انجمن کامپیوتر ایران

با کاهش سایز تکنولوژی CMOS و افزایش چالش‌ها، نانولوله‌ها به‌دلیل ویژگی‌های الکتریکی، حرارتی و مکانیکی موردتوجه قرار گرفتند. بدین منظور، مدل‌سازی و شبیه‌سازی این نوع ترانزیستورها با هدف مطالعه رفتار نانولوله‌ها و درک مدارهای بر پایه این نوع ترانزیستور اهمیت می‌یابد. در اين مقاله مدل متراکم مداری دانشگاه استنفورد برای ترانزیستورهای تک‌دیواره مبتنی بر نانولوله‌کربنی توسعه داده شده است. در مدل پیشنهادی، برای مشخصه جریان-ولتاژ سه زیرباند اول در نظر گرفته شده است. در این مدل، غیرایده‌آل‌هایی مانند اثرات کوانتومی، پراکندگی فونون صوتی/نوری و پراکندگی الاستیک در ناحیه‌ی کانال، مقاومت سورس/درین، مقاومت سد شاتکی، خازن‌های پارازیتی گیت، و اثر پوششی ناشی از نانولوله‌های موازی برای CNFET با چند نانولوله درنظر گرفته‌ شده است. پیاده‌سازی این مدل توسط HSPICE انجام شده است و برای کاربردهای آنالوگ و دیجیتال مناسب است. مدل پیشنهادی ارائه شده برای ترانزیستورهای نانولوله با قطر نانولوله بزرگ‌تر از 3 نانومتر و کاربردهایی که نیاز به سرعت بالاتر دارند مناسب است. این مدل به ازای درنظرگرفتن ولتاژ منبع تغذیه بالاتر از 8/2 ولت، در مقایسه با مدل دو زیرباندی جریان بالاتری به‌دست می‌دهد.

در سال‌های اخیر، مدیریت فرآیندهای حرفه در سازمان‌ها به عنوان یکی از موضوعات حائز اهمیت در نظم‌دهی، افزایش سرعت و دقت در مدیریت تغییرات داخلی و خارجی سازمان، فراگیر شده است. یکی از مهم‌ترین فازهای مدیریت فرآیندهای حرفه، اقدامات مرتبط با پیاده‌سازی فرآیندها در سازمان است. پیاده‌سازی و به تبع آن، خودکارسازی فرآیندها نیازمند هزینه‌های اجتناب‌ناپذیری است. مدیریت این هزینه‌ها به صورتی که بیشترین تاثیر ممکن را در کوتاه‌ترین زمان ممکن داشته باشند، امر بسیار مهمی است. یکی از عوامل تاثیرگذار در موفقیت خودکارسازی فرآیندها، انتخاب صحیح نقاط شروع است. در مقاله حاضر با معرفی معیارهای تحلیل فرآیند و پیشنهاد روشی برای اولویت‌بندی فرآیندهای منتخب، نتایجی در حوزه مدیریت هزینه‌ها، کسب آمادگی لازم و تسهیل تغییر فرهنگ سازمانی به دست می‌آید.

تعامل بین فناوری و شهرها سابقه‌ای طولانی دارد. با این حال، رشد سریع و تصویب الگوی اینترنت اشیاء، ظهور حسگر‌های مینیاتوری و پیشرفت‌های تحقیق در روش‌های کلان داده‌ها و هوش مصنوعی، تغییر بزرگی در خدمات شهری ایجاد کرده و فرصت‌های جدیدی را از حمل و نقل هوشمند تا سلامت هوشمند ایجاد کرده است. از مزایای این خدمات می توان به بهینه‌سازی و بهره‌وری بیشتر از خدمات و کاربری‌های شهری اشاره کرد. با این وجود، برای ایجاد سیستم‌های سازگار، مناسب، ایمن، انعطاف‌پذیر و با انرژی مناسب برای نیازهای شهری بایستی چالش‌های بسیاری برطرف شود. یکی از مهمترین فرآیندها در شهرهای هوشمند فرآیند جمع‌آوری اطلاعات از شهروندان، دستگاه‌ها و منابع شهری است که معمولا در سیلوهای داده مجزا و ایزوله نگهداری می‌شوند. عبارت "سیلو" در سیلوهای داده برای توصیف سازمان‌هایی استفاده می‌شود که برخی از بخش‌ها با سایر افراد و ادارات در همان سازمان اطلاعاتی را به اشتراک نمی‌گذارند و یا افشا نمی‌کند. با این حال، این مشکل نه تنها در یک سازمان بلکه در بین سازمان‌ها نیز دیده می‌شود. در واقع یکی از مهمترین چالش‌های موجود در شهرهای هوشمند، عدم تبادل داده بین سازمان‌ها و یا حتی درون سازمان‌ها است. دلایل مختلفی از دلایل کاملا فنی تا دلایل سیاسی برای این امر وجود دارد. به طور مثال اغلب مدیران سازمان‌ها نگران هستند که اطلاعات حساس سازمان به افراد دیگری منتقل شود و یا از سازمان خارج شود. عدم‌ تبادل داده خود باعث عدم ایجاد و یا توسعه سرویس‌ها و کسب‌وکارهای هوشمند مبتنی بر داده می‌شود. در این حالت اغلب داده‌ها ایجاد و جمع‌آوری شده به صورت تاریک در سیلوها باقی مانده و هیچ بینشی از آنها استخراج نمی‌شود. برای حل این مسئله مهم در شهرهای هوشمند، این مقاله راه حل‌ها، معماری‌ها و استانداردهای تبادل و اشتراک‌گذاری داده را با در نظر گرفتن حریم شخصی و حاکمیت داده‌ها بررسی می‌کند.

