پردازش علایم و داده ها
سال:1400 | دوره:18 | شماره:2 (48 پیاپی) |تعداد مقالات:11

در فضایی که ارتباط بین انسان ها و اشیاء و نیز اشیاء با یکدیگر پیچیده بوده و انتظار اجرای برنامه های کاربردی فراوانی روی بستر شبکه می رود، یک رویکرد برای حرکت به سمت هوشمندی با حفظ امنیت، پیاده سازی سیستم مدیریت اعتماد است. اعتماد همه مفاهیم امنیت، محرمانگی، حریم خصوصی و قابلیت اطمینان را تحت تاثیر قرار می دهد. تعداد زیاد اشیاء در شبکه، قابلیت ها و کاربردهای متنوع، پویایی بسیار بالا و همچنین حضور اشیاء مخرب، مدیریت اعتماد در شبکه اینترنت اشیاء را به یک چالش جدی مبدل نموده است به طوری که راهکارهای قدیمی پیاده سازی اعتماد، در این شبکه قابل استفاده نمی باشد. در این مقاله علاوه بر اینکه تحلیل جامعی روی مدل های محاسبه مستقیم، غیرمستقیم و ترکیبی اعتماد انجام می شود، انواع حملات و روش های مقابله با آن ها، روش های ارزیابی مدل های ارایه شده و تاثیر محدودیت های اشیاء بر مدل های محاسبه اعتماد، بررسی می شود. حیطه این بررسی، دو حوزه مدیریت اعتماد و اینترنت اشیاء اجتماعی است. به طور خلاصه، مطالعات صورت گرفته در این حوزه از چهار منظر مرور و مقایسه می شوند: (1) مدل های محاسبه اعتماد، (2) راهکارهای مقابله با حملات اعتماد، (3) تاثیر محدودیت های عناصر اینترنت اشیاء و (4) روش های ارزیابی الگوریتم های اعتماد؛ تا به این ترتیب بتوان با تحلیلی مناسب، به نقاط قوت و ضعف الگوریتم های موجود در مقالات مطرح پی برد و متر و معیاری برای بحث ارزیابی اعتماد در اینترنت اشیاء ارایه نمود. در این راستا، روش های ارزیابی (متریک های) کمی ای ارایه می شود که هدف آنها کشف معایب و مزایای مدل های تخمین اعتماد تحت شرایط مختلف است.

طبقه بندی یک روش یادگیری ماشین است که برای پیش گویی برچسب یک نمونه خاص با کمترین خطا استفاده می شود. در این مقاله، از توانایی پیش گویی برچسب به کمک طبقه بند برای ایجاد ویژگی جدید استفاده شده است. امروزه روش های استخراج ویژگی زیادی مانند PCA و ICA وجود دارند که در زمینه های مختلف بطور وسیع استفاده می شوند و از هزینه بالای انتقال به فضای دیگر رنج می برند. در روش پیشنهادی، هدف این است که به کمک ویژگی جدید، قدرت تفکیک پذیری بیشتری بین کلاس های مختلف ایجاد شود و داده های درون کلاس ها به یکدیگر نزدیک تر و تمایز بیشتری بین داده های کلاس های مختلف بوجود آید تا کارایی طبقه بندها افزایش یابد. ابتدا به کمک یک یا چند طبقه بند، برچسب پیشنهادی برای مجموعه داده اولیه تعیین و بعنوان ویژگی جدید به مجموعه داده اولیه اضافه می شود. ایجاد مدل به کمک مجموعه داده جدید انجام می شود. ویژگی جدید برای مجموعه داده آموزش و تست بصورت جداگانه بدست آورده می شود. آزمایش ها بر روی 20 مجموعه داده استاندارد انجام شده و نتایج روش پیشنهادی با نتایج دو روش بیان شده در کارهای مرتبط نیز مقایسه شده است. نتایج حاصل نشان می دهد که روش پیشنهادی به طورقابل توجهی باعث بهبود دقت طبقه بندی شده است. در بخش دوم آزمایشات، برای بررسی میزان موثر بودن روش پیشنهادی، قدرت تفکیک پذیری ویژگی جدید بر اساس دو معیار بهره اطلاعاتی و شاخص جینی بررسی شده است. نتایج نشان می دهد که ویژگی به دست آمده در روش پیشنهادی در بیشتر موارد دارای بهره اطلاعاتی بیشتر و شاخص جینی کمتری است، زیرا بی نظمی کمتری دارد. در ادامه، جهت جلوگیری از افزایش ابعاد داده، ویژگی استخراج شده با بیشترین بار اطلاعاتی، جایگزین ویژگی با کمترین بار اطلاعاتی شده است. نتایج این مرحله نیز بیانگر افزایش میزان کارایی می باشد.

