انجمن کامپیوتر ایران

در شبکه حمل و نقل خودروهای شهری، چراغ‌های راهنمایی می‌توانند یک ابزار کارآمد برای کنترل جریان آمد و شد خوردروها، شمار خودروهای منتظر پشت چراغ راهنمایی و مدت زمان سفرهای درون شهری باشند. این مقاله بر روی بهینه‌سازی شبکه‌های حمل‌ و نقل شهری با استفاده از ‏هوش مصنوعی تمرکز دارد و برای دستیابی به زمانبندی بهینه چراغ راهنمایی، با بهره‌گیری از انواع الگوریتم‌های در حوزه یادگیری تقویتی، تقویتی عمیق و یادگیری عمیق، یک مدل ترافیکی ساخته شده است. منطق کنترل زمانی چراغ‌ها و جریان آمد و شد خودروها در مدل لحاظ گردیده است. برای دستیابی به افزایش سرعت محاسبات و بهینه نمودن سیستم، الگوریتم‌ها در فریمورک توزیع شده RAY پیاده‌سازی شده است. سه سناریو مختلف با الگوریتم‌های متفاوت Q-Learning، DQN و A3C با رویکرد سیستم‌های تکعاملی با شبیه‌سازی میکروسکوپیک یک تقاطع در نرم‌افزار SUMO مورد ارزیابی قرار گرفت. با تحلیل عملکرد سناریوها در نهایت سناریو سوم با بهره‌گیری از الگوریتم یادگیری عمیق A3C‏، منجر به کاهش 91.14% زمان انتظار نسبت به روش Q-Learning‏ و 29.32% کاهش زمان انتظار در مقایسه باروش ‏DQN‏ ‏گردید. براي مشاهده عملکرد الگوریتم برتر و بررسی انتقال‌پذیری در چارچوب یادگیري عمیق، مطالعه موردي یک تقاطع حقیقی در شهر یزد مورد آزمایش قرار گرفته است. تقاطع منتخب خیابان چمران با خیابان سلمان فارسی است.

با گسترش اینترنت و افزایش استفاده از خرید آنلاین، تحلیل تعاملات کاربران با فروشگاه‌های آنلاین برای استخراج احساسات و الگوی رفتار آن‌ها مورد توجه پژوهشگران قرار گرفته است. تردید یکی از مواردی است که ممکن است کاربر در تعامل با یک فروشگاه آنلاین به آن دچار شود و در نتیجه از خرید خود صرف‌نظر کند. با شناسایی زودهنگام تردید مشتری می‌توان اقداماتی برای رفع تردید مشتری انجام داد و از رها کردن خرید توسط مشتری پیش‌گیری کرد و معیارهایی نظیر سودآوری فروشگاه و رضایت و وفاداری مشتریان را افزایش داد. در این پژوهش، مساله تشخیص تردید مشتریان فروشگاه آنلاین به صورت ضمنی و بدون مداخله مستقیم آنها درنظر گرفته شده است و برای شناسایی تردید مشتریان، تنها از تعاملات لمسی آنها با وب‌سایت استفاده می‌شود. برای این منظور، تعاملات لمسی مشتریان در وب‌سایت یک فروشگاه آنلاین به مدت شش ماه جمع‌آوری شد. سپس با استفاده از داده کاوی و یادگیری ماشین، مدل‌هایی برای پیش‌بینی تردید مشتریان استخراج شد. درخت تصمیم با صحت 034/85 درصد به‌عنوان مدل مناسب انتخاب شد و در وب‌سایت فروشگاه پیاده‌سازی شد. سپس مدل به صورت آنلاین و در تعامل با مشتریان نیز ارزیابی شد. نتایج نشان‌دهنده دقت بالای روش پیشنهادی برای تشخیص تردید مشتریان است.

