انجمن کامپیوتر ایران

با توجه به افزايش حجم مستندات متني، براي پاسخگويي به نيازهاي اطلاعاتي كاربران، ديگر تكنيكهاي بازيابي اطلاعات به تنهايي كارا نيستند . مطالعه حجم زياد متون ب راي كاربران بسيار سخت و زمانگير است و دراختيار داشتن خلاصه اي از مطالب مهم آنها، مي تواند بسيار مفيد باشد . فرآيند فشرده سازي يك منبع به صورتي كه حاصل حاوي اطلاعات مهم آن باشد را خلاصه سازي گويند . خلاصهسازي متون منجر به استفاده از منابع بيشتر با سرعت بالاتر و در نتيجه حاصل شدن اطلاعات غنيتر ميشود. در اين مقاله ابتدا به بررسي انواع سيستم هاي خلاصه سازي خودكار و مروري بر سيستم هاي خلاصه سازي فارسي خواهيم پرداخت . سپس به معرفي سيستم خلاصه سازي فارسي ساخته شده با نام PARSUMIST پرداخته و نتايج ارزيابي سيستم و مقايسه آن با نمونه هاي مشابه را ارائه خواهيم نمود . سيستم معرفي شده از تركيبي از روش هاي كلاسيك، آماري و معنايي براي توليد خلاصه مستخرج از متون تك سندي و چندسندي فارسي بهره ميبرد.

در اين مقاله روشي جديد از پياده سازي كدينگ سازگار با اعمال تغييراتي در پياده سازي الگوريتم هافمن سازگار ارائه شده است . تغييرات به وجود آمده موجب كاهش تعداد تغييرات بيتي در بيت هاي خروجي كد كننده و در نهايت كاهش مصرف توان در كدكننده و ديكدكننده مي شود. تغييراساسي اعمالي در روش ارئه شده ، شامل حذف مرحله ي به روز رساني درخت هافمن سازگار بعد از اولين رخداد هر نماد منبع، و تغيير در نحوه ي به روزرساني درخت است. به منظور - ارزيابي روش ارائه شده از دوگروه فايل به عنوان منبع استفاده شد : 1 فايل متني 2- فايل تصويري تبديل شده به فايل متني توسط MIME64 نتايج به دست آمده از به كار گيري روش فوق در كدكردن فايل هاي كاراكتري در 4 گروه با حجم هاي متفاوت از 100 بايت تا 1000 كيلو بايت، كاهش به طور متوسط 40 % و 17 % تغييرات بيتي به ترتيب نسبت به روش هاي كدينگ اسكي و هافمن سازگار را نشان داد. همچنين روش ارائه شده بر روي 14 تصوير محك كاهش تقريبي و به ترتيب 42 % و 23 % تغييرات بيتي را با استفاده از روش مذكور نس بت به روش هاي كدينگ اسكي و ويتر را نشان مي دهد.

در اين مقاله يک روش مبتني بر ناحيه براي ثبت تصاوير هوايي که نسبت به چرخش و ت غيير م قياس حساس ن ميباشد، ارائه شده است. متداولترين ا شياء موجود در تصا وير هوايي سطوح بامها ميباشن د که نوا حي با محتواي اطلاعا تي ک م ايجاد ميکنن د. با استفاده از اين خصوصيت هست ه هاي اوليه يافته شده و با کمک روش رشد ناحيه، نواحي مطلوب استخرا ج و مراکز جرم آنها بعنوان نقاط مشخصه انتخاب ميشوند. در شروع فرآيند جستجو براي يافتن نقاط متناظر، با استفاده از اطلاعات شکلي به هر ناحيه تعدادي کانديداي تناظر نسبت داده ميشود. بمنظور کاهش تعداد کانديداها شرط همساي گي را اعمال ميکني م. با توجه به شباهت توزيع زا ويه اي جفتهاي صحي ح نسبت به ه م در دو تصوير و اي نکه نسبت تغيير مقياس بين تمام جفتهاي صحي ح، داراي مقداري ثابت و برابر با تغيير مقياس بين دو تصوير ميباش د، بر اسا س مفهومي از برچسب گذاري relaxation relaxation عمومي در فرآيند جستجو ميشوند را م ي يابيم. در پ ايان با رأي گيري بين توابع تبديل ، جفته اي ص حيح نه ايي استخراج ميشوند. الگوريتم بر روي تصاوير متعددي از شهر تهران تست شده و در ۸۰ % از تصاوي ر با مقياس ۱تا ۳ و در ۱۰۰ % تصاوير با مقياس ۱ و چرخش صفر تا ۳۶۰ درجه نتايج صحيحي بدست آمده است.

