شبکه‌های بین خودرویی، نوع خاصی از شبکه‌های اقتضایی متحرک (MANETs) هستند؛ که ارتباط میان وسایل نقلیه و واحدهای کنار جاده‌ای را فراهم می‌کنند. از جمله مشخصه‌های این شبکه‌ها، تحرک سریع گره‌ها و تغییرات مکرر توپولوژی می‌باشد. که بهبود این چالش‌ها موجب ایجاد تکنیک‌های جدید گردیده است. خوشه‌بندی یکی از كارآمدترین رویکردهای موجود در جهت سازماندهی ارتباطات در شبکه به شمار می‌رود. و همچنین خوشه‌بندی با ایجاد یک ستون فقرات مجازی در سطح جاده، جابجایی داده‌ها را به صورت بهینه فراهم کرده و میزان استفاده از پهنای باند را بهبود بخشیده است. در این مقاله، به تشریح ساختاری جدید در جهت ادغام خوشه‌ها و انتخاب سرخوشه جدید، پرداخته شده است. که در صورت برقرار بودن شروط تعیین شده، ادغام صورت می‌گیرد. و همچنین در فرایند انتخاب سرخوشه جدید، گره‌ای که از نظر میزان سرعت نسبی و تعداد همسایگان مشترک در بین گره‌های همپوشانی شده شرایط بهتری را داشته باشد، به عنوان سرخوشه جدید معرفی می‌گردد. نتایج شبیه‌سازی توسط نرم‌افزار ++OMNET و دو ابزارSUMO و VIENS حاکی از آن است، که الگوریتم پیشنهادی در مقایسه با الگوریتم قدرتمند PMC، از عملکرد بهتری در میانگین مدت زمان سرخوشه ماندن، میانگین مدت زمان عضو بودن گره‌ها و تعداد تغییرات سرخوشه‌ها برخوردار است.

یکی از رایج‌ترین حملات سایبری، حملات فیشینگ است. در این نوع حملات، مهاجمین با ارسال لینک‌های جعلی برای کاربران و ترغیب آنها به استفاده از وب‌سایت‌های جعلی، اطلاعات مهم و محرمانه آنها را سرقت می‌کنند. حملات فیشینگ زیان قابل توجه‌ای دارند و اعتماد کاربران را در خرید آنلاین و سرویس‌های تحت وب، مخدودش می‌کنند. یک روش کاربردی برای تشخیص حملات فیشینگ استفاده از یادگیری ماشین است. در این مقاله، یک روش ترکیبی برای کاهش خطای طبقه‌بندی صفحات به دو دسته جعلی و اصلی ارایه می‌شود. در روش پیشنهادی، ابتدا ویژگی‌های موثر در یادگیری با استفاده از الگوریتم شاهین انتخاب شده و بردار ویژگی حاصل توسط شبکه عصبی مصنوعی ارزیابی می‌شود. سپس طبقه‌بند جنگل تصادفی بر اساس بردار ویژگی انتخاب شده در مرحله قبل به طبقه‌بندی صفحات می‌پردازد. مزیت روش پیشنهادی استفاده از هوش‌گروهی نوین در ترکیب با روش‌های یادگیری ماشین در تشخیص فیشینگ است. نتایج ارزیابی‌های انجام گرفته نشان می‌دهد که روش پیشنهادی نسبت به روش‌های انتخاب ویژگی موجود مانند الگوریتم کفتار و روش مبتنی بر تحلیل مولفه اصلی دارای دقت بیشتری در تشخیص حملات فیشینگ است.

