انجمن کامپیوتر ایران

احساسات، نقش مهمی را در ارتباطات انسان‌ها ایفا می‌کنند. از اين رو نياز به بازشناسي خودکار آن براي بهبود ارتباط انسان و رايانه افزايش يافته است. در سال‌های اخیر تشخیص احساسات دروني افراد بسيار مورد توجه قرار گرفته است. مطالعه‌ احساس از طریق پردازش سیگنال‌های بیولوژیکی، علاوه بر تشخیص و درمان به موقع ناهنجاری‌های روانی، در علوم مبتنی بر تعاملات انسان و رایانه نیز نقش مهمی بازی می‌کند و باعث پیشرفت‌های زیادی در این زمینه می‌گردد. اما با توجه به این‌که معمولا تعداد کانال‌ها و تعداد ویژگی‌های استخراج شده از سیگنال مغز زیاد است، رسیدن به زیر فضایی کاهش یافته‌ای که تشکیل شده از ویژگی‌های موثر و مشترک بین افراد باشد بسیار با اهمیت است. از طرفی این زیر فضا بایستی به نحوی باشند که در مواجهه با افراد جدید کارایی مناسبی داشته باشد. به همین منظور در این مقاله برای بدست آوردن زیرفضای کاهش یافته مرتبط با احساسات و مشترک بین افراد، رویکرد چند وظیفه‌ای ارائه شده است. برای نشان دادن کارایی روش پیشنهادی از دادگان SEED و DEAP استفاده شد. نتایج آزمایشات نشان می‌دهند که روش پیشنهادی نسبت به روش‌های مطرح در این حوزه کارایی بهتری دارد.

فرآیند مهاجرت به ابر، با توجه به ساختار پیچیده برنامه‌های قدیمی، محیط پویا و تغییر اولویت اهداف استراتژیک سازمان‌ها، مدل‌های مختلف مهاجرت و تنوع بسیار زیاد خدمات ابری مسئله‌ای پیچیده، زمان‌بر، مستعد خطا و چالش برانگیز است. در مقایسه با رویکردهای موجود که فرآیند مهاجرت را به عنوان یک مسئله بهینه سازی برای یافتن یک استقرار بهینه از اجزای نرم افزاری بر روی ابر بدون ارائه یک برنامه مهاجرت عملی مدل نموده‌اند، در این مقاله یک رویکرد مهاجرت مبتنی بر برنامه ارائه شده است که بر اساس آن مدیریت سازمان قادر به دنبال کردن گام‌های مهاجرت تعریف شده در یک برنامه معتبر است که تا حد ممکن اهداف استراتژیک سازمان را برآورده می‌سازد. رویکرد ما یک مدل مخفی مارکوف را به عنوان یک مدل از محیط برای تعیین اولویت اهداف استراتژیک سازمان با توجه به مشاهدات محیطی پیشنهاد می‌کند. مطالعات تجربی نشان می‌دهد، به ویژه در شرایط پویا و متغییر که استفاده از برنامه مهاجرت انعطاف‌پذیر ضروری است، روش تطبیق‌پذیر در برآوردن اهداف استراتژیک سازمانی بسیار موثر است به طوریکه این روش در مقایسه با روش غیر تطبیقی با اطمینان %90 در کاهش هزینه‌های نگهداری در طول زمان، بهتر عمل کرده است.

تشخيص حملات شبکه به عنوان يکی از مکانیزم‌های اصلی در برآوردن امنیت شبکه‌ها و سیستم‌های رایانه‌ای مطرح است. در اين مقاله از يک طبقه‌بند ترکيبي جديد براي سيستم تشخيص نفوذ به شبکه استفاده می‌شود. به اين صورت که ابتدا داده‌ها به چند طبقه‌بند داده می‌شود، خروجي هر کدام از طبقه‌بندها گرفته می‌شود، سپس به جاي راي‌گيري حداکثري، از خروجي اين چند طبقه‌بند به عنوان ورودي يک طبقه‌بند جديد استفاده می‌شود. طبقه‌بندهاي مورد استفاده در این تحقیق درخت تصميم، نزديکترين همسايه و Bagging می‌باشد. هدف ما دراین مقاله کاهش نرخ هشدار نادرست در سیستم‌های تشخیص نفوذ به شبکه بود که با این روش پیشنهادی توانستیم نرخ هشدار نادرست را در دو کلاس حمله U2R و R2L به صفر و همچنین دو کلاس حمله DOS و Probe به ترتیب 0.02 و 0.01 برسانیم که در اين راستا نتايج بدست آمده آمار مورد قبولي را ارائه کرده‌اند و بيانگر كارايي خوب اين سيستم در تشخيص نفوذ مي‌باشد.

