انجمن کامپیوتر ایران

از حافظه های نهان روی تراشه برای کاهش اختلاف سرعت پردازنده و حافظه اصلی و دسترسی هر چه سریعتر به عناصر حافظه استفاده می شود. در پردازنده ‏های امروزی، حافظه نهان بخش زیادی از مساحت کل تراشه را اشغال می کند و همچنین درصد قابل توجهی از توان مصرفی کلی تراشه را به خود اختصاص می دهد. به همین دلیل کم کردن توان مصرفی این واحد تاثیر قابل توجهی در توان مصرفی کل تراشه خواهد داشت. در این مقاله با ارائه معماری برچسب فشرده ‏شده سعی در کاهش توان مصرفی ناشی از ذخیره سازی و بازیابی برچسب را داریم. در این روش، با استفاده از یک بافر محلی و یک تکنیک ذخیره سازی، مکانیزم جدیدی از نگاشت برچسب در حافظه ی نهان معرفی شده است. ایده اصلی این طرح فشرده کردن بخش برچسب داده‏ هایی است که برچسب یکسانی دارند. در این مقاله نشان داده خواهد شد که وجود محلیت مکانی احتمال شباهت برچسب‏ ها در حافظه نهان را بالا می برد که می توان با سربار ناچیز سخت افزاری آنها را فشرده کرده و بهبودی حدود 30% در مصرف توان الکتریکی حافظه های نهان روی تراشه را بدست آورد.

در این مقاله، روشی مبتنی بر اطلاعات متقابل، برای تثبیت دو تصویر ارایه شده است. عموم روش های مبتنی بر اطلاعات متقابل، از یک سو از همبستگی بین پیکسل های تصویر چشم می پوشند و از این رو در برابر نویز تصویر حساس هستند و از سویی دیگر، اندازه ناحیه همپوشانیِ بین دو تصویر، بر صحت تثبیت تاثیر گذار است. در این مقاله، دو دیدگاه بلوکی و متناوب انگاری تصویر، به ترتیب برای در نظر گرفتن همبستگی های موجود بین پیکسل های همسایه و کاهش وابستگی الگوریتم به اندازه ناحیه هم پوشانی، مد نظر قرار گرفته اند. نتیجه شبیه سازی ها، نشان دهنده بهبود چشم گیری، به ویژه در عملکرد روش های مبتنی بر الگوریتم های تکاملی است.

در عصر کلان‏ داده، روز به روز بر محبوبیت سیستم‌های توصیه‏‌گر افزوده می‏شود. سیستم‏های توصیه‌گر برنامه‌هایی هستند که روش‌های کشف دانش را برای ایجاد توصیه های شخصی‌سازی شده، به کار می‌برند. سیستم‌های توصیه‌گر آگاه از اعتماد، از داده‌های شخصی کاربران و اطلاعات مربوط به اعتماد میان آن‌ها برای غلبه بر مشکلات روش‌های مبتنی بر پالایش گروهی استفاده می‌کنند. با این حال خیلی از سیستم‌های توصیه‌گر مقیاس‌پذیری لازم برای پردازش حجم عظیمی از داده‌ها را ندارند. بنابراین ما در این مقاله با انتخاب یکی از سیستم‌های توصیه‌گر مبتنی بر اجتماع و آگاه از اعتماد، یک سیستم توصیه‌گر مقیاس‌پذیر با استفاده از چارچوب پردازش موازی اسپارک ارائه می‌کنیم. در این سیستم دوستان بالقوه در شبکه بر اساس ترکیبی از مقادیر شباهت و اعتمادشان، به کاربر هدف پیشنهاد می‌شوند. آزمایش‌های انجام‌شده روی مجموعه‌ی داده‌ای Flixter نشان می‏دهد که الگوریتم ارائه شده دارای مقیاس‌پذیری بالایی است.

