انجمن کامپیوتر ایران

در سیستم‌های معمول بازشناسی احساس گفتار، معمولا توزیع دادگان منبع (آموزش) و هدف (آزمایش) یکسان در نظر گرفته می‌شود. اما دقت این سیستم‌ها برای گفتار با لهجه یا زبان دیگر و در حالت متفاوت بودن توزیع دادگان منبع و هدف، با افت مواجه می‌شود. برای حل این مشکل، می‌توان از روش‌های انتقال یادگیری و تطبیق دامنه استفاده کرد. در این مقاله، دو روش برای حل این مشکل پیشنهاد می‌شود. در روش پیشنهادی اول، ابتدا مدل با دادگان منبع و سپس با بخشی از دادگان هدف آموزش می‌بیند. در روش پیشنهادی دوم، ابتدا مدل با دادگان منبع آموزش داده می‌شود، سپس برای تطبیق با دادگان هدف، یک لایه‌ی تطبیق خطی در ورودی به مدل اضافه می‌شود و صرفا لایه‌ی جدید با بخشی از دادگان هدف آموزش می‌بیند. برای ارزیابی روش‌های پیشنهادی از چهار شبکه‌ی عصبی عمیق با ساختارهای متفاوت استفاده شده است. نتایج روش‌ها بر روی دادگان IEMOCAP (زبان انگلیسی-دادگان منبع) و EMODB (زبان آلمانی-دادگان هدف) مورد ارزیابی قرار گرفته است. نتایج بیانگر این هستند که روش پیشنهادی اول به طور نسبی 35% و روش پیشنهادی دوم به طور نسبی 36% روی دادگان EMODB نسبت به مدل پایه (مدل بدون استفاده از انتقال یادگیری و لایه‌ی تطبیق) افزایش دقت داشته‌اند.

کیفیت سرویس دهی به معنی توصیف یا اندازه‌گیری کاراییِ کلی مرتبط با یک سرویس است. یکی از عوامل موثر در کیفیت سرویس‌دهی شبکه، کنترل ازدحامِ داده در مسیریاب‌ها می‌باشد. مدیریت صف فعال (AQM) به عنوان یک راه حل به منظور کنترل ازدحام در شبکه‌های TCP به شمار می‌رود. این روش مبتنی بر دور انداختن یا علامت‌گذاری بسته‌ها در صف مسیریاب است. با ورود مهندسی کنترل به حیطه کنترل ازدحام، زمینه مساعدی برای بهبود عملکرد شبکه‌های کامپیوتری فراهم شده است. در این پژوهش یک سیستم کنترلی به منظور بهبود عملکرد شبکه‌های مبتنی بر مدل جریان سیال TCP ارائه می‌شود. سیستمِ کنترلی مورد نظر متشکل از کنترل‌کننده مدلغزشیِ مرتبه دوم، سیستم پیش بین حالت و یک سیستم حسابگر طول بهینه صف است. عملکرد مطلوب مورد نظر در این پژوهش، کمینه کردن تابع هزینه مبتنی بر تعداد بسته دورانداخته شده و زمان رفت و برگشت بسته می‌باشد. نتایج شبیه سازی ارائه شده در این مقاله نشان می‌دهد که سیستم کنترلی ارائه شده، علاوه بر پایدار نگهداشتن طول صف، تابع هزینه مطلوب را کمینه می‌کند.

