انجمن کامپیوتر ایران

تبدیل بین نمادگذاری‌های صوری و بصری به فرآیند توسعه نرم‌افزار کمک می‌کند؛ به این ترتیب که از مدلسازی بصری در اوایل مرحله مدلسازی مفهومی (جهت درک ساده¬تر نیازمندی‌ها توسط ذی‌نفعان مختلف) و از روش‌های صوری در مراحل بعدی، که نیازمندی‌ها بهتر درک شدند (جهت طراحی و ساخت نرم‌افزار بر اساس توصیف صوری غیر مبهم و سازگار)، استفاده می‌شود. قوانین تبدیل بین مدل‌ها در رویکردهای موجود اغلب به صورت غیردقیق بوده که این موجب ابهام در انتقال‌ها می‌شود. همچنین در کارهای موجود، از زبان‌های مدلسازی بصری ولی کاملا غیرصوری به عنوان زبان مبدا استفاده شده است. این موضوع موجب تاخیر در درستی‌یابی صوری تا زمان تبدیل مدل‌ها به یک زبان صوری می-شود. با توجه به مشکلات بالا، هدف این مقاله، تکمیل کار قبلی نویسندگان مقاله جهت ارائه روشی در سطح متامدل صوری به منظور تبدیل مدل‌های UML-B، به عنوان یک نمادگذاری بصری و نیمه‌صوری شی‌گرا، به ساختارهای Object-Z، به عنوان یک زبان صوری غیر بصری است. استفاده از UML-B به جای سایر زبان‌های کاملا بصری و غیرصوری، زمینه درستی‌یابی بخشی از مدل‌های بصری را در اوایل مرحله مدلسازی مفهومی فراهم می‌سازد. با استفاده از یک مطالعه موردی، کاربردپذیری روش ارائه شده نشان داده می‌شود.

با رشد روزافزون شبکه‌های کامپیوتری در جوامع بشری، اکثر خدمات در این جوامع بر بستر شبکه‌ها ارائه می‌گردد که بسیاری از این خدمات از اهمیت خاصی برخوردار هستند. با این حال، برای جلوگیری از اختلال در خدمات، باید از صحت طراحی و پیاده‌سازی عوامل دخیل در شبکه اطمینان حاصل کرد. یکی از این عوامل، پروتکل‌های شبکه هستند که عملکرد درست هر یک از آنها، از اهمیت زیادی برخوردار است. بررسی مدل، روشی خودکار برای وارسی سیستم‌های همروند حالت متناهی است. این روش در عمل به صورت دقیق برای وارسی پروتکل‌های ارتباطی استفاده شده است. با توجه به ویژگی خودکار بودن فرآیند بررسی مدل، این روش می‌تواند برای وارسی پروتکل‌های شبکه، که ویژگی‌های ایمنی و عاقبت به خیری در آنها ضرورت دارد، بصورت کارآمد استفاده شود. در این مقاله، مدل پروتکل تکرار انتخابی شبکه را به عنوان یک پروتکل پرکاربرد در شبکه‌های بیسیم، مدل‌سازی کرده، سپس خواص مورد انتظار این پروتکل را با ارائه فرمول‌های منطق زمانی خطی با استفاده از ابزار بررسی مدل نمادین Spin وارسی می‌کنیم. نتایج حاصل از پیاده‌سازی و وارسی مدل پروتکل تکرار انتخابی، اهمیت استفاده از روش بررسی مدل در کاربردهایی مشابه و اقتضائات آنها را نشان می‌دهد.

در این مقاله روشی برای کاهش رنگ نقشه‌ای دستی فرش، پیش از نقطه‌گذاری ارائه شده است. یکی از مشکلات این کار پیوسته نبودن نواحی در نتیجه‌ی نهایی است. در این مقاله بر روی این مشکل تمرکز شده و روشی ارائه شده است تا نواحی پیوسته‌تری به دست آید. در روش ارائه‌شده، پس از پیدا شدن نواحی اولیه، این نواحی توسط الگوریتم رشد ناحیه‌ی پیشنهادی، رشد داده‌شده و سپس رنگ پیکسل‌های باقیمانده نیز تعیین‌ می‌شود. در این مرحله الگوریتم ادغام پیشنهادی، نواحی همسایه‌ی مشابه را باهم ادغام می‌کند. کاهش رنگ نهایی توسط الگوریتم C-میانگین صورت گرفته و تعداد رنگ به 1.2 برابر تعداد اعلام‌شده توسط کاربر می‌رسد. دو الگوریتم رشد نواحی اولیه و ادغام نواحی همسایه باعث شده‌اند که نواحی پیوسته‌تری حاصل شود.

