انجمن کامپیوتر ایران

در طراحي بسياري از سيستم‏‏هاي تشخيص گفتار پيشين، از روش‏هاي يادگيري نظارتي جهت آموزش طبقه‏بندها استفاده شده است؛ که نيازمند مجموعه‏ي عظيمي از داده‏هاي برچسب‏دار مي‏باشد. همانطور که مي‏دانيم در بسياري از مسائل يادگيري کاربردي موجود در دنياي امروز، جمع‏آوري داده‏هاي برچسب‏دار امري بسيار مشکل، زمان‏بر و پرهزينه است. در حالي که حجم زيادي از داده‏هاي بدون برچسب به آساني در دسترس بوده ولي روش‏هاي موثر کمتري جهت استفاده از آنها وجود دارد. پردازش وآناليز گفتار، يکي از مهمترين مسائلي است که مشکل برچسب زدن داده‏هاي آموزشي در آن مطرح است. به طوري که براي برچسب زدن به يک ساعت گفتار، حدوداً به 400 ساعت زمان نياز داريم. به همين دليل ما در اين مقاله الگوريتم بهبود يافته MCo_Training1 را به منظور ساخت يک سيستم يادگيري نيمه‏نظارتي جهت شناسايي حروف مصوت ارائه مي‏دهيم که در آن حجم عظيمي ازداده‏‏هاي بدون برچسب، مورد استفاده قرار مي‏گيرند. نتايج بدست آمده نشان مي‏دهد که کارايي الگوريتم ارائه شده در مقايسه با روش‏هاي يادگيري نظارتي و الگوريتم استاندارد Co_Training بالا بوده و ميزان نرخ خطاي تشخيص به شکل قابل توجهي کاهش پيدا مي‏کند.

الگوريتم بهينه¬سازي بيز که در شاخه الگوريتم¬هاي تکاملي قرار مي¬گيرد، براي تخمين توزيع احتمال حاکم بر راه¬حل¬هاي منتخب، سعي در ساخت يک شبکه بيز دارد که بتواند اين توزيع را به خوبي تخمين بزند. سپس از اين شبکه براي توليد نسل بعد استفاده مي¬نمايد. نتايج به کارگيري اين الگوريتم حاکي از قدرت وي براي شناسايي روابط ميان متغيرهاي موجود در يک مساله بهينه-سازي مي¬باشد. در اين مقاله، روشي براي بهبود الگوريتم بهينه¬سازي بيز در محيط¬هاي پيوسته مطرح مي¬گردد که در آن راه¬حل-هاي انتخابي ابتدا با استفاده از يک الگوريتم خوشه¬بندي کارا، به چند خوشه تقسيم شده و سپس براي هر خوشه يک شبکه بيز توليد مي¬شود و نسل بعد با بهره¬گيري از شبکه¬هاي ساخته شده متولد مي¬شود؛ تعداد افراد توليد شده از هر شبکه بيز وابسته به تعداد راه¬حل¬هايي مي¬باشد که در خوشه مربوط به آن شبکه قرار گرفته است. نتايج آزمايشات نشان¬ دهنده¬ی برتري الگوريتم پيشنهادی بر الگوريتم استاندارد بهينه¬سازي بيز مي¬باشد.

در اين مقاله، يک الگوريتم تقريبي براي ساده‌سازي سرزمين مطرح شده است. هدف مسئله ساده‌سازي اين است که، تعدادي از نقاط يک سرزمين حذف شود به نحوي که خطاي سرزمين پس از ساده‌سازي، بيشتر از ميزان تعيين‌شده، نباشد. خطاي ساده‌سازي به دو صورت تعريف مي‌شود، يکي اينکه پس از ساده‌سازي،m نقطه با حداقل خطا در سرزمين وجود داشته باشد يا اينکه، حداکثر خطا پس از ساده‌سازي به ازاي کمترين تعداد نقاط، ϵ باشد. اين مسئله در حوزه‌ي مسائل ان‌پي - سخت قرار دارد. در اين راستا، ما يک الگوريتم تقريبي براي ساده‌سازي سرزمين بيان کرده‌ايم که، يک سرزمين با n نقطه در فضاي سه بعدي و حداکثر خطاي ϵ>0 را دريافت مي‌کند و در خروجي يک سرزمين ساده‌شده با سايز O(k log⁡k ) در زمان O(n^7 ) حاصل مي‌شود، که k سايز بهينه‌ي سرزمين ساده‌شده به ازاي تقريب - ϵ مي‌باشد.

