انجمن کامپیوتر ایران

در اين مقاله، يک روش جديد براي نهان نگاری قابل بازگشت تصوير بر پايه انتقال هيستوگرام ارائه شده است. در روش‌هاي نهان نگاری قابل بازگشت داده مبتني بر هيستوگرام، ظرفيت نهان نگاری محدود است. در اين روش ابتدا يک تکنيک پيش‌گويانه خطي بر روي پيکسل¬هاي تصوير اعمال مي¬شود، سپس پيکسل¬ها را به دو دسته تقسيم مي¬کند. بعد از استخراج نقطه اوج (مقدار پیکسلی که بیشترین تکرار را در هیستوگرام دارد) و نقطه صفر (مقدار پیکسلی که کمترین تکرار را در هیستوگرام دارد)، مي¬توانيم داده محرمانه¬ را به صورت دوبيتي در پيکسل‌هاي خاصي از تصوير پنهان کنيم. همچنين الگوريتمي براي بازيابي تصوير اصلي از تصوير نهان نگاری شده ارائه شده است.بر اساس نتايج آزمايشات، ظرفيت نهان نگاری بيشتري در اين روش نسبت به روش‌هاي مشابه بدست آمده است و کيفيت تصوير نيز تا حد قابل قبولي (PSNR=40db) حفظ مي¬شود. ظرفيت نهان نگاری به اندازه¬ي اختلاف ظرفيت نهان نگاری در هيستوگرام منفي با ظرفيت نهان نگاری در هيستوگرام غير منفي نسبت به روش‌های قبلی افزايش يافته است.

تاکنون تحقیقات فراوانی در حوزه استخراج روابط معنایی از مستندات متنی صورت پذیرفته است که اغلب آنها سعی کرده‌اند تا با استفاده از روش‌های دسته‌بندی مثل SVM، راه‌حلی برای استخراج رابطه ارائه دهند. در این تحقیق، تلاش شده است تا با استفاده از روش‌ کاوش الگوهای ترتیبی، الگوهای متعلق به رابطه‌های مختلف مشخص شده و سپس با استفاده از این الگوها، روابط درون جملات تشخیص داده شوند. در واقع هدف این تحقیق این است که ترتیب بین کلمات یک جمله در فرایند استخراج رابطه شرکت داده شود و با استفاده از الگوهایی که می‌توان از نحوه‌ی چیدمان کلمات درکنار همدیگر بدست آورد، کارایی استخراج رابطه را افزایش دهیم. برای این‌کار ابتدا با استفاده از روش‌ کاوش الگوی CloSpan، الگوهای متعلق به هر نوع رابطه را پیدا کرده و سپس برای تعیین دسته نمونه‌های آزمایشی جدید، باید مشخص کرد که نمونه مورد نظر الگوهای کدام رابطه را بیشتر در خود جای داده است. نتایج بدست آمده نشان‌دهنده‌ی این مطلب است که ایده‌ی مطرح شده کارایی به مراتب بالاتری نسبت به روش‌های موجود دارد.

In this paper, a novel manner for unrestrained pose-invariant face recognition was proposed. Also, a novel and efficient method was proposed to reconstruct the 3D models of a human face from a single 2D face image with variety in facial expression using the Deformable Generic Elastic Model (D-GEM). Three generic models were em-ployed for modeling facial expression in the Generic Elastic Model (GEM) framework and a mixture of these three models by using computing distance around face lips. Par-ticularly, present method was tested on an available 2D face databases without facial expression images and a new synthesized sequences pose from gallery images and com-pared present synthesized results with target face images by performing face recognition using the rank-one recognition rate with the smallest cosine distance. Promising results were acquired for handling pose changes based on the proposed method compared to the GEM approach

