انجمن کامپیوتر ایران

داده های سری زمانی، مجموعه ای از مقادیر می باشند که به صورت متوالی و در زمان های مشخص ثبت شده اند. هدف از پیش بینی سری های زمانی ارائه ی یک مدل به منظور توصیف رابطه ی بین داده ها بر اساس مشاهدات گذشته است. بر اساس مدل به دست آمده، مقادیر متغیرها برای زمان های آینده پیش بینی میشود. در این مقاله روشی مطمئن به منظور تخمین سری های زمانی مالی مبتنی بر مدل رگرسیون بردار پشتیبان و جستجوی هارمونی بهبود یافته ارائه شده است. مدل رگرسیون بردار پشتیبان به دلیل قدرت یادگیری بالا و استخراج ساختاری مناسب از مجموعه داده، ابزار مناسبی به منظور تخمین سری های زمانی مالی است. یکی از مشکلاتی که در استفاده از مدل رگرسیون بردار پشتیبان وجود دارد، تعیین مقادیر پارامترها می باشد که در روش پیشنهادی به منظور تعیین مقادیر بهینه برای پارامترها از روش جستجوی هارمونی بهبود یافته استفاده شده است که با جستجو در فضای مسئله، بهینه ترین مقادیر را برای هر یک از پارامترها می یابد. بهبود جستجوی هارمونی شامل پیش پردازش جمعیت اولیه با استفاده از الگوریتم تکامل تفاضلی، بهبود پارامترهای کنترلی PAR و BW در جستجوی هارمونی و هدایت بردارهای هارمونی به سمت موقعیت بهترین بردار هارمونی می باشد. روش پیشنهادی بر روی دو مجموعه داده ی مالی معتبر مورد ارزیابی قرارگرفته است و بر اساس نتایج بدست آمده، روش پیشنهادی به میانگین خطای 228/2 بر روی دو پایگاه داده معتبر دست یافته است که در مقایسه با سایر روش های بهینه سازی که به منظور تنظیم پارامترهای رگرسیون بردار پشتیبان مورد استفاده قرار گرفته اند، کمترین میزان خطا را بین مقادیر تخمینی و مقادیر واقعی سری بدست آورده است.

اكثر پژ‍وهش‌هاي پيشين در تشخيص برجستگي، مبتني بر توجه پايين به بالا هستند و از ويژگي‌هاي سطح پايين استفاده مي‌كنند. اين روش‌ها تاثيرات بالا به پايين را در نظر نمي‌گيرند. در اينجا، ما يك روش برجستگي ديداري بالا به پايين ارائه مي‌كنيم كه علاوه بر ويژگي‌هاي سطح پايين مانند رنگ و بافت، از ويژگي‌هاي سطح بالا مانند تشخيص شي استفاده مي‌كند. در اين روش،‌ابتدا تصوير به سوپرپيكسل‌ها بخش‌بندي مي‌شود و ويژگي‌هاي سطح پايين و بالا براي هر يك از آن‌ها استخراج مي‌شوند. سپس، ‌نقشه برجستگي با يادگيري ويژگي‌ها از طبقه‌بندي‌ كننده AdaBoost ايجاد مي‌شود. استفاده از سوپرپيكسل، لبه‌هاي اشيا در تصاوير را حفظ مي‌كند و پيچيدگي محاسباتي را از هزاران پيكسل به چند صد سوپر پيكسل كاهش مي‌دهد. روش پيشنهادي بر روي پايگاه داده MSRA-1000 پیاده‌سازی شده و در قیاس با ساير روش‌ها ارزيابي گرديده است. دستیابی به منحني precision-recall بهتر و معيار F-measure با مقدار 70 % حاكي از عملكرد مناسب روش پيشنهادي است.

