انجمن کامپیوتر ایران

این مقاله، با بسط استفاده از شبکه حافظه کوتاه و ماندگار دوطرفه (biLSTM) یک معماری جدید برای مسائل کاربردی پیشنهاد می‌دهد. biLSTM، فرایند گذشته و آینده ویژگی‌ها را به‌طور کامل می‌تواند منعکس کند. سیستم پیشنهادی به مطالعه موردی قضایی اعمال‌ شده است. در سیستم تصمیم‌گیرنده پیشنهادی، برای تصمیم مؤثرتر بعد از biLSTM از دو رمزگذار و دانش خبرگان استفاده‌ شده است. در این روش با مشاهده اجزای پرونده، نوع مؤلفه‌ها بررسی می‌شود و کلیدی بودن مؤلفه در اصلاح وزن‌ها موردتوجه قرار می‌گیرد. در روش پیشنهادی، ابتدا biLSTM هم بر روی مؤلفه‌های پرونده و هم بر روی حکم که دو بخش تبرئه و محکوم است اعمال می‌شود. دقت عملکرد بر اساس تمرکز بر روی مؤلفه‌های مؤثرتر مشخص می‌شود. طراحی این معماری بر اساس اشتراک‌گذاری وزن‌ها در زمان آموزش توسط رمزگذارها می‌باشد. نتایج سیستم تصمیم‌گیرنده پیشنهادی در مورد مطالعاتی قضایی با روش‌های دیگر مقایسه شده‌اند که برتری روش پیشنهادی مشخص‌شده است. روش پیشنهادی با طراحی یک الگوی مناسب و به‌کارگیری اکثر عامل‌ها و شناخت تأثیرگذاری آن‌ها درگرفتن یک تصمیم درست در زمان کوتاه‌تر می‌تواند بسیار کمک‌کننده باشد و متعاقباً هزینه‌های تشکیل دادگاه‌های تجدیدنظر و اطاله دادرسی را کاهش می‌دهد و حس اعتماد جامعه به سیستم قضا را افزایش می‌دهد.

پیشنهاد اقلام مطابق سلیقه مشتریان همواره مورد اهمیت بوده است و از این رو سیستم‌های توصیه‌گر به منظور افزایش کیفیت خدمات و افزایش فروش مورد توجه واقع شده‌اند. در این مقاله با استفاده از خوشه‌بندی گراف و یافتن شباهت میان کاربران سیستم توصیه‌گری ارائه شده است که ابتدا اطلاعات کاربران و اقلام را در فضای گراف مدل‌سازی می‌کند و پس از خوشه‌بندی آنها با استفاده از آموزش یک شبکه عصبی پرسپترون به ارائه پیشنهاد به کاربران می‌پردازد. نتایج بدست آمده با استفاده از سیستم پیشنهادی بر روی دادگان Movielens نشان می‌دهد که مدل پیشنهادی توانسته است نتایج بهتری نسبت به پالایش مشارکتی به روش همسایگی با معیار پیرسون بدست بیاورد.

طول عمر بالا، غیرفرار بودن، توان نشتی نزدیک به صفر، سرعت خواندن و چگالی بالا از ویژگی‌های حافظه‌های با دسترسیِ تصادفیِ مغناطیسی است که می‏‌توانند در پردازش و ذخیره‎‏سازی داده‏‌ها در کاربردهای مختلف مورد استفاده قرار گیرند. در بسیاری از این کاربردها مانند پردازش تصویر و یادگیری ماشین به دلیل اینکه بی‏دقتی محاسباتی تا حدی جایز است، می‌توان طوری از محاسبه‌ی تقریبی بهره برد که با کم‌ترین میزان خطای محاسبه، منفعت زیادی را در توان، مساحت و تاخیر به دست آورد. کمپرسور یکی از مهم‏ترین اجزا در حاصل‏ضرب جزئی برای فشرده‌‏سازی عکس است. در این مقاله ابتدا یک کمپرسور 4:2 با گشتاور انتقالی چرخشی به کمک ناهمسان‌گردی مغناطیسی کنترل شده با ولتاژ پیاده‌‏سازی شده و سپس دو طرح نادقیق برای بکارگیری آن در محاسبات تقریبی پیشنهاد شده است. نتایج شبیه‏‌سازی در سطح مدار نشان می‏‌دهد که کمپرسور مغناطیسی پیاده‏‌سازی شده در توان 2 برابر و در تاخیر 8 برابر بهبود داشته است. همچنین کمپرسورهای تقریبی نیز نسبت به طرح دقیق آن در توان و تاخیر به ترتیب تا 3.8 و 1.4 برابر کاهش داشته‏‌اند. در سطح کاربرد نیز کمپرسور تقریبی پیشنهادی را برای تعدادی از بیت‏های کم‌‏ارزش‌‏تر در فشرده‌‏سازی تصویر بکار گرفتیم و مشاهده کردیم کیفیت خروجی قابل قبول است.

