انجمن کامپیوتر ایران

خوشه‌بندي گره‌ها در شبکه‌هاي حسگر یکی از روش‌هاي موثر در طولانی کردن عمر این شبکه‌ها بشمار می‌آید. در این مقاله الگوریتمی مبتنی بر اتوماتاهاي یادگیر جهت خوشه‌بندي گره‌ها (LACA) در شبکه‌هاي حسگر پیشنهاد می‌گردد. الگوریتم پیشنهادي یک الگوریتم توزیع شده است و مستقل از اندازه و ساختار شبکه حسگر عمل می‌کند. کارایی الگوریتم پیشنهادي از طریق شبیه‌سازي و مقایسه نتایج بدست آمده با نتایج روش‌هاي پیشین مورد ارزیابی قرار گرفته است. نتایج بدست آمده حاکی از کارایی بالاي الگوریتم پیشنهادي است.

واحد (Multiplier Accumulator) MAC سریع با استفاده از تسهیم کننده‌های ترانزیستور عبور ارائه شده است. در بخش تولید حاصلضرب‌های جزئی از الگوریتم مبنای چهار بوت تصحیح یا فته بهره برده شده است. در قسمت کاهش حاصلضرب‌های جزئی کمپرسور 2-4 بر اساس تسهیم کننده‌های ترانزیستور عبور معرفی گشته‌ است. به دلیل عملکرد مناسب تسهیم کننده‌ها، تعداد مرحله‌های مسیر بحرانی دروازه ها حداقل شده است و در نتیجه مدارهای جدید دارای سرعت بالاتر نسبت به مدارهایCMOS معمول هستند. جمع کننده پیش بینی کننده رقم نقلی با زنجیره نقلی منچستر پیاده‌سازی شده است. در پیاده‌سازی جمع کننده از منطق DCVS استفاده گردیده است. جمع کننده ارائه شده مشکل هماهنگی تاخیر مدار قبلی را از بین برده است. بدترین حالت در جمع کننده پیش بینی کننده رقم نقلی از نظر توان مصرفی 25٫8 ٪ کاهش داشته است. زمان ضرب ns 4،4 در منبع تغذیهv 2،5 می‌‌باشد. در مجموع واحد ضرب کننده ارائه شده 45*45 بیت در مقایسه با طرح‌های مشابه از نظر توان مصرفی 14٫62 ٪ کاهش، از نظر تاخیر 12٫1 ٪ کاهش و از نظر تعداد ترانزیستور 6٫72 ٪ کاهش داشته است.

مطالعات نشان داده است که بعد فرکتالی از ویژگی‌های مناسب برای توصیف خصوصیات بافت و تمایز آن‌ها از یکدیگر است. در این مقاله الگوریتم جدیدی برای تخمین بعد فرکتالی براساس تقسیم درخت‌های چهارتایی ارائه شده است. در روش پیشنهادی تصویر سطح خاکستری به صورت یک سطح سه بعدی در نظر گرفته می‌شود، که بعد فرکتالی آن با تجزیه سطح تصویر به بلوك‌های درخت چهارتایی حساب می‌گردد. با این روش مقادیر حساب شده بعد فرکتالی برای بافت‌های مختلف از تمایز خوبی برخوردار بوده كه منتج به قطعه‌بندی بافت‌ها با خطایی پایین می‌گردد. این الگوریتم در مقایسه با روش‌های قبلی کارآیی بهتری را در ایجاد تمایز مابین بافت‌ها به ویژه در مواردی که بافت‌های مورد بررسی تباین‌های متفاوتی دارند، فراهم می‌کند.

در این مقاله، بخش‌های مختلف یک واحد تولید بخار، بر اساس روش ترکیبی محاسباتی نرم متشکل از سیستم‌های منطق فازی، شبکه‌های عصبی و الگوریتم ژنتیک برای بررسی رفتار دینامیکی آن مدل شده است. در این روش ترکیبی، روش بهینه‌سازی الگوریتم ژنتیک برای استخراج قوانین بهینه اگر- آنگاه فازی مدل‌های پیشنهادی استفاده شده است. این درحالی است که پارامترهای توابع عضویت با استفاده از تکینیک‌های محاسباتی شبکه‌های عصبی تنظیم می‌گردد. برای این منظور، روش پس انتشار خطا در الگوریتم یادگیری بکار رفته است. فرآیند یادگیری بر اساس داده‌های تجربی بدست آمده از یک مجموعه کامل آزمایش‌های میدانی تهیه گردیده است. برای بررسی کارایی و صحت مدل‌های تهیه شده، پاسخ این مدل‌ها با رفتار واقعی مقایسه شده است. نتایج شبیه‌سازی، کارایی مدل‌های تهیه شده و امکان استفاده از آن‌ها را با توجه به دقت مدل‌ها و انحراف کم پاسخ آن‌ها نسبت پاسخ سیستم واقعی، نشان می‌دهد.