جهت یابی منابع صوت به کمک روش های مبتنی بر آرایه فازی، اهمیت فراوانی در حوزه های مختلف از جمله سونار، بینایی ربات و تشخیص عیوب مکانیکی دارد. روش های شکل دهی پرتو وفقی، از جمله الگوریتم کمینه واریانس بدون اعوجاج از قدرت تفکیک بالایی نسبت به روش های غیروفقی برخوردار هستند؛ اما این برتری در ازای پیچیدگی محاسباتی این الگوریتم ها بدست آمده است. این مسیله باعث می شود در کاربردهایی که نیاز به جهت یابی زمان حقیقی منبع صوت دارند، به ندرت از این الگوریتم ها استفاده شود. از سوی دیگر، یک ویژگی مهم روش های شکل دهی پرتو وفقی از جمله کمینه واریانس، پتانسیل بالای این الگوریتم ها برای موازی سازی می باشد. هدف این مقاله، پیاده سازی موازی الگوریتم کمینه واریانس با به کارگیری واحد پردازنده گرافیکی (GPU)، به جای واحد پردازنده مرکزی (CPU) به منظور افزایش سرعت اجرا و رسیدن به حالت زمان حقیقی می باشد. برای دست یابی به این هدف از مدل برنامه نویسی کودا برای پیاده سازی الگوریتم بر روی پردازنده گرافیکی استفاده شده است. به منظور بررسی عملکرد پیاده سازی موازی الگوریتم کمینه واریانس، دو مدل GPU متفاوت و همچنین CPU بکاربرده شده است. صحت عملکرد پیاده سازی های مختلف در این مقاله توسط داده های واقعی سونار و همچنین داده های شبیه سازی تایید گردید. نتایج نشان می دهد که می توان با استفاده از یک آرایه 64 حسگره، جهت منابع صوت زیر آب را با استفاده از الگوریتم کمینه واریانس به صورت زمان حقیقی و با قدرت تفکیک بالا تخمین زد.

اعتماد یکی از مهم ترین موضوعات مطرح شده در حوزه شبکه های اجتماعی است. اغلب اوقات نحوه اعتماد همه کاربران در این شبکه ها به صورت یکسان در نظر گرفته می شود. درحالی که کاربران شبکه های اجتماعی می توانند نظرات متفاوتی در نحوه اعتماد به سایرین داشته باشند و ممکن است فاکتورهای مختلفی را در اعتماد به سایر اعضا در نظر بگیرند. همچنین کاربران می توانند بر روی نظرات یکدیگر اثر گذاشته و باعث تغییر رفتار دیگر کاربران در اعتماد نمودن به افراد شوند. به همین دلیل، مکانیزم و شیوه تاثیرگذاری کاربران بر روی نظر و رفتار اعتماد به یکدیگر و شرایط تغییر حالات رفتاری، از اهمیت زیادی برخوردار خواهد بود. هدف ما در این مقاله در مرحله اول در نظر گرفتن رفتار متفاوت کاربران شبکه های اجتماعی در نحوه اعتماد کردن آن ها به سایر کاربران است. برای این منظور سه حالت رفتاری مهم در نحوه اعتماد کاربران در نظر گرفته شده است. در هرکدام از این حالت ها ویژگی های مختلف رفتاری و عملکردی کاربران مبنای محاسبه اعتماد هستند که بر مبنای باور ذهنی افراد شکل می گیرند. در مرحله بعدی نحوه انتشار رفتار اعتماد کاربران در شبکه اجتماعی هدف و نوآوری این مقاله است. برای این منظور، سه سناریو مختلف برای اثرگذاری و انتشار رفتار گره ها در نظر گرفته شده است. به دنبال آن به بیشینه سازی اثر و یافتن افراد پرنفوذ جهت انتشار رفتار اعتماد در شبکه های اجتماعی پرداخته شده است. برای این منظور بر روی ساختار شبکه اجتماعی افراد تمرکز شده و تاثیرگذارترین افراد با توجه به سناریوهای مختلف انتشار تعیین شده اند. نتایج به دست آمده نشان دهنده وجود اختلاف در میزان اعتماد در هرکدام از حالت های مختلف رفتاری است که دارای تطابق بیشتری با واقعیت است. با بررسی آزمایش ها به این نتیجه می رسیم که در مدل پیشنهادی، انتخاب گره شروع از هر اجتماع با 48. 14 درصد دارای تاثیر بهتری در بهبود رفتار، دامنه و سرعت انتشار و گره با بیشترین درجه با 37. 03 درصد نسبت به روش های متداول دارای جواب بهتری در تغییر رفتار است.

