چکیده امروزه کاربرد گسترده تشخیص اطالعات جعلی از جمله تشخیص گفتار جعلی )Speech Fake Detecting )برای بسیاری از مراکز و سازمانها به خصوص در سیستمهایی که حفاظت از اطالعات افراد مانند اطالعات شخصی، اطالعات مالی، اطالعات شغلی و غیره دارای اهمیت باالیی است، برکسی پوشیده نیست. در دنیای امروز که استفاده فراوانی از سامانههای الکترونیکی برای کاربردهایی نظیر سامانههای ورود و خروج کارمندان از طریق گفتار آنها، دربهای الکترونیکی که با صدای افراد باز میشوند وغیره آسیبپذیری در تشخیص حمالت جعلی یک نگرانی جدی است؛ بنابراین تشخیص گفتار جعلی برای بسیاری از این سیستمها دارای اهمیت باالیی است. این پژوهش به دنبال ایجاد یک مدل قوی برای تشخیص گفتار جعلی است؛ در بخش اول به طور کلی میتوان گفت که به دنبال انتخاب یک ویژگی موثر در تشخیص گفتار جعلی است. بخش دوم شامل ایجاد یک مدل توصیفگر گفتار است؛ در این بخش با استفاده از ویژگیهای انتخاب شده در بخش اول، یک مدل برای توصیف گفتار ایجاد میشود. در بخش اول سعی در استخراج ویژگیهای موثر از گفتار که نشاندهنده هویت افراد، به طور خاص ویژگیهای طیف فاز و ویژگیهای لوله صوتی، است. در بخش دوم برای ساختن مدل توصیفگر گفتار از روشهای یادگیری ماشین ) که به صورت کارا و گسترده مورداستفاده قرار میگیرند، استفاده شده است. با توجه به اینکه در اکثرمطالعات قبلی اطالعات فاز گفتار درنظر گرفته نشده است، انتظار میرفت که ترکیب اطالعات فاز و ویژگیهای لوله صوتی بتواند تاثیر خوبی در ایجاد یک مدل قوی برای تشخیص گفتار جعلی داشته باشد. در این پژوهش ویژگی فاز گفتار از دادگان وظیفه گفتار جعلی عمیق )DF )پایگاه داده 1 استخراج شده است. نتایج نشان میدهد که روش پیشنهادی از مدلهای پایه عملکرد بهتری دارد. به طور مشخص عملکرد روش پیشنهادی نسبت به مدلهای بهبود قاMبلتوجهیداشته است: نرخ خطای برابر) )در روش پیشنهادی نسبت به مدل( و نیز نسبتبه مدل -Lکاهش( کاهش یافته است. با توجه به نتایج به دست آمده میتوان از ویژگیهای فاز برای ایجاد یک مدل قوی برای تشخیص گفتار جعلی استفاده کرد. همچنین برای طبقهبندی ویژگیها، شبکههای عصبی مختلفی مورد آزمایش قرار گرفته است که نتایج آزمایشها نشاندهنده عملکرد بهتر شبکه عصبی کانولوشنی در طبقهبندی ویژگیها است. کلمات کلیدی : گفتار جعلی، ضد جعل، تبدیل صدا، استخراج ویژگیها، گفتار جعلی عمیق، تشخیصگفتار جعلی، شبکههای عصبی عمیق، تایید خودکار هویت گوینده.  

چکیده: تشخیص احساسات چندوجهی با بهره‌گیری هم‌زمان از اطلاعات صوتی، تصویری و متنی، امکان استفاده از سرنخ‌های مکمل احساسی را فراهم می‌کند؛ با این حال، بسیاری از مدل‌های چندوجهی به دلیل پیچیدگی معماری و تعداد زیاد پارامترها، برای استقرار در سامانه‌های دارای منابع محاسباتی محدود مناسب نیستند. در این پژوهش، یک چارچوب سبک مبتنی بر چکانش دانش برای تشخیص احساسات چندوجهی ارائه شد که در آن دانش از یک مدل معلم سه‌مدالیتی شامل صوت، تصویر و متن، به یک مدل دانش‌آموز دومدالیتی سبک شامل صوت و تصویر منتقل می‌شود. ایده اصلی روش پیشنهادی، استفاده از متن به‌عنوان «اطلاعات ممتاز» در مرحله آموزش است؛ به‌گونه‌ای که اطلاعات متنی در اختیار مدل معلم قرار دارد و دانش حاصل از آن به دانش‌آموز منتقل می‌شود، اما در زمان استنتاج، به‌منظور کاهش هزینه محاسباتی و پیچیدگی استقرار، مدالیتی متن از ورودی مدل دانش‌آموز حذف شده و مدل نهایی تنها به صوت و تصویر نیاز دارد. مدل دانش‌آموز از یک شاخه کانولوشنی سبک برای پردازش صوت، یک رمزگذار بینایی سبک مبتنی بر