پردازش علایم و داده ها
سال:1399 | دوره:17 | شماره:2 (44 پیاپی) |تعداد مقالات:10

سامانه های اسکادا وظیفه کنترل زیرساخت های حیاتی را به عهده داشته و مطالعه بر روی آن ها از اهمیت فراوانی برخوردار است. در سامانه اسکادا وضعیت سلامت تمامی فرآیندهای صنعتی و تجهیزات میدانی در پست های راه دور به وسیله رویدادها و هشدارهای دریافتی در مرکز کنترل مورد پایش لحظه ای قرار می گیرند. اپراتورها با مشاهده رویدادها و هشدارها، دستورهای لازم را به منظور مدیریت و حفظ پایداری شبکه صادر می کنند. هرگونه تصمیم اشتباه اپراتور برای برطرف شدن هشدار می تواند موجب ایجاد هشدارهای جدید در شبکه شود. ازآنجاکه هشدارها نقش کلیدی در سامانه اسکادا دارند، مدل سازی چرخه عملیاتی سامانه اسکادا برای مدیریت هشدارها تاثیر فراوانی در تحلیل عملکرد اپراتور و بررسی ناهنجاری در شبکه می تواند داشته باشد. در این مقاله یک مدل جدید از چرخه عملیاتی سامانه اسکادا از مرحله ایجاد هشدار تا برطرف شدن آن توسط اپراتور با استفاده از شبکه های پتری رنگی ارایه شده است. به منظور ارزیابی مدل پیشنهادی، چند سناریو در چند موردکاوی مختلف بررسی شده، و نتایج به دست آمده نشان می دهد که مدل ارایه شده از کارایی لازم در شبیه سازی رفتارهای پست، شبکه و اپراتور برخوردار است.

یکی از بلوک­ های مهم در سامانه DVB-T، بلوک OFDM است. در بلوک OFDM، پایلوت­ ها، تخمین کانال و روش ­ های درون یابی نقش کلیدی دارند. تعداد پایلوت ها در هر سبل OFDM در الگوهای مختلف پایلوت ها متفاوت است. در این مقاله روش ­ های الگوی چینش پایلوتی جدیدی ارائه شده تا با استفاده از سه پارامتر احتمال خطا، زمان محاسباتی و تعداد پایلوت ها عملکرد سامانه DVB-T بهبود یابد. در این پژوهش بهبود عملکرد با استفاده از روش ­ های مختلف درون یابی دوبعدی بررسی شده است. بدیهی است تمام اهداف موردنظر در یک الگو برآورده نمی ­ شود؛ یعنی به طور مثال ممکن است، خطا کمتر، اما تعداد پایلوت بیشتر شده باشد؛ بنابراین الگویی را باید پذیرفت که مطابق با هدف مورد نظر باشد. در این پژوهش شش روش درون یابی دوبعدیlinear, Nearest-neighbor, spline, Cubic Hermite, cosine و low pass استفاده شده و سه الگوی جدید برای پایلوت ها پیشنهاد شده که این سه الگو با الگوهای متداول DVB-T برای چهار کانال مختلف بررسی و برای هر کانال سی روش درون یابی آزمایش شده است. چهار کانال استفاده شده عبارتند از کانال سامانه OFDM با نوفه AWGN و سامانه OFDM با نوفه AWGN و محوشدگی، سامانه DVB-T با نوفه AWGN و سامانه DVB-T با نوفه AWGN و محوشدگی. نتایج حاصل از این پژوهش نشان می دهد که در بیشتر حالات، روش ­ های درون یابی خطی و کسینوسی در بعد دوم بهترین عملکرد را دارند و درون یابی نزدیک ترین همسایگی در بعد دوم بدترین عملکرد را دارد. درنهایت الگوهای پایلوت پیشنهادی با الگوی پایلوت مرسوم سامانه DVB-T مقایسه و ملاحظه شد الگوهای پایلوت پیشنهادی عملکرد بهتری نسبت به الگوی پایلوت مرسوم سیستم DVB-T دارند. از آن جا که در DVB-T جا به جایی و سرعت مطرح است، در مرحله دوم این پژوهش روش ­ های درون یابی دوبعدی در چند فرکانس داپلر مختلف در سامانه DVB-T با استفاده از الگوی پایلوت آن بررسی شده است. شبیه سازی ها نشان می دهد که در سه فرکانس داپلر صفر، سی و 150 هرتز الگوهای پیشنهادی پایلوت در حالی که یکی از درون یابی ها خطی باشد، عملکرد بهتری نسبت به روش متداول در DVB-T دارند.

