انجمن کامپیوتر ایران

دراین مقاله روشی جدید جهت شناسایی چهره در حالت زاویه دار معرفی می گردد. در راهکار ارائه شده از الگوریتم کلاس بندی کننده ی علف هرز IWC به منظور طبقه بندی نقاط مختلف تصاویر ورودی و استخراج ویژگی های مشابه، همچنین ترکیب آن ها بر اساس میزان شباهت و گروهبندی این ویژگی ها به منظور شناسایی قسمت های چهره مورد بررسی قرار گرفته شده است. با استفاده از این روش که از ساختار کلی الگوریتم های تکاملی و خصوصا الگوریتم تکاملی علف هرز تبعیت می نماید نتایج قابل قبولی بدست آمده که در بخش نتایج به آن اشاره خواهد شد. این الگوریتم هیچگونه مشابه دیگری نداشته و می توان آنرا یگانه الگوریتم شناسایی چهره در حالت زاویه دار با استفاده از یک کلاسیفایر منحصر به فرد تهیه شده از الگوریتم بهینه سازی علف هرز دانست.

ادغام اینترنت اشیا و شبکه‌های اجتماعی، مفهوم جدیدی با عنوان اینترنت اشیاء اجتماعی پدید آورده است که بر طبق آن اشیا قادر هستند تا به‌صورت خودمختار و با در نظر گرفتن مالکشان، روابط اجتماعی ایجاد کنند. ممکن است مالکان و اشیاءِ مخرب بر اساس روابط اجتماعی که با دیگر اشیاء دارند، حملات زیان‌باری را انجام ‌دهند، ازاین‌رو ارزیابی اعتماد سرویس‌دهنده‌ها یک موضوع مهم برای شناسایی بهترین سرویس‌دهنده است. در این مقاله یک مدل مدیریت اعتماد جدید مبتنی بر چهار ویژگی اعتماد معرفی می‌شود. مدل با اکثر حملات اعتمادی معرفی‌شده مقابله کرده و همچنین برای سرویس‌های ارائه‌شده توسط هر گره، سطوح سرویس در نظر گرفته‌شده است. نتایج شبیه‌سازی نشان می‌دهد که مدل ارائه‌شده می‌تواند بهترین سرویس‌دهنده را برای مقابله با اکثر حملات مرتبط انتخاب کند.

در اين مقاله، از طریق طبقه‎بندی تصایر رنگی شبکیه‎ی چشم، یک سیستم تشخیص خودکار پزشکی برای بیماری آب سیاه طراحی می‎شود. در تصویر شبکیه نشانه‎های بیماری آب سیاه، در ناحیه سرعصب بینایی ظاهر می‎شود.در اکثر موارد تشخیص بیماری در زمان مناسب انجام نمی‎گیرد و یک سیستم کمک تشخیص پزشکی می‎تواند بسیار مفید واقع شود. روش پیشنهادی شامل پنج بخش 1- پیش پردازش تصویر، 2- مکان‎یابی و استخراج خودکار دیسک‎ نوری ، 3- تولید ماسک‎های باینری، 4-استخراج ویژگی و 5- طبقه بندی تصاویر است. در این مقاله الگوریتمی جدید جهت استخراج الگوی رگها مبتنی بر فیلتر تقویت بالا و تبدیل پایین کلاه مورفولوژی ارائه می‎گردد.ایده اصلی در بخش استخراج ویژگی این است که ویژگی ها به صورت محلی استخراج شوند تا قابلیت تفکیک پذیری بالاتری داشته باشند، که شامل توصیف گرهای آماری سطوح شدت داخل دیسک‎نوری و ویژگی بافت حاشیه اطراف آن است. در این مقاله در بخش طبقه بندی برای بالا بردن قابلیت تعمیم شبکه عصبی MLP و جلوگیری از بیش برازش آن، روش جدیدی بر پایه رویکرد توقف زود هنگام و تحلیل T^2 ارائه می‎گردد.روش پیشنهادی بر روی پایگاه داده استاندارد تصاویر شبکیه آزمایش شده، که 100 تصویر سالم و 82 تصویر بیمار با دقت 96% درصد طبقه بندی شده است.

