انجمن کامپیوتر ایران

روش‌های آماری مانند مدل مخفی مارکوف به خوبی در مسائل بازشناسی گفتار مورد استفاده قرار گرفته‌اند. اخیراً این متدها در بازشناسی دست نوشته نیز بکار گرفته شد ه‌اند. در این مقاله یک روش مبتنی بر گروه‌بندی، جهت بازشناسی حروف مجزای بر خط فارسی مستقل از نویسنده، ارائه می‌شود. مدل‌سازی با استفاده از مدل مخفی مارکوف انجام می‌پذیرد و ویژگی‌های متعددی از دنباله نقاط نمونه‌برداری شده از حروف دست نوشته، جهت تخمین پارامترها، استخراج شده است. آزمایشات مختلفی با ویژگی‌های متفاوت دنباله نقاط و توپولوژی‌های گوناگون مدل مخفی مارکوف با استفاده از روش مبتنی بر گروه‌بندی و روش مبتنی بر هر یک از حروف انجام گرفته و نتایج و تاثیر آنها بر دقت بازشناسی گزارش شده است. با گروه‌بندی حروفی که حرکات دست هنگام نوشتن آن‌ها مشابه است و مدل‌سازی هر گروه، درصد خطای بازشناسی نسبت به روشی که در آن برای هر یک از حروف، مدلی ایجاد می شود، 25,63 درصد کاهش یافته است. بهترین نتیجه با استفاده از ویژگی‌های مشتق زمانی مرتبه اول مولفه‌های افقی و عمودی نقاط روی محورهای مختصات و تفاضل زوایای نقاط پی در پی، به‌دست آمده است.

هدف الگوریتم‌های یادگیری افزایشی در شبكه‌های چند لایه پرسپترونی، حفظ نتایج فازهای آموزشی قبلی و بهبود عملكرد شبكه با آموزش انحصاری آن بر روی نمونه‌های جدید است. الگوریتم‌هایی كه تاكنون برای یادگیری افزایشی در یك شبكه چند لایه پرسپترونی پیشنهاد شده‌اند قابلیت تعریف كلاس‌های جدید را در اختیار نمی‌گذارند. در این مقاله الگوریتمی برای یادگیری افزایشی در شبكه‌های چند لایه پرسپترونی مورد بررسی قرار می‌گیرد كه این نقطه ضعف را رفع كرده است. این الگوریتم از تركیب افزایشی تعدادی شبكه یادگیر ضعیف كه هریك مربوط به تعدادی از نمونه‌های آموزشی است كه در طول زمان به سیستم ارائه شده اند، یك شبكه یادگیر قوی می‌سازند و قابلیت پذیرش كلاس‌های جدید معرفی شده توسط نمونه‌های تازه وارد را نیز دارا می‌باشند. در اینجا تاثیر پارامترهای مختلف بر میزان كارایی الگوریتم مورد بررسی قرار گرفته و بوسیله نتایج بدست آمده، عملكرد الگوریتم مورد تحلیل قرار خواهد گرفت. به علاوه سه راه برای بهبود عملكرد چنین الگوریتمی پیشنهاد شده است. نتایج حاصل از پیاده سازی‌های صورت گرفته، حاكی از موفقیت این روش‌ها در بهبود عملكرد الگوریتم نسبت به نسخه اصلی می‌باشد تا جایی كه استفاده همزمان از این روش‌ها منجر به كاهش پنجاه درصدی خطا نسبت به نسخه اصلی الگوریتم گردیده است.

تخمین بردار حرکت یکی از بحرانی‌ترین وظایف در سیستم‌های فشرده‌سازی ویدئو می‌باشد و به همین دلیل روش‌های متفاوتی برای افزایش سرعت آن ارائه شده است. این مقاله به ارائه یک معماری مبتنی بر سخت‌افزار برای پیاده‌سازی الگوریتم‌های تخمین بردار حرکت می‌پردازد. به منظور ارائه یک معماری کارآمد، ابتدا الگوریتم WMBPM با توجه به هزینه پیاده‌سازی سخت افزاری بهبود داده شده است و سپس یک معماری کارآمد برای الگوریتم بهبود داده شده ارائه و ارزیابی شده است. نتایج آزمایشات انجام شده نشان می دهد که الگوریتم بهبود داده شده کارآمدتر از روش اولیه عمل می‌کند.

