انجمن کامپیوتر ایران

بیماری آلزایمر یک نوع اختلال عملکرد در مغز است که روی فعالیت‌های مغزی تاثیر گذاشته و حافظه را دچار اختلال می‌کند. تشخیص به کمک تصاویر MRI از روش‌های غیرتهاجمی است که محققان بسیاری به آن توجه داشته‌اند. تاکنون کارهای زیادی برای طبقه‌بندی دقیق تصاویر MRI برای تشخیص افراد آلزایمری از نرمال صورت گرفته است ولی اکثر کارهای انجام شده یا دقت کافی ندارند و یا به صورت طبقه‌بندی دو کلاسه بودند. در این تحقیق هدف تشخیص زودهنگام بیماری آلزایمر و طبقه‌بندی دقیق‌تر و چند کلاسه تصاویر MRI مغز است تا بتوان در همان مراحل اولیه این بیماری را تشخیص داد و از روند رشد آن جلوگیری کرد. جهت حل مساله ابتدا استخراج ویژگی از تصاویر، با استفاده از روش مورفومتری بر اساس وکسل انجام می‌شود، سپس انتخاب ویژگی با گرگ خاکستری دودویی و با انتخاب 30 ویژگی برتر جهت دسته‌بندی تصاویر استفاده شده است. با مقایسه الگوریتم پیشنهادی با دو روش بهینه‌ساز گرگ خاکستری دودویی، مشاهده کردیم که الگوریتم پیشنهادی در تشخیص بیماری آلزایمر معیارهای دقت و ویژگی و حساسیت را در طبقه‌بندی چندکلاسه بهبود داده است.

همزمان با رشد فضای ابری و کارایی استفاده از آن، برون‌سپاری داده‌ها برای انجام عملیات مختلف داده‌کاوی از جمله خوشه‌بندی، رشد سریعی داشته است. چالش اصلی در این گونه از سامانه‌ها، حفظ امنیت داده‌ها و حفظ دقت و کارایی الگوریتم‌های خوشه‌بندی است. در این راستا، الگوریتم‌های رمزنگاری و روش‌های مبتنی بر گمنام سازی داده‌ها ارائه شده‌اند که در هر کدام از آن‌ها سعی شده است موازنه‌ای بین امنیت و دقت ایجاد شود. در این مقاله روشی برای خوشه‌بندی داده‌های توزیع شده با الگوریتم k-means و استفاده از رمزنگاری همومورفیک ارائه شده است که ضمن رمزنگاری داده‌های حساس، سرعت و هزینه‌ی محاسباتی آن را کاهش می‌دهد. دقت روش پیشنهادی برای خوشه‌بندی داده‌های غیر متمرکز روی مجموعه داده iris و seeds به ترتیب برابر 34.89% و 53.88% است. در حالتی که داده‌های این دو مجموعه در سرور متمرکز باشند و خوشه‌بندی انجام شود، دقت خوشه بندی به ترتیب برابر 30.90% و 00.89% است. نتایج حاصل نشان می‌دهد دقت روش پیشنهادی به حالتی که سرور خوشه‌بندی را به صورت متمرکز انجام می‌دهد، بسیار نزدیک است. هم‌چنین زمان اجرای روش پیشنهادی چون حجم داده‌ی رمز شده کم می‌شود، روی مجموعه داده iris و seeds به ترتیب برابر 5.7 و 7.12 ثانیه است که نسبت به حالتی که مالکان داده، تمام داده‌های خود را رمز می‌کنند که برابر 5.13 و 7.32 ثانیه است کاهش قابل توجهی داشته است.

