رشد سریع درخواست¬های محاسباتی و برنامه¬های خدمت¬گرا و همچنین گرایش آنها به مدل رایانش ابری، منجر به استقرار مراکز داده بسیاری با مقیاس وسیع شده است. از آنجایی که مراکز داده¬ای میزبان این برنامه¬ها، میزان بسیار زیادی انرژی الکتریکی مصرف می¬کنند و موجب افزایش هزینه¬های عملیاتی، انتشار گرما و گاز کربن در محیط می¬شوند. انتقال پویای ماشین¬های مجازی به عنوان یکی از راهکارهای کاهش انرژی، با استفاده از ایده مهاجرت پویا و خاموش کردن خدمت¬گذارهای بیکار، به ارائه-دهندگان سیستم¬های رایانش ابری این امکان را می¬دهد که مصرف انرژی را کاهش و بکارگیری منابع را تا حدودی بهبود دهند. در این مقاله روشی مبتنی بر مفهوم ضریب همبستگی برای جایگذاری ماشین¬های مجازی ماشین¬های مجازی مهاجرت یافته ارائه می¬شود، به نحوی که هر ماشین مجازی روی میزبانی قرار خواهد گرفت که دارای کمترین ضریب همبستگی از نظر بهره¬وری CPU با دیگر ماشین¬های مجازی روی این میزبان فیزیکی باشد، چرا که هر چه میزان همبستگی در مصرف منابع یا بهره¬وری CPUمیان ماشین¬های مجازی یک میزبان بیشتر باشد، احتمال این که آن میزبان سریع¬تر دچار سرریز بار شود، بالاتر است؛ بنابراین امکان بروز تخطی در میزان سطح توافق شده خدمت¬دهی به کاربر یا SLA (Service Level Agreement) نیز وجود دارد. روش پیشنهادی در این مقاله توسط شبیه¬ساز CloudSimارزیابی می¬شود. ارزیابی نشان می¬دهد که این روش نسبت به روش¬های ارائه شده تاکنون نتایج خوبی را در زمینه بهره¬وری مصرف انرژی و میزان تخطی در SLAدر مراکز داده در محیط¬های ابری ارائه می¬دهد.

نظر به آنکه تکنیکهای متداول یادگیری ماشین مبتنی بر این فرض ضمنی هستند که داده ها در فضای برداری واقع شده اند، خطی سازی داده های روی منیفلد حائز اهمیت می باشد. حقه هسته و نگاشت به صفحات مماس بر منیفلد دو راهکار متداول به منظور خطی سازی داده های واقع بر منیفلد ریمانی می باشد. نگاشت به صفحات مماس ، خطی سازی غیر دقیق می باشد که می تواند به ضعف ماشین یادگیر منجر گردد. نوع هسته و پارامترهای آن عناصری تعیین کننده در متر القائی به فضای ویژگی می باشند. در این مقاله روشی به منظور خطی کردن دقیق داده های روی منیفلد ریمانی ارائه شده است، که توپولوژی کلی داده ها را حفظ می نماید. ارائه هسته مبتنی بر داده، با حفظ فاصله ژئودزیک بین نقاط راهکار پیشنهادی می باشد. داده های مورد بررسی، روی یک منیفلد ریمانی کامل با فاصله ژئودزیک کمینه یکتا بین نقاط قرار دارند. به منظور بررسی کارایی، روش پیشنهادی بر ویژگی هایی که از سیگنال EEG دو دسته بیمار استخراج شده اند اعمال شده و با سایر روشهای متداول در این زمینه مقایسه گردید. آزمایشات بعمل آمده برتری هسته پیشنهادی نسبت به هسته هایی که توپولوژی داده ها را در نظر نگرفته یا به صورت جزئی در نظر گرفته اند را نشان میدهد.

