طراحی تابع پاداش یکی از تصمیمات بنیادین در پیاده‌سازی سیستم‌هاییادگیری تقویتی عمیق است که تاثیر مستقیمی بر سرعت همگرایی، کیفیت سیاست نهایی و پایداری فرآیند یادگیری دارد. در این پژوهش، تاثیر سه استراتژی طراحی تابع پاداش شامل پاداش پراکنده، پاداش زاویه‌محور و پاداش چندهدفه بر عملکرد دو الگوریتم یادگیری تقویتی عمیق DQN و Double DQN در محیط کنترل کلاسیک CartPole-v1 به‌صورت تجربی مقایسه شده است. این محیط با دینامیک غیرخطی پاندول معکوس، به‌عنوان الگویی از سیستم‌های کنترل تعادل در رباتیک توان‌بخشی، مورد استفاده قرار گرفته است. آزمایش‌ها در قالب طرح ?×? (دو الگوریتم × سه تابع پاداش) و با ?? اجرای مستقل به ازای هر ترکیب، در مجموع ??? اجرای آموزشی انجام شد. ارزیابی بر اساس چهار معیار سرعت همگرایی، امتیاز ارزیابی مستقل، میانگین مقادیر Q و نرخ همگرایی صورت گرفت. نتایج نشان داد که نوع تابع پاداش تاثیری قوی‌تر از معماری الگوریتم بر سرعت همگرایی دارد؛ به‌گونه‌ای که این ترتیب در هر دو الگوریتم یکسان و به‌صورتی است که پاداش زاویه‌محور سریع‌ترین، پاداش چندهدفه متوسط و پاداش پراکنده کندترین همگرایی را در هر دو الگوریتم داشت. ترکیب DDQN با پاداش چندهدفه به‌عنوان بهینه‌ترین پیکربندی شناسایی شد وبا میانگین امتیاز ارزیابی 463.32، پایین‌ترین انحراف معیار درون‌اجرایی (7.08) و بین‌اجرایی (89.10) در میان تمام ترکیب‌ها، پایدارترین و قابل‌اتکاترین سیاست را ارائه داد. همچنین تایید شد که مکانیزم جداسازی انتخاب و ارزیابی عمل در DDQN، بیش‌برآوردی مقادیر Q را کاهش می‌دهد و این تاثیر در حضور پاداش‌های باینری با دامنه‌ی وسیع بارزتر است. یافته‌های این پژوهش می‌تواند راهنمای عملی برای طراحان سیستم‌های کنترل هوشمند در کاربردهای رباتیک پزشکی فراهم آورد.

افزایش روزافزون کاربرد سیست مهای مخابراتی و راداری په نباند و حساسیت این تجهیزات به تداخ لهای الکترومغناطیسی (EMI) ، نیاز مبرمی به توسع هی جاذبهای موج پیشرفته با قابلیت جذب بالا و پهنای باند عملیاتی گسترده ایجاد کرده است. جاذبهای فراماد های (Metamaterial Absorbers - MMA) به دلیل امکان کنترل بیسابق هی پارامترهای موثر الکتریکی و مغناطیسی از طریق طراحی هندسه، پاسخی اید هآل برای این نیاز فناورانه هستند. با این حال، اغلب این ساختارها ذاتاً باند باریکی دارند . هدف اصلی این پایاننامه، طراحی، بهین هسازی و تحلیل یک جاذب فراماد های صفح های فوقنازک و په نبان دو قابل تنظیم برای کاربرد در محدود هی فرکانسی X/Ku ( ??.?? تا ??.? گیگاهرتز( است. در این راستا، ابتدا یک ساختار پایه مرور شد و سپس از طریق یکرویه گا مب هگام سیستماتیک، با اعمال تغییرات هدفمند در هندس هی سلول واحد، نظیر افزودن حلق ههای ه ممرکز، ایجاد و تنظیم شکا فهای تشدیدی و معرفی مسیرهای مارپیچ، ساختار اصلی توسعه یافت . مکانیسم عملکرد مبتنی بر ایجاد همزمان رزونان سهای الکتریکی و مغناطیسی و کوپلینگ موثر بین آ نها است که منجر به تطبیق امپدانس بهینه با فضای آزاد و در نتیجه کاهش چشمگیر بازتاب میشود . برای تحلیل عملکرد، از شبی هسازی الکترومغناطیسی تما مموج در نرمافزار CST Studio Suite استفاده شد و پارامترهای پراکندگی، توزیع میدان و جریان سطحی به دقت بررسی گردید. در مرحلهی بعد، اثر آرای هسازی و کوپلینگ متقابل بین سلولها با بررسی دو آرایه با فواصل سلولی متفاوت مورد مطالعه قرار گرفت . دستاوردهای کلیدی این پژوه شعبارتند از : ? ( دستیابی به یکسلول واحد بهینه با ضخامت تنها ?.??? میل یمتر معادل تقریبی ? ? در فرکانس مرکزی که جذب بالای ??? را در پهنای باند ?.?? گیگاهرتزی ارائه م یدهد و در نقاط اوج به بازدهی حدود ??? میرسد. ? ( نشان دادن این که کوپلینگ متقابل در آرای ههای فشرد ه میتواند به عنوان یک پارامتر طراحی مثبت عمل کرده و منحنی پاسخ را هموارتر نماید . ساختار پیشنهادی به دلیل سازگاری با فناوری ساخت PCB و عملکرد پایدار در زوایای تابش مختلف، گزینهای عملی و امیدبخش برا ی کاربرد در سیستمهای راداری، مخابراتی نوین و فناور یهای کاهش سطح مقطع رادار ی (RCS) محسوب میشود  

رشد سریع تجارت اجتماعی به‌عنوان یکی از زیرشاخه‌های نوظهور تجارت الکترونیک، فرصت‌های گسترده‌ای برای کسب‌وکارها و کاربران ایجاد کرده است؛ با این‌حال، هم‌زمان با گسترش این فضا، تهدیدهای ناشی از جرایم سایبری نیز به‌طور چشمگیری افزایش یافته و امنیت کاربران را با چالش‌های جدی روبه‌رو کرده است. پیچیدگی رفتارهای مجرمانه، بهره‌گیری از فناوری‌های نوظهور توسط مهاجمان، ضعف آگاهی امنیتی کاربران و نبود زیرساخت‌های مناسب از جمله عواملی هستند که سطح آسیب‌پذیری تجارت اجتماعی را افزایش می‌دهند. از این‌رو، هدف اصلی این پژوهش شناسایی چالش‌های موثر بر وقوع جرایم سایبری در تجارت اجتماعی و ارائه راهکارهای مقابله با آن‌ها با تاکید بر توانمندسازی کاربران است. این پژوهش با رویکرد ترکیبی (کیفی–کمی) انجام شده است. در بخش کیفی، با استفاده از تحلیل محتوای نظام‌مند منابع معتبر و بهره‌گیری از نظر متخصصان به‌وسیله روش دلفی، مهم‌ترین چالش‌ها و مولفه‌های اثرگذار شناسایی گردید. در ادامه، داده‌های به‌دست‌آمده در بخش کمی از طریق پرسشنامه ساختاریافته و تحلیل‌های آماری مورد بررسی قرار گرفت تا میزان اهمیت هر عامل و تاثیر آن بر امنیت تجارت اجتماعی مشخص شود. یافته‌ها نشان می‌دهد که هفت مولفه کلیدی شامل آگاهی و آموزش کاربران، زیرساخت‌ها و تکنولوژی، اعتماد و تعامل کاربران، چالش¬های قانونی و سیاست گذاری، چالش¬های فنی و حملات خاص، توانمند سازی کاربران و نقش منابع انسانی و همچنین فناوری های نو ظهور بیشترین نقش را در شکل‌گیری تهدیدات و نیز کاهش آن‌ها دارند. نتایج تحقیق بیانگر آن است که توانمندسازی کاربران در سه بعد اصلی افزایش سواد رسانه‌ای و امنیتی، ارتقای مهارت‌های تشخیص تهدید و به‌کارگیری رفتارهای صحیح در تعاملات اجتماعی آنلاین می‌تواند به‌طور موثری احتمال قربانی شدن کاربران را کاهش دهد. همچنین ارائه راهکارهایی چون توسعه آموزش‌های هدفمند، طراحی مکانیزم‌های امنیتی کاربرمحور، تقویت قوانین حمایتی و به‌کارگیری فناوری‌های نوین مانند هوش مصنوعی در پایش تهدیدات، از الزامات اساسی برای ایجاد محیطی امن در تجارت اجتماعی است. در نهایت، مدل مفهومی ارائه‌شده در این تحقیق می‌تواند به‌عنوان الگویی کاربردی برای پلتفرم‌ها، سیاست‌گذاران و کسب‌وکارهای فعال در حوزه تجارت اجتماعی مورد استفاده قرار گیرد و گامی موثر در جهت کاهش جرایم سایبری و ارتقای امنیت کاربران باشد.

محاسبات تقریبی، یک رویکرد نویدبخش برای دستیابی به محاسبات با کارایی بالا و مصرف انرژی پایین، در کاربردهایی است که ذاتاً نسبت به خطا مقاوم هستند. در این کار، یک جمع‌کننده تقریبی پیشنهاد شده که شامل یک بلوک برش ثابت در بخش کم‌ارزش و چندین بلوک جمع غیرهمپوشان در بخش‌های پرارزش‌تر جمع‌کننده است. رقم‌نقلی هر بلوک با استفاده از پرارزش‌ترین بیت یکی از عملوندهای ورودی از بلوک قبلی تامین می‌شود. در بلوک پرارزش نهایی، دو روش دقیق‌تر برای تولید مقادیر کاندید برای رقم‌نقلی ورودی استفاده می‌شود. مقدار نهایی رقم‌نقلی ورودی برای این بلوک بر اساس مقادیر عملوندهای ورودی انتخاب می‌شود. در واقع، جمع‌کننده تقریبی پیشنهادی از ورودی آگاه است و عملکرد خود را به‌صورت پویا در یک یا دو ‌‌‌‌‌‌سیکل تنظیم می‌کند تا دقت را بهبود بخشد، در حالی که تاخیر میانگین را محدود می‌سازد.نتایج تجربی نشان می‌دهند که این جمع‌کننده پیشنهادی در مقایسه با جمع‌کننده‌های تقریبی پیشرفته موجود، توازن بهتری بین کیفیت و تلاش محاسباتی ارائه می‌دهد. پیکربندی‌های مختلف این جمع‌کننده، بدون هیچ‌گونه کاهش در دقت موجب بهبود تاخیر به میزان ?? درصد، انرژی مصرفی به میزان ?? درصد و حاصل‌ضرب انرژی-تاخیر (EDP) به میزان ?? درصد شده‌اند. علاوه بر این، کارایی این جمع‌کننده پیشنهادی در کاربردهایی مانند دیترینگ تصویر و پیش‌بینی قیمت سهام با استفاده از رگرسیون تایید شده‌است.   

   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

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.   

رایانش مه یک زیرساخت توزیع شده با امکان ارتباط، ذخیره‌سازی و محاسبه در لبه یک شبکه محلی و بسیار پویاست. فاصله زیاد سرویس­گیرنده­های یک محیط محلی با ابر و همچنین تعداد بسیار بالای درخواست‌ها از سایر محیط­ها که حساس به تاخیر هستند مشکلاتی را در ارائه خدمات ابری به وجود آورده است. درنتیجه استفاده از قابلیت محاسباتی منابع بیکار محلی و نزدیک به دستگاه‌های انتهایی همانند خودروهای با/بدون سرنشین و ایجاد یک شبکه ad-hoc تحت عنوان رایانش مه وسایل نقلیه سبب کاهش ارسال درخواست‌ها به ابر و همچنین کاهش زمان پاسخ می‌شوند. با این ‌وجود محدودیت منابع در رایانش مه وسایل نقلیه در مقایسه با ابر باعث ایجاد مشکلاتی از قبیل یافتن منابع آزاد از نظر توان محاسباتی و همچنین دسترس‌‌پذیری منابع در ارائه سرویس مطلوب به مشتری­ها می­شود. درنتیجه تلاش برای پیش­بینی درست میزان منابع درخواستی هر وظیفه می­تواند از هدر رفتن منابع محدود گره­های مه جلوگیری کند که این امر نیازمند روش‌هایی از قبیل یادگیری ماشین است تا بر اساس درخواست/پاسخ‌های دستگاه‌های انتهایی بتواند رفتار محیط را تا حدودی یاد گرفته و جهت رسیدن به کیفیت مطلوب سرویس­دهی، مقادیر مناسبی از منابع را در اختیار آن­ها قرار دهد. در این پژوهش با استفاده از یادگیری تقویتی عمیق QL روشی برای برنامه‌ریزی و پیش‌بینی منابع مورد‌نیاز یک مشتری خودرو هوشمند با معماری سه‌لایه رایانش خودرویی در بهینه‌سازی تخصیص منابع و بهبود عملکرد کلی سیستم ارائه شده است.این روش با استفاده از قابلیت‌های هوش مصنوعی و یادگیری تقویتی، رویکردی پویا و تطبیقی برای مدیریت منابع در یک محیط محاسباتی مه ارائه می‌دهد. دو الگوریتم اصلی برای مسئله پیش‌بینی و تخصیص منابع در این تحقیق پیشنهاد شده است. در انتها بر مبنای روش پیشنهادی از ابزارها و مجموعه داده­های مناسب جهت ارزیابی استفاده می‌شود. داده‌های مورداستفاده هم می‌توانند یک بازه‌ای مشاهده شده از دنیای واقعی باشند و هم می‌توانند از طریق ابزارهای شبیه‌سازی مانند Matlab تولید شوند. دیتاست مورداستفاده شامل وضعیت‌های خودروهای کلاینت، درخواست‌های آنها، گره‌های مه، تحرکات آنها و وظایف درخواست شده از سمت کلاینت‌ها در یک بازه زمانی خاص است. یافته‌های کلیدی این مطالعه نشان می‌دهد که یادگیری تقویتی QL می‌تواند به طور موثری میزان متناسب تخصیص منابع را با یادگیری از تجربیات گذشته و تصمیم‌گیری آگاهانه پیش‌بینی کند. با آموزش و به روزرسانی مستمر عامل یادگیری Q، سیستم می‌تواند با شرایط متغیر سازگار شود و تصمیمات تخصیص منابع را بر اساس اطلاعات بلادرنگ اتخاذ کند. همچنین نتایج آزمایش‌ها اثربخشی روش پیشنهادی را در بهینه‌سازی تخصیص منابع نشان می‌دهد. عامل یادگیری تقویتی QL اقدامات بهینه‌ای را یاد می‌گیرد که مصرف منابع را به حداقل می‌رساند درحالی‌که الزامات عملکرد سیستم مه را برآورده می‌کند. این منجر به بهبود کارایی، کاهش تاخیر و افزایش قابلیت اطمینان سیستم می‌شود.   

  تشخیص تومورهای مغزی از سطح تصاویر MRI یکی از چالشهای بزرگ در دنیای هوش مصنوعی و علوم مهندسی پزشکی به شمار میرود. تومورهای مغزی که با رشد خود میتوانند منجر به مرگ افراد شوند، نیاز است تا در مراحل اولیه، شناسایی گردند. دو دسته اصلی از تومورها وجود دارد که شامل تومورهای خوش خیم و بدخیم است. ساخت یک سیستم تشخیص هوشمند پزشکی در زمینه تشخیص تومور مغزی از سطح تصاویر MRI یکی از بخشهای مهم در علوم مهندسی پزشکی به شمار میرود که میتواند به پزشکان در تشخیص و شناسایی زودهنگام تومورها و سپس مراقبت و نگهداری از افراد تا بهبود کامل، کمک شایانی نماید. گلیوما شایع ترین تومورهای بدخیم مغزی با درجه های مختلف است که میزان بقا در بیماران را بسیار تعیین می کند.قطعه بندی و درجه بندی تومور با استفاده از تصویربرداری تشدید مغناطیسی )MRI )برای تشخیص و برنامه ریزی درمانی معمول و اساسی است. برای دستیابی به این نیاز بالینی، یک رویکرد یادگیری عمیق که ترکیبی از شبکه های عصبی کانولوشن )CNN )مبتنی بر شبکه UNet برای قطعه بندی تومور و انتقال یادگیری بر اساس پیچش یا کانولوشن از قبل آموزش دیده پایه Vgg16 و یک طبقه بندی کامال متصل برای درجه بندی تومور، توسعه یافته است. مدل های قطعه بندی و درجه بندی از همان خط لوله T1 -پیش مقابله، بازیابی وارونگی میراگر مایع ضعیف )FLAIR )و تصاویر MRI پس کنتراست T1 از 110 بیمار گلیومای درجه پایین )LGG )برای آموزش و ارزیابی استفاده می کنند. ضریب تشابه تاس )DSC )و دقت تشخیص تومور بدست آمده توسط مدل قطعه بندی به ترتیب 84/0 و 92/0 است.مدل درجه بندی LGG را با دقت، حساسیت و ویژگی 89.0 ، 87.0 و 92.0 به ترتیب در سطح تصاویر MRI و 95.0 ، 97.0 و 98.0 در سطح بیماران به درجه خوشخیم و درجه بدخیم طبقه بندی می کند. این کار پتانسیل استفاده از یادگیری عمیق در تصاویر MRI را برای ارائه ابزاری غیر تهاجمی برای قطعه بندی تومور به طور همزمان و خودکار ، تشخیص و درجه بندی تومور