با پیشرفت سریع تکنولوژی کامپیوتری، پایگاه داده‌هایی با صدها و هزاران ویژگی در زمینه‌های شناسایی الگو، داده‌کاوی، یادگیری ماشین و غیره به وجود آمده است. به طوری که پردازش مجموعه داده‌های بزرگ، یک کار چالش‌برانگیز شده است، بنابراین با انتخاب بهترین مجموعه ویژگی، می‌توان به دقت قابل قبولی در پردازش پایگاه داده و همچنین در کاوش روابط معنا¬دار بین ویژگی‌ها رسید. در این مقاله یک مدل ترکیبی جدید ارائه شده است که الگوریتم ازدحام ذرات را با الگوریتم ماشین بردار پشتیبان برای بهبود دقت طبقه‌بندی و انتخاب مجموعه ویژگی بهینه ترکیب می‌کند. این مکانیزم بهینه‌سازی، با ترکیب الگوریتم ازدحام ذرات گسسته و الگوریتم ازدحام ذرات پیوسته به‌طور همزمان زیرمجموعه ویژگی‌های بهینه را انتخاب و پارامترهای ماشین بردار پشتیبان را تنظیم می‌کند. در این الگوریتم از دو روش جستجوی محلی برای تنظیم پارامترها و بهبود زیرمجموعه ویژگی استفاده شده است. عملکرد روش پیشنهادی بر روی مجموعه داده‌های مختلف ارزیابی شد و نتایج حاصله نشان‌دهنده کارایی روش مزبور در داده‌های با ابعاد معمولی و ابعاد بالا در مقایسه با نسخه‌های دیگر می‌باشد.

رتینوپاتی دیابتی یکی از دلایل شایع نابینایی در جهان محسوب می‌شود. انجام معاینات دوره‌ای و تشخیص به موقع بیماری می‌تواند مانع از بروز نابینایی در فرد شود. معاینات دوره‌ای شامل تصویربرداری از ته چشم و تحلیل تصاویر توسط افراد متخصص برای مشاهده تغییرات سریع در الگوی عروق خونی و بروز ضایعات مختلف می‌باشد. این روش معاینه بسیار زمانبر، پرهزینه و نیازمند افراد متخصص می‌باشد. بنابراین طراحی سیستمی خودکار برای جداکردن تصاویر سالم از تصاویر بیمار و تشخیص رتینوپاتی دیابتی ضروری بنظر می‌رسد. در این مقاله روشی خودکار برای غربالگری رتینوپاتی دیابتی ارائه شده است که مبتنی بر اطلاعات ساختاری و مورفولوژیکی تصویر می‌باشد. با توجه به اینکه اجزای سالم و بیمار در تصاویر شبکیه از لحاظ ساختاری و مورفولوژیکی با یکدیگر متفاوت هستند، می‌توان با استفاده از تبدیلات مناسب و با بکارگیری الگوریتم تفکیک محتوای تصویر، تصاویر شبکیه را به اجزاء سالم و بیمار جدا کرد. پس از جداسازی ضایعات از عروق، رتینوپاتی دیابتی با استخراج ویژگی‌های ناهمگنی، آنتروپی و انحراف از معیار تشخیص داده می‌شود. به منظور ارزیابی الگوریتم پیشنهادی از بانک استاندارد تصاویر شبکیه MESSIDOR و طبقه‌بند ماشین بردار پشتیبان و شبکیه عصبی استفاده شده است. نتایج حاصل از ارزیابی نشان می‌دهد که الگوریتم پیشنهادی توانسته است به مقدار sensitivity برابر با 99.13% و مقدار specificity برابر با 94.59% دست یابد.

تشخیص هویت از طریق اثرانگشت به دلیل دقت بالا و سادگی، متداول ترین روش شناسایی افراد بر اساس تکنولوژی بیومتریک است. عملکرد یک سیستم تأیید اثر انگشت تا حد زیادی به کیفیت تصویر اثر انگشت ورودی بستگی دارد. و استخراج ویژگی از تصویر کم کیفیت در یک سیستم شناسایی همیشه با چالش مواجه بوده است.در این مقاله ما از تبدیل فوریه زمانی کوتاه (STFT) برای حذف نویزهای تصویر و رسیدن به یک تصویر با کیفیت بالایی که بتواند جهت و موقعیت نقاط منفرد را با دقت بالاتری بدست آورد استفاده کرده ایم. همچنین یک روش نوین برای استخراج ویژگی از تصویر اثر انگشت با استفاده از گشتاورهای زرنیک ارائه دادیم. در این روش یک بردار ویژگی با طول ثابت ازهر سلول در ناحیه ROI با مرکزیت نقطه مرجع تصویر اثر انگشت، استخراج می کنیم. در این سیستم از مدل شبکه عصبی MLP برای کلاس بندی استفاده شده است. در نهایت با انجام آزمایش بر روی تصاویر پایگاه داده استاندارد، نشان داده می شود که روش پیشنهادی دارای نرخ شناسایی 96.78%و میانگین خطای 3.02 % می باشد که در مقایسه با روش‌های مقایسه‌ای عملکرد بهتری دارد.

