انجمن کامپیوتر ایران

استخراج آزاد اطلاعات روش استخراج مستقل از رابطه است که روابط را بطور مستقیم از مجموعه داده های بزرگ و غیرهمگن مانند وب استخراج می کند. برخلاف روش های پیشین برای استخراج اطلاعات، روش های استخراج آزاد اطلاعات نیاز به واژگان خاص یا دامنه های از قبل مشخص شده برای عمل استخراج ندارند و استخراج روابط دلخواه از جملات را در متن ممکن می سازند. یک چالش اصلی برای سامانه های استخراج آزاد اطلاعات، تخمین احتمال درست بودن رابطه ی استخراج شده است. به دلایل متعددی از جمله افزایش کارایی الگوریتم های داده کاوی، بهبود یکپارچگی داده ها و استخراج اطلاعات محاوره ای، نیاز به معیار ضریب اطمینانی وجود دارد که نشان دهد رابطه ی استخراج شده نمونه ی درستی از رابطه ی بین موجودیت ها است. در این مقاله تلفیقی از چندین ویژگی پیشنهادی مختلف برای انتساب معیار ضریب اطمینان با استفاده از رگرسیون منطقی دوجمله ای نشان داده شده است. این ویژگی ها برخی خواص استخراج نظیر تعداد اسنادی که رابطه از آنها استخراج شده، تعداد آرگومان های رابطه و نوع آنها را در نظر می گیرد. معیار ضریب اطمینان پیشنهادی به خروجی چندین سامانه استخراج آزاد اطلاعات اعمال شده و دقت نتایج تحت تاثیر ضریب اطمینان پیشنهادی، بررسی شده است. ارزیابی ها نشان می دهد که تلفیق ویژگی های مطرح شده امیدبخش است و دقت خروجی ها با اعمال روش پیشنهادی بالاتر از دقت حالت پایه است. بالاترین افزایش دقت مربوط به سامانه های ReVerb و TextRunner ‌است که افزایشی در حدود 4%دارد.

تعیین مرز بین کلمات یا قطعه بندی (Tokenization) یکی از اولین مراحل در اغلب پردازش های متن و زبان طبیعی است. هرچند روش های مبتنی بر قواعد برای این کار مرسوم تراند، قطعه بندی با رویکرد یادگیری ماشین مزایایی را از جمله یادگیری خودکار استثناها از داده های آموزشی به همراه دارد. در این مقاله یک رویکرد مبتنی بر یادگیری ماشین برای قطعه بندی (تعیین مرز بین کلمات) در جملات فارسی ارائه می شود. در این رویکرد، ابتدا اصلاحات مقدماتی قاعده مند روی هر رشته (جمله) ورودی انجام و محل هایی از رشته به عنوان نقاط کاندیدا برای مرز انتخاب می شوند، سپس الگوریتم های یادگیری و طبقه بندی بر مبنای استخراج ویژگی از مجاورت این نقاط عمل می کنند. برای تعیین مرز بین کلمات، طبقه بند به هر نقطه کاندیدا یکی از برچسب های «انفصال» یا «اتصال» را اختصاص می دهد. درخت تصمیم ابزار اصلی مورد استفاده برای یادگیری است که با دو مدل احتمالاتی دیگر ترکیب شده است. عادت های کاربر و تاثیر هر تصمیم (برچسب) بر تصمیم بعد در این دو مدل لحاظ می شوند. ارزیابی روش پیشنهادی با محاسبه معیارهای دقت و فراخوانی و درصد جملات درست قطعه بندی شده، انجام شده است. نتایج عملی نشان می دهند که عملکرد رویکرد پیشنهادی، به رغم استفاده از حجم محدودی از داده آموزشی، به روش های مبتنی بر قواعد نزدیک و در مواردی بهتر است.

الگوریتم K2 که جزء روش‌های شناخته شده و پرارجاع یادگیری ساختار شبکه‌های بیزی است، نیازمند یک ترتیب از متغیرهای تصادفی به‌عنوان ورودی می‌باشد. دقت ساختار حاصل از این الگوریتم به‌طور مستقیم به صحت ترتیب ورودی وابسته است. با این وجود، تعیین یک ترتیب کاملاً صحیح و بدون خطا در عمل امکان‌پذیر نمی‌باشد. رویکردی که در این مقاله برای غلبه بر این چالش مورد استفاده قرار می‌گیرد، تجمیع چند ترتیب مختلف (با درجات مختلفی از دقت) با هدف افزایش صحت ترتیب نهایی می‌باشد. به‌طور خاص، تجمیع ترتیب‌ها با درنظر گرفتن دقت هر ترتیب انجام می‌پذیرد و برای تخمین دقت هر ترتیب، از الگوریتم مبتنی بر سازگاری‌ها/ناسازگاری‌ها استفاده می‌شود. برای رفع تناقض‌های محتمل، حاصل تجمیع به‌صورت یک گراف مدل شده و با استفاده از نسخه‌ی حریصانه‌ی الگوریتم انتخاب زیرگراف بدون دور با بیشترین وزن، تناقض‌ها برطرف می‌شوند. نتایج آزمایشات برروی شبکه‌های بیزی استاندارد نشان می‌دهد که استفاده از حاصل تجمیع ارائه شده در این مقاله باعث افزایش دقت الگوریتم K2 می‌شود.

