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.

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.

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.

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.

موضوع تحقیق: عملیات حفاری همواره دچار مشکلات فراوانی بوده است. این مشکلات می توانند خسارات مالی، جانی یا حتی محیط زیستی فراوانی ایجاد کنند. به همین دلیل به دنبال راه حلی باید بود که این مشکلات را کاهش دهد و قبل از واردشدن خسارات جانی و مالی، این اتفاقات را پیش بینی کند و اقدامات لازم را برای رفع و کاهش خسارات عملی سازد. در این پژوهش، تأثیر استفاده از الگوریتم های هوش مصنوعی برای پیش بینی رخداد های حفاری مورد بررسی قرار می گیرد. برای این منظور از داده های نمودارگیری از گل حفاری (Mud Logging) که به صورت برخط اندازه گیری شده و از چاه­های موجود در یکی  از میادین نفتی ایران جمع آوری شده اند، استفاده می شود. روش تحقیق: معماری ترکیبی شامل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) و شبکه عصبی تماماً متصل برای شناسایی و تشخیص ناهنجاری هایی مانند سیلان چاه (Kick) و گیرکردن لوله حفاری (Stuck Pipe) به کار گرفته شد. به دلیل کمبود نمونه های این ناهنجاری ها در مجموعه داده ها که می تواند به طور قابل توجهی دقت و عملکرد مدل را کاهش دهد، از روش نمونه برداری دسته اقلیت (SMOTE) برای تعادل توزیع دسته ها و بهبود عملکرد کلی شبکه استفاده شد. علاوه بر این، تأثیر تغییرات ابرمتغیرها بر کاهش خطای شبکه مورد بررسی قرار گرفت. نتایج تحقیق:  در شبکه هایی که با ساختارها و معماری های مختلف مورد بررسی قرار گرفتند، نتایج تجربی نشان داد که شبکه عصبی با دقت 45/94 درصد بر روی مجموعه داده های آزمایشی عمل کرد. این عملکرد با تنظیم ابرمتغیرها به صورت زیر حاصل شد: پنجره نگاه به عقب 7، نرخ یادگیری 001/0، نرخ حذف 2/0، اندازه دسته 32 و معماری شبکه چهار لایه با تعداد واحدهای {(512,256,256)} در لایه های پنهان اول، دوم و سوم. این پیکربندی در تشخیص ناهنجاری نسبت به سایر گزینه های آزمایش شده، دقت بالاتر و هشدارهای کاذب کمتری داشت. با توجه به نتایج به دست آمده این روش در تشخیص برخط ناهنجاری در فرایند حفاری مؤثر خواهد بود.

یادگیری عمیق به دلیل توانایی در تجزیه و تحلیل الگوهای پیچیده ترافیک شبکه با قابلیت پاسخ های خودکار بلادرنگ، ابزار مهمی برای تشخیص حمله ممانعت از سرویس توزیع شده است. ولی در اینجا مسئله اصلی نوظهور بودن آن است که باعث شده بررسی کامل فرصت ها و چالش ها در این زمینه با پیاده سازی های واقعی یا نمونه داده های محک انجام نشده باشد. در این مقاله دو روش تشخیص حمله ممانعت از سرویس به وسیله یادگیری عمیق LSTM و CNN و همچنین روش پیشنهادی جدیدی با ترکیب آن ها معرفی می شود. نتایج نشان می دهد که هر دو روش LSTM و LSTM-CNN به طور مداوم از نظر درستی، دقت، بازیابی و امتیازات F1 بهتر از CNN عمل می کنند. بررسی های ما نشان داد که CNN می تواند به طور خودکار ویژگی هایی مانند اندازه بسته، زمان، و آدرس های منبع/مقصد را از ترافیک خام شبکه یاد بگیرد؛ از سوی دیگر، LSTM به ویژه برای تشخیص الگوهای توالی زمانی حملات در ترافیک شبکه مفید است. از طرف دیگر انتخاب بین استفاده از CNN یا LSTM برای تشخیص DDoS به ویژگی های خاص مجموعه داده حمله، و اهمیت نسبی ویژگی های مکانی و زمانی در شناسایی حملات DDoS بستگی دارد. در نهایت، چالش هایی مثل بیش برازش، پیچیدگی‎ رایانشی، تفسیرپذیری، محدودیت‎ های داده و حملات‎ خصمانه بررسی می شود و دلیل تردید ها در گزارش نتایج مقالات می تواند به مشکلات مجموعه داده محک مورد استفاده مانند عدم کیفیت نمونه ها بر اساس اندازه‎ و تنوع محدود، عدم‎ برچسب گذاری، داده‎ های نامتعادل، نسبت داده شود.