در این مقاله، مدل بلوغ تعامل‌پذیری کشور به اختصار معرفی شده‌ است. عناصر اصلی مطرح در این مدل شامل سطوح بلوغ، ابعاد مورد بررسی، شاخص‌های ارزیابی و همچنین روش ارزیابی سطح بلوغ تعامل‌پذیری است. این مدل دارای ده سطح بلوغ به‌همراه شش بُعد جهت بررسی تعامل‌پذیری است. جهت بهبود کیفیت ارزیابی، ابعاد به شاخص‌هایی ملموس و قابل اندازه‌گیری در سازمان‌ها/سیستم‌های اطلاعاتی تجزیه شده است که هر یک از این شاخص‌ها در سطوح مختلف امتیازاتی را در زمینه تعامل‌پذیری به خود اختصاص می‌دهند. در نهایت با امتیازدهی به شاخص‌ها، امکان تعیین سطح بلوغ تعامل‌پذیری برای یک سازمان وجود خواهد داشت. بر مدل ارائه شده، نحوه ارزیابی تعامل‌پذیری از سه جنبه‌ی بلوغ تعامل‌پذیری بین دو سیستم اطلاعاتی/سازمان، بلوغ تعامل‌پذیری در یک سیستم اطلاعاتی و بلوغ تعامل‌پذیری در یک سازمان‌ بیان خواهد شد.

در شبکه حمل و نقل خودروهای شهری، چراغ‌های راهنمایی می‌توانند یک ابزار کارآمد برای کنترل جریان آمد و شد خوردروها، شمار خودروهای منتظر پشت چراغ راهنمایی و مدت زمان سفرهای درون شهری باشند. این مقاله بر روی بهینه‌سازی شبکه‌های حمل‌ و نقل شهری با استفاده از ‏هوش مصنوعی تمرکز دارد و برای دستیابی به زمانبندی بهینه چراغ راهنمایی، با بهره‌گیری از انواع الگوریتم‌های در حوزه یادگیری تقویتی، تقویتی عمیق و یادگیری عمیق، یک مدل ترافیکی ساخته شده است. منطق کنترل زمانی چراغ‌ها و جریان آمد و شد خودروها در مدل لحاظ گردیده است. برای دستیابی به افزایش سرعت محاسبات و بهینه نمودن سیستم، الگوریتم‌ها در فریمورک توزیع شده RAY پیاده‌سازی شده است. سه سناریو مختلف با الگوریتم‌های متفاوت Q-Learning، DQN و A3C با رویکرد سیستم‌های تکعاملی با شبیه‌سازی میکروسکوپیک یک تقاطع در نرم‌افزار SUMO مورد ارزیابی قرار گرفت. با تحلیل عملکرد سناریوها در نهایت سناریو سوم با بهره‌گیری از الگوریتم یادگیری عمیق A3C‏، منجر به کاهش 91.14% زمان انتظار نسبت به روش Q-Learning‏ و 29.32% کاهش زمان انتظار در مقایسه باروش ‏DQN‏ ‏گردید. براي مشاهده عملکرد الگوریتم برتر و بررسی انتقال‌پذیری در چارچوب یادگیري عمیق، مطالعه موردي یک تقاطع حقیقی در شهر یزد مورد آزمایش قرار گرفته است. تقاطع منتخب خیابان چمران با خیابان سلمان فارسی است.

