انجمن کامپیوتر ایران

همراه با رشد روزافزون دستگاه‌های هوشمند، مفهوم اینترنت اشیاء نیز توسعه پیداکرده است. افزایش تعداد این اشیا هوشمند سبب افزایش تولید حجم داده‌ها و بار‌های محاسباتی در مقیاس‌های وسیع شده است. به همین دلیل رایانش ابری، به‌عنوان راه‌حل اصلی جهت کنترل این بارها استفاده می‌شود. بااین‌حال، زمان‌بر بودن پردازش بار‌ها در ابر، هنوز به‌عنوان مسئله اصلی در حوزه شبکه‌های توزیع‌شده مطرح است. پردازش بار‌های کاری در لبه‌‌های شبکه می‌تواند موجب کاهش این زمان پاسخ شود؛ اما از سوی دیگر با آوردن پردازش بار‌ها از مراکز داده‌ها (متصل به برق) به سمت لبه‌های شبکه، منجر به محدودیت انرژی می‌شود. بنابراین لازم است بار‌های کاری به شکلی متوازن میان ابر‌ها و لبه‌های شبکه توزیع شوند. در این مقاله به‌منظور ایجاد تعادل میان مصرف انرژی در لبه شبکه و تأخیر بار‌های کاری در ابر‌ها، روشی مبتنی بر سیستم‌های دسته‌بند یادگیر ارائه‌شده‌ است. نتایج حاصل از شبیه‌سازی نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های پیشین، به شکل متعادل‌تری بارها را توزیع می‌کند. روش پیشنهادی سبب کاهش ۴۲ درصدی تأخیر بارهای کاری و همچنین کاهش مصرف انرژی در لبه شبکه می‌شود.

فرآیند‌های کسب‌وکار نقطه برآیند تمام موجودیت‌ها و دارایی‌های سازمان در جهت پاسخ به نیازمندی‌های کسب‌وکار است. از این رو مدیریت فرآیند‌های کسب‌وکار یکی از دغدغه‌های همیشگی سازمان است. با تغییر نیازمند‌ها و شرایط کسب‌وکار روش‌های سنتی مدیریت فرآیند‌های کسب‌وکار توانایی پاسخگویی خود را از دست داده‌اند و روند‌های جدید مدیریت فرآیند کسب‌وکار با بهره‌گیری از توانمندی‌های فناوری‌های جدید برای تطبیق بیشتر با نیاز‌های جدید شکل گرفته‌ است. فرآیندکاوی و روش‌های زیر مجموعه آن از قبیل رویکرد‌های مختلف پایش پیش‌بینی کننده فرآیند‌های کسب‌وکار از مهم‌ترین این روش‌ها هستند که در بهبود فرآیند‌ها و همراستایی آنها با کسب‌وکار از طریق تخمین‌‌های‏ برخط و برون خط نقش بسزایی ایفا می‌کنند. عملیاتی‌سازی روش‌ها و ابزارهای جدید مدیریت فرآیند‌ها در سازمان و توانمندی تجزیه و تحلیل عملیاتی مختلف فرآیند‌های کسب‌و‌کار نیازمند حمایت و بسترسازی معماری سازمانی است. از سوی دیگر روش‌های فرآیندکاوی و پایش پیش‌بینی کننده فرآیند‌ها برای به‌روز رسانی لایه‌های معماری سازمانی در جهت پشتیبانی از تحول در سازمان استفاده می‌شوند. از این رو این مقاله به تشریح تعامل و ارتباط روند‌های جدید مدیریت فرآیند‌های کسب‌وکار در تحول دیجیتالی با معماری سازمانی پرداخته است و در ادامه هشت ابزار از ابزارهای مهم حوزه فرآیندکاوی و پایش پیش‌بینی کننده فرآیند‌های کسب‌وکار را معرفی و مقایسه کرده است.

