https://www.jcsit.ir/ علوم رایانش و فناوری اطلاعات fa daily 1 Mon, 21 Apr 2025 00:00:00 +0330 Mon, 21 Apr 2025 00:00:00 +0330 https://www.jcsit.ir/article_230495.html حکمرانی داده در معنای وسیع آن از پرداختن صرف به موضوع کیفیت، امنیت و حریم خصوصی داده‌های درون سازمانی، فراتر رفته و علاوه برجنبه‌های ملی و ایجاد نهادهای ملی تنظیم‌گری، شامل قاعده‌گذاری و هنجارسازی در سطح بین‌المللی نیز هست. حکمرانی مطلوب در سطح ملی برای مدیریت داده‌ها در صور مختلف آن اعم‌از مدیریت انواع داده‌های شخصی، داده‌های غیرشخصی، مجموعه داده‌های پژوهشی مورد نیاز پژوهشگران، کلان‌داده‌ها و داده‌های مورد نیاز برای تصمیم‌سازی و اداره مطلوب سازمان و جامعه، قابل بحث و بررسی است. پوشش این ابعاد، نیازمند طراحی یک نظام ملی حکمرانی داده براساس یک چارچوب است. بررسی ادبیات تحقیق این حوزه نشان می‌دهد یک چارچوب جامع که همه ابعاد فوق را مد نظر قرار دهد، تاکنون ارائه نشده است. در این مقاله یک چارچوب جامع با در نظرگرفتن سه سطح اقدام ملی، اقدام در سطح سازمان‌های دولتی و حاکمیتی و اقدام در سطح شرکت‌های خصوصی پیشنهاد شده است و در هر سطح نوع اقدامات بنا به ماهیت عملکردی متفات آن‌ها، تعریف شده است. براساس این چارچوب، امکان تنظیم‌گری‌های دقیق با تقسیم مسئولیت‌های نهادهای متولی در هر کشور، بهتر انجام می‌شود و نظام مسئولیت‌پذیری و پاسخگویی مناسب‌تری بوجود می‌آید. کلمات کلیدی: حکمرانی داده، تنظیم‌گری، چارچوب حکمرانی، حریم خصوصی، داده شخصی، کیفیت داده https://www.jcsit.ir/article_229235.html رایانش مه-ابر سلسله مراتبی یک الگوی محاسباتی امیدبخش برای پردازش و ذخیره سازی داده‌های حجیم تولید شده توسط دستگاه‌های اینترنت اشیا است. با توجه به اینکه گره های محاسباتی مه توزیع شده، ناهمگن و دارای محدودیت منابع هستند، نمی توان همه سرویس های اینترنت اشیا را داخل محیط مه استقرار داد. بنابراین، لازم است یک الگوریتم کارآمد برای انتخاب مجموعه سرویس هایی که باید روی محیط مه قرار داده شوند طراحی کرد. وقتی که نیازمندی های متنوع سرویس ها شامل زمان پاسخ و هزینه در نظر گرفته شود مسئله پیچیده تر می شود. با این انگیزه، در این مقاله ابتدا یک مدل بهینه سازی برنامه ریزی عدد صحیح مختلط برای مسئله جایابی سرویس های اینترنت اشیا در محیط مه-ابر سلسله مراتبی با هدف کمینه سازی زمان پاسخ، هزینه و هدر رفت منابع ارائه می شود. سپس به منظور حل مدل به صورت کارآمد، یک الگوریتم ژنتیک مبتنی بر نخبه گرایی پیشنهاد می گردد که در آن سعی می شود تعادل خوبی بین اکتشاف و بهره برداری برقرار شود. آزمایش های گسترده و متنوعی برای ارزیابی عملکرد روش پیشنهادی انجام شده است. نتایج حاصل نشان می دهد که روش ارائه شده از نظر معیارهای کیفیت سرویس، هزینه و بهره وری منابع به مراتب بهتر از سایر الگوریتم ها عمل می کند. به طور ویژه، روش پیشنهادی مقدار تابع هدف را به طور متوسط بین 42.3% تا 49.8% بهبود می دهد. https://www.jcsit.ir/article_231502.html با رشد گسترده شبکه‌‌های اجتماعی و سیستم‌‌های پرسش ‌و پاسخ انجمنی، کاربران قادرند به راحتی نظرات و عقاید خود را در مورد اخبار، محصولات و رویداد‌های اجتماعی بیان کنند. در سال‌‌های اخیر، میزان داده‌های غیر‌ساخت‌یافته نظیر متن بسیار افزایش یافته و نیاز به ابزار‌های خودکار برای پردازش آن‌ها بیش از پیش حس می‌شود. تشخیص احساس متن به فرآیند درک و طبقه‌بندی حالت عاطفی نویسنده از روی متن نوشته شده نظیر نظرات داده شده در فروشگاه‌های اینترنتی و شبکه‌‌های اجتماعی اشاره دارد و در تحلیل بازار و ارزیابی کیفیت خدمات نقش اساسی ایفا می‌‌کند. در این پژوهش، حدود 12 هزار جمله فارسی که شامل نظرات کاربران در مورد محصولات دیجیتال است مورد بررسی قرار می‌گیرد. برای این منظور، با تولید بردار‌های نمایش کلمات و اطلاعات نحوی آن‌‌ها با استفاده از تکنیک skip-gram و فراهم کردن شکل‌‌های متفاوتی از نمایش ویژگی‌‌ها، اطلاعات کامل‌تری به معماری پیشنهادی که بر اساس شبکه‌‌های عصبی کانولوشنی است تزریق می‌‌شود. با استفاده از این رویکرد، ویژگی‌‌های عملکردی کلمات بهتر ثبت می‌‌شود. ارزیابی‌های انجام شده نشان می‌دهند نتایج مدل پیشنهادی بر اساس معیار F1 بر روی پیکره استاندارد به ترتیب برای حالت‌های دو کلاسه و چند کلاسه 92.13 و 70.51 است که حاکی از کارایی بالاتر رویکرد پیشنهادی در مقایسه با مدل‌های سنتی یادگیری ماشین و مدل‌های بروز در تعیین احساس متن فارسی می‌باشد. https://www.jcsit.ir/article_218852.html به دلیل پیچیدگی بالای سیستم‌های نرم‌افزاری و با توجه به محدودیت زمان و هزینه توسعه ، کشف تمامی خطاهای نرم افزار در زمان توسعه، بسیار دشوار می-باشد. بنابراین، پیش‌بینی خطاها با استفاده از نسخه‌های قبلی پروژه‌ها یا پروژه‌های دیگر جهت ایجاد نرم‌افزار با قابلیت اطمینان بالا ضروری است. عدم تعمیم-پذیری الگوریتم‌های پیش‌بینی خطاهای نرم‌افزاری، عدم تعادل بین داده‌های خطا و بدون خطا و متفاوت بودن مقادیر ویژگی‌ها در پروژه‌های مختلف، چالش‌های اساسی در سیستم‌های پیش‌بینی خطاهای نرم‌افزار می‌باشند. این مقاله یک معماری چهار