انجمن کامپیوتر ایران

در سال‌های اخیر تشخیص ناهنجاری در تصاویر فراطیفی، به یکی از کاربردهایمهم آشکارسازی اهداف در سنجش از دور تبدیل شده است. در بسیاری از کاربردها علاوه بر دقت الگوریتم‌ها، ‌سرعت اجرای آن‌ها نیز از اهمیت بالایی برخوردار است. در این مقاله به کمک تبدیل فوریه سریع،روشی ارائه شده است که به عنوان عمليات پيش‌پردازش کاهش بعد براي الگوريتم‌هاي تشخيص ناهنجاري عمل مي‌کند و سرعت و دقت آن‌ها را بهبود مي‌دهد. در روش پیشنهادی ابتدا تصویر با استفاده از تبدیل فوریه سریع به حوزه فرکانس برده می‌شودو سپس عملیات پردازش روی دو باند از ماتریس «اندازه تبدیل فوریه»، که چکیده رفتار تصویر را در خود دارد، انجام می‌شود. نتایج اعمال روش پیشنهادی روی دو سری داده فراطیفی سنجنده‌ی AVIRIS نشان می‌دهد که این روش کارایی الگوریتم‌های Local RX، DWRX و DWEST را از لحاظ سرعت به حدی بالا برده است که از آن‌ها می‌توان در کاربردهای بی‌درنگ استفاده کرد. به علاوه، این روش کارایی تشخیص الگوریتم‌های Local RX و DWRX را تا حد زیادی افزایش داده است. علت این امر، افزایش اختلاف طیفی بین پیکسل‌های هدف و پس‌زمینه با استفاده از روش پیش‌پردازش کاهش بعد است.

امروزه حجم بسیار بالای اسناد بایگانی شده سبب گشته، بسیاری از اسناد به صورت الکترونیکی در پایگاه های داده، ذخیره شوند. لوگوی یک متن، معرف مالکیت آن متن است و بوسیله آن می توان متون مختلف را دسته بندی کرد، به همین دلیل روش های مختلفی جهت استخراج لوگو ارائه شده است. متد های ارائه شده قبلی، دارای مشکلاتی از قبیل،خطادرتشخیصلوگوو سرعت پایین تشخیص است. روشپیشنهادیاینمقالهازدوبخشتشکیلشدهاست،دربخشاول، توسطساختاردرختیهرمیوتجزیه و تحلیلعمودیوافقی،موقعیتدقیقلوگوشناساییمیشودودربخشدوم، توسطالگوریتمگسترشمرزچهارگوشویژگی،لوگواستخراجمیگردد. روش ارائه شده در این تحقیق، دارای دقت و سرعت بالاتری نسبت به متد های قبلی ارائه شده می باشد.

اکثر نظريه‌هاى موجود، تنها وجهى از وجوه يادگيرى انسان را مورد توجه قرار مى‌دهند. اگر بخواهيم چگونگى يادگيرى انسان را مطالعه کنيم، بايد مجموع تمام نظريه‌ها را در نظر بگيريم؛ زيرا تفکيک آنها در فرايند يادگيرى انسان چندان معقول نيست. در اکثر نظريه‌ها و الگوهاى يادگيري، به احتياجات، تمايلات، تجربيات و عادات قبلى انسان کمتر توجه شده است. پاداش و تنبيه نقش بسيار ارزنده‌اى در يادگيرى انسان دارد. مدلهای محاسباتی یادگیر عاطفی رهیافت نوینی است که امروزه در امر تحقیق بر روی یادگیری انسان و حتی ماشین از نظر محققان در دست بررسی می باشد. یکی از این مدلهای یادگیر عاطفی، مدل مورن می باشد. در این مقاله به تحلیل مدل یادگیری مورن پرداخته و یک مدل پیشنهادی برای مدلسازی و پیش‌بینی تراز آب دریای خزر با استفاده از این مدل شبیه سازی شده است. در نهایت این مدل با روشهای گذشته پیش‌بینی تراز آب دریای خزر مقایسه شده است. نتایج شبیه سازی نشان میدهد که مدلسازی و پیش‌بینی با مدل مورن برای تراز آب دریای خزر، نسبت به روشهای گذشته بهبود یافته است.

در اين مقاله بر اساس نيازمندی¬های اصلی سيستم¬های تشخيص نفوذ در شبکه¬های موردی سيار به ارائه يک الگوريتم تشخيص نفوذ تعاونی مبتنی بر رای¬گيری مطمئن می¬پردازيم. در اين راستا سه نوع گره با عناوين گره تشخيص نفوذ مانيتور، تشخيص نفوذ کلاينت و عمومی در يک شبکه مبتنی بر خوشه¬بندی و ناحيه¬بندی تعريف می¬شوند. گره تشخيص نفوذ مانيتور با ارسال بسته¬ای برای گره¬های عمومی موجود در خوشه خود فرايند تشخيص نفوذ را آغاز می¬کند و در نهايت با دريافت رای از گره¬های تشخيص نفوذ کلاينت و آناليز آنها، گره¬های مهاجم را تشخيص می¬دهد. در اين الگوريتم با بهره¬گيری از گره¬های مطمئن و مورد اعتماد در فرايند رای¬ گيری، تعريف سه سطح اطمينان برای گره¬های عمومی، توجه به نرخ ترافيک، ميزان انرژی و سرعت گره¬ها در مرحله تصميم گيری، به ميزان قابل توجهی ميانگين درصد تشخيص اشتباه کاهش يافته و هيچگونه محدوديتی در تشخيص تعداد گره¬های مهاجم وجود ندارد.