   خواب حالت کاهش فعالیت ذهنی و بدنی است و برای بخشی از فعالیت های روزمره حیاتی است .وقتی خواب ناکافی است، چندین مشکل مانند اختلال در یادگیری و افزایش خطر ابتلا به بیماری های استرس مانند اختلالات خلقی و بیماری های قلبی عروقی ظاهر میشود. جمعیت مسن تر، بزرگسالان بیشتر از 60 سال، مشکلات بیشتری با خواب و اختلالات خواب دارند . آنها بیشتر مستعد اختلالات خواب، مانند بی خوابی هستند.این مشکلات در کنار هم می تواند منجر به افزایش خطر ابتلا به بیماری های دیگر شود. یک مورد رایج در بین افراد مسن زوال عقل است. کمبود خواب و عادات بد خواب از عوامل خطرمنجر به زوال عقل هستند با این حال، خواب تنها عامل خطر برای زوال عقل نیست. تحصیلات، سن و جنسیت افراد از دیگر عواملی هستند که در سطح خطر یک فرد معین نقش دارند. از آنجایی که داده‌های مربوط به جمعیت مسن‌تر در دسترس است، می‌توانیم از جنبه های مختلف زندگی آنها استنتاج کنیم.   یادگیری ماشین برنامه ای است   که از تجربه برای یادگیری و پیش بینی، بر اساس تجربیات خود استفاده می کند. این برنامه ها می تواند الگوهای موجود در داده ها را بیابد و یا ارتباط بین انها را توضیح دهد. برای مطالعه ارتباط بین خواب و زوال عقل ازML   استفاده می کنیم. همچنین از ویژگی های دیگرهمچون رویکردهای روش شناختی و سایر جنبه های خواب مانند خوابREM استفاده می کنیم بنابراین استفاده از یادگیری ماشین با ویژگی های مختلف در سایر جنبه های خواب مفید است. پایان نامه حاضر به ارزیابی روشهای مختلف برای بررسی اختلالات خواب بر بیماری زوال عقل با استفاده از پنج الگوریتم یادگیری ماشین (تقویت گرادیان، رگرسیون لجستیک، بیزساده گوسی، جنگل تصادفی و ماشین بردار پشتیبان) استفاده می‌کند. داده های مربوط به جمعیت مسن تر (60+) در سوئد از مطالعه ملی سوئد در مورد پیری و مراقبت -بلکینگ   = 4175)تعداد نمونه‌ها) هرالگوریتم از اعتبارسنجی متقابل طبقه ای10 برابری برای به دست آوردن نتایج، که شامل Brier score برای بررسی دقت واهمیت ویژگی برای بررسی عوامل موثر بر زوال عقل استفاده می کند. الگوریتم ها از 16 ویژگی که بر روی عوامل شخصی و اختلال خواب هستند استفاده می کنند.       کلید واژه: یادگیری ماشین, تقویت گرادیان, رگرسیون لجستیک, بیز ساده گوسی, جنگل تصادفی و ماشین بردار پشتیبان   

هدف: با توجه به رشد روزافزون انتقال تصاویر در شبکه‌های کامپیوتری تامین سطح مناسبی از امنیت برای حفاظت از این تصاویر بسیار مهم است که با استفاده از روش‌های مختلف رمزنگاری می‌توان این امنیت را تامین نمود. روش‌های رمزنگاری تصویر مبتنی بر تئوری آشوب، به علت ویژگی‌های منحصربه‌فرد توابع آشوب، مانند حساسیت به مقادیر و پارامترهای اولیه و قدرت درهم‌ریزی زیاد به‌عنوان راه‌حل موثرتر و امن‌تری در رمزنگاری تصویر شناخته‌شده‌اند. این مطالعه باهدف تعیین نگاشت آشوبناک بهینه برای رمزنگاری چهار گروه مختلف از تصاویر شامل تصاویر چهره، تصاویر اثرانگشت، تصاویر ماهواره‌ای و تصاویر پزشکی و افزایش سرعت رمزنگاری انجام گردید. روش پژوهش: ابتدا متون و مقالات مرتبط با رمزنگاری تصویر با استفاده از نگاشت‌های آشوبناک مطالعه شد. با استفاده از این مطالعات 11 نگاشت آشوبناک یک‌بعدی و دوبعدی بررسی شد. در مرحله پیاده‌سازی با زبان برنامه‌نویسی پایتون 40 تصویر با این 11 نگاشت رمزنگاری گردید.   سپس در مرحله ارزیابی تصاویر رمز شده، به کمک معیارهایی مانند هیستوگرام تصویر و همبستگی میان پیکسل‌های تصویر، کیفیت رمزنگاری بررسی گردید. پس از مرحله ارزیابی تعیین شد که برای رمزنگاری هر یک از این گروه‌های تصویر؛ کدام نگاشت مناسب‌تر است. در پایان با استفاده از تکنیک‌های موازی‌سازی سرعت رمزنگاری افزایش یافت. یافته‌ها: حاصل این مطالعه، تعیین نگاشت آشوبناک مناسب برای رمزنگاری هر یک از گروه‌های چهارگانه تصویر و موازی‌سازی تولید کلیدهای آشوبناک بود. همچنین عملکرد آشوبی نگاشت سینوسی با ایجاد تغییراتی در معادله این نگاشت بهبود داده شد. پس از تحلیل تصاویر رمز شده تعیین شد که نگاشت‌های لجستیک2، لجستیک3، دافینگ و سینوسی به ترتیب   نگاشت‌های بهینه برای رمزنگاری تصاویر چهره، پزشکی، اثرانگشت و ماهواره‌ای هستند. هم‌چنین مشخص شد که نگاشت آشوبناک کوادرتیک بالاترین سرعت تولید کلیدهای آشوبی را دارد. نتیجه‌گیری: یکی از روش‌های موجود برای تامین امنیت تصاویر در حین انتقال در بستر شبکه‌های کامپیوتری، رمزنگاری تصاویر است. در رمزنگاری تصاویر یکی از مراحل مهم، تولید کلیدهای رمز است. با استفاده از توابع آشوبناک می‌توان کلید‌های رمز شبه تصادفی را تولید نمود. انواع مختلفی از توابع آشوبناک وجود دارند که بهتر است برای رمزنگاری تصاویر با توجه به نوع تصویر، تابع مناسبی انتخاب گردد. استفاده از توابع آشوب ضریب امنیتی رمزنگاری تصاویر را افزایش می‌دهد؛ اما معمولاً نیازمند محاسبات زیادی است. این حجم محاسبات می‌تواند سرعت رمزنگاری را کاهش دهد. برای رفع این مشکل می‌توان از روش‌های مختلف موازی‌‌سازی استفاده نمود. کلیدواژه‌ها: رمزنگاری تصویر، توابع آشوب، نگاشت بهینه، موازی‌سازی   

  

امروزه شبکه‌های اجتماعی تبدیل به جزء جدانشدنی زندگی مردم شده‌اند؛ تا آنجا که اغلب مردم از این شبکه‌ها برای بیان احساسات خود راجع به تمامی ابعاد زندگی، استفاده می‌کنند. از آنجا که فهم و تحلیل این احساسات کاربردهای زیادی همچون مدیریت ارتباط با مشتری، بررسی و مشاهده‌ی سلامت روانی افراد، شناسایی هیجانات عمومی ناشی از یک رخداد ملی، جهانی یا سیاسی، شناسایی مجرمان و بهبود کارایی ربات‌های پاسخ‌گو و غیره دارد؛ شناسایی شدت هیجان از متن‌های کاربران شبکه‌اجتماعی موضوع بسیار کاربردی و با اهمیتی محسوب می‌شود. ما در این پروژه سعی‌می‌کنیم با کمک روش‌های مختلف پردازش زبان طبیعی، با استفاده از مدل‌های یادگیری ماشین مبتنی بر رگرسیون و شبکه‌های عصبی مدلی برای پیش‌بینی شدت هیجان از توییت‌های شبکه­اجتماعی بیابیم که بیشترین دقت را داشته باشد. در این پژوهش ابتدا به سراغ استفاده از روشهای پایه مانند Bag Of Word، Word2Vec، GloVe   و TF-IDFرفتیم و دقت را روی دادگان مسابقه SemEval2018 Task1 EI-Reg   به دست آوردیم، سپس با استفاده از روش­های نوین مانند GPT2 و مدل­های مختلف مبتنی بر BERT، آزمایش­های گوناگونی را روی این دادگان انجام می­دهیم تا به بهترین نتیجه ممکن از نظر همبستگی پیرسون برسیم. نتیجه به­دست­آمده از روش­های مورد­استفاده که یک روش ترکیبی از مدل­های مختلف است برابر با 0.82 می­باشد که تا به امروز در مقایسه با کارهای پیشین موجود در این تحقیق و تیم­های شرکت­کننده در مسابقه SemEval بهترین نتیجه است.

تشخیص دقیق و به موقع تومورهای مغزی، برای درمان موثر این بیماری، امری ضروری است. انتخاب چگونگی درمان، به سطح تومور در زمان تشخیص، نوع آسیب شناسی و درجه ی آن بستگی دارد. تومور مغزی گلیوما، رایج ترین نوع تومور های مغزی اولیه بوده و همه­ی آن ها از سلول های گلیالی که احاطه کننده ی نورون های عصبی هستند، ایجاد می شوند. در تشخیص این نوع بیماری، روش های تشخیص به کمک رایانه، به متخصصین غدد و اعصاب به اشکال مختلفی کمک کرده اند. آثار اخیر در این زمینه، با ظهور مفهوم یادگیری عمیق منجر به بهبود کارایی شده است. رویکردهای سیستم های تشخیص به کمک رایانه، شامل پیش پردازش، قطعه بندی، تجزیه و تحلیل ویژگی ها (استخراج ویژگی، انتخاب ویژگی و تایید ویژگی) و طبقه بندی، می باشد.   در این پایان نامه، برای شناسایی تومورهای مغزی گلیوما و همچنین طبقه بندی آن ها به نوع درجه بالا و درجه پایین از روش های مبتنی بر پردازش تصویر، یادگیری ماشین و یادگیری عمیق استفاده شده است. روش های پیشنهادی شامل پنج مرحله می باشند: در مرحله ی اول، پیش پردازش داده ها به منظور افزایش کیفیت تصاویر از جمله یکسان سازی اندازه و استخراج ناحیه ی مغز، انجام می شود. در مرحله ی دوم، تصاویر پیش پردازش شده با استفاده از الگوریتم خوشه بندی K-Means قطعه بندی می شوند. در این مرحله برای بهینه سازی K-Means از دو الگوریتم فرا ابتکاری کایوت و کرونا ویروس استفاده شده است. پس از استخراج ناحیه ی تومور، در مرحل? سوم ویژگی­های عمیق از طریق شبکه های عصبی پیچشی و همچنین ویژگی های بافت با استفاده از روش الگوهای باینری محلی، از تصاویر مربوط به ناحیه ی تومور استخراج خواهد شد و در مرحله چهارم، انتخاب ویژگی با استفاده از الگوریتم بهینه سازی ازدحام ذرات، انجام می شود و در نهایت، طبقه­بندی تصاویر صورت می­گیرد. مجموعه دادگان مورد استفاده در این پژوهش، Brats2018 می باشد که شامل 210 تصویر MRI تومور های گلیوما با درجه بالا و 75 تصویر تومور گلیوما با درجه پایین، است. در اولین روش پیشنهادی، قطعه بندی تصاویر با استفاده از ترکیب الگوریتم خوشه بندی K-Means و الگوریتم بهینه سازی کایوت صورت گرفت و همچنین روش های استخراج ویژگی مختلف از جمله استخراج ویزگی های بافت با استفاده از روش الگوهای باینری محلی و استخراج ویژگی های عمیق از شبکه ی عصبی آموزش دیده و شبکه ی از پیش آموزش دیده VGG16 انجام گرفت که از بین روش های ذکر شده، استخراج ویژگی های عمیق حاصل از تنظیم دقیق شبکه ی از پیش آموزش دیده VGG16 بهترین نتیجه را به همراه داشت. این روش پیشنهادی به صحت قابل قبول 99% رسید. در روش دوم پیشنهادی، بهینه سازی مراکز خوشه بندی با استفاده از الگوریتم کرونا ویروس صورت گرفت­و همچنین روش های استخراج ویژگی قبل برای این روش نیز پیاده سازی شده است، که   بهترین عملکرد مربوط به استخراج ویژگی از طریق شبکه ی عصبی آموزش دیده می باشد. دراین فرآیند نیز به صحت 80/99% رسیدیم. کلمات کلیدی: تومورهای مغزی گلیوما، خوشه بندی، الگوریتم فرا ابتکاری کایوت، الگوریتم فرا ابتکاری کرونا ویروس

با توجه به رشد استفاده از وسایل الکترونیکی از قبیل تقویت کننده های الکترونیکی ، وسایل بی سیم   و ... تقسیم کننده های توان از اهمیت ویژه ای برخوردار شده اند که مهمترین این تقسیم کننده ها   ویلکینسون و جیسل می باشد که مورد استفاده عمده قرار می گیرند. وظیفه اصلی تقسیم کننده ها در مدارت الکترونیکی تقسیم توان می باشد که امروزه در مدل های تقسیم کننده های متقارن و غیر متقارن مورد ارزیابی قرار میگیرد.   مسئله مورد بحث در این پایان نامه توجه به کاهش سایز فیزیکی که بر اندازه مدار الکتریکی تاثیر می گذارد که گوچک شدن تقسیم کننده های   طراحی شده باعث کاهش ابعاد   مدارت می شود از موارد دیگر   حذف هارمونیک های اضافی از اهمیت ویژه ای برخوردار است   که کاهش آن موجب بالا رفتن کیفیت موج خروجی   می شود   و همچنین   افزایش پهنای باند هدایت   که نقش چشمگیری در انتخاب تقسیم کننده ها در وسایل دارد ، امروزه که با استفاد تکنولوژی میکرو استریپ   مورد بررسی قرار می گیرد در این پایان نامه از نرم افزار ADS   برای شبیه سازی یک تقسیم کننده جیسل استفاده شده است که با کاهش ابعاد ، حذف هارمونیک اضافی و ایزولاسیون مناسب طراحی   و نتایج مناسبی دریافت شده است

   چکیده: امروزه با گسترش روز افزون شبکه­های اجتماعی امکان دسترسی کاربران به نظرات و دیدگاه­های سایر افراد فراهم شده است. این نظرات، اغلب حاوی اطلاعات ارزشمندی هستند که می­توان با تحلیل آنها، به سلایق و گرایش­ افراد پی برد و نظرات مثبت و منفی و یا حتی خنثی آنها را نسبت به مسائل گوناگون، شناسایی کرد. اما از آنجا که حجم این داده­ها و سرعت تولید آنها به طرز شگفت­آوری بالاست تجزیه وتحلیل آن توسط انسان، امری دشوار، زمان­بر و در عمل، غیرممکن است؛ بنابراین نیاز به وجود روشی است که قادر باشد به صورت خودکار نظرات را تجزیه وتحلیل کند. تحلیل احساسات راه حل این مسئله است. تحلیل احساسات فرایندی است که قادر به کشف دیدگاه، نگرش و احساسات افراد از روی نوشته­هایشان است. تحلیل احساسات یا نظرکاوی، زیر مجموعه­ای از متن­کاوی و پردازش زبان طبیعی است که هدف آن استخراج خودکار دیدگاه کاربران نسبت به مسائل مختلف است. میکروبلاگ نوعی شبکه­اجتماعی است که در آن کاربران سعی در به اشتراک گذاشتن متن­های کوتاه خود با دیگران دارند. توییتر یکی از محبوب­ترین میکروبلاگ­ها است که حداکثر اندازه هر توییت در آن 280 کاراکتر است و این ویژگی توییتر را به بستری مناسب برای آگاهی از نظرات کاربران مبدل کرده است. در این پایان نامه کار تحلیل احساسات بر روی   7306 توییت فارسی استخراج شده از شبکه­اجتماعی توییتر با موضوع واکسن کرونا انجام شده است. برای این منظور توییت­ها در سه کلاس با برچسب مثبت، منفی و خنثی در نظر گرفته شدند و ضمن اینکه روش­های مختلف برای استخراج ویژگی به کار گرفته شد از روش­های مبتنی بر یادگیری ماشین و یادگیری عمیق در مدل­سازی استفاده شد. نهایتا پس از بررسی الگوریتم­های مختلف با معماری­های متنوع، از بین روش­های کلاسیک یادگیری ماشین، الگوریتم جنگل تصادفی در ترکیب با روش استخراج ویژگی TF-IDF توانست دقت   36/80% را کسب کند و از بین روش­های مبتنی بر یادگیری عمیق نیز مدل BERT با کسب دقت 92/83% نسبت به سایر مدل­های یادگیری عمیق و در مجموع نسبت به همه مدل­های به کار رفته در این پژوهش عملکرد بهتری داشت. بنابراین می­توان نتیجه گرفت که مدل BERT در حل مسئله طبقه­بندی توییت­های فارسی مرتبط با موضوع واکسن کرونا موثر است و عملکرد قابل قبولی نسبت به سایر مدل­ها دارد. کلید واژه­ها: متن­کاوی، تحلیل­احساسات، واکسن کرونا، پردازش زبان طبیعی، یادگیری ماشین، یادگیری عمیق، شبکه اجتماعی توییتر

   چکیده: اصطلاح رمزارز موضوعی نوظهور در دنیای امروز است که انقلابی در بینش ما در زمینه سرمایه­گذاری ایجاد کرده و باعث تغییر و تحول در سیستم‌های مالی دنیا شده است. رمزارز یک ارز دیجیتال است که از فناوری بلاک‌چین   همراه با رمزگذاری امن استفاده می‌کند. هر تغییر و تحولی می‌تواند مزایا و معایبی داشته باشد، رمزارزها هم از این قاعده مستثنی نیستند و در کنار مزایایی که دارند می‌توانند معایبی هم برای اقتصاد هر جامعه‌ای داشته باشند به طوری‌که با توجه به غیرمتمرکز بودن این ارزها، سیستم‌های پولی سنتی و بازار سرمایه هر جامعه‌ای را می‌توانند تحت تاثیر قرار دهند. بنابراین با توجه به اهمیت موضوع، نیاز به درک افکار عمومی و تجزیه و تحلیل نظرات مردم در این رابطه افزایش می‌یابد. برای درک نظرات و دیدگاه‌های افراد درباره‌ی موضوعات مختلف می‌توان از شبکه‌های اجتماعی کمک گرفت چرا که منبع غنی از نظرات هستند. شبکه‌ اجتماعی توییتر یکی از بسترهای اصلی است که کاربران در آن در مورد موضوعات مختلف بحث می‌کنند، لذا در کوتاه­ترین زمان و با کمترین هزینه می‌توان نظر افراد جامعه نسبت به موضوعی خاص را در این شبکه اجتماعی مورد سنجش قرار داد. تجزیه و تحلیل احساساتِ توییتر[1] (TSA) زمینه‌ای است که به تجزیه و تحلیل احساسات بیان شده در توییت‌ها می‌پردازد. با توجه به اینکه بیشتر تلاش‌های تحقیقاتی TSA با موضوع رمزارزها متمرکز بر زبان انگلیسی است، هدف از این پژوهش بررسی نظرات کاربران ایرانی، در شبکه­ اجتماعی توییتر در مورد رمزارزها و ارائه بهترین مدل طبقه‌بندی توییت‌ها بر اساس احساسات است. در صورت تحلیل خودکار توییت‌ها، مدیران و مسئولان حوزه اقتصاد می‌توانند از دیدگاه عموم مردم نسبت به این موضوع شناخت پیدا کرده و از اطلاعات بدست آمده در جهت مدیریت صحیح این پدیده استفاده کنند. به این منظور در این پژوهش، جهت ساخت مدل­های طبقه­بندی احساسات، از تکنیک­های پردازش زبان طبیعی مانند کیسه کلمات (BOW) و FastText جهت بردارسازی متون و از الگوریتم‌های کلاسیک یادگیری ماشین شامل KNN، SVM وAdaboost روش­های یادگیری عمیق شامل LSTM و مدل BERT برای طبقه­بندی استفاده شد که در نهایت مدل زبانی BERT با کسب 83.50% ، بهترین دقت را داشت. [1]. Twitter Sentiment Analysis

