پردازش علایم و داده ها
سال:1396 | دوره:14 | شماره:4 (پیاپی 34) |تعداد مقالات:10

حمله به سامانه های اسکادا در زیرساخت های حیاتی خسارت های جبران ناپذیری به همراه دارد. در سامانه اسکادا اپراتورها نقش کلیدی داشته، و چنانچه وظایف خود را به درستی انجام ندهند در فرآیندهای جاری شبکه اختلال به وجود می آید. در این مقاله عملکرد نامناسب اپراتورها در کنترل فرآیندها به عنوان تهدیدهای عملیاتی شناخته می شوند. یک تهدید عملیاتی هنگامی است که اپراتورهای مجاز با انجام ندادن وظایف سازمانی و یا سوءاستفاده از مجوزهای قانونی سعی در ایجاد اختلال در پست های راه دور می کنند. در این مقاله یک سامانه مدیریت دسترسی مبتنی بر اعتماد برای کاهش تهدیدهای عملیاتی ارائه شده است. در این سامانه سطح دسترسی اپراتور به پست ها با توجه به مقدار اعتماد اپراتور و سطح بحرانی بودن پست تعیین می شود. مقدار اعتماد اپراتور در فواصل زمانی معین و یا هنگام مشاهده ناهنجاری در شبکه به روزرسانی می شود. سامانه پیشنهادی قادر است تا ناهنجاری های به وجود آمده را شناسایی کند. نتایج شبیه سازی با استفاده از داده های شبکه برق ایران نشان می دهد که سامانه پیشنهادی از کارایی مناسبی برخوردار است.

الگوریتم فیشر، یکی از معروف ترین و پرکاربردترین روش های آشکارسازی آرایه ای سیگنال های صوتی بسامدِ پایین در شبکه های حس گری دارای زیرساخت است؛ اما یکی از مشکلات عمده در به کارگیری این الگوریتم، زمان طولانی انجام پردازش در آن است که در عمل، پیاده سازی بلادرنگ آشکارساز را با مشکل مواجه می سازد. در این مقاله، چگونگی پیاده سازی الگوریتم فیشر را با استفاده از واحد پردازش گرافیک (جی پی یو) به منظور تحقق محاسبات سریع و انجام پردازش های نزدیک به زمانِ واقعی، ارائه می کنیم. به خصوص به منظور بهبود هرچه بیشتر سرعت محاسبات، الگوریتم آشکارسازی با استفاده از روش پردازش موازی (مبتنی بر جی پی یو) پیاده سازی شده است. نتایج شبیه سازی ها، ارتقای قابل ملاحظه سرعت آشکارساز فیشر را نشان می دهند که باعث بهبود کارآیی شبکه حس گری صوتی خواهد شد.

خوشه بندی یکی از عناصر اصلی سازنده در بینایی رایانه و یادگیری ماشین است. چالش اصلی، یافتن راهی مناسب برای پیدا کردن زیر مجموعه ای از نمونه های شاخص و ساختارهای خوشه ای مرتبط با آنها، با درنظر گرفتن یک معیار فاصله دوبه دو، است. در این مقاله شیوه ای جدید برای خوشه بندی پیشنهاد می شود که به صورت تکرار شونده، عناصر کلیدی یک مجموعه داده ای را بر پایه یک تابع هدف مناسب، پیدا می کند. آزمایش های تجربی متعدد بیان گر برتری روش پیشنهاد شده نسبت به روش های موجود، هم از نظر بهینگی و هم از نظر موثر بودن، است. علاوه بر این، روش پیشنهادی برای خوشه بندی داده های با مقیاس بالا توسعه داده می شود؛ به صورتی که میلیون ها داده را در چند ثانیه می توان پردازش کرد.

