انجمن کامپیوتر ایران

Trust is the highest level layer of the Semantic Web. In this paper, a specialized social network concept - a Research Network - is defined formally, and a trust model is specified on top of it. The trust model specifies trust queries as well as an algorithm to answer them. Trust propagation, and the reductive method are discussed in detail. Also, the result of applying the trust query algorithm on a test data set is discussed. The trust model, as well as the related concepts have been defined formally.

Prediction of reliability in early phases of software development is one of the discussions which has been attracting more and more attentions during the recent three decades. Techniques and models are mostly used at the test phase; there are only a few models that are employed at early phase of software development. Early prediction, however, is very important for better prognosis and management of risks. In this paper we propose an approach for software reliability early prediction based on software behavior. The major difference between our approach and those of others is the fact that we use a formal method, called Viewcharts [1], to specify the behavior of software systems.

Real-time video transmission is considered as an important way for information broadcasting. One noticeable example in this area is E-leaning applications, which is based on real-time video processing and transmission. On the other hand, the process of registration is a fundamental component in automatic image and video processing. In our previous work, we implemented a new method for cut detection technique based on dominant lines and angles. This paper introduces a new video registration technique that uses dominant angles extracted from edge information of the video frames in one shot. To the best of our knowledge, it is the first works done for registration in E-learning applications. This method is compatible with our application’s requirements and has a low complexity and high speed. We compare our method against three established techniques and present our results using different video sequences.

In this paper, the application of “Multivariate Adaptive Regression Splines” (MARS) to the problem of segmental (phonemic) duration modelling in Farsi text-to-speech systems is presented. Segmental duration is influenced by a number of contextual factors such as segment identity, stress, position of a target segment within a syllable, word, and phrase. These factors interact with each other and a good model of segment duration should account for the problem of factor's interaction. Databases of speech data often encounters with sparse data problem. MARS is a technique to estimate general functions of high-dimensional arguments given sparse data, which automatically selects the parameters and the structure of the model based on available data and deals with the problem of interaction between factors. Besides highly accurate prediction, a MARS model also allows interpretation of its structure. Using MARS method for Farsi segmental duration modeling yields a correlation coefficient of 86.50 between observed and predicted durations for training data of and a correlation coefficient of 80.83 between observed and predicted durations for testing data. The performance of MARS model was also compared to Multi-Layer Perceptron (MLP) neural network. MLP neural netwok was trained using an error Back Propagation algorithm. Using MLP neural network for segmental duration medeling of Farsi language leads to a model with a correlation coefficient between observed and predicted durations of 84.86 for training data and 80.97 for testing data.

الگوريتم PSO يک روش هوش گروهی برای حل مسائل بهينه سازی سراسری است. در PSO هر کانديد راه حل، موقعيت خود را در فضاي جستجو با توجه به تجربيات خود و تجربيات کل گروه راه حلهای کانديد، تغيير مي دهد. در اين مقاله مدلی از الگوريتم PSO ارائه می شود که در آن يک گروه به چندين زير گروه تقسيم می شود و علاوه بر بهترين حالت هر جزء و بهترين حالت کل گروه، بهترين حالت هر زيرگروه نيز در حرکت تک تک اجزاء اثر می گذارد. آزمايشات انجام شده برای يافتن بهينه سراسری چندين نمونه تابع با تعداد زياد بهينه محلی و سراسری، کارايی بهتر اين روش را در مقايسه با PSO نشان می دهد. همچنين نتايج آزمايشات بکارگيری الگوريتم MPSO در روند آموزش مدل مخفي مارکوف(HMM) يك سيستم بازشناسي گفتار نشان می دهد که با استفاده از اين روش، خطای بازشناسی نسبت به استفاده از روشهای مبتنی بر بيشترين ميزان شباهت، ۴.۸۳ درصد کاهش يافته است