شبکه‌های کانولوشنی و یک سازوکار فیوژن دروازه‌ای استفاده می‌کند. انتقال دانش نیز از طریق اطلاعات خروجی معلم، بازنمایی‌های صوتی و تصویری، بازنمایی متن ممتاز و روابط میان بازنمایی‌های نمونه‌ها انجام شده است. همچنین، برای کاهش اثر حفظ داده‌های آموزشی توسط معلم، هدف‌های چکانش به‌صورت متقاطع‌برازش‌شده تولید شدند و هم‌ترازی زمانی صوت و تصویر در سطح نمونه نیز در فرایند پیش‌پردازش در نظر گرفته شد. روش پیشنهادی بر روی مجموعه‌داده‌های IEMOCAP و CMU-MOSEI ارزیابی شد. در IEMOCAP، مدل دانش‌آموز بدون چکانش دانش به دقت ?????درصد دست یافت، در حالی که استفاده از روش کامل چکانش دانش در مدل نهایی این مقدار را به ?????درصد افزایش داد. مدل نهایی تنها ???? میلیون پارامتر دارد. در CMU-MOSEI نیز اعمال همان معماری و روش چکانش، بدون تغییر در ساختار مدل، دقت را از ????? به ?????درصد افزایش داد. نتایج آزمون حذف مولفه‌ها نیز نشان داد که انتقال بازنمایی متن ممتاز و همینطور کانال‌های چکانش روش پیشنهادی نقش موثری در بهبود عملکرد مدل دانش‌آموز دارد؛ به‌طوری‌که حذف هر یک از این کانال‌ها موجب کاهش دقت مدل شد. در مجموع، نتایج نشان می‌دهند که می‌توان با استفاده از اطلاعات متنی تنها در مرحله آموزش و انتقال دانش آن به یک مدل صوتی- تصویری سبک، بخشی از مزیت مدل سه‌مدالیتی را بدون تحمیل هزینه پردازش متن در زمان استقرار حفظ کرد.

گسترش سریع فناوری‌های تولید تصویر مبتنی بر هوش مصنوعی و پیشرفت مدل‌های مولد، تشخیص تصاویر جعلی و دست‌کاری‌شده را به یکی از چالش‌های مهم حوزه بینایی ماشین و جرم‌شناسی دیجیتال تبدیل کرده است. تصاویر تولیدشده توسط مدل‌های مولد و تصاویر ویرایش‌شده توسط انسان می‌توانند از نظر ظاهری شباهت زیادی به تصاویر واقعی داشته باشند و روش‌های سنتی تشخیص مبتنی بر بررسی انسانی یا ویژگی‌های منفرد، در بسیاری از موارد با محدودیت مواجه می‌شوند. ازاین‌رو، توسعه سامانه‌های هوشمند مبتنی بر یادگیری عمیق که بتوانند از اطلاعات مکمل موجود در تصویر بهره‌برداری کنند، اهمیت زیادی دارد. در این پژوهش، یک معماری ترکیبی چندوجهی با عنوان HMFT برای تشخیص تصاویر چهره واقعی و جعلی ارائه شده است. معماری پیشنهادی از سه جریان پردازشی مکمل شامل جریان ویژگی‌های بصری مبتنی بر شبکه ResNet-50، جریان ویژگی‌های فرکانسی و نویزی مبتنی بر تبدیل کسینوسی گسسته (DCT[1]) و فیلترهای Spatial Rich Model (SRM)، و جریان ویژگی‌های معنایی تصویری مبتنی بر مدل CLIP[2] تشکیل شده است. ویژگی‌های استخراج‌شده از این جریان‌ها پس از نگاشت به فضای ویژگی مشترک، با استفاده از یک ماژول ادغام مبتنی بر Transformer Fusion ترکیب شده و برای تصمیم‌گیری نهایی در اختیار طبقه‌بند قرار می‌گیرند. مدل پیشنهادی بر روی مجموعه‌داده‌های CIPLAB Real and Fake Face Detection و Hard Dataset (Fake-Vs-Real-Faces (Hard))، که شامل تصاویر چهره جعلی تولیدشده با GAN است، ارزیابی شد. به‌منظور افزایش اعتبار نتایج، از روش اعتبارسنجی متقابل طبقه‌بندی‌شده پنج‌بخشی استفاده گردید. در مجموعه‌داده CIPLAB، مسیر نهایی HMFT–HOG–RBF-SVM به میانگین دقت ???76?، دقت متوازن ???75?، دقت مثبت ???79?، بازخوانی ???69?، F1-score برابر با ???74?