مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1395 | دوره:14 | شماره:1 |تعداد مقالات:8

مقاله پیش رو بر روی حل همکارانه مساله جابه جایی اجسام توسط سیستم های چندرباتی توزیع شده تمرکز دارد. دو چالش مهم برنامه ریزی مسیر و همکاری ربات ها باعث دشوارشدن این مساله شده است. در این مساله ربات ها باید با خودداری از موانع و با بهره گیری از یک مکانیزم هماهنگی و همکاری مناسب، جسم را از مسیر عاری از تصادم به نقطه هدف برسانند. رویکرد ارائه شده در این مقاله متشکل از یک ساختار دولایه است که از مزایای هر دو معماری متمرکز و غیرمتمرکز بهره می برد. لایه سراسری با آگاهی کامل از اجزای محیط امکان رسیدن به جواب بهینه را با استفاده از الگوریتم جدید ORT فراهم می کند. لایه محلی نیز با انجام محلی برخی از پردازش ها باعث کاهش آسیب پذیری، بار پردازشی سیستم مرکزی و هزینه کلی سیستم می شود. هماهنگی مورد نیاز بین ربات ها در این لایه به کمک ارتباط رادیویی برقرار می شود و برای برنامه ریزی مسیر حرکت محلی ربات ها از ترکیب الگوریتم های میدان پتانسیل و Tangent Bug استفاده شده است. رویکرد پیشنهادی بر روی یک سیستم چندرباتی متشکل از ربات های KUKA youBot و با استفاده از شبیه ساز Webots پیاده سازی شده است. به منظور بررسی کارایی رویکرد پیشنهادی، نتایج حاصل از آزمایشات مختلف با الگوریتم ORT و همچنین الگوریتم RRT به دست آمده و مقایسه گردید. این نتایج نشانگر کارایی مناسب رویکرد پیشنهادی است.

بیش از دو دهه از معرفی روش کارت امتیازی متوازن جهت کنترل و پایش راهبردهای سازمان ها می گذرد. مهم ترین دستاورد این روش ترسیم نقشه راهبردی است. در این نقشه با ترسیم روابط علی بین اهداف راهبردی، امکان تحلیل های گوناگون فراهم شده و در تصمیم گیری مدیران نقش به سزایی دارد. برای دست یابی به یک نقشه راهبردی دقیق لازم است شدت هر رابطه علی به درستی تخمین زده شود. از این رو تخمین ضرایب این روابط در نقشه های راهبردی مورد توجه قرار گرفته است. از مهم ترین روش های موجود می توان روش های دیمتل و دلفی را نام برد که مبتنی بر نظرات کارشناسان می باشند. البته ممکن است نظرات کارشناسان در حوزه های پیچیده کسب و کار دقیق نباشند، لذا به کارگیری الگوریتم های هوش محاسباتی بر اساس داده های موجود برای تخمین دقیق تر ضرایب علی مفید است. مورد مطالعه این تحقیق، نقشه راهبردی یک موسسه مالی بوده که روابط بین اهداف راهبردی و ضرایب آنها به روش دلفی- فازی از نظرات کارشناسان از قبل تعیین شده اند. هدف اصلی در این مقاله، تخمین دقیق تر ضرایب علی به کمک داده های موجود و الگوریتم های هوش محاسباتی می باشد. بدین منظور، ابتدا نقشه راهبردی را به ازای هر هدف معلول موجود به چند نقشه شناختی فازی تجزیه کرده و سپس از الگوریتم جستجوی گرانشی برای آموزش هر نقشه شناختی فازی استفاده شده است. هدف از آموزش نقشه های شناختی، تعیین ضرایب علی بهینه بر اساس دو تابع هدف می باشد. تابع هدف اول، سعی در کاهش خطای پیش بینی مقادیر درصد تحقق اهداف راهبردی را داشته و تابع هدف دوم، ضرایب علی را در بازه تعیین شده توسط کارشناسان نگاه می دارد. نتایج به دست آمده از روش پیشنهادی، خطای مدل را نسبت به مدل کارشناسان کاهش داد. از مقایسه نتایج الگوریتم جستجوی گرانشی با سایر الگوریتم های بهینه یابی نیز مشاهده شد که الگوریتم جستجوی گرانشی در تعداد گام های کمتری در مقایسه با الگوریتم های بهینه یابی ازدحام ذرات و اجتماع مورچگان نقطه بهینه سراسری را می یابد.