تشخيص نويسنده بر اساس متون دست‌نویس از زمینه‌هایی است که از قدیم متداول بوده و امروزه با توجه به گسترش هوش مصنوعی و پردازش تصویر، محققان سعی در ارتقا الگوریتم‌های اتوماتیک این کار دارند. با توجه به پیچیدگی‌های ساختاری زبان فارسی نسبت به سایر زبان‌ها از نظر فرم و تحریرهای موجود در دست نوشته، تشخیص هویت نویسنده بر اساس فرم دست خط در فارسی مطمئنا می‌تواند کارایی مناسب‌تر و در عین حال ویژگی‌های پیچیده‌تری داشته باشد. با توجه به کارهای اندک انجام شده در زمینه تشخیص نویسنده بر اساس دست نوشته در زبان فارسی، در این مقاله سعی شده بر اساس ویژگی های عمومی مبتنی بر گرادیان، یک مدل احتمالاتی برای هر نویسنده در هر گرافم برآورد شده و سپس کارایی مدل بدست آمده در تشخیص نویسنده بررسی شود. نتایج پیاده‌سازی روش پیشنهادی بر روی یک پایگاه داده نسبتا جامع فارسی، انطباق بسیار بالای مدل احتمالاتی پیشنهادی و دقت بسیار مناسب و سرعت بالای آن را در تشخیص نویسنده نشان می‌دهد.

بسیاری از کاربردهای پردازش زبان طبیعی مانند سیستم‌های پرسش و پاسخ، استخراج اطلاعات و خلاصه سازی متن با پدیده بیان معنای یکسان در قالب جملات متفاوت و بیان غیرمستقیم معنا در متون روبرو هستند. حوزه پژوهشی استلزامات متنی به شناسایی، استخراج یا تولید جملات قابل نتیجه گیری از متن اختصاص دارد. در این مقاله یک روش جدید برای شناسایی استلزامات متنی ( RTE) معرفی می‌گردد. در این روش رابطه استلزام متنی به صورت مسئله دسته بندی دوکلاسه در نظر گرفته شده و یک سیستم یادگیری ماشین با استفاده از ویژگی‌های معنایی برای حل آن آموزش داده شده است. این ویژگی‌ها به صورت عمده از بازنمایی معنایی زوج متن و فرضیه استخراج شده اند. نتایج ارزیابی نمایانگر عملکرد قابل قبول سیستم معنایی ارائه شده است که در آن مقدار 62 برای معیار f بر روی مجموعه ای ترکیبی از دادگان رقابت‌های RTE بدست آمده است. صرف نظر از این موضوع که سیستم پیشنهادی نسبت به سیستم‌های شرکت کننده در رقابت‌های RTE سال‌های مختلف عملکرد خوب و قابل قبولی ارائه نموده است، در مقایسه با سیستم پایه پیاده سازی شده که بر اساس یک معیار ترکیبی شباهت سنجی طراحی شده است، کارایی بهتری داشته است.

با توجه به گسترش روزافزون شبکه‌های کامپیوتری، نیاز به استفاده از روش‌های گوناگون و کارا برای مدیریت یکپارچه و متمرکز شبکه‌ها نیز افزایش می‌یابد. درواقع راه‌کاری که بتواند با هزینه معقول و مناسب و بر اساس شرایط مختلف، شبکه را مدیریت و کنترل نماید، مدنظر می‌باشد. شبکه‌های مبتنی بر نرم‌افزار یکی از راهکارهای ارائه شده براساس این نیاز می‌باشند که پیاده‌سازی این نوع شبکه‌ها بر اساس سخت افزارهای کمتر و افزایش روش‌های نرم‌افزاری میباشد. در این شبکه‌ها قسمت کنترل از قسمت ارسال یا انتقال داده مجزا شده و به صورت نرم‌افزاری طراحی و پیاده سازی می شوند. یکی از مسائل و چالش‌های اصلی در این نوع شبکه‌ها، کنترلرها و عملکرد آن‌ها برای کنترل سخت‌افزارها و مدیریت یکپارچه و بهینه شبکه میباشد. در این مقاله چالش مهم « پیچیدگی عملکرد کنترلرها» مورد بحث و بررسی قرارگرفته و با ارائه الگوریتمی جدید درصدد بهینه‌سازی عملکرد کنترلرها برآمده است. چالش پیچیدگی بر اساس نحوه برخورد کنترلر با جریانهای عبوری و مدیریت آن‌ها در نظر گرفته میشود. این جریانها به دو دسته عظیم و کوچک تقسیم میشوند که کنترلر وظیفه مدیریت این جریانها را بر اساس پهنای‌باند مورد نیاز هر جریان بر عهده دارد. در این مقاله الگوریتم ارائه‌شده اقدام به تشخیص نوع جریانها، تفکیک جریان‌ها در شبکه و مدیریت کارای آن‌ها برای مسیریابی مینماید. این الگوریتم در شبیهساز NS3 بر اساس توپولوژی مشخصی پیادهسازی شده و نتایج آن با نتایج کنترلرهای اصلی و بدون تغییر در این شبکه‌ها مقایسه شده است. نتایج نهایی حاصل از این مقایسه حاکی از بهبود عملکرد کنترلر با استفاده از روش ارائه‌شده نسبت به الگوریتم اصلی کنترلرها در شبکه‌های مبتنی بر نرم‌افزار میباشد. این بهبود شامل «بهبود گذردهی» روش ارائه شده بین 5 تا 8 درصد و «بهبود استفاده از مسیر» بین 6 تا 8 درصد نسبت به الگوریتم اصلی کنترلرها میباشد. علت این بازه بهبود به دلیل مقدار درصد خطای لحاظ شده در شبیهسازی و محاسبه میانگین مقادیر و نتایج به‌دست‌آمده در شبیهسازیهای متعدد میباشد.

