انجمن کامپیوتر ایران

تعداد افراد سالمند که به تنهایی زندگی می‌کنند، در بسیاری کشورها در حال افزایش است. یکی از مهمترین خطراتی که این افراد را تهدید می‌کند، زمین خوردن است که احتیاج به رسیدگی سریع دارد. دوربین‌های نظارتی وسیله مناسبی برای تشخیص خودکار آن هستند. این دوربین‌ها با استفاده ازالگوریتم‌های بینایی کامپیوتر ویژگی‌هایی را از دنباله تصاویر ویدئویی استخراج می‌کنند و سپس بوسیله طبقه‌بندی آنها به طور خودکار زمین خوردن را تشخیص دهند. ویژگی‌های رایجوابسته به جهت دید دوربین هستند. برای حل این مشکل از چندین دوربین استفاده می‌شود که پیچیدگی سیستم را افزایش می‌دهد. ما در این مقاله پیشنهاد می‌کنیم که از مساحت سیلوئت بدست آمده از یک دوربین به عنوان یک ویژگی مقاوم به جهت دید دوربین استفاده شود. نتایج تجربی نشان می‌دهد که ترکیب دو ویژگی مساحت و نسبت طول به عرض مستطیل محیطی خطایی کمتر از %2 در تشخیص زمین خوردن روی یک مجموعه داده در دسترس ایجاد می‌کند.

اندازه‌گیری شباهت جملات در کاربردهای مختلفی از پردازش متن از جمله سیستم‌های پرسش و پاسخ و خلاصه‌سازی متن مورد استفاده قرار می‌گیرد. در این مقاله روشی جدید برای اندازه‌گیری شباهت معنایی جملات مبتنی بر نقش‌های معنایی معرفی شده است. در این روش، جملات ورودی ابتدا با برچسب‌های بخش‌های گفتار و نقش‌های معنایی برچسب‌ زده می‌شوند و سپس با استفاده از یک معیار اندازه‌گیری معنایی، شباهت کلمات در برچسب‌های نقش‌های معنایی یکسان محاسبه می‌شود. با استفاده از این مقادیر، شباهت نقش‌های معنایی، سطوح معنایی و در نهایت شباهت جملات محاسبه می‌گردد. برخلاف بسیاری از روش‌های پیشین این روش قابلیت محاسبه شباهت معنایی جملات کوتاه و ساده و همچنین طولانی با ساختارهای پیچیده را دارا می‌باشد. نتایج پیاده‌سازی نشان می‌دهند استفاده از مشابهت معنایی علاوه بر مشابهت ساده و همچنین نقش‌های معنایی علاوه بر برچسب‌های بخش‌های گفتار سبب افزایش دقت معیار اندازه‌گیری در مقایسه با روش‌های موجود می‌گردد.

انتساب مقوله¬های گرامری به کلمه¬های یک متن، بخشی مهم در سیستم پردازش زبان¬های طبیعی محسوب می شود. پیکره‏متنی که از طریق اطلاعات (pos) part of speech نشانه گذاری شده، معمولاً به عنوان پیش¬نیازی اجتناب ناپذیر در دیگر برنامه¬های کاربردی پیچیده¬تر در حوزه پردازش زبان¬های طبیعی منجملهاستخراج اطلاعات، تجزیه معنایی، ترجمه ماشینی یا تفسیر زمینه¬های معنایی و وارسی‏کننده‏های دستوریمورد استفاده قرار می¬گیرد. در بسیاری از موارد به علت عدم دسترسی به منابع آزموده‏شده و استاندارد دستوری و ریخت‏شناسی رایانه‏ای در زبان فارسی به استفاده از نشانه‏گذارهای آماری بسنده می‏شود. در این گونه نشانه‏گذارها برای تشخیص مقوله دستوری واژه های ناشناخته، بدون توجه به ساختار و ماهیت کلمه تنها از روش‏های آماری استفاده می‏شود که طبعا حاصل و نتیجه کارچندان مطلوب نخواهد بود. در این تحقیق، ما به ارائه نشانه‏گذاری هیبریدی می‏پردازیم که علاوه بر روش آماری از مزایای روش‏های قانون- محور(دستوری) و ریخت‏شناسی واژه ها در زبان فارسی در راستای بهبود نتیجه نهایی بهره می‏جوید.

