انجمن کامپیوتر ایران

در اين مقاله دو سلول جديد جمع كننده تك بيتي با هدف كاهش توان مصرفي و بالا بردن كارآيي، ارائه شده است . مبناي كار ، استفاده از تابع راي اكثريت و شباهت خروج يهاي C

دسته بندي داده هاي ميكروآرايه براي تشخيص نمونه هاي سالم از سرطاني، به علت تعداد بالاي ويژگ يها (ژن ها) و تعداد كم نمونه ها هميشه با چالش مواجه بوده است. در اين تحقيق كاربردنمونه ها هميشه با چالش مواجه بوده است. در اين تحقيق كاربرد PSO در انتخاب ويژگي داده هاي ميكروآرايه ( مربوط به ٦ مجموعه دادة لوكمي، سرطان رودة بزرگ، سرطان سينه، سرطان ريه، سرطان تخمدان و سرطان پروستات) بررسي شده است. دقت دسته بند ِ ي يك دسته بندي كنندة SVM نيز به عنوان تابع برازش PSO درنظر گرفته شده است. در اين ديدگاه از الگوريتم Adatron به عنوان كرنل SVM استفاده شده است. الگوريتم Adatron نه تنها رسيدن به راه حل بهينه را تضمين مي كند بلكه سرعت همگرايي را در هر تكرار آموزش به صورت نمايي افزايش مي دهد. در اين ديدگاه براي بالا بردن كارايي، از يك روش پيش پردازش فازي استفاده شده است و ارزيابي دسته بندي كننده با استفاده از روش K-Fold Cross Validation صورت گرفته است.

در اين مقاله به فرآيند توصيه، به عنوان يك مسئلة تصميم گيري چند معياره نگريسته و استفاده از متد PROMETHEE به عنوان يك روش پركاربرد در ميان روشهاي تصميم گيري چند معياره- براي سيستم هاي توصيه گر مورد بررسي قرار گرفته است. غالب سيستم هاي توصيه گر به توصية يك نوع كالا، آن هم از انواع با تواتر خريد بالا (مانند: موسيقي، فيلم، كتاب و ...) پرداخته اند [ 27 ] اما توصيه اقلام گوناگون و با تواتر (تكرار) خريد پايين از مسائلي است كه امروزه توجه محققين تجارت الكترونيك را بيش از پيش به خود جلب كرده است. اين مقاله با بكارگيري روش PROMETHEE II به توصيه از دسته كالاهاي مختلف با تكرار خريد پايين پرداخته است. عملكرد سيستم طراحي شده با داده هاي واقعي و بر اساس معيارهاي ارزيابي سيستمهاي توصيه گر مورد ارزيابي قرار گرفته و زمان پاسخگويي سيستم نيز با متد مشابه مقايسه شده است. نتايج آزمايشات حكايت از دقت و صحت خروجي هاي سيستم داشته و نيز عملي بودن توصيه از دسته هاي متفاوت ولي مرتبط كالاهاي با تواتر خريد پايين را در زمان پاسخگويي مناسب نشان مي دهد.

در اين مقاله يك ايده براي آشكارسازي چهره هاي طبيعي موجود در تصاوير رنگي با استفاده از تركيب طبقه بندها طرح گرديده است. بدين منظور از تركيب متوالي طبقه بندهاي مدل رنگ پوست و AdaBoost استفاده شده است . در روش پيشنهادي ابتدا با استفاده از تخمين مدل رنگ پوست، نواحي هم رنگ با پوست از پس زمينه قطعه - بندي مي گردند. سپس با استفاده از تحليل اجزاء به هم پيوسته، نواحي كانديدا براي يافتن چهره هاي طبيعي شناسايي ميگردند. در مرحلة بعد براي تخمين چرخش دو بعدي سر، بر روي نواحي كانديدا PCA اعمال شده است . در مرحلة چهارم، مقدار زاوي ة چرخش سر جبران سازي گرديده است . براي آشكارسازي نهايي چهره هاي طبيعي ، تصاوير كانديداي جبرانسازي شده به عنوان ورودي مطلوبِ طبقه بند AdaBoost در نظر گرفته مي شوند. نتايج تجربي نشان مي دهند كه روش ارائه شده قادر به آشكارسازي چهره هاي طبيعي در تصاوير تا 360 درجه چرخش دو بعدي است . نرخ آشكارسازي چهره بر روي مجموعه دادههاي آزمايش شده بيش از 96 درصد گزارش شده است.

