مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1391 | دوره:10 | شماره:1 |تعداد مقالات:6

توسعه دهندگان نرم افزار به دلایل مختلف با مشکل انتخاب روش رسمی متناسب با نرم افزار تحت توسعه روبه رو هستند. هدف ما در این مقاله تعیین سطح توانایی روش های رسمی برای توصیف و تحلیل نرم افزارهای مختلف در چهار قدم است: در قدم اول معیارهایی که روش های رسمی با آنها سنجیده می شوند، معرفی می شوند. در قدم های دوم و سوم انواع نرم افزارها و روش های رسمی بر اساس رویکردشان در حل مساله طبقه بندی می شوند و در قدم چهارم بر اساس معیارهای تعیین شده در قدم اول، برازندگی و تناسب چند نمونه از روش های رسمی برای توصیف و تحلیل هر طبقه از نرم افزار تعیین می شود.

یکی از نیازمندی های مهم شبکه حسگر، سرویس هم زمانی است. اهمیت زمان در شبکه های حسگر باعث شده که اخلال در هم زمانی حسگرها یکی از اهداف اولیه دشمن برای حمله به این شبکه ها باشد. دشمن سعی می کند به طرق مختلف مانند اخلال در رسیدن پیغام های هم زمانی، تغییر یا جعل آنها، تاخیردادن به پیغام های حساس به زمان، تسخیر برخی گره ها و ارسال پیغام های هم زمانی غلط توسط آنها مانع از هم زمانی صحیح در شبکه شود. علی رغم معرفی چند روش هم زمانی برای شبکه های حسگر در سال های اخیر، تا کنون روش هم زمانی جامعی که بتواند نیازمندی های امنیتی و کارامدی این شبکه ها را توامان برآورده کند، ارائه نشده است. در این مقاله روشی برای هم زمانی امن شبکه حسگر ارائه شده که با وجود سربار ارتباطی و محاسباتی کم و دقت مناسب، در مقابل حملات داخلی و خارجی به این شبکه ها مقاوم است. نتایج تحلیل و شبیه سازی، گویای برتری روش پیشنهادی بر روش های در دسترس است.

تفکیک توده های خوش خیم و بدخیم در ماموگرام های دیجیتالی یکی از مراحل بسیار مهم تشخیص زودهنگام سرطان سینه است، چرا که می تواند تا حد زیادی شانس بقای بیمار را افزایش دهد. در این مقاله یک سیستم CADx نوین با به کارگیری کلاسه بندی کننده جدید مبتنی بر تضاد (OWBP) جهت آسیب شناسی توده ها در تصاویر ماموگرافی معرفی خواهد شد. هدف، بهبود عملکرد و سرعت یادگیری الگوریتم های CADx با استفاده از ترکیب ویژگی های منطبق بر استاندارد BI-RADS و کلاسه بندی کننده پیشنهادی می باشد. ورودی سیستم یک ROI بوده که حاوی یک توده مشکوک است. این ناحیه ابتدا تحت پیش پردازش هایی قرار گرفته، سپس 12 ویژگی که توصیف کننده های مناسبی از شکل، مرز و چگالی توده هستند، استخراج می شوند. منحنی ROC و عملکرد آسیب شناسی حاصل از ترکیب تمام این ویژگی ها توسط دو کلاسه بندی کننده با یادگیری متداول پس انتشار و یادگیری پیشنهادی OWBP ارزیابی شده و سیستم های حاصل از لحاظ سرعت یادگیری نیز مورد مقایسه قرار گرفته اند. همچنین در این تحقیق قابلیت آسیب شناسی هر گروه از ویژگی های شکل، مرز و چگالی به طور جداگانه بررسی شده است. پایگاه داده مورد استفاده در این تحقیق MIAS است. سیستم نهایی پیشنهادی دارای 0.924 Az، با سرعت یادگیری تقریبا 4 برابر سرعت یادگیری سیستم با کلاسه بندی کننده پس انتشار و همچنین عملکرد 92.86% می باشد.

استفاده از تکنیک های فناوری اطلاعات در بازارهای الکترونیکی، پویایی و پیچیدگی سیستم عرضه و تقاضا را بالا برده است. بنابراین به کارگیری عامل های هوشمند جهت خرید و فروش و چانه زنی در این گونه بازارها به عنوان یک راهکار موثر پیشنهاد شده است. الگوریتم یادگیری تقویتی یکی از روش های قوی یادگیری عامل هاست که با کمترین اطلاعات ممکن می تواند به صورت تعاملی برای آموزش عامل، در راستای پیشنهاد قیمت به کار گرفته شود. چانه زنی یک مذاکره چالش برانگیز و پیچیده است که علت آن تنوع متغیرهای بسیار زیاد در روابط عرضه و تقاضا و دانش ناکافی شرکت کنندگان در بازار می باشد. در این مقاله نحوه به کارگیری یادگیری تقویتی در مساله چانه زنی در دو بازار مناقصه و مزایده در راستای بیشینه سازی افزایش سود عامل بیان می گردد. متغیرهای حالت، عمل و تابع یادگیری تقویتی برای مساله چانه زنی در بازار به کمک یک مساله یادگیری تقویتی نمونه فرمول بندی می شوند. با مقایسه روش ارائه شده و یک روش تجربی به این واقعیت خواهیم رسید که عامل آموزش دیده، سود به مراتب بیشتری را از یک عامل تجربی کسب می نماید.

در اکثر اوقات، تصمیم گیری موثر در موقعیت های راهبردی همچون مسایل رقابتی به نگاشت غیر خطی بین محرک و پاسخ نیاز دارد. شبکه های عصبی مصنوعی می توانند در مدل سازی و حل این مسایل رهیافت مناسبی باشند. بازی معمای زندانی از معروف ترین بازی های مطرح شده در نظریه بازی ها است که به کمک آن بسیاری از مسایل رقابتی تحلیل می شود و تصمیم گیری را تسهیل می کند.در این مقاله سعی بر آن است که بازی معمای زندانی تکراری به کمک شبکه عصبی مصنوعی مدل سازی و تحلیل شود و به همین دلیل شبکه عصبی پادانتشار گراسبرگ برای انجام این بازی طراحی شده است. نتایج، نشان دهنده توانمندی این روش در مدل سازی کامل بازی است. نتایج حاصل از به کارگیری این ایده با دو روش دیگر (راهبرد TFT و مدل سازی با شبکه پرسپترون) نشان از کارایی محرز روش جدید است.

این مقاله روش جدیدی را مطرح می کند که قادر به استخراج گذرگاه ها به صورت اتوماتیک برای عامل یادگیری تقویتی است. روش پیشنهادی از سیستم های بیولوژیکی، رفتار و مسیریابی حیوانات الهام گرفته شده است و به واسطه تعاملات عامل با محیط پیرامونی اش عمل می کند. عامل با استفاده از خوشه بندی و تشخیص اشیا به صورت سلسله مراتبی، نشانه هایی را پیدا می کند. اگر این نشانه ها در فضای اقدام به هم نزدیک باشند، گذرگاه ها با استفاده از حالت های بین آنها استخراج می شوند. نتایج آزمایش ها بهبود قابل ملاحظه ای را در فرایند یادگیری تقویتی در مقایسه با سایر روش های مشابه نشان می دهد.