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.

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.

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.

در این مقاله ایده استفاده از روش شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) جهت مدل سازی و پیش بینی مکانی-زمانی مقدار بخار آب قابل بارش (PWV) به عنوان یک روش جدید ارائه شده است. مدل LSTM  به دلیل ساختار خاص خود، قادر است اطلاعات مهم را در طول زمان حفظ و مشکلاتی مانند محو شدگی یا انفجار گرادیان را حل کند. این ویژگی ها باعث می شود که LSTM در پردازش داده های سری زمانی و مسائلی که نیاز به حفظ ترتیب زمانی دارند، بسیار کارآمد باشد. جهت ارزیابی مدل جدید، مشاهدات 5 ایستگاه GPS شبکه تهران در سال 2021 برای بازه زمانی روزهای 312 الی 347 و در سال 2022 برای بازه زمانی روزهای 33 الی 78 مورد استفاده قرار گرفته است. از بین این 5 ایستگاه GPS، ایستگاه هشتگرد که در فاصله بیشتری از سایر ایستگاه ها قرار دارد، به عنوان ایستگاه آزمون انتخاب شده است. در مرحله آزمون، نتایج حاصل از مدل LSTM با نتایج مدل شبکه عصبی رگرسیون عمومی (GRNN) و مدل های تجربی GPT3 و ساستاموینن مقایسه شده است. شاخص های آماری جذر خطای مربعی میانگین (RMSE) و ضریب همبستگی برای بررسی دقت و صحت مدل ها استفاده می شوند. مقدار RMSE مدل های LSTM، GRNN، GPT3 و ساستاموینن در سال 2021، به ترتیب 5/0 و 34/1 و 12/7 و 65/7 میلی متر است. در سال 2022 مقدار RMSE به ترتیب برابر با 9/0 و 19/1 و 32/3 و28/3 میلی متر به دست آمده است. نتایج به دست آمده از این مقاله نشان می دهد که مدل LSTM در مقایسه با مدل GRNN و مدل های تجربی، از دقت و صحت بالایی در برآورد مقدار بخار آب قابل بارش برخوردار است. در نتیجه مدل جدید ارائه شده در این مقاله می تواند به عنوان جایگزین سایر مدل ها در پیش بینی بخار آب قابل بارش باشد.

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.

پیش بینی تقاضای آبیاری، اطلاعات ارزشمندی را برای برنامه ریزی و تصمیم گیری کشاورزی فراهم می کند. کشاورزان با پیش بینی دقیق نیازهای آبیاری می توانند توزیع آب را بهینه کرده و از هدر رفتن آب جلوگیری کنند. این مطالعه یک مدل جدید برای پیش بینی تقاضای آبیاری معرفی می کند. مکانیزم خودتوجهی (Self-Attention mechanism : SA)، با شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) برای پیش بینی تقاضای آبیاری همراه است. SALSTM مکانیزم های خودتوجهی را در بر می گیرد، که مدل را قادر می سازد در حین انجام پیش بینی ها، بر مرتبط ترین بخش های دنباله ورودی تمرکز کند. مکانیسم SALSTM، اجازه می دهد تا وزن های مختلف را به مراحل یا ویژگی های زمانی مختلف اختصاص دهد و بر آموزنده ترین آنها، برای پیش بینی نیاز آبیاری، تأکید دارد. SALSTM می تواند روابط غیرخطی پیچیده ای را بین ویژگی های ورودی مختلف، مانند داده های هواشناسی، شرایط خاک، و ویژگی های محصول ثبت کند. با ترکیب قدرت LSTM و مکانیسم های توجه به خود، SALSTM می تواند الگوهای پیچیده و تعاملات بین این عوامل را بیاموزد و آن را قادر می سازد تا پیش بینی دقیق تری از نیازهای آبیاری انجام دهد. این توانایی به ویژه در گرفتن روابط ظریفی که در سیستم های کشاورزی وجود دارد مفید است. در این بررسی رطوبت نسبی، دما، سرعت باد، بارندگی و تبخیر و تعرق پتانسیل محصول، به عنوان ورودی مدل ها استفاده شد. مدل SALSTM با مدل های LSTM، شبکه عصبی بازگشتی (RNN)، شبکه عصبی تابع پایه شعاعی (RBFN) و رگرسیون خطی چندگانه (MLR) محک گذاری شد. در این مطالعه همچنین عملکرد مدل های SALSTM را در پیش بینی دقیق میزان تقاضای آبیاری با کمک چندین زبان برنامه نویسی از جمله Python، MATLAB و R ارزیابی و مقایسه گردید. نتایج نشان داد که مدل SALSTM، بهتر از سایر مدل ها عمل می کند. مدل SALSTM دارای کمترین میانگین خطای مطلق (MAE) با مقدار 1.212 بود، به دنبال آن 345/1 برای مدل LSTM، مقدار 555/1 برای مدل RNN مقدار 678/1 برای مدل RBFN و مقدار 879/1 برای مدل MLR بدست آمد.