در سامانه های آموزش الکترونیکی، اطلاعات مختلفی دربارۀ دانشجویان ذخیره می شود. این داده ها در عین ارزشمند بودن معمولا تنها در فعالیت های تعریف شدۀ سامانه مورد استفاده قرار می گیرند. در صورتی که این داده ها می توانند با روش های کشف دانش از پایگاه داده همچون داده کاوی، در مشاورۀ تحصیلی دانشجویان مورد استفاده قرار گیرند. روش های داده کاوی ارائه شده در این مقاله به دنبال استخراج قوانینی هستند که بتوان به کمک آن ها میزان تاثیر ابزارهای موجود در سامانه های آموزش الکترونیکی را بر وضعیت قبولی یک دانشجو در درس سنجید. برای این کار ابتدا نیاز به ویژگی های مناسبی است که بیانگر نحوۀ استفادۀ دانشجویان از این ابزارها باشد. برای رسیدن به چنین ویژگی هایی پیش پردازش هایی همچون تجمیع داده ها، استخراج ویژگی و گسسته سازی داده انجام گرفت. سپس دو روش درخت تصمیمو استخراج قوانین باهم آیی بر خروجی های مختلف مرحله پیش پردازش اعمال شد. در نهایت شاخصۀ اصلی قوانین حاصل از درخت تصمیم، دقتو سرعت مناسب تر و شاخصۀ اصلی قوانین حاصل از روش استخراج قوانین باهم آیی بیان جزئیات بیشتری از تاثیر ابزارها بر وضعیت تحصیلی دانشجویان بود.

در دهه اخیر تحقیقات بسیار زیادی در مورد الگوریتم رمز همومورفیک انجام شده است که این امر نشان از اهمیت زیاد و کاربرد فراوان این موضوع دارد. تقریباً تمامی این تحقیقات بر روی عملی‌سازی همومورفیک کامل متمرکز می‌باشند زیرا محاسبات مورد نیاز در این الگوریتم بسیار سنگین و زمانبر میباشند. با این وجود هنوز راه زیادی تا عملی‌سازی همومورفیک کامل باقی مانده است. در میان روش های متعدد همومورفیک کامل، همومورفیک کامل بر روی اعداد صحیح با وجود داشتن مفاهیم ساده‌تر، دارای مقادیر بسیار بزرگی می‌باشد. بنابراین در این مقاله با ترکیب سیستم اعداد مانده‌ای و مدل های موازی‌سازی CUDA و Open-MP، تابع رمزگذاری همومورفیک کامل بر روی اعداد صحیح تسریع داده شده است. همچنین، در این مقاله برای اولین بار سیستم اعداد مانده‌ای بر روی همومورفیک کامل بر روی اعداد صحیح اِعمال و اولین پیاده سازی این روش بر روی GPU ارائه شده است. میزان بهبود ایجاد شده از اجرای موازی معماری پیشنهادی بر روی CPU و برای پارامترهای بسیار کوچک و کوچک به ترتیب 2/34 درصد و 5/41 درصد و بر روی GPU برای پارامتر بسیار کوچک 85/8 درصد می‌باشد. نتایج نشان می‌دهد که در کاربرد مورد نظر پیاده‌سازی موازی بر روی CPU عملکرد به مراتب بهتری خواهد داشت.