در سالیان اخیر، تمایل گسترده به استفاده از وسایل هوشمند و همچنین مدیریت محیط‌های اتوماسیون صنعتی موجب رشد شبکه‌های حسگر بی‌سیم و اینترنت اشیاء شده است. در اینترنت اشیاء، مجموعه بسیار زیادی از حسگرها به منظور کنترل و گردآوری اطلاعات در محیط توزیع می‌شوند تا قابلیت اتخاذ تصمیم هوشمند را فراهم سازند. امروزه این نوع شبکه‌ها، برای کاربردهای مختلف استفاده می‌شوند. یکی از اهداف مهم در صنعت 4، استفاده از فناوری‌های شبکه‌ی بی‌سیم برای اینترنت اشیاء صنعتی است تا از این رهگذر بتوان فرآیندهای صنعتی را بصورت کارآمدتر نظارت کرد. یکی از الزامات ارتباطات در اینترنت اشیاء صنعتی تأمین قابلیت اطمینان تا 99.999 درصد می‌باشد با این حال افزایش طول عمر شبکه، کاهش مصرف انرژی و عدم عبور تاخیر از میزان بیشینه تعیین شده از اهداف اصلی پژوهش در این حوزه است. یکی از استاندارهای پراستفاده در اینترنت اشیاء صنعتی 6TiSCH است. در این پژوهش هدف این است که روشی بین لایه‌ای با درنظر گرفتن توأمان زمانبندی و مسیریابی در شبکه‌های مبتنی بر استاندارد TSCH و RPL در محیط‌هایی با چندین چاهک ارائه گردد. همچنین هدف این است که روش ارائه شده با در نظر گرفتن محدودیت‌های اینترنت اشیاء صنعتی بتواند نیازمندی‌های برنامه‌های کاربردی را در این حوزه برآورده کند.

پرفشاری خون یک بیماری مزمن است که به‌عنوان شایع‌ترین عارضه سلامتی و مهم‌ترین عامل خطر برای بیماری‌های قلبی عروقی شناخته می‌شود. پیش‌بینی و تشخیص زودهنگام پرفشاری خون و درمان به‌موقع آن مانع از پیشرفت بیماری و بروز عواقب ناشی از آن می‌شود و هم‌چنین باعث صرفه‌جویی در هزینه درمان می‌گردد. مطالعات پیشین نشان می‌دهد که علاوه بر عوامل محیطی و سبک زندگی، عامل وراثت نیز در پرفشاری خون نقش بسزایی دارد. در سال‌های اخیر روش‌های یادگیری ماشین و تحلیل‌های آماری در پیش‌بینی بیماری، پیشرفت‌های مشهودی داشته و کم‌تر به بهینه‌سازی ریاضی در این حوزه پرداخته شده است. با توجه به اهمیت موضوع، در این مقاله یک مدل برنامه‌ریزی غیرخطی عدد صحیح مختلط با هدف کاهش میانگین مربعات خطا جهت پیش‌بینی پرفشاری خون تعریف شد. داده‌های مورداستفاده شامل جنسیت و 10 مورد چندریختی تک نوکلئوتیدی مؤثر در پرفشاری خون برای 1001 نفر است. طبق نتایج به‌دست‌ آمده از حل دقیق مدل و استفاده از الگوریتم بروت فورس، بهینه‌ترین مقدار میانگین مربعات خطا، صحت و دقت به ترتیب برابر با 18/0، 89/0 و 75/0 است.

صنعت ۰.۴ (Industry 4.0) سازمان‌های تولیدی را به میزان قابل توجهی دستخوش تغییر می‌کند. به منظور رقابتی ماندن در عصر حاضر، شرکت‌ها باید ضمن بکارگیری مدل‌های جدید کسب و کار، نسبت به توسعه قابلیت‌های کسب و کاری خود و همچنین ایجاد قابلیت‌های جدید با رویکرد صنعت ۴.۰ اقدام نمایند. در این راستا، شرکت‌ها با پروژه‌های پرهزینه و پرمخاطره‌ای برای ایجاد این تحول، دست و پنجه نرم می‌‌کنند. باتوجه به گستردگی و پیچیدگی تحولات، وجود رویکرد و روشی نظام‌مند و مطمئن برای مدل‌سازی وضعیت موجود و وضعیت مطلوب و برنامه‌ریزی مناسب برای استقرار صنعت ۴.۰، یکی از نیازمندی‌های پایه و اساسی در این مسیر است. در این مقاله سعی شده است با استفاده از رویکرد و مفاهیم معماری سازمانی، چارچوب و متامدلی برای ترسیم وضعیت موجود و مطلوب و روشی برای برنامه‌ریزی و تدوین رهنگاشت تحول، ارائه شود. نتایج این مقاله می‌تواند به عنوان راهنما برای فرایند برنامه‌ریزی پروژه‌های تحول دیجیتال و صنعت ۴.۰، کمک کننده باشد.