یکی از معیارهای سنجش کارایی فرایند، زمان فرایند است. بدین منظور لازم است زمان فعالیت‌های فرایند را اندازه‌گیری نموده و با توجه به میزان حساسیت و دقتی که لازم است برای انجام آن صرف گردد، بهبود زمان فرایند انجام پذیرد. روش‌هایی که برای تخمین زمان فعالیت وجود دارد معمولا بر پایه نظرات کارشناسی یا تجربه‌های پیشین است. اما علم فرایندکاوی زمان واقعی اجرای فعالیت‌های یک فرایند را از نگاره رویداد آن استخراج نموده و بدین ترتیب امکان بهبود زمان فرایند را با کمک تکنیک‌های موجود، فراهم می‌نماید. در بهبود زمان فرایند، لازم است به میزان حساسیت و دقتی که کاربر باید صرف نماید توجه نمود. به عنوان مثال در فرایند تشخیص اطلاعات بیومتریک افراد برای جرم‌شناسی ضروری است که کاربر حداکثر دقت را صرف نماید. زیرا یک تشخیص اشتباه می‌تواند به قیمت جان یک انسان بی‌گناه تمام شود. بنابراین بهبود زمان فرایند همیشه با کاهش زمان اجرای فرایند توام نیست بلکه یافتن زمان مطلوب برای اجرای صحیح فرایند است. این مقاله پس از بررسی روش‌های پیشین محاسبه زمان یک فعالیت، تکنیک‌های فرایندکاوی را به عنوان رویکرد جدیدی که براساس زمان واقعی انجام فعالیت‌های یک فرایند، امکان ارتقاء هوشمندانه زمان اجرای فرایند را فراهم می‌کند، معرفی می‌نماید. بدین منظور طی یک مطالعه موردی، میانگین زمان اجرای فعالیت‌های یک فرایند با تکنیک‌های فرایندکاوی از نگاره رویداد آن استخراج شد. سپس با مطالعه تطبیقی و نظر خبرگان اصلاحاتی روی فرایند اعمال شد. نتایج حاصله نشان دهنده کوتاهتر شدن زمان فرایند است.

محاسبات بدون نیاز به سرویس‌دهنده جدیدترین مدل محاسباتی رایانش ابری است که نشان‌دهنده تکامل مدل‌های برنامه‌‌نویسی ابر و افزایش سطح انتزاع از زیرساخت است. این مدل محاسباتی مزایای زیادی برای سازمان‌ها و توسعه‌دهندگان برنامه‌های کاربردی دارد. سهولت توسعه، صرفه‌جویی در منابع و کاهش زمان عرضه محصول به بازار از جمله مزایای این مدل هستند. طبق این مدل محاسباتی، منطق یک برنامه کاربردی به واحدهایی مستقل و تک وظیفه‌ای به نام تابع تجزیه می‌شود. یکی از قابلیت‌های منحصر به فرد این مدل محاسباتی که منجر به صرفه‌جویی در هزینه‌ها می‌گردد، قابلیت مقیاس‌پذیری به صفر است. این قابلیت به دلیل آزاد کردن تمام منابع اختصاص یافته به تابع پس از اتمام اجرای آن، منجر به چالش تاخیر شروع سرد می‌گردد. هر پلتفرم برای غلبه بر این تاخیر راه حل پیشنهادی خود را دارد که در این مقاله به آن‌ها اشاره شده است. همچنین ارزیابی پلتفرم‌های مدل محاسباتی بدون نیاز به سرویس‌دهنده در این مقاله انجام شده و در نهایت با اجرای یک بنچ مارک بر روی پلتفرم Apache OpenWhisk متغیرهای مرتبط با تاخیر شروع سرد اندازه‌گیری و تحلیل شده است. متوسط تاخیر شروع سرد در این پلتفرم ۵۹ میلی ثانیه گزارش شده است.

ارزیابی از خود و همتا، موجب ترغیب یادگیرندگان برای شرکت مسئولانه در فرآیند یادگیری می‌شود. در این مقاله به بررسی ارتباط بین میزان دقت ارزیابی از خود و همتا از یک طرف و ابعاد شخصیتی نئو یادگیرندگان پرداخته می‌شود. برای این منظور داده‌های مربوط به ارزیابی یادگیرنده از خود و از همتا و نیز ابعاد شخصیتی از یک محیط یادگیری مشارکتی ترکیبی استخراج و با استفاده از آزمون خی دو، ارتباط مورد بررسی قرار می‌گیرد. در قسمتی دیگر از تحقیق ارتباط میان میزان آشنایی بین یادگیرنده و همتا و دقت ارزیابی وی از همتا مورد بررسی قرار می‌گیرد. نتایج نشان می‌دهد که با آشنایی بیشتر یادگیرنده از همتا، ارزیابی ارائه شده نیز دقت بیشتری دارد. نتایج این مقاله میتواند در هر سیستم مبتنی بر یادگیری مشارکتی به منظور بررسی دقتِ ارزیابی همتا که توسط یادگیرنده ارائه شده مورد استفاده قرار گیرد.