الگوریتم پس انتشار خطا رایج‌ترین الگوریتم برای آموزش بانظارت و مستقیم شبکه‌های عصبی ضربه‌ای می‌باشد. هرچند به علت ماهیت گسسته این شبکه‌ها، اعمال این الگوریتم با محدودیت‌ها و چالش‌هایی همراه است. در این مقاله یک الگوریتم یادگیری جدید مبتنی بر کدگذاری زمانی تک ضربه‌ای ارائه شده است که در آن گرادیان‌های بازگشتی را حذف کرده و از یک تقریب خطی برای محاسبه مشتق تابع فعالیت نورون‌های ضربه‌ای استفاده می‌کنیم. به منظور حذف گرادیان‌های بازگشتی، تابع خطای هر لایه به صورت جداگانه محاسبه شده و سپس با اعمال الگوریتم کاهش گرادیان، پارامترهای آن لایه به روز رسانی می‌شوند. همچنین به منظور کاهش حجم محاسبات، مدل نورونی خطی تکه‌ای را پیشنهاد داده‌ایم و از یک روش کدگذاری زمانی استفاده کرده‌ایم به گونه‌ای که هر نورون حداکثر یک بار اجازه آتش دارد. الگوریتم پیشنهادی برای آموزش یک شبکه عصبی ضربه‌ای کانولوشنی استفاده شده است و با بررسی بر روی پایگاه داده MNIST نشان داده شده که این الگوریتم قابلیت پیاده‌سازی در ساختارهای عمیق شبکه‌های عصبی ضربه‌ای را دارد.

مدیریت بهره‌وری در محیط‌های هوشمند یکی از مسائل پر اهمیت و مورد توجه است؛ که با تلفیق با سایر چالش‌های پیش‌رو همانند «بهینه‌سازی مصرف انرژی»، این امر مهم‌تر از قبل می‌گردد. اطلاع از شرایط محیط‌های داخلی و خارجی، درجه اهمیت آنها و همچنین محدودیت‌های زیربخش‌های آن می‌تواند در کنترل و مدیریت آنها کمک شایانی نماید. در این مقاله سعی بر آن شده است پارامترها و شرایط محیطی با توجه به جایگاه و اولویت آنها رده‌بندی شود. سپس با توجه به شرایط پیش‌رو در بکارگیری بسترهای رصد، پردازش و تصمیم‌ساز IOT در محیط‌های متنوع دانشگاه، تلاش به هوشمندسازی آنها نموده است. تمرکز اصلی این پژوهش، در نظر گرفتن پارامترهای درگیر و تأثیرگذار و همچنین درجه اهمیت آنهاست؛ که علاوه بر مدیریت بهره‌وری و مصرف انرژی تجهیزات و حسگرهای آنها، بتوان در مدیریت کارایی و مصرف توانی قسمت‌های مختلف دانشگاه هوشمند بهره جست. برای مطالعه موردی، مصرف الکتریکی یک دانشکده، قبل و بعد از بکارگیری و استقرار این بستر مورد بررسی و مقایسه قرار گرفته و بهینگی و نتایج «بهینه‌سازی مصرف انرژی» حاصل، ارائه شده است.

پیدا کردن کوتاه‌ترین مسیر برای مشاهده یک شیء یک مسأله پر‌کاربرد در هندسه محاسباتی است. از جمله کار‌بردهای آن می‌توان به وضعیتی که دیدن یا دیده شدن توسط شیء هدف اهمیت دارد اشاره کرد. به عنوان مثال هنگامی که بخواهیم با شی‌ء هدف ارتباط برقرار کنیم یا آن را بازرسی کنیم؛ با این شرط که نحوه ارتباط با شیء هدف به صورت خط دید باشد. نقطه مبدأ s را در یک ناحیه چندضلعی P با h-1 مانع در نظر بگیرید. می‌خواهیم با انجام پیش‌پردازش بر روی ورودی، کوتاه‌ترین مسیر از نقطه s به نقطه دلخواهی در P را پیدا کنیم؛ به طوری که پاره‌خط دلخواه l از آن نقطه قابل دیدن باشد. برای حل این مسأله در این مقاله ما دو راه حل ارائه کردیم. در راه حل نخست با صرف زمان پیش‌پردازش O(n4+ɛ) مسأله در زمان O(nh) قابل حل خواهد بود. در راه ‌حل پیشنهادی دوم با افزایش زمان پیش‌پردازش به O(n8) توانستیم مسأله را در زمان O(logn) حل کنیم.