امروزه رایانش ابری به بازاری جهت مبادله ی منابع محاسباتی تبدیل شده است. تهیه کنندگان منابع محاسباتی خود را در قالب ماشین های مجازی به کاربران اجاره می دهند و در طی مدت اجاره، قیمتی از کاربران دریافت می کنند. یکی از مسائل موجود در این بازار، ارائه مکانیزمی جهت قیمت گذاری و تخصیص، به صورتی است که سود مناسب کاربران و تهیه کنندگان تضمین شود. در این مقاله با استفاده از حراج ترکیبی دوطرفه، بازاری متشکل از کاربران و تهیه کنندگان مدل سازی شده که براساس آن یک موجودیت واسط، عمل تخصیص ماشین های مجازی تهیه کنندگان براساس نیاز کاربران را انجام می دهد؛ در این راستا ابتدا مسئله ی تخصیص ماشین های مجازی با درنظرگرفتن چند نوع ماشین مجازی به‌صورت یک مسئله ی برنامه ریزی عدد صحیح مدل شده و در ادامه الگوریتمی جهت تخصیص مناسب پیشنهاد شده است. الگوریتم تخصیص پیشنهادی سعی در تخصیص ماشین های مجازی تهیه کنندگان به کاربران دارد به نحوی که سود مالی هردوطرف افزایش یابد. نتایج حاصل از حل مدل، حاکی از این است که مدل برنامه ریزی پیشنهادی دارای ویژگی های صادقانه بودن و عادلانه بودن است. همچنین نتایج شبیه سازی، کارا بودن الگوریتم تخصیص پیشنهادی در تأمین سود توأمان تهیه کنندگان و کاربران را تأیید می کند.

کاهش اندازه‌های ترانزیستورها در ابعاد نانو، مقابله با خطاهای گذرای چند بیتی (MBU) در حافظه‌ها را به دغدغه‌ی چالش برانگیز طراحان سامانه‌های مطمئن رقمی تبدیل نموده است. اگر چه روش افزونگی سه‌گانه‌ی اطلاعاتی قادر به پوشش این خطاهاست، مصرف توان بالای این روش در اغلب کاربردهای نوین قابل توجیه نیست. پیش بینی پژوهشگران بر جایگزینی کانال ترانزیستورهای اثرمیدان فن‌آوری CMOS با نانو ‌لوله‌های ‌کربنی (CNT) انگیزه‌ای شد تا این پژوهش به بررسی صرفه‌ی بکارگیری روش افزونگی سه‌گانه‌ی اطلاعاتی در فن‌آوری ترانزیستور‌هاي اثرمیدان مبتنی بر نانو ‌لوله‌های ‌کربنی (CNTFET) ‎بپردازد. بهره‌برداری از فضاهای بدون استفاده‌ی حافظه موجب مصرف عمده‌ی توان این روش در مدار رای گیر اکثریت دو از سه‌ی آن می‌‌شود. این پژوهش نشان داده است که پیاده‌سازی این رای گیر با فن‌آوری CNTFET، هزینه‌های مصرف توان و تاخیر را طوری کاهش می‌دهد که افزونگی سه‌گانه‌ی اطلاعاتی را به روشی مقرون به صرفه در سامانه‌‌های آینده تبدیل خواهد نمود. نتایج شبیه‌سازي در ابعاد 45، 32 و 22 نانو با ولتاژهای تغذیه 1، 9/0 و 8/0 ولت نشان دادند که پیاده‌سازی این مدار با فن‌آوری CNTFET نسبت به فن‌آوری CMOS تا 57% بهبود در متوسط توان مصرفی و تا 83% کاهش در تاخیر را به همراه خواهد داشت.

شبکه ی داده های نام گذاری شده، به عنوان الگوی جدیدی برای جایگزینی زیرساخت کنونی شبکه ی اینترنت در نظر گرفته شده است؛ با این تفاوت که در معماری این شبکه، به اشیای داده ای، آدرس تعلق پیدا می کند. این معماری شبکه ای از قابلیت ذخیره سازی درون شبکه ای پشتیبانی می کند تا عملکرد منابع شبکه ای بهبود یابند. یکی از مسائل کلیدی در این شبکه ها، مدیریت و تقسیم عادلانه ی منابع حافظه در شبکه است. در این پژوهش برای یافتن اهمیت هر گره جهت تخصیص حافظه، از دو دسته پارامترهای ایستا و پویای شبکه ای استفاده می شود. پارامتر ایستای مورد استفاده، که مرکزیت میانگی هر مسیریاب می باشد، با تعداد مسیرهای کوتاه بین دو مسیریاب قابل محاسبه است. دو پارامتر دیگر، از نوع پویا و لحظه ای هستند که به اطلاعات پویای شبکه نظیر درخواست های کاربران و ترافیک شبکه بستگی دارند. از این روی، با اعمال دو روش میانگین گیری متحرک وزن دار بر پارامترهای پویا، در ابتدا از کل نمونه های زمانی بدست آمده، متوسط گرفته و سپس با کمک روش تجمیع داده ی تحلیل مولفه ی اساسی، پارامترهای هر مسیریاب با یکدیگر ترکیب شده تا وزنی برای تعیین اندازه ی حافظه ی نهان آن تعیین شود. نتایج ارزیابی نشان دهنده ی بهبود 25 درصدی نرخ برخورد در حافظه ی نهان مسیریاب های میانی شبکه و همچنین کاهش 37 درصدی تعداد بسته های علاقه ی منتظر می باشد.