سطحی برای پیش‌بینی خطاهای نرم‌افزاری ارایه می‌کند. ابتدا الگوریتمی برای دانه بندی مقادیر عددی معرفی می‌شود. سپس اهمیت ویژگی‌ها بر اساس مقادیر دانه بندی شده محاسبه می‌شود. در ادامه داده‌ها به سه قسمت آموزشی، اعتبارسنجی و تست تقسیم می‌شود و برای متعادل شدن نسبت داده‌های خطا به داده‌های غیرخطا بر روی داده‌های آموزشی از الگوریتم oversampling استفاده می‌شود. در انتها سه نوع ارزیابی و مقایسه با سایر روش‌ها با استفاده از دیتاست‌های PROMISE وNASA انجام می‌پذیرد. نتایج این مقاله نشان می-دهد که پیش‌بینی خطا در هر سه نوع ارزیابی در اکثر پروژه‌های هر یک از دیتاست‌ها عملکرد بهتری نسبت به سایر روش‌ها دارد. همچنین نشان داده می شود که تعمیم پذیری ارایه شده در این مقاله بر روی هر مجموعه داده‌ای قابل انجام است. https://www.jcsit.ir/article_161871.html یکی از عناصر مهم در تحلیل ژست افراد، تخمین زاویۀ سر است؛ لیکن یکی از موانع اصلی برای این تخمین، هزینة برچسب‌گذاری تصاویر است. برچسب‌گذاری زاویة سر افراد در تصاویر مختلف فرایندی هزینه‌بر، زمان‌گیر و نیازمند دانش تاحدی تخصصی است. از همین رو تصاویر برچسب‌دار برای مسئلة تخمین زاویة سر در مقایسه با بقیة مسائل بینایی رایانه محدود است. یکی از راه‌حل‌های جبران کمبود برچسب‌ها، استفاده از روش‌های خودنظارتی است. روش‌های خودنظارتی می‌توانند از داده‌های بدون برچسب (تصاویر چهرة افراد)، به طریق پیش آموزش دادن شبکه‌های عصبی ژرف،  ویژگی‌های مناسبی برای تخمین زاویة سر استخراج کنند. در کنار پیش آموزش دادن شبکه‌های ژرف به روش یادگیری خودنظارتی، می‌توان از وظایف خودنظارتی به عنوان تابع هزینة کمکی در کنار وظیفة اصلی تخمین زاویة سر استفاده کرد. این مقاله سعی دارد که تمایز استفاده از روش‌های یادگیری خودنظارتی برای تخمین زاویة سر را نشان دهد. همچنین نشان داده می‌شود که با طراحی معماری یادگیری چند وظیفه‌ای از ترکیب توابع هزینة بانظارت و خود نظارتی، میانگین خطای تخمین زاویة سر تا 29 درصد نسبت به روش پایه بانظارت و معماری HopeNet کاهش می‌یابد.  https://www.jcsit.ir/article_161873.html پنهان‌نگاری فرآیند مخفی‌سازی پیام محرمانه در رسانه‌های دیجیتال معمولی با هدف حفظ خصوصیات آماری رسانه مربوطه است. در این حوزه به رسانه اولیه پوشانه و به رسانه حاوی پیام حامل گفته می‌شود. بسیاری از محققین تلاش می‌کنندکه اعوجاج حاصل از جاسازی پیام در تصویر پوشانه را به حداقل برسانند؛ چراکه هرگونه اعوجاج یا تغییر در پوشانه ممکن است موجب بروز شک نسبت به وجود پیام در تصویر گردد. در این راستا، اغلب روش‌های پنهان‌نگاری تصویراز رویکرد اعوجاج جمع‌شونده تبعیت کرده و تغییرات ناشی از جاسازی پیام را مستقل فرض می‌کنند. درحالی‌که در تصاویر طبیعی بین پیکسل‌های مجاور همبستگی متقابل زیادی وجود دارد؛ لذا هماهنگ‌سازی تغییرات باعث کاهش تغییرات آماری تصویر پوشانه و کمتر شدن امکان شناسایی می‌گردد و در نتیجه محرمانگی و امنیت را بهبود می‌‌بخشد. بر این اساس، در روش‌های غیر جمع‌شونده مؤلفه‌هایی برای در نظر گرفتن همبستگی‌ بین پیکسل‌ها در نظر گرفته می‌شود. در طراحی روش‌های غیر جمع‌شونده، یک چالش بزرگعدم سازگاری با الگوریتم‌‌های جاسازی موجود است؛ زیرا این الگوریتم‌ها برای رویکرد جمع‌شونده ارائه شده‌اند و پیکسل‌های تصویر را به‌صورت جداگانه پردازش می‌کنند. در این مقاله، یک چارچوب پنهان‌نگاری متقارن غیر جمع‌شونده معرفی می‌گردد که کاملاً با الگوریتم‌های جاسازی موجود سازگار است، درعین‌حال با استفاده از میدان تصادفی مارکوف همبستگی و تعاملات بین تغییرات پیکسل‌ها را مدل می‌کند. در این چارچوب ما از استنتاج میدان متوسط جهت یافتن بهترین تقریب برای این مدل استفاده می‌کنیم که تعاملات همسایگی را به‌عنوان یک اثر میانگین برآورده می‌کند. چارچوب پیشنهادی بر روی همه روش‌های جمع‌شونده قابل اعمال است و به دلیل هماهنگ‌سازی تغییرات،بهترین نقشه جاسازی با احتمال شناسایی کمتر را به‌دست می‌آورد. آزمایشات بر روی مجموعه داده استاندارد انجام شده است ونتایج کارایی مناسب روش پیشنهادی را در برابر روش‌های موجود نشان می‌دهد. https://www.jcsit.ir/article_161878.html افزایش اندازه مدل و تعداد پارامترها در شبکه‏‌های عصبی عمیق، از یک سو موجب پیشرفت‏‌های زیادی در عملکرد این شبکه‌‏ها شده و از سوی دیگر باعث بروز چالش­‌هایی از قبیل افزایش اندازه حافظه می­‌گردد. در هرس مدل، با حذف برخی پارامترهای شبکه، ضمن حفظ دقت مدل، اندازه آن کاهش داده می‏‌شود. با به‏‌کارگیری این شبکه‌‏ها در سیستم‌­های حساس-از-منظر-ایمنی، تاثیر هرس مدل که به طور سنتی با هدف کاهش اندازه شبکه استفاده می‌‏شود، بر تحمل‌‏پذیری اشکال شبکه‏‌ها مورد سوال جدی قرار گرفته است. در این مقاله، به کمک آزمایش‏‌های گسترده تزریق اشکال، تحلیل جامعی بر میزان تاثیر روش‏‌های مختلف هرس بر تحمل‏‌پذیری اشکال شبکه‌‏های عصبی عمیق ارائه می‏‌شود. مدل اشکال مورد مطالعه، خطاهای نرم واژگونی بیتی است که در حافظه ذخیره‌‏ساز وزن‏‌های شبکه رخ می‌‏دهد و باعث تغییر مقدار وزن‏‌های شبکه می‏‌گردد. با­توجه به نتایج به‌­دست­آمده از آزمایش‏‌های