انجمن کامپیوتر ایران

در این مقاله یک فیلتر جدید فازی - عصبی برای حذف نویزهای ضربه‌ای تصویر ارائه شده است. این فیلتر از دو بخش تشکیل شده است. بخش اول به کمک یک معیار تصمیم‌گیری پیکسلهای نویزی را مشخص می‌نماید و در بخش دوم از پیکسل‌های سالم تصویر و به کمک شبکه فازی – عصبی ANFIS که با این پیکسل‌ها آموزش دیده است، پیکسل‌های نویزی تصویر بازسازی می‌شوند. از مزایای این فیلتر حذف نویزهای ضربه ای با چگالی بالا است. این کار با حفظ جزئیات تصویر و لبه ها انجام می‌پذیرد. برای نشان دادن کارآیی فیلتر ارائه شده نتایج بدست آمده از پیاده‌سازی با فیلترهای مشابه مقایسه گردید و به کمک معیارهای عددی، کارآیی بهتر این فیلتر به اثبات رسید.

اتوماتاي يادگير سلولي(CLA ) مدلي براي سيستم‌هايي است كه از اجزاء ساده‌اي به نام سلول تشكيل شده‌اند و رفتار هر جزء بر اساس رفتار همسايگانش و نيز تجربيات گذشته‌اش تعيين و اصلاح مي‌شود. مدلCLA-EC كه اخيرا پيشنهاد شده است يك الگوريتم تكاملي است كه از تركيب CLA و مفاهيم در محاسبات تكاملي (EC) بدست آمده است. نشان داده شده است كه CLA-EC همگام در حل مسائل بهينه‌سازي در مقايسه باCLA و يا الگوريتم‌هاي ژنتيكي از كارايي بالاتري برخوردار مي‌باشد. سرعت همگرايي و يا دقت اين مدل در حل مسائل بهينه‌سازي بستگي زيادي به انتخاب مناسب پارامترهاي اين مدل دارد. انتخاب مقادير نامناسب براي اين پارامترها ممكن است منجر به سرعت همگرايي پايين و يا به دام افتادن در بهينه‌هاي محلي گردد. براي حل اين مشكل در اين مقاله CLA-EC همكارانه پيشنهاد مي‌شود. در CLA-EC همكارانه، چندين CLA-EC كه هركدام داراي مقادير متفاوت براي پارامترهاي خود مي‌باشند درحل مساله همكاري مي‌كنند. از اين طريق ميتوان نه تنها سرعت همگرايي به راه حل بهينه را افزايش داد بلكه از به دام افتادن در بهينه‌هاي محلي جلوگيري نمود. براي نشان دادن برتري مدل CLA-EC همكارانه بر مدل CLA-EC مسائل بهينه‌سازي توابع استاندارد دوجونگ،P-Peaks ، كوله پشتي 1/0 با استفاده از هر دو مدل حل گرديده است.

توسعه و رشد وب معنایی مشوق اصلی تولید آنتولوژی در دامنه‌های متفاوت می‌باشد. تولید آنتولوژی معمولا وقت‌گیر، خسته كننده، خطادار و وابسته به دانش مهندس دامنه است. یكی از مشكلات اصلی در این زمینه، دسترسی به مجموعه واژگان معتبر و كامل برای تولید آنتولوژی است. در این تحقیق با استفاده از یك روش نمونه برداری صفحات اولیه در مقیاس بزرگ و استفاده از الگوریتم های پردازش زبان طبیعی، تحلیل‌های آماری و تکنیک‌های بازیابی اطلاعات، یك روش اتوماتیك برای تولید شبه-آنتولوژی برای دامنه پژوهش در علوم كامپیوتر پیشنهاد شده است. هدف اصلی ما تهیه اتوماتیك مجموعه بزرگی از واژگان و مفاهیم اصلی دامنه است كه كار تولید آنتولوژی را سریع‌تر و راحت‌تر كند. بدین منظور صفحات مرتبط در این دامنه با استفاده از یک خزشگر تاکیدی مبتنی بر واژگان مورد استفاده قرار گرفته و با استفاده از تكنیك‌های مذكور لیست كاملی از واژگان دامنه استخراج شده است. برای استفاده مجدد این روش در دامنه‌های دیگر، فرآیند ساخت آنتولوژی نیز تا حدودی مستقل از دامنه پیاده‌سازی شده است.