برنامه های کاربردی سرویس گرا معمولا در محیطی متغیر و پویا اجرا می شوند. چنین کاربردهایی باید دارای ساز و کار مناسبی برای پایش باشند تا از تغییرات سیستم و محیط به صورت بهنگام آگاهی یابند و بتوانند جهت سازگاری با این تغییرات و جلوگیری از بروز نقض، خود را با شرایط جدید وفق دهند. تاکنون روش های مختلفی برای پایش برنامه های کاربردی مطرح گردیده است، اما این موضوع هنوز با چالش هایی مواجه است. یکی از مسائل مهم در پایش، تعریف ارتباط بین سنجه های تعریف شده و حسگرهای موجود در سیستم است. در روش های ارائه شده مجموعه ای از حسگرهای ثابت در نقاط مختلف فرآیندها قرار داده می شوند که بطور پیوسته به جمع آوری داده ها می پردازند و امکان تغییر آنها در سیستم وجود ندارد. این در حالیست که برای تحلیل رفتار یک برنامه کاربردی سرویس گرا همواره به تمامی این اطلاعات احتیاج نیست و جمع آوری این حجم از داده ها علاوه بر هزینه اضافی، منجر به افت کارآیی سیستم می گردد. در تحقیق پیش رو، روشی برای پایش برنامه های کاربردی سرویس گرا ارائه شده است که از خصوصیاتی نظیر پویایی محیط های سرویس گرا پشتیبانی می کند. روش ارائه شده این قابلیت را دارد که بر مبنای سنجه های تعریف شده حسگرهایی را در سیستم ایجاد کند که این امر مانع از پایش پیوسته تمام سطح سیستم می گردد و سربار را کاهش می دهد. جهت ارزیابی روش ارائه شده، مجموعه ای از سناریوهای مختلف برای یک برنامه کاربردی سرویس گرا طراحی و پیاده سازی شده است. نتایج ارزیابی نشان می دهد که بکارگیری این روش پایش منجر به هدفمند کردن زیرساخت پایش بر مبنای سنجه های کارآیی می گردد و سربار پایش در سیستم را کاهش می دهد.

گسترش روزافزون رایانش ابری و نیاز به ذخیره سازی ابری در اغلب کاربردها و از طرفی اجتناب ناپذیر بودن خرابی گره ها در سیستم های توزیع شده ی مقیاس بزرگ، به اهمیت تکرار داده افزوده است. تکرار داده به منظور قابلیت اطمینان، دسترس پذیری داده و کارایی سیستم به طور گسترده ای در سیستم های ابری مورد استفاده قرار می گیرد. رویکرد بیشتر روش های تکرارداده ی پویا، مکان دهی داده ها نزدیک به محل درخواست های کاربران است که با هدف کاهش زمان انتظار کاربران و کاهش مصرف پهنای باند صورت می گیرد. یکی از مهم ترین چالش های موجود برای الگوریتم های تکرار داده، مسأله ی تغییر ناگهانی شلوغی در بار کاری است. روش هایی با رویکرد تکرار داده ترافیک گرا به منظور مقابله با این پدیده ارائه شده اند که موفق به کاهش مصرف پهنای باند داخلی به هنگام تغییر شلوغی شده اند؛ اما به طور متقابل به زمان انتظار کاربران لطمه هایی وارد شده است. در این مقاله روش بهینه شده ی تکرار داده پویایی به منظور مقاومت در مقابل تغییر شلوغی و بهبود کارایی ارائه شده است. روش پیشنهادی تعداد تکرار هر داده را براساس ترافیک محاسبه می کند و سپس با مقایسه ی ترافیک هر مرکز داده با یک حد آستانه، در مورد تکرار یا مهاجرت یا حذف آن تکرار داده تصمیم می گیرد. نتایج حاصل از شبیه سازی ها نشان می دهند که روش پیشنهادی ضمن عملکرد مناسب در مواجه با تغییر شلوغی، توانسته است کارایی سیستم را تا حد قابل قبولی در محیط ابر بهبود بخشد.

گراف دید یک چندضلعی ساده در صفحه گرافی است که مجموعه‌ی رئوس آن، مجموعه رئوس چندضلعی است و هر یال آن معادل با دو راس قابل دید در چندضلعی است. یکی از مسائل قدیمی و مهم هندسه محاسباتی شناسايي ويژگي‌هاي چندضلعی ساده در حالت كلي از روی گراف دید آن است. در همين راستا مروری بر مهم‌ترین پژوهش‌های انجام شده در این شرایط خواهیم داشت. در ادامه شرايط ضروري براي آن كه يك گراف، گراف ديد يك چندضلعي ساده باشد مطرح مي‌كنيم و در پایان نشان مي‌دهيم كه اين شرايط كافي نيستند.

