انجمن کامپیوتر ایران

ادغام اینترنت اشیا و شبکه‌های اجتماعی، مفهوم جدیدی با عنوان اینترنت اشیاء اجتماعی پدید آورده است که بر طبق آن اشیا قادر هستند تا به‌صورت خودمختار و با در نظر گرفتن مالکشان، روابط اجتماعی ایجاد کنند. ممکن است مالکان و اشیاءِ مخرب بر اساس روابط اجتماعی که با دیگر اشیاء دارند، حملات زیان‌باری را انجام ‌دهند، ازاین‌رو ارزیابی اعتماد سرویس‌دهنده‌ها یک موضوع مهم برای شناسایی بهترین سرویس‌دهنده است. در این مقاله یک مدل مدیریت اعتماد جدید مبتنی بر چهار ویژگی اعتماد معرفی می‌شود. مدل با اکثر حملات اعتمادی معرفی‌شده مقابله کرده و همچنین برای سرویس‌های ارائه‌شده توسط هر گره، سطوح سرویس در نظر گرفته‌شده است. نتایج شبیه‌سازی نشان می‌دهد که مدل ارائه‌شده می‌تواند بهترین سرویس‌دهنده را برای مقابله با اکثر حملات مرتبط انتخاب کند.

در اين مقاله، از طریق طبقه‎بندی تصایر رنگی شبکیه‎ی چشم، یک سیستم تشخیص خودکار پزشکی برای بیماری آب سیاه طراحی می‎شود. در تصویر شبکیه نشانه‎های بیماری آب سیاه، در ناحیه سرعصب بینایی ظاهر می‎شود.در اکثر موارد تشخیص بیماری در زمان مناسب انجام نمی‎گیرد و یک سیستم کمک تشخیص پزشکی می‎تواند بسیار مفید واقع شود. روش پیشنهادی شامل پنج بخش 1- پیش پردازش تصویر، 2- مکان‎یابی و استخراج خودکار دیسک‎ نوری ، 3- تولید ماسک‎های باینری، 4-استخراج ویژگی و 5- طبقه بندی تصاویر است. در این مقاله الگوریتمی جدید جهت استخراج الگوی رگها مبتنی بر فیلتر تقویت بالا و تبدیل پایین کلاه مورفولوژی ارائه می‎گردد.ایده اصلی در بخش استخراج ویژگی این است که ویژگی ها به صورت محلی استخراج شوند تا قابلیت تفکیک پذیری بالاتری داشته باشند، که شامل توصیف گرهای آماری سطوح شدت داخل دیسک‎نوری و ویژگی بافت حاشیه اطراف آن است. در این مقاله در بخش طبقه بندی برای بالا بردن قابلیت تعمیم شبکه عصبی MLP و جلوگیری از بیش برازش آن، روش جدیدی بر پایه رویکرد توقف زود هنگام و تحلیل T^2 ارائه می‎گردد.روش پیشنهادی بر روی پایگاه داده استاندارد تصاویر شبکیه آزمایش شده، که 100 تصویر سالم و 82 تصویر بیمار با دقت 96% درصد طبقه بندی شده است.