جهت افزایش کیفیت زندگی و کنترل منابع در دسترس و مورد استفاده‌‌ی بشر و با توجه به پیشرفت فناوری زندگی به کمک محیط، نیازمند بازشناسی فعالیت‌‌های انسانی در محیط‌‌های هوشمند هستیم. این‌‌گونه می‌‌توان به دنبال پیش‌‌بینی فعالیت، مکان، زمان و نوع حسگر بعدی مورداستفاده‌‌ی افراد را پیش‌‌بینی کرد. فعالیت‌‌های انسانی به‌‌وسیله‌‌ی شبکه‌‌های عصبی می‌‌توانند بازشناسی شوند و ما توسط شبکه‌‌های عصبی بازگشتی به انجام این کار پرداخته‌‌ایم. به‌‌منظور افزایش سرعت، تنظیم پارامترهای شبکه را به الگوریتم ژنتیک سپرده‌‌ایم. پس از ارزیابی روش پیشنهادی روی سه مجموعه داده‌‌ی معیار، به نتایج نسبتاً بهتری در مقایسه با بهترین روش‌‌های پیشین، آن‌‌هم در تعداد لایه‌‌ها و نورون‌‌های کمتری دست‌‌یافته‌‌ایم که این امر موجب کاهش زمان اجرای کلی الگوریتم نیز شده است.

جویبارسازی تطبیقی ​​امکان تطبیق نرخ بیت پویا با شرایط مختلف شبکه را فراهم می‌کند تا از کیفیت تجربه کاربران اطمینان حاصل کند. در این مقاله، یک الگوریتم تطبیق نرخ بیت ارائه شده است که نرخ بیت ویدیو را بر اساس سطح بافر پخش و پهنای باند برآورد شده تعیین می‌کند. روش پیشنهادی تغییرات ناگهانی و بزرگ را در سطح کیفیت کاهش می‌دهد و حداقل طول بافر از پیش تعریف شده را برای کاهش احتمال وقوع وقفه، حفظ می‌نماید. روش پیشنهادی در سناریوهای تک مشتری با روش های دیگر مقایسه شد. طبق آزمایشات در شرایط مختلف شبکه، روش پیشنهادی سطح کیفیت بالا همراه با تغییرات آرام‌تر در سطح کیفیت را در مقایسه با روش دیگر ارائه می‌دهد و با حفظ حداقل سطح بافر، تاحد امکان از ایجاد وقفه جلوگیری می‌نماید.

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.

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.

واقعیت مجازی یک روش جدید برای استفاده از رایانه برای بازسازی دنیای واقعی است. می‌توان واقعیت‌های سخت و صعب‌الوصول را با این تکنولوژی ایجاد کرد و امکان دیدن، شنیدن، لمس کردن و اصلاح آیتم‌های موجود در فضا را به کاربر داد. شرکت‌های بزرگ زیادی در سراسر جهان به طور فعال در استفاده از تکنولوژی واقعیت مجازی برای انواع حوزه های کاربردی از جمله ارتباطات راه دور، سرگرمی، مدیریت تولید و مونتاژ، مراقبت‌های بهداشتی، طراحی دیجیتال و فروش و بازاریابی محصولات مشغول به فعالیت هستند. سیستم‌های جدید VR قابلیت‌های روزافزونی را برای گسترش ادراک، توسعه خلاقیت و تعامل اجتماعی انسان به روشی منحصر به فرد ارائه می‌دهند. هدف از این تحقیق بررسی بیماری اوتیسم (درخودماندگی) در افراد مبتلا به این بیماری و تاثیر واقعیت مجازی در بهبود اختلالات رفتاری بیمار می‌باشد. یکی از روش‌های موثر برای شناسایی و درمان رفتارهای بیماران اوتیسمی استفاده از شبیه‌سازی محیط و قرار دادن فرد در محیط شبیه به محیط واقعی و مطالعه رفتار اوست. برای این منظور از تکنولوژی واقعیت مجازی استفاده می‌شود. در این مطالعه یک سناریوی مشخص رفتاری برای فرد بیمار شبیه‌سازی شده و در چندین مرحله عکس‌العمل‌های بیمار را ثبت کرده و ارزیابی لازم را انجام داده‌ایم و بر اساس نتایج بدست آمده، دسته‌بندی‌های لازم صورت گرفته 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.