امنیت نرم افزار از چالش های مهم در توسعه نرم افزار است. هر روز آسیب پذیری ها و نفوذهای زیادی در نرم افزارهای مشهور گزارش می شود. همان طور که برای حل مشکل بحران نرم افزار بحث مهندسی نرم افزار مطرح شد، مهندسی نرم افزار امن در کاهش چالش­ های امنیتی نرم افزار مؤثر است. چرخه McGraw به عنوان یکی از ره یافت­ های­ توسعه نرم افزار امن تعدادی نقطه تماس امنیت نرم افزار را معرفی می­ کند که شامل مجموعه ای از دستورالعمل های صریح و مشخص در راستای اِعمال مهندسی امنیت در نیازمندی ها، معماری، طراحی، کد نویسی، اندازه گیری و نگهداری نرم افزار است. نقاط تماس امنیت نرم افزار برای استفاده در ساخت نرم افزار، مستقل از پروسه نرم افزاری است و به هر فرآیند تولید نرم افزار قابل اعمال است. بنابراین، می توان با تغییر چرخه توسعه نرم افزار مورد نظر و اعمال نقاط تماس، چرخه توسعه نرم افزار امن را ایجاد کرد. در این پژوهش، راه کاری برای نگاشت چرخه McGraw به متدولوژی RUP؛ به عنوان متدولوژی سنگین وزن توسعه نرم افزار؛ و تلفیق این دو متدولوژی در راستای ایجاد یک متدولوژی ساده و کارآمد برای توسعه نرم افزار امن (که RUPST نام دارد) ارائه و همچنین، فراورده های جدید RUP برای توسعه نرم افزار امن به تفکیک هر نظم ارائه و چهار نقش جدید نیز برای انجام فعالیت های مرتبط با امنیت نرم افزار تعریف می شود. راه کار پیشنهادی در یک پروژه واقعی در شرکت کارخانجات مخابراتی ایران مورد استفاده و ارزیابی قرار گرفت. دست آوردها نشان می دهد که بهره گیری و اجرای صحیح این ره یافت توسط توسعه دهندگان، به پیاده سازی و توسعه امن تر و مستحکم­ تر نرم افزار منجر می شود.

در بیش تر الگوریتم های یادگیری ماشین و پردازش تصویر، فرض اولیه بر این است که توزیع احتمال داده های آموزشی (دامنه منبع) و آزمایش (دامنه هدف) یکسان است؛ اما در کاربردهای دنیای واقعی، برخی معیارها نظیر حالت تصویر، روشنایی یا کیفیت تصویر، موجب ایجاد اختلاف قابل توجهی بین دو مجموعه آموزشی و آزمایش می شود. به همین دلیل، اغلب مدل های ایجاد شده بر روی داده های آموزشی عملکرد ضعیفی بر روی داده های آزمایش خواهند داشت؛ بااین حال، روش های تطبیق دامنه، راه حل بسیار مؤثری برای کاهش اختلاف توزیع بین دامنه های آموزشی و آزمایش هستند. در این مقاله یک روش تطبیق دامنه با عنوان نمایش تُنُک و تطبیق زیرفضا (SRSA) پیشنهاد شده است، که با وزن دهی مجدد نمونه های آزمایش و نگاشت داده ها به یک زیرفضای جدید مشکل اختلاف توزیع داده ها را به خوبی مرتفع می سازد. SRSA با استفاده از یک نمایش تُنُک، بخشی از مجموعه داده های هدف را که ارتباط قوی تری با داده های منبع دارند، انتخاب می کند؛ علاوه بر آن، SRSA با نگاشت داده های تُنُک هدف و داده های منبع به زیرفضاهای مستقل، اختلاف توزیع آنها را درفضای به دست آمده کاهش می دهد؛ درنهایت با برروی هم گذاری زیرفضاهای نگاشت شده، SRSA اختلاف توزیع بین داده های آموزشی و آزمایش را به کمینه می رساند. ما روش پیشنهادی خود را با ترتیب دادن چهارده آزمایش بر روی پایگاه داده های بصری مختلف مورد ارزیابی قرار داده و با مقایسه نتایج به دست آمده، نشان داده ایم که SRSA عملکرد بهتری در مقایسه با جدیدترین روش های یادگیری ماشین و تطبیق دامنه دارد.