یکی از دغدغه‎های مصرف‌کننده‎ محصولات، داشتن یک پیش‌زمینه ذهنی با توجه به نظرات خریداران قبلی، نسبت به یک محصول، قبل از تصمیم‌گیری برای خرید آن است.در کنار مصرف‌کنندگان، تولیدکنندگان هم برای بهبود محصولات قبلی و پیشی گرفتن در بازار فروش نسبت به رقیبان به نظرات مصرف‌کنندگان محصولات خود اهمیت می‎دهند. امروزه با افزایش تولید برخط محتوا توسط کاربران در شبکه‎های اجتماعی درباره یک شی واقعی یا انتزاعی، امکان رسیدن به اهداف بالا فراهم‌شده است. اما وجود انبوهی از اطلاعات، تحلیل آن‌ها را سخت کرده است به همین دلیل نظرکاوی از جایگاه ویژه‎ای در متن‌کاوی برخوردار است. نظرکاوی رشته‌ای از مطالعات است که در آن عقیده، احساس، ارزیابی، گرایش و هیجان مردم از زبان نوشتاری تحلیل می‎شود. نمونه‎ای از نظرکاوی، نظرکاوی ریزدانه جنبه گرا است که در آن جنبه‎های مهم یک قلم از متن نظر استخراج‌شده و جهت‎گیری هر جنبه بر اساس احساس ذکرشده تخمین زده می‎شود. در اینجا هر جنبه ویژگی یا جزئی از یک قلم و جهت‏گیری همان ارزش عددی بیان‌کننده احساس کاربر است. ما در این پژوهش با استخراج ویژگی‎ها ازمتن و استفاده از میدان تصادف شرطی به‌عنوان مدل یادگیر، جنبه‎های نهفته در متن نظرات را استخراج کردیم. نتایج آزمایش ها نشان می دهد که روش مورد استفاده در این پژوهش عملکردی قابل رقابت با بهترین روش‎های موجود روی مجموعه دادگان Semeval2014 دارد.

نگاشت-کاهش و پیاده‌سازی متن باز آن، هادوپ، از چارچوب‌های غالب در پردازش داده‌های بزرگ هستند. نگاشت‌– کاهش یک مدل برنامه‌نویسی ساده برای پیاده‌سازی مسائل محاسباتی در سیستم‌های توزیع شده بزرگ است. این مدل از 2 بخش مهم تشکیل شده است: نگاشت و کاهش. مابین این دو بخش مهم، بخش افراز قرار دارد. این بخش با استفاده از شبکه، وظیفه‌ی توزیع کلیدهای تولید شده در بخش نگاشت به وظایف کاهش را بر عهده دارد. زمانیکه میزان کلیدها و مقادیر آن‌ها، که به طور کلی داده میانی نامیده می‌شوند، بزرگ باشد بخش افراز تاثیر غیر قابل انکاری بر روی زمان اجرای وظایف کاهش خواهد داشت. در این مقاله یک افراز آگاه از منابع ارتباطی و پردازشی جهت کاهش زمان اجرای وظایف کاهش ارائه می‌دهیم. این الگوریتم با توجه به زمان اجرا و زمان انتقال کلید به تمامی ماشین‌ها، ماشینی را برای اجرای وظیفه کاهش بر روی یک کلید انتخاب می‌کند که مجموع زمان اجرا و جابه‌جایی کمینه باشد. پیاده‌سازی این الگوریتم نشان می‌دهد که این افراز زمان اجرای برنامه‌هارا نسبت به الگوریتم پیش فرض به میزان 15% بهبود داده و با مقدار بهترین حالت نیز تنها 10% تفاوت دارد.

شناسایی الگوهای طراحی استفاده شده در یک سیستم نرم‌افزاری به نگهداری و مهندسی مجدد نرم افزار کمک می‌کند و نیز باعث سهولت فهم کد برنامه‌ها میشود. این فهم به انطباق بین کد برنامه‌ها و طراحی آن‌ها، کمک زیادی میکند. علاوه براین، پیاده سازیهای مختلف از یک الگوی طراحی، تشخیص نمونه‌ی الگوها از کد برنامه را سخت میکند. از آنجاییکه هر الگوی طراحی مجموعه‌ای از نقش‌هایی است که توسط کلاس‌ها در برنامه ایفا میشوند و در واقع نقش‌ها اجزای اصلی و تعیین کننده در الگوهای طراحی هستند، با تعیین نقشی که هرکلاس در یک نمونه الگو ایفا میکند، میتوان الگوهای طراحی برنامه را شناسایی نمود. بنابراین، در این مقاله، روشی برای شناسایی نقش‌های الگوهای طراحی از کد برنامه پیشنهاد میگردد که مسئله تشخیص نقش‌ها را به یک مسئله یادگیری ماشین نگاشت می‌کند. نتایج آزمایشات با استفاده از برنامه‌های واقعی نشان میدهد که روش پیشنهادی، روش نسبتا موفقی است.

