انجمن کامپیوتر ایران

ضرورت تحقق کیفیت مورد نیاز در فرآیند تولید نرم‏افزار به صورت روزافزون در حال افزایش است. کیفیت نرم‏افزار عبارت است از میزان انطباق ویژگی‏های کیفی نرم‏افزار با نیازمندی‏های کیفی ذینفعان پروژه. استفاده از الگوهای طراحی باعث افزایش کیفیت نرم‏افزار از منظر برخی از ویژگی‏های کیفی نظیر انعطاف‏پذیری، قابلیت استفاده مجدد و استحکام می‏گردد. در این مقاله درصدد ارائه راهکاری به منظور تسهیل به‌کارگیری الگوهای طراحی در فرآیند تولید نرم‏افزار هستیم. شایان ذکر است که در فرآیند پیشنهادی، به منظور افزایش سرعت و دقت، برخی از فازها به صورت خودکار انجام می‏پذیرند. در ادامه، به منظور ارزیابی قابلیت اجرای فرآیند پیشنهادی، ابتدا فرآیند مذکور بر مبنای الگوی طراحی مشاهده‏گر سفارشی شده است. سپس نسخه سفارشی شده فرآیند پیشنهادی، در قالب یک مطالعه موردی امکان‏سنجی گردیده است. نتایج حاکی از قابلیت اجرای فرآیند پیشنهادی در جهت افزایش کیفیت طراحی نرم‏افزار است.

ابر به طور کلی اشاره دارد به ذخیره داده های کاربران در یک سیستم ذخیره سازی خارجی که توسط یک شخص ثالث نگهداری می شوند. بدین ترتیب کلاینت آن را در یک پایگاه داده از راه دور ذخیره می کند. در حال حاضر، ارائه دهنده گان ذخیره سازی ابری به جای ذخیره اطلاعات بر روی دیسک های سخت یا دستگاه های ذخیره سازی ماشین های کاربران، در استفاده از یک سیستم ذخیره سازی خارج، مکانیزم های بسیاری را برای کنترل دسترسی ایجاد کرده اند. از جمله ایجاد مجوز سطح دسترسی برای هر کدام یک از فایل ها، تا از امنیت داده ها اطمینان پیدا شود. در این مقاله، کار ما متفاوت از تحقیقات قبلی در این زمینه است به طوریکه در این مدل، ما دو پروتکل برای ذخیره و بازیابی داده طراحی کرده ایم که مبتنی بر ماژول پلت فرم معتمد (TPM) می باشد که از یک گره موسوم به شخص ثالث معتمد (TTP) استفاده شده است. وظیفه این گره، تصدیق و احراز هویت کاربران می باشد و در ایمن کردن پروتکل های مربوط نقش بسزایی دارد. نوآوری ما در این مدل استفاده از TTP برای گواهی کاربران با گواهینامه X.509 ، استفاده از یک ارتباط امن به نام SSL ، استفاده از دایرکتوری LDAP و سایر فن آوری ها است. علاوه بر این ما استفاده از TPM نسخه 2 را به طور ساده معرفی کرده ایم.

همواره تشخیص صحیح بیماری یکی از مشکلات بشر بوده است. امروزه با پیشرفت در حوزه‌ی علوم کامپیوتر، می‌توان از راهکارهای رایانه‌ای برای حل این مشکل استفاده کرد. یکی از این راهکارها، استفاده از یادگیری ماشین و داده‌کاوی می‌باشد. در این حوزه، تا کنون کارهای زیادی صورت گرفته، ولی بیشتر تلاش‌ها، با فرض قطعی بودن داده، انجام شده‌اند و این در حالی است که در حوزه‌ی پزشکی، احتمال بوجود آمدن داده‌ی غیر قطعی، وجود دارد. عدم قطعیت داده‌ها، ناشی از محدودیت ابزارهای جمع آوری اطلاعات و همچنین حفظ حریم خصوصی شخص می‌باشد. برای رسیدن به این هدف، تکنیک‌های بسیاری وجود دارد، ولی از آنجا که پزشکان، تمایل بسیاری برای دانستن نحوه‌ی نتیجه گیری دارند، به تکنیک‌های مبتنی بر قاعده، که درک و فهمشان برای افراد بسیار ساده است، علاقه‌ی بیشتری دارند. از این رو، ما با توجه به عدم قطعیت داده‌ها و با توجه به مزایای الگوریتم‌های مبتنی بر قاعده، روشی جدید برای تشخیص بیماری ارائه دادیم. روش ارائه شده‌ی ما، با استفاده از الگوریتم ژنتیک، قواعد دسته بندی فازی، برای تشخیص بیماری، از داده استخراج می‌کند. نتایج بدست آمده از روش پیشنهادی، نشان می‌دهد که این روش، از روش‌های مبتنی بر قاعده‌ی دیگری که تا کنون ارائه شده‌اند، دقیق‌تر است.

