انتساب مقوله¬های گرامری به کلمه¬های یک متن، بخشی مهم در سیستم پردازش زبان¬های طبیعی محسوب می شود. پیکره‏متنی که از طریق اطلاعات (pos) part of speech نشانه گذاری شده، معمولاً به عنوان پیش¬نیازی اجتناب ناپذیر در دیگر برنامه¬های کاربردی پیچیده¬تر در حوزه پردازش زبان¬های طبیعی منجملهاستخراج اطلاعات، تجزیه معنایی، ترجمه ماشینی یا تفسیر زمینه¬های معنایی و وارسی‏کننده‏های دستوریمورد استفاده قرار می¬گیرد. در بسیاری از موارد به علت عدم دسترسی به منابع آزموده‏شده و استاندارد دستوری و ریخت‏شناسی رایانه‏ای در زبان فارسی به استفاده از نشانه‏گذارهای آماری بسنده می‏شود. در این گونه نشانه‏گذارها برای تشخیص مقوله دستوری واژه های ناشناخته، بدون توجه به ساختار و ماهیت کلمه تنها از روش‏های آماری استفاده می‏شود که طبعا حاصل و نتیجه کارچندان مطلوب نخواهد بود. در این تحقیق، ما به ارائه نشانه‏گذاری هیبریدی می‏پردازیم که علاوه بر روش آماری از مزایای روش‏های قانون- محور(دستوری) و ریخت‏شناسی واژه ها در زبان فارسی در راستای بهبود نتیجه نهایی بهره می‏جوید.

مقاله حاضر بخشی از یک تحقیق جامع پیرامون هدایت تصویری خودکار یک هواپیمای بدون سرنشین با استفاده از روش SLAM تک دوربینی در هنگام عبور از موانع می¬باشد. به منظور دستیابی به حالت¬های دقیق هواپیما (مکان و سمت فضایی) و همچنین مکان نشانه¬ها یا نقشه محیط با استفاده از روش EKF-SLAM نیاز به بهبود سازگاری فیلتر EKF می¬باشد. از طرفی ماهیت شش درجه آزادی معادلات حرکت هواپیما و وجود عدم قطعیت¬ها، موجب رفتار غیر¬خطی سیستم و نتیجتا ناسازگاری فیلترEKF می-شود. در این راستا استفاده از مدل¬های خطی توصیفگر نشانه¬ها برای سازگار شدن مجدد فیلتر و بهبود عملکرد آن بسیار مؤثر است. در این تحقیق سازگاری فیلتر EKF با سه مدل توصیفگر نشانه؛ خط همگن، خط فاصله معکوس و خط پلاکر بررسی شده است. نتایج شبیه¬سازی مونت کارلو با استفاده از تست NEES نشان می¬دهد که استفاده از خطوط پلاکر به عنوان مدل توصیفگر نشانه موجب سازگاری کامل فیلتر در کل بازه زمانی مورد بررسی می¬شود. هرچند مدل¬های خط همگن و خط فاصله معکوس به راحتی قابل پیاده¬سازی هستند اما سازگاری فیلتر را تا زمانیکه مشاهدات از محیط کامل نشده است تضمین نمی¬کنند.

در اين مقاله، الگوریتمی را برای بهینه سازی مکان یابی سرویس دهنده های تکرار ، ارائه کرده ایم که با استفاده از الگوریتم ژنتیک طراحی شده است. الگوریتم ما سعی دارد نسبت به الگوریتم های ارائه شده دیگر، زمان اجرا و همچنین کیفیت مکان یابی سرویس دهنده های تکرار را، تا حد امکان بهینه کند. این الگوریتم براساس تاخیر بین گره های داخل شبکه، میانگین فاصله بین گره ها را بدست می آورد و سرویس دهنده های تکرار را در محل هایی که فاصله بین گره ها کم است یا بعبارت دیگر تراکم گره ها بیشتر است قرار می دهد. یکی از الگوریتم های ارائه شده که نسبت به الگوریتم های ارائه شده دیگر زمان اجرای کمتری دارد الگوریتم HotZone است، که این الگوریتم نیز بر اساس تاخیر بین گره ها کار می کند. در این مقاله الگوریتم خود را با الگوریتم HotZone مورد ارزیابی و مقایسه قرار داده ایم و در نهایت بر اساس نتایج بدست آمده می بینیم که زمان اجرای الگوریتم ما نسبت به HotZone کمتر است و همچنین کیفیت مکان یابی آن نیز از HotZone بهتر است.