با گسترش اینترنت و افزایش استفاده از خرید آنلاین، تحلیل تعاملات کاربران با فروشگاه‌های آنلاین برای استخراج احساسات و الگوی رفتار آن‌ها مورد توجه پژوهشگران قرار گرفته است. تردید یکی از مواردی است که ممکن است کاربر در تعامل با یک فروشگاه آنلاین به آن دچار شود و در نتیجه از خرید خود صرف‌نظر کند. با شناسایی زودهنگام تردید مشتری می‌توان اقداماتی برای رفع تردید مشتری انجام داد و از رها کردن خرید توسط مشتری پیش‌گیری کرد و معیارهایی نظیر سودآوری فروشگاه و رضایت و وفاداری مشتریان را افزایش داد. در این پژوهش، مساله تشخیص تردید مشتریان فروشگاه آنلاین به صورت ضمنی و بدون مداخله مستقیم آنها درنظر گرفته شده است و برای شناسایی تردید مشتریان، تنها از تعاملات لمسی آنها با وب‌سایت استفاده می‌شود. برای این منظور، تعاملات لمسی مشتریان در وب‌سایت یک فروشگاه آنلاین به مدت شش ماه جمع‌آوری شد. سپس با استفاده از داده کاوی و یادگیری ماشین، مدل‌هایی برای پیش‌بینی تردید مشتریان استخراج شد. درخت تصمیم با صحت 034/85 درصد به‌عنوان مدل مناسب انتخاب شد و در وب‌سایت فروشگاه پیاده‌سازی شد. سپس مدل به صورت آنلاین و در تعامل با مشتریان نیز ارزیابی شد. نتایج نشان‌دهنده دقت بالای روش پیشنهادی برای تشخیص تردید مشتریان است.

الگوریتم پس انتشار خطا رایج‌ترین الگوریتم برای آموزش بانظارت و مستقیم شبکه‌های عصبی ضربه‌ای می‌باشد. هرچند به علت ماهیت گسسته این شبکه‌ها، اعمال این الگوریتم با محدودیت‌ها و چالش‌هایی همراه است. در این مقاله یک الگوریتم یادگیری جدید مبتنی بر کدگذاری زمانی تک ضربه‌ای ارائه شده است که در آن گرادیان‌های بازگشتی را حذف کرده و از یک تقریب خطی برای محاسبه مشتق تابع فعالیت نورون‌های ضربه‌ای استفاده می‌کنیم. به منظور حذف گرادیان‌های بازگشتی، تابع خطای هر لایه به صورت جداگانه محاسبه شده و سپس با اعمال الگوریتم کاهش گرادیان، پارامترهای آن لایه به روز رسانی می‌شوند. همچنین به منظور کاهش حجم محاسبات، مدل نورونی خطی تکه‌ای را پیشنهاد داده‌ایم و از یک روش کدگذاری زمانی استفاده کرده‌ایم به گونه‌ای که هر نورون حداکثر یک بار اجازه آتش دارد. الگوریتم پیشنهادی برای آموزش یک شبکه عصبی ضربه‌ای کانولوشنی استفاده شده است و با بررسی بر روی پایگاه داده MNIST نشان داده شده که این الگوریتم قابلیت پیاده‌سازی در ساختارهای عمیق شبکه‌های عصبی ضربه‌ای را دارد.

مدیریت بهره‌وری در محیط‌های هوشمند یکی از مسائل پر اهمیت و مورد توجه است؛ که با تلفیق با سایر چالش‌های پیش‌رو همانند «بهینه‌سازی مصرف انرژی»، این امر مهم‌تر از قبل می‌گردد. اطلاع از شرایط محیط‌های داخلی و خارجی، درجه اهمیت آنها و همچنین محدودیت‌های زیربخش‌های آن می‌تواند در کنترل و مدیریت آنها کمک شایانی نماید. در این مقاله سعی بر آن شده است پارامترها و شرایط محیطی با توجه به جایگاه و اولویت آنها رده‌بندی شود. سپس با توجه به شرایط پیش‌رو در بکارگیری بسترهای رصد، پردازش و تصمیم‌ساز IOT در محیط‌های متنوع دانشگاه، تلاش به هوشمندسازی آنها نموده است. تمرکز اصلی این پژوهش، در نظر گرفتن پارامترهای درگیر و تأثیرگذار و همچنین درجه اهمیت آنهاست؛ که علاوه بر مدیریت بهره‌وری و مصرف انرژی تجهیزات و حسگرهای آنها، بتوان در مدیریت کارایی و مصرف توانی قسمت‌های مختلف دانشگاه هوشمند بهره جست. برای مطالعه موردی، مصرف الکتریکی یک دانشکده، قبل و بعد از بکارگیری و استقرار این بستر مورد بررسی و مقایسه قرار گرفته و بهینگی و نتایج «بهینه‌سازی مصرف انرژی» حاصل، ارائه شده است.