همه‌گیری ناشی از کرونا ویروس جدید (کووید-19) بحرانی سراسری را به وجود آورده که تمام کشورهای جهان را درگیر کرده است. این بیماری به دلیل ناشناخته بودن، قدرت شیوع بسیار بالا و عدم قابلیت رهگیری مبتلایان به خطری جدی برای همگان تبدیل‌شده است که دولت‌ها را مجبور به اعمال انواع سیاست‌ها و پروتکل‌های پیشگیرانه در این حوزه نموده است. اولین قدم مشترک در تمام این سیاست‌ها، تشخیص بیماری است؛ تشخیص دقیق، سریع و کم‌هزینه امری است که بیشترین اهمیت را در مقابله با کووید-19 دارد. در سال‌های گذشته استفاده از هوش مصنوعی به‌عنوان یکی از روش‌های کمک تشخیصی، کمک شایانی در حوزه‌های مختلف علوم پزشکی داشته است. در همین راستا یادگیری عمیق در سال‌های اخیر بیش‌ازپیش مورد توجه پژوهشگران بوده و تاکنون معماری‌های گوناگونی برای آن ارائه شده است. با توجه به این موضوع استفاده از تکنیک‌های یادگیری عمیق در تشخیص دقیق بیماری کووید-19 می‌تواند راهگشا باشد. در این مقاله ضمن مقایسه و ارزیابی برخی معماری‌های یادگیری عمیق نظیر VGG19، InceptionV3، ResNet50 در تشخیص کووید-19 با استفاده از تصاویر سی‌تی‌اسکن ریه، یک مدل پیشنهادی بر اساس ترکیب دو معماری InceptionV3، ResNet50 ارائه شده است. یافته‌ها حاکی از آن است که مدل پیشنهادی نسبت به سایر روش‌ها دقت بالاتری دارد.

شبکه‌های بین خودرویی فناوری‌های نوظهوری هستند که عملکردشان وابسته به در دسترس بودن اطلاعات دقیق و به‌روز وسایل نقلیه است. وسايل نقلیه‌اي که اطلاعات‌ غیرعادي منتشر می‌کنند مي‌توانند در عملکرد شبکه‌ی بین خودرویی اختلال ايجاد کنند. بنابراین تشخیص چنین بدرفتاری‌هایی برای حفظ امنیت شبکه‌ی بین خودرویی در برابر مهاجمان، حیاتی است. در اکثر طرح‌های تشخیص بدرفتاری گذشته توجه کمی به استفاده از ویژگی‌های نظریه‌ی جریان ترافیک شده است. توجه به این نظریه می‌تواند ابزاري قوی برای ارزیابی صحت اطلاعات زمینه‌ی منتشرشده در شبکه‌ی بین خودرویی فراهم کند. برای بهبود چالش‌های طرح‌های تشخیص بدرفتاری گذشته، ما استفاده از نظریه‌ی جریان ترافیک را برای تشخیص بدرفتاری‌های ناشی از ارسال اطلاعات غیرعادی در شبکه‌های بین خودرویی پیشنهاد می‌کنیم. در طرح پیشنهادی، علاوه بر واحد‌های کنار جاده‌ای، واحد‌های محاسباتی روی وسایل نقلیه نيز به‌عنوان منابع قابل‌اطمینان اطلاعات در نظر گرفته مي‌شوند که این موضوع به کاهش هزینه‌های ناشی از پیاده‌سازی سراسری واحدهای کنار جاده کمک می‌کند. نتایج ارزیابی این طرح در انواع شرایط ترافیکی و با تعداد مختلف گره‌های مخرب نشان‌دهنده‌ی کاهش نرخ هشدار‌های کاذب و بهبود دقت تشخیص است.

با توجه‌ به استقبال چشمگیر و حضور فعال کاربران در شبکه‌های اجتماعی، شناسایی رویدادها از شبکه‌های اجتماعی به یکی از مسائل بسیار مهم موجود در هر حوزه‌ای تبدیل شده است. در این مقاله به ارائه یک مدل برای استخراج ویژگی از داده‌های شبکه اجتماعی بر مبنای شبکه عصبی پیچشی و مبتنی بر رویکرد جانمایی کلمات پرداخته شده است. همین‌طور در این پژوهش یک مجموعه‌ داده فارسی در ۱۲ دسته‌بندی متنوع برای حل مسئله شناسایی رویدادها ارائه شده است. شاخص‌های ارزیابی و نتایج به دست آمده از این پژوهش و مقایسه آن‌ها با مدل پایه نشان می‌دهد که مدل پیاده‌سازی شده هم از لحاظ کارایی و هم از لحاظ زمان اجرا، عملکرد بسیار خوبی نسبت به مدل پایه داشته است.