در روش‌های معمول مهندسی ترافیک، تمامی مسیریابهاو پورتهای مختلف آنها، صرفنظر از میزان بار ورودی به شبکه همیشه فعال بوده و بنابراین انرژی مصرف میکنند. از طرفی میانگین بهره‌وری لینکها در شبکه‌های ارائه‌دهنده خدمات‌ اینترنتی تقریبا پایین بوده و حداکثر در حدود 30 تا 40 درصد است. بر همین اساس، هدف روشهای مهندسی ترافیک انرژی‌آگاه این است که براساس وضعیت بار موجود بر روی لینکها و نیز حجم تقاضای ورودی، مسیرهای هدایت داده را به نحوی تغییر دهد که بتواند برخی گرهها/لینکهای کم ترافیک را خاموش نموده و بار تخصیص‌یافته به آنها را بر روی مسیرهای دیگر قرار دهد تا از این رهگذر انرژی مصرفی کل شبکه را کاهش دهد.در این مقاله، یک روش اکتشافی برای مهندسی ترافیک انرژیآگاه در شبکههای درون‌دامنهای ارائه میدهیم. در روش پیشنهادی ابتدا لینک‌ها به‌ترتیب بهره‌وری آن‌ها و اندیسی که به هر لینک متناسب با میزان تأثیر خاموش کردن آن در انرژی مصرفی داده‌ایم، مرتب میشوند. سپس، لینک‌های مرتب‌شده به ترتیب برای غیرفعالسازی موقت آزمایش می‌شوند. نتایج شبیهسازی در شبکه Abilene و Extended Abilene به همراه انواع مختلفی از ماتریس ترافیک واقعی نشان می‌دهد که می‌توان تعدادی از گره‌های میانی و لینک‌ها را، با رعایت تضمین کیفیت سرویس، در زمانی که ترافیک حجم کم یا متوسطی دارد، خاموش کرده و انرژی مصرفی را تا حدود 40 درصد ذخیره نمود.

الگوریتم SIFT (Scale Invariant Features Transform)، به دلیل مقاومت در برابر چرخش، انتقال و تغییرات تصویر، کاربرد فراوانی در تطابق تصویر دارد. این الگوریتم داراي چالش‌هايي است: اول، مستقل از رنگ است. دوم، در فرايند مقایسه تصاویر، ممکن است یک نقطه از یک تصویر با چند نقطه از تصویر دیگر تطابق یابد. سوم، در بسیاری از موارد، تطابق بین تصاویر منتخب و پایگاه داده، با تطابق معکوس آن‌ها‌، متفاوت است. در این مقاله، یک سیستم بازیابی تصویر مبتنی بر محتوا برای تصاویر تکراری – جزئی ارائه مي‌شود كه چالش‌های ذکر شده را برطرف مي‌سازد. در اين روش، با استخراج ناحيه برجسته از تصوير، نواحي غيرضروري حذف مي‌شوند. سپس، ویژگی‌های SIFT از اين ناحيه استخراج مي‌شوند. برای هر نقطه کلیدی تعيين شده توسط SIFT، ویژگی رنگ آن نیز محاسبه می‌شود. در نهايت، با استفاده از يك الگوريتم تطابق بهبود يافته، شباهت بين تصاوير به‌دست مي‌آيد و نتايج با نزديك‌ترين شباهت بازيابي مي‌شوند. براساس معیار ارزیابی MAP، نتایج پياده‌ سازي روش پيشنهادي بر روی پایگاه داده‌های IPDID و INSTRE به ترتیب برابر است با 83% و 75%، که حاکی از کارایی مناسب روش پيشنهادي است.

