انجمن کامپیوتر ایران

For real-time embedded systems, energy consumption and reliability are two major design concerns. We consider the problem of minimizing the energy consumption of a set of periodic real-time applications when running on a multi-core system while satisfying given reliability targets. Multi-core platforms provide a good capability for task replication in order to achieve given reliability targets. However, careless task replication may lead to significant energy overhead. Therefore, to provide a given reliability level with a reduced energy overhead, the level of replication and also the voltage and frequency assigned to each task should be determined cautiously. The goal of this paper is to find the level of replication, voltage and frequency assignment, and core allocation for each task at design time, in order to achieve a given reliability level while minimizing the energy consumption. Also, at run-time, we find the tasks that have finished correctly and cancel the execution of their replicas to achieve even more energy saving. We evaluated the effectiveness of our scheme through extensive simulations. The results show that our scheme provides up to 50% (in average by 47%) energy saving while satisfying a broad range of reliability targets.

اگر چه هدف سيستم‌هاي بازشناسي گفتار، تعيين دنباله كلمات است اما ويژگي‌هاي رايج استخراج شده از سيگنال گفتار مبتني بر واحدهاي قاب هستند. از طرف ديگر، اخيراً مدل‌هايي مبتني بر ميدان های تصادفی شرطی مقطعي (SCRF) ارائه شده‌اند كه محدوديت مدل‌سازي در سطح قاب را از ميان برداشته اند. در اين مقاله روشي براي بكارگيري ويژگي‌هاي مبتني بر كلمه براي بازشناسي گفتار تلفني فارسي با استفاده از قابليت‌هاي SCRF ارائه شده‌ است. براي اين منظور، ابتدا با انجام يك مرحله بازشناسي اوليه، گراف كلمات تهيه مي‌شود. سپس با استفاده از اين گراف، دو ويژگي طول كلمه و احتمال پسين كلمه محاسبه شده و به همراه دنباله كلمات بازشناسي براي تعليم SCRF به كار مي‌روند. آزمايش‌هاي بازشناسي انجام شده نشان داد كه با استفاده از اين مدل و ويژگي‌هاي ارائه شده دقت بازشناسي كلمه به ميزان 18/1 درصد بهبود مي‌يابد.

استخراج اطلاعات زمانی از متون یکی از زمینه های فعال در پردازش زبان طبیعی است، اما کارهای اندکی در این زمینه در زبان فارسی انجام شده است. سامانه PET یکی از معدود سامانه‌هایی است که برای «استخراج اطلاعات زمانی» در زبان فارسی توسعه یافته است. در سامانه PET از یک روش مبتنی بر قاعده برای تشخیص رویدادها و از روش «ماشین های بردار پشتیبان» برای تشخیص رابطه ی زمانی بین رویدادها استفاده شده است. در جهت ایجاد سامانه PET، یک پیکره اطلاعات زمانی به نام پرس تایم بنک گسترش یافت. در این پژوهش برای افزایش کارایی سامانه PET، علاوه بر گسترش پیکره پرس تایم بنک، سعی شده تا از روش هایی که برای تشخیص رویدادها و رابطه ی زمانی بین رویدادها در زبان انگلیسی موفق بوده اند، استفاده شود به همین منظور ابتدا با استفاده از یک روش مبتنی بر قاعده رویداهای متن اولیه برچسب زنی شد و سپس به صورت دستی اصلاح گردید. در ادامه برای تشخیص رویدادها، روش-های یادگیری با ناظر «میدان های تصادفی شرطی» و «ماشین های بردار پشتیبان» استفاده شدند. همچنین برای تشخیص روابط زمانی بین رویدادها، روش های «میدان های تصادفی شرطی» و «بی-نظمی بیشینه» مورد استفاده قرار گرفتند. نتایج آزمایشات، نشان می دهد که روش «میدان های تصادفی شرطی» در تشخیص رویدادها و روابط زمانی بین آن ها از دیگر روش ها بهتر عمل می‌کند.