یکی از دغدغه‎های مصرف‌کننده‎ محصولات، داشتن یک پیش‌زمینه ذهنی با توجه به نظرات خریداران قبلی، نسبت به یک محصول، قبل از تصمیم‌گیری برای خرید آن است.در کنار مصرف‌کنندگان، تولیدکنندگان هم برای بهبود محصولات قبلی و پیشی گرفتن در بازار فروش نسبت به رقیبان به نظرات مصرف‌کنندگان محصولات خود اهمیت می‎دهند. امروزه با افزایش تولید برخط محتوا توسط کاربران در شبکه‎های اجتماعی درباره یک شی واقعی یا انتزاعی، امکان رسیدن به اهداف بالا فراهم‌شده است. اما وجود انبوهی از اطلاعات، تحلیل آن‌ها را سخت کرده است به همین دلیل نظرکاوی از جایگاه ویژه‎ای در متن‌کاوی برخوردار است. نظرکاوی رشته‌ای از مطالعات است که در آن عقیده، احساس، ارزیابی، گرایش و هیجان مردم از زبان نوشتاری تحلیل می‎شود. نمونه‎ای از نظرکاوی، نظرکاوی ریزدانه جنبه گرا است که در آن جنبه‎های مهم یک قلم از متن نظر استخراج‌شده و جهت‎گیری هر جنبه بر اساس احساس ذکرشده تخمین زده می‎شود. در اینجا هر جنبه ویژگی یا جزئی از یک قلم و جهت‏گیری همان ارزش عددی بیان‌کننده احساس کاربر است. ما در این پژوهش با استخراج ویژگی‎ها ازمتن و استفاده از میدان تصادف شرطی به‌عنوان مدل یادگیر، جنبه‎های نهفته در متن نظرات را استخراج کردیم. نتایج آزمایش ها نشان می دهد که روش مورد استفاده در این پژوهش عملکردی قابل رقابت با بهترین روش‎های موجود روی مجموعه دادگان Semeval2014 دارد.

نگاشت-کاهش و پیاده‌سازی متن باز آن، هادوپ، از چارچوب‌های غالب در پردازش داده‌های بزرگ هستند. نگاشت‌– کاهش یک مدل برنامه‌نویسی ساده برای پیاده‌سازی مسائل محاسباتی در سیستم‌های توزیع شده بزرگ است. این مدل از 2 بخش مهم تشکیل شده است: نگاشت و کاهش. مابین این دو بخش مهم، بخش افراز قرار دارد. این بخش با استفاده از شبکه، وظیفه‌ی توزیع کلیدهای تولید شده در بخش نگاشت به وظایف کاهش را بر عهده دارد. زمانیکه میزان کلیدها و مقادیر آن‌ها، که به طور کلی داده میانی نامیده می‌شوند، بزرگ باشد بخش افراز تاثیر غیر قابل انکاری بر روی زمان اجرای وظایف کاهش خواهد داشت. در این مقاله یک افراز آگاه از منابع ارتباطی و پردازشی جهت کاهش زمان اجرای وظایف کاهش ارائه می‌دهیم. این الگوریتم با توجه به زمان اجرا و زمان انتقال کلید به تمامی ماشین‌ها، ماشینی را برای اجرای وظیفه کاهش بر روی یک کلید انتخاب می‌کند که مجموع زمان اجرا و جابه‌جایی کمینه باشد. پیاده‌سازی این الگوریتم نشان می‌دهد که این افراز زمان اجرای برنامه‌هارا نسبت به الگوریتم پیش فرض به میزان 15% بهبود داده و با مقدار بهترین حالت نیز تنها 10% تفاوت دارد.

شناسایی الگوهای طراحی استفاده شده در یک سیستم نرم‌افزاری به نگهداری و مهندسی مجدد نرم افزار کمک می‌کند و نیز باعث سهولت فهم کد برنامه‌ها میشود. این فهم به انطباق بین کد برنامه‌ها و طراحی آن‌ها، کمک زیادی میکند. علاوه براین، پیاده سازیهای مختلف از یک الگوی طراحی، تشخیص نمونه‌ی الگوها از کد برنامه را سخت میکند. از آنجاییکه هر الگوی طراحی مجموعه‌ای از نقش‌هایی است که توسط کلاس‌ها در برنامه ایفا میشوند و در واقع نقش‌ها اجزای اصلی و تعیین کننده در الگوهای طراحی هستند، با تعیین نقشی که هرکلاس در یک نمونه الگو ایفا میکند، میتوان الگوهای طراحی برنامه را شناسایی نمود. بنابراین، در این مقاله، روشی برای شناسایی نقش‌های الگوهای طراحی از کد برنامه پیشنهاد میگردد که مسئله تشخیص نقش‌ها را به یک مسئله یادگیری ماشین نگاشت می‌کند. نتایج آزمایشات با استفاده از برنامه‌های واقعی نشان میدهد که روش پیشنهادی، روش نسبتا موفقی است.

