انجمن کامپیوتر ایران

هدف از ارائة اين مقاله آشكارسازيِ هدف در صحنه با تبديلِ بهينة فضاي رنگ هدف و زمينه است. فضاي رنگ تصوير به يك فضاي جديد با استفاده از الگوريتم هايِ PSO و GA تبديل مي شود بنحوي كه الگوهاي يادگيري هدف و زمينه به بهترين كارايي در جداسازي برسند . براي ارزيابيِ جداسازي از معيارِ خوشه بندي استفاده مي شود. فضاي تبديلِ رنگِ بهتر منجر به ايجاد دو خوشة هدف و غيرِهد فِ فشرده و دور از هم مي شود كه به عنوان تابع برازشِ الگوريتمهايِ جستجو استفاده مي شود. در فضاي جديدِ بدست آمده تابع توزيع گوسيِ هدف و غيرِهدف بدست مي آيد و با استفاده از طبقه بند بيز تعيين هدف از غيرِ هدف ممكن مي شود. با استفاد ه از روش پيشنهادي هدف از زمينه در رديابي گلايدر بخوبي جدا مي شود و فاصلة الگوهاي آزمون از زمينه نسبت به فضاي اولية 28% بهتر می شود.

این مقاله به ارائه يك مدل تراز بندی جدید برای ساخت پیکره‌های موازی دو‌زبانی انگليسي-فارسي پرداخته است. در حالت کلی چارچوب پيشنهادي، غیر وابسته به زبانهاي مبدا و مقصد بوده و از آن می توان برای تولید پیکره موازی، برای هر جفت زبان ديگري نيز استفاده کرد. نتايج بدست آمده از پياده‌سازي‌ها نشان داده است که بکاربردن ویژگیهای زبانی و غیر زبانی به صورت توامان، عملکرد سیستم را تا حد قابل قبولی بهبود خواهد بخشید. در اين مقاله اين بررسي نيز صورت ميگيرد كه توجه به وي‍ژگي‌هاي طولي، ترجمه تحت اللفظي و شباهت دستوري به صورت مستقل يا تركيبي چه اثری بر روي كيفيت نتايج مي‌گذارد. همچنين بكارگيري طبقه‌بندهاي چند گانه در تشخيص نوع ترازبندي به عنوان يكي از شاخص‌هاي اصلي سيستم مطرح است. از ويژگيهاي ديگر اين روش، قابليت ارتقاء مدل از طريق گنجاندن خصوصياتي (در بدنه بردارهاي ورودي) مي باشد كه ممكن است در آينده براي تشخيص بهتر نوع ترازبندي مورد توجه قرار گيرند. با اين حال، چالش اساسي مدل ما و بسياري از روشهاي پيشين وجود سلايق متنوع در ترجمه متون است كه سبب توليد جملاتي مي‌گردد كه مشابهت آنها با متن اصلي درحد معنا بوده و تنها قابل درك و تشخيص براي انسان مي‌باشد اين مساله كار را براي استخراج جفت عبارات معادل، بسيار سنگين مي‌نمايد.

این مقاله به طراحی کنترلگر برای مسأله ناوبری ربات می¬پردازد. در ناوبری ربات معمولاً مدل کاملی از محیط در دسترس نیست، لذا فرمان کنترلی با توجه به داده¬های محلی جمع آوری شده توسط حسگرهای ربات تولید می¬شود. استفاده از یادگیری با ناظر برای تنظیم کنترلگر دارای چالش¬های جدّی همچون ناسازگاری داده¬ها و خطای زیاد آن¬ها می¬باشد. لذا با توجه به قابلیت¬های روش یادگیری تقویتی که در آن تنها با استفاده از یک سیگنال تقویتی اسکالر آموزش صورت می¬گیرد، محققین از آن برای ناوبری ربات استفاده کرده¬اند. این مقاله یک ایده جدید جهت ترکیب یادگیری باناظر و یادگیری تقویتی برای تسريع در روند فرايند يادگيري ربات¬ها و بهبود کيفيت آموزش ارائه می¬دهد. در فاز اول داده¬های آموزشی توسط ناظر در محیط جمع¬آوری می¬شوند و با کمک این داده¬ها و استفاده از روش یادگیری باناظر یک کنترلگر مرتبه صفر را تنظیم نموده¬ایم. بعد از این در فاز دوم پارامترهای تالی کنترلگر را با استفاده از روش یادگیری سارسای فازی (FSL) که یک الگوریتم یادگیری تقویتی فازی با معماری نقاد-تنها است تنظیم نموده¬ایم. محيط¬هاي آموزش و تست در شبيه ساز KIKS فراهم شده است. نتايج شبيه سازي حاكي از عملكرد مناسب روش یادگیری ترکیبی در مقایسه با یادگیری باناظر و FSL می¬باشد.