سیستمهای بهبود گفتار مبتنی بر موجک موفقیت خود را در عمل نشان دادهاند، که سیگنال صوتی میتواند در هر دو حوزه زمان و فرکانس با رزولوشن دلخواه تجزیه گردد. و با آستانه گذاری یا فیلتر کردن اجزا سیگنال بهبودیافته بازسازی میگردد. در مقاله حاضر، ابتدا یك سیستم تشخیص فریمهای واكدار /بی واك مبتنی بر آنتروپی زیرباندهای موجك معرفی میگردد. سپس، دو روش ارائه میگردد . در روش اول، برحسب واكدار/بیواك بودن فریمها تابع پایه موجك تغییر میكند و سپس با استفاده از فیلتر وینر عمل حذف نویز صورت می - گیرد. در روش دوم، با تنظیم میزان حذف نویز در فیلتر وینر برحسب واكدار/بیواك بودن فریمها، عمل كاهش نویز در زیرباندهای موجك صورت میگیرد. نتایج ارزیابیهای عملی و نظری بیانگر کارائی بهتر انتخاب پایه و تنظیم میزان حذف نویز بر حسب واكدار /بی واك بودن فریمها در حذف نویز و بهبود كیفیت گفتار میباشد.

دشواریهای اجرای پروژه های معماری سازمانی به ویژه در دیوان سالاریهای دولتی ایجاب می کند برای تسهیل اجرای برنامه گذار گامهای تحلیل وضعیت موجود و مطلوب و تدوین برنامه گذار به گونه ای انجام و توصیف شوند که تکرار احتمالی آنها توسط معماران آتی سازمان میسر باشد. در این مقاله تجارب ناشی از دو پروژه بزرگ معماری سازمانی و راه حلهای ابداعی بکار گرفته شده درآنها در جهت ارائه راه حلی برای دشواریهای اجرائی رایج مطالعه معماری اطلاعات سازمان پیشنهاد شده است. این راه حل شامل افزودن دو گام ابداعی یعنی تدوین سیاست نامه قبل از تحلیل وضعیت موجود، تدوین و اجرای بیانیه تغییر در فاصله تحلیل وضعیت موجود تا طراحی وضعیت مطلوب و استفاده نوآورانه از مدلهای مرجع در جهت نامگذاری استاندارد اشیاء مورد مطالعه در لایه معماری برای همسانی و معنی دار بودن مستندات برای افراد عضو در گروههای کاری معماری است.

اين مقاله روشي ابتكاري به صورت تركيبي از خوشه بندي سلسله مراتبي و روشهاي تكاملي را براي حل مسأله مسير يابي كاميون برمبناي چند مركز 1 با كاميون هاي همگن اريه مي دهد. اين روش از افزودن يك الگوريتم خوشه بندي دو سطحي به مسأله مسير يابي كاميون برمبناي چند مركز بدست آمده است. در كاربرد هاي لجستيكي مشتري ها يا متقاضيان سرويس بر مبناي برخي پارامتر هاي لجستيكي داراي اولويت مي باشند. سطح اولويت مشتري ها بر سياست توزيع كالا مخصوصا در مرحله خوشه بندي تاثير مي گذارد. در اين مقاله يك مدل مجتمع براي مسأله مسير يابي كاميون 2 با استفاده از روش خوشه بندي سلسله مراتبي و يك الگوريتم ژنتيك توسعه داده شده است؛ بطوري كه عملگر ها و جمعيت اوليه در الكوريتم ژنتيك بهبود داده شده اند. در اولين فازاين الگوريتم يك الگوريتم خوشه بندي سطح بالا اجرا مي گردد بطوري كه مشتري هاي قابل سرويس دهي توسط يك مركز تعيين گردند. سپس الگوريتم خوشه بندي سطح پايين ديگري بايد انجام گيرد بطوري كه در هر مركز مشتري هاي قابل سرويس دهي توسط يك كاميون تعيين گردند. مانند روشهاي ديگر بهينه سازي روش پيشنهادي به خوبي براي تعداد كم كاميون عمل مي نمايد. به منظور بالا بردن كارآايي الگوريتم و غلبه بر اين محدوديت بطوري كه بتواند براي تعداد زياد كاميون نيز نزديك به بهينه عمل كند، در يك مرحله پيش پردازش يك سطح له Ĥ خوشه بندي سطح بالا انجام مي شود تا مسأله به يك مس فشرده تر بر مبناي خوشه بندي تبديل شود. به اين ترتيب يك فرايند سلسله مراتبي به تركيبي شامل يك فاز خوشه بندي ابتكاري و يك فاز تكاملي توسعه داده شد.