پیدا کردن کوتاه‌ترین مسیر برای مشاهده یک شیء یک مسأله پر‌کاربرد در هندسه محاسباتی است. از جمله کار‌بردهای آن می‌توان به وضعیتی که دیدن یا دیده شدن توسط شیء هدف اهمیت دارد اشاره کرد. به عنوان مثال هنگامی که بخواهیم با شی‌ء هدف ارتباط برقرار کنیم یا آن را بازرسی کنیم؛ با این شرط که نحوه ارتباط با شیء هدف به صورت خط دید باشد. نقطه مبدأ s را در یک ناحیه چندضلعی P با h-1 مانع در نظر بگیرید. می‌خواهیم با انجام پیش‌پردازش بر روی ورودی، کوتاه‌ترین مسیر از نقطه s به نقطه دلخواهی در P را پیدا کنیم؛ به طوری که پاره‌خط دلخواه l از آن نقطه قابل دیدن باشد. برای حل این مسأله در این مقاله ما دو راه حل ارائه کردیم. در راه حل نخست با صرف زمان پیش‌پردازش O(n4+ɛ) مسأله در زمان O(nh) قابل حل خواهد بود. در راه ‌حل پیشنهادی دوم با افزایش زمان پیش‌پردازش به O(n8) توانستیم مسأله را در زمان O(logn) حل کنیم.

همه‌گیری ناشی از کرونا ویروس جدید (کووید-19) بحرانی سراسری را به وجود آورده که تمام کشورهای جهان را درگیر کرده است. این بیماری به دلیل ناشناخته بودن، قدرت شیوع بسیار بالا و عدم قابلیت رهگیری مبتلایان به خطری جدی برای همگان تبدیل‌شده است که دولت‌ها را مجبور به اعمال انواع سیاست‌ها و پروتکل‌های پیشگیرانه در این حوزه نموده است. اولین قدم مشترک در تمام این سیاست‌ها، تشخیص بیماری است؛ تشخیص دقیق، سریع و کم‌هزینه امری است که بیشترین اهمیت را در مقابله با کووید-19 دارد. در سال‌های گذشته استفاده از هوش مصنوعی به‌عنوان یکی از روش‌های کمک تشخیصی، کمک شایانی در حوزه‌های مختلف علوم پزشکی داشته است. در همین راستا یادگیری عمیق در سال‌های اخیر بیش‌ازپیش مورد توجه پژوهشگران بوده و تاکنون معماری‌های گوناگونی برای آن ارائه شده است. با توجه به این موضوع استفاده از تکنیک‌های یادگیری عمیق در تشخیص دقیق بیماری کووید-19 می‌تواند راهگشا باشد. در این مقاله ضمن مقایسه و ارزیابی برخی معماری‌های یادگیری عمیق نظیر VGG19، InceptionV3، ResNet50 در تشخیص کووید-19 با استفاده از تصاویر سی‌تی‌اسکن ریه، یک مدل پیشنهادی بر اساس ترکیب دو معماری InceptionV3، ResNet50 ارائه شده است. یافته‌ها حاکی از آن است که مدل پیشنهادی نسبت به سایر روش‌ها دقت بالاتری دارد.

شبکه‌های بین خودرویی فناوری‌های نوظهوری هستند که عملکردشان وابسته به در دسترس بودن اطلاعات دقیق و به‌روز وسایل نقلیه است. وسايل نقلیه‌اي که اطلاعات‌ غیرعادي منتشر می‌کنند مي‌توانند در عملکرد شبکه‌ی بین خودرویی اختلال ايجاد کنند. بنابراین تشخیص چنین بدرفتاری‌هایی برای حفظ امنیت شبکه‌ی بین خودرویی در برابر مهاجمان، حیاتی است. در اکثر طرح‌های تشخیص بدرفتاری گذشته توجه کمی به استفاده از ویژگی‌های نظریه‌ی جریان ترافیک شده است. توجه به این نظریه می‌تواند ابزاري قوی برای ارزیابی صحت اطلاعات زمینه‌ی منتشرشده در شبکه‌ی بین خودرویی فراهم کند. برای بهبود چالش‌های طرح‌های تشخیص بدرفتاری گذشته، ما استفاده از نظریه‌ی جریان ترافیک را برای تشخیص بدرفتاری‌های ناشی از ارسال اطلاعات غیرعادی در شبکه‌های بین خودرویی پیشنهاد می‌کنیم. در طرح پیشنهادی، علاوه بر واحد‌های کنار جاده‌ای، واحد‌های محاسباتی روی وسایل نقلیه نيز به‌عنوان منابع قابل‌اطمینان اطلاعات در نظر گرفته مي‌شوند که این موضوع به کاهش هزینه‌های ناشی از پیاده‌سازی سراسری واحدهای کنار جاده کمک می‌کند. نتایج ارزیابی این طرح در انواع شرایط ترافیکی و با تعداد مختلف گره‌های مخرب نشان‌دهنده‌ی کاهش نرخ هشدار‌های کاذب و بهبود دقت تشخیص است.

