انجمن کامپیوتر ایران

روش رگرسيون خطي با بيشينه درست¬نمايي (MLLR) يکي از روش¬هاي تطبيق گوينده است که با خوشه¬بندي پارامترهاي مدل و تخمين ماتريس تبديل براي هر خوشه و اعمال تبديل بر پارامترهاي مدل ، باعث بهبود عملکرد تطبيق و در نتيجه افزايش نرخ بازشناسي براي گوينده جديد مي¬شود. خوشه¬بندي پارامترهاي مدل معمولاً به دو صورت انجام مي¬شود: بر اساس دانش آوايي و نزديکي ويژگي¬ها در فضاي آکوستيکي. در اين مقاله با استفاده از روش متمايزسازي خطاي کمينه کلاس¬بندي با متمايز کردن ويژگي¬هاي سيگنال گفتار با بهبود کلاس¬بندي، کارآيي روش MLLR بهبود يافته است. اين بهبود در حالت اول با متمايزتر کردن کلاس¬هاي رگرسيون و در حالت دوم با يکنواخت کردن توزيع مخلوط¬هاي گوسي در کلاس¬هاي رگرسيون ايجاد مي¬شود. روش پيشنهادي يعني بكارگيري خطاي كمينه كلاس¬بندي نسبت به روش¬هاي معادل بدون خطاي كمينه كلاس¬بندي، به ترتيب باعث افزايش نسبي %0.42 تا %0.58 و %0.12 تا %0.72 در نرخ بازشناسي واج به ترتيب براي دادگان TIMIT و WSJ مي گردد. در حالتي است که درخت کلاس رگرسيون بر اساس نزديکي ويژگي¬ها در فضاي آکوستيکي ساخته شده است ، نرخ بازشناسي واج بر روي دادگان TIMIT %0.25 افزايش نسبي يافته است.

بسیاری از مسائل دنیای واقعی پویا هستند بطوری که بهینه‌های محلی و سراسری در طول زمان تغییر می‌کنند. الگوریتم PSO بر روی این مسائل به منظور پیدا کردن و دنبال کردن بهینه با موفقیت مورد استفاده قرار گرفته است. در این مقاله الگوریتم PSO برای محیط‌های پویا بهبود داده شده است. الگوریتم ارائه شده فضا را به قسمت های مختلفی تقسیم می‌کند و در هر قسمت به طور جداگانه گروه‌هایی ایجاد می‌شود و به جستجو می‌پردازد؛ برای بهبود سرعت همگرایی میزان اینرسی ذرات به صورت پویا تنظیم می‌شود و همچنین بهترین گروه موجود برای بهبود جواب بدست آمده یک جستجوی محلی نیز انجام می¬دهد. نتایج بدست آمده برروی بنچمارک قله‌های متحرک (MPB) نشان می‌دهد که الگوریتم ارائه شده نسبت به روش های مشابه عملکرد بهتری دارد.

امروزه استفاده از سيستم¬هاي داده¬آميزي سنسوري به منظور انجام عمليات مانيتورينگ و پايش محيطي يكي از رايج ترين و متداول¬ترين روش¬ها مي¬باشد. از آنجا که فرآيند سنسور¬آميزي از مجموعه¬اي از گره¬هاي سنسوري، مراكز پردازشي و مديريتي برای انجام عملیات خود استفاده می¬نماید، لذا به منظور آن¬كه بتوان انتقال اطلاعات از سنسورها به مراكز پردازشي و اجراي عمليات داده¬آميزي در مراكز پردازش اطلاعات به سرعت انجام گيرد، مبحث معماري فرآيند داده¬آميزي از مباحث بسيار مهم اين حوزه مي¬باشد. از آن¬جا كه معماري¬هاي متعددي براي اجراي این فرآيند وجود دارد و هر يك از آن¬ها داراي جنبه¬هاي مثبت و منفي متعددي با توجه به نوع كاركرد مي¬باشد، لذا انتخاب معماري مناسب براي اين امر بايد به شكلي هوشمندانه و با توجه به پارامترها و معيارهاي خاص فرآيند سنسوري مذكور صورت پذيرد. از اين رو تصميم گيري در مورد انتخاب معماري مورد نظر به شرايط متعددي نظير نحوه عمليات داده¬آميزي، اولويت معيارهاي انتخاب معماري و شرايط اهداف بستگي دارد. براي اين منظور يك سيستم تصميم يار انتخاب معماري داده¬آميزي طراحي گرديده است تا با توجه به موارد فوق الذكر در هر شرايط، معماري داده¬آميزي مناسب انتخاب¬گردد. براي حل اين مسئله چند¬معياره از روش¬هاي تصميم-سازي چند¬معياره نظير AHP و PROMETHEE و نرم افزارهاي مربوط به آن نظير EXPERT CHOICE و DECISION LAB استفاده گرديده است.