امروزه با توسعه‌ی فناوری در حوزه‌ی پزشکی، الکتروانسفالوگرافی دامنه‌ی وسیعی از شرایط تشخیصی را در اختیار متخصصان قرار می‌دهد که کاربردهای بالینی فراوانی دارد. مدل‌سازی پیش‌بینی الکتروانسفالوگرام می‌تواند علاوه بر استخراج مفاهیم قابل توجه، برای اثبات تشخیص صرع بکار گرفته شود. در سال‌های اخیر، تجزیه و تحلیل‌های مبتنی بر پیش‌بینی نشان دادند که رویکردهای داده محور می‌توانند با ادغام مجموعه داده‌های بالینی و تکنیک‌های یادگیری ماشین، به عنوان یک سیستم واحد و هوشمند نتایج مراقب‌های بهداشتی را ارائه دهند. در این پژوهش یک روش جهت بهبود تشخیص تشنج صرعی از سایر حالت‌های ضبط شده توسط دستگاه الکتروانسفالوگرام ارائه شد. روش پیشنهادی با استفاده از قاب‌بندی داده‌های سری زمانی، محاسبه‌ی انحراف معیار از داده‌‌های درون قاب، انتخاب مهمترین ویژگی‌های توسط الگوریتم ریلیف و آستانه‌یابی الگوریتم ژنتیک، توانست بردار ویژگی را بهینه نماید. نتایج بدست آمده از طبقه‌بندی یادگیری عمیق با 6 لایه‌ی پیشنهادی نشان می‌دهد که روش پیشنهادی قادر است با دقت %۹۹.۴۰، حساسیت %۹۹.۲۵ و اختصاصیت %۱۰۰ تشنج صرعی را از سایر وضعیت‌های موجود روی مجموعه دادگان بیماران تشنج صرعی نسخه بازسازی شده دانشگاه بن آلمان افتراق دهد که در معیار دقت طبقه‌بندی به میزان %۱.۳ بهبود نسبت به الشرهان و همکاران نشان می‌دهد.

پیش‌بینی سری‌های زمانی مالی یکی از مباحث داغ و مورد علاقه برای بسیاری از سرمایه گذاران می‌باشد. از آنجا که داده‌های سری زمانی مالی ماهیتی non-stationary و غیرخطی دارند پیش‌بینی این بازار به خودی خود می‌تواند بسیار چالش برانگیز باشد. نویز و ناهنجاری نیز پدیده جدا نشدنی داده‌های از نوع سری زمانی هستند که پیش‌بینی این داده‌های ماهیتا پیچیده را دشوارتر می‌کنند. رفتارهای هیجانی سرمایه گذاران می‌تواند باعث ایجاد الگوهایی بر خلاف روند معمول بازار گردد که شناسایی و حذف این الگوها می‌تواند در ادامه پیش‌بینی روند بازار موثر واقع گردد. در اینجا سعی شده تا با استفاده از یک Autoencoder داده‌های مربوط رفتارهای هیجانی بازار را شناسایی کرده و با جایگذاری بهینه این ناهنجاری‌ها داده‌های بهتری را در اختیار یک شبکه عمیق LSTM که به عنوان مدل نهایی جهت پیش‌بینی بازار مورد استفاده واقع شده است قرار دهیم. نتایج بدست آمده نشان می‌دهد که انجام پیش پردازش بر روی داده‌ها باعث بهبود عملکرد مدل و کاهش خطای پیش‌بینی می‌شود به طوریکه خطای پیش‌بینی با روش ارائه شده در کمترین حالت بر اساس توابع ،RMSE MAPE و MAE به ترتیب ۴ ،۴و ۵ درصد بهود داشته است.

