پردازش علایم و داده ها
سال:1393 | دوره:- | شماره:2 (پیاپی 22) |تعداد مقالات:9

یکی از مهم ترین قابلیت های سامانه مدیریت امنیت اطلاعات که در هر سازمانی به فراخور نیاز باید انجام شود، مدیریت مخاطرات امنیت اطلاعات است. اهمیت به کارگیری مدیریت مخاطرات امنیت اطلاعات تا جایی است که می توان آن را قلب سامانه مدیریت امنیت اطلاعات نامید و رتبه بندی مخاطرات امنیت اطلاعات، قسمت مهم و کلیدی مرحله ارزیابی مخاطرات در فرایند این مدیریت به شمار می رود. در این مقاله روشی کاربردی بر اساس تلفیق دو روش تصمیم گیری چندشاخصه فرایند تحلیل سلسله مراتبی و تاپسیس، در محیط فازی، برای بهبود رتبه بندی مخاطرات امنیت اطلاعات ارائه شده است. نتایج حاصل از پیاده سازی مدل تلفیقی فرایند تحلیل سلسله مراتبی فازی- تاپسیس (FAHP-TOPSIS) در مقایسه با مدل فرایند تحلیل سلسله مراتبی فازی (FAHP) نشان می دهد که وزن های حاصل از مدل پیشنهادی FAHP-TOPSIS دارای ضریب تغییرات کمتر و میاتگین بیشتر نسبت به مدل FAHP است و درنتیجه نتایج دقیق تر و با درصد خطای کمتری را جهت رتبه بندی مخاطرات ارائه می دهد.

بیماری پارکینسون یک اختلال عصبی پیش رونده است که با علائم بالینی ترمور، سفتی عضلات و کندی حرکت مشخص می شود. تحقیقات اخیر در بررسی فعالیت مغز انسان با استفاده از دادگان تصویربرداری تشدید مغناطیسی عملکردی(fMRI)  نشان می دهد که در حالت استراحت شبکه ای از ارتباطات و فعالیت به صورت نوسانات خود به خودی در نواحی مختلف مغز وجود دارد که در بیماری های مختلف تحت تاثیر قرار می گیرند. در این مقاله روش های دامنه نوسانات فرکانس پایین (ALFF) و آنالیز همگنی ناحیه ای (ReHo) جهت استخراج شاخص های درون ناحیه ای و آنالیز همبستگی متقابل (CCA) جهت استخراج شاخص های بین ناحیه ای در نواحی آناتومیکی حرکتی مورد استفاده قرار می گیرند. با توجه به نتایج روش CCA، مدلی از شبکه ارتباطات عملکردی در افراد سالم و بیماران پارکینسونی ارائه شده است. نتایج مقایسه دو شبکه نشان می دهد که در بیماران پارکینسونی ارتباطات منفی معناداری بین مخچه و هسته های قاعده ای برقرار است، درحالی که این ارتباطات در افراد سالم ضعیف و غیرمعنادار است. همچنین میانگین مقادیر ALFF و ReHo به عنوان شاخص های درون ناحیه ای به همراه شاخص های بین ناحیه ای به عنوان ورودی طبقه بندی کننده استفاده شده اند. نتایج خوشه بندی بر مبنای متمایزکننده ترین ویژگی ها دقت 85%، مشخصه امتیاز 89% و مشخصه جکارد 75% را نشان می دهد. ما همچنین دریافتیم که در بیماران پارکینسونی شاخص های بین ناحیه ای مغز بیشتر از شاخص های درون ناحیه ای تحت تاثیر قرار می گیرند و متمایزکننده ترین ویژگی بین افراد سالم و پارکینسونیسم همبستگی بین مخچه و پوتامن در نیمکره چپ است.

در این مقاله یک کنترل گر منطق فازی، که با تاخیرهای زمانی تطبیق می یابد، ارائه شده است تا عملکرد سامانه های کنترل از طریق شبکه را بهبود دهد. مهم ترین چالش در این سامانه ها، تاخیر زمانی تصادفی متغیر در شبکه های مخابرات داده است. کنترل گرهای سنتی مانند تناسبی - انتگرالی - مشتق گیر که به طور معمول با یک تاخیر ثابت تنظیم می شود، باعث ناپایداری این سامانه ها می شود. از طرف دیگر کنترل گرهای منطق فازی به خاطر ماهیت غیرخطی شان می تواند گزینه خوبی برای کنترل فرآیندهای غیرخطی باشد. در روش پیشنهادی، محورهای مختصات جدول قوانین کنترل گر فازی بر اساس یک رابطه غیرخطی از تاخیر تخمینی شبکه می چرخد. مقدار این چرخش توسط یک سامانه غیرخطی دیگر یعنی شبکه عصبی محاسبه می گردد. در این پژوهش با اعمال تاخیرهای متغیر ناشی از شبکه، شبیه سازی های مختلف انجام و روش پیشنهادی با پیشگوگر اسمیت و کنترل گر منطق فازی مقایسه می شود. با وجود ناپایداری این دو کنترل گر در تاخیرهای بیش از ششصد میلی ثانیه، کنترل گر پیشنهادی می تواند پایداری سامانه را حفظ کند.