داده های سری زمانی، مجموعه ای از مقادیر می باشند که به صورت متوالی و در زمان های مشخص ثبت شده اند. هدف از پیش بینی سری های زمانی ارائه ی یک مدل به منظور توصیف رابطه ی بین داده ها بر اساس مشاهدات گذشته است. بر اساس مدل به دست آمده، مقادیر متغیرها برای زمان های آینده پیش بینی میشود. در این مقاله روشی مطمئن به منظور تخمین سری های زمانی مالی مبتنی بر مدل رگرسیون بردار پشتیبان و جستجوی هارمونی بهبود یافته ارائه شده است. مدل رگرسیون بردار پشتیبان به دلیل قدرت یادگیری بالا و استخراج ساختاری مناسب از مجموعه داده، ابزار مناسبی به منظور تخمین سری های زمانی مالی است. یکی از مشکلاتی که در استفاده از مدل رگرسیون بردار پشتیبان وجود دارد، تعیین مقادیر پارامترها می باشد که در روش پیشنهادی به منظور تعیین مقادیر بهینه برای پارامترها از روش جستجوی هارمونی بهبود یافته استفاده شده است که با جستجو در فضای مسئله، بهینه ترین مقادیر را برای هر یک از پارامترها می یابد. بهبود جستجوی هارمونی شامل پیش پردازش جمعیت اولیه با استفاده از الگوریتم تکامل تفاضلی، بهبود پارامترهای کنترلی PAR و BW در جستجوی هارمونی و هدایت بردارهای هارمونی به سمت موقعیت بهترین بردار هارمونی می باشد. روش پیشنهادی بر روی دو مجموعه داده ی مالی معتبر مورد ارزیابی قرارگرفته است و بر اساس نتایج بدست آمده، روش پیشنهادی به میانگین خطای 228/2 بر روی دو پایگاه داده معتبر دست یافته است که در مقایسه با سایر روش های بهینه سازی که به منظور تنظیم پارامترهای رگرسیون بردار پشتیبان مورد استفاده قرار گرفته اند، کمترین میزان خطا را بین مقادیر تخمینی و مقادیر واقعی سری بدست آورده است.

اكثر پژ‍وهش‌هاي پيشين در تشخيص برجستگي، مبتني بر توجه پايين به بالا هستند و از ويژگي‌هاي سطح پايين استفاده مي‌كنند. اين روش‌ها تاثيرات بالا به پايين را در نظر نمي‌گيرند. در اينجا، ما يك روش برجستگي ديداري بالا به پايين ارائه مي‌كنيم كه علاوه بر ويژگي‌هاي سطح پايين مانند رنگ و بافت، از ويژگي‌هاي سطح بالا مانند تشخيص شي استفاده مي‌كند. در اين روش،‌ابتدا تصوير به سوپرپيكسل‌ها بخش‌بندي مي‌شود و ويژگي‌هاي سطح پايين و بالا براي هر يك از آن‌ها استخراج مي‌شوند. سپس، ‌نقشه برجستگي با يادگيري ويژگي‌ها از طبقه‌بندي‌ كننده AdaBoost ايجاد مي‌شود. استفاده از سوپرپيكسل، لبه‌هاي اشيا در تصاوير را حفظ مي‌كند و پيچيدگي محاسباتي را از هزاران پيكسل به چند صد سوپر پيكسل كاهش مي‌دهد. روش پيشنهادي بر روي پايگاه داده MSRA-1000 پیاده‌سازی شده و در قیاس با ساير روش‌ها ارزيابي گرديده است. دستیابی به منحني precision-recall بهتر و معيار F-measure با مقدار 70 % حاكي از عملكرد مناسب روش پيشنهادي است.