فناوری بلاکچین انقلابی در رشته کامپیوتر محسوب می‌شود که با وجود نوظهور بودن، توانسته است نفوذ خود را به سایر حوزه‌ها نیز گسترش دهد. با این حال، محدودیت‌هایی چون مقیاس‌پذیری، تهدیدات امنیتی و مکانیزم‌های اجماع، باعث شده است که در استفاده‌ی از آن با چالش‌هایی نیز مواجه شویم. یکی از راه‌های غلبه بر این مشکلات، زنجیره اعتماد نام دارد. زنجیره‌ اعتماد بر‌خلاف بلاکچین‌های مرسوم، از یک زنجیره واحد استفاده نمی‌کند بلکه، در این سیستم هر گره وظیفه ساخت و نگهداری زنجیره ‌محلی خود را دارد. از بارزترین ویژگی‌های این سیستم، عدم نیاز به مکانیزم‌های اجماع همگانی و مقاومت در برابر حمله سیبیل می‌باشد. در این مقاله سعی کرده‌ایم در وهله اول با پیاده‌سازی عملی سیستم مذکور بر‌روی دستگاه‌های موجود و همچنین افزودن ماژول‌هایی به برنامه جهت به دست آوردن اطلاعات مورد نیاز، مجموعه داده‌ای جامع از پارامتر‌های موثر در کارایی این بلاکچین جمع‌آوری کرده و با تجزیه و تحلیل اطلاعات به دست آمده از طریق الگوریتم‌های استخراج ویژگی، بتوانیم موثرترین ویژگی‌ها در کارایی هر ناظر را به دست آوریم، سپس با افزودن یک سیستم احراز هویت غیر‌متمرکز به بلاکچین، با ارائه‌ی راهکار‌هایی به مقابله با حمله White washing و آسیب پذیری‌های سرویس‌گیرنده بپردازیم.

فراگیری نسل‌های جدید برقراری ارتباط و محدودیت‌های موجود در حوزه‌های توان محاسباتی/ذخیره‌سازی و مصرف انرژی، تحولی بزرگ را در روند توسعه و پیاده‌سازی الزامات آن‌ها طلب می‌کند. طی سال‌های اخیر موضوع بارسپاری وظایف در محاسبات لبه‌ای سیار به موضوعی جذاب و پرطرفدار تبدیل شده که هم قادر به بهبود طول عمر باتری دستگاه‌های کاربران پایانی سیار و هم حل مشکلات مربوط به تأخیر محاسباتی و تراکم شبکه آنان می‌باشد. این مقاله تلاش می‌کند حوزه‌های مفهومی و عملی مرتبط با چالش‌های استفاده از این تکنیک نویدبخش را مرور نموده و نقش مؤثر بارسپاری وظایف در بهبود کارایی و افزایش کیفیت ارائه‌ی خدمات به کاربران سیار را تبیین نماید. ارائه‌ی روش‌های دستیابی به بهبود‌هایی که می‌تواند توسط انجام فرایند بارسپاری وظایف برای سیستم ایجاد شود در کنار معرفی محدودیت‌های موجود در این مسیر و کارهای آتی قابل انجام در این حوزه، بخش پایانی این مقاله را تشکیل می‌دهد.