تخمین جهت دریافت منابع باند پهن از دیرباز در بسیاری از کاربردها مورد استفاده قرار گرفته است. استفاده از روش‌های همدوس همچون روش‌های همدوس زیرفضایی سیگنال به دلیل دقت بالا و عملکرد مناسب در نسبت سیگنال به نویزهای پایین همواره مورد توجه بوده است. در این مقاله تلاش کرده‌ایم تا روش تشکیل ماتریس نگاشتی برای روش‌های همدوس ارائه دهیم که برخلاف روش‌های گذشته نیازی به عملیات پیش‌پردازش جهت به دست آوردن تخمین اولیه از جهت‌ها نداشته باشد.

امروزه با مطرح شدن مباحثی همچون دولت الکترونیک، با فرآیندهای بزرگ و پیچیده‌ای مواجه هستیم که برمبنای مشارکت سازمان‌های مختلف و سرویس‌های آن‌ها طراحی می‌شوند. در راستای این مشارکت، روز به روز شاهد افزایش اهمیت مبحث تعامل‌پذیری برون سازمانی هستیم. در این مقاله با تمرکز بر جایگاه تعامل‌پذیری در فرآیندهای کسب‌وکار و با بررسی چالش‌های این حوزه، از جمله بار سنگین ناشی از فراخوانی‌های مکرر و لزوم پشتیبانی از سرویس‌های کاری متنوع و پویا در تعاملات و فرآیندها، به معرفی راهکاری مبتنی‌ بر معماری ریزسرویس‌ها درجهت رفع این چالش‌ها و افزایش بهره‌مندی از تاثیرات مثبت ناشی از تعامل‌پذیری فرآیندهای کسب‌وکار و همچنین بهبود تعامل‌پذیری میان سرویس‌های سازمان‌های مختلف می‌پردازیم. برای ارزیابی رویکرد ارائه شده، یک سناریو از فرآیندهای سازمانی را شبیه‌سازی کرده و ویژگی‌های کیفی مرتبط با تعامل‌پذیری را اندازه‌گیری کردیم.

در این مقاله، طراحی یک فلیپ‌فلاپ چهارمقداری حساس به لبه نوع D با استفاده غالب از مدارهای دودویی و بر اساس فناوری ترانزیستورهای نانو‌لوله‌کربنی شرح داده شده است. مراحل تبدیل از یک لچ چهارمقداری به فلیپ‌فلاپ‌های حساس به سطح و لبه به طور کامل توضیح داده شده است. در هر مرحله مبدل‌هایی جهت تبدیل مدارها به یکدیگر ارائه می‌شوند. در این فلیپ‌فلاپ، قابلیت موجود در لچ برای سفارشی کردن خروجی‌های Q و حفظ می‌شود، تا تعداد تقسیم ولتاژ کمتری صورت گرفته و توان مصرفی کاهش یابد. از آنجایی که فلیپ‌فلاپ پیشنهادی در این مقاله با فرض وجود تنها یک منبع تغذیه طراحی می‌شود، تعداد تقسیم ولتاژ کمتر به معنای توان ایستای کمتر است. نتایج حاصله نشان می‌دهد که حذف یکی از خروجی‌ها میانگین مصرف توان و مصرف توان ایستا را تا حدود نصف کاهش می‌دهد. بعلاوه، مدار پیشنهادی با استفاده از نرم افزار اچ-اسپایس و فایل کتابخانه ترانزیستورهای نانو‌لوله‌کربنی با طول کانال 32 نانومتر اعتبارسنجی و شبیه‌سازی شده است. نتایج شبیه‌سازی حکایت از بهبود %35/79 کارآیی مدار جدید نسبت به بهترین فلیپ‌فلاپ چهارمقداری که قبلا ارائه شده است، دارد. درضمن، زمان تنظیم و زمان نگهداری از جمله عوامل مهم در طراحی فلیپ‌فلاپ می‌باشند، که تاثیر زیادی در تعیین فرکانس سیستم دارند. هر دو عامل در مدار پیشنهادی کاهش چشمگیری نسبت به مدارهای CMOS داشته‌اند.

