انجمن کامپیوتر ایران

در فراوانـی هـای کـاربرد مصـنوعی عصـبی هـای شـبکه
از یکـی دارنـد. ماشـینی یـادگیری و پـذیری انطباق ها، دادهجداسازی باشـد. مـی ٓان ٓاموزش مسئله عصبی های شبکه در موجود هایچالش هـایش اندوختـه اساس بر سپس و ببیند ٓاموزش ابتدا بایست میشبکه (Back خطـا انتشار پس همچون ٓاماری ٓاموزش های روش نماید.عمل مـی محلـی بهینه نقاط در توقف و پایین سرعت دارایPropagation) سـرمایش بـا ذرات تـوده سـازی بهینـه الگـوریتم دیگـر سـوی ازباشد. سـرمایش ایـده دو ترکیـب بـا کـه اسـت قـادر(SAPSO) تـدریجی (Particle ذرات تـوده سازی بهینه و(Simulated Anealing)تدریجی هـا، جـواب فضـای در قطعی غیر روش یک،Swarm Optimization) بـا نمایـد. پیـدا بـاال دقتی و سرعت با را جواب بهترین به نزدیکجوابی برای برایSAPSO از که است بار اولین برای نگارندگان، دانش بهتوجه مقاله این در ٓان گزارشات که شود می استفاده عصبی های شبکهتعلیم طور به الگوریتم این که دهد می نشان سازی شبیه نتایج شود. میارائه %20 متوسـط طـور بـه و خطـا انتشار پس روش از سریع %30متوسط دارد. خطا انتشار پس روش از بهتریصحت

طرح های سنتی ایران شامل مجموعه ای از نقش های اصیل و هندسی پایه است که از حیث تعداد و تکرار قابل تغییر می باشند. خلق یک اثر هنری توسط هنرمند عموما بر اساس بکارگیری یک یا چند نقش پایه و سپس استفاده از ذوق هنری در نحوه چینش و تکرارآنها است که از این طریق قادر به خلق نقوشی با تنوع و گستردگی فراوان خواهند بود. به دلیل کثرت و گستردگی نقوش و همچنین به دلیل ظرافت بالای نقش های خلق شده، فرآیند ارزیابی و رتبه بندی نقوش سنتی ایران مستلزم دقت بالا در کنار صرف زمان بسیار زیاد می باشد. لذا ارائه یک روش خودکار و کارآمد جهت رتبه بندی زیبایی نقوش خلق شده از اهمیت بسزایی برخوردار است. در این مقاله از مهمترین ویژگی زیبایی شناسی نقوش سنتی ایران یعنی تقارن برای تدوین یک روش کارآمد جهت ارزیابی کمّی آنها استفاده شده است. صحت عملکرد روش تدوین شده با استفاده از رتبه کیفی شخص خبره (استاد نگارگری) جهت امتیاز دهی به مجموعه ای از نقوش و مقایسه نتایج حاصله با نتایج حاصل از روش ارائه شده مورد بررسی قرار گرفته است. بررسی نتایج و مقایسه آنها نشان دهنده قابلیت اطمینان روش ارائه شده می باشد.

در جامعه کنونی به کارگیری کامپیوتر جهت آموزش امری ضروری است و در این میان سیستم¬های آموزشی هوشمند توجه محققان را به خود جلب کرده است. مدلسازی دانشجو نقطه تمرکز اصلی و یکی از اجزاء سیستم آموزشی هوشمند و نمایشی از رفتار و وضعیت دانشجو است. در هنگام استفاده دانشجو از سیستم، دنباله¬ای از اعمال انجام شده او ثبت می¬شود و سیستم تلاش می¬کند تا بر اساس آن، مدل یادگیری دانشجو را تعیین کند. این مقاله یک دیدگاه جدید برای مدل کردن رفتار دانشجو در سیستم شبه¬آموزشی با استفاده از ترکیب آتوماتای یادگیر و یادگیری تقویتی بیان می¬کند. در مدل پیشنهادی، مدل دانشجو توسط عامل تعیین¬کننده¬سطح به نام LDA -QLA که مدل یادگیری دانشجو را مشخص می¬کند، تعیین می¬شود. LDA-QLA در حقیقت الگوریتم یادگیری Qرا به عنوان مکانیزم یادگیری برای تعیین اینکه دانشجو یادگیرنده کند، نرمال یا سریع می¬باشد، بکار می¬¬گیرد و نشان داده شد با بکارگیری الگوریتم یادگیری Q سرعت تعیین مدل یادگیری دانشجو افزایش یافته است.