هدف از کنترل GRN (شبکه‌های تنظیم ژن)، یافتن استراتژی برای کنترل حالت سیستم با مداخله تعدادی ژن ورودی به‌نام ژن کنترلی است، به نحوی که بتواند سیستم را از حالت نامطلوب (بیماری‌زا) به حالت مطلوب منتقل نماید. در عمده روش‌های کنترلی انجام شده ابتدا GRN ، مدل‌سازی شده و سپس سیاست تخمینی مورد نظر از شبکه مدل شده، یافت می‌شود تا سیستم را به حالت مطلوب منتقل نماید. در روش‌های کنترل خارجی مبتنی بر شبکه‌های بولی احتمالی، به‌عنوان یکی از محبوب‌ترین مدل‌سازی انجام شده این شبکه‌ها، پیچیدگی زمانی و حافظه برای یافتن استراتژی کنترلی، بالا می‌باشد. یک ایده برای غلبه بر این مشکل مدل‌سازی بر اساس نمونه‌های جمع آوری شده از محیط، و سپس یافتن سیاست تخمینی است. در این مقاله به ارائه یک سیستم یادگیر کنترل محور بر مبنای الگوریتم یادگیری تقویتی دسته‌ای پرداختیم، به‌طوری که با تعریف پارامترهای سیستم و تطبیق بر مدل شبکه استنتاج شده در روش‌های پیشین، با استفاده از نمونه‌های جمع‌آوری شده از محیط، بتوانیم سیاست تخمینی را از داده‌ها استنتاج نماییم. پس از بدست آوردن سیاست تخمینی و اعمال آن به شبکه بولی احتمالی ساخته شده، نتایج نشان داد که این روش توانست احتمال حالت نامطلوب در شبکه را نسبت به روش پیشین مشابه آن، بهبود بخشد.

در اين مقاله تشخیص توده‌ای اشیاء از تصویر عمق و بدون استفاده از تصویر رنگی سنسور کینکت ارائه شده است. تصاویر عمق از سنسور کینکت دریافت شده و پس از کالیبراسیون دوربین و پروژکتور عمق، محدوده اجسام موجود در صحنه تشخیص داده می‌شوند. در روش پیشنهادی از الگوریتم‌های یادگیری استفاده نشده است و الگوریتم هیچ آگاهی از محیط ندارد. عدم استفاده از تصاویر رنگی موجب افزایش دامنه کاربرد الگوریتم در شرایط دشوار نوری می‌شود. در روش کانتور فعال با آستانه‌گیری چند هدفه از تصویر طیف خاکستری عمق، آن ناحیه رشد داده شده تا محدوده شیء تعیین شود. در این مقاله با استفاده از پیوستگی نواحی، تفکیک میان اشیاء واقع در یک عمق بررسی شده است. روش پیشنهادی در مسیریابی و تهیه نقشه‌های سه بعدی بلادرنگ که توسط ربات‌های خودکار در محیط‌های ناشناخته تهیه می‌شوند، می‌تواند مورد استفاده قرار گیرد. نتایج حاصل از شبیه‌سازی حاکی از عملکرد مناسب روش پیشنهادی در مقایسه با روش‌های متداول آن می‌باشد. نتایج تجربی از تصاویر واقعی گرفته شده سنسور کینکت به دست آمده و این روش قادر است با سرعت بالا و دقت مناسبی اشیاء محیطی را تشخیص داده و عوارض محیط را شناسایی نماید.

