الگوریتم رقابت استعماری روشی در حوزه محاسبات تکاملی است که به یافتن پاسخ بهینه مسائل مختلف بهینه‌سازی می‌پردازد. همانند همه الگوریتم‌های تکاملی، الگوریتم رقابت استعماری نیز مجموعه اولیه‌ای از جواب‌های احتمالی را تشکیل می‌دهد که هر کدام از این جواب‌ها در اصطلاح الگوریتم رقابت استعماری، کشور نامیده می‌شود. از بین کشورهایی که دارای تابع هزینه بهتری نسبت به بقیه هستند، تعداد مشخصی به عنوان کشورهای استعمارگر انتخاب شده و سایر کشورها، تحت عنوان مستعمرات به سمت استعمارگرها در فضای متغیرهای مسأله حرکت می‌کنند. در این الگوریتم، کشورهای استعمارگر هیچ حرکتی انجام نمی‌دهند و بدون توجه به فضای پیرامون خود ساکن هستند؛ به همین دلیل ممکن است الگوریتم، در بهینه‌های محلی تابع هزینه قرار بگیرد و از یافتن یا نزدیک شدن به جواب بهینه سراسری بازبماند. در این مقاله جهت افزایش قدرت الگوریتم رقابت استعماری، عملگر حرکت استعمارگرها به سمت بهترین استعمارگر و همچنین جستجوی فضای اطراف بهترین استعمارگر به وسیله تولید جواب‌های تصادفی در داخل شعاع معینی پیرامون آن، پیشنهاد شده است. عملکرد الگوریتم پیشنهادی به وسیله توابع محک مختلفی ارزیابی شده و نتایج تجربی نشان‌دهنده برتری الگوریتم رقابت استعماری بهبود یافته پیشنهادی نسبت به سایر الگوریتم‌های مطرح مانند الگوریتم PSO، ABC و ICA استاندارد می‌باشد.

یکی از مسائل مطرح در طبقه بندی کننده k نزدیک ترین همسایه، تعیین اندازه همسایگی است. تحقیقات نشان داده اند تعیین بهینه مقدار k تاثیر بسزایی در میزان دقت حاصل از طبقه بندی این نوع طبقه بندی کننده دارد از همین رو، کارهای بسیاری جهت تعیین اندازه همسایگی به صورت کلی برای هر مجموعه داده و یا به صورت محلی به ازای هر نمونه، صورت گرفته است. در این مقاله یک تکنیک k نزدیکترین همسایه وفقی ارائه شده که در فاز اول، با توجه به همسایگی هر نمونه آموزشی (الگو)، یک مقدار مناسب k به هر یک انتساب داده می شود. سپس در فاز دوم، با استفاده از مفهوم وزن دهی به الگوها، فاصله ای وفقی بین یک نمونه تست و یک الگو تعریف می شود. سپس وزن الگوها به گونه ای تنظیم می شود که منجر به افزایش نرخ طبقه بندی leave one out بر روی مجموعه داده آموزشی شود. در فاز طبقه بندی، نزدیکترین الگوی هر نمونه تعیین و از مقدار k آن، برای طبقه بندی استفاده می‌شود. روش پیشنهادی با شیوه های KNN وفقی ارائه شده در تحقیقات گذشته، بر روی تعدادی مجموعه داده استاندارد، مقایسه شده است. نتایج نشان می‌دهد که الگوریتم ارائه شده نه نتها اندازه مجموعه داده را کاهش می دهد بلکه در بسیاری از موارد، بهتر از سایر الگوریتم ها عمل می‌کند. علاوه بر این در حضور نویز، تقریبا در همه مجموعه های داده، دقت بیشتری را در بردارد.