، ROC-AUC   برابر با ???996? و PR-AUC برابر با ???995? دست یافت. مسیر HMFT–MLP نیز برای مقایسه ارزیابی شد و میانگین دقت ???51? را به دست آورد. در Hard Dataset، مسیر HMFT–MLP به میانگین دقت ?????? و F1-score برابر با ?????? دست یافت که نشان‌دهنده توانایی مناسب معماری در تشخیص نمونه‌های تولیدشده با GAN در این مجموعه‌داده و حفظ عملکرد در شرایط دشوارتر است. نتایج مطالعه حذف مولفه‌ها [3]نیز نشان داد که تمامی اجزای معماری در عملکرد نهایی مدل نقش موثری دارند. به‌طور ویژه، حذف ویژگی‌های معنایی استخراج‌شده توسط CLIP موجب کاهش شدید عملکرد مدل شد و اهمیت استفاده هم‌زمان از اطلاعات بصری، فرکانسی و معنایی را تایید کرد. همچنین حذف مولفه‌های فرکانسی، ویژگی‌های تصویری و ماژول ادغام Transformer باعث افت محسوس معیارهای ارزیابی گردید. در مجموع، نتایج این پژوهش نشان می‌دهد که معماری HMFT با بهره‌گیری از ادغام چندسطحی ویژگی‌ها و استفاده از سازوکار توجه مبتنی بر Transformer، قادر است تصاویر چهره واقعی و جعلی را با دقت و پایداری بالا تفکیک کند. این معماری می‌تواند به‌عنوان یک چارچوب موثر برای توسعه سامانه‌های هوشمند تشخیص محتوای جعلی در کاربردهای امنیتی، رسانه‌ای و جرم‌شناسی دیجیتال مورد استفاده قرار گیرد. کلمات کلیدی: یادگیری عمیق، تشخیص تصاویر جعلی، جرم‌شناسی دیجیتال، ResNet-50، CLIP، ادغام چندوجهی ویژگی‌ها [1] Discrete Cosine Transform [2]

فیبروز کبدی یکی از پیامدهای مهم بیماری‌های مزمن کبدی است که در صورت تشخیص دیرهنگام می‌تواند به مراحل پیشرفته و سیروز منجر شود. تشخیص و درجه‌بندی دقیق این بیماری، به‌ویژه در مراحل میانی، نقش مهمی در انتخاب راهبرد درمانی و پایش روند بیماری دارد. با وجود کاربرد گسترده سونوگرافی به‌عنوان روشی غیرتهاجمی، در دسترس و کم‌هزینه، تفسیر تصاویر آن تا حد زیادی به تجربه متخصص وابسته است. پژوهش حاضر با هدف طراحی و پیاده‌سازی یک مدل مبتنی بر یادگیری عمیق برای تشخیص و درجه‌بندی خودکار فیبروز کبدی از تصاویر سونوگرافی و استفاده از آن به‌عنوان هسته هوشمند یک سامانه تحت وب انجام شده است. در این پژوهش، معماری ترکیبی چندشاخه‌ای MultiBranch-AHCTNet ارائه شد که از شبکه پایه ازپیش‌آموزش‌دیده ConvNeXt-Tiny، چهار شاخه پردازشی مبتنی بر شبکه‌های عصبی پیچشی و ترنسفورمر، واحد مسیریاب و سازوکار دروازه‌گذاری تنک با انتخاب دو گزینه برتر بهره می‌گیرد. این ساختار با هدف استخراج و ترکیب ویژگی‌های محلی، سراسری و چندمقیاسی و انتخاب تطبیقی مسیرهای پردازشی طراحی شد. همچنین، نسخه توسعه‌یافته MultiBranch-AHCTNet-SF با استفاده از یک واحد قابل‌آموزش فضایی–فرکانسی ارائه شد که اطلاعات تصویر اصلی و ویژگی‌های حاصل از تبدیل فوریه را پیش از ورود به شبکه پایه ترکیب می‌کند. مجموعه‌داده پژوهش شامل ???? تصویر سونوگرافی کبد در پنج کلاس F0 تا F4 بود. عملکرد مدل اصلی با اعتبارسنجی متقاطع طبقه‌بندی‌شده پنج‌بخشی ارزیابی شد. نتایج نشان داد MultiBranch-AHCTNet به میانگین دقت ?????? درصد، دقت مثبت ????? درصد، بازخوانی ????? درصد، امتیاز F1 برابر با ????? درصد و AUROC   برابر با ????? درصد دست یافته است. مدل اصلی با حدود ????? میلیون پارامتر، پیچیدگی محاسباتی برآوردشده ?????? GFLOPs ، میانگین زمان استنتاج ?????? ثانیه برای هر تصویر و بیشینه مصرف حافظه GPU حدود ??????? مگابایت ارزیابی شد. نسخه MultiBranch-AHCTNet-SF نیز با تعداد پارامتر تقریباً مشابه، پیچیدگی محاسباتی برآوردشده ?????? GFLOPs ، میانگین زمان استنتاج ?????? ثانیه و بیشینه مصرف حافظه GPU حدود ??????? مگابایت، در ارزیابی مبتنی بر تقسیم ??/?? به دقت ????? درصد و AUROC برابر با ????? درصد دست یافت. با توجه به تفاوت پروتکل ارزیابی دو مدل، مقایسه مستقیم عملکرد تشخیصی آن‌ها باید با احتیاط انجام شود.   

