انجمن کامپیوتر ایران

از جمله سیستم‌های حافظه انجمنی مبتنی بر پویایی غیر تعادلی، مدل S-GCM است. این مدل نسبت به شبکه هاپفیلد از توانایی بالاتر ذخیره‌سازی و نرخ موفق تشخیص برخوردار است، ولی هنوز، به عنوان یک سیستم حافظه انجمنی دارای نقاط ضعفی است وآن نرخ ذخیره‌سازی و سرعت همگرایی پایین آن می‌باشد. در این مقاله، برای رفع مشکل S-GCM فرایند آموزش این شبکه را مورد توجه قرار داده‌ایم . از این رو بر اساس روش آموزش اسپارس و با در نظر گرفتن نحوه‌ی یادگیری انسان که امکان فراموشی آنچه که تکرار می‌گردد کم میشود، یک روش آموزش جدید در مدل S-GCM ارائه کرده و همگرایی آن را اثبات نموده‌ایم. نشان داده‌ایم که روش ما، جهت سنتز شبکهS-GCM در مقایسه با قانون یادگیری هب از گنجایش بیشتر ذخیره‌سازی اطلاعات و سرعت همگرایی بالاتری برخوردار می‌باشد.

يکي از عوارض خطرناک بيماري ديابت نوع يک افزايش و يا کاهش ناگهاني سطح غلظت قند خون مي‌باشد که باعث بروز خطراتي چون اغما و بيهوشي خواهد شد. بنابراين استفاده از روشي مناسب به منظور پيش بيني و در نهايت پيشگيري از اين عوارض گام مهمي درجهت کنترل بهينه بيماري محسوب مي‌شود. به همين منظور در اين مقاله سعي شده است تا به مقايسه شبکه‌هاي عصبي خود بازگشتي و شبكه عصبي پرسپترون سه لايه در فرايند پيش‌بيني نوسانات سطح غلظت قند خون بيماران مبتلا به ديابت نوع ۱ پرداخته شود. داده‌هاي پزشکي مورد استفاده در اين مقاله مربوط به ۳ بيمار زن ايراني مبتلا به ديابت نوع يک است که شامل الگوهايي چون نوع و دز انسولين تزريقي، فاصله زماني بين ساعات ثبت سطح غلظت قند خون و نيز سطح غلظت قند خون در ابتداي بازه زماني مي‌باشد. در پايان تحقيق با توجه به نتايج به دست آمده مشخص شد که شبکه‌هاي عصبي خود بازگشتي با کاهش تقريباً ۲۰ درصدي خطاي پيش بيني نسبت به ديگر روش‌هاي متداول و از جمله شبكه عصبي پرسپترون سه لايه، مي‌توانند به عنوان مدلي مناسب به منظور پيش‌بيني نوسانات سطح غلظت قند خون در بيماران مبتلا به ديابت نوع يک تلقي گردد.

در این مقاله کاربرد برنامه‌ای تکاملی در پارامتری کردن و بهینه‌سازی یک جامعه مصنوعی شبیه‌سازی شده، بررسی می‌گردد. جامعه مصنوعی که مورد استفاده قرار گرفته است، مد ل "فضای قندی" است که شامل یک فضای سلولی از منابع (قند یا دانه) و یک جمعیتی از عامل‌ها است که برای بقائشان به آن منابع نیازمندند و برای دست‌یابی به آن‌ها جستجو و حرکت می‌کنند. مقدار دانه‌ای که هر عامل جمع‌آوری می‌کند دارایی یا ثروتش به حساب می‌آید. این مدل با یک تساوی نا‌هموار از ثروت در جامعه شروع می‌شود و سپس عامل‌ها سرگرم جمع آوری هر مقدار دانه‌ای که می توانند، می‌شوند. در شبیه سازی‌ها، جمعیت با توجه به دارایی‌شان دسته‌بندی شده است و سپس درصدی از جمعیت که مالک درصدی از دارایی است، در نمودارها مشخص شده است. در " این مدل‌سازی از قانون "پارتو " استفاده شده و مشاهده تساوی یا عدم تساوی توزیع ثروت به کمک استفاده از "منحنی لورنز " صورت پذیرفته و همچنین ضریب جینی مورد بررسی قرار گرفته است. بدین ترتیب مدلی (مدل رفاه اجتماعی ) عرضه شده است که چگونگی توزیع ثروت را در جامعه شبیه سازی، بررسی و بهینه سازی می نماید.