هدف از کنترل GRN (شبکه‌های تنظیم ژن)، یافتن استراتژی برای کنترل حالت سیستم با مداخله تعدادی ژن ورودی به‌نام ژن کنترلی است، به نحوی که بتواند سیستم را از حالت نامطلوب (بیماری‌زا) به حالت مطلوب منتقل نماید. در عمده روش‌های کنترلی انجام شده ابتدا GRN ، مدل‌سازی شده و سپس سیاست تخمینی مورد نظر از شبکه مدل شده، یافت می‌شود تا سیستم را به حالت مطلوب منتقل نماید. در روش‌های کنترل خارجی مبتنی بر شبکه‌های بولی احتمالی، به‌عنوان یکی از محبوب‌ترین مدل‌سازی انجام شده این شبکه‌ها، پیچیدگی زمانی و حافظه برای یافتن استراتژی کنترلی، بالا می‌باشد. یک ایده برای غلبه بر این مشکل مدل‌سازی بر اساس نمونه‌های جمع آوری شده از محیط، و سپس یافتن سیاست تخمینی است. در این مقاله به ارائه یک سیستم یادگیر کنترل محور بر مبنای الگوریتم یادگیری تقویتی دسته‌ای پرداختیم، به‌طوری که با تعریف پارامترهای سیستم و تطبیق بر مدل شبکه استنتاج شده در روش‌های پیشین، با استفاده از نمونه‌های جمع‌آوری شده از محیط، بتوانیم سیاست تخمینی را از داده‌ها استنتاج نماییم. پس از بدست آوردن سیاست تخمینی و اعمال آن به شبکه بولی احتمالی ساخته شده، نتایج نشان داد که این روش توانست احتمال حالت نامطلوب در شبکه را نسبت به روش پیشین مشابه آن، بهبود بخشد.

مقاله حاضر به دنبال پاسخگویی به دو سوال اصلی است.فناوری های اطلاعاتی و ارتباطی در بین شهروندان چه جایگاهی دارد؟آیا فناوری های اطلاعاتی و ارتباطی زمینه رشد مشارکت آنلاین شهروندان را در حوزه های مختلف مشارکت (اقتصادی، سیاسی –فرهنگی ،اجتماعی) فراهم می کنند؟برای پاسخ به پرسش نخست،فناوری اطلاعاتی و ارتباطی را از دو بعد کمیت وکیفیت استفاده ،مورد بررسی قرار گرفته است.در بعد کمی به سابقه ،میزان ،مدت استفاده،عضویت و امکان دسترسی شهروندان اشاره شده و در بعد کیفی به میزان استفاده ،نوع کاربری ،مهارت استفاده از Ictاشاره دارد.برای پاسخ به پرسش دوم از بعد عملی بررسی شده و به نقش فناوری های اطلاعاتی و ارتباطی بر رفتار مشارکتی،سازکار و نحوه مشارکت در حوزه های فرهنگی –سیاسی ،اجتماعی،اقتصادی بررسی شده است. این مطالعه به روش کمی انجام شده.جمع آوری اطلاعات در غالب پرسشنامه محقق ساخت و با تکنیک تجزیه و تحلیل spss صورت گرفته است.بررسی نقش فناوری های اطلاعاتی و ارتباطی در رشد مشارکت شهروندی آنلاین از دلایل اساسی انتخاب این تکنیک است. جامعه آماری این پژوهش دانشجویان دانشگاه مازندران می باشد.روش تحقیق پیمایشی و ابزار به کار رفته پرسشنامه محقق ساخته می باشد . نتایج تحقیق مبین این نکته است که میزان استفاده شهروندان از فناوری های اطلاعاتی و ارتباطی در بعد کمی در سطح بالا و در بعد کیفی درسطح متوسط وپایین قرار دارد. و همچنین میزان مشارکت الکترونیکی شهروندان در بعد کلی در سطح بالا قرار دارد .اما مشارکت الکترونیکی شهروندان در حوزه فرهنگی- سیاسی ، اجتماعی در سطح پایین و در حوزه اقتصادی در سطح بالا قرار دارد . نتایج حاصل از آزمون فرضیات اصلی نشانگر این امر می باشد که با توجه به سطح پایین استفاده شهروندان از فناوری های نوین اطلاعاتی و ارتباطی بین استفاده ازفناوری های اطلاعاتی،ارتباطی و مشارکت آنلاین شهروندان رابطه وجود دارد .همچنین وجود رابطه بین فناوری های اطلاعاتی، ارتباطی و عرصه های مختلف مشارکت شهروندان یعنی مشارکت فرهنگی –سیاسی ومشارکت اجتماعی و مشارکت اقتصادی آنلاین شهروندان رابطه مستقیم و مثبت وجود دارد.مهم ترین یافته های حاصل از پژوهش نشانگر این می باشد که اگر چه فناوری های اطلاعاتی ،ارتباطی زمینه رشد مشارکت آنلاین را در عرصه های مختلف برای شهروندان فراهم کرده است.اما بیشترین میزان مشارکت مربوط به عرصه اقتصادی بوده و در سایر عرصه ها میزان مشارکت در سطح پایین بوده است .

