مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1391 | دوره:10 | شماره:2 |تعداد مقالات:6

در این مقاله مکانیزمی برای تبدیل ساختاری دوطرفه نمودار کلاس UML و توصیفات Object-Z پیشنهاد می گردد. در مکانیزم پیشنهادی برای تبدیل المان های مدل سازی نمودار کلاس و توصیفات Object-Z به یکدیگر، قواعد ساخت یافته ای تعریف شده است. تبدیل نمودار کلاس به عنوان یکی از پرکاربردترین نمودارهای زبان بصری UML و توصیف زبان صوری Object-Z به یکدیگر، بستر مناسبی را برای بهره مندی توامان از مزایای منحصر به فرد روش های مدل سازی صوری و بصری فراهم می نماید. به منظور امکان سنجی مکانیزم پیشنهادی، یک مطالعه موردی بر روی سیستم آسانسور چندکابینه ارائه می گردد. نتایج مطالعه مذکور حاکی از امکان پذیر بودن مکانیزم پیشنهادی است.

در این مقاله روشی برای تشخیص و تحلیل حمله در شبکه اقتضایی با ساختار مبتنی بر خوشه و با پروتکل مسیریابی AODV پیشنهاد می شود. برای توصیف رفتار پروتکل AODV، ابتدا تعدادی خصیصه با رویکردی مبتنی بر تحلیل مرحله به مرحله ویژگی ها و رفتار پروتکل AODV تعریف می شود. آنگاه برای تشخیص حمله، از رویکرد تشخیص ناهنجاری استفاده می شود و رفتار عادی پروتکل AODV با استفاده از خصیصه های تعریف شده و بر اساس مدل به دست آمده از ترکیب دسته بندهای تک کلاسی SVDD، SOM و MoG یادگیری می شود و نظر هر گره بر مبنای مدل ترکیبی به دست آمده شکل می گیرد. نظرات گره ها در فرایند تشخیص ناهنجاری مرتبا به گره های سرخوشه فرستاده می شود تا تشخیص نهایی در آن گره ها انجام شود. در روش پیشنهادی، برای ترکیب نتایج دسته بندهای تک کلاسی در هر گره و برای تجمیع نظرات ارسالی از گره های هر خوشه در گره سرخوشه، روشی فازی ارائه می شود که موجب می شود کارایی روش پیشنهادی در تشخیص حمله های سیاه چاله، سوراخ کرم، تکرار بسته ها، عجول و جعل بسته های RouteError به مقدار قابل توجهی ارتقا یابد. در این مقاله همچنین یک روش تحلیل حمله بر مبنای رتبه بندی اثرپذیری خصیصه ها پیشنهاد می شود که مشخص می کند هر کدام از این حمله ها چه بخش هایی از ویژگی ها و رفتار پروتکل AODV را بیشتر تحت تاثیر قرار می دهند. این تحلیل در هنگام کارکرد شبکه می تواند منجر به تشخیص نوع حمله ای که در شبکه در حال اعمال است، شود.

در این مقاله یک طبقه بند تک کلاسه مبتنی بر مرز با الهام از طبقه بند توصیف گر داده مبتنی بر بردار پشتیبان (SVDD) ارائه شده است. در طبقه بند SVDD حتی زمانی که نمونه های پرت به بیرون از مرز رانده می شوند، باز هم این نمونه ها بر مرز طبقه بند اثر می گذارند و این مساله باعث افزایش خطای طبقه بند می شود. در طبقه بند پیشنهادی به گرانش نمونه های آموزش اهمیت داده می شود و همچنین همه نمونه ها در تعیین مرز طبقه بند دخالت دارند. بر این مبنا دو طبقه بند که در یکی دانش در مورد نمونه های پرت نیز در نظر گرفته می شود، پیشنهاد شده است. مساله بهینه سازی مطرح در طبقه بند پیشنهادی علاوه بر این که تحدب را حفظ می کند، در حوزه کرنل نیز به سهولت قابل استفاده است. پس از معرفی طبقه بند پیشنهادی و حل مساله بهینه سازی آن، چگونگی تغییرات مرز طبقه بند پیشنهادی در مقابل تغییرات پارامترهای مدل بررسی می شود. نتایج آزمایش ها در مقایسه با دو طبقه بند SVDD و Density Induced SVDD نشان می دهد که روش پیشنهادی در کاهش اثر نمونه های پرت موفق بوده است.