در این مقاله سعی شده است رویکرد آموزشی جدیدی در محیط‌های چند عاملی اپیزودیک شرح داده شود. این رویکرد جدید با استفاده از مانیتورینگ وضعیت محیط و ثبت بردار ویژگی‌های هر عامل در حالت‌های مطلوب و پس از آن بکارگیری روش‌های آماری و همینطور خوشه‌بندی، قواعد مناسبی را استخراج می‌نماید که هر عامل مستقلاً بتواند بوسیله آن قواعد حالت مطلوب خود در شرایط بعدی را تعیین نماید. به منظور انجام یک مطالعه موردی، این روش برای آموزش مربی در شبیه‌سازی فوتبال بکار گرفته شده است. تمرکز اصلی در این روش بر روی یافتن الگوهای مطلوب برای حرکت بدون توپ بازیکنان در بازی فوتبال است. هرچند که حرکت بدون توپ بازیکنان تنها بخش کوچکی از کل استراتژی بازی یک تیم محسوب می‌گردد اما در این تجربه ثابت شده است که یکی از عوامل مهم تعیین کننده در نوع حرکت تیم و استفاده از فرصت‌های موجود در بازی می‌باشد.

الگوريتمهاي مسيريابي چندمسيري براي رسيدن به مزيتهايي از قبيل تحملپذيري در برابر خطا و کاهش تاخير انتها به انتها درطول فرآيند کشف م سير، چندين مسير را از مبدا تا مقصد کشف ميکنند. دربرخي از الگوريتمهاي چندمسيري، جهت کاهش تاخير انتها به انتها و حت ي متعاد لکردن بار ، همزمان از چند ين م سير کشف شده برا ي ارسال اطلاعات استفاده ميش ود. در اي ن حالت ب راي افزايش تحم لپذيري خط ا انتخاب م سيرهاي مجزاي گرهاي يکي از بهترين گزينهها ميباشد. اما روشن است که در شبکههاي بيسيم ارسال اطلاعات از طر يق م سيرهاي کاملاً مجزا نيز از هم مستقل نيستند و ميتوان حالتها و سناريوهاي متعددي را درنظر گرفت که بخاطر مسائ ل ذا تي شبک ههاي بيسيم و مکان يزمهاي دستر سي به کانال مانند ارسالِ RTS و CTS ، استفاده از دو مس ير کاملاً مجزا نيز به يکديگر وابسته است و در بخ شهاي زيادي از زمان، بر خي از گرههاي مياني بايد ارسال خود را متوقف کنند. بر اي حل اي ن مشکل ميتوان از م سيرهاي مجز اي نا حيهاي به ج اي م سيرهاي مجز اي گر هاي استفاده کرد. يک راه براي کشف م سيرهاي مجز اي ناحيهاي استفاده از آنتنهاي جهتدار ميباشد، اما در بسياري از تجهيزات موجود، اينگونه آنتنها در دسترس نيستند. در اين مقاله روش ج ديدي پيشنهاد ميشود که مجز ا بود ن نا حيهايِ گر ههاي مجهز به آنتنهاي معمولي و همهجهته را تشخيص ميدهد و ب راي انتخاب مسيرها، از گرههاي مجزاي ناحيهاي استفاده ميکند. اين ايده در همه الگوريتمهاي مسيريابي برحسبتقاضا قابل پيادهسازي خواهد بو د. کارآيي روش پيشنهادي در سنا ريوهاي مختلف ار زيابي شده و بهبود قابل توج هاي در درصد ارسال موفق بسته ها و کاهش تاخير انتها به انتها نسبت به روشهاي موجود ارائه داده است.