در روش‌های رایج زیست‌سنجی ثبت داده از اندام‌هایی از بدن صورت می‌گیرد که با چشم قابل دیدن هستند. به همین دلیل امکان تقلید آنها زیاد است. پیشنهاد شده است که به‌جای این‌گونه روش‌ها، از اندام‌هایی از بدن ثبت داده انجام شود که به‌طور ذاتی با چشم قابل دیدن نیستند. این نوع روش‌های زیست‌سنجی، دارای مقاومت ذاتی در برابر جاعلین هستند. هر نوع سیگنال زیستی مانند الکتروکاردیوگرام، الکتروانسفالوگرام، الکترومایوگرام، پتانسیل برانگیخته بینایی و شنوایی می‌تواند یک ویژگی زیست‌سنجی محسوب شوند. در این مقاله از 104 سیگنال الكتروانسفالوگرام فرد سالم در حالت استراحت و چشمان بسته، ویژگی های غیر خطی بعد هیگوچی و بعد پطروسیان استخراج شده و دو کانال بهینه با استفاده از الگوریتم ژنتیک تعیین شده اند. سپس با انتخاب بخش های مرجع از سیگنال هر فرد و تولید ویژگی های مصنوعی و نمونه های حقیقی و جعلی، طبقه بندی ویژگی ها با طبقه بند ماشین بردار پشتیبان انجام شده است و روش پیشنهادی با تغییر نسبت آموزش– آزمایش ویژگی ها از 10-90 درصد تا 90-10 درصد به صحت02/0± 92/79 درصد تا 00/0± 84/99 درصد دست یافته است.

در رده‌بندی متون می‌توان هر واژه را به‌عنوان یک صفت یا ویژگی در نظر گرفت. تعداد زیاد واژه‌ها باعث کاهش دقت و سرعت رده‌بندی می‌گردد. انتخاب زیرمجموعه‌ای از واژه‌های (ویژگی‌های) متون یکی از مراحل ضروری در پیش‌پردازش متون قبل از اعمال الگوریتم‌های رده‌بندی است. روش‌های پالایه و پوشانه، دو دسته اصلی انتخاب ویژگی است. در این مقاله سعی شده است روش ترکیبی انتخاب ویژگی در حوزه متون بررسی‌شده و با روش‌های جدیدتر انتخاب ویژگی خاص متون مانند DFS وGiniText مقایسه گردد. در این تحقیق تأثیر استفاده از ترکیب روش پالایه و پوشانه برای انتخاب ویژگی بر عملکرد رده‌بند نایوبیزی برای رده‌بندی متون فارسی مورد بررسی قرار گرفته است. نتایج نشان می‌دهد که روش ترکیبی انتخاب ویژگی روی پیکره همشهری، علی‌رغم کاهش تعداد ویژگی‌ها، باعث بهبود نتایج رده‌بند نایوبیز چند جمله‌ای، نسبت به روش‌های پالایه و یا پوشانه شده است.

سیستم‌های پرسش و پاسخ شکل پیشرفته‌ سیستم‌های بازیابی اطلاعات هستند که به جای برگرداندن اسناد مرتبط با سوال کاربر، سعی در استخراج پاسخ دقیق برای آن دارند. کاربر می‌تواند سوال خود را در قالب یک سوال زبان طبیعی مطرح کند و یا از کلمات کلیدی برای بیان منظور خود استفاده کند. یکی از منابعی که سیستم‌ها برای پیدا کردن جواب استفاده می‌کنند، ابر داده پیوندی است. سیستم‌های بازیابی اطلاعات مبتنی بر داده پیوندی، به ما کمک می‌کنند تا با سرعت و دقت بالایی به جواب صحیح دست یابیم؛ اما نیازمند داشتن دانش در مورد هستی‌شناسی موجود و همچنین ساخت پرس‌وجوهای رسمی مانند SPARQL هستند. این‌کار برای کاربران عادی کاری دشوار خواهد بود. از طرف دیگر، تجربه کابران در کار با موتورهای جستجو نشان داده‌است، کاربران بیشتر تمایل دارند نیاز اطلاعاتی خود را در قالب کلمات کلیدی مطرح کنند. در این مقاله، به منظور خودکارسازی فرایند ساخت پرس‌وجوی رسمی‌، روشی برای تبدیل کلمات کلیدی کاربر به پرس‌وجوی SPARQL ارائه ‌شده‌است که مبتنی بر ساخت قالب‌های پویاست. علاوه‌براین، روشی برای ساخت پرس‌وجوهای پیچیده SPARQL ( توابع تجمعی، فیلتر کردن و شمارش ) نیز ارائه شده‌است. نتایج ارزیابی نشان از موفقیت قابل قبول این سیستم در ایجاد قالب‌های پرس‌وجوی پیچیده دارد.