متنوع تزریق اشکال بر روی دو شبکه AlexNet و ResNet18 که به روش‏‌های مختلف هرس شده­اند، می‏‌توان نتیجه گرفت که به طور کلی، هرس کردن مدل باعث بهبود تحمل‌‏پذیری اشکال می‏‌شود و می‌‏توان از آن به منظور بهبود تحمل‌‏پذیری شبکه‌‏های عصبی عمیق هم بهره گرفت. از میان روش‌‏های مختلف هرس مدل، هرس وزنی بیشترین میزان بهبود تحمل‌‏پذیری اشکال را دارد. https://www.jcsit.ir/article_161882.html در بسیاری از مسائل یادگیری ماشین و داده‌کاوی مانند طبقه‌بندی و خوشه‌بندی، از الگوریتم‌های ساخت همسایگی برای مدل‌سازی روابط محلی بین نمونه‌های داده استفاده می‌شود. در یافتن ارتباط بین نقاط داده، تشخیص دقیق همسایگی نقاط به‌طور انکارناپذیری برای کاوش داده‌ها مفید است. طی سالیان اخیر، برخی روش‌های تشخیص همسایگی مبتنی بر ساختارهای هندسی ارائه شده‌اند که به دلیل دقت بالا در مکان‌یابی نقاط همسایگی بسیار کارآمد بوده‌اند. با این حال اغلب این روش‌ها برای تشکیل گروه‌های مشابه نیاز به بررسی همه نقاط همسایگی دارند. به همین دلیل اغلب هزینه‌های محاسباتی بالایی دارند. در این میان، ساختار دایره آپولونیوس در ارزیابی شباهت‌های محلی در بین مشاهدات، عملکرد بهتری از خود نشان داده است و زمینه جدیدی از علم هندسه را در داده‌کاوی گشوده است. ساختار آپولونیوس امکان معرفی دانش پنهان را از طریق معرفی معیارهای هندسه فراهم می‌کند و می‌تواند یک منطقه همسایگی پویا را برای نقاط داده تعریف کند. در این مقاله، با بهره‌گیری از مزایای ساختار هندسی دایره آپولونیوس و ایده همسایگان متقابل داده‌ها، یک الگوریتم خوشه‌بندی خودکار ارائه می‌شود. از ویژگی همسایگی متقابل نقاط داده برای تشخیص سریع و بهینه همسایگی نقاط داده، شناسایی نواحی متراکم و کشف داده‌های پرت (نویز) استفاده می‌شود. از ساختار هندسی دایره آپولونیوس نیز برای تعیین شعاع همسایگی نواحی متراکم (با چگالی داده بالا) استفاده می‌شود. طوریکه برای هریک از نواحی، یک شعاع همسایگی پویا و متناسب با نقاط داده مربوطه استخراج می‌شود. طی این دو فرایند، هم تعداد خوشه‌های بهینه و هم اعضا هر خوشه شناسایی می‌شود. بدین ترتیب یک روش خوشه‌بندی خودکار حاصل می‌شود که نیاز به تعیین تعداد خوشه‌ها ندارد. آزمایش‌های انجام شده بر روی مجموعه داده‌های استاندارد و مقایسه نتایج با دیگر روش‌ها، نشان از عملکرد مناسب روش پیشنهادی دارد. https://www.jcsit.ir/article_161883.html تغییر رویکرد کاربران به استفاده از سیستم‌های تجارت الکترونیک در قیاس با سیستم‌های تجارت سنتی، نیاز به بازنگری در مفاهیم حاکم بر سیستم‌های تجاری سنتی نظیر وفاداری مشتری را ضروری میسازد. مفهوم وفاداری مشتری در سیستمهای تجارت الکترونیک به علت افزایش اندازه بازار و فراهم‌کنندگان خدمات و کالا دارای اولویت و اهمیت بالاتری نسبت به سیستم‌های تجارت سنتی است. وجود مفهوم تغییرات و انعطاف‌پذیری سیستم تجارت الکترونیک، باعث می‌شود تا علاوه بر شناخت پارامترهای مؤثر بر مفهوم وفاداری مشتری، نیاز به بازتعریف این متغیرها بر اساس فضای ایجادکننده و عوامل مؤثر تعریف‌کننده سیستم تجارت الکترونیک باشد. باتوجه‌به اینکه سیستم تجارت الکترونیک، توسعه سیستم تجارت سنتی است، بنابراین می‌توان مفهوم شاخص‌های مؤثر بر وفاداری مشتری را از سیستم مذکور اخذ نمود و با درنظرگرفتن قیود ناشی از تکنولوژی و همچنین فضای مولد سیستم تجارت الکترونیک، اقدام به بازنگری در آن‌ها نمود. بر اساس معادلات ریاضی به‌دست‌آمده ناشی از تأثیرپذیری عوامل مؤثر بر مفهوم وفاداری مشتری بر فضای مولد سیستم تجارت الکترونیک، می‌توان ارتباطات و تعاملات این عناصر با یکدیگر را در چارچوبی مشخص و معین نمود. این موضوع باعث می‌شود تا عوامل مؤثر بر مفهوم وفاداری مشتری از حالت انتزاعی خارج شده و با درنظرگرفتن ماهیت امر دادوستد صورت پذیرد. از سوی دیگر، تابع کارکردی مفهوم وفاداری در سیستمهای تجارت براین‌اساس در این مقاله ارائه شده است. چارچوب به‌دست‌آمده، باعث می‌گردد تا بنگاه‌های تجاری بتوانند با تحلیل شاخص‌های مؤثر بر مفهوم وفادار، اقدام به تغییر ساختارهای پاسخگویی خود به‌منظور افزایش وفادار مشتریان نمایند. https://www.jcsit.ir/article_161884.html نقطه‌ی ارتباط اشیا در اینترنت اشیا با محیط بیرون مربوط به لایه‌ی ادارک این فناوری است. در لایه‌ی ادارک، حسگرها نقش مرکزی و اصلی را بر عهده دارند. در این بین، حسگرهای رزوناتوری موج صوتی سطحی( SAWR) یکی از مهمترین حسگرهای  غیر فعال بیسیم هستند که جایگاه ویژه‌ای در بین انواع حسگرها دارند. اصل اساسی در اندازه‌گیری با استفاده از این حسگرها آشکار‌سازی فرکانس تشدید رزوناتور می‌باشد. از آنجائی که این حسگرها غیر فعال هستند باید آنها را با پالس‌های تحریک‌کننده تغذیه کرد. این در حالی است که توان سیگنال پاسخ حسگر و همچنین نسبت سیگنال به نویز آن به شدت وابسته به مقدار انرژی ذخیره شده در حسگر در حالت تحریک می‌باشد. در نتیجه، دانستن پروسه‌ی ذخیره انرژی در خلال حالت تحریک این حسگرها کمک بزرگی به طراحان قسمت بازخوان این حسگرها می‌کند تا بهتر بتوانند پارامترهای مورد نیاز را طراحی کنند. در این مقاله، با استفاده از آنالیز