با افزایش روزافزون حجم داده‌های موجود در اینترنت، پیدا کردن مطلب موردنظر دشوارتر می¬شود. اغلب کاربران دنبال روشی هستند که بتوانند با سرعت بالایی مطالب دلخواه خود را مشاهده کنند. با گسترش استفاده از شبکه‌های اجتماعی و به اشتراک گذاشتن مطالب در آن‌ها پیدا کردن مطالب موردعلاقه از بین سیل عظیم اطلاعات دشوار به نظر می¬رسد. وظیفه¬ی سیستم‌های توصیه¬گر، توصیه¬ی مطالب یا کالاهایی به کاربر است که احتمال می¬دهد مورد دلخواه او باشد. در این مقاله سعی می‎کنیم تا با استفاده از دانش پردازش زبان طبیعی، اطلاعات معناداری را از کامنت‎های کاربران در شبکه‎های اجتماعی ویدئویی استخراج کنیم و از این اطلاعات برای بهبود سیستم‎های توصیه‎گر این شبکه‎های اجتماعی استفاده کنیم. این اطلاعات را با استفاده از معیارهای شباهت و از شباهت بین کامنت‎های ویدئوها به‎دست می‎آوریم. نتایج به‎دست آمده نشان دهنده تاثیر مثبت استفاده از این روش در سیستم توصیه‎گر و وجود ارتباط مناسب بین محتوای کامنت‎های کاربران با محتوای ویدئوها است.

صرع شایع‌ترین اختلال عصبی است که افراد زیادی در سراسر جهان به آن مبتلا هستند. تشنج‌های مکرر و ناگهانی ناشی از صرع خطرناک هستند و ممکن است زندگی فرد را تهدید کنند، به همین دلیل پیاده‌سازی سیستم‌هایی که بتوانند وقوع تشنج را قبل از روی دادن آن پیش‌بینی کنند به بیماران صرعی کمک شایانی خواهد کرد. جهت تشخیص تشنج صرع، تجزیه و تحلیل الگوهای سیگنال EEG (Electroencephalogram) رویکردی بدون مداخله است. برای این تجزیه و تحلیل به منظور استخراج یک سری ویژگی از سیگنال EEG و بکارگیری در سیستم‌های خودکار پیش‌بینی تشنج، روش‌های مختلفی وجود دارد. در این مقاله تمرکز آزمایش‌ها بر روی آن است که آیا مجموعه ویژگی‌های انتروپی طیفی، بعد فراکتال هایوچی، مدل رگرسیو خودکار، و قدرت باند که در تشخیص بیماری اسکیزوفرنی صحت خوبی داشته‌اند (در کنار ویژگی‌های ساده‌ای مثل واریانس و ضریب همبستگی) در پیش بینی وقوع تشنج صرع هم خوب عمل می‌کنند؟ در این تحقیق به جای استفاده از مجموعه داده‌های مرسوم دانشگاه‌های بُن و فرایبورگ، از مجموعه جدیدتر در سایت کگل استفاده شده است. آزمایش‌ها نشان دادند که این ویژگی‌ها در شناسایی حمله صرع موثر بوده و بالاخص به صورت مجزا، ویژگی رگرسیو خودکار و در ترکیبات دوتایی، ترکیب رگرسیو خودکار با قدرت باند، و در ترکیبات سه تایی نیز ترکیب رگرسیو خودکار، قدرت باند و ضریب همبستگی بهترین نتایج را می‌دهند اما افزودن دیگر مجموعه ویژگی‌های فوق به این سه مجموعه سازگار نبوده و باعث کاهش صحت تشخیص می‌شوند.