امروزه سیستم‌های مدیریت اعتماد به طور گسترده‌ای به منظور تضمین امنیت در حوزه‏های مختلف علوم کامپیوتر بکار می‌روند. رویکرد مدیریت اعتماد به افراد یک جامعه کمک میکند تا قابل اعتمادترین عامل را برای تعامل انتخاب کنند و به این طریق کارایی سیستم مورد نظر بهبود می‏یابد. با این وجود سیستم‏های مدیریت اعتماد خود در معرض تهدیدها و حمله‌های بالقوه مختلفی هستند. یک دسته از این حمله‌ها، حمله‌های توصیههای غیرمنصفانه میباشد که در سال‏های اخیر توجه محققان را به خود جلب کرده‏ است و تلاش‏هایی برای شناسایی و مقابله با این حمله‌‌ها صورت گرفته است. در این مقاله، انواع مختلف حمله‌های توصیه‌های غیرمنصفانه در برابر سیستم‌های اعتماد شرح داده می شود؛ و سپس سیستم مدیریت اعتماد جدیدی بنام URRTمعرفی می‏شود که با اعمال راهبرد‌هایی از جمله باورپذیری، پویایی و شکنندگی در برابر این حمله‌ها مقاوم است. سیستم پیشنهادی پنج نوع توصیه ‌غیرمنصفانه شامل توصیه مثبت، توصیه منفی، توصیه تبانی، توصیه دوره‌ای و توصیه تصادفی را مورد توجه قرار می‌دهد. نتایج آزمایش‏های مختلف، برتری سیستم پیشنهادی را از نظر کارایی و دقت تخمین اعتماد نسبت به چند سیستم مدیریت اعتماد معروف شامل FCTRUST، ARREP وRATM نشان می‏دهد.

امروزه تجارت الکترونیک، سعی در گسترش مخاطبان خود و بالا بردن کیفیت سرویس‌های ارائه‌شده به کاربران نهایی دارد. بررسی نیازمندی‌های کاربران سیار که با رشد فن‌آوری‌های ارتباطی در حال افزایشاند و گنجاندن ویژگی‌های آگاه از متن در ارائه سرویس‌ها، جهت بهبود کارایی دیالوگ‌های بین کاربران و سیستم‌ها، دو موضوع مهم برای رسیدن به این اهداف است. ترکیب پویای سرویس‌ با آگاهی از متن رهیافتی است که پوشش‌دهنده هر دو موضوع مذکور می‌باشد. در این مقاله، مدلی مبتنی بر عامل، با امکان ترکیب و انطباق آگاه از متن سرویس‌ها به صورت توأمان، به همراه کنترل کیفیت سرویس، مطرح شده است. در این مدل از عامل جهت حداقل سازی دخالت کاربر و خودکارسازی کامل ترکیب سرویس و از پردازش گر متن در هر یک از سرویس‌ها جهت انطباق آگاه از متن و در عامل برای ترکیب آگاه از متن استفاده می‌شود. با استفاده از مؤلفه‌ی QoS در بخش عامل، کنترل کیفیت سرویس صورت می‌گیرد. برتری‌های این مدل را در مقایسه با مدل‌های مشابه می‌توان کنترل کیفیت سرویس، در نظر گرفتن پویایی در متن کاربر و تلفیق ترکیب و انطباق سرویس‌ها با آگاهی از متن به صورت توأمان دانست.