در این مقاله یک روش ترکیبی ظرفیت بالا برای نهان نگاری صوتی معرفی می شود. روش پیشنهاد شده در این مقاله از ترکیب روش «نهان نگاری صوتی براساس اعداد فیبوناچی 1» و روش «کد کردن کم ارزش ترین بیت 2» در حوزه فرکانس، با مصالحه ای میان نامحسوس بودن و مقاومت، روشی با ظرفیت بالا ارائه می کند. این روش، پیغام نهان نگار را در دامنه ی فرکانسی سیگنال میزبان با استفاده از تبدیل فوریه سریع تعبیه سازی می کند. فرآیند استخراج نیز بدون حضور سیگنال صوتی میزبان انجام می شود. باند فرکانسی منتخب برای تعبیه سازی اطلاعات، به قاب هایی با اندازه یکسان تقسیم می شود. ایده ی اصلی روش پیشنهادی این است که در هر قاب دو بیت پیغام تعبیه سازی کند و به این ترتیب ظرفیت انتقال داده را به ازای اندازه ی قاب های یکسان به دو برابر افزایش دهد. نتایج شبیه سازی های انجام شده نشان می دهد در ازای دو برابر شدن ظرفیت روش پیشنهادی نسبت به دو روش اعداد فیبوناچی و کد کردن کم ارزش ترین بیت تغییر محسوسی در مقاومت و نامحسوس بودن روش در برابر نویز ایجاد نمی گردد.

با گسترش فناوری اطلاعات و تعاملات برخط، شاهد رشد چشم‌گیر اجتماعات مجازی و انجمن‌های الکترونیکی هستیم. فراوانی و توسعه انجمن‌های مجازی در عین ایجاد مزیت‌های بسیار زیاد، ما را با چالش‌های امنیتی متعددی از جمله فعالیت عوامل فریبکار و مخرب، مواجه کرده است. یکی از راه‌حل‌های کاهش چنین مسائلی بکارگیری مکانیزم‌های شهرت است که وظیفه تجمیع سوابق موجودیت‌های درون انجمن‌ها و عمومی کردن شهرت را برعهده دارند، با اینحال گردآوری و استفاده از بازخوردها و اطلاعات موجودیت‌های داخلی تک‌تک انجمن‌ها همیشه به تنهایی کافی نیست و همین امر ما را به ارائه روش‌هایی با قابلیت بکارگیری سایر منابع اطلاعاتی سوق می‌دهد. در این مقاله یک مکانیزم توزیع شده برای مدیریت شهرت در محیط انجمن‌های مجازی ارائه شده که قابلیت استفاده از بازخوردهای انجمن‌های مختلف را به عنوان منابع اضافه اطلاعات، فراهم می‌نماید. این مکانیزم برای جمع‌آوری و تجمیع اطلاعات شهرت بین انجمنی از عامل‌های واسط یا مراکز میانی گردآوری اطلاعات استفاده می‌کند و مدل محاسباتی آن بر پایه میزان اعتماد انجمن‌ها به یکدیگر می‌باشد. ارزیابی‌های صورت گرفته نشان می‌دهد که مکانیزم پیشنهادی، دقت محاسبات شهرت رابه نسبت سایر روش‌های مشابه افزایش داده است.

مسئله پوشش در شبکه‌های حسگر جهت‌دار با توجه به ویژگی‌های خاص حسگرهای بکار رفته در آن مانند زاویه دید، کارکرد جهتی و خط دید، از اهمیت خاصی برخوردار است. یکی از مدل‌های پوشش در شبکه‌های حسگر جهت‌دار، مدل پوشش بیشینه زمانی است که در این نوع پوشش از گره‌های حسگر جهت‌دار گردان استفاده می‌شود. این حسگرها دارای این قابلیت هستند که جهت‌گیری خود را تغییر داده و بعد از یک دوره زمانی جهت‌گیری‌های خود را تکرار نمایند؛ اما مسئله مهم در پوشش بیشینه زمانی، انتخاب جهت‌گیری اولیه برای این حسگرها است. ثابت می‌شود که پیچیدگی انتخاب جهت‌گیری اولیه برای این مسئله از نوع غیر چندجمله‌ای سخت است. ما در این مقاله ابتدا مدل پوشش بیشینه زمانی خود را بیان می‌کنیم. سپس مسئله انتخاب جهت‌گیری اولیه در پوشش بیشینه زمانی را به صورت یک مسئله برنامه‌ریزی خطی صحیح (ILP) فرمول‌بندی می‌کنیم و در ادامه این مدل را با مدل پوشش بیشینه اهداف، مقایسه کرده و برترهای پوشش بیشینه زمانی را نشان خواهیم داد. نتایج حاصل از شبیه‌سازی‌ها نشان می‌دهد که مکانیسم پیشنهادی می‌تواند پوشش زمانی مطلوب را نسبت به الگوریتم‌های موجود فراهم آورد.