تبدیل صورت نوشتاری به صورت تلفظی و دنباله واجی یکی از بخش‌های اصلی سامانه‌های تبدیل متن به گفتار است. در زبان فارسی تبدیل صورت نوشتاری جمله به دنباله تلفظی آن به دلیل حذف واج‌های صدادار کوتاه و نیز وابستگی تلفظ کلمه به جایگاه آن در جمله به مراتب از زبان‌های دیگر سخت‌تر است. روش‌های کنونی برای زبان فارسی که عمدتاً در سیستم‌های تجاری مورد استفاده قرار گرفته‌اند از بخش‌های متعدد و مدل‌های پیچیده برای پردازش زبان طبیعی و عملیات رفع ابهام در تشخیص تلفظ صحیح کلمه برخوردارند که باعث سختی پیاده‌سازی و کاهش دقت کلی سامانه می‌شوند. در این مقاله ما مسئله تبدیل صورت نوشتاری به صورت تلفظی را به عنوان یک مسئله نگاشت بین دنباله‌ای در نظر می‌گیریم و با استفاده از شبکه‌های عصبی بازخوردی تعدیل شده اقدام به ساخت روشی هوشمند و یکپارچه برای این منظور می‌نماییم. شبکه‌های عصبی بازخوردی به نحوی تعدیل شده‌اند که علاوه بر دوطرفه بودن به واحدهای حافظه LSTM نیز مجهز هستند تا از اطلاعات بافتی دنباله جهت تصمیم‌گیری و نگاشت، بیشترین استفاده را کنند. آزمایش‌های انجام شده در این مقاله نشان می‌دهند که شبکه‌های بازخوردی تعدیل‌شده (BRNN-LSTM) علاوه بر داشتن ساختاری یکپارچه و منظم دارای عملکرد بسیار مناسبی در تشخیص تلفظ صحیح عبارت‌های فارسی با دقتی بیش از 98 درصد هستند.

با ظهور بانک‌داری الکترونیک، تجارت الکترونیک و کارت‌های هوشمند و افزایش تأکید بر روی حریم خصوصی و امنیت اطلاعات ذخیره شده در پایگاه داده‌های مختلف، شناسایی خودکار افراد تبدیل به یک موضوع بسیار مهم شده است، و از سوی دیگر بهره‌گیری از بیومتریک سبب تکامل بسیاری از حوزه‌های مختلف جامعه میگردد. اثر انگشت به عنوان یک نوع از بیومتریک انسان برروی نوک انگشتان به طور گسترده برای تشخیص شخص در کاربردهای پزشکی قانونی و غیرنظامی و غیره مورد استفاده قرار میگیرد، که این امر به خاطر منحصر به فرد بودن، تغییرناپذیری و هزینه پائین آن میباشد. یک الگوریتم طبقه‌بندی اثرانگشت معمولاً یک مجموعه ویژگی نماینده را استخراج میکند، تا فردیت هر اثر انگشت را دریافت نماید سپس این استراتژیها برای تعیین کلاس اثر انگشت به کار گرفته میشوند. از اینرو در این مقاله یک رویکرد طبقه‌بندی اثر انگشت ارائه شده است، که با استفاده از گشتاورهای شبه زرنیک به استخرا ج ویژگیهای پرداخته و طبقه‌بندی اثر انگشت را با استفاده از روش عصبی فازی انجام میدهد. برای ارزیابی سیستم پیشنهادی از مجموعه داده FVC2004 بهره‌گرفته شده است. با ارزیابی نرخ بازشناسی سیستم و مقایسه آن با روش‌های دیگر مشاهده میشود که سیستم پیشنهادی ارائه ‌کننده نرخ بازشناسی بهتری نسبت به سیستم مورد مقایسه است.

کمپرسورها از مولفه‌های مهم و اساسی در طراحی ضرب کننده هستند. آنها در کاهش درخت ضرب و جمع حاصلضرب‌های جزئی نقش اساسی دارند. اما نوع کمپرسورها از لحاظ تعداد ورودی و خروجی و نحوه چیدمان آنها به شدت بر کارآیی ضرب کننده تاثیر گذار است. به همین دلیل، مدارها، معماری‌ها، و الگوریتم‌های زیادی تا به امروز برای ساخت ضرب کننده ارائه شده است. این مقاله، الگوریتمی جدید برای ایجاد درخت ضرب 16 بیتی ارائه می‌دهد. الگوریتم پیشنهادی تنها از کمپرسورهای کامل که از تمام توان و ظرفیت خروجی استفاده می‌کنند، بهره می‌برد. بعلاوه، این کمپرسورها فاقد رقم نقلی ورودی و خروجی هستند. بنابراین، از تولید سیم‌های اضافی نیز جلوگیری می‌شود. الگوریتم پیشنهادی با نگاه به آینده و رویکرد رو به جلو تا جای ممکن مانع از ایجاد نیم جمع کننده در ساختار درخت ضرب می‌شود. همین موضوع دلیل حذف 32 نیم جمع کننده نسبت به الگوریتمی که پیشتر ارائه شده است، می‌باشد. همچنین، مدار پیشنهادی یک تمام جمع کننده و تعداد 50 نیم جمع کننده سخت افزار کمتری از دیگر ضرب کننده ای که از کمپرسورهای کامل استفاده نمی‌کند، دارد. ضرب کننده‌ها با کد ساختاری VHDL بر روی FPGA پیاده سازی و مقایسه شده اند. نتایج حاصل از سنتز مدارها حکایت از برتری ضرب کننده جدید دارد. نتایج شبیه سازی نشان می‌دهد که ساختار ارائه شده باعث بهبود قابل توجهی در میزان تاخیر و میزان استفاده از منابع سخت افزاری دارد.

