انجمن کامپیوتر ایران

Electrocardiogram (ECG) signals are widely used in healthcare systems for monitoring vital status of patients. Anomalous patterns in ECG of a patient might trigger an alarm for an emergency case; therefore anomaly detec-tion is a basic problem in health monitoring systems. In this paper, we propose a hidden Markov model (HMM) based novel anomaly detection framework, which uses SAX1-represented ECGs. According to basic investigations, typical HMM and SAX are not good candidates for anomaly detection, because of low resolu-tion of SAX. However, we contribute a threshold-based hidden Markov model which compensates for the SAX low-resolution problem. Furthermore, our pro-posed threshold reduces the dependency of the model to the distribution of hidden state by taking into account the likelihood probability of anomalous patterns. Re-sults of experiments demonstrate that the threshold based HMM labels samples with the accuracy of 96% and 99% in two datasets

یکی از حوزه‌های مهم در داده کاوی و یادگیری ماشین، حوزه شناسایی داده پرت می‌باشد. روش‌های بسیاری برای شناسایی داده پرت ارائه شده که همه آن‌ها از فرض یکسان بودن توزیع احتمال داده‌های تست نسبت به داده‌های آموزش پیروی می‌کنند. اما در بسیاری از برنامه¬های کاربردی واقعی نظیر شناسایی اسپم یا تقلب، تفاوت توزیع داده‌های آموزش و تست یک امر رایج است. این حالت به شرایط تغییرتوزیع مجموعه داده معروف است. مطالعات ما نشان می‌دهد که هیچ یک از روش‌های موجود برای شناسایی داده پرت در شرایط تغییر توزیع مجموعه داده عملکرد مناسبی ندارند. مقاله حاضر یک روش نیمه نظارتی سه مرحله‌ای برای شناسایی داده پرت تحت شرایط تغییر مجموعه داده ارائه می‌نماید. در مرحله نخست با بکارگیری تکنیک تخمین نسبت چگالی که یک روش وزن دهی بر اساس اهمیت است، وزن نمونه-های آموزش تعیین می‌شود. سپس با استفاده از یک روال نیمه نظارتی ابتکاری نمونه‌هایی از مجموعه آموزش که نماینگر توزیع واقعی داده‌های تست هستند، انتخاب می گردند. در مرحله آخر با استفاده از روش اصلاح شده شناسایی داده پرت بر مبنای داده¬های متعارف، داده‌های پرت موجود شناسایی می‌شوند. نتایج آزمایشات نشان می‌دهند که از نظر تطبیق با شرایط تغییرتوزیع مجموعه داده روش پیشنهادی عملکرد بهتری نسبت به روش‌های موجود دارد

بیماری پارکینسون از جمله بیماری‌های عصبی و عضلانی است که با گذشت زمان نشانه‌های مختلفی در رفتار حرکتی افراد مبتلا ظاهر می‌شود. این نشانه‌ها و الگوهای خاص حرکتی بیشتر در نحوه راه رفتن افراد بروز می‌کند. شناسایی خودکار الگوهای مختص به بیماری پارکینسون نقش بسزایی در تشخیص افراد بیمار پارکینسونی ایفا می‌نماید. این مطالعه، کاربرد پردازش تصاویر ویدیویی را در تشخیص خودکار بیماری پارکینسون نشان می‌دهد. روش پیشنهادی مبتنی‌بر استخراج الگوهای حرکتی توأم با ویژگی‌های فرکانسی حرکت و کاهش بعد در جهت تشخیص خودکار بیماری می‌باشد. الگوهای حرکتی با محاسبه زاویه بین دوپا در هر فریم از تصاویر ویدیویی محاسبه شده‌است. سپس، سیگنال حرکتی بر حسب زمان با کنار هم قراردادن الگوی هر فریم بدست آمده‌است. مولفه‌های فرکانسی سیگنال به عنوان ویژگی استخراج شده و افزایش سرعت و دقت سامانه‌ی تشخیص بیماری پارکینسون با استفاده‌از روش‌های کاهش‌بعد محقق شده‌است. کارایی روش پیشنهادی روی داده‌های جمع‌آوری شده در بیمارستان حضرت رسول اکرم (ص) بررسی گردید. نتایج حاصل بیانگر تفکیک گروه افراد سالم از بیماران پارکینسونی مبتنی‌بر دو طبقه‌بند ماشین‌ بردار پشتیبان و 5 همسایه نزدیکتر با دقت 93% می‌باشد.

