حذف نویز از تصاویر فراطیفی گامی اجتناب‌ناپذیر برای بهبود کیفیت این نوع تصاویر است و روش‌های بسیاری در این زمینه توسط محققان پیشنهاد شده است. اغلب این روش‌ها به شباهت‌های مکانی- طیفی به طور هم‌زمان توجه ندارند. زمانی که روش حذف نویز، داده را به صورت سراسری بدون در نظر گرفتن شباهت‌های مکانی- طیفی به کار می‌برد، معمولاً بر روی پیکسل‌های با سطح پایین نویز تأثیر نامطلوب می‌گذارد؛ آن هم زمانی که در داده فراطیفی، تعداد زیادی از پیکسل‌ها نویز کمی دارند و تعداد اندکی از پیکسل‌ها به وسیله سطح بالای نویز تخریب می‌شوند. در این مقاله، ابتدا شباهت‌های مکانی- طیفی موجود در تصاویر با تعریف متغیر پنهان مبتنی بر خوشه‌بندی استخراج می‌شود. در ادامه، یک روش تجزیه ماتریس رتبه‌پایین مبتنی بر این متغیرهای پنهان برای حذف نویز تصاویر فراطیفی و بهبود مقاومت در مقابل انواع نویز (در مقایسه با سایر روش‌ها) پیشنهاد می‌شود. کارایی روش پیشنهادی با شش روش جدید بر روی تصاویر واقعی آلوده به نویز به صورت بصری مقایسه شده و برای مقایسه کمی، همان آزمایش‌ها روی تصاویر بدون نویزی که با شش نوع نویز ترکیب شده و تصاویری نزدیک به داده واقعی ایجاد کرده‌اند مقایسه شده است. نتایج شبیه‌سازی نشان می‌دهد که با اعمال متغیر پنهان در چارچوب استنتاج بیزین تغییراتی، عملکرد روش حذف نویز بهبود می‌یابد و روش پیشنهادی عملکرد بهتری نسبت به سایر روش‌های مورد مقایسه دارد.

از چالش‌های مهم در حذف پژواک آکوستیکی با استفاده از فیلترهای وفقی، تنک‌بودن پاسخ ضربه مسیرهای آکوستیکی و وابستگی زیاد عملکرد الگوریتم‌های وفقی به پراکندگی مقادیر ویژه ماتریس همبستگی سیگنال ورودی می‌باشد که سبب افت کارایی حذف‌کننده‌های وفقی پژواک آکوستیکی می‌شود. در این مقاله به منظور بهبود عملکرد الگوریتم وفقی LMS/Newton در حذف پژواک آکوستیکی، محاسبه معکوس ماتریس همبستگی سیگنال ورودی اصلاح شده است. در این روش از لم معکوس ماتریس به صورتی بهره‌گیری می‌شود که در ابتدای همگرایی سهم ماتریس معکوس در به‌هنگام‌سازی وزن‌ها بیشتر بوده و در نتیجه وابستگی به پراکندگی مقادیر ویژه در شروع همگرایی کاهش یابد. همچنین برای تنظیم طول گام از یک روش تناسبی بهبودیافته استفاده می‌شود، به طوری که نقش وزن‌های با دامنه بزرگ‌تر در فرایند وفق در ابتدا بیشتر از سایر وزن‌ها بوده و به تدریج در طول همگرایی نقش تمامی وزن‌ها یکسان ‌شود. این روش تناسبی علاوه بر بهبود سرعت همگرایی، سبب بهبود عملکرد حالت دایم الگوریتم وفقی در شناسایی پاسخ ضربه تنک مسیرهای آکوستیکی می‌گردد. نتایج شبیه‌سازی با استفاده از سیگنال رنگی دارای طیف شبه- گفتار نشان می‌دهد خطای عدم انطباق حالت دایم الگوریتم پیشنهادی در مقایسه با الگوریتم LMS/Newton در حدود dB 5/6 پایین‌تر است. همچنین همگرایی الگوریتم پیشنهادی در مقایسه با الگوریتم NLMS تناسبی، برای رسیدن به خطای عدم انطباقdB 17- حدود 6/3 ثانیه سریع‌تر است. تحلیل‌های نظری میزان عدم انطباق الگوریتم در حالت گذرا و حالت دایم نیز ارائه و با نتایج شبیه‌سازی مقایسه شده است.

