انجمن کامپیوتر ایران

مقوله پیش‌بینی روند بورس از دیرباز مورد توجه دانشمندان و فعالان این حوزه بوده است. از جهات مختلف کارهای بسیار زیادی در این زمینه صورت گرفته است. یکی از وجوهی که به دلایل مختلف، کمتر مورد توجه بوده پیش‌بینی اقبال عمومی افراد به خرید نمادهای بورسی با استفاده از داده‌های موجود برخط است. کاوش در این زمینه با توجه به اهمیت موضوع برای تهیه یک سبد مناسب بسیار ارزشمند و مفید است. رشد علم و فناوری پردازشی طی سالیان گذشته، راه را برای کاوش بیشتر هموار کرده است. با این وجود انجام کارهایی در این زمینه برای زبان فارسی مورد کم توجهی گرفته است. در این مقاله یک سیستم جدید پیشنهاد‌دهی خرید سبد بورسی با استفاده از داده‌های قابل دسترسی از پیام‌رسان تلگرام ارائه شده است. این سیستم مبتنی بر تحلیل احساسات کاربران با استفاده از الگوریتم lr{ word2vec } و به کمک لغت نامه و سپس پیش‌بینی روند رشد نماد‌های بورسی عمل‌ می‌کند. موفقیت‌های به دست آمده در کاوش نظرات کاربران به منظور پیشنهاد‌دهی سبد بورسی و رشد نماد‌های پیشنهاد داده شده دلگرم‌کننده است. نتایج به دست آمده حاکی از آن است که این سیستم می‌تواند به عنوان ابزاری مناسب جهت پیشنهاد‌دهی سبد خرید بورسی باشد.

امروزه، استفاده از مجموعه داده‌های ابعاد بالا در تمام جنبه‌ها رشد چشمگیری پیدا کرده است. الگوریتم‌های سنتی، بدلیل درنظر نگرفتن ویژگی‌های مجموعه داده‌های ابعاد بالا برای گروه‌بندی این نوع داده‌ها کارامد نیستند. یکی از روش‌های مورد استفاده برای خوشه‌بندی داده‌های ابعاد بالا، استفاده از الگوریتم خوشه بندی زیرفضاست که از خوشه‌بندی مبتنی بر تراکم در ساختارش استفاده می‌کند. در خوشه‌بندی مبتنی بر تراکم، خوشه‌ها بعنوان واحدهای متراکم متصل بهم تعریف می‌شوند و بر اساس تراکم در جهت‌های مختلف رشد می‌کنند. اکثر الگوریتم‌های مبتنی بر تراکم، قادر به تفکیک تراکم سراسری یا محلی نیستند. در این مقاله، الگوریتمی معرفی شده است که قادر است مجموعه داده های با تراکم مختلف را خوشه‌بندی کند. این الگوریتم از ساختار درخت کادی و روش نزدیکترین همسایه‌ها و نزدیکترین همسایه‌های معکوس استفاده می‌کندکه موجب کاهش حجم حافظه برای ذخیره‌سازی و افزایش سرعت اجرای الگوریتم شده است.

شبکه‌های نرم‌افزار محور یکی از راهکارهای نوین و مورد توجه در راستای بهبود شبکه‌های سنتی به شمار می‌‌آیند که به جداسازی سطح کنترل از سطح داده می‌پردازند و جریان باز به عنوان شناخته شده‌ترین پروتکل ارتباطی میان این دو سطح به کار می‌رود. در این شبکه‌ها، چالش‌های زیادی در زمینه قابلیت اطمینان، مقیاس‌پذیری و کارایی وجود دارند که باید بررسی شوند. یکی از مهم‌ترین مسائل مطرح در این شبکه‌ها بحث مقیاس‌پذیری است که بسیار وابسته به ارتباطات بین کنترلر و سوئیچ است و به شدت کارایی شبکه را تحت تاثیر قرار می‌دهد و به مسأله جایگیری کنترل‌کننده معروف است. به همین دلیل در این پژوهش به حل مسأله جایگیری کنترل‌کننده توزیع‌شده در شبکه‌های نرم‌افزار محور با استفاده از الگوریتم ژنتیک چندهدفه پرداخته شده و از عملگرهای مبادله، معکوس‌سازی و تابع کرم شب‌تاب مبتنی بر جهش در جهت بهبود الگوریتم ژنتیک چندهدفه بهره برده شده است و نتایج با الگوریتم بهینه‌سازی علف هرز چندهدفه مقایسه شده است. نتایج حاکی از عملکرد بهتر الگوریتم ژنتیک چندهدفه بر اساس زمان ارسال و زمان تاخیر در بسته‌های اطلاعاتی است.