مسئله مسیریابی وسیله نقلیه یکی از مهمترین مسائل بهینه¬سازی ترکیبیاتی است. با وجود تلاش¬های زیادی که برای حل کردن این مسئله با روش¬های مختلف صورت گرفته است، متاسفانه تابحال هیچ روشی برای حل این مسئله ارائه نشده است که بتواند راه¬حل بهینه هر نمونه از این مسئله را در بدترین حالت در زمان چندجمله¬ای پیدا کرده و این بهینگی را نیز ضمانت کند.از اینرو، با توجه به اینکه کامپیوترهای امروزی در حل دقیق نمونه¬های بزرگ مسائل با پیچیدگی زمانی بزرگتر از چندجمله¬ای با مشکل مواجه هستند، ناچارا برای حل نمونه¬های بزرگ مسئله مسیریابی وسیله نقلیه باید از روش¬های حل تقریبی مانند روش¬های فرا ابتکاری استفاده کرد. در این مقاله، مسئله مسیریابی وسیله نقلیه با استفاده از الگوریتم جستجوی گرانشی ترکیبیاتی که نسخه تعمیم¬یافته الگوریتم جستجوی گرانشی پیوسته برای حل مسائل بهینه¬سازی ترکیبیاتی است، حل شده است. نتایج پیاده¬سازی الگوریتم و مقایسات، کاراییتقریبا مناسب روش پیشنهادیرا در حل مسئله مسیریابی وسیله نقلیه نشان می¬دهد.

بسترهاي داده¬اي امروزي به دلیل افزایش تعداد مشاهدات و متغیر¬های مربوط به یک مشاهده، چالش¬هاي جديدي در تحليل داده¬ها بوجود آورده¬اند که نیاز به کاهش ابعاد داده را امری ضروری کرده است. مسأله انتخاب یک زیرمجموعه بهینه از یک مجموعه، دارای پیچیدگی زمانی نمایی است، به همین دلیل روش¬های کلاسیک انتخاب ویژگی، دارای مشکل زمان اجرا هستند. این روش¬ها اکثراً در پیدا کردن راه¬حل¬های بهینه ناموفق هستند. از طرف دیگر، جستجوی کامل برای پیدا کردن راه¬حل¬های بهینه حتی در مجموعه داده¬هایی که تعداد ویژگی¬ها زیاد نیستند، غیر ممکن است. بیشتر کاربردهای انتخاب ویژگی خواستار محاسباتی ممکن با هدف به¬دست آوردن راه¬حل¬های بهینه یا نیمه بهینه هستند. در این مقاله برای حل این مشکل از الگوریتم ژنتیک چندهدفه استفاده شده¬است. به علاوه معیاری برای استقلال ویژگی¬ها معرفی شده است که به همراه معیارهایی همچون فواصل درون¬کلاسی و برون¬کلاسی و همبستگی ویژگی¬ها برای انتخاب ویژگی بکار رفته است. ارزیابی بر روی دادگان UCI و دسته¬بند¬های مختلف نشان می¬دهد که روش و معیار پیشنهادی در کنار سایر معیار¬ها، کارایی خوبی از نظر برقراری تعادل میان دقت دسته¬بندی و تعداد ویژگی¬ها دارد.