شخصی‌سازی کاتالوگ الکترونیک عبارت است از هماهنگی محتوای کاتالوگ با نیازها و ترجیحات کاربر و نمایش مناسب‌ترین و هماهنگ‌ترین کاتالوگ برای هر کاربر. فرهنگ، شخصیت و احساس از جمله عواملی هستند که تاثیر زیادی روی نیازها و ترجیحات کاربر دارند؛ بر این اساس دسته‌ای از تحقیقات سعی کرده‌اند نقش این فاکتورها را در سیستم‌های شخصی‌سازی لحاظ کنند. اما عیب عمده این تحقیقات این است که نقش خصوصیات فرهنگی- شخصیتی- احساسی به طور مجزا مورد بررسی قرار گرفته است. این در حالی است که این سه عامل تاثیرات متقابل زیادی روی یکدیگر دارند و اگر به طور مجزا مدل‌سازی شوند، رفتار کاربر به طور کامل قابل مدل‌سازی نخواهد بود. از طرف دیگر روش‌هایی که تاکنون در این زمینه ارائه شده است، معمولاً نیاز به تکمیل تست‌های روان‌شناسی یا روش‌های پیچیده یادگیری ماشین دارند. در این تحقیق سیستم شخصی‌سازی پیشنهاد شده که خصوصیات فرهنگی- شخصیتی- احساسی را به طور همزمان لحاظ می‌کند. در این سیستم یک مدل یکپارچه و مجتمع از خصوصیات فرهنگی، شخصیتی و احساسی برای هر کاربر وجود دارد که بر اساس کشور محل تولد و دستاوردهای روان‌شناسی مقداردهی اولیه می‌شود. بنابراین نیاز به تست‌های روان‌شناسی و روش‌های پیچیده یادگیری ماشین ندارد. در این سیستم نحوه تاثیر فاکتورهای فرهنگی- شخصیتی – احساسی روی ترجیحات کاربر در قالب قوانین پایگاه دانش مدل‌سازی شده و بر اساس آن محتوای مورد ترجیح کاربر ایجاد می‌شود. مدل ارائه شده در این تحقیق با روش‌های عادی شخصی سازی مورد مقایسه قرار گرفته است. نتایج مقایسه نشان می‌دهد که دقت و کیفیت سیستم پیشنهادی بهبود قابل توجهی یافته است.

خوشه‌بندی به‌عنوان یک روش یادگیری بدون نظارت، یکی از تکنیک‌های اصلی داده‌کاوی محسوب می‌شود. انباره داده یک منبع داده خوب برای روش‌های داده‌کاوی ازجمله خوشه‌بندی است. در محیط‌های انباره داده، به‌صورت دوره‌ای حجمی از داده‌ها به داده‌های موجود اضافه می‌شود. در این حالت، خوشه‌های کشف‌شده از داده‌های موجود در انباره داده باید به‌روز شوند. در این مقاله یک الگوریتم خوشه‌بندی مبتنی برچگالی افزایشی ارائه شده است که توانایی استفاده در محیط‌های انباره داده شامل داده‌های با چگالی متفاوت را دارد. الگوریتم ارائه‌شده علاوه بر افزودن افزایشی نقاط، توانایی افزودن افزایشی خوشه‌ها را نیز دارد. الگوریتم افزایشی ارائه‌شده با توجه به مقایسه‌ای که انجام داده‌ایم، بر مبنای یکی از بهترین الگوریتم‌های خوشه‌بندی مبتنی برچگالی که قابلیت کشف خوشه‌های با چگالی متفاوت را دارد، ارائه شده است. روش کار الگوریتم ارائه‌شده به این صورت است که ابتدا نقاط جدید اضافه‌شده را با استفاده از الگوریتم MD-DBSCAN خوشه‌بندی می‌کند و سپس خوشه‌های حاصل را به خوشه‌های موجود در انباره داده اضافه می‌کند. ما الگوریتم پیشنهادی را بر روی مجموعه داده‌های استاندارد آزمایش کرده‌ایم. نتایج آزمایش‌ها نشان می‌دهد که الگوریتم IMD-DBSCAN دارای دقت بالایی بوده و نسبت به الگوریتم MD-DBSCAN برای به‌روز کردن خوشه‌ها نیاز به پرس وجو ناحیه‌ای بسیار کمتری دارد و درنتیجه دارای افزایش سرعت بسیار خوبی بوده است.