امروزه مبحث تعامل انسان و رایانه یکی از علاقمندی¬های پژوهشی عمده در جامعه علمی شده است. این تعامل می¬تواند در قالب یک سیستم مکالمه گفتاری ظاهر شود که انسان¬ها را قادر می¬سازد تا با ماشین¬ها مکالمه گفتاری داشته باشند. پیشرفت¬های قابل توجه در سال¬های اخیر در طراحی و تولید سیستم¬های تشخیص گفتار، درک زبان طبیعی و تبدیل متن به گفتار برای زبان فارسی، راه را برای طراحی و ایجاد سیستم¬های مکالمه گفتاری فارسی و جایگزینی آنها با سیستم¬های سنتی تلفن گویا، گشوده است. واحد مدیریت مکالمه یک جزء مهم و اساسی و در واقع قلب سیستم¬های مکالمه گفتاری است. سیستم مدیریت مکالمه تحت یک استراتژی یا سیاست مکالمه رفتار می¬کند که وظیفه آن، انتخاب کنش¬های مناسب در هر حالت مکالمه است. به سبب ماهیت سخت طراحی استراتژی های مکالمه، چارچوب یادگیری تقویتی در سیستم¬های مکالمه گفتاری برای کشف سیاست بهینه با استفاده از یادگیری داده محور و خودکار، مطرح گردید. در این مقاله، الگوریتم¬های یادگیری تقویتی برای یادگیری واحد مدیریت مکالمه مورد بررسی قرار گرفته¬اند و مراحل طراحی و شبیه¬سازی یک سیستم مدیریت مکالمه نمونه شرح داده شده است. سپس در فاز یادگیری، سیستم طراحی شده با استفاده از الگوریتم یادگیری تقویتی مستقل از مدل منتخب Watkins’ Q(λ) و داده¬های آموزشی آنلاین شامل صد مکالمه مفروض، برای دو مقدار مختلف λ آموزش داده شده و به همگرایی رسیده است. تأثیر تغییر λ بر روی سرعت و دقت یادگیری، بررسی شده و الگوی تغییرات تابع ارزش عمل در طی فرآیند یادگیری بدست آمده است.

در این مقاله، روشی مبتنی بر قانون تصمیم گیری بیز برای دسته بندی بافت با استفاده از ویژگی های استخراج شده از تبدیل هادامارد و فیلترهای گابور، ارائه شده است. این ویژگی¬ها عبارت از مقادیر انرژی مختلف در باندهای مختلف دنباله ای در تبدیل هادامارد و مقادیر انرژی هرکدام از تصاویر جزیی خروجی فیلترهای گابور می¬باشند. برای این مسأله دسته بندی، دو دستهبا عنوان بافت دارای ساختار و بافت بدون ساختار در نظر گرفته ¬شده است. برای دسته بندی از روش بیزین استفاده شده است؛بدین ترتیب که در ابتدا با استفاده از داده¬های آموزشی، توزیع احتمال هر دسته به صورت ترکیبی از توابع گاسی تخمین زده می¬شود. سپس برای داده¬های آزمایشی مقادیر احتمال مشروط بر هر دسته به طور جداگانه محاسبه شده و با استفاده از قانون تصمیم گیری بیز در چارچوب یک شبکه بیزین، دسته مربوطه برای داده¬های آزمایشی به دست می¬آید. نتایج آزمایش روش پیشنهادی بر روی پایگاه داده تصاویر بافتی نشان دهنده بهبود دقت دسته بندی بافت با روش پیشنهادی نسبت به روشهای مرتبط پیشین می¬باشد.

