مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1393 | دوره:12 | شماره:2 |تعداد مقالات:9

در این مقاله، یک ساختار جدید شبکه ای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیع شده توسعه یافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکه ای برای حل مساله زیرگراف بهینه در گراف های تصادفی با یال های وزن دار از طریق نمونه گیری ارائه می شود. نشان داده شده که ساختار شبکه ای جدید پیشنهادی قادر به حل مسایل بهینه سازی روی گراف های تصادفی از طریق نمونه گیری با تعداد نمونه کمتر نسبت به روش نمونه گیری استاندارد است. علاوه بر این، اثباتی برای همگرایی آن به جواب بهینه ارائه شده و نشان داده می شود که ساختار شبکه ای پیشنهادی همواره با احتمال 1 به جواب بهینه همگرا می گردد.

هدف اصلی در روش های مختلف تطبیق تصویر، پیداکردن پارامترهای تبدیل برای نگاشت دقیق یک تصویر بر روی مختصات تصویر دیگر است. در پزشکی، برقراری ارتباط دقیق میان داده های تصاویر پزشکی در کاربردهایی نظیر تشخیص و درمان از اهمیت بسیاری برخوردار است و بر این اساس، روش های متعددی برای تطبیق تصاویر ارائه شده است. مقایسه نتایج الگوریتم های مختلف، انگیزه اصلی این پژوهش گردیده تا بتوان الگوریتم جدید ترکیبی ارائه و پیاده سازی نمود که از دقت بالایی برای تطبیق تصاویر چندکیفیتی برخوردار باشد. خودکارسازی فرایند تطبیق با بهره گیری از رویکرد یادگیری ماشین، نوآوری مقاله حاضر نسبت به روش های پیشین به شمار می رود. به این منظور، روش پیشنهادی به نام یادگیری چنددقتی از ترکیب یک روش تجزیه چنددقتی و یک شبکه عصبی سلسله مراتبی بهره می گیرد که با استفاده از ویژگی های سراسری تصویر، پارامترهای تبدیل را یاد گرفته و از پارامترهای تبدیل به دست آمده از فرایند یادگیری، برای تطبیق تصاویر استفاده می کند. روش پیشنهادی بر روی پایگاه داده تصاویر پزشکی دانشگاه واندربیلت پیاده سازی و آزمون شده و نتایج به دست آمده دقت قابل قبولی را برای روش پیشنهادی در مقایسه با سایر روش ها نشان می دهد.

به دلیل اهمیت تخلیه سریع شهر هنگام وقوع حوادث طبیعی یا غیر طبیعی، اعمال یک سیاست کنترلی بهینه برای جلوگیری از بروز تراکم و توقف وسایل نقلیه امری لازم و ضروری است. روش های موجود برای مدیریت ترافیک در شرایط بحران کمتر به استفاده از رویکردهای هوش مصنوعی پرداخته اند و به همین دلیل، هدف اصلی مولفین در این پژوهش ارائه یک رویکرد کنترلی بهینه و هوشمند برای ترافیک تخلیه شهر است. در این رویکرد از سیستم استنتاج فازی برای تصمیم گیری هر عامل و از آتوماتای احتمالی برای بهینه کردن عملکرد عامل ها با توجه به ترجیحات هر کدام از آنها در طول زمان استفاده شده است. برای بررسی میزان موفقیت رویکرد کنترلی پیشنهادی، شبیه سازی مبتنی بر عامل در محیط های RStudio و NetLogo و با استفاده از بسته های RNetlogo و frbs در زبان R انجام شده است. نتایج شبیه سازی نشان دهنده توزیع بار ترافیک، استفاده حداکثری از ظرفیت معابر و پیش گیری از بروز تراکم توسط رویکرد پیشنهادی است. با توجه به فناوری های ارتباطی نظیر GPS، گوشی های تلفن همراه هوشمند، سیستم های پرداخت عوارض خودکار الکترونیکی در معابر و ... که در سال های اخیر گسترش یافته اند، امکان پیاده سازی روش کنترل ترافیک بحران پیشنهادی در عمل نیز وجود خواهد داشت.

