اینترنت اشیاء و کاربردهای آن امروزه در همه ی ابعاد زندگی بشری قابل مشاهده است که اضافه شدن قابلیت تحرک به اشیاء، چالش های جدیدی به وجود آورده است. تحرک گره ها باعث پویایی در توپولوژی و ناپایداری در لینک های شبکه شده و کشف مسیر با سربار و تاخیر کمتر را با چالش های متعدد مواجه کرده است. بیشتر الگوریتم های مسیریابی مبتنی بر تکنیک مسیر بردار فاصله مبتنی بر درخواست می باشند که مبتنی بر درخواست گره مبدأ می باشد. در سال های اخیر بهبودهایی برروی این مکانیزم ارائه شده است که نسخه چند مسیره آن یکی از این بهبودها می باشد. با توجه به پویایی بالای شبکه و تغییرات لحظه ایی در اینترنت اشیاء متحرک، امکان پیش بینی همه شرایط و تنظیم بهینه پارامترها از قبل وجود ندارد. لذا در این مقاله یک رویکرد مسیریابی مبتنی بر الگوریتم مسیریابی بردار فاصله چند مسیره ارائه می شود که با یادگیری ماشین سعی دارد شرایط شبکه را ارزیابی کرده و بهترین گره واسط را برای مسیریابی انتخاب کند. در رویکرد پیشنهادی پنج الگویتم یادگیری ماشین مانند ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیم گیری برای یادگیری مورد بررسی قرار می گیرند که چندین پارامتر شبکه مانند سرعت حرکت گره ها، تعداد گره های همسایه، اندازه بافر، انرژی باقیمانده و میانگین فاصله هر گره با همسایگانش را برای انتخاب گره واسط مناسب مورد بررسی قرار می دهند. نتایج شبیه سازی های انجام شده با زبان پایتون نشان می دهد که درخت تصمیم و گرادیان تقویت شده بهترین نتایج را در مجموعه داده جمع آوری شده دارند و با ترکیب آنها با رویکرد پیشنهادی، میزان تاخیر آنها به انتها به طور متوسط تا 30 درصد و تعداد بسته های گمشده نیز تا 18 درصد کاهش داشته است.

انواع ناوبری متناسب (PN)، قوانین هدایت برای موشک های تاکتیکی هستند. هدف PN ایجاد شتاب جانبی موشک متناسب با نرخ زاویه ای خط دید (LOS) است، به طوری که بردار سرعت موشک به گونه ای چرخش یابد که از رهگیری یک هدف اطمینان حاصل کند. برای ایجاد شتاب های جانبی، سیستم هدایت به اندازه گیری نرخ زاویه ای LOS، سرعت کلوزینگ بین موشک و هدف، و یا سرعت موشک نیاز دارد. دستگاهی که اطلاعات هدایت را ارائه می دهد، سیکر موشک نامیده می شود. در مورد سیکرهای مبتنی بر تصویربرداری (نور مرئی (EO)، نور مادون قرمز (IIR))، نرخ LOS با استفاده از سنسور تصویربرداری تخمین زده می شود، در حالی که سرعت کلوزینگ یا موشک با استفاده از سنسورهای مناسب اندازه گیری می-شود. ساختار این مقاله بدین شرح می باشد: قانون هدایت PN، اتوپایلت شتاب چند حلقه ای خطی و سیکر موشک مبتنی بر تصویربرداری متحرک. سیکر مدل YOLO از الگوریتم یادگیری ماشین عمیق پیشرفته برای تشخیص، ردیابی هدف و همچنین تخمین نرخ LOS استفاده می کند. نتایج شبیه سازی عملکرد سیستم پیشنهادی را نشان می دهد.

توابع غیرهمسان فیزیکی (PUF) سخت افزاری را برای تولید الگویی منحصربه فرد از چالش-پاسخ با اهداف احراز هویت و رمزگذاری ارائه می دهند. یکی از ویژگی های مهم در این مدارها غیرقابل پیش بینی بودن است؛ به این معنی که یک مهاجم نمی تواند پاسخ های آینده را از مشاهدات قبلی پیش بینی کند. با این حال نشان داده شده که الگوریتم های یادگیری ماشین، تهدیدی قابل توجه برای PUF ها هستند؛ زیرا آنها قادر به مدل سازی دقیق رفتار PUF می باشند. در این مقاله، ما تهدیدات امنیتیPUF را تحلیل و یک روش احراز هویت مبتنی بر PUF به نام SQ-PUF را ارائه می کنیم که می تواند در برابر حملات یادگیری ماشین مقاومت خوبی از خود نشان دهد. توانایی شبیه سازی یا پیش بینی آن را با مبهم سازی همبستگی بین جفت های چالش-پاسخ ها دشوار کردیم. نتایج تجربی نشان می دهند که برخلاف PUFهای موجود، حتی با مجموعه ای از داده های بزرگ هم نمی توان به مدل SQ-PUF حمله موفقی داشت و بیشترین دقت پیش بینی %53 است که نشان دهنده غیرقابل پیش بینی بودن این مدل می باشد. علاوه بر این، یکنواختی و یکتایی در این مدل تقریباً با مقدار ایده آل در A-PUF یکسان باقی مانده است.