با توجه به تولید حجم بسیار زیاد داده‌های سازمانی که توسط افراد و رایانه‌ها تولید و جمع آوری و ذخیره می‌شوند، استخراج الگوهای خاص و دانش از این داده‌ها از چالش‌های پیشروی سازمان‌ها می‌باشد. چرا که داده‌های حجیم، متنوع که با سرعت بالایی تولید می‌شوند در نهان خود الگوهای نهفته‌ای دارند که می‌تواند در تصمیم‌سازی مدیران ارشد سازمان‌ها موثر باشد. ازجمله این الگوها می‌توان به اندازهگیری و مدیریت ریسک اعتباری و مالی در سازمان‌ها و نهادها اشاره نمود. این مقاله تلاش دارد، تا با استفاده از داده‌کاوی و شبکه‌های مولد خصمانه مدلی را برای کاهش ریسک اعتباری سازمان‌های حمایتی ارائه دهد. از آنجاکه ویژگی‌های مشتریان این سازمان‌ها بطور اساسی، با مشتریان بنگاه‌های اقتصادی مانند بانک‌ها و موسسات مالی متفاوت است، ارائه مدلی که بتواند دقت ارائه تسهیلات و کاهش ریسک اعتباری به مشتریان (نیازمندان) را به کمترین میزان برساند امری حیاتی است. نتایج پیاده‌سازی بر روی داده‌های واقعی بر متقاضیان تسهیلات اشتغال کمیته امداد امام خمینی (ره) نشان داده است مدل پیشنهادی می‌تواند با دقت 86.4 درصد طبقه‌بندی پرداخت اعتبارات را انجام دهد که این میزان با استفاده از روش‌های پایه 72.1 درصد می‌باشد. لذا مدل جدید توانسته است به میزان 14.3 درصد ریسک اعتباری پرداخت تسهیلات را کاهش دهد.