در این مقاله روشی برای شناسایی چهره با استفاده از یک رویکرد کاهش بعد بدون اتلاف ارائه شده است. در این روش به جای نگاشت داده بر یک زیرفضا یا منیفولد کم بعد که موجب از دست رفتن اطلاعات می‌شود، فاصله داده از آن زیرفضا یا منیفولد به عنوان جریمه نگاشت در یادگیری یک مدل پیشگو مورد استفاده قرار می‌گیرد. بدین ترتیب از مزایای کاهش بعد در مدل پیشگو استفاده می‌شود، و در عین حال جلوی از دست رفتن اطلاعات مفید گرفته می‌شود. در روش پیشنهادی ابتدا یک منیفولد زیربنایی محلی خطی با استفاده از مدل ترکیبی تحلیل مؤلفه اصلی احتمالاتی از نمونه داده‌ها به دست می‌آید. سپس دسته بند ماشین بردار پشتیبان به عنوان مدل پیشگوی مذکور با استفاده از این منیفولد محلی خطی آموزش داده می‌شود. برای آموزش و ارزیابی روش پیشنهادی، چند پایگاه داده شناخته شده برای چهره مورد استفاده قرار گرفته است. نتایج آزمایش بر روی این پایگاه داده‌ها نشان می‌دهد که روش پیشنهادی نسبت به بسیاری روش‌های معمول که کاهش بعد را انجام داده و سپس دسته بند را آموزش می‌دهند، و همچنین نسبت به روش جریمه نگاشت مبتنی بر مدل‌های کاهش بعد خطی و غیرخطی دقت بیشتری دارد.

مسئله تجزیه چندضلعی‌ها یک مسئله کلاسیک در هندسه محاسباتی است، که همواره از بحث‌های مورد علاقه پژوهش-گران بوده است. اجزای تولید شده از تجزیه چندضلعی به اجزای تقریبا محدب نسبت به اجزای تولید شده محدب، قابلیت محاسباتی بالاتری دارند و از نظر تعداد قابل مدیریت‌ترند. یک روش جدید برای تجزیه چندضلعی ساده به اجزای تقریبا محدب الگوریتم FACD است، در این الگوریتم کیفیت اجزای تولید شده بهبود یافته و تجزیه‌ای با میزان بصری بودن بالا تولید می‌شود. یکی از معایب این الگوریتم پیچیدگی زمانی نسبتا بالای آن می‌باشد. از آنجا که در مباحث گرافیک کامپیوتری زمان محاسبات یک فاکتور مهم به حساب می‌آید، ما در این پژوهش پیچیدگی زمانی الگوریتم FACD را محاسبه کرده و با انجام یک پیش‌پردازش پیچیدگی زمانی آن را کاهش داده‌ایم و الگوریتم بهبود یافته را با نام IFACD ارائه کرده‌ایم.

فرآیند معماری سازمانی شامل سه فاز کلی برنامه‌ریزی راهبردی، تدوین معماری سازمانی و اجرای معماری سازمانی می‌باشد، هر فاز به عنوان پیش‌نیازی برای فاز بعدی به شمار می‌رود. در این فرآیند، اگر برنامه معماری سازمانی به درستی انجام نشده باشد، اجرای معماری سازمانی با مشکل مواجه می‌شود و در نتیجه میزان زیادی هزینه و زمان به هدر خواهد رفت. برای اجتناب از تلف‌شدن سرمایه و زمان که به دلیل برنامه‌ریزی نامناسب معماری سازمانی رخ می‌دهد، ارائه روشی برای ارزیابی برنامه معماری سازمانی، قبل از شروع به اجرای معماری سازمانی، می‌تواند بسیار مفید باشد. روش‌های متنوعی برای ارزیابی معماری سازمانی پیشنهاد شده است ولی هیچ‌کدام از این روش‌ها توانایی توصیف و ارزیابی معماری سازمانی را در شرایطی که سازمان دارای فرآیندها یا داده‌های غیرقطعی باشد را ندارند. در این مقاله هدف ارائه روشی جدید جهت ارزیابی قابلیت اطمینان معماری سازمانی با وجود عدم قطعیت در فرآیندها و داده‌های معماری سازمانی است. برای حصول این هدف محصولات معماری سازمانی فازی به شبکه‌های پتری فازی تبدیل می‌شوند و با استفاده از شبکه‌های پتری فازی که مدلی قابل اجرا هستند، به ارزیابی قابلیت اطمینان پرداخته می‌شود. در پایان جهت شفاف‌تر شدن ایده مقاله سیستم رزرو هتل مورد مطالعه قرار گرفته است.