در سال‌های اخیر استفاده از مدلسازی شبکه‌ای به ابزاری برای شناسایی و تحلیل الگوهای پیچیده رفتاری در بسیاری از دامنه‌ها تبدیل شده است. یک مسئله نادیده گرفته شده در پیش‌بینی بازارهای مالی، داشتن مدلی است که همزمان از شبکه‌ی روابط سهام‌های مختلف و پیش‌بینی‌های مبتنی بر داده‌های گذشته‌ی بازار استفاده کند. برخلاف بسیاری از دامنه‌ها، استفاده از روش انتشار برچسب مبتنی بر شبکه در پیش‌بینی سری‌های زمانی مالی به علت نبود برچسب مورد توجه قرار نگرفته است. در این مقاله ساختار شبکه‌ای جدید برای مدلسازی روابط میان سهام‌های بازار و تاثیر بازده شان بر هم معرفی شده است و بر اساس این شبکه و با ترکیب پیش‌بینی مدل‌های کلاسیک، یک روش انتشار برچسب با استفاده از الگوریتم پیج رنک با بردار شخصی‌سازی طراحی شده است. در روش معرفی شده به نام LabelNet برچسب‌ها به کمک الگوریتم‌های یادگیری نظارت شده از داده‌های گذشته سهم، برای انتشار در شبکه استخراج می‌شوند و با استفاده از انتشار برچسب پیش‌بینی نهایی انجام می‌شود. در نهایت، ارزیابی‌های ما بر روی داده‌های بازار سهام تهران نشان می‌دهد مدل معرفی شده نسبت به مدل‌های رقیب، دقت بالاتری را در پیش‌بینی حاصل کرده است.

در بازار بورس روش‌های تصمیم‌یار متفاوتی با استفاده از روش‌های محاسباتی ارائه شده است تا افرادی که وارد بازار سرمایه می‌شوند سهم‌هایی را انتخاب کنند که بیش‌ترین بازدهی را داشته باشد، یکی از چالش‌های تکنیک‌های ارائه شده برای بازار سرمایه‌ای ایران، آن است که این تکنیک‌ها متناسب با واقعیت‌های بازارهای سرمایه‌ای کشورمان نیست، به همین سبب در این تحقیق یک روش مبتنی بر یادگیری ماشین به منظور ارائه‌ یک سیستم تصمیم‌یار که بتواند سهام‌داران را در فروش سهام‌هایشان یاری کند ارائه‌ می‌شود، روش پیشنهادی از ۲ مرحله‌ی اصلی تشکیل شده‌ است که در مرحله‌ی اول زیرمجموعه‌ی بهینه‌ای از ویژگی‌ها توسط الگوریتم رقابت جهانی انتخاب می‌شوند و سپس در مرحله بعدی بر اساس آن‌ها و با استفاده از ماشین‌های بردار پشتیبان مدل پیش‌بینی کننده ایجاد می‌شود، در این تحقیق الگوریتم رقابت جهانی به مسئله انتخاب ویژگی که یک مسئله گسسته است تعمیم داده‌ شده است، در ارزیابی که از نتایج حاصل شده بر روی یک نمونه موردی حاصل شده‌ است مشاهده می‌شود که راهکار پیشنهادی با دقت ۷۸ درصد، بهتر از روش‌های ژنتیک و ازدحام ذرات می‌تواند افت وخیز سهام بورسی را پیش‌بینی کند.