حجم فراوان و روبه رشد اسناد علمي منتشر شده بر روی وب، فرآیند تصمیم‌گیری و انتخاب اسناد مرتبط با يک زمينه تحقيقاتي را برای پژوهشگران دشوار کرده ‌است. یک سیستم پیشنهاد استناد، با دریافت متن ورودی، اسنادی که باید توسط آن متن مورد استناد قرار گیرند را پیشنهاد می¬کند، و بدین ترتیب می¬تواند در یافتن اسناد مرتبط با یک موضوع به پژوهشگر کمک کند. در این مقاله، یک معیار جدید برای محاسبه شباهت دو سند ارائه شده است که مبتنی بر ویژگی¬های رابطه¬ای اسناد می¬باشد. همچنین یک سیستم پیشنهاد استناد ارائه شده است که از معیار فوق در کنار ویژگی¬های متنی اسناد استفاده می¬کند. ارزیابی انجام شده نشان می¬دهد که معیار مورد نظر، در تشخیص شباهت اسناد موفق است و باعث بهبود کیفیت سیستم پیشنهاد استناد مورد نظر می¬شود.

کاربرد سيستم¬هاي الکترونيکي و تحت وب در آموزش در چند سال اخير گسترش روزافزون داشته است. جهت افزايش کارآيي اين گونه سيستم¬ها و بهبود آموزش، تکنيک¬هاي هوش¬ مصنوعي و طراحي سيستم بر اساس مدل دانشجو استفاده می¬شود. با استفاده از پیش¬بینی رفتار دانشجو می¬توان سیستم را برای فرد شخصی ¬سازی کرد. در اين مقاله روشي جهت پيش¬بيني رفتار دانشجو با استفاده از مدل مخفي مارکوف ارائه داده¬ایم. ورودي ما مجموعه اعمال انجام شده توسط کاربر در طول دوران آموزش در تعامل با سيستم الکترونيکي است. ابتدا با پيش¬پردازش بر روي داده¬هاي جمع آوري شده از يک سيستم آموزش الکترونيکي به تنظيم پارامترهاي مدل¬هاي مخفي¬ مارکوف مورد نظر پرداختيم. گام بعدي آموزش مدل مخفي مارکوف به کمک الگوريتم بام ولش با استفاده از داده¬هاي آموزشي بود. سپس جهت تشخيص رفتار کاربر جديد از الگوريتم پيش¬رو استفاده کردیم. ميزان درستي پيش¬بيني در روش ارائه شده در مقایسه با شبکه عصبي مصنوعي طراحی شده بهتر بود.

درخت پسوندی ساختار داده‌ای است که تمامی پسوندهاییک رشته را نمایش می‌دهد. به کمک تشکیل این ساختار می‌توان اعمالی نظیریافتنیک زیر رشته را در دنباله‌های طولانی مانندDNA انجام داد. برای دنباله‌های طولانی، دنباله ورودی و درخت پسوندی حاصل، در حافظه اصلی جای نمی‌گیرندکه منجر به دستیابی به دیسک و افزایش زمان ساخت درخت می‌شود. از طرف دیگر،بهره‌مندی از موازی‌سازی امکان افزایش سرعت ساخت یکچنین ساختار داده‌ای را فراهم می‌آورد. در این مقاله، الگوریتم موازی برای ساخت درخت پسوندی مربوط به دنباله‌هایDNA پیشنهاد شده است. انگیزه اصلی،مشاهده نتایج حاصل از بکارگیری و تجمیع محاسن روش‌های پیشنهادی پیشین بعلاوه استفاده از موازی‌سازی در جهت کاهش زمان اجرای ساخت درخت پسوندی می‌باشد. نتایج نشان می‌دهد که الگوریتم پیشنهادی، زمان اجرای الگوریتم CMPUTreeرا تقریباً به میزان 2% بهبود داده است.

جنگ الکترونیک یکی از رشته¬ی خاص در علوم نظامی دفاعی است. یکی از سیستم¬های بسیار مهم در جنگ الکترونیک¬، سیستم پشتیبان جنگ الکترونیک است. واحد پردازش اطلاعات این سیستم وظیفه شناسایی رادارهای فعال موجود در محیط را داراست و سیگنال¬های انتشار ¬یافته از رادارهای محیط را دریافت می¬¬کند. موضوع این مقاله، ارائه ی یک الگوریتم کاربردی بر اساس روش های داده کاوی می باشد که با استفاده از پارامترهای دریافتی از پالس¬های رادار، وظیفه جداسازی پالس های متداخل و تعیین پارامترهای هر رادار را به صورت جداگانه بر عهده دارد. در این مقاله سعی در بهبود الگوریتم قبلی ارائه شده را داشته و علاوه بر استفاده ازپارامترهای Doa ، Pw و Freq ، با ترتیب اثر دادن پارامتر PRI سبب حذف بعضی از محدودیت ها شده ایم.