امروزه به کارگیری ماشین‌های با تعداد هسته‌های پردازشی زیاد امری رایج در انجام پردازش‌های تحلیلی بر روی داده‌ها گردیده است. همچنین مدل کردن داده‌ها به صورت گراف در کاربردهای بسیاری از جمله شبکه‌های اجتماعی، شبکه‌های بیولوژی و غیره صورت گرفته است. در این حوزه، زیرگراف کاوی جزء مسائل جذاب است که در آن می‌توان زیرگراف‌های ‌با خصوصیات مدنظر را از گراف (حجیم) ورودی استخراج کرد. یکی از زیرگراف‌های ‌پرکاربرد k-truss است که از آن برای به دست آوردن اجتماعات منسجم، نقاط پرچگال و افرازبندی استفاده می‌شود. در این مقاله یک الگوریتم چندهسته‌ای کارا و مقیاس پذیر برای یافتن زیرگراف‌های ‌k-truss ارائه شده است. برای این منظور ابتدا یک الگوریتم چندهسته‌ای برای شمارش مثلث‌ها با ایجاد یک ساختار مناسب به نام FONL از گراف ورودی پیشنهاد شده است. سپس از خروجی‌های آن، یک الگوریتم تکرارشونده ارائه شده است که به صورت موازی آن یال¬های گراف، که خصوصیت k-truss را نقض می‌کنند، حذف می‌نماید. روش پیشنهادی با استفاده از مجموعه گراف‌های ‌استاندارد بر روی یک ماشین 12 هسته‌ای اجرا شده است. نتایج آزمایشات نشان دهنده مقیاس پذیری مناسب و کارایی بالای روش پیشنهادی در مقایسه با دیگر روش‌های موازی است.

با ورود به عصر اطلاع رسانی دیجیتال و رشد سریع اینترنت، رفته رفته اطلاعات از فرم کاغذی به الکترونیکی تبدیل شدند. این امر برای ما امکان جستجوی کتاب‌ها و اخبار را به صورت الکترونیکی فراهم می‌کند. بنابراین نیاز به سیستم‌هایی برای بازیابی اطلاعات احساس می‌شود. به این منظور سیستمی جهت طبقه‌بندی متون با استفاده از خوشه‌بندی فازی با بردار ویژگی وزن‌دار پیشنهاد می‌شود. در روش پیشنهادی ابتدا در مرحله‌ی پیش پردازش، برای کاهش ابعاد از الگوریتم ژنتیک و سپس TF-IDF (Term Frequency - Inverse Document Frequency) استفاده شده و ویژگی‌هایی با قدرت تفکیک بالا انتخاب می‌شوند. سپس ماتریس وزنی متناسب با واریانس هر ویژگی، محاسبه شده و همگام با پیشرفت الگوریتم خوشه‌بندی تغییر می‌کند. بنابراین ویژگی‌های با واریانس بیشتر، تأثیر بیشتری در فرایند خوشه‌بندی خواهند داشت. در روش خوشه‌بندی، فاصله اقلیدسی به‌کار رفته، با این تفاوت که برای ابعاد ارزش یکسانی در نظر گرفته نمی‌شود. در نهایت کارایی سیستم پیشنهادی در خوشه‌بندی گروه‌های خبری مجموعه داده رویترز بررسی شده و نتایج نشان دهنده‌ی کارایی بالاتر این روش نسبت به خوشه‌بندی معمولی از نظر چند معیار ارزیابی معروف خوشه‌بندی، است.

