انجمن کامپیوتر ایران

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.

در اين مقاله روشی جدید جهت طبقه‌بندی براساس سطح تصمیم مبتنی بر فاصله، با رویکرد تصویر نزدیک‌ترین همسایه ارائه شده است. روش جدید DBC نام‌گذاری شده است. طبقه‌بند DBC طبقه‌بندی خطی است که تعمیم آن براساس تابع هسته می‌تواند جهت طبقه‌بندی داده‌های جداناپذیر خطی استفاده شود. ویژگی‌های طبقه‌بند DBC عبارتند از: 1 ) مشابه طبقه‌بند k-NN، نیازی به مرحله تعلیم ندارد 2) علی‌رغم طبقه‌بند k-NN، درمرحله آزمایش نیازی به جستجو برای یافتن k همسایه نزدیک ندارد 3) علی‌رغم روش‌هایی مانند SVM، نیازی به رویه بهینه‌سازی ندارد. در طبقه‌بند DBC، برای طبقه‌بندی نمونه ورودی (آزمایشی)، مجموع وزن‌دار فاصله نمونه ورودی با داده‌های تعلیمی هر طبقه محاسبه می‌گردد، سپس برچسب نمونه ورودی براساس طبقه‌ای که کمترین فاصله فوق را دارا باشد، تعیین می‌گردد. با به‌کارگیری چنین قاعده‌ای، یک سطح تصمیم جهت جداسازی نمونه‌های دو طبقه به‌دست می‌آید. طبقه‌بند DBC را برروی داده‌های واقعی آزمایش کرده‌ایم. نتایج آزمایش‌ها، برتری روش DBC را نسبت به طبقه‌بندهای k-NN و SVM نشان می‌دهد.

در اين مقاله، مدلي براي رفع ابهام از کلمات مبهم و داراي معاني متعدد فارسي بر اساس روش دسته¬بندي بيشينه بی¬نظمی و استخراج ويژگي¬هاي جديد پيشنهاد شده است. براي ايجاد اين مدل از دو دسته ويژگي استفاده شده است. دسته اول ويژگي¬ها کلمات و نشانه¬هايي است که همراه کلمه مبهم بکار برده شده¬اند و دسته دوم ويژگي¬ها با بکار بردن روش¬هاي مدل¬سازي موضوع بدست مي¬آيد. يک مدل موضوعي، مدلي آماري براي استخراج چکيده موضوعات موجود در اسناد يک پيکره است. در مقاله حاضر ما از روش بدون سرپرستی تخصيص پنهان دريکله(LDA) براي اين منظور استفاده کرده¬ايم. رفع ابهام از هر کلمه مبهم بعنوان يک مسأله دسته¬بندي جداگانه در نظر گرفته مي¬شود. نتايج آزمايشات براي چهار کلمه مبهم پر تکرار در زبان فارسي که ازپيکره پژوهشکده پردازش هوشمند علائم استخراج شد، دقت حدود 97.67% را نشان مي-دهد که بيان¬گر مؤثر بودن اين روش در يافتن معني مناسب کلمات مبهم است.

يکي از مهمترين مسائل در حوزه هاي مديريت پروژه و مسائل بهينه سازي، زمانبندي سيستم هاي توليد کارگاهي انعطاف پذير (FJSP) مي باشد. در اين مقاله ما زمانبندي سيستم هاي توليد کارگاهي انعطاف پذيررا با هدف مينيمم نمودن ماکزيمم زمان اتمام کارها (Cmax) مورد بررسي قرار خواهيم داد. اين مساله يک مساله NP-Hard محسوب مي گردد. دراين تحقيق يک الگوريتم ايمني مصنوعي بر پايه نگرش سلسله مراتبي براي حل مساله پيشنهاد شده است که در آن براي نمايش آنتي بادي ها از نمايشRandom Key استفاده مي گردد. به منظور نشان دادن کارايي الگوريتم پيشنهادي چندين نمونه از داده هاي موجود در اين مساله مورد استفاده قرار گرفته است. نتايج آزمايشات انجام شده نشان مي دهد که اين الگوريتم توانايي دستيابي به نقاط بهينه را براي داده هاي مختلف دارا است.

زنجيره¬هاي مارکوف زمان پيوسته¬ (CTMCs) براي تحليل کارايي سيستم¬هاي کامپيوتري و ارتباطي مورد استفاده قرار مي‌گيرند. با محاسبه احتمالات حالت پايدار CTMC، بسياري از معیارهای مفيد کارايي به دست می¬آیند. اما مدل¬هاي CTMC براي سيستم¬هاي واقعي بسيار بزرگ بوده و حل آنها زمان¬گیر بوده و از مشکل انفجار فضاي حالت رنج مي¬برند. در اين مقاله يک راه¬حل موازي براي حل حالت پايدار مدل¬های CTMC ارائه مي¬دهيم. در این راه حل مشکل انفجار فضاي حالت را با استفاده از موازي¬سازي روش¬هاي ضمني تخفيف داده‌ايم. زيرا اين روش¬ها قادرند يک نمايش فشرده از CTMC ساختاريافته بزرگ ارائه دهند. آنگاه با استفاده از ترکيب روش¬هاي مستقيم وتکراري حل دستگاه معادلات خطي، يک فن حل حالت پايدار موازي براي CTMC ارائه نموده‌ايم. جزئیات راه حل پیشنهادی و الگوریتم¬های مربوطه در این مقاله ارائه شده است.