در این مقاله، الگوریتم جستجوی گرانشی باینری برای انتخاب ویژگی و بهینه‌سازی پارامترهای ماشین بردار پشتیبان جهت طبقه‌بندی افراد سالم و بیماران مبتلا به صرع استفاده شده است. انتخاب صحیح ویژگی‌ها و پارامترهای این طبقه‌بند بر نتیجه تشخیص تا حد زیادی تاثیر می‌گذارد. همچنین، کاهش ابعاد ویژگی‌ها از منظر فضای لازم برای ذخیره و زمان مورد نیاز جهت اجرای الگوریتم‌های طبقه‌بندی نیز حائز اهمیت می‌باشد. در این تحقیق از داده EEG افراد سالم و بیماران مبتلا به صرع استفاده شده است. انتخاب ویژگی و بهینه سازی پارامترهای ماشین بردار پشتیبان بصورت همزمان و گام‌به‌گام پیاده سازی شده است. نتایج نهایی نشان داده‌اند که انجام این مراحل بصورت همزمان نسبت به گام‌به‌گام به نتایج بهتری از نظر دقت، حساسیت، خصوصیت و زمان اجرا می‌انجامد.

بشر براي حل مسائل خود، همواره به دنبال راه‌حلي بوده كه هزينه كمتري داشته باشد. از این‌رو مسائل بهینه‌سازی، توجه محققان را به خود جلب نموده‌اند. از مهم‌ترين روش‌های برخورد با این مسائل، الگوریتم‌های تکاملی هستند كه بيشتر آن‌ها از طبيعت الهام گرفته شده‌اند. الگوريتم جستجوي گرانشي يكي از الگوريتم‌های تکاملی مي‌باشد كه در برخورد با مسائل تك‌مدي كارايي خود را نشان داده است. براي موفقیت اين الگويتم در مسائل چند‌مدي، آن را با يكي از تكنيك‌هاي جايگاه‌يابي به نام K-means و تکنیک نخبه‌گرايي جديد loop in Loop تركيب نموده‌ایم. کارایی این الگوریتم ترکیبی در بخش نتایج آزمایشگاهی مشاهده می‌شود.

امروزه یکی از موضوعات مهم و مورد توجه پژوهشگران در زمینه بازیابی اطلاعات، خلاصه‌سازی خودکار متن می‌باشد. در همین راستا، متونِ مختلف را می‌توان در غالب ماتریس‌های دوبُعدی کلمه-سند ذخیره نمود. همچنین تاکنون بیشتر خلاصه‌سازی‌های انجام شده، روی ماتریس‌های دوبعدی حاصل از متن انجام شده است. این ماتریس‌ها را می‌توان با اضافه نمودن بعدهای اطلاعاتی متفاوت، به آرایه‌های چندبعدی مختلفی به‌نام تانسور تبدیل کرد که حاوی اطلاعات بیشتری نسبت به ماتریس‌های دوبعدی باشند. ازجمله‌ی این ابعاد اطلاعاتی، بعد جغرافیا، زمان، معنا و مفهوم، نویسندگان و ... می‌باشد. در این مقاله، با اضافه نمودن بعد زمان به ماتریس کلمه-سند، تانسور کلمه-سند-زمان ایجاد و سپس روش جدیدی برای خلاصه‌سازی ارائه شده است. در مدل پیشنهادی با استفاده از روش «آنالیز معنایی پنهان زمانی» به تجزیه تانسورها پرداخته و زمینه اصلی متون و اهمیت موضوعی هرسند در طول زمان مشخص می‌شود. سپس با محاسبه شباهت معنایی جملات براساس وردنت، جملاتِ مشابه با اهمیت کمتر حذف می‌شوند تا خلاصه نهایی عاری از هرگونه مفاهیم تکراری باشد. ارزیابی روش پیشنهادی بر روی مجموعه داده‌ی استاندارد DUC2007 و با استفاده از معیار ارزیابی ROUGE صورت گرفته است که نتایج حاصل شده، نشان از برتری روش پیشنهادی نسبت به سیستم‌های هم‌رده دارد.