امروزه رایانش ابری به بازاری جهت مبادله ی منابع محاسباتی تبدیل شده است. تهیه کنندگان منابع محاسباتی خود را در قالب ماشین های مجازی به کاربران اجاره می دهند و در طی مدت اجاره، قیمتی از کاربران دریافت می کنند. یکی از مسائل موجود در این بازار، ارائه مکانیزمی جهت قیمت گذاری و تخصیص، به صورتی است که سود مناسب کاربران و تهیه کنندگان تضمین شود. در این مقاله با استفاده از حراج ترکیبی دوطرفه، بازاری متشکل از کاربران و تهیه کنندگان مدل سازی شده که براساس آن یک موجودیت واسط، عمل تخصیص ماشین های مجازی تهیه کنندگان براساس نیاز کاربران را انجام می دهد؛ در این راستا ابتدا مسئله ی تخصیص ماشین های مجازی با درنظرگرفتن چند نوع ماشین مجازی به‌صورت یک مسئله ی برنامه ریزی عدد صحیح مدل شده و در ادامه الگوریتمی جهت تخصیص مناسب پیشنهاد شده است. الگوریتم تخصیص پیشنهادی سعی در تخصیص ماشین های مجازی تهیه کنندگان به کاربران دارد به نحوی که سود مالی هردوطرف افزایش یابد. نتایج حاصل از حل مدل، حاکی از این است که مدل برنامه ریزی پیشنهادی دارای ویژگی های صادقانه بودن و عادلانه بودن است. همچنین نتایج شبیه سازی، کارا بودن الگوریتم تخصیص پیشنهادی در تأمین سود توأمان تهیه کنندگان و کاربران را تأیید می کند.

کاهش اندازه‌های ترانزیستورها در ابعاد نانو، مقابله با خطاهای گذرای چند بیتی (MBU) در حافظه‌ها را به دغدغه‌ی چالش برانگیز طراحان سامانه‌های مطمئن رقمی تبدیل نموده است. اگر چه روش افزونگی سه‌گانه‌ی اطلاعاتی قادر به پوشش این خطاهاست، مصرف توان بالای این روش در اغلب کاربردهای نوین قابل توجیه نیست. پیش بینی پژوهشگران بر جایگزینی کانال ترانزیستورهای اثرمیدان فن‌آوری CMOS با نانو ‌لوله‌های ‌کربنی (CNT) انگیزه‌ای شد تا این پژوهش به بررسی صرفه‌ی بکارگیری روش افزونگی سه‌گانه‌ی اطلاعاتی در فن‌آوری ترانزیستور‌هاي اثرمیدان مبتنی بر نانو ‌لوله‌های ‌کربنی (CNTFET) ‎بپردازد. بهره‌برداری از فضاهای بدون استفاده‌ی حافظه موجب مصرف عمده‌ی توان این روش در مدار رای گیر اکثریت دو از سه‌ی آن می‌‌شود. این پژوهش نشان داده است که پیاده‌سازی این رای گیر با فن‌آوری CNTFET، هزینه‌های مصرف توان و تاخیر را طوری کاهش می‌دهد که افزونگی سه‌گانه‌ی اطلاعاتی را به روشی مقرون به صرفه در سامانه‌‌های آینده تبدیل خواهد نمود. نتایج شبیه‌سازي در ابعاد 45، 32 و 22 نانو با ولتاژهای تغذیه 1، 9/0 و 8/0 ولت نشان دادند که پیاده‌سازی این مدار با فن‌آوری CNTFET نسبت به فن‌آوری CMOS تا 57% بهبود در متوسط توان مصرفی و تا 83% کاهش در تاخیر را به همراه خواهد داشت.

شبکه ی داده های نام گذاری شده، به عنوان الگوی جدیدی برای جایگزینی زیرساخت کنونی شبکه ی اینترنت در نظر گرفته شده است؛ با این تفاوت که در معماری این شبکه، به اشیای داده ای، آدرس تعلق پیدا می کند. این معماری شبکه ای از قابلیت ذخیره سازی درون شبکه ای پشتیبانی می کند تا عملکرد منابع شبکه ای بهبود یابند. یکی از مسائل کلیدی در این شبکه ها، مدیریت و تقسیم عادلانه ی منابع حافظه در شبکه است. در این پژوهش برای یافتن اهمیت هر گره جهت تخصیص حافظه، از دو دسته پارامترهای ایستا و پویای شبکه ای استفاده می شود. پارامتر ایستای مورد استفاده، که مرکزیت میانگی هر مسیریاب می باشد، با تعداد مسیرهای کوتاه بین دو مسیریاب قابل محاسبه است. دو پارامتر دیگر، از نوع پویا و لحظه ای هستند که به اطلاعات پویای شبکه نظیر درخواست های کاربران و ترافیک شبکه بستگی دارند. از این روی، با اعمال دو روش میانگین گیری متحرک وزن دار بر پارامترهای پویا، در ابتدا از کل نمونه های زمانی بدست آمده، متوسط گرفته و سپس با کمک روش تجمیع داده ی تحلیل مولفه ی اساسی، پارامترهای هر مسیریاب با یکدیگر ترکیب شده تا وزنی برای تعیین اندازه ی حافظه ی نهان آن تعیین شود. نتایج ارزیابی نشان دهنده ی بهبود 25 درصدی نرخ برخورد در حافظه ی نهان مسیریاب های میانی شبکه و همچنین کاهش 37 درصدی تعداد بسته های علاقه ی منتظر می باشد.