اشکال هم‌شنوایی بسته به الگوهای گذاری که بر روی خطوط گذرگاه ظاهر می‌شود، می‌تواند باعث ایجاد ولتاژ گذار ناخواسته، تسریع و یا تأخیر در رخداد لبه‌های بالا و پایین رونده در سیم قربانی گردد و از این جهت بر قابلیت اطمینان، کارایی و توان مصرفی سامانه‌های مبتنی بر شبکه‌های روی تراشه اثر منفی گذارد. در سطح انتقال ثبات، روش‌های کدگذاری اجتناب از هم‌شنوایی به‌طور گسترده برای مقابله با اشکال هم‌شنوایی استفاده می‌شوند. کدگذاری‌های غیرهم‌پوشان یکی از مهم‌ترین انواع کدگذاری اجتناب از هم‌شنوایی هستند. با این وجود این کدگذاری‌ها، با مشکل سربار تحمیلی به سیستم مبتنی بر شبکه روی تراشه مواجه‌اند. در این مقاله، برای حل مشکل سربار کدگذاری‌های غیرهمپوشان یک سیستم عددی به نام حلزونی(Spiral-CAC) ارائه شده است. سیستم‌عددی حلزونی قابل اعمال بر روی شبکه‌های روی تراشه در هر عرض گذرگاهی است. نتایج شبیه‌سازی‌ها نشان می‌دهد، که سربارهای مساحت و توان مصرفی که مدار کدگذار سیستم عددی حلزونی (Sp-CAC) به سیستم تحمیل می‌کند، در مقایسه با روش پیشین بهبود دارد.

در مورد کلان داده‌ها، حافظه‌های موجود در برابر حجم داده بسیار کوچک در نظر گرفته می‌شوند و از طرفی در یک سری از کاربردها مانند شبکه سنسورها نیاز به پردازش اطلاعات به صورت بلادرنگ است. قسمتی از این کلان داده را جریان‌های داده تشکیل داده‌اند. به علت حجم بالای جریان داده‌ها امکان دسترسی تصادفی به اطلاعات وجود ندارد و مقدار محدودی از اطلاعات را می‌توان در حافظه اصلی نگهداری کرد بنابراین مجبوریم آن‌ها را در حافظه ثانوی نگهداری کنیم به همین دلیل هزینه مرور چند باره اطلاعات بسیار بالا است. خصوصیات جریان داده‌ها باعث شده است که الگوریتم‌های خوشه‌بندی موجود مناسب نباشند. بنابراین نیاز به ایجاد الگوریتم‌های خوشه‌بندی مخصوص جریان داده‌ها داریم. در اینجا ابتدا الگوریتم‌های خوشه‌بندی جریان دادهها بررسی شده‌اند و سپس یک الگوریتم خوشه‌بندی بر اساس تبدیل موجک بر روی چارچوب اسپارک پیاده‌سازی شده است که یک نو‌آوری در خوشه‌بندی جریان داده‌ها محسوب می‌شود.

دسته‌بندی بسته‌ها یکی از پردازش‌های اساسی در مولفه‌های متنوع شبکه‌ای است که اغلب توسط پردازنده‌های شبکه‌ای اجرا می‌گردد. دسته‌بندی بسته‌ها فرآیندی خودکار است که جریان‌های ترافیکی شبکه را بر اساس پارامترهای متعدد از جمله پورت و آدرس فرستنده و گیرنده طبقه‌بندی می‌نماید. یکی از روش‌های موجود برای تسریع مکانیسم دسته‌بندی بسته‌ها، پیاده‌سازی سخت‌افزاری آن‌ها است. اما، این راه‌حل‌ها دارای هزینه بالا و توسعه‌پذیری پایین است. در مقابل روش‌های نرم‌افزاری که این مشکلات را برطرف می‌کنند نیز سرعت پایینی دارند. یکی از الگوریتم‏‌های مطرح در روش نرم‌افزاری، الگوریتم‌ درخت سلسله مراتبی است. مهم‌ترین ویژگی این الگوریتم‌، ساخت درخت تصمیم با کمترین میزان حافظه مصرفی و پیچیدگی زمان جستجو است. در این الگوریتم یک درخت تصمیم برای اولین فیلد(آدرس مبداء) و چندین درخت تصمیم برای فیلد دوم(آدرس مقصد) ایجاد می‎شود. در این مقاله‌، به منظور تسریع اجرای الگوریتم دسته‌بندی درخت سلسله مراتبی از خوشه پردازنده مرکزی استفاده شده است. در پیاده‌سازی، سناریوهای مختلفی با استفاده از MPI و OpenMP و ترکیب آنها در یک سیستم تک پردازنده‌ای چند هسته‌ای و خوشه پردازنده‌های چند هسته‌ای پیاده‌سازی و اجرا شدند. نتایج پیاده‌سازی این سناریوها، نشان می‌دهد که با افزایش تعداد سیستم‌ها سرعت دسته‌بندی با همان نسبت افزایش پیدا می‌کند. همچنین ابزار MPI با مصرف حافظه بیشتر نسبت به OpenMP، سرعت بیشتری در پردازش بسته‌ها حاصل میکند. زمانی که مجموع تعداد پروسه‌ها و تعداد نخ‌ها به ترتیب برابر با تعداد پردازنده‌ها و تعداد هسته‌ها باشد، سناریوی ترکیبی بیشترین تسریع را دردسته‌بندی بسته روش درخت سلسله مراتبی دارد.

