انجمن کامپیوتر ایران

امضای افراد از دو مشخصه متضاد برخوردار است از یک سو دارای ساختار پایدار بوده و از سوی دیگر دو امضای یک فرد نیز کاملا یکسان نیست. تفاوتهای سطحی امضای افراد در تکرارهای متوالی در اندازه، سرعت و تغییرات غیرخطی محور زمان است. این مسائل طبقه‌بندی امضاهای حقیقی و جعلی را مشکل می‌سازد. به منظور کاهش این خطاها استفاده از ویژگیهای محلی که دقت بالاتری نسبت به ویژگیهای کلی دارند، می‌تواند راهکار موثری باشد ولی به دلیل یکسان نبودن طول ویژگیهای محلی استفاده از یک الگوریتم سریع و مقاوم در برابر اعوجاجات محلی اهمیت اساسی دارد. در این مقاله با بهره‌گیری از الگوریتم کمترین فاصله گستره سعی در تعیین نقاط متناظر واقعی می‌شود. آزمایشهای انجام شده بر روی یک پایگاه امضای گسترده حاکی از عملکرد بهتر الگوریتم MLD نسبت به روش مشهور DTW است که خطای طبقه‌بندی را در حدود 3/8% کاهش می‌دهد. همچنین نتایج نشان داد با استفاده از طبقه‌بندی کننده پنجره پارزن، شاخص EER برابر 94/0% و 78/1% به ترتیب برای گروه جاعل تصادفی و ماهر است.

اندازه‌گیری شباهت جملات در کاربردهای مختلفی از پردازش متن از جمله سیستم‌های پرسش و پاسخ و خلاصه‌سازی متن مورد استفاده قرار می‌گیرد. در این مقاله روشی جدید برای اندازه‌گیری شباهت معنایی جملات مبتنی بر نقش‌های معنایی معرفی شده است. در این روش، جملات ورودی ابتدا با برچسب‌های بخش‌های گفتار و نقش‌های معنایی برچسب‌ زده می‌شوند و سپس با استفاده از یک معیار اندازه‌گیری معنایی، شباهت کلمات در برچسب‌های نقش‌های معنایی یکسان محاسبه می‌شود. با استفاده از این مقادیر، شباهت نقش‌های معنایی، سطوح معنایی و در نهایت شباهت جملات محاسبه می‌گردد. برخلاف بسیاری از روش‌های پیشین این روش قابلیت محاسبه شباهت معنایی جملات کوتاه و ساده و همچنین طولانی با ساختارهای پیچیده را دارا می‌باشد. نتایج پیاده‌سازی نشان می‌دهند استفاده از مشابهت معنایی علاوه بر مشابهت ساده و همچنین نقش‌های معنایی علاوه بر برچسب‌های بخش‌های گفتار سبب افزایش دقت معیار اندازه‌گیری در مقایسه با روش‌های موجود می‌گردد.

انتساب مقوله¬های گرامری به کلمه¬های یک متن، بخشی مهم در سیستم پردازش زبان¬های طبیعی محسوب می شود. پیکره‏متنی که از طریق اطلاعات (pos) part of speech نشانه گذاری شده، معمولاً به عنوان پیش¬نیازی اجتناب ناپذیر در دیگر برنامه¬های کاربردی پیچیده¬تر در حوزه پردازش زبان¬های طبیعی منجملهاستخراج اطلاعات، تجزیه معنایی، ترجمه ماشینی یا تفسیر زمینه¬های معنایی و وارسی‏کننده‏های دستوریمورد استفاده قرار می¬گیرد. در بسیاری از موارد به علت عدم دسترسی به منابع آزموده‏شده و استاندارد دستوری و ریخت‏شناسی رایانه‏ای در زبان فارسی به استفاده از نشانه‏گذارهای آماری بسنده می‏شود. در این گونه نشانه‏گذارها برای تشخیص مقوله دستوری واژه های ناشناخته، بدون توجه به ساختار و ماهیت کلمه تنها از روش‏های آماری استفاده می‏شود که طبعا حاصل و نتیجه کارچندان مطلوب نخواهد بود. در این تحقیق، ما به ارائه نشانه‏گذاری هیبریدی می‏پردازیم که علاوه بر روش آماری از مزایای روش‏های قانون- محور(دستوری) و ریخت‏شناسی واژه ها در زبان فارسی در راستای بهبود نتیجه نهایی بهره می‏جوید.

امروزه کامپيوترهاي بزرگ موازي، سيستم¬هاي چند پردازنده¬اي بر تراشه (MPoCs)، چند‏کامپيوتري‏ها و ... از مؤلفه‏هاي ذخيره¬ساز در مقياس بزرگي ساخته ¬شده¬اند که در مقايسه با سيستم¬هاي عادي نرخ خرابي بالايي دارند. يکي از مهم‏ترين موضوع¬ها در طراحي چنين سيستم¬هايي، توسعة يک شبکة ارتباطي کارآمد است که گذردهی بالا و تأخير ارتباطي ناچيزي را تحت شرايط مختلف کاري تدارک مي¬بيند. پيشرفت سامانه‏های ذخیره‏ساز داده باعث به وجود آمدن روش‏هاي ذخيره اطلاعات موازي با کارآيي بالا و بهای ناچیز در مقياس بزرگ شده است؛ با این حال، تحمل‏پذيري اشکال، دسترس‏پذیری و اطمينان‏پذيري در زمره پارامترهایی هستند که کماکان در اکثر طراحي‏ها مورد توجه قرار نمي‏گيرند. در اين مقاله بنا داريم به ارزيابي کارآيي تحمل‏پذيري اشکال در شبکه¬های میان ارتباطی که دارای حافظه¬هايي با مقياس بزرگ هستند پرداخته و همبندي‏هاي مختلف این شبکه¬ها را از منظر تحمل‏پذيري اشکال و اطمينان¬پذیری مورد شبيه‏سازي و ارزیابی قرار دهیم. هدف اصلي از اين بررسی آن است که بتوانيم همبندي‏هايي را شناسايي کنيم که به کارگیری آن¬ها موجب افزایش اطمينان¬پذیری در سامانه¬های ديسک‏ مي‏شود.