با توجه‌ به استقبال چشمگیر و حضور فعال کاربران در شبکه‌های اجتماعی، شناسایی رویدادها از شبکه‌های اجتماعی به یکی از مسائل بسیار مهم موجود در هر حوزه‌ای تبدیل شده است. در این مقاله به ارائه یک مدل برای استخراج ویژگی از داده‌های شبکه اجتماعی بر مبنای شبکه عصبی پیچشی و مبتنی بر رویکرد جانمایی کلمات پرداخته شده است. همین‌طور در این پژوهش یک مجموعه‌ داده فارسی در ۱۲ دسته‌بندی متنوع برای حل مسئله شناسایی رویدادها ارائه شده است. شاخص‌های ارزیابی و نتایج به دست آمده از این پژوهش و مقایسه آن‌ها با مدل پایه نشان می‌دهد که مدل پیاده‌سازی شده هم از لحاظ کارایی و هم از لحاظ زمان اجرا، عملکرد بسیار خوبی نسبت به مدل پایه داشته است.

یادگیری خود نظارتی در سال‌های اخیر توجه زیادی را به خود جلب کرده است، زیرا روشی کارآمد برای استخراج بازنمایی‌های غنی از انواع مختلف داده‌های بدون برچسب ارائه می‌کند و در عین حال از هزینه برچسب‌زنی مجموعه‌های داده در مقیاس بزرگ جلوگیری می‌کند. این امر با طراحی یک مسأله‌ی بهانه برای تشکیل شبه‌برچسب‌هایی با توجه به دامنه داده‌ها قابل دستیابی است. تا آنجا که ما می دانیم، علی‌رغم محبوبیت و استفاده گسترده آن‌ها در حوزه‌هایی مانند پردازش زبان طبیعی، تشخیص گفتار، و بینایی ماشین، هیچ مسأله‌ی بهانه‌ای برای داده‌های دست‌نوشته‌ برخط تعریف نشده است. با توجه به کاربردهای در حال رشد داده‌های دست‌نوشته برخط، در این مطالعه، ما Part Of Stroke Masking (POSM) را به‌عنوان یک مسأله‌ی بهانه‌ به منظور پیش‌آموزش مدل‌ها برای استخراج بازنمایی‌های مفیدی از داده‌ی دست‌نوشته برخط افراد پیشنهاد می‌کنیم. برای ارزیابی کیفیت بازنمایی‌های استخراج شده، مسأله‌ی شناسایی نویسنده به صورت مستقل از متن مورد مطالعه قرار گرفته است که در آن بهترین دقت حال حاضر در مقایسه با دیگر مقالات حاصل شده است.

امروزه پياده‌سازي سخت‌افزاري الگوريتم‌هاي هوش مصنوعي يکي از پرکاربردترين مباحث در مقالات و صنعت الکترونيک است. شبکه‌هاي عصبي مصنوعي به عنوان اصلي‌ترين و پرکاربردترين بخش الگوريتم‌هاي هوش مصنوعي جهت پياده‌سازي محاسبات عصب‌گون (Neuromorphic) يا الهام گرفته از فرآيندهاي زيستي (Bio-inspired) شناخته مي‌شوند. در اين شبکه‌ها که از دو قسمت اصلي نرون و سيناپس تشکيل شده‌اند الگوبرداري از ساختار مغز انسان انجام شده که در آن برخلاف سيستم‌هاي رايج کامپيوتري قسمت محاسبات و حافظه در هم تنيده شده و از يکديگر جدا نيستند. در مغز انسان حدود ۱۰۱۰ نرون و ۱۰۱۴ سيناپس وجود دارد و همانطور که مي‌دانيم سيناپس‌ها غالب ساختار مغز را تشکيل مي‌دهند. در اين مقاله، با استفاده از قطعات اسپينترونيک (Spintronic) روشي براي پياده‌سازي ضريب سيناپسي ارائه شده است که در آن ضرايب سيناپسي به صورت کوانتيزه شده پياده‌سازي مي‌گردند. با استفاده از يک ترانزيستور CMOS توانستيم ضرايب را از نظر آماري بهينه کنيم. روش ارائه شده بر مبناي تکنولوژي جديد اسپينترونيک است که نسبت به موارد مشابه ارائه شده در مقالات حدود ۲۲٪ کاهش توان دارد و در عين حال دقت شبکه‌هاي عصبي پياده‌سازي شده در حالت سخت‌افزاري کاهش فقط يک تا دو درصدي نسبت به حالت نرم‌افزاري دارند.

