انجمن کامپیوتر ایران

هنگامی­که ساختار داده­ها غیر خطی باشد روش­های کلاسیک خوشه­بندی با شکست روبه­رو می­شوند، در این حالت خوشه­بندی طیفی روشی قدرتمند برای دسته­بندی داده­ها محسوب می­شود. این تکنیک با تبدیل فضای ورودی، فضای جدیدی با قابلیت توصیف مناسب­تر از داده­ها را در اختیار ما قرار می دهد. با این حال، همه ویژگی­های این فضای جدید برای خوشه­بندی مفید نمی‌باشند . بنابراین روش­های انتخاب ویژگی مورد توجه قرار می­گیرند. در این مقاله، الگوریتمی برای خوشه­بندی طیفی مبتنی بر ویژگی­های استخراج شده از Kernel PCA ارائه می­دهیم که ویژگی­های مناسب با توجه به توانایی آنها در توصیف خوشه­های موجود در داده­ها بر اساس آنتروپی انتخاب و وزن­دهی می­شوند. نتایج آزمایشها بیانگر موفقیت این روش می باشد

دستهبندی دادهها یکی از مهمترین شاخههای مطرح شده در یادگیری ماشین میباشد. یکی از روشهای دسته بندي که امروزه نسبت به سایر روشها بیشتر استفاده میشودSupport Vector Machine(SVM) است. دلیل برتری این Classifier نسبت به سایر روشها، تعميم پذيري مناسب این روش میباشد. میزان کارایی این Classifier به پارامتر تعميم پذيري C بستگی دارد که مقدار آن بر اساس Cross-Validation انتخاب میشود. اما يكي از بزرگترين مشكلات SVM، سرعت پايين آن به خصوص بر روي دادههاي با حجم بالا و پيچيده است كه در اين راستا تلاشهاي بسياري صورت گرفته است. در این مقاله رويكرد جديدي جهت توقف زود هنگام الگوریتم SVM با فرض مشخص بودن دادههاي تست در زمان آموزش ارائه شده است كه در مواردي چون Cross-Validation به شدت موجب كاهش زمان يادگيري، بدون تغيير در نتيجه دسته بندي ميشود. در نهايت روش پيشنهادي بر روي دادههاي بسياري اجرا شده است و نتايج كاهش چشم گير زمان يادگيري را نشان ميدهد.

یکی از چالش¬ها در مديريت اعتماد محاسبه مقدار اعتماد بین دو موجودیت در شرایطی است که مبدا تجربه تعامل مستقیم با مقصد را ندارد. یک روش متداول برای تخمین میزان اعتماد در این شرایط، انتشار اعتماد است به این ترتیب که اعتماد بین دو گره برمبنای اطلاعات دریافتی از گره¬های واسطه ارزیابی می¬شود. یکی از متداول¬ترین روش¬ها برای این ارزیابی استفاده از راهبرد ضرب مکرر (IMS) است. در این مقاله راهکاری برای ارتقای دقت راهبرد ضرب مکرر ارائه می¬کنیم که ابتدا براساس میزان شباهت نظرات دو گره در ارزیابی اعتماد به دیگران، اعتماد توصیه بین دو گره را تخمین می¬زند. براساس مقادیر اعتماد توصیه و با استفاده از یک رابطه پیشنهادی جدید مقدار اعتماد انتشاری به صورت اولیه تخمین زده می¬شود. سپس برای رسیدن به دقت بیشتر از الگوریتم ACO استفاده می-شود و مورچه¬ها با حرکت بین گره¬ها بهترین مسیر از یک مبدا به هر مقصد یعنی مسیری را که دقیق¬ترین ارزیابی از اعتماد انتشاری را ارائه می¬کند، پیدا می¬کنند. نتایج حاصل از آزمایش و ارزیابی روش پیشنهادی برروی مجموعه¬داده معروف Advogato نشان می-دهد که دقت آن افزایش قابل ملاحظه¬ای نسبت به راهبرد ضرب مکرر پایه دارد.