در سال‌های اخیر، اینترنت اشیا زیر آب (IoUT) به یک فناوری محبوب برای کاوش در محیط زیر آب تبدیل‌ شده است. IoUT شامل تعداد زیادی سنسورهای بی‌سیم زیر آب است که اطلاعات مختلف را جمع‌آوری و به سمت گره سینک ارسال می‌کند. با توجه‌ به شرایط ناپایدار زیر آب و با توجه‌ به اهمیت ویژه قابلیت اطمینان و تأخیر در بسیاری از کاربردها، مدیریت ارتباطات بین سنسورها، به‌منظور بهبود QoS ضروری است. شبکه‌های نرم‌افزار محور (SDN) یکی از بهترین معماری‌ها برای ارائه مدیریت کارآمد شبکه است که قسمت صفحه کنترل (Control plane) را از صفحه داده (Data plane) جدا می‌کند. در این مقاله یک روش جدید مسیریابی مبتنی بر SDN در IoUT باهدف بهبود پارامترهای QoS ازجمله قابلیت اطمینان و تأخیر ارائه شده است. در روش پیشنهادی علاوه بر شناسایی مسیرهای قابل‌اعتماد، به کاهش مصرف انرژی نیز توجه می‌شود. از آنجایی‌ که، کنترل‌کننده از مختصات هر سنسور و انرژی آن آگاه است، باتوجه ‌به وضعیت کانال زیر آب، می‌تواند مطمئن‌ترین مسیر بین دو گره را تخمین زده و مسیری که دارای تأخیر کم و قابلیت اطمینان بالا و همچنین انرژی بیشتری است را شناسایی نماید. سرانجام، مسیر تخمین زده‌ شده را بر روی گره‌های واقع در امتداد آن نصب می‌کند. نتایج شبیه‌سازی نشان می‌دهد که این روش پیشنهادی از لحاظ اقدامات عملکردی مختلفی به طور قابل‌توجهی از سایر روش‌های غیر SDN بهتر است.

امنیت داده‌ها و تبادل امن اطلاعات یکی از مقوله‌های مهم در ایننترنت اشیاء می‌باشد. با توجه به قدرت محاسباتی اندک و همچنین ظرفیت کوچک ذخیره‌سازی در گره‌های شبکه اینترنت اشیاء، در بسیاری از موارد امکان رمزنگاری اطلاعات وجود ندارد و یا نیاز به صرف زمان زیادی است. چالش دیگر نگهداری کلید مشترک رمزنگاری در جای امن است. در چارچوب پیشنهادی بار پردازش رمزنگاری محدود به گره حاوی فایل یا اطلاعات نسبتا بزرگ نیست. بلکه با تقسیم فایل به قطعات کوچکتر‌ از مشارکت دیگر گره‌های شبکه استفاده ‌می‌گردد. بدین منظور سه نوع گره خاص منظوره هماهنگ‌کننده، ادغام‌کننده و مشارکت‌کننده تعریف شده است تا با مشارکت یکدیگر در یک معماری توزیع شده پردازش صورت پذیرد. برای تبادل کلید از روش ECDH استفاده شده است تا دو طرف بتوانند یک کلید امن مشترک را از طریق یک کانال ناامن ایجاد کنند. این چارچوب با فایلی با حجم 560 کیلوبایت روی دو گره واقعی (ESP8266 و ESP32) در کنار سایر گره‌های شبیه‌سازی‌ شده مورد آزمون قرار ‌گرفته شده است. و زمان رمزنگاری در دو حالت استفاده از گره‌های با توان‌های یکسان و متفاوت محاسبه شده که کاهش زمان تا 4 برابر را نشان می دهد.