یکی از وظایف سازمان های آتش نشانی ارائه گزارش حریق و حوادث به مراجع قضائی، بیمه و سایر نهادهای درخواست کننده جهت تصمیم گیری و پرداخت خسارت است، لذا یافتن ماهیت حریق به نحوی که مؤلفه های غیرعملیاتی در تصمیم کارشناسان آتش نشانی کمترین تأثیر را داشته باشد، اهمیت این پژوهش را بیشتر خواهد نمود. باتوجه به اینکه حدود 1 درصد از گزارشات حریق این سازمان ماهیت نامعلوم دارند، این موضوع باعث سردرگمی در ارائه خدمات مناسب به ارباب رجوع را داشته و تصمیم گیری با مشکل مواجه شده است. هدف از این پژوهش پیش بینی ماهیت حریق مبتنی بر الگوریتم های یادگیری ماشین در شهر مشهد می باشد. در این پژوهش ابتدا مجموعه داده حریق 7 ساله (1395-1401) مورد بررسی و واکاوی قرار گرفت و پس از آن با توجه به مسئله و ادبیات موضوع و با انجام پیش پردازش و مهندسی ویژگی مجموعه داده ای با تعداد 46 ویژگی و 28930 نمونه تهیه شد. در مرحله بعد برای پیش بینی ماهیت حریق از سه الگوریتم یادگیری ماشین با ناظر استفاده شد و نتایج آن ها با هم مقایسه شد که الگوریتم رگرسیون لجستیک با 79.66 درصد دقت با زمان اجرای 1 ثانیه نتیجه بهتری را بین سه الگوریتم جهت پیش بینی ماهیت حریق ایجاد نموده است.

پیش بینی داده ها در قالب سری های زمانی آشوبی و پیچیده یکی از مهم تری مسائل اساسی در حوزه های مختلف علمی و صنعتی است. مدل های داده محور همانند شبکه‎ های عصبی مصنوعی و عصبی فازی در مقایسه با سایر مدل ها به دلیل ویژگی های خاص بیشتر مورد توجه قرار گرفته اند. به منظور توسعه و بهبود این مدل ها از مفاهیم سیستم لیمبیک مغز پستانداران استفاده می شود. بر این اساس ماشین یادگیری هیجانی معرفی می شود. در این مقاله، ماشین یادگیر مفروط ترتیبی آنلاین به عنوان مولفه اصلی در مراکز پردازشی ماشین یادگیری هیجانی مغز استفاده می شود. به منظور تعامل بین مراکز پردازشی، ماشین یادگیر مفروط ترتیبی آنلاین به صورت یک شبکه حافظه دار بازگشتی با قابلیت انتقال یادگیری طراحی می شود. مدل پیشنهای ماشین یادگیری هیجانی مغز مبتنی بر ماشین یادگیر مفروط ترتیبی آنلاین حافظه دار بازگشتی نامیده می شود. به منظور بررسی و مقایسه کارآیی مدل پیشنهادی، پارامترهای اولیه مدل ها بازای داده های سری های زمانی مکی گلاس و لورنز در شرایط یکسان تنظیم می شوند. مدل های مختلف بر اساس معیارهای قابل اندازه گیری معتبر در پیش بینی مسائل رگرسیون مورد ارزیابی و مقایسه قرار می گیرند. نتایج شبیه سازی نشان می دهد که مدل پیشنهادی با تابع فعال ساز سیگموید تک قطبی و دوقطبی به ترتیب برای داده های تست سری زمانی مکی گلاس و لورنز دارای بیشترین معیار کارایی نسبت به مدل های آنلاین مشابه است. همچنین برای داده های آموزش دارای کارایی قابل قبولی نسبت به مدل های مشابه است.

