انجمن کامپیوتر ایران

خط تولید نرم‌افزار رویکردی نوین برای توسعه مجموعه‌ای از محصولات متنوع با ویژگی‌های متفاوت است که این تنوع ویژگی‌ها در محصولات قابل ارائه، توسط مدل‌های تغییرپذیری نشان داده می‌شود. حوزه خط تولید نرم‌افزار و تغییرپذیری موضوعات تحقیقات گسترده طی چند دهه گذشته بوده است. در این مقاله تحقیقات سیستماتیکی که تاکنون در این زمینه انجام شده‌اند بررسی شده و بر اساس تجزیه و تحلیل و استفاده از نتایج مبتنی بر شواهد تحقیقات، بهترین و پرکابردترین نحوه مدل‌سازی تغییرپذیری در یک خط تولید نرم‌افزار مشخص می‌گردد. در این راستا ۸۶ مقاله از جنس مروری سیستماتیک مورد بررسی قرار گرفتند. بر اساس تحقیقات انجام شده، مدل‌های تغییر پذیری متعددی وجود دارد که مصنوعات مختلف توسعه را پوشش می‌دهد که از بین آنها "مدل ویژگی" به عنوان مشهورترین مدل برجسته می‌باشد و می‌توان آن را به عنوان یک مدل تغییرپذیری مناسب، به ویژه برای توسعه‌دهندگان و محققان در نظر گرفت.

یکی از محدودیت‌هایی که در بیشتر کارهای موجود در مدل‌کردن زبان‌های طبیعی به چشم می‌خورد، نحوه‌ی واردکردن جنبه‌ی احساسی زبان به متن می‌باشد. با این توضیح که مطالعات موجود عموما به هنگام پردازش یک متن احساسی بر حالت‌های دوگانه‌ی مثبت و منفی و یا یک حالت هیجانی مشخص تمرکز کرده و تنها قادر به تحلیل متن با گونه‌ی احساسی یگانه هستند. این در حالی است که انسان‌ها معمولا احساسات و هیجانات مختلفی را در یک زمان تجربه می‌کنند و این احساسات را در زمان استفاده از زبان گفتار یا نوشتار خود نیز بکار می‌برند. در این پژوهش مساله‌ی تحلیل و پردازش متن با تاکید بر گونه‌های هیجانی-ترکیبی تعریف شده و قطبیت یک واژه‌ی احساسی به‌صورت مقادیری پیوسته و ترکیبی از گونه‌های هیجانی به جای دسته‌های گسسته درنظر گرفته شده است. بر این اساس در این پژوهش مدلی جهت درج احساسی واژه پیشنهاد شده است که با استفاده از اطلاعات واژه‌نامه‌های احساسی، بردار یک واژه احساسی را متناسب با گونه‌های هیجانی-ترکیبی خاصی تولید می‌کند. تحلیل‌های انجام گرفته در این پژوهش شامل تحلیل فضای همسایگی و دسته‌بندی احساسی متن بوده و حاکی از برتری مدل پیشنهادی نسبت به مدل‌های رایج درج واژه می‌باشد.

واقعیت مجازی یک روش جدید برای استفاده از رایانه برای بازسازی دنیای واقعی است. می‌توان واقعیت‌های سخت و صعب‌الوصول را با این تکنولوژی ایجاد کرد و امکان دیدن، شنیدن، لمس کردن و اصلاح آیتم‌های موجود در فضا را به کاربر داد. شرکت‌های بزرگ زیادی در سراسر جهان به طور فعال در استفاده از تکنولوژی واقعیت مجازی برای انواع حوزه های کاربردی از جمله ارتباطات راه دور، سرگرمی، مدیریت تولید و مونتاژ، مراقبت‌های بهداشتی، طراحی دیجیتال و فروش و بازاریابی محصولات مشغول به فعالیت هستند. سیستم‌های جدید VR قابلیت‌های روزافزونی را برای گسترش ادراک، توسعه خلاقیت و تعامل اجتماعی انسان به روشی منحصر به فرد ارائه می‌دهند. هدف از این تحقیق بررسی بیماری اوتیسم (درخودماندگی) در افراد مبتلا به این بیماری و تاثیر واقعیت مجازی در بهبود اختلالات رفتاری بیمار می‌باشد. یکی از روش‌های موثر برای شناسایی و درمان رفتارهای بیماران اوتیسمی استفاده از شبیه‌سازی محیط و قرار دادن فرد در محیط شبیه به محیط واقعی و مطالعه رفتار اوست. برای این منظور از تکنولوژی واقعیت مجازی استفاده می‌شود. در این مطالعه یک سناریوی مشخص رفتاری برای فرد بیمار شبیه‌سازی شده و در چندین مرحله عکس‌العمل‌های بیمار را ثبت کرده و ارزیابی لازم را انجام داده‌ایم و بر اساس نتایج بدست آمده، دسته‌بندی‌های لازم صورت گرفته است.