معماری مجازی­سازی توابع شبکه به معنی ارائه سرویس­های مختلف شبکه بدون نیاز به سخت­افزار و عدم وابستگی به آن است. مجازی­­سازی توابع شبکه حوزه­ی جدیدی در شبکه است که با کمک آن می­توان دستگاه­های سخت­افزاری را به صورت مجازی و نرم­افزاری پیاده­سازی کرد. مجازی­سازی توابع شبکه، توابع شبکه مانند پروکسی­ها، دیواره آتش­ها و تعادل بار­ها و دیگر موارد را ارتقا می­دهد. به عبارت دیگر این معماری با استفاده از تکنولوژی مجازی­سازی قادر است دستگاه­های سخت­افزاری را به ماژول­های نرم­افزاری که به عنوان توابع شبکه مجازی معروف­اند تبدیل کند و سرویس مورد­نظر کاربر را تامین کند. ارائه سرویس درخواست شده توسط کاربر در شبکه،   توسط دنباله­ای از توابع شبکه مجازی، که به زنجیره توابع سرویس شهرت دارند صورت می­گیرد. یکی از چالش­های اصلی نیز در توسعه­ی معماری مجازی­سازی توابع شبکه، تخصیص منابع به سرویس­های شبکه تقاضا شده در زیرساخت­های شبکه مبتنی بر مجازی­سازی توابع شبکه است. این چالش مسئله تخصیص منابع مجازی­سازی توابع شبکه نامیده شده است. از این رو در این تحقیق مسئله تخصیص منابع به توابع شبکه مجازی در معماری مجازی­سازی توابع شبکه با استفاده از تکنیک­های برنامه­ریزی ریاضی حل شده است. در این تحقیق برای مسئله تخصیص منابع به توابع شبکه مجازی یک مدل برنامه­ریزی خطی عدد صحیح مختلط چند­هدفه ارائه می­شود. در این مدل قیدهای مربوط به ظرفیت منابع گر­ه­ها و اتصالات و قیدهای تاخیر موردنظر است. همچنین توابع هدف در این تحقیق عبارت­اند از: افزایش جریان­های پذیرفته شده در شبکه، کاهش هزینه­های منابع گره­ها (شامل تعداد هسته­های CPU و میزان حافظه)، کاهش هزینه­های سرمایه­ای، کاهش هزینه­های عملیاتی و بررسی زمان اجرا. این قیدها و توابع هدف توسط توابع ریاضی بصورت دقیق و صریح بیان می­شوند. مدل ریاضی پیشنهادی با حل­کننده سیپلکس پیاده­سازی و حل شده است. برای ارزیابی مدل ریاضی پیشنهادی، چندین توپولوژی مختلف در نظر گرفته شده است. هزینه بهینه تحت تغییر پارامترهایی از قبیل طول زنجیره توابع سرویس، تعداد جریان­ها، طول جریان، میزان منابع گره­ها، تعداد گره­ها و تعداد توابع شبکه مجازی ارزیابی می­شود و نهایتاً افزایش زمان اجرا تحت تغییر طول زنجیره توابع سرویس، تعداد گره­ها و تعداد توابع شبکه مجازی بررسی می­شود. نتایج عددی این تحقیق نشان از کارایی مدل در تخصیص منابع به توابع شبکه مجازی را دارد. کلمات کلیدی: معماری مجازی­سازی توابع شبکه، توابع شبکه مجازی، تخصیص منابع، برنامه­ریزی ریاضی، برنامه­ریزی خطی عدد صحیح مختلط   

  Normal 0 false false false EN-US X-NONE FA

  امروزه با افزایش تقاضای

بازار سهام به طور کلی ماهیت بسیار غیرقابل پیش‌بینی دارد. عوامل زیادی ممکن است در تعیین قیمت یک سهم خاص نقش داشته باشند، مانند روند بازار، نسبت عرضه و تقاضا، اقتصاد جهانی، احساسات عمومی، اطلاعات مالی حساس، اعلامیه سود، قیمت تاریخی و بسیاری موارد دیگر. چالش پیش‌بینی دقیق اما، با کمک فن‌آوری‌های جدید مانند داده‌کاوی و یادگیری‌ماشین، می‌توانیم داده‌های بزرگ را تجزیه‌و‌تحلیل کنند و یک مدل پیش‌بینی دقیق ایجاد کنند که از برخی خطاهای انسانی جلوگیری کند. در این کار، قیمت‌های بسته شدن سهام خاص از داده‌های نمونه با استفاده از یک الگوریتم یادگیری ماشین نظارت‌شده پیش‌بینی می شود. به طور خاص، یک الگوریتم شبکه عصبی بازگشتی روی داده‌های سری زمانی سهام استفاده می‌شود. قیمت‌های پایانی پیش‌بینی شده با قیمت پایانی واقعی بررسی می‌شوند. در این پژوهش به بررسی مشکل پیش‌بینی بازار سهام با استفاده از شبکه عصبی بازگشتی با حافظه کوتاه‌مدت بلند مدت می‌پردازیم. هدف این تحقیق بررسی امکان سنجی و عملکرد این مدل شبکه عصبی در پیش بینی بازار سهام می باشد. ما مدل پیشنهادی را با آزمایش پیکربندی‌های مختلف، به عنوان مثال، تعداد نورون‌ها در لایه‌های پنهان و تعداد نمونه‌ها به ترتیب، بهینه می‌کنیم. با استفاده از داده‌های تاریخی قیمت سهام از پایگاه داده yahoo finance جمع‌آوری کرده ایم تا مدل خود را آموزش دهیم. با این وجود، بر اساس نتایج پیش‌بینی مدل LSTM،   اقدام به پیش بینی ارزش سهام در روزهای آتی جهت قیمت پایانی سهام استفاده کردیم. نتایج نشان می دهد که مدل LSTM   با 4 لایه با دقت بالاتری و کمترین خطا (حدودا0.1771و2101و0.1617 ثبت کرده است) نسبت به بقیه لایه ها برای پیش بینی دارد.   

   چکیده امروزه گسترش استفاده از اینترنت، زمینه‌ساز دسترسی میلیون‌ها کاربر در سراسر دنیا به شبکه‌های اجتماعی آنلاین شده است. از طرفی این شبکه‌ها در انتشار اطلاعات، بخصوص در زمینه‌هایی مانند: تبلیغات به روش بازاریابی ویروسی، بهبود سیستم‌های توصیه‌گر، انتقال اطلاعات حساس به زمان، هدایت افکار عمومی، ارتقای امنیت ملی، جامعه‌شناسی و غیره، در کانون توجه کاربران، قرار گرفته‌اند. یکی از مسائل مهم پیرامون انتشار اطلاعات در شبکه‌های اجتماعی آنلاین مسئله انتشار موثر پیام،‌ با سرعت مناسب است. برای این منظور لازم است که کاربران پرنفوذ به روشی مناسب شناسایی شوند. در این پایان نامه، پیشنهاد شده افراد پرنفوذ بر مبنای اطلاعات واکنشی کاربران و با توجه به حوزه اثرگذاری آن‌ها شناسایی شوند. بدین منظور ابتدا ارزش ارتباطات شبکه براساس اطلاعات واکنشی کاربران (ریپلای و ریتوییت)، تعیین می­شود و سپس، ساختار شبکه به جوامع تشکیل دهنده­ی آن تقسیم­بندی می­شود. در گام بعدی از معیارهای مرکزیت برای ارزیابی اهمیت هر یک از اعضای جوامع استفاده می‌شود و در انتها، گره‌های پرنفوذ در حوزه اثرگذاری خودشان شناسایی می‌شوند. کارایی روش پیشنهادی با استفاده از یک پایگاه داده واقعی که شامل اطلاعات ریتوییت و ریپلای کاربران توییتر است؛ مورد آزمایش قرار گرفته است. با توجه به فقدان پایگاه داده‌‌ای که همزمان دارای برچسب‎گذاری افراد پرنفوذ و اطلاعات واکنشی باشد؛ از یکی از روش‌های انتشار اطلاعات در شبکه‌های اجتماعی که دارای همبستگی قابل قبولی با روش پیشنهادی ‌می‌باشد؛ استفاده شده است. در پایان نتایج به­دست آمده با روش­های مشابه پیشین مقایسه شده است. نتایج ارزیابی­ها نشان داد که روش پیشنهادی دراین پایان­نامه می­تواند کاربران اثرگذار را با دقت، کارایی و سرعت بیشتری شناسایی کند. همچنن نتایج ارزیابی­ها نشان داد که روش پیشنهادی می­تواند در شناسایی کاربران اثرگذار، به دقت تشخیص 87.33% دست یابد که نشان از بهبود حداقل13درصدی نسبت به روش­های مقایسه شده دارد.

شبکه عصبی حافظه کوتاه مدت طولانی، پیچیدگی محاسباتی بالایی دارد که باعث طولانی بودن زمان اجرا می‌شود. برای حل این چالش، پیاده‌سازی سخت‌افزاری یکی از راهکار مطرح شده است. اما توان، تاخیر و مساحت چالش‌های جدی در روند طراحی سخت‌افزاری هستند. یک راه حل مناسب می‌تواند جایگزینی مدارهای تقریبی به‌جای مدارهای دقیق باشد. هدف این پارسا ارزیابیِ کارایی شبکه حافظه کوتاه مدت طولانی با استفاده ازواحدهای محاسباتی تقریبی است. اما چون عملگر ضرب در ساختار شبکه بسیار استفاده می‌شود ما توجه خود را به جایگزینی ضرب‌کننده‌ها معطوف کردیم. بدین منظور تمامی ضرب‌کننده‌های موجود در کتابخانه تقریبی EvoApprox8b را به­جای ضرب‌کننده­­ی دقیقدر ساختار شبکه برای کاربرد پیش­بینی سیگنال­های بورسی در مجموعه داده­های شرکت­هایاپل، مایکروسافت و IBM جایگزین کردیم و عملکرد شبکه را مورد بررسی قرار دادیم.از نتایج شبیه­سازی مشخص شد که جایگزینی ضرب­کننده تقریبی می­تواند سبب کاهش   µw205.8 در توان،   0.64 در تاخیر، µm2   205.8 در مساحت و J 366.5 در PDP، برای پیش­بینی سیگنال Close در مجموعه داده­ی بورسی اپل شود. اثر جایگزینی در پیش­بینی سیگنال High در مجموعه بورسی مایکروسافت به صورت کاهش µm2 170 در مساحت، µw 38.8 در توان و افزایش J 17.7 در PDP بود و نیز اثر جایگزینی در پیش­بینی سیگنال Low برای IBM به صورت کاهش µw 47.1 در توان، J 432.646 در PDP و µm2   87 در مساحت مشاهده شد. در بخش دوم پارسا، با کمک معیارهای ذاتی سخت‌افزاری ضرب‌کننده­های تقریبی، یک مدل پیش‌بینی را طراحی کردیم تا با کمک آن، مناسب بودن ضرب‌کننده برای جایگزینی در ساختار سخت‌افزاری شبکه را پیش­بینی کند. پس یک مسئله کلاس‌بندی دو حالته تعریف شد. در ادامه، با استفاده از الگوریتم­های انتخاب ویژگی تعداد ورودی­های مدل مورد نظر خود را پیدا کردیم. مدل پیشنهادی ما طبقه­بند Linear Discriminant است که با استفاده از معیار خطاهای ذاتی Mean_AED، Correct و Var_ED و با دقت 99% می­تواند عملکرد یک ضرب­­کننده تقریبی از کتابخانه voApprox8bرا در ساختار سخت­افزاری شبکه LSTM پیش­بینی کند.

   با توجه به پیشرفت علم و تکنولوژی در عرصه های گوناگون فرهنگی،اجتماعی و اقتصادی روز به روز نیاز به دریافت داده ها از پایگاه داده های مختلف مبتنی بر استخراج الگوهای اطلاعاتی برای دستیابی به نتایج تحقیقاتی حیات بخش افزایش می یابدو از طرفی حفظ امنیت داده های خصوصی افراد و سازمان ها امری کلیدی در این حوزه می باشد که نادیده گرفتن آن موجب دستیابی به اطلاعات نا صحیح و عدم رضایت مشتریان شده و در نهایت سبب دستیابی به نتایج تحقیقاتی نادرست خواهد شد.یکی از مهم ترین داده های اطلاعاتی در این راستا داده های پزشکی بوده که حتی طبق آیین نامه های پزشکی رعایت حریم خصوصی افراد و محرمانه نگه داشتن اطلاعات از ضروریات است. با ورود جهان به کانال اپیدمی جهانی ویروس کرونا، کنترل همه گیری در مرتبه اول و یافتن درمان آن در مرتبه دوم چالش دانشمندان و پزشکان دنیا شده است. در این راستا جامعه علمی کامپیوتر نقش خود را برای کنترل همه گیری ویروس کرونا به جهانیان عرضه داشته است. استفاده از یادگیری عمیق برای تشخیص کووید19 از روی تصاویر اشعه ایکس یک روش سریع برای تشخیص بیماران و مدیریت سرویس های مراقبتی به بیماران می شود.برای دستیابی به نتایج بهتر نیاز به داده های فراوان از منابع اطلاعاتی مختلف داریم که حریم خصوصی داده ها به عنوان سدی در این راه مانع دستیابی مهندسین به این مهم خواهد شد. لذا ما با معرفی یادگیری فدراسیونی که جهشی نوپا به سوی خلاقیت و نتایج بهتر است به معرفی مزایا و چالش های آن و شبیه سازی آن در تشخیص کووید19 خواهیم پرداخت و سعی می کنیم قدمی هر چند کوچک برای دستیابی به نتایج دقیق تر با داده های بیشتر   و البته سازمان یافته تر برای آموزش مدل های شبکه عصبی برداریم که در این میان با ارائه رویکرد تجمیعی قوی توانستیم از رقبای خود با دقت 97.04 پیشی بگیریم..

   تفاوت های فردی بشر از شخصیت افراد سرچشمه گرفته که مهم ترین عامل تاثیر گذار بر تصمیمات و انتخاب های فرد می باشد.   شناسایی خودکار شخصیت از متن به دلیل کاربردهای بسیاری از قبیل شناسایی مدیر با کفایت، انتخاب شغل، انتخاب رشته ی تحصیلی و کسب و کار آنلاین، توجه بسیاری از پژوهشگران را در سال های اخیر به خود جلب کرده است. اگرچه بسیاری از روش های موجود تنها به ویژگی های آماری متن اکتفا می کنند، و به روابط و اطلاعات معنایی متن توجه نمی کنند، در حالی که این نوشته ها و متون راهی برای ترجمه ی افکار و احساسات درونی افراد به شکلی قابل درک برای دیگران است. هدف از انجام این پژوهش شناسایی خودکار شخصیت از متن با استفاده از مدل های زبان و یادگیری عمیق است که در آن دو روش برای شناسایی شخصیت از متن معرفی می شود. در هر دو روش از یادگیری عمیق و شبکه های عصبی پیچشی به عنوان ابزار اصلی یادگیری استفاده شده و نیز دو دادگان استاندارد   MyPersonality و   Essaysبه منظور ارزیابی روش ها به کار گرفته شده اند. در روش اول از ویژگی های استخراج شده از کل متن برای مدل سازی، آموزش و ارزیابی استفاده می شود، در حالی که در روش دوم از عبارات کلیدی که توسط یک گراف چندبخشی استخراج شده اند، استفاده می شود. به منظور استخراج ویژگی سه تکنیک SentenceTransformer، Longformer و تبدیل فوریه ی کوتاه مدت برای اولین بار در پژوهش شناسایی شخصیت ارائه شده اند. تحلیل و بررسی نتایج نشان می دهد، روش اول به ترتیب برای دادگان MyPersonality و Essays با استفاده از SentenceTransformer و Longformer میانگین صحت 16/53% و 49/58% را ثبت کرده است. و در روش دوم بالاترین صحت میانگین ثبت شده برای SentenceTransformer   به ترتیب برای عبارات کلیدی Essays و MyPersonality برابر با 83/52% و95/58% می باشد. هم چنین تبدیل فوریه ی کوتاه مدت علارغم دستیابی به صحت 09/51% و 60/52% در روش اول به ترتیب برای دادگان Essays و MyPersonality و هم چنین در روش دوم برای عبارت های کلیدی این دادگان به 24/50% و 09/55% توانسته با صرف زمان کمتر از دیگر تکنیک ها در استخراج ویژگی (حدود 10/11 % تا 65/17%) به طور میانگین در تمامی مجموعه داده ها به فراخوانی و دقت بالاتر برسد.            