در سامانه های بازیابی تصویر بر اساس محتوا، ویژگی های دیداری تصاویر پایگاه استخراج شده و پایگاه ویژگی های دیداری برای یافتن نزدیک ترین تصاویر به تصویر پرس و جو، جستجو می شود. کاربر با سامانه تا رسیدن به هدف نهایی خود تعامل کرده و سامانه از اطلاعات کاربر و ابزار بازخورد ربط به منظور بالابردن کارایی بازیابی استفاده می کند. در این تحقیق، هر تصویر با یک بردار ویژگی شامل سه نوع ویژگی و مجموع 270 مولفه نمایه می شود. برای اندازه گیری شباهت بین دو تصویر از یک معیار وزن دار استفاده شده که در آن برای هر نوع و هر مولفه ویژگی یک وزن در نظر گرفته شده است. این وزن ها در طول بازیابی با استفاده از اطلاعات کاربر و روش پیشنهادی بهبود می یابند. در این روش، وزن هر نوع ویژگی با توجه به رتبه تصاویر مرتبط در بازیابی بر اساس آن نوع ویژگی تنظیم و برای تصحیح وزن هر مولفه ویژگی از میانگین و انحراف معیار آن مولفه روی تصاویر مرتبط و نامرتبط استفاده می شود. روش پیشنهادی روی یک پایگاه تصویر شامل ده هزار تصویر از 82 گروه معنایی متفاوت آزموده شده است. نتایج آزمایش ها، برتری روش پیشنهادی به روش های موجود را نشان می دهد.

در سال های اخیر جداسازی داده های سنجش از دور با استفاده از تجزیه ماتریس نامنفی (Nonnegative Matrix Factorization) مورد توجه قرارگرفته است و برای بهبود کارایی آن، به تابع هزینه اقلیدسی قیدهای کمکی می افزایند. چالش اصلی در این میان معرفی قیدهایی است که بتواند نتایج بهتری را استخراج کند. همبستگی بین باندهای تصاویر ابرطیفی مساله ای است که کمتر مورد توجه الگوریتم های جداسازی قرارگرفته است. این مساله در جداسازی کلاس های مشابه بیشتر مشخص می شود. در این مقاله یک روش جدید برای جداسازی داده های ابرطیفی سنجش از دور با استفاده از تجزیه ماتریس نیمه نامنفی (Semi-NMF) و تحلیل مولفه های اصلی پیشنهاد کردیم. در روش پیشنهادی جداسازی طیفی و مکانی به صورت هم زمان انجام می شود و تمام محدودیت های فیزیکی مساله بر اساس مدل مخلوط خطی اعمال می شود. همچنین، علاوه بر محدودیت های فیزیکی، از ویژگی داده های ابرطیفی در فرآیند جداسازی بهره برداری شده است. تنکی ضرایب فراوانی یکی از ویژگی های مهم داده های ابرطیفی است که در این مقاله ما با استفاده از ماتریس nsNMF به درون تابع هزینه اعمال کرده ایم. در روش پیشنهادی قواعد به روزرسانی الگوریتم با استفاده از روش ALS به دست آمده است. در بخش انتهایی این مقاله از داده های ابرطیفی مصنوعی و واقعی به منظور بررسی کارآمدی الگوریتم پیشنهادی استفاده شده است. نتایج به دست آمده برتری الگوریتم پیشنهادی را در مقایسه با برخی از الگوریتم ها جداسازی نشان می دهد.

سامانه های مبتنی بر داده به راحتی می توانند به سایر زبان ها یا دامنه ها منتقل شوند. استفاده از این رویکرد در تجزیه وابستگی منجر به ارائه روش های مبتنی بر داده شد که تنها نیازمند پیکره ای حاوی جملات و درخت وابستگی متناظر با آن به عنوان داده آموزشی است. الگوریتم های طراحی شده برای تجزیه وابستگی با وجود صحت بالا در زبان انگلیسی، بر روی دسته ای از زبان ها با افت صحت مواجه می شوند که دلیل این امر را می توان در پررنگ تر بودن عامل بی ترتیبی و غنای ساخت واژی آنها دانست. این بدان معناست که سامانه های مبتنی بر داده نیازمند انتخاب خصوصیات و تنظیم دقیق پارامترها به منظور رسیدن به کارایی بهینه هستند.زبان فارسی که به تازگی پیکره وابستگی برای آن طراحی شده است، جزو زبان هایی است که دو عامل بی ترتیبی و غنای ساخت واژی را دارد. در این مقاله سعی شده است عوامل تاثیرگذار بر کاهش صحت تجزیه وابستگی در زبان فارسی شناسایی و راهکارهایی برای بهبود صحت آن ارائه شود.