در دنیای امروز، مجموعه حجیمی از داده¬ها در سرتاسر دنیا در حال تولید شدن است. به این حجم عظیم داده که تولید می¬شود، کلان داده گفته می¬شود. تجزیه و تحلیل کلان داده می¬تواند بینش عمیقی به سازمان¬ها جهت تصمیم¬گیری در امور مختلف بدهد. استفاده از تجزیه و تحلیل کلان داده در نظام سلامت نه تنها چالش حجم زیاد داده¬ها را تسهیل می¬کند بلکه چالش تنوع داده¬ها شامل انواع مختلف داده¬های تولید شده و سرعت تولید آن را نیز حل می¬کند. با استفاده از تکنولوژی¬های کلان داده، اطلاعات می¬توانند از حجم وسیعی از داده¬های در دسترس استخراج شود. در حوزه سلامت، با بهره¬برداری درست و بهینه از اطلاعات خروجی، می¬توان بهترین سیستم تصمیم¬گیری را فراهم کرده تا بتواند موجب حفظ جان انسان¬ها گردد. در این مقاله سعی بر آن است که به کاربرد کلان داده در نظام سلامت شهری پرداخته شده، پزشکی کنش¬گرای P4 که پیش¬گویی کننده، پیش¬گیری کننده، فردگرایانه و مشارکت¬جویانه است، مطرح و پیوند کلان داده و پزشکی P4 تببین شود و فرصت¬ها و چالش¬هایی که وجود دارد، مورد بررسی قرار گیرند. اگرچه چالش¬هایی وجود دارند، اما می¬توان پیشرفت چشمگیری هم در حوزه سلامت و هم برای ابزار¬ها و زیرساخت¬های تجزیه و تحلیل¬های مرتبط با این حوزه متصور شد.

دستگاه‌های حسگر پوشیدنی برای بسیاری از برنامه‌های کاربردی در بهداشت و درمان استفاده می‌شود. ویژگی‌های آماری استخراج شده از سیگنال‌های فیزیولوژیکی توسط افراد، ممکن است منجر به تخلیه باتری شود که در این صورت باید ویژگی‌های بهینه انتخاب شوند. در این مقاله مفهوم انتخاب ویژگی با هدف به حداقل رساندن مصرف انرژی برنامه های کاربردی طبقه بندی شده معرفی می‌شود. مسئله با استفاده از الگوریتم ژنتیک برای انتخاب ویژگی به شیوه‌ای توان کارآمد و استفاده از دو معیار ارتباط و افزونگی به عنوان معیار ارزش‌گذاری ویژگی‌ها ارائه شده است. نتایج آزمایشی بر روی سی کانال داده فعالیت جمع‌آوری شده از افراد واقعی نشان می‌دهد که روش پیشنهادی به طور قابل توجهی می‌تواند باعث کاهش مصرف انرژی سنسورها گردد، در نتیجه باعث ذخیره بیش از 30% انرژی شود در حالی که دقت طبقه‌بندی به 95% می‌رسد.

شناسایی حالت چهره یکی از مسائل جالب و چالش‌برانگیز در بینایی ماشین است. استخراج ویژگی نقش بسیار مهمی در دقت الگوریتم‌های شناسایی حالت چهره ایفا می‌کند. یکی از روش‌های استخراج ویژگی در بینایی ماشین، استفاده از فیلتر گابور است، که عملکرد آن شباهت زیادی به سلول‌های پیچیده در سیستم بینایی انسان دارد. نقطه ضعف فیلتر گابور، هزینه محاسباتی و طول بردار ویژگی زیاد آن است. در این مقاله، با الهام از سیستم بینایی انسان، ماتریس‌های حاصل از کانولوشن فیلترهای گابور با تصویر، به نحو مناسبی براساس بیشترین و کمترین پاسخ، کدگذاری می‌شوند. در ادامه، با محاسبه هیستوگرام این کدها در تصویر، بردار ویژگی بدست می‌آید. طول این هیستوگرام به ازای 16 و 8 فیلتر گابور به ترتیب برابر با 240 و 56 بوده که بسیار کمتر از حفظ تمام ضرایب گابور است. روش پیشنهادی که از سیستم بینایی انسان الهام گرفته شده است، بر روی سه پایگاه داده شناسایی حالت چهره CK+، SFEW و MMI (به‌صورت مستقل از شخص) ارزیابی شده است. نتایج بدست آمده از این آزمایش‌ها نشان می‌دهد که روش پیشنهادی در مقایسه با سایر روش‌های مشابه موجود از دقت بالاتری در شناسایی حالت چهره در تصاویر کنترل شده و همچنین کنترل نشده برخوردار است.