پل¬ها به عنوان یکی از زیرساخت¬های مهم تأثیر عمده¬ای در رشد اقتصادی پایدار یک کشور دارند. حجم بالای ترافیک بر پل¬ها و عوامل خورنده محیطی باعث فرسایش بسیاری از پل¬ها در جهان شده است، موضوعی که مدیریت نگهداری پل را امری ضروری می¬سازد. تاکنون تحقیقات بسیاری در حوزه مدیریت نگهداری پل انجام شده است. با وجود این، پژوهش اندکی در زمینه استفاده از فناوری مدل¬سازی اطلاعات ساخت (BIM) در این مبحث، علیرغم مزایای فراوان آن، صورت گرفته است. هدف از انجام تحقیق حاضر، پیشنهاد یک سامانه پشتیبان تصمیم¬گیری جهت مدیریت نگهداری پل با استفاده از فناوری مدلسازی اطلاعات ساخت است. در این سامانه، اطلاعات هندسی پل از مدل اطلاعات آن به پایگاه داده وارد می¬شود، روند توسعه خرابی و تأثیر اقدامات نگهداری با استفاده از اطلاعات مندرج در پایگاه داده اعمال می¬شود و هزینه¬های مربوطه مشخص می¬شود و اقدامات نگهداری بهینه تعیین می¬شود. امکان نمایش روند توسعه خرابی و اعمال اقدامات نگهداری در پل به صورت 4 بعدی نیز مهیا می¬شود. همچنین پایگاه داده تصویری از طول عمر پل به مدل BIM آن ضمیمه می¬شود.

در شبکه‌های بی‌سیم، رسانه ارتباطی دارای نوسان‌های زیادی است. استفاده از فناوری MIMO نیز این نوسان‌ها را دوچندان کرده است. از سوی دیگر، در استانداردهای جدید، پیکربندی‌های متفاوتی فراهم شده است؛ در نتیجه تعداد نرخ‌های قابل انتخاب از تعدادی انگشت شمار به 128 در 802.11n و 466 در 802.11ac رسیده است. در این شرایط، استفاده از یک روش تطبیق نرخ مناسب اهمیت بسیاری پیدا می‌کند. اغلب پیاده‌سازی‌های انجام شده فعلی و به طور مثال تنها روش مورداستفاده در هسته لینوکس برای تطبیق نرخ، از ارسال بسته کاوش نرخ استفاده می‌کنند. ارسال بسته کاوش با توجه به احتمال خطای بالا و عدم تجمیع، سربار زیادی به همراه دارد. نکته‌ای که کمتر به آن توجه شده، آن است که بسته کاوش ممکن است بر تجمیع سایر بسته‌ها نیز تأثیرگذار باشد. این پژوهش با استفاده از روش پیشنهادی خود، سعی در کاهش سربار بسته کاوش و تأثیرات منفی آن دارد. روش پیشنهادی در هسته لینوکس پیاده‌سازی شده و بر روی یک بسترآزمایشی با شرایط واقعی، ارزیابی شده است. نتایج ارزیابی، بیان‌گر آن است که روش پیشنهادی تا حدود 26% توانسته متوسط گذرداد را افزایش دهد. تکرار آزمایش‌ها در محیط دارای تداخل نیز، این موضوع را تصدیق می‌کند.