در روش‌های رایج زیست‌سنجی ثبت داده از اندام‌هایی از بدن صورت می‌گیرد که با چشم قابل دیدن هستند. به همین دلیل امکان تقلید آنها زیاد است. پیشنهاد شده است که به‌جای این‌گونه روش‌ها، از اندام‌هایی از بدن ثبت داده انجام شود که به‌طور ذاتی با چشم قابل دیدن نیستند. این نوع روش‌های زیست‌سنجی، دارای مقاومت ذاتی در برابر جاعلین هستند. هر نوع سیگنال زیستی مانند الکتروکاردیوگرام، الکتروانسفالوگرام، الکترومایوگرام، پتانسیل برانگیخته بینایی و شنوایی می‌تواند یک ویژگی زیست‌سنجی محسوب شوند. در این مقاله از 104 سیگنال الكتروانسفالوگرام فرد سالم در حالت استراحت و چشمان بسته، ویژگی های غیر خطی بعد هیگوچی و بعد پطروسیان استخراج شده و دو کانال بهینه با استفاده از الگوریتم ژنتیک تعیین شده اند. سپس با انتخاب بخش های مرجع از سیگنال هر فرد و تولید ویژگی های مصنوعی و نمونه های حقیقی و جعلی، طبقه بندی ویژگی ها با طبقه بند ماشین بردار پشتیبان انجام شده است و روش پیشنهادی با تغییر نسبت آموزش– آزمایش ویژگی ها از 10-90 درصد تا 90-10 درصد به صحت02/0± 92/79 درصد تا 00/0± 84/99 درصد دست یافته است.

در رده‌بندی متون می‌توان هر واژه را به‌عنوان یک صفت یا ویژگی در نظر گرفت. تعداد زیاد واژه‌ها باعث کاهش دقت و سرعت رده‌بندی می‌گردد. انتخاب زیرمجموعه‌ای از واژه‌های (ویژگی‌های) متون یکی از مراحل ضروری در پیش‌پردازش متون قبل از اعمال الگوریتم‌های رده‌بندی است. روش‌های پالایه و پوشانه، دو دسته اصلی انتخاب ویژگی است. در این مقاله سعی شده است روش ترکیبی انتخاب ویژگی در حوزه متون بررسی‌شده و با روش‌های جدیدتر انتخاب ویژگی خاص متون مانند DFS وGiniText مقایسه گردد. در این تحقیق تأثیر استفاده از ترکیب روش پالایه و پوشانه برای انتخاب ویژگی بر عملکرد رده‌بند نایوبیزی برای رده‌بندی متون فارسی مورد بررسی قرار گرفته است. نتایج نشان می‌دهد که روش ترکیبی انتخاب ویژگی روی پیکره همشهری، علی‌رغم کاهش تعداد ویژگی‌ها، باعث بهبود نتایج رده‌بند نایوبیز چند جمله‌ای، نسبت به روش‌های پالایه و یا پوشانه شده است.