استاندارد IEEE 802.11n ویژگی‌های لایه فیزیکی و پیوند داده در شبکه‌های بی‌سیم محلی را توصیف می‌کند و با بهبود برخی مکانیسم‌های موجود در این دو لایه، قادر است نرخ داده را تا 600 مگابیت برثانیه افزایش دهد. یکی از قابلیت‌های این استاندارد، امکان تجمیع فریم لایه MAC به منظور کاهش سربار در انتقال بسته‌های داده است که به نوبه‌ی خود باعث افزایش بهره‌وری کانال می‌گردد. در این مقاله الگوریتم پویایی برای تنظیم اندازه فریم تجمیعی در نقطه دسترسی مبتنی بر اعتبار میزبان‌های شبکه 802.11n ارائه می‌کنیم. در روش پیشنهادی، نقطه دسترسی بصورت مداوم و با توجه به شرایط کانال، به هر ایستگاه اعتباری اختصاص می‌دهد. در هر بازه‌ی زمانی سرویس، نقطه دسترسی، اندازه فریم تجمیعی هر ایستگاه را بر اساس میزان اعتبار فعلی آن محاسبه و به همان میزان داده به ایستگاه مذکور ارسال می‌نماید. مساله تخصیص اعتبار به هر ایستگاه را به صورت یک مساله بهینه‌سازی محدب مدل و مکانیسم پیشنهادی را در شبیه‌ساز NS3 پیاده‌سازی نمودیم. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی کارایی شبکه را از نقطه نظر بهره‌وری کانال و میانگین تأخیر انتها به انتها و نیز میزان انحراف از تأخیر آستانه بهبود می‌بخشد.

با توجه به حجم روزافزون اطلاعات موجود در سازمان‌ها و ایجاد فرآیندهای جدید، یک نیاز در حال رشد برای قطعه¬بندی مدل‌های فرآیند کسب‌وکار، به منظور رسیدن به قطعات مفید وجود دارد. از جمله کاربردهای فراوانی که برای قطعه‌بندی مطرح است می‌توان به اجرای توزیع شده مدل‌های فرآیند، استفاده مجدد بخش‌هایی از مدل‌های فرآیند موجود در بقیه مدل¬ها، افزایش سرعت توسعه مدل‌های فرآیند و خلاصه کردن مدل‌های فرآیند اشاره کرد. در روش پیشنهادی این تحقیق، هدف از کشف قطعات، قابلیت استفاده مجدد در طراحی مدل‌های فرآیندی می‌باشد. اکثر روش‌هایی که برای قطعه بندی فرایندها ارائه شده‌اند معمولا تنها به ساختار مدل‌ها توجه کرده و یا بر روی شباهت نحوی برچسب¬های عناصر این مدل¬ها تمرکز ‌می‌کنند و بنابراین به معانی و مفاهیم لغات این برچسب¬ها توجه نشده است. در روشی که در این مقاله ذکر می¬شود، سعی شده است که با استفاده از هستان¬نگار، یک روش معنایی برای قطعه¬بندی مدل‌های فرآیندی ارائه شود. در نهایت با تست این روش بر روی یک مجموعه¬ داده، قطعات به دست آمده با قطعاتی که با استفاده از نظرات خبرگان به دست آمده، مقایسه شده و نتایج ارزیابی دقت، نزدیکی این روش به نظرات افراد خبره را نشان می¬دهد.