در این مقاله سعی شده است تا روشی برای کشف حملات بات‌نت به کمک بررسی الگوی رفتاری شبکه و تشخیص ناهنجاری ارائه شود. فرایند تشخیص از مراحل تشکیل مدل شبکه‌ای، خوشه‌بندی اتصالات و خوشه‌بندی بر اساس مدل دوکی تشکیل شده است. این روش ترافیک شبکه را در قالبی با عنوان مدل شبکه‌ای، مدل سازی می‌کند. در مدل شبکه‌ای، یال‌های گراف به صورت برداری تعریف شده‌اند که مشخصات اتصال‌های بین دو گره را نگهداری می‌کند. این مدل، بر اساس ویژگی‌های بردار اتصال‌ها خوشه‌بندی می‌شود و گره‌هایی با رفتار مشابه در خوشه یکسان قرار داده می‌شوند. در ادامه، روشی با عنوان خوشه‌بندی مبتنی بر مدل دوکی، بر اساس رفتار ذاتی و ویژگی‌های عام حملات بات‌نت، طراحی و پیاده‌سازی شده است. فرایند تشخیص به صورت افزایشی و در قالب پنجره‌های زمانی یکسان انجام می‌شود. به کمک این اقدام پیشینه‌ای از رفتار اعضای شبکه در مراحل قبلی در دست است که به دقت تشخیص کمک شایانی می‌کند. در آخر، روش پیشنهادی با بات‌های مشهوری مانند زئوس و اسپای بات مورد ارزیابی قرار گرفت. دقت تشخیص بات زئوس 90 درصد و دقت تشخیص بات اسپای بات 80 درصد ارزیابی شد.

مسئله ردیابی انسان در محیط های شلوغ به ویژه در شرایطی که امکان پوشیده شدن دید وجود دارد، از مسایل مهم بینائی ماشین و رباتیک می¬باشد. استفاده از روش های مبتنی بر مدل می¬تواند به افزایش کارائی سیستم¬های ردیاب منجر شود. یادگیری مدل پیچیده با استفاده از داده¬های محدود، به دلیل بعد بالای پارامتر¬های بدن انسان کار دشواری است. نظر به اینکه اکثر فعالیت¬های انسان به صورت ذاتی روی یک منیفلد با بعد کم قرار دارند، فضای مساله محدود می-شود.در این مقاله برای بدست آوردن فضای پنهان با بعد کم و در نظر گرفتن پویایی مربوط به متغیر¬های پنهان از مدل پویای پروسه¬ی گاوسی استفاده می¬شود. از این مدل برای محاسبه¬ی نگاشت فضای پنهان به فضای مشاهدات و برای پیش¬بینی حرکت استفاده می¬شود. در آزمایشات به عمل آمده از سنسور کینکت برای بدست آوردن تصاویر عمقی استفاده شده است. به منظور بهره¬مندی ازمزایای ردیابی با استفاده از این سنسور نتایج آن به کمک فیلتر کالمن با نتایج مدل پویای پروسه گاوسی ترکیب می¬شود. این الگوریتم در مواردی که مساله¬ی پوشیده شدن دید داریم، نتایج بسیار خوبی داشته است.

ماشین¬ بردار پشتیبان یکی از دسته¬بندهای شناخته شده است که برای دسته¬بندی الگوهای جدایی پذیر خطی و نیز برای الگوهایی که به صورت خطی جدایی پذیر نیستند، به کار می¬رود. در جداسازی الگوهای جدا ناپذیر به صورت خطی، از تابع هسته در ماشین بردار پشتیبان استفاده می¬شود که انتخاب مناسب نوع و پارامترهای تابع هسته تاثیر زیادی در دقت دسته¬بندی دارد. در این مقاله، تابع هسته به صورت یک ترکیب خطی از توابع هسته استاندارد و با استفاده از الگوریتم بهینه¬سازی ازدحام ذرات تخمین زده می¬شود. تابع برازندگی این الگوریتم در ایتجا خطای دسته¬بندی ماشین بردار پشتیبان است که باید کمینه شود. آزمایش¬ها بر روی دادگان انتخابی UCI، بیانگر کارایی تابع هسته پیشنهادی در مقایسه با توابع هسته استاندارد و نیز تابع هسته ترکیبی به دست آمده با استفاده از الگوریتم ژنتیک است.