در سال¬هاي اخير حفظ حريم خصوصی در داده¬کاوي و انتشار داده¬ها به¬عنوان يک مبحث مهم تحقيقاتي مورد توجه محققين قرار گرفته است. مسأله مهم در اين مبحث، چگونگي برقراري تعادل بين حفظ حريم خصوصی و کيفيت داده¬ها مي¬باشد. اين مقاله به بررسي حفظ حريم خصوصی در يکي از روش¬هاي داده¬کاوي به نام کاوش سودمنديمي¬پردازد. الگوريتم¬هاي قبلي ارائه شده در اين زمينه اگرچه به خوبي توانسته¬اند حريم خصوصی را حفظ کنند، اما از لحاظ کيفيت داده¬هاي توليد شده از کارايي مناسبي برخوردار نيستند. الگوريتم¬هاي اکتشافي ارائه شده در اين مقاله علاوه بر اين¬که به خوبي حريم خصوصی را حفظ مي¬کنند، داده-هاي با کيفيت بهتري را نسبت به الگوريتم¬هاي پيشين توليد مي¬کنند. نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که الگوريتم¬هاي ارائه شده از لحاظ کارايي نسبت به الگوريتم¬هاي پيشين از برتري چشم¬گيري برخوردار هستند.

مهندسي هوش يکي از کمبودهاي موجود براي توسعه عاملهاي هوشمند با استفاده از روشهاي مهندسي است. منظور از مهندسي هوش، پيروي از روشي سيستماتيک براي توليد هوش عاملهاست. يکي از مسايل موجود در اين زمينه، وجود تعاريف مختلف (بر اساس ديدگاههاي متفاوت) براي هوش است. درنتيجه، مجموعه مشخصي از ويژگيهاي هوش محاسباتي ارائه نشدهاندکه بتوانند مبناي تعيين نيازمنديهاي نرم‌افزار هوشمند قرار گيرند. در اين مقاله, يک ديدگاه مهندسي نرم افزاري از قابليت هوشمندي عاملهاي نرم افزاري ارائه شده است. بدين منظور با بررسي و تحليل بيش از 70 تعريف مختلف براي هوش (تعاريف عام، تعاريف در روانشناسي و هوش مصنوعي) 33 ويژگي مشترک آنها استخراج و با حذف ويژگيهاي غيرمحاسباتي، مجموعه اي از ويژگيهاي هوش محاسباتي ارائه شده است. بدين منظور،در اين مقاله براي مهندسي نمودن فرآيند تعيين ويژگيهاي هوش محاسباتي، روشي کمي براي رتبه بندي آنها ارائه شده است. بدين ترتيب که با درنظر گرفتن تکرار ويژگيهاي مشترک در تعاريف مختلف و وزن دهي بر اساس اهميت هر دسته در هوش محاسباتي، مجموعه ويژگيها رتبه‌بندي شده اند. در اين مجموعه، ويژگيهاي يادگيري، قابليت انطباق با محيط يا شرايط جديد، هدف گرايي، قابليت حل مساله، اکتساب و ذخيره سازي دانش و استدلال، به ترتيب داراي بالاترين رتبه هستند.

زبان مدلسازی يکپارچه (UML) جهت رسیدگی به نیازهای وظیفه مندی در مهندسی نرم افزار مورد استفاده قرار می گیرد. هرچند انجمن مدیریت شیئ (OMG )زیر نمایه کارائی را جهت پشتیبانی از نیازهای غیروظیفه مندی در سال 2002 مطرح نمود، لیکن جهت ارزیابی کارائی نیاز به یک مدل رسمی ضروری می باشد. شبکه پتری با بهره گیری از پشتوانه ریاضی جهت مدلسازی رفتار در این زمینه مفید می باشد. از سوی دیگر با توجه به ماهیت غیرقطعی اطلاعات در سیستمهای اطلاعاتی ، استفاده از متغیرهای زبانی و منطق فازی دقت بالاتری را در محاسبات مربوط به ارزیابی کارائی سیستم به همراه خواهد داشت. در این مقاله با تبدیل مدل واقعی به مدل رسمی(F_CPN) امکان ارزیابی کارائی سیستم را بر روی مدل رسمی فراهم می نمائیم. با استفاده از منطق فازی و تحلیل بازخورد قبل از مرحله پیاده سازی می توان کارائی سیستم را بهبود بخشید. با بررسی نتایج ملاحظه می نماییم رویکرد فازی موجب بهبود کارائی می گردد

الگوریتم رمز PRESENT توسط A.Bogdanov و همکاران در سال 2005 به عنوان الگوریتم رمز قطعه¬ای سبک وزن مطرح شد. در این مقاله با استفاده از الگوریتم جمعیت مورچگان بهترین مشخصه تفاضلی برای r دور (5 ≤ r ≤12) از الگوریتم رمز PRESENT بدست آمده است. یافتن بهترین مشخصه مطابق با بدست آوردن کوتاهترین مسیر در گراف عملکرد تفاضلی الگوریتم رمز PRESENT می‌باشد. با اعمال الگوریتم جمعیت مورچگان کم وزن ترین مسیر در گراف بدست می¬آید که معادل بهترین مشخصه در تحلیل تفاضلی می¬باشد. با این روش دیگر ملزم به استفاده از جستجوی کلی برای یافتن بهترین مشخصه نمی¬باشیم و پیچیدگی زمانی و حافظه¬ای بهتری حاصل می¬شود.