در این مقاله چهار روش با هدف یافتن کوتاهترین مسیر بین مبدأ و مقصد در یک محیط مشخص ارائه شده است. برای روش شناخته شده گرادیان یک پیشنهاد در راستای کاهش محاسبات میدان گرادیان ارائه شده است علاوه بر این روش پیشنهادی که با عنوان یک رویکرد جدید در مسیریابی به آن اشاره شده است سعی دارد با کمترین محاسبات یکمسیر بهینه رابا شروع از یک مسیر غیر بهینه بیابد. نتایج حاصل از شبیه سازی روشها و مقایسه با دو روش دیگر، بیان از این مطلب دارند که رویکرد جدید روشی مناسب برای مسیریابی ارائه میدهد.ربات در نظر گرفته شده یک ربات متحرک با 3 درجه آزادی در یک محیط دو بعدی می باشد که این امر باعث جدا سازی زاویه حرکت ربات از مسیر خواهد شد.

شبکهی عصبی تابع پایهی شعاعی (RBF) به دلیل سادگی تخمین پارامتر‌های شبکه و ویژگی تعمیم‌‌پذیری آن به طور گسترده در مسائل دسته‌بندی و درونیابی به کار گرفته می‌شود. در این مقاله استفاده از الگوریتم بهینه‌سازی گروه ذرّات (PSO) در آموزش سه مرحله‌ای شبکه‌ی تابع پایهی شعاعی ارائه شده است. در روش ارائه شده از روشی جدید بر مبنای الگوریتم بهینه‌سازی گروه ذرّات برای تعیین مراکز واحدهای لایه میانی شبکه، از روش نزدیکترین k همسایه (kNN) برای تعیین پهنای آنها و از تندترین کاهش بهینه(OSD) برای تعیین اوزان شبکه در کنار تعیین نرخ بهینهی یادگیری (OLR) در آموزش آن استفاده شده است. روش مذکور برای دسته‌بندی پنج مسأله‌ی نمونه از پایگاه دادهی پروبن1 به کار برده شد و نتایج حاصل با روش آموزش سه مرحله‌ای دیگری مقایسه شده است. نتایج بدست آمده دقت بالاتر و انحراف کمتری را در پاسخ‌ها نشان می‌دهند.

اخيراً، تحقيقات در زمينه بازشناسي چهره روي نمايشی از چهره متمركز شده است كه قادر باشد اطلاعات مناسب را كه نسبت به تغيير روشنايي و حالت چهره ثابت باشد، بدست آورد. كه سبب ايجاد يك توصيفگر قدرتمند بافتي كه الگوي باينري محلي (LBP) ناميده مي¬شود شده است. ما در اين مقاله روش کارآمد جديدی مبتنی بر توصيفگر الگوی باينری محلی، برای تشخيص چهره معرفی کرديم. در اين روش ابتدا انواع عملگرهای LBP با مقياس¬های مختلف (تعداد پيکسلهای همسايه مرکزی، شعاع همسايگی) را بر روی تصوير نرمال شده چهره اعمال می¬کنيم. سپس با توجه به عملکرد کلي سيستم بازشناسی، بر مبنای الگوريتم ژنتيک ضريبی برای هر LBP بدست مي¬آيدکه بر اساس آن ضرايب از نتايج LBPها در عمل بازشناسي استفاده مي¬کنيم. روش جديد MLBP GA based ناميده می¬شود. روش پيشنهادی بر روی پايگاه داده ESSEX و ORLبا روش¬های LBP, Gabor, KPCA, PCA وHierarchical Multi-scale LBP موردمقايسه قرار گرفت. نتايج بدست آمده برتری الگوريتم پيشنهادی را نسبت به الگوريتم¬های ديگر نشان داد. بخصوص هنگامی که فقط يک نمونه از هر فرد برای آموزش استفاده شد، روش ما عملکرد شناسايی چهره بهتری را نسبت به ساير روشهای موجود نشان داد.