مشکل تنگنای ابعاد در مجموعه داده‌های با ابعاد بالا از مسائل مهم در حیطه خوشه‌بندی داده‌ها است. در سال‌های اخیر برای حل این مشکل، روش‌های خوشه‌بندی زیر‌فضا مورد توجه بسیاری از محققان قرار گرفته است. هدف اصلی خوشه‌بندی زیر¬فضایی، یافتن تمام خوشه‌ها در تمام زیرفضاهای ممکن است. مشکل اصلی روش‌های پیشین خوشه‌بندی زیر‌فضایی، ایجاد تعداد بسیار زیادی زیرفضا است. این مشکل منجر به کاهش کارایی و افزایش زمان اجرای الگوریتم‌ها شده است. در این مقاله روشی کارا مبتنی بر چگالی برای ایجاد بهینه زیرفضاها ارائه شده است. این الگوریتم به صورت پایین به بالا عمل کرده و با استفاده از معیارهای مختلف شباهت، زیرفضاهای مشابه را با تکرار چندین باره الگوریتم پیدا و ترکیب می¬نماید. برای این منظور الگوریتم پیشنهادی در هر تکرار، پس از ترکیب و تشکیل زیرفضاهایی با ابعاد بالاتر، داده‌های موجود در این زیرفضاها را دوباره خوشه‌بندی می¬کند. این خوشه‌بندی به منظور، بدست آوردن ساختار جدید خوشه‌ها انجام می¬شود. در نهایت الگوریتم پیشنهادی، تمام زیرفضاهای ممکن در داده‌ها را تشخیص داده و همه‌ی خوشه‌های ممکن را می¬یابد. برای ارزیابی روش پیشنهادی از مجموعه داده‌های مصنوعی و واقعی مختلفی استفاده شده است. روش پیشنهادی در مقایسه با روش های پیشین از دقت و سرعت بهتری برخوردار است. روش پیشنهادی 34 درصد نسبت به الگوریتم CLIQUE و 6 درصد نسبت به DiSH دقت بالاتری دارد. همچنین روش پیشنهادی، برخلاف روش‌هاش پیشین، توانایی یافتن زیرفضاها در ابعاد مختلف را دارد.

شبکه‌های توری بی‌سیم یک تکنولوژی جدید به منظور ایجاد سرویس‌های ارتباطی پهن باند و با قابلیت توسعه را فراهم می‌سازند. با توجه به این موضوع، مدیریت دسترسی به منابع با هدف بهبود گذردهی، بعنوان یکی از مهمترین چالش‌های پیش رو در این شبکه‌ها مطرح می‌شود. در اين مقاله، ابتدا مسئله‌ی مدیریت دسترسی به منابع شامل: مدیریت کنترل توان، مدیریت تطبیق نرخ، مدیریت زمان‌بندی، مدیریت مسیریابی و مدیریت تخصیص کانال در گره‌های این شبکه فرمول‌بندی می‌شود. مسئله‌ی مطرح شده NP_hard می‌باشد و با افزایش تعداد گره‌های شبکه و تعداد تقاضاهای ترافیکی، مدت زمان پاسخگویی به صورت نمایی افزایش می‌یابد. برای حل این مشکل یک الگوریتم ترکیبی ابتکاری-فراابتکاری به منظور مدیریت دسترسی به منابع، ارائه می‌گردد. نتایج شبیه‌سازی عملکرد مناسب الگوریتم پیشنهادی را در مقایسه با رویکرد فرمول‌بندی شده بهینه نشان می‌دهد.