شناسایی افراد مناسب برای واکسیناسیون با استفاده از علوم شبکه در سال‏های اخیر مورد توجه محققان قرار گرفته است. متداول‏ترین روش‏ها برای ایمن‏سازی شبکه بر پایه‏ی معیارهای مرکزیت شبکه مانند درجه و مرکزیت میانی بنا شده‏اند که اهمیت گره مورد نظر را به صورت کلی در سراسر شبکه‏ی مورد نظر می‏سنجند. در این مقاله روشی سلسله مراتبی برای اولویت دهی واکسیناسیون گره‏ها ارائه می‏کنیم که ابتدا گروه‏های موجود در شبکه را شناسایی و به هرگروه بنا به نقشی که در شبکه دارد امتیازی نسبت می‏دهد. سپس نقش هر گره را به صورت محلی در گروهی که متعلق به آن است مورد بررسی قرار می‏دهد و در مرحله‏ی آخر به نقش گره در انتقال بیماری بین گروه‏های مختلف خواهد پرداخت. نتایج به دست آمده بر حسب بزرگ‏ترین مولفه متصل نشان می‏دهد که این روش امتیازبندی در شبکه‏های جهان کوچک و شبکه‏های دارای ساختار اجتماعی بهتر از درجه و به خوبی معیار مرکزیت میانی عمل می‏کند در حالی که پیچیدگی زمانی آن نسبت به مرکزیت میانی کم‏تر است.

شبکه‌های موردی سیار بی‌سیم، به‌دلیل نداشتن زیرساخت و متحرک بودن گره‌ها، با مشکلات مدیریت توپولوژی و کنترل شبکه مواجه هستند. از این‌رو توسعه‌ی زیرساخت برای شبکه‌های موردیِ سیار پراهمیت می‌شود. در این مقاله روش نوینی برای ایجاد زیرساخت مبتنی بر ایستگاه‌های پایه پرنده (UAV) ارائه می‌گردد که درآن با همکاری بین ایستگاه‌های پایه پرنده ناحیه سرویس‌دهی شبکه برای پوشش‌دهی کامل گره‌های متحرک زمینی گسترش می‌یابد. این زیرساخت، چندگامی بودن پروتکل‌های مسیریابی شبکه‌های موردی را که مسبب مشکلات ارتباطی فراوانی است به پروتکل مسیریابی تک‌گامی تبدیل می‌کند. بنابراین، شبکه را قادر می‌سازد به تغییرات توپولوژی شبکه‌های موردی به سرعت پاسخ داده و مسیریابی میسر گردد. در این مقاله، ایستگاه‌های پایه پرنده وظیفه دارند گره‌های متحرک زمینی را تا پایان ماموریت یا رسیدن به مقصد، تحت پوشش و سرویس‌دهی خود قرار دهند. این امر به‌صورت یک مسئله بهینه‌سازی چندهدفه با اهداف استفاده از حداقل تعداد ایستگاه‌های پایه پرنده، حداکثر پوشش‌دهی گره‌های متحرک و استفاده‌ی حداکثری از سرویس‌دهی محلی هر ایستگاهِ پایه مطرح و از طریق یک الگوریتم هوشمند حل می‌گردد. در میانِ الگوریتم‌های هوشمند بهینه‌سازی چندهدفه از الگوریتم تکاملی NSGA-II و برای شبیه‌سازی روش پیشنهادی از نرم‌افزار MobiSim و MATLAB استفاده شده است. مقایسه نتایج شبیه‌سازی نشان می‌دهد که الگوریتم تکاملی NSGA-II بهتر از الگوریتم MOPSO و روش Fixed(Grid-Based) عمل می‌کند.