سیستم‌های استنتاج فازی حوزه‌های کاربردی متعددی دارند و موتورهای استنتاج مختلفی برای آنها ارائه شده است که موتور استنتاج فازی ممدانی یکی از مرسوم‌ترین آنها است. سیستم‌های استنتاج فازی بر اساس یک سری قوانین به شکل اگر-آنگاه کار می‌کنند. مراحل عملیاتی سیستم استنتاج فازی عبارتند از 1) دریافت ورودی توسط قسمت اگر قواعد 2)محاسبه نتایج توسط قسمت آنگاه قواعد و 3)تجمیع محاسبات فازی و ایجاد خروجی به صورت غیر‌فازی است. مدل-سازی سیستم‌های استنتاج فازی با اهداف مختلفی صورت می‌پذیرد که اثبات صحت سیستم و قواعد آن از جمله این هدف‌ها هستند. برای این منظور لازم است از زبان‌های مدل‌سازی صوری استفاده شود. شبکه‌های پتری رنگی علاوه بر داشتن مبنای صوری دارای واسط کاربر گرافیکی ساده‌ای هستند که فرایند مدل‌سازی و تحلیل مدل را بسادگی امکان پذیر می‌کند. این شبکه‌ها با داشتن ابزار مناسب امکان مدل‌سازی سلسله مراتبی را نیز مهیا می‌کنند. در این مقاله با استفاده از شبکه‌های پتری رنگی موتور استنتاج فازی ممدانی بصورت سلسله مراتبی مدلسازی شده است. سپس توسط مثال‌های موردی به بررسی کارکرد موتور استنتاج فازی ممدانی پرداخته شده است. مدل ارائه شده جهت آموزش کارکرد موتور استنتاج ممدانی، اثبات صحت کارکرد سیستم و صحت قوانین قابل استفاده است.

هدف شبکه‌های حسگر بی‌سیم و سامانه‌های حسگر هوشمند، انتقال اطلاعات به یک ایستگاه پایه و در صورت لزوم، تصمیم گیری از روی آن برای انجام عملیاتی بخصوص است. این اطلاعات توسط حسگرها از محیط جمع آوری می‌شود. در نتیجه نقش حسگرها بسیار پر اهمیت است که معمولاً از دید محققان و طراحان این زمینه کمتر مورد توجه قرار می‌گیرد. حسگرها را می توان از نقطه نظر پارامتر اندازه گیری به انواع مکانیکی، الکتریکی، گرمایی، مغناطیسی، درخشندگی، شیمیایی و زیستی تقسیم بندی کرد. طی سال‌های اخیر حسگرهای زیستی پیشرفت‌های زیادی در عرصه‌های گوناگون داشته‌اند. این حسگرها به منظور پایش فرآیندهای زیستی موجودات زنده به مراتب بیشتر از قبل در حوزه‌های مختلف مانند کاربردهای سلامت و پزشکی، کشاورزی و تکنولوژی موجود در ماشین آلات مورد استفاده و تحقیق قرار‌گرفته‌اند. در اين مقاله، چند حسگر زیستی را انتخاب کرده و به بیان کاربرد، عملکرد و نیز سیستم آن‌ها پرداخته‌ایم. حسگرهای زیستی انتخاب‌شده در حوزه‌های مختلفی از نقطه نظر جمع‌آوری اطلاعات از پدیده‌ی مورد ارزیابی، قرار دارند. بدین منظور، پس از معرفی و بررسی هر کدام ، ویژگی‌های آن از قبیل زمان پاسخ، نحوه¬ی ارتباط با پدیده‌ی مورد ارزیابی و مرحله‌ی اجرایی یا تحقیقاتی آن‌ها، در قالب جدولی ارائه شده است.

