مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1395 | دوره:14 | شماره:4 |تعداد مقالات:8

در سال های اخیر، مساله «پوشش هدف» در شبکه های حسگر بصری که در آن دوربین ها داده های ویدئویی را جمع آوری می کنند مورد توجه قرار گرفته است. با توجه به محدودیت توان حسگرها، لازم است با استفاده بهینه از انرژی ذخیره شده، ضمن حفظ پوشش همه اهداف مستقر در محیط، طول عمر شبکه را نیز افزایش داد. در اینجا مساله بیشینه سازی طول عمر شبکه با زمان بندی پوشش (MLCS) تعریف می شود که با تقسیم حسگرها به مجموعه های پوششی و سپس نوبت بندی خواب و بیدار آنها، در عین حفظ پوشش، مدت زمان عملیاتی شبکه افزایش می یابد. از طرفی، انتخاب بهترین میدان دید ممکن برای هر دوربین با توجه به موقعیت اهداف پیرامونی و با استفاده از قابلیت چرخش دوربین ها، ضمن کاهش اندازه فضای جواب، تاثیر مهمی در نزدیکی پاسخ مساله به جواب بهینه دارد. برای حل مساله، یک الگوریتم جدید مبتنی بر تبرید شبیه سازی شده (SA) با هدف یافتن تعداد مجموعه های پوششی بیشتر از حسگرهای دارای ذخیره انرژی بالاتر، پیشنهاد می شود.در روش پیشنهادی با ارائه یک تابع انرژی و تولید همسایگی جدید، ضمن پرهیز از تله نقطه بهینه محلی، توزیع متوازن انرژی حسگرها در سراسر شبکه تامین می شود. نتایج شبیه سازی نشان می دهد که کارایی الگوریتم پیشنهادی نسبت به سایر روش ها از جمله روش های حریصانه، بهتر است.

یک مدل محاسباتی کاملا کوانتومی که بر مبنای دو مفهوم درهم تنیدگی کوانتومی و اندازه گیری کوانتومی ارائه شده است، مدل محاسباتی کوانتومی یک طرفه (1WQC) نام دارد. محاسبات در مدل 1WQC با الگوهای اندازه گیری نمایش داده می شوند. به منظور نمایش بهتر الگوهای مربوط از گراف درهم تنیدگی استفاده می شود که این گراف به همراه مجموعه کیوبیت های ورودی و خروجی آن، هندسه الگو نامیده می شود. تکنیک هایی به منظور بهینه سازی الگو های حاصل از یک مدار کوانتومی در مدل 1WQC ارائه شده است. در کارهای پیشین از مدل 1WQC به منظور بهینه سازی مدارهای کوانتومی استفاده شده است. یک مدار کوانتومی (اولیه) به الگوهای 1WQC تبدیل شده و بهینه سازی های ارائه شده در این مدل بر روی آن با استفاده از مجموعه قوانین بازنویسی به صورت ترتیبی بر روی گراف درهم تنیدگی حاصل از الگوی مربوط انجام شده و آن را ساده می کرد. سپس الگوی ساده شده مجددا به مدار کوانتومی (ثانویه) تبدیل می گردید. در این مقاله روش های قبلی برای بهینه سازی مدارات کوانتومی با استفاده از مدل 1WQC بهبود داده می شود. در روش جدید به منظور بهینه سازی الگوی 1WQC حاصل از مدار کوانتومی، بر خلاف روش های گذشته از هیچ یک از قوانین بازنویسی به منظور ساده سازی الگو استفاده نشده و سعی شده است که تنها با بررسی هندسه الگو، تکنیک های بهینه سازی به صورت همزمان الگوی مربوط را ساده کنند. پس از اجرای عملیات بهینه سازی، الگوی مربوطه مجددا به مدار کوانتومی تبدیل می شود و با کاهش کیوبیت های کمکی ساده تر می شود. نتایج نشان می دهد معیارهای هزینه مدار کوانتومی در روش جدید در مقایسه با روش های پیشین کاهش یافته است.