مهم ترین مانع بر سر افزایش سطح پوشش در شبکه های بی سیم، مصرف انرژی سنسورها می باشد که باعث اتمام انرژی آن ها می گردد. این رخداد به عنوان یک مسیله بحرانی با نام حفره ی پوششی شناخته می شود و در آن منطقه ی خاصی تحت پوشش هیچ حسگری نیست. درنتیجه رخدادهای واقعی در آن نقاط قابل شناسایی و ردیابی نخواهند بود. در این راستا، این پژوهش یک الگوریتم نوین مبتنی بر سیستم مدیریت اعتماد اعتبار در شبکه های حسگر بی سیم را جهت حداکثر سازی میزان پوشش دهی شبکه با تنظیم هوشمندانه شعاع حسگری گره ها معرفی نموده است. این الگوریتم میزان حفره پوششی را با استفاده از ماشین بردار پشتیبان و ضمن مصرف کم انرژی در شبکه، به طور چشمگیری کاهش می دهد. به عبارتی، با جمع آوری اطلاعات در بازه زمانی های مختلف و تعاملات بین گره ها، میزان رضایت مندی آن ها ارزیابی و بر این اساس پاداش یا جریمه ای برای آن ها در نظر گرفته می شود. ارزیابی ها نشان می دهند که طول عمر شبکه و اندازه شعاع حسگری گره ها به لحاظ تعداد گره های حسگر در محیطی با در نظر گرفتن شعاع متحرک گره ها، گره های متحرک و آتوماتای سلولی در مقایسه با محیطی با در نظر گرفتن شعاع ثابت گره ها، گره های متحرک و بدون آتوماتای سلولی به ترتیب معادل 12. 42% و 20. 4% بهبودیافته اند.

امروزه تیوری های بسیاری در مورد علل بروز بیماری های وراثتی وجود دارد، اما پزشکان معتقدند که دو فاکتور ژنتیک و محیط زیست هم زمان باهم نقش مهمی در بروز و پیشرفت این بیماری ها ایفا می کنند، هرچند که چگونگی این اثرگذاری هنوز به طور دقیق مشخص نیست. برای اینکه بتوان ژن های موثر در بروز بیماری ها را تشخیص داد، باید ارتباط بین سلول ها/بافت ها را به دست آورد. تعامل بین سلول های/بافت های مختلف را می تواند با بیان ژن بین آنها مختلف نشان داد. با نمونه برداری از کروموزوم ها، اطلاعات مفیدی در مورد نوع بیماری و چگونگی انتقال آن استخراج می شود. با بررسی این اطلاعات می توان اختلالاتی که منجر به تغییرات به شدت پرتکراری شده اند را شناسایی کرد. در این مقاله تشخیص ارتباط های بین سلولی و بین بافتی در بیماری های مختلف با توجه به مشخصات ساختار توپولوژیکی گراف و یک روش خوشه بندی تجمعی بهبودیافته انجام شده است. روش پیشنهای دارای دو مرحله می باشد؛ در مرحله اول چندین مدل خوشه بندی به منظور تشخیص ارتباط های اولیه بین سلول ها یا بافت ها در جهت تولید نتایج بهتر نسبت به الگوریتم های انفرادی، ترکیب می شوند. در مرحله دوم تشابه بین سلول ها یا بافت ها در هر خوشه با استفاده از یک معیار شباهت مبتنی بر ساختار توپولوژیکی گراف محاسبه می شود. درنهایت از حداکثر شباهت های بین سلول ها یا بافت ها در هر خوشه برای کشف ارتباطات بین بیماری ها استفاده می شود. به منظور ارزیابی عملکرد روش پیشنهادی از چندین مجموعه داده UCI و همچنین مجموعه داده فانتوم 5 استفاده شده است. نتایج روش پیشنهادی روی مجموعه داده فانتوم 5، ضریب سیلویت 901/0 را در 18 خوشه برای سلول ها و 762/0 در 13 خوشه برای بافت ها را گزارش می کند.