مطالعات نشان داده است که بعد فرکتالی از ویژگی‌های مناسب برای توصیف خصوصیات بافت و تمایز آن‌ها از یکدیگر است. در این مقاله الگوریتم جدیدی برای تخمین بعد فرکتالی براساس تقسیم درخت‌های چهارتایی ارائه شده است. در روش پیشنهادی تصویر سطح خاکستری به صورت یک سطح سه بعدی در نظر گرفته می‌شود، که بعد فرکتالی آن با تجزیه سطح تصویر به بلوك‌های درخت چهارتایی حساب می‌گردد. با این روش مقادیر حساب شده بعد فرکتالی برای بافت‌های مختلف از تمایز خوبی برخوردار بوده كه منتج به قطعه‌بندی بافت‌ها با خطایی پایین می‌گردد. این الگوریتم در مقایسه با روش‌های قبلی کارآیی بهتری را در ایجاد تمایز مابین بافت‌ها به ویژه در مواردی که بافت‌های مورد بررسی تباین‌های متفاوتی دارند، فراهم می‌کند.

در این مقاله، بخش‌های مختلف یک واحد تولید بخار، بر اساس روش ترکیبی محاسباتی نرم متشکل از سیستم‌های منطق فازی، شبکه‌های عصبی و الگوریتم ژنتیک برای بررسی رفتار دینامیکی آن مدل شده است. در این روش ترکیبی، روش بهینه‌سازی الگوریتم ژنتیک برای استخراج قوانین بهینه اگر- آنگاه فازی مدل‌های پیشنهادی استفاده شده است. این درحالی است که پارامترهای توابع عضویت با استفاده از تکینیک‌های محاسباتی شبکه‌های عصبی تنظیم می‌گردد. برای این منظور، روش پس انتشار خطا در الگوریتم یادگیری بکار رفته است. فرآیند یادگیری بر اساس داده‌های تجربی بدست آمده از یک مجموعه کامل آزمایش‌های میدانی تهیه گردیده است. برای بررسی کارایی و صحت مدل‌های تهیه شده، پاسخ این مدل‌ها با رفتار واقعی مقایسه شده است. نتایج شبیه‌سازی، کارایی مدل‌های تهیه شده و امکان استفاده از آن‌ها را با توجه به دقت مدل‌ها و انحراف کم پاسخ آن‌ها نسبت پاسخ سیستم واقعی، نشان می‌دهد.

روش‌های بهبود سیگنال گفتار که در حوزه تبدیل فوریه یا تبدیل موجک عمل می‌کنند، عموماً با ایجاد نویز موسیقی و اعوجاج در سیگنال گفتار همراه هستند. یکی از دلایل این امر حذف کامل نویز است، حال آنکه می‌توان بدون حذف کامل نویز و با باقی گذاشتن مقداری نویز زمینه، میزان اعوجاج سیگنال گفتار و نویز موسیقی را کمتر نمود. در مقاله حاضر باقی گذاشتن مقدارمعینی نویز در پس زمینه و سپس شکل دهی آن در یک سیستم حذف نویز مبتنی بر تبدیل ویولت مد نظر قرار گرفته است، برای شکل دهی نویز از یک الگوریتم کلاس‌بندی نویز استفاده شده است که بر اساس شکل طیفی نویز ورودی، نویز ورودی را به نویز دیگری که از نظر شنیداری خوشایندتر است تبدیل می‌کند. نتایج آزمایش‌های شنیداری و نظری بیانگر آن است که سیگنال‌های بهبود یافته با استفاده از شکل دهی نویز، دارای اعوجاج گفتاری کمتر و نویز پس زمینه خوشایندتری نسبت به سیگنال‌های بهبود یافته بدون شکل‌دهی نویز با استفاده از سیستم پایه حذف نویز ویولت هستند.

یادگیري در همه زمان ها و همه مکان ها، از ایده آلهاي بشر است که با یادگیري اینترنتی سیار تا حدودي تحقق می یابد. به جهت نیاز به اشتراك منابع و داده ها بین یادگیرندگان و یاددهندگان، بستر کاري در این نوع یادگیري، گرید سیار است. با توجه به این که محیط یادگیري سیار است و یادگیرنده ممکن است در شرایط متفاوت، قصد یادگیري داشته باشد، اگر از اطلاعات زمینه آگاهی داشته و در یادگیري دخالت داده شود، می توان در جریان یادگ یري، اطلاعاتی را در اختیار وي گذاشت که با بیشترین احتمال، همان اطلاعات مورد نیاز یادگیرنده باش د. تمامی اطلاعات در قالب معنایی بیان می شود تا تحلیل آن راحت تر و دقیق تر انجام شود. اگر در چنین گریدي، مدیریت منابع به صورت مرکزي باشد، مشکلات زیادي وجود خواهد دا شت؛ علاوه بر آن، مدیریت منابع در گرید سیار به دلیل تغییرات سریع منابع موجود در گرید، از پیچیدگ یهاي خاصی برخوردار است. در این مقاله، روشی کاملا توزیع شده براي مدیریت منابع گرید در محیط گرید سیار یادگیري، ارائه می شود.