اين مقاله به ارائه مكانيزمي جهت موازنه بار ميپردازد كه در آن اطلاعات مربوط به بار هر گره شامل بار پردازنده، ميزان مصرف حافظه و ترافيك شبكه جمع آوري شده و اين اطلاعات با دانشي كه در زمينه نيازمنديهاي يك كار به منابع، حين اجراي آن كار روي سيستم كلاستر ذخيره گرديده است، تلفيق ميگردد. اين اطلاعات به منظور بهكارگيري سياستي مناسب جهت موازنه بار و انتساب ميزان مشخصي از كار به هر گره، نه تنها بر مبناي بار آن گره، بلكه با در نظر گرفتن نوع كاري كه قرار است روي آن به اجرا درآيد، مورد استفاده قرار ميگيرد. الگوريتم پيشنهادي با الگوريتمهاي مبتني بر بار كه جهت موازنه بار، تنها اطلاعات مربوط به بار هر گره را بدون در نظر گرفتن نوع كاري كه قرار است به اجرا در آيد در نظر مي گرفته اند، مقايسه شده است و نتايج حاصل از آن بيان ميدارد كه الگوريتم پيشنهادي، در شرايط مساوي با الگوريتم هاي مبتني بر بار از كارايي بالاتري برخوردار است.

در اين مقاله دو روش مختلف بر مبنا ي اي ده ه اي انتخاب معكوس و شبكه ايمني مصنوعي جهت تشخيص و كاهش ن ويز نمك و فلفل ارائه شده است. يكي از اين دو روش بر مبن اي الگو ريتم انتخاب معكوس بوده و با استفاده از اي ده ه اي مطرح شده در تئور ي شبكه ايمني، تعداد محافظ هاي استخراج شده را كاهش ميدهد. روش ديگر بر مبناي شبكه ايمني مصنو عي aiNET بوده و با استفاده از ا يده ي انتخاب معكوس از خروجي شبكه aiNET محافظ ها را ايجاد مي كند. هر دو روش روشهايي يادگير با توانايي شناسايي الگو هستند و توانا يي سيستمهاي ايمني مصنوعي در تشخيص الگوهاي خودي (مجاز) از غي ر مجاز را به ارث برده اند. در اين سيستم الگوهاي مجاز، جزيي ات تص وير، لبه ها و ساير نقاط بدون نويز تصوير است و الگوهاي غي ر مجاز نقاط ي هستند كه تحت تاث ير نو يز نمك و فلفل قرار گرفت ه ان د. روشه اي پيشنهادي اگرچه يادگيري با ناظر دارند، اما يادگيري تنها بر ر وي ي ك مثال آموزشي كه آن هم به صورت خودكار ا يجاد مي گردد انجام ميگيرد.

الگوريتم ژنتيك نش تلفيقي از الگوريتم ژنتيك و استراتژي نَش به منظور رسيدن به نقطه تعادل نَش ميباشد. در اي ن تحقي ق با الهام از الگور يتم ژنت ي ك نَ ش و برنامه نو ي سي ژنت ي ك، برنامه نوي سي ژنتيك نَش معرفي و توسعه داده شده اس ت. كاربرد الگوريت م توسعه داده شده در بازار سهام مورد بررسي و كارايي آن در استخراج قواعد خريد و فروش سهام جهت تصميم گيري در مورد خريد و فروش سهام مورد ارزيابي قرار گرفته است . نتايج شبيهسازيه اي صورت گرفته قابليت الگوريتم پيشنهادي را در استخراج قواعد تاييد مي كند.

در اين مقاله يك روش مبتني بر رده بندي و وزن دهي كلمات براي پاسخ دهي به سوالات در حوزه زندگي نامه پيشنهاد شده است. با استفاده از يك پيكره از پاسخ هايي كه به صورت دستي استخراج شده اند، كلمات فني به همراه uni-gram ها و bi-gram ها در اين حوزه، تعيين مي شوند و سپس اين كلمات وزن دهي شده و براي رده بندي سوالات مطرح شده و جملات كانديد براي پاسخ ، مورد استفاده قرار مي گيرند. ما در اين مقاله براي ارزيابي روش پيشنهادي سيستم، انواع سوالات را به سوالات در زمينه " تاريخ ولادت" ،" تاريخ وفات" محدود كرده ايم.