به منظور بهبود دقت بازیابی در سیستم های بازیابی تصویر تمرکز محققین از طراحی الگوریتم های پیچیده به منظور استخراج ویژگی های سطح پایین تصویر به سمت کاهش شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربران رفته است. در این مقاله سعی کردیم تابع معیار شباهت را به گونه ای تخمین بزنیم که شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربر را کاهش دهیم. برای این منظور ما از بازخورد کاربر جهت درک نظر کاربر و همچنین از قدرت برنامه نویسی ژنتیکی در زمینه مسائل بهینه سازی وجستجو در فضای های بزرگ جهت تولید توابع غیر خطی استفاده کردیم. نتایج آزمایشات بیانگر بهبود قدرت بازیابی در روش پیشنهادی است.

یکی از مسائل مهم دنیای امروز استخراج دانش از پایگاه‌داده‌های بسیار بزرگ است.داده‌کاوی این امکان را فراهم کردهاست که بتوان به‌صورت خودکار اطلاعات مفیدی را از پایگاه داده‌های بسیار بزرگ استخراج نمود. یکی از روش‌های بسیار مهم در داده‌کاوی، کاوش قوانین انجمنی می‌باشد. در سال‌های اخیر مبحث حفظ حریم خصوصی در داده‌کاوی و به‌خصوص کاوش قوانین انجمنی به شدت مورد توجه محققین قرار گرفته است. یکی از روش‌های کاوش قوانین انجمنی، کاوش سودمندی می‌باشد. مبحث حفظ حریم خصوصی در کاوش سودمندی اخیراً در محافل علمی مطرح گردیده است و تاکنون دو الگوریتم اکتشافی برای آن ارائه شده است. اگرچه این الگوریتم‌های اکتشافی به خوبی می‌توانند حریم خصوصی داده‌ها را حفظ کنند اما داده‌های تولید شده توسط این الگوریتم‌ها از کیفیت مناسبی برخوردار نیستند. مسأله یافتن راه‌حل بهینه برای پاک‌سازی پایگاه‌داده از مجموعه-آیتم¬های حساس، یک مسأله برنامه‌ریزی غیرخطی عدد صحیحمی‌باشد. در این مقاله مدل ساده شده‌ای از مسأله پاک‌سازی پایگاه‌داده ارائه شده است که یک مسأله برنامه‌ریزی خطی عدد صحیح می‌باشد و می‌توان آن را با استفادهاز روش‌های عددی حل نمود.نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که مدل¬ارائه شده به طور چشم‌گیری از الگوريتم¬هاي پيشين بهتر عمل می¬کند.

براي لحاظ کردن سطوح مختلف عدم قطعيت و ناسازگاري، در فرايند چک کردن مدل، از منطق¬هاي زماني چندمقداري (روي جبرهاي شبه بولي) استفاده شده است. منطق فازي نيز نوعي منطق چندمقداري نامتناهي و پيوسته است که در حوزه¬هاي مختلف کاربرد دارد. با ترکيب منطق¬هاي زماني با منطق فازي مي¬توان مفاهيم فازي را در حوزه چک کردن مدل، وارد کرد. در اين مقاله ضمن تعريف مدل کريپکه فازي FzKripke جهت چک کردن خواص زماني روي اين مدل¬ها، منطق FzCTL* را ارائه مي¬کنيم. جهت برخورد با مشکل انفجار فضاي حالت، علاوه بر مفهوم تجريد و شبيه¬سازي دوگانه که در فرايند چک کردن مدل، مفاهيمي شناخته شده¬اند، به مفهوم تقريب روي اين منطق¬ها و مدلهاي فازي، به عنوان تکنيکی جديد پرداخته خواهد شد

