انجمن کامپیوتر ایران

واژه‌یابی گفتار به جستجوی کلمات كلیدی هدف در یک آرشیو صوتی اتلاق می‌شود. در سال‌های اخیر با پیشرفت تکنولوژی استفاده از سیستم‌های واژه‌یاب گفتار در دستگاه‌های با توان پردازشی كم مانند بلندگوهای هوشمند و تلفن‌های همراه رواج یافته است. استفاده از واژه‌یابی گفتار در این دستگاه‌ها با محدودیت‌های حافظه‌ای و پردازشی همراه است. از این رو، لازم است از روش‌هایی استفاده شود که در كنار دقت مطلوب، تعداد پارامتر‌های كمی نیز داشته باشد. در سال‌های اخیر، شرکت گوگل مبتنی بر مد‌های مطرح شبکه‌های عصبی پیچشی مانند موبایل نت، تی‌سی رزنت، اینسپشن و اکسپشن در حوزه‌ی واژه‌یابی گفتار به دقت مطلوبی دست یافته است. در این مقاله سعی شده است با بهره‌گیری از مکانیزم خودتوجه، دقت واژه‌یابی گفتار مبتنی بر مدل‌های مطرح مذکور افزایش یابد. نتایج ارزیابی حاکی از آن است که استفاده از مکانیزم خودتوجه باعث افزایش دقت %1.72ای مدل موبایل‌نت، %1.411ای مدل اینسپشن، %1.43ای مدل اكسپشن و %1.83ای مدل تی‌سی‌رزنت بدون تاثیر قابل توجه بر تعداد پارامترهای آموزش پذیر مدل‌های مذکور شده است. همچنین، در قیاس با سایر مدل‌های مطرح در حوزه‌ی واژه‌یابی گفتار، در بهترین حالت، به ازای کاهش حدود 2 درصد دقت، تعداد پارامترهای آموزش پذیر مدل 1000 برابر کاهش یافته‌اند.

فسفوریلاسیون یكی از مهمترین تغییرات پس از ترجمة سلول است که طی این فرآیند گروه‌های فسفری به جایگاه‌های خاصی از آمینواسیدها وصل می‌شوند. فسفریلاسیون نقش مهمی در اهداف دارویی و فرآیندهای بیولوژیكی بدن دارد. در سا‌ل‌های اخیر روش‌های محاسباتی و یادگیری ماشینی به عنوان اصلی‌ترین روش‌ها برای پیش‌بینی جایگاه‌ها استفاده شده‌اند. روش‌های محاسباتی برای پیش‌بینی جایگاه فسفوریلاسیون نقش مهمی در مطالعات عملكرد پروتئین‌ها دارند. این روش‌ها عموما از استخراج ویژگی‌های متفاوت برای حل مساله استفاده می‌کنند. از طرفی روش‌های یادگیری ماشینی به دو رویکرد تقسیم شده اند: رویکرد کلاسیک و رویکرد یادگیری انتها به انتها. در این مقاله ابتدا پایگاه‌ داده‌های اصلی موجود برای پیش‌بینی جایگاه فسفوریله مشخص و برررسی شده است. سپس روش‌های استخراج ویژگی در کنار روش‌های محاسباتی و یادگیری ماشینی مقایسه و تشریح شده است.

