انجمن کامپیوتر ایران

پیدا کردن دو مسیر ساده از دو مجموعه نقطه مجزا اولین بار توسط جف اریکسون مطرح شد. این مسئله می‌تواند در مسیریابی حرکت ربات‌ها، تولید چندضلعی‌های تصادفی، طراحی مدارهای VLSI و غیره کاربرد داشته باشد. در این مقاله اثبات می‌کنیم که حالت عمومی این مسئله یعنی رسم r زنجیره قرمز ساده و b زنجیره آبی ساده از دو مجموعه نقطه مجزای داده‌شده به‌طوری‌که تمام نقاط را پوشش دهند ان پی‌کامل است. برای اثبات ان پی-کامل بودن، از مسئله «پیدا کردن مسیر همیلتونی در گراف‌های مسطح که با یال‌های خط مستقیم رسم شده‌اند» که خود یک مسئله ان پی-کامل است استفاده می‌کنیم و آن را به مسئله مطرح‌شده کاهش می‌دهیم.

حدود دویست میلیارد نورون در مغز وجود دارد که به وسیله سیناپس‌ها به یکدیگر متصل می‌‌باشند. سیناپس‌ها دو پارامتر اصلی دارند؛ یکی از این پارامترها قدرت سیناپس و پارامتر دیگر‏، تأخیر‎ در فرستادن اطلاعات به نورون بعدی می‌باشد‏ که اصلی‌ترین عامل در ایجاد این تأخیر طول آکسون می‌باشد. بر روی آکسون‌ها لایه‌های عایقی به نام میلین‎‎ وجود دارد که وظیفه اصلی آنها سرعت بخشیدن به انتقال اطلاعات است. تشخیص جهت و سرعت حرکت در مغز به وسیله تأخیرهای سیناپسی انجام می‌پذیرد، و باعث می‌شود که تغییر ولتاژ ناشی از فعال شدن نورون‌ها همزمان به نورون بعدی برسد و ولتاژ نورون بعدی را به حد آستانه برساند. از طرف دیگر با مکانیسم‌هایی همچون قانون یادگیری هم‌ایستایی می‌توان نرخ ضربه هر نورون در بازه زمانی مشخص را کنترل کرد. کنترل نرخ ضربه نورون‌ها باعث می‌شود تشخیص حرکات مختلف بین نورون‌های متفاوت تقسیم گردد و هیچ نورونی چند دسته حرکت ورودی را آموزش نبیند. در این مقاله با استفاده از نورون های ‎LIF،‎ تأخیرات سیناپسی، قانون یادگیری ‎STDP‎‏، قانون یادگیری هم‌ایستایی و یادگیری تقویتی مدل محاسباتی برای تشخیص حرکت ارائه ‎‏شده‌است تا فرآیند تشخیص حرکت در مغز را توصیف کند. همچنین عملکرد مدل پیشنهادی در مساله تشخیص امضای برخط مورد بررسی و ارزیابی قرار گرفته است.

پیش‌بینی لینک برای پیشنهاد افراد به یکدیگر در شبکه‌های اجتماعی مثل فیسبوک، گوگل پلاس، اینستاگرام و..، استفاده می‌شود و یکی از موضوعات چالش برانگیز و پر کاربرد است. تاکنون روش‌های مختلفی برای پیش‌بینی لینک ارائه شده است، اما مشکل عمده روش‌های ارائه شده، دقت پایین آنهاست. در این مقاله با استفاده از وزن‌دار کردن یال‌ها و تخصیص درجه‌ی همسایگی، بخاطر متفاوت بودن درصد دوستی‌ها در شبکه‌های اجتماعی، روشی برای تشخیص دوستان صمیمی ارائه کرده‌ایم. آزمایش روش پیشنهادی بر روی سه مجموعه داده Facebook و Hamster و Email در مقایسه با روش‌های جاری بر روی مجموعه داده فیسبوک 0.4 و بر روی مجموعه داده Hamster، 2.4 و بر روی مجموعه داده ایمیل 6.9 درصد بهبود دقت داشته‌ایم.