حمله منع سرویس تلاش برای خارج کردن ماشین و یا منابع شبکه از دسترس کاربران مجازش است. اگرچه منظور از حمله DOS و انگیزه انجام آن ممکن است متفاوت باشد، اما به طور کلی شامل تلاش برای قطع موقت یا دائمی و یا تعلیق خدمات یک میزبان متصل به اینترنت است. این حملات ممکن است با کمک سواستفاده از آسیب¬پذیری¬های مقصد یا تجهیزات بین راه اتفاق بیفتند و یا کاملا از مسیری که کاربران مجاز نیز از آن استفاده می¬کنند حمله کنند. روش ارائه شده در این مقاله، روشی مستقل از پروتکل و در لایه شبکه است که قادر به تشخیص رفتار حمله بدون نیاز به دانستن رفتار شبکه در حالات عادی است. ما از تجزیه و تحلیل دوبعدی موجک برای مدل کردن همزمان رفتار فرستنده و گیرنده برای تشخیص خارج از کنترل بودن/نبودن ترافیک استفاده کرده ایم.

With the expansion of embedded systems and the new applications of these computing systems in Internet of Things, smart homes and sensors, such systems are faced with a large amount of data. Therefore, designing an embedded system for Massive sensor data analysis for detecting a situation and making a decision is becoming more complex. Machine learning algorithms are a promising method for designing such systems. Neural networks are very popular learning systems to be used in data analysis. However, huge computations of the neural networks make them unsuitable for embedded systems which have strict limitations on energy consumption and execution time as the main design concerns. In this paper we propose an optimization for multi-layer perceptron neural networks based on neuron saturation states. Experimental results show that in average 89% of neurons are in saturated state for benchmark applications. Since in a saturated neuron, exact numerical value is not required, predicting the saturation state helps to perform the computation with less effort. The goal of the saturation prediction is to keep accuracy while minimizing the computations.

تشخيص جامعه در شبکه‌هاي اجتماعي از نظر محاسباتي کاري چالش برانگيز است و توجه محققان زيادي را در دهه اخير به خود جلب کرده است. بيشتر مقالات در اين حوزه بر مدل‌سازي ويژگي‌هاي ساختاري تمرکز کرده‌اند. در اکثر اين مقالات، روش‌ها جوامع را يکي پس از ديگري و به صورت سري يا نوبتي تشخيص مي‌دهند. با هدف افزايش سرعت محاسبات، الگوريتم‌هاي تشخيص جامعه موازي‌سازي شدند. الگوريتم انتشار برچسب (LPA) به دليل بازدهي زماني، روش مؤثري براي موازي‌سازي است. در اين مقاله، اين الگوريتم به صورتي بازنويسي شده است که جوامع همپوشان را تشخيص دهد؛ در جوامع همپوشان يک فرد/گره مي‌تواند همزمان به بيش از يک جامعه متعلق باشد. همچنين، مبتني بر مدل نگاشت - کاهش الگوريتم جديد پياده‌سازي شده است. آزمايش‌هاي طراحي شده نشان مي‌دهد که الگوريتم پياده‌سازي شده از الگوريتم‌هاي مشابه تشخيص جوامع همپوشان مانند LPA، SLPA و COPRA براساس معيار ماژولاريتي کارکرد بهتري دارد.

تجزيه و تحليل نظرات کاربران، يک حوزه فعال در پردازش زبان طبيعي مي‌باشد که هدف آن، شناسايي، استخراج و سازماندهي نظرات متون توليد شده توسط کاربر مي‌باشد. در طول دو دهه گذشته، بسياري از مطالعات در اين حوزه، از روش‌هاي يادگيري ماشين براي حل وظايف تجزيه و تحليل نظرات ديدگاه‌هاي مختلف بهره برده‌اند. از آنجايي که امروزه روش‌هاي يادگيري عميق به عنوان مدل‌هاي محاسباتي قدرتمند، قادر به تفسير و درک معنايي متن و داده‌ها مي‌باشند، در اين مقاله روشي براي تعيين سنجمان کلمات و عبارات فارسي با استفاده از يادگيري عميق و ميدان‌هاي تصادفي شرطي (CRF) پيشنهاد شده است. در واقع به اين علت که کلمات و عبارات مي‌توانند در متن‌ها و بافتارهاي مختلف داراي سنجمان‌هايي متفاوتي باشند، هدف اين مقاله دادن بار معنايي به آن‌ها بوده و سيستم قادر به تشخيص سنجمان‌هاي مختلف آن‌ها مي‌باشد. به دليل اينکه سنجمان کلمات و عبارات مجاور بر روي يکديگر اثر مي‌گذارد، نتيجه CRF در روش پيشنهادي بهتر از softmax مي‌باشد.