در این مقاله روش جدیدی برای استخراج ویژگی های سطح پایین و نمایه سازی تصویر بر مبنای جداسازی تصویر به مولفه های بافت و ساختار ارائه شده است. ایده اصلی این تحقیق جداسازی تصاویر به مولفه های بافت و ساختار برای کاهش اثر مخرب وجود بافت و ساختار به صورت هم زمان در تصویر در مرحله استخراج ویژگی است. همچنین نشان داده شده است که با ترکیب بردار ویژگی استخراج شده از مولفه های بافت و ساختار، دقت در سیستم بازیابی تصویر به مقدار قابل توجهی افزایش می یابد. برای ارزیابی روش پیشنهادی، از یک پایگاه داده عام شامل 10000 تصویر از 82 گروه معنایی متفاوت استفاده شده است. نتایج آزمایش ها کارایی این روش را تایید می کند.

مهم ترین موضوع در طراحی طبقه بندی کننده های فازی، تعیین متغیرهای فازی اعم از نوع و مکان توابع عضویت، بخش مقدم و تالی قواعد فازی و تعداد قواعد بهینه می باشد. در واقع، اینها پارامترهای ساختاری یک طبقه بندی کننده فازی هستند که طراح سعی می کند با یافتن مقادیر بهینه آنها، به بهترین عملکرد (به عنوان مثال بالاترین نرخ تشخیص صحیح) دست یابد. این مساله را می توان به صورت یک مساله جستجو در فضای با ابعاد بالا در نظر گرفت، به گونه ای که هر نقطه در فضای پاسخ، نشان دهنده یک مجموعه قواعد با توابع عضویت خاص می باشد که در محل های ویژه استقرار یافته اند. با این توضیح به نظر می رسد الگوریتم های ابتکاری (اعم از تکاملی و هوش جمعی)، ابزار مناسبی برای یافتن بهترین پارامترهای یک طبقه بندی کننده فازی باشند. ویژگی برجسته این روش ها این است که با تعریف مناسبی از تابع برازندگی می توان تخمین بهینه ای از کلیه پارامترهای موثر در یک طبقه بندی کننده فازی را به صورت خودکار و بدون نیاز به تنظیم دستی (به صورت سعی و خطا) به دست آورد. در این مقاله با به کارگیری الگوریتم بهینه سازی گروه ذرات روشی برای طراحی بهینه یک طبقه بندی کننده فازی ارائه شده است. روش پیشنهادی قادر است نوع توابع عضویت، محل آنها، قواعد فازی لازم و تعداد آنها را به طور هم زمان تخمین زده و بدون دخالت کاربر نسبت به بهینه سازی آنها اقدام نماید. نتایج به دست آمده از آزمایشات مکرر بر روی داده های مشهور و مساله کاربردی طبقه بندی اهداف رادار، توانایی روش ارائه شده را در استخراج کلیه پارامترهای یک طبقه بندی کننده فازی در مقایسه با روش های مشابه نشان می دهد.

استاندارد فشرده سازی H.264 یکی از جدیدترین استانداردهای فشرده سازی ویدئویی بوده و کارایی فشرده سازی آن در مقایسه با استانداردهای پیشین تا %50 بیشتر است. با توجه به مزایای این استاندارد و استفاده گسترده از آن در کاربردهای مختلف ویدئویی، ارائه راهکارهایی در زمینه ایجاد امنیت برای این استاندارد ویدئویی ضروری به نظر می رسد. در این مقاله روشی جدید در جهت رمزنگاری جزئی ویدئوی H.264 با حفظ کامل فرمت ویدئو ارائه شده است. در این روش پارامترهای تاثیرگذارتر بر بافت و محتوای حرکتی ویدئوی H.264 در حین عملیات فشرده سازی، رمزگذاری می گردند. بدین منظور پارامترهای Intra 4×4 PredMode، Intra Residual Data،Ref-Index و MVD توسط رمزهای دنباله ای رمزگذاری می گردند. روش رمزنگاری پیشنهادی از طریق کاهش حجم داده رمزشده، دارای کارایی رمزنگاری بسیار بالایی بوده، ضمن این که از امنیت ادراکی بالایی نیز برخوردار است. علاوه بر این نحوه انتخاب و رمزنگاری پارامترها در این روش به گونه ای می باشد که فرمت ویدئوی رمزشده به طور کامل حفظ شده و از این طریق در کاربردهای مختلف نظیر کاربردهای تجاری و تبلیغاتی قابل استفاده می باشد.