فناوری اطلاعات و ارتباطات ایران
سال:1389 | دوره:2 | شماره:6-5 |تعداد مقالات:7

مدل GMM یکی از پرکاربردترین و موفق ترین مدل ها در زمینه تشخیص خودکار زبان است. در این مقاله مدلی جدید با نام Adapted Weight-GMM (AW-GMM) ارائه شده است. این مدل مشابه GMM است با این تفاوت که وزن مولفه های آن در قالب سیستم GMM-VSM بر اساس قدرت مولفه ها در تمایز یک زبان از سایر زبان ها تعیین می گردد. همچنین با توجه به پیچیدگی محاسباتی که در سیستم GMM-VSM در حالتی که توالی 2 تایی مولفه ها در نظر گرفته شود، وجود دارد، تکنیکی برای ساخت توالی 2 تایی مولفه ها ارائه شده است که می توان از آن برای ساخت توالی های از مرتبه بالاتر نیز استفاده نمود. ارزیابی های صورت گرفته بر روی 4 زبان انگلیسی، فارسی، فرانسوی و آلمانی از دادگان OGI کارایی تکنیک های ارائه شده را نشان می دهد.

افزایش پیچیدگی و هزینه سیستم های فناوری اطلاعات مشکلات زیادی برای شرکت ها در زمینه زیرساخت و نیروی انسانی ایجاد نموده که با استفاده از برونسپاری این موارد کاهش یافته است. همه سازمان ها سعی دارند از راه های مختلف احتمال موفقیت پروژه های برونسپاری خود را افزایش دهند. یکی از دلایل شکست این پروژه ها خصوصا در زمینه فناوری اطلاعات به دلیل نقش مهم آن در کسب مزیت رقابتی انتخاب پیمانکار نامناسب می باشد که این انتخاب به دلیل وجود معیارهای متعدد و متناقض پیچیده است. هدف این پژوهش یافتن معیارهای مهم جهت انتخاب پیمانکار و ارائه چارچوب آن و مشخص نمودن اهمیت معیارها و در نهایت طراحی سیستم خبره فازی انتخاب پیمانکار مناسب در برونسپاری درون مرزی فناوری اطلاعات می باشد. روش اخذ دانش از خبرگان که شامل متخصصان و مدیران فناوری اطلاعات می باشند پرسشنامه است و جهت اعتبارسنجی سیستم به استفاده از آن در یک شرکت فناوری اطلاعات پرداخته شده است و نتایج حاصل حاکی از عملکرد مطلوب سیستم می باشد.

الگوریتم سیل آسا، یکی از مهمترین عملیات اولیه و زیربنایی برای پروتکل های مسیریابی در شبکه های موردی سیار است. اما، از آن جایی که این الگوریتم پیغام های اضافی زیادی تولید می کند، بسیار پرهزینه بوده، باعث اتلاف پهنای باند شبکه، مصرف بیش از نیاز انرژی گره ها شده که در نهایت ممکن است موجب طوفان همه پخشی شود. روش های زیادی برای بهبود الگوریتم سیل آسا پیشنهاد شده است که عمدتا به دو دسته روش های قطعی و احتمالی تقسیم می شوند که دسته دوم بیشتر مورد توجه قرار گرفته است. اما این روش ها عمدتا باعث افزایش تاخیر و عدم پوشش کامل می شوند. در این مقاله، ما یک روش جدید برای بهبود عملکرد الگوریتم سیل آسا پیشنهاد کرده ایم. اساس کار این روش بازپخش احتمالی بر مبنای مشاهدات محلی می باشد. در این روش جدید احتمال بازپخش پیغام توسط هر گره، تابعی از مشاهدات محلی می باشد. نتایج شبیه سازی نشان داده است که روش پیشنهادی در مقایسه با روش های مشابه ضمن کاهش قابل توجه تاخیر تحویل بسته ها با سربار پیغام قابل قبول پوشش کامل شبکه را فراهم می کند.

کاهش کیفیت تصویر در یک سامانه اپتیکی تابع پارامتر های متفاوتی از قبیل ابیرایی لنز، خطای رقمی سازی و خطای مونتاژ سامانه می باشد. از این میان مقاله حاضر قصد دارد تا به مطالعه ابیرایی لنز پرداخته و نقص ابیرایی آن را اصلاح و جبران نماید. برای این منظور مومنت های زرنیک جهت مدل سازی ابیرایی معرفی شده و ضرایب آن جهت تخمین در دو کلاس متقارن و نامتقارن دسته بندی می شوند. سپس این ضرایب با بهره گیری از آنالیز چند طیفی تخمین زده می شوند. جهت این مهم در تخمین ضرایب جملات متقارن از آنالیز tri-coherence و برای ضرایب جملات نامتقارن از آنالیز bi-coherence استفاده شده است. با مدنظر قرار دادن دقت نتایج حاصله در مقام قیاس با نتایج تخمین ابیرایی با بهره گیری از آنالیز چند طیفی نشان می دهد که روش پیشنهادی می تواند به دقت 0.1 پیکسل دست یابد.