شبکه تعریف شده‌ی نرم‌افزاری یک فناوری جدید در شبکه‌های کامپیوتری است که استفاده از آن در حال گسترش است. این تکنولوژی باعث می‌شود تا شبکه‌ها قابل برنامه‌ریزی‌تر و نیز انعطاف‌پذیرتر شوند. برای به دست آوردن حداکثر مقیاس‌پذیری و نیز افزایش عملکرد شبکه، وجود یک استراتژی توازن بار ضروری است. ازدحام لینک در شبکه باعث ایجاد برخی مشکلات مانند تاخیر در ارسال بسته‌ها، گم شدن بسته‌ها و نیز افزایش زمان صف می‌شود. برای غلبه بر این مشکلات بهره‌گیری از یک استراتژی توازن بار لینک مفید است. در این تحقیق سعی شده است تا با استفاده از الگوریتم A* روشی برای مسیریابی ترافیک در شبکه‌های تعریف شده‌ی نرم‌افزاری ارائه شود. روش ارائه شده با بررسی ازدحام لینک‌ها بهترین مسیر را انتخاب می‌کند و بدین صورت توازن بار لینک‌ها در چنین شبکه‌هایی برقرار می‌شود. یافته‌های حاصل از شبیه‌سازی نشان داده است که الگوریتم پیشنهادی نسبت به الگوریتم‌هایی که با آنها مورد مقایسه قرار گرفته است، کارایی بهتری در بهبود تعادل بار لینک در شبکه‌های تعریف شده‌ی نرم افزاری دارد.

الگوريتم ضرب‌ پيمانه‌اي مونتگمري براي پياده‌سازي‌هاي سيستم‌هاي رمز همچون ECC و ديگر سيستم‌هاي رمزي كه بر پايه محاسبات‌پيمانه‌اي استوارند، استفاده‌مي‌شود. براي مناسب نمودن اين الگوريتم جهت پياده‌سازي سخت‌افزاري، بهبودهاي مختلفي پيشنهاد‌شده‌است. نسخه‌ مبناي‌دو اين الگوريتم براي طراحي‌هاي سخت‌افزاري، ساده و سريع است. در اين مقاله براي تسريع در محاسبات پيمانه‌اي، از نحوه نمايش اعداد به‌صورت علامت‌دار استفاده‌شده‌است و با تعميم جمع‌كننده‌جديدي كه از همين نحوه‌نمايش اعداد استفاده‌مي‌كند، ضرب‌كننده‌اي طراحي شده‌است كه نسبت به معماري‌هاي قبلي هم از نظر فضاي‌مصرفي تا 12.5% و هم‌ از نظر تاخير تا 30% بهبود پيدا نموده‌است. همچنين اين ضرب‌كننده در برابر"Fault Attacks " كه يك تهديد جدي براي سيستم‌هاي‌‌رمز همچون ECC است، مقاوم مي‌باشد و مقاومت خود را با استفاده از گيت‌هاي منطقي نگهدارنده توازن(PPLG)، بدست‌آورده‌است. معماري جديد قابليت تشخيص خطا بالايي دارد. با مجهز نمودن ضرب‌كننده مونتگمري مبناي دو به قابليت تشخيص خطا، نسخه‌جديد آن كه از جمع‌كننده جديد استفاده‌مي‌كند، از نظر فضاي‌مصرفي تا 16% و از نظر تاخير تا 28% بهبود پيدا نموده‌است.

- تشخیص اتوماتیک محدوده سنی یکی از مسائل هوش مصنوعی است که به سبب اهمیت آن از سال¬ها پیش بر روی آن کار و تحقیق شده¬ است. در این مقاله علاوه بر معرفی دادگان جمع¬آوری شده برای تشخیص محدوده سنی، از روش¬های دسته¬بندی گوناگونی نیز برای دسته¬بندی 5 دسته مختلف که چهار گروه سنی را مشخص می¬کند، استفاده شده است. دادگان جمع¬آوری شده شامل 176 گوینده در گروه سنی زیر 20 سال می¬باشد که با ادغام این دادگان و دادگان فارسدات میکروفونی که شامل 304 گوینده می¬باشد، مجموعه کاملی از جهت پوشش محدوده‌های سنی به منظور استفاده در تشخیص سن بدست آمد. برای دسته-بندی نیز علاوه بر دسته¬بندی کننده¬های رایج GMM، SVM و MLP از یکی از روش¬های پیشنهادی که به نوعی از ترکیب روش-های دیگر بهره می¬گیرد، استفاده نمودیم. در انتها به کمک روش پیشنهادی توانستیم بالاترین دقت را بدست آورده و با دقت 85.48% ، گوینده‌ها را بر اساس محدوده‌ سنی آنها دسته¬بندی نماییم.