با توجه به پیوستگی حروف در زبان فارسی، استفاده از روش‏های توصیف مبتنی بر شکل کلی کلمات در بهبود عملکرد سیستم‏های بازشناسی موثر است. با توجه به اینکه مجموعه زیر-کلمات فارسی از نظر ساختار و پیچیدگی شکل، بسیار متنوع است، روش‏های مبتنی بر ویژگی‏های سراسری توصیف مناسبی از جزئیات شکل زیر-کلمات ارائه نمی‏کنند. از سوی دیگر، ویژگی‏های محلی نسبت به تغییرات درون-کلاسی حساسند و علاوه بر این ویژگی‏های ساختاری کل شکل را نیز در نظر نمی‏گیرند. برای بهره‏مندی همزمان از خصوصیات توصیفگرهای سراسری و محلی شکل، روش‏های مبتنی بر پیکربندی هندسی ویژگی‏های محلی ارائه شده‏اند. در این روش‏ها، هر شکل به صورت مجموعه‏ای از بخش‏های محلی و ارتباط ساختاری آن‏ها نمایش داده می‏شود. روشی که برای توصیف شکل زیر-کلمات در این مقاله به کار می‏گیریم، بر انتخاب بخش‏های مهم شکل زیر-کلمه و تعیین ارتباط مکانی این بخش‏ها استوار است. بخش‏هایی از شکل که بین نمونه‏های یک کلاس بیشتربن شباهت را دارند و در عین حال بیشترین تفاوت را با نمونه‏های سایر کلاس‏ها ایجاد می‏کنند، به عنوان بخش‏های مهم‏تر شکل انتخاب می‏شوند. ارتباط مکانی بخش‏های مهم شکل، با استفاده از گراف نسبی ویژگی‏دار نمایش داده خواهد شد. در یک آزمایش،برای بازیابی هر شکل ورودی، گراف‏های به دست آمده مقایسه شده و نتایج بررسی می‏شود.

در اين مقاله بر اساس نيازمندی¬های اصلی سيستم¬های تشخيص نفوذ در شبکه¬های موردی سيار به ارائه يک الگوريتم تشخيص نفوذ تعاونی مبتنی بر رای¬گيری مطمئن می¬پردازيم. در اين راستا سه نوع گره با عناوين گره تشخيص نفوذ مانيتور، تشخيص نفوذ کلاينت و عمومی در يک شبکه مبتنی بر خوشه¬بندی و ناحيه¬بندی تعريف می¬شوند. گره تشخيص نفوذ مانيتور با ارسال بسته¬ای برای گره¬های عمومی موجود در خوشه خود فرايند تشخيص نفوذ را آغاز می¬کند و در نهايت با دريافت رای از گره¬های تشخيص نفوذ کلاينت و آناليز آنها، گره¬های مهاجم را تشخيص می¬دهد. در اين الگوريتم با بهره¬گيری از گره¬های مطمئن و مورد اعتماد در فرايند رای¬ گيری، تعريف سه سطح اطمينان برای گره¬های عمومی، توجه به نرخ ترافيک، ميزان انرژی و سرعت گره¬ها در مرحله تصميم گيری، به ميزان قابل توجهی ميانگين درصد تشخيص اشتباه کاهش يافته و هيچگونه محدوديتی در تشخيص تعداد گره¬های مهاجم وجود ندارد.

افزايش چشمگير توليد و استفاده از محتواي چندرسانه¬اي در محيط¬هاي ناهمگون، باعث شده است که تطبيق ويدئو به يک ضرورت براي دسترسي جهاني به محتواي چندرسانه¬اي تبديل شود.در اين مقاله روشي براي تطبيق ويدئو ارائه شده است که سعي مي کند در محيط¬هايي که با محدوديت توان پردازشي مواجه هستيم، توان پردازشي لازم براي کدگشايي ويدئو را کاهش دهد به طوري که نرخ بيت و خرابي در حد مطلوبی پايين نگه داشته شود. در اين مقاله با تغيير دقت بردار حرکت، پيچيدگي کدگشايي را کنترل مي کنيم. نتايج نشان مي دهد که می توان با تحمل 3.5 واحد کاهش PSNR، نزیک به 20 درصد پیچیدگی کدگشایی را کاهش دهیم.

