انجمن کامپیوتر ایران

در این مقاله یک فیلتر فازی - ویولت برای کاهش اثر نویزهای گوسی جمع شونده با تصویر ارائه شده است. این فیلتر از دو بخش تشکیل شده است. بخش اول مشتق فازی را در 8 جهت مختلف متناظر با همسایگی‌های 3*3 پیکسل میانی بدست می‌آورد؛ در بخش دوم از این مشتقات جهت‌دار فازی وزن داده شده برای نرم‌سازی تصویر استفادده می‌شود. برای پیداکردن میزان نویز موجود در تصویر و توزیع آن از اختلاف میان تصویر نویزی و تصویر حذف نویز شده توسط روشBayes shrink استفاده می‌شود. روشBayes shrink یک روش حذف نویز بر اساس تبدیل ویولت است که جزئیات تصویر و لبه‌ها را حفظ می‌نماید. برای نشان دادن کارایی، روش ارائه شده پیاده‌سازی گردید و نتایج بدست آمده با فیلترهای مشابه گردید که حاکی از موثر بودن فیلتر ارائه شده می‌باشد.

خوشه‌بندي گره‌ها در شبکه‌هاي حسگر یکی از روش‌هاي موثر در طولانی کردن عمر این شبکه‌ها بشمار می‌آید. در این مقاله الگوریتمی مبتنی بر اتوماتاهاي یادگیر جهت خوشه‌بندي گره‌ها (LACA) در شبکه‌هاي حسگر پیشنهاد می‌گردد. الگوریتم پیشنهادي یک الگوریتم توزیع شده است و مستقل از اندازه و ساختار شبکه حسگر عمل می‌کند. کارایی الگوریتم پیشنهادي از طریق شبیه‌سازي و مقایسه نتایج بدست آمده با نتایج روش‌هاي پیشین مورد ارزیابی قرار گرفته است. نتایج بدست آمده حاکی از کارایی بالاي الگوریتم پیشنهادي است.

واحد (Multiplier Accumulator) MAC سریع با استفاده از تسهیم کننده‌های ترانزیستور عبور ارائه شده است. در بخش تولید حاصلضرب‌های جزئی از الگوریتم مبنای چهار بوت تصحیح یا فته بهره برده شده است. در قسمت کاهش حاصلضرب‌های جزئی کمپرسور 2-4 بر اساس تسهیم کننده‌های ترانزیستور عبور معرفی گشته‌ است. به دلیل عملکرد مناسب تسهیم کننده‌ها، تعداد مرحله‌های مسیر بحرانی دروازه ها حداقل شده است و در نتیجه مدارهای جدید دارای سرعت بالاتر نسبت به مدارهایCMOS معمول هستند. جمع کننده پیش بینی کننده رقم نقلی با زنجیره نقلی منچستر پیاده‌سازی شده است. در پیاده‌سازی جمع کننده از منطق DCVS استفاده گردیده است. جمع کننده ارائه شده مشکل هماهنگی تاخیر مدار قبلی را از بین برده است. بدترین حالت در جمع کننده پیش بینی کننده رقم نقلی از نظر توان مصرفی 25٫8 ٪ کاهش داشته است. زمان ضرب ns 4،4 در منبع تغذیهv 2،5 می‌‌باشد. در مجموع واحد ضرب کننده ارائه شده 45*45 بیت در مقایسه با طرح‌های مشابه از نظر توان مصرفی 14٫62 ٪ کاهش، از نظر تاخیر 12٫1 ٪ کاهش و از نظر تعداد ترانزیستور 6٫72 ٪ کاهش داشته است.

مطالعات نشان داده است که بعد فرکتالی از ویژگی‌های مناسب برای توصیف خصوصیات بافت و تمایز آن‌ها از یکدیگر است. در این مقاله الگوریتم جدیدی برای تخمین بعد فرکتالی براساس تقسیم درخت‌های چهارتایی ارائه شده است. در روش پیشنهادی تصویر سطح خاکستری به صورت یک سطح سه بعدی در نظر گرفته می‌شود، که بعد فرکتالی آن با تجزیه سطح تصویر به بلوك‌های درخت چهارتایی حساب می‌گردد. با این روش مقادیر حساب شده بعد فرکتالی برای بافت‌های مختلف از تمایز خوبی برخوردار بوده كه منتج به قطعه‌بندی بافت‌ها با خطایی پایین می‌گردد. این الگوریتم در مقایسه با روش‌های قبلی کارآیی بهتری را در ایجاد تمایز مابین بافت‌ها به ویژه در مواردی که بافت‌های مورد بررسی تباین‌های متفاوتی دارند، فراهم می‌کند.

