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.

کشف و استخراج رابطه‌های بین مقادیر خصیصه‌ها در بانک‌های اطلاعات رابطه‌ای که از آن‌ها با عنوان وابستگی‌های تابعی یاد می‌کنیم، یک مقوله مهم در داده‌کاوی و اخذ دانش است. تا کنون روش‌های بسیاری برای کشف وابستگی‌های تابعی کلاسیک و تقریبی ارائه شده‌اند. اما حتی بهینه‌ترین این روش‌ها هم کارایی قابل قبولی برای مجموعه داده‌های بسیار حجیم ندارند. به علاوه، اغلب روش‌های پیشنهاد شده، داده‌های بانک اطلاعات را ثابت فرض می‌کنند و در نتیجه، با افزوده شدن داده‌های جدید به بانک اطلاعاتی، پیمایش مجدد کل داده‌ها جهت کشف وابستگی‌های جدید لازم می‌شود. در این مقاله، ما یک روش افزایشی جدید به نامAD-Miner برای کشف وابستگی‌های تابعی تقریبی ارائه می‌دهیم. بخش عمده کار ما بر پایه عملگرهای منطقی است. در این روش، به هنگام اضافه شدن تعدادی تاپل به یک رابطه، نیازی به پیمایش کل داده‌ها نمی‌باشد و کافی است داده‌های افزوده شده پیمایش شوند. نتایج آزمایش‌های ما بر روی داده‌ای واقعی و ساختگی نشان می‌دهند که الگوریتم ما از کاراترین الگوریتم های افزایشی و غیرافزایشی موجود در زمینه کشف وابستگی‌های تابعی کاراتر است. مزیت دیگر روش ما نسبت به سایر روش‌ها نشان دادن تاپل‌هایی است که از یک وابستگی تبعیت نمی‌کنند. این ویژگی مهم می‌تواند جهت کشف داده‌های ناسازگار در یک مجموعه داده مورد استفاده قرار گیرد.

با افزایش تعداد و حجم سندهایXML اهمیت پردازش بهینه پرس و جوهایXML بیشتر به چشم می‌خورد. پرس و جوهایXML شامل مجموعه‌ای از المان‌هایی هستند كه تحت یك ساختار درختی به هم مربوط می‌باشند. در نتیجه مسأله انطباق شاخه ای مابین پرس و جو و سند، به عنوان هسته مركزی پردازش پرس و جو مورد توجه است. روش‌های زیادی برای انطباق پرس و جوهای شاخه ای ارائه شده است ولی در تمامی این روش‌ها گره‌هائی كه در نتیجه نهایی نیز شركت ندارند، پردازش می‌شوند. این مسأله باعث پردازش بی ثمر گره‌ها و درنتیجه افزایش زمان پاسخگوئی به پرس و جو می‌شود. در این مقاله با ارائه ایده راهنمای تطبیق الگو، روش جدیدی برای پردازش پرس و جویXML مطرح شده است. در این روش تنها گره‌هائی پردازش می‌شوند كه حتما در جواب نهایی شركت دارند. راهنمای تطبیق الگو، رابطی مابین شما و محتوای سند است. راهنمای تطبیق الگو بر خلاف برخی از روش‌های انطباق شاخه‌ای می‌تواند با بسیاری از شاخص‌های فعلی به خوبی كار كند و به انواع پرس و جوها به طور كارا پاسخ دهد. كارایی این روش با استفاده از محكDBLP در مقایسه با روش‌های مطرح در این زمینه نشان داده شده است.

یادگیری بازی‌ها از جمله مسائل مورد توجه و پرکاربرد در هوش مصنوعی است. تا کنون روش‌های مختلفی برای یادگیری بسیاری از بازی‌ها ارائه شده است. این روش‌ها بر اساس ویژگی‌های مختلفی مورد بررسی قرار می‌گیرند. یکی از این ویژگی‌ها میزان استفاده از دانش فرد خبره در زمینه بازی مورد نظر است. یکی از روش‌های موفق یادگیری بازی که از هیچ دانش بشری در زمینه بازی مورد نظر استفاده نمی‌کند روش هم تکاملی است. در این روش بازیکنان در ضمن تکامل برای یادگیری بازی از هیچ تابع ارزیابی شایستگی خارجی استفاده نمی‌کنند و صرفاً نتایج بازی‌های انجام شده در مقابل یکدیگر برای ارزیابی بازیکنان استفاده می‌شود. این روش تا کنون در یادگیری بازی‌های بسیاری همچون چکرز، اتلو و امثال آن با موفقیت مورد استفاده قرار گرفته است. الگوریتم هم تکاملی مورد استفاده در یادگیری این بازی‌ها دارای معایبی است که باعث می‌شود این الگوریتم قادر به یادگیری بازی ساده‌ای همانند با زیOX نباشد. این مشکلات در این مقاله به طور دقیق مورد بررسی قرار گرفته و چارچوب هم تکاملی رقابتی جدیدی برای رفع آن‌ها ارائه می‌شود. در چارچوب پیشنهادی برای یادگیری نقش دو بازیکن متفاوت دو جمعیت مجزا در نظر گرفته شده و برای ارزیابی هر جمعیت، جمعیت ارزیابی متشکل از تعداد ی از افراد جمعیت مقابل تشکیل می‌شود. نتایج تجربی بدست آمده نشان دهنده آن است که الگوریتم جدید به خوبی قادر به رفع مشکلات برشمرده شده می‌باشد.