شبکه‌های بین خودرویی به عنوان نوعی از شبکه‌های موردی، ارتباط بین خودروها با یکدیگر و همچنین ارتباط بین خودروها و تجهیزات کنار جاده‌ای را فراهم می‌کنند. این شبکه‌ها علاوه بر کمک به تسهیل فرآیند حمل و نقل، با کاهش میزان ترافیک و هدایت هوشمند جریان حرکت خودروها، تاثیر مثبت فراوانی بر راحتی و امنیت مسافران دارند. با این وجود، حفظ امنیت در برابر حملات در بستر این نوع از شبکه‌ها، یکی از مهم‌ترین دغدغه‌ها و موانع در راه توسعه استفاده از این شبکه‌ها است. یکی از حملات مطرح در شبکه‌های موردی بین خودرویی، حمله کرم چاله است. در این حمله دو خودرو شرکت دارند که با ایجاد یک کانال ارتباطی با یکدیگر، یک نسخه از اطلاعات مکانی خودرو اول به خودروی دوم ارسال می‌شود و خودروی دوم با انتشار این اطلاعات اقدام به فریب سایر خودروها و تجهیزات کنار جاده‌ای می‌کند. در این مقاله، الگوریتمی ارائه شده است که با تشکیل جداول همسایه‌های هر خودرو در شبکه توسط تجهیزات کنار جاده‌ای، امکان تشخیص حمله کرم چاله را فراهم می‌آورد. برای پیاده‌سازی الگوریتم، از شبیه‌ساز NS2 استفاده شده است. در آزمایش‌های صورت گرفته مشخص شد الگوریتم پیشنهادی در سناریوهای مختلف موفق به تشخیص درست حملات است، ولیکن در برخی شرایط، زمانی که تعداد خودروها کم باشد، با تشخیص مثبت کاذب مواجه می‌شود.

محاسبات فراگیر به‌عنوان یکی از جدیدترین الگوهای محاسباتی شناخته می‌شود و کاربردهای گسترده‌ای در حوزه‌های مختلف دارد. هدف آن، فراهم کردن سرویس‌های آگاه به زمینه در هر مکان و هر زمان برای کاربران است. پیشرفت‌ها در ساخت و استفاده از حسگرهای کوچک در دستگاه‌های سیار و همچنین رشد روزافزون سیستم‌های تعبیه شده، دستگاه‌های هوشمند را قادر ساخته است که از زمینه و محیطی که در آن قرار دارند آگاه شوند. دستگاه‌ها می‌توانند با استفاده از اطلاعات به دست آمده از محیط عکس‌العمل‌های مناسب‌تر و هوشمندانه‌تری در تعامل با کاربران از خود نشان دهند. به همین دلیل شناسایی، جمع‌آوری و استفاده از اطلاعات وضعیتی محیط (موسوم به زمینه) برای تحلیل رفتار محیط و سازگارکردن رفتار دستگاه‌ها با آن مورد توجه محققان زمینه‌ی محاسبات فراگیر قرار گرفته است. دستگاه‌های هوشمند استفاده شده در محاسبات فراگیر دارای منابع محدودی هستند. یکی از چالش‌های اصلی در زمینه‌ی محاسبات فراگیر استفاده‌ی بهینه از منابع محدود دستگاه‌های هوشمند است. در این تحقیق یک میان‌افزار برای ارتقای کارایی منابع در سرویس‌های آگاه به زمینه توسعه می‌یابد. میان‌افزار ما زمینه‌های مورد نیاز سرویس‌های آگاه به زمینه را برای آنها فراهم می‌کند، در این حال با مدیریت منابع دستگاه استفاده از آن‌ها را کاهش می‌دهد. میان‌افزار با تحت نظر گرفتن زمینه‌ها و مقادیر‌ آن‌ها در زمان‌ها و شرایط متفاوت، شروع به یادگیری عادت‌های کاربر می‌کند. در بسیاری از موارد میان‌افزار مقدار زمینه‌ی درخواست شده را با توجه به تاریخچه‌ی زمینه و یادگیری عادت‌های کاربر پیش‌بینی می‌کند. آزمایشات ما که برای زمینه‌ی «حضور در خانه» و بر روی داده‌های واقعی سه هفته‌ی چند کاربر انجام شده است نشان می‌دهد این میان‌افزار می‌تواند با افزایش سربار بسیار کمی برای حافظه و پردازنده دستگاه بیشتر از 50 درصد درخواست‌ها برای زمینه‌ها را پیش‌بینی کند و مصرف انرژی به همین نسبت کاهش می‌یابد.