هدف از تحلیل احساسات، استخراج خودکار احساسات افراد از شبکه‌های اجتماعی و اسناد متنی می‌باشد. شبکه‌های اجتماعی مرتبط به بازارهای مالی، از جمله بازارهای سهام، اخیرا مورد توجه بسیاری از افراد و سازمان‌ها قرار گرفته است. افراد در این شبکه‌ها نظرات و عقاید خود را در مورد هر سهم در قالب یک پست یا توییت، به اشتراک می‌گذارند. در این مقاله کار تحلیل احساسات بر روی کامنت‌هایی که از سایت بورس استخراج نمودیم، انجام شد. برای اینکار ما از دو روش مرسوم که در کار تحلیل احساسات انجام می‌شود، استفاده نمودیم، این دو روش شامل روش مبتنی بر واژگان و روش مبتنی بر یادگیری ماشین است، برای روش مبتنی بر واژگان از یک واژگان موجود، به نام SentiStrength استفاده شد، که این واژگان با هدف استفاده عمومی طراحی شده است. برای روش مبتنی بر یادگیری ماشین از BERT که یک روش نوین برای تعبیه کلمات است استفاده شد، همچنین کار آموزش داده‌ها توسط الگوریتم‌های نایو بیز و ماشین بردار پشتیبان، انجام شد. نتایج آزمایشات نشان داد که استفاده از BERT برای نمایش داده‌ها به همراه الگوریتم نایو بیز برای آموزش داده‌ها، ۱۳ درصد معیار صحت را نسبت به استفاده از واژگان عمومی برای تحلیل احساسات، افزایش می‌دهد.

حملات فیشینگ به گونه‌ای از حملات گفته می‌شود که در آن تلاش می‌شود یک کاربر به صفحات تقلبی از وب‌سایت‌های مهم و پرکاربرد هدایت شود. صفحات جعلی در بسیاری از موارد، بسیار شبیه به صفحات اصلی می‌باشند و همین موضوع می‌تواند کاربران را با مشکلات مختلفی مواجه سازد. به عنوان مثال ممکن است برای دست‌یابی به اطلاعات ایمیل، یک کاربر به صفحه‌ی ورود جعلی از جی‌میل یا یاهومیل هدایت شود. تشخیص به موقع این‌گونه حملات به منظور حفظ حریم خصوصی و نیز افزایش امنیت افراد در تراکنش‌های مالی آنلاین، یکی از چالش‌های اخیر است. در این مقاله یک روش مبتنی بر شبکه عصبی خودرمزنگار به منظور استخراج ویژگی موثر و طبقه‌بندی حملات فیشینگ اینترنتی معرفی شده است که در این روش، برای هر کلاس یک شبکه‌ی خودرمزنگار به منظور استخراج ویژگی، به صورت غیرنظارتی آموزش داده می‌شود تا هر شبکه بتواند ویژگی‌های هر کلاس را به صورت موثر استخراج کند. پس از آن، به کمک تابع بیشینه‌ی هموار، هر دو شبکه به صورت نظارتی و به کمک داده‌های آموزشی، آموزش داده می‌شوند. نتایج بدست آمده به خوبی نشان می‌دهند که روش بکار گرفته شده قادر است دقت بالاتری نسبت به روش پرسپترون چند لایه و دیگر روش‌های طبقه‌بندی فراهم آورد.

با افزایش نفوذ نرم‌افزارهای مخرب به دستگاه‌های هوشمند، تشخیص بدافزار به یکی از چالش‌های مهم در حوزه امنیت اینترنت اشیا تبدیل شده است. تا کنون روش‌های متعددی در این زمینه ارائه شده که در این میان، روش‌های مبتنی بر الگوریتم‌های یادگیری عمیق بدلیل توانایی استخراج خودکار بازنمایی‌های پیچیده از داده‌ها، از عملکرد مناسب‌تری برخوردارند. از آنجایی که هایپرپارامترها نقش مهمی در موفقیت شبکه عصبی عمیق دارند، تنظیم و بهینه‌سازی آن‌ها از اهمیت ویژه‌ای برخوردار است. از این رو در این پژوهش، پیکربندی‌های مختلف از یک طبقه‌بند مبتنی بر شبکه عصبی کانولوشنی یک بعدی (1D-CNN) طراحی شده و پس از بهینه‌سازی هایپرپارامترها، از آن جهت تشخیص جریان‌های مخرب شبکه استفاده شده است. شبکه عصبی کانولوشنی یک بعدی کمک می‌کند تا طبقه‌بند سبک وزن با حداقل تعداد لایه‌ها را داشته باشیم. جهت آموزش طبقه‌بند CNN پیشنهادی، از مجموعه داده UNSW-NB15 استفاده شده است. یافته‌ها نشان می‌دهد که مدل ارائه شده در مقایسه با مدل‌های مشابه از دقت قابل قبول و بالاتری (99.97 %) برخوردار است.