امروزه کامپيوترهاي بزرگ موازي، سيستم¬هاي چند پردازنده¬اي بر تراشه (MPoCs)، چند‏کامپيوتري‏ها و ... از مؤلفه‏هاي ذخيره¬ساز در مقياس بزرگي ساخته ¬شده¬اند که در مقايسه با سيستم¬هاي عادي نرخ خرابي بالايي دارند. يکي از مهم‏ترين موضوع¬ها در طراحي چنين سيستم¬هايي، توسعة يک شبکة ارتباطي کارآمد است که گذردهی بالا و تأخير ارتباطي ناچيزي را تحت شرايط مختلف کاري تدارک مي¬بيند. پيشرفت سامانه‏های ذخیره‏ساز داده باعث به وجود آمدن روش‏هاي ذخيره اطلاعات موازي با کارآيي بالا و بهای ناچیز در مقياس بزرگ شده است؛ با این حال، تحمل‏پذيري اشکال، دسترس‏پذیری و اطمينان‏پذيري در زمره پارامترهایی هستند که کماکان در اکثر طراحي‏ها مورد توجه قرار نمي‏گيرند. در اين مقاله بنا داريم به ارزيابي کارآيي تحمل‏پذيري اشکال در شبکه¬های میان ارتباطی که دارای حافظه¬هايي با مقياس بزرگ هستند پرداخته و همبندي‏هاي مختلف این شبکه¬ها را از منظر تحمل‏پذيري اشکال و اطمينان¬پذیری مورد شبيه‏سازي و ارزیابی قرار دهیم. هدف اصلي از اين بررسی آن است که بتوانيم همبندي‏هايي را شناسايي کنيم که به کارگیری آن¬ها موجب افزایش اطمينان¬پذیری در سامانه¬های ديسک‏ مي‏شود.

سیستم های تایید کاربر که از یک روش بیومتریک استفاده می کنند،اغلب مجبورند که با داده های نویز دارو درجات خطای نامحدود مواجه شوند.به منظور بهبود اجرای تطابق های ویژه در چنین وضعیت هایی سیستم های بیومتریک ترکیبی مورد استفاده قرار می گیرند .ما در این مقاله دو سیستم بیومتریک چهره و گوش را با هم ترکیب کرده و یک سیستم تشخیص هویت بیومتریک چند عامله امن و قابل اعتماد را پیشنهاد می کنیم.در حقیقت در این مقاله استفاده از هندسه گوش بعنوان یک بیومتریک برای تصدیق هویت مورد مطالعه قرار گرفته وآن را بر روی یک پایگاه داه جدیدی که حاوی 420 تصویر از گوش می باشد آزمایش می کنیم. بمنظور کاهش نرخ عدم پذیرش خطا، تصاویر از واحدکیفیت عبور داده می شوند. پس از استخراج ویژگی های گوش و تحلیل و بررسی نتایج آزمایشات ،مشخص گردید 90.7% نمونه ها با موفقیت شناسایی شده اند.سپس بمنظور بهبود نتایج تشخیص سیستم دو بیومتریک گوش و چهره را با هم ترکیب کردیم که نتایج آزمایش نشان داد96% نمونه ها با موفقیت شناسایی شده اند. برای پایگاه داده چهره از دو پایگاه داده چهره انیستستو تحقیقات هند و FEI و برای گوش از پایگاه داده USTB استفاده شده است.

آموزش الكترونيكي آموزش مبتني بر فناورياست کهنقطه عطف و همگرايي آموزش، اينترنت، فناوري شبكه، مديريت و توسعه آموزش می¬باشد.در این میان حجم وسیعی از اطلاعات مانند نحوه تعامل کاربر با سامانه¬ مدیریت آموزش، ذخیره می¬گردد. این داده¬ها حاوی اطلاعات با ارزشی برای مطالعه و تحلیل رفتار دانشجویان و ارائه مشاوره به دانشجویان می¬باشد. هدف اصلی این پژوهش ترکیب الگوریتم¬های داده¬کاوی و الگوریتم¬های تکاملی از جملهAssociation Rules وGenetic جهت ارائه یک روش جدیدبه نام PNGAR ( Positive Negative Genetic Association Rule)که هدف آن به طور خاص پیدا کردن الگو و قوانین پنهان در نحوه استفاده دانشجو از منابع سامانه آموزشی می¬باشد. قوانین و الگوهای کشف شده با الگوریتم PNGARرا می¬توان جهت ارتقاء سطح آموزشی فراگیران به صورت پیشنهاداستفاده از منابع استفاده کرد؛ همچنین در مقاله فعلی جمع آوری و آماده سازی داده¬ در نرم افزار Sql Server و پیاده سازی الگوریتم به زبان برنامه¬نویسیC# صورت گرفته است.