  با رسیدن اندازه ترانزیستورها به مقیاس نانومتر، میتوان تعداد زیادی از واحدهای پردازشی (PEs) را در یک تراشه تعبیه کرد. با افزایش تعداد هسته های تعبیه شده در یک تراشه، وجود یک زیرساخت ارتباطی مقیاس پذیر و قدرتمند برای ارتباط بین این هسته ها لازم و ضروری است. شبکه روی تراشه (NoC) برای پاسخگویی به این نیاز ارائه شده است. با این حال، شبکه روی تراشه نیز مانند سایر اجزا الکترونیکی مستعد اشکالات گذرا و دائمی است. از میان اشکال گذرا و دائمی، اشکال گذرا نرخ بیشتری دارند. این اشکال ها میتوانند موجب کاهش کارایی شبکه روی تراشه شوند و در صورت افزایش نرخ اشکال ها کل سیستم مستعد شکست است. اکثر راه کارهای گذشته در حوزه شبکه های روی تراشه تحمل پذیر اشکال که در زمینه طراحی مسیریاب کار کرده اند، مشکل اشکال های تک بیتی را مورد بررسی قرار دادهاند. این در حالی است که با توجه به کوچک شدن اندازه ترانزیستورها احتمال رخدادن اشکال گذرا چند بیتی افزایش یافته است. لذا در این پایان نامه در مسیریاب پیشنهادی روش کدگذاری کنترل خطای نامتقارن انعطاف پذیر (FUEC) برای تصحیح اشکال های تک بیتی، دو بیتی و سه بیتی در کانال ارتباطی و بافرهای ورودی مسیریاب بکار گرفته شده است. همچنین برای مقابله با اشکالهای واحدهای کنترل مسیریاب از تکنیک افزونگی سه گانه ماژول (TMR) استفاده شده است. همچنین برای تصحیح اشکال روی مالتی پلکسرهای کراسبار بهترتیب از افزونگی اطلاعات و افزونگی زمانی برای کشف و تصحیح اشکال ها استفاده شده است. با این حال، تمام تکنیک های تحمل پذیری اشکال با سربارهای سخت افزار همراه هستند. این سربارها، افزایش توان مصرفی را بوجود می آورند، درحالی که توان مصرفی در دنیای امروز یک چالش مهم است. لذا داشتن مکانیزم های آگاه از توان مصرفی برای کاهش توان مصرفی بسیار ضروری است. بنابراین در این پایان نامه، یک مکانیزم آگاه از توان پیشنهاد شده است که با خاموش کردن بافرهای ورودی بیکار موجود در مسیریاب ها انرژی مصرفی را کاهش میدهد. برای ارزیابی مسیریاب پیشنهادی را در شبیه ساز Noxim پیاده سازی کرده و در این شبیه ساز به ازای ترافیک های مصنوعی و مش دوبعدی 8×8، اشکالات را بصورت تصادفی تزریق کرده ایم. از سوی دیگر با استفاده از زبان SystemVerilogطرح سخت افزاری مسیریاب را در برنامه Vivado2019.1 سنتز کرده و سربارهای سخت افزار و توان مصرفی با استفاده از این ابزار بدست آوردهایم. استفاده از این مسیریاب در شبکه روی تراشه می تواند، نسبت به مسیریاب پایه، تحمل پذیری اشکال را تا 5 برابر افزایش و انرژی مصرفی را تا 12 درصد کاهش دهد. از طرف دیگر این مسیریاب نسبت به مسیریاب پایه، 57 درصد به سربار سخت افزار بیشتر نیاز دارد. همچنین میانگین تاخیر شبکه را تا 2 برابر افزایش می دهد.

شده، دقت مدل پیشنهادی در دسته‌بندی ترافیک شبکه به 1/99% رسیده است.  

   چکیده تبدیل صدا با هدف تغییر یک یا چند جنبه سیگنال گفتار با حفظ ساختار گفتاری سیگنال انجام می‌شود. یکی از زیرمجموعه‌های تبدیل صدا، تقلید صدا است. تقلید صدا تکنیکی برای تبدیل هویت گوینده مستتر در شکل موج گفتار منبع، با حفظ اطلاعات زبانی می‌باشد. تغییر گفتار گوینده منبع به گونه‌ای انجام می‌شود، که خروجی تولید شده، مانند جمله بیان شده توسط یک گوینده هدف است. هدف سیستم تقلید صدا، ایجاد تابع تبدیلی است، که ویژگی‌های گفتاری یکسان زبان، از هر دو گوینده منبع و هدف را به هم تبدیل کند. با جای‌گذاری ویژگی‌های متناظر گوینده هدف با ویژگی‌های متناظرگفتار گوینده منبع، و بازسازی این ویژگی‌ها به موج گفتار، تقلید صدا اتفاق می‌افتد. بیشتر مباحث تقلید صدا، حول یادگیری ویژگی‌های متناظر گوینده منبع و هدف می‌باشد. در این پژوهش سعی شده تبدیل موج گفتار گوینده منبع با تفکیک سیگنال گوینده منبع و هدف، به قطعات زمانی یکسان و تبدیل آن به ماتریس دو بعدی Mel Spectrum (با استفاده از ووکودر MelGAN) داده‌های ورودی را آماده کرده و با آموزش شبکه ایجاد شده، الهام گرفته از شبکه‌های مولد تخاصمی چرخشی(Cycle GAN)، این تابع تبدیل را ایجاد کنیم. ووکودر MelGAN برای سنتز(تبدیل) شکل موج به Mel Spectrum و بالعکس(شکل موج گفتار) استفاده شده است. همچنین در این پژوهش از داده‌های چالش تقلید صدای سال 2018 استفاده شده است. در این چالش که هر دو سال یک‌بار برگزار می‌شود، با در اختیار دادن داده‌ها (در سری 2018، داده‌های غیرموازی)، برای بهبود کیفیت تقلید صدا، تلاش می‌شود. در پایان جهت ارزیابی تابع تبدیل نهایی آموزش دیده در این پژوهش، از دو روش   کمی استفاده شده است. معیارهای ارزیابی عینی موجود برای تبدیل صدا (VC) همیشه با ادراک انسان مرتبط نیست. بنابراین، آموزش مدل‌های VC با چنین معیارهایی ممکن است به طور موثر طبیعی بودن و شباهت گفتار تبدیل‌شده را بهبود نبخشد. در این پروزه، از مدل‌های ارزیابی مبتنی بر یادگیری عمیق برای پیش‌بینی رتبه‌بندی انسان از گفتار تبدیل شده، استفاده شده است. مدل‌های شبکه عصبی کانولوشنال و تکراری برای ایجاد یک پیش‌بینی‌کننده میانگین امتیاز نظر (MOS) که MOSnet نامیده می‌شود، اتخاذ می‌کنیم. همچنین از معیار MCDنیز برای ارزیابی کمی استفاده شده است.   علی‌رغم سال‌ها تحقیق، سیستم‌های تقلید صدا، و پیشرفت فرایند یادگیری تابع تبدیل، با استفاده ازانواع شبکه‌های عصبی، هنوز هم در تقلید دقیق از یک گوینده هدف به صورت طیفی و عروضی و به‌طور هم‌زمان حفظ کیفیت گفتار، کمبودهایی دارند.

  

ا رشد پلتفرم ها و برنامه های کاربردی شبکه های اجتماعی آنالین، روزانه مقادیر زیادی محتوای متنی توسط کاربر به روشهای مختلف مانند نظرات، تحلیلها، اخبار و پیام های متنی کوتاه ایجاد می شود. در نتیجه، کاربران اغلب برای استخراج اطالعات مفید در مورد موضوع مورد بحث این گونه محتوا را پالش برانگیز میدانند. امروزه برای 1 استخراج راحتتر اطالعات مفید از روشی به نام استخراج موضوع استفاده میکنند. استخراج موضوع با اسستقاده از یک سری محاسبات آماری خالصه یا موضوع اصلی سند مورد نظر را از متن بیرون میکشد، که با این کار میتوان با مشکالت کمتری به تجزیه و تحلیل اسناد پرداخت. در این پژوهش قصد داریم با استفاده از روشهای یادگیری عمیق همچون)DNN,LSTM )یک شبکه یادگیری عمیق جهت استخراج موضوع با دقت بیشتر از کارهای انجام شده در این زمینه طراحی کنیم. دیتابیسی که در این پژوهش بر روی آن کار خواهیم کرد دیتابیسی متنی شامل اخبار است. که در ابتدا با استفاده از تکنیکهای پیشپردازش متن )تبدیل کردن تمامی حروف موجود در دادههای متنی به »حروف کوچک« )letters Lowercase ،)پاک کردن عالئم نقطهگذاری )Punctuations ،)پاک کردن »کلمات بی اثر« )Stopwords ،)مصدر سازی کلمات)Stemming ) )عملیات نرمل 2 سازی را انجان دادیم. از LDA بعنوان روش یادگیری شبکه استفاده میکنیم به بیانی واضح تر شبکه یادگیری عمیق بر اساس تکنیک استخراج موضوع LDA کار خواهد کرد. نتیجه این پژوهش دقت بشتر شبکه یادگیری نسبت به شبکههای ساخته شده در کارهای پیشین است که توانستهایم دقت شبکه بر روی دیتابیس مورد نظر را نسبت به آنها بیشتر کنیم.  

شبکه­های عصبی ­عمیق به صورت گسترده­ای در کاربردهای زیادی نظیر پردازش زبان طبیعی و بینایی ماشین بکار گرفته شده­اند. همچنین، این شبکه­ها توجه­ زیادی را در طراحی سیستم­های توصیه­گر به دلیل عملکرد خوبشان جلب کرده­اند. عموما از این شبکه­ها به منظور استخراج ویژگی­های پنهان کاربران براساس داده­های ورودی نظیر ماتریس­ رتبه­بندی کاربر-آیتم، روابط اعتماد و برچسب در سیستم­های توصیه­گر استفاده می­شود. یکی از مشکلات اساسی در این سیستم­ها، عدم وجود اطلاعات ورودی کافی است که منجر به بروز مشکلی به نام خلوتی ماتریس داده‌های ورودی می‌شود. این مشکل باعث کاهش کارایی مدل­های یادگیری­ عمیق در تولید ویژگی­های پنهان کاربران می­شود. سیستم‌های توصیه‌گر موجود عمدتا بر روی دقت پیش‌بینی رتبه‌ها تمرکز می‌کنند و قابلیت اطمینان پیش‌بینی‌ها را در نظر نمی‌گیرند. علاوه بر این، زمانی که در سیستم‌های توصیه‌گر از چندین منبع داده‌ای ورودی برای استخراج ویژگی‌های پنهان استفاده می‌شود، چگونگی ترکیب خروجی‌های مختلف به منظور تولید توصیه برای کاربران یک چالش اساسی خواهد بود. در این پژوهش، سه روش جدید برای برطرف کردن چالش‌های مطرح شده ارائه شده‌اند. در روش پیشنهادی اول، یک سیستم­توصیه­گر مبتنی بر خودرمزنگار پراکنده عمیق و الگوریتم بهینه­سازی ازدحام ذرات ارائه شده است. بدین منظور،   خودرمزنگار پراکنده عمیق برای استخراج ویژگی­های پنهان کاربران بر اساس ماتریس روابط اعتماد، ماتریس رتبه­بندی و اطلاعات برچسب بکار گرفته شده است. سپس، مقادیر شباهت بین کاربران با استفاده از سه تابع شباهت مختلف بر اساس ویژگی‌های پنهان محاسبه شده و از هر کدام از این مقادیر شباهت برای پیش‌بینی رتبه‌های نامشخص استفاده می‌شود. در نهایت، الگوریتم بهینه­سازی ازدحام ذرات   برای بدست آوردن وزن­های بهینه   پیش‌بینی‌های مختلف و ترکیب آنها برای محاسبه رتبه نهایی آیتم هدف مورد استفاده قرار می‌گیرد.   در روش پیشنهادی دوم، یک روش قابل اطمینان برای بهبود کارایی سیستم‌های توصیه‌گرآگاه از اعتماد با استفاده از شبکه‌های عصبی عمیق ارائه شده است. در این روش، ابتدا یک مدل احتمالاتی موثر به منظور تخمین تعداد رتبه‌های مورد نیاز در پروفایل کاربر برای داشتن یک پیش بینی دقیق معرفی شده است. سپس، پروفایل رتبه‌های کاربرانی که دارای تعداد کافی رتبه نیستند با افزودن رتبه‌های ضمنی قابل اطمینان تقویت می‌شوند. در مرحله بعد، پروفایل­های رتبه­بندی تقویت شده و ماتریس روابط اعتماد به عنوان داده­های ورودی خودرمزنگار پراکنده عمیق به منظور استخراج ویژگی­های پنهان کاربران مورد استفاده قرار می‌گیرند. در نهایت، مقادیر شباهت بین کاربران بر اساس ویژگی‌های پنهان کاربران محاسبه شده و لیستی از آیتم‌های مرتبط با علایق کاربر به او پیشنهاد می‌شود. در روش پیشنهادی سوم، یک سیستم توصیه‌گر قابل اطمینان مبتنی بر شبکه‌های عصبی عمیق و یادگیری تقویتی ارائه شده است. بدین منظور، ابتدا مدل خودرمزنگار حذف نویز پشته­ای به عنوان یک   شبکه عصبی برای استخراج ویژگی­های پنهان کاربران بر اساس سه منبع داده‌ای ورودی شامل ماتریس روابط اعتماد، ماتریس رتبه­بندی و اطلاعات برچسب، مورد استفاده قرار می‌گیرد. بنابراین، با توجه به سه منبع داده‌ای ورودی متفاوت، سه مقدار شباهت متمایز برای کاربران بدست می­آیند تا مجموعه نزدیکترین همسایگان را ایجاد کنند. به منظور ترکیب این سه مقدار شباهت متمایز و محاسبه مقدار شباهت نهایی بین کاربران، از الگوریتم یادگیری تقویتی برای بدست آوردن وزن بهینه هر مقدار شباهت استفاده می‌شود. سپس، با استفاده از مقادیر شباهت نهایی بین کاربران، رتبه­های نامشخص در پروفایل­های رتبه­بندی کاربران پیش­بینی می­شوند. همچنین، برای ارزیابی رتبه‌های پیش­بینی­ شده، یک معیار قابلیت اطمینان ارائه شده است. در نهایت، لیستی از آیتم‌های مورد علاقه کاربر هدف بر اساس ترکیب رتبه‌های پیش‌بینی شده و مقدار قابلیت اطمینان آنها تولید می‌شود. به منظور ارزیابی کارایی روش‌های پیشنهاد شده در این پژوهش، آزمایشات مختلفی بر روی مجموعه داده‌های استاندارد انجام شده است که نتایج آنها نشان می‌دهد روش‌های پیشنهادی نسبت به سایر روش‌ها از عملکرد بهتری برخوردار هستند. کلمات کلیدی: سیستم‌های توصیه­گر، شبکه­های عصبی عمیق، پراکندگی داده، قابلیت اطمینان، اعتماد، برچسب، یادگیری تقویتی.   

  یک شبکه ی حسگر بی سیم شامل گره های حسگری است که در مناطق جغرافیایی استقرار یافته اند و کارشان نظارت برپدیده هایی مانند رطوبت، دما، لرزش و......است از آنجایی که شبکه های حسگر بی سیم شبکه هایی هستند که برای نظارت و کنترل محیط اطراف استفاده می شوند، انتقال داده ها در این شبکه ها به صورت مبتنی بر داده انجام می شود و پروتکل های مسیریابی در این شبکه ها باید به صورت مبتنی بر داده باشند.

بدون شک امروزه یکی از چالش ­های مهم مراکز داده ابری مصرف انرژی بسیار زیاد است. از طرفی احتمال خرابی یک سرور در یک مرکز داده با تعداد زیاد سرور و از دست رفتن ماشین ­های مجازی روی آن امری اجتناب ناپذیر است. یک روش سنتی برای افزایش قابلیت دسترسی سرورها و در نتیجه افزایش قابلیت اطمینان ماشین مجازی استفاده از افزونگی می­ باشد بطوریکه تعداد ماشین مجازی یکسان روی سرورهای مختلف اجرا شوند که در صورت بروز خرابی در یک سرور نسخه ­های پشتیبان روی سرورهای دیگر کار مورد نظر را انجام دهند. استفاده از افزونگی منجر به افزایش مصرف انرژی در مراکز داده ابری می­ شود، لذا بهینه ­سازی این دو پارامتر نیاز به مصالحه دارد. این پایان نامه روشی جهت تخصیص ماشین ­های مجازی با در نظر گرفتن مصرف انرژی و قابلیت اطمینان را تحت عنوان روش P21(Placement method with 2 active replication and 1 inactive replication) ارائه می ­دهد. ایده اصلی روش پیشنهادی در نظر گرفتن دو نسخه­ ی فعال و یک نسخه­ ی غیرفعال افزونگی می ­باشد. جایگذاری ماشین­ های مجازی روی سرورهایی با بالاترین مقدار تابع هدف صورت می ­گیرد. در همین راستا روش ارائه شده، 2 نسخه­ ی فعال از افزونگی را به عنوان نسخه ­ی اصلی و نسخه­ ی اول پشتیبان در نظر می­ گیرد و یک نسخه­ ی غیر فعال افزونگی را به صورت رزرو دارد. در ابتدای کار، زمانی که ماشین مجازی بر روی سرور نسخه ­ی اصلی جایگذاری می­ شود همزمان یک نسخه­ ی پشتیبان به صورت سینک روی نسخه­ ی پشتیبان فعال پردازش می­ شود. زمانی که سرور دچار مشکل شود به دلیل حفظ دسترس ­پذیری، عملیات فعال سازی سرور پشتیبان غیر فعال آغاز می­ گردد. بلافاصله، از اطلاعات و پردازش ­های صورت گرفته بر روی سرور نسخه­ ی فعال یک نسخه (image) تهیه می­ شود و پس از فعال سازی سرور غیر فعال به آن منتقل می­ گردد. به همین روش می­ توان قابلیت اطمینان سیستم را بالا برد و با استفاده از قابلیت رزرو بودن نسخه­ ی پشتیبان می­توان از تعداد سرور کمتری استفاده کرد. به دلیل عدم پشتیبانی قابلیت اطمینان در شبیه ­ساز کلودسیم، جهت ارزیابی روش پیشنهادی یک شبیه ­ساز به زبان جاوا پیاده ­سازی شده ­است. در این ارزیابی 8 آزمایش با بارکاری مختلف از جمله زمان ورود و پایان تسک­ ها، تعداد هسته­ های مورد نیاز هر تسک و تاخیر بین تسک­ ها مورد بررسی قرار گرفته­ است. این 8 آزمایش به ازای تفاوت در تعداد سرورها، توان، دسترس پذیری و تعداد هسته می­ باشند. نتایج شبیه ­سازی نشان می­ دهد که مصرف انرژی برای حالت­ های مختلف بین 38-1 درصد کمتر و قابلیت اطمینان بین 58/2-01/0 درصد افزایش را نسبت به روش­ های مشابه دارد.کلمات کلیدی: رایانش ابری، جایگذاری ماشین ­های مجازی، قابلیت اطمینان، مصرف انرژی، افزونگی