پرفشاری خون یک بیماری مزمن است که به‌عنوان شایع‌ترین عارضه سلامتی و مهم‌ترین عامل خطر برای بیماری‌های قلبی عروقی شناخته می‌شود. پیش‌بینی و تشخیص زودهنگام پرفشاری خون و درمان به‌موقع آن مانع از پیشرفت بیماری و بروز عواقب ناشی از آن می‌شود و هم‌چنین باعث صرفه‌جویی در هزینه درمان می‌گردد. مطالعات پیشین نشان می‌دهد که علاوه بر عوامل محیطی و سبک زندگی، عامل وراثت نیز در پرفشاری خون نقش بسزایی دارد. در سال‌های اخیر روش‌های یادگیری ماشین و تحلیل‌های آماری در پیش‌بینی بیماری، پیشرفت‌های مشهودی داشته و کم‌تر به بهینه‌سازی ریاضی در این حوزه پرداخته شده است. با توجه به اهمیت موضوع، در این مقاله یک مدل برنامه‌ریزی غیرخطی عدد صحیح مختلط با هدف کاهش میانگین مربعات خطا جهت پیش‌بینی پرفشاری خون تعریف شد. داده‌های مورداستفاده شامل جنسیت و 10 مورد چندریختی تک نوکلئوتیدی مؤثر در پرفشاری خون برای 1001 نفر است. طبق نتایج به‌دست‌ آمده از حل دقیق مدل و استفاده از الگوریتم بروت فورس، بهینه‌ترین مقدار میانگین مربعات خطا، صحت و دقت به ترتیب برابر با 18/0، 89/0 و 75/0 است.

با توجه‌ به استقبال چشمگیر و حضور فعال کاربران در شبکه‌های اجتماعی، شناسایی رویدادها از شبکه‌های اجتماعی به یکی از مسائل بسیار مهم موجود در هر حوزه‌ای تبدیل شده است. در این مقاله به ارائه یک مدل برای استخراج ویژگی از داده‌های شبکه اجتماعی بر مبنای شبکه عصبی پیچشی و مبتنی بر رویکرد جانمایی کلمات پرداخته شده است. همین‌طور در این پژوهش یک مجموعه‌ داده فارسی در ۱۲ دسته‌بندی متنوع برای حل مسئله شناسایی رویدادها ارائه شده است. شاخص‌های ارزیابی و نتایج به دست آمده از این پژوهش و مقایسه آن‌ها با مدل پایه نشان می‌دهد که مدل پیاده‌سازی شده هم از لحاظ کارایی و هم از لحاظ زمان اجرا، عملکرد بسیار خوبی نسبت به مدل پایه داشته است.

با پیشرفت علم و افزایش روزافزون حجم اطلاعات، استفاده از سیستم‌های توصیه‌گر در همه زمینه‌ها کاربرد پیدا کرده است. اکثر این سیستم‌ها از یک معیار رتبه‌بندی در پیش‌بینی‌هایشان استفاده می‌کنند. با این حال، استفاده از سیستم‌های توصیه‌گر چند معیاره موجب ارائه پیش‌بینی‌های دقیق‌تری می‌شوند. از چالش‌های اصلی در سیستم‌های توصیه‌گر، پراکندگی ماتریس کاربر-مورد و یا همان وجود داده‌های گمشده است که این مسأله در سیستم‌های توصیه‌گر چند معیاره که هر کاربر باید معیارهای متفاوتی را در مورد یک مورد (کالا، خدمات) ثبت نماید، بسیار مشهودتر است. در این مقاله، الگوریتمی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره با استفاده از یادگیری عمیق ارائه می‌شود. الگوریتم ارائه شده قادر است برای کاربرانی که به تازگی وارد سیستم شده‌اند و سابقه‌ای از علاقه‌مندی آن‌ها در دسترس نیست، توصیه‌های مناسبی ارائه دهد. همچنین رتبه‌بندی‌های ارائه شده برای معیارهای مختلف را به نحوی ترکیب کند که رتبه‌بندی کلی به بهترین نحو پیش‌بینی شده و بهترین توصیه‌ها به کاربران، مطابق با علایقشان پیشنهاد شود. نتایج بدست آمده حاکی از کارایی روش پیشنهادی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره است.

