انجمن کامپیوتر ایران

در سال‌های اخیر تشخیص ناهنجاری در تصاویر فراطیفی، به یکی از کاربردهایمهم آشکارسازی اهداف در سنجش از دور تبدیل شده است. در بسیاری از کاربردها علاوه بر دقت الگوریتم‌ها، ‌سرعت اجرای آن‌ها نیز از اهمیت بالایی برخوردار است. در این مقاله به کمک تبدیل فوریه سریع،روشی ارائه شده است که به عنوان عمليات پيش‌پردازش کاهش بعد براي الگوريتم‌هاي تشخيص ناهنجاري عمل مي‌کند و سرعت و دقت آن‌ها را بهبود مي‌دهد. در روش پیشنهادی ابتدا تصویر با استفاده از تبدیل فوریه سریع به حوزه فرکانس برده می‌شودو سپس عملیات پردازش روی دو باند از ماتریس «اندازه تبدیل فوریه»، که چکیده رفتار تصویر را در خود دارد، انجام می‌شود. نتایج اعمال روش پیشنهادی روی دو سری داده فراطیفی سنجنده‌ی AVIRIS نشان می‌دهد که این روش کارایی الگوریتم‌های Local RX، DWRX و DWEST را از لحاظ سرعت به حدی بالا برده است که از آن‌ها می‌توان در کاربردهای بی‌درنگ استفاده کرد. به علاوه، این روش کارایی تشخیص الگوریتم‌های Local RX و DWRX را تا حد زیادی افزایش داده است. علت این امر، افزایش اختلاف طیفی بین پیکسل‌های هدف و پس‌زمینه با استفاده از روش پیش‌پردازش کاهش بعد است.

امروزه حجم بسیار بالای اسناد بایگانی شده سبب گشته، بسیاری از اسناد به صورت الکترونیکی در پایگاه های داده، ذخیره شوند. لوگوی یک متن، معرف مالکیت آن متن است و بوسیله آن می توان متون مختلف را دسته بندی کرد، به همین دلیل روش های مختلفی جهت استخراج لوگو ارائه شده است. متد های ارائه شده قبلی، دارای مشکلاتی از قبیل،خطادرتشخیصلوگوو سرعت پایین تشخیص است. روشپیشنهادیاینمقالهازدوبخشتشکیلشدهاست،دربخشاول، توسطساختاردرختیهرمیوتجزیه و تحلیلعمودیوافقی،موقعیتدقیقلوگوشناساییمیشودودربخشدوم، توسطالگوریتمگسترشمرزچهارگوشویژگی،لوگواستخراجمیگردد. روش ارائه شده در این تحقیق، دارای دقت و سرعت بالاتری نسبت به متد های قبلی ارائه شده می باشد.

اکثر نظريه‌هاى موجود، تنها وجهى از وجوه يادگيرى انسان را مورد توجه قرار مى‌دهند. اگر بخواهيم چگونگى يادگيرى انسان را مطالعه کنيم، بايد مجموع تمام نظريه‌ها را در نظر بگيريم؛ زيرا تفکيک آنها در فرايند يادگيرى انسان چندان معقول نيست. در اکثر نظريه‌ها و الگوهاى يادگيري، به احتياجات، تمايلات، تجربيات و عادات قبلى انسان کمتر توجه شده است. پاداش و تنبيه نقش بسيار ارزنده‌اى در يادگيرى انسان دارد. مدلهای محاسباتی یادگیر عاطفی رهیافت نوینی است که امروزه در امر تحقیق بر روی یادگیری انسان و حتی ماشین از نظر محققان در دست بررسی می باشد. یکی از این مدلهای یادگیر عاطفی، مدل مورن می باشد. در این مقاله به تحلیل مدل یادگیری مورن پرداخته و یک مدل پیشنهادی برای مدلسازی و پیش‌بینی تراز آب دریای خزر با استفاده از این مدل شبیه سازی شده است. در نهایت این مدل با روشهای گذشته پیش‌بینی تراز آب دریای خزر مقایسه شده است. نتایج شبیه سازی نشان میدهد که مدلسازی و پیش‌بینی با مدل مورن برای تراز آب دریای خزر، نسبت به روشهای گذشته بهبود یافته است.