برای سالیان طولانی تحلیل موضوعات تحقیقاتی افراد عضو شبکه‌‌های علمی یک زمینه پژوهشی با اهمیت بوده است. پایان‌نامه‌ها، مقالات و نشریات منعکس‌کننده سابقه فعالیت‌های پژوهشی دانشگاه‌ها هستند. دانشگاه‌ها شاهد رشد سریع و فزاینده‌‌ای در تعداد پایان‌نامه‌ها، مقالات و نشریات و همچنین تنوع موضوعات پژوهشی در طول دهه‌های گذشته بوده‌اند. در این مسیر تکاملی پرشتاب دانشگاه‌ها، شناسایی موضوعات تحقیقاتی و تجزیه و تحلیل موثر آن‌ها اهمیت به سزایی خواهد داشت. از اهداف این مقاله، ارائه مدلی بدون ناظر برای کشف موضوعات تحقیقاتی موجود و استخراج موضوعات تحقیقاتی استادان بر اساس موضوعات کشف شده است. برای نیل به این هدف موضوعات و زمینه‌های تحقیقاتی را با ارائه روشی جدید که بهبود و توسعه‌ یافته مدل نویسنده-موضوع است استخراج می‌کنیم. در گام بعد، از تجزیه و تحلیل این موضوعات برای شناسایی موضوعات تحقیقاتی استادان و میزان شباهت موضوعات تحقیقاتی استادان به یکدیگر استفاده می‌شود. در این مقاله از روش‌های مدل‌سازی موضوعی احتمالاتی و به طور خاص از «تخصیص پنهان دیریکله» استفاده شده است. آزمایش‌ها بر روی دادگان پایان‌نامه‌‌های دانشکده برق و کامپیوتر دانشگاه تهران نشان‌دهنده این موضوع است که روش ارائه شده در بهترین حالت باعث بهبود ۲۴٪ معیار انسجام موضوعی و کاهش ۹۱٪ معیار سرگشتگی نسبت به روش رقیب شده است.

هدف تحلیل احساسات، طبقه‌بندی متون با توجه به احساس، عقیده و نگرش نویسنده متن است. در اغلب تحقیقات موجود، متون به دو دسته مثبت و منفی تقسیم می‌شوند، با این وجود دسته‌بندی‌های دیگری مانند خوب/بد یا موافق/مخالف هم وجود دارد که هر کدام کاربردهای خاص خود را دارند. هدف این مقاله تحلیل نظرات مطرح شده توسط کاربران فارسی زبان در رسانه‌های اجتماعی درباره بازگشایی مدارس در دوران همه‌گیری کووید-19 با به‌کارگیری تکنیک‌های یادگیری ماشین باناظر و طبقه‌بندی آنها به دو دسته موافق و مخالف است. در زبان فارسی، عدم وجود مجموعه داده‌های کافی و دقت کم ابزارهای پردازش زبان طبیعی، به‌کارگیری الگوریتم‌های یادگیری ماشین باناظر و نیز استخراج ویژگی‌های باکیفیت را با چالش جدی روبرو ساخته است. در این مقاله ابتدا یک مجموعه کوچک از نظرات کاربران درباره بازگشایی مدارس جمع‌آوری و به صورت دستی برچسب زده شده است. سپس با استفاده از یک روش ترکیبی برای داده‌افزایی، اندازه مجموعه آموزش حدود 43 درصد افزایش داده شده است. در پایان با استفاده از الگوریتم SVM به طبقه‌بندی نظرات مجموعه تست پرداخته شده است. نتایج آزمایشات انجام گرفته نشان می‌دهد که با اعمال روش پیشنهادی برای داده‌افزایی و به‌کارگیری ویژگی‌های انتخابی در این مقاله، دقت 83 درصد برای طبقه‌بندی نظرات حاصل می‌شود.