جامع و با جزئیات کامل حوزه‌ی زمان، معادله پیچیده‌ای برای انرژی ذخیره شده در خلال حالت تحریک به دست آورده می‌شود. اگر چه معادله بدست آمده دقیق است، اما به علت پیچیدگی و همچنین وابستگی ابهام‌آمیز آن به پارامترهای فیزیکی حسگر و مشخصات سیگنال بازخوان، لازم است این معادله ساده شود تا اشراف کاملی به پروسه‌ی ذخیره‌ی انرژی داشته باشیم. با استفاده از تکنیک‌های ریاضی و تقریبات منطقی، یک معادله‌ی بن‌سا برای انرژی ذخیره شده و عرض پالس بهینه برای سیگنال تحریک در این مقاله به دست آمده است. معادله‌ی بدست آمده به صورت آشکاری اثرات مهمترین پارامترهای تاثیرگذار روی انرژی ذخیره شده در خلال حالت تحریک را نشان می‌دهد. بر طبق معادله بدست آمده، اثرات مشخصات سیگنال بازخوان شامل فرکانس حامل، عرض و دامنه‌ی پالس به طور آشکاری تعیین می‌شوند. همچنین اثرات پارامترهای فیزیکی حسگر روی انرژی ذخیره شده به طور وضوح قابل شناسایی می‌شوند. نتایج شبیه‌سازی و اندازه‌گیری در این مقاله نشان‌دهنده درستی معادله‌ی بدست آمده است. https://www.jcsit.ir/article_161885.html اندازه‌گیری شباهت متن یکی از اصلی‌ترین عملیات در کاربرد‌های مرتبط با متن نظیر بازیابی اطلاعات، خوشه‌بندی متن، سیستم‌های پرسش ‌و پاسخ است. هدف این مطالعه ارائه رویکردی برای بهبود دقت مدل‌های یادگیری عمیق در اندازه‌گیری تشابه متون است. بدین منظور یک رویکرد ترکیبی مبتنی بر شبکه عصبی سیامی و ویژگی‌های شباهت لغوی ارائه می‌شود. شبکه سیامی پیشنهادی شامل دو زیر شبکه یکسان است که اجزای اصلی هر کدام از آن‌ها به‌ صورت کلی شامل یک لایه تعبیه کلمات و شبکه عصبی عمیق است. با در نظر گرفتن سه نوع شبکه عصبی عمیق شامل شبکه عصبی پیچشی، شبکه حافظه کوتاه‌مدت طولانی و شبکه حافظه کوتاه‌مدت طولانی دوطرفه و همچنین دو نوع مدل تعبیه کلمات به همراه ویژگی‌های شباهت لغوی، گونه‌های مختلفی از مدل‌ها پیاده‌سازی می‌شود. نتایج آزمایش‌ها روی سه مجموعه داده‌ مورد استفاده نشان می‌دهد مدل شبکه عصبی سیامی ترکیبی مبتنی بر شبکه پیچشی و ویژگی‌های لغوی بالاترین مقدار همبستگی پیرسون و کمترین مقدار میانگین مربع خطاها (MSE) را در بین مدل‌ها به دست می‌آورد. همچنین نتایج  بدست آمده حاکی از عملکرد موفق مدل پیشنهادی نسبت به مدل‌های تحقیقات قبلی در معیارهای ضریب همبستگی و MSE است.  https://www.jcsit.ir/article_161886.html توزیع محصولات بر اساس سفارش واحدهای خرده فروشی و بدون استخراج نظرات مشتریان و بازخورد آن‌ها نسبت به محصولات مختلف انجام می‌شود. اطلاع ازنظرات دقیق کاربران امکان بهبود فرآیند توزیع محصولات را برای تولیدکنندگان و توزیع‌کنندگان این محصولات فراهم می‌نماید. شبکه‌های اجتماعی این فرصت را برای شرکت‌ها جهت توزیع محصولات خود بر اساس نظرات کاربران فراهم کرده‌است. در این پژوهش برای ارائه توصیه به توزیع‌کنندگان محصولات شوینده، از تحلیل احساسات مشتریان این محصولات در شبکه‌های اجتماعی استفاده کرده‌ایم. بیش از 4200 مورد از نظرات کاربران شبکه اجتماعی توئیتر بر اساس موضوع پژوهش در سال 2019 استخراج و در مرحله پیش‌پردازش متون پالایش و تگ‌گذاری شدند و پس از طی این مرحله با بکارگیری منطق فازی و مدلیابی‌موضوعی به تحلیل احساسات پرداخته شده است. مدلیابی موضوعی را به منظور یافتن ویژگی‌های مورد اشاره در نظرات برای داشتن رویکردی بهتر در واحدهای طراحی محصولات بکار بردیم و از منطق فازی برای استحصال میزان قطبیت نظرات به دسته‌های بسیار‌مثبت، مثبت، خنثی، منفی و بسیار منفی استفاده کرده‌ایم. نتایج بدست‌آمده از تحلیل احساسات در مدل پژوهش با استفاده از ماتریس آشفتگی مورد ارزیابی قرار گرفت و صحت 86.15% حاصل شد.درنهایت داشبوردی برای توزیع محصولات بر اساس نظرات مشتریان به توزیع کنندگان ارائه شده است. https://www.jcsit.ir/article_161887.html توصیف زبانی خودکار محتوای تصویر مسئله‌ای اساسی در زمینه هوش مصنوعی است که کاربردهای بسیاری در جستجو، بازیابی و دسته‌بندی تصاویر دارد. بیشتر تحقیقات موجود در این زمینه جهت زبان انگلیسی ارائه شده‌اند و مدل‌های اندکی برای زبان‌های دیگر وجود دارد. در این مقاله، یک معماری رمزگذار- رمزگشا مبتنی بر یادگیری عمیق جهت توصیف تصویر به زبان فارسی طراحی و مورد بررسی قرار گرفته که در آن یک شبکه کانولوشنی ویژگی‌های تصویر را استخراج و یک شبکه عصبی بازگشتی، با رمزگشایی لازم، عبارات فارسی متناسب را تولید می‌کند. با توجه به نقش تعیین‌کننده پایگاه داده در یادگیری عمیق و در دسترس نبودن پایگاه داده‌ی فارسی برای این کاربرد، با ترجمه و ویرایش توصیف‌های انگلیسی حدود 6000 تصویر از مجموعه استاندارد MSCOCO  یک پایگاه داده مناسب جهت آموزش یکپارچه سیستم ایجاد کردیم. جهت تعیین ساختار پیشنهادی، حالت‌های مختلف معماری مذکور با بکارگیری انواع شبکه‌های کانولوشنی، روشهای ممکن اتصال شبکه‌ها و اِعمال داده‌های آموزشی مورد بررسی قرار گرفته‌اند. ارزیابی‌های انجام شده دقت مطلوب ساختار پیشنهادی را به لحاظ معنایی و نیز دستور زبان نشان می‌دهند. از‌جمله امتیازهای 63/18% و 24/71% برای معیارهای BLEU1 و BLEU4  به‌دست آمده‌اند که با توجه به اندازه