در صنعت مد و لباس، سامانه‌های توصیه‌گر به کاربران کمک می کند تا اقلامی بیابند که به سلیقۀ آن‌ها نزدیک‌تر است. در این مقاله هدف آن است تا با استفاده از الگوریتم‌های یادگیری ژرف، سامانۀ توصیه‌گری برای لباس طراحی شود تا به کاربران برای خرید مناسب‌تر و به فروشندگان برای فروش بیشتر کمک کند. این سامانه تلاش می‌کند بر اساس شباهت میان لباس‌ها و نیز تحلیل تمایل کاربران، بهترین توصیه را به مشتری ارائه دهد. فرایند توصیه شامل چندین گام است: ابتدا تصویر اولیۀ لباس به متن تبدیل می‌شود و سپس متن تولید شده به فضای تعبیه‌ شده منتقل می‌شود. در ادامه فضای تعبیه‌سازی شده با فضاهای دیگر متون مربوط به لباس مقایسه و بر اساس فاصله، نزدیک‌ترین k متن انتخاب می‌شود. در گام بعد متون برگزیده بر اساس تحلیل نظر کاربران پالایش و در نهایت تصاویر مرتبط با متن نهایی، به کاربر توصیه می‌شود. این روش بر خلاف روش‌های موجود، تنها تصویر را به عنوان ورودی گرفته و متن مرتبط را تولید می‌کند. مزیت این متن آن است که می‌توان هنگام مقایسۀ متون با یکدیگر، تحلیل نظر و تمایل کاربران را هم درنظر گرفت. همچنین روش تبدیل تصویر به متن به سامانه‌ها برای تولید برچسب مناسب برای لباس‌ها کمک می‌کند.

امروزه از جمع‌سپاری به‌عنوان یکی از عوامل مهم برای انجام کارها توسط افراد دارای تجربه و مهارت کافی، در مدت زمان مناسب یاد می‌شود. جمع‌سپاری اغلب برای حل مسائلی استفاده می‌شود که حل آن مسائل توسط هوش مصنوعی امکان‌پذیر نیست و یا مقرون‌به‌صرفه نمی‌باشد. یکی از عوامل مهم در بدست آوردن نتیجه مناسب برای کار برون‌سپاری شده شفافیت کار است. هرچه این شفافیت بیشتر باشد، کارجو دید و پیش‌زمینه بهتری از کار، خواسته‌های کارفرما و نحوه انجام آن بدست می‌آورد که نتیجه این دید بهتر افزایش بهره‌وری کارجو و سپس بدست آوردن نتایج بهتر می‌شود. در این پژوهش به بررسی اثر شفافیت کار بر بدست آوردن پاسخ‌های ارائه شده در سیستم‌های پرسش‌و‌پاسخ پرداخته‌ایم و مدلی مبتنی بر روش های آماری و فازی برای محاسبه این شفافیت ارائه کرده‌ایم. همچنین عملکرد این مدل را در مقایسه با روش‌های موجود ارزیابی نموده و نشان داده‌ایم که عملکرد مدل ما در ارزیابی شفافیت سؤال که منجر به احتمال بالاتر پاسخ گرفتن سؤال می‌شود بهتر از روش‌های مشابه است.