اخيرا تهديد خودي‌هاي بدسرشت به شدت مورد توجه پژوهشگران اين حوزه قرار گرفته است، اما تا رسيدن به راه حل‌هاي قابل اتکا در محيط‌‌‌‌ هاي تجاري راهي طولاني جلوی روست. دلايل اين مشکل را مي‌توان در وابستگي شديد به داده‌هاي عيني، عدم وجود روش ساخت يافته براي پيش پردازش داده‌ها و در نتيجه عدم بسط‌‌ پذيري آن و نيز نرخ بالاي اعلان‌هاي اشتباه و در مواردی زمان طولاني پردازش داده‌ها دانست. در اين تحقيق برآنیم با استفاده از يادگيري ماشين تحت نظارت راهکاري براي تشخيص تهديدهاي خودي بدسرشت ارائه شود. راهکار بر روي يک سناريو از رايج‌ترين سناريوهاي اين حوزه اعمال شده و نيز گام‌هاي آن در پيش‌پردازش داده‌ها به تفصيل مورد تشريح قرار گرفته است. همچنين، تفکيک مناسبي مابين نگرش کاربر محور و داده محور در نظر گرفته شده، تفاوت آنها با ارائه داده‌هاي حاصل از هر يک از نگرش‌ها بيان شده است. نهايتا با در نظر گرفتن نتايج، اين راهکار توانسته است با نرخ تشخيص بيش از ۹۶٪ و نرخ اعلان اشتباه کمتر از ۰/۶٪ تهديدهاي خودي را شناسايي نمايد. همچنین، راهکار نسبت به راهکارهاي مشابه از وابستگي کمتري به داده‌هاي عيني برخوردار بوده و نيز رويه پيش پردازش آن شفاف بوده و به همين دليل از بسط‌ پذيري قابل توجهي برخوردار است، به همين دليل استفاده از آن در ساير سناريوها نيز ممکن خواهد بود.

شبکه‌های موردی بین خودرویی فناوری پیشرفته و نوظهوری هستند که امکان ارتباط خودروها با یکدیگر و با زیرساخت‌های شبکه را فراهم می‌کنند. ساختار باز و پویای این شبکه‌ها زمینه را برای حملات متنوع به شبکه و کاربران فراهم کرده و امنیت این شبکه‌ها را با چالش روبرو کرده است. جعل موقعیت یکی از این حملات است که تا کنون راهکارهای مبتنی بر یادگیری ماشین و راهکارهای مبتنی بر رسی‌های معقول بودن در تشخیص آن‌ها ارائه شده ‌است. با این وجود این نوع راهکارها به تنهایی برای تشخیص دقیق این حملات کافی نبوده‌اند. در این مقاله، روشي پيشنهاد شده است که از هر دو نوع راهکار برای تشخیص حملات جعل موقعیت استفاده می‌کند. در این روش، ابتدا یک بررسی در لایه فیزیکی از رابطه بین RSSI و فاصله انجام می‌شود و سپس خروجی آن به همراه ویژگی‌های دیگر وارد سیستم تشخیص بدرفتاری مبتنی بر یادگیری ماشین می‌شود. برای شبیه‌سازی و ارزیابی روش پیشنهادی از مجموعه داده Modified VeReMi استفاده شده ‌است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی عملکرد مطلوبی را به‌ویژه در بخش بازیابی از خود نشان می‌دهد.

پذیرش آداب سازمانی به عنوان وسیله ای برای افزایش کارایی و منفعت سازمانی، طراحی و تولید سامانه های رایانه ای کمک به تدوین آداب نامه های سازمانی را ایجاب نموده است. در این پژوهش پس از مباحث نظری لازم، از تلفیق دو مدل رضایت سنجی مشتریان و اعتماد آفرینی سازمانی، مدل سه وجهی (به نام سرمآن) طراحی شده است که توفیق یا شکست سازمان را در قبال بندهای آداب نامه ای ارزیابی نموده و بندهای آدابی کم اثر را جهت حذف یا بازبینی معرفی می نماید. نرم افزار طراحی و تولید شده براساس این مدل، بهبود آتی بندهای آدابی تولیدی سامانه را پس از اثر سنجی پیشنهاد می کند. کمّی سازی اثرات بکارگیری آداب نامه تولیدی رایانه ای در فعالیت های سازمانی و ارائه گزارش تحلیلی متنی رایانه ای در این مورد ، از نوآوری های این مقاله است.