تخمين ژست بدن انسان در تصوير که در آن محل قرارگيري اجزاء اصلي بدن انسان در يک تصوير دوبعدي مشخص مي‌شود، استفاده‌هاي فراواني در کاربردهاي مختلف بينائي ماشين دارد. در تخمين ژست در ويديو، علاوه بر اطلاعات ظاهري موجود در هر فريم مي‌توان از اطلاعات زماني بين فريم‌ها يا ويژگي‌هاي حرکتي نيز استفاده کرد. اطلاعات زماني بين فريم‌ها را مي‌توان با استفاده از حافظه‌هاي کوتاه مدت طولاني کانولوشني مدل‌سازي کرد. با تحليل حرکت انسان در يک دنباله از فريم‌ها مي توان ژست احتمالي انسان در فريم‌هاي بعدي را پيش‌بيني کرد. در برخي موارد نظير حالتي که يکي از اندام‌هاي بدن از يک حالت انسداد خارج و شروع به حرکت مي‌کند به دليل عدم وجود اطلاعات عضو مربوطه در فريم‌هاي قبلي، اطلاعات حرکتي براي تخمين ژست آن عضو در فريم‌هاي بعدي موجود نيست. برعکس، در اين گونه موارد، اطلاعات فريم‌هاي بعدي مي‌توانند در مورد محل آن عضو در فريم فعلي اطلاعاتي را ارائه نمايند. از اين رو با تحليل رو به عقب فريم‌ها مي‌توان به مجموعه جديدي از اطلاعات حرکتي دست يافت. در اين مقاله با تخمين ژست با استفاده از دو مدل مجزاي رو به جلو و رو به عقب، دو خروجي متمايز به ازاي هر فريم توليد مي‌شود. نقشه‌هاي اطمينان حاصل از اين دو مدل با استفاده از يک شبکه‌ي کانولوشني با يکديگر ترکيب شده و خروجي نهايي توليد مي‌شود. نتايج به دست آمده از اعمال روش پيشنهادي بر روي مجموعه داده‌هاي Penn Action‌ و Sub-JHMDB نشان‌دهنده برتري اين روش بر روش‌هاي پيشين و استخراج اطلاعات مورد نظر است.

پيدا کردن مسير ساده از مجموعه نقاط داده شده درون چندضلعي اولين بار توسط چنگ و همکارانش مطرح شد. اين مسئله مي‌تواند در مسيريابي حرکت ربات‌ها، توليد چندضلعي‌هاي تصادفي، طراحي مدارهاي VLSI و غيره کاربرد داشته باشد. در اين مقاله اثبات مي‌کنيم که رسم m زنجيره ساده با طول‌هاي متفاوت داده شده از يک مجموعه نقطه درون يک چندضلعي ساده به‌طوري‌که تمام نقاط را پوشش دهند و زنجيره‌هاي رسم شده باهم تقاطع نداشته باشند ان پي-کامل است. براي اثبات ان پي-کامل بودن اين مسئله، از مسئله «3-پارتيشن» که خود يک مسئله ان پي-کامل است استفاده مي‌کنيم و آن را به مسئله مطرح‌شده کاهش مي‌دهيم. در پايان نيز اثبات مي‌کنيم که رسم يک دورهميلتوني از نقاط درون چندضلعي ساده که لزوماً ساده نيست ان پي- کامل مي‌باشد.