در اين مقاله بر اساس نيازمندی¬های اصلی سيستم¬های تشخيص نفوذ در شبکه¬های موردی سيار به ارائه يک الگوريتم تشخيص نفوذ تعاونی مبتنی بر رای¬گيری مطمئن می¬پردازيم. در اين راستا سه نوع گره با عناوين گره تشخيص نفوذ مانيتور، تشخيص نفوذ کلاينت و عمومی در يک شبکه مبتنی بر خوشه¬بندی و ناحيه¬بندی تعريف می¬شوند. گره تشخيص نفوذ مانيتور با ارسال بسته¬ای برای گره¬های عمومی موجود در خوشه خود فرايند تشخيص نفوذ را آغاز می¬کند و در نهايت با دريافت رای از گره¬های تشخيص نفوذ کلاينت و آناليز آنها، گره¬های مهاجم را تشخيص می¬دهد. در اين الگوريتم با بهره¬گيری از گره¬های مطمئن و مورد اعتماد در فرايند رای¬ گيری، تعريف سه سطح اطمينان برای گره¬های عمومی، توجه به نرخ ترافيک، ميزان انرژی و سرعت گره¬ها در مرحله تصميم گيری، به ميزان قابل توجهی ميانگين درصد تشخيص اشتباه کاهش يافته و هيچگونه محدوديتی در تشخيص تعداد گره¬های مهاجم وجود ندارد.

در اين مقاله روشي برای نهان¬نگاري درون تصویر در حوزه تبدیل كرولت ارائه شده است. ابتدا براي ضرايب كرولت مجموعه¬اي از ضريب ريشه و ضرايب فرزند در نظر گرفته مي¬شود، سپس بر اساس ارتباط بین گره ریشه و گره¬های فرزند در هر مجموعه، ميانگين مقدار گره¬ فرزند محاسبه می¬شود. بر اساس مقدار بيت نهان¬نگاره برای هر مجموعه، تعیین می¬کند که گره ریشه مجموعه¬ي انتخاب شده، چگونه کوانتیزه ¬شود. الگوريتم پيشنهادي در برابر حملات مختلف به¬غير از حمله اعمال نويز، مقاومت بالایی دارد. همچنین تصویر نهان¬نگاری شده از كيفيت بالايي برخوردار است و نهان¬نگاره در برابرحملات نسبت به روش-هاي مقايسه شده پايداري بالاتري دارد.

یکی از چالش¬های اساسی در زمینه سرمایه¬گذاری در بازارهای بورس کالا و اوراق بهادار، تنوع تعداد اقلام و نیز سهامعرضه شده و همچنین نوسانات زیادی است که در این بازارها رخ می دهد. لذا اتخاذ یک تصمیم درست و انتخاب یک آیتم سودآور جهت سرمایه¬گذاری در آن، یکی از مسائل مهم برای رسیدن به موفقیت در این نوع بازارها می¬باشد. در این مقاله با استفاده از پروسه تحلیل سلسله مراتبی (AHP)، سیستم توصیه-گری معرفی می¬گردد که قابلیت عرضه یکسری توصیه¬ها به کاربران جهت سرمایه¬گذاری در یک بازار خاص و یا خرید یک آیتم مشخص را دارا است. این سیستم توصیه¬گر که از نوع سیستم¬های پالایش همکارانه می¬باشد، براساس یکسری معیارها از جمله شاخص قیمت، شاخص تعداد معاملات، قیمت هر آیتم (که می¬تواند کالا یا سهام باشد)، سود هر آیتم، برتری شرکت¬های حاضر در بورس نسبت به یکدیگرو در نهایت امتیازاتی که کاربران قبلی نسبت به این شرکت¬هاابراز نموده¬اند، افراد را قادر می¬سازد تا با توجه به توصیه¬های ارائه شده، یک یا چند آیتم را انتخاب و در آنها سرمایه¬گذاری نمایند. در پایان مقاله عملکرد سیستم پیشنهادی مورد ارزیابی قرار گرفتهاست.