In this paper we proposed a new approach for improving distribution and coverage of mobile sensors in a target filed. The goal is to deploy sensors such that a target area is optimally covered by them. Proposed method works based on number of neighbors. The nodes which have the minimum overlaps with its neighbors start to move away according to summation of forces from their neighbors, boundaries and obstacles. In order to achieve optimum coverage, the effect of field corners is also calculated. For evaluating the effectiveness of our proposed algorithm, we compared the performance of our algorithm with TRI and VEC which are well known algorithms in field of mobile sensors coverage. Simulation results show that our algorithm surely surpasses TRI and VEC in coverage.

In this paper we propose an artificial immune system in which learning automata are used to adaptively determine the values of its parameters. Learning automata are used for altering the shape of receptor portion of antibodies to better complementarily match the confronted antigen. In order to show the effectiveness of the proposed artificial immune computer experiments have been conducted. The result of experimentations confirms the effectiveness of the proposed model.

Text retrieval engines, such as search engines, always return a list of documents in response to a given query. Existing evaluations of text retrieval algorithms mostly use Precision and Recall of the returned list of documents as main quality measures of a search engine. In this paper, we propose a novel approach for comparing different algorithms adopted by different search engines and evaluate their performance. In our approach, the results of each algorithm is treated as an inter-related set of documents and the effectiveness of the algorithm is evaluated based on the degree of relation in the set of documents. After verifying the correctness of the evaluation measure by examining the results of the two retrieval algorithms, BM25 and pivoted normalization, and comparing these results with an ideal ranking, we compare the results of these algorithms and investigate the impact of certain major factors like stemming on the results of the suggested algorithm. The effectiveness of our proposed method is justified through obtained experimental results.

One of the most effective ways to extract knowledge from large information resources is applying data mining methods. Since the amount of information on the Internet is exploding, using XML documents is common as they have many advantages. Knowledge extraction from XML documents is a way to provide more utilizable results. XCLS is one of the most efficient algorithms for XML documents clustering. In this paper we represent a new algorithm for clustering XML documents. This algorithm is an improvement over XCLS algorithm which tries to obviate its problems. We implemented both algorithms and evaluated their clustering quality and running time on the same data sets. In both cases, it is shown that the performance of the new algorithm is better.

In a quest for modeling human brain, we are going to introduce a brain model based on a general framework for brain called Memory-Prediction Framework. The model is a hierarchical Bayesian structure that uses Reservoir Computing methods as the state-of-the-art and the most biological plausible Temporal Sequence Processing method for online and unsupervised learning. So, the model is called Hierarchical Bayesian Reservoir Memory (HBRM). HBRM uses a simple stochastic gradient descent learning algorithm to learn and organize common multi-scale spatio-temporal patterns/features of the input signals in a hierarchical structure in an unsupervised manner to provide robust and real-time prediction of future inputs. We suggest HBRM as a real-time high-dimensional stream processing model for the basic brain computations. In this paper we will describe the model and assess its prediction accuracy in a simulated real-world environment.

In this paper a two step method based on Gauss- Newton and factor graphs algorithm is proposed for localization to enhance accuracy of localization. The Gauss-Newton algorithm is accurate method for positioning. The most important challenge of this method is senility to initial point; this problem is solved in positioning based on factor graphs. So, in this paper, first positioning equations using angle of arrival is considered based on factor graphs algorithm. Second, final location estimation is performed using Gauss Newton algorithm with error near to Cramer-Rao bound. Simulation results shows that positioning error using two step method has maximum 6% gap to Cramer-Rao Bound.