CCA یک معماري مبتنی بر مؤلفه هاي نرمافزاري است که کاربرد آن در نرم افزارهاي با کارآیی بالا می باشد. سیستم هاي Grid نیز نوعی از سیستم هاي توزیع شده می باشند که از ترکیب چندین کامپیوتر ناهمگن تشکیل شده اند و هدف آنها ایجاد یک کامپیوتر مجازي قدرتمند و خودمدیریتی می باشد که منابع موجود در سیستم ها مانند منابع داده اي و محاسباتی را با همدیگر و با کامپیوترهاي خارج از Grid به اشتراك می - گذارند. Avaki یکی از بسترهاي نرم افزاري این نوع از سیستم ها بوده و مسئول انجام این وظایف می باشد. ما در این مقاله، یک قالبکاري توزیع شده و یک مدل برنامه نویسی براي اجرا و به اشتراكگذاري مؤلفههاي نرم- افزاري در Grid هاي دادهاي و محاسباتی ارائه میکنیم.

يافتن اطلاعات و كالاي مناسب از وب سايت و فروشگاه هاي الكترونيكي بزرگ يكي از مسائل مهم در تجارت الكترونيكي است و روندي زمان گير دارد . به اين منظور سيستم هاي پيشنهاددهنده مبتني بررابطه ذاتي بين اغلب كالاها طراحي شده اند و به كاربران در پيدا كردن كالا هاي مورد نياز كمك مي كنند. دراين مقاله روابط تشابهي بين مفاهيم is-a موجود بين كالاها بر اساس آنتولوژي و ميزان وزن محاسبه مي شود. با توجه به همين درخت وزندار سلسله مراتبي بدست آمده ميتوان تشابه معنايي را بر اساس فاص له بين مفاهيم بدست آورد . پياده سازي اين روش با استفاده از وب سرويسهاي گوگل انجام شده است. و ارزيابي اين روش در قالب سيسبم پيشنهاددهنده با مجموعه دادههاي شركت مصالح ساختماني پياده سازي شده است و نتايج حاصل از آن با سيستم پيشنهاددهنده مبتني بر قوانين انجمني ارزيابي مي - شود. نتايج آزمايشات انجام شده بر روي مجموعه داده، به وضوح ميزان كارايي و دقت سيستم را نشان ميدهد.

در این مقاله به بررسی محیط گرید محاسباتی که در آن منابع به شکل توپولوژي ستاره با یکدیگر در ارتباط هستند پرداخته شده و الگوریتمی جدید بر پایهي تئوري صف براي زمانبندي زیروظایف در محیطهاي گرید ارائه گردیده است. الگوریتم پیشنهادي با استفاده از مفاهیم سیستم صف و چگونگی توزیع زیروظایف، علاوه بر اجراي وظایف در کمترین زمانِ ممکن، تعادل بارکاري را نیز براي منابعِ موجود در گرید به ارمغان میآورد. بدین ترتیب با استفاده از این الگوریتم، دو عامل خیلی مهم از کیفیت سرویس (کارآیی و تعادل بارکاري) تا حد ممکن برآورده شده و کارِ زمانبندي زیروظایف و تخصیصمنابع به آنها با در نظر گرفتن این دو فاکتور انجام میگیرد.

درك سازوكار مغز به عنوان عامل هوشمندي موجودات زنده قرنها است كه ذهن بشر را مشغول كرده است. محققين در مسير پاسخ به اين سوال دو رويكرد كل به جزء و جزء به كل را پيش گرفتهاند. در اين مقاله به معرفي مدلي حاصل از اتصال كارآمدترين نظريات اين دو رويكرد خواهيم پرداخت. مدل ارائه شده تواناييهاي جالب توجهي از جمله يادگيري خودكار و پردازش بلادرنگ دنبالههاي زماني را داراست. همچنين اين مقاله نشان ميدهد كه مدل مذكور با دادههاي زيست شناختي مغز نيز انطباق قابل قبولي دارد. در انتها، كارآمدي مدل ارائه شده در يك آزمايش دنياي واقعي بررسي ميشود. مدل پيشنهادي اولين قدم به سمت ساخت سيستمهاي هوشمند خلاق و داراي قدرت سازشپذيري بالا به حساب ميآيد.