تطبیق آنتولوژی سعی در برقراری روابط معنایی بین المان­های مشابه در آنتولوژی­­های متفاوت دارد تا قابلیت تعامل را در وب­معنایی فراهم کند. پرداختن به مسئله ناهمگنی معنایی، نکته­ای کلیدی در محیط وب­معنایی است. تولید (نیمه) اتوماتیک نگاشت­ها با درنظرگرفتن عدم قطعیت، کاری فشرده و مستعد خطاست. وقتی مقادیر اطمینان نگاشت­ها خود غیرقطعی هستند، چگونه متد تجمیع آنها می­تواند قطعی باشد؟ چگونه آنها را به روشی مشخص مدل کنیم؟ این مقاله روشی را برای مدلسازی عدم قطعیت در تطبیق آنتولوژی­ براساس تئوری مجموعه­های فازی و با استفاده از عدد فازی ذوزنقه­ای معرفی می­کند و سپس به توصیف روشی برای تجمیع عقاید تطبیق­گران می­پردازد. به کمک این روش، همترازی تطبیق­گران را ترکیب می­کند تا بر همترازی­های متناقض و ناقص یا موارد مخرب غلبه شود. آزمایشات نشان داد که در آنتولوژی­­های واقعی، نتایج بدست­آمده، از میانگین تطبیق­گران هم بالاتر ­است و به بهترین ایشان نزدیک می­شود.

امروزه محاسبات گريد به عنوان راه‌حلي براي حل مسائل پيچيده که نياز به محاسبات فراوان دارند مورد توجه محققين قرار گرفته است. گريد شامل منابع ناهمگن بسيار زيادي مي باشد. وقتي که ما در اين محيط گسترده نياز به يکسري منابع داشته باشيم بايد ابتدا آن منابع براي ما کشف شود. بنابراين روش‌هاي کشف منبع در گريد از اهميت فراواني برخوردارند. روش‌هايي که تا‌کنون ارائه شده‌اند براي کشف چند منبع در محيط گريد روش مناسبي را ارائه نکرده‌اند. اين روش‌ها نتوانسته‌اند درخواست چندين منبع را در قالب يک فرم از کاربر گرفته و اين منابع را براي کاربر کشف کنند. در اين مقاله ما يک روش کشف منبع چند‌تايي را ارائه مي‌دهيم که بر پايه درخت دودويي است. روش پيشنهادي ما قادر است چندين منبع را به صورت همزمان و از يک گره براي کاربر کشف کند. نتايج شبيه سازي ها نشان مي‌دهند که روش ما کارايي بسيار بالايي دارد.

خلاصه سازی خودکار چند سندی، روشی برای ارائه فشرده مطالبی است که در ارتباط با یک موضوع بوده ولی جهت دید آنها متفاوت از یکدیگر می باشند. خلاصه خوب، باید بیانگر زمینه کلی بوده و ضمن بیان دیدگاههای مختلف موجود در متن از خوانایی و پیوستگی بالایی برخوردار باشد. در این مقاله با بهره¬گیری شکل جدیدی از روش استخراج روابط معنایی موجود در متن (LSA یا LSI) و تکنیک برچسب زنی معنایی نقش لغات(SRL)، روشی جدید برای خلاصه¬سازی چند سندی شده است. در ابتدا با استفاده از ماتریس کلمه- سند به جای ماتریس کلمه- جمله و با بهره گیری از LSA، جملات مهم مرتبط با زمینه استخراج می شود. در گام بعدی با استفاده از تکنیک SRL و با استفاده از WordNet شباهت معنایی جملات استخراج شده و در نهایت جملات شبیه به هم حذف می شوند. نتایج آزمایش¬ها برروی داده¬های DUC2007 حاکی از افزایش چشمگیر دقت در قیاس با روش¬های قبلی مبتنی بر LSAو سیستم¬های موجود در DUC2007 می باشد.