مجموعه‌ی آموزشی در مقایسه با پایگاه‌های داده انگلیسی قابل‌توجه به‌شمار می‌آید. https://www.jcsit.ir/article_161889.html در اغلب روش‌های خوشه‌بندی، تعداد خوشه‌ها باید از پیش تعیین شده باشد. در حالیکه در بسیاری از مسائل دنیای واقعی تعیین مقدار مناسب خوشه‌ها دشوار و بعضا ممکن نیست. خوشه‌بندی خودکار یک رویکرد مناسب برای مقابله با این چالش است. بطوریکه تعداد و ساختار خوشه‌ها بصورت خودکار توسط خود الگوریتم استخراج می‌گردد. یکی از راهکارهای مناسب برای این منظور بهره‌گیری از الگوریتم‌های فرا اکتشافی در فرایند خوشه‌بندی است. در این پژوهش، یک الگوریتم خوشه‌بندی خودکار مبتنی بر فرایند جستجوی محلی و الگوریتم فرا اکتشافی تبادل حرارتی (TEO (ارائه می‌شود. الگوریتم TEO یکی از جدیدترین الگوریتم‌های فرا اکتشافی است که در این پژوهش برای اولین بار در خوشه‌بندی داده‌ها استفاده می‌شود. در روش پیشنهادی، نسخه بهبود یافته‌ای از الگوریتم TEO ،بر اساس مفهوم پرواز لِوی، ارائه و بکار گرفته می‌شود. همچنین، برای بهبود بیشتر کارایی، از اُپراتورهای جستجوی محلی نیز استفاده می‌شود که برای ایجاد تغییر در پیکربندی خوشه‌ها استفاده می‌شوند. در رویکرد پیشنهادی، تعداد بهینه خوشه‌ها همزمان با خوشه‌بندی داده‌ها حاصل می‌شود. الگوریتم پیشنهادی، بر روی 23 مجموعه داده استاندارد آزمایش می‌شود. از معیارهای ARI ،DB و CS برای ارزیابی کارایی روش پیشنهادی و مقایسه آن با دیگر روشها استفاده می‌گردد. نتایج بدست آمده نشان دهنده کارایی مناسب و بهتر الگوریتم پیشنهادی است. کلمات کلیدی: ، ، ، الگوریتم ، . https://www.jcsit.ir/article_161891.html شبکه‌های بین خودرویی فناوری‌های نوظهوری هستند که عملکردشان وابسته به در دسترس بودن اطلاعات دقیق و به‌روز وسایل نقلیه است. وسایل نقلیه‌ای که اطلاعات‌ غیرعادی منتشر می‌کنند به‌راحتی می‌توانند در عملکرد شبکه‌ی بین خودرویی اختلال ایجاد کنند. بنابراین تشخیص چنین بدرفتاری‌هایی برای حفظ امنیت شبکه‌ی بین خودرویی در برابر مهاجمان، حیاتی است. در اکثر طرح‌های تشخیص بدرفتاری گذشته توجه کمی به استفاده از ویژگی‌های نظریه‌ی جریان ترافیک شده است، درحالی‌که این نظریه می‌تواند ابزاری قوی برای ارزیابی صحت اطلاعات زمینه‌ی منتشرشده در شبکه‌ی بین خودرویی باشد. در این مقاله برای بهبود چالش‌های طرح‌های تشخیص بدرفتاری گذشته، استفاده از نظریه‌ی جریان ترافیک را در تشخیص بدرفتاری‌های ناشی از ارسال اطلاعات غیرعادی در شبکه‌های بین خودرویی پیشنهاد شده است. در طرح پیشنهادی، علاوه بر واحد‌های کنار جاده‌ای، واحد‌های محاسباتی روی وسایل نقلیه نیز به‌عنوان منابع قابل‌اطمینان اطلاعات در نظر گرفته می‌شوند که این موضوع به کاهش هزینه‌های ناشی از پیاده‌سازی سراسری واحدهای کنار جاده کمک می‌کند. نتایج ارزیابی این طرح در انواع شرایط ترافیکی و با درصد‌های مختلف اطلاعات غیرعادی نشان‌دهنده‌ی کاهش نرخ هشدار‌های کاذب و بهبود دقت تشخیص است. https://www.jcsit.ir/article_161892.html در این مقاله از شبکه‌های YOLOv3 اصلاح‌شده، YOLOv3-SPP و Tiny YOLOv3 برای شناسایی علائم ترافیکی پایگاه جدیدی شامل 4000 تصویر و 24 کلاس از علائم ترافیکی شهر زاهدان استفاده شده است. مدل شبکه‌ها به‌گونه‌ای طراحی شده‌اند که در زمان بلادرنگ و با دقت بالا علائم ترافیکی به‌ویژه کوچک شناسایی و طبقه‌بندی شوند. تصویربرداری از داخل ماشین در حال حرکت و در شرایط مختلف آب‌و‌هوایی، زوایای دید متفاوت، همراه با انسداد علائم، و پس‌زمینه‌ی شلوغ انجام شده است. برای عملکرد بهتر شبکه‌ها، تعداد تصاویر پایگاه جدید با استفاده از تکنیک‌های افزایش داده مانند چرخش، تغییر اندازه، افزودن نویز و تولید داده‌های مصنوعی به 26۶۴0 تصویر افزایش یافته است. آموزش و ارزیابی شبکه‌ها توسط هر دو پایگاه جدید اصلی و توسعه‌یافته انجام شده است. برای کاهش تعداد گام‌ها، و زمان آموزش و جلوگیری از بیش‌برازش، از روش انتقال یادگیری استفاده شده است. مقایسه‌ی نتایج، بالاتر بودن میانگین دقت متوسط را برای شبکه‌ی YOLOv3-SPP و  بالاتربودن سرعت را برای شبکه‌ی Tiny YOLOv3 نشان می‌دهند. در نهایت، میانگین دقت متوسط برروی پایگاه جدید توسعه‌یافته برای شبکه‌های YOLOv3 اصلاح‌شده و YOLOv3-SPP به ۸/۹۸٪ رسیده است. https://www.jcsit.ir/article_161893.html در سال‌های اخیر پژوهش و توسعه‌ی شبکه‌هایی که فاقد هرگونه وابستگی به زیرساخت‌های از پیش تعیین‌شده هستند، بسیار مورد توجه قرار گرفته است. شبکه‌های بین خودرویی یکی از انواع این شبکه‌ها هستند که به عنوان یک فناوری نوین، پتانسیل بالایی در افزایش ایمنی جاده‌ها و تأمین رفاه کاربران دارند. گره‌های ثابت و متحرک تشکیل‌دهنده‌ی این شبکه‌ها با تبادل داده‌های حیاتی در مسیریابی شرکت می‌کنند. این گره‌ها با اهداف مختلفی همچون بهبود ایمنی سرنشینان خودرو و کنترل ترافیک با یکدیگر در ارتباط هستند و طیف گسترده‌ای از اطلاعات را مبادله می‌کنند. تبادل باز اطلاعات بین گره‌ها در شبکه‌ای فاقد زیرساخت، زمینه‌ی مناسبی را برای ورود گره‌های مخرب به شبکه و ایجاد اختلال در فرآیندهای شبکه برای دستیابی به اهداف سودجویانه فراهم می‌کند. بنابراین ارسال اطلاعات از مسیری مورد اعتماد و بهینه یکی از چالش برانگیزترین جنبه‌های شبکه‌های بین خودرویی محسوب می‌شود.  