سیستم‌های پرسش و پاسخ شکل پیشرفته‌ سیستم‌های بازیابی اطلاعات هستند که به جای برگرداندن اسناد مرتبط با سوال کاربر، سعی در استخراج پاسخ دقیق برای آن دارند. کاربر می‌تواند سوال خود را در قالب یک سوال زبان طبیعی مطرح کند و یا از کلمات کلیدی برای بیان منظور خود استفاده کند. یکی از منابعی که سیستم‌ها برای پیدا کردن جواب استفاده می‌کنند، ابر داده پیوندی است. سیستم‌های بازیابی اطلاعات مبتنی بر داده پیوندی، به ما کمک می‌کنند تا با سرعت و دقت بالایی به جواب صحیح دست یابیم؛ اما نیازمند داشتن دانش در مورد هستی‌شناسی موجود و همچنین ساخت پرس‌وجوهای رسمی مانند SPARQL هستند. این‌کار برای کاربران عادی کاری دشوار خواهد بود. از طرف دیگر، تجربه کابران در کار با موتورهای جستجو نشان داده‌است، کاربران بیشتر تمایل دارند نیاز اطلاعاتی خود را در قالب کلمات کلیدی مطرح کنند. در این مقاله، به منظور خودکارسازی فرایند ساخت پرس‌وجوی رسمی‌، روشی برای تبدیل کلمات کلیدی کاربر به پرس‌وجوی SPARQL ارائه ‌شده‌است که مبتنی بر ساخت قالب‌های پویاست. علاوه‌براین، روشی برای ساخت پرس‌وجوهای پیچیده SPARQL ( توابع تجمعی، فیلتر کردن و شمارش ) نیز ارائه شده‌است. نتایج ارزیابی نشان از موفقیت قابل قبول این سیستم در ایجاد قالب‌های پرس‌وجوی پیچیده دارد.

در رشته‌های مهندسی از جمله مهندسی نرم افزار، اندازه‌گیری کیفیت به عنوان یک فعالیت ضروری جهت تعیین کارایی فرآیند ساخت، قابلیت استفاده و استحکام محصول نهایی به شمار می‌رود. اندازه‌گیری کیفیت سبب فهم بهتر، کنترل، ردیابی مسیر تغییرات و در نهایت بهبود کیفیت محصول نهایی خواهد شد. امروزه استفاده از آنتولوژی در سیستم‌های هوشمند جهت بازنمایی و اشتراک دانش دامنه در حال افزایش است. آنتولوژی نیز مانند هر محصول مهندسی دیگر، نیاز به روشی جهت اندازه‌گیری و ارزیابی کیفیت دارد. در طول سال‌های اخیر، روش های زیادی برای اندازه‌گیری و ارزیابی کیفیت آنتولوژی ارائه شده است که اکثر آن‌ها سعی در ارائه متریک و روش اندازه‌گیری بعد کیفی ساختاری آنتولوژی داشته اند. مساله‌ای که کمتر در اندازه‌گیری این بعد مورد توجه قرار گرفته است در نظرگرفتن معنا و دانش ضمنی آنتولوژی است. در این مقاله از تکنیک نقشه کشی دانش، جهت بازنمایی دانش ضمنی استفاده شده است. سپس بر مبنای این روش بازنمایی و مدل کیفی ساختار آنتولوژی، متریک‌هایی جهت اندازه‌گیری زیرفاکتور کیفی دقت ساختاری پیشنهاد شده است. در پایان متریک‌های پیشنهادی امکان سنجی شده اند و اعتبار و صحت آن‌ها نیز مورد بررسی قرار گرفته شده است.

استخراج آزاد اطلاعات بر خلاف روش‌های پیشینِ استخراج اطلاعات، از معماری‌هایی که نیاز به مشخص کردن روابط از قبل دارند جلوگیری میکنند و محدود به روابط خاصی نیستند. بنابراین قادر به استخراج روابط دلخواه بطور مستقیم از مجموعه داده‌های بزرگ و دامنه‌های غیرهمگن مانند وب هستند. یک چالش اصلی برای سامانه‌های استخراج آزاد اطلاعات این است که روابط استخراج شده نمونه‌های درستی از روابط بین موجودیتها باشد. نیاز به استخراج‌گری که بتواند با اطمینان بالا به کشف اطلاعات بپردازد، از جمله اهداف استخراج آزاد اطلاعات است. در این راستا، در این مقاله روشی مبتنی بر قاعده پیشنهاد شده است که با کمک ویژگی‌های جمله و درخت تجزیهی وابستگی، منجر به افزایش خروجی‌های درست و کاهش خروجیهای نادرست و در نتیجه افزایش دقت و بازخوانی میشود. روش پیشنهادی به خروجی چندین سامانه استخراج آزاد اطلاعات اعمال شده و دقت نتایج تحت تاثیر آن بررسی شده است. ارزیابی‌ها نشان میدهد که روش پیشنهادی امید بخش است و معیارهای کارایی خروجیها با اعمال این روش بالاتر از حالت پایه است.