خوشه‌بندی به‌عنوان یک روش یادگیری بدون نظارت، یکی از تکنیک‌های اصلی داده‌کاوی محسوب می‌شود. انباره داده یک منبع داده خوب برای روش‌های داده‌کاوی ازجمله خوشه‌بندی است. در محیط‌های انباره داده، به‌صورت دوره‌ای حجمی از داده‌ها به داده‌های موجود اضافه می‌شود. در این حالت، خوشه‌های کشف‌شده از داده‌های موجود در انباره داده باید به‌روز شوند. در این مقاله یک الگوریتم خوشه‌بندی مبتنی برچگالی افزایشی ارائه شده است که توانایی استفاده در محیط‌های انباره داده شامل داده‌های با چگالی متفاوت را دارد. الگوریتم ارائه‌شده علاوه بر افزودن افزایشی نقاط، توانایی افزودن افزایشی خوشه‌ها را نیز دارد. الگوریتم افزایشی ارائه‌شده با توجه به مقایسه‌ای که انجام داده‌ایم، بر مبنای یکی از بهترین الگوریتم‌های خوشه‌بندی مبتنی برچگالی که قابلیت کشف خوشه‌های با چگالی متفاوت را دارد، ارائه شده است. روش کار الگوریتم ارائه‌شده به این صورت است که ابتدا نقاط جدید اضافه‌شده را با استفاده از الگوریتم MD-DBSCAN خوشه‌بندی می‌کند و سپس خوشه‌های حاصل را به خوشه‌های موجود در انباره داده اضافه می‌کند. ما الگوریتم پیشنهادی را بر روی مجموعه داده‌های استاندارد آزمایش کرده‌ایم. نتایج آزمایش‌ها نشان می‌دهد که الگوریتم IMD-DBSCAN دارای دقت بالایی بوده و نسبت به الگوریتم MD-DBSCAN برای به‌روز کردن خوشه‌ها نیاز به پرس وجو ناحیه‌ای بسیار کمتری دارد و درنتیجه دارای افزایش سرعت بسیار خوبی بوده است.

گسترش کاربرد توجه بينايي در زمينه‌هاي مختلف علوم کامپيوتر و بينايي ماشين سبب ايجاد انگيزه‌هاي بيشتر براي طراحي و توسعه الگوريتم‌هاي تشخيص برجستگي شده است. از جمله اين کاربردها مي‌توان به بخش‌بندي هوشمند تصوير، بازيابي هدف در تصوير و يا فشرده‌سازي تصوير اشاره کرد. با اين وجود بسياري از روش‌هاي موجود قادر به شناسايي نواحي برجسته در صحنه‌هايي با زمينه شلوغ و زمينه تکراري به صورت همزمان نيستند. از اين رو در اين مقاله، يک روش شناسايي نواحي برجسته مبتني بر تبديل موجک ايستان با استفاده از وزندهي جزئيات در هر مقياس تبديل موجک براي حل اين مسئله ارائه داديم که مي‌تواند نواحي برجسته را براي زمينه‌هاي مختلف با دقت بالا شناسايي کند. پارامترهاي اين روش ابتدا بر روي يک پايگاه تصاوير تنظيم شده، سپس الگوريتم پيشنهادي بر روي پايگاه تصاوير بزرگتري بر اساس استانداردهاي موجود با روش‌هاي ديگر در زمينه شناسايي نواحي برجسته مورد ارزيابي و مقايسه قرار داده مي‌شود. نتايج روش پيشنهادي دقت بالاتر آن نسبت به ديگر روش‌هاي شناسايي نواحي برجسته را نشان مي‌دهد.