سیستم های تایید کاربر که از یک روش بیومتریک استفاده می کنند،اغلب مجبورند که با داده های نویز دارو درجات خطای نامحدود مواجه شوند.به منظور بهبود اجرای تطابق های ویژه در چنین وضعیت هایی سیستم های بیومتریک ترکیبی مورد استفاده قرار می گیرند .ما در این مقاله دو سیستم بیومتریک چهره و گوش را با هم ترکیب کرده و یک سیستم تشخیص هویت بیومتریک چند عامله امن و قابل اعتماد را پیشنهاد می کنیم.در حقیقت در این مقاله استفاده از هندسه گوش بعنوان یک بیومتریک برای تصدیق هویت مورد مطالعه قرار گرفته وآن را بر روی یک پایگاه داه جدیدی که حاوی 420 تصویر از گوش می باشد آزمایش می کنیم. بمنظور کاهش نرخ عدم پذیرش خطا، تصاویر از واحدکیفیت عبور داده می شوند. پس از استخراج ویژگی های گوش و تحلیل و بررسی نتایج آزمایشات ،مشخص گردید 90.7% نمونه ها با موفقیت شناسایی شده اند.سپس بمنظور بهبود نتایج تشخیص سیستم دو بیومتریک گوش و چهره را با هم ترکیب کردیم که نتایج آزمایش نشان داد96% نمونه ها با موفقیت شناسایی شده اند. برای پایگاه داده چهره از دو پایگاه داده چهره انیستستو تحقیقات هند و FEI و برای گوش از پایگاه داده USTB استفاده شده است.

آموزش الكترونيكي آموزش مبتني بر فناورياست کهنقطه عطف و همگرايي آموزش، اينترنت، فناوري شبكه، مديريت و توسعه آموزش می¬باشد.در این میان حجم وسیعی از اطلاعات مانند نحوه تعامل کاربر با سامانه¬ مدیریت آموزش، ذخیره می¬گردد. این داده¬ها حاوی اطلاعات با ارزشی برای مطالعه و تحلیل رفتار دانشجویان و ارائه مشاوره به دانشجویان می¬باشد. هدف اصلی این پژوهش ترکیب الگوریتم¬های داده¬کاوی و الگوریتم¬های تکاملی از جملهAssociation Rules وGenetic جهت ارائه یک روش جدیدبه نام PNGAR ( Positive Negative Genetic Association Rule)که هدف آن به طور خاص پیدا کردن الگو و قوانین پنهان در نحوه استفاده دانشجو از منابع سامانه آموزشی می¬باشد. قوانین و الگوهای کشف شده با الگوریتم PNGARرا می¬توان جهت ارتقاء سطح آموزشی فراگیران به صورت پیشنهاداستفاده از منابع استفاده کرد؛ همچنین در مقاله فعلی جمع آوری و آماده سازی داده¬ در نرم افزار Sql Server و پیاده سازی الگوریتم به زبان برنامه¬نویسیC# صورت گرفته است.

فرایند هم تراز سازی آنتولوژی ها به یافتن شباهت میان موجودیت های آنتولوژی ها می پردازد. دو آنتولوژی ممکن است در جنبه های متفاوتی مانند ساختار، معنا و ... با هم شباهت داشته باشند. بیشتر سیستم های هم ترازسازی آنتولوژی ها از چندین روش شباهت یابی به منظور استخراج همه ی موارد شباهت که در دو آنتولوژی ممکن است وجود داشته باشد، استفاده می کنند. بنابراین ، ما با یک مشکل عمده برای جمع آوری شباهت میان موجودیت ها مواجه هستیم. برخی از سیستم های هم ترازسازی آنتولوژی ها از وزن های تجربی و برخی دیگر از روش های یادگیری ماشین و الگوریتم های بهینه سازی برای یافتن وزن های مطلوب به منظور جمع آوری شباهت های مختلف استفاده می کنند. هر دو رویکرد دارای معایبی هستند. در این مقاله، مشکلات استراتژی های مختلف جمع آوری شباهت های موجود بیان می شود. سپس، یک استراتژی جدید پیشنهاد می شود که از اطلاعات ساختاری آنتولوژی ها برای دست آوردن وزن های ترکیب شباهت یاب ها، جهت فرایند جمع آوری شباهت ها استفاده می کند. عملکرد سیستم هم ترازسازی ارائه شده در این مقاله با دیگر سیستم های مشارکت داده شده در مسابقه 2009 OAEI مقایسه شده است.