اگر رايانه‌اي کوانتومي در اختيار بود، پيچيده‌ترين روش‌هاي رمزنگاري کنوني، در کسري از ثانيه رمزگشايي مي‌شدند که دليل اين امر را بايد در پردازشِ فوق‌العاده سريعِ پردازنده‌هاي کوانتومي جستجو کرد. طراحي‌هايي که تاکنون توسط متخصصان به منظور ساخت اين رايانه‌ها صورت گرفته، به‌صورت دستي و بدون کمک ابزارهاي خودکارِ طراحي بوده است. در اين مقاله، الگوريتم حريصانه- خطي براي توليد خودکارِ چينش مدارهاي کوانتومي در فناوري تله يوني، ارائه مي‌شود. هدف از ارائه اين الگوريتم، کاهش مساحت و هم‌چنين کاهش تأخير اجراي مدار، با کمک ايجاد کوتاه‌ترين مسير بين تله‌هاي يوني مي‌باشد. نتايج تجربيِ حاصل از پياده‌سازي نشان مي‌دهد که اين الگوريتم تأثير قابل ملاحظه‌اي در کاهش مساحت و تأخير مدار دارد.

مولد اعداد تصادفی، عموماً مقادیری با توزیع چگالی یکنواخت تولید می‌کنند. در برخی موارد مانند شبیه سازی مونت کارلو، مقادیری با توزیع چگالی نمایی و ویبول لازم است. یکی از روش های تولید مقادیر تصادفی غیریکنواخت، افزودن یک سخت‌افزار اضافی به مولد اعداد تصادفی یکنواخت می‌باشد. در این مقاله، سه ساختار جهت تولید مقادیر با توزیع نمایی، مورد مطالعه و مقایسه قرار گرفته‌اند. این ساختارها براساس سه الگوریتم COERDIC ، Interpolation وpiecewise کار می‌کنند. در این بررسی از تراشه‌های FPGA برای مقایسه سرعت، سربار سخت افزاری و دقت تولید اعداد استفاده شده است.نتایج آزمایشات نشان داده است که روش piecewise دارای بیشترین سرعت می‌باشد در حالیکه دقت روش‌های مبتنی بر چندجمله ای و جدول (به دلیل خطای فرمول محاسباتی‌شان) کمتر از روش CORDIC است. از نطر حجم سخت‌افزاری، این نتیجه بدست آمده استکه برای داده‌های با طول کوچکتر، piecewise در مجموع روش مناسبی بوده، در حالیکه برای داده های با طول بزرگتر، CORDIC کارایی بهتری دارد.

این مقاله به معرفی یک الگوریتم جدید ردگیری شکل بر مبنای خصیصه تولید شده برای پیکسل با استفاده از موجک بسته‌ای تلف نشده می‌پردازیم. در روش پیشنهاد شده برای ردگیری یک شکل تعریف شده توسط کاربر در یک رشته از تصاویر، دامنه ضرایب مبنای بهینه در بسط درختی سیگنال با استفاده از موجک تلف نشده به عنوان بردار‌های خصیصه )FV( پیکسل به کار رفته است. الگوریتم پیشنهادی از بردار‌های خصیصه برای ردگیری پیکسل‌های بلوک‌های مربعی نزدیک مرزهای شکل استفاده می‌کند. جستجو برای یافتن بهترین تطبیق یک بلوک مربعی با استفاده از جستجوی کامل بلوک در حوزه‌ی موجک انجام می‌شود پس یافتن محل جدید شکل در قاب جاری، این قاب به عنوان مرجع برای یافتن شکل شیدر قاب مورد استفاده قرار می‌گیرد.نتایج آزمایش‌ها نشان می‌دهد که الگوریتم در شرایطی که شکل یک شی دارای جابه جایی، چرخش یا تغییر مقیاس جزیی باشد به خوبی عمل می‌کند و می‌تواند برای ردگیری اشکال صلب و غیر صلب در رشته‌های تصویر و ویدئو به کارگرفته شود.