با توجه به مصرف انرژی قابل توجه مراکز داده و همچنین افزایش قیمت انرژی، کاهش هزینه‌ی مراکز داده به یک مسئله‌ی مهم تبدیل شده است. تنوع زمانی و مکانی قیمت انرژی، فرصت کاهش هزینه‌ی کلی مراکز داده را از طریق مهاجرت کارها به مکان‌هایی با قیمت انرژی کمتر، فراهم کرده است. با این حال، مهاجرت نادرست بار کاری به دلیل نادیده‌گرفتن هزینه‌ی خنک سازی، ممکن است افزایش قابل توجهی در هزینه‌ی کلی مراکز داده را به دنبال داشته باشد. در این کار ما یک روش مهاجرت بار کاری بین مراکز داده‌ ارائه می‌دهیم، که علاوه بر در نظر گرفتن هزینه‌ی محاسباتی، هزینه‌ی خنک‌سازی را نیز در تصمیمات مهاجرت خود در نظر می‌گیرد. دو ویژگی‌کار ما را از سایر کارهای مشابه متمایز می‌کند : اول; ما فرض می‌کنیم که هزینه‌ی خنک سازی با توجه به بهره‌وری مرکز داده، به صورت غیر خطی افزایش می‌یابد. دوم; هزینه‌ی خنک سازی را بدون در نظر گرفتن هیچ فرضی از چگونگی کار سیستم خنک کننده مرکز داده، مدل می‌کنیم. در مدل مهاجرت پیشنهادی، ما مشخص می‌کنیم که چه مقدار بار کاری باید از یک مرکز داده به دیگر مراکز داده مهاجرت کند و همچنین چه تعداد سرور باید در هر مراکز داده برای اجرای بار کاری روشن شود. در نهایت، با استفاده ازtrace های MapReduce، روش پیشنهادی را ارزیابی می‌کنیم و نشان می‌دهیم که روش پیشنهادی کاهش هزینه قابل توجهی،23.4%، را به دنبال دارد.

شبکه‌های حسگر بی سیم از تعداد زیادی گره‌ی حسگر تشکیل شده است که می‌توانند اطلاعات محیطی را جمع آوری کرده و بعد از پردازش اولیه، آنها را برای تجزیه و تحلیل دقیق به ایستگاه پایه ارسال کنند. یکی از مشکلات این شبکه‌ها، طول عمر آن است. روش‌های مختلفی برای حل آن ارائه شده است که مهم ترین آن خوشه بندی گره‌ها می‌باشد. در این مقاله روشی پیشنهاد شده است که بر پایه خوشه بندی مبتنی بر انرژی (EBC) است. در روش پیشنهاد شده تعداد سر خوشه‌ها بر مبنای گره‌های زنده و معیار انتخاب سر خوشه‌ها بر اساس انرژی باقیمانده‌ی گره‌ها می‌باشد. نتایج شبیه سازی نشان می‌دهد که روش EBC انرژی کمتری برای انتقال اطلاعات مصرف می‌کند و هم چنین طول عمر شبکه را افزایش می‌دهد.