میزان دریافت نامه‌های الکترونیکی، پیوسته در حال افزایش می‌باشد و روزانه وقت زیادی جهت فیلترنمودن و سازماندهی آن‌ها در پوشه‌ها صرف می‌گردد، بنابراین نیاز به سیستمی احساس می‌شود که بطور اتوماتیک جهت طبقه‌بندی و مدیریت نامه‌های الکترونیکی مورد استفاده قرار گیرد. سیستم‌های طبقه بندی مختلفی توسط پژوهشگران، جهت دسته‌بندی اتوماتیک نامه‌های الکترونیکی ارائه شده‌اند. در این مقاله الگوریتمی جهت دسته‌بندی نامه‌های الکترونیکی برای نرم افزارMicrosoft Outlook ارائه شده که در آن از طبقه‌بندی کننده نزدیک‌ترین همسایه استفاده شده است. این الگوریتم به مدیریتinbox کاربر کمک می‌کند تا نامه‌ها را بر اساس پوشه‌های تعریف شده توسط کاربر، دسته‌بندی کند. مزیت اصلی این سیستم، عدم نیاز به داده‌های آموزشی زیاد، بار محاسباتی کم و دقت بالا می‌باشد.

در این مقاله ضمن بررسی الگوریتمPSO وGCPSO ، الگوریتم باینریGCPSO (GCBPSO) بطور دقیق و مفصل تحلیل شده است. نتایج این تحقیق نشان می‌دهد که الگوریتمGCBPSO دو مشکل بزرگ و عمده دارد که موجبات عدم همگرایی و یافتن جواب بهینه را فراهم می‌کنند. با ارائه راه‌حل‌های مناسب، این دو عیب برطرف شده و تعمیمی بر این الگوریتم ارائه شده است. نتایج آزمایش‌ها برتری مطلق روش پیشنهادی به روش متداول را روی یازده تابع محک استاندارد نشان می‌دهد.

درخت مدل خطي محلي يا LOLIMOT كه در آن از نوعي از مدل فازي عصبي خطي محلي استفاده شده است، الگوريتمي بر اساس استراتژي تقسيم و غلبه م ي باشد كه در آن حل مسئله پيچيده از طريق تقسيم م سئله به تعدادي زير مسئلة كوچ ك تر (و از اين رو ساده تر) صورت مي پذيرد. بنابراين مشخصات اين مد ل هاي فازي -عصبي (زير مسئله هاي كوچك تر شده ) به مقدار زيادي ، به ساختار الگوريتم بكار برده شده جهت تقسي م بندي، وابسته مي باشد. يكي از مشكلات الگوريتم LOLIMOT رو به ر شد بودن تعداد مدل هاي محلي خطي LLM ها مي باشد، بدين معني كه براي رسيدن به خروجي بهتر (خروجي با خطاي كمتر ) تنها راه در الگوريتم LOLIMOT ، پيدا كردن بدترين LLM ( LLMبا خطاي بيشتر) و تقسيم آن به دو LLM مي باشد و اين يعني اضافه شدن تعداد LLM ها . در اين مقاله س عي شده با ارائه روشي براي تركيب LLM ها و قرار دادن آن در الگوريتم LOLIMOT از افزايش بي رويه تعداد مدل هاي محلي جلوگيري گردد. لذا مي توان گفت هدف اصلي تركيب نرو ن ها، رسيدن به خطاي مطلوب با تعداد مد ل هاي كمتري نسبت به الگوريتم اصلي LOLIMOT مي باشد، در پايان الگوريتم پيشنهادي توانست با يافتن مد ل هاي مناسب و تركيب آنها بخوبي به اين مهم دست يابد.