در دهه‌های اخیر در پی جهانی شدن و کمرنگ شدن مرزهای کسب و کار، شرکتها وسازمان‌ها مجبور به مدیریت پروژه‌های توزیع‌شده و بزرگ شدند. برای مدیریت این پروژه‌ها که بخش‌های مختلف آن در نقاط مختلف جغرافیایی انجام می‌شود، سازمان-ها نیاز به ساختار جدیدی برای مدیریت پروژه‌ها دارند. امکان همکاری درسطوح بالا با سایر ذینفعان و بخش‌های درگیر در پروژه، از جمله مواردی است که باید به بهترین نحو در ساختار مدرن مدیریت پروژه لحاظ شود. امروزه پیشرفت‌های فناوری اطلاعات، شکل‌های نو و کارآمد همکاری را برای سازمان‌ها میسر ساخته است. در این بین، نرم‌افزارهای مدیریت پروژه‌ با رویکرد همکاری، امکان استفاده‌ی بهینه از تسهیلات فناوری اطلاعات و تسهیم کارآمد و مؤثر اطلاعات، را فراهم می کنند. تغییر در چارچوب مدیریت پروژه به دگرگونی معماری نرم‌افزارها و سامانه‌های مدیریت پروژه منجر می‌شود. برای برطرف کردن چالش‌های مدیریت پروژه‌ی مجازی، معماری نرم‌افزار مدیریت پروژه باید بستر لازم برای همکاری را فراهم کند. تبادل اطلاعات و همکاری بین بخش‌های مختلف پروژه می‌تواند در قالب‌های مختلفی صورت بگیرد. بنابراین معماری نرم‌افزار مدیریت پروژه‌ی مجازی باید ساختارها و قابلیت‌های خاصی برای برقراری ارتباط موفق داشته باشد. تا کنون معماری‌های مختلف با رویکردهای گوناگون برای نرم‌افزارهای مدرن ارائه شده است. در این مقاله ما تلاش کردیم تا با بررسی معایب مدل سنتی مدیریت پروژه، با تمرکز بر قالب‌های همکاری، معماری نوینی برای نرم‌افزارهای مدیریت پروژه معرفی کنیم. در این معماری تأکید ما بر قالب‌های داده‌ای ساختمند و شبه‌ساختمند همکاری در مؤلفه‌های مدیریت پروژه، درجهت فراهم‌سازی هرچه بهتر امکان مدیریت دانش در کنار حداکثرسازی همکاری بین ذینفعان پروژه است.

از شبکه¬ حسگر بی¬سیم (WSN) به عنوان انقلابی کوچک در دنیای تکنولوژی قرن 21¬ام یاد می¬شود. این شبکه¬ها به شدت دچار محدودیت انرژی می¬باشند و طولانی کردن عمر این شبکه¬ها مهم¬ترین چالش در شبکه¬های مذکور است. از اینرو راه¬حل¬هایی همچون خوشه¬بندی برای افزایش عمر شبکه پیشنهاد گردیده است. پروتکل LEACH یکی از پروتکل¬های انطباقی و محبوب خوشه¬بندی محسوب می¬شود. این پروتکل دارای معایبی در انتخاب سرخوشه ¬ها (CH) و ارتباط با ایستگاه اصلی (BS) می¬باشد. در این مقاله پروتکل پیشنهادی HDCH با پیشنهاد یک طرح مبتنی بر فاصله برای انتخاب CHها و یک طرح پیشنهادی سلسله-مراتبی جدید به نام ابرخوشه¬ای برای ارتباط دوگامه با BS، سعی بر بهبود پروتکل LEACH دارد. مجموعه¬ای از معیارها برای ارزیابی و مقایسه کارایی پروتکل HDCH با پروتکل LEACH مورد استفاده قرار گرفته است. نتایج شبیه¬سازی نشان می¬دهند پروتکل پیشنهادی HDCH پایداری ، عمر شبکه و تشکیل خوشه¬هایی بهتر در مقایسه با پروتکل LEACH دارد.