اين كه دانش يكي از مهمترين دارايي هاي سازمان در نظر گرفته مي شود غير قابل انكار است وبه طور فزاينده اي براي حفظ مزيت رقابتي سازمان، مديريت مي شود.اما مشکل اینجاست که، محیط سازمان¬ها آبستن تغییرات، فرصت¬ها و چالش¬های زیادی است که توانایی و قابلیت رویارویی با آنان را می توان از سازمان¬ها انتظار داشت. در این راستا، داشتن نگاه استراتژیک به تغییرات و فرصت¬های حاصل از تغییرات، و بهبود توانایی¬ها و زیرساخت¬های سازمان بسیار حائز اهمیت است. به طور کلی، سازمان ها باید بر اساس دانش قبلی خود و بازخورد به دست آمده از آخرین اجرای تصمیم گیری مدیریت دانش، قادر باشند تا به طور مداوم یاد بگیرند و دقت خود را از دانش بهبود دهند. بدین منظور در این مقاله قصد داریم با ارائه مدلی از یک سیستم مدیریت دانش تطبیق¬پذیر بستر مناسبی را برای موفقیت بلندمدت و پایدار سازمان ایجاد کنیم. در واقع این مقاله یک مدل از سیستم¬های مدیریت دانش برای کاربردهای تجاری ارائه می¬دهد که اجازه می¬دهد دانش بوسیله استفاده از هستان¬شناسی و یک الگوریتم تکاملی ، در جهت تطبیق¬پذیری بهبود پیدا کند. در انتها مدل ارائه شده برای سازمان بورس پیاده¬سازی می¬شود و نتایج حاصل مورد ارزیابی قرار می¬گیرد.

افزایش نیازمندی به منابع رایانشی سریع، در دسترس و با قابلیت اطمینان بالا،افزایش حجم اطلاعات، کمبود فضای دردسترس، صرفه جویی در هزینه¬ها و افزایش پویایی، موجب گسترش مفهومی به نام رایانش ابری و در پی آن مراکز داده ابری شده است. افزایش درخواست برای محاسبات و ارتباطات بیشتر باعث ایجاد مراکز داده بزرگتر شده که نتیجه آن افزایش توان مصرفی و همچنین افزایش انتشار گازهای مضر مانند دی¬اکسیدکربناست. در اين مقاله، تلاش شده که مصرف توان در مراکز داده ابری کاهش داده شود که این امر به وسیله تغییر روش در شناسایی منابع دارای اضافه بار محقق گردید. رهیافت جدید با استفاده از شبیه ساز CloudSim پیاده سازی شد و به وسیله مقایسه نتایج این رهیافتبا نتایج روش¬های کنونی، ارزیابی گردید.

در این مقاله سیستم رمز قطعه ای SHACAL را با استفاده از تکنیک تفاضلی، تحلیل کردیم. این سیستم رمز همان تابع درهم ساز SHA-1در حالت سیستم رمز قطعه ای است.به منظور تحلیل سیستم های رمزنگاری روش های گوناگونی از جمله: تحلیل تفاضلی و تحلیل خطی وجود دارد که ما نیز برای تحلیل نُه گام از این سیستم رمز قطعه ای از روش تحلیل تفاضلی استفاده کردیم.ما در تحلیل خود با بدست آوردن 32 مشخصۀ نُه گامی با احتمال 2-9توانستیم در نهایت با پیچیدگی زمانی15×2^32، تعداد 288 بیت کلید را استخراج کنیم. لازم به ذکر است که نتایج حاصل از این مقاله می تواند در شکسته شدن تابع درهم ساز SHA-1 مورد استفاده قرار گیرد.

با توجه به روند رشد مدارات مجتمع، و افزایش روز افزون تعداد ترانزیستور های موجود در یک تراشه، میزان انرژی مصرفی در یک مدار، و به طبع آن، میزان گرمای تولیدی، رو به افزایش می باشد. افزایش دما، باعث بوجود آمدن مشکلات بسیاری از جمله کاهش طول عمر قطعات، کاهش قابلیت اطمینان، و افزایش هزینه خنک سازی می شود. روش های مدیریت دمایی، تلاش در کاهش دما بوسیله ابزارهای سخت افزاری و نرم افزاری موجود، می نمایند.از جمله روش های نرم افزاری برای پردازنده های چند هسته‌ای، روش مهاجرت وظایف می باشد که برای پائین نگهداشتن دما، وظیفه در حال اجرا بر روی هسته داغ را به هسته سرد منتقل می‌کنند. برخی از این روش ها برای تصمیم گیری برای انتخاب هسته مقصد، از پیشگو ها برای پیشگویی دما برای بهبود کارایی الگوریتم های مهاجرت استفاده می نمایند. با توجه به مشاهدات ما، مشخصات فیزیکی، در دمای هسته ای که وظیفه بر روی آن در حال اجرا می باشد، موثر است. به این معنی که اجرای یک برنامه بر روی هسته های مختلف، نتایج دمایی مختلف را از خود نشان می‌دهد. هدف این مقاله، ارائه پیشگویی است که این مشخصات را درنظر بگیرد. در تحلیل آزمایشات صورت گرفته در این مقاله، پیشگوی ارائه شده، بطور میانگین،دقت پیش گویی را به میزان 10% نسبت به روش های جدید و معروف پیش بینی ارائه شده، بهبود داده است.

