شبکه های عصبی عمیق در سال های اخیر به طرز گسترده ای در سیستم های بازشناسی گفتار مورداستفاده قرارگرفته اند. بااین وجود، مقاوم سازی این مدل ها در حضور نویز محیط کمتر موردبررسی قرارگرفته است. در این مقاله دو راهکار برای مقاوم سازی مدل های شبکه حافظه کوتاه مدت ماندگار نسبت به نویز جمع پذیر محیطی موردبررسی قرارگرفته است. راهکار اول افزایش مقاومت مدل های شبکه حافظه کوتاه مدت ماندگار نسبت به حضور نویز است که با توجه به خصوصیت این شبکه ها در یادگیری رفتار بلندمدت نویز ارائه می شود. بدین منظور پیشنهاد می شود از گفتار نویزی برای آموزش مدل ها استفاده شود تا به صورت آگاه به نویز آموزش ببینند. نتایج روی مجموعه داده نویزی شده TIMIT نشان می دهد که اگر مدل ها به جای گفتار تمیز با گفتار نویزی آموزش ببینند، دقت بازشناسی تا 18 درصد بهبود خواهد یافت. راهکار دوم کاهش تاثیر نویز بر ویژگی های استخراج شده با استفاده از شبکه خود رمزگذار کاهنده نویز و استفاده از ویژگی های گلوگاه به منظور فشرده سازی بردار ویژگی و بازنمایی سطح بالاتر ویژگی های ورودی است. این راهکار باعث می شود مقاومت ویژگی ها نسبت به نویز بیشتر شده و درنتیجه دقت سیستم بازشناسی پیشنهادشده در راهکار اول، در حضور نویز 4 درصد افزایش یابد.

یکی از رو ش هایی که برای بررسی پدیده ها و رفتار سیستم ها به کار می رود، مدل سازی ریاضی می باشد. بسیاری از پدیده های فیزیکی در زمینه های مختلف علوم طبیعی و رشته های مهندسی با مجموعه ای از معادلات دیفرانسیل توصیف می شوند که به عنوان مدل ریاضی سیستم فیزیکی ارجاع داده می شوند. در بسیاری از کاربردهای دنیای واقعی، مدل های ریاضی بسیار پیچیده هستند و شبیه سازی عددی در سیستم هایی با ابعاد بالا چالش برانگیز است. مسائل فیزیکی بزرگ مقیاس با تغییرات مکانی-زمانی زیاد مثل جریان های ژئوفیزیکی و اتمسفری نمونه ای از این مسائل می باشند. بنابراین توسعه الگوریتم های مؤثر و قوی که هدفشان دستیابی به حداکثر کیفیت قابل دستیابی از شبیه سازی های عددی با هزینه محاسباتی بهینه است، یک موضوع تحقیقاتی می باشد. از این رو ضرورت استفاده از روش هایی برای کاهش ابعاد حس می شود. روش های مختلفی برای کاهش بعد وجود دارد که در این پژوهش از ترکیب روش تجزیه متعامد بهینه و شبکه حافظه کوتاه مدت ماندگار استفاده شده است. در این پژوهش از شبکه حافظه کوتاه مدت ماندگار به منظور یادگیری تحول زمانی و از روش تجزیه متعامد بهینه برای محاسبه مودها و ایجاد مدل رتبه کاسته استفاده شده است. درنهایت با مقایسه نمودارهای مربوط به ضرایب اصلی و ضرایب پیش بینی شده با استفاده از مدل رتبه کاسته، دقت بالای این روش نشان داده شده است. یکی از مواردی که در بررسی الگوریتم ها موردتوجه می باشد، پیچیدگی زمانی اجرای الگوریتم می باشد. مرتبه زمانی روش پیشنهادی در شرایطی که از 15 مود جهت مدل سازی استفاده شده نسبت به زمانی که تمام ویژگی ها به کار برده شود، 10 مرتبه سریع تر می باشد. از طرفی تولید 90 درصد داده ها به روش دینامیک سیالات محاسباتی زمانی در حدود 325 دقیقه نیاز دارد. این در حالی است که آموزش شبکه برای پیش بینی رفتار سیستم به کمک روش پیشنهادی به 135دقیقه زمان نیاز دارد که اختلاف زمان محاسباتی قابل توجهی می باشد.