با افزایش تراکنش‌های بانکی، که عمدتاً تراکنش‌های کارتی هستند و در بیشتر موارد از طریق کانال‌های اینترنتی انجام می‌شوند، تراکنش‌های ناهنجار و سوءاستفاده نیز افزایش یافته است. از آنجا که الگوی رفتاری تراکنشی هر شخص در طول زمان به دلایل مختلف دچار تغییرات می‌شود، مسأله‌ای به نام رانش مفهوم شکل می‌گیرید که سبب کاهش دقت الگوریتم‌های یادگیری ماشین که برای کشف ناهنجاری به کار گرفته می‌شوند خواهد شد. استفاده از مشخصه‌های آماری رفتاری مشتریان در الگوریتم‌های هوشمند قادر به حل مشکل رانش مفهوم و ارتقای دقت الگوریتم‌ها نیست از اینرو طول عمر مفید الگوریتم‌های هوشمندی که برای کشف ناهنجاری رفتاری ایجاد می‌شوند بسیار کوتاه خواهد بود. برای حل این مشکل و بهبود شناسایی ناهنجاری‌ها و مدیریت رانش مفهوم، در این تحقیق از مدلی بر اساس پنجره کشویی در 6 الگوریتم یادگیری ماشین بانظارت استفاده و کارایی و دقت آنها با هم مقایسه شده است. مجموعه داده استفاده شده در این مقاله مربوط به تراکنش‌های مشتریان یکی از بانک‌های ایران در یک دوره 7 ماهه است. طبق نتایج به دست آمده بعد از اجرای مدل، در کشف ناهنجاری‌های کارت‌ها بهبود ایجاد شده است و الگوریتم جنگل تصادفی بیشترین دقت، F1_Score و AUC_Score را نسبت به سایر الگوریتم‌ها نشان داده است.

افزایش اندازه مدل و تعداد پارامترها در شبکه‏‌های عصبی عمیق، از یک سو موجب پیشرفت‏‌های زیادی در عملکرد این شبکه‌‏ها شده و از سوی دیگر باعث بروز چالش‌هایی از قبیل افزایش اندازه حافظه می‌گردد. در هرس مدل، با حذف برخی پارامترهای شبکه، ضمن حفظ دقت مدل، اندازه آن کاهش داده می‏شود. با به‏کارگیری این شبکه‏‌ها در سیستم‌های حساس-از-منظر-ایمنی، تاثیر هرس مدل که به طور سنتی با هدف کاهش اندازه شبکه استفاده می‏‌شود، بر تحمل‌‏پذیری اشکال شبکه‏‌ها مورد سوال جدی قرار گرفته است. در این مقاله، به کمک آزمایش‏‌های گسترده تزریق اشکال، تحلیل جامعی بر میزان تاثیر روش‏‌های مختلف هرس بر تحمل‌‏پذیری اشکال شبکه‌‏های عصبی عمیق ارائه می‌‏شود. مدل اشکال مورد مطالعه، خطاهای نرم واژگونی بیتی است که در حافظه ذخیره‌‏ساز وزن‏‌های شبکه رخ می‏‌دهد و باعث تغییر مقدار وزن‏‌های شبکه می‏‌گردد. باتوجه به نتایج به‌دست‌آمده از آزمایش‏‌های متنوع تزریق اشکال بر روی شبکه AlexNet که به روش‏‌های مختلف هرس شده است، می‏توان نتیجه گرفت که به طور کلی، هرس کردن مدل باعث بهبود تحمل‌‏پذیری اشکال می‏‌شود و می‏‌توان از آن به منظور بهبود تحمل‏‌پذیری شبکه‏‌های عصبی عمیق هم بهره گرفت. از میان روش‏‌های مختلف هرس مدل، هرس وزنی بیشترین میزان بهبود تحمل‌‏پذیری اشکال را دارد.