در این مقاله به بیان الگوریتمی برای محاسبه تبدیل فوریه زمان کوتاه و عکس آن با نمونه¬برداری غیرخطی می¬پردازیم. تفاوت اصلی این روش با تبدیل فوریه زمان کوتاه معمولی در فرکانس بین¬های فرکانسی است به¬گونه¬ای که در دومی لازم است فاصله فرکانسی بین¬ها برابر باشد اما در الگوریتم پیشنهادی، این محدودیت وجود ندارد و چینش بین¬های فرکانسی به هر صورتی می-تواند انتخاب گردد. به عبارت دیگر در تبدیل فوریه زمان کوتاه معمولی، از محور فرکانس به¬صورت خطی و یکنواخت نمونه-برداری می¬شود اما در الگوریتم پیشنهادی، نمونه¬های فرکانسی به¬صورت غیرخطی و غیر یکنواخت قابل انتخاب می¬باشند. از آن-جایی¬که تبدیل فوریه زمان کوتاه معمولی و عکس آن حالت خاص الگوریتم پیشنهادی می¬باشند لذا به آن GSTFT1 و به عکس آن IGSTFT2 می¬گوییم

در این مقاله دو نوآوری علمی برای تحلیل ویدئوهای خبری ارائه شده است که عبارتند از: (1) آشکارسازی و تشخیص خودکار چهره گوینده خبر بدون اطلاعات اولیه و (2) آشکارسازی مرز بین کلیپ‌های خبری. در روش پیشنهادی برای آشکارسازی و تشخیص چهره گوینده خبر از این اصل استفاده شده است که چهره گوینده خبر تنها چهره‌ای است که در طول پخش یک ویدئو خبری بارها مشاهده می‌شود. بر همین اساس ابتدا تمام چهره‌های ویدئو اخبار آشکارسازی شده و چهره‌ای که بیشترین تکرار را داشته باشد، به عنوان چهره گوینده خبر تعیین می‌شود. پس از آشکارسازی چهره گوینده خبر، آشکارسازی مرز بین کلیپ‌های خبری انجام شده است. یکی از مهمترین مسائل در تحلیل ویدئو، قطعه‌بندی آنها به بلوک‌های زمانی کوچک‌تر برای پردازش‌های بعدی است. در اين مقاله آشکارسازی مرز بین کلیپ‌های خبری بر اساس یک موضوع بسیار رایج در تهیه و تولید ویدئو اخبار می‌باشد. در اکثر ویدئوهای خبری نحوه پخش خبر چنین است که در ابتدای هر خبر تصویر گوینده خبر قابل مشاهده است و پس از پخش تصویر او، گزارش ویدئویی از خبر پخش می‌شود. بنابراین می‌توان مرز بین خبرها را با آشکارسازی و تشخیص چهره گوینده انجام داد. روش پیشنهادی برای آشکارسازی و تشخیص چهره گوینده خبر و آشکارسازی مرز بین خبرها بر روی چهار ویدئو از پایگاه داده TRECVID 2006 مورد آزمایش قرار گرفت و نتایج بسیار خوبی حاصل شد.

به منظور بهبود دقت بازیابی در سیستم های بازیابی تصویر تمرکز محققین از طراحی الگوریتم های پیچیده به منظور استخراج ویژگی های سطح پایین تصویر به سمت کاهش شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربران رفته است. در این مقاله سعی کردیم تابع معیار شباهت را به گونه ای تخمین بزنیم که شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربر را کاهش دهیم. برای این منظور ما از بازخورد کاربر جهت درک نظر کاربر و همچنین از قدرت برنامه نویسی ژنتیکی در زمینه مسائل بهینه سازی وجستجو در فضای های بزرگ جهت تولید توابع غیر خطی استفاده کردیم. نتایج آزمایشات بیانگر بهبود قدرت بازیابی در روش پیشنهادی است.