بیماری فیبروز کیستیک( CF یا Cystic fibrosis ) شایع ترین اختلال چند سیستمی است که علت اصلی مرگ و میر ناشی از این بیماری مربوط به عفونت مزمن ریوی و عوارض آن است. حدود60-75% بیماران CF به صورت مداوم دچار عفونت سودوموناس می شوند؛ لذا بیماران CF باید پیوسته تحت مراقبت پزشک باشند تا در صورت بروز عفونت به سرعت نسبت به درمان آن اقدام شود. اگر چه کشت خلط یا حلق روش استاندارد تشخیص عفونت است، ولی به دست آوردن نتیجه آن، زمان بر بوده و روشی که وجود عفونت را سریع تر تشخیص دهد، باعث سهولت در امر تشخیص و شروع درمان با آنتی بیوتیک می شود. این مطالعه با هدف استفاده از صدای تنفس بیماران CF برای تشخیص وجود عفونت و موفقیت درمان انجام شد. به این منظور، تقارن اطلاعات سیگنال صدای ریه راست و چپ در بیماران CF در حالت بدون عفونت، دارای عفونت سودوموناس و نیز پس از درمان عفونت سودوموناس بررسی شد. ابتدا صدای تنفس 34 بیمار CF ثبت و پس از انجام پیش پردازش های لازم، 15ویژگی از آنها استخراج و با روش الگوریتم ژنتیک بهترین دسته ویژگی از ویژگی های به دست آمده استخراج و با روش کنار گذاشتن یک شرکت کننده به سه طبقه بند ماشین بردار پشتیبان، K نزدیک ترین همسایگی و بیزین داده شد. همچنین روش ترکیب سه طبقه بند نیز بررسی شد. بهترین نتایج توسط روش ترکیب طبقه بندها به دست آمد که وجود عفونت با صحت %3/91 و موفقیت درمان با صحت %9/90 تشخیص داده شدند. در این مطالعه برای نخستین بار از صدای تنفس بیماران CF برای تشخیص عفونت استفاده شده است. روش پیشنهادی، آسان و در دسترس بوده و می تواند در شروع به درمان سریع و پیگیری روند درمان به پزشکان کمک کند.

به علت وجود برخی محدودیت­ های فیزیولوژیکی و فیزیکی مختلف در مغز و چشم، دستگاه بینایی انسان (HVS) قادر به درک برخی تغییرات سیگنال بصری که دامنه آن­ ها از یک حد آستانه مشخص (موسوم به آستانه JND) پایین­ تر باشند، نیست. در بیش تر پژوهش های موجود جهت تخمین آستانه JND، حساسیت HVS در تمام صحنه یکسان در نظر گرفته شده و تأثیرات توجه بصری (VA) ناشی از برجستگی بصری (VS) در این پژوهش ها لحاظ نشده است. مطالعات مختلف نشان داده­ اند که حساسیت بصری در نواحی برجسته که توجه بصری بیشتری را جلب می­ کنند بیشتر بوده و لذا در آن نقاط آستانه JND پایین­ تر است و بالعکس. در این مقاله مدلی محاسباتی برای تخمین JND پیشنهاد می­ شود که از رابطه بین JND و برجستگی بصری برای بهبود تخمین آستانه JND استفاده می ­ کند. این مدل با استفاده از یک مدل JND یکنواخت کارآمد و با به­ کارگیری یک تابع مدولاسیون غیر خطی مناسب، آستانه­ های JND پیکسل­ های مختلف در یک تصویر را با توجه به برجستگی بصری آن­ ها بهبود می دهد. تعیین پارامترهای تابع غیرخطی مدولاسیون در قالب یک مسأله بهینه ­ سازی، مدل ­ سازی می­ شود که حل آن منجر به یافتن مدل JND بهبودیافته می شود. کلید کارآمدی روش پیشنهادی به کارگیری سازوکاری است که منجر به استفاده کارآمدتر از برجستگی بصری می­ شود. آزمایش­ های انجام گرفته نشان ­ دهنده برتری قابل ملاحظه روش پیشنهادی نسبت به روش ­ های مشابه موجود است.