دسته‌بندي بسته‌ها يکي از وظايف اصلي پردازنده‌هاي شبکه‌اي مي‌باشد. مهمترين مسئله در اين زمينه، استفاده از الگوريتمي است که بتواند بسته‌ها را با سرعت بالا و مصرف حافظه پايين، دسته‌بندي نمايد. الگوريتم‌هاي دسته‌بندي به دو رده‌ي کلي نرم‌افزاري و سخت‌افزاري تقسيم مي‌شوند. الگوريتم‌هاي مبتني بر درخت تصميم يک گروه از روش‌هاي نرم‌افزاري دسته‌بندي بسته‌ها هستند که با به کارگيري روش‌هاي مختلف براي انجام برش در مدل هندسي معادل نمايش قانون‌هاي دسته‌بند، درخت تصميم بهينه را مي‌سازند. الگوريتم‌هاي موجود در اين دسته، در دسته‌بندي مجموعه قوانين بزرگ عملکرد مطلوبي از خود نشان نمي‌دهند. آنها براي کاهش حافظه مصرفي، تعداد دفعات دسترسي به حافظه را که بيانگر سرعت جستجو مي‌باشد را تا حد چشمگيري افزايش مي‌دهند و يا بالعکس، براي افزايش سرعت جستجو با افزايش قابل توجهي در حافظه مصرفي مواجه مي‌شوند. الگوريتم BitCuts که اخيرا براي افزايش سرعت جستجو در الگوريتم‌هاي درختي ارائه شده است نيز از اين مشکل مستثني نشده است. ما در اين مقاله روش جديدي ارائه داده‌ايم که با تغيير نحوه انتخاب بيت در هر گره از درخت، حافظه مورد نياز و تعداد دسترسي به حافظه را در الگوريتم مذکور کاهش مي‌دهد. نتايج ارزيابي مويد آن است که متوسط تعداد دسترسي ها به حافظه جهت دسته بندي بسته‌ها و ميزان حافظه مصرفي در روش پيشنهادي، به ترتيب برابر %61 و %13 روش پايه Bitcuts است.

با ملاحظه‌ي مقبوليت عمومي و روبه‌گسترش استفاده از روش‌ها و الگوريتم‌هاي مبتني‌بر گراف در زيست‌شناسي سامانه‌ها و زيست‌شناسي مصنوعي، و همچنين، گستردگي تنوع گراف‌هاي بکارگرفته‌شده توسط اين الگوريتم‌ها، توليد و توسعه‌ي يک محصول جامع کتابخانه‌اي که با اتکاي بر آن بتوان نمايشي کامل و بي‌نقص از انواع سامانه‌هاي زيستي را ارائه داد، ضروري به نظر مي‌رسد. فقدان محصولات کتابخانه‌اي با غناي آنچه که براي طراحي، بررسي و تحليل شبکه‌هاي مختلف زيستي موردنياز است، از ديگر انگيزه‌هاي ما براي حرکت در راستاي نيل به اين مقصود بود. در کنار اين موارد، استفاده از معماري سه لايه در طراحي محصول مزايايي را بهمراه دارد که نتيجه‌اش توليد محصولي کارآمد است؛ مزيت‌هايي مانند: 1) توسعه‌ي يک معماري ماژولار ساختارمند براي ملاحظه‌ي انواع داده‌گراف‏ها ‏و کاهش پيچيدگي‌هاي وابسته، 2) حفظ دقت و صحت داده-گراف‌ها بدون دخالتِ کاربر نهايي در نحوه‌ي ذخيره‌سازي‌شان در کامپيوتر و 3) افراز محصول کتابخانه‌اي به زيربخش‌هاي مختلف بنابر آنچه که گفته شد و نقصان‌هاي موجود، اين مقاله به معرفي ساختار يک محصول کتابخانه‌اي توسعه‌پذير براي پوشش تمامي انواع داده‌گراف‌ها و نحوه‌ي توليد آن که مبتني‌بر معماري سه لايه است، مي‌پردازد. محصول مذکور با بهره-گيري از زبان برنامه‌نويسي جاوا و پايگاه داده‌اي MySQL پياده‌سازي شده و درحال بسط و گسترش است.