مدیریت جریان داده های ورودی و استفاده از عملگر الحاق، در ایجاد پایگاه دادة تحلیلی نیمه آنی از اهمیّت زیادی برخوردار می باشد. برای اینکه بتوان تغییرات رخ داده در سمت منابع داده را به قالب مورد نیاز در پایگاه دادة تحلیلی تبدیل نمود، باید از عملگر الحاق استفاده کرد. جریان دادة ورودی با رابطة موجود بر روی دیسک، الحاق شده و تغییر شکل می یابد و یا در بعضی موارد، فیلدهایی به آن افزوده می شود. الگوریتم های مختلفی برای پیاده سازی الحاق وجود دارند که یکی از آنها الگوریتم Semi-Stream Cache Join (S.S.C.J) نام دارد. این الگوریتم در فضای محدودی اجرا می شود؛ لذا نمی تواند تمام رابطة R را وارد حافظه نماید. باید در هر دور اجرا، پارتیشنی ازآن را، برای الحاق انتخاب نموده و وارد حافظه نماید. الگوریتم، برای انتخاب پارتیشن مذکور از شناسة جریان داده های ورودی که درون صف قرارداده می شوند؛ استفاده می کند. در این روش، پارتیشن مذکور بطور بهینه انتخاب نمی شود. در الگوریتم پیشنهادی این مقاله، روشی ارائه می شود که در هربار اجرا، پارتیشنی را انتخاب می کند که شامل بیشترین رکورد برای الحاق می باشد. برای مقایسه کارایی الگوریتم، آزمایش هایی انجام شده است. نتایج بدست آمده، نشان می دهد که الگوریتم پیشنهادی نرخ سرویس بهتری نسبت به سایر الگوریتم ها دارد.

روش ردگیری پویای جریان اطلاعات یکی از قوی‎ترین تکنیک‎های تحلیل نرم‎افزار است که برای ردگیری داده‎های مورد علاقه در هنگام اجرای برنامه برای استفاده می‎شود. با این وجود ردگیری پویای جریان اطلاعات به دلیل سربار زمانی عظیم، وجود نتایج کاذب و پیچیدگی پیاده‎سازی غیر عملی است. برای مقابله با این مسائل، در این مقاله یک چارچوب پویای ردگیری اطلاعات ارائه شده است که به تحلیل‎گر نرم‎افزار کمک می‎کند تا بتواند فرآیند ردگیری پویای جریان اطلاعات را با دقت، سرعت و سهولت بیشتر با استفاده از تکنیک ابزارمندی پویای باینری در سطح برنامه انجام دهد. چارچوب ارائه شده باید قادر باشد جریان اطلاعات را شناسایی کند، مقادیر آلودگی را ذخیره نماید و بر ورودی/خروجی نرم‎افزار هدف نظارت نماید. در این مقاله ما PCDIFT را ارائه کرده‎ایم؛ یک چارچوب ردگیری جریان اطلاعات جامع و شتابدار باینری که می‎تواند بدون در اختیار داشتن کد منبع یا هرگونه وابستگی به سخت‎افزار خاص جریان اطلاعات نرم‎افزار هدف را سریع و دقیق ردگیری نماید. این چارچوب دوهسته‎ای از ردگیری جریان ضمنی اطلاعات، که در نظر نگرفتن آن مهمترین دلیل نتایج کاذب منفی در فرآیند ردگیری جریان اطلاعات است، پشتیبانی کرده و با ارائه‎ی روش‎هایی برای کاهش نتایج کاذب و افزایش سرعت، ردگیری جریان ضمنی اطلاعات را عملا ممکن می‎سازد. ما یک ابزار ردگیری جریان اطلاعات نیز براساس چارچوب ارائه شده ایجاد کردیم تا میزان سادگی، سرعت و دقت کار با چارچوب ارائه شده را نشان دهیم. نتایج ارزیابی ما براساس SPEC2000 و برخی نرم‎افزارهای معروف ارائه شده‎ است که نشان‎گر 2.9 برابر سربار برای ردگیری جریان صریح اطلاعات و 9.6 برابر سربار برای ردگیری جریان صریح و ضمنی اطلاعات است.