با توجه به ماهیت بدون ناظر مسائل خوشه بندی و تأثیرگذاری مؤلفه های مختلف از جمله تعداد خوشه ها، معیار فاصله و الگوریتم انتخابی، ترکیب خوشه بندی ها برای کاهش تأثیر این مؤلفه ها و افزایش صحت خوشه بندی نهایی معرفی شده است. در این مقاله، روشی برای ترکیب وزن دار خوشه بندی های پایه با وزن دهی به خوشه بندی ها بر اساس روش AD ارائه شده است. روش AD برای برآورد صحّت انسان ها در مسائل جمع­ سپاری از هماهنگی یا تضاد بین آرای آنها استفاده می کند و با پیشنهاد مدلی احتمالاتی، فرآیند برآورد صحّت را به کمک یک فرآیند بهینه سازی انجام می دهد. نوآوری اصلی این مقاله، تخمین صحت خوشه بندی های پایه با استفاده از روش AD و استفاده از صحت های تخمین زده شده در وزن دهی به خوشه بندی های پایه در فرآیند ترکیب است. نحوه تطبیق مسأله خوشه بندی به روش برآورد صحّت AD و نحوه استفاده از صحّت های برآورد شده در فرآیند ترکیب نهایی خوشه ها، از چالش هایی است که در این پژوهش به آنها پرداخته شده است. چهار روش برای تولید خوشه بندی های پایه شامل الگوریتم های متفاوت، معیارهای فاصله ی متفاوت در اجرای k-means، ویژگی های توزیع شده و تعداد خوشه های متفاوت بررسی شده است. در فرآیند ترکیب، قابلیت وزن دهی به الگوریتم های خوشه بندی ترکیبی CSPA و HGPA اضافه شده است. نتایج روش پیشنهادی روی سیزده مجموعه داده مصنوعی و واقعی مختلف و بر اساس نُه معیار ارزیابی متفاوت نشان می دهد که روش ترکیب وزن دار ارائه شده در بیش تر موارد بهتر از روش ترکیب خوشه بندی بدون وزن عمل می کند که این بهبود برای روش HGPA نسبت به CSPA بیشتر است.

ارتقای عمق و گستره درک ما از دانش زیست شناسی ملکولی، از یک سو امکان بهره برداری از آن را در توسعه فناوری­ هایی مانند رمزگشایی فراهم ساخته است و از سوی دیگر، مداخله در سیستم ژنتیکی را امکان پذیر می سازد که نویدبخش آینده ای روشن برای علوم زیستی و پزشکی است. دست یابی به این هدف با مداخله در شبکه تنظیم ژنی (GRN) امکان پذیر می­ شود؛ زیرا GRN کنترل کننده فعالیت های زیستی در سطح ملکولی است. در این مسیر، شناسایی GRN، شامل شناسایی مرز، ساختار و گره ­ های شبکه اهمیت به سزایی دارد. در این مقاله به دو جنبه ساختار و گره در مدل سازی و شناسایی GRN در شبکه های بزرگ (با بیش از پنجاه گره) پرداخته می شود. نخست محدودیت های کاربست مدل های احتمالاتی برای گره (ژن) مورد بررسی قرار می گیرد. همچنین محدودیت های کاربست مدل چند-درختی برای ساختار GRN مورد بررسی قرار می گیرد. در بخش اصلی مقاله، مسأله شناسایی GRN با مدل بولی مورد بحث قرار گرفته و نشان داده می شود که بر خلاف تصور معمول، آزمایش بهینه از دید شناسایی ساختار GRN، آزمایش تک اختلال است.