محدودیت انرژی یکی از چالش های اساسی در شبکه های حسگر بی سیم است که طول عمر شبکه را به صورت مستقیم تحت تاثیر قرار می دهد. یک راه حل بهبود کارایی عمومی شبکه و توزیع یکنواخت انرژی در آن، خوشه بندی گره های شبکه است. انتخاب تعداد خوشه ها برای رسیدن به یک گذردهی کارای شبکه کاری بس دشوار است زیرا با افزایش تعداد سرخوشه ها، برای رسیدن بسته از مبدا به مقصد، تعداد پرش های زیادی می بایست صورت گیرد. افزایش تعداد پرش ها باعث پردازش بیشتر اطلاعات و افزایش مصرف انرژی می گردد.این مقاله، یک روش خوشه بندی را با آگاهی از مکان و انرژی گره ها ارائه می نماید که سعی در تشکیل خوشه هایی با اندازه بهینه و انتخاب سرخوشه بر اساس سطح انرژی گره ها به منظور کاهش مصرف انرژی دارد. روش پیشنهادی محیط شبکه را به دوایر متحدالمرکزی تقسیم کرده و تعداد خوشه بهینه هر دور را به نحوی که مصرف انرژی شبکه بهبود یابد محاسبه می کند. در همین راستا از الگوریتم شایعه پراکنی به منظور تبادل انرژی بین گره ها استفاده می نماید. کارایی بهتر این روش از لحاظ افزایش طول عمر مفید شبکه در مقایسه با روش های پیشین نظیر ASH از طریق شبیه سازی بررسی شده است. روش پیشنهادی از نظر طول عمر شبکه در حدود 25% تا 40% روش ASH را بهبود بخشیده است.

یکی از تهدیدات پیش روی توسعه فناوری اطلاعات در فضای مجازی، سرقت اطلاعات شخصی و مالی کاربران می باشد که این تهدید امنیتی، فیشینگ نامیده می شود. بررسی و تحلیل روش های موجود نشان می دهد که ایجاد انعطاف پذیری در انتخاب ویژگی های اثرگذار در فرایند شناسایی وب سایت های فیشینگ، پویاسازی رفتار الگوریتم طبقه بندی کننده وب سایت های هدف و نیز امکان تحلیل و کنترل حجم گسترده ای از وب سایت ها مورد توجه قرار نگرفته است. لذا در این مقاله به منظور تحقق هم زمان سه هدف یادشده، ابتدا مکانیزمی بر اساس طراحی یک آستانه تغییر برای کاهش انعطاف پذیر ویژگی های مورد ارزیابی در شناسایی وب سایت های فیشینگ تعریف شده است. سپس با حافظه مند نمودن الگوریتم بهینه سازی صفحات شیب دار، کاهش نرم اثر حافظه بر عملکرد الگوریتم در تکرارهای بالا و نیز تعریف 12 قانون فازی در یک سیستم استنتاج فازی اقدام به پویاسازی هوشمند این الگوریتم به منظور طبقه بندی وب سایت های جامعه ارزیابی به سه طبقه قانونی، مشکوک و فیشینگ می نماید. نتیجه پیاده سازی رویکرد هوشمند جدید پیشنهادی بر روی داده محک استاندارد در این حوزه و نیز مقایسه عملکرد این الگوریتم با عملکرد بهترین الگوریتم های موجود، نشان از تحقق اهداف سه گانه فوق الذکر برای این تحقیق را دارد.

در بسیاری از کاربردها از جمله کاربردهای نظارتی، حالت و زاویه قرارگیری شخص نسبت به دوربین از اطلاعات مهم می باشد. این اطلاعات می تواند در ارزیابی رفتاری شخص مورد استفاده قرار گیرد. از دشواری های این تشخیص می توان به کیفیت پایین دوربین های نظارتی، نویز و پس زمینه های پیچیده در تصویر اشاره نمود. در روش های موجود برای تشخیص زاویه از ویژگی هایی نظیر هیستوگرام گرادیان های جهتی استفاده می شود. در این توصیف گر محاسبه هیستوگرام ها بر اساس نواحی محلی انجام می گیرد که دارای نقاط ضعفی در تشخیص زاویه می باشد. یکی از اطلاعات مفید که می تواند در تشخیص زاویه مورد استفاده قرار گیرد لبه های احاطه کننده یک شیء در تصویر است که بدان کانتور شیء اطلاق می گردد. در این مقاله تعمیمی از کانتور ارائه می شود که به کمک آن می توان به صورت سلسله مراتبی تخمینی از کانتور محاط شده به تصویر شخص را ارائه داد. این کانتورها از روی یک مدل سه بعدی انسان تولید می شوند. کانتور تخمین زده شده همانند یک ویژگی سطح بالا در کنار ویژگی های سطح پایین نظیر هیستوگرام گرادیان های جهتی به عنوان ویژگی نهایی در نظر گرفته می شود. در تولید این ویژگی از ترکیب خطی چندین نوع کانتور مربوط به بخش های مختلف بدن استفاده شده است. به منظور نشان دادن تاثیر ویژگی جدید در تشخیص زاویه، کلاس بند ماشین بردار پشتیبان با استفاده از ترکیب دو ویژگی بالا آموزش داده شده و سپس بر روی مجموعه داده های VIPeR مورد ارزیابی قرار گرفته است. نتایج آزمایشات انجام شده نشان می دهد که استفاده از ویژگی ارائه شده، دقت تشخیص زاویه را حدود 4% بهبود می بخشد.