ارزیابی کیفیت تصاویر بدون مرجع ناآگاه از خرابی یکی از چالش های موجود در زمینه پردازش تصاویر دیجیتال است، چرا که در این زمینه هیچ تصویر مرجع، نوع خرابی، نمرات و امتیازدهی ناظر انسانی برای کمک و یادگیری در ارزیابی موجود نیست. در حالیکه در برنامه های مختلف مانند تصویربرداری کاربرد دارد. هدف این مقاله استفاده از خواص و ویژگی آماری موجود در تصاویر و مدل سازی آن با مدل توزیع q-Gaussian، به منظور ارزیابی کیفیت تصویر است. توزیع q-Gaussianیکی از گزینه هایی است که مرزهای تصمیم گیری انعطاف پذیری با اشکال مختلف گوسی ایجاد می کند که قابلیت تعمیم پذیری بیشتری در ناهنجاری ها به نسبت توزیع های دیگر داشته و همچنین برای مدل کردن خواص آماری تصویر، عملکرد بهتری در ارزیابی کیفیت بدون مرجع دارد.

امروزه، تکنولوژی مجازی سازی به طور گسترده در جهت راه اندازی چندین سیستم مجازی بر روی یک سیستم فیزیکی در حال توسعه است. ابرهای محاسباتی نمونه بارز بکارگیری این تکنولوژی هستند. سیستم های تشخیص نفوذ نقش کلیدی در محافظت از منابع ابر بر روی ماشین های مجازی دارند. با افزایش سرعت و پیچیدگی این ماشین ها، سیستم های تشخیص نفوذ باید توانایی و دقت تشخیص خود را بالا ببرند تا توانایی شناسایی انواع مختلف حملات در زمان مناسب را کسب کنند. در این راستا، استفاده از رویکردهای مبتنی بر رفتار به دلیل مقیاس پذیری بالا در شبکه های بزرگ مورد توجه قرار گرفته اند. در این مقاله، یک روش جدید برای تشخیص نفوذ در شبکه های مبتنی بر رفتار ارایه شده است. برای این منظور، روش پیشنهادی ابتدا داده های استخراج شده را از طریق تبدیل مفهوم جریان داده به گراف پراکندگی ترافیک مدل سازی کرده و سپس، با استفاده از یک الگوریتم بهبود یافته مبتنی بر مدل مارکوف خوشه بندی می کند. در ادامه، با تحلیل خوشه های تولید شده بر اساس معیارهای آماری مدلی برای تشخیص نفوذ ارایه می شود. کارآیی روش پیشنهادی بر روی مجموعه داده دارپا 99 به عنوان یک مجموعه داده استاندارد و جامع برای ارزیابی سیستم های تشخیص نفوذ مورد آزمایش و ارزیابی قرار گرفت و با نتایج حاصل از هفت روش مطرح دیگر مقایسه شد. نتایج مقایسه نشان می دهد که روش پیشنهادی در مقایسه با روش های دیگر دارای قابلیت های بهتری بوده و می تواند حملات را با دقت بالایی تشخیص دهد.