امروزه با رشد روزافزون صنایع و خدمات در دنیا و گسترش فناوری اطلاعات، به‌کارگیری نرم‌افزارهای ERP در شرکت‌ها و سازمان‌ها افزایش یافته است. نکته مهمی که در این مورد وجود دارد، این است که بیش از 80 درصد از هزینه‌های کلی سرمایه‌گذاری سامانه ERP به فعالیت‌های نگهداری آن مرتبط است. یکی از فاکتورهای اصلی که بر نگهداشت‌پذیری این سامانه تأثیر می‌گذارد، وجود سامانه‌ای برای مستندسازی محصول در سایت خریدار ERP است. از آنجایی که ERP، در زمان نصب و پس از آن دست‌خوش تغییرات بسیاری می‌شود، لازم است برای سامانه مستندسازی آن سطح مناسبی از هوشمندی در نظر گرفته شود، تا کیفیت مستندسازی، از جنبه‌های مختلف نظیر پویایی، تولید به موقع، کامل بودن و سازگاری کنترل گردد. از این رو عامل‌های نرم‌افزاری هوشمند، می‌توانند گزینه مناسبی برای پیاده‌سازی سامانه مستندسازی باشند. در این مقاله معماری‌ای مبتنی بر چندین عامل مستقل ولی همکار ارائه می‌شود که به پیاده‌سازی این سامانه کمک می‌کند. این معماری به طور مؤثر بر قابلیت‌های انواع عامل‌های هوشمند نرم‌افزاری، مانند هوشمندی، یادگیری، تحرک و خودمختاری تکیه دارد. نتایج حاصل از ارزیابی معماری پیشنهادی، با استفاده از تکنیک‌های مبتنی بر سناریو و لیست مرجع نشان می‌دهد که معماری پیشنهادی قابلیت به‌کارگیری دارد و ضوابط یک معماری عامل‌گرا را دارا است.

در رویکرد توسعه مبتنی بر مدل، UML به همراه OCL به عنوان یک استانداردی که به طور گسترده پذیرفته شده، در فرآیند تولید و توسعه نرم افزار بکار گرفته شده است. از آنجاییکه وارسی مدل تاثیر قابل ملاحظه ای روی کیفیت تولید نرم افزار نهایی دارد و وارسی مدل UML به همراه OCL یک مسئله تصمیم ناپذیر است در این مقاله روش جدیدی مبتنی بر الگوریتم کلونی زنبور عسل مصنوعی و درخت نحو مجرد OCL ارائه شده است که بطور خودکار مدل UML/OCL را وارسی میکند.

امروزه، حجم وسیع اطلاعات به گونه‌ای است که دسترسی به داده‌های مورد نیاز از میان این حجم وسیع خود به دغدغه‌ای برای مدیران تبدیل شده است. از سوی دیگر درهم تنیدگی فعالیت‌های کسب‌وکار به گونه‌ای است که تصمیم‌گیری در یک حوزه خود نیازمند استحصال داده‌هایی از حوزه‌های دیگر است. فناوری‌هایی که زنجیره‌ای از استخراج، تجمیع، الگو یابی، تحلیل و نمایش داده‌های مورد نیاز را پشتیبانی می‌کنند مفهومی بنام هوش تجاری را شکل می‌دهند. و در این زنجیره، آنچه با نام سیستم‌های پردازش تحلیلی برخط (OLAP) خوانده می‌شود، وظیفه تحلیل داده‌های در اختیار قرارگرفته از منابع داده‌ای مختلف را بر عهده دارد. با توجه به تعدد نرم‌افزارهای انحصاری و متن باز در حوزه سیستم‌های پردازش تحلیلی برخط و همچنین درهم تنیدگی این فناوری و مفهوم آن با فناوری‌های مجاور در زنجیره هوش تجاری، در اختیار داشتن یک معماری مفهومی به منظور ایجاد چارچوب اجزاء تشکیل‌دهنده سیستم‌های پردازش تحلیلی برخط و همچنین چگونگی استقرار آنها می‌تواند راهگشای فعالیت‌های استقرار هوش تجاری در سازمان‌ها و صنایع باشد. در این پژوهش با استفاده از بررسی تطبیقی معماری هوش تجاری در پنج نرم‌افزار معروف تجاری و همچنین مدل‌سازی زنجیره هوش تجاری با تمرکز بر سیستم‌های پردازش تحلیل برخط، سعی شده تا یک معماری مفهومی پیشنهادی جهت این سیستم‌ها ارائه گردد. این معماری مفهومی علاوه بر کاربرد جهت طراحی و پیاده‌سازی سیستم‌های بومی پردازش تحلیل برخط، جهت فهم بهتر کارکرد این سیستم‌ها و همچنین برای مقاصد آموزشی مفید خواهد بود.