اخيراً، تحقيقات در زمينه بازشناسي چهره روي نمايشی از چهره متمركز شده است كه قادر باشد اطلاعات مناسب را كه نسبت به تغيير روشنايي و حالت چهره ثابت باشد، بدست آورد. كه سبب ايجاد يك توصيفگر قدرتمند بافتي كه الگوي باينري محلي (LBP) ناميده مي¬شود شده است. ما در اين مقاله روش کارآمد جديدی مبتنی بر توصيفگر الگوی باينری محلی، برای تشخيص چهره معرفی کرديم. در اين روش ابتدا انواع عملگرهای LBP با مقياس¬های مختلف (تعداد پيکسلهای همسايه مرکزی، شعاع همسايگی) را بر روی تصوير نرمال شده چهره اعمال می¬کنيم. سپس با توجه به عملکرد کلي سيستم بازشناسی، بر مبنای الگوريتم ژنتيک ضريبی برای هر LBP بدست مي¬آيدکه بر اساس آن ضرايب از نتايج LBPها در عمل بازشناسي استفاده مي¬کنيم. روش جديد MLBP GA based ناميده می¬شود. روش پيشنهادی بر روی پايگاه داده ESSEX و ORLبا روش¬های LBP, Gabor, KPCA, PCA وHierarchical Multi-scale LBP موردمقايسه قرار گرفت. نتايج بدست آمده برتری الگوريتم پيشنهادی را نسبت به الگوريتم¬های ديگر نشان داد. بخصوص هنگامی که فقط يک نمونه از هر فرد برای آموزش استفاده شد، روش ما عملکرد شناسايی چهره بهتری را نسبت به ساير روشهای موجود نشان داد.

رشد سريع فناوري اطلاعات و همه گير شدن استفاده از اينترنت، كشورها را بر آن مي‌دارد تا از اين فناوري ها در جهت كسب مزاياي انكارناپذير آن استفاده كنند. برخي از اين مزايا عبارتند از: دقت، سرعت، كاهش هزينه‌‌هاي زماني-مالي و غيره. انتخابات الكترونيكي يكي از اموري است كه در سال‌هاي اخير رغبت براي تبديل آن به حالت الكترونيكي افزايش يافته است. با اين روش افراد مي‌توانند بدون متحمل شدن سختي و هزينه‌‌هاي حمل و نقل براي حضور در محل راي دادن، راي خود را ارسال كنند. مجريان انتخابات نيز مي‌توانند مراحل مختلف انتخابات را اعم از آماده سازي، جمع آوري و شمارش آرا، با دقت و سرعت زياد و هزينه كمتر انجام دهند. آمارها نشان مي‌دهد كه انتخابات اينترنتي تا حد زيادي، شركت افراد را در انتخابات افزايش مي‌دهد.از طرف ديگر سرويس‌‌هاي وب بعنوان جديد ترين رويكرد در برنامه نويسي توزيع شده هستند. در اين مقاله يك معماري در بر دارنده مفاهيم اتكاپذير براي راي گيري اينترنتي ارائه مي‌كنيم كه تامين كننده تمام نيازمندي‌هاي راي گيري الكترونيكي است. اين سيستم را با استفاده RBD مدل كرده و قابليت اطيمنان و دسترسي آن ارزيابي مي كينم.

در اين مقاله زمان¬بندي همه¬پخشي براي حالتي كه سرور تعدادي فايل را بر اساس درخواست كاربران بين آن¬ها توزيع مي¬كند، مطالعه شده است. به منظور اين¬كه بتوان مسأله را در عمل پياده¬سازي نمود، نياز است كه فايل¬ها به تعدادي قطعه شكسته شده و در شبكه ارسال گردند. رويكرد پيشنهادي با در نظر گرفتن هدف مينيمم كردن كل زمان پاسخ كاربران، رابطه¬اي تقريبي به شكل فرم بسته ارائه مي¬كند كه بر اساس آن تقريبي از تعداد قطعات بر حسب پارامترهاي مختلف شبكه و نوع درخواست¬ها بيان مي-نمايد. تقريب انجام شده با نتايج شبيه¬سازي ارزيابي شده كه نتايج حاكي از دقت مناسب رويكرد پيشنهادي است. همچنين تاثير پارامترهايي مانند اندازه سرآيندهاي لايه¬هاي مختلف پشته پروتكل شبكه نيز در كارآيي روش پيشنهادي مورد مطالعه قرار گرفته است.