موسیقی در زندگی روزمزه ما نقش بسیار مهمی دارد. انقلاب دیجیتالی، راه مصرف و تعامل با موسیقی را شدیدأ تحت تأثیر قرار داده است. ضبط موسیقی بصورت رقمی، امکان پردازش سیگنال‌های آنالوگ را به صورت رقمی، فراهم می کند. این گام از آنالوگ به دیجیتال، راه‌های جدیدی از تحقیق درباره موسیقی را باز کرده است. از جمله این تحقیقات می‌توان به شناخت سازها، کشف نت‌ها، حاشیه نویسی و طبقه‌بندی سبک‌های موسیقی اشاره کرد. ضرایب کپسترال فرکانس مل، از جمله ویژگی‌های رایج برای پردازش سیگنال‌های صوتی است. ولی این ویژگی‌ها برای گفتار مناسب‌تر از موسیقی هستند. در سال‌های اخیر، استفاده از روش‌های یادگیری داده، برای استخراج ویژگی موسیقی، طرفداران زیادی پیدا کرده است. الگوریتم فیلتر گذاری تنک، یک روش یادگیری بدون نظارت است که به کمک آن می‌توان ویژگی‌های مناسب‌تری را از سیگنال موسیقی، استخراج کرد. در این مقاله سعی شده است که از طریق این الگوریتم، ویژگی‌های صدای ساز کی برد، یادگرفته شده و نت های نواخته شده توسط آن، کشف شود. برای انجام چنین کاری، ابتدا یک طیف از صدا استخراج شده و به مقیاس مل تبدیل می‌شود که به این ترتیب ویژگی‌های اولیه بدست می‌آیند. این ویژگی‌ها دریک الگوریتم فیلترگذاری تنک استفاده می‌شوند تا ویژگی‌های بهتری یاد گرفته شوند. ویژگی‌هایی که از این روش بدست می‌آیند، به صورت بردار، برای یک طبقه بند فرستاده می‌شوند. روی نتایج حاصل از طبقه بندی داده‌های بدست آمده از هر دو روش یادگیری یعنی ضرایب کپسترال فرکانس مل و روش یادگیری فیلترگذاری تنک، ارزیابی متقاطع انجام می‌شود. نتایج آزمایشات نشان می‌دهد که دقت کشف نت از ۵/۳۸ درصد در روش ضرایب کپسترال فرکانس مل، به ۷۰ درصد در روش فیلترگذاری تنک، افزایش یافته است.

امروزه با توجه به حجم فراوان و روبه رشد اطلاعات بر روی وب و اینترنت، فرآیند تصمیم‌گیری و انتخاب اطلاعات و یا کالاهای موردنیاز، برای بسیاری از کاربران وب دشوار شده ‌است. این موضوع با عنوان مشکل سرریز داده‌ها شناخته می‌شود. سیستم‌های توصیه‌گر می‌توانند به‌عنوان یک راهنما، کاربران را در انتخاب‌های خودیاری رسانند. در این مقاله یک سیستم توصیه‌گر ارائه‌ شده‌ است که در آن اطلاعات کاربران و آیتم‌ها در قالب یک گراف بازنمایی می‌شوند؛ سپس این گراف، مانند یک گراف شبکه اجتماعی در نظر گرفته‌شده و برای تحلیل آن از الگوریتم کشف انجمن و پیش‌بینی لینک استفاده می‌شود. هر انجمن به‌عنوان یک خوشه در نظر گرفته‌ شده و پس از پیش‌بینی لینک برای شناسایی روابط پنهان بین کاربران و آیتم، پیشنهاد‌ها برای هر خوشه به‌صورت جداگانه‌ای ارائه خواهد شد. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های مبتنی‌ بر مدل که در سال‌های اخیر ارائه‌ شده‌اند، بهبود قابل‌ توجهی داشته است.

شبکه‌ی اجتماعی، ساختاری اجتماعی متشکل از مجموعه‌ای از افراد است که تعامل بین افراد را نمایش می‌دهد. در سال‌های اخیر استفاده از شبکه‌های اجتماعی گسترش یافته است، در نتیجه شبکه‌های اجتماعی به بستری مناسب و محبوب برای تبلیغ محصولات و انتشار اطلاعات تبدیل شده‌اند. مسئله بیشینه‌سازی انتشار به صورت شناسایی تاثیرگذارترین گره‌ها به منظور رسیدن به بیشترین تاثیر انتشار در یک شبکه اجتماعی معرفی می‌شود که به عنوان یک مسئله‌ی NP-Hard شناخته می‌شود. در این مقاله، الگوریتمی برای یافتن تاثیرگذارترین گره‌ها با هدف بیشینه‌سازی انتشار در شبکه‌های اجتماعی ارائه شده است. در الگوریتم پیشنهادی، برای انتخاب تاثیرگذارترین کاربران از ترکیب شناسایی جوامع گراف با شباهت کاربران استفاده شده است. برای شناسایی جوامع از الگوریتم لووین و برای ارزیابی شباهت کاربران از سه شاخص شباهت جاکارد، سالتون و سورنسون استفاده شده است. نتایج آزمایشات انجام شده بر روی مجموعه دادگان استاندارد شبکه اجتماعی مختلف، حاکی از موفقیت الگوریتم پیشنهادی دارد.

