کنفرانس بین المللی پژوهش های کاربردی در کامپیوتر، برق و فناوری اطلاعات
سال:1399 | دوره:5 |تعداد مقالات:11

یادگیری مبتنی بر جمع سپاری یکی از انواع مهم یادگیری است که سعی در کاهش هزینه های برچسب زنی دارد. در بحث یادگیری مبتنی بر جمع سپاری، این امکان را فراهم می کنند که از خرد جمعی برای حل مسائل استفاده کنند. اکثر روش های مبتنی بر جمع سپاری به دلیل استفاده از الگوریتم EM در محاسبه پارامترها، دارای مشکل گیرافتادن در بهینه های محلی ناشی از نقطه شروع نامناسب هستند. در این مقاله روشی مبتنی بر الگوریتم های تکاملی به منظور رفع مشکلات الگوریتم EM در محاسبه پارامترهای مدل جمع سپاری ارائه شده است. در این روش، مقادیر اولیه پارامترهای مدل طبقه بندی مبتنی بر جمع سپاری، از جمله دقت نظردهندگان و ضرایب خط جداساز از طریق الگوریتم ازدحام ذرات محاسبه می شوند. سپس مقادیر بدست آمده به عنوان نقطه شروع الگوریتم EM مورد استفاده قرار گرفته و بهینه سازی می شوند. آزمایشات بر روی مجموعه داده های واقعی با نظردهندگان شبیه سازی شده، و مجموعه داده های واقعی با نظردهندگان واقعی، انجام شده است. نتیجه این آزمایشات برای روش ارائه شده در مقایسه با سایر روش ها، نشان دهنده ی برتری روش پیشنهادی از نظر صحت طبقه بندی بر روی داده های آزمون است.

ارتباطات با تأخیر کم و قابلیت اطمینان فوق العاده بالا یکی از سه سناریوی مرتبط با نسل پنج رادیو جدید است که جنبه های طراحی لایه های فیزیکی برای آن مشخص شده است. با نسل پنج رادیو جدید می توانیم قابلیت اطمینان و تأخیر در شبکه های دسترسی رادیویی را تضمین نماییم. ارتباطات با تأخیر کم و قابلیت اطمینان فوق العاده بالا در برنامه ها و ارتباطات بحرانی و مأموریت محور بسیار حائز اهمیت است. از سوی دیگر ارائه ارتباطات با تأخیر کم و قابلیت اطمینان فوق العاده بسیار چالش برانگیز است این چالش نیز از آن جهت است که باید همزمان دو مورد چالشی تأخیر کم و قابلیت اطمینان فوق العاده بالا را تأمین کند. هنگامی که سعی داریم تا قابلیت اطمینان را افزایش دهیم، از منابع بیشتری برای سیگنال دهی، انتقال مجدد و غیره استفاده می کنیم و این امر سبب افزایش تأخیر می شود. در حال حاضر بحث هایی برای استاندارد سازی نسل 5 رادیو جدید در حال انجام است و هدف از آن ها این است که نسخه اول آن در سال 2020 میلادی به مرحله تجاری برسد. در این مقاله اشاره ای به الزامات سرویس ارتباط با تأخیر کم و قابلیت اطمینان فوق العاده شده است و در مورد برخی مسائل پیرامون لایه فیزیکی و لایه پیوند داده و توپولوژی شبکه برای ارائه این سرویس بحث شده است.

محتوای ایجاد شده توسط کاربران در وب، سازمان ها را مجبور به تمرکز بیشتر بر روی تجزیه و تحلیل این محتوا برای تجسم بهتر افکار عمومی می کند. تحلیل احساسات در واقع همان تحلیل متون مستقل و ارائه سیستم طبقه بندی برای نظرات در دسترس بر روی وب است. بنابراین هدف از استخراج افکار، تشخیص احساسات مختلف و طبقه بندی آنها به صورت مثبت یا منفی است که به سرعت توسط کاربران قابل درک باشد. ما هم در این تحقیق به مبحث استخراج و تحلیل احساسات در دو نسخه ی برخط و برون خط پرداخته و به تشریح آن می پردازیم. فیلد اصلی که در این تحقیق مورد بررسی قرار می گیرد، معرفی رویکردی برای به روزرسانی مدل ایجاد شده در عقیده کاوی می باشد، در این تحقیق با بکارگیری روش یادگیری برخط، عمل طبقه بندی داده های ورودی یا همان نظرات ورودی را به طور تدریجی و افزایشی انجام داده و بدون از نو ایجاد کردن مدل، عملیات را به روز رسانی کند. در روش یادگیری برخط اگرچه ممکن است با افزایش داده های آموزش میزان دقت یا میزان تشخیص درست سیستم برای طبقه بندی داده ها کاهش یابد (چون سیستم در هر زمان تنها با بخشی از داده ها آموزش دیده است)، اما مزیت این روش در مقایسه با روش یادگیری برون خط این است که عمل طبقه بندی داده ها را با سرعت بیشتر و مصرف حافظه کمتر انجام خواهد داد.