امروزه با توجه به رشد فراوان دستگاه های چند رسانه ای مدیریت تصاویر کاربران در این دستگاه ها نیز به چالشی مهم تبدیل شده است. حاشیه نویسی خودکار تصاویر میتواند شکاف معنایی میان تصاویر را به میزان قابل توجهی کاهش دهد. مدل پیشنهادی در این مقاله استفاده از شبکه های عصبی برای دسته بندی تصاویر مشابه است، بطوریکه پس از بدست آوردن بردار ویژگی های تصاویر آموزشی برای دسته بندی آنها را به ورودی شبکه های عصبی می دهیم. بردار ویژگی های ما شامل 2 بخش ویژگی های رنگ و ویژگی های بافت است. که برای رنگ از Correlogram و برای بافت از فیلتر گابور استفاده شده است. پس از پایان بخش آموزش که با استفاده از الگوریتم پس انتشار (BackPropagation) اجرا می شود، بردار ویژگی های تصاویر تست به ورودی شبکه عصبی ساخته شده داده می شود تا تصاویر مشابه را برای ما مشخص کند. با استفاده از کلمات کلیدی تصاویر مشابه تصویر تست را حاشیه نویسی می کنیم. نتایج آزمایشات بر روی تصاویر Corel5k خود گواه این موضوع است که استفاده از ویژگی های مناسب در دسته بندی دقیق مهم بوده و در دقت و کیفیت حاشیه نویسی موثر است.

با رشد و گسترش روزافزون شبکه‌ی جهانی اینترنت و توسعه‌ی فناوری اطلاعات نیازهای جدیدی در رابطه با حفاظت از حق تألیف و اصالت محصولات چندرسانه‌ای مطرح شده است. مهم‌ترین راه‌کاری که برای این موضوع پیشنهاد شده، نهان‌ نگاری دیجیتال است. در این روش با استفاده از الگوریتم خاصی، اطلاعاتی را برای شناسایی اثر در درون آن می‌گنجانند تا ارتباط محصول مورد نظر با مؤلف واقعی آن از طریق این اطلاعات مخفی احراز گردد. مسلماً برای کاربرد حفاظت از حق تألیف، این اطلاعات باید در مقابل تعدادی از عملیات پردازش سیگنال و همچنین نسبت به حملات عمدی و غیرعمدی (فشرده‌سازی ، فیلترکردن و ...) که احتمالاً روی آن اعمال می‌شود، مقاومت داشته باشد. نهان نگاری دیجیتال اهداف بسیاری مانند اثبات حق مالکیت ، احراز اصالت محتوی و کنترل تعداد نسخه های چاپ شده از یک اثر را محقق ساخته است. در این مقاله یک روش واترمارکینگ نوین را با قابلیت شناسایی تغییرات غیرمجاز با استفاده از تبدیل موجک، نگاشت‌های آشوب و روش خوشه‌بندی k-means، معرفی کرده و به بررسی آن می‌پردازیم و با انجام آزمایشات گوناگون عملکرد روش پیشنهادی را ارزیابی و نتایج ‌آن را بازگو می‌نمایم.

ماشین بردار پشتیبان ( SVM ) یک طبقه‌بند دو کلاسه است که در سال های اخیر بسیار مورد توجه قرار گرفته است. عملکرد این طبقه‌بند به مقدار پارامترهای آن از جمله پارامتر C ( Penalty factor ) و پارامتر موجود در کرنل بستگی دارد. همچنین انتخاب تابع کرنل مناسب هم تاثیر بسزایی در بهبود عملکرد آن دارد. در کنار موارد ذکر شده انجام فرایند انتخاب ویژگی نه تنها می تواند باعث بهبود عملکرد طبقه‌بند مذکور شود بلکه باعث کاهش زمان آموزش و پیچیدگی محاسبات نیز می‌گردد. در این پژوهش ما از الگوریتم چند‌هدفه‌ی PSO ( MOPSO ) در بهینه‌‎سازی طبقه‌بند ماشین بردار پشتیبان برای دو تابع هدفِ نرخ بازشناسی و قابلیت اطمینان استفاده کرده‌ایم.