  چکیده تصاویر مهم­ترین و پرکاربردترین داده­های دیجیتالی مورد استفاده در سیستم­های کامپیوتری هستند. یک تصویر دیجیتالی از مجموعه­ای از اشیا یا نواحی تشکیل شده است، لذا یکی از تکنیک­های کارا برای استخراج ویژگی از تصاویر با توجه به اشیا تشکیل دهنده آن، تکنیک قطعه­بندی تصویر می­باشد که مرز اشیا یا نواحی را بر روی تصویر با توجه به بافت و ویژگی­های آن با دقت بالایی مشخص می­کند. با استفاده از قطعه­بندی تصویر، پیکسل­های تصویر با توجه به ویژگی­های مشترک و به­طور کلی شباهتی که به هم دارند در ناحیه­های خاص خود کنار یکدیگر قرار می­گیرند. آستانه گذاری چند سطحی تصاویر یک از محبوب­ترین و در عین حال ساده­ترین و کاراترین روش­های قطعه­بندی تصاویر است. مهم­ترین مساله در این روش، انتخاب مقدار آستانه­های مربوطه می‌باشد. به­گونه­ای که با تعین آستانه­های مناسب بتوان تصویر مورد نظر را به­طور دقیق­تر ناحیه­بندی کرد. روش آتسو یکی از روش­های آستانه گذاری است که در تعیین آستانه­های دو سطحی عملکرد خوبی دارد اما هنگام افزایش تعداد آستانه­ها، عملکرد آتسو از نظر زمان و دقت قطعه بندی کاهش می­یابد. لذا با الگوریتم­های بهینه سازی ترکیب می­شود تا عملکرد بهتری از نظر زمان و دقت قطعه بندی بدست دهد. در این پایان نامه ،همچنین یک الگوریتم بهینه سازی ملخ بهبود یافته به منظور افزایش دقت قطعه بندی و افزایش کیفیت تصویر پیشنهاد شده است.همچنین در این روش تابع ارزیابی آتسو برای فرایند قطعه­بندی تصاویر در الگوریتم­های بهینه سازی پیشنهاد شده است که طبق آزمایشات و نتایج، الگوریتم ملخ بهبودیافته در مقایسه با الگوریتم­های بهینه سازی ملخ، نهنگ، کرم شب تاب و کلونی زنبور عسل عملکرد بهتری دارد. کلمات کلیدی: قطعه­بندی تصویر، الگوریتم بهینه سازی ملخ بهبودیافته، الگوریتم بهینه­سازی ملخ، الگوریتم بهینه­سازی کرم شب تاب، الگوریتم کلونی زنبورعسل و الگوریتم بهینه­سازی نهنگ. چکیده تصاویر مهم­ترین و پرکاربردترین داده­های دیجیتالی مورد استفاده در سیستم­های کامپیوتری هستند. یک تصویر دیجیتالی از مجموعه­ای از اشیا یا نواحی تشکیل شده است، لذا یکی از تکنیک­های کارا برای استخراج ویژگی از تصاویر با توجه به اشیا تشکیل دهنده آن، تکنیک قطعه­بندی تصویر می­باشد که مرز اشیا یا نواحی را بر روی تصویر با توجه به بافت و ویژگی­های آن با دقت بالایی مشخص می­کند. با استفاده از قطعه­بندی تصویر، پیکسل­های تصویر با توجه به ویژگی­های مشترک و به­طور کلی شباهتی که به هم دارند در ناحیه­های خاص خود کنار یکدیگر قرار می­گیرند. آستانه گذاری چند سطحی تصاویر یک از محبوب­ترین و در عین حال ساده­ترین و کاراترین روش­های قطعه­بندی تصاویر است. مهم­ترین مساله در این روش، انتخاب مقدار آستانه­های مربوطه می‌باشد. به­گونه­ای که با تعین آستانه­های مناسب بتوان تصویر مورد نظر را به­طور دقیق­تر ناحیه­بندی کرد. روش آتسو یکی از روش­های آستانه گذاری است که در تعیین آستانه­های دو سطحی عملکرد خوبی دارد اما هنگام افزایش تعداد آستانه­ها، عملکرد آتسو از نظر زمان و دقت قطعه بندی کاهش می­یابد. لذا با الگوریتم­های بهینه سازی ترکیب می­شود تا عملکرد بهتری از نظر زمان و دقت قطعه بندی بدست دهد. در این پایان نامه ،همچنین یک الگوریتم بهینه سازی ملخ بهبود یافته به منظور افزایش دقت قطعه بندی و افزایش کیفیت تصویر پیشنهاد شده است.همچنین در این روش تابع ارزیابی آتسو برای فرایند قطعه­بندی تصاویر در الگوریتم­های بهینه سازی پیشنهاد شده است که طبق آزمایشات و نتایج، الگوریتم ملخ بهبودیافته در مقایسه با الگوریتم­های بهینه سازی ملخ، نهنگ، کرم شب تاب و کلونی زنبور عسل عملکرد بهتری دارد. کلمات کلیدی: قطعه­بندی تصویر، الگوریتم بهینه سازی ملخ بهبودیافته، الگوریتم بهینه­سازی ملخ، الگوریتم بهینه­سازی کرم شب تاب، الگوریتم کلونی زنبورعسل و الگوریتم بهینه­سازی نهنگ

محاسبات تقریبی تکنیکی امیدوارکننده برای کاهش توان مصرفی یا بهبود تاخیر مدارها می­باشدکه با کمک آن می­توان به مصالحه مناسبی بین توان مصرفی، تاخیر، و دقت در خروجیمدار دست یافت. در این کار، ما مدارهای ضرب­کننده تقریبی با عرض بیت­های مختلفیپیشنهاد می­دهیم و اثر استفاده از ضرب 8 بیت را در الگوریتم­های پردازش تصویر ازجمله: الگوریتم صاف کردن با فیلتر گاوسی، الگوریتم کشش کنتراست، الگوریتم لبه­یابیبا فیلتر سوبل، و الگوریتم ضرب تصاویر بررسی می­کنیم. ضرب­کننده تقریبی پیشنهادیپایه، ضرب­کننده­ی 4 بیت می­باشد که برای کاهش تاخیر مدار، مدار به دو بخش تقسیممی­شود، بخش پایین، عاری از رقم نقلی است و بخش بالا دارای یک زنجیره­ی رقم نقلی 2بیتی ِ مستقل از بخش پایین است. برای گسترش مدار و تولید مدارات ضرب­کننده 8، 16 و32 بیت، از ضرب­کننده 4 بیت پایه استفاده می­کنیم و از هفت تکنیک برای انباشت وجمع نهایی استفاده می­کنیم. جمع­کننده مورد استفاده برای جمع نهایی، جمع­کننده دقیقو یک جمع­کننده تقریبی موجود با پیکربندی­های مختلف برای داشتن دقت در سطوح مختلفمی­باشد. نتایج حاصل از پیاده­سازی ضرب­کننده تقریبی نشان می­دهد که ضرب تقریبی 4بیتی پیشنهادی به ترتیب دارای حداکثر 11.55درصد، 11.75درصد، 7.99درصد،45.64درصد، 53.21درصد، 68.57درصد، 82.91درصد و 94.63درصد بهبود در پارامترهایمیانگین فاصله خطا (MED)، میانگین فاصله خطای نرمال شده (NMED)، میانگین فاصلهخطای نسبی (MRED)، توان مصرفی، مساحت، تاخیر، حاصل­ضرب توان-تاخیر(PDP)، و حاصل­ضربانرژی-تاخیر (EDP) در مقایسه با ضرب 4 بیت موجود است. در ضرب­کننده 4 بیت تقریبیپیشنهادی به ترتیب 72.81درصد، 74.35درصد، 83.33درصد، 95.46درصد و 99.24درصد بهبوددر پارامترهای توان مصرفی، مساحت، تاخیر، حاصل­ضرب توان-تاخیر(PDP)، و حاصل­ضربانرژی-تاخیر (EDP)   در مقایسه با ضرب درختی دقیق والاس داریم. نتایج حاصل از استفاده از ضرب­کننده­های 8 بیت در الگوریتم­های پردازش تصویر مذکور، نیزنشان دهنده کیفیت قابل قبول تصاویر پردازش شده است.  

اینترنت اشیاء شبکه ای از اشیاء فیزیکی است که توسط اینترنت به هم متصل شده­اند. اینترنت اشیاء حوزه‌های مختلفی را در بر می‌گیرد مانند: اتوماسیون منزل، فرآیندهای صنعتی، نظارت بر سلامت انسان و نظارت محیطی. آینده اشیاء، آینده   اینترنت است و برای هر چیزی که در جهان موجود است، مفید خواهد بود. اینترنت اشیاء با وجود مزایای بسیاری که دارد، چالش‌های مربوط به امنیت و حریم خصوصی را نیز ایجاد می‌کند. سیستم‌های IoT[1] بسیار آسیب­پذیر هستند، بنابراین یک سیستم تشخیص نفوذ[2]، برای محیط‌های IoT نیاز است. سیستم‌های تشخیص نفوذ، ابزار مهمی برای حفاظت از شبکه‌ها و سیستم‌های اطلاعاتی هستند. هدف یک سیستم تشخیص نفوذ جلوگیری از حمله نیست و تنها کشف و شناسایی حملات و تشخیص اشکالات امنیتی در سیستم یا شبکه کامپیوتری و اعلان آن به مدیر سیستم است. با وجود اینکه چندین دهه از توسعه سیستم­های تشخیص نفوذ گذشته است، اما هنوز این سیستم­ها با چالش­هایی در بهبود دقت تشخیص مواجه هستند. بسیاری از سیستم­های تشخیص نفوذ هنوز از نرخ هشدار غلط بالا رنج می­برند بنابراین بسیاری از محققان بر توسعه سیستم­های تشخیص نفوذ با نرخ تشخیص بالا و کاهش نرخ هشدار غلط تمرکز کرده­اند. از آنجا که محیط شبکه به سرعت تغییر می­کند، انواع حملات جدید ظاهر می­شوند. بنابراین لازم است که سیستم­های تشخیص نفوذ را توسعه دهیم که بتوانند حملات ناشناخته را شناسایی کنند. برای حل این مشکلات محققان شروع به تمرکز بر ساخت سیستم­های تشخیص نفوذ با استفاده از روش­های یادگیری ماشین کرده­اند. یادگیری عمیق[3] شاخه ای از یادگیری ماشین است که بر مبنای مجموعه­ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند. لذا در این پایان نامه، به فرایند تشخیص نفوذ در اینترنت اشیاء با رویکرد یادگیری عمیق پرداخته شده است. در این پایان نامه یک روش شناسایی حمله و ناهنجاری بر اساس ترکیب الگوریتم‌های CNN-LSTM یادگیری عمیق، در مجموعه داده BOT-IOT به کار برده شده است. به منظور ارزیابی عملکرد، از شاخص‌های دقت[4]، صحت[5] و یادآوری[6]، استفاده شده است. با توجه به نتایج به دست آمده در روش پیشنهادی، دقت تشخیص 99.98% به دست آمده است. [1] Internet of Things [2] Intrusion Detection System [3] Deep Learning [4] Accuracy [5] Precision [6] Recall

در قرن گذشته، تصاویر سنجش­ازدور در بسیاری از کاربردها همچون تشخیص اشیاء پوششی زمین، مدیریت منابع و زمینه­های نظارتی از منابع اصلی اطلاعات به­شمار می­روند. این تصاویر شامل انواع تصاویر هوایی و ماهواره­ای هستند که استفاده از آن­ها با نصب دوربین­ها و حسگرهای متفاوت روی هواپیما و دیگر بالنده­ها گسترش چشمگیری داشته است. تشخیص و استخراج آب­های سطح زمین یکی از کاربردهای اساسی تصاویر سنجش­ازدور محسوب می­شود که در زمینه­های کنترل منابع و جلوگیری از سیلاب­ها و بحران­هایی همچون خشکسالی نقش اساسی دارد. تا به امروز روش­های متفاوتی همچون آستانه­گذاری تصاویر، تشخیص با استفاده از شاخص­، تشخیص براساس لبه و روش­های یادگیری ماشین همچون ماشین بردار پشتیبان در زمینه­ی بهبود کیفیت تشخیص آب­ها در تصاویر مورد استفاده قرار گرفته­اند؛ اما عمده­ کاربرد این روش­ها در مسائلی بوده است که مناطق آبی پراکندگی زیادی نداشته و بدنه­ی آب­ها مرزهای هموارتری دارند و تقریبا هیچ­یک در تصاویری که شامل چالش­هایی همچون وجود مناطق پراکنده آبی یا رودهای کم­ عرض هستند، دقت قابل قبولی را ارائه نداده­اند. با وجود این مسائل، شبکه­های عصبی عمیق پیشرفته­ترین نتایج را در زمینه­های تقسیم­بندی تصاویر سنجش­ازدور ثبت کرده­اند. در این پژوهش یک معماری ترکیبی با عنوان "مدل جمعی انباشته­شده" جهت طبقه­بندی پیکسلی تصاویر لندست و افزایش عملکرد روش­های پیشین ارائه شده است. روش پیشنهادی نه تنها ویژگی­های تصویر را در سه زیرمدل جداگانه استخراج می­کند، بلکه با ترکیب خروجی­های زیرمدل­ها و استخراج مجدد ویژگی­ها از ماسک­های تقسیم­بندی، مناطق آبی تصاویر لندست را با دقت بالایی تشخیص می­دهد. براساس نتایج به­دست آمده، روش جمعی انباشته­شده­ی پیشنهادی این پایان­نامه در مقایسه­ با روش­های شرکت کننده در چالش تقسیم­بندی بدنه­های آبی که در پایان سال 2020 توسط AIcrowd برگزار شد، موفق به دریافت برترین نتیجه و دستیابی به رتبه اول در بین شرکت­کنندگان شده ­است.[1] واژه‌‌های کلیدی: سنجش­ازدور، تصاویر ماهواره­ای، بدنه آب، تقسیم­بندی معنایی، یادگیری عمیق [1]   https://www.aicrowd.com/challenges/ai-for-good-ai-blitz-3/problems/lndst/leaderboards   

مخازن نگهدارنده مایعات شامل آب، نفت، گاز مایع و میعانات صنعتی عمدتا در گروه سازه های با اهمیت بسیار زیاد قرارگرفته و در مواردی در رسته شریان های حیاتی کشورها قرار می گیرند. آسیب دیدگی مخازن مایعات بر اثر زلزله   می تواند منجر به بروز انفجار و آتش سوزی، انتشار مواد سمی ، عدم دسترسی به آب شرب و تحمیل خسارات جبران ناپذیرگردد. از این رو ارائه راهکارهای عملی جهت به حداقل رساندن آسیب دیدگی بر اثر زلزله در مخازن از اهمیت ویژه ای برخوردار است. در این پژوهش عملکرد جداسازهای الاستومری غیر متصل مسلح به الیاف (UFREI)[1] و جداگرهای الاستومری متصل   مسلح به صفحات فولادی   (SREI)2در بهبود رفتار لرزه ای مخازن نگهدارنده مایعات مورد مطالعه و مقایسه قرار گرفت. مخزن آب جداسازی شده به صورت مدل   جرم و فنر با 3 درجه آزادی شامل جرم مواج، جرم نوسانی و جرم صلب معادل سازی شده و تحت شتاب نگاشت های تک محوره افقی مورد تحلیل تاریخچه زمانی قرار گرفت. نتایج نشان می دهد کاربرد هر دو نوع جداگرها بر کاهش قابل توجه نیروی برشی در مخازن اثر گذار بوده و از طرفی موجب افزایش جابجایی در جرم مواج می گردد. در خصوص مقایسه دو نوع جداگر مشاهده گردید که جداگرهای UFREI در مخازن لاغر به طور متوسط به میزان 5/33 درصد ودر مخازن پهن به طور متوسط به میزان 9/23 درصدنسبت به جداگرهای SREI در کاهش بیشینه نیروهای برشی موثرتر ظاهر گردیده   و تفاوت معنا داری در میزان بیشینه جابجایی جرم مواج در دونوع جداگر وجود ندارد. 1.Unbonded Fiber Reinforced Elastomeric Isolator 2.Steel Reinforced Elastomeric Isolator      

طبقه­بندی کانی­ها بخش جدایی­ناپذیری از زمین­شناسی است. به‌صورت سنتی برای مطالعه­ کانی­های موجود در مقاطع نازک، مرز بین کانی­ها به‌صورت دستی جداشده، هر ناحیه برچسب­گذاری و درصد هر کانی محاسبه می­شود. این روش نیازمند دانش، تخصص و تجربه­ بالایی است. از سوی دیگر خطای انسانی ناشی از خستگی و بی­دقتی موجب کاهش دقت طبقه­بندی می­شود. بنابراین به­کارگیری یک سامانه مبتنی بر پردازش تصویر برای تشخیص خودکارکانی­های موجود در سنگ­ها امری ضروری است. ارائه چنین سامانه­ای می­تواند باعث افزایش دقت، کاهش خطاهای انسانی، کاهش هزینه و کاهش زمان جهت تشخیص نوع کانی­ها می­شود؛ بنابراین، هدف این پژوهش، پیشنهاد یک سامانه تشخیص خودکار کانی است که با استفاده از پردازش تصویر، کانی­های موجود در سنگ را شناسایی و طبقه­بندی کند. مرحله اول در انجام این پژوهش ایجاد یک پایگاه داده از تصاویر مقاطع نازک سنگ است. این مرحله یکی از چالش­برانگیزترین مراحل این پژوهش بود، زیرا ایجاد یک پایگاه داده مناسب از تصاویر مقاطع نازک، فرآیندی سخت و وقت­گیر است. از سوی دیگر، پایگاه داده مشترک و استانداردی در این حوزه وجود ندارد و هر پژوهشی از پایگاه داده متفاوتی استفاده می­کند. پس از ایجاد پایگاه داده و برچسب­گذاری تصاویر مقاطع نازک، چند روش­ قطعه­بندی بررسی و الگوریتم JSEG برای قطعه­بندی انتخاب شده است. پس از انجام قطعه­بندی، ویژگی­های مبتنی بر رنگ و بافت از هر ناحیه استخراج شده­اند. ویژگی­های رنگی از هر دو فضای رنگی RGB و HSI استخراج شده­اند. هم­چنین به دلیل اینکه برخی کانی­های متفاوت دارای رنگ­های مشابه هستند، ویژگی­های بافت نیز از هر ناحیه استخراج شده­اند. ویژگی­های استخراج‌شده از هر ناحیه، برای طبقه­بندی به طبقه­بند فرستاده شده و طبقه­بند هر ناحیه را به‌عنوان یک کانی برچسب­گذاری کرده است. در این پژوهش کارایی شش طبقه­بند Linear Discriminant، Su  ace Discriminant، Boosted Tree، Bagged Tree، Linear SVM و Weighted KNN بر اساس معیارهای مختلف مورد ارزیابی قرار گرفته است. بر اساس نتایج تجربی به‌دست‌آمده، طبقه­بند Bagged Tree دارای بالاترین دقت به میزان 5253/95 و همچنین کمترین میزان خطای MAE برابر با 0447/0 و خطای RMSE برابر با 2115/0 می­باشد. همچنین همه طبقه­بندها دارای دقت قابل قبول بالای 93% هستند. این نتایج نشان می­دهد که روش پیشنهادی دارای قابلیت مناسبی جهت شناسایی خودکار کانی­هاست.  