یکی از رایج‌ترین حملات سایبری، حملات فیشینگ است. در این نوع حملات، مهاجمین با ارسال لینک‌های جعلی برای کاربران و ترغیب آنها به استفاده از وب‌سایت‌های جعلی، اطلاعات مهم و محرمانه آنها را سرقت می‌کنند. حملات فیشینگ زیان قابل توجه‌ای دارند و اعتماد کاربران را در خرید آنلاین و سرویس‌های تحت وب، مخدودش می‌کنند. یک روش کاربردی برای تشخیص حملات فیشینگ استفاده از یادگیری ماشین است. در این مقاله، یک روش ترکیبی برای کاهش خطای طبقه‌بندی صفحات به دو دسته جعلی و اصلی ارایه می‌شود. در روش پیشنهادی، ابتدا ویژگی‌های موثر در یادگیری با استفاده از الگوریتم شاهین انتخاب شده و بردار ویژگی حاصل توسط شبکه عصبی مصنوعی ارزیابی می‌شود. سپس طبقه‌بند جنگل تصادفی بر اساس بردار ویژگی انتخاب شده در مرحله قبل به طبقه‌بندی صفحات می‌پردازد. مزیت روش پیشنهادی استفاده از هوش‌گروهی نوین در ترکیب با روش‌های یادگیری ماشین در تشخیص فیشینگ است. نتایج ارزیابی‌های انجام گرفته نشان می‌دهد که روش پیشنهادی نسبت به روش‌های انتخاب ویژگی موجود مانند الگوریتم کفتار و روش مبتنی بر تحلیل مولفه اصلی دارای دقت بیشتری در تشخیص حملات فیشینگ است.

دسته‌بندی محصولات زراعی یکی از مهم‌ترین کاربردهای سنجش‌ از دور در کشاورزی است. دانستن اینکه چه محصولاتی در مزارع وجود دارد هم در مقیاس خرد و هم در مقیاس کلان بسیار ارزشمند است. به عنوان مثال از این اطلاعات می‌توان برای طراحی و اجرای سیاست‌های کشاورزی، مدیریت محصول و تضمین امنیت غذایی استفاده کرد. همچنین از این اطلاعات می‌توان به عنوان یک پیش‌نیاز برای اجرای سایر برنامه‌ها در مقیاس مزرعه مانند نظارت و تشخیص ناهنجاری در طول چرخه رشد محصولات استفاده کرد. ما در این مقاله با همجوشی داده‌های سری زمانی ماهواره‌ی سنتینل-۱ و سنتینل-۲ در قالب یک روش یادگیری خود نظارتی با بهره‌گیری کامل از اطلاعات موجود در داده‌های نوری و راداری سنتینل به ‌صحت ۹۸٪ رسیدیم و نشان دادیم که عملکرد مدل در مقایسه با مدل‌های قبلی در برابر انسداد ابر بهبود یافته و مدل در برابر مجموعه‌داده‌های کوچک و نامتعادل مقاوم است.

در سال‌های اخیر سازوکار خود-توجه به کارآمدترین رویکرد در حل مسائل پردازش دنباله مانند پردازش زبان طبیعی، و بازشناسی خودکار گفتار تبدیل شده است. سازوکار خود-توجه توانایی بالایی در استخراج وابستگی بین نمونه‌های درون دنباله ورودی، به خصوص نمونه‌های فاصله‌دار، را دارد. همچنین، این سازوکار امکان پردازش موازی دنباله را فراهم می‌سازد. در نتیجه، سازوکار خود-توجه نسبت به روش‌هایی مانند شبکه‌های عصبی بازگشتی، توانایی بالاتری در استخراج ویژگی‌های مناسب از دنباله ورودی را دارد، و سریع تر نیز است. با این وجود، شبکه عصبی بازگشتی به همراه استخراج ویژگی دستی از دنباله ورودی، رویکرد مرسوم در مسئله تشخیص دست نوشته برخط است. در این پژوهش، مدلی انتها-به-انتها مبتنی بر سازوکار خود-توجه و تابع خطا CTC، برای تشخیص دست نوشته برخط معرفی شده است، که توانایی تشخیص دست نوشته از دنباله ورودی بدون استخراج ویژگی به صورت دستی را دارد. مدل پیشنهادی بر روی دادگان عربی برخط "خط" ارزیابی شده است. مدل پیشنهادی نرخ خطای نویسه (CER) ٪۷.۶۹ و نرخ خطای کلمه (WER) ٪۳۰.۲۲ را بر روی دادگان "خط" بدست آورده است، که نسبت نتایج پیشین به میزان قابل توجهی بهبود داشته است.

در این مقاله روش بهینه‏سازی جدیدی با الهام از حرکت کاتورهای مولکولهای گاز در فضا پیشنهاد شده است. الگوریتم پیشنهادی، الگوریتم بهینهسازی حرکت کاتورهای گازها یاGases Brownian Motion Optimization (GBMO) نامیده می‏شود. ماهیت کاتورهای در حرکت مولکولهای گاز به آنها این توانایی را میدهد که به سرعت فضایی که در آن قرار میگیرند را پیموده و در کل آن فضا انتشار یابند. در الگوریتم پیشنهادی با استفاده از این خصوصیت مولکولهای گاز و با مدلسازی حرکت جنبشی آنها، روشی کارا برای جستجوی فضای مسائل بهینهسازی پیشنهاد شده است. نتایج بدست آمده از الگوریتم GBMO در مقایسه با نتایج حاصل از اجرای الگوریتمهای PSO، ICA و GAنشان دهنده عملکرد بهتر و سرعت بالاتر این الگوریتم در یافتن در راهحل بهینه است.

