مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1399 | دوره:18 | شماره:3 |تعداد مقالات:8

امروزه بازشناسی کنش انسان از روی تصویر ایستا به یکی از موضوعات فعال در زمینه بینایی ماشین و شناسایی الگو تبدیل شده است. تمرکز این کار بر روی شناسایی کنش یا رفتار انسان از روی یک تصویر است. برخلاف روش های سنتی که از ویدئوها یا دنباله ای از تصاویر برای بازشناسی کنش انسان استفاده می کنند، یک تصویر ایستا فاقد اطلاعات زمانی است. بنابراین بازشناسی کنش مبتنی بر تصویر ایستا دارای چالش بیشتری نسبت به بازشناسی کنش مبتنی بر ویدئو است. با توجه به اهمیت اطلاعات حرکتی در بازشناسی کنش از روش Im2flow برای تخمین اطلاعات حرکتی از روی تصویر ایستا استفاده شده است. ساختار پیشنهادی در این مقاله، حاصل ترکیب سه شبکه عصبی عمیق است که تحت عنوان شبکه سه شاخه یاد شده است. شبکه اول بر روی تصویر خام رنگی و شبکه دوم بر روی شار نوری پیش بینی شده از روی تصویر و شبکه سوم بر روی ژست به دست آمده از انسان موجود در تصویر آموزش می بیند. در نهایت تلفیق این سه شبکه عصبی عمیق سبب افزایش دقت بازشناسی کنش انسان شده است. به عبارت دیگر در این مقاله علاوه بر اطلاعات مکانی و زمانی پیش بینی شده از اطلاعات ژست انسان نیز برای بازشناسی کنش استفاده شده است زیرا ویژگی ژست برای بازشناسی کنش بسیار حائز اهمیت است. روش پیشنهادی در این مقاله توانسته است به دقت 91/80 درصد بر روی مجموعه دادهWillow7 action، به دقت 91/02 درصد بر روی مجموعه داده Pascal voc2012 و به دقت 96/87 درصد بر روی مجموعه داده Stanford10 دست یابد. با توجه به مقایسه نتایج با روش های قبلی متوجه خواهیم شد که روش پیشنهادی بالاترین دقت را بر روی هر سه مجموعه داده نسبت به کارهای اخیر به دست آورده است.

افزایش حجم پایگاه داده ها، مسئله کاهش ویژگی را ایجاد و پراهمیت می سازد. از این رو در علم داده کاوی، یکی از زیربخش های مهم، مسئله کاهش ابعاد (انتخاب ویژگی) می باشد که در آن زیرمجموعه ای از ویژگی هایی که بیشترین تأثیر را بر روی الگوهای پنهان داده اصلی دارند انتخاب می شوند. در سال های اخیر، تئوری مجموعه راف به عنوان یکی از ابزارهای موثر و کارآمد در کاهش ویژگی مورد توجه محققان قرار گرفته است. در این مقاله الگوریتم رقابت لیگ فوتبال برای اولین بار به منظور حل این مسئله مورد استفاده قرار گرفته شده است. توانایی فرار از بهین های موضعی، امکان بهره گیری از اطلاعات بازیکنان توزیع شده در فضای جستجو، همگرایی سریع به جواب های بهین و پارامترهای کم این الگوریتم، انگیزه این انتخاب بود. علاوه بر این نوآوری، ارائه تغییراتی همچون بهره گیری از مجموع توان بازیکنان ثابت و ذخیره در محاسبه توان هر تیم، در نظر گرفتن ترکیب ساختارهای پیوسته و گسسته برای هر بازیکن، ارائه یک مکانیزم ابتکاری گسسته سازی جدید، ارائه تحلیل هیدرولیک متناسب با مسئله تحقیق برای فرایند برازش هر بازیکن، ارائه اصلاح در عملگرهای تقلید و تهییج بر اساس چالش های نسخه اصلی را می توان به عنوان ایده های پیشنهادی به منظور اصلاح و سازگاری این الگوریتم برای مسئله کاهش ویژگی برشمرد. ایده های پیشنهادشده بر روی سه سطح داده در ابعاد کوچک، متوسط و بزرگ به همراه چهار الگوریتم فراابتکاری مشهور ژنتیک و بهینه سازی ازدحام ذارت، سیستم ایمنی مصنوعی و لیگ قهرمانان پیاده سازی گردیده و مقایسه نتایج به دست آمده نشان از مزیت های رقابتی قابل توجه الگوریتم رقابت لیگ فوتبال با سایر الگوریتم ها دارد.