در این پژوهش، یک رابط مغز-رایانه در کاربرد مکالمه خاموش برای شناسایی و تفکیک بین دو واژه پیاده سازی شده است. در طی آزمایش، بر اساس یک زمان بندی مشخص، افراد یکی از دو واژه یا سکوت را که به صورت تصادفی انتخاب شده است، بدون آن که برزبان آورند؛ در ذهن خود تکرار می کنند و سیگنال های مغزی آنان توسط یک دستگاه ثبت EEG آزمایشگاهی چهارده کاناله ثبت می شود. پس از پیش پردازش و حذف داده های مخدوش، ویژگی های مناسب از این سیگنال ها استخراج و برای شناسایی به یک رده بند داده می شود. دو ترکیب برای استخراج ویژگی و رده بندی انتخاب و بررسی شدند: استخراج ضرایب ویولت همراه با رده بند SVM و ویژگی حاصل از تحلیل مؤلفه های اساسی همراه با رده بند کمینه فاصله که ترکیب نخست عملکرد بهتری از خود نشان داد. تعداد کل رده ها در این آزمایش سه عدد بوده که شامل دو واژه منتخب و سکوت می باشد. نتایج حاصل، نشان دهنده امکان تفکیک واژگان با دقت متوسط 8/56 درصد (بیش از 7/1 برابر نرخ تصادف) است که در سازگاری با نتایج گزارش شده در فعالیت های مشابه است؛ اما هنوز دقت کافی برای کاربردهای واقعی ندارد.

در حال حاضر با توجه به کثرت شبکه های اجتماعی و شبکه های خبری تلویزیونی، رادیویی، اینترنتی و غیره، خواندن تمام متون مختلف و به تبع آن تحلیل آن ها و دست یابی به ارتباطات این متون نیازمند صرف هزینه زمانی و انسانی بسیار بالا است که در عصر کنونی با استفاده از فن های مختلف پردازش زبان طبیعی صورت می گیرد، یکی از چالش های موجود در این زمینه پایین بودن دقت سامانه های مرجع گزینی است که سبب کشف روابط ناصحیح و یا عدم کشف روابط صحیح می شود. مراحل کلی حل مسأله مرجع گزینی از سه گامِ شناسایی موجودیت­ های نامدار، استخراج ویژگی های موجودیت­ های نامدار و مرجع گزینی آن ها تشکیل شده است. موجودیت­ های نامدار ویژگی های فراوانی دارند، وجود ویژگی های مختلف (متناسب و متناقض با مرجع) در گراف ها این امکان را می دهند که بتوان حد آستانه ای را از ترکیب ویژگی های مختلف استخراج کرد. در مقاله ارائه شده ابتدا پیش پردازش های مختلف روی پیکره پژوهشگاه خواجه نصیر [1] انجام گرفت؛ سپس با استفاده از الگوریتم های مبتنی بر شبکه عصبی عمیق داده های موجود به بردارهای عددی تبدیل شدند و پس از آن با استفاده از گراف و با ویژگی هایی که در متن مقاله عنوان شده هرس اولیه انجام گرفت؛ درواقع رویکردهای مبتنی بر گراف، موجودیت ها را همچون مجموعه ای از عناصر مرتبط با یکدیگر می شناسد که تحلیل روابط میان موجودیت های اولیه در گراف و وزن دهی به این ارتباط ها، منجر به استخراج ویژگی های سطح بالاتر و مرتبط تری می شود و نیز تناقضات ایجادشده بر اساس کمبود اطلاعات را تا حدودی کاهش می دهد. سپس با استفاده از شبکه های عصبی، روی پیکره مورداشاره در [30] (پیکره آزمون اپسلا) مرجع گزینی انجام گرفت که نتایج حاصل بیان گر بهبود روش پیشنهادی (رسیدن به دقت 09/62) است که در متن مقاله به طور مشروح بیان شده است.