نهان نگاری قابل برگشت گونه ای از نهان نگاری است که در سال های اخیر بسیار مورد توجه قرار گرفته است. ما دراین مقاله روش برگشت پذیر گسترش تفاضل را با استفاده از پیش پردازش و تعمیم شیوه گسترش تفاضل چند لایه در تصاویر رنگی بهبود داده ایم. با استفاده از پیش پردازش بر روی تصویر و جاسازی چندلایه توانستیم میزان داده مخفی شده در یک تصویر رنگی را به میزان قابل توجهی افزایش دهیم. با توجه به آزمایشات صورت گرفته، به ظرفیت 2,77 bpp برای هر پیکسل رسیده ایم که نتیجه نسبتاً خوبی است. نکته قابل توجه در روش ما جلوگیری از کاهش کیفیت تصویر پس از جاسازی با توجه به افزایش ظرفیت می باشد. همچنین در این روش از یک کد تصدیق اصالت برای پیام مخفی شده استفاده شده است که باعث افزایش امنیت و قابلیت اطمینان روش پیشنهادی ما می شود.

یکی از مراحل پیچیده و زمان¬بر درسیستم بازشناسی حالت چهره، مرحله استخراج ویژگی¬ است که دقت نهایی این سیستم به طور مستقیم به دقت الگوریتم¬های ارائه شده در این مرحله بستگی دارد. گشتاورهای شبه زرنیک، یکی از بهترین توصیفگرهایی است که می توان در مرحله استخراج ویژگی از آن استفاده نمود. در این مقاله، از گشتاورهای شبه زرنیک استفاده می شود تا ویژگیهای نواحی مهم در چهره به صورت محلی استخراج شود. این نواحی شامل چشم، ابرو، بینی، دهان، گونه، پیشانی و چانه می شوند. در روش پیشنهادی، بعد از مرحله پیش پردازش تصویر، میانگین آنتروپی این نواحی به دست می آید. سپس با استفاده از میانگین آنتروپی این نواحی، مقادیر مختلف پارامتر مرتبه در گشتاورهای شبه زرنیک برای هر یک از نواحی به دست می آید. در نتایج پیاده‏سازی مشاهده می شود که روش پیشنهادی به دلیل استفاده از پارامتر مرتبه های متفاوت در نواحی مهم تصویر به منظور استفاده از گشتاورهای شبه زرنیک، بهبود قابل توجهی در بازشناسی حالات چهره داشته است. آزمایشات بر روی سه پایگاه داده JAFFE ، FG-Net و Radboud Faces انجام شده است. نتایج آزمایشات نشان می دهد که سیستم پیشنهادی در مقایسه با دیگر روشها، علاوه بر بهبود نرخ بازشناسی حالات چهره، نسبت به جنسیت، سن، نژاد و همچنین بعضی پوشیدگی های جزئی نظیر عینک و ریش و سبیل مقاوم 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.

در اين مقاله يک الگوريتم کارای مبتني بر اتوماتاي يادگير براي يافتن همه مسیرها از یک راس به سایر راسهای یک گراف تصادفی با کمترین طول مورد انتظار را ارائه می‌دهیم. فرض می‌کنیم که وزن هر یال یک متغیر تصادفی با توزیع ناشناخته می‌باشد. در الگوریتم پیشنهادی که یک الگوریتم تکرار شونده می‌باشد شبکه ای از اتوماتاهای یادگیر برای حل مساله استفاده می‌شود. در هر تکرار همه اتوماتاهای یادگیر به طور همزمان فعال می‌شوند و یالهایی که باید از آنها نمونه گیری شود را مشخص می‌کنند. این روش نمونه گیری منجر به کاهش نمونه گیریهای زاید و در نتیجه باعث کاهش زمان اجرای الگوریتم می‌شود. نتایج آزمایشی نشان می‌دهد که الگوریتم پیشنهادی به طور معناداری کاراتر از الگوریتمهای موجود برای حل این مساله می‌باشد.