فرایند هم تراز سازی آنتولوژی ها به یافتن شباهت میان موجودیت های آنتولوژی ها می پردازد. دو آنتولوژی ممکن است در جنبه های متفاوتی مانند ساختار، معنا و ... با هم شباهت داشته باشند. بیشتر سیستم های هم ترازسازی آنتولوژی ها از چندین روش شباهت یابی به منظور استخراج همه ی موارد شباهت که در دو آنتولوژی ممکن است وجود داشته باشد، استفاده می کنند. بنابراین ، ما با یک مشکل عمده برای جمع آوری شباهت میان موجودیت ها مواجه هستیم. برخی از سیستم های هم ترازسازی آنتولوژی ها از وزن های تجربی و برخی دیگر از روش های یادگیری ماشین و الگوریتم های بهینه سازی برای یافتن وزن های مطلوب به منظور جمع آوری شباهت های مختلف استفاده می کنند. هر دو رویکرد دارای معایبی هستند. در این مقاله، مشکلات استراتژی های مختلف جمع آوری شباهت های موجود بیان می شود. سپس، یک استراتژی جدید پیشنهاد می شود که از اطلاعات ساختاری آنتولوژی ها برای دست آوردن وزن های ترکیب شباهت یاب ها، جهت فرایند جمع آوری شباهت ها استفاده می کند. عملکرد سیستم هم ترازسازی ارائه شده در این مقاله با دیگر سیستم های مشارکت داده شده در مسابقه 2009 OAEI مقایسه شده است.

در ساليان اخير تلاش زيادي در زمينه اشکال¬زدايي خودکار نرم¬افزار صورت گرفته است. اغلب راهکارهاي خودکارسازی فرآیند اِشکال¬زدایی، بدون توجه به دنباله‌های اجرایی برنامه‌ها، رفتار تعیین‌کننده‌های برنامه را به صورت جدا از یکدیگر در اجراهای موفق و ناموفق مقایسه می‌کنند. به همین دلیل قادر به تشخیص خطاهایی که در یک الگوی دنباله دار خاص، بروز پیدا می‌کنند، نمی‌باشند. برای رفع این مشکل در این مقاله، از روشی کارآمد جهت مقایسه دنباله‌های اجرایی برنامه استفاده می¬شود که علاوه بر مقیاس پذیری مناسب، زیرمسیر خطادار در برنامه را تشخیص می‌دهد. راه‌کار ارایه شده، با فراهم نمودن مسیر حاوی تعیین‌کننده‌های ناموفق ، به برنامه نویس در کشف محل دقیق خطا کمک زیادی می¬کند. در راه کار پیشنهادی از ضريب همبستگي Φ، برای حذف تعيين¬کننده¬هاي بي¬اثر بر نتيجه برنامه با دقت بسیار بالا استفاده شده است. روش ارايه شده در اين مقاله، بر روي مجموعه برنامه زيمنس ارزيابي شده است. نتایج این ارزیابی، دقت و کارآمدی راه‌کار پیشنهادی را نشان می‌دهد.

گرید روشی برای به اشتراک گذاشتن مجموعه‌های بزرگ و ناهمگون از منابع فراهم می‌کند. از جمله سرویس‌های مهم در گرید، سرویس جستجوی منابع می‌باشد. یکی از روش‌هایی که برای جستجوی منابع در گرید پیشنهاد شده است، روش (همتا به همتا) می‌باشد. استراتژی انتخاب همسایه بعدی برای هدایت پرس و جو، از مسایل اساسی این روش می‌باشد. در این مقاله مکانیزمی برای انتخاب همسایه بعدی با استفاده از الگوریتم کلونی مورچه‌ها پیشنهاد می‌شود. مکانیزم پیشنهادی در این مقاله می‌تواند در محیط‌هایی که چگونگی توزیع منابع بر روی گره‌های گرید ناشناخته می‌باشد مورد استفاده قرار می‌گیرد. عملکرد روش پیشنهادی به کمک شبیه‌سازی‌های کامپیوتری مورد ارزیابی قرار می‌گیرد.

در این مقاله روشی برای شناسایی چهره در تصاویر رنگی روبرو با وجود تنها یک تصویر آموزشی از هر فرد ارائه شده است. تصاویر مورد نظر ابتدا به فضای رنگ YCbCr منتقل شده و با توجه به اینکه رنگ پوست دراین فضا یک خوشه را تشکیل می دهد، ناحیه صورت استخراج می‌شود. سپس با اعمال یک تبدیل پیشنهادی روی ناحیه مذکور و استفاده از پردازش¬های مورفولوژیکی، مکان چشم¬ها با دقت بسیار بالا تشخیص داده می‌شوند. با مشخص شدن مکان چشم¬ها، محدوده صورت استخراج می‌شود. با اعمال تبدیل کسینوسی گسسته بصورت بلوکی، بردار ویژگی هر تصویر جهت مقایسه و تشخیص شبیه ترین تصویر بدست می‌آید. این الگوریتم بر روی 200 تصویر چهره از پایگاه داده FERET آزمایش شده و نتایج بدست آمده نشان از دقت بالای الگوریتم طراحی شده دارد.