در بحث مهندسی نرم‌افزار طراحی معماری‌های قابل توسعه و قابل اجرا بنحوی که امکان ارزیابی صفات عملیاتی و غیر عملیاتی سیستم در حال طراحی را فراهم سازند، اهمیت خاصی دارد. یکی از روش‌های ایجاد معماری‌های قابل اجرا استفاده از زبان‌های رسمی در توصیف معماری است. با این روش می‌توان سیستم را دقیق و بدون ابهام بیان کرد و امکان وارسی آن را قبل از پیاده‌سازی فراهم ساخت. در این مقاله معماری مبتنی بر مؤلفه با زبان رسمی سیستم تبدیل گراف توصیف و مدل‌سازی شده است. سپس این زبان به منظورتحلیل و ارزیابی صفت غیرعملیاتی کارایی به زبان مدل-سازی PEPA تبدیل شده است. در نهایت مدل‌سازی و نتایج حاصل از آن مانند توان‌عملیاتی وکارایی سیستم با استفاده از دو مورد مطالعه نشان داده شده است.

در رویکرد توسعه مبتنی بر مدل، UML به همراه OCL به عنوان یک استانداردی که به طور گسترده پذیرفته شده، در فرآیند تولید و توسعه نرم افزار بکار گرفته شده است. از آنجاییکه وارسی مدل تاثیر قابل ملاحظه ای روی کیفیت تولید نرم افزار نهایی دارد و وارسی مدل UML به همراه OCL یک مسئله تصمیم ناپذیر است در این مقاله روش جدیدی مبتنی بر الگوریتم کلونی زنبور عسل مصنوعی و درخت نحو مجرد OCL ارائه شده است که بطور خودکار مدل UML/OCL را وارسی میکند.

امروزه، حجم وسیع اطلاعات به گونه‌ای است که دسترسی به داده‌های مورد نیاز از میان این حجم وسیع خود به دغدغه‌ای برای مدیران تبدیل شده است. از سوی دیگر درهم تنیدگی فعالیت‌های کسب‌وکار به گونه‌ای است که تصمیم‌گیری در یک حوزه خود نیازمند استحصال داده‌هایی از حوزه‌های دیگر است. فناوری‌هایی که زنجیره‌ای از استخراج، تجمیع، الگو یابی، تحلیل و نمایش داده‌های مورد نیاز را پشتیبانی می‌کنند مفهومی بنام هوش تجاری را شکل می‌دهند. و در این زنجیره، آنچه با نام سیستم‌های پردازش تحلیلی برخط (OLAP) خوانده می‌شود، وظیفه تحلیل داده‌های در اختیار قرارگرفته از منابع داده‌ای مختلف را بر عهده دارد. با توجه به تعدد نرم‌افزارهای انحصاری و متن باز در حوزه سیستم‌های پردازش تحلیلی برخط و همچنین درهم تنیدگی این فناوری و مفهوم آن با فناوری‌های مجاور در زنجیره هوش تجاری، در اختیار داشتن یک معماری مفهومی به منظور ایجاد چارچوب اجزاء تشکیل‌دهنده سیستم‌های پردازش تحلیلی برخط و همچنین چگونگی استقرار آنها می‌تواند راهگشای فعالیت‌های استقرار هوش تجاری در سازمان‌ها و صنایع باشد. در این پژوهش با استفاده از بررسی تطبیقی معماری هوش تجاری در پنج نرم‌افزار معروف تجاری و همچنین مدل‌سازی زنجیره هوش تجاری با تمرکز بر سیستم‌های پردازش تحلیل برخط، سعی شده تا یک معماری مفهومی پیشنهادی جهت این سیستم‌ها ارائه گردد. این معماری مفهومی علاوه بر کاربرد جهت طراحی و پیاده‌سازی سیستم‌های بومی پردازش تحلیل برخط، جهت فهم بهتر کارکرد این سیستم‌ها و همچنین برای مقاصد آموزشی مفید خواهد بود.