دسته بندی بسته ها نقش بسزایی در بهبود عملکرد تجهیزات شبکه ای از جمله مسیریاب ها، دیواره های آتش و سیستم های تشخیص نفوذ ایفا می کند. الگوریتم های دسته بندی بسته عموماً مبتنی بر ساختار داده ای ایستا هستند که الگوی رفتاری ترافیک ورودی را در بهینه سازی ساختار جستجو در نظر نمی گیرند. در این پژوهش، ویژگی های آماری ترافیک ورودی در نظر گرفته شده و از ساختمان داده های کمکی ترافیک آگاه در کنار ساختارهای اصلی استفاده شده است. از آنجا که حجم غالب ترافیک اینترنت، مربوط به جریان های بلندمدت است، برای مدت زمانی نه چندان کوتاه، اکثر مطابقت های قوانین در زیردرخت های مشخصی از درخت جستجو قرار دارند. برای بهره گیری از این ویژگی، در این پژوهش از ساختار داده درخت AVL برای نگهداری قوانین دسته بند و از حدهای بالا و پایین مجموعه قوانین به عنوان گره های درخت جستجو استفاده شده است. ارزیابی ها نشان می دهد که با افزایش چولگی بسته های آزمون، تعداد دفعات دسترسی به حافظه الگوریتم دسته بندی ترافیک آگاه نسبت به الگوریتم دسته بندی پایه کاهش قابل توجهی دارد. بر اساس ارزیابی ها، دسته بندی بسته ترافیک آگاه با استفاده از قوانین پرتکرار می تواند میانگین کل تعداد دفعات دسترسی به حافظه و در نتیجه زمان جستجو را بیش از 40 درصد کاهش دهد.

در این مقاله، یک الگوریتم طبقه بندی نیمه نظارتی جمعی با استفاده از معیار انتخاب مبتنی بر آستانه امتیاز اطمینان تحت عنوان SSE-CBS در محیط های غیر ایستا ارائه می شود. رویکرد پیشنهادی از داده های دارای برچسب و فاقد برچسب با هدف مقابله با انواع تغییر مفهوم در جریان داده ها استفاده می کند. SSE-CBS مکانیزم مشهور وزن دهی بر اساس دقت الگوریتم های جمعی مبتنی بر بلوک را با ماهیت افزایشی الگوریتم درخت هافدینگ تلفیق می کند. الگوریتم پیشنهادی به طور تجربی با 8 رویکرد منطبق بر جدیدترین دستاوردها، از جمله مدل های طبقه بندی نظارتی، نیمه نظارتی، منفرد و الگوریتم های جمعی مبتنی بر بلوک روی مجموعه داده های متنوع مقایسه شده است. بر اساس نتایج تجربی، SSE-CBS بهترین میانگین دقت طبقه بندی را نسبت به سایر رویکردهای نیمه نظارتی داراست و قادر است در محیط های دارای تغییر مفهوم با محدودیت داده برچسب دار عملکرد مناسبی داشته باشد.

بهبود عملکرد مبدل آنالوگ به دیجیتال از جنبه های متفاوتی نظیر بهبود معماری کلی مبدل، بهبود معماری بلوک های سازنده و یا بهبود طراحی بلوک ها بررسی می شود. بلوک مقایسه گر به عنوان یک جزء اساسی در مبدل های داده نقش بسیار مؤثری در عملکرد یک مبدل آنالوگ به دیجیتال دارد و از این رو توجه محققان را به خود جلب کرده است. چالش اصلی در این راستا، وجود اهداف طراحی متناقض و محدودیت ها و الزامات مداری پیچیده ای است که طراحی بهینه این بلوک را بیش از پیش سخت و دشوار می کند. به همین سبب رویکرد جدید طراحان استفاده از روش های ابتکاری است که به صورت گسترده در پژوهش های جدید به چشم می خورد. در میان روش های نوظهور ابتکاری، الگوریتم بهینه سازی سیستم صفحات شیب دار (IPO) روشی نسبتاً جدید و الهام گرفته از حرکت دینامیکی اجسام بر روی صفحات شیب دار بدون اصطکاک می باشد. اما علی رغم توانایی این روش در مرور و کاوش فضای جستجو، مدل استاندارد آن دارای روابطی پیچیده و توأم با پارامترهای ساختاری متعددی است که غالباً کاربر را در انتخاب مقادیر مناسب برای آنها دچار تردید و سردرگمی می کند. در این مقاله ابتدا با ساده سازی مؤثر IPO یک روش ابتکاری با نام SIPO پیشنهاد شده و کارایی آن در بهینه سازی 10 تابع آزمون استاندارد مورد سنجش قرار گرفته است. در ادامه به منظور طراحی و بهینه سازی، مقایسه گرهای دودنباله نسخه چندهدفه SIPO (با نام MOSIPO) ارائه و عملکرد آن در طراحی این نوع از مقایسه گرها بررسی و با روش های هوشمند چندهدفه متداول و قدرتمند دیگر مقایسه شده است. نتایج حاصل شده به وضوح برتری SIPO و MOSIPO را نسبت به سایر روش ها نشان می دهد.