دسته‌بندی و حاشیه‌نویسی تصاویر از جمله مسائل پرکاربرد در حوزه پردازش تصاویر هستند. تا‌کنون تلاش‌های زیادی به منظور استفاده از مدل‌های موضوعی نظیر مدل احتمالاتی LDA جهت دسته‌بندی و حاشیه‌نویسی همزمان تصاویر صورت گرفته‌است. اخیرا مدل‌های موضوع دیگری بر مبنای شبکه‌های عصبی احتمالاتی نظیر SupDocNADE معرفی شده‌اند که نتایج خوبی در مدل‌کردن داده‌های چند‌مقداری مانند دسته‎بندی و حاشیه‌نویسی تصاویر ارائه ‌داده‌اند. در این مدل‌ها کلمات حاشیه‌نویسی نیز در کنار کلمات بصری تعبیه شده‌ و به عنوان بردار ویژگی برای شبکه در‌ نظر گرفته می‌شود. در عمل تعداد ویژگی‌های استخراج‌شده از تصویر بسیار بزرگتر از ویژگی‌هایی است که از کلمات حاشیه‌نویسی بدست می‌آیند. عدم تعادل بین کلمات بصری و حاشیه‌نویسی سبب می‌شود تا سهم کلمات حاشیه‌نویسی برای بازنمایی در لایه پنهان شبکه‌عصبی مورد استفاده در این مدل، بسیار کمتر از کلمات بصری باشد. از طرفی گرادیانی که از کلمات حاشیه‌نویسی تولید می‌شود بسیار کوچک بوده تا بتواند تاثیر قابل توجهی در افزایش احتمال شرطی حاصل از کلمات حاشیه‌نویسی داشته‌باشد. در این مقاله، برای حل مشکلات عدم تعادل ویژگی‌ها، از وزن‌دهی کلمات حاشیه‌نویسی در هیستوگرام بردار ویژگی استفاده می‌شود. با آزمایش مدل پیشنهادی برروی پایگاه داده‌های UIUC_Sports و LabelMe، بهبود 5 درصدی در معیارF در کلمات حاشیه‌نویسی نسبت به مدل‌های موجود مشاهده می‌شود.

بشر در زندگی روزمره ارتباط تنگاتنگی با شبکه‌های مختلفی نظیر شبکه‌ برق، ارتباطات هوایی، کامپیوتری و اجتماعی دارد. این شبکه‌ها همواره در معرض خرابیهای تصادفی یا حمله‌های هدفمندی هستند که میتواند کارکرد آن‌ها را دچار مشکل کند. لذا بهبود استحکام این شبکه‌ها امری ضروری است. در این مقاله با استفاده از رویکرد انجمنی و بهره‌برداری از اطلاعات مربوط به ساختار انجمن‌ها، سه روش بهبود استحکام برای دست‌کاری شبکه از طریق جابه‌جایی یال‌ها ارائه می‌شود که تعداد یال‌های شبکه و توزیع درجه گره¬ها را ثابت نگه می‌دارد. روش اول بر اساس روابط درون هر انجمن و روش دوم و سوم با استفاده از معیار مرکزیت میانی یال‌های درون انجمنی و بین انجمنی عمل جابه‌جایی را انجام می‌دهند. روش‌های پیشنهادی بر روی تعدادی از شبکه‌های دنیای واقعی و شبکه مصنوعی با ساختار مقیاس آزاد مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که روش سوم در مقایسه با دو روش دیگر و روش مرجع که ساختار انجمن را در نظر نمی‌گیرد، با هزینه کمتر استحکام را افزایش و تعداد جابه‌جایی‌ های یال برای بهبود استحکام را کاهش می‌دهد. روش اول نیز کمترین تأثیر را در افزایش استحکام دارد. ما از معیار هدایتپذیری، برای ارزیابی حفظ ساختار انجمنی شبکه پس از دست‌کاری استفاده می‌کنیم. ارزیابی سه روش پیشنهادی با رویکرد انجمنی و روش مرجع، بر مبنای معیار هدایت‌پذیری نشان می‌دهد که هدایتپذیری در روش‌های مبتنی بر ساختار انجمنی دارای مقدار کمتری نسبت به روش بدون رویکرد انجمنی است و این بدین معنی است که ساختار انجمنی شبکه، بیشتر حفظ میشود.