مدیریت یکپارچه شهری در بخش نگهداشت یکی از نیازهای اساسی در مدیریت زیرساخت¬های یک کلان‌شهر است. چالش اساسی در این زمینه، موانع موجود و ریسک¬های مترتبِ در پیاده¬سازی چنین سامانه¬ای است. در این پژوهش، پس از تبیین تجربه شکست در پیاده¬سازی سامانه¬های نگهداشت شهر در چند کلان‌شهر ایران، چالش¬های موجود در پیاده¬سازی یک سامانه جامع هوشمند مدیریت شهری در ایران موردمطالعه و تحلیل قرارگرفته است. تجربه موفق در پیاده¬سازی و راه¬اندازی سامانه نگهداشت کلان‌شهر تهران "سامن" در سال 1395 دستمایه این پژوهش قرارگرفته است تا آسیب‌شناسی بهره¬برداری سامانه-های مدیریت شهری در ایران مورد تحلیل قرار گیرد. در این مقاله آسیب‌شناسی سه پارامتر اصلی در راه‌اندازی یک سامانه هوشمند شامل: (1) مدل¬های ارزیابی عملکرد در حوزه نگهداشت شهر، (2) ساختار مدل نرم¬افزار (در دو بخش برداشت و تحلیل اطلاعات) و (3) روش پیاده¬سازی آن ارائه‌شده است. براي تبيين ميزان و اهميت هر يک از موانع و چالش¬های رودرروی این سامانه، پیاده¬سازی و ارزیابی آن در چند ناحیه شهر تهران مورد ارزیابی قرار گرفت. برای تحلیل اطلاعات، ابتدا کمیته¬ای از خبرگان دانشگاهی و صنعتی تشکیل گردید و با استفاده از روش AHP، هر یک از چالش¬ها تحت پوشش در هر حوزه توسط متخصصان و خبرگان وزن دهی شد. سپس وزن¬های به‌دست‌آمده نرمال‌سازی و چالش¬های ارزیابی‌شده اولویت¬بندی شدند. نهایتاً راهکارهای برون‌رفت از چالش‌ها و راه¬های مؤثر در پیاده‌سازی سامانه‌های هوشمند در کلان‌شهر¬ها حاصل آمد.

فناوری اطلاعات و ارتباطات امکان راه اندازی جامعه الکترونیک محور را فراهم کرده است. شهرداری الکترونیک نیز شکلی از شهرداری است که از قابلیت‌ها و امکانات فناوری اطلاعات و ارتباطات برای انتشار اطلاعات، برقراری ارتباطات با گروه‌های مختلف( شهروندان، واحدهای بازرگانی و نهادهای دولتی) جهت عمل کردن به گونه‌ای شفاف، کارآمد، کم‌هزینه‌تر و کم‌زمان‌تر را به‌کار می‌گیرد. شهرداری تهران نیز در راستای اهداف و وظایف خود، در جهت ارتقای سطح جامعه و فرهنگ و ارتباطات شهری تلاش می‌کند و پرتال‌های واحدهای زیر مجموعه شهرداری نقطه عطفی در نتیجه بخشی این تلاش‌ها در الکترونیکی شدن خدمات شهری به حساب می‌آید که میزان کمیت و کیفیت آن تأثیر بسازی در رضایت شهروندان و ارتقای جامعه دارد. در این مقاله بر مبنای نوع فعالیت واحدهای مربوطه و معیارهای ارزیابی پرتال، ارائه روش پیشنهادی جهت بررسی وضعیت مطلوب پرتال‌های شهرداری تهران با وضعیت فعلی آنها را ارائه می‌کند که نتیجه آن بدست آوردن یک عدد کمی جهت محاسبه این فاصله می‌باشد.