l-diversity یکی از مدل های حفظ حریم خصوصی است که برای انتشار داده هایی که در اختیاریک سازمان نظیر یک بیمارستان است مورد استفاده قرار می گیرد. الگوریتم های زیادی برای پیاده سازی این مدل برای حالتی که داده ها تنهادر اختیاریک سازمان است، ارائه شده. ولی ما در این مقاله قصد داریم یک پروتکل چند طرفه امن بدون حضور شخص ثالث مورد اعتماد برای پیاده سازی مدل l-diversity در محیطی که داده ها به صورت توزیع شده در اختیار چندین طرف است،ارائه دهیم. پیاده سازی l-diversity به صورت چند طرفه در مقابل روشی که هر یک از طرفین به تنهایی داده های خود را منتشر میکنند، باعث می شود که کیفیت داده¬های حاصل بهتر شود. پروتکلی که ارائه داده ایم با تغییر روبکرد انتشار بازه ای به انتشار مجموعه ای توانسته کیفیت داده¬های خروجی را به طور قابل ملاحظه ای بهبود دهد. و همچنین از لحاظ مرتبه زمانی، اجرای پروتکلبا الگوریتم تک طرفه برابر می¬باشد. بنابراین با کمترین هزینه، امنیت را برای هر یک از طرفین درگیر در پروتکل تامین کرده ایم که باعث شده این پروتکل کاملاً کاربردی گردد.

در سال¬های اخیر با معرفی محاسبات ابری و قابلیت آن در ارائه منابع نامحدود در بسیاری از زمینه¬ها به عنوان راه¬حلی جدید در نظر گرفته شد. یکی از این زمینه¬ها محاسبات علمی است. حل بعضی از مسائل علمی به دلیل نیاز به منابع پردازشی بالا زمان¬گیر، هزینه¬بر و عملا غیرممکن است. به منظور بررسی بیشتر قابلیت بکارگیری منابع ابر در حل مسائل علمی، تعدادی مسئله علمی انتخاب و برروی ابر پیاده¬سازی شدند. به¬منظور اجرای این مسائل برروی ابر می¬بایست آنها را به یک چارچوب¬ تبدیل نمود تا امکان موازی¬سازی کارها و اداره شکست ماشین¬ها به صورت خودکار فراهم شود. در نتیجه این مقاله با انتخاب چارچوب MapReduce، قابلیت محاسبات ابری را از طریق بررسی قابلیت این چارچوب در حل مسائل مورد بررسی قرار داد. نتایج سرعت این الگوریتم¬ها نشان داد که این چارچوب برای حل مسائلی که بتوان کارها را به شکل کاملا مستقلی از هم انجام داد بسیار مناسب است. اما در الگوریتم¬های تکرارشونده که در هر تکرار الگوریتم باید یک کار MapReduce جدید ایجاد شود، این چارچوب سرعتی در حد الگوریتم¬های کاملا موازی ندارد اما سرعت به¬خوبی افزایش یافته و قابل¬قبول است. همچنین MapReuce مقیاس¬پذیری خوبی نشان می¬دهد. در کل می¬توان گفت محاسبات ابری یک راه¬حل ارزشمند است.

