مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1403 | دوره:22 | شماره:1 |تعداد مقالات:7

در سال های اخیر، کاربرد اینترنت اشیا در جوامع به طور گسترده ای رشد یافته و از طرفی، فناوری جدیدی به نام شبکه های نرم افزارمحور جهت حل چالش های اینترنت اشیا پیشنهاد شده است. چالش های موجود در این شبکه های نرم افزارمحور و اینترنت اشیا موجب گردیده که امنیت SDN-IoT به یکی از نگرانی های مهم این شبکه ها تبدیل شود. از طرف دیگر، الگوریتم های هوشمند فرصتی بوده که به کارگیری آنها در موارد متعددی از جمله امنیت و تشخیص نفوذ، موجب پیشرفت چشم گیری شده است. البته سیستم های تشخیص نفوذ جهت محیط SDN-IoT، همچنان با چالش نرخ هشدار غلط بالا مواجه هستند. در این مقاله یک روش ترکیبی جدید مبتنی بر الگوریتم های هوشمند پیشنهاد شده که جهت دسترسی به نتایج خوبی در زمینه تشخیص نفوذ، الگوریتم های نظارتی دروازه بازگشتی مکرر و طبقه بند غیرنظارتی-k میانگین را ادغام می کند. نتایج شبیه سازی نشان می دهند که روش پیشنهادی با بهره گیری مزایای هر کدام از الگوریتم های ادغام شده و پوشش معایب یکدیگر، نسبت به روش های دیگر مانند روش Hamza دارای دقت بیشتری و بالاخص نرخ هشدار غلط کمتری است. همچنین روش پیشنهادی توانسته نرخ هشدار غلط را به 1/1% کاهش داده و دقت را در حدود 99% حفظ کند.

تشخیص چهره، یک عمل تشخیص الگوست که به طور خاص بر روی چهره ها انجام می شود و کاربردهای فراوانی در شناسایی کارت های اعتباری، سیستم های امنیتی و موارد دیگر دارد. ایجاد یک سیستم تشخیص چهره با دقت بالا، یک چالش بزرگ می باشد که در سال های اخیر مورد توجه محققان مختلفی قرار گرفته است. فرایند استخراج ویژگی و طبقه بندی، دو مسئله مهم در سیستم های تشخیص هستند که می توانند در افزایش دقت تشخیص نقش بسزایی را ایفا کنند. با توجه به این موضوع در این مطالعه با درنظرگرفتن ویژگی های ترکیبی و بهینه سازی الگوریتم فاخته، روشی برای بهبود میزان دقت در تشخیص چهره پیشنهاد شده است. در روش ارائه شده، هفت ویژگی از روی تصاویر موجود در پایگاه داده استخراج شده، سپس با به دست آوردن بردار ویژگیِ مطلوب، مراحل مربوط به انتخاب ویژگی با استفاده از الگوریتم فاخته انجام می شود. روش پیشنهادی با نرم افزار Matlab پیاده سازی گردیده و با روش های دیگر مورد مقایسه قرار گرفته است. نتایج مربوط به ارزیابی نشان می دهند که روش پیشنهادی توانسته عمل تشخیص بر روی تصاویر دو بانک داده ORL و FDBB را به ترتیب با دقت 00/93% و %12/95% انجام دهد. نتیجه به دست آمده برای این معیار ارزیابی نسبت به سایر روش های مقایسه شده از مقدار بالاتری برخوردار است.

