انجمن کامپیوتر ایران

امضای افراد از دو مشخصه متضاد برخوردار است از یک سو دارای ساختار پایدار بوده و از سوی دیگر دو امضای یک فرد نیز کاملا یکسان نیست. تفاوتهای سطحی امضای افراد در تکرارهای متوالی در اندازه، سرعت و تغییرات غیرخطی محور زمان است. این مسائل طبقه‌بندی امضاهای حقیقی و جعلی را مشکل می‌سازد. به منظور کاهش این خطاها استفاده از ویژگیهای محلی که دقت بالاتری نسبت به ویژگیهای کلی دارند، می‌تواند راهکار موثری باشد ولی به دلیل یکسان نبودن طول ویژگیهای محلی استفاده از یک الگوریتم سریع و مقاوم در برابر اعوجاجات محلی اهمیت اساسی دارد. در این مقاله با بهره‌گیری از الگوریتم کمترین فاصله گستره سعی در تعیین نقاط متناظر واقعی می‌شود. آزمایشهای انجام شده بر روی یک پایگاه امضای گسترده حاکی از عملکرد بهتر الگوریتم MLD نسبت به روش مشهور DTW است که خطای طبقه‌بندی را در حدود 3/8% کاهش می‌دهد. همچنین نتایج نشان داد با استفاده از طبقه‌بندی کننده پنجره پارزن، شاخص EER برابر 94/0% و 78/1% به ترتیب برای گروه جاعل تصادفی و ماهر است.

پیکره های چند زبانه اصلی ترین منابع در زمینه بازیابی اطلاعات بین زبانی به شمار می روند. در این میان کیفیت بسیاری از کارها ازجمله ترجمه ماشینی به شدت به کیفیت این پیکره ها وابسته است.یکی از انواع این پیکره ها پیکره های تطبیقی می باشند.این پیکره ها با توجه به حجم بالا می توانند شامل اطلاعات وسیعی باشند و می توان با استفاده از آنها جملات موازی را استخراج کرد و در کاربردهای ترجمه ماشینی از آن استفاده کرد.با توجه به ویژگی های خاص زبان فارسیمانند ویژگی های قواعد آن و نوع ترکیب کلمات ،پیکره تطبیقی مناسب و دقیق در زبان فارسی وجود ندارد. در این مقاله به بررسی روشی جدید برای ساخت پیکره تطبیقی فارسی-انگلیسی می پردازیم.

يکي از روش¬هاي تعيين پارامترهاي حرکت در فضاي سه¬بعدي، پردازش تغیيرات ايجاد شده در تصاوير دوربين متصل به بدنه هواپيما مي¬باشد. امكان کنترل چرخش ناگهانيوحركتهاي انتقاليهواپیما با استفاده از محاسبه¬ی شار¬نوريحاصل از تصاویر اخذ شده-ی صحنه، از موضوعات چالشي مي¬باشد. در این مقاله فرض بر این است که پرنده با سرعت ثابت و ارتفاع مشخص درحال حرکت به سمت جلو است و می¬تواند حول سه محور اصلی حرکت دورانی داشته باشد؛ با این فرض،هدف محاسبه پارامترهای حرکت دورانی پرنده است. برای این منظور شار نوری ناشی از حرکت یکنواخت، از شار نوری کل کاسته می¬شود؛ سپس با تحلیل بردارهای شار نوری باقی مانده زوایای انحراف قابل تعیین خواهد بود. با توجه به عدم ايده¬آل بودن شارهاي نوريِ محاسبه شده، براي تعيين پارامتر¬هاي حرکت بايستي از اطلاعات قابل دسترس ديگري نيز استفاده کنيم. به همین منظور روش حداقل¬مربعات برای کاهش اثر نویز پیشنهاد می¬شود. اين روش با مینیمم کردن خطای بين شار نوري نویزی و شار نوري ایده¬آل، پارامترهای حرکت را محاسبه می¬کند.

کمپرسور(4:2) به عنوان مهم¬ترین سلول به کار رفته در درخت کاهش حاصل¬ضرب¬های جزئی و به تبع آن، در مدارهای ضرب¬کننده موازی به شمار می¬رود. در تمامی پیاده¬سازی¬های این سلول حسابی، از اتصال سری دروازه¬های XOR/XNORدو ورودی به¬منظور پیاده¬سازی یک XORپنج ورودی، جهت تولید خروجی sاستفاده می¬شود. این در حالی است که استفاده از دروازه¬های دو ورودی متوالی، باعث افزایش طول مسیر سیگنال و در نتیجه افزایش بیشینه تأخیر مدار می¬شود. در این مقاله با استفاده از یک مدار یکپارچهXORسه ورودی و همچنین با حذف سیگنال¬های تکراری، کمپرسور(4:2) سریعی را ارائه می¬کنیم که دارای مسیر بحرانی متفاوتی نسبت به سایر پیاده¬سازی¬های موجود می¬باشد. شبیه¬سازی¬ها به وسیله نرم افزار HSPICE و با استفاده از فایل تکنولوژی 45nmشرکت NANGATEانجام گرفته است. نتایج شبیه¬سازی نشان می¬دهد کمپرسور(4:2) پیشنهادی از کمپرسورهای موجود سریع¬تر بوده و دارای حاصل¬ضرب تأخیر در توان کمتری می¬باشد.

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.