گفتار یک سیگنال مناسب برای تشخیص هویت است که علاوه بر کاربرپسند بودن، دارای پیچیدگی محاسباتی کم و هزینه پیاده‌سازی پایین است. همچنین به دلیل برخورداری از ویژگی‌هایی نظیر طبیعی بودن و امکان دسترسی به آن از راه دور، همواره مورد توجه محققان حوزه تشخیص هویت بوده است. تصدیق هویت گوینده بر مبنای تحلیل عامل و در فضای i-vector بهبود چشمگیری در عملکرد این سیستم‌ها در سال‌های اخیر ایجاد کرده است. در این مقاله روشی برای وزن‌دهی به بردارهای مدل و تست، با استفاده از ویژگی‌های آماری بردارهای آموزشی گویندگان هدف، ارائه شده است. تأثیر بهره‌گیری از بردارهای موزون بر دقت امتیازدهی و در نتیجه کل سیستم تصدیق هویت با استفاده از چهار بردار ویژگی MFCC، IMFCC، LFCC و PNCC و دو روش امتیازدهی فاصله كسینوسی و فاصله اقلیدسی وزن‌دار (ماهالانوبیس) مورد ارزیابی قرار گرفته است. در پیاده‌سازی آزمون‌ها از دادگان‌های TIMIT و NIST SRE 2008 استفاده شده است. نتایج آزمون‌ها مبین آن است که استفاده از بردارهای موزون پیشنهادی در این مقاله دقت سیستم تصدیق هویت گوینده را افزایش می‌دهد.

رشد سریع شبکه‌های رایانه‌ای سبب افزایش اهمیّت ابزارهای تحلیل و بررسی ترافیک این شبکه‌ها شده‌است. پژوهش‌های زیادی با هدف ارائه روشی توانمند برای انجام سریع و دقیق این قسم تحلیل‌ها صورت گرفته‌است که هرکدام از جنبه‌ای به این مسئله پرداخته‌اند. نقطه اشتراک تمامی این روش‌ها اتّکا آن‌ها به ویژگی‌های استخراج‌شده از ترافیک شبکه توسط یک متخصص است. این وابستگی شدید سبب شده است که این روش‌ها در مقابل ترافیک‌های جدید و یا تغییرات در ترافیک‌های کنونی، انعطاف‌پذیر نباشند و عملکرد قابل‌قبولی از خود نشان ندهند. در این پژوهش روشی مبتنی بر پیشرفت‌های اخیر در زمینه‌ شبکه‌های عصبی مصنوعی و یادگیری ژرف برپایه شبکه‌های عصبی پیچشی به منظور تحلیل ترافیک شبکه‌های رایانه‌ای و دسته‌بندی آن‌ها پیشنهاد شده‌است. این روش قادر است دسته‌بندی ترافیک شبکه را در دو سطح «شناسایی کاربرد» و «رسته‌بندی ترافیک» بدون دخالت عامل انسانی در استخراج ویژگی با دقت بالاتری نسبت به سایر روش‌های موجود انجام دهد.

شبکه‌های اجتماعی آنلاین رشد عظیمی در دهه گذشته داشته اند. یکی از موضوعاتی که توجه بسیاری از مححقان را به خود جلب کرده است، موضوع کشف جوامع در داخل این شبکه‌های بزرگ می‌باشد. در این مقاله، روشی بر اساس الگوریتم بهینه سازی گرگ خاکستری برای تشخیص جوامع در شبکه‌های اجتماعی پیشنهاد شده است. به منظور ارزیابی کارایی روش پیشنهادی از معیار ماژولاریتی بهره گرفته شده است. همچنین سعی شده است تا از مقیاس‌های مختلف شبکه‌های اجتماعی از کوچک تا بزرگ برای ارزیابی روش پیشنهادی با تحقیقات گذشته استفاده شود. نتایج نشان می‌دهند که روش پیشنهادی توانسته است نتایج بهتری را نسبت به روش‌های فراابتکاری همرده از جمله الگوریتم ژنتیک و بهینه سازی ازدحام ذرات بدست آورد.