هدف از انجام این تحقیق ارائه راهکاری جهت مقابله با مشکل انفجار فضای حالت در وارسی مدل سیستم‌های مدل‌شده توسط سیستم تبدیل گراف است. سیستم تبدیل گراف یکی از روش‌های پرکاربرد فرمال و مبتنی بر پایه ریاضی برای مدلسازی سیستم‌ها است که از گراف‌ها برای تشریح و مدل‌کردن ساختار سیستم‌های پیچیده استفاده می‌کند. در روش ارائه‌شده از الگوریتم‌های فرامکاشفه‌ای استفاده کرده‌ایم تا به‌جای تولید کامل فضای حالت، بخشی از آن را ساخته و مورد بررسی قرار دهیم و در‌این راستا از تکنیک تکذیب برای بررسی نقض یک ویژگی به‌جای اثبات آن استفاده کرده‌ایم؛ ما به بررسی ویژگی ایمنی پرداخته‌ایم و به‌دنبال کشف‌کردن مسیر‌های منتهی به بن‌بست به‌عنوان مثال نقض ویژگی ایمنی هستیم. راهکار ارائه‌شده را در Groove که ابزاری متن‌باز و مبتنی‌بر گراف، برای ویرایش، تولید فضای حالت و وارسی مدل مبتنی‌بر گراف می‌باشد، پیاده‌سازی کرده‌ایم. در این تحقیق از ترکیب الگوریتم کلونی زنبور‌عسل مصنوعی و تبرید شبیه‌سازی‌شده، الگوریتم جدیدی به‌نام ABC-SA را پیاده‌سازی کردیم.

در این مقاله یک اسیلاتور کنترل شونده دیجیتالی (DCO) با فرکانس بالا و توان مصرفی کم پیشنهاد شده است. مدار DCO پیشنهادی هشت فاز مختلف دارد و برای سه و چهار بیت کنترلی شبیه‌سازی شده است. در این مدار از حلقه‌ای با چهار سلول تاخیر دیفرانسیلی و یک گیت XOR و سه معکوس‌کننده استفاده شده است. در هر طبقه تعدادی NMOS موازی با پهناهای متفاوت بر وزن باینری برای کنترل فرکانس خروجی DCO قرارداده شده است. شبیه سازی توسط نرم افزار Cadence در تکنولوژی 65 نانومتر و ولتاژ تغذیه 1.2 ولت انجام شده است. DCO با سه بیت کنترلی، رنج فرکانسی 16.26 - 12.74 گیگاهرتز و توان مصرفی 335.9 - 287.9 میکرو‌وات و DCO با چهاربیت کنترلی رنج فرکانسی 16.39 - 89 .12 گیگاهرتز و توان مصرفی 337.6 - 290 میکرو‌وات را نشان می‌دهد.

طبقه‌بندی کننده بیز ساده به دلیل کارایی بالا در پیش‌بینی و سادگی در ساخت مورد توجه محققین بسیاری قرارگرفته است. بنیان این طبقه‌بندی کننده بر اساس استقلال شرطی متغیر‌ها (ویژگی‌ها) به شرط کلاس است. اگرچه به دلیل وابستگی متقابل بین ویژگی‌ها این فرض در کاربرد‌های واقعی این طبقه‌بندی کننده صادق نیست. از این رو، در این مقاله از مفهوم متغیرهای پنهان برای ارائه مدلی تحت عنوان "طبقه‌بندی کننده بیز ساده آمیخته با متغیر پنهان (MLNB)" به منظور کاهش فرض استقلال شرطی و مدل‌سازی ویژگی‌ها ارائه شده است. الگوریتم امید ریاضی- بیشینه (EM) به منظور تخمین پارامترهای مدل استفاده شده است. شبیه سازی‌ها بر روی 5 مجموعه داده از مخزن یادگیری ماشین دانشگاه کالیفورنیا ایرواین نشانگر این است که روش پیشنهادی عملکرد قابل توجه‌ای بر اساس دقت طبقه‌بندی و معیار F-measure در مقایسه با توسعه‌های اخیر بیز ساده دارد.