در سال‌های اخیر روش‌هایی برای تحلیل میزان نشت اطلاعات در روند طراحی یک تراشه خاص منظوره‌ ارائه شده است. با این حال تا کنون کمتر به ارائه روش‌هایی به منظور درج مقاوم‌سازی موضعی کارآمد در نقاط آسیب‌پذیر مدار پرداخته شده است. در اين مقاله، یک روش برای نقاب‌گذاری در سطح دروازه‌ها و سیگنال‌های دارای نشت غیرمجاز کانال جانبی توان مصرفی با عنوان «نقاب‌گذاری مزدوج» ارائه شده است. این روش به نحوی طراحی شده که مناسب استفاده در ابزارهای طراحی خودکار باشد و بتواند به صورت ریزدانه جهت نقاب‌گذاری در مقیاس یک دروازه یا سیگنال استفاده شود تا امکان ایجاد یک توازن کارآمد از نظر امنیت-هزینه را برآورده سازد. این روش قابل استفاده در مقیاس‌های مختلف است و از مزایای آن عدم نیاز به تغییرات ساختاری اساسی در تراشه خاص منظوره مورد ارزیابی و مقاوم‌سازی امنیتی است. نتایج حاصل از پیاده‌سازی و سنتز نشان‌ می‌دهند که دروازه‌های «نقاب‌گذاری‌شده مزدوج» توان بهبود مقاومت مدار در برابر حملات کانال جانبی در مقیاس ریزدانه را دارا هستند و از آنها می‌توان در مقیاس‌های متنوع جهت حفظ توازن بین امنیت کانال جانبی توابع هزینه طراحی نظیر فضای سیلیکون مصرفی استفاده نمود.

شناسایی پیوند بین پروتئین‌ها در شناخت بیماری‌های ناشناخته و طراحی داروها نقش اساسی دارد. این پیوندها شبکه تعاملی پروتئین-پروتئین را شکل می‌دهند که نوعی از شبکه‌های پیچیده است که در آن گره‌ها پروتئین‌ها و یال‌ها تعاملات بین پروتئین‌ها را نمایش می‌دهند. در حال حاضر پیوندهای شناخته شده با استفاده از روش‌های پیش‌بینی پیوند، بخش کوچکی از کل ارتباط‌های بین پروتئین‌ها را در بر می‌گیرند؛ از طرفی این روش‌ها اغلب برای شبکه‌های پیچیده ارائه شده‌اند و ویژگی خاص شبکه‌های تعاملی پروتئین-پروتئین را در نظر نمی‌گیرند. در این مقاله یک روش پیش‌بینی پیوند با استفاده از تعبیه گراف و اطلاعات ساختاری شبکه‌های تعاملی پروتئین-پروتئین ارائه می‌شود که ویژگی خاص این شبکه‌ها را در نظر می‌گیرد. در ابتدا با ترکیب مجاورت مرتبه اول و سوم یک ماتریس احتمال انتقال به دست می‌آید، سپس از قدم‌زدن تصادفی برای تولید دنباله‌ای از گره‌ها استفاده می‌شود و در نهایت این دنباله‌های به‌دست‌آمده به مدل Skip-Gram داده می‌شوند تا بردار ویژگی هر گره استخراج شده و برای پیش‌بینی پیوند از آن‌ها استفاده شود. روش پیشنهادی بر روی دو مجموعه‌داده واقعی شبکه‌های تعاملی پروتئین‌ها مورد ارزیابی قرار گرفت. نتایج حاصل نشان‌دهنده بالا بودن کارایی و دقت روش پیشنهادی نسبت به روش‌های مورد مقایسه است.