يکي از مشکلات بررسي مدل¬ها، توليد فضاي حالت است. به دليل بزرگ بودن فضاي حالت معمولاً مشکل انفجار حالت پيش مي‌آيد. يکي از راهکارهاي حل اين مشکل، استفاده از نمودار تصميم دودويي است. در اين روش، فضاي حالت مدل به جاي نگهداري مجموعه¬اي، به صورت نمادين نگهداري مي‌شود. نگهداري فضاي حالت به صورت نمادين، ذخيره و پردازش فضاي حالت را به ذخيره و پردازش گراف¬ها کاهش مي‌دهد که از هزينه نگهداري و پردازش مجموعه¬ها به مراتب کمتر است. در اين مقاله الگوريتمي براي توليد فضاي حالت نمادين از توصيف سيستم‏هاي تصادفي گسسته رخداد بدست آمده از يک مدل ارائه شده است. استفاده از توصيف سيستم‏هاي تصادفي گسسته رخداد که يک توصيف صوري چندگانه است، اين امکان را مي‌دهد که روش¬هاي صوري سيستم¬هاي تصادفي گسسته رخداد ديگر مثل شبکه¬هاي پتري تصادفي يا شبکه¬هاي فعاليت تصادفي و غيره را به روش صوري SDES تبديل و فضاي حالت نمادين براي آنها توليد کرد. با استفاده از توليد نمادين فضاي حالت با کمک نمودار تصميم¬گيري دودويي مرتب کاهش¬يافته، فضاي حالت بسيار بزرگتري را مي¬توان توليد کرد. در نتيجه با استفاده از اين روش، مي‌توان مشکل انفجار حالت را تخفيف داد.

در سيستم¬هاي محاسباتي مشبک علاوه بر موارد مهمي چون به اشتراک¬گذاري و يکپارچه¬سازي منابع بحث کشف منبع نيز از اهميت خاصي برخوردار است. یکی از روشهاي جديدي که در اين زمينه وجود دارد. روش غيرمتمرکز کشف منبع مبتني بر عامل است که از جستجوي معنايي پشتيباني مي¬کند. در روش کشف منبع به صورت معنايي هرعامل منبع با عامل¬هاي منابع همسايه¬اش براساس دانش محلي تعامل مي¬کند و به صورت پويا زنجيره¬اي از منابع براي کامل¬کردن يک وظیفه خاص تشکيل مي¬شود. زمانبندي وظايف در محيط مشبک از جمله مباحث چالش¬برانگيز در اين محيط است. معمولا زمانبندي در مشبک براي کاهش زمان اتمام وظیفه و يا براي کاهش هزينه اجرا به کار برده می¬شود و نسبت اهميت کاهش زمان اتمام به هزينه اجرايي وظیفه توسط کاربر مشخص مي¬گردد. يک الگوريتم زمانبندي هزينه بايد با توجه به قيمت و توانمندي منابع مشبک، عمل تخصيص منابع به وظیفه¬هاي ناهمگون را طوري انجام ¬دهد که اجراي وظیفه¬ها با مقدار مساوي يا کمتر از بودجه تعيين شده، پايان يابد. در اين نوشتار يک روش جديد کشف زنجیره¬ای از منابع به صورت معنايي مطرح مي¬شود که هزينه منبع یکی از پارامترهای اصلی انتخاب منبع بوده و يک روش نامتمرکز و مبتني¬بر¬عامل است و در پايان نيز نتايج حاصل از شبيه¬سازي ارائه مي¬گردد.

شناسايي حالتهاي چهره و به دنبال آن تشخيص عواطف کاربر نقش مهمي در اثربخشي و افزايش کارايي استفاده از فنّاوريهاي نوين رايانه‌اي دارد و امروزه بخش مهمي از حوزة علم تعامل انسان- رايانه را شکل داده است. درک عواطف به روشهاي مختلفي صورت مي‌گيرد که شناسايي حالتهاي چهره از دقيق‌ترين روشهاي آن است. هدف از اين مقاله ارائه روشي نوين براي شناسايي حالتهاي چهره با استفاده از دوربين وبي متصل به يک رايانه است. براي تشخيص حالتهاي مختلف ابتدا خصيصه‌هاي کليدي استخراج و سپس از رويکرد دسته‌بندي براساس حداقل فاصله براي شناسايي حالتها استفاده شده است. مجموعه‌هاي فازي شهودي با در نظر گرفتن دو درجة «عضويت» و «عدم عضويت» روش مناسبي را براي مواجهه با فضاي عدم قطعيت حاکم بر مسئله پيشنهاد مي‌کند. رويکرد دسته‌بندي استفاده شده در اين مسئله مبتني بر حداقل فاصله بين دو مجموعة فازي شهودي است. نتايج اين پژوهش عملکرد بهتر مجموعه‌هاي فازي شهودي را نسبت به مجموعه‌هاي فازي معمولي در تشخيص حالتهاي چهره نشان مي‌دهد.