با توجه به حجم عظیم دانش و اطلاعات بشر و رشد روزافزون مستندات در زمینه‌های مختلف، پردازش زبان‌های طبیعی و تبدیل متون به دانش قابل فهم برای ماشین، مورد توجه قرار گرفته است. با استفاده از سیستم‌های استخراج اطلاعات می‌توان بطور خودکار پایگاه دانشی ساخت‌یافته از متون ایجاد کرد. در واقع هدف یک سیستم استخراج اطلاعات، استخراج حقایق از متون غیرساخت‌یافته و نمایش آن‌ها در قالب‌های ساخت‌یافته مانند سه‌گانه‌ها می‌باشد. اگر حقایق در قالب معنایی RDF نگاشت شوند، می‌توان اطلاعات مورد نیاز را با ساخت و ارسال پرس‌وجوهای SPARQL روی پایگاه دانش بدست آورد. در این مقاله، روشی برای استخراج آزاد حقایق از متون زبان فارسی پیشنهاد شده است که در آن استخراج حقایق در سطح جمله و بر اساس تشخیص افعال و روابط وابستگی‌ بین اجزای جمله انجام می‌شود. راه‌کار پیشنهادی، حقایق برای تبدیل به قالب RDF آماده‌سازی می‌کند. نتایج حاصل از ارزیابی نشان می‌دهد که روش پیشنهادی در استخراج حقایق موفق بوده و باعث بهبود دقت و فراخوانی نسبت به سیستم‌های موجود می‌شود.

در در اين مقاله، روشی جدید به منظور تشخیص خودکار بیماری صرع، از روی سیگنال‌های الکتروانسفالوگرافی (EEG) ارائه می‌شود. در این روش، سیگنال‌های EEG با استفاده از آنتروپی تقریبی، انرژی سیگنال و تبدیل موجک گسسته، تجزیه و تحلیل می‌شوند. تشخیص بیماری صرع در دو مرحله صورت می‌گیرد. در مرحله اول، سیگنال‌های EEG، با استفاده از تبدیل موجک گسسته به پنج سطح تجزیه می‌شوند. در مرحله دوم، مقادیر آنتروپی‌تقریبی و میانگین انرژی سیگنال، در زیرباندهای سطوح دوم تا پنجم، استخراج می‌شوند. اختلاف قابل توجهی بین مقادیر آنتروپی تقریبی و میانگین انرژی، در سیگنال EEG نرمال و صرعی، در سطوح دوم تا پنجم تجزیه به وسیله تبدیل موجک گسسته وجود دارد. در نهایت، سیگنال‌های EEG نرمال و صرعی، با استفاده از کلاس‌بندهای (طبقه‌بندی کننده) SVM و Bayes طبقه‌بندی شده و نتایج روش پیشنهادی مورد ارزیابی قرار گرفته و با نتایج سایر روش‌ها مقایسه می‌شوند. این روش سیگنال‌های صرعی و نرمال را با دقت 100 درصد طبقه‌بندی می‌کند.

ردیابی اشیاء متحرک یکی از پرکاربردترین مقوله‌ها در حوزه بینایی ماشین می‌باشد که در طول دهه‌های اخیر توجه محققان زیادی را به خود جلب کرده است. در این مقاله روشی جدید برای ردیابی چندین شی متحرک بصورت همزمان ارائه می‌کنیم. برای این کار ابتدا از اطلاعات حرکت مربوط به " نقاط ویژگی خوب برای ردیابی" برای بدست آوردن نقاط ویژگی مرتبط به اشیاء متحرک استفاده خواهیم کرد. پس از اینکه نقاط ویژگی مرتبط به اشیاء متحرک را مشخص کردیم با استفاده از الگوریتم خوشه‌بندی k-means که در آن تعداد کلاسترها بدون داشتن اطلاعات قبلی در مورد تعداد و نوع اشیاء بصورت اتوماتیک تخمین زده می‌شود به خوشه‌بندی نقاط ویژگی بعنوان اشیاء متحرک مجزا خواهیم پرداخت. در این مقاله از بردار ویژگی شامل اندازه حرکت، جهت حرکت، شدت روشنایی و موقعیت نقاط ویژگی استفاده کردیم. نتایج روش پیشنهادی نشان دهنده دقت بالا برای تخمین تعداد اشیاء متحرک موجود در صحنه و ردیابی سریع آن‌ها دارد.