این مقاله دارای دو هدف است. ابتدا، دو روش استقرار متدولوژی توسعه نرم‌افزار، توسعه داخلی متدولوژی و یا خرید متدولوژی به عنوان یک سرویس توسط تیم‌های توسعه‌دهنده، را مرور می‌نماید. سپس، با تاکید بر خرید متدولوژی، یک چرخه زندگی کامل برای انتقال و استقرار آن پیشنهاد می‌نماید. در روش توسعه داخلی، خود افراد تیم نرم‌افزار یک متدولوژی را انتخاب و فعالیت‌های مشخص شده توسط متدولوژی را برای هدایت پروژه نرم‌افزار اجرا می‌نمایند. عدم کنترل دقیق بر روند اجرا و نیز غفلت از ارتقا و بهبودی در طی روند اجرا، از تهدیدهای این روش است. در روش خرید متدولوژی، یک تیم خارج از سازمان تیم توسعه نرم¬افزار مسئول استقرار متدولوژی توسعه برای پروژه‌های نرم‌افزاری است. وجود نگرش ارائه متدولوژی به عنوان سرویس به مشتری و در نتیجه بهبود مستمر آن، مزیت این روش است. متدولوژی توسعه برای اجرای موفق باید مطابق با معماری سازمان و نیز ویژگی‌های پروژه‌های آن انتخاب شود. برای رسیدن به این هدف، ویژگی‌هایی از سازمان و متدولوژی‌ها که در انتخاب متدولوژی مناسب موثر هستند در قالب یک چارچوب جدید تشریح می‌شوند. انتخاب و اجرای صحیح متدولوژی توسط سازمان و نیز بهبود مستمر آن توسط ارائه‌کننده متدولوژی منجر به کاهش هزینه و افزایش بهره‌وری در سطح سازمان می‌شود.

Cache memories are used in flash-based SSDs to improve the performance of disks. Conventional DRAM caches suffer from high energy consumption due to pre-charge and refresh operations and leakage current. In addition, DRAM cells are volatile memories and lose data in power-off. Moreover, according to ITRS, DRAM cells are not scalable below 22nm technology size. Emerging non-volatile memories, e.g. phase-change memory (PCM) offers a near-DRAM performance. In addition, PCM gives non-volatility, negligible leakage power and higher degree of scalability. Two main challenges of exploiting PCM as an alternative to DRAM cells are their limited write endurance and high write latency. This paper proposes a method on how to efficiently manage PCM as a SSD cache. This technique is based on swapping blocks inside a cache set, called Swapped-LRU. This technique reduces the gap between the hottest and coldest line in a set by 7x. In addition, we propose an early write-back technique to improve the cache miss latency.

يکي از مسائل مهم در شبکه‌هاي اجتماعي، تشخيص جوامع است که در سال‌هاي اخير روش‌هاي متعددي براي آن ارائه شده است. نظريه بازي‌ها از روش‌هاي نوين در اين زمينه است. در اين مقاله، مسئله تشخيص جوامع هم‌پوشان با استفاده از بازي تشکيل ائتلاف مدل و سپس حل شده است. در جوامع هم‌پوشان هر فرد مي‌تواند عضو چندين گروه باشد. در اين راستا الگوريتمي سلسله مراتبي مبتني بر بازي تشکيل ائتلاف ارائه شده است. از عمده‌ترين نقاط ضعف الگوريتم مورد استفاده، وابستگي بيش از حد آن به يکي از پارامترها مي‌باشد به نحوي که براي ديتاست‌هاي مختلف مقادير متفاوتي دارد. در اين مقاله با بکارگيري معيار فاصله وابستگي به اين پارامتر از بين رفته است. معيار فاصله در تمامي فرمول‌ها تاثير داده شده است و براي اولين بار بازي تشکيل ائتلاف در تشخيص جوامع با استفاده از مفهوم فاصله توسعه داده شده است. علاوه بر از بين بردن حساسيت به پارامتر در الگوريتم جديد، آزمايش‌هاي انجام شده نشان مي‌دهد که کيفيت جوامع تشخيص داده شده به طور ميانگين ۴ درصد بهتر شده است.