واژه‌یابی گفتار به جستجوی کلمات كلیدی هدف در یک آرشیو صوتی اتلاق می‌شود. در سال‌های اخیر با پیشرفت تکنولوژی استفاده از سیستم‌های واژه‌یاب گفتار در دستگاه‌های با توان پردازشی كم مانند بلندگوهای هوشمند و تلفن‌های همراه رواج یافته است. استفاده از واژه‌یابی گفتار در این دستگاه‌ها با محدودیت‌های حافظه‌ای و پردازشی همراه است. از این رو، لازم است از روش‌هایی استفاده شود که در كنار دقت مطلوب، تعداد پارامتر‌های كمی نیز داشته باشد. در سال‌های اخیر، شرکت گوگل مبتنی بر مد‌های مطرح شبکه‌های عصبی پیچشی مانند موبایل نت، تی‌سی رزنت، اینسپشن و اکسپشن در حوزه‌ی واژه‌یابی گفتار به دقت مطلوبی دست یافته است. در این مقاله سعی شده است با بهره‌گیری از مکانیزم خودتوجه، دقت واژه‌یابی گفتار مبتنی بر مدل‌های مطرح مذکور افزایش یابد. نتایج ارزیابی حاکی از آن است که استفاده از مکانیزم خودتوجه باعث افزایش دقت %1.72ای مدل موبایل‌نت، %1.411ای مدل اینسپشن، %1.43ای مدل اكسپشن و %1.83ای مدل تی‌سی‌رزنت بدون تاثیر قابل توجه بر تعداد پارامترهای آموزش پذیر مدل‌های مذکور شده است. همچنین، در قیاس با سایر مدل‌های مطرح در حوزه‌ی واژه‌یابی گفتار، در بهترین حالت، به ازای کاهش حدود 2 درصد دقت، تعداد پارامترهای آموزش پذیر مدل 1000 برابر کاهش یافته‌اند.

فسفوریلاسیون یكی از مهمترین تغییرات پس از ترجمة سلول است که طی این فرآیند گروه‌های فسفری به جایگاه‌های خاصی از آمینواسیدها وصل می‌شوند. فسفریلاسیون نقش مهمی در اهداف دارویی و فرآیندهای بیولوژیكی بدن دارد. در سا‌ل‌های اخیر روش‌های محاسباتی و یادگیری ماشینی به عنوان اصلی‌ترین روش‌ها برای پیش‌بینی جایگاه‌ها استفاده شده‌اند. روش‌های محاسباتی برای پیش‌بینی جایگاه فسفوریلاسیون نقش مهمی در مطالعات عملكرد پروتئین‌ها دارند. این روش‌ها عموما از استخراج ویژگی‌های متفاوت برای حل مساله استفاده می‌کنند. از طرفی روش‌های یادگیری ماشینی به دو رویکرد تقسیم شده اند: رویکرد کلاسیک و رویکرد یادگیری انتها به انتها. در این مقاله ابتدا پایگاه‌ داده‌های اصلی موجود برای پیش‌بینی جایگاه فسفوریله مشخص و برررسی شده است. سپس روش‌های استخراج ویژگی در کنار روش‌های محاسباتی و یادگیری ماشینی مقایسه و تشریح شده است.

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.

شبکه‌های موردی بین خودرویی فناوری پیشرفته و نوظهوری هستند که امکان ارتباط خودروها با یکدیگر و با زیرساخت‌های شبکه را فراهم می‌کنند. ساختار باز و پویای این شبکه‌ها زمینه را برای حملات متنوع به شبکه و کاربران فراهم کرده و امنیت این شبکه‌ها را با چالش روبرو کرده است. جعل موقعیت یکی از این حملات است که تا کنون راهکارهای مبتنی بر یادگیری ماشین و راهکارهای مبتنی بر رسی‌های معقول بودن در تشخیص آن‌ها ارائه شده ‌است. با این وجود این نوع راهکارها به تنهایی برای تشخیص دقیق این حملات کافی نبوده‌اند. در این مقاله، روشي پيشنهاد شده است که از هر دو نوع راهکار برای تشخیص حملات جعل موقعیت استفاده می‌کند. در این روش، ابتدا یک بررسی در لایه فیزیکی از رابطه بین RSSI و فاصله انجام می‌شود و سپس خروجی آن به همراه ویژگی‌های دیگر وارد سیستم تشخیص بدرفتاری مبتنی بر یادگیری ماشین می‌شود. برای شبیه‌سازی و ارزیابی روش پیشنهادی از مجموعه داده Modified VeReMi استفاده شده ‌است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی عملکرد مطلوبی را به‌ویژه در بخش بازیابی از خود نشان می‌دهد.