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.

از آنجایی که هدفِ نظارت بر پروژه، تصمیم گیری دقیق بوده که می تواند تأثیرات به سزایی بر موفقیت پروژه داشته باشد، پیش بینی ویژگی های پروژه از اهمیت بیشتری برخوردار می گردد. متخصصان بر این باورند که قریب به اتفاق پروژه های عمرانی از تاخیرات رنج می برند. لذا یکی از مهمترین ویژگی پروژه های عمرانی، مسائل مربوط به زمان است. این پژوهش مدلی را پیشنهاد می کند تا بتوان مشکلات زمان بندی پروژه ها را تا حدودی مرتفع نمود. برای این منظور، این پژوهش کاربردهای جدید مدل های پیش بینی حافظه ی کوتاه مدت بلند مدت (LSTM) را که یک معماری از شبکه عصبی بازگشتی است، ارائه می کند. از سوی دیگر به منظور مقایسه و اعتبار سنجی روش LSTM مدل یادگیری دروازه ای(GRU) مورد بررسی قرار می گیرد. متعاقب آن، نتایج پیش بینی مدل های ارائه شده، با داده های یک پروژه ی واقعی مقایسه و راست آزمایی می شود. در این مطالعه برای پیش بینی از داده های پروژه ی توسعه جنوبی خط شش مترو تهران که در سال 97 به پایان رسیده است، استفاده شده و جهت سنجش دقت از معیار ریشه میانگین مربعات استفاده شده است. مدت زمان در نظر گرفته شده برای مدل سازی 17 ماه بوده به طوری که اطلاعات  چهارده ماه ابتدایی به عنوان داده ی آموزش (معادل 83 درصد کل داده ها)  و سه ماه آتی پروژه (معادل 17 درصد کل داده ها) به عنوان داده ی آزمون استفاده شده است. متغیر پیش بینی کننده در این پژوهش درصد پیشرفت فیزیکی پروژه می باشد. نتایج نشان می دهد که حافظه ی کوتاه مدت بلند مدت و کاربردهای پیشنهادی مدل ، می تواند با دقت خوبی پیشرفت پروژه را پیش بینی کند.

مقدمه گسترش سریع بیماری کووید-19 به یک تهدید جدی برای جهان تبدیل شده است. تاکنون میلیون ها نفر در سراسر جهان به این بیماری مبتلا شده اند. همه گیری کووید-19 بر جنبه های مختلف زندگی بشر اثرات قابل توجهی داشته است. به منظور ایمنی و ایجاد تمهیدات لازم، پیش بینی نرخ شیوع ویروس در این زمان ضروری است. این امر می تواند به کنترل نرخ همه گیری و مرگ و میر آن کمک نماید. مطالعات پیشین، عمدتا از ابزارهای آماری و الگوریتم های مبتنی بر یادگیری ماشین استفاده کرده اند. هرچند، اولی برای تجزیه و تحلیل غیرقابل پیش بینی بیماری همه گیر ناکافی بودند و دومی عمدتا مشکلات عدم برازش یا بیش برازش را تجربه کردند. برای فایق آمدن بر این مشکلات، مطالعه حاضر روشی مبتنی بر یادگیری عمیق بر دادگان طولانی مدت را پیشنهاد کرده است. روش در مطالعه تحلیلی-مقطعی حاضر یک رویکرد برای پیش بینی موارد ابتلا و فوت شده ناشی از کووید-19 مبتنی بر شبکه های حافظه طولانی کوتاه مدت (Long Short-Term Memory) LSTM ارایه شد. مدل LSTM روی داده های سری زمانی کشور ایران از تاریخ 1398/11/2 تا 1400/9/23 اجرا شد و معیارهای ارزیابی RMSE و MAE محاسبه شدند. نتایج بهترین نتایج این مطالعه برای پیش بینی دادگان فوت شده با 27/57 = RMSE و 19/01 = MAE بوده است. نتایج نشان داد که شبکه عصبی LSTM کارایی خوبی در پیش بینی موارد ابتلا و فوتی ایران داشته است. نتیجه گیری مدل پیشنهادی نشان داد که در مدل سازی و پیش بینی وضعیت شیوع ویروس مناسب بوده است. تخمین افراد مبتلا و فوت شده ناشی از کووید-19 می تواند به کنترل وضعیت پاندمی کمک کند.