روش‌های بهبود سیگنال گفتار که در حوزه تبدیل فوریه یا تبدیل موجک عمل می‌کنند، عموماً با ایجاد نویز موسیقی و اعوجاج در سیگنال گفتار همراه هستند. یکی از دلایل این امر حذف کامل نویز است، حال آنکه می‌توان بدون حذف کامل نویز و با باقی گذاشتن مقداری نویز زمینه، میزان اعوجاج سیگنال گفتار و نویز موسیقی را کمتر نمود. در مقاله حاضر باقی گذاشتن مقدارمعینی نویز در پس زمینه و سپس شکل دهی آن در یک سیستم حذف نویز مبتنی بر تبدیل ویولت مد نظر قرار گرفته است، برای شکل دهی نویز از یک الگوریتم کلاس‌بندی نویز استفاده شده است که بر اساس شکل طیفی نویز ورودی، نویز ورودی را به نویز دیگری که از نظر شنیداری خوشایندتر است تبدیل می‌کند. نتایج آزمایش‌های شنیداری و نظری بیانگر آن است که سیگنال‌های بهبود یافته با استفاده از شکل دهی نویز، دارای اعوجاج گفتاری کمتر و نویز پس زمینه خوشایندتری نسبت به سیگنال‌های بهبود یافته بدون شکل‌دهی نویز با استفاده از سیستم پایه حذف نویز ویولت هستند.

یادگیري در همه زمان ها و همه مکان ها، از ایده آلهاي بشر است که با یادگیري اینترنتی سیار تا حدودي تحقق می یابد. به جهت نیاز به اشتراك منابع و داده ها بین یادگیرندگان و یاددهندگان، بستر کاري در این نوع یادگیري، گرید سیار است. با توجه به این که محیط یادگیري سیار است و یادگیرنده ممکن است در شرایط متفاوت، قصد یادگیري داشته باشد، اگر از اطلاعات زمینه آگاهی داشته و در یادگیري دخالت داده شود، می توان در جریان یادگ یري، اطلاعاتی را در اختیار وي گذاشت که با بیشترین احتمال، همان اطلاعات مورد نیاز یادگیرنده باش د. تمامی اطلاعات در قالب معنایی بیان می شود تا تحلیل آن راحت تر و دقیق تر انجام شود. اگر در چنین گریدي، مدیریت منابع به صورت مرکزي باشد، مشکلات زیادي وجود خواهد دا شت؛ علاوه بر آن، مدیریت منابع در گرید سیار به دلیل تغییرات سریع منابع موجود در گرید، از پیچیدگ یهاي خاصی برخوردار است. در این مقاله، روشی کاملا توزیع شده براي مدیریت منابع گرید در محیط گرید سیار یادگیري، ارائه می شود.

بسیاري از برنامههاي کاربردي تحت وب در معرض حملات SQL injection قرار دارند. در این برنامهها دادهها و اطلاعات مورد نیاز برنامه در جداول موجود در بانک اطلاعاتی ذخیره شده و در صورت نیاز، بازیابی میشوند. دسترسی به این اطلاعات نیز از طریق اجراي پرس و جو هاي ایجاد شده در برنامه بر روي بانک اطلاعاتی صورت میگیرد. به طور کلی یک حمله از نوع SQL injection زمانی اتفاق میافتد که ورودي دریافت شده از سوي کاربر به عنوان بخشی از پرس و جو در نظر گرفته شود. در نتیجه ممکن است ساختار و به دنبال آن نتیجه اجراي پرس و جو با آنچه مد نظر برنامه نویس بوده است متفاوت باشد. در این مقاله از روش ایجاد یک درخت پویش Parse ) (Tree و گرامر اصلاح شده، از پرس و جو در زمان اجراي برنامه و تحلیل اجزاء آن، استفاده کرده ایم. زمان این روش نسبتأ سریع تر از روش هاي موجود است.

در سالهاي اخير به منظور بهبود صحت طبقه بندي تصاوير ابرطيفي الگوريتمهاي استخراج ويژگي زيادي مانند تحليل مولف ه هاي اصلي، نگاشت جستجوگر، استخراج ويژگي با مرز تصميم گيري و تبديل موجک مورد استفاده قرار گرفتن د. اين الگوريتمها فقط از اطلاعات طيفي تصاوير ابرطيفي استفاده مي کنند و به دليل حجم زياد داده ها و محدود بودن تعدا د نمون ه هاي آموزشي کارايي مطلوبي ندارن د. در اي ن مقاله با استفاده همزمان از اطلاعات طيفي و مکاني در استخراج ويژگيهاي خطي طيفي، صحت و اعتبار کلي طبقه بندي بهبود داده شده اس ت. در الگوريتم ارايه شده ، ابتدا فاصله هر پيکسل تا پيکسلهاي همسايه اش، متناسب با شباهتي که با آنها دارد، کم مي شو د و سپس با استفاده ا ز يک الگوريتم استخراج ويژگي خطي، ويژگيها استخراج مي گردد . در اين مقاله ثاب ت شده است که با اين عمل اطلاعات متقابل ويژگيها و کلاسها افزايش يافته و در نتيجه خطاي طبقه بندي کاهش مي ياب د. در مرحله دوم نقشه طبقه بندي با استفاده از ويژگيهاي به دست آمده از مرحله قبل و طبقه بندي کننده حداکثر احتمال حاصل میشود. نتايج حاصل از طبقه بندي داده هاي واقعي سنجنده AVIRIS و HYDICE نشان م يدهد كه الگوريتم پيشنهادي برا ي طبقه بندي داد ههاي ابرطيفي کارآمد بوده و مشكل محدود بودن تعداد نمونه هاي آموزشي را تا حد قابل توجهي جبران مي نمايد.