تاکنون پروتکل‌های مسیریابی مختلفی برای حل این چالش ارائه شده است که از معیارهای متفاوتی برای انتخاب گره‌های مناسب در مسیریابی خود بهره برده‌اند. در این مقاله یک پروتکل مسیریابی امن مبتنی بر موقعیت پیشنهاد شده ‌است که در آن اعتماد جامع هر گره به‌عنوان یکی از معیارهای اساسی برای انتخاب آن گره در فرایند مسیریابی در نظر گرفته شده است.  محاسبه‌ی مقدار اعتماد جامع برای هر گره‌ی ارزیابی‌شونده با استفاده از محاسبه‌ی اعتماد مستقیم توسط گره‌ی ارزیابی‌کننده و توصیه‌ی همسایه‌ها طی فرایند پرسش و پاسخ با استفاده از اعتماد غیرمستقیم انجام می‌شود. نتایج شبیه سازی و ارزیابی پروتکل پیشنهادی با کمک نرم‌افزار NS-2 نشان می‌دهد هرچقدر تعداد گره‌های مخرب در شبکه بیشتر باشد، پروتکل پیشنهادی عملکرد بهتری نسبت به پروتکل GPSR از نظر نرخ ارسال بسته، نرخ گذردهی و تأخیر انتها به انتها خواهد داشت. https://www.jcsit.ir/article_161894.html یکی از موفق‌ترین مدل‌های رشد در شبکه‌های پیچیده و اجتماعی، مدل باراباشی-آلبرت  (BA) است که رشد و اتصال ترجیحی خطی  (LPA) را به‌عنوان دو عنصر سازندة اصلیِ یک شبکه خود-سازمانده  در ساختار مقیاس-آزاد  (SF) پیشنهاد کرده است. این عوامل ناظر به این واقعیت‌اند که پدیدة رشد در اغلب شبکه‌ها حاصل از افزودن گره‌های جدیدی است که به شکل ترجیحی به گره‌هایی با درجه بالا در شبکه اتصال می‌یابند. رسانه‌های اجتماعی در یکپارچه‌سازی روابط عمومی کمک شایان توجهی کرده و فن‌آوری‌ها و روش‌های راه‌بردی را بیش از پیش گسترش داده‌اند که این امر ناشی از پدیدة مهم ادغام رسانه‌ها و شبکه‌های جدید در یکدیگر بوده است. ویژگی ادغام در شبکه‌ها به رشد و گسترش آن‌ها کمک می‌کند و بدین ترتیب، شبکه‌های مختلف از منظر تحقیق و توسعه، سرمایه‌گذاری، منابع انسانی، خدمات پس از فروش و خدمات مشتری در یکدیگر ادغام  و یکپارچه‌سازی می‌شوند. همچنین، تبیین شباهت‌ها/عدم شباهت‌ها میان مدل‌های مختلف گراف‌ و مطالعة ناهمگنی (نامنتظمی) گراف‌ها، یکی از مسایل پژوهشی بنیادی در مطالعة شبکه‌های پیچیده و اجتماعی محسوب می‌شود. مدل BA، مدل مولدی است که مکانیزم‌هایی را جهت ورود و افزودن گره‌ها در شبکه پیشنهاد داده است. در این مقاله، یک روش نوین و کارآمد جهت ادغام دو شبکه مقیاس-آزاد مبتنی بر مدل BA ارائه شده است. تکنیک پیشنهادی براساس ترکیب روش ترجیح براساس مشابهت به راه‌حل ایدآل  (TOPSIS) با انتروپی وزن‌دار است که به اختصار EWM-TOPSIS نام دارد. این تکنیک با روش رتبه‌بندی مبتی بر انتروپی کوانتومی مقایسه و برتری آن با نتایج برآمده از آزمون‌های شبیه‌سازی نشان داده شده است. افزون براین، پدیده ناهمگنی در گرافِ یکپارچة ناشی از فرآیند ادغام، به کمک مهمترین شاخص‌های ناهمگنی، اندازه‌گیری و سنجش شده است. الگوریتم ادغام پیشنهادی می‌تواند بازتابی از سناریوهای دنیای واقعی در فرآیند یک‌پارچه‌سازی شبکه‌های پیچیده و اجتماعی باشد و محوریت اصلی آن نیز بر حفظ ویژگیهای اصلی گراف‌های مدل BA استوار است. نتایج تجربیِ آزمونهای شبیه‌سازی نشان می‌دهند که روش ادغام پیشنهادی در مقایسه با سایر روش‌ها و همراه با شاخص‌های ناهمگنی می‌تواند با دقت و صحت مناسبی به‌منظور تبیینِ مشخصات شبکه‌های مقیاس-آزاد مدل BA مورد استفاده قرار بگیرد. https://www.jcsit.ir/article_161895.html علی‌رغم پیشرفت‌های قابل توجه در سیستم‌های مدیریت ایمنی طی دهه‌های اخیر، صنعت ساخت‌و‌ساز همچنان از نرخ حوادث شغلی و تلفات بسیار بالاتری نسبت به دیگر صنایع برخوردار است. از این رو، مطالعه و بررسی بیشتر این حوادث برای جلوگیری از رخداد حوادث مشابه مورد توجه و نیاز است. عمده تحقیقات انجام شده در حوزه ایمنی ساخت‌و‌ساز بر شناسایی علل حوادث و استفاده از روش‌های مرسوم و فردی یادگیری ماشین متمرکز هستند. این پژوهش، به ارزیابی و مقایسه توانایی دو رویکرد متفاوت از الگوریتم‌های یادگیری جمعی مبتنی بر درخت به نام بگینگ (جنگل تصادفی و طبقه‌بند بگینگ) و بوستینگ (درخت تقویت گرادیان، LGBM، XGBoost و CatBoost) در مدل‌سازی و پیش‌بینی شدت حوادث پرداخته است. به منظور بهبود عملکرد مدل‌های نامبرده از الگوریتم بهینه‌سازی بیز برای تنظیم ابرپارامترهای الگوریتم‌ها استفاده گردید. نتایج گواه بر برتری الگوریتم‌های یادگیری جمعی مبتنی بر رویکرد بوستینگ از منظر عملکرد پیش‌بینی و برتری الگوریتم‌های مبتنی بر رویکرد بگینگ از منظر سرعت اجرا بود. BO-XGBoost و طبقه‌بند بگینگ بهینه‌شده (BO-Bagging) به ترتیب از قوی‌ترین و ضعیف‌ترین عملکرد پیش‌بینی در میان تمامی الگوریتم‌های جمعی برخوردار بودند. چهارچوب تحقیقاتی اعمال شده در مطالعه پیش‌رو به متخصصان ایمنی در پیش‌بینی دقیق‌تر پیامد حوادث و انجام اقدامات پیشگیرانه مناسب‌تر کمک می‌نماید. https://www.jcsit.ir/article_161896.html تکنیک‌های بازیابی تصویر، به عنوان یک ابزار جهت تشخیص بیماری و انتخاب بهترین روش درمانی بسیار اهمیت دارند. یک مرحله مهم در الگوریتم‌های بازیابی تصویر، تهیه بردار ویژگی