تولید متن یکی از مسايل مهم در حوزه پردازش زبان طبیعی به حساب می‌آید. روش‌های پایه ارائه‌‌شده در این حوزه، دارای مشکلاتی نظیر ناهمخوانی داده در زمان آموزش و آزمون و همچنین تابع هدف نامناسب هستند. در چند سال اخیر پیشرفت‌های زیادی در حوزه تولید تصویر به وسیله شبکه‌های مولد مقابله‌ای انجام شده است. همین موضوع باعث شده که استفاده از شبکه‌های مولد مقابله‌ای در تولید متن نیز به تازگی مورد توجه قرار گیرد. اما به دلیل گسسته‌بودن جنس دنباله‌ها، این امر به سادگی میسر نبوده و برای حل آن نیاز به استفاده از راهکار‌هایی مثل یادگیری تقویتی و استفاده از تقریب وجود دارد. به علاوه ناپایداری شبکه‌های مولد مقابله‌ای باعث ایجاد چالش‌های جدید و بالارفتن پیچیدگی مسأله می‌شود. در این پژوهش با رویکردی جدید که جمعی و مبتنی بر ایده شبکه‌های مولد مقابله‌ای است به ارائه روشی جمعی برای حل مسأله تولید متن می‌پردازیم. اساس روش پیشنهادی تخمین نسبت چگالی احتمال بوده و با این رویکرد روشی بدون مشکل در برابر گسستگی دنباله‌ها ارائه شده است. راهکار ارائه‌شده نسبت به روش‌های شبکه‌های مولد مقابله‌ای در حوزه دنباله، آموزشی پایدار‌تر دارد و همچنین مشکل اُریبی مواجهه نیز در روش پیشنهادی وجود ندارد. آزمایش‌های انجام‌شده نشان‌دهنده برتری روش پیشنهادی در مقایسه با روش‌های پیشین بر روی مجموعه داده‌های معروف مربوط به تولید متن است.

هم‌زمان با فراگیرشدن تکنولوژی اینترنت اشیا در سال‌های اخیر، تعداد دستگاه‌های هوشمند و به تبع آن حجم داده‌های جمع‌آوری‌شده توسط آنها به سرعت در حال افزایش است. از سوی دیگر، اغلب برنامه‌های کاربردی اینترنت اشیا نیازمند تحلیل بلادرنگ داده‌ها و تأخیر اندک در ارائه خدمات هستند. تحت چنین شرایطی، ارسال داده‌ها به مراکز داده ابری جهت پردازش، پاسخ‌گوی نیازمندی‌های برنامه‌های کاربردی مذکور نیست و مدل رایانش مه، انتخاب مناسب‌تری محسوب می‌گردد. با توجه به آن که منابع پردازشی موجود در مدل رایانش مه دارای محدودیت هستند، استفاده مؤثر از آنها دارای اهمیت ویژه‌ای است.در این پژوهش به مسئله زمان‌بندی وظایف برنامه‌های کاربردی اینترنت اشیا در محیط رایانش مه پرداخته شده است. هدف اصلی در این مسئله، کاهش تأخیر ارائه خدمات است که جهت دستیابی به آن، از رویکرد یادگیری تقویتی عمیق استفاده شده است. روش ارائه‌شده در این مقاله، تلفیقی از الگوریتم Q-Learning، یادگیری عمیق و تکنیک‌های بازپخش تجربه و شبکه هدف است. نتایج شبیه‌سازی‌ها نشان می‌دهد که الگوریتم DQLTS از لحاظ معیار ASD، ۷۶% بهتر از الگوریتم QLTS و 5/6% بهتر از الگوریتم RS عمل می‌نماید و نسبت به QLTS زمان همگرایی سریع‌تری دارد.

در این پژوهش به دنبال ارتقای یکی از الگوریتم‌های کارامد در یادگیری ماشین، به نام جنگل تصادفی هستیم. برای این منظور از تکنیک‌های فشرده‌سازی و موازی‌سازی بهره می‌بریم. چالش اساسی مورد توجه در این پژوهش، در رابطه با به کارگیری جنگل تصادفی در پردازش و تحلیل داده‌های حجیم می‌باشد. در چنین مواردی، این الگوریتم به دلیل مراجعات پرشمار به حافظه، کارایی معمول و مورد نیاز را ندارد. این پژوهش نشان می‌دهد که چگونه می‌توان با به کارگیری یک شیوه فشرده‌سازی ابتکاری، در کنار تکنیک‌های موازی‌سازی به هدف مورد نظر دست یافت. در این رابطه، اجزای مشترک درختان در جنگل تصادفی با یکدیگر به اشتراک گذاشته می‌شوند. علاوه بر این، روش موازی‌سازی مبتنی بر دستورات برداری‌سازی به همراه روش موازی‌سازی مبتنی بر حافظه اشتراکی در جریان پردازش داده‌ها به کار می‌روند. به منظور ارزیابی عملکرد روش پیشنهادی، آن را بر روی مجموعه داده‌های محک Kaggle که در رقابت‌های مربوط به الگوریتم‌های یادگیری به وفور به کار می‌روند، اجرا نمودیم. نتایج به‌دست‌آمده حاکی از آن است که به کارگیری روش فشرده‌سازی پیشنهادی، 66 درصد بهبود در سرعت پردازش داده‌ها به دنبال داشته است. همچنین به کارگیری فشرده‌سازی به همراه موازی‌سازی یادشده، 96 درصد بهبود را به همراه داشته است. به طور کلی نتایج آزمایشی و تحلیل‌ها دلالت بر این دارند که راهکارهای پیشنهادی، قدمی مؤثر در راستای رسیدن به رایانش سریع برای جنگل تصادفی در اختیار می‌گذارد.