   هدف این پژوهش، طراحی و پیاده‌سازی چارچوبی هوشمند و کارآمد برای تشخیص نفوذ در دستگاه‌های اینترنت اشیا با استفاده از رویکرد نوین یادگیری فدرال [1](FL) است. با گسترش روزافزون اینترنت اشیا در حوزه‌هایی نظیر سلامت، صنعت، کشاورزی و شهرهای هوشمند، حجم عظیمی از داده‌ها توسط دستگاه‌های متصل تولید می‌شود که حفظ امنیت و حریم خصوصی آن‌ها به یکی از چالش‌های اساسی تبدیل شده است. روش‌های متمرکز سنتی تشخیص نفوذ، به‌دلیل نیاز به انتقال داده‌ها به سرور مرکزی، محدودیت منابع محاسباتی و ناهمگونی سخت‌افزاری دستگاه‌ها، دیگر پاسخ‌گوی نیازهای امنیتی این محیط نیستند. در این پژوهش چارچوبی نوین با عنوان عامل هوشمند تطبیقی[2](ASA)   پیشنهاد شده است که با ایجاد یک لایه عامل هوشمند ، دستگاه‌ها را بر اساس ویژگی‌های سخت‌افزاری نظیر توان پردازشی، ظرفیت حافظه و پهنای باند به سه خوشه[3]‌ی اصلی تقسیم کرده و مدل‌های متناسب با هر گروه را طراحی می‌کند. در این چارچوب، فرآیند آموزش به‌صورت محلی انجام می‌شود و تنها به‌روزرسانی پارامترهای مدل به سرور مرکزی ارسال می‌گردد. این امر ضمن حفظ حریم خصوصی داده‌ها، موجب کاهش قابل‌توجه بار ارتباطی و انرژی مصرفی می‌شود. یافته‌های حاصل از پیاده‌سازی و آزمایش چارچوب پیشنهادی بر روی مجموعه‌داده‌های مرجع نشان داد که ASA در این پژوهش، چارچوب ASA به‌عنوان یک روش نوین برای تشخیص نفوذ در سیستم‌های اینترنت اشیا معرفی شده است. نتایج آزمایش‌ها نشان می‌دهد که ASA در مقایسه با روش‌های سنتی یادگیری فدرال، دقت بالاتری در تشخیص حملات مختلف از جمله حملات DDoS و نفوذهای ترکیبی دارد. به‌طور خاص، در مجموعه‌داده TON_IoT، دقت 9/93   درصد بود، در حالی که دقت روش‌های سنتی FedAvg و FedProx به ترتیب 64/88 درصد و 99/89 درصد ثبت شد. همچنین، در مجموعه‌داده N-Baiot، نرخ کشف حملات توسط ASA ، 5/93 درصد بود، در حالی که این نرخ در FedAvg و FedProx به ترتیب 89   درصد و 91 درصد بود.در خصوص نرخ مثبت کاذب، ASA توانست این نرخ را به ? درصد کاهش دهد، در حالی که در FedAvg و FedProx   این نرخ به ترتیب ? درصد و ? درصد بود. این نتایج نشان می‌دهند که ASA نه تنها دقت بالاتری دارد، بلکه در کاهش اشتباهات شناسایی نیز عملکرد بهتری از خود نشان داده است در پایان، پیشنهاد شده است که توسعه‌های آینده این چارچوب با تمرکز بر بهینه‌سازی زمان همگرایی مدل، افزایش تحمل خطا، و ترکیب یادگیری فدرال با رایانش مه و لبه دنبال شود تا امکان استقرار آن در زیرساخت‌های واقعی اینترنت اشیا فراهم گردد. [1] Federated Learning [2] Adaptive Smart Agent

   در این پژوهش، الگوریتم ترکیبی WOA-Q Learning برای زمان‌بندی بلادرنگ وظایف در محیط‌های تلفیقی Fog-Cloud ارائه شده است. این الگوریتم با ترکیب قابلیت جستجوی سراسری الگوریتم بهینه‌سازی نهنگ‌ها (WOA) و توان تصمیم‌گیری تطبیقی یادگیری تقویتی (Q-Learning)، به بهینه‌سازی تخصیص منابع و کاهش تاخیر کمک می‌کند. شبیه‌سازی‌ها در محیط MATLAB و بر روی سناریوهای مختلف شامل ?? تا ??? وظیفه انجام گرفت. نتایج نشان داد که الگوریتم پیشنهادی در مقایسه با روش‌های مرجع مانند EDF، PSO، WOA و QL، در چهار معیار اصلی شامل تاخیر کل، مصرف انرژی، نرخ عدم موفقیت ددلاین و بهره‌وری زمان‌بندی عملکرد برتری دارد. الگوریتم WOA-Q توانست تاخیر کل را تا ??? و مصرف انرژی را تا ??? کاهش دهد و نرخ عدم موفقیت ددلاین را به حدود ???? برساند. هرچند زمان اجرای آن اندکی بیشتر است، اما بهبود قابل‌توجه در سایر شاخص‌ها، کارایی کلی آن را اثبات می‌کند. این نتایج بیانگر اثربخشی ترکیب روش‌های فراابتکاری و یادگیری ماشین در ارتقای سیستم‌های بلادرنگ و کاربردپذیری آن در حوزه‌هایی نظیر اینترنت اشیا و محاسبات لبه است.    کلیدواژها: بهینه‏سازی، زمانبندی بلادرنگ، محیط‏های ابری-مه، اینترنت اشیاء