پیشرفت فنّاوری­های ساخت تراشه­های سیلیکونی و دستیابی به ابعاد نانومتری، امکان ساخت سیستم­های الکترونیکی بزرگ بر روی یک تراشه را فراهم نموده است. این تراشه­های جدید با چالش­های جدیدی نیز مواجه هستند و ممکن است در هر زمانی در محیط کار دچار اشکال شوند. این امر نیاز به روش­های خودآزمایی دوره­ای در محیط کار را بیشتر کرده است. استفاده از روش­های خودآزمایی سخت­افزاری به علت ویژگی­های آزمون تصادفی نمی­تواند به تنهایی کافی باشد و برای رسیدن به سطح کیفیت مناسب برای آزمون پردازنده، بایستی از روش­های خودآزمایی نرم­افزاری نیز بهره برد. یکی از مهمترین مراحل در فرآیند آزمون یک تراشه، تولید بردارهای آزمون کارا برای آزمون آن تراشه است. تولید بردارهای آزمون با استفاد از روش­های قطعی تولید آزمون بسیار زمانبر است. علاوه بر این محدودیت­های زمانی و عملکردی در پردازنده­ها، باعث می­شود که تولید آزمون­های نرم­افزاری برای پردازنده با استفاده از روش­های قطعی تولید بردار آزمون، ناممکن و یا حداقل سخت و ناکارا باشد. استفاده از روش­های تولید آزمون مبتنی بر شبیه­سازی به دلیل غلبه بر این محدودیت­ها، می تواند یک جایگزین مناسب باشد. در روش­های مبتنی بر شبیه­سازی، تعدادی الگوی آزمون به صورت کاملاً تصادفی و یا با استفاده از روش­های فرا ابتکاری تولید می­شود. سپس این بردارهای آزمون بر اساس شاخص پوشش شکال، مقایسه شده و بهترین آنها انتخاب می­شوند. در این روش­ها، محاسبه­ی شاخص پوشش اشکال بردار آزمون زمانبر است. می­توان به­جای شاخص دقیق و زمانبر پوشش اشکال، از یک شاخص تقریبی و سریع برای ارزیابی و انتخاب بردارهای آزمون استفاده نمود.   در این راستا، در این پایان­نامه یک شاخص تقریبی به نام APXD پیشنهاد شده است که تقریبی مناسب از تعداد اشکال­های شناسایی شده توسط یک الگوی آزمون ارائه می­کند. با تکیه­ بر این شاخص، یک روش تولید آزمون مبتنی بر شبیه­سازی به نام APXD_TG نیز در این پایان­نامه پیشنهاد شده است و با استفاده از آن برای برخی از اجزای یک پردازنده، آزمون نرم­افزاری تولید شده است. نتایج ارزیابی­های ما نشان می­دهد که شاخص APXD سرعت و دقت مناسب داشته و جایگزین مناسبی برای شاخص پوشش اشکال است. علاوه بر این نتایج ارزیابی­ها نشان می­دهند که استفاده از شاخص APXD به جای شاخص پوشش اشکال، ضمن حفظ کیفیت آزمون، زمان تولید آزمون را به نحو قابل توجهی کاهش می­دهد. شاخص پیشنهادی بسیار سریع­تر از شاخص پوشش است. به طور میانگین نسبت به روش موازی ?? برابر سریع­تر و نسبت به روش سریال 696.9 برابر سریع­تر است. لذا استفاده از آن در بخش ارزیابی بردارهای آزمون کاندید، تسریع قابل توجهی در الگوریتم‌های تولید آزمون مبتنی بر شبیه­سازی به وجود می­آورد.   

  وجود صف‌‌های طولانی یکی از مشکلاتی است که افراد هنگام مراجعه به مکان‌‌های مختلف(مانند اورژانس، شعب بانک‌‌ها و...) با آن مواجه می‌شوند که این مشکل باعث هدر رفتن وقت آنها می‌شود. با طراحی سیستمی که بتواند اطلاعات وضعیت شلوغی مکان‌‌ها را در اختیار افراد قرار دهد، در صورت استفاده افراد از آن می‌توان از تلف شدن وقت آنها جلوگیری کرد. در این پایان نامه یک سیستم اینترنت اشیاء بر پایه معماری پردازش در لبه برای حل مشکل ایجاد صف و ازدحام جمعیت طراحی شده است. همچنین در زمان‌هایی هم که به دلایلی شیوع بیماری های واگیر نظیر کرونا از شهروندان خواسته می‌شود که در مکانهای شلوغ حاضر نشوند استفاده از این سیستم می‌تواند بسیار مفید باشد.   در این سیستم نرم‌افزار تحت ویندوز از   طریق اتصال دوربین‌های مداربسته نوع بی‌سیم به رایانه، تصاویر را دریافت کرده و به کمک یک روش پردازش تصویر، تعداد افراد را می‌شمارد و سپس وضعیت مکان را به سمت سرور می‌فرستد. همچنین در این پایان‌نامه در مورد پیش زمینه، مطالعات انجام شده و چالش‌‌های سیستم های شمارش افراد بر پایه اینترنت اشیاء و الگوریتم‌های پردازش تصویر بحث شده و سه روش پردازش تصویر برای شمارش افراد مطرح شده است. دو روش بر اساس حذف پیش‌زمینه و شمارش افراد بر اساس پیکسل های پس زمینه هستند و روش سوم یک مدل بر پایه شبکه‌های MRCNN است که برای شمارش سَر افراد آموزش داده شده است. محیط‌‌هایی که این سیستم برای تشخیص میزان شلوغی در آن پیاده سازی می‌شوند مکان‌‌های سر پوشیده هستند که مشکل وجود سایه افراد در آن‌‌ها به ندرت وجود دارد. میانگین خطاهای بهترین روش بر اساس معیار خطاهای MAE و RMSE در تمام فریم‌های آزمایش به ترتیب برابر با 51/1 و 89/1 شد.

هدف اصلی انسان از جمع‌آوری اطلاعات را می­توان فهمیدن تفکر سایر انسان­ها دانست. این تمایل نا­خودآگاه سبب کشش پژوهشگران به سمت تحلیل اطلاعات جهت درک و تجزیه ذهن سایر انسان­ها، شده است. امروزه با توجه به پیشرفت­ها و فراهم آوردن بستر­های اطلاعاتی مانند اینترنت، شبکه­های اجتماعی و غیره می­توان به‌راحتی اطلاعات موردنیاز خود را جمع‌آوری کرد. امروزه شبکه­های اجتماعی یکی از مهم­ترین جنبه­های زندگی افراد هستند و از سوی دیگر این شبکه­ها با استفاده از کاوش اطلاعات کلی کاربران به درآمدهای هنگفتی دست پیداکرده‌اند. هدف از پژوهش حاضر متن­کاوی جهت پی بردن به حالت روحی افراد در تایپ متون است. در این پژوهش از 14000 توئیت در رابطه با خطوط هوایی جهت تحلیل احساسات در سه دسته­ی مثبت، منفی و خنثی   استفاده شده است. طرح پیشنهادی نهایی دارای سه گام است. در گام اول عمل پیش پردازش را بر روی پایگاه داده انجام می­دهیم. در گام دوم با استفاده از الگوریتم رقابت استعماری کلمات اصلی را از بین تمامی کلمات موجود استخراج می­کنیم. منظور از کلمات اصلی کلماتی هستند که بیشترین تاثیر را برای دسته‌بندی دارند. سپس با استفاده از شبکه­ی عصبی پیچشی اقدام به استخراج ویژگی­های بیشتر می­کنیم. درگام آخر نیز با استفاده از شبکه­ی عصبی پرسپترون چندلایه (MLP) عمل دسته‌بندی را انجام می­دهیم. در نهایت با استفاده از طرح پیشنهادی نهایی به‌دقت 990/0، صحت 983/0و فراخوانی 875/0دست پیداکرده‌ایم. نتایج نشان­دهنده­ی مطلوب بودن طرح پیشنهادی نهایی است  

چکیده با پیشرفت فناوری رادار به واسطه جنگ الکترونیک ، سیستم‌های راداری قادر به اندازه‌گیری اهداف با دقت بالا در محدوده‌های طولانی به طور فزاینده‌ای در حال استفاده هستند. حفاظت رادار از خود رادار مهم‌تر می‌باشد. در طراحی رادار، فرستنده و گیرنده را در یک مکان قرار می‌دهند امّا برای حفاظت با دقت بالاتر فرستنده و گیرنده را از هم جدا در نظر می‌گیرند. رادار منفعل نوعی رادار است که برای شناسایی و ردیابی اهداف با استفاده ازسیگنال‌های منعکس شده از یک آنتن غیرمشخص به‌کار گرفته می‌شود. رادار منفعل را می‌توان با آنتن‌های آرایه‌ای برای حفظ امنیت بیشتر رادار ترکیب کرد. در این پروژه از یک آنتن آرایه‌فازی برای طراحی رادار منفعل استفاده شده است. هنگامی‌که تعدادی آنتن در یک گستره جغرافیایی با فاصله از همدیگر قرار بگیرند قابلیت این را دارند که به تنهایی در سیستم به کار خود ادامه دهند، به عبارتی ممکن است تعدادی از این آنتن‌ها از بین بروند یا دچار مشکل شوند امّا بقیه آنتن‌ها با کارایی کمتر می‌توانند به کار خود ادامه دهند. پارامترهای زیادی در طراحی رادار منفعل با استفاده از آنتن‌های آرایه‌فازی نقش دارند. بسته به این که این رادار محل ثابت یا متحرکی داشته باشد و در کاربرد‌های مختلف مانند: نظامی، هوایی، عکس‌برداری،پزشکی، نقشه‌برداری استفاده می‌شود. نوع عناصر تشعشعی آنتن رادار منفعل، نحوه قرارگیری و تعداد آن‌ها متغیر خواهد بود. مهم‌ترین قسمت رادار منفعل آرایه‌فازی که نقش اساسی در دقت آن دارد عناصر آرایه آن می‌باشد. در این طراحی آنتن‌ها همه‌جهته (omni_directional) هستند یا   می‌توان با عملکرد بهتر و پیچیده‌تر از آنتن‌های جهت‌دار استفاده کرد. تمام آنتن‌ها باید با همدیگر هم‌زمان (سنکرون) باشند که یکی از چالش‌های بزرگ در این طراحی می‌باشد. هم‌زمان کردن آنتن‌ها در یک محدوده جغرافیایی کار پیچیده‌ای می‌باشد. برای هم‌زمان سازی آنتن‌ها از سیستم‌های موقعیت‌یابی جهانی (GPS) استفاده شده است. همچین برای شکل‌دهی مناسب عناصر تشعشی که الگویی مناسب و تیز در یک جهت با توجه به فاز دلخواه داشته باشند از یک آنتن منبع با فاز صفر استفاده شده است. کلمات کلیدی : هم‌زمان‌سازی نوسان‌سازها، شکل‌دهی پرتو، آرایه آنتن، جهت‌یابی، رادار منفعل   

در سالهای اخیر با رشد سریع تعداد کاربران اینترنت و ظهور برنامههای جدید، ترافیک اینترنت به شدت در حال رشد است.در نتیجه، مسئله شناسایی برنامههای روی شبکه به یک کار پیچیده تبدیل شده است. تشخیص و دستهبندی جریانها وبرنامهها روی ترافیک شبکه نقش مهمی در امنیت و مدیریت شبکه دارد. هدف از دستهبندی ترافیک، ایجاد ارتباط بینبستههای یک جریان با یک سرویس یا برنامه خاص است. مشکلی که در اکثر روشها دستهبندی ترافیک وجود دارد متکیبودن به استخراج ویژگی توسط افراد خبره می باشد. یافتن ویژگیهای مطلوب که باعث دقت بالای دستهبندی شود، کاریدشوار و زمانبر است. به طور کلی، اغلب روشهای دستهبندی ترافیک، مبتنی بر ویژگیهای از قبل استخراج شده توسط یکفرد خبره در زمینه شبکههای کامپیوتری هستند. این ویژگیها شامل شماره پورت، اطلاعات موجود در سرآیند بستهها وویژگیهای آماری استخراجی از جریان و .. را شامل میشوند. مشکل اصلی دستهبندی ترافیک، یافتن ویژگیهای مناسب درترافیک است. فرآیند یافتن ویژگیهای مناسب، امری زمانبر و هزینهبر است و نیاز به فردی خبره دارد که این ویژگیها رامشخص و استخراج نماید. برای حل مشکلات مذکور، یکی از جدیدترین زمینهها در حوزه یادگیری ماشین، یادگیری عمیقمی باشد که مبتنی بر شبکه های عصبی مصنوعی است و در آن استخراج ویژگی بصورت سلسله مراتبی و خودکار انجاممیشود. در این وضعیت، با استخراج ویژگی خودکار نیاز به فرد خبره حذف خواهد شد و امکان خطاهای انسانی کاهش مییابد.در این طرح قصد داریم با استفاده از شبکه های باور عمیق و شبکه های کانوولوشنی یک روش دستهبندی ترافیک بر رویمجموعه دیتا ISCX vpn-nonvpn ارائه دهیم که بتواند با دقت بالا به تعیین و شناسایی ترافیک در شبکه بپردازد.

  ?_ چکیده تحقیق حاضر با عنوان «پروتکل تبادل داده ای بین خدمات نوبت دهی مبتنی بر مرکز تبادل داده ای حوزه سلامت (IX سلامت)» در سال ???? انجام شده است. هدف از انجام تحقیق، امکان تبادل اطلاعات بین سامانه های نوبت دهی حوزه سلامت می باشد. امکان برقراری ارتباط بین سامانه های نوبت دهی یکی از فاکتورهای اصلی در رضایت مندی بیمار در دریافت خدمات پزشکی، کاهش زمان انتظار بیمار و پزشک و... است که ارائه پروتکل ارتباطی جهت تحقق این عمل مورد نیاز می باشد. در این تحقیق ابتدا به بررسی معماری یکپارچگی سامانه ها و همچنین بررسی معماری مرکز ملی تبادل اطلاعات و مرکز ملی خدمات سلامت سپس به بررسی پروتکل تبادل داده بین سیستم های نوبت دهی بر مبنای پروتکل ارائه شده در پرونده الکترونیک سلامت پرداخته شده است. پروتکل پیشنهادی بر امکان تبادل داده بین سیستم های نوبت دهی با ارائه پروتکل ارتباطی تمرکز کرده است با استفاده از زبان برنامه نویسی php فریمورک لاراول و محیط phpstorm پیاده سازی شده است و نتایج بدست آمده و خروجی های برنامه نشان می دهد که امکان تبادل داده بین سیستم های نوبت دهی با ارائه پروتکل ارتباطی میسر گردید، بدیهی است که این امر موجب کاهش زمان انتظار بیمار و پزشک افزایش سرعت و بهبود کارایی در مراکز درمانی میگردد. همچنین نشان دادیم با استفاده از این پروتکل ارتباطی ارجاع نوبت از یک سامانه به سامانه نوبت دهی دیگر قابل انجام بود. واژه های کلیدی: تبادل داده، نوبت دهی، حوزه سلامت

چکیده پیشرفت تکنولوژی و اینترنت با رشد چشمگیر و روزافزون پایگاه­داده­ها به­خصوص تصاویر مواجه شده به همین جهت جستجوی تصویر دلخواه و بازیابی آن از میان حجم انبوه پایگاه­داده­ها اهمیت ویژه­ای پیدا کرده است. جستجوی تصاویر از گذشته تا به حال به­عنوان یک امر مهم پژوهشی بوده و روش­های متعددی برای آن مطرح شده از جمله این روش­ها بازیابی تصویر براساس متن است، روش بازیابی براساس متن روشی پایه بوده و عملیات جستجو را با استفاده از کلمات کلیدی تعریف‌شده برای هر تصویر انجام می­دهد، با توجه به این­که روش جستجوی متنی روشی زمان­بر و پرهزینه به­حساب می­آمد، تلاش­ها به سمت روش­ها و تکنیک­های دیگر یعنی بازیابی تصویر براساس محتوا یعنی با استفاده از توصیفگر­های عناصر ساختاری و یا ویژگی‌های سطح پایین تصویر یعنی رنگ، بافت و شکل کشیده شد تا بتوانیم به تصویر جستجوی مدنظر برسیم. در این تحقیق سعی شده توصیفگر عناصر ساختاری SED را به چالش کشیده و با سایر توصیفگر­ها و الگوریتم­های که در این پروژه پیاده‌سازی‌شده مقایسه صورت گیرد و به روشی با درصد دقت بالاتری دست یابیم، با تحقیقات و بررسی­های­ انجام شده برروی روش­ها و توصیفگرهای عناصر ساختاری که از ویژگی­های سطح پایین رنگ و بافت استفاده می­کنند، روش پیشنهادی ترکیبی با استفاده از عناصر ساختاری و هیستوگرام اختلاف رنگ ارایه شده است. از طرفی باتوجه به اینکه تغییر سایز تصاویر یک مسئله مهم و دسترسی به تصویر مورد نظر با سایز­های متفاوت یک امر مهم تلقی می­شود لذا نتایج روش‌های مختلف استخراج ویژگی در تصاویر با ‌‌اندازه‌های 128×128،‌ 64×64،‌ 32×32،‌ 16×16 و 8×8 با‌‌هم مقایسه شده است. برای دسته­بندی تصاویر از ماشین­بردار­پشتیبان استفاده شده و دقت محاسباتی بازیابی تصویر در روش پیشنهادی تا 90 درصد افزایش یافته است. کلمات کلیدی: بازیابی مبتنی بر محتوای تصویر؛ ویژگی­های سطح پایین؛ توصیفگر عناصر ساختاری؛ رنگ؛ بافت.   