با وجود حجم عظیم محتوای چند رسانه ای در وب، ذخیره سازی و بازیابی آنها با بکارگیری روش های یادگیری موجود با محدودیت هایی از جمله کمبود حافظه مواجه شده است. تاثیر گذاری محدودیت های مد نظر در روش های یادگیری دارای مرحله آموزش مانند ماشین بردار پشتیبان (SVM) و شبکه های عصبی تا جایی است که امکان بکارگیری این روش ها در کاربرد های مقیاس بزرگ تقریبا غیر ممکن است. روش ماشین یادگیری سریع مبتنی بر هسته غیر خطی (KELM) یکی از روش های قدرتمند ارائه شده در حوزه یادگیری ماشین است. اساس مرحله یادگیری در این روش مبتنی بر ساخت ماتریس هسته نمونه های برچسب دار و محاسبه معکوس آن می باشد. از اینرو، بکارگیری این روش در محیط های مقیاس بزرگ با وجود تعداد زیاد نمونه های برچسب دار امکان پذیر نیست. در این پژوهش به منظور حل مشکل مطرح شده در بکارگیری KELM در کاربردهای مقیاس بزرگ، روشی مبتنی بر انتخاب نمونه های اولیه با بهره گیری از KELM در مقیاس کوچک همسایگی هر نمونه آموزش ارائه شده است. با بکارگیری روش انتخاب نمونه های اولیه ارائه شده، حجم مجموعه آموزش کاهش می یابد. بنابراین امکان استفاده از روش یادگیری KELM در کاربردهای مقیاس بزرگ فراهم می شود. از آنجایی که کاربردهای حوزه چند رسانه ای وب به صورت چندبرچسبه می باشند، روش ارائه شده در انتخاب نمونه های اولیه، مبتنی بر کاربردهای چندبرچسبه مانند شرح گذاری خودکار تصاویر است. نتایج آزمایش های تجربی بر روی دادگان چندبرچسبه مقیاس بزرگ NUS-WIDE و نسخه های آن مانندObject، Scene و Lite بیانگر کارایی روش ارائه شده در حل محدودیت های بکارگیری KELM در کاربردهای چندبرچسبه مقیاس بزرگ با انتخاب نمونه های اولیه دارد.

1همواره یکی از مهم ترین دغدغه های داده کاوان در اختیار داشتن داده هایی صحیح و عاری از خطاست. داده هایی که اشتباهات انسانی در آن وجود نداشته باشد و رکوردهای آن تماماً پُر و حاوی داده هایی صحیح باشند. در این مقاله یک مدل یادگیری جدید مبتنی بر شبکه عصبی ماشین یادگیر مفرط برای تشخیص داده پرت پیشنهاد می شود. عملکرد شبکه های عصبی وابسته به پارامترهای مختلفی از قبیل ساختار آن، وزن های اولیه، تعداد نورون های لایه پنهان و نرخ یادگیری است. محاسبات کوانتومی یک روش جدید پردازش اطلاعات بر مبنای مکانیک کوانتومی است که امروزه مفاهیم آن در کاربردهای هوش مصنوعی نیز مورد استفاده قرار می گیرد. در روش پیشنهادی، شبکه عصبی ماشین یادگیری مفرط با استفاده از مفهوم خوشه بندی فازی c-Means کوانتومی، بهبود می یابد.  این خوشه بندی به پیدا کردن وزن بهینه اتصالات لایه ورودی به لایه پنهان شبکه عصبی کمک می کند. همچنین باعث می شود، معماری شبکه در لایه پنهان به شکل سازنده ای شکل بگیرد و یادگیری بهبود یابد. عملکرد روش پیشنهادی از لحاظ صحت، نرخ صحیح مثبت و نرخ صحیح منفی نشان دهنده برتری روش پیشنهادی در تشخیص داده پرت نسبت به روش­های دیگر است.

امروزه با رشد چشمگیر هوش مصنوعی و تولیدات آن، فرصت ها و تهدیدات زیادی به وجود آمده است. یکی از معروف ترین و محبوب ترین تولیدات هوش مصنوعی تولید متن است که به آن متن ماشینی نیز گفته می شود. در این پژوهش روش جدیدی معرفی می شود که ویژگی های استخراج شده از متن را با ویژگی های ساختاری آن ترکیب کرده و به این ترتیب برای تشخیص متن نوشته شده توسط انسان و متن تولیدی هوش مصنوعی، یک متمایزگر خودکار ایجاد می کند. روش معرفی شده متشکل از دو بخش می باشد، بخش اول: مدل توسعه یافته ی (RoBERTa) BERT و مدل حافظه ای کوتاه مدت بلند مدت دو سویه (BiLSTM) است که با لایه ی ادغام بهبود یافته اند. بخش دوم: ویژگی های ساختاری متن با روشی مبتنی بر سبک نوشتار استخراج می شود. در نهایت خروجی بخش های مدل باهم ترکیب شده و به این ترتیب مدل متن نوشته شده توسط انسان را از متن تولید شده توسط ماشین تشخیص می دهد. نتایج حاصل از این پژوهش نشان می دهد که روش پیشنهادی با دقت 90 درصدی قابلیت تشخیص متون ماشینی را داشته و عملکرد مطلوبی را از خود به نمایش می گذارد.