امروزه موضوع مسیریابی سینک‌های متحرکی که دارای هیچ‌گونه مسیر از پیش تعریف شده‌ای نیستند با هدف رسیدن به عملکردی بهتر از سینک(های) ثابت مورد توجه زیادی واقع شده است. تغییرات غیرمنتظره‌ای که سینک(های) متحرک در توپولوژی شبکه ایجاد می‌کنند اگرچه از یک سو سربار زیادی را برای کشف مسیرهای جدید به وجود می‌آورد ولی از سویی دیگر به دلیل استفاده‌ی بهینه از انرژی گره‌ها، افزایش طول عمر شبکه را بدنبال دارد. هر یک از استراتژی‌های موجود، در جهت بهبود مجموعه‌ای از ویژگی‌های مربوط به شبکه‌های حس‌گر بی‌سیم تلاش کرده‌اند تا با حفظ ویژگی تحرک سینک معیارهای بیشتری را مد نظر قرار دهند. تمرکز اصلی این مقاله بر روی پروتکل‌های مسیریابی موجود با سینک متحرک به منظور بررسی ویژگی‌های ذاتی روش‌ها و نقاط قوت و ضعف آن‌ها است. نتایج ارزیابی نشان داد که هر چند هر یک از پروتکل‌های پیشنهادی با دیدگاه خاصی سعی در بهبود چالش‌های موجود در شبکه‌های حس‌گر بی‌سیم داشته‌اند، اما در اکثر مواقع بهبود یک یا چند ویژگی تأثیر نامطلوبی را بر روی دیگر ویژگی‌ها داشته است.

نقش سیستم‌های اطلاعاتی در زندگی امروزی به‌صورت روزافزون در حال گسترش است. اضافه نمودن معنا به اطلاعات این سیستم‌ها باعث بهبود کارایی آنها می‌شود. آنتولوژی (پایگاه شناخت) ابزاری مناسب برای تحقق چنین بهبودی است. دانش دامنه ممکن است دارای ماهیتی پویا باشد، بدین معنی که دانش مذکور باید با گذشت زمان و تغییرات دامنه تغییر نمایند. در چنین مواردی پایگاه شناخت باید با رخ دادن هر تغییر دوباره ساخته یا اصلاح شود. روند تولید یک پایگاه شناخت مسیری طولانی و زمان‌بر است، در نتیجه هزینه تولید مجدد و نگهداری پایگاه شناخت برای یک سیستم بسیار گران خواهد بود. برای کاهش این هزینه روش‌های تکامل پایگاه شناخت پیشنهاد می‌شود. در این روش‌ها نیازی به ساخت مجدد پایگاه شناخت در اثر بروز یک تغییر نیست. بلکه با اعمال تغییرات مورد نیاز بر روی نسخه فعلی، نسخه جدید تولید می‌گردد. یکی از مشکلات روش‌های تکامل پایگاه شناخت عدم وجود یک دسته‌بندی از انواع تغییرات ورودی است. در این مقاله دسته‌بندی جامعی از انواع تغییرات ممکن در روند تکامل ارائه می‌شود. وجود یک چنین دسته‌بندی کمک بسیاری به مهندسین تکامل پایگاه شناخت می‌کند تا درک بهتری از انواع تغییرات ورودی داشته و مدیریتی بهتر بر روند تکامل پایگاه شناخت داشته باشند.