تخمين فعاليت¬هاي صوتي عبارت است از فرآيند دسته¬بندي سيگنال گفتار به قسمت¬هاي گفتار و غيرگفتار. با توجه به کاربرد گسترده‌ي چنين الگوريتم‌هايي در شاخه‌هاي مختلف پردازش گفتار، ارائه‌ي روش‌هايي که باعث بهبود اين فرآيند شوند، همواره مد نظر پژوهشگران بوده است. در اين مقاله با استفاده از روش يادگيري ميدان تصادفي شرطي و ويژگي‌هاي انرژي و اندازه‌ي همواري طيف، مدلي برای تشخيص و جداسازي قسمت‌هاي گفتاري و غيرگفتاري سيگنال صوت، ارائه شده است. برای به دست آوردن مقادير بهينه‌ي پارامترهاي روش يادگيري ميدان تصادفي شرطي از مجموعه‌ي دادگان صوتي Aurora استفاده شده و با در نظر گرفتن اين مقادير بهينه و با استفاده از دادگان Timit مدل نهايي ساخته شد و کارآيي آن روي دادگان بدون نويز 78/90% برآورد شده است. مهمترين مزيت استفاده از روش يادگيري ميدان تصادفي شرطي، حجم کم دادگان مورد نياز برای ساخت مدل است. مقايسه‌ي اين روش و روش ماشين بردار پشتيبان روي حجم يکساني از دادگان آموزشي و آزمايشي نشان مي‌دهد که ميدان تصادفي شرطي 22/14% بهتر از روش ماشين بردار پشتيبان عمل کرده و در مقابل نويز نيز پايدارتر است.

یادگیری ماشین با رویکرد با ناظر امروزه پایهی بسیاری از فعالیت‌های مختلف در حوزه پردازش زبان طبیعی است. اگرچه این روش‌ها به موفقیت‌هایی دست یافته‌اند اما در مقابل نیازمند فراهم شدن حجم زیادی از داده آموزشی توسط یک تفسیر کننده مانند انسان است، که گاها هزینه‌های بالایی را در بر خواهد داشت. علاوه بر این در بیشتر روش‌های یادگیری با ناظر ترتیب انتخاب نمونه‌های آموزشی بر اساس تصادف صورت می‌گیرد، در مقابل برای برطرف کردن مشکلات مذکور یادگیری فعال مطرح می‌شود که در آن به شکلی تکرار شونده نمونه‌هایی با بیشترین اثر مطلوب بر فرآیند آموزش انتخاب می‌شوند. نتایج آزمایشات نشان می‌دهد در آموزش یک مدل برچسب‌زنی دنباله فارسی بر اساس پیکره متنی زبان فارسی تنها با استفاده از 9.36% از کل داده‌های آموزشی به دقت برچسب زنی تا 96.28% رسید و این در حالی است که دقت برچسب زنی با بکارگیری کل نمونه‌ها 96.45% می‌باشد.

تشخیص زبان به صورت خودکار، در واقع مسأله تشخیص زبان، برای یک نمونه گفتار صحبت شده توسط سخنگوی نامعلوم است. در دهه گذشته، روش¬های متعددی برای تشخیص خودکار زبان پیشنهاد شده است. این روش¬ها، بر پایه استخراج ویژگی¬های خاص هر زبان، شامل مجموعه آواشناسی، واج آرایی و علم عروضی و بدیعی بودند. در این مقاله روش جدیدی پیشنهاد شده است که مستقل از اطلاعات زبان¬شناسی بوده و از تبدیل موجک برای استخراج خواص صوتی سیگنال گفتار استفاده می¬کند. انتخاب ویژگی¬های لازم جهت دسته¬بندی زبان، از میان ضرایب تبدیل موجک، بر اساس کاهش ابعاد فضای ضرایب، بر مبنای الگوریتم گسسته سازی چند بازه¬ای و سپس اعمال الگوریتم رتبه بندی ویژگی ها انجام می¬شود. روش پیشنهادی علاوه بر آنکه درصد تشخیص را برای نمونه¬های زبانی دو به دو 10 ثانیه¬ای و 45 ثانیه¬ای بهبود داده است، قادر به تشخیص نوع زبان از میان 5 زبان گوناگون نیز می¬باشد.