نياز رو به رشدي براي انتقال داده امن در شبکه هاي حسگر بي¬سيم، قادر به پشتيباني کاربرد¬هاي جديد، وجود دارد. در کاربردهاي جديد شبکه حسگر، يک نود حسگر مي¬تواند شامل چندين سنسور بوده و در نتيجه داده¬هاي متفاوتي از لحاظ اهميت داشته باشد. در پروتکل ارائه شده داده¬هاي نود حسگر با توجه به اهميت و نيازمندي¬هاي کيفيت سرويس آنها کلاس¬بندي مي¬شوند و تحويل تصادفي به منظور تامين قابليت اطمينان تعريف و پياده¬سازي شده است. تحويل تصادفي ار لحاظ مصرف انرژي و مصرف پهناي باند کم نسبت به تحويل گارانتي شده، که انتظار مي¬رود تمام بسته-هاي انتقال داده شده به مقصد برسند کم هزينه¬تر مي¬باشد. همچنين بسياري از کاربردها مي توانند حدي از اتلاف را تحمل کنند بدين منظور احتمال تحويل براي هر کلاس ترافيکي تعريف مي¬گردد. هرچه احتمال تحويل مورد نظر بيشتر باشد مصرف انرژي بيشتر مي¬گردد. آزمايش¬ها نشان داده اند که با روش پيشنهادي متريک¬هاي کارايي مانند اتلاف بسته به ميزان زيادي بهبود مي¬يابند که اين خود سبب کاهش مصرف انرژي و افزايش طول عمر شبکه مي¬شود.

در این مقاله با استفاده از الگوریتم جستجوی گرانشی یا GSA نرخ بازشناسی ارقام دستنویس فارسی بهبود داده می شود. دو روش برای بهبود نرخ بازشناسی پیشنهاد شده است. در روش اول با استفاده از نسخه باینری الگوریتم جستجوی گرانشی یا BGSA از میان کل ویژگی هایی که برای ارقام به منظور بازشناسی استخراج کرده ایم، ویژگی های بهینه را انتخاب می کنیم. با این کار علاوه بر کاهش تعداد ویژگی ها و هزینه های محاسباتی، نرخ بازشناسی را به میزان قابل توجهی بهبود می بخشیم. در روش دوم با استفاده از نسخه حقیقی الگوریتم جستجوی گرانشی یا RGSA به جای انتخاب ویژگی های بهینه، از روش وزندهی به ویژگی ها استفاده کرده و نرخ بازشناسی را بهبود می بخشیم. در این روش به هر کدام از ویژگی ها یک وزن نسبت می دهیم. در واقع بردار ویژگی را در بردار وزن ضرب کرده و بردار ویژگی جدیدی به دست می آوریم. این بردار وزن را با الگوریتم RGSA به دست می آوریم. الگوریتم RGSA بعد از چندین بار تکرار مجموعه وزن ویژگی ها را به گونه ای تعیین می کند که دقت طبقه بندی افزایش یابد. در این مقاله، از روش فازی برای طبقه بندی استفاده می کنیم. تابع برازندگی در الگوریتم های BGSA و RGSA تعداد خطاهای طبقه بندی کننده فازی می باشد و هدف مینیمم کردن این مقدار است. نتایج این دو روش کارایی آنها را تایید می کنند.

هم¬ترازی لغوی در ترجمه ماشینی آماری یک مفهوم کلیدی محسوب می¬شود. در اغلب پژوهش¬ها، رابطه بین کیفیت هم¬ترازی و کیفیت ترجمه، رابطه¬ای مستقیم گزارش شده است. در این مقاله سعی بر آن است که همبستگی بین کیفیت هم¬ترازی ماشینی و کیفیت ترجمه به ازای جفت زبان فارسی- انگلیسی بررسی گردد. همچنین روشی برای سنجش کیفیت هم¬ترازی خودکار ارائه شده است که البته تعمیمی بر معادله استاندارد F-measure است. قابل ذکر است تمام آزمایشات انجام شده در این مقاله، با استفاده از یک مجموعه کوچک هم¬ترازی دستی تحت عنوان مجموعه¬ی "هم¬ترازی مرجع " که از طریق قضاوت¬های انسانی ساخته شده، صورت گرفته است. در انتها، نشان داده خواهد شد که با کمک گرفتن از این مجموعه کوچک هم¬ترازی دستی، ما می¬توانیم کیفیت سیستم ترجمه ماشینی را بهبود ببخشیم.