شناسايي و دسته بند ي دقيق جريانهاي ترافيكي شبكه بر اساس پروتكل توليد كننده آنها، يكي از المانهاي اصلي مديريت شبكه محسوب مي شود . تاكنون تكنيك هاي مختلفي در اين زمينه مانند شماره پورت و بررسي بخش داده اي بسته ها ارائه شده است . امروزه بسياري از برنامه ها (مانند (P2P با استفاده از شماره پورتهاي پويا و تكنيك هاي رمزنگاري سبب ناكارآمدي تكنيكهاي فوق شد ه اند . تكنيك ديگر در اين زمينه، استفاده ازاطلاعات آماري لايه انتقال جريانهاي عبوري مي باشد . در اين مقاله يك كنترلر فازي براي دسته بندي جريانهاي ترافيكي پيشنهاد شده است . در اين كار اطلاعات آماري لايه انتقال جريانهاي عبوري، بعنوان پارامترهاي دسته بندي استفاده شده است . نتايج آزمايشات نشان مي دهند كه مكانيزم پيشنهادي بطور متوسط داراي كارايي كلي 94% بوده و 98/77% جريانها را شناسايي كرده است . در حالي كه كارايي كلي الگوريتم هاي K-Means و DBSCAN به ترتيب 84% و 75/6 % مي باشد.

تخمين تعداد سيگنالهاي طيف گسترده پرش فركانسي وارده به يك آنتن يكي از مسايل مورد توجه است. روش هاي تجزيه مقادير ويژه مورد استفاده براي تخمين تعداد كاربران براي SNR هاي پايين از كارايي لازم برخوردار نيست. روش كار به اين صورت است كه ابتدا با استفاده از تحليل آنتروپي يك زير مجموعه ديتاي بدون پرش از سيگنال جدا شده و سپس با استفاده از تجزيه مقادير ويژه تعداد كاربران بدست ميآيد. در اين مقاله سعي شده است تا مشكل تخمين تعداد كاربران در SNR هاي پايين با اعمال يك بلوك حذف نويز به آنتروپي بدست آمده از سيگنال ورودي بهبود بخشيده شود.

برنامه نويسي ژنتيك، از جمله الگوريتم هاي تكاملي است كه توانايي زيادي، نسبت به اغلب روش هاي يادگيري ماشين دارا م ي باشد . مشكل اين روش، زمانبر بودن اجراي آن است . در اين مقاله، هدف استفاده از برنامه نويسي ژنتيك و تطبيق آن به منظور تصديق هويت گوينده و بررسي هويت كاربران از طريق صداي آنهاست . ايده هاي متعددي را پيشنهاد نموده ايم تا به كمك آنها بتوانيم ضمن افزايش كارايي روش برنام ه نويسي ژنتيك براي تصديق هويت گويند ه، سرعت آموزش مدلهاي گويندگان را كه معمولا در روش برنام ه نويسي ژنتيك بسيار زمانبر است را افزايش دهيم. براي اين منظور سعي شده است تا با روشهايي چون خوشه بندي به كمك روشهاي چندي سازي برداري و نيز با استفاده از توابع گوسي بدست آمده از روش مدل مخلوط گوسي GMM به جاي بردارهاي ويژگي داده هاي آموزشي ، حجم داده هاي آموزشي را كاهش دهيم و بدين ترتيب بر سرعت ساخت مدلهاي حاصل از برنامه نويسي ژنتيك بيافزائيم. نتايج بدست آمده نشان مي دهند كه استفاده از ميانگين هاي مدل هاي مخلوط گوسي حاصل از داده هاي آموزشي گوينده خودي و گويندگان غيرخودي به جاي استفاده مستقيم از داده هاي آموزشي و بطور مشابه استفاده از ميانگين هاي مدل مخلوط گوسي حاصل از داده هاي آزمايشي، منجر به دقت خوبي در تصديق هويت گويندگان و نيز افزايش سرعتي در حد 20 برابر (از 5 ساعت به 15 دقيقه) در آموزش مدلهاي گويندگان به كمك روش برنامه نويسي ژنتيك مي گردد.