صفات مرتبط با چهره یکی از رایج‌ترین روش‌هایی است که انسان در زندگی روزمره با استفاده از آن سن اشخاص را تخمین می‌زند. تخمین انسان از سن چهره به دقت دیگر اطلاعات چهره مثل هویت و یا جنسیت نیست. در سال‌های اخیر این موضوع به یکی از مسایل جذاب و چالش برانگیز در حوزه علوم کامپیوتر تبدیل گردیده است، به صورتی که الگوریتم‌های مختلفی در زمینه تخمین سن ارائه شده است، الگوریتم‌هایی که اکثراً مبتنی بر استفاده از روش‌های یادگیری ماشین هستند. در بین الگوریتم‌های ارائه شده، بهترین نتایج تخمین سن را دو الگوریتم یادگیری CPNN و IIS-LLD. در مقاله ارائه شده دو نوع مختلف از ویژگی‌های چهره مورد استفاده قرار گرفته‌اند، ویژگی‌های محلی و ویژگی‌های سراسری. داشته‌اند با توجه به برچسب تصویر چهره هر شخص(سن) در پایگاه‌داده، یک توزیع آماری برای سن هر تصویر چهره ایجاد می‌شود، که این توزیع برای یادگیری سن اصلی و سنین مجاور نیز به کار می‌رود. تعبیر سنین مجاور را می‌توان معادل با استفاده از کلماتی مانند"حدود"برای تخمین سن افراد در زندگی واقعی دانست. با بهره‌گیری از یک شبکه عصبی چند لایه و الگوریتمCPNN ، الگوریتم ارائه شده توانست دقت تخمین سن اشخاص از روی تصویر چهره را نسبت به روش‌هایی که اخیراً ارائه شده، با تعداد نرون‌های کمتر در لایه‌ی پنهان و تسریع فرآیند یادگیری افزایش دهد.

در اين مقاله، مسئله‌ی تخصیص وظیفه‌ی همکارانه‌ی چند رباته در شرایطی که جامعه‌ای از ربات‌های همسان در یک محیط ناشناخته قرار گرفته‌اند، مطالعه شده است. این محیط با دیوار محصور شده است و همچنین نسبت و تعداد لکه‌های رنگی که معرف نوع مشخصی از وظیفه می‌باشند در آن نا‌معلوم‌اند. ربات‌ها تا آنجا که امکان دارد تا قبل از اتمام انرژی خود لکه‌های رنگی را کشف کرده و در آن‌ها به صورت مطلوب اقدام به نمونه‌برداری و لکه‌زدایی همکارانه می‌نمایند. این بدین معنی است که باید متناسب با مساحت هر لکه تعداد مشخصی ربات در آن لکه مستقر شوند. در این مقاله دو روش خودسازمانده‌ی توزیع‌شده که تلفیقی نامیده می‌شوند، به عنوان دو راه‌حل برای این سناریو ارائه شده‌اند. در دو محیط متفاوت عملکرد روش‌ها ارزیابی شده‌ است. از آنجایی که سناریوی مطرح شده راه‌حل معادلی ندارد تنها به مقایسه‌ی عملکرد روش‌های پیشنهادی با یکدیگر پرداخته شده است. همچنین مقیاس‌پذیری و استحکام در برابر از کار افتادگی انفرادی ربات‌ها که دو رکن اساسی در سیستم‌های چندعامله و به خصوص رباتیک توده‌ای محسوب می‌شوند نیز مورد نقد و بررسی قرار داده شده‌اند.

In this paper, two anomaly correction methods are proposed which are based on Markov and Stide detection methods. Both methods consist of three steps: 1) Training, 2) Anomaly detection and 3) Anomaly Correction. In training step, the Morkov-based method constructs a transition matrix; Stide-based method makes a database by events with their frequency. In detection step, when the probability of transition from previous event to current event does not reach a predefined threshold, the morkov-based method detects an anomaly. While, if frequency of unmatched events exceeds from the threshold value, Stide-based method determined an anomaly. In the correction step, the methods check the defined constraints for each anomalous event to find source of anomaly and a suitable way to correct the anomalous event. Evaluation of the proposed methods are done using a total of 7000 data sets. The window size of corrector and the number of injected anomalies varied between 3 and 5, 1 and 7, respectively. The experiments have been done to measure the correction coverage rate for Markov-based and Stide-based methods which are on average 77.66% and 60.9%, respectively. Area consumptions in Makov-based and Stide-based methods are on average 415.48µm2and 239.61 µm2, respectively.