یکی از مسائل مهم دنیای امروز استخراج دانش از پایگاه‌داده‌های بسیار بزرگ است.داده‌کاوی این امکان را فراهم کردهاست که بتوان به‌صورت خودکار اطلاعات مفیدی را از پایگاه داده‌های بسیار بزرگ استخراج نمود. یکی از روش‌های بسیار مهم در داده‌کاوی، کاوش قوانین انجمنی می‌باشد. در سال‌های اخیر مبحث حفظ حریم خصوصی در داده‌کاوی و به‌خصوص کاوش قوانین انجمنی به شدت مورد توجه محققین قرار گرفته است. یکی از روش‌های کاوش قوانین انجمنی، کاوش سودمندی می‌باشد. مبحث حفظ حریم خصوصی در کاوش سودمندی اخیراً در محافل علمی مطرح گردیده است و تاکنون دو الگوریتم اکتشافی برای آن ارائه شده است. اگرچه این الگوریتم‌های اکتشافی به خوبی می‌توانند حریم خصوصی داده‌ها را حفظ کنند اما داده‌های تولید شده توسط این الگوریتم‌ها از کیفیت مناسبی برخوردار نیستند. مسأله یافتن راه‌حل بهینه برای پاک‌سازی پایگاه‌داده از مجموعه-آیتم¬های حساس، یک مسأله برنامه‌ریزی غیرخطی عدد صحیحمی‌باشد. در این مقاله مدل ساده شده‌ای از مسأله پاک‌سازی پایگاه‌داده ارائه شده است که یک مسأله برنامه‌ریزی خطی عدد صحیح می‌باشد و می‌توان آن را با استفادهاز روش‌های عددی حل نمود.نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که مدل¬ارائه شده به طور چشم‌گیری از الگوريتم¬هاي پيشين بهتر عمل می¬کند.

براي لحاظ کردن سطوح مختلف عدم قطعيت و ناسازگاري، در فرايند چک کردن مدل، از منطق¬هاي زماني چندمقداري (روي جبرهاي شبه بولي) استفاده شده است. منطق فازي نيز نوعي منطق چندمقداري نامتناهي و پيوسته است که در حوزه¬هاي مختلف کاربرد دارد. با ترکيب منطق¬هاي زماني با منطق فازي مي¬توان مفاهيم فازي را در حوزه چک کردن مدل، وارد کرد. در اين مقاله ضمن تعريف مدل کريپکه فازي FzKripke جهت چک کردن خواص زماني روي اين مدل¬ها، منطق FzCTL* را ارائه مي¬کنيم. جهت برخورد با مشکل انفجار فضاي حالت، علاوه بر مفهوم تجريد و شبيه¬سازي دوگانه که در فرايند چک کردن مدل، مفاهيمي شناخته شده¬اند، به مفهوم تقريب روي اين منطق¬ها و مدلهاي فازي، به عنوان تکنيکی جديد پرداخته خواهد شد

افزايش تعاملات و همكاري بين اجزاي شبكه باعث افزايش وابستگي بين آن‌ها شده است. در نتيجه فعاليت‌هاي هر دارايي مستقل از ديگري نخواهد بود و به طور متقابل خرابي يكي منجر به اختلالاتي در عملكرد ديگري خواهد شد. در اين مقاله اثر خرابي دارايي‌ها بر يكديگر، با توجه به وابستگي‌‌هاي آن‌ها ارزيابي مي‌شود. به منظور نمايش انتشار خسارت از نظر محرمانگي،‌ صحت، و دسترس‌پذيري، مدل مبتني بر گراف ارائه شده است، كه در آن از انتشار ارزش به عنوان يكي ديگر از نتايج حاصل از وابستگي داراييها در محاسبه خسارت نهايي سيستم استفاده ميشود. اين انتشار با توجه به حالات مختلف وابستگي و تاثير‌پذيري دارايي‌ها از يكديگر محاسبه مي‌شوند. اين مدل مي‌تواند در كنار روش‌هاي تحليل و بررسي امنيت شبكه‌‌هاي كامپيوتري براي افزايش دقت آن‌ها به كار رود. كاربرد اين مدل در يك مثال موردي بررسي شده است.