در این مقاله به ارائه شبکه تجمیع عصبی بازسازی کننده (RNAN: Regenerative Neural Aggregation Network) پرداخته می‌شود. این شبکه دنباله‌ای با تعداد متغییر از فریم‌های چهره در ویدئو را به عنوان ورودی دریافت کرده و بعد از ترمیم و بازسازی فریم‌ها یک بازنمایی فشرده با ابعاد ثابت از ویژگی فریم‌ها را تولید می‌کند. شبکه RNAN پیشنهادی دارای سه بخش اصلی است. بخش اول شبکه، فریم‌ها را دریافت می‌کند و با استفاده از شبکه مولد تقابلی به بازسازی چهره یا ترمیم کیفیت فریم‌های با کیفیت پایین می‌پردازد. بخش دوم شبکه، یک شبکه باقیمانده‌ای (ResNet) است که برای استخراج ویژگی از فریم‌ها استفاده می‌شود. در نهایت بخش سوم، تعدادی ویژگی استخراج شده از فریم‌ها را دریافت کرده و یک بردار واحد تجمیع شده را به عنوان خروجی تولید می‌کند. این خروجی در تایید هویت و بازشناسی چهره در ویدئو استفاده می‌شود. کارایی دو بخش انتهایی شبکه بر روی مجموعه داده IJB-A مقایسه شده و نتایج نهایی بر روی مجموعه داده ارائه شده TV-Dataset بیان می‌شود. نتایج نشان می‌دهند که شبکه RNAN به صورت قابل مشاهده‌ای نسبت به شبکه‌های تجمیع ساده بهتر عمل می‌کند.

گفتگوگر یا چت‌بات یکی از اجزای اصلی در هوشمند‌سازی تعامل انسان و رایانه به شمار آمده و در سال‌های اخیر پژوهش‌های زیادی در این زمینه شکل گرفته است. در این مقاله، گفتگوگری فارسی پیشنهاد شده است که می‌تواند با کاربر حول مسائل روزمره گفتگو کرده و اطلاعات شخصی همچون نام فرد، سن، شغل، تعداد فرزندان و ... را استخراج نماید. بنابراین، سیستم باید حداقل سوال مستقیم را مطرح کرده و در عوض، خود فرد را ترغیب به بیان اطلاعات نماید. اطلاعات استخراج شده از این گفتگوگر می‌تواند در گام بعد در سیستم‌هایی همچون توصیه‌گرها مورد استفاده قرار گیرد. برای این منظور، مجموعه داده‌ای به روش‌های خزش، ترجمۀ بخشی از پیکرۀ پرسوناچت و همچنین راه‌اندازی سامانه‌ای برخط جمع‌آوری شد و بعد از برچسب‌زنی، با مدلی مبتنی بر برت، پایه‌ای برای توسعۀ واحد درک معنا قرار گرفت. با افزونه‌سازی نیمه‌خودکار این داده‌ها برای سه شکاف پرتکرارِ نام، شغل و سرگرمی، عملکرد مدل برای شکاف بر اساس F1 به ۸۱٪ و بر حسب دقت هم برای تعیین موضوع کلی گفته به ۹۰/۱٪ رسید. در واحد تولید پاسخ هم با آموزش مدل دنباله-به-دنباله‌ بر روی تمام داده‌ها، سرگشتگی بر روی مجموعۀ آزمون به ۱/۸۱ و ROUGE-1 به ۰/۷ رسید.