است. استفاده از تصاویر با مدالیته‌ها یا فازهای مختلف کمک موثری در انتخاب ویژگی می‌نماید. در این صورت لازم است تصویر بافت در فازهای مختلف بر روی هم منطبق شوند. در این تحقیق، تصاویر سی‌تی‌اسکن تومورهای کبد در فازهای مختلف بر هم منطبق شده‌اند. برای بهبود تخمین پارامترهای ماتریس انتقال، به طور همزمان از نقاط رویه بافت و نقاط داخلی استفاده کرده‌ایم و این نقاط در تصویر مرجع و تصویر متحرک را به کمک عملگر LBP یکنواخت مستقل از چرخش بدست آورده‌ایم. با انطباق دو مجموعه از نقاط کلیدی تصاویر مرجع و متحرک، توسط الگوریتم ICP، پارامترهای ماتریس انتقال را بدست می‌آوریم. با اعمال ماتریس انتقال به تصویر حجمی ماسک تومور یا تصویر سطح خاکستری ورودی، انطباق دو تصویر انجام می‌شود. روش پیشنهادی بر روی مجموعه تصاویر سی‌تی‌اسکن 45 بیمار مختلف اعمال شد و نتایج آن با روش‌های متعارف انطباق صلب و غیر صلب مقایسه گردیده است. روش پیشنهادی برحسب معیار فاصله Hausdorff به ترتیب 3/0، 26/1 و 06/1 میلیمتر از روش های انطباق صلب ICP، روش انطباق صلب سه بعدی و روش انطباق غیرصلب دقت بیشتری دارد. نتایج به دست آمده، ظرفیت بکارگیری روش پیشنهادی را برای انطباق بافت‌های نرم مانند بافت کبد نشان می‌دهد. https://www.jcsit.ir/article_218838.html تکامل روزافزون اینترنت اشیا (IoT) دسترسی به خدمات بلادرنگ را برای موجودیت‌های سیار فراهم کرده است. با توجه به زیرساخت ارائه شده توسط شبکه متحرک سراسری (GLOMONET) کاربران متحرک می‌توانند در هر موقعیتی، حتی در یک محیط رومینگ، به بسیاری از خدمات شبکه دسترسی داشته باشند. در این محیط به دلیل امکان شنود و دستکاری اطلاعات مبادله شده توسط مهاجمان در کانال‌های بی‌سیم، احرازهویت و توافق کلید برای اطمینان از سرویس رومینگ ایمن در شبکه سیار نقش مهمی ایفا می‌کند. فقدان طرحی که بتواند در کنار فراهم ساختن ایمنی کامل در برابر حملات مختلف، سربار کمتری داشته باشد، چالش این شبکه‌ها است؛ چرا که اکثر طرح‌های احرازهویت که تاکنون پیشنهاد شده‌اند نتوانسته‌اند به اهداف خود دست یابند. در این مطالعه، ضمن بحث و بررسی نقاط ضعف طرح‌های پیشین، برای از بین بردن مشکلات موجود ودستیابی به اهداف مذکور، یک پروتکل احرازهویت ایمن به نام SHAPG برای GLOMONET پیشنهاد می‌کنیم. مدل پیشنهادی، با مقاومت در برابر حملات مختلف امنیتی شبکه و کاهش سربار به میزان قابل توجهی، از دیگر طرح‌های موجود بهتر عمل می‌کند. ارزیابی امنیتی طرح پیشنهادی بصورت رسمی با استفاده از منطق BAN برای اطمینان از احرازهویت متقابل بین شرکت کنندگان و ابزار AVISPA انجام شده است. https://www.jcsit.ir/article_218840.html شبکه تعریف شده نرم افزاری جدیدترین فناوری طراحی شبکه است. این نوع شبکه سطح داده را از سطح کنترل جدا می کند و سوئیچ ها در سطح داده و کنترل کننده ها را در سطح کنترل قرار می دهد. یافتن مکان بهینه برای نصب کنترل کننده ها، به عنوان مسئله جایگذاری کنترل کننده ها در شبکه تعریف شده نرم افزاری شناخته می شود. دستیابی به یک توپولوژی متعادل و کم هزینه و در عین حال اطمینان از تأخیر و مصرف انرژی مقرون به صرفه در جایگذاری کنترل کننده، ضروری است. برای این منظور، در این تحقیق ابتدا مسئله جایگذاری کنترل کننده ها فرمول بندی می شود، سپس یک الگوریتم جدید الهام گرفته از طبیعت مبتنی بر الگوریتم بهینه‌سازی مرغ دریایی برای جایگذاری کنترل‌کننده ها به نام الگوریتم بهینه‌سازی مرغ دریایی بهبود یافته (ISOA) معرفی می‌کند. در ISOA، الگوریتم مرغ دریایی توسط تئوری آشوب، عملگرهای ژنتیک و الگوریتم پرواز لویی برای غلبه بر مشکل بهینه‌ محلی، و بهبود نرخ هم‌گرایی، به نحوی کارا بدون افزایش سربار محاسباتی، ترکیب می شوند. برای نشان دادن کارایی الگوریتم پیشنهادی، ISOA روی مجموعه داده ای از توپولوژی های دنیای واقعی، شبیه سازی می شود. نتایج شبیه‌سازی ها نشان داد که ISOA عملکرد خوبی در پارامترهای متوسط بار کنترل‌کننده‌ها و تاخیر سراسری و مصرف انرژی در مقایسه با الگوریتم‌های پیشرفته دیگر دارد. https://www.jcsit.ir/article_218844.html در این مقاله، کنترل میزان گلوکز خون در حالتی که سیستم دچار عیب سنسور شده باشد، بررسی می‌گردد. برای این کار از روش مسیرهای شایستگی که یکی از روش‌های حل در مسئله یادگیری تقویتی می‌باشد، استفاده شده است. وجود نگاه به عقب و جلو در روش مسیرهای شایستگی باعث بدست‌آوردن دوز داروی بهینه خواهد شد. عیوب وارد شده به سیستم از نوع نرم و ناگهانی می‌باشند و برای تشخیص آن‌ها از مفهوم پنجره زمانی استفاده شده است. دامنه و نوع عیب وارد شده به سیستم در هر لحظه توسط روش شبکه‌های عصبی تشخیص داده می‌شوند و میزان دامنه آن بر روی دوز داروی تزریقی به بیمار در لحظه بعد تاثیر می‌گذارد. از مفهوم کنترل مد لغزشی نیز در ترکیب با روش مسیرهای شایستگی استفاده شده است. برای اینکه عملکرد روش مسیرهای شایستگی در کنترل میزان گلوکز بهتر نشان داده شود، این روش با روش شبکه‌های عصبی مقایسه شده است و نشان داده شده است که روش پیشنهادی با سرعت بیشتر توانسته است علاوه بر تشخیص عیوب وارد شده به سیستم، میزان گلوکز را به مقدار