در اين مقاله يک روش جديد براي تخمين طيف فرکانسي سيگنال‌ها معرفي مي‌شود. اين روش بر اساس نمايش تنکi تابع خودبستگي سيگنال در يک پايه فرکانسي با اضافاتii ارائه مي شود. بدين وسيله اندازه پايه فرکانسي به نصف رسيده و در نتيجه حجم محاسبات به طور قابل ملاحظه‌اي کاهش مي‌يابد. نتايج شبيه‌سازي نشان مي‌دهد که کارآيي روش پيشنهادي نسبت به روش مرجع در مدت زمان بسيار کمتري، مشابه مي باشد

پروژه های فناوری اطلاعات به دلیل پیچیدگی زیاد ، در موارد متعددی به شکست می انجامند یا اینکه از زمان یا هزینه ی پیش بینی شده فراتر می روند . یکی از راه هایی که می توان با استفاده از آن جلوی شکست این پروژه ها را گرفت ، ارزیابی و ضعیت فعلی پروژه و بدست آوردن برآوردی از آینده ی پروژه است .در این مقاله قابلیتهای سامانه طراحی و ساخته شده "ساتاب" سامانه ی ارزیاب تحقق اهداف برنامه ای (شرایط پایان دهی) که با استفاده از مدل های تحلیل وضعیت به برآورد شرایط آتی یک پروژه در دست اجرا می پردازد ، توصیف شده است. این سامانه وضعیت فعلی را با آنچه که در ابتدای پروژه پیش بینی شده بود مقایسه شده و موارد عقب ماندگی از هزینه و زمان ، کارآیی زمان بندی و کارآیی هزینه ، بودجه ی تخمینی برای اتمام پروژه ، میزان کارآیی مالی پروژه و روند سودآوری آن را مشخص می کند. همچنین با استفاده از نظرات خبرگان در رابطه با معیارهای موفقیت و شکستی که در پروژه وجود دارد ، احتمالی برای موفقیت و شکست پروژه تعیین می کند و در نهایت به شناسایی خطرهای پروژه و ارائه ی راهکارهای بهبود طلب برای پروژه می پردازد . همچنین ارزیابی های پروژه در بازه های مختلف زمانی را باهم مقایسه می کند و بدین وسیله روند پایان دهی پروژه را نشان می دهد و در خاتمه یک گزارش تحلیلی نهایی رایانه ای شامل یک تصمیم توصیه ای در مورد توقف یا ادامه پروژه تا اتمام را تولید می کند.

در این مقاله روش جدیدی برای استخراج ویژگی از تصویر زیرکلمات چاپی فارسی با استفاده از تبدیل بسته­ی ویولت سیملت نوع 8، برای طراحی سیستم­های بازشناسی نوری نویسه ارائه شده است که برای چهار قلم زر، لوتوس، میترا و نازنین و سه اندازه­ی 12،14و16 ثابت است. با اعمال روش آنالیز اجزای اصلی ابعاد ویژگی­ها به 100×1 کاهش می­یابد تا ابعاد بزرگ بردار ویژگی باعث کندی سیستم نشود. برای مقایسه­ی نهائی، بردار ویژگی تصویر ورودی با بردار ویژگی تک تک تصاویر موجود در پایگاه داده مقایسه شده و از روی میزان شباهت دو کد، زیرکلمه بازشناسی می­شود. در این الگوریتم، برای بهبود نرخ بازشناسی می توان از کد نقاط زیرکلمه استفاده کرد. در این حالت جواب صحیح بدست می آید مگر در مواردی که کد نقطه­ی زیرکلمه­ی مجهول اشتباه شناخته شود. در مرحله­ی پس­پردازش با کد نقاط از یک مجموعه شامل 800 زیرکلمه با قلم­ها و اندازه­های مختلف 96% بدرستی بازشناسی شده­اند. نتایج بدست آمده بیان کننده­ی کارائی الگوریتم می­باشد.