تبدیل تصویر به تصویر با هدف تبدیل یک تصویر از دامنه مبدأ به دامنه مقصد بدون دسترسی به مجموعه داده آموزشیِ جفت شده یکی از چالش‌های این زمینه است. در این میان CycleGAN به نحو موفقیت آمیزی توانست با معماری خاص خود و استفاده از مفهوم Cycle Loss، از توانمندی شبکه‌های مولد تخاصمی در این کاربرد استفاده کند. در این مقاله با تغییراتی در معماری اصلی CycleGAN که با اضافه شدن دو تفکیک کننده در خروجی بخش Resnet مولدها انجام می شود، عملکرد مولدها بهبود داده شود. نتایج کمّی بر اساس سه معیار ارزیابی و همچنین مقایسه بصری نتایج نشان دهنده بهبود عملکرد معماری پیشنهادی نسبت به معماری اصلی شبکه CycleGAN است.

خوشه‌بندی یکی از مهم‌ترین مباحث در زمینه‌ی داده کاوی است. هدف از خوشه‌بندی تفکیک داده‌ها است به گونه‌ای که داده‌های موجود در یک خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را با اعضای خوشه‌های دیگر داشته باشند. یکی از مهم‌ترین الگوریتم‌های خوشه‌بندی الگورریتم K-means می‌باشد. در این الگوریتم ابتدا به تعداد خوشه‌ها به صورت تصادفی از داده‌های اصلی مراکز خوشه اولیه انتخاب می‌شوند و سپس عملیات یافتن خوشه‌ها اجرا می‌شود. چالش اصلی در K-means انتخاب مراکز خوشه‌ها به‌صورت بهینه است. در گذشته پژوهش‌های متعددی در زمینه انتخاب مراکز اولیه خوشه‌ها در الگوریتم K-means صورت گرفته است. در این مقاله برای نخستین بار روش جدیدی برای انتخاب مراکز خوشه‌ها مبتنی بر الگوکاوی ارائه می‌شود. در این روش ابتدا برای کاهش حجم داده‌ها، انتخاب ویژگی روی داده‌ها اعمال می‌شود؛ سپس الگوهای پرتکرار استخراج و بر پایه‌ی این الگوها مراکز اولیه خوشه‌ها مشخص می‌شود. روش پیشنهادی با روش پایه K-means و با روش جدید BDD بر روی ۵ مجموعه داده با ابعاد گوناگون ارزیابی می‌شود. نتایج به دست آمده نشان می‌دهد در اغلب موارد، روش پیشنهادی عملکرد بهتری دارد.

در اين مقاله روشي جديد براي تلفيق طبقه بندها در سيستمهايي با چند طبقه بند معرفي گرديده است. مبناي اين روش بر ايجاد گوناگوني در طبقه بندهاي پايه با استفاده از تغيير وزنها مي باشد. از آنجايي كه وجود گوناگوني در طبقه بندهاي پايه كليد اصلي در تلفيق طبقه بندها است و اينكه تلفيق تعدادي طبقه بند مشابه كه گوناگوني اندكي دارند نميتواند باعث بالارفتن كارايي كلي سيستمي با چند طبقهبند گردد لذا ضرورت دارد طبقه بندهاي پايه تاحد امكان گوناگون بوده و رفتارهاي متفاوتي در محدوده فضاي ورودي ازخود نشان دهند. به همين منظور در اين مقاله از الگوريتم PSO به شكل ويژهاي براي ايجاد گوناگوني در طبقه بندهاي پايه استفاده شده است. در نهايت نيز روشي براي تلفيق طبقه بندهاي پايه بر مبناي تعريف گوناگوني آنها و نيز معيار جديدي براي تعيين گوناگوني معرفي شده است. كارايي اين روش با چندين روش تلفيق طبقه بندها مقايسه گرديده است.