مقدمه: در دهه های گذشته شواهد به دست آمده در مورد مجموعه اختلالات اسکیزوفرنی، نشان می دهند که اسکیزوفرنی با نقایص قابل توجهی در عملکردهای ادراکی و شناختی (به خصوص نقص هایی در دقت و حافظه عملکردی) همراه است. پژوهش حاضر با هدف بررسی عملکرد حافظه کوتاه مدت و ابعاد مختلف آن در بیماران اسکیزوفرن و مقایسه با افراد عادی انجام گرفت.روش: افراد مورد مطالعه 30 بیمار مرد با تشخیص اسکیزوفرنی بستری در بخش روانپزشکی شهرستان شاهرود بودند که به شیوه در دسترس انتخاب شدند. عملکرد حافظه کوتاه مدت آنها با استفاده از مقیاس تجدیدنظر شده حافظه وکسلر (III-WMS) مورد ارزیابی قرار گرفت و با 30 مرد عادی که به شیوه تصادفی انتخاب شده بودند، مقایسه شد.یافته ها: تحلیل واریانس چند متغیره با کنترل سن و تحصیلات نشان داد که بین عملکرد حافظه کوتاه مدت بیماران اسکیزوفرن و افراد عادی در 4 خرده مقیاس حافظه وکسلر از جمله جهت یابی، کنترل ذهنی، تکرار ارقام و حافظه بینایی تفاوت های معنی داری وجود دارد.نتیجه گیری: بیماران اسکیزوفرن در حافظه و مفهوم سازی ضعیف تر از افراد عادی عمل می کنند که این الگو با فرضیه آسیب در قشر پیشانی - گیجگاهی هماهنگی دارد. توان بخشی شناختی یکی از ضروریات مداخلات درمان های روان شناختی در بیماران اسکیزوفرن 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.

یک شبکه بات، شبکه ای از رایانه های آلوده و دستگاه های هوشمند بر روی اینترنت است که توسط مدیر بات بد افزار از راه دور کنترل می شود تا فعالیت های بدخواهانه مختلفی نظیر اجرای حملات منع خدمات، ارسال هرزنامه، سرقت کلیک و غیره را انجام دهند. زمانی که مدیربات با بات های خود ارتباط برقرار می کند، ترافیکی تولید می کند که تجزیه و تحلیل این ترافیک برای شناسایی ترافیک شبکه بات می تواند یکی از عوامل تاثیر گذار برای سامانه های تشخیص نفوذ باشد. در این مقاله، روش یادگیری عمیق با حافظه کوتاه مدت ماندگار (LSTM) جهت طبقه بندی فعالیت های شبکه بات نظیر به نظیر پیشنهاد می شود. رویکرد پیشنهادی بر اساس ویژگی های بسته های پروتکل کنترل انتقال بوده و کارایی روش با استفاده از دو مجموعه داده ISCX و ISOT ارزیابی می شود. نتایج آزمایش های انجام یافته، توانایی بالای رویکرد پیشنهادی برای شناسایی فعالیت های شبکه بات نظیر به نظیر را بر اساس معیارهای ارزیابی نشان می دهد. روش پیشنهادی نرخ دقت 65/99 درصد، نرخ صحت 32/96 درصد و نرخ بازخوانی 63/99 درصد را با نرخ مثبت کاذب برابر 67/0 ارایه می کند.

استفاده از تلفن های همراه با سیستم عامل اندروید روز به روز در حال گسترش است. سیستم عامل اندروید به خودی خود ابزار قدرتمندی برای تشخیص بدافزار ندارد. از این رو، مهاجمان به راحتی از طریق گوشی تلفن همراه افراد وارد حریم خصوصی آنها شده و آنها را در معرض خطر جدی قرار می دهند. تاکنون تحقیقات زیادی بر روی تشخیص بدافزار صورت گرفته است. یکی از مشکلات عمده این راهکارها، دقت پایین در تشخیص چند کلاسه روی مجموعه داده ها و یا عدم حصول نتیجه مطلوب در هر دو نوع تشخیص دودویی و چند کلاسه است. در این مقاله با استفاده از شبکه عصبی کانولوشن (CNN) و تغییر در تعداد لایه های مختلف، سعی کرده ایم تا حداکثر تعداد ویژگی های مهم را از مجموعه داده استخراج نماییم. در فاز طبقه بندی داده ها نیز از الگوریتم یادگیری شبکه حافظه طولانی کوتاه مدت (LSTM) استفاده می کنیم تا با آزمایش آن بر روی ویژگی های انتخاب شده، داده ها با حداکثر دقت ممکن طبقه بندی شوند. نتایج آزمایش بر روی مجموعه داده جدید MalMemAnalysis-2022 نشان می دهد که استفاده از این دو الگوریتم و تغییر در تعداد لایه ها می تواند در بهترین حالت به ترتیب منجر به دقت های 99.99% و 71.99% در دسته-بندی دودویی و چند کلاسه در تشخیص بدافزار شود که نسبت به روش های موجود برتری دارد.