تعداد زیادی از شرکت‌ها با پردازش داده‌های بزرگ برای تحلیل داده‌های مالی، داده‌های تجاری و سایر تحلیل ها روبرو هستند. با توجه به زیر ساخت بزرگ وگران قیمت برای پردازش داده‌های بزرگ، ممکن است نتوان تمام داده‌ها را مورد پردازش قرار داد. این موضوع بر روی کیفیت پاسخ تاثیر گذاشته و کیفیت پاسخ را کاهش می‌دهد. راه‌حل ارائه شده در این مقاله در مواقعی که با محدودیت بودجه و زمان اتمام پردازش روبرو هستیم می‌تواند مورد استفاده قرار بگیرد. در این مقاله ما برای افزایش کیفیت پاسخ داده‌ها با تاثیر بیشتر را به منابع با توان پردازشی بیشتر اختصاص می‌دهیم. بعد از آن اگر بودجه ای برای استفاده در دسترس بود، سایر داده‌ها را نیز مورد پردازش قرار می‌دهیم. در این مقاله با استفاده از روش‌های آماری با سطح اطمینان قابل قبولی میزان تاثیر هر قسمت از داده را بر روی پاسخ نهایی مشخص می‌کنیم. با استفاده از این روش قادر خواهیم بود در صورت وجود محدودیت زمانی و بودجه ای کیفیت پاسخ را افزایش دهیم. در فاز ارزیابی داده‌هایی از حوزه‌های مختلف را مورد بررسی قرار داده‌ایم. بررسی نشان می‌دهد این روش دارای کارایی خوبی برای افزایش کیفیت پاسخ در صورت وجود محدودیت زمانی و بودجه است. در کاربردهای مورد ارزیابی در این مقاله موفق شده‌ایم تا 29 درصد بهبود در کیفیت پاسخ ایجاد کنیم.

محیط محاسبات ابری به دلیل ماهیت توزیع شدگی و تنوع منابع برای بسیاری از کاربردهای بی‌درنگ مانند پردازش سیگنال و پیش بینی آب و هوا مناسب است. در این گونه کاربردها، رعایت نکردن مهلت زمانی منجر به پیامدهای ناگواری می‌شود، بنابراین زمانبندی وظایف بی‌درنگ در محیط محاسبات ابری یک امر مهم و ضروری است. از طرفی صرفه‌جویی در مصرف انرژی مراکز داده ابر با توجه به فوایدی مانند کاهش هزینه عملیاتی سیستم و حفظ محیط زیست یک امر مهمی است که در طی چند سال اخیر مورد توجه قرار گرفته است و با زمانبندی مناسب وظایف قابل کاهش می‌باشد. هدف این مقاله ارایه الگوریتم زمانبندی وظایف بی‌درنگ آگاه از انرژی برای وظایف بی‌درنگ، پویا، مستقل بر مبنای مقیاس پذیری پویای ماشین مجازی می‌باشد. الگوریتم پیشنهادی ETC وظایفی را که مهلت زمانی‌شان خیلی کوتاه است و زمان برای راه‌اندازی منابع ندارند، با استفاده از ویژگی مقیاس‌پذیری عمودی منابع که در مقابل مقیاس‌پذیری افقی خیلی سریعتر قابل انجام است، در محدوده مهلت زمانی‌شان اجرایی می‌نماید. الگوریتم پیشنهادی با جلوگیری از روشن کردن میزبان‌های بیشتر و استفاده از تجمیع ماشین‌های مجازی و خاموش کردن میزبان‌های بیکار، انرژی کمتری را مصرف و نرخ بهره‌وری از منابع را افزایش داده است. نتایج آزمایش نشان می‌دهد که الگوریتم ETC در مقایسه با چند الگوریتم زمان‌بندی وظایف بی‌درنگ آگاه از انرژی، نرخ تضمین را به میزان 33 درصد، نرخ بهره‌وری از منابع را به میزان 26درصد و مصرف انرژی را 15 درصد بهبود می‌دهد.