کمپرسور(4:2) به عنوان مهم¬ترین سلول به کار رفته در درخت کاهش حاصل¬ضرب¬های جزئی و به تبع آن، در مدارهای ضرب¬کننده موازی به شمار می¬رود. در تمامی پیاده¬سازی¬های این سلول حسابی، از اتصال سری دروازه¬های XOR/XNORدو ورودی به¬منظور پیاده¬سازی یک XORپنج ورودی، جهت تولید خروجی sاستفاده می¬شود. این در حالی است که استفاده از دروازه¬های دو ورودی متوالی، باعث افزایش طول مسیر سیگنال و در نتیجه افزایش بیشینه تأخیر مدار می¬شود. در این مقاله با استفاده از یک مدار یکپارچهXORسه ورودی و همچنین با حذف سیگنال¬های تکراری، کمپرسور(4:2) سریعی را ارائه می¬کنیم که دارای مسیر بحرانی متفاوتی نسبت به سایر پیاده¬سازی¬های موجود می¬باشد. شبیه¬سازی¬ها به وسیله نرم افزار HSPICE و با استفاده از فایل تکنولوژی 45nmشرکت NANGATEانجام گرفته است. نتایج شبیه¬سازی نشان می¬دهد کمپرسور(4:2) پیشنهادی از کمپرسورهای موجود سریع¬تر بوده و دارای حاصل¬ضرب تأخیر در توان کمتری می¬باشد.

امروزه کامپيوترهاي بزرگ موازي، سيستم¬هاي چند پردازنده¬اي بر تراشه (MPoCs)، چند‏کامپيوتري‏ها و ... از مؤلفه‏هاي ذخيره¬ساز در مقياس بزرگي ساخته ¬شده¬اند که در مقايسه با سيستم¬هاي عادي نرخ خرابي بالايي دارند. يکي از مهم‏ترين موضوع¬ها در طراحي چنين سيستم¬هايي، توسعة يک شبکة ارتباطي کارآمد است که گذردهی بالا و تأخير ارتباطي ناچيزي را تحت شرايط مختلف کاري تدارک مي¬بيند. پيشرفت سامانه‏های ذخیره‏ساز داده باعث به وجود آمدن روش‏هاي ذخيره اطلاعات موازي با کارآيي بالا و بهای ناچیز در مقياس بزرگ شده است؛ با این حال، تحمل‏پذيري اشکال، دسترس‏پذیری و اطمينان‏پذيري در زمره پارامترهایی هستند که کماکان در اکثر طراحي‏ها مورد توجه قرار نمي‏گيرند. در اين مقاله بنا داريم به ارزيابي کارآيي تحمل‏پذيري اشکال در شبکه¬های میان ارتباطی که دارای حافظه¬هايي با مقياس بزرگ هستند پرداخته و همبندي‏هاي مختلف این شبکه¬ها را از منظر تحمل‏پذيري اشکال و اطمينان¬پذیری مورد شبيه‏سازي و ارزیابی قرار دهیم. هدف اصلي از اين بررسی آن است که بتوانيم همبندي‏هايي را شناسايي کنيم که به کارگیری آن¬ها موجب افزایش اطمينان¬پذیری در سامانه¬های ديسک‏ مي‏شود.