بیماری اماس (MS) بهعنوان یکی از بیماریهای مزمن و ناتوانکننده سیستم عصبی مرکزی، چالشهای زیادی را در حوزه تشخیص و درمان برای پزشکان و سیستمهای سلامت ایجاد کرده است. شناسایی سریع و دقیق ضایعات نا شی از این بیماری در تصاویر MRI بهوا سطه شباهتهای ساختاری با سایر بافتهای مغزی، نیازمند بهرهگیری از روشهای دقیق و پیشرفته پردازش تصویر و یادگیری ماشین است. در این پژوهش، مدلی بهینهشده با عنوان DE-CNN-Gray برای تشخیص خودکار بیماری MS از روی تصاویر MRI مقیاس خاکستری ارائه شده است. در این مدل، ابتدا یک شبکه عصبی کانولوشنی طراحی و سپس با استفاده از الگوریتم تکامل تفاضلی (Differential Evolution) ، ساختار شبکه شامل تعداد لایهها و پارامترهای موثر بهینهسازی شده است. هدف اصلی از این بهینهسازی، افزایش دقت طبقهبندی و کاهش پیچیدگی محاسباتی مدل بوده است. ارزیابی مدل با ا ستفاده از اعتبار سنجی پنجتایی (5-Fold) ن شان داد که روش پی شنهادی با دقت 99.40? ، ح سا سیت 98.89? ، دقت مثبت 99.90? و امتیاز F1 برابر 99.33? عملکرد ب سیار موفقی در شنا سایی بیماران مبتلا به MS دا شته است. نتایج حاصل نشان میدهد که روش DE-CNN-Gray با بهرهگیری از تصاویر خاکستری و الگوریتمهای فراابتکاری میتواند بهعنوان ابزاری دقیق، سریع و کمهزینه برای توسعه سیستمهای تشخیص بیماری MS بهکار گرفته شود و نقش موثری در بهبود روند درمان و کاهش هزینههای درمانی ایفا کند  

امروزه با گسترش شهرهای هوشمند و نیاز فزاینده به تحلیل دقیق و لحظه‌ای زیرساخت‌های جاده‌ای، طراحی سامانه‌هایی مبتنی بر هوش مصنوعی که توانایی درک، تحلیل و ثبت اطلاعات محیطی را داشته باشند، بیش از پیش اهمیت یافته است. در همین راستا، این پژوهش به طراحی و پیاده‌سازی یک سامانه نوین برای تشخیص، ردیابی و مکان‌یابی خودکار علائم ترافیکی اختصاص دارد که نه‌تنها مرزهای فنی را گسترش می‌دهد، بلکه در بعد بومی‌سازی داده نیز گامی ارزشمند برداشته است. در این سیستم، از مدل پیشرفته YOLOv9 برای شناسایی دقیق علائم ترافیکی و از الگوریتم قدرتمند ByteTrack برای ردیابی پیوسته‌ی آن‌ها بهره گرفته شده است. اما آنچه این پژوهش را متمایز و پیشرو می‌سازد، بهره‌گیری نوآورانه از یادگیری فدراسیونی با الگوریتم FedAvg برای نخستین‌بار در حوزه تشخیص علائم ترافیکی است؛ روشی که در آن مجموعه‌داده‌هایی ناهمگون از نظر تعداد نمونه و تنوع کلاس‌ها، از جمله دو بخش مجزای DFG و Mapillary، بدون نیاز به تجمیع فیزیکی، در فرآیند آموزش مدل شرکت داده شده‌اند. این رویکرد، علاوه بر حفظ حریم داده، باعث گسترش چشمگیر قابلیت تعمیم‌پذیری مدل شده است. در بخش داده، مجموعه‌ای غنی و بی‌سابقه شامل ????1 تصویر با بیش از ????? علائم ترافیکی در ??? کلاس مختلف طی دو سال و در شرایط زمانی گوناگون (صبح، ظهر، غروب، شب) و چهار فصل سال، از مناطق شهری، روستایی و بین‌شهری سراسر کشور با دوربین تلفن همراه جمع‌آوری گردیده است. حاشیه‌نویسی