خودروهای هوشمند علاوه بر اینکه وسیله‌ای برای رفت و آمد هستند، به دنبال ایجاد احساس راحتی و وجود یک فضای شخصی برای رانندگان خود می‌باشند. کنترل این خودروها و استفاده از امکانات درون خودرو با واسط‌های کاربری متفاوتی نظیر کلیدهای کنترل، فرمان و پدال، کنترل صفحه لمسی و واسط کاربری مبتنی بر گفتار امکان‌پذیر است. در واسط‌های کاربری مبتنی بر گفتار، یکی از نکات قابل توجه، دقت تشخیص فرامین صوتی می‌باشد. در داخل ایران تنها یک پژوهش در حوزه تشخیص فرامین صوتی فارسی در خودروی هوشمند انجام شده است که ضمن ارائه یک مجموعه دادگان از فرامین صوتی فارسی در خودروی هوشمند، یک واسط کاربری مبتنی بر دو حالت گفتار و لمس را در شرایط واقعی و شبیه‌سازی شده مورد ارزیابی قرار داده است. واسط کاربری مبتنی بر گفتار مذکور موفق به تشخیص فرامین صوتی با ۸۲٪ دقت شده است که هنوز جای بهبود دارد. در پژوهش حاضر، تمرکز ما بر ارائه راهکاری مناسب جهت افزایش دقت تشخیص فرامین صوتی فارسی در خودروی هوشمند است. راهکار پیشنهادی، یک رویکرد پایانه به پایانه مبتنی بر ترکیب شبکه عصبی پیچشی با یکی از گونه‌های شبکه‌های عصبی بازگشتی مانند واحد بازگشتی دروازه‌دار، حافظه کوتاه مدت ماندگار یک طرفه و دو طرفه به همراه طبقه‌بند زمانی اتصال‌گرا می‌باشد. نتایج ارزیابی حاکی از آن است که راهکار پیشنهادی در حالتی که شبکه عصبی بازگشتی حافظه کوتاه مدت ماندگار دو طرفه بوده است، منجر به افزایش دقت تشخیص فرامین صوتی فارسی تا ۱۰۰ درصد شده است.

شبکه روی تراشه معماری نسبتاً جدیدی است که به علت ناکارآمدی معماری گذرگاه مشترک در سیستم بر روی تراشه اخیراً بسیار موردتوجه محققین قرار گرفته است. مصرف برق شبکه روی تراشه شامل توان مصرفی پیوندهای ارتباطی و مسیریاب‌ها است. مسیریاب‌ها، بخش بزرگی از کل میزان برق شبکه روی تراشه را به خود اختصاص می‌دهند. الگوریتم مسیریابی شبکه روی تراشه، وظیفه تحویل بسته‌ها از مبدأ به مقصد در داخل شبکه را دارد. الگوریتم مسیریابی، مسیری را انتخاب می‌کند که یک بسته برای رسیدن به مقصد طی می‌کند. شبکه روی تراشه، فناوری رو به رشدی است که به‌موجب آن، الگوهای اتصال حالت چندپردازنده شکل می‌گیرد. در این مقاله، یک الگوریتم مسیریابی با استفاده از الگوریتم رقابت استعماری ارائه گردید. در محاسبه تابع هزینه هر کدام از مسیرها پارامترهایی مانند، اندازه بافرهای اشغال شده مسیریاب واقع شده در گره همسایه، متوسط تأخیر بسته‌های ارسال شده قبلی و دمای مسیریاب‌های همسایه در نظر گرفته شد. نتایج ارزیابی و مقایسه الگوریتم پیشنهادی با الگوریتم کلونی مورچگان نشان‌دهنده عملکرد الگوریتم پیشنهادی از نظر کاهش متوسط تأخیر بسته‌ها و افزایش گذردهی شبکه در هر دو الگوی ترافیکی یکنواخت و انتقالی بود. همچنین نتایج نشان‌دهنده عملکرد بهتر الگوریتم پیشنهادی از نظر توزیع یکنواخت‌تر اطلاعات بر روی شبکه نیز می‌باشد.