تشخیص موجودیت های نامدار فرآیندی است که در آن اسامی اشخاص، مکان ها(شهرها، کشورها، دریاها و غیره)، سازمان ها(شرکت های خصوصی و دولتی، نهادهای بین المللی و غیره)، تاریخ، واحدهای پولی و درصدها در یک متن شناسایی می شوند. تشخیص موجودیت های نامدار نقشی اساسی در سامانه های پرسش و پاسخ، خلاصه سازی، ترجمه ماشینی، برچسب زن نقش معنایی، جستجوی معنایی، استخراج رابطه و شناسایی نقل قول دارند. در این مقاله ابتدا فرهنگ واژگان موجودیت های سازمان، مکان و اشخاص با استفاده از محتوای ویکی پدیای فارسی استخراج شد؛ سپس با استفاده از قواعد، سامانه پیشنهادی توسعه یافت. در ادامه دقت شناسایی موجودیت های نامدار با استفاده از کسره اضافه که یکی از ویژگی های مهم زبان فارسی است، بهبود داده شد. جهت ارزیابی سامانه تعداد 42 هزار کلمه از پیکره بی جن خان به صورت دستی برچسب زده شدند و معیار F 92/81 درصد به دست آمد. نتایج حاکی از آن است که با استفاده از کسره اضافه در سامانه های تشخیص موجودیت دقت آن ها به طور قابل ملاحظه ای افزایش می یابد.

با توجه به گسترش روزافزون اطلاعات و وجود حجم انبوه متون غیرساخت یافته، استفاده از کلمات کلیدی نقش مهمی در بازیابی اطلاعات دارد. این درحالی است که استخراج کلمات کلیدی به صورت دستی مشکلات زیادی دارد. بنابرین استخراج کلمات کلیدی به صورت خودکار از نیازهای ضروری فناوری امروزه است. در این پژوهش سعی شده با استفاده از اصطلاح نامه که از نظامی ساختارمند برخوردار است، کلمات کلیدی بامعناتری از متون استخراج کرد و با آن ها طبقه بندی متون فارسی را بهبود بخشید. مراحلی که برای افزایش جامعیت جستجو باید سپری شود به این صورت است که در مرحله نخست کلمات زائد حذف و باقی کلمات ریشه یابی می شود؛ سپس به کمک اصطلاح نامه کلمات هم معنی، اعم ها و اخص ها و همچنین وابسته ها پیدا و در ادامه برای مشخص شدن اهمیت نسبی کلمات یک وزن عددی به هر کلمه منسوب می شود که بیان گر میزان تاثیر کلمه در ارتباط با موضوع متن و درمقایسه با سایر کلمات به کار رفته در متن است. با توجه به مراحل بالا و به کمک اصطلاح نامه، طبقه بندی متون دقیق تر انجام می گیرد. در این روش از الگوریتم نزدیکترین همسایه (KNN) برای طبقه بندی استفاده می شود. الگوریتم KNN به خاطر سادگی و موثر بودن آن در طبقه بندی متون بسیار به کار برده می شود. مبنای کار این الگوریتم، مقایسه متن آزمایش داده شده با متون آموزشی داده شده و به دست آوردن میزان شباهت بین آن ها است. نتایج آزمایش ها برروی چندین متن در موضوع های مختلف، نشان دهنده دقت و توانایی روش پیشنهادی در استخراج کلمات کلیدی منطبق با خواست کاربر و در نتیجه طبقه بندی دقیق تر متون است.

درخت بانک ها به طورمعمول به دو شکل مبتنی بر ساختار وابستگی و مبتنی بر ساختار سازه ای ایجاد می شوند. هر دوی این ساختارها در حوزه زبان شناسی و پردازش زبان طبیعی کاربرد دارند. هم اکنون چندین درخت بانک وابستگی برای زبان فارسی وجود دارد، اما درخت بانک سازه ای با حجم بزرگ برای این زبان وجود ندارد. در این مقاله قصد داریم روشی را برای تبدیل یک درخت بانک وابستگی به معادل سازه ای آن، بر اساس یک الگوریتم موجود ارائه دهیم. الگوریتم مبنا با استفاده از مجموعه ای از قواعد تبدیل، زیردرخت های سازه ای متناظر با یال های وابستگی را یافته و با ترکیب آنها ساختار سازه ای نهایی را تولید می کند. ما این الگوریتم را بر روی ساختارهای وابستگی زبان فارسی اعمال و ضمن ارائه نتایج، اصلاحاتی را در جهت بهبود کارایی آن ارائه می کنیم. نشان داده می شود که پیمایش یال های وابستگی در یک جهت خاص بر روی کیفیت الگوریتم تاثیرگذار است. همین طور ما اصلاحاتی را در الگورتیم مربوط به تطبیق قواعد و الگوریتم اتصال زیردرخت ها ارائه می کنیم. این اصلاحات کارایی الگوریتم را به شکل قابل ملاحظه ای افزایش می دهند. نتایج عملی بهبودی را به اندازه 48/16% نسبت به الگوریتم مبنا نشان می دهد.