انجمن‌های آنلاین برای به اشتراک گذاشتن تجربیات و نظرات در مورد محصولات و خدمات استفاده می‌شوند. این انجمن‌ها از سایت‌های متن نظرات مانند آمازون تا شبکه‌های اجتماعی مانند توییتر را شامل می‌شوند. محتوای تولید شده توسط کاربر در پلتفرم‌های مذکور، شامل پیشنهادها و دیدگاه‌هایی است که نظر سایر کاربران و مدیران سازمان را جلب می‌کند. با توجه به حجم انبوه متون غیرساخت‌یافته، انجام پیشنهادکاوی بر روی متن نظرات از اهمیت بالایی برخوردار خواهد بود. پیشنهادکاوی یک مسئله طبقه‌بندی دودویی است که جملات را به‌عنوان پیشنهاد و غیر پیشنهاد برچسب‌گذاری می‌کند. در این مقاله مسئله تشخیص پیشنهاد از متن نظرات را بررسی کرده‌ایم. سیستم ما مبتنی بر بازیابی اطلاعات برای طبقه‌بندی متن انجام شده است. ابتدا پیش‌پردازش‌های لازم را قبل از آموزش مدل طبقه‌بندی اعمال کرده‌ایم. سپس با استفاده از الگوریتم‌های یادگیری ماشین و روش شبکه عصبی طبقه‌بندی را انجام داده‌ایم. آزمایش بر روی مجموعه داده ارائه شده در مسابقه SemEval2019-Task9 انجام شده است. نتایج پیاده‌سازی نشان می‌دهد که ارزیابی روش پیشنهادی نسبت به روش‌های پیشین به نتایج نسبتا بهتری دست یافته است.

شبکه نرم‌افزار محور برای ایجاد تغییر در معماری شبکه‌های سنتی جهت رسیدن به شبکه‌های هوشمند به وجود آمده است. اخیراً این نوع شبکه‌ها، به دلیل انعطاف‌پذیری در مدیریت سرویس‌های شبکه و کاهش هزینه‌های عملیاتی در بین سازمان‌ها محبوبیت خاصی پیداکرده‌اند. در معماری این نوع شبکه‌ها، بخش کنترل از بخش داده جدا شده و به‌صورت متمرکز سوئیچ‌های داده را مدیریت می‌کند. با توجه به گسترش روزافزون حملات در شبکه‌های کامپیوتری و اهمیت امنیت اطلاعات و لزوم ارائه درست سرویس‌ها از طریق این شبکه‌ها، یکی از مسائل مهم در شبکه‌های کامپیوتری امنیت است. وجود کنترل‌کننده متمرکز در شبکه نرم‌افزار محور مزایای قابل‌توجهی را نسبت به شبکه‌های سنتی به‌ویژه در زمینۀ تشخیص حملات فراهم می‌کند. در این مقاله، با استفاده از ساختار داده CRT-RS و رابطه آماری فاصله هلینگر الگوریتم جدیدی برای تشخیص حملات DNS Amplification ارائه شده است. استفاده از طرح (اسکچ) برگشت‌پذیر (CRT-RS) که توانایی ادغام و فشرده‌سازی ترافیک شبکه و بازیابی معکوس آدرس‌های منبع غیرعادی را دارد، موجب برطرف شدن مشکل مصرف منابع زیاد هنگام بازیابی آدرس‌های مخرب می‌شود. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی قادر است حملات DNS Amplification را در زمان واقعی با دقت و صحت مناسب تشخیص دهد، در حالی‌ که تأثیر محدودی بر عملکرد کاربران عادی داشته باشد.

یکی از رایج‌ترین حملات سایبری، حملات فیشینگ است. در این نوع حملات، مهاجمین با ارسال لینک‌های جعلی برای کاربران و ترغیب آنها به استفاده از وب‌سایت‌های جعلی، اطلاعات مهم و محرمانه آنها را سرقت می‌کنند. حملات فیشینگ زیان قابل توجه‌ای دارند و اعتماد کاربران را در خرید آنلاین و سرویس‌های تحت وب، مخدودش می‌کنند. یک روش کاربردی برای تشخیص حملات فیشینگ استفاده از یادگیری ماشین است. در این مقاله، یک روش ترکیبی برای کاهش خطای طبقه‌بندی صفحات به دو دسته جعلی و اصلی ارایه می‌شود. در روش پیشنهادی، ابتدا ویژگی‌های موثر در یادگیری با استفاده از الگوریتم شاهین انتخاب شده و بردار ویژگی حاصل توسط شبکه عصبی مصنوعی ارزیابی می‌شود. سپس طبقه‌بند جنگل تصادفی بر اساس بردار ویژگی انتخاب شده در مرحله قبل به طبقه‌بندی صفحات می‌پردازد. مزیت روش پیشنهادی استفاده از هوش‌گروهی نوین در ترکیب با روش‌های یادگیری ماشین در تشخیص فیشینگ است. نتایج ارزیابی‌های انجام گرفته نشان می‌دهد که روش پیشنهادی نسبت به روش‌های انتخاب ویژگی موجود مانند الگوریتم کفتار و روش مبتنی بر تحلیل مولفه اصلی دارای دقت بیشتری در تشخیص حملات فیشینگ است.