در این مقاله، بیشینه ی دامنه ی سیگنال زمانی شتاب به عنوان مشخصه ی ارتعاشی مناسب که نمایش گر خوبی از روند زوال یاتاقان غلتشی است انتخاب شده و به منظور پیش بینی روند زوال و عمر مفید باقیمانده به کار رفته است. در گام نخست با به کار بردن یک انتقال لگاریتمی، این مشخصه ی ارتعاشی به یک سری زمانی پایدار تبدیل شده است. سپس با کمک شبکه ی عصبی بازگشتی حافظه ی طولانی کوتاه مدت، نحوه ی رشد این مشخصه ی ارتعاشی پیش بینی شده است. این پیش بینی روی داده های دو نمونه از یاتاقان های آزمایش پرونوستیا که در ادبیات فن شناخته شده بوده و مورد استفاده محققین بسیاری قرار گرفته، اعمال شده است. با توجه به نتایج پیش بینی مدل، مدت زمان باقیمانده تا رسیدن این مشخصه ی ارتعاشی به یک آستانه ی معین ارائه شده است. همچنین اگر آستانه ی تعیین شده به معنی پایان عمر مفید یاتاقان باشد، می توان از الگوریتم پیشنهاد شده به منظور تخمین عمر مفید باقیمانده نیز بهره جست. نحوه ی عملکرد الگوریتم در راستای این هدف نیز ارائه و ارزیابی شده است.نتایج حاکی از مطابقت خوب پیش بینی مدل با داده های تجربی است.

در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.

در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدل سازی و پیش بینی سری زمانی یونوسفر در دوره فعالیت های شدید خورشیدی به عنوان یک روش جدید ارائه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدل سازی شده و سپس تغییرات زمانی آن در دوره فعالیت های شدید خورشیدی و ژئومغناطیسی (سال 2017) پیش بینی می شود. برای بررسی کارائی روش مورد اشاره، از مشاهدات ایستگاه GPS تهران (N35/69، E51/33) که یکی از ایستگاه های شبکه جهانی IGS می باشد، استفاده شده است. مشاهدات سال های 2007 الی 2016 برای آموزش مدل مورد نظر به کار گرفته شده و سپس با مدل آموزش دیده، سری زمانی TEC در سال 2017 پیش بینی می شوند. نتایج حاصل از مدل جدید با نتایج حاصل از مدل شبکه عصبی رگرسیون عمومی (GRNN)، مدل تجربی NeQuick و خروجی شبکه جهانی IGS (GIM-TEC) مقایسه شده است. همچنین از شاخص های آماری ضریب همبستگی، خطای نسبی و جذر خطای مربعی میانگین (RMSE) به منظور بررسی دقت و صحت مدل ها استفاده می شود. مقدار RMSE به دست آمده برای مدل های LSTM، GRNN، GIM و NeQuick در مرحله تست سال 2017 به ترتیب برابر با 2/87، 4/51، 4/14 و 6/38 TECU می باشد. آنالیز مؤلفه های مختصاتی ایستگاه تهران با روش تعیین موقعیت نقطه ای دقیق (PPP) نشان می دهد که با استفاده از مدل جدید، بهبودی در حدود 5/19 الی 56/23 میلیمتر در مختصات ایستگاه نسبت به سایر مدل ها دیده می شود. نتایج حاصل از این تحقیق نشان می دهد که دقت و صحت مدل LSTM برای پیش بینی مقدار TEC در دوره فعالیت های شدید خورشیدی و ژئومغناطیسی، در مقایسه با مدل های GRNN، NeQuick و GIM بیشتر است.

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.