استفاده از چند منبع تغذیه یکی از روش های موثر برای کاهش توان مصرفی است. یکی از چالش های این روش، طراحی تغییر دهنده سطح با توان مصرفی و تاخیر کم می باشد. در این مقاله یک فلیپ فلاپ تغییر دهنده سطح تحریک شونده با پالس ارائه شده است. در این فلیپ فلاپ تغییر دهنده سطح از تکنیک دشارژ شرطی برای کنترل مسیر دشارژ و از تکنیک پیش دشارژ برای کاهش میزان فعال بودن دیتا (α) استفاده شده است. در بخش مولد پالس از تکنیک گیت کردن کلاک برای کاهش توان تلفاتی دینامیک استفاده شده است. نتایج حاصل از مقایسه این مدار با سایر فلیپ فلاپ های تغییر دهنده سطح ولتاژ ارائه شده دیگر در تکنولوژی 65 نانومتر CMOS نشان می دهد که مدار پیشنهادی نزدیک به 23 % توان مصرفی را کاهش داده در حالی که سرعت انتقال سیگنال را نیز حدود 22 % بهبود داده است.

در این مقاله، یک آشکارساز فاز - فرکانس با توان و جیتر کم برای کاربردهای فرکانس بالا پیشنهاد می¬شود. این آشکارساز فاز – فرکانس از 40 ترانزیستور استفاده می¬کند. وجود خروجی سه حالته در این آشکارساز فاز – فرکانس و حذف حالت یک بودن هم-زمان خروجی¬ها، مشکل عدم تطبیق جریان در پمپ شارژ را رفع می¬کند. هم¬چنین به علت داشتن ناحیه مرده کوچک، باعث کاهش جیتر می¬شود. شبیه سازی¬ها توسط Hspice و درتکنولوژی 65 نانومتر انجام شده است. توان مصرفی این آشکارساز فاز در فرکانس 2 گیگاهرتز، 19 میکرووات است که به نسبت آشکارسازهای مشابه توان کمتری مصرف می¬کند.

با مطرح شدن شبکه‌های حسگر بی‌سیم و افزایش کاربردهای بی‌درنگ و حیاتی بر روی آنها، مباحث پیشرفته بر روی این شبکه‌ها مانند مسئله زمانبندی، تأخیر انتها به انتها، تضمین امنیت و سایر آن، به سرعت رشد پیدا کرده است. از طرفی، محدودیت‌های انرژی و محاسباتی و حافظه‌ای این شبکه‌ها و همین طور محیط معمولاً بی‌دفاع و متخاصمانه‌ای که ممکن است در آن بکار گرفته شوند، امکان و احتمال انواع حملاتی که با توجه به این شرایط برای آنها متصور است را بیشتر می‌کند. بنابراین روش‌های امنیتی در قالب سرویس‌های امنیتی مانند احراز هویت، بررسی یکپارچگی و محرمانگی، برای خنثی کردن این تهدیدات بر روی شبکه‌های حسگر بی‌سیم بکارگرفته می¬شوند. پرواضح است که استفاده از سرویس‌های امنیتی برای تأمین نیازمندی‌های امنیتی کاربردها، باعث تحمیل سربار امنیتی در قالب زمان و انرژی می‌شود که ممکن است موعد کاربردها را تهدید یا با خطر از دست رفتن روبرو کند. متأسفانه مدل‌های تخصیص منابع و زمانبندی موجود در زمینه‌های مختلف اکثراً جمیع ملاحظات مطرح شده در بالا را پوشش نداده‌اند. در این مقاله با بهره¬گیری از یک مدل برای سربار امنیتی، روش پیشنهادی جهت زمانبندی امنیتی کاربردهای بی¬درنگ بر پایه الگوریتم EDF و پروتکل TDMA و با اجتناب از تداخل، مختص شبکه¬های حسگر بی¬سیم با نام CFSRTS ارائه شده است. بستر و مدل شبکه را نیز نزدیک به استاندارد WirelessHART که یک استاندارد باز برای شبکه¬های حسگر بی¬سیم برای کاربردهای بی¬درنگ است، تعریف کرده¬ایم. در آخر به ارزیابی کارایی این روش و تحلیل میزان افت کارایی در مقابل امکانات بدست آمده می¬پردازیم.