دسته‌بندی محصولات زراعی یکی از مهم‌ترین کاربردهای سنجش‌ از دور در کشاورزی است. دانستن اینکه چه محصولاتی در مزارع وجود دارد هم در مقیاس خرد و هم در مقیاس کلان بسیار ارزشمند است. به عنوان مثال از این اطلاعات می‌توان برای طراحی و اجرای سیاست‌های کشاورزی، مدیریت محصول و تضمین امنیت غذایی استفاده کرد. همچنین از این اطلاعات می‌توان به عنوان یک پیش‌نیاز برای اجرای سایر برنامه‌ها در مقیاس مزرعه مانند نظارت و تشخیص ناهنجاری در طول چرخه رشد محصولات استفاده کرد. ما در این مقاله با همجوشی داده‌های سری زمانی ماهواره‌ی سنتینل-۱ و سنتینل-۲ در قالب یک روش یادگیری خود نظارتی با بهره‌گیری کامل از اطلاعات موجود در داده‌های نوری و راداری سنتینل به ‌صحت ۹۸٪ رسیدیم و نشان دادیم که عملکرد مدل در مقایسه با مدل‌های قبلی در برابر انسداد ابر بهبود یافته و مدل در برابر مجموعه‌داده‌های کوچک و نامتعادل مقاوم است.

در سال‌های اخیر سازوکار خود-توجه به کارآمدترین رویکرد در حل مسائل پردازش دنباله مانند پردازش زبان طبیعی، و بازشناسی خودکار گفتار تبدیل شده است. سازوکار خود-توجه توانایی بالایی در استخراج وابستگی بین نمونه‌های درون دنباله ورودی، به خصوص نمونه‌های فاصله‌دار، را دارد. همچنین، این سازوکار امکان پردازش موازی دنباله را فراهم می‌سازد. در نتیجه، سازوکار خود-توجه نسبت به روش‌هایی مانند شبکه‌های عصبی بازگشتی، توانایی بالاتری در استخراج ویژگی‌های مناسب از دنباله ورودی را دارد، و سریع تر نیز است. با این وجود، شبکه عصبی بازگشتی به همراه استخراج ویژگی دستی از دنباله ورودی، رویکرد مرسوم در مسئله تشخیص دست نوشته برخط است. در این پژوهش، مدلی انتها-به-انتها مبتنی بر سازوکار خود-توجه و تابع خطا CTC، برای تشخیص دست نوشته برخط معرفی شده است، که توانایی تشخیص دست نوشته از دنباله ورودی بدون استخراج ویژگی به صورت دستی را دارد. مدل پیشنهادی بر روی دادگان عربی برخط "خط" ارزیابی شده است. مدل پیشنهادی نرخ خطای نویسه (CER) ٪۷.۶۹ و نرخ خطای کلمه (WER) ٪۳۰.۲۲ را بر روی دادگان "خط" بدست آورده است، که نسبت نتایج پیشین به میزان قابل توجهی بهبود داشته است.

در این مقاله روش بهینه‏سازی جدیدی با الهام از حرکت کاتورهای مولکولهای گاز در فضا پیشنهاد شده است. الگوریتم پیشنهادی، الگوریتم بهینهسازی حرکت کاتورهای گازها یاGases Brownian Motion Optimization (GBMO) نامیده می‏شود. ماهیت کاتورهای در حرکت مولکولهای گاز به آنها این توانایی را میدهد که به سرعت فضایی که در آن قرار میگیرند را پیموده و در کل آن فضا انتشار یابند. در الگوریتم پیشنهادی با استفاده از این خصوصیت مولکولهای گاز و با مدلسازی حرکت جنبشی آنها، روشی کارا برای جستجوی فضای مسائل بهینهسازی پیشنهاد شده است. نتایج بدست آمده از الگوریتم GBMO در مقایسه با نتایج حاصل از اجرای الگوریتمهای PSO، ICA و GAنشان دهنده عملکرد بهتر و سرعت بالاتر این الگوریتم در یافتن در راهحل بهینه است.