در حال‌ حاضر عموم افراد با اینترنت اشیاء و‌ کاربردهای آن آشنا هستند و‌ دستگاه‌های بیشماری با استفاده از اینترنت و بدون حضور کاربر با یکدیگر ارتباط برقرار می‌کنند. یکی از موضوعات حايز اهميت در اینترنت اشیاء، بحث امنیت است، چرا که با‌نبود امنیت احراز هویت و حفظ حریم ‌خصوصی کاربران در‌معرض خطر قرار می‌گیرند. لذا به لحاظ اهمیت این موضوع در ارتباطات بین دستگاه‌ها، وجود استانداردها و پروتکل‌هایی ضرورت می‌یابد که بتوان این مهم را فراهم نمود. در‌ این زمینه پیشنهاداتی در‌مورد استانداردها و پروتکل‌های امنیتی ارائه شده‌ است که با توجه به ویژگی‌ها و مکانیزم‌هایی که هر استاندارد فراهم می‌کند، مناسب‌ترین استاندارد و پروتکل را با توجه به شرایط گوناگون ارائه می‌دهد. علاوه‌ بر‌ این استانداردها فناوری بلاکچین نیز یکی از فناوری‌های نوین در برقراری امنیت اینترنت اشیا می‌باشد که امنیت را بدون نیاز به ارجاع به یک شخص ثالث متمرکز یا مورد اعتماد فراهم می‌کند. پس از بررسی‌های صورت‌گرفته بر روی این استانداردها و فناوری بلاکچین در‌ این مقاله، می‌توان نتیجه گرفت که برخی ازآن‌ها با استفاده از تکنیک‌های جدید، مکانیزم‌های قوی‌تری نسبت به سایر استانداردها در احراز هویت، یکپارچگی داده‌ها و‌ حریم خصوصی ارائه می‌دهند، از جمله IETF ،RFC 7252 ،WirelessHART ،TLS/DTLS، پروتکل شبکه کنترل ارتباط سبز‌فراگیر، TCG و فناوری بلاکچین.

اخيرا تهديد خودي‌هاي بدسرشت به شدت مورد توجه پژوهشگران اين حوزه قرار گرفته است، اما تا رسيدن به راه حل‌هاي قابل اتکا در محيط‌‌‌‌ هاي تجاري راهي طولاني جلوی روست. دلايل اين مشکل را مي‌توان در وابستگي شديد به داده‌هاي عيني، عدم وجود روش ساخت يافته براي پيش پردازش داده‌ها و در نتيجه عدم بسط‌‌ پذيري آن و نيز نرخ بالاي اعلان‌هاي اشتباه و در مواردی زمان طولاني پردازش داده‌ها دانست. در اين تحقيق برآنیم با استفاده از يادگيري ماشين تحت نظارت راهکاري براي تشخيص تهديدهاي خودي بدسرشت ارائه شود. راهکار بر روي يک سناريو از رايج‌ترين سناريوهاي اين حوزه اعمال شده و نيز گام‌هاي آن در پيش‌پردازش داده‌ها به تفصيل مورد تشريح قرار گرفته است. همچنين، تفکيک مناسبي مابين نگرش کاربر محور و داده محور در نظر گرفته شده، تفاوت آنها با ارائه داده‌هاي حاصل از هر يک از نگرش‌ها بيان شده است. نهايتا با در نظر گرفتن نتايج، اين راهکار توانسته است با نرخ تشخيص بيش از ۹۶٪ و نرخ اعلان اشتباه کمتر از ۰/۶٪ تهديدهاي خودي را شناسايي نمايد. همچنین، راهکار نسبت به راهکارهاي مشابه از وابستگي کمتري به داده‌هاي عيني برخوردار بوده و نيز رويه پيش پردازش آن شفاف بوده و به همين دليل از بسط‌ پذيري قابل توجهي برخوردار است، به همين دليل استفاده از آن در ساير سناريوها نيز ممکن خواهد بود.