در سالهای اخیر، مدارات برگشتپذیر بسیار مورد توجه قرار گرفتهاند. از کاربردهای آن میتوان به طراحی مدارهای دیجیتالی با توان مصرف پایین، طراحی مدارهای محاسباتی در کامپیوترهای کوانتومی و محاسبات مبتنی بر DNA اشاره نمود. با این حال، دستهای از مدارات برگشتپذیر که دارای ویژگی خود معکوس هستند، کمتر مورد بررسی قرار گرفتهاند. در این مقاله، ابتدا با مقایسه بین گیتهای برگشتپذیر، گیتهایی را که دارای ویژگی خود معکوس هستند، مطرح کرده، سپس گیت جدید RMF که یک گیت کامل در این گروه است، ارائه شده است. با استفاده از گیت جدید RMF، سلول حافظه لچ D و دیکدر 4×2 پیادهسازی شدهاند. مقایسه با طرحهای مشابه، نشان داده است که مدارات پیشنهادی در این مقاله، علاوه بر دارا بودن ویژگی خود معکوس، از گیتهای کمتری تشکیل شدهاند و همچنین خروجیهای غیر قابل استفاده کمتری دارند.

اخیراً بکارگیری هوش دسته جمعی در حل مسائل بهینهیابی پویا افزایش یافته است. هوش دسته جمعی، عاملها یا دستههای برهم کنش را که قادر به خودسازماندهی هستند مدلسازی میکند. کلونی مورچهها، دسته پرندگان، گله حیوانات، قالبگیری باکتریها و گروه زنبورها مثالهایی از یک سیستم جمعی میباشند. عمکرد خوب بهینهیابی گروه زنبورها بروی یک سری از مسائل ایستا ثابت شده است ولیکن بیشتر مسائل دنیای واقعی پویا میباشند به این مفهوم که موقعیت و مقدار بهینه سراسری آنها در طول زمان تغییر میکنند. در این مقاله الگوریتم بهینه یابی کلونی زنبورهای مصنوعی مبتنی بر مدل تابع تسهیم برای حل مسائل پویا ارائه گردیده است. الگوریتم پیشنهاد شده برای بهینهیابی تابع محک قلههای متحرک که رفتاری شبیه به مسائل پویا را در دنیای واقعی دارد، در فرکانسهای تغییر و با تعداد قلههای متفاوت آزمایش شده است. نتیجههای آزمایشهای انجام شده با, RPSO, mQSO Adaptive mQSO, Cellular PSO Adaptive Cellular PSO مقایسه شده است و نشان میدهد که این الگوریتم به کمک مدل تابع تسهیم قابلیت اکتشاف را در کلونی زنبورهای مصنوعی با افزایش تنوع و تضمین بقای اهداف در محیطهای پویا بهبود میبخشد.

روش رگرسيون خطي با بيشينه درست¬نمايي (MLLR) يکي از روش¬هاي تطبيق گوينده است که با خوشه¬بندي پارامترهاي مدل و تخمين ماتريس تبديل براي هر خوشه و اعمال تبديل بر پارامترهاي مدل ، باعث بهبود عملکرد تطبيق و در نتيجه افزايش نرخ بازشناسي براي گوينده جديد مي¬شود. خوشه¬بندي پارامترهاي مدل معمولاً به دو صورت انجام مي¬شود: بر اساس دانش آوايي و نزديکي ويژگي¬ها در فضاي آکوستيکي. در اين مقاله با استفاده از روش متمايزسازي خطاي کمينه کلاس¬بندي با متمايز کردن ويژگي¬هاي سيگنال گفتار با بهبود کلاس¬بندي، کارآيي روش MLLR بهبود يافته است. اين بهبود در حالت اول با متمايزتر کردن کلاس¬هاي رگرسيون و در حالت دوم با يکنواخت کردن توزيع مخلوط¬هاي گوسي در کلاس¬هاي رگرسيون ايجاد مي¬شود. روش پيشنهادي يعني بكارگيري خطاي كمينه كلاس¬بندي نسبت به روش¬هاي معادل بدون خطاي كمينه كلاس¬بندي، به ترتيب باعث افزايش نسبي %0.42 تا %0.58 و %0.12 تا %0.72 در نرخ بازشناسي واج به ترتيب براي دادگان TIMIT و WSJ مي گردد. در حالتي است که درخت کلاس رگرسيون بر اساس نزديکي ويژگي¬ها در فضاي آکوستيکي ساخته شده است ، نرخ بازشناسي واج بر روي دادگان TIMIT %0.25 افزايش نسبي يافته است.