یکی از حوزه های تحقیقاتی مهم در پردازش تصویر، فشرده سازی تصاویر است. تاکنون روش های مختلفی برای فشرده سازی تصویر ارائه شده است، در این میان شبکه های عصبی مخاطبان زیادی را به خود جذب کرده اند. متداول ترین روش آموزشی شبکه های عصبی، روش پس انتشار خطاست که همگرایی کند و توقف در بهینه های محلی از مهمترین نقاط ضعف آن محسوب می شوند. رویکرد جدید محققین، استفاده از الگوریتم های ابتکاری در فرایند آموزش شبکه های عصبی است. در این مقاله، روش آموزشی نوینی مبتنی بر روش جستجوی گرانشی (GSA) معرفی می شود. روش جستجوی گرانشی آخرین و جدیدترین نسخه از انواع روش های جستجو و بهینه سازی هوش جمعی است. در این روش پاسخ های کاندید در فضای جستجو اجرامی هستند که توسط نیروی گرانش بر یکدیگر اثر گذاشته و موقعیتشان تغییر می کند. به تدریج اجرام با برازندگی بهتر دارای جرم بیشتری می شوند و بر اجرام دیگر تاثیر بیشتری می گذارند.در تحقیق حاضر با استفاده از الگوریتم GSA یک شبکه عصبی MLP به منظور فشرده سازی تصاویر آموزش داده می شود.برای ارزیابی کارایی فشرده ساز ارائه شده عملکرد آن با الگوریتم بهینه سازی گروه ذرات و روش متداول پس انتشار خطا در فشرده سازی چهار تصویر استاندارد مقایسه می شود. نتایج نهایی گویای قابلیت چشمگیر روش GSA در آموزش شبکه های عصبی MLP می باشد.

با پیشرفت سریع تکنولوژی ارتباطات و گسترش اینترنت و افزایش چشمگیر جعل و کپی غیر مجاز داده ها، روز به روز بر ارزش نشانه گذاری افزوده می شود. در این مقاله یک روش جدید نیمه کور نشانه گذاری با استفاده از تبدیل مقدار منحصر به فرد تجزیه (Singular Value Decomposition) در حوزه تبدیل موجک گسسته برای حفاظت از حق مالکیت ارائه شده است. در روش پیشنهادی ابتدا به تصویر اصلی K مرحله تبدیل موجک گسسته اعمال می شود پایین ترین زیر باند فرکانسی آن به عنوان تصویر مرجع انتخاب می گردد. سپس با اعمال یک مرحله تبدیل موجک گسسته به تصویر مرجع و تصویر نشانه، مقادیر منحصر به فرد تجزیه زیر باندهای فرکانسی تصویر تبدیل یافته نشانه در مقادیر منحصر به فرد تجزیه زیر باندهای متناظر تصویر تبدیل یافته مرجع تعبیه می شود. از آنجا که در این روش برای بازیابی نشانه به تصویر مرجع نیاز می باشد و نیازی به تصویر اصلی نیست لذا یک روش نیمه کور (Sem-Blind) نامیده می شود. مقاومت روش پیشنهادی در برابر هجوم های مختلف مورد بررسی قرار گرفت. نتایج حاصله نشان می دهد که روش پیشنهادی در برابر هجوم های مختلف بسیار مقاوم تر از کارهای مشابه بوده و در عین حال تصویر نشانه گذاری شده از شفافیت بیشتری برخوردار است.

پدیده ازدحام یکی از مشکلات مهم پیش روی طراحان شبکه های کامپیوتری است و در سال های اخیر باعث کاهش کارایی شبکه ها شده است. تاکنون روش های مختلفی به منظور پیشگیری و کنترل این پدیده پیشنهاد شده اند که بر اساس تئوری کنترل می باشند. بدین منظور می توان ساختار حلقه بسته فرایند انتقال داده ها در شبکه های کامپیوتری را بدین صورت در نظر گرفت که در آن، کنترل کننده ای از خانواده مدیریت پویای صف (AQM) به منظور پیاده سازی در مسیریاب های شبکه طراحی شده و بقیه شبکه از دید مسیریاب، به عنوان سیستم هدف کنترل یا پلنت تعریف می شود. در زمینه طراحی کنترل کنندهAQM ، تحقیقات بسیاری صورت گرفته است و کنترل کننده های متعددی طراحی شده است. در این مقاله کنترل مود لغزشی بعنوان کنترل کننده AQM معرفی شده است. کنترل مود لغزشی در مقابل نامعینی های مدل سازی و اغتشاشات وارد شده تا حدود زیادی مقاوم است. در کنترل مود لغزشی، مسیرهای حالت باید به یک سطح از پیش تعریف شده (سطح لغزش)، در یک مدت زمان محدود رسیده و در طول زمان در همان سطح باقی بماند. حرکت بر روی سطح لغزش، مستقل از نامعینی ها می باشد؛ لذا این تکنیک یکی از روش های کنترل مقاوم می باشد. بعد از پیاده سازی کنترل مود لغزشی بر روی مدل شبکه، به کمک نرم افزار Matlab نحوه رفتار شبکه را در حضور این کنترل کننده مورد بررسی قرار گرفته شد و نتایج بدست آمده با نتایج حاصل از چند کنترل کننده دیگر مقایسه گردید.