در این مقاله روشی جهت کاهش پیچیدگی محاسباتی استاندارد VVC براساس محتوای بصری با توجه به تاثیر ابزارهای کدکردن ویدئو در این استاندارد پیشنهاد شده است. به دلیل تاثیر زیاد عملیات تخمین و جبران حرکت در افزایش پیچیدگی محاسباتی کدگذار، در این مقاله محتواهای با حرکات زیاد انتخاب و ابزارهای مربوط به محاسبه تخمین و جبران حرکت مورد بررسی قرار گرفتند. در روش پیشنهادی این مقاله با جداسازی قسمت پیش‌زمینه از پس‌زمینه و بررسی ابزارهای کدکردن خاص استاندارد VVC فقط برای قسمت پیش‌زمینه، محاسبات لازم برای برآورد و تخمین حرکت را کاهش داده و ابزارهای کدکردن با محاسبات بالا، تنها برای بخش دارای حرکات زیاد ویدئوها یعنی پیش‌زمینه استفاده می‌شوند. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی می‌تواند تنها با کاهش ۱ درصدی کارایی فشرده‌سازی منجر به کاهش ۱۰ درصدی زمان انجام عملیات کدگذاری نسبت به روش مرجع استاندارد VVC شود.

در این مقاله به ارائه شبکه تجمیع عصبی بازسازی کننده (RNAN: Regenerative Neural Aggregation Network) پرداخته می‌شود. این شبکه دنباله‌ای با تعداد متغییر از فریم‌های چهره در ویدئو را به عنوان ورودی دریافت کرده و بعد از ترمیم و بازسازی فریم‌ها یک بازنمایی فشرده با ابعاد ثابت از ویژگی فریم‌ها را تولید می‌کند. شبکه RNAN پیشنهادی دارای سه بخش اصلی است. بخش اول شبکه، فریم‌ها را دریافت می‌کند و با استفاده از شبکه مولد تقابلی به بازسازی چهره یا ترمیم کیفیت فریم‌های با کیفیت پایین می‌پردازد. بخش دوم شبکه، یک شبکه باقیمانده‌ای (ResNet) است که برای استخراج ویژگی از فریم‌ها استفاده می‌شود. در نهایت بخش سوم، تعدادی ویژگی استخراج شده از فریم‌ها را دریافت کرده و یک بردار واحد تجمیع شده را به عنوان خروجی تولید می‌کند. این خروجی در تایید هویت و بازشناسی چهره در ویدئو استفاده می‌شود. کارایی دو بخش انتهایی شبکه بر روی مجموعه داده IJB-A مقایسه شده و نتایج نهایی بر روی مجموعه داده ارائه شده TV-Dataset بیان می‌شود. نتایج نشان می‌دهند که شبکه RNAN به صورت قابل مشاهده‌ای نسبت به شبکه‌های تجمیع ساده بهتر عمل می‌کند.

پیشرفت‌های اخیر در حوزه فناوری سبب شده است که سازمان‌ها ناگزیر به انتخاب رویکردهای مبتنی بر آمادگی، انعطاف‌پذیری و تطابق با روش‌های نوین انجام کار باشند. فناوری ‌اطلاعات پر شتاب، همسو با تحول دیجیتال، نیازمند نگرشی کل‌نگر و اثربخش در طراحی بومی، پیاده‌سازی در ابزارهای ITSM و جاری‌سازی روش‌های مدیریت خدمات فناوری اطلاعات در سازمان‌ها است. مدیریت حادثه یکی از روش‌های مدیریت خدمات فناوری اطلاعات است که با تداوم کسب و کار رابطه تنگاتنگ داشته و بهبود عملکرد پاسخگویی در این روش از اهمیت بسزایی برخوردار است. از این‌رو، در این پژوهش با الهام از مدل‌های ارزیابی بلوغ قابلیت و تمرکز بر چارچوب ITIL4، مدلی برای ارزیابی بلوغ قابلیت مدیریت حادثه ارائه شده است. در این مدل با توجه به عوامل موفقیت روش مدیریت حادثه، معیار های ارزیابی متناسب با سطح بلوغ، با چهار بعد مدیریت خدمات نگاشت شده و شواهد مورد نیاز جهت تحقق تعیین شده است.