عملکرد ناخواسته رله دیستانس طی شرایط نوسان توان، می تواند به گسترش اغتشاش و وخیم تر شدن وضعیت شبکه قدرت منجر شود. بنابراین، تشخیص سریع و دقیق نوسان توان و قفل نمودن رله دیستانس پس از وقوع نوسان توان برای حفظ امنیت و قابلیت اطمینان شبکه قدرت، امری ضروری است. از سویی دیگر، در صورت وقوع خطا طی نوسان توان، به منظور حفظ شاخص قابلیت اتکای سیستم حفاظتی، لازم است تا خطا شناسایی شود. این مقاله الگوریتمی هوشمند و زمان تطبیقی برای تشخیص خطاهای متقارن و نامتقارن در خطوط انتقال جبران شده سری طی نوسان توان مبتنی بر شبکه عصبی بازگشتی حافظه کوتاه مدت ماندگار (Long Short Term Memory (LSTM)) ارایه می دهد. این روش از جریان های سه فاز در محل رله دیستانس به عنوان ورودی استفاده می کند. به منظور بررسی الگوریتم پیشنهادی، شبکه استاندارد برای تست سیستم حفاظت خطوط انتقال که توسط کمیته حفاظت سیستم قدرت IEEE ارایه شده است، در نظر گرفته شد. انواع خطا در شرایط مختلف از جمله مکان خطا، مقاومت خطا، زاویه بار و زمان وقوع خطا در نرم افزار PSCAD شبیه سازی شدند. نتایج نشان می دهند که روش پیشنهادی دارای میانگین پاسخ زمانی (Average Response Time (ART)) و میانگین دقت (Average Accuracy (AA)) به ترتیب 1004/0 میلی ثانیه و 04/99 درصد می باشد.

عدم همخوانی واژگان مهمترین چالش پیش روی سیستم های بازیابی اطلاعات از وب هستند. عدم همخوانی واژگانی به تفاوت های موجود بین پرس وجوهای کاربران و محتوای اسناد وب در حالی اطلاق می گردد که هر دو به یک موضوع واحد اشاره دارند. روش های گسترش پرس وجو برای رویارویی با مشکل عدم همخوانی واژگانی، پرس وجوی کاربر را بازآرایی می نمایند تا بدینوسیله همپوشانی بین عبارت های موجود در پرس وجو و اسناد را افزایش دهند. در این مقاله یک چهارچوب گسترش پرس وجوی مبتنی بر شبکه سیامی عمیق حافظه کوتاه-مدت طولانی ارایه شده است. به علاوه، برای نخستین بار وابستگی ارتباطی در این مقاله تعریف شده و برای برچسب گذاری جفت های متشکل از پرس وجوی کاربر و پرس وجوی جایگزین مورد استفاده قرار گرفته است. شبکه سیامی آموزش داده شده با استفاده از جفت های برچسب گذاری شده با نظارت ضعیف، علاوه بر ارایه برچسب برای جفت های ورودی، هزینه هم سنجی آن ها را نیز محاسبه نموده و اعلام می کند. پس از برچسب گذاری، جفت های با کم ترین هزینه هم سنجی انتخاب و در هم ادغام می شوند تا به یک پرس وجوی گسترش یافته تبدیل شوند. نتایج آزمایشات نشان دهنده برتری روش پیشنهادی بر سایر روش های مشابه گسترش پرس وجوی مبتنی بر جاسازی کلمات بوده است.