متن¬کاوی به دلیل حجم وسیعی از اطلاعات که به صورت متنی ذخیره شده¬، پتانسیل کاربردی بسیار بالایی دارد.یکی از مهم-ترین کاربردهای متن¬کاوی طبقه¬بندی متون به لحاظ موضوعی می¬باشد.در این مقاله سعی بر آن داشته¬ایم تا با توجه به روش-های مختلف طبقه¬بندی متون فارسي،روشی نوین در جهت افزایش دقت و کارآیی طبقه¬بندی متون ارائه دهیم.در این مقاله 5330 خبر از مجموعه داده¬های همشهری برای طبقه¬بندی استفاده شده است.در پیش پردازش متون برای حذف کلمات عمومی ،روشی جدید با استفاده از آنتروپی کلمات ارائه شده است.برای استخراج ویژگی،روش¬های فرکانس کلمات و Tf-idfبکار گرفته شده است.برای طبقه¬بندی متون نیز از الگوریتم¬های kنزدیک¬ترین همسایه، رده¬بندی بیزین و ترکیب طبقه-بندها با استفاده از روش طبقه¬بندی ترکیبیو اختلاط خبرگاناستفاده شده است.پیاده¬سازی روش پیشنهادی با ارائه آنتروپی در پیش پردازش و همچنین ترکیب طبقه¬بندها موجب بهبود 14درصدی نسبت به کارهای انجام شده قبلی بر روی همین مجموعه داده¬ها در نتایج کلی شده است.در بهترین حالت بازشناسی، اخبار دانش¬آموزان-اجتماعی با 93درصد بوده است.

امروزه، خوشه بندی نقش مهمی را در اغلب زمینه‌های تحقیقاتی مانند مهندسی، پزشکی، زیست‌شناسی و داده کاوی ایفا می‌نماید. در واقع خوشـه بندی به معنای قراردادن داده‌ها در گروه‌هایی است که اعضای هر گروه از زاویه خاصی شبیه یکدیگرند. در نتیجه شباهت بین داده‌های درون هر خوشه حداکثر و شباهت بین داده‌های درون خوشه های متفاوت حداقل می‌باشد.در این مقاله یک روش خوشه¬بندی با استفاده از بازخورد کاربر ارائه شده است. به این صورت که در ابتدا با استفاده از روش خوشه بندی k-Means داده¬های مرزی خوشه¬ها مشخص شده و از کاربر درخواست میشود که اطلاعاتو قیودی در رابطه با این دادههای مرزی مشخص نماید. سپس نتایج این بازخورد به الگوریتم خوشه¬بندیشبه¬ناظر داده می¬شود و مراحل خوشه¬بندی طوری هدایت می¬شود که بتوان بهترین مدل خوشه‌بندی را برای داده‌های موجود بدست آورد. روش ارائه شده بر روی مجموعه داده¬های استاندارد مختلفی اجرا شده و نتایج حاصل از آن نشان می¬دهد که این روش نسبت به روش¬های مشابه، خوشه¬بندی داده¬ها را با دقت و صحت بیشتری انجام می¬دهد.

اعتمادپذیری و عدم اعتمادپذیری دو شاخص عملکرد پرکاربرد در تحلیل شبکه¬های جریان تصادفی هستند. الگوریتم¬های متعددی برای محاسبه¬ی این شاخص¬ها در دهه¬های اخیر پیشنهاد شده¬اند. در این مقاله، یک شاخص عملکرد مناسب برای ارزیابی کارایی شبکه ارایه می¬شود. این شاخص، احتمال برابری ماکسیمم جریان شبکه از گره مبدا به گره مقصد با سطح تقاضای سیستم همراه با برقراری محدودیت بودجه¬ی سیستم است. این شاخص عملکرد را می¬توان بر اساس نقاط کرانه بالا تعیین کرد. این¬جا، با ارایه نتایج جدیدی در خصوص کاهش تعداد نامزدها، یک الگوریتم برای محاسبه¬ی همه¬ی نقاط کرانه بالا با برقراری محدودیت بودجه¬ی سیستم پیشنهاد می¬دهیم. سپس، چگونگی محاسبه¬ی شاخص مورد نظر به¬وسیله¬ی نقاط کرانه بالای تولید شده از الگوریتم را بیان می¬کنیم.