امروزه موضوع مسیریابی سینک‌های متحرکی که دارای هیچ‌گونه مسیر از پیش تعریف شده‌ای نیستند با هدف رسیدن به عملکردی بهتر از سینک(های) ثابت مورد توجه زیادی واقع شده است. تغییرات غیرمنتظره‌ای که سینک(های) متحرک در توپولوژی شبکه ایجاد می‌کنند اگرچه از یک سو سربار زیادی را برای کشف مسیرهای جدید به وجود می‌آورد ولی از سویی دیگر به دلیل استفاده‌ی بهینه از انرژی گره‌ها، افزایش طول عمر شبکه را بدنبال دارد. هر یک از استراتژی‌های موجود، در جهت بهبود مجموعه‌ای از ویژگی‌های مربوط به شبکه‌های حس‌گر بی‌سیم تلاش کرده‌اند تا با حفظ ویژگی تحرک سینک معیارهای بیشتری را مد نظر قرار دهند. تمرکز اصلی این مقاله بر روی پروتکل‌های مسیریابی موجود با سینک متحرک به منظور بررسی ویژگی‌های ذاتی روش‌ها و نقاط قوت و ضعف آن‌ها است. نتایج ارزیابی نشان داد که هر چند هر یک از پروتکل‌های پیشنهادی با دیدگاه خاصی سعی در بهبود چالش‌های موجود در شبکه‌های حس‌گر بی‌سیم داشته‌اند، اما در اکثر مواقع بهبود یک یا چند ویژگی تأثیر نامطلوبی را بر روی دیگر ویژگی‌ها داشته است.

نقش سیستم‌های اطلاعاتی در زندگی امروزی به‌صورت روزافزون در حال گسترش است. اضافه نمودن معنا به اطلاعات این سیستم‌ها باعث بهبود کارایی آنها می‌شود. آنتولوژی (پایگاه شناخت) ابزاری مناسب برای تحقق چنین بهبودی است. دانش دامنه ممکن است دارای ماهیتی پویا باشد، بدین معنی که دانش مذکور باید با گذشت زمان و تغییرات دامنه تغییر نمایند. در چنین مواردی پایگاه شناخت باید با رخ دادن هر تغییر دوباره ساخته یا اصلاح شود. روند تولید یک پایگاه شناخت مسیری طولانی و زمان‌بر است، در نتیجه هزینه تولید مجدد و نگهداری پایگاه شناخت برای یک سیستم بسیار گران خواهد بود. برای کاهش این هزینه روش‌های تکامل پایگاه شناخت پیشنهاد می‌شود. در این روش‌ها نیازی به ساخت مجدد پایگاه شناخت در اثر بروز یک تغییر نیست. بلکه با اعمال تغییرات مورد نیاز بر روی نسخه فعلی، نسخه جدید تولید می‌گردد. یکی از مشکلات روش‌های تکامل پایگاه شناخت عدم وجود یک دسته‌بندی از انواع تغییرات ورودی است. در این مقاله دسته‌بندی جامعی از انواع تغییرات ممکن در روند تکامل ارائه می‌شود. وجود یک چنین دسته‌بندی کمک بسیاری به مهندسین تکامل پایگاه شناخت می‌کند تا درک بهتری از انواع تغییرات ورودی داشته و مدیریتی بهتر بر روند تکامل پایگاه شناخت داشته باشند.

هدف شبکه‌های حسگر بی‌سیم و سامانه‌های حسگر هوشمند، انتقال اطلاعات به یک ایستگاه پایه و در صورت لزوم، تصمیم گیری از روی آن برای انجام عملیاتی بخصوص است. این اطلاعات توسط حسگرها از محیط جمع آوری می‌شود. در نتیجه نقش حسگرها بسیار پر اهمیت است که معمولاً از دید محققان و طراحان این زمینه کمتر مورد توجه قرار می‌گیرد. حسگرها را می توان از نقطه نظر پارامتر اندازه گیری به انواع مکانیکی، الکتریکی، گرمایی، مغناطیسی، درخشندگی، شیمیایی و زیستی تقسیم بندی کرد. طی سال‌های اخیر حسگرهای زیستی پیشرفت‌های زیادی در عرصه‌های گوناگون داشته‌اند. این حسگرها به منظور پایش فرآیندهای زیستی موجودات زنده به مراتب بیشتر از قبل در حوزه‌های مختلف مانند کاربردهای سلامت و پزشکی، کشاورزی و تکنولوژی موجود در ماشین آلات مورد استفاده و تحقیق قرار‌گرفته‌اند. در اين مقاله، چند حسگر زیستی را انتخاب کرده و به بیان کاربرد، عملکرد و نیز سیستم آن‌ها پرداخته‌ایم. حسگرهای زیستی انتخاب‌شده در حوزه‌های مختلفی از نقطه نظر جمع‌آوری اطلاعات از پدیده‌ی مورد ارزیابی، قرار دارند. بدین منظور، پس از معرفی و بررسی هر کدام ، ویژگی‌های آن از قبیل زمان پاسخ، نحوه¬ی ارتباط با پدیده‌ی مورد ارزیابی و مرحله‌ی اجرایی یا تحقیقاتی آن‌ها، در قالب جدولی ارائه شده است.