یکی از مسایل جالب در هوش مصنوعی ساخت شبکه بیزی بر اساس نمونه هایی از داده ها است؛ یعنی فرض کنید یک شبکه بیزی N روی مجموعه متغیرهای V مفروض است. هدف، ساخت یک شبکه بیزی- استخراج مجموعه ای از روابط علت/ معلولی- میان مجموعه متغیرها بر اساس نمونه هایی که از N استخراج شده و بدون در اختیار داشتن N است. از این مساله در متون با عنوان یادگیری ساختاری شبکه بیزی یاد می شود. یکی از روش های مهم در یادگیری ساختاری شبکه های بیزی با استفاده از داده های نمونه، استفاده از معیارهای مبتنی بر امتیاز برای ارزیابی میزان برازندگی یک ساختار بیزی مفروض با داده های نمونه و جست و جو در میان ساختارهای ممکن است. جست و جو برای یافتن یک ساختار مناسب برای شبکه بیزی  که بیشترین سازگاری را با نمونه ها داشته باشد غالبا از طریق جست و جو در فضای ساختارها با استفاده از تکنیک های جست و جوی استاندارد یا الهام گرفته از طبیعت نظیر تپه نوردی حریصانه، الگوریتم های ژنتیک، شبیه سازی حرارتی یا الگوریتم تبرید، بهینه سازی کلونی مورچه ها و نظایر آن صورت می گیرد.در این مقاله یک روش جدید مبتنی بر آتاماتای یادگیر برای یادگیری ساختاری شبکه بیزی ارائه شده است. در این روش آتاماتای یادگیر به عنوان یک ابزار جستجوی تصادفی مورد استفاده قرار می گیرد. از ویژگی های روش جدید پیشنهادی جستجوی هم زمان در فضای جایگشت های ممکن از متغیرها (فضای ترتیب متغیرها) و فضای ساختارها (فضای  DAGها) است. ضمن بررسی ریاضی الگوریتم پیشنهادی، روش جدید روی تعدادی از شبکه های نمونه مورد آزمایش قرار گرفته است.

این مقاله روشی نوین برای آشکارسازی چندتایی صورت انسان از نمای روبه رو در تصاویر اینترنتی با پس زمینه های پیچیده را با تمرکز بر کاهش خطای آشکارسازی نمونه های غیر صورت به عنوان صورت بیان می کند. در روش ارائه شده از ترکیب شبکه عصبی چندلایه پیش خور با روش آموزش بازگشتی و ویژگی انرژی فیلتر گابور در حوزه فرکانس استفاده شده است. در روش پیشنهادی این مقاله با معرفی پیش پردازشی جدید برای افزایش کیفیت ویژگی انرژی گابور، انجام دو مرحله پایش بر روی تصاویر ورودی و خروجی و همچنین استفاده از سه شاخص شناسایی اجزای صورت در خروجی انرژی گابور، خطای آشکارسازی نمونه های غیر صورت به عنوان صورت به شدت کاهش یافته است. در این مقاله پایگاه تصاویر جدیدی به نام RFD از تصاویر اینترنتی جمع آوری شده است که دارای 583 تصویر صورت غیرتکراری و 9961 تصویر غیر صورت در اندازه 168×192 است. دقت الگوریتم پیشنهادی در آشکارسازی صورت در این پایگاه تصاویر 88.16% و خطای آشکارسازی آن تنها 48 مورد معادل 0.48% است. این در حالی است که الگوریتم ویولاجونز در این پایگاه تصویر دارای 124 خطای آشکارسازی بوده و در نتیجه خطای آشکارسازی الگوریتم پیشنهادی نزدیک به 2.5 برابر بهتر از الگوریتم ویولاجونز می باشد.

در این تحقیق، یک روش طبقه بندی جمعی بر اساس یادگیری با همبستگی منفی برای بازشناسی کل نگر کلمات دست نویس با حجم محدود پیشنهاد می شود. در این روش مجموعه داده آموزشی پس از پیش پردازش و استخراج ویژگی به طبقه بندهای پایه پرسپترون چندلایه اعمال می شود. سپس شبکه های عصبی پایه به روش یادگیری با همبستگی منفی، آموزش داده شده و از این طریق گوناگون می شوند. هنگامی که داده های آزمایشی پس از استخراج ویژگی به طبقه بندهای پایه اعمال می شوند، هر طبقه بند پایه خروجی نسبتا متفاوتی را تولید می کند. با ادغام خروجی طبقه بندهای پایه، خروجی نهایی سیستم به دست می آید. برای آزمایش روش پیشنهادی از سه نوع ویژگی شامل ویژگی های مبتنی بر منطقه بندی، گرادیان تصویر و کد زنجیره ای کانتور استفاده شده است. در آزمایش هایی که روی 775 تصویر از نام 31 مرکز استان کشور، از مجموعه داده "ایرانشهر" انجام شده است، استفاده از ویژگی های مبتنی بر گرادیان و آموزش 6 شبکه پرسپترون با همبستگی منفی و ادغام آنها از طریق رأی گیری، میانگین نرخ بازشناسی برابر با 96.10 درصد را به دست داده است. سپس خطاهای روش پیشنهادی تحلیل و ردیابی شده است.