یکی از مسائلی که در مورد استفاده از تلفن همراه مطرح است تعیین مکان ایستگاه‌های مورد نظر برای دادن سرویس‌دهی مناسب از نظر خط دهی به تلفن همراه است. شعاع خط دهی متفاوت این ایستگاه‌ها، مکان آن‌ها و شرایط جغرافیایی منطقه باعث می‌شود که مکان‌یابی این ایستگاه ها یک مسأله بهینه‌سازی از نوع چند جمله‌ای غير قطعي سخت1 شود. برای این منظور يك الگوريتم بهينه‌سازي جديد با نام 2WLM ارائه شده است. الگوریتم پیشنهادی با نمونه‌هاي مشابه که به وسیله الگوریتم ژنتیک و آتاماتاي يادگير پیاده‌سازی شده بود، مقایسه شده است و نتایج حاصل نشان می‌دهد که الگوریتم پیشنهادی بهتر از نمونه‌هاي مشابه پیاده‌سازی شده مي‌باشد.

ماشين بردار پشتيبان به‌عنوان يکی از بهترين طبقه‌بندهای موجود در زمينه يادگيری ماشين نسبت به توزيع داده‌ها اهميتی قائل نمی‌‎شود. روش‌های تعميم‌يافته آن به لحاظ سرعت، روش ماشين بردار پشتيبان دوگانه و به لحاظ دقت و سرعت هم‌زمان، بهبوديافته آن روش ماشين بردار پشتيبان دوگانه ساختاری ارائه شده است. در این مقاله، بکارگيری حداقل مربعات (least square) از الگوریتم S-TWSVM جهت افزايش سرعت برای طبقه‌بندی‎‌های باینری پيشنهاد می‌شود. روش پيشنهادی الگوریتمی ساده و سریع، برای ایجاد طبقه‌بندهای باینری برمبنای دو ابرصفحه غیرموازی فراهم می‌آورد. در این مقاله به‌جای حل دو مسأله quadratic programming، در S-TWSVM ، دو سیستم از روابط خطی حل می‌شوند. بدین ترتیب سرعت اجرای الگوریتم پیشنهادی از S-TWSVM به‌طور قابل توجهی افزایش می‌یابد. این درحالی‌ است که اطلاعات ساختاری داده‌ها همانند الگوریتم S-TWSVM به درون مسأله بهینه‌سازی وارد می‌شود تا ابرصفحه‌های الگوریتم پیشنهادی بتوانند روند توزیع داده‌ها را دنبال کنند. نتایج آزمایشات الگوریتم پیشنهادی روی پایگاه‌داده‌های استاندارد UCI مبین صحت بیش‌تر طبقه‌بندی این الگوریتم در برابر الگوریتم‌های S-TWSVM و LSTWSVM و سرعت بالاتر در برابر الگوریتم S-TWSVM است.