استفاده از ساختار ارتباطي شبکه هاي روي تراشه در سيستم هاي چند پردازنده روي يک تراشه، ايده جديدي است که از اوايل دهه 1990 شکل گرفته است و با وجود ارائه ساختارها و مدل هاي گوناگون براي آن، هنوز با مسايل حل نشده اي روبرو مي باشد. به طور کلي، اين ايده در تقابل با ساختار گذرگاه مطرح شده است. يعني عموماً ادعا مي شود که اين ساختار مزايايي دارد که استفاده از آن را منطقي تر از ساختار گذرگاه مي نمايد. از مزايايي که به عنوان نمونه مي توان به آن ها اشاره کرد، سرعت بيشتر، مصرف انرژي کمتر در انتقال حجم زياد اطلاعات و سيستم ساختاريافته تر است. با اين حال موردي که هميشه در سيستم هاي کامپيوتري وجود دارد اين است که يک روش نمي تواند سيستم را در همه زمينه ها بهينه کند و همواره يک مصالحه بين پارامترهاي روش هاي مختلف صورت مي گيرد تا روش برتر انتخاب گردد. در اين مقاله روشي ارائه شده است که يک سيستم بتواند به صورت پويا و با به کار گيري ترکيبي از دو ساختار گذرگاه داده و شبکه روي تراشه، از مزاياي هر دو آن ها بهره برده تا بهبود کارايي حاصل شود.

آتاماتاي يادگير ابزاری قوی است که در يك محيط تصادفی ناشناخته عمل كرده و به مرور زمان كارايي خود را از طريق يك فرايند يادگيري بهبود مي­دهد. آتاماتاهاي يادگير در حل مسائل بهينه سازي بسيار خوب عمل مي­كنند و يكي از ويژگي­هاي بارز آنها قابليت يادگيري مي­باشد. مساله بهینه سازی را می­توان یافتن نقطه تعادل یک بازی دانست که در آن هر بازیکن یک مقدار از بعد متناظر خود در فضای جستجو را انتخاب می­کند. در اين مقاله يك الگوريتم تركيبي تکاملی كه از تركيب آتاماتاي يادگير و مفاهیم نظریه بازیها حاصل مي­شود براي حل مسائل بهينه سازي پيشنهاد مي­گردد. آزمایش­های انجام شده کارایی این روش را به خوبی نشان می‌دهد.

در اين تحقيق، روشي کارا براي بازيابي تصاوير ارائه شده که در آن، بر اساس آموزش، نتايج طي فرآيندي ترکيبي، بصورت مرتب شده به کاربر ارائه مي‌شود. در روش پيشنهادي، از اطلاعات متني موجود در کنار تصاوير براي استخراج ويژگي‌هاي معنايي و از محتواي تصاوير به منظور استخراج ويژگي‌هاي بصري و‌ آموزش مدل مرتب ‌سازي استفاده مي‌شود. مدل مرتب ‌سازي تابعي است که تصاوير پرس‌وجو و مجموعه‌داده را بعنوان ورودي دريافت کرده و نتايج را بصورت مرتب بر روي خروجي مي‌فرستد. در اين مقاله، ماژول بصري، ورودي‌اش را از ماژول متني دريافت نموده و خروجي آن، به منظور توليد و بهبود نتايج نهايي، با نتايج ماژول متني ترکيب مي‌شود. از آنجا که معيار کارايي مورد استفاده، به ازاي هر پرس‌وجو محاسبه مي‌شود، در روش پيشنهادي از فرآيندِ آموزشي تکراري استفاده شده که در آن، معيار کارايي هر پرس‌وجو، در تمامي مراحل فرآيند تأثير گذار است. نتايج بدست آمده از اعمال روش ارائه شده بر روي مجموعه داده ImageCLEF، نشان دهنده کارايي بالاي اين روش در مقايسه با ساير تحقيقات قبلي انجام شده است.