تئوری بازيها سالهاست که به عنوان شاخه اي از رياضيات کاربردی در زمينه های مختلف علوم از جمله اقتصاد، سياست، علوم اجتماعی و غيره بکار گرفته مي‌شود. اخيراً تلاش¬های زیادی در زمینه حل مسائلی همچون مسیریابی و کنترل ازدحام در شبکه‌هاي Ad-hoc و شبکه¬های حسگر بي‌سيم با استفاده از این تکنیک صورت گرفته است. در اين مقاله، بر پايه الگوريتم LEACH كه يك الگوريتم خوشه بندي توزيع شده مطرح در شبکه¬های حسگر بی¬سیم است و با ايده گرفتن از روش¬های تئوری بازيها، الگوريتم بهبود يافته LEACH ارائه مي‌شود. در اين الگوريتم بهبود يافته هر نود تلاش مي‌کند تا منافع خودش را که افزايش طول عمر و کاهش مصرف انرژي است؛ تامين کند. شبيه سازی الگوريتم فوق و مقايسه آن با الگوريتم LEACH نشان مي¬دهد که اين الگوريتم به نسبت کارايی بهتری داشته و ضمن افزايش جزئي طول عمر شبکه، تعداد دورهاي بدون سرخوشه را نسبت به الگوريتم LEACH به طور قابل توجهی کاهش مي دهد.

انتخاب بهترین مجموعه آزمون از بین مجموعه آزمون های مختلف، تأثیر زیادی روی کاهش توان و زمان بکارگیری آزمون دارد. روشهای پیشین انتخاب مجموعه آزمون، به دو معیار کاهش توان و زمان بکارگیری آزمون بصورت جداگانه پرداخته‌اند. در این مقاله دو معیار کاهش توان و زمان بکارگیری آزمون بصورت همزمان در نظرگرفته شده و روش جدیدی ارائه شده است. نتایج شبیه‌سازی روی محک‌های ISCAS 85 بهبود مصرف توان و زمان بکارگیری آزمون را نشان می‌دهد.

شبکه‌های کامپیوتری علیرغم منافعی از قبیل اشتراک منابع، خطراتی را نیز در خصوص امنیت سیستم‌های کامپیوتری به همراه می آورند. از آنجا که ساخت سیستم‌های بدون نقص کاری غیر ممکن به نظر می‌رسد و از طرفی خطای انسانی در پیکربندی سیستم‌ها همیشه وجود داشته است، نیاز به سیستم‌های تشخیص نفوذ به شدت احساس می‌شود. در این مقاله طراحی و پیاده‌سازی یک سیستم تشخیص نفوذ با استفاده از مدل مخلوط گوسی بیان شده است. تکنیک مدل مخلوط گوسی یک روش یادگیری از نوع مولد و احتمالاتی می‌باشد. در این روش، هر یک از دسته‌های ورودی به تنهایی و بدون مقایسه با سایر دسته‌ها، مدل می‌شود. در این روش سعی می‌شود تا توسط مجموعه‌ای توابع توزیع احتمال گوسی که آنها را مخلوط‌های گوسی می نامیم، بهترین توزیع احتمال ممکن برای هر دسته ساخته شود. استفاده از این تکنیک امکان آموزش هر یک از دسته‌ها بدون نیاز به آموزش و تغییر در سایر دسته‌ها را فراهم می‌سازد. آزمایشات انجام شده نشان می‌دهد که این روش در دسته‌هایی که تعداد داده آموزشی زیادی دارند، از کارایی خوبی برخوردار است.