گرداننده‌های ابزار منبع بسیاری از خطاها و اشتباهات در سیستم‌عامل‌ها هستند. از اینرو، بهبود قابلیت اطمینان آن‌ها یکی از موضوعات مهم و کلیدی در بهبود امنیت سیستم عامل‌هاست. هدف از این پژوهش، بهبود قابلیت اطمینان گرداننده‌های ابزار از طریق رویدادنگاری زمان اجرای آن‌هاست. در این طرح به منظور تحلیل دودویی ماژول‌های درون هسته (شامل گرداننده‌ها) از رویدادنگاری توسط چارچوب Granary استفاده شده است. این رویدادنگاری حاوی اطلاعاتی همچون توابع اجرا شده در حین اجرای یک گرداننده و تعداد دفعات اجرایشان است. با استفاده از این اطلاعات و تشکیل گراف وابستگی توابع می‌توان رفتار گرداننده‌ها را تحلیل کرد. برای ارزیابی طرح پیشنهادی، رفتار گرداننده شبکه r8168 در دو حالت هنجار و ناهنجار، با یک بارکاری حاصل از یک سرور FTP مورد بررسی قرار گرفته است. در این آزمون با جمع آوری تعداد 80 نمونه رویدادنگاری‌ متفاوت، ابتدا داده‌های حاصل تحلیل شد و سپس از طبقه بند حداقل فاصله و روش leave one out برای طبقه بندی و اعتبارسنجی نتایج استفاده شد.

ایده اصلی در روش های نهان نگاری تطبیقی، جاسازی داده در تصویر با توجه به ويژگي هاي سيستم بينايي انسان است. در این روش ها در نواحي لبه تصوير داده بیشتری نسبت به نواحی یکنواخت جاسازی می شود. روش هاي تطبيقي بسياري تا به حال معرفي شده است. اگرچه به ظاهر هر کدام از آنها الگوريتم هاي خاص متفاوتي براي جاسازي داده استفاده مي کنند، اما در این مقاله ساختار يکساني براي تمام این الگوریتم‌ها ارائه شده است. مزيت اصلي تعريف اين ساختار، امکان استفاده از آن براي طراحي يک روش تطبيقي جديد است. علاوه بر ارائه یک مدل کلی، پارامترهاي مؤثر در امنيت روش‌هاي تطبيقي نیز بررسی شده است و یک مدل کلي براي اندازه گيري سطح امنيت يک روش تطبيقي پيشنهاد شده است. از این مدل برای مقایسه امنیت تعدادی از روش‌های تطبیقی موجود استفاده شده است که با نتایج موجود مطابقت دارد.

حملات کانال جانبی، حملاتی هستند که با استفاده از مصرف توان سخت افزار، زمان اجرای الگوریتم رمز، تشعشعات الکترومغناطیسی و غیره می توانند اطلاعات مخفی الگوریتم رمز را بدست آورند. حملات الگو نیز حملاتی هستند که بر اساس تشکیل الگوی یک داده میانی عمل می کنند. ولی با توجه به نویزی بودن اطلاعات بدست آمده از کانال جانبی میزان موفقیت در دست یابی به مقدار میانی در هنگام مخفی بودن کلید، کاهش می یابد. یکی از مراحل آشکار سازی کلید رمز، بدست آوردن وزن همینگ یک مقدار میانی از الگوریتم رمز در حین انجام عمل رمزنگاری است که با کلید رمز نیز ترکیب شده است. یکی از روشهای بدست آوردن کلید رمز استفاده از تکنیکهای یادگیری ماشین می باشد. این مقاله با ارائه یک طبقه بند مبتنی بر ماشین بردار پشتیبان و بهره گیری از الگوی توان برای وزن همینگ خروجی S-Box در حضور نویز با هدف تشخیص وزن همینگ یک مقدار میانی می پردازد. نتایج نشان می دهد که این طبقه بند با نرخ بازشناسی بالایی می تواند وزن همینگ یک مقدار میانی از الگوریتم را تشخیص دهد.

در این مقاله به حل مسئله‌ی حفظ حریم خصوصی در شبکه‌های عصبی می‌پردازیم. مسئله حریم خصوصی موردنظر بدین شکل است که ورودی‌های شبکه عصبی توسط یک یا چند نفر متفاوت فراهم می‌شود که به دیگران اعتماد نداشته و حاضر نیستند داده‌های خود را در اختیار فرد دیگری بگذارند. از سوی دیگر شبکه عصبی موردنظر محرمانه است و مایل نیستیم آن را در اختیار شرکت‌کنندگان بگذاریم، اما مایلیم برخی افراد که مجاز به دریافت خروجی هستند، نتیجه‌ی محاسبه این شبکه عصبی بر روی ورودی‌ها را بفهمند. در این مقاله محاسبات شبکه‌ی عصبی از طریق نورون‌هایی با تابع محرک سیگموئیدی موردنظر است. در طرحی که پیشنهاد کرده‌ایم تعداد تعاملات بین شبکه عصبی و طرفین به حداقل رسیده است. این طرح در مقابل حمله کنندگان شبه‌ درستکار امن بوده و در برابر حمله‌ی حساسیت از خود مقاومت نشان می‌دهد.