توصیفگر SIFT یکی از پرکاربردترین توصیفگرهایی است که در مقابل تغییراتی مانند چرخش، بزرگنمایی و کشیدگی تصویر استواری بالایی دارد. یکی از نسخه‏ها‏‏ی توسعه یافته‏ی این توصیفگر، MGS-SIFT است که در مقابل تغییرات نورپردازی کارآیی خوبی دارد. این روش بر پایه نقاط کلیدی استخراج شده بر روی تصویر کار می‏کند، که بالا بودن تعداد این نقاط نیاز به صرف زمان زیادی در فاز تطبیق و تشخیص دارد. لذا، در این مقاله سعی شده است تا با استفاده از تکنیک‏ خوشه‏بندی با حذف نقاط مشابه، تعداد نقاط کلیدی کاهش داده شود. بعبارت دیگر از خوشه‏بندی کاهشی جهت انتخاب نقاط کلیدی که دارای تمایز بیشتر و شباهت کمتری نسبت به دیگر نقاط دارند، استفاده شده است. در نتایج آزمایشات، پیاده سازی موفقیت آمیزی از این کار ارائه شده است. کارایی الگوریتم پیشنهادی با مقایسه آن با الگوریتم پایه SIFT و نسخه‏ی MGS-SIFT روی مجموعه داده‏های ALOI بررسی شده است و مشاهده شد که با اضافه نمودن این روش به توصیفگر پایه MGS-SIFT نرخ بازشناسی تقریبا به میزان 2 درصد افزایش یافته است.

براي تشخيص و رديابي چشم در تصاوير با پس زمينه پيچيده، از ويژگي هاي متمايز چشم استفاده مي شود. به طور کلي يک سيستم تشخيص و رديابي چشم مي تواند به چهار مرحله تقسيم شود. تشخيص صورت، تشخيص محدوده ي چشم، يافتن موقعيت مردمک و رديابي چشم. براي بدست آوردن موقعيت مردمک چشم، ابتدا ناحيه ي صورت را از بقيه تصوير جدا نموده، که اين امر باعث مي شود پس زمينه تصاوير در مراحل بعدي کار ما بي تاثير باشد. بر اساس تكنيك بسته هاي پيكسل، محدوده اي از صورت که شامل چشم ها و ابروها مي باشد جدا مي شود. تكنيك بسته هاي پيكسل(Bag Of Pixels)اين امكان را فراهم مي آورد تا بخش هاي از تصوير كه اهميت بيشتري دارد انتخاب شوند. فضاي بسته پيکسل ها افزايش تغييرات خطي معني دار مانند مورفينگ ها و انتقال ها را نشان مي دهد. اين مرحله باعث کاهش حجم محاسبات و ناديده گرفتن عواملي مانند ريش مي شود. در پايان با استفاده از الگوريتم هريس و ويژگي هاي محلي چشم، موقعيت مردمک را بدست مي آوريم. در مرحله بعد به رديابي محدوده ي چشم مي پردازيم. نتايج آزمايش نرخ تشخيص صحيح 94.9% رانشان مي دهد، كه نشان دهنده ي برتري اين روش و پايداري بالاي آن مي باشد.

هر الگوريتم طبقه‌بندي داراي قابليت‌هاي محدودي است، به اين معنا كه خانواده‌اي از الگوها را بهتر طبقه‌بندي مي‌كند. به عنوان مثال طبقه‌بند خطي، تنها مي‌تواند الگوهاي جداپذير خطي را درست طبقه‌بندي كند. در اين مقاله روشي ارائه مي‌كنيم كه با استفاده از آن يك طبقه‌بندي خطي معمولي مبتني بر تعليم مي‌تواند الگوهاي جداناپذير خطي را نيز درست طبقه‌بندي كند. براي اين كار ما بخشي از الگوهاي ورودي را از بقيه جدا مي‌كنيم و آنها را «قيد» مي‌ناميم؛ سپس قيود را با استفاده از دو تابع «مدل» مي‌كنيم. ما اين كار را مبتني بر يك فرآيند تكراري و تصحيح كننده خطا انجام مي‌دهيم. الگوهاي باقي مانده در محدوده كاري طبقه‌بند اوليه قرار خواهند گرفت. توابع مدل سازي قيود به نحوي در فرمول طبقه‌بند اوليه جاسازي مي‌شوند و در نتيجه يك طبقه‌بند براي همه الگوها به دست مي‌آيد. ما اين روش را روي يك طبقه‌بند خطي اعمال مي‌كنيم تا الگوهاي غيرخطي را نيز طبقه‌بندي كند. ما طبقه‌بند جديد را با طبقه‌بندهاي معروف مانند SVM، k-NN و CART مقايسه كرده ايم كه نتايج برتري و كارآيي اين روش را نشان مي‌دهند.