خوشه‌بندی به‌عنوان یک روش یادگیری بدون نظارت، یکی از تکنیک‌های اصلی داده‌کاوی محسوب می‌شود. انباره داده یک منبع داده خوب برای روش‌های داده‌کاوی ازجمله خوشه‌بندی است. در محیط‌های انباره داده، به‌صورت دوره‌ای حجمی از داده‌ها به داده‌های موجود اضافه می‌شود. در این حالت، خوشه‌های کشف‌شده از داده‌های موجود در انباره داده باید به‌روز شوند. در این مقاله یک الگوریتم خوشه‌بندی مبتنی برچگالی افزایشی ارائه شده است که توانایی استفاده در محیط‌های انباره داده شامل داده‌های با چگالی متفاوت را دارد. الگوریتم ارائه‌شده علاوه بر افزودن افزایشی نقاط، توانایی افزودن افزایشی خوشه‌ها را نیز دارد. الگوریتم افزایشی ارائه‌شده با توجه به مقایسه‌ای که انجام داده‌ایم، بر مبنای یکی از بهترین الگوریتم‌های خوشه‌بندی مبتنی برچگالی که قابلیت کشف خوشه‌های با چگالی متفاوت را دارد، ارائه شده است. روش کار الگوریتم ارائه‌شده به این صورت است که ابتدا نقاط جدید اضافه‌شده را با استفاده از الگوریتم MD-DBSCAN خوشه‌بندی می‌کند و سپس خوشه‌های حاصل را به خوشه‌های موجود در انباره داده اضافه می‌کند. ما الگوریتم پیشنهادی را بر روی مجموعه داده‌های استاندارد آزمایش کرده‌ایم. نتایج آزمایش‌ها نشان می‌دهد که الگوریتم IMD-DBSCAN دارای دقت بالایی بوده و نسبت به الگوریتم MD-DBSCAN برای به‌روز کردن خوشه‌ها نیاز به پرس وجو ناحیه‌ای بسیار کمتری دارد و درنتیجه دارای افزایش سرعت بسیار خوبی بوده است.

گسترش کاربرد توجه بينايي در زمينه‌هاي مختلف علوم کامپيوتر و بينايي ماشين سبب ايجاد انگيزه‌هاي بيشتر براي طراحي و توسعه الگوريتم‌هاي تشخيص برجستگي شده است. از جمله اين کاربردها مي‌توان به بخش‌بندي هوشمند تصوير، بازيابي هدف در تصوير و يا فشرده‌سازي تصوير اشاره کرد. با اين وجود بسياري از روش‌هاي موجود قادر به شناسايي نواحي برجسته در صحنه‌هايي با زمينه شلوغ و زمينه تکراري به صورت همزمان نيستند. از اين رو در اين مقاله، يک روش شناسايي نواحي برجسته مبتني بر تبديل موجک ايستان با استفاده از وزندهي جزئيات در هر مقياس تبديل موجک براي حل اين مسئله ارائه داديم که مي‌تواند نواحي برجسته را براي زمينه‌هاي مختلف با دقت بالا شناسايي کند. پارامترهاي اين روش ابتدا بر روي يک پايگاه تصاوير تنظيم شده، سپس الگوريتم پيشنهادي بر روي پايگاه تصاوير بزرگتري بر اساس استانداردهاي موجود با روش‌هاي ديگر در زمينه شناسايي نواحي برجسته مورد ارزيابي و مقايسه قرار داده مي‌شود. نتايج روش پيشنهادي دقت بالاتر آن نسبت به ديگر روش‌هاي شناسايي نواحي برجسته را نشان مي‌دهد.