هر ساله تصادفات رانندگی زیادی به دلیل خواب آلودگی و عدم تمرکز حواس راننده در سراسر دنیا رخ می دهد که خسارت های جانی و مالی فراوانی به همراه دارند. یکی از روش های تشخیص خستگی و عدم تمرکز حواس، استفاده از سیستم های نظارت چهره راننده است. سیستم های نظارت چهره راننده با دریافت تصاویر از دوربین و پردازش آنها، نشانه های خواب آلودگی و عدم تمرکز حواس را از چشم، سر و چهره استخراج می کنند. در این مقاله یک سیستم نظارت چهره راننده طراحی شده است که با استخراج نشانه های خستگی و عدم تمرکز حواس از ناحیه چشم و چهره، کاهش هوشیاری راننده را تخمین می زند. در این سیستم چهار ویژگی شامل درصد بسته بودن چشم (PERCLOS)، نرخ پلک زدن، کاهش فاصله بین پلک ها و میزان چرخش سر استخراج می شود. سه ویژگی اول مربوط به نشانه های بروز خستگی و عدم تمرکز حواس در ناحیه چشم و ویژگی آخر مربوط به نشانه های کاهش هوشیاری در ناحیه چهره و سر می باشد. ویژگی های ناحیه چشم بر اساس تغییرات پروجکشن افقی ناحیه چشم و ویژگی های ناحیه چهره بر اساس بررسی قالب چهره استخراج می گردد. سپس این ویژگی ها توسط یک سیستم خبره فازی مورد پردازش قرار می گیرد تا میزان خستگی و عدم تمرکز حواس راننده تخمین زده شود. تصویربرداری سیستم پیشنهادی در طیف مرئی و با دوربین سطح خاکستری انجام شده است. نتایج آزمایش ها بر روی فیلم های تهیه شده در محیط واقعی و آزمایشگاهی نشان می دهد که روش پیشنهادی دقت بسیار خوبی در استخراج ویژگی و تشخیص کاهش هوشیاری راننده دارد. از لحاظ سرعت اجرای الگوریتم، سرعت سیستم پیشنهادی حدود 5 فریم در ثانیه می باشد که می توان آن را سیستم بلادرنگ محسوب کرد.

در چند ماه اخیرجهان با ویروس کشنده و همه گیری به نام COVID-19 از خانواده کرونا درگیر و درحال مبارزه است. مدارس و دانشگاه ها در سراسر جهان از مسیر وروال عادی خارج شد و کلاس های آنلاین و مجازی جایگزین کلاس های حضوری گردید و بسیاری از آموزشگاه ها تعطیل شد. توجه به ناشناخته بودن این ویروس تلاش برای ماندن مردم در خانه یکی از موثرترین راه های پیشگیری است. در این شرایط بیشتر از هر زمانی، طراحی اپ های آموزشی و کمک درسی قوی و با GUI، UX و HCI قوی مورد توجه طراحان و برنامه نویسان است. طراحی تعامل این اپ ها برای ایجاد حس بهتر و تجربه خوشایندتر و همچنین ایجاد ارتباط موثرتر کاربر با اپ آموزشی و در نهایت افزایش کارایی اپ، از اهمیت ویژه ای برخوردار است. در پژوهش انجام شده عوامل و شاخص های مختلف مؤثر در طراحی تعامل اپ های آموزشی و تأثیر هریک در یادگیری موضوعات مختلف، برای گروه های سنی مختلف مورد بررسی و مطالعه قرار گرفته است.