بررسی چالشهای سیستم دوچرخه شهر تهران در مقایسه با شهرهای کشورهای توسعه یافته و دارای این سیستم برگرفته از بازدیدهای میدانی و تجربه دوچرخه سواری نویسندگان از سیستم های 4 شهر اروپایی ( کلن، دورتموند، آمستردام و پاریس) و شهر تهران و همچنین انجام مطالعات در خصوص ابعاد مختلف این سیستم در دنیا می باشد. دراین مطالعه چالش¬های پیش¬روی سیستم دوچرخه شهر تهران در پنج قالب شامل، 1) ویژگی های جغرافیایی، کالبدی و شبکه معابر شهر تهران، 2) ساختار فرهنگی و اجتماعی شهروندان، 3) نواقص و کم و کاست قوانین دوچرخه ، 4) تسهیلات و تجهیزات دوچرخه سواری و 5) تاثیرات سایر شیوه¬های حمل و نقلی بر سیستم دوچرخه ارائه گردیده است. هریک از قالب ها دارای موارد جزئی می¬باشد که در همه آنها مقایسه توصیفی سیستم دوچرخه شهر تهران با شهرهای مطرح شده براساس بازدیدهای میدانی، مصاحبه باکاربران دوچرخه، استفاده از تجهیزات دوچرخه و مطالعات کتابخانه ای در شهرهای مذکور انجام پذیرفته و در هر قسمت پیشنهاداتی نیز جهت بهبود سیستم دوچرخه شهر تهران در راستای افزایش تقاضا شهروندان به استفاده از دوچرخه در سفرهای شهری ارائه گردیده است اما براساس این مطالعه اگر شهر تهران بخواهد دارای یک سیستم دوچرخه پویا گردد در قدم نخست باید مشکلات اجتماعی و فرهنگی موجود برطرف گردیده و همچنین ساختار کلی سیستم حمل و نقل شهر تهران دارای یک هماهنگی و سرانه مناسب در پهنه کلانشهری گردد و تسهیلات و تجهیزات مورد نیاز شبکه دوچرخه سواری در سطح شهر تهران به صورت یکپارچه ارائه گردد.

مجموعه‌های شهری نوع جدیدی از سکونتگاه‌های شهری هستند که در دهه‌های اخیر با رشد چشمگیر شهرنشینی به وجود آمده‌اند. مجموعه شهری، دربرگیرنده تعداد قابل‌توجهی خوشه شهری است که اطراف هسته اقتصادی یک یا دو کلان‌شهر تجمع یافته‌اند. رشد این مجموعه‌ها یکی از چالش‌های برنامه ریزان شهری در قرن ۲۱ است. تحقیق حاضر در نظر دارد رشد و توسعه مجموعه شهری تهران را از بعد زمانی و توزیع مکانی، مد‌لسازی نماید. بدین منظور ابتدا با استفاده از تصاویر ماهواره لندست، نقشه‌های کاربری اراضی برای سال‌های مورد مطالعه استخراج و در گام بعدی با بهره‌گیری از مدل رگرسیون لجستیک میزان تأثیر متغیرهای مؤثر در گسترش شهری شامل چهارده متغیر محاسبه و نقشه پتانسیل گسترش شهری با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات برای سال 1400 تولید گردید. ضرایب تحلیل رگرسیون لجستیک بیانگر وزن بالای متغیرهای فاصله از نواحی شهری، فاصله از شبکه راه‌ها و عامل شیب در توسعه شهری بودند. مقدار بدست آمده برای شاخص عامل نسبی برابر با 0.6448 و درصد تناظر سطوح 1.2579 می‌باشد که حاکی از دقت بالای مدل‌سازی می‌باشد. مطابق پیش‌بینی انجام شده، با ادامه روند موجود بخش‌های جنوب شرقی کرج و جنوب غربی تهران رشد قابل توجهی را تجربه خواهند نمود.