در این مقاله یک آتاماتای توزیع شده جدید به نام آتاماتای یادگیر توزیع شده توسعه یافته برای یادگیری توزیع توام مجموعه ای از متغیرهای تصادفی معرفی خواهد شد. این شبکه از آتاماتاها در محیط هایی که پاسخ محیط به مجموعه ای از اقدامات انجام شده توسط آتاماتا، مستقل از یکدیگر نبوده و نوعی وابستگی شرطی میان این پاسخ ها حاکم باشد، کاربرد دارد. نشان داده شده که این آتاماتای جدید قادر است تخمینی از توزیع شرطی اقدام ها را فرا بگیرد. در ادامه چارچوبی مبتنی بر آتاماتای یادگیر توزیع شده جدید پیشنهادی، برای حل مساله یادگیری برخط پارامترهای یک شبکه بیزی ارائه شده است. این چارچوب با داده ها و شواهد جدید منطبق شده و عملیات به روز رسانی پارامترها را انجام می دهد. با بررسی های ریاضی و آزمایش های عملی روی شبکه های نمونه، نشان داده ایم که این مدل جدید قادر است با تخمینی با دقت برابر با EM، یادگیری پارامترهای یک شبکه بیزی را انجام دهد. علاوه بر ویژگی افتراقی بودن و یادگیری برخط، این ساختار جدید با شرایطی که داده ها ناکامل باشند نیز سازگار است و به دلیل استفاده از روابط یادگیری خطی و مبتنی بر آتاماتای یادگیر، سربار محاسباتی کمی نیز دارد.

استفاده از الگوریتم های ابتکاری یک انتخاب مناسب برای حل مسایل بهینه سازی است. در این مقاله نسخه بهبودیافته ای از الگوریتم بهینه ساز مورچگان باینری برای حل مساله انتخاب ویژگی ارائه شده است. نسخه پیشنهادی خصوصیات الگوریتم جمعیت مورچه گسسته و الگوریتم مورچه باینری را به صورت توامان در خود دارد. کارایی روش پیشنهادی روی 12 پایگاه داده استاندارد در موضوع طبقه بندی بررسی و نتایج با چند الگوریتم مطرح در این زمینه شامل بهینه ساز جمعیت مورچگان گسسته و باینری مقایسه شده است. نتایج بیانگر کارایی مناسب الگوریتم پیشنهادی است.

با توجه به ورود شبکه های جدید در کشور از قبیل LTE و وایمکس که مبتنی بر OFDM می باشند، نیاز به تحقیق و پژوهش و همچنین بررسی عملکرد این شبکه ها، امری اجتناب ناپذیر است. در این مقاله ما به بررسی عملکرد طرح های تخصیص فرکانسی مختلف در یک شبکه LTE می پردازیم. ابتدا کارایی طرح های تخصیص فرکانسی از قبیل استفاده مجدد با ضریب 1، استفاده مجدد با ضریب 3، استفاده مجدد فرکانس جزئی، سکتوربندی، تقسیم ناحیه سلول و استفاده مجدد فرکانس نرم را بررسی می کنیم و سپس با ایجاد اختلاف فاز بین دو سیگنال ارسالی در یک کانال MISO در استاندارد LTE و ترکیب آن با برخی از این طرح ها مانند سکتوربندی و تقسیم ناحیه سل همراه با سکتوربندی، تداخل را در چنین شبکه هایی به طور قابل ملاحظه ای کاهش می دهیم. نتایج شبیه سازی نشان می دهد که ایجاد اختلاف فاز بین سیگنال ها (که به آن طرح پیش کدکنندگی مرتبه 1 می گویند) در یک کانالMISO ، به دلیل چرخش الگوی تشعشعی آنتن بسته به موقعیت کاربر متحرک و همچنین طرح استفاده مجدد فرکانس نرم به دلیل تخصیص کامل حامل های فرکانسی OFDM به هر سل و ارسال با توان کمتر برای کاربران مرکز سل، به بهره قابل ملاحظه ای در ظرفیت و تداخل کل شبکه در ترافیک های مختلف منجر می گردند.