تصاویر نیز به‌صورت دقیق با استفاده از ابزار MakeSense در دو قالب YOLO (.txt) و Pascal VOC (.xml) انجام شده است. ارزیابی عملکرد سامانه با استفاده از روش 6-Fold Cross Validation   نشان‌دهنده‌ی دقت بالای آن بوده، به‌گونه‌ای که مدل پیشنهادی موفق به کسب mAP50 برابر با ?????? گردیده است. این عدد نه‌تنها گویای کارایی بالای مدل در شرایط واقعی است، بلکه در مقایسه با نسخه‌های مختلف YOLOv5 تا YOLOv11، برتری محسوسی را نشان می‌دهد. ایده اولیه این پروژه، با پیشنهاد شهرداری تهران برای طراحی نقشه‌ای دیجیتال از علائم ترافیکی شکل گرفت، اما دستاوردهای آن فراتر از یک کاربرد شهری است و می‌تواند به‌عنوان ابزاری کلیدی در سیستم‌های ناوبری، خودروهای هوشمند، تحلیل‌های مکانی، و تدوین نقشه‌ی ملی علائم ترافیکی ایران مورد بهره‌برداری قرار گیرد. این پژوهش، ترکیبی از فناوری پیشرفته، داده‌محوری بومی و معماری‌های نوین هوش مصنوعی را به کار گرفته تا آینده‌ای هوشمندتر و ایمن‌تر را برای جاده‌های کشور ترسیم کند.

در سال‌های اخیر، رشد سریع شبکه‌های اجتماعی بستری غنی از داده‌های متنی را فراهم آورده است که تحلیل آن‌ها می‌تواند به درک بهتر نگرش و دیدگاه کاربران نسبت به موضوعات مختلف کمک کند. اینستاگرام و توییتر از محبوب‌ترین شبکه‌های اجتماعی هستند که کاربران در آن‌ها آزادانه به بیان نظرات خود می‌پردازند و این فضاهای تعاملی فرصتی ارزشمند برای تحلیل احساسات کاربران نسبت به موضوعات مختلف فراهم آورده است. با این حال، حجم و تنوع بالای داده‌ها، تحلیل دستی را دشوار و زمان‌بر می‌کند؛ از این رو، استفاده از روش‌های خودکار پردازش زبان طبیعی ضروری است. هدف این پژوهش، تحلیل احساسات متون فارسی منتشرشده در اینستاگرام و توییتر و بررسی عملکرد مدل‌های مختلف یادگیری عمیق در این زمینه است. به همین منظور، تحلیل احساسات بر روی دو مجموعه داده متفاوت از این سکوها انجام شده است. مجموعه دادگان اول شامل نظرات کاربران در صفحه اینستاگرام برنامه "حال خورشید" است که از پایگاه داده کگل دریافت شده و شامل 4448 نمونه آموزشی و 1429 نمونه آزمایشی است. مجموعه دادگان دوم، توییت‌های مرتبط با انتخابات ایران در سال‌های 1400 و 1403 را شامل می‌شود که با هشتگ‌گذاری جمع‌آوری شده و شامل 2605 نمونه آموزشی و 1321 نمونه آزمایشی است. برچسب‌گذاری این داده‌ها با دو کلاس مثبت و منفی توسط سه نفر و با استفاده از رای اکثریت انجام شده است. در این پژوهش برای تحلیل نظرات کاربران از پنج معماری مختلف با نام‌های Bert-fa-base-uncased, Distil-bert, Bert-fa-zwnj, GRU و LSTM   استفاده شده است و این مدل‌ها با دو بهینه‌ساز‌ SGD و Adam ارزیابی شده اند. نتایج به دست آمده نشان دهنده‌ صحت   93‌ %   برای دادگان توییتر و 80%   برای دادگان اینستاگرام با استفاده از مدل Bert-fa-base-uncased می‌باشد که این مدل نسبت به سایر مدل‌های بررسی شده عملکرد بهتری را در هر دو مجموعه داشته است. همچنین در مطالعه صورت گرفته نشان داده شده است که استفاده از بهینه‌ساز   Adam نسبت به SGD عملکرد بهتری داشته است. این پژوهش نشان داد که استفاده از مدل‌های مبتنی بر یادگیری عمیق، به‌ویژه Bert-fa-base-uncased می‌تواند در تحلیل احساسات متون فارسی با دقت بالا و کارایی مناسب عمل کند و داده‌های تولید شده در سکوهای پرکاربردی نظیر اینستاگرام و توییتر را به‌صورت موثر پردازش کند.   