استفاده از ساختار ارتباطي شبکه هاي روي تراشه در سيستم هاي چند پردازنده روي يک تراشه، ايده جديدي است که از اوايل دهه 1990 شکل گرفته است و با وجود ارائه ساختارها و مدل هاي گوناگون براي آن، هنوز با مسايل حل نشده اي روبرو مي باشد. به طور کلي، اين ايده در تقابل با ساختار گذرگاه مطرح شده است. يعني عموماً ادعا مي شود که اين ساختار مزايايي دارد که استفاده از آن را منطقي تر از ساختار گذرگاه مي نمايد. از مزايايي که به عنوان نمونه مي توان به آن ها اشاره کرد، سرعت بيشتر، مصرف انرژي کمتر در انتقال حجم زياد اطلاعات و سيستم ساختاريافته تر است. با اين حال موردي که هميشه در سيستم هاي کامپيوتري وجود دارد اين است که يک روش نمي تواند سيستم را در همه زمينه ها بهينه کند و همواره يک مصالحه بين پارامترهاي روش هاي مختلف صورت مي گيرد تا روش برتر انتخاب گردد. در اين مقاله روشي ارائه شده است که يک سيستم بتواند به صورت پويا و با به کار گيري ترکيبي از دو ساختار گذرگاه داده و شبکه روي تراشه، از مزاياي هر دو آن ها بهره برده تا بهبود کارايي حاصل شود.

آتاماتاي يادگير ابزاری قوی است که در يك محيط تصادفی ناشناخته عمل كرده و به مرور زمان كارايي خود را از طريق يك فرايند يادگيري بهبود مي­دهد. آتاماتاهاي يادگير در حل مسائل بهينه سازي بسيار خوب عمل مي­كنند و يكي از ويژگي­هاي بارز آنها قابليت يادگيري مي­باشد. مساله بهینه سازی را می­توان یافتن نقطه تعادل یک بازی دانست که در آن هر بازیکن یک مقدار از بعد متناظر خود در فضای جستجو را انتخاب می­کند. در اين مقاله يك الگوريتم تركيبي تکاملی كه از تركيب آتاماتاي يادگير و مفاهیم نظریه بازیها حاصل مي­شود براي حل مسائل بهينه سازي پيشنهاد مي­گردد. آزمایش­های انجام شده کارایی این روش را به خوبی نشان می‌دهد.

در اين تحقيق، روشي کارا براي بازيابي تصاوير ارائه شده که در آن، بر اساس آموزش، نتايج طي فرآيندي ترکيبي، بصورت مرتب شده به کاربر ارائه مي‌شود. در روش پيشنهادي، از اطلاعات متني موجود در کنار تصاوير براي استخراج ويژگي‌هاي معنايي و از محتواي تصاوير به منظور استخراج ويژگي‌هاي بصري و‌ آموزش مدل مرتب ‌سازي استفاده مي‌شود. مدل مرتب ‌سازي تابعي است که تصاوير پرس‌وجو و مجموعه‌داده را بعنوان ورودي دريافت کرده و نتايج را بصورت مرتب بر روي خروجي مي‌فرستد. در اين مقاله، ماژول بصري، ورودي‌اش را از ماژول متني دريافت نموده و خروجي آن، به منظور توليد و بهبود نتايج نهايي، با نتايج ماژول متني ترکيب مي‌شود. از آنجا که معيار کارايي مورد استفاده، به ازاي هر پرس‌وجو محاسبه مي‌شود، در روش پيشنهادي از فرآيندِ آموزشي تکراري استفاده شده که در آن، معيار کارايي هر پرس‌وجو، در تمامي مراحل فرآيند تأثير گذار است. نتايج بدست آمده از اعمال روش ارائه شده بر روي مجموعه داده ImageCLEF، نشان دهنده کارايي بالاي اين روش در مقايسه با ساير تحقيقات قبلي انجام شده است.