امروزه بات نت ها به عنوان یکی از مهم ترین تهدیدها در برابر زیرساخت اینترنت شناخته می شوند. هر بات نت گروهی از میزبان های آلوده شده با کد مخرب یکسان است که توسط مهاجم و از طریق یک یا چند سرویس دهنده فرمان و کنترل از راه دور هدایت می شوند. از آنجایی که سرویس DNS یکی از مهم ترین سرویس ها در شبکه اینترنت است، مهاجمین از آن جهت مقاو م سازی بات نت خود استفاده می  کنند. مهاجمین با استفاده از این سرویس دو تکنیک تغییر پی در پی آدرس IP و تغییر پی در پی نام دامنه را پیاده سازی می کنند. این تکنیک ها به مهاجم کمک می کنند تا مکان سرویس دهنده های فرمان و کنترل خود را به صورت پویا تغییر داده و از قرارگرفتن آدرس های آنها در فهرست های سیاه جلوگیری کنند. در این مقاله، یک روش خوشه بندی به همراه محاسبه شهرت منفی هر میزبان به منظور تشخیص برخط بات نت هایی پیشنهاد می شود که از سرویس DNS در مراحل مختلف از چرخه حیات خود استفاده می کنند. در روش پیشنهادی در پایان هر پنجره زمانی، ابتدا پرس و جوهای DNS با ویژگی های مشابه با استفاده از یک الگوریتم خوشه بندی انتخاب شده و در خوشه های جداگا نه ای قرار می گیرند. سپس میزبان های مشکوک شناسایی شده و به ماتریس فعالیت های گروهی مشکوک اضافه می شوند. در نهایت، شهرت منفی میزبان های موجود در این ماتریس محاسبه شده و میزبان هایی که شهرت منفی بالایی دارند به عنوان میزبان های آلوده به بات گزارش می شوند. نتایج آزمایش های انجام شده نشان می دهد که روش پیشنهادی قادر است بات نت هایی را که از پرس و جوهای DNS در مراحل مختلف چرخه حیات خود استفاده می کنند با دقت بالا و نرخ هشدار نادرست پایین تشخیص دهد.

امروزه، تصاویر ابرطیفی به دست آمده از سنجنده های از راه دور، امکان تمییز بین کلاس ها با جزئیات بیشتر را فراهم آورده اند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونه های آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقه بندی تصاویر ابرطیفی می شود. از آنجایی که جمع آوری داده های آموزشی سخت و زمان بر است، کاهش تعداد باندهای طیفی به بهبود کارایی طبقه بند کمک شایانی خواهد نمود. بنابراین استخراج ویژگی تصاویر ابرطیفی، یکی از مراحل مهم پیش پردازش این نوع داده ها محسوب می شود. در شرایطی که تعداد نمونه آموزشی در دسترس محدود است، روش های استخراج ویژگی معمول همچون LDA دارای کارایی خوبی نخواهند بود. در این مقاله، یک روش استخراج ویژگی نظارت شده معرفی گردیده که بدون نیاز به تعیین برچسب نمونه های آزمایشی، با انجام خوشه بندی بر روی آنها و یافتن رابطه بین نمونه های آموزشی و آزمایشی، از قدرت نمونه های بدون برچسب به همراه نمونه های آموزشی برای تولید ماتریس های پراکندگی درون کلاسی و بین کلاسی استفاده می کند. این کار دقت طبقه بندی را خصوصا برای داده های ابرطیفی چندمده افزایش خواهد داد. روش پیشنهادی که تحلیل ممیز خطی فضای خوشه (CSLDA) نامیده می شود، با روش های پرکاربرد استخراج ویژگی نظارت شده همچون LDA،GDA  و NWFE مقایسه شده است. نتایج به دست آمده بر روی تصاویر ابرطیفی واقعی از مناطق شهری و کشاورزی نشان می دهند که روش پیشنهادی با استفاده از تعداد محدود نمونه های آموزشی، دارای کارایی بهتری نسبت به سایر روش ها می باشد.

در این مقاله روشی تازه برای آشکارسازی آغازه در تکنوازی ساز تار ارائه شده است. در تعریف تابع آشکار ساز آغازه، از دو ویژگی انرژی و فرکانس پایه استفاده کرده ایم که نتیجه آن به کمک یک الگوریتم قله یاب سازگار برای آشکارسازی اولیه آغازه ها استفاده می شود. با استفاده از یک روش تطبیق کلیشه ای بهبودیافته، فرکانس های پایه تعیین شده و از تطبیق زمانی آنها با نتایج اولیه ، آشکارسازی نهایی آغازه ها انجام می شود. تابع آشکارساز پیشنهادی به دلیل استفاده هم زمان از دو ویژگی انرژی و فرکانس پایه، قابلیت تشخیص نت های نرم و سخت را داراست. برای آزمایش، این سیستم را روی مجموعه ای از قطعات تکنوازی تار با آغازه های معلوم به کار گرفته و نتایج آن را در مقایسه با روش مبتنی بر ویژگی انرژی و بر اساس ملاک F تحلیل کرده ایم. نتایج به دست آمده نشان دهنده بهبود کارایی سیستم در شناسایی آغازه های ساز تار است.