امروزه از جمع‌سپاری به‌عنوان یکی از عوامل مهم برای انجام کارها توسط افراد دارای تجربه و مهارت کافی، در مدت زمان مناسب یاد می‌شود. جمع‌سپاری اغلب برای حل مسائلی استفاده می‌شود که حل آن مسائل توسط هوش مصنوعی امکان‌پذیر نیست و یا مقرون‌به‌صرفه نمی‌باشد. یکی از عوامل مهم در بدست آوردن نتیجه مناسب برای کار برون‌سپاری شده شفافیت کار است. هرچه این شفافیت بیشتر باشد، کارجو دید و پیش‌زمینه بهتری از کار، خواسته‌های کارفرما و نحوه انجام آن بدست می‌آورد که نتیجه این دید بهتر افزایش بهره‌وری کارجو و سپس بدست آوردن نتایج بهتر می‌شود. در این پژوهش به بررسی اثر شفافیت کار بر بدست آوردن پاسخ‌های ارائه شده در سیستم‌های پرسش‌و‌پاسخ پرداخته‌ایم و مدلی مبتنی بر روش های آماری و فازی برای محاسبه این شفافیت ارائه کرده‌ایم. همچنین عملکرد این مدل را در مقایسه با روش‌های موجود ارزیابی نموده و نشان داده‌ایم که عملکرد مدل ما در ارزیابی شفافیت سؤال که منجر به احتمال بالاتر پاسخ گرفتن سؤال می‌شود بهتر از روش‌های مشابه 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.

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.

در سال‌های اخیر سازوکار خود-توجه به کارآمدترین رویکرد در حل مسائل پردازش دنباله مانند پردازش زبان طبیعی، و بازشناسی خودکار گفتار تبدیل شده است. سازوکار خود-توجه توانایی بالایی در استخراج وابستگی بین نمونه‌های درون دنباله ورودی، به خصوص نمونه‌های فاصله‌دار، را دارد. همچنین، این سازوکار امکان پردازش موازی دنباله را فراهم می‌سازد. در نتیجه، سازوکار خود-توجه نسبت به روش‌هایی مانند شبکه‌های عصبی بازگشتی، توانایی بالاتری در استخراج ویژگی‌های مناسب از دنباله ورودی را دارد، و سریع تر نیز است. با این وجود، شبکه عصبی بازگشتی به همراه استخراج ویژگی دستی از دنباله ورودی، رویکرد مرسوم در مسئله تشخیص دست نوشته برخط است. در این پژوهش، مدلی انتها-به-انتها مبتنی بر سازوکار خود-توجه و تابع خطا CTC، برای تشخیص دست نوشته برخط معرفی شده است، که توانایی تشخیص دست نوشته از دنباله ورودی بدون استخراج ویژگی به صورت دستی را دارد. مدل پیشنهادی بر روی دادگان عربی برخط "خط" ارزیابی شده است. مدل پیشنهادی نرخ خطای نویسه (CER) ٪۷.۶۹ و نرخ خطای کلمه (WER) ٪۳۰.۲۲ را بر روی دادگان "خط" بدست آورده است، که نسبت نتایج پیشین به میزان قابل توجهی بهبود داشته است.

در این مقاله روش بهینه‏سازی جدیدی با الهام از حرکت کاتورهای مولکولهای گاز در فضا پیشنهاد شده است. الگوریتم پیشنهادی، الگوریتم بهینهسازی حرکت کاتورهای گازها یاGases Brownian Motion Optimization (GBMO) نامیده می‏شود. ماهیت کاتورهای در حرکت مولکولهای گاز به آنها این توانایی را میدهد که به سرعت فضایی که در آن قرار میگیرند را پیموده و در کل آن فضا انتشار یابند. در الگوریتم پیشنهادی با استفاده از این خصوصیت مولکولهای گاز و با مدلسازی حرکت جنبشی آنها، روشی کارا برای جستجوی فضای مسائل بهینهسازی پیشنهاد شده است. نتایج بدست آمده از الگوریتم GBMO در مقایسه با نتایج حاصل از اجرای الگوریتمهای PSO، ICA و GAنشان دهنده عملکرد بهتر و سرعت بالاتر این الگوریتم در یافتن در راهحل بهینه است.