با رشد و توسعه آنتولوژی‌ها به عنوان پایه و اساس وب معنایی، و افزایش ناهمگنی‌های آن‌ها، سامانه‌های تطابق آنتولوژی به وجود آمدند. به وجود آمدن آنتولوژی‌های بزرگ در دامنه‌های واقعی، سامانه‌های تطابق آنتولوژی را با مشکلاتی همچون کمبود حافظه مصرفی مواجه نمود، در نتیجه بخش‌بندی نمودن آنتولوژی‌ها پیشنهاد شد. این مقاله یک متد جدید خوشه‌بندی مرکزگرای مفاهیم آنتولوژی(SeeCC) را پیشنهاد می‌دهد. SeeCC یک روش خوشه‌بندی مرکزگرا است که با استفاده از سرخوشه‌ها، پیچیدگی مقایسات را کمتر می‌نماید، همچنین علاوه بر تسهیل در خطای کمبود حافظه در سامانه‌های تطابق آنتولوژی بزرگ، موجب افزایش دقت آن‌ها نیز شده است. طبق ارزیابی نتایج SeeCC با دو سامانه Falcon-AO و سامانه پیشنهادی توسط Algergawy، بهبود در میزان دقت نگاشت آنتولوژی‌ها حاصل شده است. همچنین در مقایسه با نتایج طرح ارزیابی بین‌المللی نگاشت آنتولوژی‌ها(OAEI) روش SeeCC نتایج قابل قبولی با ده سامانه برتر اول دارا هست.

در سال‌های اخیر، توجه محققان به طراحی مدارهایی با هدف کاهش اتلاف انرژی، بهینه‌سازی مصرف توان، کاهش مساحت مدار تا مقیاس نانو، و حداقل‌سازی حرارت تولیدی توسط مدار جلب شده است. منطق برگشت‌پذیر نقش مهمی در طراحی مدارهای دیجیتالی ایفا می‌کند، به طوری‌که در سیستم‌های مبتنی بر نانو تکنولوژی، پردازش کوانتومی، و طراحی مدارهای CMOS با توان مصرفی کم کاربرد گسترده‌ای از خود نشان داده است. در این مقاله، یک گیت برگشت‌پذیر جدید 4×4 به نام MR معرفی شده است که به تنهایی قادر است به عنوان مدارهای جمع‌کننده و تفریق‌گر تک بیتی مورد استفاده قرار گیرد. پیاده‌سازی ترانزیستوری گیت پیشنهادی با استفاده از تکنولوژی CMOS و هم چنین نمایش کوانتومی این گیت ارائه شده است. با بهره‌گیری از گیت MR مدار تمام جمع‌کننده/ تفریق‌گر تک بیتی و سپس تمام جمع‌کننده/ تفریق‌گر هشت بیتی موازی ارائه می‌شود. مدارهای پیشنهادی از نظر تعداد ترانزیستور مورد استفاده، تعداد ورودی‌های ثابت، تعداد خروجی‌های بلا استفاده، تعداد گیت برگشت پذیر مورد نیاز و هزینه کوانتومی در مقایسه با مدارهای نظیر پیش از خود بهبود یافته است. سیگنال‌های خروجی حاصل از پیاده‌سازی ترانزیستوری گیت MR با استفاده از نرم‌افزار H-Spice بیان‌گر صحت عملکرد مدار ارائه شده می‌باشد.