خواب یکی از نیازهای اساسی انسان است که تاثیر زیادی بر سلامت جسمی و روانی دارد. استرس در خواب می‌تواند منجر به اختلالات خواب و مشکلات مرتبط با سلامت شود، بنابراین پیش‌بینی دقیق استرس خواب از اهمیت ویژه‌ای برخوردار است. این پایان‌نامه به بررسی تشخیص استرس خواب با استفاده از یادگیری عمیق، به ویژه مدل‌های شبکه عصبی بازگشتی LSTM، GRU و یک مدل ترکیبی از این دو می‌پردازد. هدف این پژوهش، ارائه مدلی کارآمد و دقیق برای پیش‌بینی و تشخیص استرس خواب بر اساس مجموعه داده SaYoPillow است. در این پژوهش، مدل‌های مختلف ارزیابی شدند و نتایج به دست آمده نشان داد که مدل ترکیبی Bidirectional LSTM-GRU   با دقت 1.00، درستی 1.00، بازخوانی 1.00 و امتیاز F1 برابر با 1.00، بهترین عملکرد را نسبت به مدل‌های تکی LSTM ،GRU و MLP در تشخیص هر 5 سطح استرس خواب دارد. برای ارزیابی از اعتبار سنجی متقاطع 10 فولد استفاده شد. استفاده از ماتریس درهم‌ریختگی و معیارهای ارزیابی مانند دقت، درستی، بازخوانی و امتیاز F1 نشان داد که مدل ترکیبی نه تنها در تشخیص نمونه‌های مثبت دقت بالایی دارد، بلکه خطاهای مربوط به تشخیص نمونه‌های منفی را نیز کاهش می‌دهد. این پژوهش نشان می‌دهد که مدل‌های یادگیری عمیق به ویژه مدل ترکیبی Bidirectional LSTM-GRU می‌توانند ابزارهای موثری برای تشخیص استرس خواب باشند و از این طریق به بهبود کیفیت خواب و سلامت افراد کمک کنند. توسعه این مدل‌ها می‌تواند به پزشکان و متخصصان کمک کند تا راهکارهای پیشگیرانه و درمانی مناسبی برای مدیریت استرس خواب ارائه دهند.   

Abstract Hydrogen production as a clean and sustainable energy source, particularly through water splitting, is considered one of the fundamental challenges in the field of renewable energy. In this study, the process of hydrogen production through photocatalytic water splitting using photocatalysts Bi?WO? and CuBi?O? with different weight ratios is investigated and analyzed. The two photocatalysts, CuBi?O? and Bi?WO?, were synthesized via a hydrothermal method and subsequently combined in various weight percentages. Due to their unique properties in light absorption and charge transfer enhancement, these photocatalysts have the potential to exhibit high efficiency in hydrogen production from water. To characterize the Bi?WO? and CuBi?O? photocatalysts, several analytical techniques were employed. Subsequently, the impact of forming a heterogeneous junction between these two materials on water splitting performance was examined. All reactions were conducted under UV-Visible light in a 160 mL quartz reactor. Experimental results indicate that although the pure Bi?WO? and CuBi?O? photocatalysts produce hydrogen at rates of 131.87 ?molg?¹ h?¹ and 165.56 ?molg?¹ h?¹, respectively, the heterogeneous Bi?WO?/CuBi?O? junction in the optimized sample significantly increases the hydrogen production rate to 341.25 ?molg?¹ h?¹ compared to the individual photocatalysts. This enhancement in efficiency is attributed to improved light absorption, increased electron and hole lifetimes, and reduced electron recombination.   Keywords: Photocatalyst, CuBi?O?, Bi?WO?, Water Splitting, Heterojunction