بازبینی عمیق بسته‌ها همیشه چالشی برای سرعت عملکرد و موضوعی برای بازدهی شبکه‌های کامپیوتری بوده است. به همین دلیل روش‌های بسیاری تا کنون ابداع شده‌اند که عمل بازبینی عمیق بسته‌ها را بهبود ببخشند. استفاده از فیلترهای احتمالی، رویکرد تازه‌ای است که در سال‌های اخیر در بازبینی عمیق بسته‌ها اتخاذ شده است. فیلترهای احتمالی نوعی ساختمان داده هستند که برای آزمون عضویت در میان مجموعه‌ای از آیتم‌ها استفاده می‌شوند. این فیلترها ممکن است پاسخ مثبت اشتباه بدهند. یکی از محدودیت‌های این فلیترها ناتوانی آن‌ها در مقیاس‌پذیری کارا می‌باشد. به خصوص هنگامی که در برنامه‌های که توسط پردازنده مرکزی اجرا می‌شودند، استفاده می‌شوند. پیاده سازی ابزار بازبینی عمیق بسته‌ها روی معماری مقیاس پذیر و موازی می‌تواند راه حل مناسبی برای این مشکل باشد. از سوی دیگر، ظهور الگوهای جدید در شبکه‌های کامپیوتری مانند شبکه‌های نرم افزار محور، مشکلات جدیدی را به نظارت بر شبکه اضافه کرد. در حالت پایه،‌ برای اعمال بازبینی عمیق بسته‌ها در شبکه‌های نرم‌افزار محور، تمام کار بازبینی عمیق بسته‌ها به کنترلر شبکه محول می‌شود و این موضوع باعث می‌شود کنترلر بیش از حد مشغول شود و در نتیجه نقطه ضعفی در سرعت شبکه باشد. این شرایط نیاز جدی برای معماری و طراحی جدید بازبینی عمیق بسته‌ها به وجود آورده است که سریع، مقیاس پذیر، انعطاف پذیر و قابل اجرا در شبکه‌های نرم افزار محور باشد. طراحی جدید باید بتواند بار محاسباتی مربوط به بازبینی عمیق بسته‌ها روی کنترلر را کاهش دهد. در این پایان نامه ما تلاش می‌کنیم تا روش جدیدی را ارائه، پیاده سازی و ارزیابی کنیم که موارد گفته شده را رعایت می‌کند.

تشخیص هویت افراد از طریق بیومتریک گوش با بکارگیری یک روش ترکیبی  

تخمین فرکانس پایه   یکی از مسائل مهم در زمینه ی پردازش سیگنال‌های صوتی است. تخمین دقیقِ فرکانس پایه در زمینه تحلیل گفتار و موسیقی نقش بسیار مهمی دارد. برای تخمین فرکانس پایه تاکنون روش‌های مختلفی در حوزه زمان و فرکانس ارائه شده است. مهم ترین چالشی که حل این مساله را با دشواری مواجه می‌کند، وجود نویزهای قوی در سیگنال‌های گفتاری است. در پژوهش حاضر به منظور افزایش دقت استخراج فرکانس پایه، روش­هایی برای ترکیب بهینه تخمین­زننده­های فرکانس پایه در فایل‌های حاوی نویز ارائه شده است. در پژوهش حاضر برای تشخیص قاب­های واکدار از بی­واک، میزان امتیاز واکداری/بی­واکی حاصل از چهار روش اتوکورولیشن، YIN ، YAAPT و SWIPE برای هر قاب، به دو ‌صورت خطی   و غیرخطی با هم ترکیب شده و پس از مشخص شدن برچسب واکداری/بی­واکی، مقدار فرکانس پایه آن قاب یعنی F0 با استفاده از روش SWIPE محاسبه می­گردد. ضرایب بهینه برای ترکیب خطی با استفاده از معیار حداقل مربعات همراه با رگولاریزاسیون تعیین می­گردد. برای ارزیابی روش پیشنهادی، 10 فایل گفتاری (5 فایل با صدای زن، 5 فایل با صدای مرد) از دادگان استاندارد PTDB-TUG انتخاب و معیارهای استاندارد خطا یعنی MFPE، SDFPE، FPE، GPE، VDE، PTE و FFE محاسبه شده است. نتایج آزمایش­ها نشان‌دهنده‌ی این است که روش ترکیب خطی به طور میانگین (در SNR های مختلف) خطای GPE را به میزان   22.98 درصد، خطای VDE را 26.16 درصد، خطای PTE را 9.26 درصد و خطای FFE را به میزان 32.72 درصد (بصورت نسبی) و روش ترکیب غیرخطی (با استفاده از شبکه عصبی MLP) به طور میانگین خطای GPE را به میزان   30.64 درصد، خطای VDE را 33.58 درصد، خطای PTE را 9.58 درصد و خطای FFE را به میزان 39.86 درصد نسبت به روش‌های مشهورِ استخراج فرکانس پایه گفتار کاهش می­دهد.

  آشکارساز فعالیت صوتی، شاخه‌ای از علم پردازش سیگنال و یکی از بخش‌های بسیار مهم در پردازشگرهای سیگنال‌های صوتی بوده و در بسیاری از سیستم‌های مخابراتی و صوتی نظیر فشرده‌سازی گفتار، بازشناسی گفتار، بهسازی گفتار، تخمین و حذف نویز و بسیاری دیگر از سیستم‌های ارتباطی مورد استفاده قرار می‌گیرد. از این ‌رو، رویکرد این پایان نامه در جهت ارائه روشی موثر و مبتنی بر ترکیب روش‌های پایه جهت دستیابی به مجموعه ای از ویژگی های موثر و استفاده از روش‌های انتخاب ویژگی و به‌کارگیری روش‌های بهینه‌سازی هوشمند به منظور کاهش ابعاد برای دستیابی به مجموعه ویژگی‌هایی با خطای کمتر و دقت بیشتر در تشخیص نواحی گفتار و غیرگفتار در شرایط مختلف می‌باشد. روش پیشنهادی، به ازای SNR های مختلف منجر به کاهش 8.11   درصدی معیار خطای EER و افزایش 3.56 درصدی معیار دقت‌ AUC و افزایش 8.55   درصدی معیار دقت‌ Fscore نسبت به بهترین روش از بین روش‌های موجود مقایسه شده در حالت بهبودیافته و همچنین منجر به کاهش 1.8 درصدی معیار خطای EER و افزایش 2.05 درصدی معیار‌ دقت AUC و افزایش 0.47 درصدی معیار دقت‌ Fscore نسبت به بهترین روش از بین روش‌های موجود مقایسه شده در حالت غیر بهبودیافته، گردیده است.

  چکیده :    محصولات اولیه لیگنوسلولزی کشاورزی که در مقدار قابل توجه و هزینه پایین در دسترس هستند، می­توانند یک منبع درآمد اضافی برای کشاورزان بدون تاثیر منفی بر باروری خاک برای کاربردهای صنعتی باشند کاه گندم یکی از فراوانترین ضایعات لیگنوسلولزی کشاورزی می­باشد که قسمت­های آلی گیاه گندم را شامل می­شود. کاه گندم بعد از برداشت به عنوان خوراک دام و در بناهای کاه­گلی مورد استفاده قرار می­گیرد، همچنین مقدار عمده­ای از آن سوزانده می­شود، این درحالی است که این ماده حاوی مقادیر بالایی سلولز می­باشد و می­توان از آن به عنوان ماده­ی خام اولیه ارزان­قیمت، جهت تولید مشتقات سلولزی باارزش بهره برد. در این تحقیق امکان تولید ماده­ی باارزش کربوکسی­متیل­سلولز با استفاده از سلولز استخراج شده از کاه گندم مورد بررسی قرار گرفت. کاه گندم حاوی تقریبا 33-40 درصد سلولز می­باشد که به همراه همی­سلولز و لیگنین اجزای اصلی آن را تشکیل می­دهند. در این پژوهش ابتدا سلولز موجود در کاه گندم توسط هیدروکسیدسدیم 10% وزنی/وزنی و سدیم­هیپوکلراید در دو مرحله استخراج شد. سلولز استخراج شده با استفاده از فرآیند اتری کردن ویلیامسون به کربوکسی­متیل­سلولز تبدیل شد که برای شناسایی گروه­های کربوکسی­متیلی جایگزین شده برروی سلولز از طیف­سنجی تبدیل فوریه مادون قرمز (FTIR) استفاده شد.    درجه استخلاف (DS) مهم­ترین عامل تاثیرگذار بر میزان حلالیت و کاربردهای کربوکسی­متیل­سلولز می­باشد و بازده تولید آن نیز، عامل مهم در تعیین اقتصادی بودن فرآیند است، لذا فرآیند اتری کردن سلولز نسبت به عوامل عملیاتی شامل : نسبت مقدار مونوکلرواستیک­اسید به سلولز، غلظت هیدروکسیدسدیم، دما و زمان واکنش به ترتیب در سه سطح (1، 4/1، 8/1) ، (20، 30، 40% وزنی/وزنی) ، (30، 50، 70 درجه سانتی­گراد) و (1، 3، 5 ساعت)   به منظور دستیابی به بالاترین DS و یک بازده اقتصادی توسط نرم­افزار طراحی آزمایش MODDE ، با روش CCF با استفاده از RSM بهینه­سازی شد. نتایج بهینه­سازی نشان داد که در شرایط نسبت وزنی 3/1 به 1 منوکلرواستیک­اسید به سلولز، غلظت هیدروکسیدسدیم برابر با 20 % وزنی/وزنی، دمای 70 درجه­سانتی­گراد و مدت زمان 1 ساعت بالاترین مقدار DS بدست می­آید. که بالاترین DS و بازده تحت این شرایط به ترتیب 975/0 و 37/1 گرم CMC/گرم سلولز بودند. کلمات کلیدی : کاه گندم، سلولز، نرم­افزار طراحی آزمایشات، کربوکسی­متیل­سلولز، درجه استخلاف

  سوخت های فسیلی به عنوان منابعی که بشر طی سالیان طولانی از آن­ها استفاده کرده است، در حال کاهش هستند و علاوه بر آن تولید گازهای گلخانه ­ای که نتیجه مصرف این سوخت­ها است، در حال آسیب رساندن به سیاره ماست. انرژی های تجدید پذیر به عنوان یک راه حل برای کاهش اثرات سوء ناشی از کاهش ذخایر انرژی فصیلی، که نتیجه آن تشدید بحران جهانی انرژی است و همچنین افزایش تولید گازهای گلخانه­ای که نتیجه آن آسیب رساندن به محیط زیست است. علاوه بر استفاده از این منابع بایستی برنامه­ریزی شبکه به نحوی انجام پذیرد که کمترین هزینه اقتصادی برشبکه تحمیل شود. در این حالت نیروگاه­هایی با هزینه سوخت بالاتر با توانی کمتر و نیروگاه­­های با هزینه سوخت کمتر با توان بیشتری وارد مدار می­شوند. این عمل با توجه به معادلات پخش بار و قیود امنیت شبه انجام می پذیرد که با نام پخش بار بهینه شناخته می شود. در صورتی که مساله پخش بار بهینه شامل متغیر های ورودی تصادفی مانند توان خروجی نیروگاه بادی باشد، خروجی مساله نیز تصادفی خواهد بود، بنابراین این نوع از حل مساله پخش بار بهینه را پخش بار بهینه احتمالی می نامند. در این پایان­نامه به منظور حل مساله پخش­بار بهینه احتمالی در حضور نیروگاه­های بادی و با در نظر گرفتن محدودیت­های شبکه قدرت، برای اولین بار از الگوریتم فرهنگی ( CA ) استفاده شده است. الگوریتم فرهنگی به عنوان یک روش بهینه­سازی عمومی برای توابع غیرخطی مورد استفاده قرار گرفته و می تواند به طور قابل ملاحظه ای توابع هدف را با توجه به محدودیت­های مساله به سمت جواب بهینه سوق دهد. در این مقاله، همچنین روش­های مختلف تغییر نسل در ساختار الگوریتم بررسی و با یکدیگر مقایسه گردیده­اند. علاوه بر این چگونگی بهسازی روش پیشنهادی برای مسائل دارای ورودی محدود از جمله پخش بار بهینه احتمالاتی در حضور نیروگاه بادی به تفصیل مورد بررسی قرار می­گیرد. توانایی بهینه­سازی روش فوق بر شبکه 30 و 57   باسه استاندارد IEEE   با استفاده از نرم افزار MATLAB با دیگر الگوریتم­های مطرح نیز به چالش کشیده شده­ است.

بررسی عملکرد میراگرهای جرمی تنظیم شونده ویسکوالاستیک 

معرفی روشی برای تحلیل احساس داده های حجیم (مطالعه موردی تویتر)

امروزه داده‌ها و اطلاعات تولید شد در تمامی علوم و در نتیجه آن دانش، به نحو چشمگیری رو به فزونی نهاده و مسئله کار کردن با این داده‌ها تبدیل به یکی از دغدغه‌های دست­اندر کاران علم کامپیوتر شده است. از طرفی علم ارتباطات و نحوه مدیریت کردن ارتباطات خود به‌نوعی مسئله چالش برانگیز دیگری است که روش‌های سنتی و حتی روش­های موجود برای حجم داده‌های منتقل شده امروز به‌روشنی پاسخگو نخواهد بود؛ برای پاسخ به چنین مشکلاتی باید ذهن خلاق به کار افتد و راهکارهایی را ارائه دهد تا بتوان به نحو احسن با این مشکلاتِ پیش رو کنار آمد. برای حل مشکل داده‌های بزرگ و پردازش و مدیریت جریان داده آن، ابزار نرم‌افزاری با زبان برنامه‌نویسی جاوا خلق شد که هادوپ نام گرفت و می‌تواند به همراه زیرمجموعه‌های قدرتمندش مانند نگاشت-کاهش و ... به‌خوبی کار پردازش و مدیریت جریان داده‌های بزرگ را انجام دهد. در این بین ممکن سوالی اذهان را مشغول نماید که سیستم­های پیشنهادی همچنان بر بستر شبکه های ارتباطی سنتی و با مدیریت سنتی کار خواهند کرد و با این مسئله، راه­حل­های ارائه شده دچار نقصان خواهند بود. مشکل ارتباطات را می‌توان با ایده ساده انتقال بخش مدیریت زیرساخت شبکه به یک مرکز/دستگاه/سیستم متمرکز، حل نمود؛ به این صورت که بخش داده‌های شبکه به‌صورت سخت افزار باقی می مانند (شبیه سخت افزارهای موجود) و بخش کنترلی دستگاه­های به صورت یک جا در یک کنترل کننده قرار می گیرند که کار کنترل تمام بخش های زیرین را به صورت یکجا بر عهده دارد و به این صورت شِمای کلی ارتباطات در زیر نظر کنترل‌کننده قرار می‌گیرد و می‌تواند کارهای گوناگونی مانند کنترل ترافیک و بار و... را به آنی بر روی دستگاه‌ها انجام دهد. حال با توجه به تولد چندین ساله هادوپ این سوال پیش می‌آید که آیا می‌توان کارکرد آن را بهبود داد. می‌توان به‌صورت کاملاً قاطع پاسخ این سوال را با ترکیب و اجرای هادوپ و شبکه های مبتنی بر نرم افزار پاسخ داد. به این شکل که با اجرای هادوپ به عنوان یک نرم افزار بر روی کنترل کننده شبکه های مبتنی بر نرم افزار و واگذاری مسائل مربوط به شبکه به کنترل کننده شبکه های مبتنی بر نرم افزار، به صورت خودکار کارایی افزایش خواهد یافت چراکه هادوپ به جای درگیر بودن با مسائل شبکه، به کار پردازش خود خواهد پرداخت و این وظیفه را به شبکه های مبتنی بر نرم افزار واگذار می کند.