برای اجرای فرآیند ضبط حرکت، لازم است داده های مناسب، در طول زمان با دنبال کردن نقاط کلیدی از هدف مورد نظر استخراج شوند. با این داده ها و طی یک سری عملیات پس پردازشی کارهای زیادی از جمله ساخت مجدد آن حرکت در فضای سه بعدی می توان انجام داد. در این مقاله یک الگوی برآورد حالت های پویای دست مبتنی بر مدل با استفاده از روش ضبط حرکت بدون نشانه گذاری ارائه می شود. در این پژوهش حرکات بازوی عامل انسانی در قالب دنباله ای از تصاویر رنگی به همراه داده های عمق و اسکلت به دست آمده از کینکت (ابزاری برای ضبط حرکت بدون نشانه گذاری) با سرعت سی فریم در ثانیه به عنوان داده های ورودی استفاده شده اند. الگوی پیشنهادی، ویژگی های زمانی و مکانی از دنباله تصاویر ورودی استخراج می کند و روی تعیین موقعیت نوک انگشتان شست و اشاره و به دست آوردن زوایای مفاصل ربات، به منظور تقلید حرکت بازوی عامل انسانی در سه بعد در یک محیط کنترل نشده تمرکز دارد. در این پژوهش از بازوی ربات واقعی RoboTEK II ST240 استفاده شده و حرکات بازوی عامل انسانی به حرکات تعریف شده برای این بازوی ربات محدود شده است. بردارویژگی جهت برآورد حالت به ازای هر فریم، به مختصات x، y و عمق برخی مفاصل و مختصات نوک انگشتان شست و اشاره نیازدارد. از داده های عمق و اسکلت برای تعیین زوایای مفاصل ربات استفاده می شود؛ ولی تعیین نوک انگشتان به طور مستقیم با داده های موجود امکان پذیر نیست؛ از این رو سه رویکرد برای شناسایی نوک انگشتان شست و اشاره با استفاده از داده های موجود ارائه می شود. در این رویکردها از مفاهیمی همچون آستانه گیری، لبه یابی، ساخت پوسته محدب، مدل کردن رنگ پوست و تفریق پس زمینه استفاده می شود. در پایان برای تقلید حرکت، با استفاده از بردارهای ویژگی به ازای هر فریم، حالت متناظر بر روی بازوی ربات اعمال می شود. برای ارزیابی تقلید حرکت، مسیرهای طی شده توسط قسمت نهایی دست عامل انسانی و قسمت مجری نهایی بازوی ربات با هم مقایسه شده اند. نمودارهایی که میزان تغییرات زوایای مفاصل را برای این دو مورد نشان می دهند، گویای موثر بودن الگوی پیشنهادی در تقلید عملکرد بازوی انسانی است.

امروزه کتابخانه های دیجیتال از مهم ترین و سریع ترین منابع پژوهشی در جهان محسوب می شوند. از نقطه نظر مدیریت تجمیع دانش، توانایی جستجوی صحیح، دقیق و سریع مطالب علمی مد نظر کاربر، اهمیت زیادی دارد. پیچیدگی و وجود تشابه در بانک های اطلاعاتی موجب می گردد این منابع در هنگام بهره برداری با چالش ها و ابهامات زیادی مواجه شوند و همین چالش ها دست مایه پژوهش های گسترده ای را در این حوزه شکل داده است. یکی از مهم ترین این چالش ها، وجود ابهام در نام نویسنده است. در این خصوص روش های بسیاری با بهره گیری از روش های خوشه بندی نسبت به حل نام های مبهم مبادرت ورزیده اند. این روش ها تا حدودی توانسته اند مشکل را برطرف کنند، اما همچنان مسئله تکه تکه بودن خوشه ها و خطا در نتایج تولیدی، از معایب روش های موجود است. از سویی تجربه نشان داده که یک روش به تنهایی نتایجی با صحت بالا نمی تواند تولید کند. بدین منظور در این مقاله مدلی جهت حل مشکل ذکر شده ارائه شده است. راهکار پیشنهادی در دو گام، عملیات ابهام زدایی را انجام می دهد. در گام نخست خوشه های اولیه با استفاده از «الگوریتم خوشه بندی سلسله مراتبی تجمعی با پارامترها و توابع اندازه گیری مشابهت مختلف»، تولید می شوند. در گام دوم با بهره گیری از «الگوریتم خوشه بندی تجمعی»، خوشه های تولید شده به گونه ای ترکیب می شوند تا خوشه هایی غنی با درصد کمتری از تکه تکه بودن و صحت بالاتر تولید شوند. در ارزیابی الگوریتم پیشنهادی از «مجموعه دادگان DBLP، تحت معیار K» استفاده شده است. نتایج، بهبود قابل توجهی را در ترکیب خوشه های مذکور نشان می دهند.