هوشمندسازی وسائط نقلیه و بهره‌گیری از فناوری‌های موجود در شبکه‌های خودرویی می‌تواند راه مناسبی برای بهبود سیستم‌های حمل‌ونقل باشد که علاوه بر کاهش حوادث و تلفات ناشی از خطای انسانی سبب بهبود امنیت، کاهش اتلاف وقت و مصرف مناسب سوخت شود. بهره‌گیری از معماری شبکه‌های محتوا محور به سبب نوع ساختار آن‌ مزایای زیادی برای شبکه‌های خودرویی به همراه دارد به‌طوری‌که می‌توان با چالش‌های موجود در این شبکه‌ها مانند تغییر دائمی توپولوژی شبکه، حرکت سریع خودروها و لینک‌های ارتباطی ناپایدار مقابله نمود. اغلب کارهای انجام‌شده در این حوزه، کاربردهایی را مدنظر قرار داده‌اند که با مدل مبنایی شبکه‌های محتوا محور کاملاً همخوانی دارند. در این مقاله راهکاری ارائه شده است تا با اعمال تغییراتی در مدل مبنایی بتوان از انواع کاربردها پشتیبانی نمود. از سوی دیگر در چنین شبکه‌ای که مبنای ارسال‌ها به‌صورت سیلابی و همه‌پخشی است، راهکاری برای مقابله با پدیده‌ی طوفان همه‌پخشی پیشنهاد شده است. در انتها راهکارهای ارائه شده از طریق شبیه‌سازی مورد ارزیابی قرار می‌گیرند.

بازشناسی احساس و حالت چهره یکی از زمینه‌های تحقیقاتی مورد توجه در سال‌های اخیر بوده است که در کاربردهایی چون شبیه‌سازی حالت چهره در ارتباط انسان با ماشین و پویانمایی مبتنی بر داده‌ها مورد استفاده قرار گرفته است. با پیدایش و گسترش یادگیری عمیق هم این شاخه بیشتر مورد توجه قرار گرفته است. در اين مقاله، دو روش برای بهبود استخراج ویژگی استخراجی از چهره برای بازشناسی حالت آن مبتنی بر شبکه‌های عصبی عمیق ارائه شده است. در روش اول با استفاده از شبکه‌های خود رمزگذار فشرده‌سازی و کاهش بعد ویژگی بر روی مجموعه ویژگی‌های الگوی دودویی محلی و هیستوگرام جهت دار اعمال شده است تا به این ترتیب بردار ویژگی به دست آید که علیرغم کاهش بعد اطلاعات این ویژگی ها را به همراه داشته باشد. بردار حاصل برای دسته‌بندی در اختیار دو دسته‌بند ماشین بردارپشتیبان و پرسپترون چند لایه قرار داده شده است. در روش دوم ساختاری جدید برای معماری شبکه‌های درهم‌پیچش با در نظر گرفتن حذف تصادفی نورون‌ها در حین آموزش پیشنهاد شده است که به نوعی به وزن‌دهی ویژگی‌های استخراجی از لایه‌های درهم‌پیچش و بهبود وزنهای شبکه در حین آموزش می‌پردازد. نتایج ارزیابی روش‌ها بر روی دادگان CK+ نشان می‌دهد که روشهای پیشنهادی به ویژه روش پیشنهادی دوم نسبت به دیگر روش‌های ارائه شده نتیجه بهتری ارائه کرده‌اند و در بهترین حالت، روش دوم به درصد بازشناسی 97.4% دست یافته است.

در سال‌های اخیر، پیشرفت فناوری در زمینه ترجمه ماشینی منجر شده است تا سامانه‌های مترجم ماشینی در زبان‌های مختلف با کیفیتی بهتر از قبل به وجود آیند. به همین دلیل ارتباط بین انسان و ماشین به‌عنوان یک قسمت مهم از ترجمه، توسعه و اهمیت بیشتری یافته است. یک نمونه از این ارتباط، استفاده از پس‌ویرایش است. پس‌ویرایش به تصحیح و ویرایش متن ترجمه‌شده‌ توسط‌ سامانه مترجم ماشینی، توسط کاربر گفته می‌شود. استفاده از ابزار‌های پس‌ویرایش ترجمه ماشینی سبب می‌شود که بتوان از داده‌های ویرایش شده توسط کاربر پس از اطمینان نسبت به صحت و کیفیت مناسب، از آن‌ها در جهت بهبود کیفیت مترجم ماشینی نیز بهره برد. در این پژوهش یک روش به منظور اعتبارسنجی ویرایش کاربران ارائه شده است. خصوصیت اصلی روش ارائه شده، قابل اعمال بودن بر انواع ترجمه‌ها و همبستگی بالای آن با معیار Translation Edit Rate به عنوان یک معیار ارزیابی با ناظر است. در این پژوهش ابتدا ویژگی‌هایی که فقط با داشتن جمله مبدأ و مقصد می‌توان به آن‌ها دست یافت را استخراج می‌کنیم، سپس با بهره‌گیری از این ویژگی‌ها به تخمین کیفیت ترجمه‌های انجام شده یا ویرایش شده توسط کاربران می‌پردازیم. آزمایش‌های انجام شده نشان داده است که استفاده از ویژگی‌های استخراج شده از جفت جمله انگلیسی-فارسی ترجمه شده توسط کاربران و اعمال رگرسیون با روش جنگل‌ تصادفی به نتیجه‌ی همبستگی ۰.۹۱ با معیار Translation Edit Rate منجر می‌شود.