سيستم¬هاي¬ توصيه¬گر روشي را براي ايجاد پيشنهادات شخصي¬سازي شده از روي اطلاعات موجود ارائه مي¬دهند که مي¬توانند نقش مهمي را در سيستم¬هايي نظير تجارت الکترونيک و شبکه¬هاي اجتماعي ايفا نمايند. يکي از الگوريتم¬هايي که براي ايجاد پيشنهاد در اين سيستم¬ها استفاده مي¬شود، الگوريتم فيلترينگ همکارگونه ¬ مي¬باشد. اين مقاله به بررسي گونه¬اي از اين الگوريتم¬ها به نام الگوريتم مبتني بر حافظه مي¬پردازد و کارآيي و کيفيت آن را در سيستم¬هاي توصيه¬گر مورد ارزيابي قرار مي¬دهد.

در اين مقاله، نسخه بهبود يافته اي از الگوريتم بهينه ساز جمعيت مورچگان باينري با ترکيب روشهاي کلاسيک براي مساله انتخاب ويژگي ارائه شده است. در روش پيشنهادي با استفاده از اطلاعات بدست آمده از روشهاي انتخاب پيش رو و حذف پس رو ترم بينايي در الگوريتم مورچگان باينري تقويت مي شود. روش پيشنهادي در مساله انتخاب ويژگي در طبقه¬بندي معنايي تصوير و بازشناسي ارقام دستنويس فارسي آزموده شده و نتايج حاصل از آزمايشها ارائه شده است. همچنين، براي ارزيابي کارايي روش پيشنهادي، نتايج آزمايشها با روشهاي الگوريتم بهينه ساز جمعيت مورچگان باينري و الگوريتم وراثتي باينري مقايسه شده است. نتايج بيانگر کارايي مناسب الگوريتم پيشنهادي است.

شبكه‌هاي عصبي خودسازمان‌ده دسته مهمي از شبكه‌هاي عصبي هستندکه با وجود توانايي بالا، مشکلاتي از جمله سرعت آموزش و اجراي پايين دارند. علت اين مسئله لزوم مقايسه ورودي با همه¬ي نورون¬هاي شبکه به منظور يافتن نورون برنده مي-باشد. هزينه محاسباتي اين شبكه¬ها با افزايش اندازه شبكه به صورت خطي افزايش مي¬يابد. از شبکه¬هاي خودسازمان¬ده سلسله-مراتبي مي¬توان براي افزايش سرعت در زمان آموزش و اجرا استفاده نمود در اين حالت، به دليل عدم مقايسه داده ورودي با کليه نورون‌هاي شبکه مي‌توان به سرعت يادگيري و بکارگيري بيشتري در شبکه دست يافت. بنابراين اگر شبکه¬اي با N نورون داشته-باشيم در حالت يک سطحي به N مقايسه نياز مي¬باشد ولي در شبکه¬اي با L سطح، تعدا مقايسات به کاهش مي¬يابد. اين امر خصوصاً در شبکه‌هاي بزرگي که قرار است با حجم زيادي داده آموزش داده شوند حائز اهميت است. در اين مقاله يک شبکه عصبي خودسازمان‌ده رشديابنده سلسله¬مراتبي جديد با هدف افزايش سرعت آموزش و بکارگيري معرفي شده است همچنين اين شبکه تعداد پارامترهاي کمتري نسبت به ساير شبکه¬هاي خودسازمان¬ده دارد. نتايج آزمايش‌هاي تجربي صورت گرفته نشان‌دهنده سرعت بالاي روش پيشنهادي (حدوداً 5برابر) در مقايسه با شبکه¬ي رشديابنده يک سطحي است. اين در حالي است که دقت شبکه تغيير چنداني نداشته است.

در اين مقاله، يک مدل محاسباتی مبتنی بر معناشناخت صوری همراه با منطق فازی برای تعيين اعتماد ارائه شده است. اين مدل برای ارزيابی اعتماد در شبکه‌های بزرگ و پيچيده که چندين مسير مختلف بين اعتمادکننده و اعتمادشونده وجود دارد مناسب است. روش‌های ارائه شده در کارهای پيشين محدود به شبکه‌های ساده بوده و برای پياده‌سازی در اين نوع شبکه‌ها کارآمد نيستند. در مدل پيشنهادی از عملگرهای ساده‌تری استفاده شده است که علاوه بر سربار محاسباتی کمتر، نتيجه حاصل از آن دارای دقت بهتر و کارايی بالاتر است. مدل پيشنهادی در يک قالب مناسب صوری ارائه شده و روی يک شبکه نمونه آزموده شده است، که نشان می‌دهد ميزان عدم قطعيت در سيستم محدودتر شده و کارايی محاسباتی آن نيز بالاتر است.