استفاده از ساختار ارتباطي شبکه هاي روي تراشه در سيستم هاي چند پردازنده روي يک تراشه، ايده جديدي است که از اوايل دهه 1990 شکل گرفته است و با وجود ارائه ساختارها و مدل هاي گوناگون براي آن، هنوز با مسايل حل نشده اي روبرو مي باشد. به طور کلي، اين ايده در تقابل با ساختار گذرگاه مطرح شده است. يعني عموماً ادعا مي شود که اين ساختار مزايايي دارد که استفاده از آن را منطقي تر از ساختار گذرگاه مي نمايد. از مزايايي که به عنوان نمونه مي توان به آن ها اشاره کرد، سرعت بيشتر، مصرف انرژي کمتر در انتقال حجم زياد اطلاعات و سيستم ساختاريافته تر است. با اين حال موردي که هميشه در سيستم هاي کامپيوتري وجود دارد اين است که يک روش نمي تواند سيستم را در همه زمينه ها بهينه کند و همواره يک مصالحه بين پارامترهاي روش هاي مختلف صورت مي گيرد تا روش برتر انتخاب گردد. در اين مقاله روشي ارائه شده است که يک سيستم بتواند به صورت پويا و با به کار گيري ترکيبي از دو ساختار گذرگاه داده و شبکه روي تراشه، از مزاياي هر دو آن ها بهره برده تا بهبود کارايي حاصل شود.

آتاماتاي يادگير ابزاری قوی است که در يك محيط تصادفی ناشناخته عمل كرده و به مرور زمان كارايي خود را از طريق يك فرايند يادگيري بهبود مي­دهد. آتاماتاهاي يادگير در حل مسائل بهينه سازي بسيار خوب عمل مي­كنند و يكي از ويژگي­هاي بارز آنها قابليت يادگيري مي­باشد. مساله بهینه سازی را می­توان یافتن نقطه تعادل یک بازی دانست که در آن هر بازیکن یک مقدار از بعد متناظر خود در فضای جستجو را انتخاب می­کند. در اين مقاله يك الگوريتم تركيبي تکاملی كه از تركيب آتاماتاي يادگير و مفاهیم نظریه بازیها حاصل مي­شود براي حل مسائل بهينه سازي پيشنهاد مي­گردد. آزمایش­های انجام شده کارایی این روش را به خوبی نشان می‌دهد.

در اين تحقيق، روشي کارا براي بازيابي تصاوير ارائه شده که در آن، بر اساس آموزش، نتايج طي فرآيندي ترکيبي، بصورت مرتب شده به کاربر ارائه مي‌شود. در روش پيشنهادي، از اطلاعات متني موجود در کنار تصاوير براي استخراج ويژگي‌هاي معنايي و از محتواي تصاوير به منظور استخراج ويژگي‌هاي بصري و‌ آموزش مدل مرتب ‌سازي استفاده مي‌شود. مدل مرتب ‌سازي تابعي است که تصاوير پرس‌وجو و مجموعه‌داده را بعنوان ورودي دريافت کرده و نتايج را بصورت مرتب بر روي خروجي مي‌فرستد. در اين مقاله، ماژول بصري، ورودي‌اش را از ماژول متني دريافت نموده و خروجي آن، به منظور توليد و بهبود نتايج نهايي، با نتايج ماژول متني ترکيب مي‌شود. از آنجا که معيار کارايي مورد استفاده، به ازاي هر پرس‌وجو محاسبه مي‌شود، در روش پيشنهادي از فرآيندِ آموزشي تکراري استفاده شده که در آن، معيار کارايي هر پرس‌وجو، در تمامي مراحل فرآيند تأثير گذار است. نتايج بدست آمده از اعمال روش ارائه شده بر روي مجموعه داده ImageCLEF، نشان دهنده کارايي بالاي اين روش در مقايسه با ساير تحقيقات قبلي انجام شده است.

سيستم¬هاي¬ توصيه¬گر روشي را براي ايجاد پيشنهادات شخصي¬سازي شده از روي اطلاعات موجود ارائه مي¬دهند که مي¬توانند نقش مهمي را در سيستم¬هايي نظير تجارت الکترونيک و شبکه¬هاي اجتماعي ايفا نمايند. يکي از الگوريتم¬هايي که براي ايجاد پيشنهاد در اين سيستم¬ها استفاده مي¬شود، الگوريتم فيلترينگ همکارگونه ¬ مي¬باشد. اين مقاله به بررسي گونه¬اي از اين الگوريتم¬ها به نام الگوريتم مبتني بر حافظه مي¬پردازد و کارآيي و کيفيت آن را در سيستم¬هاي توصيه¬گر مورد ارزيابي قرار مي¬دهد.