مطلوب رسانده و روی این مقدار نگه دارد. اما در روش شبکه‌های عصبی با وجود تزریق دوز داروی کمتر، کمتر از مقدار مطلوب می‌باشد https://www.jcsit.ir/article_218846.html در مدل محاسباتی «پیچیدگی ارتباطات»، دو بازیکن می‌کوشند با ارتباطات محدود یک مسئله‌ی بهینه‌سازی را حل کنند. هر یک از این دو بازیکن بخشی از داده‌ها‌ی ورودی مسئله را در اختیار دارد و از داده‌ی بازیکن دیگر بی‌اطلاع است. بازیکن اول می‌تواند تنها یک بار پیامی با اندازه‌ی محدود برای بازیکن دوم بفرستد تا او بتواند پاسخ بهینه (یا تقریبی از پاسخ بهینه) را روی کل داده‌های مسئله محاسبه کند. در این مقاله مسئله‌ی‌ برازش خط را که با عنوان مسئله‌ی کوچک‌ترین استوانه‌ی پوشاننده نیز شناخته می‌شود، در ابعاد بالا در مدل پیچیدگی ارتباطات بررسی می‌کنیم و چند الگوریتم تقریبی برای این مسئله ارائه می‌دهیم. به طور خاص، الگوریتمی با ضریب تقریب ۳ و اندازه‌ی پیام کمینه (شامل تنها دو نقطه و یک شعاع) برای این مسئله ارائه می‌دهیم که بهترین الگوریتم قبلی موجود برای این مسئله با همین اندازه‌ی پیام را که دارای ضریب تقریب ۱۸ است، بهبود می‌بخشد. https://www.jcsit.ir/article_218851.html امروزه کنترل محدوده‌های ترافیکی مختلف در کلانشهرها یکی از چالش‌های مدیران می‌باشد. روش‌های کلاسیک برای کنترل محدوده و جلوگیری از تراکم بیش از حد وسایل نقلیه براساس روش‌های مدل پایه مانند منحنی اساسی شبکه و یا ظرفیت انتقال شبکه انجام می‌گیرد. در حالی که ارایه یک روش تئوری برای رفتار ترافیک در یک محدوده با توجه به پیچیده‌گی‌های مسایل ترافیک امکان پذیر نیست. در این مطالعه یک روش داده-پایه براساس اصول یادگیری تقویتی برای کنترل دو شریانی مهم در شهر شیراز توسعه داده شده است. در این راستا یک مدل شبیه‌ساز خردنگر از ترافیک این دو شریانی با کالیبراسیون مناسب ساخته شده است. سپس یک عامل برای یادگیری کنترل مرز محدوده ترافیکی در شرایط مختلف براساس مفاهیم یادگیری تقویتی آموزش داده شده است. در نهایت کارایی عامل آموزش داده شده در کنترل ترافیک محدوده در شرایط مختلف مورد ارزیابی قرار گرفته است. نتایج حاصل از شبیه سازی نشان میدهد استفاده مناسب از روش پیشنهادی می‌تواند شرایط ترافیکی اعم از میزان تاخیر، مصرف سوخت، آلاینده‌ها را بطور مناسبی بهبود بخشد. به طور مثال رانندگان میزان تاخیر کمتری را نسبت به وضع کنونی تجربه می کنند همچنین گاز دی اکسید کربن خروجی از اگزوز وسایل نقلیه به میزان 75 درصد با بکار گیری روش پیشنهادی در آزمایش‌های شبیه سازی کاهش یافته است . https://www.jcsit.ir/article_218854.html امروزه الگوهای رگ دست به عنوان یک شاخص زیست سنجی برای شناسایی هویت شناخته شده است. در این مقاله، بمنظور تشخیص هویت از طریق رگ‎های پشت دست، ابتدا تصاویر رگ‎ها موجود در پشت دست، از تصاویر خاکستری با آستانه‎گذاری مبتنی بر روش اتسو به تصاویر باینری تبدیل شده تا با نرخ قابل ‌قبولی رگ‎ها استخراج گردند. در این مقاله از تصاویر آماده‎ی NCUT، که مربوط به تصاویر رگ‎های پشت دست است، استفاده شده و تصاویر در مرحله‎ی اول به شدت دارای نویز می‌باشند. به این مفهوم که علاوه بر رگ‎‌ها که به صورت خطوط تیره در زمینه سفید رنگ( در تصاویر باینری یا دودویی) ظاهر می‎‌شوند، تعدادی خطوط کوتاه و بلند دیگر نیز در تصاویر وجود دارد. سپس با استفاده از الگوریتم‎های مختلف فرسایشی تصاویر باینری اقدام به حذف نویز و خطوط اضافی تصویر شد. در نهایت از یادگیری عمیق بهبود یافته جهت دسته‎بندی و تشخیص هویت از روی رگ‎های پشت دست استفاده خواهد شد. با بکار بردن روش پیشنهادی بر روی این مجموعه‌ داده، مدل پیشنهادی به دقت تشخیص 98.93 درصد رسیده است. https://www.jcsit.ir/article_222259.html در دهه‌های اخیر، پیشرفت‌های سریع در حوزه پروتئومیکس و طراحی دارو، نیاز به شناخت دقیق‌تر ساختار و عملکرد پروتئین‌ها را افزایش داده است. یکی از چالش‌های اصلی در این زمینه، پیش‌بینی دقیق پروتئین‌های بالقوه برای طراحی داروهای مؤثرتر است. این پژوهش با هدف بهبود دقت و کارایی پیش‌بینی پروتئین‌های بالقوه از طریق رویکردی کارآمد انجام شده است. در این مقاله، یک روش ترکیبی نوآورانه ارائه شده است که یادگیری مبتنی بر XGBoost بهینه‌شده، الگوریتم بهینه‌سازی ازدحام ذرات، و یک گام جدید انتخاب ویژگی مبتنی بر خوشه‌بندی و تحلیل پیچیدگی مشارکتی را با هم ترکیب می‌کند. پس از پیش پردازش و استخراج ویژگی، ویژگی‌های مهم با خوشه‌بندی و انتخاب نماینده‌های کلیدی شناسایی می‌شوند. سپس، مدل‌های پیش‌بینی با استفاده از داده‌های پروتئومیکس و اطلاعات ساختاری پروتئین‌ها آموزش داده می‌شوند. در نهایت، نسخه ارتقاءیافته الگوریتم ازدحام ذرات برای بهینه‌سازی پارامترهای مدل‌های یادگیری XGBoost استفاده می‌شود. داده‌های مورد استفاده شامل پروتئومیکس و ساختارهای پروتئینی از پایگاه‌های DrugBank و Swiss-Prot هستند. نتایج نشان می‌دهد این رویکرد باعث افزایش چشمگیر دقت پیش‌بینی‌ها شده و دقت مدل‌ها را به 96/6 درصد رسانده است. این روش نوین طراحی داروهای مؤثرتر را تسهیل کرده، هزینه و زمان را کاهش داده و تحقیقات آینده را تقویت می‌کند.