بازيابي تصوير بر اساس محتوا (CBIR) شامل مجموعه¬اي از روش¬ها براي پردازش ويژگيهاي ديداري يک تصوير پرس¬و¬جو به منظور پيدا کردن تصاوير مشابه آن در يک پايگاه تصوير است. در بازيابي تصوير، بردار پرس¬و¬جو در فضاي جستجو به نحوي که از تصاوير نامرتبط دور و به تصاوير مرتبط نزديک شود حرکت مي¬کند. در روشهاي چند¬پرسشي، ابتدا بردار پرس¬وجو به چند بردار تبديل شده سپس در فضاي جستجو حرکت مي¬کند. براي اين منظور تصاوير مرتبط خوشه¬بندي شده و مرکز هر خوشه به عنوان يک پرس¬و¬جوي جديد در نظر گرفته مي¬شود. در اين تحقيق روشهاي مختلف خوشه بندي سلسله مراتبي در بازيابي تصوير به شيوه چند پرسشي با هم مقايسه شده¬اند. در الگوريتم خوشه¬بندي سلسله مراتبي براي ترکيب کردن دو خوشه بايد ميزان شباهت بين آن دو خوشه را محاسبه کرد. روشهاي متفاوت اندازه¬گيري شباهت بين دو خوشه منجر به الگوريتم¬هاي مختلفي شده است که در اين تحقيق کارايي آنها در بازيابي تصوير به شيوه چند پرسشي روي يک پايگاه تصوير شامل 10000 تصوير از 82 گروه معنايي با هم مقايسه شده است. نتايج آزمايشها برتري روش WPGMC را نشان مي¬دهد

مسائل اساسي سيستم مديريت زباله¬هاي جامد شهري در مديريت شهري، نياز به پيش¬بيني دقيق توليد زباله دارند. اما به دليل طبيعت ناهمگون و تأثير عوامل متنوع و خارج از کنترل بر توليد زباله، همواره با مشکلات زيادي همراه بوده¬است. در اين تحقيق دو مدل سيستم استنتاج فازي-عصبي تطبيقي (ANFIS) و شبكه عصبي مصنوعي (ANN) كه تبديل موجك بر روي ورودي¬هاي آنها اعمال شده است، در پيش¬بيني توليد زباله هفتگي شهر مشهد براي پيچيدگي سيستم مديريت زباله¬هاي جامد شهري استفاده شده است. همچنين اين مدلها بدون اعمال تبديل موجك بر روي ورودي¬هاي آنها نيز در نظر گرفته شده¬اند. براي اين چهار مدل (ANN، ANFIS، WT-ANN و WT-ANFIS)، آزمايشات بر روي دو مجموعه داده ديگر (ecoli و pima) نيز انجام شد و نتايج بر اساس معيارهاس سنجش ضريب تبيين (R2)، ميانگين خطاي مطلق، جذر ميانگين مربعات خطا و ميانگين قدر مطلق خطاي نسبي با هم مقايسه شدند. نتايج بدست آمده از آزمايشات انجام شده در اين تحقيق بيانگر تاثير مثبت انجام پيش-پردازش تبديل موجك بر روي ورودي¬هاي هر سه مجموعه داده آزمايش شده است. همچنين مدلWT-ANFIS براي مجموعه داده¬هاي اصلي و مجموعه داده¬هاي آزمايش شده ديگر پيش¬بيني دقيق¬تري را حاصل شد.