يك عامل سيا ر عبارت است ا ز نرم افزاري كه به طور مستقل و متكي به خود به عنوان دستيار يك شخص يا سازمان عملي را انجام م يدهد. از عام لهاي سيار براي جستجوي اطلاعات، بازيابي اطلاعا ت، فيلترينگ، تشخيص مزاحم در شبك ه ها و … استفاده م يشود. يكي از مسايل مورد بحث در مورد عام ل هاي سيار مساله امنيت آنها م يباشد. جهت استفاده موثر و ايمن از عامل هاي سيار بايد موارد مختلف امنيتي را در نظر گرفت. يكي از اين موارد حفظ يكپارچگي عامل هاي سيار مي باشد. در اين مقاله ابتدا با مرور ي ب ر روش هاي موجود ابتدا مزايا و معايب هر يک بررسي مي گردد. با توجه به اينکه هري ک از اي ن روش ها داراي مز ايا و معايب خاص خو د مي باشند، لذا به نظ ر مي رسد با ترکيب اين روش ها مي توان به روش بهتر ي بر اي محافظت ا ز يکپارچگي عام لهاي سيار رسيد. بنابراين د ر اين مقاله روش مذکور ارائه گر ديده و در ادامه با توجه به روشها ي موجود مورد ار زيابي قرار گرفته اس ت. درنهايت روش مورد نظر شبيه سازي گرديده و نتايج حاصل از آن نشان دهنده بالا رفتن احتمال حفظ يکپارچگي عامل سيار مي باشد.

دانستن مدل تحرك يك شبكة موردي سيار مي تواند در ارزيابي كارايي آن تأثير بسزايي داشته باشد . پژوهشهاي زيادي براي به دست آوردن مدل هاي مختلف تحرك گر ه ها 4 در شبكههاي موردي سيار انجام شده است. پژوهشهاي ديگري نيز براي ارزيابي كارايي شبكه هاي موردي سيار بر اساس مد ل هاي تحرك شكل گرفته اند. اما اكثر پژوهشهاي اخير فرض را بر اين نهاد ه اند كه مدل تحرك ش بكه مشخص است و بر اساس اين فرض اوليه به ارزيابي كارايي شبكه پرداخته اند. با توجه به اينكه در كاربردهاي واقعي هميشه مدل تحرك شبكه در دست نم ي باشد و يا ممكن است كه مدل تحرك شبكه با گذشت زمان تغيير كند، لذا نياز به ارائه روشي براي تشخيص يا تخمين 5 مدل تحرك شبكه حس مي شود. در اين مقاله روشي ارائه شده است كه ميتواند مدل تحركيك شبكة موردي سيار را با استفاده از الگوريتمهاي يادگيري ماشين تخمين بزند تا بر اساس آن ارزيابي كارايي شبكه صورت گيرد.

با توجه به کاربرد فراوان سیستم هاي دسته بن دي در علوم مختلف از جمله تشخیص طبی، تاکنون انواع مختلفی از روش هاي دسته بندي با ساختار و عملکردهاي گوناگون ارائه شده اند . یکی از رو شهاي ر ایج، روش هاي دسته بندي فازي مبتنی بر قانون میباشند که مزیت مهم آنها در توصیف پذیري اس ت. یکی از مشکلاتی که بسیاري از روش هاي فازي مبتنی بر قانون دارند، این است که د ر مسائل با ابعاد ز یاد، تنها قوانین با تعداد مقد م 1 کم را م یتوانند تولید کنن د(تولید تمام تر کیبات ممکن غ یر ممکن است ). در بخش نخست از این مقاله ، با بکار گرفتن مفاهیم ی از داده کاو ي، م یتوانیم قوانین خوب با ابعاد مختلف و تعداد مقدم دلخواه را تولید کرده و به عنوان قوانین کاندید انتخاب کنی م. در گام بع د، با استفاده از تحلیل R.O.C ، وزن هایی به قوانین منتسب می کنیم تا بر اساس آنها عملکرد گروهی مجموعه قوانین در فرایند دسته بندي بهینه باشد . هدف ما در این مقاله بررس ی این موضوع است که آیا با داشتن حجم گسترده تر ي از قوا نین فاز ي (ترکیب قوا نین با ابعاد پا یین و بالا ) و انتساب وزن مناسب به آنها میتوان دقت ی ک دسته بند فازي را بالا برد؟ براي ارزیابی سیستم دسته بند ساخته شده، عملکرد آن را بر روي چند مورد از مجموعه داده هاي مربوط به پزشکی مورد آزمایش قرار دادی م. نتایج آز مایش ها نشان می دهد که دسته بند ارائه شده بر رو ي ترک یبهاي بیشتر، دقت بهتري داشته است و در اکثر موارد با افزایش ابعاد قوانین تولیدي، دقت سیستم نیز بهبود مییابد.