این مقاله، اولین پیكره فارسی موازی با تعداد زیادی از زبان‌های اروپایی را معرفی می‌نماید. این مقاله، اولین قدم‌ها را برای ساخت منابع اساسی جهت پردازش زبان فارسی معرفی می‌نماید. این مرحله از كار شامل معرفی ویژگی‌های صرفی - نحوی زبان فارسی و رمزنگاری آنها بر پایه مدلEAGLES/MULTEXT و منابع خاصMULTEXT-East می‌باشد. این مقاله پس از معرفی مختصر زبان فارسی، با تاكید بر شیوه نگارش و ویژگی‌های صرفی- نحوی آن، به ارائه یک دسته‌بندی جدید برای مقوله‌های گفتاری فارسی پرداخته و رسم الخطی را جهت ارائه فارسی در محیط دیجیتال ارائه می‌نماید. پس از آن آماری از پیكره ساخته شده ارائه می‌شود. كار صورت گرفته منحصراً توسط افراد داوطلب و بدون هیچگونه پشتیبانی مالی و یا معنوی از سازمان خاص صورت گرفته است.

کیفیت سرویس در شبکه‌های سنسور تعاریف متفاوتی دارد که از آن جمله می‌توان به پوشش مناسب شبکه، تعداد ندهای فعال در یک زمان، صحت اطلاعات دریافتی در ند مرکزی و مدت زمان انتقال اطلاعات به ند مرکزی اشاره کرد. در این مقاله بر مبنای تعریف تعداد ندهای فعال به عنوان کیفیت سرویس، به ارائه‌ی روشی مبتنی بر اتوماتای یادگیر جهت دستیابی به کیفیت مورد انتظار خواهیم پرداخت. در این روش، با خوشه‌بندی شبکه و قرار دادن رؤوس خوشه‌ها به عنوان مسؤول بررسی تعداد ندهای فعال در هر خوشه، پوشش مناسبی از تعداد ندهای فعال در سطح کل شبکه به دست خواهد آمد. هر ند مجهز به یک اتوماتای یادگیر می‌باشد که در طول فعالیت شبکه و از طریق پاسخ‌هایی که از رأس خوشه دریافت می‌دارد، لزوم فعال یا غیرفعال بودن ند را مشخص می‌کند. از طریق شبیه سازی کامپیوتری نشان داده می‌شود که روش ارائه شده، می‌تواند کیفیت سرویس مطلوبی را از دیدگاه ارائه شده تولید کند.

در اين مقاله الگوريتمي براي قطعهبندي تصاوير راديوگرافي قفسه سينه با هدف جداسازي محدوده ريهها از ساير آناتومي هاي موجود در اين تصاوير پيشنهاد شده است. در اين الگوريتم از روش طبقهبندي پيكسلها جهت قطعهبندي استفاده ميشو د. بر اي اين کار به منظور انتخاب ويژگي هاي بهينه، از دو روش انتخاب ويژگي: "انتخاب پيشرو" و " تحليل واريانس يكطرفه" بهره گرفته و سپس از ويژگي هاي بدست آمده در ط بقهبندي پ يكسلها به دو كلاس ريه و زمينه استفاد ه م يشو د. از آنجايي كه در روش طبقهبندي پيكسل با توجه به درجة وضوح بالاي تصاوير (تعداد زياد پيكسلها در هر تصوير) سرعت پايين م يباشد، از تكنيك طبقهبندي پيكسل با چندين درجة وضوح استفاده شده تا بخش طبقهبندي كه معمولا" شامل پرهزينهترين عمليات محاسباتي است، بهبود يابد. نتايج حاصله از قطعهبندي محدوده ريهها در راديوگرافي قفسه سينه با استفاده از مجموعه ويژگيهاي بدست آمده از دو روش انتخاب ويژگي "انتخاب پيشر و" و " تحليل واريانس يك طرفه " با نتايج استفاده از مجموعه کامل ويژ گيها و همچنين مجموعه ويژگيهاي تصادف ي, مقايسه شده و مي توان د ريافت که استفاده از مجموعه ويژگ يهاي کاهش يافته باعث کاهش زمان محاسبات و کارايي قيا سپذيري نسبت به استفاده از مجموعه کامل ويژگي ها ميگردد. علاوه بر اين, کارايي روش طبق هبندي پيشنهادي با کارهاي مشابه انجام شده در زمينه قطعهبندي تصاوير راديوگرافي قفسه سينه مقايسه شده است.

گريد دانش يک محيط اتصالي هوشمند مي باشد که بر روي گريد محاسباتي ساخته مي شود تا ايجاد سازمان هاي مجازي را تسهيل نماي د. يکي از خصوصيات مهم محيط هاي مجازي پشتيباني تصميم گيري جمعي مي باش د. يکي از مشکلات روش هاي موجود اين است که نمي توانند محيط هايي را که تصميم گيران به صورت پويا اضافه و کم مي شوند را پشتيباني نمايند. در اين مقاله روشي جديد ارائه شده است تا بتوان تصميم گيران را به صورت پويا به محيط اضافه و يا از محيط حذف نمو د. ميزان صحت تصميم گرفته شده توسط هر تصميم گير به صورت موضوعي با در نظر گرفتن نظر ديگر اعضا مشخص مي گردد. ميزان اثر گذاري تصميم هر تصميم گير با در نظر گرفتن تصميمات گذشته اش به صورت تدريجي تغيير مي نمايد . با فرض اينکه هر تصميم گير يک مجموعه پاسخ فازي در پاسخ به يک مساله تصميم گيري توليد مي نمايدعملگري براي هم جوشي مجموعه تصميمات تصميم گيران پيشنهاد شده اس ت. هدف از هم جوشي بهبود کيفيت تصميم مي باشد . عملگرهم جوشي يک مجموعه جواب فازي توليد مي نمايد که تابعي از امکان درستي هر تصميم گير و مجموعه پاسخ فازيش مي باشد .

