاعات و جزئیات بیشتری در تصاویر پزشكي می‌گردد. در اين مقاله تمركز بر روی تصاوير پاتولوژی می‌باشد. الگوریتم پیشنهادی بهینه‌ساز ملخ از نظر معیارهایی چون CEF، CII، EME، CNR، Gradient و PIQE از متدهای MMHE و AGCgw و از نظر معیارهایی مثل آنتروپی، Colorfulness، WPSNR و AMBE نسبت به متدهای AGCHE و EEBHE کارائی و بهبود موثرتری را دارد.

شبکه‌های موردی بین خودرویی زیر مجموعه‌ای از شبکه‌های موردی متحرک هستند. این شبکه‌ها که بخشی از سیستم حمل‌و‌نقل هوشمند محسوب می‌شوند از گره‌های ثابت و متحرک تشکیل شده‌اند.‌ گره‌ها در شبکه‌ی بین خودرویی برای اهداف مختلفی همچون بهبود ایمنی سرنشینان خودروها و کنترل ترافیک با یکدیگر در ارتباط هستند و طیف گسترده‌ای از اطلاعات را مبادله می‌کنند. یافتن مسیری مناسب و بهینه جهت ارسال این اطلاعات به مقصد یکی از چالش‌های اساسی در شبکه‌های بین خودرویی محسوب می‌شود. تاکنون پروتکل‌های مسیریابی مختلفی برای حل این چالش ارائه شده است که از معیارهای متفاوتی برای انتخاب بهترین گره‌ها در مسیريابي خود بهره برده‌اند. در این مقاله یک پروتکل مسیریابی امن مبتنی بر موقعیت پیشنهاد شده ‌است که در آن اعتماد جامع هر گره به‌عنوان یک معیار اساسی برای انتخاب آن گره در فرایند مسیریابی محسوب می‌شود. محاسبه‌ی مقدار اعتماد جامع برای هر گره‌ی ارزیابی‌شونده با استفاده از محاسبه‌ی اعتماد مستقیم توسط گره‌ی ارزیابی‌کننده و توصیه‌ی همسایه‌ها طی فرایند اعتماد غیرمستقیم انجام می‌شود. نتایج شبیه سازی و ارزیابی پروتکل پیشنهادی با کمک نرم‌افزار NS-2 نشان می‌دهد هرچقدر تعداد گره‌های مخرب در شبکه بیشتر باشد، پروتکل پیشنهادی نرخ تحویل بسته‌ی مطلوب تری نسبت به پروتکل GPSR خواهد داشت.

واژه‌یابی گفتار به جستجوی کلمات كلیدی هدف در یک آرشیو صوتی اتلاق می‌شود. در سال‌های اخیر با پیشرفت تکنولوژی استفاده از سیستم‌های واژه‌یاب گفتار در دستگاه‌های با توان پردازشی كم مانند بلندگوهای هوشمند و تلفن‌های همراه رواج یافته است. استفاده از واژه‌یابی گفتار در این دستگاه‌ها با محدودیت‌های حافظه‌ای و پردازشی همراه است. از این رو، لازم است از روش‌هایی استفاده شود که در كنار دقت مطلوب، تعداد پارامتر‌های كمی نیز داشته باشد. در سال‌های اخیر، شرکت گوگل مبتنی بر مد‌های مطرح شبکه‌های عصبی پیچشی مانند موبایل نت، تی‌سی رزنت، اینسپشن و اکسپشن در حوزه‌ی واژه‌یابی گفتار به دقت مطلوبی دست یافته است. در این مقاله سعی شده است با بهره‌گیری از مکانیزم خودتوجه، دقت واژه‌یابی گفتار مبتنی بر مدل‌های مطرح مذکور افزایش یابد. نتایج ارزیابی حاکی از آن است که استفاده از مکانیزم خودتوجه باعث افزایش دقت %1.72ای مدل موبایل‌نت، %1.411ای مدل اینسپشن، %1.43ای مدل اكسپشن و %1.83ای مدل تی‌سی‌رزنت بدون تاثیر قابل توجه بر تعداد پارامترهای آموزش پذیر مدل‌های مذکور شده است. همچنین، در قیاس با سایر مدل‌های مطرح در حوزه‌ی واژه‌یابی گفتار، در بهترین حالت، به ازای کاهش حدود 2 درصد دقت، تعداد پارامترهای آموزش پذیر مدل 1000 برابر کاهش یافته‌اند.