  موضوع بهبود کیفیت صدا امروزه به یکی از موضوعات مهم و اساسی روز تبدیل‌شده است .ازاین‌رو بهبود گفتارهای آغشته به نویز یکی از موضوعات مهم در حوزه پردازش سیگنال است و در موارد بسیاری مثل تشخیص صدا، شناسایی احساسات صوتی و...کاربرد دارد. تضعیف نویز به‌نحوی‌که اختلالی در سیگنال اصلی به وجود نیاورد یک چالش مهم برای بهبود صدا محسوب می‌شود. روش‌های مختلفی برای کاهش نویز ارائه‌شده‌اند که ازجمله روش‌های پایه می‌توان به روش تفریق طیفی ، تبدیل موجک، و...سایر موارد اشاره کرد. موضوع تحقیق این پایان­نامه نیز بررسی نویز موجود در سیگنالِ گفتار، حذف و یا کاهش آن نویز ازسیگنال گفتارِنویزی و ایجاد بهبود در سیگنال‌های گفتارِ آغشته به نویز می­باشد.در این پایان­نامه دو   روش جدید برای کاهش نویز موجود در سیگنال گفتار نویزی ارائه داده ایم . در روش اول ، یک روش تخمین نویز برای نویزهای غیر ایستان همراه با اعمال تبدیل موجک بر روی سیگنال و استفاده از الگوریتم بهینه‌سازی گروه ذرات با رفتار کوانتومی،را به صورت ترکیبی با روش Bayesian ارائه داده‌ایم تا نویزهای موجود در سیگنال نویزی را حذف کند و سیگنال بازیابی شده به سیگنال اصلی نزدیک‌تر باشد.در روش دوم نیز با اعمال تبدیل موجک بر روی سیگنال و ترکیب آن با روش SMPR   روشی جدید برای کاهش نویز ارائه داده ایم. روش­های پیشنهادی نسبت به روش‌های موردتحقیق در این پایان­نامه بهتر عمل می‌کنند و منجر به کاهش نویز از سیگنال با کمترین اعوجاج می‌شوند.

چکیدهبا توجه به افزایش ترافیک و نیاز به پاسخ گویی سریع به درخواست­ها دسته­بندی بسته­ها به یک تکنولوژی مهم و یک چالش در عملکرد مسیریاب­ها تبدیل شده است، بخصوص در زمان همگام سازی تصمیم گیری خود با سرعت تبادل داده­ها این موضوع بیشتر نمود پیدا می کند، یعنی سرعت جست و جوی فیلدها با سرعت لینک­های انتقال برابر باشد و تا زمانی که سرعت شبکه­ها ثابت نشود کار روی دسته­بندی بسته­ها اهمیت خود را حفظ می­کند. افزایش روزافزون داده­های انتقالی و پویا بودن آنها باعث شده راه حل­ها و معماری­های سخت­افزاری یا نرم­افزاری متعددی برای این موضوع ارائه شود. الگوریتم­های نرم­افزاری با وجود توسعه­پذیری بالایی که فراهم می­کنند اما از سرعت پائینی برخوردارند از طرف دیگر راه­حل­های سخت­افزاری سرعت خوبی دارند ولی هزینه بالا و قابلیت توسعه­پذیری کمی دارند. از این رو ارائه روشی برای ایجاد مصالحه بین سخت­افزار و نرم­افزار مورد توجه محققان قرار گرفته است. طبقه بندی بسته­ها یک جستجوی چند فیلدی با سرعت لینک ا انجام می­دهد.در این تحقیق ، به منظور رفع مشکلاتی که در بالا ذکر شد از دو فیلتر بلوم و خارج قسمت استفاده شد و به منظور انطباق روش جستجو با بسته های ارسالی در تعداد فیلدهای موجود در معماری نوین SDN، این تعداد به 15 فیلد سرایند افزایش یافت. در نهایت با استفاده از ابزارهای در دسترس از جمله   Intel Platform Power Estimation Tool (IPPET)   معیارهای مورد نظر برای بررسی قابلیت های روش ارائه شده استفاده گردید و از نتایج حاصل از دو فیلتر برتری فیلتر بلوم نسبت به فیلتر خارج قسمت دربرخی معیارها اثبات گردید به این صورت که در مورد زمان مصرفی، سرعت انجام الگوریتم، توان عملیاتی و انرژی مصرفی فیلتر بلوم عملکرد بهتری داشته ولی در موارد حافظه مصرفی و نرخ خطای مثبت فیلتر خارج قسمت عملکرد بهتری دارد.

شبکه نرم افزاری تعریف شده (SDN) فناوری جدیدی در شبکه‌های کامپیوتری است که در آن با جداسازی صفحه کنترل از صفحه داده، دید کلی شبکه فراهم شده است. این جداسازی با استفاده از یک API (مانند OpenFlow [1]) که میان کنترل‌کننده و سوئیچ‌ها قرار گرفته، مقدور شده است. کنترل‌کننده متمرکز منطقی در شبکه SDN، با استفاده از دید کلی شبکه می‌تواند به بهبود مدیریت شبکه، توازن بار، مسیریابی و امنیت کمک شایانی کند. متوازن‌کننده بار SDN، با استفاده از کنترل‌کننده متمرکز منطقی می‌تواند با ورود هر جریان جدید به شبکه بصورت بی‌درنگ در مورد تخصیص آن به سرور دارای بهترین شرایط، تصمیم‌گیری کند. اغلب متوازن‌کننده‌های بار SDN در لایه ? از مدل OSI کار می‌کنند و تصمیم‌گیری‌های آن‌ها براساس سرآیند لایه‌های ? تا ? می‌باشد و این امر سبب محدودیت در پیاده‌سازی شبکه‌ها می‌باشد. این محدودیت در آنجایی نمایان می‌شود که سرور‌های Back-End مشابه یکدیگر نباشند. در این شرایط نیاز به وجود پایگاه داده‌ای از نگاشت بین محتوا و سرور در کنترل‌کننده بوده و با ورود هرجریان به متوازن‌کننده Front-End، کنترل‌کننده نسبت به تخصیص آن جریان به سروری که محتوای درخواستی در آن وجود دارد اقدام نماید. به منظور پیاده‌سازی متوازن‌کننده بار لایه ? (لایه کاربرد)، روش‌های متداول سنتی از جمله اتصال معوق و مهاجرت سوکت TCP وجود دارند که تلاش این پژوهش در پیاده‌سازی روش اتصال معوق براساس مفاهیم SDN می‌باشد و هم‌چنین با توجه به دید کلی شبکه و در نظر گرفتن بار ترافیکی و همچنین زمان پاسخ سرور‌های Back-End بهترین سروری که محتوای درخواستی در آن قرار دارد انتخاب شود. در پیاده‌سازی روش، از یک   سوئیچ مجازی تحت عنوان Open vSwitch در یک ناظر ماشین مجازی و کنترل‌کننده Floodlight استفاده شده است و نتایج حاصل از پیاده‌سازی در پژوهش پیش رو درج شده است. به طور متوسط بهبود زمان پاسخ در مقایسه با سه الگوریتم دیگر، L  RT، Round Robin و روش انتخاب تصادفی به ترتیب 19.58?، 33.94? و 57.41? است. علاوه بر این، میانگین بهبود بهره­وری روش پیشنهادی در مقایسه با سه الگوریتم دیگر، به ترتیب 16.52?، 29.72? و 58.27? است.

های کامپیوتری، خصوصا اًینترنتباعثایجاد تغییرات ?? رشد و گسترشروز افزون شبافراد، سازمان ها و موسسات شده است. از این ?? و فعالیت شغل ?? گسترده در نحوه زندگباشد. در دنیای ?? از مسائل ضروری و مهم در این چرخه م ???? رو امنیت اطلاعات یدر تبادلاتپیام ها و مبادلاتتجاری ?? و مهم ?? دیجیتال حفاظتاز اطلاعاترکن اساسشود. ?? تراکنش امن، از رمز نگاری استفاده م ?? باشد. برای تامین نیاز های امنیت ?? ماطمینان از عدم دستیابی افراد غیر مجاز به اطلاعات حساس از مهم ترین چالش هایاز متداول ترین روش های ???? در رابطه با توزیع اطلاعاتاز طریق اینترنتاست. ی ?? امنیت?? باشد. رمز کردن داده ها و اطلاعات انواع مختلف ?? حفاظت اطلاعات، رمز نمودن آنها مدارد که در این پایان نامه از رمز نگاری خم بیضوی استفاده شده است. رمز نگاری خمر همچون ?? باشد که نسبت به رمز نگاری های دی ?? م ?? رمز نگاری کلید عموم ?? بیضوی یکند. ?? ، امنیت مورد نیاز را با طول کلید کمتر فراهم م RSA???? ایمن و راحت برای تبادل اطلاعات پزش ?? در این پایان نامه علاوه بر ایجاد راهایمن و مستند برای رمز کردن ?? امروزه، از روش ?? و سنت ?? و خاتمه دادن به روند ها دستبه اداره ی بیمه و ???? داده ها در تمام مراحل احراز هویت بیمار، تبادل داده های پزشهزینه ها به بیمارستان استفاده شده است. ???? ترونی ?? پرداخت

  چکیده با پیشرفت علم و نیاز روز افزون به امنیت برای تبائل اطلاعات از کانالی امن بیش از هر چیز دیگری بحث رمزنگاری و استفاده آن در ارسال اطلاعات مورد توجه است. هنر رمزنگاری که با توسعه و فراگیر شدن آن به یک علم تبدیل شد شاخه های ریاضی و علوم کامپیوتر است. از دغدغه های مهم مراکز امنیتی می توان به ارسال تصاویر و محفوظ ماندن ان از هر نوع آسیبی اشاره نمود. ما در روند این پایان نامه طرح به اشتراکگذاری امن  دو تصویر را بر اساس پروتکل سه طرفه شامیر دنبال می کنیم که برای این انتقال امن و رمزنگاری آن ابتدا با استفاده از نگاشت تبدیل لجستیک سینوسی به هم ریختگی بین پیکسل ها را ایجاد کرده و سپس با کمک دامنه تبدیل  چند پارامتری کسری گسسته زاویه اس به عنوان تابع رمزنگاری انتقال توسط پروتکل سه طرفه شامیر انجام می پذیرئ. و سپس در ا دامه نیز ایده وارد نمودن تسهیم راز را در روند به اشتراک گذاری دخیل نمودیم و خواهیم دید آیا می توان به اشتراک گذاری ذکر شده را با کمک تسهیم راز نیز انجام داد یا خیر؟

تعیین نقاط بحرانی در شبکه های هایبریدی و توسعه مسیرهای اضافی در شبکه جهت بهبود عملکرد و افزایش ظرفیت و پایداری با ملاحظه به توانایی گره ها

  یکی از مباحث مهم در پردازش صوت، پردازش فایل‌هایی است که در آن مخلوطی از گفتار انسان، سکوت و موزیک وجود دارد. به عنوان نمونه می‌توان به فایل‌های ضبط شده از رسانه‌های رادیویی، تلویزیونی و ماهواره‌ای اشاره کرد که حاوی سیگنال‌های صوتی متنوعی هستند.در برخی از کاربردها مانند کاهش حجم، افزایش کیفیت، شناسایی و کاربردهای دیگر نیاز به جداسازی گفتار انسان و یا به عبارتی حذف سکوت، موزیک و یا نویزهای محیطی از سیگنال‌های صوتی به‌وجود می‌آید. سیستم‌های جداسازی گفتار را می‌توان نوعی از سیستم‌های شناسایی گفتار انسان و یا سیستم‌های دسته‌بندی کننده‌ی سیگنال‌های صوتی دانست که از آنها برای جداسازی، شناسایی و یا نشانه گذاری قسمت‌هایی از سیگنال صوتی که شامل گفتار انسان است، استفاده می‌شود.برای انجام عملیات جداسازی گفتار انسان از سیگنال‌های صوتی از روش‌ها و رویکرد‌های گوناگونی بهره گرفته‌می‌شود. هدف ما در اینجا ارائه روشی مناسب وکارا   در قسمت استخراج ویژگی (feature extraction) و هم‌چنین در قسمت دستبه‌بندی (classification) با استفاده از الگوریتم‌های قدرتمند و پیشنهادی و نوین برای رسیدن به دقت بالا و کارایی بیشتر می‌باشد.

  در سال­های اخیر مصرف انرژی در شبکه­ها،   به دلیل رشد قابل ملاحظه­ی کاربران و افزایش تقاضای سرویس­های چند رسانه­ای، به شدت بالارفته است به گونه­ای که کاهش مصرف انرژی در شبکه جهت حفاظت از محیط زیست مورد توجه قرار گرفته است. از دیدگاه­های متفاوتی می­توان مسئله­ی کاهش مصرف انرژی را مورد بررسی قرار داد، پروتکل­های متفاوتی در یک شبکه تعریف شده­اند که هر کدام به نوبه­ی خود در مصرف انرژی تاثیر گذارند. یک پروتکل بر اساس حجم باری که بر روی لینک تولید می­کند و میزان زمان مورد نیاز برای انتقال آن حجم از بار، مصرف انرژی را در خود تعریف می­کند. TCP پروتکلی است که اطمینان می­دهد که یک جریان حتما به مقصدخواهد رسید، به همین دلیل حجم قابل توجهی از یک جریان را به دلیل تولید بسته­هایACK[1] بر روی لینک ایجاد می­کند، که باعث افزایش بار بر روی لینک می­شود.   دراین پایان­نامه از دید نرم­افزاری به مسئله­ی کاهش مصرف انرژی شبکه نگاه می­شود وسعی شده­است با کاهش تعداد بسته­هایACK، هم قابلیت اطمینان پروتکل TCP وهم کاهش مصرف نرژی را داشته باشیم. بهبود حاصل شده در این کار12.09 درصد است که مقدار قابل توجهی است. پیاده­سازی سناریومطرح شده در این پایان­نامه ممکن است در بعضی شبکه­هاکه به صورت آنلاین داده منتقل می­کنند همانند شبکه­ی   انتقال صدا[2] کاهش عملکرد را به همراه داشته باشداما به صورت کلی می­تواند قابل چشم پوشی باشد. کلمات کلیدی: شبکه­های سبز،   بهینه­سازی مصرف انرژی، مهندسی ترافیک، پروتکل TCP، بسته­های ACK 

رمزنگاری دی ان ای شاخه ای جدید از رمزنگاری با بهره گیری از دی ان ای به عنوان یک حامل اطلاعاتی و محاسباتی و به کمک تکنیک ملکولی است. بس?اری ازالور?تمهایجد?درمزنگاری،بهطورکامل?اتاحدیشستهشده اندوجهان امن?ت DNAاط?عاتبرایمحافظتازدادههاوانتقالآنهادرمس?ریجد?دبهنظرمرسد.محاسبات درزم?نهیرمزناریبهعنوانام?دتازهایبرایالور?تمهاینشنمطرحشدهاست. درا?نپا?اننامهدوروشبرایتول?دامضاید?ج?تالباا?نمحاسباتراشرحوموردبررسقرار با?کل?دمتقارنطراحشدهXORوعملDNAمده?م،اول?نروشبااستفادهازکدگذاری استفادهمکند.RSA،واکنشزنج?رهایپل?مرازورمزناریDNAاستوروشدومازکدگذاری

  چکیدهمقابله با پول‌شویی مهم‌ترین ابزار مبارزه علیه جرم و جنایت است و بزرگ‌ترین چالش مبارزه با پول‌شویی در حوزه بانک، تشخیص «تراکنش‌های مشکوک به پول‌شویی» می‏باشد. عدم توجه به بافت صاحبان حساب‌های بانکی، باعث کارایی پایین روش‏های مقابله با پول‌شویی می‏شود. هدف این تحقیق ارائه یک روش شناسایی تراکنش‌های بانکی مشکوک به پول‌شویی با استفاده از تکنیک‌های آماری فرآیند داده‌کاوی در تحلیل «تراکنش‌های پَرت بافتاری» است که تراکنش‌های پول‏شویان را در مرحله یکپارچه‌سازیِ فرآیند پول‌شویی هدف قرار داده است. روش این پژوهش تحلیلِ محتوا بوده است و جامعه آماری تحقیق شامل 8/1 میلیون تراکنشِ 1008 نفر، طی مدت 6 سال از 48 بافت مختلف می‌باشد که به روش شبیه‌سازی بر اساس تراکنشهای دنیای واقعی ایجادشده است. توزیع‌های احتمالی استفاده‌شده در شبیه‌ساز مزبور بر اساس آزمون کولموگروف-اسمیرنوف از تراکنش‌های مقطعی 50 نفر استخراج‌شده است، تراکنش‌های مذکور به روش میدانی جمع‌آوری‌شده‌اند. هرچند به دلیل فراهم نبودن تعداد کافیِ تراکنش‌های بانکیِ واقعی از تراکنش‌های شبیه‌سازی‌شده استفاده گردیده است، لیکن شبیه‌سازی توانایی ایجاد سناریوهایی را دارد که در دنیای واقعی، فراهم‌سازی آن‌ها ممکن نیست. آزمون ایده‏ی تحقیق، بیانگر نرخ 100% پیش‌بینی درستِ تراکنش‌های مشکوک و نرخ 14/1% پیش‌بینی غلطِ تراکنش‌های عادی به‌عنوان مشکوک می‌باشد که نسبت به اغلب روش‌ها، پیشرفتی محسوس را نشان می‌دهد. نتایج تحقیق نشان داد که توجه به بافت صاحبان حساب بانکی در تشخیص پول‌شویی موجب ارتقاء دقت روش‌های مزبور می‌شود.  کلیدواژه‏ها: پول‌شویی، بافت، متغیر بافتاری، متغیر رفتاری، پنجره‏ی مجموعه‌ی کاری.

نیاز به امنیت اطلاعات خصوصی و حساس در دستگاه­های چند لمسی همراه مانند گوشی­های هوشمند و تبلت­ها یکی از مشکلات اصلی در امنیت آنها است. روش­های مرسوم در این دستگاه­ها کلمه رمز و الگوها هستند که موانع و چالش­های زیادی دارند. روش­های بیومتریک تشخیص هویت جایگزین خوبی برای غلبه بر مشکلات این روش­ها هستند. شناسایی کاربر گوشی هوشمند براساس رفتار بیومتریک حاصل از لمس صفحه با انگشتان و حرکت آنها روی صفخه لمسی می­باشد. هدف این تحقیق ارائه روش­ تشخیص هویت با استفاده از بیومتریک­ رفتاری براساس حرکت انگشتان روی صفحه لمسی برای قفل­گشایی این دستگاه­ها می­باشد. در این پژوهش با استخراج تعداد زیادی از ویژگی­ها به دقت بالا در تشخیص هویت کاربر براساس حرکت انگشتان روی صفحه لمسی برای قفل­گشایی این دستگاه­های چند لمسی دست یافته­ایم