اثر انگشت بیومتریکی است که به دلیل ویژگی های منحصر به فردش، بیشترین کاربرد را در سیستم های تشخیص و تعیین هویت داشته است. در سیستم های تعیین هویت، تصویر ورودی با تمام تصاویر ثبت شده در پایگاه مقایسه می گردد و در صورتی که پایگاه داده حجیم باشد، عمل مقایسه بسیار زمان بر خواهد بود. برای نمونه می توان به پایگاه های داده موجود در FBI اشاره نمود. یکی از راه حل های تاییدشده برای افزایش سرعت، طبقه بندی تصاویر است. در طبقه بندی مطلق، به هر اثر انگشت تنها یک کلاس تخصیص می یابد. دلایل مختلفی چون نویز یا عدم وجود همه نقاط یکتا در محدوده تصویر، تعیین یک کلاس مطلق برای همه تصاویر را دچار مشکل می کند. در این مقاله، روشی جدید بر پایه طبقه بندی احتمالی ارائه شده که برای هر تصویر ورودی، مجموعه ای از کلاس ها مشخص می شود که هر یک دارای یک احتمال می باشند. در مرحله انطباق، کلاس ها به ترتیب اولویتشان جستجو می شوند. آزمایشات صورت گرفته بر روی پایگاه داده شناخته شده FVC 2002، تاثیر استفاده از طبقه بندی احتمالی را به روشنی نشان داده است. با در نظر گرفتن کلاس های دوم و سوم تعیین شده توسط روش پیشنهادی، دقت شناسایی سیستم تقریبا 18% افزایش یافته است، در صورتی که سرعت آن، 2 تا 3 برابر بیشتر از طبقه بندی مطلق می باشد.

شبکه های حسگر بی سیم نسل جدیدی از شبکه ها هستند که از حسگرها برای دریافت اطلاعات پیرامون محیط خود استفاده می کنند و ارتباط این حسگرها به طور بی سیم است. یکی از مسایلی که در شبکه های حسگر بی سیم از اهمیت زیادی برخودار می باشد بحث کاهش مصرف انرژی و افزایش طول عمر شبکه است. کنترل توپولوژی یکی از روش های کاهش مصرف انرژی و افزایش طول عمر شبکه بوده و تاکنون روش های مختلف کنترل توپولوژی به منظور کاهش مصرف انرژی و افزایش طول عمر شبکه ارائه شده که از جمله آنها خوشه بندی است و یکی از روش های معروف خوشه بندی LEACH می باشد. در این مقاله ما سعی داریم یک روش خوشه بندی جدیدی ارائه دهیم که نسبت به LEACH و سایر روش های بهبودیافته بعد از LEACH برتری داشته باشد. ما در این روش خوشه بندی از منطق فازی دوسطحی استفاده می کنیم که باعث کاهش مصرف انرژی و افزایش عمر شبکه در مقایسه با روش های دیگر می شود و برای اثبات برتری روشمان در مقایسه با روش های دیگر، مقایسه ای با استفاده از نرم افزار MATLAB ارائه داده ایم.

حسگرهای موجود در شبکه های حسگر بی سیم معمولا با انرژی باتری و با عمر محدود کار می کنند، به همین دلیل کاهش مصرف انرژی در آنها از اهمیت بسزایی برخوردار است. در این مقاله، الگوریتم مسیریابی جدیدی جهت کاهش مصرف انرژی در این شبکه ها معرفی می شود که از اتوماتای یادگیر به منظور یافتن مسیر مناسب جهت ارسال بسته های داده بهره می گیرد. رویکرد اصلی این الگوریتم به این صورت است که مصرف انرژی در مسیرهای مختلف را با در نظر گرفتن سطح انرژی و تاخیر گره ها متوازن نگه می دارد و بدین منظور از شیوه جریمه دهی در اتوماتای یادگیر بهره می گیرد. برای ارزیابی کارایی الگوریتم پیشنهادی، این پروتکل مسیریابی با نرم افزار OMNET++ شبیه سازی و نتایج به دست آمده با دو پروتکل LABER و BEAR مقایسه شده است. نتایج شبیه سازی نشان می دهد که در شبکه با ساختار استاتیک، در مصرف انرژی و ارسال بسته های کنترلی و در نتیجه طول عمر شبکه در پروتکل پیشنهادی نسبت به پروتکل های مقایسه شده بهبود حاصل شده است.