امروزه با پيشرفت تکنولوژي و ظهور روش‌هاي نوين بازشناسي گفتار، استفاده از گفتار براي تعامل با ماشين و انجام امور روزانه بيش از پيش مرسوم شده است. تعداد زيادي از امور روزانه مانند تراکنش‌هاي بانکي، پرداخت قبوض و سيستم‌هاي خدمات‌رساني با ارقام در ارتباط هستند. از سوي ديگر اکثر اين امور با استفاده از گوشي‌هاي تلفن همراه صورت مي‌پذيرد. در اين مقاله، دو رويکرد مبتني بر شبکه باور عميق و ماشين بردار پشتيبان به منظور بازشناسي اعداد تک رقمي فارسي در تلفن همراه ارائه و ارزيابي شده‌اند. به منظور بهبود بازشناسي ارقام فارسي در دسته‌بندهاي مبتني بر قاب (ماشين بردار پشتيبان و شبکه باور عميق)، استخراج نتايج در سطح کلمه از نتايجِ در سطح قاب و اصلاح مرزبندي نواحي سکوت و گفتار الگوريتمي ارائه شده است که با بهره گيري از قوانين ساده، خطاي در سطح قاب را به طور قابل توجهي کاهش مي‌دهد. براي ارزيابي روش‌هاي پياده‌سازي شده يک مجموعه دادگان از ارقام مجزاي فارسي مبتني بر تلفن همراه جمع‌آوري و برچسب‌گذاري شده است. آموزش و آزمون دسته‌بندهاي در سطح قاب کاملا مستقل از گوينده و در دو حالت (با استفاده از ويژگي‌هاي حساس و غير حساس به محتوا) انجام شده است. نتايج ارزيابي‌ها بر روي دادگان مذکور حاکي از عملکرد قابل توجه دسته‌بندهاي در سطح قاب در حالت حساس به محتوا در مقايسه با حالت غير حساس به محتوا (حدود 5% بهبود دقت) و تاثير چشمگير الگوريتم کاهش خطاي در سطح قاب (حدود 10% بهبود دقت) مي‌باشد.

الگوريتم‌هاي يادگيري ماشين اين امکان را فراهم مي‌سازد که بتوانيم حالت‌هاي شناختي مغز را برمبناي داده‌هاي تصويربرداري تشديد مغناطيسي عملکردي (fMRI) پيش‌بيني کنيم. در اين تحقيق يکي از چارچوب‌هاي اين روش را در بازاريابي با استفاده از داده-هاي fMRI با پيش‌بيني تصميم‌گيري‌هاي خريد با استفاده از داده‌هاي زماني-مکاني fMRI بيان مي‌کنيم. به اين منظور، داده‌هاي fMRI مربوط به افرادي که تصميم خود را براي خريد محصول مي‌گيرند، جمع‌آوري مي‌شود. در هر آزمايش مربوط به تصميم‌گيري خريد، ماتريس همبستگي در 3 بازه همپوشان محاسبه مي‌شود. بردار ويژگي تشکيل شده با استفاده از ماتريس همبستگي به عنوان ورودي به الگوريتم حذف خوشه به طور بازگشتي بر مبناي ماشين بردار پشتيبان براي پيش‌بيني تصميم‌گيري خريد داده مي‌شود. اين روش به طور تکراري ويژگي‌هاي غير مهم را تا زماني که ويژگي‌هاي باقي‌مانده بيشترين دقت را به‌دست دهند، حذف مي‌کند. در نهايت ما به دقت 75.7 درصد رسيديم که نسبت به کارهاي قبل بهبود دقت را نتيجه داده است.