با وجود تلاش‌هاي تحقيقاتي بسياري که در زمينه‌ي تطبيق خودکار آنتولوژي‌ها انجام شده ‌است، ولي هنوز مشکلات جدي در اين زمينه وجود دارد. روش‌هاي تطبيق موجود، بين دقت و فراخواني مصالحه برقرار مي‌کنند و هر يک از آنها نقاط ضعف و قوت ‌متفاوتي دارند. درنتيجه همواره انتخاب بهترين تطبيق‌گر براي يک کار خاص مشکل است. اين مقاله روشي به‌نام MuLCOM براي بهبود کيفيت نتايج ارائه مي‌دهد که مبتني‌بر انتخاب تطبيق‌گر‌ خاصي نيست بلکه روش‌هاي يادگيري ماشين را روي ترکيبي از تطبيق‌گر‌ها اعمال مي‌کند. به‌عبارت ديگر دسته‌بندي کننده براساس خروجي حاصل از تطبيق‌گر‌هاي مختلف آموزش داده مي‌شود و سپس براي حل مسائل تطبيق جديد از آن استفاده مي‌شود. بدين ترتيب تطبيق‌گر‌هاي مختلف نقاط ضعف يکديگر را پوشش مي‌دهند. نتايج حاصل نشان مي‌دهد كه MuLCOM حتي نسبت به بهترين تطبيق‌گر‌هاي مجزا کارايي بهتري دارد.

در این مقاله روشی جدید و مستقل از زبان برای نویسه¬گردانی اسامی ارائه خواهیم کرد. در روش پیشنهادی از یادگیری تمایزی برای آموزش مدل استفاده شده است. در مرحله¬ی یادگیری ویژگی¬های جدیدی تعریف کرده¬ایم که باعث بهبود نتایج شده است. هم¬ترازی میان حروف دو زبان نیز به صورت خودکار انجام گرفته است. درانجام آزمایشات به طور خاص بر روی زبان فارسی- انگلیسی تمرکز شده است. برای مقایسه¬ی روش¬ پیشنهادی از سیستم¬های نوین ترجمه¬ی ماشینی برای ترجمه در سطح حروف استفاده گردیده است. بهبود حاصل از روش پیشنهادی در مقایسه با سیستم پایه¬ی ترجمه ماشینی به طور نسبی حدود 22% می¬باشد. هم¬چنین با ارائه یک روش ابتکاری مبتنی بر محتوای صفحات وب، امکان انتخاب نویسه برتر از میان تعدادی نویسه¬ی محتمل، تولید شده توسط روش پیشنهادی میسر گردیده است که با این روش نتایج به طور نسبی 50% بهبود یافته¬اند.

واژگان¬شناختی می¬تواند در محدوده وسيعی از قلمروها از قبيل وب¬معنايي و پردازش زبان طبيعی به منظور ايجاد فهمی مشترک از يک دامنه مورد استفاده قرار گيرد. يکی از کاربردهای واژگان¬شناختی در زمينه شخصی¬سازی وب است. شخصی¬سازی وب عبارتست از هر عملی که اطلاعات و سرويس¬های فراهم شده توسط يک وب¬سايت را با نيازهای کاربران سازگار کند. برای اين کار دانش کسب شده از تحليل رفتار پيگيری کاربر و علايق فردی او در ترکيب با محتوا و ساختار وب¬سايت بکار گرفته می¬شود. بنابراين دانش دامنه وب¬سايت و مدلی که بيانگر علايق کاربر باشد, عناصری کليدی در فرايند شخصی¬سازی می¬باشند. اين مدلها را می¬توان با ساختارهايی از جمله بردار کلمات کليدی/ مفاهيم نمايش داد, يا می¬توان از واژگان¬شناختی برای نمايش آنها استفاده کرد. در اين مقاله ابتدا ساخت يک واژگان¬شناختی از دانش دامنه وب سايت را گزارش می¬کنيم و سپس با نگاشت ثبت¬های وب¬سرور به اين واژگان¬شناختي, واژگان¬شناختی مدل کاربر را ارائه می¬دهيم. اما برای استخراج مفاهيم و روابط معنايی در واژگان¬شناختی مذکور, از ويکيپديا که يک منبع غنی اطلاعاتی است استفاده کرده¬ايم. حاصل کار يک واژگان¬شناختی از علايق کاربر است که نسبت به واژگان¬شناختی¬های پيشين از نظر روابط معنايی غنی¬تر است و می¬تواند در ارائه توصيه¬های بهتر بکار رود. صحت و کيفيت سيستم با استفاده از مدل¬های تحليل و طراحی در مهندسی نرم¬افزار بررسی گرديده است.