With the widespread use of Internet of Things (IoT) in every aspect of human’s daily life, communications of such an enormous amount of existing embedded devices in these systems arise many new challenges from power consumption, performance, and reliability perspectives. Communications in an IoT infrastructure are managed by a set of policies which are determined by Objective Functions (OFs). Thus, OFs are the most important contributors in facing with the mentioned challenges. In this paper, due to the lack of information on how OFs affect the primary properties of an IoT infrastructure, we have compared three well-known OFs (OF0, MRHOF, and OFFL) from power consumption, performance, and reliability perspectives. This paper would pave the way for scholars to realize which of the three mentioned areas are more affected by OFs. Our evaluation results on Contiki’s IoT simulation environment (COOJA) illustrate, OFs could affect the power consumption by up to 71.2%, while their impacts on reliability and performance would be as high as 77.5% and 25.15%, respectively.

بازيابي تصاوير يکي از مهم‌ترين مسائل مطرح شده در حوزه بينايي ماشين مي‌باشد که کاربرد گسترده‌اي در علوم مختلف دارد. چالش‌هاي فراواني در زمينه بازيابي تصاوير براساس محتوا وجود دارد، از جمله آنها مي‌توان به وجود نويز، پس زمينه پيچيده و عدم وجود نور کافي در تصاوير اشاره کرد. براي غلبه بر اين مشکلات بايد ويژگي‌هاي استخراج شده قابليت تمايز خوبي داشته باشند. در اين مقاله از الگوريتم کدگذاري خطي با قيد محلي به منظور استخراج ويژگي از تصاوير براي بازيابي استفاده شده است. در ابتدا ويژگي‌هاي SIFT از تصاوير پايگاه داده استخراج مي‌شوند. سپس ويژگي‌هاي استخراج شده خوشه‌بندي شده و مراکز خوشه‌ها به عنوان نماينده هر دسته انتخاب مي‌شود. پس از خوشه‌بندي توصيفگرها، از ضرايب بازنمايي توصيفگرهاي هر دسته با توجه به نماينده‌هاي توليد شده از مرحله قبل، از الگوريتم کدگذاري خطي با قيد محلي به عنوان ويژگي استفاده مي‌شود. در نهايت از اين ويژگي‌هاي توليد شده براي بازيابي تصاوير استفاده خواهد شد. نتايج آزمايشات روي پايگاه داده Caltech-101 برتري روش ارائه شده را در بازيابي تصاوير نسبت به روش‌هاي مطرح در اين حوزه نشان مي‌دهد.

برازش منحني يكي از مسايل پركاربرد در يادگيري ماشين است. كشف ساختار زيربنايي داده‌ها براي داشتن يك برازش با دقت قابل قبول امري ضروري است. در اين مقاله برازش منحني از ديدگاه رگرسيون را در نظر گرفته، سپس با مروري بر روش‌هاي كشف ساختار داده، يك رگرسور براي كشف ساختار زير بنايي داده بر مبناي سري فوريه(انتگرال فوريه در حالت تناوبي نبودن داده‌هاي ورودي) بدست مي‌آوريم. از اين رگرسور يك كرنل ساخته كه در ماشين‌هاي كرنل پذير همانند ماشين بردار پشتيبان استفاده مي‌شود. كرنل به دست آمده ترکيبي از كرنل ديريکله با فرمول بسته است. نتايج پياده سازي شده بر روي چند مجموعه داده و روش‌هاي دسته بندي متفاوت، قدرت و برتري اين كرنل را نشان ميدهد.