هدف این مقاله، پیش‌بینی نرخ ارز با استفاده از سریهای زمانی فازی پس از خلاصه‌سازی داده‌های ورودی میباشد که مبتنی بر مدل ارائه شده توسط Chen 2011 است. مدل ارائه شده توسط Chen در سال 2011 یکی از روش‌های مهم پیشبینی نرخ سهام است که نسبت به دیگر روش‌های موجود دقت بالاتری دارد. ازنقاط ضعف این روش در نظر گرفتن طول ثابت در تعیین طول بازه‌ها، امکان عدم یافتن قانون پیشبینی و توقف الگوریتم در برخی از طول بازه‌ها و همچنین مسأله سرعت الگوریتم با افزایش حجم داده‌ها میباشد. در این راستا با اصلاح نواقص ذکر شده، علاوه بر کاهش حجم داده‌های عددی، دقت پیشبینی نیز افزایش یافته است. مدل پیشنهادی برای داده‌های بازار بورس (TAIEX) و داده‌های نرخ ارز آزمایش شده و نتایج حاصله از پیاده سازی این روش نشان میدهد که در عین کاهش حجم داده‌ها از دقت پیشبینیها کاسته نمیشود.

در این مقاله، نوعی مکانیزم برای دفاع در مقابل حمله تک تیرانداز تشریح می‌شود. حمله تک تیرانداز، یک نوع حمله ممانعت از سرویس هدف‌گذاری شده است که حمله‌کننده بی‌نام با صرف هزینه بسیار کم می‌تواند هزینه جدی به رله‌های شبکه Tor وارد نماید. در راه حل فعلی، اگر مصرف حافظه از یک حد آستانه بیشتر گردد، به منظور مقابله با این حمله مدارهای مظنون از بافر قربانی حذف می‌شوند. ما در این مقاله راه‌حل فعلی را مورد بررسی قرار داده و نقاط ضعف آن را بیان می‌کنیم. سپس پروتکل جدیدی را برای مقابله با این حمله پیشنهاد می‌کنیم. حمله تک تیرانداز از دو نقطه ضعف مهم شبکه Tor بهره‌برداری می‌کند که عبارتند از: یکی، نداشتن هیچ محدودیتی روی صف‌های لایه کاربرد و دیگری، نداشتن هیچ مکانیزم کنترل انباشتگی. پروتکل پیشنهادی ضعف فقدان کنترل انباشتگی را جبران کرده و جلوی حمله را می‌گیرد. تشویق کاربران به استفاده از شبکه Tor یکی از اصول مهم این شبکه است. برای بهتر نمودن تجربه استفاده کاربران، یک پرچم جدید در سرورهای متولی-راهنما در Tor معرفی شده است. این پرچم نشان‌دهنده میزان انباشتگی یک رله است و در الگوریتم انتخاب مسیر کاربر در کنار پهنای باند رله‌ها نقش مهمی را ایفا خواهد کرد، به طوریکه کاربرانی که درجه پایین‌تری از بی‌نامی را نیازمندند می‌توانند با انتخاب رله‌هایی که خلوت‌تر هستند، ارتباط سریع‌تری را تجربه کنند. همچنین، این پرچم از کاهش کیفیت سرویس کاربران به علت حملات ممانعت از سرویس پیش‌گیری می‌کند. روش پیشنهادی را روی شبکه شبیه‌سازی شده بررسی کرده و نشان می‌دهیم که هزینه ادامه حمله با بکارگیری این روش مقابله زیاد می‌گردد.