In this paper, the development of a real-time hardware-in-the-loop (HIL) test for a spacecraft is investigated. The spacecraft mission is to transfer a satellite from 400km circular to 400-7000km elliptical orbit by a small upper stage. The main parts of the mission are de-tumbling, pointing, spin-up, and orbital transfer maneuvers. The developed HIL test aims at demonstrating the performance of the guidance, navigation, and control (GNC) algorithms, simulating the mission operation plan (MOP), completing the end-to-end hardware verification, and testing throughout the whole mission. In the presented framework, four modules are considered: 1) Onboard computer (OBC) and onboard hardware (OBH) module; 2) Onboard software (OBS) module; 3) Flight simulator (FS) module; 4) Logger and command computer (LCC) module. The GNC algorithms and MOP are programmed in the OBC while it communicates with a six degrees of freedom flight simulator, implemented in C# language in the visual studio environment, via CAN bus. The HIL test is performed while sensors have been substituted with dummy thermal samples to simulate their energy consumption function, because the environmental conditions of space and the sensors dependence on the current attitude cannot be duplicated in the laboratory environment. The FS module can be executed in a real-time approach with the frequency of 1 kHz and even faster. All results have been proven to be satisfactory with respect to orbit transfer mission and consequently, the onboard hardware and software are verified to be reliable enough after several repeats of the test.

شبکه‌هاي جمع-ضرب نسل جديدي از شبکه‌هاي احتمالي عميق هستند که قادرند استنتاج دقيق را از مرتبه خطي بر حسب تعداد يال‌هاي گراف شبکه انجام دهند. اين شبکه‌‌ها قادر هستند توزيع‌هاي احتمالي را به صورت فشرده در يک ساختار لايه‌اي کدگذاري نمايند. در اين مقاله، ما اين شبکه را با درخت تصميم، که مي‌توان آن را حالت خاصي از شبکه جمع-ضرب در نظر گرفت مقايسه کرديم. حاصل اين مقايسه، درخت تصميمي با ساختار مبتني بر شبکه جمع-ضرب شد که قدرت بيان بيشتري دارد.

در عصر حاضر شبکه‌هاي اجتماعي به بخش جدايي‌ناپذير از زندگي بشر تبديل شده است و به‌عنوان محبوب‌‌ترين و سريع‌ترين ابزار انتشار اطلاعات شناخته شده‌اند. اين مسئله در کنار مزاياي بسيار آن مي‌تواند انواع تهديدات امنيتي و ناهنجاري‌هاي اجتماعي را به ‌دنبال داشته باشد، يکي از اين تهديدات وجود هرزنامه‌نويسان در اين شبکه‌ها مي‌باشد. در حقيقت چالش اصلي تحقيقات اخير در مورد مبارزه با هرزنامه‌نويسان ارائه روشي کارآمد براي ترکيب محتواي پيام، رفتار کاربر و ساختار شبکه اجتماعي براي به رسميت شناختن هرزنامه‌نويسان شبکه‌هاي اجتماعي با دقت بالا مي‌باشد. از اين‌رو در اين مقاله به شناسايي هرزنامه‌نويسان در توييتر با ارائه ويژگي‌هاي جديد و استفاده از روش يادگيري نظارتي در يادگيري ماشين بر روي دو مجموعه داده پرداخته شده است. آزمايش‌هاي انجام شده بر روي مجموعه داده توييت و پروفايل با استفاده از پنج الگوريتم طبقه‌بندي صورت گرفته است که با الگوريتم درخت تصميم به بهترين نتيجه با دقت %44/99 در مقايسه با پژوهش‌هاي پيشين دست يافته است. همچنين بر اساس نتايج به‌دست آمده از مجموعه داده‌ مبتني بر پروفايل نشان داده شده است که استفاده از ويژگي‌هاي مبتني بر پروفايل به تنهايي هم مي‌تواند در شناسايي هرزنامه‌نويسان تا حدودي موثر باشد.