یادگیری نیمه نظارتی یکی از رهیافت های جدید یادگیری ماشین می باشد که در این رهیافت، با استفاده همزمان از داده های برچسب دار و بدون برچسب فرایند یادگیری صورت می پذیرد. با توجه به اینکه تهیه داده بدون برچسب بسیار کم هزینه می باشد، مجموعه داده های یادگیری نیمه نظارتی بسیار بزرگ می باشند و کارایی محاسباتی الگوریتم از اهمیت بالایی برخوردار است. در اين مقاله، روشی نوین برای یادگیری سریع SVM نیمه نظارتی ارایه می شود که از تقریب کم رتبه ماتریس هسین در روش نیوتن استفاده می کند. روش ارایه شده در هر تکرار بهینه سازی نیوتن ماتریس پر رتبه هسین را توسط الگوریتم فاکتور گیری چولسکی ناکامل (ICF) به یک ماتریس کم رتبه تقریب زده می شود و فاکتور چولسکی هسین تقریب زده شده حساب می شود. سپس با استفاده از روش جایگذاری رو به جلو دستگاه معادلات نیوتن حل می شود. که مرتبه محاسباتی از O(n^3) بهO(〖n_sv d〗^2) کاهش می یابد که n تعداد نمونه ها، n_sv تعداد بردار پشتیبان ها و d رتبه هِسیَن تقریب زده شده می باشد و 〖d≪n〗_sv^ ≪n . آزمایش ها بر روی مجموعه داده های واقعی کارایی الگوریتم ارایه شده را تصدیق می کند.

IMS(زیر سیستم چندرسانه¬ای مبتنی بر IP) معماري استاندارد براي شبكه¬های نسل آينده است. این معماری توسط موسسه 3GPP معرفی شده است و به سه قسمت کنترل، چند رسانه¬ای و سرویس تقسیم شده است. در لایه کنترل IMS پروتکل‌های SIP (پروتکل شروع نشست) و DIMITER استفاده شده است. مزیت اين پروتکل¬ها عبارتند از متني بودن، مبتني بر IP بودن و استقلال از نوع داده انتقالي است. عیب این پروتکل¬ها نبود مکانيزم مناسبي براي مواجه با انواع حملات است. اين چالش سبب خواهد شد که طيف وسيع کاربران شبکه نسل آينده با افت شديد کيفيت سرويس مواجه شوند. ایده اصلی این مقاله بررسی حملات انکار سرویس بر روی اجزای اصلی معماری IMSاست. ما تعدادی مشخصه برای مدل‏سازی رفتار موجودیت¬های اصلیIMS معرفی می¬کنیم و این مشخصه¬ها در حالت¬های ترافیک طبیعی و حملات مطالعه می¬شوند. برای مطالعه ترافیک IMSدر مقابل حملات، از ابزارهای استاندارد مختلف OpenIMSCore، SIPp و IMS Benchاستفاده شد. همچنین براساس سرآیند پروتکل¬های SIP و DIMITER مشخصه تعریف شد و مطالعات آماری روی این مشخصهها انجام شد. نتایج شبیه‌سازی کارایی مدل پیشنهادی ما را نشان داد. علاوه بر این امکان تفکیک ترافیک طبیعی از ترافیک حمله در IMS نشان داده شد.

يکي از مهم ترين پارامترها در بازشناسی گفتار، بهبود عملکرد سیستم و افزایش درصد صحت بازشناسی آن است. روش¬های متفاوتی برای اين بهبود وجود دارد، که از جمله، بهبود مدل¬هاي صوتي، ویژگی¬ها و مقاوم¬سازی بازشناسي نسبت به تغييرات محيطي مي¬باشد. از جمله‌ی اين روش¬های بهبود ، ترکیب سیستم¬ها ، پس از بدست آوردن فرضیه‌ی نهایی چند سیستم بازشناسي مستقل است. ترکیب سیستم ها، هنگامی که سیستم¬های مختلف، الگوهای خطایی متفاوتی دارند، می تواند عملکرد نهائي بازشناسی گفتار را بهبود بخشد. ترکیب خروجی سیستم¬ها، به این منظور است که نرخ خطای سیستم مرکب کمتر از سیستم انفرادی شود. در اين مقاله، ترکیب لتیس بدست‌آمده از سیستم‌ها معرفی خواهدشد. در این روش، سيستم هاي بازشناسي گفتار بر پايه‌ی مدل مخفی مارکوف ، مورد استفاده قرار مي گيرند و دادگان فارس دات کوچک نیز مورد استفاده قرار گرفتند. در این کار برای بهبود درصد صحت بازشناسی، لتیس دو سیستم MFCC و PLP ، که با استفاده از HTK بدست آمده‌اند، با هم ترکیب شده ومیزان درصد صحت بازشناسی نسبت به قبل از ترکیب، 1.5 درصد افزایش یافت.