عدم دقت ذاتي داده در بسياري از برنامه¬هاي کاربردي، لزوم مديريت عدم قطعيت را نشان مي¬دهد. از آنجا که مديريت عدم قطعيت در داخل برنامه¬هاي کاربردي پيچيده بوده علاوه بر اينکه کارآمد نيز نمي¬باشد، نياز به سيستمي است که بتواند داده¬هاي غيرقطعي را به طور مناسبي مديريت کند. رويکردهاي مختلفي در اين رابطه وجود دارد اما روش استانداري نياز است که به صورت کارآمدي تمامي روش¬هاي موجود را با يکديگر مقايسه کند. محک پيشنهادي ما به منظور ارزيابي عملکرد سيستم¬هاي مديريت جريان داده احتمالاتي (PDSMS) در مقايسه با يکديگر و همچنين پايگاه داده¬هاي احتمالاتي (PDB) طراحي شده است. محک PLR نسخه احتمالاتي محک Linear Road است که خصوصيات ترافيکي يک سيستم بزرگراه ساده را شبيه¬سازي مي-کند. در محک پيشنهادي با استفاده از تعريف عوارض متغير، ميزان تراکم بزرگراه¬ها مديريت مي¬شود در حالي¬که بيشترين تمرکز بر روي مفاهيم احتمالاتي است. در اين مقاله، بعد از مقدمه¬اي کوتاه در خصوص محک در سيستم¬هاي احتمالاتي، چالش¬هاي موجود را مورد بررسي قرار مي¬دهيم. ساختار محک پيشنهادي را با توصيف داده¬هاي ورودي، پرس¬وجوها و معيارهاي ارزيابي بررسي مي¬کنيم. در آخر نيز مقايسه عملکرد برخي از PDSMSها را به عنوان کار آينده خود مطرح مي¬نماييم.

الگوريتم‌هايي براي بدست آوردن دو درخت پوشاي کمينه

در بازارهای واقعی مدل های اقتصادی فراوانی برای تنظیم قیمت منابع گرید بر مبنای عرضه و تقاضا و میزان ارزشمندی منابع برای متقاضیان وجود دارد. مذاکره یکی از پر کاربردترین مدلهای اقتصادی در راستای مدیریت منابع در گرید است. عامل های نرم افزاری مذاکره کننده نقشی بسزا در راستای محقق سازی مذاکره ایفا می نمایند. ایده اصلی در این مقاله طراحی عامل رفتار- بازارگرای مذاکره کننده تحت نام (MBDNA )به منظور مدیریت تخصیص منابع در گرید است . MBDNAمقدار مناسب امتیاز قابل واگذاری در فرآیند مذاکره را با لحاظ فاکتورهای رقابت،فرصت،زمان باقیمانده تا deadline و رفتار پیشین حریف حساب می کند.ارزیابی عملکرد MBDNA در مقایسه با عامل مذاکره کننده MDA با رویکرد دو معیار: کامل شدن وظیفه و بودجه پرداختی در محیط شبیه ساز Gridsim صورت پذیرفت.نتایج شبیه سازی نشان دهنده بهبود در هر دو معیار ذکر شده است.