یادگیری خود نظارتی در سال‌های اخیر توجه زیادی را به خود جلب کرده است، زیرا روشی کارآمد برای استخراج بازنمایی‌های غنی از انواع مختلف داده‌های بدون برچسب ارائه می‌کند و در عین حال از هزینه برچسب‌زنی مجموعه‌های داده در مقیاس بزرگ جلوگیری می‌کند. این امر با طراحی یک مسأله‌ی بهانه برای تشکیل شبه‌برچسب‌هایی با توجه به دامنه داده‌ها قابل دستیابی است. تا آنجا که ما می دانیم، علی‌رغم محبوبیت و استفاده گسترده آن‌ها در حوزه‌هایی مانند پردازش زبان طبیعی، تشخیص گفتار، و بینایی ماشین، هیچ مسأله‌ی بهانه‌ای برای داده‌های دست‌نوشته‌ برخط تعریف نشده است. با توجه به کاربردهای در حال رشد داده‌های دست‌نوشته برخط، در این مطالعه، ما Part Of Stroke Masking (POSM) را به‌عنوان یک مسأله‌ی بهانه‌ به منظور پیش‌آموزش مدل‌ها برای استخراج بازنمایی‌های مفیدی از داده‌ی دست‌نوشته برخط افراد پیشنهاد می‌کنیم. برای ارزیابی کیفیت بازنمایی‌های استخراج شده، مسأله‌ی شناسایی نویسنده به صورت مستقل از متن مورد مطالعه قرار گرفته است که در آن بهترین دقت حال حاضر در مقایسه با دیگر مقالات حاصل شده است.

امروزه پياده‌سازي سخت‌افزاري الگوريتم‌هاي هوش مصنوعي يکي از پرکاربردترين مباحث در مقالات و صنعت الکترونيک است. شبکه‌هاي عصبي مصنوعي به عنوان اصلي‌ترين و پرکاربردترين بخش الگوريتم‌هاي هوش مصنوعي جهت پياده‌سازي محاسبات عصب‌گون (Neuromorphic) يا الهام گرفته از فرآيندهاي زيستي (Bio-inspired) شناخته مي‌شوند. در اين شبکه‌ها که از دو قسمت اصلي نرون و سيناپس تشکيل شده‌اند الگوبرداري از ساختار مغز انسان انجام شده که در آن برخلاف سيستم‌هاي رايج کامپيوتري قسمت محاسبات و حافظه در هم تنيده شده و از يکديگر جدا نيستند. در مغز انسان حدود ۱۰۱۰ نرون و ۱۰۱۴ سيناپس وجود دارد و همانطور که مي‌دانيم سيناپس‌ها غالب ساختار مغز را تشکيل مي‌دهند. در اين مقاله، با استفاده از قطعات اسپينترونيک (Spintronic) روشي براي پياده‌سازي ضريب سيناپسي ارائه شده است که در آن ضرايب سيناپسي به صورت کوانتيزه شده پياده‌سازي مي‌گردند. با استفاده از يک ترانزيستور CMOS توانستيم ضرايب را از نظر آماري بهينه کنيم. روش ارائه شده بر مبناي تکنولوژي جديد اسپينترونيک است که نسبت به موارد مشابه ارائه شده در مقالات حدود ۲۲٪ کاهش توان دارد و در عين حال دقت شبکه‌هاي عصبي پياده‌سازي شده در حالت سخت‌افزاري کاهش فقط يک تا دو درصدي نسبت به حالت نرم‌افزاري دارند.

تطبیق آنتولوژی سعی در برقراری روابط معنایی بین المان­های مشابه در آنتولوژی­­های متفاوت دارد تا قابلیت تعامل را در وب­معنایی فراهم کند. پرداختن به مسئله ناهمگنی معنایی، نکته­ای کلیدی در محیط وب­معنایی است. تولید (نیمه) اتوماتیک نگاشت­ها با درنظرگرفتن عدم قطعیت، کاری فشرده و مستعد خطاست. وقتی مقادیر اطمینان نگاشت­ها خود غیرقطعی هستند، چگونه متد تجمیع آنها می­تواند قطعی باشد؟ چگونه آنها را به روشی مشخص مدل کنیم؟ این مقاله روشی را برای مدلسازی عدم قطعیت در تطبیق آنتولوژی­ براساس تئوری مجموعه­های فازی و با استفاده از عدد فازی ذوزنقه­ای معرفی می­کند و سپس به توصیف روشی برای تجمیع عقاید تطبیق­گران می­پردازد. به کمک این روش، همترازی تطبیق­گران را ترکیب می­کند تا بر همترازی­های متناقض و ناقص یا موارد مخرب غلبه شود. آزمایشات نشان داد که در آنتولوژی­­های واقعی، نتایج بدست­آمده، از میانگین تطبیق­گران هم بالاتر ­است و به بهترین ایشان نزدیک می­شود.

