مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1394 | دوره:13 | شماره:2 |تعداد مقالات:9

اکثر الگوریتم هایی که تا این زمان در زمینه نهان کاوی کور ویدئو ارائه شده اند منطبق بر یادگیری باناظر بوده و هزینه تولید داده های برچسب دار در آنها بالا می باشد. تحت این شرایط در فرایند نهان کاوی کور ویدئو تنها می توان از تعداد محدودی از الگوریتم های نهان نگاری که کد آنها در دسترس است برای آموزش طبقه بند استفاده کرد. بنابراین نمی توان درباره کارایی نهان کاو برای شناسایی آن دسته از الگوریتم های نهان نگاری ویدئویی که کد آنها در دسترس نیست، مطمئن بود. همچنین الگوریتم های رایج عموما برون خط می باشند و بنابراین آموزش مجدد سیستم زمان بر بوده و نمی توان سیستم را به صورت برخط بروز کرد. برای حل این مشکلات یک روش جدید نهان کاوی کور ویدئو با رویکرد یادگیری شبه ناظر در این مقاله ارائه شده است. در روش پیشنهادی با توجه به رفع محدودیت برچسب دار بودن داده های آموزشی، کارایی طبقه بند برای آن دسته از الگوریتم های نهان نگاری که کد آنها در دسترس نیست بهبود می یابد. همچنین ثابت می شود که روش پیشنهادی نسبت به روش های متداول در فرایند نهان کاوی کور ویدئو پیچیدگی زمانی کمتری داشته و یک روش برخط بهینه است. نتایج شبیه سازی بر روی پایگاه داده استاندارد نشان می دهد که روش پیشنهادی علاوه بر مزایای فوق، دارای دقت آشکارسازی قابل مقایسه با روش های متداول روز است.

بازیابی تصویر بر اساس محتوا شامل مجموعه ای از روش ها برای پردازش ویژگی های دیداری یک تصویر پرس و جو به منظور پیداکردن تصاویر مشابه آن در یک پایگاه تصویر است. برای بهبود عملکرد سامانه بازیابی تصویر می توان از ابزار بازخورد ربط استفاده کرد. در این تحقیق برای افزایش کارایی سامانه های بازیابی تصویر، ترکیب دو یا چند روش یادگیری کوتاه مدت در فرایند بازخورد ربط پیشنهاد شده است. در روش پیشنهادی، ترکیب در سه سطح انجام می گیرد: سطح تصاویر برگردانده شده، سطح توابع شباهت و سطح رتبه تصاویر. برای ارزیابی روش پیشنهادی یک سامانه بازیابی تصویر مبتنی بر محتوا با 10000 تصویر از 82 گروه معنایی متفاوت مورد استفاده قرار گرفته است. نتایج حاصل از آزمایش ها برتری روش پیشنهادی را از لحاظ دقت بازیابی مورد تایید قرار می دهد.

شبکه خودسازمانده پویا با یادگیری نیمه ناظر در بسیاری از کاربردها نظیر خوشه بندی داده ها کاربرد دارد. محاسبه پارامترهای شبکه خودسازمانده شامل شکل و ساختار لایه خوشه بندی، سطح فعال سازی و وزن های لایه طبقه بندی از جمله مسایل چالش برانگیز و مهم آن است. راهکارهای ارائه شده فعلی از روش های ابتکاری و با یک نگاه محلی سعی در تعیین این پارامترها دارند که در اثر آن، نتایج این الگوریتم ها وابستگی بالایی به شرایط دارد. این مقاله یک روش یادگیری نیمه ناظر مبتنی بر شبکه خودسازمانده پویا و یادگیری حداکثری را برای اولین بار مورد بررسی قرار می دهد. روش پیشنهادی، بدون محاسبه مستقیم پارامترهای شبکه خودسازمانده پویا و با استفاده از روش یادگیری حداکثری، کلاس هر داده را تعیین می کند. خطای حاصل از بازخورد سیستم، هم در یادگیری حداکثری و هم در بهینه سازی شبکه خودسازمانده پویا مورد استفاده قرار می گیرد. در این مقاله، علاوه بر بررسی تحلیلی همگرایی روش پیشنهادی، روش حداکثری ترتیبی برای شبکه نیمه ناظر خودسازمانده پویا ارائه شده است. آزمایش های انجام شده بر روی داده های برخط و با برچسب جزئی نشان می دهند که روش پیشنهادی از نظر دقت، نسبت به روش نیمه ناظر خودسازمانده پویا برتری نسبی دارد.