سيستم¬هاي¬ توصيه¬گر روشي را براي ايجاد پيشنهادات شخصي¬سازي شده از روي اطلاعات موجود ارائه مي¬دهند که مي¬توانند نقش مهمي را در سيستم¬هايي نظير تجارت الکترونيک و شبکه¬هاي اجتماعي ايفا نمايند. يکي از الگوريتم¬هايي که براي ايجاد پيشنهاد در اين سيستم¬ها استفاده مي¬شود، الگوريتم فيلترينگ همکارگونه ¬ مي¬باشد. اين مقاله به بررسي گونه¬اي از اين الگوريتم¬ها به نام الگوريتم مبتني بر حافظه مي¬پردازد و کارآيي و کيفيت آن را در سيستم¬هاي توصيه¬گر مورد ارزيابي قرار مي¬دهد.

در اين مقاله، نسخه بهبود يافته اي از الگوريتم بهينه ساز جمعيت مورچگان باينري با ترکيب روشهاي کلاسيک براي مساله انتخاب ويژگي ارائه شده است. در روش پيشنهادي با استفاده از اطلاعات بدست آمده از روشهاي انتخاب پيش رو و حذف پس رو ترم بينايي در الگوريتم مورچگان باينري تقويت مي شود. روش پيشنهادي در مساله انتخاب ويژگي در طبقه¬بندي معنايي تصوير و بازشناسي ارقام دستنويس فارسي آزموده شده و نتايج حاصل از آزمايشها ارائه شده است. همچنين، براي ارزيابي کارايي روش پيشنهادي، نتايج آزمايشها با روشهاي الگوريتم بهينه ساز جمعيت مورچگان باينري و الگوريتم وراثتي باينري مقايسه شده است. نتايج بيانگر کارايي مناسب الگوريتم پيشنهادي است.

يکي از مهمترين مسائل در حوزه هاي مديريت پروژه و مسائل بهينه سازي، زمانبندي سيستم هاي توليد کارگاهي انعطاف پذير (FJSP) مي باشد. در اين مقاله ما زمانبندي سيستم هاي توليد کارگاهي انعطاف پذيررا با هدف مينيمم نمودن ماکزيمم زمان اتمام کارها (Cmax) مورد بررسي قرار خواهيم داد. اين مساله يک مساله NP-Hard محسوب مي گردد. دراين تحقيق يک الگوريتم ايمني مصنوعي بر پايه نگرش سلسله مراتبي براي حل مساله پيشنهاد شده است که در آن براي نمايش آنتي بادي ها از نمايشRandom Key استفاده مي گردد. به منظور نشان دادن کارايي الگوريتم پيشنهادي چندين نمونه از داده هاي موجود در اين مساله مورد استفاده قرار گرفته است. نتايج آزمايشات انجام شده نشان مي دهد که اين الگوريتم توانايي دستيابي به نقاط بهينه را براي داده هاي مختلف دارا است.

زنجيره¬هاي مارکوف زمان پيوسته¬ (CTMCs) براي تحليل کارايي سيستم¬هاي کامپيوتري و ارتباطي مورد استفاده قرار مي‌گيرند. با محاسبه احتمالات حالت پايدار CTMC، بسياري از معیارهای مفيد کارايي به دست می¬آیند. اما مدل¬هاي CTMC براي سيستم¬هاي واقعي بسيار بزرگ بوده و حل آنها زمان¬گیر بوده و از مشکل انفجار فضاي حالت رنج مي¬برند. در اين مقاله يک راه¬حل موازي براي حل حالت پايدار مدل¬های CTMC ارائه مي¬دهيم. در این راه حل مشکل انفجار فضاي حالت را با استفاده از موازي¬سازي روش¬هاي ضمني تخفيف داده‌ايم. زيرا اين روش¬ها قادرند يک نمايش فشرده از CTMC ساختاريافته بزرگ ارائه دهند. آنگاه با استفاده از ترکيب روش¬هاي مستقيم وتکراري حل دستگاه معادلات خطي، يک فن حل حالت پايدار موازي براي CTMC ارائه نموده‌ايم. جزئیات راه حل پیشنهادی و الگوریتم¬های مربوطه در این مقاله ارائه شده است.