امروزه واحد پیش‌بینی کننده پرش یکی از اجزای مهم در پردازنده‌های نهفته نسل جدید به حساب می‌آید. این واحد به منظور کاهش سربار مخاطرات کنترلی در خط لوله پردازنده‌های مدرن استفاده می‌شود. افزایش اندازه این واحد در پردازنده و استفاده از الگوریتم‌های پیچیده در آن باعث افزایش توان مصرفی این واحد می‌شود. میزان دقت این واحد سبب بهبود موازی سازی در سطح دستورات (ILP) و همچنین بهبود کارایی پردازنده می‌گردد. اگرچه استفاده از این واحد بهبود کارایی را به همراه دارد، ولی سبب افزایش توان مصرفی می‌شود. بررسی‌های انجام شده نشان می‌دهد که حدود 10% از مصرف توان پردازنده‌ها در سیستم‌های نهفته (Embedded)، مربوط به این واحد است. این موضوع به دلیل محدودیت منابع توان در این سیستم‌ها از اهمیت ویژه‌ای برخوردار است. حذف دسترسی‌های بی‌فایده به این واحد می‌تواند مصرف توان را به میزان قابل توجهی کاهش دهد. در این مقاله با حذف دسترسی‌های بیهوده برای پرش‌های خوش‌رفتار، توان مصرفی این واحد را کاهش داده‌ایم. روش ارائه شده بر اساس جدولی بنام ATBT کار می‌کند که وظیفه آن نگهداری اطلاعات مربوط به پرش خوش‌رفتار می‌باشد. با توجه به نتایج بدست آمده به کمک روش پیشنهادی میزان دسترسی ها به BTB حدودا 50% کاهش یافته است. کاهش تعداد دسترسی به BTB موجب کاهش 45% توانِ واحد پیش بینی کننده پرش و در نهایت کاهش 3% از توان کل پردازنده شده است.

امروزه مدل‏سازی و تولید ترافیکی مشابه با ویژگی‏‌های ترافیک اینترنت نیازی ضروری است. در این مقاله، مدل جدیدی برای شبیه‏‌سازی لایه‏‌های کاربرد و نشست ارائه و فرآیند ورود جریان با ویژگی‏‌های مشابه با ترافیک واقعی اینترنت تولید می‎شود. در مدل ارائه شده دو دسته کاربر فیل و موش با ویژگی‏های رفتاری متفاوت شناسایی شده و برای هر دسته، توزیع آماری مربوط به پارامترهای تاثیرگذار در فرآیند ورود جریان از ترافیک واقعی استخراج می‏‌شود. سپس با استفاده از توزیع‏ آماری استخراج شده، فرآیند ورود جریان به صورت مقیاس‌‏پذیر و تصادفی تولید می‏‌شود؛ به‏طوری‏که این فرآیند با ویژگی‏‌های ترافیک واقعی سازگار بوده و می‏تواند در حوزه‏‌های مختلف مطالعات شبکه نظیر تشخیص ناهنجاری مفید باشد.

وظیفه لايه‌ي انتقال در شبکه‌ها، کنترل و پيشگيري از ازدحام و تحويل مطمئن انتها به انتهاي بسته‌ها مي‌باشد. در شبکه‌هاي حسگر روش‌هايي که هر دو فاکتور فوق را همزمان مورد توجه قرار مي‌دهند، نسبت به ساير روش‌ها موفق‌ترند. ESRT يکي از اين روش‌ها است که بزرگ‌ترين چالش آن عدم پشتيباني از اولويت‌هاي چندگانه در انتقال ترافيک مي‌باشد. در این پژوهش براي رفع مشکل ESRT از روش کدگذاري توصيفات چندگانه به همراه تصحيح خطاي پيش‌رونده استفاده‌شد و روش جديدي براي کنترل ازدحام، تأمين اتکاپذيري و اولويت‌بندي چندگانه بين توصيف‌هاي توليدي در گره‌هاي حسگر ارائه شد. در اين روش با توجه به ترافيک ويدئويي در نظر گرفته‌شده براي شبکه حسگر، تلاش مي‌شود که اتکاپذيري و به دنبال آن کيفيت ويدئوي دريافتي تا جايي که ازدحام رخ نمي‌دهد در شبکه زياد شود. نتايج شبيه‌سازي‌ها نشان داد که براي ترافيک ويدئويي با امکان ارائه‌ي توصيفات گسترش‌پذير، به خوبي اولويت بين جريان‌ها رعايت می‌شود. سرعت عمل روش نيز در مقايسه با روش پايه، مطلوب تر ارزيابي شد، که اين موضوع باعث کاهش مصرف انرژي و جلوگيري از هدر رفتن منابع شبکه در هنگام وقوع ازدحام مي‌شود.