گریدهای محاسباتی امکان دسترسی فراگیر به منابع محاسباتی پویا و ناهمگن عظیمی را که در موقعیت های جغرافیایی مختلف قرار گرفته اند و از لحاظ اجرايي داراي مالكیت جداگانه‌اي می باشند، فراهم می آورد. از جمله برنامه‌های کاربردی که برای اجرا بر روی گرید مناسبند BoTها (Bag-of-Tasks) هستند. BoT شامل وظایف مستقلی است که هریک می توانند به طور جداگانه و موازی بر روی منابع مختلف اجرا شوند. کاربران گرید ممکن است برای کل وظایفBoT نیازمندی‌های کیفیت سرویس مانند مهلت و بودجه داشته باشند. از سویی صاحبان منابع در محیط‌های سودمندی تمایلی به افشای اطلاعات خصوصی منابع خود - همچون میزان بار محلی، ظرفیت منابع و استراتژیهای زمانبندی - ندارند. هدف مقاله حاضر ارائه یک الگوریتم زمانبندی برای BoT با اعمال محدودیت‌های مهلت و بودجه و بدون نیاز به افشای اطلاعات تامین‌کنندگان منابع است. الگوریتم ارائه شده مبتنی بر مذاکره - در راستای عدم افشای اطلاعات خصوصی و تامین محدودیت بودجه- و تخصیص همزمان منابع (Co-allocation) - برای افزایش سرعت اجرا و تامین نیازمندی مهلت زمانی- می‌باشد. شبیه سازی در محیط GridSim انجام و کارایی روش با الگوریتم DBC، که اطلاعات کاملی ازتمامی منابع دارد، ارزیابی و مقایسه شده است. رویکرد ارائه شده علاوه بر رفع ایرادات وارد بر الگوریتم های موجود، نتایجی مشابه الگوریتم DBC دارد.

‏در یادگیری تقویتی از آنجایی که کل پاداش دریافتی عامل در طول زندگی نه در پایان آن اهمیت دارد، یافتن روش‌هایی که بتواند مقدار پشیمانی را کاهش و سرعت همگرایی به سیاست بهینه را افزایش دهد، حائز اهمیت است. اگر عامل مدل محیط را از قبل بداند با کاوش در آن مانند روش‌های برنامه‌ریزی پویا، می‌تواند سیاست بهینه را بدون تقبل خسارتی بیاید، ولی در مسائلی که در این زمینه با آن روبه رو هستیم این فرض تقریبا غیرممکن است و عامل باید با کسب تجربه از محیط، یادگیری خود را بهبود بخشد. ما در این پژوهش توسط الگوریتم یادگیری مبتنی بر مدل تخمینی‏، از تجربه‌های عامل برای تخمین مدل محیط استفاده می‌کنیم و این مدل که رفته رفته به دقت آن افزوده می‌شود جهت تصمیم‌گیری بهتر در حین زندگی عامل به کار گرفته می‌شود. سیاست تصمیم‌گیری عامل را در دو حالت ε-greedy‏وgreedy‏ براساس مقدار خوش‌بینانه ارزش‌های تخمینی قرار دادیم. نتایج نشان دادند که ‎‏الگوریتم مبتنی بر مدل تخمینی با سیاست ε-greedy علاوه بر این‌ که ‏سرعت یادگیری بیشتری در مقایسه با سیاست greedy براساس مقدار خوش‌بینانه ارزش‌های تخمینی دارد‏، زمان اجرای آن نیز به شدت کمتر است‏. همچنین در مقایسه با یادگیری ‎TD‎(‎λ)هم سریع‌تر است.

در پي گسترش روزافزون شبکه‌هاي رايانه‌اي، محققان به فکر طراحي راهکارهاي نوين براي بهينه‌سازي اين ارتباطات افتاده‌اند؛ در اين زمينه، به‌علت وجود بخش کنترلي پيچيده روي سوئيچ‌ها و مسيرياب‌ها، نبود مکانيسم‌هاي بهينه کنترلي به چالش بزرگي تبديل‌ شده است. بدين منظور، بخش انتقال داده و کنترل در شبکه‌هاي سنتي جدا شده و هر گونه عمليات کنترلي به يک کنترل‌کننده منطقاً متمرکز داده‌ شده است. به اين شبکه‌ها، شبکه‌های نرم‌افزارپذیر گفته مي‌شود. براي طراحي توپولوژي بخش کنترلي، دو نوع کنترلر متمرکز و توزيع‌شده بکار مي‌رود. وجود خرابي فروپاشی در این نوع شبکه‌ها منجر به بروز اختلال در ارتباط اجزاء با کنترلر مي‌گردد. به همين دليل، بهبود قابلیت اطمینان و به‌خصوص تحمل‌پذيري خطا بسيار حائز اهميت مي‌باشد. در این پژوهش، کنترل کننده‌های توزیعی کامل و سلسله‌ مراتبي مورد بررسي قرار گرفته و یک مدل قابلیت اطمینان بهبود‌یافته ارائه گردیده است. شبکه نرم‌افزار پذیر توزیع‌شده با استفاده از نرم‌افزار ONOS طراحی گردیده و مدل قابلیت اطمینان براساس توابع توزیع وایبول و نمایی با استفاده از نرم‌افزار SHARPE محاسبه شده‌ است. نتایج حاصل از شبیه‌سازی بیانگر بهبود قابلیت اطمینان در کنترل کننده‌های توزیع‌ شده بوده و مدل پیشنهادی برای تشخیص خرابی‌هایی مانند بیزانتین نیز می‌تواند بکار برده‌ شود.