رتبه بندی کارآمد اسناد در عصر اطلاعات امروز، نقش مهمی در سیستم های بازیابی اطلاعات ایفا می کند. این مقاله یک رویکرد جدید برای رتبه بندی اسناد با استفاده از مدل های درون سازی با تمرکز بر مدل زبانی BERT برای بهبود نتایج رتبه بندی ارائه می کند. رویکرد پیشنهادی از روش های درون سازی واژگان برای به تصویرکشیدن نمایش های معنایی پرس وجوهای کاربر و محتوای سند استفاده می کند. با تبدیل داده های متنی به بردارهای معنایی، ارتباط و شباهت بین پرس و جوها و اسناد تحت روابط رتبه بندی پیشنهادی با هزینه کمتر مورد ارزیابی قرار می گیرد. روابط رتبه بندی پیشنهادی عوامل مختلفی را برای بهبود دقت در نظر می گیرند که این عوامل شامل بردارهای درون سازی واژگان، مکان واژگان کلیدی و تأثیر واژگان باارزش در رتبه بندی بر مبنای بردارهای معنایی است. آزمایش ها و تحلیل های مقایسه ای برای ارزیابی اثربخشی روابط پیشنهادی اعمال گردیده است. نتایج تجربی، اثربخشی رویکرد پیشنهادی را با دستیابی به دقت بالاتر در مقایسه با روش های رتبه بندی رایج نشان می دهند. این نتایج بیانگر آن مسئله است که استفاده از مدل های درون سازی و ترکیب آن در روابط رتبه بندی پیشنهادی به طور قابل توجهی دقت رتبه بندی را تا 87/0 در بهترین حالت بهبود می بخشد. این بررسی به بهبود رتبه بندی اسناد کمک می کند و پتانسیل مدل درون سازی BERT را در بهبود عملکرد رتبه بندی نشان می دهد.

با پیدایش روش های یادگیری عمیق، مدل های دنباله به دنباله با هدف ترجمه ماشینی یک جمله مبدأ به یک جمله مقصد ارائه شدند و از همین ایده برای ترجمه یا تبدیل یک متن به شکل خلاصه شده آن استفاده گردیده است. خلاصه هایی که به این روش تولید می شوند از نظر ساختاری خواناتر بوده و معمولاً معنای کاملی را به خواننده منتقل می کنند. در چنین ساختارهایی برای بازنمایی معنایی واژه ها از بردارهای جانمایی کلمات استفاده می شود که در آن، وزن هر کلمه با توجه به کلمات مجاور آن از یک پیکره بزرگ آموزش داده می شود. در حالت کلی وزن این بردارها با انتخاب یک پنجره مجاورت برای هر کلمه به دست می آید؛ اما در مدل های زبانی بافتاری مانند برت برای محاسبه وزن این کلمات از مبدل های چندلایه استفاده می شود که به تمامی کلمات موجود در متن توجه می کنند. تاکنون مقالات متعددی نشان داده اند که مدل های زبانی بافتاری به دلیل قابلیت ریزتنظیم وزن ها برای انجام یک وظیفه پردازش زبان طبیعی خاص، موفق تر از سایر روش های جانمایی کلمات عمل می کنند؛ اما بررسی عملکرد وزن اولیه این مدل ها برای کاربست در تولید عنوان در زبان فارسی مورد توجه قرار نگرفته است. در این مقاله به بررسی رفتار جانمایی کلمات به صورت پیش آموزش داده شده و بدون ریزتنظیم آنها در تولید عنوان از متون فارسی می پردازیم. برای یادگیری مدل از «علم نت» که یک پیکره فارسی شامل حدود 350 هزار جفت چکیده و عنوان مقالات علمی می باشد، استفاده شده است. نتایج نشان می دهند استفاده از مدل برت حتی بدون ریزتنظیم وزن های آن در بهبود کیفیت عناوین فارسی تولیدشده تأثیرگذار بوده و معیار 1-ROUGE را در فارسی به 42% می رساند که بهتر از سایر مدل های جانمایی است.