افزايش محبوبيت گوشي‌هاي هوشمند و استقبال بي‌نظير کاربران از برنامک‌هاي همراه سبب شده‌است که فروشگاه‌هاي برنامک‌ها به مخازن عظيم نرم‌افزاري تبديل شوند. از اين‌رو استفاده از اين مخازن براي افزايش کيفيت برنامک‌ها مي‌تواند مفيد واقع‌شود. از آن‌جايي که پل ارتباطي بين کاربران و توسعه‌دهندگان برنامک‌هاي همراه، نظراتي است که کاربران درباره‌ي آن‌ها در فروشگاه مي‌نويسند، توجه به اين نظرات از طرف توسعه‌دهندگان مي‌تواند باعث پيشرفت چشمگيري در کيفيت شود. از اين‌رو در سال‌هاي اخير پژوهش‌هاي متعددي حول موضوع کاوش نظرات کاربران صورت گرفته‌است که قصدشان استفاده‌ي مفيد از اطلاعات نظرات برنامک‌هاي همراه بوده‌است. يکي از کمبودهاي اين پژوهش‌ها عدم استفاده از اطلاعات موجود در نظرات کاربران در تسريع فرايند رفع خطاي نرم‌افزار است. از اين‌رو در اين پژوهش ضمن بررسي کارهاي انجام‌شده در اين حوزه، رويکردي براساس نظرات کاربران براي انتساب خطاي برنامک به توسعه‌دهندگان بيان خواهد‌شد. اين رويکرد با استفاده از داده‌هاي کاميت‌هاي برنامه تاريخچه‌اي از عملکرد توسعه‌دهندگان به دست مي‌آورد و هم‌چنين با استفاده از ايراداتي که توسعه‌دهندگان از قبل در برنامه رفع کرده‌اند در مورد سوابق آن‌ها در رفع خطاهاي برنامه اطلاعاتي کسب مي‌کند. سپس با استفاده از ترکيب اين دو معيار به هر توسعه‌دهنده‌ي آن نرم‌افزار براي رسيدگي به هر نظر امتيازي اختصاص مي دهد تا فهرستي از توسعه‌دهندگان ارائه کند که به‌ترتيب اولويت، براي رسيدگي به نظر مناسب هستند. در ادامه‌ي اين پژوهش نشان داده مي‌شود که روش پيشنهادي با دقت ۷۴٪ قادر به شناخت توسعه‌دهنده‌ي مناسب براي رسيدگي به نظرات خواهد‌بود.

در اين مقاله يک ساختار سخت‌افزاري نو براي سيستم‌هاي پردازش تصاوير هوشمند ارائه مي‌شود. با روش پيشنهادي بدون نياز به پردازشگر بيروني مي‌توان انواع فيلترهاي پردازش تصاوير را در کنار حسگر تصوير هوشمند و بدون تغيير در ساختار و تقارن پيکسل‌هاي حسگر تصوير پياده‌سازي کرد. به منظور حفظ حداکثري پارامتر ضريب فضاي موثر، در داخل حسگر تصوير تغييراتي داده نمي‌شود بلکه مدارات فيلترهاي پردازشي و پنجره‌هاي تصوير بر روي تراشه حسگر ولي در بيرون از ناحيه حساس به نور قرار داده مي‌شوند. در ساختار پيشنهادي علاوه بر مدار بازخواني، 8 فيلتر از پرکاربردترين فيلترهاي مورد استفاده در پردازش تصوير طراحي و پياده‌سازي شده است. نتايج طراحي و شبي‌سازي نشان مي‌دهد که علاوه بر عملکرد صحيح در تصويربرداري، آرايه‌اي از پيکسل‌ها با ابعاد 64×64، توان مصرفي سيستم پيشنهادي، معادل با 64 ميلي‌وات است. همچنين ضريب فضاي موثر برابر با بيشترين مقدار مي‌باشد، اين در حاليست كه در حسگرهاي تصوير مشابه، در کنار عدم تقارن تعداد فيلترهاي پردازش تصاوير محدود و قابليت افزودن فيلترهاي ديگر به دليل انتخاب ساختار طراحي آنالوگ وجود نداشت. طرح و الگوريتم پيشنهادي محدوديتي در ابعاد حسگر تصوير ندارد و به دليل طراحي ديجيتالي قابليت پياده‌سازي انواع فيلترهاي پردازشي را در سريع‌ترين زمان و بدون طراحي‌هاي پيچيده مجدد دارا مي‌باشد.