تبدیل تصویر به تصویر با هدف تبدیل یک تصویر از دامنه مبدأ به دامنه مقصد بدون دسترسی به مجموعه داده آموزشیِ جفت شده یکی از چالش‌های این زمینه است. در این میان CycleGAN به نحو موفقیت آمیزی توانست با معماری خاص خود و استفاده از مفهوم Cycle Loss، از توانمندی شبکه‌های مولد تخاصمی در این کاربرد استفاده کند. در این مقاله با تغییراتی در معماری اصلی CycleGAN که با اضافه شدن دو تفکیک کننده در خروجی بخش Resnet مولدها انجام می شود، عملکرد مولدها بهبود داده شود. نتایج کمّی بر اساس سه معیار ارزیابی و همچنین مقایسه بصری نتایج نشان دهنده بهبود عملکرد معماری پیشنهادی نسبت به معماری اصلی شبکه CycleGAN است.

بازشناسی احساس از گفتار، یک زمینه‌ی فعال تحقیقاتی در حوزه پردازش گفتار محسوب می‌شود. اما علیرغم پیشرفت‌های گسترده‌ای که در حوزه‌ی یادگیری ماشین حاصل شده است، کارایی سیستم‌های بازشناسی احساس از گفتار چندان مطلوب نمی‌باشد. یکی از اصلی‌ترین دلایل آن کمبود دادگان احساسی خصوصا از نوع برچسب‌دار است. در این مقاله، با الهام از پژوهش‌های انجام شده در این حوزه به یکی از راه‌حل‌های فراگیر چند سال اخیر در رابطه با افزایش دادگان یعنی شبکه‌های مولد رقابتی پرداخته می‌شود. معماری در نظر گرفته شده یک شبکه‌ی مولد رقابتی چرخشی است که با استفاده از یک مجموعه داده‌ی بدون برچسب سعی می‌کند به تولید بردارهای ویژگی جدید که بازنمایی از یک احساس مورد نظر در مجموعه داده‌ی برچسب‌دار هستند بپردازد و به این شکل منجر به افزایش داده برای مجموعه داده‌ی برچسب‌دار می‌شود. این مدل بر روی دو مجموعه‌‌ی دادگان‌ IEMOCAP و ShEMO ارزیابی شده است. نتایج حاصل حاکی از آن است که استفاده از بردارهای ویژگی تولید شده توسط شبکه در کنار بردارهای ویژگی واقعی برای مجموعه‌‌ی دادگان‌ IEMOCAP و ShEMO، به ترتیب باعث بهبود بازخوانی به میزان ۱۴درصد و نه درصد با استفاده از دسته‌بند ANN و نه درصد و ده درصد با استفاده از دسته‌بند CNN می‌شود.

دسته‌بندی محصولات زراعی یکی از مهم‌ترین کاربردهای سنجش‌ از دور در کشاورزی است. دانستن اینکه چه محصولاتی در مزارع وجود دارد هم در مقیاس خرد و هم در مقیاس کلان بسیار ارزشمند است. به عنوان مثال از این اطلاعات می‌توان برای طراحی و اجرای سیاست‌های کشاورزی، مدیریت محصول و تضمین امنیت غذایی استفاده کرد. همچنین از این اطلاعات می‌توان به عنوان یک پیش‌نیاز برای اجرای سایر برنامه‌ها در مقیاس مزرعه مانند نظارت و تشخیص ناهنجاری در طول چرخه رشد محصولات استفاده کرد. ما در این مقاله با همجوشی داده‌های سری زمانی ماهواره‌ی سنتینل-۱ و سنتینل-۲ در قالب یک روش یادگیری خود نظارتی با بهره‌گیری کامل از اطلاعات موجود در داده‌های نوری و راداری سنتینل به ‌صحت ۹۸٪ رسیدیم و نشان دادیم که عملکرد مدل در مقایسه با مدل‌های قبلی در برابر انسداد ابر بهبود یافته و مدل در برابر مجموعه‌داده‌های کوچک و نامتعادل مقاوم است.