امروزه دو گروه برجسته از سرويس¬هاي وب وجود دارد که يکي بر پايه¬ي معماري SOAP و ديگري بر پايه¬ي معماري REST مي-باشد. اين دو گروه از سرويس¬هاي وب، زبان توصيف خاص خود را دارند كه به زبان توصيف سرويس¬هاي وب مبتني بر SOAP، WSDL و به زبان توصيف سرويس¬هاي وب مبتني بر REST، WADL گفته مي¬شود. از طرف ديگر روش¬هاي صوري، روش¬هايي مبتني بر رياضيات هستند. مهمترين مشخصه¬ي يک روش صوري، اتکا به يک زبان توصيف صوري است که يکي از معروف¬ترين آن¬ها زبان توصيف Z نام دارد. در منابع قبلی ترجمه¬ی WSDL 2.0 به Z ارائه شده است. در این مقاله هدف ما ارائه¬ی ترجمه¬ای از WADL به Z می¬باشد. با داشتن اين دو ترجمه مي¬توان به دستاوردهايي از قبيل: بررسی ترکیب¬پذیری سرویس¬هاي وب به شکل صوری، اعتبارسنجيسرويس¬هاي وب به شکل صوری (با ابزاري مانند JAZA يا ابزاري مشابه)، بررسی صوری تطابق بین سرويس¬هاي وب یا ترکیب آن¬ها با فرآیندهای حرفه و ایجاد زمینه¬ای برای تولید صوری سرويس¬هاي وب رسيد. از طرف ديگر مي¬توان انواع ناهماهنگی¬ها در سطح عناصر، قبل از ترکیب سرویس¬ها را به شکل صوری بررسی نمود.

بسیاری از مسائل در دنیای واقعی می¬توانند بصورت مجموعه¬ای از نقاط مدل شوند. کاوش مجموعه نقاط مکرر بسته و مجموعه نقاط مکرر وزن¬دار، دو مطالعه مهمی هستند که برای کاهش زمان جستجوی الگوهای مکرر می¬توان از آن¬ها استفاده کرده و با ترکیب آنها، الگوهای جالب¬تر و پراهمیت¬تری را استخراج نمود. در اين مقاله الگوریتم کاوش CWPFP-Miner را براساس رشد الگو، بهبود می¬دهیم. سپس نشان می¬دهیم که چگونه می¬توان بدون ازدست¬دادن اطلاعات، کاوش الگوهای بسته را با کاوش الگوهای وزن¬دار یکی کرد. همچنین راه¬حلی پیشنهاد می¬د¬هیم که بتوان مشکل پادیکنوایی را در حالتی که وزن بکار می¬رود، حل کرد. تاکنون در پایگاه¬داده¬های مجموعه¬نقطه، هیچ الگوریتم کاوشی پیشنهاد نشده که هر دو محدودیت بسته بودن و وزن-دارکردن نقطه¬ها را با هم بکار ببرد. بررسی عملکرد الگوریتم CWPFP-Miner و مقایسه آن با الگوریتم¬های AcGM و gfsg نشان می¬دهد که این الگوریتم بهتر از دو الگوریتم دیگر عمل کرده و زمان اجرای بهتری دارد.