اگر چه عملکرد مغز بیشتر با سلول های نورونی و سیناپس ها توضیح داده می شود، اما شواهد نشان می دهد که آستروسیت ها انتقالات سیناپسی در شبکه های نورونی را تنظیم می کنند، با توجه به این شواهد، در این مقاله یک مدار نورومورفیک آنالوگ جدید برای مطالعه سیگنالینگ نورون-آستروسیت ارائه کرده ایم. در سیستم پیشنهادی، برای نورون از مدار آنالوگ نورون ارائه شده توسط wijekoon و برای آستروسیت از مدار آنالوگ آستروسیت طراحی شده توسط رنجبر و همکارش استفاده کرده ایم، همچنین می توان گفت اگر چه سیستم های دیجیتال از نظر دقت و سرعت نسبت به سیستم های آنالوگ برتری دارند، اما، سیستم های آنالوگ از نظر توان مصرفی نسبت به سیستم های دیجیتال عملکرد بهتری دارند. شبیه سازی های انجام شده در تکنولوژی CMOS 0. 35µ m با ولتاژ تغذیه 3. 3v و با استفاده از نرم افزار HSPICE انجام شده است. مطابق با نتایج بدست آمده آستروسیت نقش مهمی در سیگنالینگ عصبی ایفا می کند.

تعیین موقعیت دقیق خطاها در یک سیستم توزیع برق در حفظ قابلیت اطمینان سیستم مهم است. نقص مشترکی که روشهای تعیین مکان خطای ارائه شده در گذشته دارند، نیاز این روشها به تعیین نوع خطا است. در این مقاله تلاش می شود روش جدیدی برای تشخیص خطا ارائه گردد که برای شبکه های توزیع با عدم تعادل و چند منبع قابل استفاده باشد و با استفاده از ولتاژ و جریان اندازه گیری شده توسط واحد های اندازه گیری فازور در نقاط مختلف محل خطا را تشخیص می دهد. این روش نیازی به شناخت نوع خطا ندارد و برای هر نوع خطا قابل استفاده است. این روش بر اساس ماتریس امپدانس شین است که امکان ایجاد معادلات حاکم بر رابطه اندازه گیری ها و موقعیت خطا را فراهم می کند. در این مطالعات از سیمیولینک متلب برای شبیه سازی استفاده شده است و نتایج کارایی روش پیشنهادی را نشان می دهد.

امروزه تحقیقات گسترده ای در حوزه داده کاوی آموزشی به منظور شناسایی عوامل موثر بر یادگیری انجام شده است؛ اما اکثر این تحقیقات، به موضوع پیش بینی مولفه هایی که بر روی عملکرد تحصیلی تاثیر گذار هستند مانند نمره و غیبت، پرداخته اند. شناسایی عوامل موثر بر انگیزش درونی دانش آموزان، نه تنها موجب افزایش یادگیری دانش آموزان در مدرسه می شود؛ بلکه سبب رضایتمندی آن ها از تحصیل می گردد. این مطالعه از دو بٌعد داده کاوی و آماری بر روی 127 نفر از دانش آموزان پسرِ مقطع چهارم، پنجم و ششم ابتدایی، مشغول به تحصیل در سال تحصیلی 1398-1397، دبستان میزان شهر تهران انجام شده است. برای جمع آوری اطلاعات از دو پرسشنامه برنامه درسی پنهان و انگیزش تحصیلی هارتر استفاده شده است. در این تحقیق به منظور مدلسازی از روش کریسپ و الگوریتم های داده کاوی شامل: درخت تصمیم، بیز ساده، بهینه ساز کمینه متوالی به تنهایی و همراه با دو الگوریتم بگینگ و بوستینگ استفاده شده است. نتایج نشان داد که در بین مولفه های برنامه درسی پنهان، متغیر روابط موجود در مدرسه، با دقت 3/91 درصد بیشترین تاثیر و متغیر فناوری ارتباطات و اطلاعات، با دقت 5/53 درصد کمترین تاثیر را بر روی انگیزش درونی دانش آموزان مدرسه میزان داشته است. شناسایی مولفه ی تاثیرگذار بر روی انگیزش درونی موجب می شود که دانش آموزان هم از لحاظ بٌعد آموزشی و هم در بٌعد تربیتی رشد قابل توجهی داشته باشند.