امروزه محاسبات گريد به عنوان راه‌حلي براي حل مسائل پيچيده که نياز به محاسبات فراوان دارند مورد توجه محققين قرار گرفته است. گريد شامل منابع ناهمگن بسيار زيادي مي باشد. وقتي که ما در اين محيط گسترده نياز به يکسري منابع داشته باشيم بايد ابتدا آن منابع براي ما کشف شود. بنابراين روش‌هاي کشف منبع در گريد از اهميت فراواني برخوردارند. روش‌هايي که تا‌کنون ارائه شده‌اند براي کشف چند منبع در محيط گريد روش مناسبي را ارائه نکرده‌اند. اين روش‌ها نتوانسته‌اند درخواست چندين منبع را در قالب يک فرم از کاربر گرفته و اين منابع را براي کاربر کشف کنند. در اين مقاله ما يک روش کشف منبع چند‌تايي را ارائه مي‌دهيم که بر پايه درخت دودويي است. روش پيشنهادي ما قادر است چندين منبع را به صورت همزمان و از يک گره براي کاربر کشف کند. نتايج شبيه سازي ها نشان مي‌دهند که روش ما کارايي بسيار بالايي دارد.

- تشخیص اتوماتیک محدوده سنی یکی از مسائل هوش مصنوعی است که به سبب اهمیت آن از سال¬ها پیش بر روی آن کار و تحقیق شده¬ است. در این مقاله علاوه بر معرفی دادگان جمع¬آوری شده برای تشخیص محدوده سنی، از روش¬های دسته¬بندی گوناگونی نیز برای دسته¬بندی 5 دسته مختلف که چهار گروه سنی را مشخص می¬کند، استفاده شده است. دادگان جمع¬آوری شده شامل 176 گوینده در گروه سنی زیر 20 سال می¬باشد که با ادغام این دادگان و دادگان فارسدات میکروفونی که شامل 304 گوینده می¬باشد، مجموعه کاملی از جهت پوشش محدوده‌های سنی به منظور استفاده در تشخیص سن بدست آمد. برای دسته-بندی نیز علاوه بر دسته¬بندی کننده¬های رایج GMM، SVM و MLP از یکی از روش¬های پیشنهادی که به نوعی از ترکیب روش-های دیگر بهره می¬گیرد، استفاده نمودیم. در انتها به کمک روش پیشنهادی توانستیم بالاترین دقت را بدست آورده و با دقت 85.48% ، گوینده‌ها را بر اساس محدوده‌ سنی آنها دسته¬بندی نماییم.

تخمين فعاليت¬هاي صوتي عبارت است از فرآيند دسته¬بندي سيگنال گفتار به قسمت¬هاي گفتار و غيرگفتار. با توجه به کاربرد گسترده‌ي چنين الگوريتم‌هايي در شاخه‌هاي مختلف پردازش گفتار، ارائه‌ي روش‌هايي که باعث بهبود اين فرآيند شوند، همواره مد نظر پژوهشگران بوده است. در اين مقاله با استفاده از روش يادگيري ميدان تصادفي شرطي و ويژگي‌هاي انرژي و اندازه‌ي همواري طيف، مدلي برای تشخيص و جداسازي قسمت‌هاي گفتاري و غيرگفتاري سيگنال صوت، ارائه شده است. برای به دست آوردن مقادير بهينه‌ي پارامترهاي روش يادگيري ميدان تصادفي شرطي از مجموعه‌ي دادگان صوتي Aurora استفاده شده و با در نظر گرفتن اين مقادير بهينه و با استفاده از دادگان Timit مدل نهايي ساخته شد و کارآيي آن روي دادگان بدون نويز 78/90% برآورد شده است. مهمترين مزيت استفاده از روش يادگيري ميدان تصادفي شرطي، حجم کم دادگان مورد نياز برای ساخت مدل است. مقايسه‌ي اين روش و روش ماشين بردار پشتيبان روي حجم يکساني از دادگان آموزشي و آزمايشي نشان مي‌دهد که ميدان تصادفي شرطي 22/14% بهتر از روش ماشين بردار پشتيبان عمل کرده و در مقابل نويز نيز پايدارتر است.