موزاییک تصویر به ترکیب دو یا چند تصویر که دارای قسمت های همپوشان می باشند، به تصویری بزرگ تر و جامع تر اطلاق می شود. تبدیل ویژگی مقیاس نابسته (SIFT) یکی از متداول ترین شناساگرها است که قبلا در موزاییک تصویر مورداستفاده قرارگرفته است. از ایرادات الگوریتمSIFT کلاسیک تعداد زیاد نقاط کلیدی تکراری و زمان اجرای بالای آن به دلیل ابعاد بالای توصیفگر SIFT کلاسیک می باشد، که باعث کاهش کارایی این الگوریتم می شود. در این مقاله، برای بالا بردن کیفیت موزاییک تصویر، از الگوریتم RKEM-SIFT که نسخه بهبودیافته ی SIFT می باشد جهت شناسایی نقاط کلیدی استفاده شده است. سپس، برای بهبود سرعت الگوریتم از توصیفگر 64-بعدی SIFT استفاده شده است. پنجره ی کوچک تر این توصیفگر نسبت به توصیفگر 128-بعدی SIFT باعث می شود دقت تطبیق افزایش و زمان اجرا کاهش پیدا کند. در ادامه، برای حذف تطبیق های نادرست، از الگوریتم اجتماع نمونه تصادفی (RANSAC) استفاده شده که مقدار آستانه پیشنهادی آن به صورت وفقی بر اساس میانه فواصل بین نقاط تطبیق و مدل تطبیق آن ها محاسبه شده است. برای هر نقطه تطبیق اگر فاصله بین آن نقطه و تطبیق یافته ی آن بر اساس مدل از مقدار آستانه پیشنهادی کمتر باشد، نقطه تطبیق درست تشخیص داده شده و حفظ می شود و در غیر این صورت تطبیق نادرست تشخیص داده شده و حذف می شود. درنهایت روش جدیدی نیز در این مقاله جهت ترکیب تصویر پیشنهادشده است. روش پیشنهادی ترکیب تصویر بر اساس تابع وزنی گوسی می باشد که میانگین این تابع گوسی به صورت میانگین داده های محدوده ی مشترک و همپوشان دو تصویر، در نظر گرفته شده است. در قسمت آزمایش ها، روش پیشنهادی موزاییک تصاویر طبیعی که شامل استفاده از الگوریتم RKEM-SIFT، RANSAC وفقی پیشنهادی و الگوریتم ترکیب تصویر پیشنهادی است بر روی پایگاه های تصاویر استاندارد و همین طور پایگاه تصاویر ایجادشده پیاده سازی شده و با روش های SURF و تطبیق دوطرفه سریع، SURF-LM و SIFT-RANSAC مورد مقایسه قرارگرفته است. نتایج آزمایش ها حاکی از برتری روش پیشنهادی با توجه به معیارهای خطای میانگین مربعی و دقت دارد که نسبت به بهترین روش مقایسه شده (SURF و تطبیق دوطرفه سریع) کاهش 6. 7 ٪ بیشینه خطا، 30. 09 ٪ ریشه میانگین مربعات خطا و 37. 68 ٪ میانه خطا را باعث شده است.

سیگنال الکتروکاردیوگرام، یکی از مهم ترین ابزار برای طبقه بندی انواع مختلف آریتمی های قلبی است. معمولا سیگنال های ECG، حاوی نویزهای متفاوتی هستند. در این مقاله، تکنیک تجزیه مد تجربی گروهی که در آن هر تابع مد ذاتی (IMF)، شامل تنها یک مولفه ی فرکانسی است، برای حذف نویز به کار رفته است. با کمک پنجره بندی مناسب بر روی کمپلکس QRS متشکل از جمع سه IMF اول، حذف نویز با کمترین اعوجاج انجام شده و با استفاده از تبدیل موجک گسسته، نویزهای باقیمانده نیز از بین رفته است. سپس با به کارگیری تجزیه بسته ی موجک، از سیگنال ویژگی استخراج شده است که ویژگی های بهینه، با روش بهینه سازی ازدحام ذرات باینری چند هدفه انتخاب شده اند. در نهایت از شبکه عصبی پس انتشار، برای طبقه بندی استفاده گردیده که مقدار دقت 12/99 درصد برای 17 عدد سیگنال اخذ شده از پایگاه داده ی MIT-BIH، به دست آمده است.