ترجمه ماشینی مبتنی بر قاعده از مجموعه‌ای از قواعد که دربردارنده اطلاعات زبانی هستند در فرایند ترجمه استفاده می‌کند. نتایج تولید شده توسط این مترجم‌ها معمولاً از نظر دستورزبان و ترتیب کلمات بهتر از نتایج مترجم‌های آماری هستند. ولی تحقیقات نشان داده است که این ترجمه‌ها از نظر روانی و انتخاب کلمات مناسب، ضعیف‌تر از مترجم‌های آماری هستند. در این مقاله هدف، بهبود انتخاب لغات در مترجم مبتنی بر قاعده است. این کار با استفاده از مجموعه‌ای از قواعد نحوی-لغوی مبتنی بر گرامر درخت-پیوندی انجام می‌شود. این قواعد احتمالاتی به‌صورت آماری از یک پیکره موازی با اندازه بزرگ استخراج شده‌اند. در سیستم ارائه شده، کلمات با ترتیب پیشنهادی مترجم مبتنی بر قاعده در زبان مقصد قرار می‌گیرند و به همین دلیل در ترجمه جملات از یک رمزگشای یکنواخت مبتنی بر برنامه‌ریزی پویا استفاده شده است. در این سیستم بهترین ترجمه با استناد به احتمال قواعد استفاده شده و امتیاز مدل زبانی انتخاب می‌شود. آزمایش‌ها روی ترجمه انگلیسی به فارسی نشان داد که کیفیت نتایج به دست آمده از روش پیشنهادی حدود 3/1+ واحد بلو از کیفیت ترجمه به دست آمده توسط مبتنی بر قاعده پایه بالاتر است.

امروزه از مدلهای تحلیل تصادفات متفاوتی در دنیا استفاده می گردد که یک نمونه از آنها مدل پیشگیرانه برای معابری که هنوز افتتاح نشده اند صورت می پذیرد اما در این مطالعه از این مدل برای مشخص کردن میزان بحرانی بودن معابر از منظر تصادفات استفاده شده است. در این تحقیق سلسله مراتب شبکه معابر، شیب و روسازی از جمله معیارهای اصلی بودند که با استفاده از فرآیند تحلیل سلسله مراتبی AHP، الگوریتم آنالیز مکانی SA، با توابع همپوشانی OVERLAY در سیستم اطلاعات جغرافیایی GIS تحلیل صورت پذیرفت. نتایج بدست آمده از این تحقیق حکایت از وضعیت نامطلوب شبکه معابر و یا مطلوبیت نسبی آن دارد بخصوص معابر شمالی جنوبی این منطقه. خروجی نهایی در دو گروه ارائه گردیده است. 1- وضعیت کل شبکه منطقه مورد مطالعه 2- تحلیل به تفکیک معابر منطقه و در نهایت نیز معابر بحرانی و خیلی بحرانی منطقه مشخص گردیده است

پروژه‌هايي كه توسط مؤسسات خدماتي كه داراي ماهيت غيرانتفاعي مي‌باشند (از جمله شهرداری‌ها) انجام مي‌گردند، به دو دليل از اهميت ويژه‌اي برخوردار هستند: اولاً اغلب محصولات و پروژه‌هاي اين سازمان‌ها كه به شهروندان ارائه می‌گردند، قبل، حين و بعد از اجرا اثرات ناملموس در زندگي ‌آنها دارند. ثانياً به دليل احساس مالكيت شهروندان نسبت به اين پروژه‌ها، مديريت شهري بايد با رفتار مناسب، رابطة مؤثر و پاسخگويي به هنگام، نسبت به جلب مشاركت آنان اقدام نمايد. به علاوه، پروژه را مي‌توان تعاملي دوسويه ميان كارفرما و پيمانكار تلقي نمود كه دراين ميان مهم‌ترين عاملي كه باعث مي‌گردد تا اين تعامل مثبت، سازنده و در جهت تأمين منافع ذينفعان پروژه باشد، تفاهم طرفين بر روي ميثاقي مشترك است. در این میان پروژه‌های فناوری اطلاعات در مدیریت شهری از ضروریات حرکت به سمت سازمان و شهر هوشمند بوده و استفاده از فناوری اطلاعات به دلیل تاثیر آن بر سرعت و دقت گردش کارها، افزایش شفافیت، رضایت بیشتر شهروندان و ایجاد سیستم‌های پشتیبان تصمیم، ضرورتی اجتناب ناپذیر می باشد. در این مقاله با توجه به بررسی‌های انجام شده و درس آموخته های سازمان فناوری اطلاعات و ارتباطات شهرداری مشهد، آسیب‌هایی که پروژه‌های نرم افزاری را تحت تأثیر قرار داده بررسی و راهکارهای مقابله با آنها پیشنهاد شده است.