در اين مقاله يک الگوريتم تعاملي براي استخراج (چينش ) ناحية مورد نظر کاربر در يک تصوير ارائه مي¬شود. کاربر با تعداد کمي خط، ناحية پيش زمينه و پس زمينه را علامتگذاري مي¬کند. ناحية غيرعلامتگذاري شده از تصوير ورودي به عنوان يک فيلد تصادفي مارکوف مدلسازي شده و فرمول تابع انرژي آن توسط حاصلجمع انرژي محلي پيکسل¬هاي غيرعلامتگذاري شده محاسبه مي¬شود. پارامتر تاري با ايجاد يک آتوماتاي سلولي بر روي تصوير که هر سلول آن، با مينيمم کردن انرژي محلي بصورت تکرار شونده تا رسيدن به همگرايي، به کار خود ادامه مي¬دهد، تخمين زده مي¬شود. حالت اولية آتوماتاي سلولي بوسيلة خطوط مشخص شده توسط کاربر تعيين مي¬شود و حالت هر سلول مي¬تواند با ورودي اضافي کاربر در طول پردازش تغيير داده شود. بدين معني که، مي¬توان ورودي کاربر را به عنوان راهنماي پردازش و بدون اجراي دوبارة الگوريتم اضافه نمود. آزمايشات انجام شده بر روي تصاوير طبيعي پيچيده نشان مي¬دهد که با علامتگذاري اولية نسبتاً کمي از کاربر، نتايج قابل قبولي بدست مي-آيد.

در این مقاله برآنیم که سیستمی برای جداسازی خودکار افعال عبارتی انگلیسی اصطلاحی از ترکیبی طراحی و پیاده-سازی کنیم . به این منظور، ابتدا با کمک یک متن دوزبانه انگلیسی— فارسی، تعدادی خصیصه برای جداسازی تعریف می¬کنیم. به نوعی انسان¬ها نیز از این خصیصه¬ها برای تشخیص ترکیبی یا اصطلاحی بودن افعال عبارتی استفاده می¬کنند. به کمک تمام خصیصه¬ها دقت 72.6% را در تشخیص بدست آوردیم که پس از انتخاب خصیصه¬های برتر به 79.4% دقت رسیدیم.

در این مقاله، راهکاری نوین برای مکان¬یابی خطاهای معنایی موجود در نرم‌افزارها به صورت خودکار ارائه شده است. اغلب روش-های موجود، علل اصلی خطا را با مقایسه رفتار برنامه در اجراهای موفق و ناموفق، کشف می¬کنند. مشکل اصلی در این راهکارها این¬است که نقاطی گسسته از برنامه را به عنوان علل اصلی خطا اعلام می¬کنند و در نتیجه یافتن علت اصلی خطا نیاز به جستجو و تحلیل دستی حجم زیادی از کد دارد. برای حل این مشکل، در این مقاله استفاده از روش¬های کاوش گراف بر روی مجموعه گراف¬های حاصل از اجراهای برنامه، پیشنهاد می¬گردد. با نمایش هر اجرای برنامه در قالب یک گراف وزن¬دار، زیرگراف¬های متمایزکننده بین گراف¬های اجرایی موفق و ناموفق می¬تواند به عنوان عوامل خطا به برنامه نویس معرفی شوند. برتری اصلی راهکار پیشنهادی نسبت به روش¬های موجود این¬است که عوامل اصلی خطا در قالب زیرگراف¬های اجرایی و به صورت دنباله¬ای از خطوط برنامه که منجر به شکست نرم¬افزار شده¬اند به برنامه¬نویس اعلام می¬شوند و بنابراین به بررسی دستی حجم بسیار کمتری از کد برای فهم و رفع خطا نیاز است. تحلیل راهکار پیشنهادی بر روی مجموعه آزمون مشهور زیمنس در زمینه ارزیابی و مقایسه روش¬های مکان¬یابی خطاهای معنایی، موفقیت روش پیشنهادی را در کشف دقیق‌تر خطاها در این نرم¬افزار نشان میدهد.