تبديل ويژگي¬ها يک روش متداول در بازشناسی الگو است که مي تواند منجر به افزايش دقت رده بندي يا کاهش بار محاسباتي گردد. در اين مقاله يک روش تبديل ويژگی مبتنی بر ماکزيمم اطلاعات متقابل معرفی و ارائه می¬شود که اطلاعات متقابل ميان ويژگي¬ها و کلاسها را ماکزيمم مي¬کند. تبديل حاضر با يک روش تکراري و بر اساس افزايش گراديان نقطه¬ای تخمين زده مي¬شود. نتايج آزمايشات انجام گرفته روي دادگان UCI و دادگان TIMIT نشاندهنده عملکرد بهتر روش پيشنهادي نسبت به ديگر روشها است. در بين دادگان¬های UCI در دادگان Glass افزايش دقت 7.94 درصدی، نسبت به بهترين حالت تبديلات ديگر بدست آورده شده و در دادگان TIMIT اين افزايش 0.07 درصد مي¬باشد.

امروزه داده¬کاوی نقش مهمی در تجارت و فناوری اطلاعات ایفا می‌کند و روش‌های داده‌کاوی به طور وسیع در سازمان‌های تجاری به کار گرفته شده است. اگرچه به اشتراک‌گذاری داده‌ها در بین سازمان‌ها مزایای بسیاری را در اختیار آن‌ها قرار داده است، اما از طرفی این امر موجب گردیده که خطر افشای اطلاعات حساس در داده‌های منتشر شده افزایش یابد. پاک‌سازی اطلاعات به پروسه‌ای گفته می‌شود که در آن با استفاده از اعمال تغییراتی در پایگاه‌داده اصلی، مجموعه-آیتم¬های حساس مخفی‌سازی می‌شوند. پس از پاک‌سازی داده‌ها، پایگاه‌داده حاصل انتشار می‌یابد.اين مقاله به بررسي حفظ حريم خصوصی در يکي از روش-هاي داده¬کاوي به نام کاوش سودمندي مي¬پردازد. پیدا کردن راه حل بهینه برای مسأله پاک‌سازی پایگاه داده در کاوش سودمندی، یک مسأله برنامه‌ریزی غیرخطی عدد صحیح با قید¬های غیر خطی می‌باشد. الگوریتم‌های اکتشافی قبلي ارائه شده در اين زمينه اگرچه به خوبي توانسته¬اند حريم خصوصی را حفظ کنند، اما از لحاظ کيفيت داده¬هاي توليد شده از کارايي مناسبي برخوردار نيستند. در این مقاله یک الگوریتم تکاملی برای حل این مسأله ارائه شده است. نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که الگوريتم¬ارائه شده، از لحاظ کیفیت داده‌های تولید شده نسبت به الگوريتم¬هاي پيشين از برتري چشم¬گيري برخوردار است.

قطعه‌بندی تصاوير مغز يکي از اساسي‌ترين پروسه‌ها در آناليز بيماري‌های مغزی و طراحي برنامه‌هاي درمان است. تصاوير پزشکي همواره با مقدار قابل توجهي نويز ناشی از شرايط محيطي، ماهيت تصويربرداري و تاثیر امواج ساير تجهيزات پزشکي همراه است که منجر به ناکارآمدي روش‌هاي قطعه‌بندی مي‌شود. مدل میدان تصادفی مارکوف یک مدل آماری است که با یاری گرفتن از تعریف سیستم همسایگی و قیود وابستگی‌های فاصله‌ای تاثير نويز در قطعه‌بندی را کاهش داده و مساله قطعه‌بندی را به يافتن يک میدان برچسب‌گذاري شده با مقدار انرژي بهينه تبديل مي‌نمايد. روش‌های جستجوی گوناگونی برای یافتن این میدان بهینه پیشنهاد شده‌اند. اگرچه با کمک این روش‌ها موفقیت‌های چشمگیری در این زمینه بدست آمده اما در عمل بار محاسباتی بالا و سرعت کم این مدل برای انجام پروسه قطعه‌بندی کماکان یک چالش محسوب می‌شود. برای رفع این مشکل، در این مقاله یک روش ترکیبی جدید بر پایه الگوریتم بهینه‌سازی کلونی مورچگان و الگوریتم شایعه‌پراکنی به منظور قطعه‌بندی تصاویر سه‌بعدی مغز ارائه شده است. نتایج بدست آمده سرعت بالاتر روش پیشنهادی را نسبت به روش‌های موجود نشان می‌دهد.