در اين مقاله، نسخه بهبود يافته اي از الگوريتم بهينه ساز جمعيت مورچگان باينري با ترکيب روشهاي کلاسيک براي مساله انتخاب ويژگي ارائه شده است. در روش پيشنهادي با استفاده از اطلاعات بدست آمده از روشهاي انتخاب پيش رو و حذف پس رو ترم بينايي در الگوريتم مورچگان باينري تقويت مي شود. روش پيشنهادي در مساله انتخاب ويژگي در طبقه¬بندي معنايي تصوير و بازشناسي ارقام دستنويس فارسي آزموده شده و نتايج حاصل از آزمايشها ارائه شده است. همچنين، براي ارزيابي کارايي روش پيشنهادي، نتايج آزمايشها با روشهاي الگوريتم بهينه ساز جمعيت مورچگان باينري و الگوريتم وراثتي باينري مقايسه شده است. نتايج بيانگر کارايي مناسب الگوريتم پيشنهادي است.

شبكه‌هاي عصبي خودسازمان‌ده دسته مهمي از شبكه‌هاي عصبي هستندکه با وجود توانايي بالا، مشکلاتي از جمله سرعت آموزش و اجراي پايين دارند. علت اين مسئله لزوم مقايسه ورودي با همه¬ي نورون¬هاي شبکه به منظور يافتن نورون برنده مي-باشد. هزينه محاسباتي اين شبكه¬ها با افزايش اندازه شبكه به صورت خطي افزايش مي¬يابد. از شبکه¬هاي خودسازمان¬ده سلسله-مراتبي مي¬توان براي افزايش سرعت در زمان آموزش و اجرا استفاده نمود در اين حالت، به دليل عدم مقايسه داده ورودي با کليه نورون‌هاي شبکه مي‌توان به سرعت يادگيري و بکارگيري بيشتري در شبکه دست يافت. بنابراين اگر شبکه¬اي با N نورون داشته-باشيم در حالت يک سطحي به N مقايسه نياز مي¬باشد ولي در شبکه¬اي با L سطح، تعدا مقايسات به کاهش مي¬يابد. اين امر خصوصاً در شبکه‌هاي بزرگي که قرار است با حجم زيادي داده آموزش داده شوند حائز اهميت است. در اين مقاله يک شبکه عصبي خودسازمان‌ده رشديابنده سلسله¬مراتبي جديد با هدف افزايش سرعت آموزش و بکارگيري معرفي شده است همچنين اين شبکه تعداد پارامترهاي کمتري نسبت به ساير شبکه¬هاي خودسازمان¬ده دارد. نتايج آزمايش‌هاي تجربي صورت گرفته نشان‌دهنده سرعت بالاي روش پيشنهادي (حدوداً 5برابر) در مقايسه با شبکه¬ي رشديابنده يک سطحي است. اين در حالي است که دقت شبکه تغيير چنداني نداشته است.

در اين مقاله، يک مدل محاسباتی مبتنی بر معناشناخت صوری همراه با منطق فازی برای تعيين اعتماد ارائه شده است. اين مدل برای ارزيابی اعتماد در شبکه‌های بزرگ و پيچيده که چندين مسير مختلف بين اعتمادکننده و اعتمادشونده وجود دارد مناسب است. روش‌های ارائه شده در کارهای پيشين محدود به شبکه‌های ساده بوده و برای پياده‌سازی در اين نوع شبکه‌ها کارآمد نيستند. در مدل پيشنهادی از عملگرهای ساده‌تری استفاده شده است که علاوه بر سربار محاسباتی کمتر، نتيجه حاصل از آن دارای دقت بهتر و کارايی بالاتر است. مدل پيشنهادی در يک قالب مناسب صوری ارائه شده و روی يک شبکه نمونه آزموده شده است، که نشان می‌دهد ميزان عدم قطعيت در سيستم محدودتر شده و کارايی محاسباتی آن نيز بالاتر است.