با توجه به کاربرد گسترده‌ي سيستم‌هاي تبديل متن به گفتار، طراحي‌، ساخت و بهبود عملکرد چنين سيستم‌هايي همواره مورد توجه پژوهشگران بوده است. مبدل حرف به صدا که وظيفه‌ي تبديل دنباله‌ي حروف کلمه‌ي ورودي به دنباله‌ي آوايي معادل کلمه را دارد، يکي از بخش‌هاي مهم سيستم‌هاي تبديل متن به گفتار است. در اين مقاله مدلي دو لايه با ترکيب روش قانون‌گرا و شبکه‌ي بيزين براي تبديل حرف به صدا پيشنهاد شده است. در لايه‌ي اول با تعريف چند قانون بدون استثناء، دنباله‌ي واجي بخشي از حروف به دست مي‌آيد. سپس حروف زبان فارسي بر اساس شباهت‌ها و تفاوت‌هاي معادل آوايي آن‌ها به 5 دسته تقسيم شده و هر دسته با يک شبکه‌ي بيزين مدل مي‌شود. براي آموزش و ساخت مدل دادگاني شامل 146000 واژه‌ي زبان فارسي استفاده شده که پس از ترازبندي براي ساخت مدل استفاده مي‌شوند. ميزان کارآيي نهايي اين سيستم براي تبديل درست حروف به آواهاي متناظر، با استفاده از دو الگوريتم جستجوي k2 و TAN به ترتيب 4/83% و 6/91% است که براي زبان فارسي کارآيي بسيار خوبي مي‌باشد.

تطبيق تصوير،کاربرد مهمي از پردازش تصوير است که براي تنظيم تصاوير به دست آمده از حالات مختلف تصويربرداري به کار مي رود . بررسي مجموعه روش هاي ارائه شده در اين زمينه نشانگر وجود رويكرد هاي متنوع جهت تنظيم و رفع اعوجاج هاي حاصل از حالات مختلف تصوير برداري مي باشد. گستردگي مقوله تطبيق تصوير و وجود حجم وسيعي از رويكردها، مقايسه و ارزيابي دقيق اين روش ها را دشوار نموده است. بر اين اساس، در اين مقاله ضمن معرفي چهار مولفه اساسي فرايند تطبيق تصوير، يک چارچوب مبتني بر روشهاي مختلف تصويربرداري جهت تحليل هر يک از رويکردهاي تطبيق تصوير پيشنهاد مي شود. بهره گيري از چارچوب پيشنهادي در اين مقاله براي رويکرد هاي مختلف تطبيق تصوير مي تواند نقش موثري در تحليل و ارزيابي روش هاي مختلف تطبيق تصوير در حوزه هاي کاربردي مختلف و چالش هاي فراروي انجام اين فرايند داشته باشد.

با افزایش متون محاوره¬، تبدیل متن محاوره¬ای به رسمی یکی از چالش¬های موجود در پردازش زبان است. در این مقاله به ارائه و آزمون، راهکاری برای تبدیل متون محاوره¬ای به متون رسمی با استفاده از ترکیب روشهای مبتنی بر قاعده و مدل¬سازی آماری می¬پردازیم. همچنین چگونگی ساخت پیکره، نحوه توکن¬بندی و نحوه یافتن ریشه کلمات، قوانین تبدیل کلمات محاوره¬ای به رسمی، الگوریتم پیشنهادی و نحوه بکارگیری N_gram بیان می¬شود.

سيستمهاي توصيه‌گر، با استفاده از ابزارهاي داده كاوي ميتوانند پيشنهادهاي مناسبي، براي انتخاب از بين حجم وسيعي از داده براي ما فراهم سازند. اكثر اين سيستمها بر اساس روش پالايش گروهي كار ميكنند. در اين روش به كمك معيارهاي شباهت، همسايه هاي مشابه براي يك فرد، انتخاب شده سپس بر اساس براورد نظرات آنها، پيشنهاد مورد نظر ارائه ميگردد. معيار شباهت تاثير بسيار زيادي بر عملكرد اينگونه سيستمها ميگذارد. انتخاب معيار مناسب يكي از چالشها در اين زمينه است. در اين مقاله، سيستمي پيشنهاد شده، كه بدون نياز به يافتن كاربران مشابه و به كمك نظرات افراد ديگر واعتمادي كه نسبت به آنها كسب كرده، ميتواند پيشنهادهاي مناسبي را ارائه دهد. در اين سيستم، از شبكه عصبي پس انتشار خطا، براي كشف روابط و اعتماد استفاده شده است. آزمايشها نشان ميدهد كه روش پيشنهادي كارايي را بالاتر برده است.