با توجه به افزایش تعداد سرویس¬هائی که عملکرد یکسانی را ارائه می¬کنند، انتخاب وب¬سرویس مناسب برای یک هدف خاص کار دشواری شده است. هنگامی که قرار است عمل ترکیب وب¬سرویس¬ها برای بدست آوردن یک هدف انجام شود، با محدودیت¬هائی مواجه خواهیم شد. در این مقاله، برای سادگی، از عبارت "محدودیت" هم به عنوان محدودیت و هم به عنوان ترجیحات استفاده می¬شود. برخی از این محدودیت¬های ترکیب از نوع عملکردی و برخی از نوع کیفی می¬باشد. تعدادی نیز در هیچ¬کدام از این دو دسته قرار ندارند. تاکنون این محدودیت¬ها به صورت پراکنده و بدون ساختار بوده و هر ترکیب¬کننده¬ی سرویس بنابر سلیقه خود آن¬ها را در نظر گرفته و ارضا نموده است. به این ترتیب به برخی از محدودیت¬ها پرداخته شده و به بسیاری از آن¬ها توجهی نشده است. در این مقاله یک طبقه¬بندی از کلیه محدودیت¬های شناخته شده تا جای ممکن برای عمل ترکیب ارائه می¬شود. این طبقه¬بندی یک ساختار خوش تعریف از کلیه محدودیت¬های ترکیب وب¬سرویس می¬باشد. در واقع نقش این مقاله، یک گام قبل از فاز انتخاب عمل ترکیب می¬باشد. ساختار این طبقه¬بندی به صورت درختی بوده و هر کدام از محدودیت¬ها قابل الویت¬دهی می¬باشد. برگ¬های درخت حاوی متریک¬های موجود برای ارضای محدودیت پدر می¬باشد. ساختار درختی این طبقه¬بندی، ارائه آن در قالب XML به عمل ترکیب را تسهیل می¬نماید. ارزیابی طبقه¬بندی ارائه شده با مقایسه نقشه¬های ترکیب که هدف یکسانی را دنبال می¬کنند، انجام می¬گیرد. این نقشه¬ها از لحاظ ارضای محدودیت¬ها و ویژگی¬ها مقایسه شده و به کمک درخت طبقه¬بندی و نظر متقاضی وب¬سرویس مرکب، وزن¬دهی می¬گردد. وزن نهائی هر نقشه، میزان موفقیت در ارضای محدودیت¬ها را نشان می¬دهد. به این ترتیب، این خروجی به عمل انتخاب کمک می¬نماید. از طرف دیگر با انجام مقایسه¬ای بین کار انجام شده و دیگر کارها جامعیت نسبی این طبقه¬بندی نشان داده می¬شود.

تکنولوژی رادیوی شناختی راه حلی کلیدی برای بهبود کارایی طیف فرکانسی است. در این تکنیک به کاربران بدون مجوز (کاربران ثانویه) اجازه داده می¬شود به شیوه¬ای فرصت¬طلبانه از طیف بهره ببرند. در این راستا مسئله انتخاب کانال برای کابران ثانویه یک موضوع مهم در این نوع شبکه¬ها است، که روی بسیاری از پارامترهای کیفیت سرویس مانند سطح تداخل با PU ها و SU های همسایه، تأخیر، تعداد سوییچینگ¬های کانال، زمان سرویس¬دهی و تعداد برخوردهای SU ها و PU ها تأثیر می¬گذارد. یکی از چالش¬های پیش روی مسئله انتخاب طیف این است که باندهای فرکانسی زیادی ممکن است برای یک کاربر ثانویه موجود باشند. بنابراین الگوریتم انتخاب کانال باید بر اساس ویژگی¬های طیف موجود و الزامات QOS کاربر ثانویه، بهترین کانال در دسترس را انتخاب کند. در این مقاله ما با استفاده از اتاماتای یادگیر به شکل توزیع شده به رادیوی شناختی این قابلیت را می¬دهیم که با توجه به رفتاری که یک کانال در گذشته انجام داده، میزان سودمندی آن برای کاربر ثانویه را اندازه بگیرد و بر این اساس یک کانال را از بین مجموعه¬ای از کانال¬های موجود انتخاب کند.