ترانزیستورهای نانو- نوار گرافینی (GNRFETs) به عنوان یک گزینه امیدوارکننده برای جایگزینی ترانزیستورهای سیلیکونی متداول در تکنولوژی نسل آینده مطرح می‌باشند. کانال GNRFET در مقیاس چند نانومتر است و از این رو بررسی تأثیر تغییرات فرایند ساخت بر روی عملکرد مدارها بسیار حایز اهمیت خواهد بود. در این مقاله، تأثیر تغییرات فرایند ساخت نظیر ضخامت اکسید، طول کانال و تعداد خطوط دایمر بر روی تأخیر، توان و حاصل‌ضرب انرژی- تأخیر (EDP) فلیپ‌فلاپ مبتنی بر SB-GNRFET ارزیابی شده و مورد تجزیه و تحلیل قرار گرفته است. علاوه بر آن شبیه‌سازی مونت‌کارلو نیز برای تحلیل آماری این تغییرات انجام شده است. با تغییر ضخامت اکسید از مقدار نامی به nm 15/1، تأخیر انتشار و EDP به ترتیب به میزان 57/31 و 62/60 درصد افزایش می‌یابد. همچنین تغییر طول کانال کمترین میزان تأثیر را بر روی مشخصه فلیپ‌فلاپ دارد. با افزایش یک واحد تعداد خطوط دایمر از مقدار نامی، تأخیر انتشار و EDP به ترتیب به میزان 48/315 و 79/204 درصد افزایش می‌یابد. همچنین نتایج حاصل از شبیه‌سازی مونت‌کارلو نشان می‌دهد که مشخصه فلیپ‌فلاپ نسبت به تغییر ضخامت اکسید یک توزیع هیستوگرام با میزان گستردگی 46/2، 57/1 و 39/2 برابر نسبت به تغییر خطوط دایمر دارد.

یکی از راهکارهای نوین که می‌تواند سهم بسزایی در بهبود کیفیت تحویل محتوای چندرسانه‌ای داشته باشد، به کارگیری شبکه‌های مبتنی بر ابر است. در این مقاله به منظور بهبود کیفیت تجربه کاربران (QOE) در سرویس‌های جویبارسازی تطبیقی ویدئو به بررسی یک روش مبتنی بر ابر پرداخته خواهد شد. در راهکار پیشنهادی، الگوریتم‌ پنجره پیش‌بینی بهبودیافته در سمت فرستنده و الگوریتم ارسال درخواست‌های HTTP در سمت گیرنده اعمال شده‌اند. با اعمال هم‌زمان این دو الگوریتم در دو سمت فرستنده و گیرنده از ظرفیت‌های هر دو طرف استفاده می‌شود و از رخ‌دادن پاریز و در نتیجه ایجاد وقفه در پخش ویدئو جلوگیری می‌شود. نتایج شبیه‌سازی‌های انجام‌شده نشان می‌دهد که روش پیشنهادی نسبت به روش‌های مقایسه‌شده دیگر تأثیر بیشتری در بهبود کیفیت تجربه کاربران برای ویدئوی تطبیقی جویبارسازی‌شده در بستر ابر دارد.

در سال‌‌های اخیر تشخیص فعالیت فیزیکی انسان از روی داده‌های گرفته‌شده توسط سنسورهای ژیروسکوب و شتاب‌سنج در گوشی هوشمند، مورد توجه پژوهشگران قرار گرفته است. در این مقاله با به کارگیری روش تحلیل مؤلفه‌های اساسی، ویژگی‌هایی با بعد پایین و مناسب استخراج شده و کارایی چند طبقه‌بندی‌کننده مختلف شامل ماشین بردار پشتیبان، رگرسیون منطقی، ادابوست و شبکه عصبی کانولوشن برای طبقه‌بندی فعالیت‌ها بررسی و یک سیستم کارا برای این منظور پیشنهاد شده است. نتایج به دست آمده نشان می‌دهد که سیستم پیشنهادی توانسته است دقت تشخیص را نسبت به کارهای اخیر بهبود دهد. یکی از چالش‌هایی که لازم است در خصوص سیستم‌های تشخیص فعالیت مورد توجه قرار گیرد، میزان پایداری این سیستم‌ها نسبت به مدل‌های مختلف از گوشی‌های هوشمند است. با توجه به این که کیفیت سنسورها و نویز مرتبط با آنها از یک مدل گوشی به مدل دیگر متفاوت است، بنابراین بررسی میزان پایداری الگوریتم شناسایی فعالیت در نویزهای مختلف حایز اهمیت خواهد بود. در این مقاله کارایی و میزان پایداری طبقه‌بندی‌کننده‌‌ها در سطوح مختلف نویز نیز بررسی شده است. نتایج به دست آمده نشان می‌دهد که ماشین بردار پشتیبان با میانگین دقت 34/96% پایداری بهتری نسبت به نویز در مقایسه با سایر طبقه‌بندی‌کننده‌ها داشته است.