آخرین مدل از فروش کالا در تجارت الکترونیک، مدلهاي نسل سوم هستند که امکان خرید مقایسهاي را در اختیار کاربران قرار میدهند به نحوي که اطلاعات مربوط به کالاهاي فروشندگان مختلف را از پایگاه داده آنان جمعآوري نموده و بصورت مقایسهاي به کاربران ارایه میدهند. هر چند که این سناریو، کار را براي کاربران ساده تر نموده است اما هنوز در واسطهاي کاربر مدلهاي نسل سوم نقصهایی وجود دارد. از جمله اینکه این امکان وجود ندارد که کاربر پرسش خود را به زبان ساده و طبیعی مطرح ساخته و پاسخ آن را بگیرد و باید از کلمات کلیدي منطبق بر منطق از پیش ساخته واسط کاربر این سیستمها استفاده نماید. در این مقاله، ما سیستمی را در حوزه فروش کالا طراحی و پیشنهاد مینماییم که قابلیت برقراري ارتباط با کاربران به زبان ساده و طبیعی را داراست.

در اين مقاله، يك مدل بازار الكترونيكي مبتني بر اعتبار و يادگيري براي عاملهاي خريدار و فرو ش نده پيشنهاد مي شود. در مدل ارائه شده عاملهاي فروشنده ياد م ي گيرند كه با استفاده از يادگيري نزديكترين همسايگي و تخمين ميزان مشابهت خريدار جديد با خريداران قبلي خود، اولين پيشنهاد فروش را براي خريدار مورد نظر تنظيم كنند همچنين عاملهاي فروشنده با استفاده از ر وش يادگيري تقويتي ياد م ي گيرند كه چگونه قيمت، كيفيت و زمان تحويل كالا را براي خريداران به منظور بيشينه كردن سود تنظيم كنند و همچنين با استفاده از مدل اعتباردهي ارائ ه شده، تخفيف كالا را براي خريداران معتبر در نظر بگيرن د . عاملهاي خريدار نيز با استفاده از ر وش يادگيري تقويتي ياد م ي گيرند كه فروشندگان را بر اساس كيفيت، قيمت و زمان تحويل كالا اعتباردهي نموده و انجام امور تجاري خود را روي عاملهاي فروشندة معتبر، متمركز كنن د . مدل ارائه شده با استفاده از اجلت كه يك محيط ايجاد عامل مي باشد پياده سازي شده و آزمايشات انجام شده نشان مي دهد، عاملهايي كه از مدل ارائه شده استفاده م ي كنند نتايج بهتري را نسبت به ديگر عاملها به دست مي آورند.

در طرحهاي اشتراک سر يک مقدار محرمانه بين افراد شرکتکننده به گونهاي توزيع ميشود که هر فرد به تنهايي قادر به کشف رمز نيست ولي هر زيرگروه مجاز قادر به اشتراکگذاري سهم خود و محاسبه مقدار محرمانه است. يکي از جديدترين مدلهاي ارائه شده براي اشترا ک سر، طرحي مبتن ي بر اتوماتاي سلولي با حافظه اس ت. در اين مقاله، حمله اي براي تقلب د ر طرح اشتراک سر مبتني بر اتوماتاي سلولي با حافظه ارائه شده ا ست. در اين حمل ه، افراد متقلب با به اشتراک گذاري مقدار نادرست سهم خود، قادر به محاسبه مقدار تقلب هستن د. افراد درس تکار از وقوع تقلب بياطلاعاند و مقدار نادرست سر را به جاي مقدار درست آن در نظر ميگيرند. در اين مقاله، چگونگي محاسبه مقدار تقلب در صورت حضور افراد متقلب ارائه و اثبات شده است. افراد متقلب با استفاده از اين مقدار قادر به بازسازي مقدار درست سر هستند.