شبکه‌های عصبی با معماری عمیق یکی از موفق‌ترین ابزارهای تشخیص الگو ازجمله بازشناسی دست‌نوشته هستند. در این مقاله یک شبکه‌ی عصبی مصنوعی با معماری عمیق به‌منظور بازشناسی دست‌نوشته فارسی معرفی می‌شود. برای این منظور، مجموعه‌ای از نمونه‌های دست‌نوشته‌ فارسی در قالب داده‌های برداری جمع‌آوری گردید و بر اساس استروک‌های رایج در رسم‌الخط فارسی برچسب‌گذاری شد. سپس در آموزش یک شبکه‌ی عصبی عمیق سه سطحی مورداستفاده قرار گرفت. نتایج روش پیشنهادی با روش قدس و همکاران در تشخیص دست‌نوشته فارسی مورد مقایسه قرار گرفت. همچنین برای اولین بار، سیستم تشخیص دست‌نوشته‌ی فارسی گوگل برای مقایسه‌ی نرخ تشخیص سامانه مورد استفاده قرار گرفت و روش پیشنهادی کارایی مطلوبی به نمایش گذاشت.

ویژگی همه‌پخشی رسانه بی‌سیم باعث افزایش تداخل فرکانسی بین گره های مجاور شده و در نتیجه موجب نرخ گذردهی کمتر در مقایسه با شبکه‌های سیمی می‌شود. یک رویکرد مهم برای بهبود ظرفیت در این شبکه‌ها، کدینگ شبکه برون جریانی است که بسته‌های متعلق به نشستهای متفاوت را با یکدیگر ترکیب کرده و اطلاعات بیشتری را در قالب بسته های کد شده در لینک‌های گلوگاه شبکه ارسال می‌کند. در این مقاله کدینگ شبکه با وجود یک MAC غیر ایده‌آل (لینک‌های خطادار) مورد توجه قرار گرفته است. هدف از این کار بررسی حساسیت کدینگ به کیفیت ارسال لینک‌هاست. در واقع با اینکه فرآیند کدینگ تعداد ارسال‌ها را کاهش می‌دهد اما به طور شهودی به نظر می‌رسد که حساسیت گره ها را نسبت به گم شدن بسته‌ها افزایش دهد زیرا بسته‌های کد شده‌ی حاوی اطلاعات بیشتری نسبت به بسته‌های معمول هستند. نتایج ارزیابی نشان می‌دهد که بعضی از ساختارهای کدینگ نظیر آلیس-باب در حالت خطادار بودن شبکه هم از مسیریابی معمول عملکرد بهتری دارند. اما در مورد دیگر ساختارها مشخص شد که کدینگ برای خطای پایین‌تر از 0.1 عملکرد بهتری از مسیریابی دارد و در حالت خطای بالا عملکرد مسیریابی استاندارد بهتر از کدینگ است.

روش‌های انتخاب نمونه به دنبال کاهش نیازمندی‌های حافظه، بهبود عملکرد دسته‌بندها و کاهش زمان محاسباتی برای الگوریتم‌های یادگیری مبتنی بر نمونه هستند. اکثر این روش‌ها، تلاش می‌کنند بهترین زیرمجموعه از نمونه‌ها را برای الگوریتم‌های یادگیری ماشین، انتخاب کنند. ما در این مقاله، یک روش انتخاب نمونه را معرفی می‌کنیم که FFP-IS نام دارد. این روش مبتنی بر الگوهای فازی نادر است که در نمونه‌های مرزی قرار دارند. هدف اصلی این الگوریتم این است که نمونه‌های نزدیک به مرز تصمیم‌گیری بین کلاس‌ها حفظ و سایر نمونه‌ها حذف شوند. ما روش پیشنهادی را با تعدادی از معروف‌ترین الگوریتم‌های انتخاب نمونه مورد مقایسه قرار داده‌ایم. برای ارزیابی عملکرد روش پیشنهادی از الگوریتم دسته‌بند KNN استفاده شده است. در آزمایش‌های انجام‌شده، تعدادی از مجموعه داده‌های موجود در مخزن داده‌ای UCI را مورد بررسی قرار داده‌ایم. نتایج به‌دست‌آمده نشان می‌دهد که روش پیشنهادی حدود 90 درصد از نمونه‌های هر مجموعه داده را کاهش می‌دهد و دارای بهترین میانگین دقت نسبت به سایر روش‌ها است. در واقع می‌توان گفت این روش، نمونه‌های مرزی مناسب را انتخاب می‌کند.