امروزه در بسياری از کاربردها، امنيت سخت افزار به يک دغدغه برای طراحان سيستم‌های سخت افزاری تبديل شده است. تحت کنترل نبودن پروسه ساخت تراشه‌های الکترونيکی آن‌ها را در برابر اعمال تغييرات آسيب‌پذير کرده است. در چند سال اخير تحقيقات زيادی در رابطه با روش‌های تشخيص و جلوگيری از درج اين‌گونه تغييرات که تحت عنوان اسب تروای سخت افزاری شناخته می¬شوند انجام گرفته است. در اين مقاله با استفاده از عامل انحراف سيگنال ساعت الگوريتمی برای جايابی سلول¬ها ارائه کرده¬ايم که امکان درج اسب تروای سخت¬افزاری را کاهش داده و همچنين در صورت وجود اين عامل نامطلوب، تشخيص آن را بهبود بخشد. نتايج آزمايش¬ها بالا رفتن ميزان امنيت سخت افزار را در قبال افزايش قابل قبول هزينه سربار نشان می‌دهد.

شبكه‌هاي حسگر بي‌سيم شامل تعداد زيادي گره‌ی حسگر كوچك مي‌باشند.این گره‌ها دارای محدويت منابع، از جمله حافظه، پهناي باند و باتري پايين هستند. در ارتباط‌هاي چند گامي بيشتر انرژي گره‌ها صرف ايجاد ارتباط با حسگرهاي ديگر مي‌شود، كه منجر به مصرف زياد انرژي در حسگرها مي‌گردد. با توجه به محدودیت منابع شبکه‌های حسگر، خوشه‌بندی يك روش موثر براي کاهش مصرف منابع این شبکه‌ها می‌باشد.

روش تحلیل تمایز هسته، یک روش کاهش بعد غیرخطی مبتنی بر هسته است، که به عنوان یک استخراج کننده ویژگی به منظور دسته بندی نمونه داده¬ها به کار می¬رود. هدف این روش دستیابی به یک زیرفضای غیرخطی یا منیفولد کم بعد است، که نمونه¬های دسته¬های مختلف نگاشت شده در آن بیشترین تمایز را از یکدیگر داشته باشند. این هدف از طریق نگاشت تعریف شونده توسط تابع هسته تحقق پیدا می¬کند. در اغلب کارهای پیشین بر روی این مدل، تمرکز بر بهینه سازی پارامترهای تابع هسته برای بالا بردن کارایی دسته بندی با آن بوده است. در این مقاله نشان داده می¬شود که نوع تابع هسته نیز در کنار پارامترهای آن می¬تواند تأثیر به سزایی در کیفیت دسته بندی با این روش داشته باشد. بدین منظور توابع هسته مختلف ساده و ترکیبی همراه با یک فرآیند تنظیم پارامترها و وزنهای ترکیب این هسته¬ها بر روی چند مجموعه داده شناخته شده آزمایش شده و با چندین روش مرتبط مقایسه می¬شود. دستیابی به بهبود قابل توجه در دقت دسته بندی از این طریق مؤید اهمیت انتخاب نوع و پارامترهای هسته بطور همزمان در روش تحلیل تمایز هسته است.