امروزه سرویس های پیام رسان فوری (IM) امکان ارائه سرویس VoIP را روی تلفن های همراه به عنوان جایگزین تماس های تلفنی عادی فراهم می سازند. این سرویس ها که mVoIP نامیده می شوند، اپراتورهای تلفن را با این سوال مهم روبرو می سازند که آیا به اپراتورهای mVoIP اجازه اتصال به شبکه عمومی تلفن را بدهند یا نه؟ در این مقاله اثر متقابل تصمیمات اپراتور تلفن، اپراتور mVoIP و کاربران نهایی به شکل یک بازی پویای پیش رو-دنباله رو مدل شده و تعادل نش زیربازی کامل (SPNE) آن به دست می آید. SPNE به دست آمده نشان دهنده بهترین تصمیم اپراتور تلفن در خصوص اتصال و یا عدم اتصال به اپراتور mVoIP و بهترین استراتژی قیمت گذاری آن در مقابل اپراتور mVoIP و کاربران نهایی است. در نهایت نشان خواهیم داد که در شرایط خاص، اپراتور تلفن می تواند سود کل خود را با برقراری اتصال با اپراتور mVoIP و اتخاذ استراتژی قیمت‌گذاری مناسب که در این مقاله پیشنهاد می شود، افزایش دهد.

امروزه اکثر سرویس های اینترنتی از بازخورد کاربران برای بهبود کیفیت سروس دهی به آنان استفاده می نمایند. به عنوان مثال، موتورهای جستجو از اطلاعات کلیک کاربران به عنوان یک فاکتور مهم در فرآیند رتبه بندی نتایج جستجو بهره می‌برند. از همین‌رو، برخی وب سایت ها برای کسب رتبه بالاتر در بین مجموعه نتایج جستجو به انجام کلیک بر روی نتایج خود می پردازند. چون این کلیک ها توسط کاربران واقعی انجام نگرفته، اصطلاحاً به آنها کلیک های هرز گفته می شود. برای این منظور، وب سایت ها معمولاً از برنامه های نرم افزاری به نام "ربات ها" استفاده می کنند تا به صورت خودکار و توزیع شده به انجام این کار بپردازند. در این مقاله، یک روش جدید مبتنی بر دسته بندی نشست های کاربران جهت شناسائی کلیک های هرز به صورت سریع و کارآمد پیشنهاد می شود. ما در ابتدا نشست های کاربران را به صورت مجموعه ای از ویژگی ها مدل می کنیم و سپس با اعمال الگوریتم دسته بندی پیشنهادی اقدام به شناسائی نشست های غیرنرمال می نماییم. روش مطرح شده با لاگ واقعی یک موتور جستجو ارزیابی شده است. ارزیابی ها نشان می دهد که روش پیشنهادی می تواند کلیک های هرز را با دقتی بیش از 96% تشخیص دهد که در مقایسه با کارهای قبلی بهبود مناسبی از خود نشان می‌دهد.

مدل های گراف یا حتمالا تیاز جمله ابزارهای قدرتمندی هستند که به ما این امکان را می‌دهند که از ارتباطات بین نمونه داده ها به طور کار آمدی بهره ببریم. با استفاده از این مدل ها می تواند در یک قالب واحد و به طور همزمان به حل چند وظیفه (مانند تقطیع، آشکارسازی اشیاء و ..) در مسایل بینایی ماشین پرداخت به گونه ای که اطلاعات در بین وظایف رد و بدل شود. در این مقاله با بهره گیری از یک مدل گرافی سلسله مراتبی و با ترکیب وظایفِ تقطیع، آشکارسازی شیء و رتبه بندی صحنه سعی در بهبود دقتِ قطعه بندی تصاویر را داریم. روش پیشنهادی در مقایسه با مدل پایه و مدل های مرتبط دیگر، میانگین دقت تقطیع تصاویر مربوط به پایگاه داده MSRC-21 را به مقدار قابل توجهی بهبود داده است؛ این در حالیست که مدل پیشنهادی در مقایسه با مدل‌های رقیب بسیار سریعتر عمل می کند.