استرس یکی از مهم ترین علل بروز اختلالات جسمی و روانی است که منشا بسیاری از بیماری ها به شمار می رود. در دو دهه اخیر تشخیص سطح استرس در حین رانندگی به منظور پیش گیری از سوانح مورد اقبال جدی پژوهش گران بوده است. نکته ای که در پژوهش های پیشین در خصوص اندازه گیری استرس در طول رانندگی مورد توجه قرار نگرفته، این است که سطح استرس در حین رانندگی با توجه به وقایع غیر قابل پیش بینی تغییر می کند. در این مقاله نشان داده شده است که سطح استرس را در یک دوره زمانی طولانی، به طور مثال مدت زمان رانندگی در بزرگراه، ثابت نمی توان در نظر گرفت؛ سپس براساس این فرض، ایده جدیدی برای تشخیص سطح استرس بر مبنای روش خوشه بندی fuzzy c-means و برچسب زدن به خوشه ها توسط خبره پیشنهاد شده است. در الگوریتم پیشنهادی، با تلفیق میزان تعلق خوشه و ضریب وزنی متناظر با برچسب هر خوشه، معیاری کمی از استرس برای فواصل زمانی بسیار کوتاه حاصل می شود. در واقع دادگان استرس در رانندگی برچسب هایی نادقیقی دارند که روش پیشنهادی با استفاده از دانش نهادینه شده در دادگان و به شیوه ای قاعده مند، استرس را به صورت پیوسته تخمین می زند. در این مقاله، علاوه بر ارزیابی کیفی نتایج بر اساس شواهد حین آزمایش، از معیار کمی همبستگی بین معیار استرس حاصل از روش پیشنهادی با رتبه بندی عینی شرکت کنندگان استفاده شده است. ارزیابی های کیفی و کمی نشانگر کارآیی روش پیشنهادی در افزایش دقت و صحت تشخیص میزان استرس است.

در این مقاله، خلاصه سازی استخراجی گفتار با استفاده از روش های مختلف یادگیری ماشین مورد مطالعه قرار گرفته است. خلاصه سازی یک فایل گفتاری به معنای استخراج بخش های مهم و شاخص گفتار به منظور دسترسی، جستجو، استخراج و مرورگری آسان تر و کم هزینه تر اطلاعات فایل های گفتاری است. در این مقاله، یک روش جدید خلاصه سازی گفتار بدون استفاده از سامانه بازشناسی خودکار گفتار ارائه شده است. الگوهای تکراری بین دو جمله گفتاری با استفاده از الگوریتم S-DTW، به طورمستقیم از روی سیگنال گفتار شناسایی می شوند. بعد از تعیین شباهت بین دو جمله و استخراج تعدادی ویژگی از هر جمله تاثیر روش های مختلف یادگیری ماشین، بانظارت، بی نظارت و نیمه نظارتی مورد بررسی قرار گرفته است. آزمایش ها برروی یک پیکره خوانده شده اخبار فارسی انجام شده است. نتایج نشان می دهد با استفاده از ویژگی های مناسب، بدون استفاده از رونوشت به کارایی بالاتری نسبت به روش های پایه (3٪ افزایش در مقایسه با انتخاب نخستین جملات و 5٪ افزایش در مفایسه با انتخاب طولانی ترین جملات با استفاده از معیار ROUGE-3) می توان دست پیدا کرد.