مفهوم جهانی شدن برای سازمان‌ها به معنای اجبار در ایجاد قابلیت‌ها و توانایی‌هایی به منظور تسهیل تبادلات اطلاعاتی (تعامل) و امکان ارتباط با سازمان‌های دیگر به منظور دریافت و ارسال داده‌هایی است که در محیط به شدت رقابتی امروز، حیات کسب و کار وابسته به آن است. با قطعیت می‌توان گفت کمتر سازمانی وجود دارد که در محیط تجارت (ملّی یا جهانی) حاضر باشد و جزیی از یک سیستم فوق مقیاس وسیع نباشد. به همین ترتیب، سیستم فوق مقیاس وسیع، شبکه‌ای از سیستم‌های اطلاعاتی متعامل است که از طرف سازمان‌ها با یکدیگر ارتباط داشته و به تبادل اطلاعات می‌پردازند. سیستم برنامه‌ریزی منابع سازمان نیز به عنوان یک سیستم اطلاعاتی مستقر در سازمان، برای برآوردن اهداف سازمان و ایجاد مزیّت رقابتی به دریافت و ارسال داده‌ها به سیستم‌های اطلاعاتی درون سازمان (یکپارچگی) و بیرون سازمان (تعامل) نیاز دارد. در این مقاله، با توجه به فراگیری اجرای مدل‌های بلوغ تعامل‌پذیری در سیستم‌های فوق مقیاس وسیع، با شناسایی مفاهیم آنتولوژیک اسناد مدل بلوغ تعامل‌ پذیری سیستم‌های فوق مقیاس وسیع و مدل‌های ارزیابی پذیرش و انتخاب سیستم‌های برنامه‌ریزی منابع سازمان، ارتباط بین مفاهیم دامنه، سطح بالا و فوق دامنه برقرار (is-a) و با طبقه‌بندی مفاهیم، ضمن راستی آزمایی آماری شباهت بین اسناد با استفاده از تابع ضریب Dice، به منظور بهبود تعامل‌پذیری سیستم برنامه‌ریزی منابع سازمان با سیستم‌های فوق مقیاس وسیع متعامل، دو روش در بخش کاربست‌پذیری تحقیق ارائه شده است. روش اول شامل 6 گام مبتنی بر طبقه‌بندی آنتولوژیکال مفاهیم برای انتخاب مدل «ارزیابی آمادگی پذیرش» و «انتخاب» مناسب و روش دوم شامل 11 گام مبتنی بر انطباق اسنادی برای «استقرار» سیستم‌های برنامه‌ریزی منابع سازمان است. پیاده‌سازی روش‌های ارائه شده در این تحقیق توسط تیم‌های ارزیاب، پیاده‌ساز و توسعه‌دهنده سیستم‌های برنامه‌ریزی منابع سازمان، می‌تواند از طریق بهبود تعامل‌پذیری و عوامل حیاتی موفقیت پروژه مانند افزایش ضریب دقت و کاهش زمان و هزینه اجرای پروژه و همچنین بهبود ویژگی‌های کیفی قابلیت اصلاح‌پذیری، قابلیت تغییرپذیری و قابلیت مقیاس‌پذیری و افزایش عمر سیستم‌های برنامه‌ریزی منابع سازمان منجر به افزایش ضریب موفقیت پروژه‌های سیستم‌های برنامه‌ریزی منابع سازمان شود.

امروزه دستگاه‌هاي تلفن همراه بخش عمده‌اي از دسترسي‌هاي اينترنت را به خود اختصاص داده‌اند به طوري که برنامه‌هاي کاربردي تلفن همراه و بسترهاي توزيع‌شده نيز جايگاه مهمي به دست آورده‌اند. فروشگاه‌هاي برنامه‌هاي تلفن همراه به کابران فرصت جستجو، خريداري و نصب برنامه‌هاي کابردي مختلف را مي‌دهند. کابران نيز مي‌توانند با يادداشت نظرات خود يا دادن امتياز به هر برنامه به صورت موثرتري در بهبود برنامه‌ها نقش داشته باشند. هر نظر احتمالا شامل تجربه‌ي کاربري، عقيده‌ي شخصي کاربر، ويژگي‌هاي درخواستي و گزارش خطاهاي برنامه مي‌باشد. بنابراين نظرات يک کابر علاوه بر آنکه براي ساير کابران مفيد مي‌باشد به توسعه‎دهندگان و شرکت‌هاي نرم‌افزاري نيز اطلاعات ارزشمندي در مورد جنبه‌هاي مختلف برنامه‌ي توليدي مي‌دهد. يکي از اين چالش‌هاي توسعه‎دهندگان استخراج بي‌طرفانه‌ي نقاط قوت و ضعف برنامه‌هاي کاربردي مي‌باشد. از آنجا که ابزاري خودکار براي استخراج نظرات مؤثر کاربران وجود ندارد، برنامه‌نويسان مجبورند زمان زيادي را براي مطالعه و بررسي تک‌‎تک نظرات صرف کنند. در اين پژوهش راه‎حلي نوين براي اين چالش ارائه شده‎ که شامل پنج گام است: ۱) مدل‌سازي موضوعي، ۲) خوشه‌بندي، ۳) تحليل احساس نظرات، ۴) محاسبه‌ي رويکرد کلي کاربران در هر خوشه و ۵) انتخاب نقاط قوت و ضعف. براي ارزيابي اين رويکرد از نظرات کاربران بر روي تعدادي از برنامه‌هاي کاربردي فروشگاه Google Play استفاده شده‎است.