در شبکه‌های موری سیار مسيريابی و تبادل اطلاعات بين گره‌ها با همکاري خود گره‌ها با يکديگر صورت مي‌گيرد. بنابراین مسيريابی يکی از اجزای اساسی اين شبکه‌ها است. انرژی مصرفی نیز موضوع مهمی است که در این شبکه‌ها باید مورد بررسی قرار بگیرد تا بتوانیم شبکه‌ای با طول عمر بیشتر و کارایی بهتر داشته باشیم. در اين تحقیق از الگوریتم مسیریابی DSR به عنوان مسیریابی پایه استفاده شده، عملکرد الگوریتم‌های مختلف بر مبنای انرژی مصرفی را بررسي کرده و در نهایت یک الگوریتم پیشنهادی با مصرف توان بهینه ارائه داديم. ما ايده پيشنهادي را در الگوريتم پاية MEER توسط نرم‌افزار NS2 پياده سازي و الگوريتم خود را با دو الگوريتم مسيريابي چندپخشيEPAR و D-DSR و الگوريتم پايه MEER مقايسه كردیم¬ و نتايج خوبی در زمينة کاهش مصرف انرژي، كاهش تأخير انتها به انتها و افزايش نرخ تحويل بسته¬ها به مقصد بدست آوردیم. در الگوریتم پیشنهادی با افزایش تعداد و زمان توقف گره‌ها انرژی مصرفی الگوریتم پیشنهادی نسبت به سایر الگوریتم‌ها کاهش یافته و طول عمر شبکه بیشتر می‌شود. با افزايش بيشينه سرعت گره‌ها در هر سه الگوريتم ميانگين تأخير انتها به انتها افزايش مي‌يابد، در الگوريتم پیشنهادی نسبت به ديگر الگوريتم ها تأخير انتها به انتها در الگوريتم پيشنهادي کمتر از الگوريتم هاي ديگر است. همچنین با افزايش زمان توقف گره‌ها تاخير انتها به انتها كاهش مي‌يابد كه اين امر در الگوريتم پيشنهادي شيب بيشتري دارد.

بازیابی تصویر مبتنی بر محتوا، یکی از مهم‌ترین روش‌های موجود برای بازیابی خودکار تصاویر می‌باشد. در دهه اخیر به منظور نزدیکتر شدن سامانه‌های بازیابی تصویر به محتوای معنایی تصاویر، از روش‌های یادگیری کوتاه‌ مدت و بلند‌ مدت به صورت همزمان استفاده شده است. در این مقاله، رویکرد جدیدی در یادگیری کوتاه مدت مبتنی بر ماشین بردار پشتیبان و یادگیری فعال ارائه شده که در ترکیب با یک تکنیک یادگیری بلند مدت مبتنی بر الگوهای معنایی، دقت بازیابی را به طور موثری افزایش داده است. در این روش، مرز تصمیمگیری در ماشین بردار پشتیبان با استفاده از اطلاعات تصاویر مرتبط و نامرتبط تصحیح میشود. از آنجا که تعداد این تصاویر برای آموزش کم میباشد، از یک تکنیک یادگیری فعال برای انتخاب نمونه‌ها به صورت هدفمند استفاده شده است. همچنین الگوهای معنایی بر پایه اطلاعات این تکنیک یادگیری کوتاه مدت، استخراج شده و در صورت مفید بودن در بهبود نتایج بازیابی در پرس و جوهای آینده استفاده میشوند. روش پیشنهادی در یک پایگاه تصویر شامل 5000 تصویر آزموده شده است. نتایج آزمایشها، برتری روش پیشنهادی و ادغام موثر تکنیک یادگیری کوتاه مدت پیشنهادی با تکنیک یادگیری بلند مدت را نسبت به روش‌های یادگیری کوتاه مدت متداول نشان می‌دهد.