لزوم کوچک کردناندازه¬ی ترانزیستور¬هادرابعادنانو،و بروز مشکل در صنعتترانزیستورهایاثرمیدانی نیمه¬هادی، پژوهشگران را به سوی جايگزینی فناوری¬های جدید سوق می¬دهد. ازاینروفناوری سلول¬های کوانتومی، به عنوان یکی از فناوری¬های جایگزیندر نظر گرفته شده¬ است.در بسیاری از تحقیق¬ها و پژوهش¬ها، طراحی و بهبود انواع گیت¬های منطقی پایه، مورد بررسی واقع شده است. در این میان، می¬توانبه گیت XOR، که یک گیت پرکاربرد در طراحی مدارهای دیجیتال است، اشاره نمود. در این مقالهنیز به بررسی، معرفی و مقایسه¬یانواع طراحی گیت¬XOR پرداخته شده، انواع طراحی¬های گیت XOR جمع آوری، و در نرم¬افزار QCADesigner پياده¬سازی شده است. همچنین ما توانسته¬ایم یک طراحی جدید از گیت XOR ارايه دهيم که نسبت به بهترین طراحی ارايه شده در سال 2012، تعداد سلول¬های کوانتومی را حدود 63درصد، فضای اشغالی را حدود 65درصد و کلاک را حدود 20درصد کاهش مي¬دهد. این طراحی بر اساس حالت متقارن معکوس¬کننده¬ها در منطق گیتXOR،و حالت صليبی¬شکل گیت اکثريت بدست آمده است.این طرح، بدون افزايش هيچ¬گونه گيت معکوس¬کننده و تنها با تغيير پلاريته¬های ثابت در پايه¬های گيت¬های اکثريت، می¬تواند گيت XNOR را با همان میزان کاهش تعداد سلول،فضای اشغالی و تعداد کلاک ارايه نمايد.

امروزه تشخیص فعالیت¬های انسانی یکی از مهمترین و جالبترین موضوعات پژوهشی در حوزه بینایی ماشین است. جهت کاهش پیچیدگی و نیز آنالیز آسانتر، هر فعالیت را می¬توان به زیر¬فعالیتهای کوچکتر تقسیم نمود. به عبارت دیگر یک فعالیت از چند قسمت پایه تشکیل شده که اسکلت آنرا می¬سازد. با استخراج این پایه¬ها می¬توان مدل چکیده و کاملی از هر فعالیت ساخت. جهت انجام این پژوهش، ابتدا با استفاده از روشهای آماری استخراج¬گر و توصیف¬کننده به استخراج نقاط جذاب در حوزه مکان-زمان پرداخته و خوشه بندی شده¬اند. در مرحله بعد به استخراج پایه¬های اصلی یک فعالیت در زیرفضای تراژکتوری این نقاط با استفاده از روش فاکتورگیری غیرصفر ماتریس¬ها پرداخته شده است. این مرحله ایده اصلی این تحقیق محسوب و برای اولین بار در این کار ارایه شده¬است. در روشهای متداول به دسته¬بندی هیستوگرام نقاط جذاب بدون در نظر گرفتن ترتیب زمانی آنها پرداخته شده¬است. اما در این پژوهش با استفاده از مدلهای ترتیبی سری زمانی نظیر روش مدل مخفی مارکوف به دسته-بندی توالی پایه های استخراج شده می¬پردازیم. مدل مذکور بر روی مجموعه داده¬های KTH امتحان شده و در مقایسه با روشهای مشابه نتایج بهتر به همراه ویژگیهای مفیدتری نظیر تفسیرپذیری بالا، سرعت بالای دسته¬بندی را داراست.

هدف از نشانه‌گذاری چهره در تصاویر سه‌بعدی، تعیین نقاطی مانند گوشه‌های چشم، نوک بینی و نوک چانه در چهره است که کاربردهای زیادی در شناسایی چهره، تخمین جهت، تعیین حالت و ثبت تصاویر چهره دارد. در این مقاله روشی را برای نشانه‌گذاری تصاویر سه‌بعدی ارائه کرده‌ایم که بتواند در تصاویر با حالت‌های مختلف، با پوشیدگی یا با جهت‌های متفاوت چهره نسبت به دوربین، در زمان مناسب پاسخگو باشد. در این روش با به‌ کارگیری ویژگی‌های انحنای سطح، هندسه چهره و روش‌های یادگیری، سه نشانه را به عنوان لنگرگاه مشخص کرده و در مرحله‌ی بعد یک مدل منعطف آماری را با استفاده از تحلیل مولفه‌های اساسی بر این لنگرگاه‌ها منطبق می‌کنیم. نتایج آزمایش الگوریتم روی تصاویر پایگاه داده بسفروس نشان‌دهنده‌ی دقت قابل توجه آن در تعیین 8 نشانه‌ی اصلی چهره در زمانی کوتاه و با وجود انواع چالش‌هاست.