یکی از پرچالش‌ترین مسائل در حوزه شبکه‌های اجتماعی، مسأله بیشینه‌سازی تأثیر است. هدف از این مسأله، شناسایی زیرمجموعه‌ی کوچکی از گره‌ها به نام هسته‌های اولیه می‌باشد که می‌توانند منجر به بیشینه‌سازی گسترش تأثیر در شبکه‌های اجتماعی شوند. تاکنون روش‌های زیادی در زمینه مسأله بیشینه‌سازی تأثیر ارائه شده‌اند که از آن جمله می‌توان به روش تخفیف-درجه اشاره کرد. روش تخفیف درجه می‌تواند به طور مؤثر هسته‌های اولیه را شناسایی کند و این موضوع باعث شده که این روش به عنوان یک روش معیار در نظر گرفته شود. با این حال فرضیه‌های اولیه در روش تخفیف درجه کافی نمی‌باشد چرا که این روش با تمام گره‌های موجود در همسایگی یک گره به طور یکسان برخورد می‌کند و بین آنها هیچ تفاوتی قائل نمی‌شود. از این‌ رو در این مقاله، یک روش جدید تحت عنوان روش تخفیف تک‌درجه به عنوان یک تعمیم مؤثر از روش معیار تخفیف‌ درجه پیشنهاد شده است. در روش پیشنهادی بر اساس معیار درجه با گره‌های موجود در همسایگی یک گره رفتار می‌شود به این صورت که برای گره‌های تک‌درجه تخفیف بیشتری درنظر گرفته می‌شود. آزمایش‌های انجام شده بر روی تعدادی از شبکه‌های اجتماعی موجود در دنیای واقعی نشان می‌دهد هسته‌های اولیه انتخاب شده توسط روش تخفیف تک‌درجه نسبت به روش‌های معیار دیگر تأثیرگذارتر هستند.

شناسایی مرجع ضمیر یکی از جنبه‌های مهم پردازش متون به شمار می‌رود که در زمینه‌های مختلفی همچون استخراج اطلاعات از متن و خلاصه‌سازی متن، کاربرد فراوان دارد. روش‌های متفاوتی برای شناسایی مرجع ضمیر وجود دارد که می‌توان این روش‌ها را به‌طور کلی به دو دسته اصلی مبتنی بر قاعده و یادگیری ماشین تقسیم نمود. در روش مبتنی بر قاعده، نیازمند تعیین قواعدی هستیم که بتوان به کمک آن‌ها مرجع ضمیر را به‌درستی تعیین نمود. بنابراین می‌بایست این قواعد به‌گونه‌ای استخراج شوند که در تمامی موارد، عملکرد مناسبی داشته باشند. اما در روش یادگیری ماشین از تکنیک‌های مبتنی بر هوش مصنوعی استفاده می‌شود تا شناسایی مرجع ضمیر به‌صورت خودکار انجام شود. برای استفاده از این‌گونه روش‌ها، وجود داده‌های آموزشی مناسب اهمیت بسیار دارد تا بتوان به کمک داده آموزشی، یک دسته‌بندی‌کننده مناسب را آموزش داد. استفاده از هر کدام از روش‌های مبتنی بر قاعده و یادگیری ماشین مزایا و معایب خاص خود را دارد. در این مقاله سعی داریم تا با ترکیب این دو روش، سیستم شناسایی مرجع ضمیر را بهبود دهیم. نتایج به‌دست آمده نشان‌دهنده عملکرد بهتر سیستم پیشنهادی در مقایسه با سیستم‌هایی است که تنها از متدهای یادگیری ماشین استفاده نموده‌اند.