پيش¬بينی نقص نرم¬افزار يکی از موثرترين روش¬های مطرح در کاهش هزينه¬ی آزمون نرم¬افزار است. در اين روش تعداد احتمالی نقص در هر بخش از نرم¬افزار پيش¬بينی می¬شود و بخش¬های نقص¬پذير محتمل در اولويت آزمون قرار می¬گيرند. اطلاع از میزان سودمندی این روش در پروژه¬های موجود به مدیر پروژه کمک می¬کند تا از سودمندی روش پیش¬بینی نقص درک بهتری داشته باشد و بهتر از این روش استفاده کند. برای این منظور در این مقاله میزان سودمندی پیش¬بینی نقص در چهل¬و¬هشت پروژه¬ی متن¬باز توصیف شده و ارتباط میزان سودمندی با چگالی نقص و اندازه¬ی پروژه بررسی شده است. در انجام آزمایشات، معیار اثربخشی¬هزینه برای سنجش میزان سودمندی بکار رفته است و از تحلیل پیرسون برای بررسی ارتباط¬های مورد نظر استفاده شده است. نتایج آزمایشات بر روی مجموعه¬داده¬های گنجینه¬ی پرامیس نشان داده است که متوسط اثربخشی هزینه در پروژه¬های مورد بررسی 0.59 است و هرچه چگالی نقص در یک پروژه کمتر شود، پیش¬بینی نقص، اثربخش¬تر است به طوری که برای پروژه¬هایی که در آن ها در هر کیلو خط از کد، حداکثر یک نقص وجود دارد، اثربخشی هزینه بیشتر از 0.80 است. ارتباطی بین اندازه¬ی پروژه و اثربخشی هزینه مشاهده نشده است.

روش تجزیه WZ، یکی از روشهای مستقیم برای حل عددی دستگاه¬های معادلات خطی بویژه دستگاه¬های حاصل از زنجیره¬های مارکوف است.این روش می¬تواند سریعتر از روش تجزیه LU باشد.پیاده¬سازی¬های رایج روش تجزیه WZ برخلاف روش تجزیه LU که به عناصر ماتریس بصورت سطری دستیابی می¬کنند، به عناصر ماتریس هم بصورت سطری و هم بصورت ستونی دستیابی می-کنند.از آنجا که این پیاده¬سازی¬ها به موضوع محلیّت داده توجه لازم را نشان نداده¬اند، برای ماتریس¬های با ابعاد بزرگ با مشکل جدی در محلیت داده روبرو هستند. در این مقاله روش تجزیه WZ را به¬گونه¬ای تغییر داده¬ایم که تمام دسترسی¬ها به عناصر ماتریس سطری شوند. با اینکار شاهد بهبود فوق¬العاده در محلیّت داده بوده¬ایم.

حجم زیاد داده¬های وب معنایی و رشد سریع¬ آنها چالش محاسباتی عمده¬ای در استنتاج مقیاس¬پذیر و موثر بوجود آورده است. بیشتر آنتولوژی¬ها Aboxهای بزرگی دارند، یعنی ادعاها در مورد اجزاء و روابط بین آنها بسیار زیاد است. معمولا سه¬گانه¬هایی با گزاره-مفعول¬ یکسان در آنتولوژی¬ها وجود دارد. برای استنتاج روی این سه¬گانه¬ها می¬توان آنها را در یک دسته قرار داد. از این واقعیت به عنوان ایده اصلی برای کاهش تعداد سه‌گانه¬ها استفاده شده است. یک الگوریتم نموی برای خلاصه¬سازی Abox براساس این ایده طراحی و پیاده¬سازی شده است. ابتدا خلاصه¬سازی آنتولوژی به شکل افزایشی در حافظه اصلی انجام می¬شود. سپس فرآیند استنتاج روی Abox خلاصه¬شده انجام می¬شود. آزمایش روی داده¬های مصنوعی استاندارد و دنیای واقعی انجام شده است. نتایج ارزیابی¬ها نشان ¬دهنده صحت و دقت صد درصدی این رویکرد است و میزان خلاصه¬سازی صورت گرفته امیدوار کننده¬ است، این خلاصه‌سازی همچنین باعث کاهش چشمگیر زمان انجام فرآیند استنتاج می¬شود.