امروزه یکی از راهکارهای اصلی افزایش کارایی سیستم‌های غیرمتمرکز، استفاده از چندین سرویس‌دهنده و پخش بار میان آن‌ها است. با استفاده از این روش، نه تنها میزان کارایی سیستم افزایش می‌یابد، بلکه دسترس‌پذیری سیستم نیز به طور قابل توجهی افزایش خواهد‌یافت. در حال حاضر الگوریتم‌ها و روش‌های زیادی به منظور پیاده‌سازی یک پخش‌کننده بار ارائه شده‌است که هریک بر بخشی از نیازمندی‌ها غلبه کرده‌است. نکته‌ای که در میان روش‌های ارائه شده دور از چشم مانده‌است، هزینه‌ انتقالی است که سیستم (یا کاربر انتهایی) به ازای افزایش کارایی متحمل می‌شود. همانطور که در [1] اشاره شده‌است، همواره مصالحه‌ای1 میان هزینه و کارایی سیستم وجود دارد. در این مقاله از الگوریتم کلونی زنبور عسل [2] به منظور پخش بار استفاده می‌کنیم. در الگوریتم ارائه شده علاوه بر توزیع بار، پارامتر هزینه نیز در نظر گرفته‌شده و در انتها نشان می‌دهیم که به منظور کاهش هزینه و کارایی به صورت هم‌زمان، استفاده از این الگوریتم نسبت به الگوریتم‌های ارائه شده در [1] نتایج بهتری داشته و هم چنین سربار کنترلی کم‌تری به سیستم تحمیل خواهد‌کرد.

بازشناسی احساس و حالت چهره یکی از زمینه‌های تحقیقاتی مورد توجه در سال‌های اخیر بوده است که در کاربردهایی چون شبیه‌سازی حالت چهره در ارتباط انسان با ماشین و پویانمایی مبتنی بر داده‌ها مورد استفاده قرار گرفته است. با پیدایش و گسترش یادگیری عمیق هم این شاخه بیشتر مورد توجه قرار گرفته است. در اين مقاله، دو روش برای بهبود استخراج ویژگی استخراجی از چهره برای بازشناسی حالت آن مبتنی بر شبکه‌های عصبی عمیق ارائه شده است. در روش اول با استفاده از شبکه‌های خود رمزگذار فشرده‌سازی و کاهش بعد ویژگی بر روی مجموعه ویژگی‌های الگوی دودویی محلی و هیستوگرام جهت دار اعمال شده است تا به این ترتیب بردار ویژگی به دست آید که علیرغم کاهش بعد اطلاعات این ویژگی ها را به همراه داشته باشد. بردار حاصل برای دسته‌بندی در اختیار دو دسته‌بند ماشین بردارپشتیبان و پرسپترون چند لایه قرار داده شده است. در روش دوم ساختاری جدید برای معماری شبکه‌های درهم‌پیچش با در نظر گرفتن حذف تصادفی نورون‌ها در حین آموزش پیشنهاد شده است که به نوعی به وزن‌دهی ویژگی‌های استخراجی از لایه‌های درهم‌پیچش و بهبود وزنهای شبکه در حین آموزش می‌پردازد. نتایج ارزیابی روش‌ها بر روی دادگان CK+ نشان می‌دهد که روشهای پیشنهادی به ویژه روش پیشنهادی دوم نسبت به دیگر روش‌های ارائه شده نتیجه بهتری ارائه کرده‌اند و در بهترین حالت، روش دوم به درصد بازشناسی 97.4% دست یافته است.