با توجه به اين که اکثر مسائل دنياي واقعي ماهيتي پويا و متغيير با زمان دارند، حل اين چنين مسائل از اهميت بسياري برخوردار است . در اين مقاله به ايجاد راهکار هاي جديدي جهت ايجاد تنوع ‌پذيري اعضاي جمعيت در هنگام تغيير محيط ارائه داده ايم. مدل پيشنهادي در اين مقاله يك الگوريتم تركيبي بر اساس الگوريتم بهينه‌سازي جستجوي گروهي با استفاد از ترکيب رويکرد هاي مرتبط با يادگيري از روي تضاد و نگاشت آشوب و همچنين ديدگاه نخبه گرايي در جمعيت و به بهبود چالش تنوع پذيري در جمعيت پرداختيم و با استفاده از محک معروف در حوزه مسائل بهينه سازي پويا تابع محک قله هاي متحرک مورد ارزيابي قرار داده ايم به اين اميد که بتوان تعدادي از مسائل بهينه ‌سازي در محيط‌ هاي پويا با کارايي بالاتر را حل نماييم. نتايج نشان مي دهد که نخبه گرايي در انتخاب اعضاي جمعيت مي تواند به بهبود عملکرد تنوع پذيري جمعيت نسبت به الگويتم هاي استاندارد محيط هاي پويا MQSO، AMQSO، MPSO، HMPSO ، APSO کمک شاياني کند.

با گسترش روزافزون اينترنت اشياء، وابستگي مردم به خانه‌هاي هوشمند و سيستم‌هاي امنيتي مرتبط با آن مانند اعلام حريق يا ورود غيرمجاز افزايش يافته است. سيستم‌هاي امنيتي خانه‌هاي هوشمند بايد بتوانند در شرايط بحراني، اقدامات پيشگيرانه براي کاهش خسارت‌هاي مالي و جاني انجام دهند. معماري جديد پيشنهادي به‌صورت دائم فضاي داخلي خانه را بررسي و در صورت بروز تهديد به ساکنين خانه هاي هوشمند هشدار مي دهد و در صورتي که ساکنين خانه هاي هوشمند اقدام مناسبي انجام ندهند و هشدار به سطح بحران برسد، سيستم بطور اتوماتيک اقدام لازم براي کاهش خسارت‌ را انجام دهد.

شبکه‌ي اجتماعي ريسرچ‌گيت(ResearchGate) يک شبکه‌ي اجتماعي علمي است که با ايجاد فضايي تعاملي ميان کاربران، محيطي مناسب را جهت ارتباط، همکاري و مبادله‌هاي علمي براي پژوهشگران سراسر جهان فراهم نموده و افراد از طريق دنبال‌کردن و پاسخ دادن به سؤال‌هاي ديگر کاربران به دنبال کشف يک فرصت جهت ايجاد ارتباط با کاربران تاثيرگذار، همکاري‌هاي علمي و ايجاد انجمن‌هاي علمي مي‌باشند. با تشخيص اجتماعات در اين شبکه که يکي از مهم‌ترين کاربردهاي تحليل شبکه‌هاي اجتماعي است، انجمن‌هاي شکل‌گرفته براساس روابط موجود در شبکه مشخص مي‌شوند. در اين پژوهش ابتدا روابط هم‌نويسندگي، دنبال‌کنندگي دنبال‌شوندگي و پرسش و پاسخ در شبکه‌ي ريسرچ‌گيت ايجاد‌ شده و با استفاده از روش ماژولاريتي(Modularity) که از الگوريتم لووين(louvain) پيروي مي‌کند انجمن‌هاي ايجاد شده در روابط با يکديگر مقايسه شده‌اند. از آنجائيکه در شبکه‌هاي اجتماعي علمي هدف از بارگذاري و انتشار مقالات توسط محققان، انتقال و به اشتراگ‌گذاري دانشي است که در پژوهش خود کسب کرده‌اند؛ بنابراين پژوهشگر مي‌تواند از طريق رابطه‌اي که به طور ميانگين افراد بيشتري را به يکديگر پيوند داده است دانش خود را ميان کاربران بيشتري به اشتراک بگذارد. طبق نتايج پژوهش حاضر، رابطه‌ي دنبال‌کنندگي دنبال‌شوندگي در اين شبکه بيشترين تراکم را در ميان روابط دارد و سبب انتقال دانش ميان کاربران بيشتري مي‌شود.