کیفیت سامانه های یادگیری تطبیقی و مشارکتی به نحوه توصیف مناسب یادگیرندگان و نیز دقت و صحت تفکیک یادگیرندگان در گروه های همگن و غیر همگن وابسته است. در روش های ارائه شده برای گروه بندی یادگیرندگان در محیط یادگیری الکترونیکی، محققان اغلب به دنبال بهبود روش های پایه از طریق ترکیب آنها با روش های بهینه سازی هستند. این امر موجب پیچیده تر شدن روش های گروه بندی می شود و کیفیت نه چندان مناسب گروه های حاصل را به دنبال دارد. در این مقاله روشی مبتنی بر نظریه فازی برای انتخاب خوشه های مناسب در روش خوشه بندی پیوندی معرفی شده است. در این روش هر خوشه به صورت مجموعه ای فازی مدل سازی شده و خوشه های متناظر تعیین گردیده و بهترین آنها به عنوان خوشه مناسب انتخاب شده است. این روش موجب افزایش دقت روش خوشه بندی پیوندی می شود. نتایج ارزیابی تجربی روش پیشنهادی بر اساس دو شاخص «Davies-Bouldin» و «خلوص و تجمع» نشان می دهد این روش دقت بیشتری نسبت به سایر روش های خوشه بندی در شناسایی گروه ها داشته است.

در سال های اخیر، استفاده از شبکه های حسگر بی سیم در حوزه هایی از کاربردهای پزشکی مطرح شده و به طور خاص در کاربردهایی که حسگرها روی بدن نصب می شوند، تحت عنوان شبکه های بی سیم روی بدن مورد بررسی قرار گرفته است. از آنجا که حفظ حریم خصوصی و امنیت داده های پزشکی دارای اهمیت بسیاری است، برقراری امنیت داده در این حوزه به عنوان یک چالش مهم مد نظر قرار گرفته است. یکی از مشکلات برقراری امنیت در شبکه های بی سیم، توافق کلید بین گره ها است که تحقیقات بسیاری روی آن انجام شده است. در شبکه های بی سیم روی بدن، الگوریتم های متعددی بر پایه یک ساختار ریاضی به نام Fuzzy Vault ارائه شده است که از ویژگی های سیگنال های فیزیولوژیکی برای توافق کلید استفاده می کند. با توجه به محدودیت های موجود در این شبکه ها که ناشی از کوچکی سایز گره های شبکه حسگر و ویژگی های ارتباط بی سیم می باشد، انتخاب طرح امنیتی مناسب از اهمیت زیادی برخوردار است. این مقاله با استفاده از روش تحلیل سلسله مراتبی فازی به ارزیابی الگوریتم های توافق کلید مبتنی بر Fuzzy Vault و انتخاب بهترین الگوریتم از میان الگوریتم های ارائه شده می پردازد. برای ارزیابی، از میان الگوریتم های توافق کلید ارائه شده بر پایه ساختار Fuzzy Vault، سه الگوریتم OPFKA، PSKA، و ECG-IJS که دارای اهمیت بیشتری هستند در نظر گرفته شده اند تا با استفاده از روش AHP فازی، بهترین الگوریتم با در نظرگرفتن معیار هایی که در انتخاب بهترین گزینه اهمیت زیادی دارند، برگزیده شود. در تعیین معیار ها باید ویژگی ها و محدودیت های شبکه های بی سیم روی بدن و همچنین نوع کاربرد و زمان مد نظر قرار گیرد. در نهایت، ارزیابی انجام شده نشان می دهد که الگوریتم توافق کلید موسوم به ECG-IJS نسبت به دو الگوریتم دیگر دارای اولویت بالاتری است و به عنوان طرح بهتر انتخاب می شود.