امروزه وسایل نقلیه خودران توجهات بسیاری را به خود جلب کرده اند. در این مطالعه از معماری های گوناگون شبکه های عصبی کانولوشنی برای هدایت خودرو در محیط شبیه سازی استفاده می کنیم. در جلوی خودرو شبیه ساز یک عدد دوربین رنگی قرار دارد و رویکرد ما استفاده از آن برای تشخیص جهت حرکت خودرو و جلوگیری از برخورد با موانع اطراف جاده و یا خروج از پیچ ها می باشد. به منظور کاهش میزان داده های آموزشی از انتقال یادگیری استفاده شده است. مدل ها را در مجموعه داده های جمع آوری شده از محیط شبیه سازی که شامل عکس های مسیر و همچنین برچسب متناظر با هرکدام ( "راست"، "مستقیم"، "چپ" ) مجدداً آموزش می دهیم. معماری Xception، MobileNet، VGG، Nvidia، DensNet و ResNet در این مقاله، تست و نتایج آنها با یکدیگر مقایسه شده است. بهترین مدل، که از معماری VGG16 استفاده می کند، دقت 73 درصدی در مجموعه داده های آزمون را به دست آورد است. در طی یک آزمون کیفی نیز، خودرو به میزان 80 درصد از خروج از جاده اجتناب کرده است.

در حال حاضر پیچیدگی و پویایی روزافزون محیط های تولیدی، کاربرد مدل های تحلیلی را در ارزیابی و تصمیم گیری آن ها با محدودیت های قابل توجهی روبه رو نموده است. لذا استفاده از شبیه سازی رایانه ای به عنوان ابزاری که قابلیت گسترده ای در فرموله نمودن سیستم های فوق دارد، به طور وسیع مورد استقبال قرار گرفته است. با این وجود، ارائه بهترین راه حل همواره یکی از چالش های اصلی این حوزه است. در این راستا، پژوهش پیش رو به چگونگی حل مشکل برنامه ریزی خط تولید کاشی کارخانه مورد مطالعه پرداخت. مسئله تعیین تعداد بافرهای تخصیصی به هر خط بود. با استفاده از ترکیب تکنیک شبیه سازی رایانه ای و الگوریتم بهینه سازی ژنتیک، تعداد بهنیه بافرهای تخصیصی مشخص شد و زمان توقف کوره به حداقل ممکن خود رسید. ابتدا، سیستم تولیدی با استفاده از تکنیک شبیه سازی مدل شد و سپس از ترکیب آن با الگوریتم بهینه سازی ژنتیک، جواب های بهینه حاصل شدند. بطور خلاصه، می توان هدف از انجام این پژوهش را این چُنین بیان کرد: کاهش زمان توقف کوره از طریق تخصیص بهینه بافرها به خطوط تولیدی از طریق ترکیب تکینک شبیه سازی و الگوریتم بهینه سازی ژنتیک.

اینترنت اشیاء الگوی جدیدی است که به کاربران کمک می کند تا اشیای متصل به اینترنت را کنترل و مدیریت کنند و با آنها تعامل داشته باشند. این کار می تواند به سادگی روشن کردن یک لامپ از راه دور و یا به پیچیدگی نظارت بر زیرساخت های شهری و ترافیک باشد. با پیشرفت سریع اینترنت اشیا، وارد دوران جدیدی در حوزه هوشمندسازی شهرها شده ایم و فرصت های جدیدی برای توسعه کاربردهای کارآمد و کم هزینه، با هدف بهبود کیفیت زندگی در شهرها به وجود آمده است. شهرها با به کار گیری فناوری های اطلاعات و ارتباطات درخدمات شهری و سرویس دهی به شهروندان، در مدیریت منابع خود هوشمندانه تر عمل می کنند. می توان یک طبقه بندی برای شهر هوشمند بر اساس پروتکل های ارتباطی موجود، ارائه دهندگان اصلی خدمات، انواع شبکه، مراجع بین المللی استاندارد سازی، خدمات ارائه شده و الزامات در نظر گرفت. چراغ های راهنمایی هوشمند، حمل و نقل هوشمند، سیستم کارآمد انرژی، مدیریت آب هوشمند، پارکینگ هوشمند، ساختمان های هوشمند و سیستم های نظارتی نمونه های واقعی از کاربرد اینترنت اشیا در شهر هوشمند هستند. ادغام اینترنت اشیا با محیط و شهر هوشمند فرصت های بی سابقه ای را به وجود آورده است و متقابلاً با چالش هایی نیز روبرو می باشد.