یادگیری ماشین با رویکرد با ناظر امروزه پایهی بسیاری از فعالیت‌های مختلف در حوزه پردازش زبان طبیعی است. اگرچه این روش‌ها به موفقیت‌هایی دست یافته‌اند اما در مقابل نیازمند فراهم شدن حجم زیادی از داده آموزشی توسط یک تفسیر کننده مانند انسان است، که گاها هزینه‌های بالایی را در بر خواهد داشت. علاوه بر این در بیشتر روش‌های یادگیری با ناظر ترتیب انتخاب نمونه‌های آموزشی بر اساس تصادف صورت می‌گیرد، در مقابل برای برطرف کردن مشکلات مذکور یادگیری فعال مطرح می‌شود که در آن به شکلی تکرار شونده نمونه‌هایی با بیشترین اثر مطلوب بر فرآیند آموزش انتخاب می‌شوند. نتایج آزمایشات نشان می‌دهد در آموزش یک مدل برچسب‌زنی دنباله فارسی بر اساس پیکره متنی زبان فارسی تنها با استفاده از 9.36% از کل داده‌های آموزشی به دقت برچسب زنی تا 96.28% رسید و این در حالی است که دقت برچسب زنی با بکارگیری کل نمونه‌ها 96.45% می‌باشد.

تشخیص زبان به صورت خودکار، در واقع مسأله تشخیص زبان، برای یک نمونه گفتار صحبت شده توسط سخنگوی نامعلوم است. در دهه گذشته، روش¬های متعددی برای تشخیص خودکار زبان پیشنهاد شده است. این روش¬ها، بر پایه استخراج ویژگی¬های خاص هر زبان، شامل مجموعه آواشناسی، واج آرایی و علم عروضی و بدیعی بودند. در این مقاله روش جدیدی پیشنهاد شده است که مستقل از اطلاعات زبان¬شناسی بوده و از تبدیل موجک برای استخراج خواص صوتی سیگنال گفتار استفاده می¬کند. انتخاب ویژگی¬های لازم جهت دسته¬بندی زبان، از میان ضرایب تبدیل موجک، بر اساس کاهش ابعاد فضای ضرایب، بر مبنای الگوریتم گسسته سازی چند بازه¬ای و سپس اعمال الگوریتم رتبه بندی ویژگی ها انجام می¬شود. روش پیشنهادی علاوه بر آنکه درصد تشخیص را برای نمونه¬های زبانی دو به دو 10 ثانیه¬ای و 45 ثانیه¬ای بهبود داده است، قادر به تشخیص نوع زبان از میان 5 زبان گوناگون نیز می¬باشد.

ایجاد چندضلعی ساده تصادفی و شبه مثلث¬بندی یک چندضلعی از مسائل مطرح در هندسه محاسباتی محسوب می¬شوند. تولید چندضلعی تصادفی در زمینه بررسی صحت و درستی الگوریتم¬ها مورد استفاده قرار می¬گیرد. در این مقاله الگوریتمی جدید برای ایجاد یک چندضلعی ساده حلزونی از مجموعه نقاط تصادفیS در صفحه با استفاده از پوسته¬های محدب لایه¬ای ارائه شده است که به طور همزمان نیز شبه مثلث¬بندی روی آن انجام می¬شود. این الگوریتم ابداعی جدید دارای مرتبه زمانی O(nlogn) است، لذا جزو الگوریتم¬های بهینه به شمار می¬آید.