در این مقاله روش مکاشفه ای زمان بندی و نگاشت وظایف ایستا به منظور بهینه سازی زمان اجرا، قابلیت اطمینان، توان مصرفی و دما به عنوان اساسی ترین چالش های طراحی سیستم های چندپردازنده ای ارائه شده است. روش ارائه شده بر پایه زمان بندی لیستی بوده و تکرار وظایف، مقیاس پویای ولتاژ و فرکانس و افزودن زمان های خالی با هدف بهبود قابلیت اطمینان، توان مصرفی و دمای سیستم و گسترده کردن فضای جواب با هدف جستجوی مؤثرتر در آن در نظر گرفته شده است. به دلیل رابطه متخاصم و ناهمسوی مابین پارامترهای ذکرشده، فرایند بهینه سازی چندهدفی بسیار پیچیده بوده و در روش پیشنهادی از راهکار استخراج پوسته Pareto استفاده شده است. همچنین در این روش، مدل سازی جامعی از تمامی اهداف صورت گرفته و وابستگی های آنها لحاظ شده است. آزمایش های متعدی به منظور بررسی کارایی و قابلیت های روش پیشنهادی در بهینه سازی هم زمان اهداف مسئله و تولید جواب های درست انجام گرفته است. بررسی ها و مقایسه روش پیشنهادی با یک روش مکاشفه ای مؤثر پیشین بهبود میانگین 19% در پارامترهای طراحی مورد هدف مسئله را نشان می دهد.

نیاز روزافزون به نظارت، کنترل و مدیریت هوشمند باعث پیشرفت تحقیقات در حوزه سامانه های نظارت تصویری برای مثال در سیستم های حمل و نقل هوشمند شده است. با توجه به مقدار زیاد داده های این سامانه ها، استخراج الگوها و برچسب گذاری خودکار آنها از چالش های پیش رو است. در این مقاله به منظور آشکار سازی و استخراج الگوهای ترافیکی در تقاطع ها از مدل موضوعی استفاده گردید به طوری که الگوهای بصری به کلمات بصری تبدیل می شوند. ابتدا ویدئوی ورودی به کلیپ ها تقسیم می شوند. سپس ویژگی های شار نوری کلیپ ها که مبتنی بر اطلاعات فراوان بردار حرکات محلی هستند، با استفاده از الگوریتم شار نوری محاسبه و به کلمات بصری تبدیل می شوند. بعد از آن، با یک مدل موضوعی غیر احتمالی به روش کدگذاری موضوعی تُنُک گروهی، الگوهای ترافیکی به سیستم طراحی شده آموزش داده می شود. این الگوها، نشان دهنده حرکت قابل مشاهده هستند که می تواند برای توصیف یک صحنه، با پاسخ به سؤال رفتاری مانند "یک وسیله نقلیه به کجا می رود؟ " مورد استفاده قرار بگیرند. نتایج پیاده سازی روش پیشنهادی بر روی بانک داده ویدئویی QMUL نشان داد که روش پیشنهادی می تواند الگوهای معنادار ترافیکی مانند گردش به چپ، گردش به راست و گذر از چهارراه را به درستی آشکار سازد و نمایش دهد.

مثلث بندی مجموعه نقاط S در صفحه، برابر با تعبیه مسطح یک گراف مسطح مستقیم الخط بیشین (با بیشترین یال) روی مجموعه نقاط است به طوری که مجموعه رئوس گراف دقیقاً همان مجموعه نقاط داده شده باشد. دو مسئله مهم در این زمینه مورد تحقیق است. الف) به چند طریق می توان مجموعه نقاط S را مثلث بندی کرد ب) کدام مثلث بندی بر اساس ویژگی خاصی بهینه است. مسئله اول یک مسئله باز است و به جز در شرایط خاص که دارای رابطه بسته می باشد تا به حال الگوریتمی با زمان چندجمله ای برای آن در حالت کلی ارائه نشده است. مسئله دوم نیز در حالتی که هدف پیداکردن مثلث بندی که مجموع طول یال های آن کمترین باشد یک مسئله NP-HARD است (MWT)، لذا تحقیقات در راستای ارائه الگوریتم های مکاشفه ای، فرامکاشفه ای یا تقریبی برای این دو حالت انجام شده است. در این مقاله روشی ارائه شده که در آن با تولید گراف تقاطع حاصل از تمامی پاره خط های حاصل از تمامی زوج نقاط S تولید می شود و سپس الگوریتم هایی برای تولید همه مجموعه های مستقل بیشین (MIS) گراف تقاطع و همچنین روشی برای شمارش تعداد این مجموعه ها ارائه می شود. این رویکرد تولید گراف تقاطع و تبدیل مسئله مثلث بندی به مسئله مجموعه مستقل بیشین نگاهی جدید به مسئله مثلث بندی در هر دو حالت الف و ب محسوب می شود و از آنجا که ارائه الگوریتم برای مسئله الف یا ب به خاطر ذات هندسی بودن آن دشوار است لذا با رویکرد مطرح شده در این مقاله، تمامی الگوریتم هایی که تا به حال برای مسئله MIS مطرح شده است را می توان برای حل مسئله مثلث بندی در هر دو حالت الف یا ب به کار برد. تکنیک تبدیل مسئله مثلث بندی به مسئله MIS رویکردی است که تا به حال روشی مبتنی بر آن برای حل مسایل شمارش تعداد طرق مثلث بندی یا مثلث بندی با کمترین وزن گزارش نشده است. علاوه بر این یک روش تخمینی مکاشفه ای برای تعیین متوسط تعداد حالات مثلث بندی ارائه خواهد شد که نتایج پیاده سازی نشان می دهد روی نمونه هایی از ورودی نزدیک به مقدار دقیق هستند.