هم¬ترازسازی زنجیره¬های بیولوژیکی به بیولوژیست¬ها در تحلیل و شناسایی نواحی مشابهت بین این زنجیره¬ها یاری خواهد رساند. این مشابهت¬های یافت¬شده نقاط مشترک بین زنجیره¬ها در روند تکامل تدریجی و همچنین جهش¬های بیولوژیکی را نشان می¬دهند. روش¬های هم¬ترازسازی مختلفی وجود دارند. الگوریتم اسمیت¬واترمن که مبتنی بر برنامه¬نویسی پویا می¬باشد یکی از دقیق¬ترین روشها برای هم¬ترازسازی زنجیره است،با این وجود این الگوریتم دارای میزان بسیار زیادی از محاسبات ماتریسی زمان¬بر است و ازاینرو می¬توان به¬منظور افزایش سرعت پردازش این الگوریتم، آن را از طریق شتاب¬دهنده¬های سخت¬افزاری موازی¬سازی و تسریع کرد. در این مقاله روش¬هایی ارائه می¬شود که منجر به تسریع این الگوریتم بر روی شبکه پردازش موازی GPU بر مبنای چارچوب CUDA خواهد شد. بهبود¬های ارائه¬شده در طی یک فرایند سه مرحله ای اعمال خواهند شد. در ابتدا ساختار بانک اطلاعاتی حاوی زنجیره¬های بیولوژیکی، تبدیل به ساختاری متناظر با مدل پردازش موازی GPU خواهد شد. سپس در مرحله بعد دسترسی¬ها به حافظه سراسری GPUجهت استفاده حداکثری از پهنای باند ادغام خواهند شد. در نهایت نیز روشی به¬منظور جلوگیری از برخورد پیمانه های حافظه مشترک GPU در نتیجه دسترسی¬های همزمان پرهزینه به پیمانه های آن ارائه خواهد شد. بررسی¬های انجام¬گرفته نشان می¬دهند که روش پیشنهادی دارای تسریع 82/1 تا 87/1 برابری، نسبت به CUDASW++ به عنوان یکی از سریع¬ترین پیاده¬سازی¬های انجام¬شده بر رویGPU، می¬باشد. همچنین این روش دارای تسریع 23/18 برابری نسبت به یک راه¬حل مبتنی بر CPU می¬باشد.

یادگیری مبتنی بر مورد و سیستم‎های چند عامله دو مبحث متفاوت در حوزه هوش مصنوعی هستند. یادگیری مبتنی بر مورد یکی از الگوریتم‎های یادگیری ماشین است که برای حل مسأله جدید، از تجربه‎های گذشته و روش‎های حلی که مشابه با مسأله جاری باشد، استفاده می‎کند. اما در سیستم‎های چند عامله، تعدادی عامل با دو نوع رفتار رقابتی یا همکاری در یک محیط قرار می‎گیرند و این عامل‎ها در اثر تعامل با محیط و پاداش یا جریمه دریافتی، به مرور زمان یاد می‎گیرند که چگونه با هم رقابت یا همکاری کنند بطوریکه بیشترین سود را دریافت کنند. از آنجائیکه خود‎مختاری در عامل‎ها، یکی از شرایط سیستم‎های چند عامله است، استفاده از یادگیری مبتنی بر مورد می‎تواند نقش موثری در یادگیری و خود‎‎مختاری عامل‎ها داشته باشد.در این مقاله سعی شده است با اعمال تغییراتی در اتوماتاهای یادگیر از آنها برای آموزش عامل‎ها استفاده شود؛ همچنین عامل‎ها از پایگاه مورد مشترک استفاده می‎کنند.

در اين مقاله يک روش مديريت کليد کارا مبتني بر پيش توزيع کليد با استفاده از ساختار خوشه¬بندي ناهمگن در شبکه¬هاي موردی با مقياس بالا ارائه مي¬دهيم. در روش ارائه شده از دانش گسترش گره¬ها در شبکه (آگاهي از اين که هر گره در چه خوشه-اي قرار مي¬گيرد) استفاده شده¬است. با اين فرض و استفاده از مزاياي ساختار خوشه¬بندي ناهمگن، وابستگي گره¬ها به منابع تا حد زيادي کاهش مي¬يابد.طرح مذکور در مقايسه با طرح¬هاي پيش توزيع موجود، برهم کنش بهتري بين سربار محاسباتي، سربار ارتباطي، اتصال شبکه و وابستگی به منابع شبکه فراهم می¬کند. در اين طرح حداکثر اتصالِ مورد انتظار براي شبکه¬هاي خوشه-بندي فراهم شده¬است و امکان اضافه شدن پوياي گره¬ها بعد از گسترش اوليه¬ي آنها در شبکه وجود دارد.