این پژوهش به تشخیص احساسات از روی سیگنال های EEG به کمک یادگیری عمیق مبتنی بر حافظه کوتاه مدت ماندگار (LSTM) دوجهته و مکانیسم توجه می پردازد. در این پژوهش از دو پایگاه داده SEED و DEAP برای تشخیص احساس استفاده شده است. داده SEED شامل سیگنال های EEG در 62 کانال متعلق به 15 شرکت کننده در سه دسته مختلف از احساسات مثبت، خنثی و منفی است. داده DEAP شامل سیگنال EEG در 32 کانال متعلق به 32 شرکت کننده در دو دسته از ظرفیت و برانگیختگی است. LSTM کارایی خود را در استخراج اطلاعات زمانی از سیگنال های فیزیولوژیکی طولانی نشان داده است. نوآوری‎های این پژوهش شامل استفاده از یک تابع تلفات جدید و بهینه ساز بیزین برای یافتن نرخ یادگیری اولیه است. صحت روش پیشنهادی برای طبقه بندی احساسات در پایگاه داده SEED 72/96 درصد شده است. صحت روش پیشنهادی برای طبقه بندی احساس در دو دسته ظرفیت و برانگیختگی در پایگاه داده DEAP به ترتیب 9/94 و 1/97 درصد است. نهایتاً مقایسه نتایج به دست آمده با پژوهش های اخیر روی داده های یکسان، نشان از بهبود نسبتاً خوب روش پیشنهادی دارد.

تشخیص وسایل نقلیه و ردیابی آن، نقش مهمی در اتومبیل‏های خودران و سیستم های حمل ونقل هوشمند ایفا می کند. شرایط آب وهوایی نامساعد مانند حضور برف سنگین، مه، باران و گرد و غبار با کاهش دید دوربین، محدودیت های خطرناکی ایجاد کرده و بر عملکرد الگوریتم های تشخیصی استفاده شده در سیستم های نظارت بر ترافیک و برنامه های رانندگی خودکار تأثیر می گذارد. در این مقاله از شبکه عمیق تشخیص اشیای Faster RCNN با هسته 50ResNet و شبکه RetinaNet استفاده شده و دقت این دو شبکه جهت تشخیص خودرو در آب وهوای نامساعد مورد بررسی قرار می‏گیرد. پایگاه داده مورد استفاده، فایل DAWN می باشد که شامل تصاویر دنیای واقعی است و با انواع مختلفی از شرایط آب وهوایی نامطلوب جمع آوری شده اند. نتایج به دست آمده نشان می‏دهند که روش ارائه شده در بهترین حالت، دقت تشخیص را از %2/0 به %75 افزایش داده و بیشترین میزان افزایش دقت نیز مربوط به شرایط بارانی می باشد. تمام پردازش‏ها به زبان پایتون و در گوگل کولب انجام شده است.

شکل دهنده های پرتو تفاضلی عملکرد مؤثری در کاربردهای پهن باند نظیر کاربردهای آکوستیکی دارند؛ اما دارای بهره نویز سفید محدودی هستند. در این مقاله به منظور بهبود بهره نویز سفید شکل دهنده پرتو تفاضلی، یک الگوریتم شکل دهنده تفاضلی بر مبنای وزن دهی وفقی ارائه شده که از روش شکل دهی پرتو پاسخ کمینه واریانس بدون اعوجاج (MVDR) بهره می گیرد. به این منظور، ابتدا شکل دهی پرتو تفاضلی در دو مرحله اجرا شده که در مرحله اول، تفاضل مکانی مشاهده ها به دست آمده و در مرحله دوم شکل دهنده پرتو بهینه گردید. سپس با محاسبه ضرایب و تلفیق شکل دهنده های پرتو تفاضلی و MVDR، شکل دهنده پرتو وفقی پیشنهادی به دست آمد. در شکل دهنده پیشنهادی، سهم روش تفاضلی و روش MVDR در ایجاد سیگنال خروجی توسط ضریب تلفیق وفقی که تابع فرکانس، فاصله بین میکروفن ها، زاویه هدف و تعداد میکروفن ها است، تعیین می گردد. شکل دهنده پرتو پیشنهادی با درنظرگرفتن چهار میکروفن و فاصله دو سانتی متری بین میکروفن ها منجر به بهبود بهره نویز سفید به مقدار 35 دسی بل و بهره SNR به مقدار 18 دسی بل نسبت به شکل دهنده پرتو تفاضلی در فرکانس 1 کیلوهرتز می شود. همچنین فاکتور جهت دهی در الگوریتم وفقی پیشنهادی به میزان 5/3 دسی بل نسبت به شکل دهنده پرتو تفاضلی بهبود پیدا کرده است.