در سال‌هاي اخير، پردازنده‌هاي گرافيکي جايگاه ويژه‌اي در مراکز داده‌ ابري يافته‌اند. اين امر به دليل توان پردازشي بالاي پردازنده‌هاي گرافيکي در انجام کارهاي موازي است. بااين‌وجود، استفاده از پردازنده‌هاي گرافيکي با چالش‌هايي ازجمله توان مصرفي بالا و بهره‌وري پايين همراه است. يک راه‌حل براي بهبود بهره‌وري، مجازي‌سازي پردازنده گرافيکي است. در اين روش، پردازنده گرافيکي با استفاده از روش‌هاي مجازي‌سازي بين چند ماشين‌ مجازي به اشتراک گذاشته مي‌شود. براي استفاده بهينه از منابع پردازشي گرافيکي و جلوگيري از هدررفت منابع، الگوريتم‌هاي تخصيص منابع توسعه داده‌شده‌اند. بااين‌حال، کارايي اين الگوريتم‌ها تاکنون در بسترهاي ابري ناهمگن مطالعه و بررسي نشده است. هدف اين مقاله، بررسي رفتار الگوريتم‌هاي متداول تخصيص منابع در بسترهاي ابري ناهمگن مبتني بر پردازنده گرافيکي است. بدين منظور، مرکز داده‌اي با دو نوع کارت گرافيکي مختلف شبيه‌سازي شده و کارايي الگوريتم‌هاي تخصيص منابع مختلف بررسي و مقايسه شده‌ است. همچنين الگوريتمي براي بهبود زمان اجراي بار کاري در اين‌گونه بسترها ارائه شده و نتايج به‌دست‌آمده با نتايج الگوريتم‌هاي مشابه مقايسه شده است. نتايج شبيه‌سازي نشان مي‌دهد استفاده از روش پيشنهادي در بستر‌هاي ناهمگن مي‌تواند نسبت به روش‌هاي پيشين تا 11% زمان اجراي بار کاري و انرژي مصرفي مرکز داده را کاهش دهد.

با توجه به این ‌که نسل آینده ارتباطات توسط شبکه 5G رقم خواهد خورد و دلیل اصلی توسعه‌ی این شبکه پشتیبانی از سرویس‌های مختلف و جدید مبتنی بر نیاز کاربران است، بنابراین اپراتورهای شبکه باید بتوانند بر اساس گروه‌بندی کاربران بر اساس نیازمندی خاصی که دارند، سرویس مورد انتظار آن‌ها را با حداکثر کارایی و حداقل هزینه ارائه دهند. ابزاری که برای تحقق این منظور مطرح‌شده است، استفاده از برش‌بندی شبکه است. یکی از مهم‌ترین چالش‌هایی که در برش‌بندی شبکه وجود دارد، نحوه‌ی تخصیص منابع در میان نقش‌های تجاری است که می‌خواهند سرویسی مناسب را برای کاربران برش‌ها ایجاد کنند. همه‌ی کارهای مرتبط انجام شده فقط به دنبال بیشینه‌سازی سودمندی تأمین‌کنندگان شبکه هستند که این مورد برخلاف هدف اصلی 5G یعنی ارائه سرویس با کیفیت، با در نظر گرفتن نیازمندی کاربران برش‌هاست؛ بنابراین در این مقاله در برش‌بندی هسته روشی‌ پیشنهاد می‌گردد که سودمندی نقش‌های تجاری موجود در برش‌بندی شبکه اعم از کاربران، مستأجران و تأمین‌کنندگان شبکه را هم‌زمان در نظر گیرد و هم از قیود واقع‌گرایانه اعم از کارایی منابع، عدالت، اولویت در میان برش‌ها و مستأجران و پشتیبانی از SLA های مهم برای برش‌ها پشتیبانی کند تا بتواند با این دید، تعادل را در میان بازیگران مسئله ‌مذکور ایجاد کند و برای اجرا در سناریوهای بزرگ و واقعی انعطاف‌پذیر باشد. بر همین اساس الگوریتمی طراحی می‌شود که به طور میانگین 10.45 درصد در سود جمعی بهبود دارد.

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.