مهندسي نرم افزار از تعدادي فرآيند تشکيل شده است از جمله طراحي، پياده سازي و تغيير نرم افزار که همه اين فرآيند‌ها در جهت توليد و توسعه نرم افزار و همچنين دسترسي به يک نرم افزار کارآمد و با کيفيت و قابل نگهداشت انجام مي‌شود. نامتغيرها به برنامه نويس کمک مي‌کند بيشتر مراحل مهندسي نرم افزار را راحتر انجام دهد. نامتغير خصوصيات هميشه درست با ضريب اطمينان مشخص هستند. از آنجايي که بعضي از نامتغيرها طي شرايطي در مسير اجراي برنامه ايجاد مي‌شوند، ايجاد نامتغيرهاي شرطي مي‌تواند بسيار مفيدتر و کمک کننده باشد. براي توليد اين نوع از نامتغيرها مي‌توان از تکنيک‌هاي داده کاوي مثل کشف قوانين انجمني و يا استفاده از درخت تصميم براي بدست آوردن نامتغيرهاي شرطي استفاده کرد.

قابلیت اطمینان شبکه دارای اهمیت ویژه‌ای می‌باشد. نمودار تصمیم دودویی (BDD) یک ساختمان داده مدرن است که در سال‌های اخیر به طور موفقیت‌آمیزی در مباحث مختلف علوم و مهندسی کامپیوتر به کار گرفته شده است. در این مقاله نشان می‌دهیم چگونه می‌توان این ساختمان داده را به منظور محاسبه قابلیت اطمینان شبکه به طور کارآمد به کار گرفت. با روش تجزیه شبکه و با استفاده از BDD قابلیت اطمینان شبکه K-terminal محاسبه می¬شود. در این روش از مفهوم پارتیشن برای نمایش نودها در گراف شبکه استفاده می‌کنیم که منجر به ادغام زیرگراف‌های مشابه در ساختمان داده نمودار تصمیم دودویی به صورت کارا می‌گردد. ادغام زیر گراف‌های مشابه از محاسبات تکراری جلوگیری به عمل آورده و در نتیجه مرتبه زمانی را کاهش می‌دهد. نمونه‌ها و آزمایشات صورت گرفته نشان‌دهنده کارآیی این روش می‌باشد.

خوشه¬بندي، يک رويکرد کارآمد براي تعديل بار بين گره¬ هاي حسگر و افزايش طول عمر شبکه است. با خوشه¬بندي، داده¬هاي ارسالي گره¬هاي درون خوشه توسط سرخوشه تجميع شده و به ايستگاه پايه ارسال مي¬شود. بنابراين گره¬ها مي¬توانند سربار ارتباطي خود را که از ارسال مستقيم داده¬هايشان به ايستگاه پايه حاصل مي¬شود کاهش دهند. در اين تحقيق، يک پروتکل خوشه¬بندي بر مبناي پروتکل مشهور HEED ارائه شده است که بصورت توزيع شده عمل مي¬کند و هدف آن افزايش طول عمر شبکه مي¬باشد. معيار انتخاب سرخوشه در اين پروتکل، ترکيبي رياضي از دو معيار درجه گره و مركزيت گره با ملاحظه انرژي باقي¬مانده آن است. همچنين در اين پروتكل، خوشه¬بندي زماني انجام مي¬شود که حداقل يکي از سرخوشه¬ها بخش معيني از انرژي خود را مصرف کند. پروتکل ارائه شده در اين تحقيق (iHEED) با دو پروتکل مشهور شبکه¬هاي حسگر بيسيم به لحاظ معيارهاي کارآمدي انرژي مقايسه شده است. نتايج شبيه سازي در نرم¬افزار Matlab نشان مي¬دهد که اين پروتکل از ساير پروتكل¬ها بهتر عمل مي¬کند و يک پروتکل خوشه¬بندي انرژي-کارآمد است.