بسیاری از مسائل دنیای واقعی پویا هستند بطوری که بهینه‌های محلی و سراسری در طول زمان تغییر می‌کنند. الگوریتم PSO بر روی این مسائل به منظور پیدا کردن و دنبال کردن بهینه با موفقیت مورد استفاده قرار گرفته است. در این مقاله الگوریتم PSO برای محیط‌های پویا بهبود داده شده است. الگوریتم ارائه شده فضا را به قسمت های مختلفی تقسیم می‌کند و در هر قسمت به طور جداگانه گروه‌هایی ایجاد می‌شود و به جستجو می‌پردازد؛ برای بهبود سرعت همگرایی میزان اینرسی ذرات به صورت پویا تنظیم می‌شود و همچنین بهترین گروه موجود برای بهبود جواب بدست آمده یک جستجوی محلی نیز انجام می¬دهد. نتایج بدست آمده برروی بنچمارک قله‌های متحرک (MPB) نشان می‌دهد که الگوریتم ارائه شده نسبت به روش های مشابه عملکرد بهتری دارد.

امروزه استفاده از سيستم¬هاي داده¬آميزي سنسوري به منظور انجام عمليات مانيتورينگ و پايش محيطي يكي از رايج ترين و متداول¬ترين روش¬ها مي¬باشد. از آنجا که فرآيند سنسور¬آميزي از مجموعه¬اي از گره¬هاي سنسوري، مراكز پردازشي و مديريتي برای انجام عملیات خود استفاده می¬نماید، لذا به منظور آن¬كه بتوان انتقال اطلاعات از سنسورها به مراكز پردازشي و اجراي عمليات داده¬آميزي در مراكز پردازش اطلاعات به سرعت انجام گيرد، مبحث معماري فرآيند داده¬آميزي از مباحث بسيار مهم اين حوزه مي¬باشد. از آن¬جا كه معماري¬هاي متعددي براي اجراي این فرآيند وجود دارد و هر يك از آن¬ها داراي جنبه¬هاي مثبت و منفي متعددي با توجه به نوع كاركرد مي¬باشد، لذا انتخاب معماري مناسب براي اين امر بايد به شكلي هوشمندانه و با توجه به پارامترها و معيارهاي خاص فرآيند سنسوري مذكور صورت پذيرد. از اين رو تصميم گيري در مورد انتخاب معماري مورد نظر به شرايط متعددي نظير نحوه عمليات داده¬آميزي، اولويت معيارهاي انتخاب معماري و شرايط اهداف بستگي دارد. براي اين منظور يك سيستم تصميم يار انتخاب معماري داده¬آميزي طراحي گرديده است تا با توجه به موارد فوق الذكر در هر شرايط، معماري داده¬آميزي مناسب انتخاب¬گردد. براي حل اين مسئله چند¬معياره از روش¬هاي تصميم-سازي چند¬معياره نظير AHP و PROMETHEE و نرم افزارهاي مربوط به آن نظير EXPERT CHOICE و DECISION LAB استفاده گرديده است.

به منظور بهبود دقت بازیابی در سیستم های بازیابی تصویر تمرکز محققین از طراحی الگوریتم های پیچیده به منظور استخراج ویژگی های سطح پایین تصویر به سمت کاهش شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربران رفته است. در این مقاله سعی کردیم تابع معیار شباهت را به گونه ای تخمین بزنیم که شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربر را کاهش دهیم. برای این منظور ما از بازخورد کاربر جهت درک نظر کاربر و همچنین از قدرت برنامه نویسی ژنتیکی در زمینه مسائل بهینه سازی وجستجو در فضای های بزرگ جهت تولید توابع غیر خطی استفاده کردیم. نتایج آزمایشات بیانگر بهبود قدرت بازیابی در روش پیشنهادی است.