در این مقاله یک سیستم خودکار بر مبنای روشی جدید در استخراج ویژگی برای تشخیص جنسیت افراد از روی تصاویر اسکن شده نمونه دست خط ارائه شده است. در روش پیشنهادی به منظور نشان دادن تمایز بین نمونه های دست خط زنان و مردان، ابتدا از تصویر دست نوشته، تبدیل رادن گرفته می شود و سپس با استفاده از یک ابزار تحلیلی در سیستم های دینامیکی با عنوان پالایش پویای نمادین، ویژگی های هر نمونه دست خط استخراج می گردد. آموزش و طبقه بندی ویژگی های استخراج شده از نمونه های دست خط با شبکه عصبی پرسپترون چندلایه انجام شده است. در پایان با هدف بررسی کارایی روش پیشنهادی، آزمایش هایی بر روی بانک اطلاعاتی MSHD صورت پذیرفت. علاوه بر آزمایش تشخیص جنسیت بر روی کل بانک اطلاعاتی، دو چالش جدید تشخیص جنسیت مستقل از متن و زبان نوشتاری نیز بررسی شده است. آزمایش های انجام شده نشان می دهد روش پیشنهادی میزان دقت تشخیص را نسبت به کارهای قبلی که از روش های جدیدی در تحلیل دست خط از قبیل فرکتال ها، کدهای زنجیره ای و بافت ها بهره می برند، بهبود داده است. بهترین نرخ دقت به دست آمده در آزمایش ها 84.9 درصد گزارش شده است.

به منظور غلبه بر مشکلات تطابق تصاویر هوایی و ماهواره ای از جمله تغییرات مقیاسی، دوران، شدت روشنایی و شکل هندسی از روش SIFT برای استخراج نقاط ویژه استفاده شده است ولی این روش نقاط ویژه متعددی را از تصاویر هوایی و ماهواره ای به دلیل اغتششات و عوامل محیطی استخراج می کند که تعداد زیاد نقاط ویژه، باعث افزایش زمان ایجاد بردار توصیف گر و تطابق های نامطلوب خواهد شد. برای ارتقای کیفیت نقاط ویژه استخراج شده و افزایش سرعت اجرای الگوریتم، ابتدا لبه های اصلی تصاویر توسط عملگر سبل و آستانه گذاری استخراج گردیده و سپس نقاط ویژه از روی تصویر لبه ها با استفاده از روش SIFT استخراج می گردند. بعد از استخراج نقاط ویژه، با استفاده از روش rBREIF که پایداری مطلوبی در برابر دوران و اغتششات جوی دارد، توصیف گرهایی برای هر یک از نقاط ویژه ایجاد می شود. سپس با استفاده از روش تطابق دوطرفه و حذف تطابق های نامطلوب با استفاده از روش RANSAC تطابق های صحیح بین تصاویر هوایی و ماهواره ای توسط روش پیشنهادی ایجاد می گردد. نتایج پیاده سازی روش پیشنهادی بر روی تصاویر تهیه شده، نشان دهنده برتری این روش از لحاظ صحت تطابق ها و سرعت این روش نسبت به روش های قبلی از جمله روش SIFT می باشد.

کیفیت داده ها در امر تصمیم گیری سازمان ها تاثیرگذار می باشد، به گونه ای که تصمیم گیری مبتنی بر داده های فاقد کیفیت سازمان را متحمل هزینه های بالایی می کند. کیفیت داده ها دارای ابعاد متنوعی می باشد که صحت از مهم ترین این ابعاد است. جهت تصحیح داده ها نیاز به تشخیص خطا وجود دارد که با توجه به حجم بالای داده ها، نیاز به یک سیستم خودکار است تا بدون دخالت کاربر این فرایند انجام گیرد.در این مقاله راهکاری خودکار مبتنی بر خوشه بندی k-means جهت تشخیص خطا ارائه شده است. در ابتدا به ازای هر ویژگی، داده ها خوشه بندی می شوند و سپس به ازای هر داده در آن خوشه از روش شبه k نزدیک ترین همسایه، جهت شناسایی خطا استفاده می شود. روش پیشنهادی توانایی تشخیص چندین خطا در یک رکورد را دارد و همچنین قادر است خطا در فیلدهایی با انواع داده متفاوت را نیز شناسایی کند. آزمایشات نشان می دهد که به طور متوسط این روش می تواند %91 خطاهای موجود در داده ها را شناسایی نماید. همچنین روش پیشنهادی با یک روش تشخیص خطا به وسیله قوانین که همانند راهکار پیشنهادی روشی خودکار برای تشخیص خطا در انواع داده ای متفاوت است نیز مورد مقایسه قرارگرفته و نتایج نشان می دهد که روش پیشنهادی به طور متوسط 25% عملکرد بهتری در تشخیص خطا داشته است.