هدف مطالعه حاضر، تحلیل دینامیک های سیگنال نرخ ضربان قلب با استفاده از منحنی های بازگشتی است تا توانایی های این روش در شناسایی الگوهای نرخ ضربان قلب در هنگام مدیتیشن مورد بررسی قرار گیرد. در روش پیشنهادی، سیگنال های نرخ ضربان قلب موجود در پایگاه داده فیزیونت مورد استفاده قرار گرفت. دینامیک های این سیگنال ها در دو حالت قبل و در هنگام مدیتیشن با تحلیل کمی سازی بازگشتی مطالعه شد. در اندازه های غیرخطی از منحنی بازگشتی مشاهده می شود که این مقادیر در هنگام مدیتیشن نسبت به قبل از آن بیشتر بوده است؛ یعنی بعد سامانه در هنگام مدیتیشن بیشتر کاهش می یابد. نتایج نشان می دهد که در مدیتیتورهای باتجربه سیگنال های نرخ ضربان قلب از حالت کیاتیک و با پیچیدگی بالا در قبل از مدیتیشن به سمت رفتاری با درجه آشوب گونگی پایین تر و شبه پریودیک در هنگام مدیتیشن تغییر می یابند. این رفتار به علت کاهش تعاملات غیرخطی متغیرها در حالت مدیتیشن و همچنین افزایش فعالیت پاراسمپاتیک و آرامش است.

در سامانه های رایج بازیابی تصویر مبتنی بر محتوا از ساختارهای شاخص گذاری چند بعدی برای سرعت بخشیدن به عملیات جستجو استفاده می شود. در اکثر حوزه های کاربردی، ابعاد بالایی از بردارهای ویژگی چند بعدی برای توصیف تصاویر موردنیاز است؛ اما ساختار های شاخص گذاری چند بعدی رایج کارایی خود را با افزایش ابعاد فضای ویژگی از دست می دهند. افزایش ابعاد فضای داده موجب افزایش نمایی اندازه فضای جستجو و تعداد گره ها در ساختارهای شاخص گذاری چندبعدی و همچنین موجب افزایش هم پوشانی بین گره های ساختارهای شاخص گذاری چندبعدی می شود. این مسائل منجر به افزایش هزینه جستجو از طریق ساختارهای شاخص گذاری چندبعدی رایج می شود. هدف این پژوهش ارائه یک ساختار شاخص گذاری تصویر مبتنی بر خوشه بندی سلسله مراتبی تقسیم کننده، جهت مدیریت بردارهای ویژگی متناظر با تصاویر، در فضای ویژگی با ابعاد بالاست که در ضمن از هم پوشانی نواحی گره ها نیز جلوگیری به عمل آورد. آزمون های مختلف نشان داده که ساختار شاخص گذاری پیشنهادی در فضاهای با ابعاد بالا کارایی مناسبی داشته و نسبت به رویکردهای پیشین دارای برتری است.

در زمینه مسائل طبقه بندی، اغلب با طبقه هایی مواجه می شویم که تعداد نمونه های متفاوتی دارند؛ یعنی کلاس هایی با تعداد نمونه زیاد و کلاس هایی با تعداد نمونه کم؛ این مسائل «مسائل طبقه بندی با مجموعه داده های نامتوازن» نامیده می شوند. سامانه های طبقه بندی مبتنی بر قوانین فازی(FRBCSs)  یکی از رایج ترین سامانه های مدلسازی فازی استفاده شده، برای حل مسائل طبقه بندی است. وزن دهی قوانین اغلب برای بهبود دقت طبقه بندی استفاده می شود و به طور معمول نسخه های فازی confidence و support برای تولید وزن قوانین فازی بکار می روند. در این مقاله، یک روش تکاملی بر مبنای برنامه نویسی ژنتیک برای تولید عبارات مربوط به وزن ارائه می شود. برای تولید عبارات از چهار معیار confidence، support، lift و recall به عنوان پایانه های برنامه نویسی ژنتیک استفاده می کنیم. آزمایش را بر روی بیست مجموعه داده از مجموعه داده های keel اجرا و سپس نتایج به دست آمده را با استفاده از آزمون های آماری تحلیل می کنیم. نتایج حاصل، نشان می دهد که کاراییFRBCS  با استفاده از روش پیشنهادی بهبود می یابد.