کاربرد رویکرد مدل گرا در تولید نرم افزار به دلیل کاهش پیچیدگی و افزایش سرعت تولید به طور جدی مورد توجه قرار گرفته است. یکی از چالش های مهم در کاربرد مدل وجود ناسازگاری است. یک ناسازگاری به دلیل وجود الگوهای ساختاری نامطلوب در مدل بروز می یابد. روش های فعلی ارائه شده برای رفع ناسازگاری مدل به میزان تغییرات مدل و فاصله بین مدل و ترمیم آن توجه ندارند. در این مقاله روشی مبتنی بر فاصله برای یافتن نزدیک ترین ترمیم نسبت به مدل ناسازگار ارائه می شود. برای این منظور مدل و فرامدل با استفاده از گراف جهت دار بازنمایی شده و از قواعد تبدیل گراف جهت رفع ناسازگاری بهره برده می شود. همچنین معیار فاصله بر اساس میزان تغییرات گراف متناظر مدل تعریف می شود. اعمال روش پیشنهادی به مجموعه ای از مدل های مبتنی بر BPMN بر بهبود نتایج با استفاده از معیار فاصله دلالت دارد.

با توجه به اهمیت تشخیص و تصحیح سریع شرایط غیر عادی عیب در فرایندهای صنعتی، در این مقاله روشی جدید به منظور نظارت فرایند پیشنهاد شده است. در این روش هم زمان هم دینامیک فرایند و هم تأثیر داده های برون هشته در نظر گرفته شده است. ابتدا دینامیک فرایند به وسیله روش آنالیز متغیر استاندارد اعمال شده و سپس از الگوریتم آنالیز مولفه مستقل به منظور کاهش بعد داده ها استفاده شده است. همچنین حذف داده های برون هشته و محاسبه حد کنترلی بر اساس الگوریتم فاکتور برون هشته محلی صورت گرفته است که هیچ توزیع خاصی را برای متغیرهای فرایند در نظر نمی گیرد. از این رو با داده های موجود در صنعت تطابق دارد. همچنین به منظور افزایش اعتبار روش پیشنهادی در راستای آشکارسازی عیب، این الگوریتم بر روی فرایند TE شبیه سازی شده است و مقایسه ای با نتایج حاصل از پژوهش های دیگر صورت گرفته است. نتایج حاکی از آن است که الگوریتم پیشنهادی بهترین عملکرد را نسبت به سایر روش ها دارد.

تفکیک پذیری نقاط رنگی با اشکال هندسی یکی از مسایل مطرح در هندسه محاسباتی است که کاربردهایی از جمله در یادگیری ماشین و شناسایی الگو دارد. در این مساله دو سری نقطه P و Q به ترتیب به رنگ های قرمز و آبی و به اندازه n در صفحه داده شده است. حال لازم است یک شکل هندسی مشخص را به گونه ای در صفحه قرار دهیم که کلیه نقاط آبی را در برگرفته و شامل هیچ نقطه قرمزی نباشد. در کارهای پیشین الگوریتم هایی برای تفکیک پذیری نقاط با گوه و مستطیل ارائه گردیده ولی تا به حال الگوریتمی برای تفکیک پذیری نقاط با یک مثلث و همچنین مثلثی که یک زاویه آن مشخص باشد (مثلا قائم الزاویه) ارائه نشده است. در این مقاله الگوریتمی جدید و کارا برای تفکیک پذیری نقاط رنگی با مثلث قائم الزاویه ارائه می کنیم که قادر خواهد بود با استفاده از راهکار خط جاورب چرخشی، معرفی رخدادها و پردازش آنها در زمان کارای (nlogn) O کلیه مثلث های قائم الزاویه تفکیک کننده را گزارش کند.

گراف ها نمایش داده قدرتمندی هستند که به طور گسترده در حوزه های متفاوتی مورد استفاده قرار می گیرند. در کاربردهای مبتنی بر گراف یک پیمایش قاعده دار از گراف مانند جستجوی اول سطح، غالبا جزء کلیدی در پردازش مجموعه داده های بزرگ است. در این مقاله یک روش ترکیبی ارائه شده که برای هر سطح از پیمایش گراف، بهینه ترین نسخه از الگوریتم های پیاده سازی شده بر روی پردازنده مرکزی و پردازنده گرافیکی را انتخاب می کند. این روش ترکیبی کارایی خوبی را برای هر اندازه گرافی فراهم می کند، در حالی که از کارایی ضعیف روی گراف های با میانگین درجه کم و زیاد جلوگیری می کند. لازم به ذکر است که این روش بهره سرعت بالاتری نسبت به کارهای پیشین ارائه می دهد و نتایج علمی به دست آمده این ادعا را تایید می کنند.