روزانه کاربران زیادی برای دستیابی به پاسخ پرسش‌های خود در حوزه‌ی پزشکی و درمان، به وب سایتهای مربوطه مراجعه می‌کنند. در سال 2015 کتابخانه‌ی ملی پزشکی آمریکا سیستم پرسش و پاسخی برای پاسخگویی به پرسش‌های پزشکی کاربران عادی که به زبان انگلیسی مطرح می شوند، ارائه نمود. دسته‌بندی پرسش، یک بخش کلیدی در طراحی این نوع سیستم‌ها است. با توجه به کوتاه بودن متون پرسش‌های کاربران عادی، تحلیل‌های سطحی نمی‌تواند اطلاعات کافی از پرسش‌های آن‌ها به دست دهد؛ همچنین آگاهی کم کاربران در مورد واژگان تخصصی، منجر به بیان غیر دقیق پرسش‌ها و شباهت زیاد در پرسش‌های مربوط به دسته‌های مختلف می‌شود و دسته‌بندی این پرسش‌ها را دشوار می‌کند. در این پژوهش روشی برپایه‌ی یادگیری ماشین برای دسته‌بندی پرسش‌های پزشکی کاربران عادی، براساس طبقه‌بندی ارائه شده در کتابخانه ملی پزشکی آمریکا، پیشنهاد شده است. در مدل پیشنهادی، از ویژگی‌های فریم‌های معنایی پرسش براساس فریم‌نت، چندتایی نحوی و ویژگی‌هایی برای نشان دادن هم‌رخدادی چند عنصر پرسش، استفاده شده است. به دلیل تأثیر قابل توجه دسته‌بندی پرسش در کیفیت سیستم پرسش و پاسخ نهایی، دو دسته‌بند با دو مجموعه متفاوت از ویژگی‌‍‌ها استفاده شده است تا پرسش‌ها از زوایای مختلفی بررسی شوند. نتایج تجربی نشان می‌دهد که دقت دسته‌بندی پرسش‌ها در روش پیشنهادی نسبت به بهترین روش موجود، افزایش یافته است.

سیستم‌های توصیه‌گر در تجارت الکترونیکی، اقلامی را به کاربران توصیه می‌کنند که پیش‌بینی می‌شود متناسب با ارجحیت‌ها و علاقمندی‌های کاربر باشند. هراندازه که سیستم توصیه‌گر، اقلام مورد علاقه‌ی کاربر را درست‌تر تخمین بزند، دقت بالاتری خواهد داشت. با این وجود، اگر در الگوریتم‌های توصیه‌گر تنها بر افزایش معیار دقت تمرکز شود، مشکلات مختلفی ایجاد می‌شود که یکی از آنها عدم توصیه اقلام دنباله طولانی است. اقلام دنباله طولانی، اقلامی هستند که تعداد کمی از کاربران، آنها را امتیازدهی کرده‌اند و به همین دلیل، تشخیص ارتباط آنها به کاربرانِ دیگر دشوار است. در نتیجه، این اقلام به ندرت در توصیه‌ها شرکت می‌کنند. تنوع‌بخشی در توصیه‌های سیستم‌های توصیه‌گر می‌تواند روشی برای مواجهه با پدیده دنباله طولانی باشد. تنوع‌بخشی به توصیه‌ها باعث می‌شود که اقلام دنباله طولانی، شانس بیشتری برای شرکت در توصیه‌ها داشته باشند. اما از طرف دیگر، ممکن است کاربران خواستار سطوح متفاوتی از تنوع در توصیه‌های دریافتی باشند. به همین دلیل، در این پژوهش پیشنهاد می‌گردد که تنوع‌بخشی به توصیه‌ها به صورت شخصی‌سازی‌شده و متناسب با نیاز هر کاربر انجام شود. برای این منظور، یک الگوریتم توصیه‌‌گر ارائه می‌گردد که در آن برای مقابله با مشکل عدم توصیه‌ اقلام دنباله طولانی، تنوع‌بخشی در توصیه‌ها با استفاده از بهینه‌سازی چندهدفه، شخصی‌سازی می‌شود. ارزیابی و مقایسه‌ی روش پیشنهادی با روش‌های پیشین نشان می‌دهد که این روش بهینه‌سازی چندهدفه، اهداف خود را به خوبی برآورده می‌کند؛ به این صورت که به مشارکت بیشتر اقلام دنباله طولانی کمک می‌کند و دقت سیستم توصیه‌گر را همزمان با شخصی‌سازی تنوع در حد مطلوبی حفظ می‌کند.