In wireless sensor network often micro-battery with very limited power provides the energy of sensor nodes. Since sensors are usually utilized in remote or hostile environments, recharging or replacing the battery of the sensors is something quite undesirable or even impossible. Thus long system lifetime is a must. Sleep scheduling is a mechanism in wireless sensor network to save energy. In this paper, we propose an energyefficient distributed scheduling method considering mobile target tracking also called dynamic target coverage. The algorithm is based on cellular learning automata. In this algorithm, each node is equipped with a learning automaton which will learn (schedule) the proper on and off times of that node based on the movement nature of a single moving target. To evaluate the proposed method it is tested under straight with constant velocity movement model of target. The results of experimentations have shown that the proposed scheduling algorithm outperforms two existing dynamic target coverage scheduling methods.

Grid environment is being a service oriented infrastructure in which many heterogeneous resources participate for providing the high performance computation. On of bug issue in the grid environment is the vagueness and uncertainty between advertised resources and requested resources. In this work we propose a solution for the vagueness and uncertainty problems based on rough set theory. Here you can see how the rough set theory is developed to deal with the problem. We also report the result of the solution obtained from the simulation in Gridsim simulator. The comparison has been made between the proposed method and UDDI and OWL-S combined method. Rough set theory shows much better precision for the cases with vagueness and uncertainty.

Asynchronous protocols exhibit various noise robustness and when used in GALS NoC links, they can directly affect the signal integrity. In this paper we study the noise robustness of two well-known asynchronous protocols, namely Dual-Rail (DRP) and Bundled-Data (BDP) in the GALS NoC links, and subsequently confirm our claims through simulations. We apply an enhanced version of BDP and DRP to 32/64 parallel line links, show results in terms of noise robustness using global interconnect features, specified in the ITRS roadmap for 32nm technology. The simulation results for two thousand random generated inputs show that the number and the amplitude of noise glitches over ‘0’ state lines as well as the required threshold voltage needed for avoiding errors in BDP link are much lower than in DRP's. Therefore, BDP links can present better signal integrity features and have less overhead compared to DRP's, employing only some simple noise reduction techniques and more timing adjustment effort.

Discriminative subspace analysis is a popular approach for a variety of applications. There is a growing interest in subspace learning techniques for face recognition. Principal component analysis (PCA) and eigenfaces are two important subspace analysis methods have been widely applied in a variety of areas. However, the excessive dimension of data space often causes the curse of dimensionality dilemma, expensive computational cost, and sometimes the singularity problem. In this paper, a new supervised discriminative subspace analysis is presented by encoding face image as a high order general tensor. As face space can be considered as a nonlinear submanifold embedded in the tensor space, a decomposition method called Tucker tensor is used which can effectively decomposes this sparse space. The performance of the proposed method is compared with that of eigenface, Fisherface, tensor LPP, and ORO4×2 on ORL and Weizermann databases. Conducted experimental results show the superiority of the proposed method.

Being able to predict the coming seizure can impressively improve the quality of the patients' lives since they can be warned to avoid doing risky activities via a prediction system. Here, a locally linear neuro fuzzy model is used to predict the EEG time series. Subsequently, this model is utilized in accompany with Singular Spectrum Analysis for prediction. Afterward, an information theoretic criterion is used to select a reliable subset of input variables which contain more information about the target signal. Comparison of three mentioned methods on one hand shows that SSA enables our prediction model to extract the main patterns of the EEG signal and highly improves the prediction accuracy. On the other hand, applying the method of channel selection to the model yields more accurate prediction. It is shown that fusion of some certain signals provides more information about the target and considerably improves the prediction ability.