در اين مقاله به جای ساختارهای معمول متمرکز و يا سلسله مراتبی، ساختار تشخيص نفوذ کاملا توزيع شده مورد بررسی قرارگرفته است. در اين ساختار با استفاده از جزئی بنام عامل متحرک، اجزاءآناليز متمرکز حذف شده ان د . در اين زمينه سيستم هايی چون MA-IDS و Micael ،IDA ،AAFIDَ نيز برای کمک به توزيع شدگ ی ، در جمع آوری داد ه ازعامل های متحرک استفاده کرد ه اند ولی در آن ها آناليز داده های جمع آوری شده بصورت متمرکز میباشد. سيستم پيشنهادی MA-GrIDS با تکيه بر ساختار توزيع شده میتواند بر مشکلاتی چون محدوديت در قابليت اطمينان، توسعه پذيری و وجود نقطه شکست تا حد زيادی فايق آيد. پس از پياده سازی، از اين سيستم در تشخيص کر م های کامپيوتری به عنوان گونهای از حملات توزيع شده، استفاده شد و با انجام آزمايشات ، دو پارامتر تعداد سرکشی با توجه به تعداد بازر س های متحرک درهرزون و تأثير آن بر زمان تشخيص مورد بررسی قرارگرفت. هرچه که تعداد بازرس ی های موجود در هرزون بيشتر باشد، ميزان ترافيک شبکه افزايش پيدا م ی کند، اما زمان تشخيص نفوذ کاهش می يابد و بلعکس . باتوجه به اين مساله که اين دو پارامت ر (تعدادبازرسها وزمان تشخيص نفوذ) نسبت عکس با يکديگر دارند همچنين افزايش بيش از حد بازر س ها سبب ايجاد ترافيک و تداخل در کارشان م ی شود،حالتی را بايد پيداکرد که حاصلضرب اين دو پارامتر بهينه گردد.

مشکل بزر گی که امروزه در بار ه تصميم گيری ماشينی وجود دارد کارايی نامناسب سيستمهای تصمي مگيری کنونی است. يافت ههای علم ی اخير نشاندهنده اين مطلب است که عواطف، نق شی اسا سی در تصمي م گيری، ادراک و يادگير ی با زی م یکنند. در اين ميان، استرس جايگاه خاص ی داشته و بر عملکرد ذهن و کارا يی فيزي کی و ذهنی تاثيری بسزا دارد. تحقيقات نشان داده اند که فرآيند تصميم گيری تحت شرايط اضطرار با تصميم گيری در شرايط عادی و تجاری کاملا متفاوت است . در شرايط عادی تصمي مگيرنده گزينه های متفاوت را در نظر گرفته، نقاط قوت و ضعف هر يک را به دقت بررسی کرده و سپس تصميم م یگيرد. اما در شرايط اضطرار به علت محدوديت زمانی ناچار است در همان اولين قدم بهترين روش را انتخاب کند که اين انتخاب بر اساس تجرب هی وی و مطابق با شرايط موجود انجام می شود. بنابراين با کسب تجربه و بازيابی آن در شرايط اضطرار م ی توان کارايی سيستم را بالا برد و در چنين شرايطی تصميمی درست اتخاذ کر د. در اين مقاله به معرفي مدلی عاطفی برای تصميم گيری خواهيم پرداخ ت. در اين ساختار که از الحاق بخش تصميم گيری اضطراری به سيستم قبلی به دست می آيد، سيستم تا زمان بروز استرس به روند عادی تصمي مگيری خود ادامه می دهد اما به هنگام رخ دادن استرس بر اساس شرايط موجود، سيستم وارد بخش تصميم گيری اضطراری شده و بر اساس تجرب ه ی پيشين خود از وضعيت جاری، دست به همان کاری م ی زند که پيش از اين در آن تجربه انجام داده است. نتايج بدست آمده از تست اين مدل بر روی محيط شبي ه سازی نجات، نشان داده که بدون شک اين روش در مقايسه با روش پيشين کارايی بالاتری داشته و به طور ٢ امتياز بهبود يافته اند. همچنين در اين مدل در صورت بروز مشکل، سيستم قابليت تحمل خطا را داشته و کارايی را / متوسط نتايج کسب شده ٦ در حد مشخصی حفظ خواهد کرد.