Locating sensor nodes is essential for many applications and protocols in wireless sensor network. Large numbers of localization algorithms have been proposed to do this. Distributed algorithms decrease communication cost while having lower accuracy. In this paper we propose a distributed method to localize sensor node using only neighboring information. Our focus is on location estimation although some ideas are also presented for implementation. Our algorithm employs an error analysis scheme and calculates expected error as well as estimated location for each sensor node. Simulation results confirm effectiveness of our scheme and prove capability of using connectivity approach.

One of the important issues in power and performance trade off analysis in Network on Chip designs is communication. Communication portion in the power consumption of System on Chip can be up to 50% of the whole power of consumption of the chip. This deems to be more important for Network on Chips which center around an intercommunication networks. Many Networks on Chip routers have been designed; however most of them have not been implemented until now. In this paper, design and implementation of a synchronous Network on Chip router based on asynchronous communication mechanism are presented. We designed a router with scalability feature which is synthesized in both FPGA and ASIC infrastructures. In addition, the proposed router uses low resource utilization percentage of FPGA and ASIC.

Job-shop scheduling problem is demonstrated as one of the NP-complete problems. To solve this problem, we propose two types of hybrid shuffled frog leaping algorithm. Hybrid algorithms are generated by combining the shuffled frog leaping and a local search method. Also a new local search method by combining two other simple local searches is proposed. The obtained results demonstrate that our proposed hybrid algorithms have a better performance than their nonhybrid competitors. Also a comparison among proposed hybrid shuffled frog leaping and hybrid genetic algorithms demonstrate that the hybrid shuffled frog leaping algorithms can be generated a better schedule than their genetic algorithm competitors. A caparison of the best obtained results with the results reported in the considered literature shows that our proposed algorithms have a comparable performance.

In this paper, we present a novel hybrid algorithm for binarization of badly illuminated document images. This algorithm locally enhances the document image and makes the gray levels of text and background pixels separable. Afterward a simple global binarization algorithm binarizes the enhanced image. The enhancement process is a novel method that uses a separate transformation function to map the gray level of each pixel into a new domain. For each pixel, the transformation function is determined using its neighboring pixels gray level. The proposed binarization algorithm is robust for wide variety of degraded document images. Evaluation over a set of degraded document images illustrates the effectiveness of our proposed binarization algorithm.

PSO, like many stochastic search methods, is very sensitive to efficient parameter setting. As modifying a single parameter may result in a large effect. In this paper, we propose a new a new learning automatabased approach for adaptive PSO parameter selection. In this approach three learning automata are utilized to determine values of each parameter for updating particles velocity namely inertia weight, cognitive and social components. Experimental results show that the proposed algorithms compared to other schemes such as SPSO, PSO-IW, PSO TVAC, PSO-LP, DAPSO, GPSO, and DCPSO have the same or even higher ability to find better local minima. In addition, proposed algorithms converge to stopping criteria significantly faster than most of the PSO algorithms.

Though numerous approaches have been proposed for face recognition. In this paper we propose a novel face recognition approach based on adaptively weighted patch Local Statistic in Multi dimensional (LMDS) when only one exemplar image per person is available. In this approach, a face image is decomposed into a set of equal-sized patches in a nonoverlapping way. In order to obtain Local Multi Dimensional Statistic Features in each patch, we calculated mean and standard deviation of all pixels along some directions. An adaptively weighting scheme is used to assign proper weights to each LMDS features to adjust the contribution of each local area of a face in terms of the quantity of identity information that a patch contains. An extensive experimental investigation is conducted using AR face databases covering face recognition under controlled/ideal conditions and different facial expressions. The system performance is compared with the performance of four benchmark approaches. The encouraging experimental results demonstrate that our approach can be used for face recognition and patch-based local statistic features provides a novel way for face.

Reversible Cellular Automata is applicable in cryptographic functions. A reversible CA can be obtained by employing reversible rules. In this paper, we propose 65280 two-dimensional reversible CA rules by compounding one-dimensional reversible rules. We produce these rules by alternately applying onedimensional CA rule f1 to the rows and applying another rule f2 to the columns of the configuration matrix of twodimensional CA. In addition to describing these rules, we consider the required cryptographic properties such as completeness, strict avalanche criteria, non-linearity, and differential-profile flatness for our proposed approach. According to the obtained results, 9463 rules are specified as appropriate rules for the purpose of applying in cryptographic functions. Only 510 rules do not satisfy any of the mentioned cryptographic properties and the other remain rules satisfy some of the properties.