هدف این مقاله حاشیه نویسی معنایی تصویر بوسیله استخراج ویژگی های مؤثر و پنهان موجود در تصاویر و با استفاده از ساختار سلسله مراتبی مفاهیم(آنتولوژی) می باشد. روش پیشنهادی از دو مرحله آموزش تشکیل شده است. در مرحله اول، در فاز اول به منظور استخراج مفاهیم ابتدا تصاویر با استفاده از تکنیک قطعه بندی به اشیاء مختلفی افراز می شوند. در فاز دوم ویژگی های سطح پایین مفاهیم موجود در هر قطعه استخراج می شود، در واقع در این مرحله به کشف ویژگی هایی که همبستگی زیادی با اشیا موجود در تصاویر داشتند، پرداخته می شود. در مرحله دوم به آموزش این ویژگی ها پرداخته می شود این آموزش با استفاده از ساختار سلسله مراتبی که برای تصاویر در نظر گرفته شده و با تکنیک طبقه بندی SVM صورت می گیرد. نتایج حاصل بر روی تصاویر موجود در پایگاه داده Imageclef که به صورت سلسله مراتبی طبقه بندی شده بودند، نشان می دهد که روش پیشنهادی برای حاشیه نویسی تصویر علاوه برکاهش پیچیدگی طبقه بندی توانست دقت طبقه بندی را حدود 5 درصد نسبت به روش های مشابه بالاتر ببرد.

شخصی‌سازی کاتالوگ الکترونیک عبارت است از هماهنگی محتوای کاتالوگ با نیازها و ترجیحات کاربر و نمایش مناسب‌ترین و هماهنگ‌ترین کاتالوگ برای هر کاربر. فرهنگ، شخصیت و احساس از جمله عواملی هستند که تاثیر زیادی روی نیازها و ترجیحات کاربر دارند؛ بر این اساس دسته‌ای از تحقیقات سعی کرده‌اند نقش این فاکتورها را در سیستم‌های شخصی‌سازی لحاظ کنند. اما عیب عمده این تحقیقات این است که نقش خصوصیات فرهنگی- شخصیتی- احساسی به طور مجزا مورد بررسی قرار گرفته است. این در حالی است که این سه عامل تاثیرات متقابل زیادی روی یکدیگر دارند و اگر به طور مجزا مدل‌سازی شوند، رفتار کاربر به طور کامل قابل مدل‌سازی نخواهد بود. از طرف دیگر روش‌هایی که تاکنون در این زمینه ارائه شده است، معمولاً نیاز به تکمیل تست‌های روان‌شناسی یا روش‌های پیچیده یادگیری ماشین دارند. در این تحقیق سیستم شخصی‌سازی پیشنهاد شده که خصوصیات فرهنگی- شخصیتی- احساسی را به طور همزمان لحاظ می‌کند. در این سیستم یک مدل یکپارچه و مجتمع از خصوصیات فرهنگی، شخصیتی و احساسی برای هر کاربر وجود دارد که بر اساس کشور محل تولد و دستاوردهای روان‌شناسی مقداردهی اولیه می‌شود. بنابراین نیاز به تست‌های روان‌شناسی و روش‌های پیچیده یادگیری ماشین ندارد. در این سیستم نحوه تاثیر فاکتورهای فرهنگی- شخصیتی – احساسی روی ترجیحات کاربر در قالب قوانین پایگاه دانش مدل‌سازی شده و بر اساس آن محتوای مورد ترجیح کاربر ایجاد می‌شود. مدل ارائه شده در این تحقیق با روش‌های عادی شخصی سازی مورد مقایسه قرار گرفته است. نتایج مقایسه نشان می‌دهد که دقت و کیفیت سیستم پیشنهادی بهبود قابل توجهی یافته است.