تحول دیجیتال در حوزه‌ی دولت الکترونیک و مدیریت زمین به عنوان یک خدمت دولتی، باعث تلاش برای   یکپارچه‌سازی فرایندها و داده‌ها از طریق یک درگاه واحد شده که سامانه‌ی پنجره واحد نام دارد. با این حال، ارزیابی میزان بلوغ این نوع سامانه و پیگیری پیشرفت‌، همچنان یک چالش اساسی محسوب می‌شود. این پایان‌نامه با هدف ارائه یک مدل بلوغ توصیفی برای ارزیابی پنجره واحد مدیریت زمین طراحی شده است. مدل پیشنهادی با استفاده از روش مطالعات کتابخانه‌ای و تلفیق مدل‌های مرجع همچون روش شناسی ارزیابی پنجره واحد تجارت سازمان تجارت جهانی (SWAM)، مدل بلوغ سازمان جهانی گمرک (WCO) برای پنجره واحد تجارت ، یک‌پارچگی مدل بلوغ قابلیت (CMMI)، چارچوب معماری گروه اوپن (TOGAF)، شاخص بلوغ دولت الکترونیک سازمان ملل (EGDI)، بلوغ سنجی‌های سازمان همکاری اقتصادی و توسعه (OECD)، مدل بلوغ پنج سطحی دولت الکترونیک ایران و چند مدل و چارچوب دیگر تدوین شده است. در این مدل، بلوغ سامانه بر اساس چندین حوزه فرایند کلیدی، از جمله سطح یک‌پارچگی، مدیریت داده‌ها، رابط کاربری، مشارکت ذی‌نفعان، شفافیت و عملکرد سیستم، پایش و نظارت هوشمند و ... ارزیابی می‌شود. مدل پیشنهادی در پنج سطح بلوغ (آغازین، استاندارد، یک‌پارچه، پیشرفته و بهینه‌سازی و نوآوری) ارائه شده است که بر هم‌راستایی با فازهای A، B و C از روش توسعه معماری TOGAF، یک‌پارچگی مدل بلوغ قابلیت (CMMI) و )، مدل بلوغ پنج سطحی دولت الکترونیک ایران تاکید دارد. برای ارزیابی مدل، از نظر خبرگان و تحلیل تطبیقی با مدل‌های مرجع استفاده شده است. نتایج نشان می‌دهد که مهم‌ترین مزایای مدل پیشنهادی تلفیق معیارهای چندین مدل معتبر، پوشش شاخص‌های متنوع و سازگاری با ویژگی‌های خاص پنجره واحد مدیریت زمین است. با این حال، مدل پیشنهادی دارای نقایصی از جمله نبود روشی دقیق برای وزن‌دهی شاخص‌ها، پوشش محدود ملاحظات امنیتی پیشرفته و وابستگی به کیفیت و دسترسی به داده‌ها   است که می‌تواند در پژوهش‌های آتی مورد بررسی قرار گیرد.    واژگان کلیدی: مدل بلوغ، پنجره واحد مدیریت زمین، پنجره واحد، دولت الکترونیک، ارزیابی بلوغ سامانه‌ها.

سیگنال‌های متداولی که از فعالیت‌های عصبی مغز ثبت می‌شوند، مانند [1]EEG یا   MEG[2]، سیگنال‌های غیرایستا هستند. بنابراین، ابزارهای تحلیل زمان–فرکانس برای تحلیل چنین سیگنال‌هایی مناسب هستند. طی سال‌ها، تحلیل زمان–فرکانس کاربردهای متعددی در علوم اعصاب محاسباتی یافته است، از جمله در تشخیص بیماری‌هایی همچون اسکیزوفرنی در بزرگسالان تا درک اختلالات طیف اوتیسم در کودکان و شناسایی تشنج در نوزادان. با پیشرفت در منابع محاسباتی و انواع مختلف ابزارهای تصویربرداری، تحلیل زمان–فرکانس در آستانه‌ی تبدیل شدن به یکی از مهم‌ترین ابزارهای اصلی در حوزه علوم اعصاب محاسباتی است. میخواهیم روش‌های بررسی ویژگی‌های شبکه‌های مغزی را با استفاده از ابزارهای نمایش زمان-فرکانس مورد بررسی قرار می‌دهیم. در این پایان‌نامه روش‌های همزمانی فاز مبتنی بر زمان-فرکانس معرفی و تحلیل میگردد. توزیع زمان-فرکانس شامل روش‌های WVD[3], Rihaczek, spectrogram , EMBD[4] , … میباشدکه موارد مورد نظر به اختصار مورد بررسی قرار گرفته‌اند . با استفاده از نمایش‌های زمان فرکانس می‌توانیم به ویژگی‌های متغیر با زمان شبکه‌های مغزی برسیم. نتایجی که در این پایان نامه ارائه شده نشان میدهد که همزمانی فاز مبتنی بر زمان-فرکانس معیار خوبی برای بررسی اتصالات موثر شبکه‌های مغز میباشد که استفاده از این امکان به ما اجازه می‌دهد تا ابزارهای تحلیلی قدرتمندی برای بررسی و درک بهتر شبکه‌های مغزی و رفتار دینامیکی آنها در طول زمان به کار ببریم. نتایج این ارزیابی نشان میدهد که روش‌های همگامی فاز مبتنی بر نمایش زمان-فرکانس میتوانند در تحلیل شبکه‌های مغزی کاربردهایی از جمله، مطالعه سیگنال‌های مغزی نوزادان و بزرگسالان، تشخیص بیماری‌هایی همچون صرع، مطالعه و کمک به تشخیص بیماریهای   چون پارکینسون و اوتیسم داشته باشد که منجر به راه‌های درمانی بهتر و موثرتر گردد. [1] Electroencephalography [2] Magnetoencephalograghy [3] Wigner ville distribution [4] Extended modified b-ditribution