بحرانهاي ناشي از بلایای طبیعی و غيرطبيعي سالانه سبب خسارتهاي قابل ملاحظه جاني و مالي در شهرهای بزرگ و کوچک مي گردند. مدیریت بحران‌، موضوع مهمی است که به وسیله مشاهده سیستماتیک، تجزیه و تحلیل‌ بحران‌ می تواند در خصوص کاهش آثار، آمادگی لازم، امداد رسانی‌ سریع و بهبودی آن اقدام نماید. در حین یک بحران، واکنش سریع و موثر، نیازمند اطلاعات مربوط به وضعیت، محل دقیق، نوع و افراد درگیر در حادثه می‌ باشد. یکی از بزرگترین مشکلات پس از حوادث کمبود اطلاعات و همچنین نیاز به داده های آنی و به هنگام از شرایط بحرانی می باشد. مشارکت داوطلبانه شهروندان در فراهم نمودن اطلاعات مکاني بحران، می تواند راه حل موثری برای مشکلات فوق باشد. شهروندان می توانند به عنوان حسگرهای پویا، تحلیل گر، هوشمند، مسئولیت پذیر، محیط–آگاه، سیار، توزیع یافته و تعامل پذیر شرایط بحرانی پیرامون خود را رصد نموده و اطلاعات مختلف از قبیل محل آسیب دیدگی ها، میزان تلفات، محل مناسب برای اسکان افراد، درخواست امداد، ایستگاه¬های مناسب امداد رسانی و غیره را از طریق یک سامانه مدیریت بحران مبتنی بر وب GIS گزارش نموده و امکان استخراج اطلاعات مفید و انجام تحلیل های پیچیده مکانی را برای مدیران بحران فراهم نمایند.

در حال حاضر شناسایی موقعیت و مکان‌یابی افراد در محیط‌های سقف‌دار- ساختمان ها از اهمیت زیادی برخوردار است. با ظهور و فراگیری سیستم¬های مکان¬یابی ماهواره¬ی (GPS)، مکان¬یابی در محیط¬های بدون سقف به شکل تقریبی قابل انجام است که به موجب آن مشکلات عمده¬ی موجود در این زمینه، همانند حمل و نقل مرتفع شده است. در همین راستا وجود سیستمی برای مکان¬یابی در محیط¬های سقف¬دار نیز اهمیت فوق¬العاده¬ی دارد. مکان¬یابی در محیط¬های سقف¬دار بوسیله¬ی GPS امکا¬پذیر نیست. به همین دلیل امروزه محققان به دنبال روش جایگزینی برای این مساله، یعنی مکان¬یابی در مکان¬های سقف¬دار هستند. در همین راستا روش ها و راهکارهای مختلفی مبتنی بر امواج رادیوی به منظور شناسایی و رهگیری موقعیت افراد معرفی شده¬اند. در مورد این مسائل یعنی مکان¬یابی در محیط¬های سقف دار، میزان دقت همیشه مهمترین چالش بوده است. در این مقاله روشی برای مکان¬یابی در محیط¬های سقف¬دار پیشنهاد شده است که یقیناً کاربرد وسیعی در حوزه و محورهای مختلف دارد. نجات افراد مصدوم و گرفتار در زیر آوار یک ساختمانِ وسیع (مثل پلاسکو)، بوسیله مکان¬یابی سریع موقعیت آن¬ها، از مهمترین انگیزه¬های معرفی این ایده بوده است. روش پیشنهادی در این مقاله مبتنی بر امواج رادایویی بوده است. ما در پیاده-سازی از تگ¬های RFID نسبتاً برد بلند (محدوده 100 متر) استفاده کرده¬ایم، به این صورت که هر یک از افراد آتش نشان یک تگ RFID خیلی کوچک (به اندازه¬ی یک جاسوئیچی یا مچ بند) را با خود حمل می¬کند و سپس با خواندن مقدار اندازه قدرت سیگنال (RSSI) امواج آن، بوسیله¬ی یک دستگاه Reader از چندین زاویه مختلف می توان موقعیت افراد را با دقت تقریباً 1-3 متر تشخیص داد. نتایج و ارزیابی¬های ما در یک آپارتمان 5 طبق بدست آمده است که بواسطه¬ای آن، مکان فرد، اینکه در چه طبقه¬ای و واحدی حضور دارد با 100% دقت قابل محاسبه است. نتایج و مستندات ما به واقع کامل است و از هر لحاظ آمادگی پیاده¬سازی و آزمایش عملی این رویکرد را برای مدیریت بهران و کمک¬رسانی به مصدومان را در یک محیط واقعی داریم. در واقع ما تاکید می کنیم که این رویکرد، قطعا می¬تواند زندگی افراد مصدوم گرفتار را در زیر آوار و مکان¬های زیرزمینی مثل ساختمان¬ها، تونل¬های مترو و معدن را نجات دهد. از مهم¬ترین ویژگی¬های سیستم¬ مکان¬یابی ارائه شده هزینه خیلی کم محصول نهایی است به این صورت که مثلا برای مدیریت بهران- آتش¬نشانی، هر یک از آتش¬نشانان برای ورود به محل حادثه باید یک مچ¬بند یا جاسویچی خیلی کوچک را با خود حمل کند. به این ترتیب با داشتن یک دستگاه Reader-RFID می¬توان موقعیت افراد را در داخل ساختمان یا محل حادثه رهگیری و به سرعت مکان¬یابی کرد.