با افزایش روزافزون حجم اطلاعات و نیاز کاربران به پهنای باند بیشتر، شبکه‌های اقتضایی بین خودرویی به‌عنوان بستری برای ارسال اطلاعات توجه پژوهشگران را به خود جلب کرده است. با توجه به ویژگی پویایی بالای خودروها در این شبکه و مدت کوتاه زمان اتصال، ارسال بسته‌های داده همواره با تأخیر مواجه بوده است. در این مقاله برای کاهش زمان تأخیر بسته‌ها روش جدیدی ارائه گردیده که در آن خودروها از چند تکنولوژی دسترسی بی‌سیم به‌صورت همزمان بهره می‌برند و بدین ترتیب بسته‌های داده بین چند صف که هرکدام به یک رابط ارتباطی بی‌سیم متصل است پخش می‌شوند و سپس به خودروهای مقصد فرستاده می‎شوند. نوآوری دیگر این روش مدل کردن مسئله به‌وسیلۀ یکی از مدل‌های تئوری صف بانام "چابکی" است، که موجب کاهش مدت‌زمان انتظار بسته‌های داده در صف‌ها می‌شود. پس از حل مدل ریاضی مسئله نتایج حاصل از شبیه‌سازی، که تکنیک چندرادیویی با مدل صف مذکور را با کارهای پیشین مقایسه می‎کند، نشان‌دهندۀ کاهش چشمگیر زمان تأخیر ارسال بسته‌ها و افزایش گذردهی کلی شبکه است.

الگوریتم یادگیری Q، یکی از بهترین الگوریتم‌های یادگیری مستقل از مدل می‌باشد. هدف از یادگیری، یافتن تخمینی از تابع ارزش - عمل بهینه می‌باشد که مقادیر Q نامیده می‌شود. یکی از عمده ترین مشکلات روش یادگیری Q در برخورد با مسائل دنیای واقعی، زیاد شدن تعداد حالت‌های محیط و در نتیجه کم شدن سرعت همگرایی است، زیرا برای تضمین همگرایی یادگیری، تمامی زوج‌های حالت - عمل باید بی‌نهایت بار بازدید شود. در این نوشتار، از روش ترکیبی بر پایه مفاهیم عمل متضاد استفاده شده است. مفاهیم تضاد در یادگیری تقویتی منجر به بهبود سرعت همگرایی می‌شود، زیرا در آن به‌روز رسانی مقادیر Q برای عمل و عمل متضاد متناظر آن، در یک مرحله و بصورت همزمان انجام می‌پذیرد. روش ارائه شده همراه با یافتن بهترین اثر متقابل بین اکتساب و اکتشاف در یادگیری Q، برای افزایش سرعت همگرایی یادگیری استفاده شده است. تکنیک ارائه شده برای مسئله Grid world شبیه سازی شده است. نتایج به دست آمده بهبود در فرایند یادگیری را نشان می‌دهد.

با رشد روز افزون داده‌ها لزوم استخراج الگوهای مفید از آن‌ها بیشتر حس می‌گردد. یکی از روش‌های کشف دانش که بسیار مورد استفاده قرار می‌گیرد خوشه‌بندی می‌باشد. خوشه‌بندی به روش‌های مختلفی از جمله سلسله مراتبی و تکراری انجام می‌گیرد. در الگوریتم‌های خوشه‌بندی تکراری یکی از مهم‌ترین مراحل، انتخاب خوشه‌های اولیه است زیرا تاثیر مستقیم بر خوشه‌های نهایی دارد. از آنجایی‌که هر خوشه شامل نقاطی نزدیک به هم و دور از نقاط خوشه‌های دیگر است، انتخاب خوشه‌های اولیه اهمیت زیادی دارد. در این مقاله روشی اکتشافی و تکراری افزایشی برای تعیین خوشه‌های اولیه در الگوریتم k-means طراحی نمودیم. در هر مرحله دو عنصر جدید را برای خوشه‌ها انتخاب می‌کنیم. در ابتدا با یک خوشه‌ که شامل یک عنصر می‌باشد کار خودر را آغاز کرده و در هر مرحله فاصله‌ی سایر عناصر با مرکز خوشه‌های تعیین شده را محاسبه می‌کنیم. این فاصله معیاری جهت تعیین عناصر خوشه‌های بعدی است. در این مقاله الگوریتم خود را بر روی چند مجموعه داده‌ی مختلف در اندازه‌های متفاوت اعمال کردیم. نتایج به‌دست آمده نشان می‌دهد روش ارائه شده باعث بهبود عملکرد الگوریتم k-means نسبت حالتی است که از خوشه‌های اولیه‌ی تصادفی استفاده شده است.