نحوه¬هاي مختلف ورود اطلاعات باعث به¬وجودآمدن ركوردهاي تكراري مي¬شود كه اين امر باعث افزايش حجم پايگاه¬داده¬ها مي-گردد. در اين مقاله، روشي به نام تطابق وزن¬دار پيشنهاد شده¬است تا تطابق بين فيلدها و ركوردها معقول¬تر انجام شود. برخي از روشهاي موجود روي كلمات يك بخشي به خوبي عمل مي¬كنند ولي كاربرد خوبي در كلمات چندبخشي ندارند ولي روش تطابق وزن¬دار كارايي خوبي براي كلمات چندبخشي دارد و درجه شباهت بالايي را براي اين¬گونه فيلدها دارا است و از آنجايي كه بيشتر عدم تشابه¬ها وابسته به خطاهايي است كه بر اثر ورود اشتباهي حروف مشابه به¬وجود آمده¬است، اين روش با درنظر گرفتن شباهتي براي حروف مشابه، دقت را در خطاهاي تايپي بالا مي¬¬برد. همچنين اين روش حساسيتي نسبت به كاراكترهاي شبيه به¬هم دارد. از آنجايي كه مقادير نامعتبر فيلدها تاثير زيادي روي تطابق ركوردها دارد، اين روش اثرات اين نوع فيلدها را كمتر در نظر مي¬گيرد تا دقت معقول¬تري به¬دست بيايد. بعداز بيان و بررسي روش تطابق وزن¬دار، آزمايشهايي با اين روش و روشهاي موجود روي دو پايگاه¬داده واقعي انجام شد و نتايج آن مورد مقايسه و بررسي قرار گرفت كه اين روش بر روي پايگاه¬داده¬ها دقتي درحدود90درصد داشت كه مابين 6 تا 8 درصد نسبت به بهترين حالت بهبود نشان مي¬دهد.

شبکه‌های اقتضایی متحرک (MANETs) به دلیل داشتن ویژگی‌های ذاتی از قبیل همبندی پویا و عدم وجود زیرساخت در مقایسه با سایر شبکه‌ها از آسیب‌پذیری بیشتری برخوردار هستند. بنابراین، یک چالش مهم برای این شبکه‌ها توسعه رویکردی است که قادر باشد با وجود تغییر پویای همبندی شبکه ناهنجاری‌ها را با دقت بالا تشخیص دهد. در این مقاله، رویکردی مبتنی بر تحلیل مولفه‌های اصلی افزایشی به نام IPCAAD برای تشخیص ناهنجاری پویا در شبکه‌های اقتضایی متحرک پیشنهاد می‌شود. در رویکرد پیشنهادی، هر گره در هر پنجره زمانی مجموعه‌ای از بردارهای داده را از ترافیک شبکه جمع‌آوری می‌کند. رویکرد پیشنهادی شامل دو مرحله آموزش و تشخیص است. در مرحله آموزش، با استفاده از بردارهای داده عادی و تحلیل مولفه‌های اصلی، نمای ترافیک عادی شبکه ایجاد می‌شود. در مرحله تشخیص، در طی هر پنجره زمانی مجموعه‌ای از بردارهای داده جمع‌آوری شده و بردارهای داده غیرعادی مبتنی بر فاصله تصویرشان از اولین مولفه اصلی سراسری تشخیص داده می‌شوند. در پایان هر پنجره زمانی، نمای عادی با استفاده از بردارهای داده عادی در آن پنجره زمانی به‌روزرسانی می‌شود. به‌روزرسانی با استفاده از تحلیل مولفه‌های اصلی افزایشی (IPCA) و یک رابطه فراموشی انجام می‌شود. نتایج آزمایش‌های انجام شده با استفاده از شبیه‌ساز NS2 برای تعدادی از حملات مسیریابی نشان می‌دهند که رویکرد پیشنهادی از کارآیی قابل توجهی برخوردار است.