جداسازی اشیاء متحرک از پس زمینه یکی از مسایل مهم و کاربردی در حوزه بینایی ماشین است. در این زمینه راهکارهای بسیار زیادی ارائه شده است. دسته ای از این راهکارها مبتنی بر یادگیری عمیق و شبکه های عصبی عمیق هستند که عمدتا به صورت نظارت شده و برون خط هستند. در این مقاله یک روش برخط و بدون نظارت مبتنی برای جداسازی پس زمینه از پیش زمینه در داده های ویدیویی ارائه شده است که در آن پس زمینه به صورت یک ماتریس کم رتبهL توسط یک شبکه عصبی عمیق استخراج می شود و پیش زمینه به صورت یک ماتریس تنک با تفریق L از تصویر اصلی به دست می آید. در طراحی شبکه عصبی فوق، از یک شبکه حافظه کوتاه-مدت بلند (LSTM) مبتنی بر سازوکار توجه استفاده شده است. یادگیری این روش به صورت بدون نظارت انجام می شود و می تواند آموزش ببیند به قسمت هایی از داده ها و تصویر که پیش زمینه در آن وجود دارد، وزن بیشتری اختصاص داده و توجه و تمرکز بیشتری داشته باشد. جهت ارزیابی مدل پیشنهادی، پایگاه داده LASIEST که تعداد زیادی از چالش های حوزه تفریق پس زمینه را پوشش می دهد، انتخاب شده است. کارایی راهکار پیشنهادی به طور کمی با استفاده از معیارهای استاندارد یادآوری، دقت و اندازه ی F-measuresارزیابی و با تعدادی از روش های معتبر و مطرح مقایسه شده که به ترتیب به میزان 8%، 10%، و 5% بهبود داشته است. علاوه بر این از نظر کیفی و شهودی نیز با راهکارهای موجود مورد مقایسه قرار گرفته که موفق به اخذ نتایج مطلوب تر شده است.

زمینه و هدف: در سال های اخیر، مدیریت زنجیره تامین دارو، به ویژه پس از همه گیری بیماری کووید-19 اهمیت بیشتری پیدا کرده است. در این مدت یکی از چالش های مهم مساله کنترل هزینه زنجیره تامین است. اگر موجودی دارو در بیمارستان ها به درستی مدیریت نشود، مشکلاتی مانند کمبود موجودی برخی داروهای حیاتی، تامین موجودی مازاد، افزایش هزینه ها و درنهایت نارضایتی بیماران را به دنبال خواهد داشت. مواد و روش ها: در این پژوهش سعی شده است تا با استفاده از الگوریتم های یادگیری عمیق، نیازهای دارویی بیمارستان های کشور را پیش بینی و مدیریت کنیم. داده های مصرف دارویی ده سال بیمارستان عمومی بعثت همدان از پایگاه داده های سامانه مدیریت بیمارستان استخراج شده است. به عنوان یک مطالعه موردی، عملکرد مدل پیشنهادی برای پیش بینی میزان مصرف سفازولین ارزیابی شده است. این مدل شامل یک شبکه حافظه طولانی کوتاه مدت می باشد که می تواند پیشینه تغییرات داده ها را در کاربردهای پیش بینی سری های زمانی تشخیص دهد. مدل پیشنهادی با وجود تعداد زیادی پارامترهای تطبیق پذیر در شبکه های عصبی عمیق عملکرد خوبی را برای غلبه بر پیچیدگی های مسیله یادگیری به ارمغان می آورد. نتایج: استفاده از رویکرد یادگیری عمیق پیشنهادی با کاهش اثرات پیچیدگی و عدم قطعیت در داده های پزشکی، استحکام الگوریتم را افزایش داده است. میانگین خطای پیش بینی با به کارگیری روش پیشنهادی 043/0 و مقادیر اندازه گیری شده برای RMSE، MAE و R2 به ترتیب برابر با 335/0، 260/0 و 851/0 است. نتیجه گیری: مقایسات جامعی بین برخی از سایر روش های پیش بینی و مدل پیشنهادی انجام شده است، که عملکرد بهتر مدل پیشنهادی را نشان می دهد. علاوه براین، نتایج ارزیابی دقت و کارایی قابل قبول رویکرد پیشنهادی را به خوبی نشان می دهد.