شبکه‌های عصبی عمیق تاثیر بسزایی در افزایش کارایی الگوریتم‌های بینایی ماشین از جمله طبقه‌بندی و بخش‌بندی تصاویر داشته‌اند. با توجه‌ به اهمیت گندم در تغذیه بخش بزرگی از جمعیت کره زمین و همچنین اهمیت نظارت و نگهداری از این محصول خوراکی (غالبا به شکل تحلیل خوشه‌ها)، تشخیص خوشه‌های گندم در تصاویر گیاهان به جهت مشاهده سلامت، مرحله رشد، وجود شاخک‏‌ها و غیره امری مهم به شمار می‏رود. در این مقاله به منظور تشخیص خوشه‌های گندم در تصاویر از مدل‌های عمیق موجود در حوزه بخش‌بندی و تشخیص اشیا شامل چهار مدل FASTER-RCNN ،MASK-RCNN ،CASCADE-RCNN و HTC که جزو بهترین مدل‌ها در این زمینه هستند و در سال‌های اخیر ارائه شده‌اند، استفاده شده است. همچنین برای بهبود نتایج از روش‌های یادگیری انتقالی، آگمنت تصاویر و DetectoRS بهره‌گیری شده است. نتایج حاصل از آموزش و ارزیابی این مدل‌ها برای تشخیص خوشه‌های گندم موجود در مجموعه داده GWHD نشان داد که استفاده از منطق برگشتی موجود در رویکرد CASCADE موجب افزایش سه و نیم درصدی دقت شده و همچنین سرعت آموزش در مدل HTC را نیز بالا می‌برد. استفاده از پیشنهادات طراحان DetectoRS نیز این بهبود نتایج را قوت می‌بخشد. بکارگیری روش آگمنت تصاویر سبب افزایش ۱.۲ درصدی دقت برای مدل HTC می‌شود. از میان مدل‌های آموزش دیده مدل DetectoRS-HTC بهترین کارایی را برای تشخیص خوشه‌های گندم دارد و توانست به بهبود ۴.۸ درصدی در مقایسه با پیاده‌سازی پایه‌ی طراحان مجموعه داده GWHD (مدل FASTER-RCNN) دست پیدا کند.

استاندارد BPMN2.0، یکی از پرکاربردترین و محبوب‌ترین زبان‌های مدل‌سازی فرآیندهای کسب و کار است؛ این استاندارد در عین داشتن قابلیت فهم بالا داراي ماهيتي غير صوري است. اين ویژگی مي‌تواند کارهایی مثل صحت‌سنجي فرآيندها و یا انجام انواع تحلیل‌های کمی مثل ارزيابي کارايي آن را با دشواری‌هایی روبرو کند. در تحقيقات پيشين، روش‌های مختلفی به منظور صوری‌سازی مدل‌های فرآیندی BPMN2,0 ارائه شده‌است، از جمله: نگاشت آن به شبکه‌های پتری، توصیف جبری آن و یا استفاده از سایر روش‌های صوری. در این پژوهش، بر مبنای یک نگاه عام و مستقل از زبان مدل‌سازی به مدل‌های فرآیندی و بر مبنای الگوهای جریان کنترلی پایه‌ای، نگاشتی بین مدل‌های فرآیندی BPMN2.0 و یکی از گسترش‌های شبکه‌های پتری به نام شبکه‌های پتری جریان کار ارائه شده‌است.این نگاشت نسبت به روش‌های پیشین، سازگاری بهتری با اجزای مدل‌های فرآیندی BPMN2.0 دارد و نسبت به نگاشت به شبکه‌های پتری کلاسیک، پیچیدگی کم‌تری داشته و تعداد اجزای مدل مقصد، کم‌تر است.