امروزه با توجه به رشد فراوان دستگاه های چند رسانه ای مدیریت تصاویر کاربران در این دستگاه ها نیز به چالشی مهم تبدیل شده است. حاشیه نویسی خودکار تصاویر میتواند شکاف معنایی میان تصاویر را به میزان قابل توجهی کاهش دهد. مدل پیشنهادی در این مقاله استفاده از شبکه های عصبی برای دسته بندی تصاویر مشابه است، بطوریکه پس از بدست آوردن بردار ویژگی های تصاویر آموزشی برای دسته بندی آنها را به ورودی شبکه های عصبی می دهیم. بردار ویژگی های ما شامل 2 بخش ویژگی های رنگ و ویژگی های بافت است. که برای رنگ از Correlogram و برای بافت از فیلتر گابور استفاده شده است. پس از پایان بخش آموزش که با استفاده از الگوریتم پس انتشار (BackPropagation) اجرا می شود، بردار ویژگی های تصاویر تست به ورودی شبکه عصبی ساخته شده داده می شود تا تصاویر مشابه را برای ما مشخص کند. با استفاده از کلمات کلیدی تصاویر مشابه تصویر تست را حاشیه نویسی می کنیم. نتایج آزمایشات بر روی تصاویر Corel5k خود گواه این موضوع است که استفاده از ویژگی های مناسب در دسته بندی دقیق مهم بوده و در دقت و کیفیت حاشیه نویسی موثر است.

با رشد و گسترش روزافزون شبکه‌ی جهانی اینترنت و توسعه‌ی فناوری اطلاعات نیازهای جدیدی در رابطه با حفاظت از حق تألیف و اصالت محصولات چندرسانه‌ای مطرح شده است. مهم‌ترین راه‌کاری که برای این موضوع پیشنهاد شده، نهان‌ نگاری دیجیتال است. در این روش با استفاده از الگوریتم خاصی، اطلاعاتی را برای شناسایی اثر در درون آن می‌گنجانند تا ارتباط محصول مورد نظر با مؤلف واقعی آن از طریق این اطلاعات مخفی احراز گردد. مسلماً برای کاربرد حفاظت از حق تألیف، این اطلاعات باید در مقابل تعدادی از عملیات پردازش سیگنال و همچنین نسبت به حملات عمدی و غیرعمدی (فشرده‌سازی ، فیلترکردن و ...) که احتمالاً روی آن اعمال می‌شود، مقاومت داشته باشد. نهان نگاری دیجیتال اهداف بسیاری مانند اثبات حق مالکیت ، احراز اصالت محتوی و کنترل تعداد نسخه های چاپ شده از یک اثر را محقق ساخته است. در این مقاله یک روش واترمارکینگ نوین را با قابلیت شناسایی تغییرات غیرمجاز با استفاده از تبدیل موجک، نگاشت‌های آشوب و روش خوشه‌بندی k-means، معرفی کرده و به بررسی آن می‌پردازیم و با انجام آزمایشات گوناگون عملکرد روش پیشنهادی را ارزیابی و نتایج ‌آن را بازگو می‌نمایم.

ماشین بردار پشتیبان ( SVM ) یک طبقه‌بند دو کلاسه است که در سال های اخیر بسیار مورد توجه قرار گرفته است. عملکرد این طبقه‌بند به مقدار پارامترهای آن از جمله پارامتر C ( Penalty factor ) و پارامتر موجود در کرنل بستگی دارد. همچنین انتخاب تابع کرنل مناسب هم تاثیر بسزایی در بهبود عملکرد آن دارد. در کنار موارد ذکر شده انجام فرایند انتخاب ویژگی نه تنها می تواند باعث بهبود عملکرد طبقه‌بند مذکور شود بلکه باعث کاهش زمان آموزش و پیچیدگی محاسبات نیز می‌گردد. در این پژوهش ما از الگوریتم چند‌هدفه‌ی PSO ( MOPSO ) در بهینه‌‎سازی طبقه‌بند ماشین بردار پشتیبان برای دو تابع هدفِ نرخ بازشناسی و قابلیت اطمینان استفاده کرده‌ایم.