افزايش تعاملات و همكاري بين اجزاي شبكه باعث افزايش وابستگي بين آن‌ها شده است. در نتيجه فعاليت‌هاي هر دارايي مستقل از ديگري نخواهد بود و به طور متقابل خرابي يكي منجر به اختلالاتي در عملكرد ديگري خواهد شد. در اين مقاله اثر خرابي دارايي‌ها بر يكديگر، با توجه به وابستگي‌‌هاي آن‌ها ارزيابي مي‌شود. به منظور نمايش انتشار خسارت از نظر محرمانگي،‌ صحت، و دسترس‌پذيري، مدل مبتني بر گراف ارائه شده است، كه در آن از انتشار ارزش به عنوان يكي ديگر از نتايج حاصل از وابستگي داراييها در محاسبه خسارت نهايي سيستم استفاده ميشود. اين انتشار با توجه به حالات مختلف وابستگي و تاثير‌پذيري دارايي‌ها از يكديگر محاسبه مي‌شوند. اين مدل مي‌تواند در كنار روش‌هاي تحليل و بررسي امنيت شبكه‌‌هاي كامپيوتري براي افزايش دقت آن‌ها به كار رود. كاربرد اين مدل در يك مثال موردي بررسي شده است.

تئوری بازيها سالهاست که به عنوان شاخه اي از رياضيات کاربردی در زمينه های مختلف علوم از جمله اقتصاد، سياست، علوم اجتماعی و غيره بکار گرفته مي‌شود. اخيراً تلاش¬های زیادی در زمینه حل مسائلی همچون مسیریابی و کنترل ازدحام در شبکه‌هاي Ad-hoc و شبکه¬های حسگر بي‌سيم با استفاده از این تکنیک صورت گرفته است. در اين مقاله، بر پايه الگوريتم LEACH كه يك الگوريتم خوشه بندي توزيع شده مطرح در شبکه¬های حسگر بی¬سیم است و با ايده گرفتن از روش¬های تئوری بازيها، الگوريتم بهبود يافته LEACH ارائه مي‌شود. در اين الگوريتم بهبود يافته هر نود تلاش مي‌کند تا منافع خودش را که افزايش طول عمر و کاهش مصرف انرژي است؛ تامين کند. شبيه سازی الگوريتم فوق و مقايسه آن با الگوريتم LEACH نشان مي¬دهد که اين الگوريتم به نسبت کارايی بهتری داشته و ضمن افزايش جزئي طول عمر شبکه، تعداد دورهاي بدون سرخوشه را نسبت به الگوريتم LEACH به طور قابل توجهی کاهش مي دهد.

انتخاب بهترین مجموعه آزمون از بین مجموعه آزمون های مختلف، تأثیر زیادی روی کاهش توان و زمان بکارگیری آزمون دارد. روشهای پیشین انتخاب مجموعه آزمون، به دو معیار کاهش توان و زمان بکارگیری آزمون بصورت جداگانه پرداخته‌اند. در این مقاله دو معیار کاهش توان و زمان بکارگیری آزمون بصورت همزمان در نظرگرفته شده و روش جدیدی ارائه شده است. نتایج شبیه‌سازی روی محک‌های ISCAS 85 بهبود مصرف توان و زمان بکارگیری آزمون را نشان می‌دهد.

شبکه‌های کامپیوتری علیرغم منافعی از قبیل اشتراک منابع، خطراتی را نیز در خصوص امنیت سیستم‌های کامپیوتری به همراه می آورند. از آنجا که ساخت سیستم‌های بدون نقص کاری غیر ممکن به نظر می‌رسد و از طرفی خطای انسانی در پیکربندی سیستم‌ها همیشه وجود داشته است، نیاز به سیستم‌های تشخیص نفوذ به شدت احساس می‌شود. در این مقاله طراحی و پیاده‌سازی یک سیستم تشخیص نفوذ با استفاده از مدل مخلوط گوسی بیان شده است. تکنیک مدل مخلوط گوسی یک روش یادگیری از نوع مولد و احتمالاتی می‌باشد. در این روش، هر یک از دسته‌های ورودی به تنهایی و بدون مقایسه با سایر دسته‌ها، مدل می‌شود. در این روش سعی می‌شود تا توسط مجموعه‌ای توابع توزیع احتمال گوسی که آنها را مخلوط‌های گوسی می نامیم، بهترین توزیع احتمال ممکن برای هر دسته ساخته شود. استفاده از این تکنیک امکان آموزش هر یک از دسته‌ها بدون نیاز به آموزش و تغییر در سایر دسته‌ها را فراهم می‌سازد. آزمایشات انجام شده نشان می‌دهد که این روش در دسته‌هایی که تعداد داده آموزشی زیادی دارند، از کارایی خوبی برخوردار است.