امروزه استفاده اثربخش از فضای مجازی در راستای ارائه خدمات بهتر و بیشتر،‌ توسط دولت و سایر نهادها از جمله شهرداری‌‌ها یکی از ابزارهایی است که به شدت مورد توجه قراردارد. شهرداری تهران یکی از نهادهایی است که از سال 1386 در این حوزه فعالیت می‌نماید و خدمات الکترونیکی خود را در بستر ساب‌پرتال‌ها به مردم عرضه می‌نماید. به همین دلیل مقاله حاضر به ارائه راهکارهای ارتقاء اثربخشی ساب‌پرتال‌های شهرداری تهران پرداخته است. برای رسیدن به هدف اصلی مقاله، از تکنیک مصاحبه عمیق استفاده شده است. در این راستا، با انجام ده مصاحبه با راهبران ساب‌پرتال‌ها، داده‌های لازم گردآوری شده است. یافته‌های این پژوهش نشان می‌دهد که نبود سیاست‌گذاری‌ و برنامه‌ریزی‌های یکپارچه در حوزه ساب‌پرتال‌ها، محدودیت‌های آموزشی در استفاده از ابزارهای فنی، نبود آموزش‌های ضمن خدمت و محدود بودن اختیارات راهبران و نداشتن قدرت انجار کار متناسب با وظیفه اجرایی، مشخص نبودن جایگاه این ساب‌پرتال‌ها در بین مخاطبان، از جمله موانع رشد و اثربخشی این ساب‌پرتال‌ها بوده است و در صورت رفع این موانع، شاهد ارتقاء اثربخشی و خدمت‌رسانی بیشتر و بهتر این ساب‌پرتال‌ها به شهروندان خواهیم بود.

پیدا کردن دو مسیر ساده از دو مجموعه نقطه مجزا اولین بار توسط جف اریکسون مطرح شد. این مسئله می‌تواند در مسیریابی حرکت ربات‌ها، تولید چندضلعی‌های تصادفی، طراحی مدارهای VLSI و غیره کاربرد داشته باشد. در این مقاله اثبات می‌کنیم که حالت عمومی این مسئله یعنی رسم r زنجیره قرمز ساده و b زنجیره آبی ساده از دو مجموعه نقطه مجزای داده‌شده به‌طوری‌که تمام نقاط را پوشش دهند ان پی‌کامل است. برای اثبات ان پی-کامل بودن، از مسئله «پیدا کردن مسیر همیلتونی در گراف‌های مسطح که با یال‌های خط مستقیم رسم شده‌اند» که خود یک مسئله ان پی-کامل است استفاده می‌کنیم و آن را به مسئله مطرح‌شده کاهش می‌دهیم.

حدود دویست میلیارد نورون در مغز وجود دارد که به وسیله سیناپس‌ها به یکدیگر متصل می‌‌باشند. سیناپس‌ها دو پارامتر اصلی دارند؛ یکی از این پارامترها قدرت سیناپس و پارامتر دیگر‏، تأخیر‎ در فرستادن اطلاعات به نورون بعدی می‌باشد‏ که اصلی‌ترین عامل در ایجاد این تأخیر طول آکسون می‌باشد. بر روی آکسون‌ها لایه‌های عایقی به نام میلین‎‎ وجود دارد که وظیفه اصلی آنها سرعت بخشیدن به انتقال اطلاعات است. تشخیص جهت و سرعت حرکت در مغز به وسیله تأخیرهای سیناپسی انجام می‌پذیرد، و باعث می‌شود که تغییر ولتاژ ناشی از فعال شدن نورون‌ها همزمان به نورون بعدی برسد و ولتاژ نورون بعدی را به حد آستانه برساند. از طرف دیگر با مکانیسم‌هایی همچون قانون یادگیری هم‌ایستایی می‌توان نرخ ضربه هر نورون در بازه زمانی مشخص را کنترل کرد. کنترل نرخ ضربه نورون‌ها باعث می‌شود تشخیص حرکات مختلف بین نورون‌های متفاوت تقسیم گردد و هیچ نورونی چند دسته حرکت ورودی را آموزش نبیند. در این مقاله با استفاده از نورون های ‎LIF،‎ تأخیرات سیناپسی، قانون یادگیری ‎STDP‎‏، قانون یادگیری هم‌ایستایی و یادگیری تقویتی مدل محاسباتی برای تشخیص حرکت ارائه ‎‏شده‌است تا فرآیند تشخیص حرکت در مغز را توصیف کند. همچنین عملکرد مدل پیشنهادی در مساله تشخیص امضای برخط مورد بررسی و ارزیابی قرار گرفته است.