با افزایش روزافزون حجم اطلاعات و نیاز کاربران به پهنای باند بیشتر، شبکه‌های اقتضایی بین خودرویی به‌عنوان بستری برای ارسال اطلاعات توجه پژوهشگران را به خود جلب کرده است. با توجه به ویژگی پویایی بالای خودروها در این شبکه و مدت کوتاه زمان اتصال، ارسال بسته‌های داده همواره با تأخیر مواجه بوده است. در این مقاله برای کاهش زمان تأخیر بسته‌ها روش جدیدی ارائه گردیده که در آن خودروها از چند تکنولوژی دسترسی بی‌سیم به‌صورت همزمان بهره می‌برند و بدین ترتیب بسته‌های داده بین چند صف که هرکدام به یک رابط ارتباطی بی‌سیم متصل است پخش می‌شوند و سپس به خودروهای مقصد فرستاده می‎شوند. نوآوری دیگر این روش مدل کردن مسئله به‌وسیلۀ یکی از مدل‌های تئوری صف بانام "چابکی" است، که موجب کاهش مدت‌زمان انتظار بسته‌های داده در صف‌ها می‌شود. پس از حل مدل ریاضی مسئله نتایج حاصل از شبیه‌سازی، که تکنیک چندرادیویی با مدل صف مذکور را با کارهای پیشین مقایسه می‎کند، نشان‌دهندۀ کاهش چشمگیر زمان تأخیر ارسال بسته‌ها و افزایش گذردهی کلی شبکه است.

گسترش کاربرد توجه بينايي در زمينه‌هاي مختلف علوم کامپيوتر و بينايي ماشين سبب ايجاد انگيزه‌هاي بيشتر براي طراحي و توسعه الگوريتم‌هاي تشخيص برجستگي شده است. از جمله اين کاربردها مي‌توان به بخش‌بندي هوشمند تصوير، بازيابي هدف در تصوير و يا فشرده‌سازي تصوير اشاره کرد. با اين وجود بسياري از روش‌هاي موجود قادر به شناسايي نواحي برجسته در صحنه‌هايي با زمينه شلوغ و زمينه تکراري به صورت همزمان نيستند. از اين رو در اين مقاله، يک روش شناسايي نواحي برجسته مبتني بر تبديل موجک ايستان با استفاده از وزندهي جزئيات در هر مقياس تبديل موجک براي حل اين مسئله ارائه داديم که مي‌تواند نواحي برجسته را براي زمينه‌هاي مختلف با دقت بالا شناسايي کند. پارامترهاي اين روش ابتدا بر روي يک پايگاه تصاوير تنظيم شده، سپس الگوريتم پيشنهادي بر روي پايگاه تصاوير بزرگتري بر اساس استانداردهاي موجود با روش‌هاي ديگر در زمينه شناسايي نواحي برجسته مورد ارزيابي و مقايسه قرار داده مي‌شود. نتايج روش پيشنهادي دقت بالاتر آن نسبت به ديگر روش‌هاي شناسايي نواحي برجسته را نشان مي‌دهد.