در این مقاله یک روش تشخیص جنسیت جدید با دقت دسته‌بندی و قابلیت اعتماد بالا ارایه شده است. در این روش از نوعی استخراج مشخصه بر اساس عملگر آنالیز بافت الگوی باینری محلی استفاده شده است. این تکنیک قادر است بدون تحمیل عوارض جانبی از جمله افزایش بیش از حد حالت‌های ممکن و محاسبات زیاد، با توسعه فضای همسایگی اطراف نقاط در هنگام استخراج اطلاعات، باعث بدست آمدن اطلاعات دقیق‌تری در مورد ساختارهای موجود در تصویر شود. این روش به علت سرعت بالای استخراج مشخصه، قابلیت به کارگیری در سیستم‌های بلادرنگ تشخیص جنسیت اشخاص را دارا است. نتایج بدست آمده از پیاده‌سازی روش پیشنهادی نشان‌دهنده دقت بالای این روش و برابر97.43% است

معماري سرويس گرا با امكان سازي ايجاد چابكي و انعطاف پذيري لازم در سازمان ها، تحولي شگرف و نوين را در عرصه مهندسي نرم افزار فراهم آورده است كه دراين ميان ، استاندارد BPEL راه را براي ساخت پيمانه هاي جديد براساس تركيبي از سرويس ها، هموار نموده است. اگرچه تلاش هاي زيادي براي اثبات درستي عمليات پذيري سرويس هاي تركيبي براساس روش هاي رسمي انجام گرديده ، پيش بيني ويژگي هاي غيرعملياتي نظير كارآيي، قابليت اطمينان و دسترس پذيري كمتر مورد كنكاش قرار گرفته است. نوآوري ما ابداع يك رويكرد تحليلي مبتني بر شبكه پتري تصادفي و تئوري صف مي باشد كه كارآيي يك گردش كاري را محاسبه مي نمايد. اين مدل براي انواع فرآيندهاي پايه اي توالي ، شرط ، توازي و حلقه مورد آزمون قرار گرفته كه بدليل حجم زياد محاسبات، براي يك نمونه فرآيند تركيبي محاسبات انجام و ارائه شده است. به منظور تصديق مدل، نمونه فرآيند تركيبي همزمان در نرم افزار Arena مدلسازي و نتايج، مقايسه گرديده كه باتوجه به ميزان انحراف اندك نتايج ، صحت مدل تاييد مي گردد. لذا این رویکرد ، قابلیت بکارگیری جهت محاسبه و تخمین کارآیی ، قابلیت اطمینان ، در دسترس بودن و ديگر ويژگي¬هاي غيرعملياتي را داشته و در صورت اجرا در زمان قبل از اجرا جهت سرویس های BPEL ، زمینه اطمینان دهی اجرای تعهدات را به سرویس گیرندگان از سوی سرویس دهندگان فراهم می آورد.

توپولوژي تصادفي شبكه‌هاي حسگر بي‌سيم، تشخيص مكان حسگرها را به يكي از مهمترين چالشهاي فراروي توسعه كاربرد اين نوع از شبكه‌ها تبدیل نموده است. از میان راه حل‌های ارائه شده اخیر، الگوریتم اکتشافی مبتنی بر تکنیک Simulated Annealing بدلیل نتایج مطلوبی که به همراه داشته بیش از سایر روش‌ها مورد توجه قرار دارد. با وجود دقت بالای این روش در شبکه‌های پرتراکم، ضعف اصلی این الگوریتم افزایش زمان فرایند مکان‌یابی متناسب با افزایش سایز شبکه است و این در حالی است که در شبکه‌های کم‌تراکم نیز دقت الگوریتم افت محسوسی می‌یابد. هدف از این مقاله ارائه راه‌کاری در جهت افزایش کارایی این الگوریتم است. در الگوریتم پیشنهادی به جای تخمین کاملا تصادفی روش SA، ابتدا با بکارگیری روش trilateration تخمین نسبتاً مناسبی از مکان حسگرها بدست می‌آید و به این ترتیب حجم محاسبات در آغاز اجرای الگوریتم به شدت کاهش یافته و زودتر به نتیجه نهایی خواهیم رسید. علاوه بر این با تغییر تابع هزینه در فاز اول، مشکل قرارگیری حسگرهای شبکه در موقعیت وارونه (Flip) تا حدود زیادی برطرف شده‌ و در نتیجه خطای الگوریتم کاهش می‌یابد‌. نتایج ارزیابی‌ها بیانگر افزایش تقریبا دو برابری میانگین سرعت است که این افزایش به خصوص در شبکه های پرتراکم محسوس‌تر خواهد بود. این افزایش سرعت در حالی است که الگوریتم پیشنهادی خطای مکان‌یابی را نیز به حدود نصف کاهش داده است.