يکي از مشکلات بررسي مدل¬ها، توليد فضاي حالت است. به دليل بزرگ بودن فضاي حالت معمولاً مشکل انفجار حالت پيش مي‌آيد. يکي از راهکارهاي حل اين مشکل، استفاده از نمودار تصميم دودويي است. در اين روش، فضاي حالت مدل به جاي نگهداري مجموعه¬اي، به صورت نمادين نگهداري مي‌شود. نگهداري فضاي حالت به صورت نمادين، ذخيره و پردازش فضاي حالت را به ذخيره و پردازش گراف¬ها کاهش مي‌دهد که از هزينه نگهداري و پردازش مجموعه¬ها به مراتب کمتر است. در اين مقاله الگوريتمي براي توليد فضاي حالت نمادين از توصيف سيستم‏هاي تصادفي گسسته رخداد بدست آمده از يک مدل ارائه شده است. استفاده از توصيف سيستم‏هاي تصادفي گسسته رخداد که يک توصيف صوري چندگانه است، اين امکان را مي‌دهد که روش¬هاي صوري سيستم¬هاي تصادفي گسسته رخداد ديگر مثل شبکه¬هاي پتري تصادفي يا شبکه¬هاي فعاليت تصادفي و غيره را به روش صوري SDES تبديل و فضاي حالت نمادين براي آنها توليد کرد. با استفاده از توليد نمادين فضاي حالت با کمک نمودار تصميم¬گيري دودويي مرتب کاهش¬يافته، فضاي حالت بسيار بزرگتري را مي¬توان توليد کرد. در نتيجه با استفاده از اين روش، مي‌توان مشکل انفجار حالت را تخفيف داد.

در سيستم¬هاي محاسباتي مشبک علاوه بر موارد مهمي چون به اشتراک¬گذاري و يکپارچه¬سازي منابع بحث کشف منبع نيز از اهميت خاصي برخوردار است. یکی از روشهاي جديدي که در اين زمينه وجود دارد. روش غيرمتمرکز کشف منبع مبتني بر عامل است که از جستجوي معنايي پشتيباني مي¬کند. در روش کشف منبع به صورت معنايي هرعامل منبع با عامل¬هاي منابع همسايه¬اش براساس دانش محلي تعامل مي¬کند و به صورت پويا زنجيره¬اي از منابع براي کامل¬کردن يک وظیفه خاص تشکيل مي¬شود. زمانبندي وظايف در محيط مشبک از جمله مباحث چالش¬برانگيز در اين محيط است. معمولا زمانبندي در مشبک براي کاهش زمان اتمام وظیفه و يا براي کاهش هزينه اجرا به کار برده می¬شود و نسبت اهميت کاهش زمان اتمام به هزينه اجرايي وظیفه توسط کاربر مشخص مي¬گردد. يک الگوريتم زمانبندي هزينه بايد با توجه به قيمت و توانمندي منابع مشبک، عمل تخصيص منابع به وظیفه¬هاي ناهمگون را طوري انجام ¬دهد که اجراي وظیفه¬ها با مقدار مساوي يا کمتر از بودجه تعيين شده، پايان يابد. در اين نوشتار يک روش جديد کشف زنجیره¬ای از منابع به صورت معنايي مطرح مي¬شود که هزينه منبع یکی از پارامترهای اصلی انتخاب منبع بوده و يک روش نامتمرکز و مبتني¬بر¬عامل است و در پايان نيز نتايج حاصل از شبيه¬سازي ارائه مي¬گردد.

شناسايي حالتهاي چهره و به دنبال آن تشخيص عواطف کاربر نقش مهمي در اثربخشي و افزايش کارايي استفاده از فنّاوريهاي نوين رايانه‌اي دارد و امروزه بخش مهمي از حوزة علم تعامل انسان- رايانه را شکل داده است. درک عواطف به روشهاي مختلفي صورت مي‌گيرد که شناسايي حالتهاي چهره از دقيق‌ترين روشهاي آن است. هدف از اين مقاله ارائه روشي نوين براي شناسايي حالتهاي چهره با استفاده از دوربين وبي متصل به يک رايانه است. براي تشخيص حالتهاي مختلف ابتدا خصيصه‌هاي کليدي استخراج و سپس از رويکرد دسته‌بندي براساس حداقل فاصله براي شناسايي حالتها استفاده شده است. مجموعه‌هاي فازي شهودي با در نظر گرفتن دو درجة «عضويت» و «عدم عضويت» روش مناسبي را براي مواجهه با فضاي عدم قطعيت حاکم بر مسئله پيشنهاد مي‌کند. رويکرد دسته‌بندي استفاده شده در اين مسئله مبتني بر حداقل فاصله بين دو مجموعة فازي شهودي است. نتايج اين پژوهش عملکرد بهتر مجموعه‌هاي فازي شهودي را نسبت به مجموعه‌هاي فازي معمولي در تشخيص حالتهاي چهره نشان مي‌دهد.