در این مقاله، یک ساختار جدید شبکهای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیعشده توسعهیافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکهای برای حل مسأله زیرگراف بهینه در گرافهای تصادفی با یالهای وزندار از طریق نمونهگیری ارائه میشود. نشان داده شد چکیده کامل
در این مقاله، یک ساختار جدید شبکهای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیعشده توسعهیافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکهای برای حل مسأله زیرگراف بهینه در گرافهای تصادفی با یالهای وزندار از طریق نمونهگیری ارائه میشود. نشان داده شده که ساختار شبکهای جدید پیشنهادی قادر به حل مسایل بهینهسازی روی گرافهای تصادفی از طریق نمونهگیری با تعداد نمونه کمتر نسبت به روش نمونهگیری استاندارد است. علاوه بر این، اثباتی برای همگرایی آن به جواب بهینه ارائه شده و نشان داده میشود که ساختار شبکهای پیشنهادی همواره با احتمال 1 به جواب بهینه همگرا میگردد.
پرونده مقاله
هدف اصلی در روشهای مختلف تطبیق تصویر، پیداکردن پارامترهای تبدیل برای نگاشت دقیق یک تصویر بر روی مختصات تصویر دیگر است. در پزشکی، برقراری ارتباط دقیق میان دادههای تصاویر پزشکی درکاربردهایی نظیر تشخیص و درمان از اهمیت بسیاری برخوردار است و بر این اساس، روشهای متعددی بر چکیده کامل
هدف اصلی در روشهای مختلف تطبیق تصویر، پیداکردن پارامترهای تبدیل برای نگاشت دقیق یک تصویر بر روی مختصات تصویر دیگر است. در پزشکی، برقراری ارتباط دقیق میان دادههای تصاویر پزشکی درکاربردهایی نظیر تشخیص و درمان از اهمیت بسیاری برخوردار است و بر این اساس، روشهای متعددی براي تطبیق تصاویر ارائه شده است. مقایسه نتایج الگوریتمهای مختلف، انگیزه اصلی این پژوهش گردیده تا بتوان الگوریتم جدید ترکیبی ارائه و پیادهسازی نمود که از دقت بالایی برای تطبیق تصاویر چندکیفیتی برخوردار باشد. خودکارسازی فرایند تطبیق با بهرهگیری از رویکرد یادگیری ماشین، نوآوری مقاله حاضر نسبت به روشهای پیشین به شمار میرود. به این منظور، روش پیشنهادی به نام یادگیری چنددقتی از ترکیب یک روش تجزیه چنددقتی و یک شبکه عصبی سلسله مراتبی بهره میگیرد که با استفاده از ویژگیهای سراسری تصویر، پارامترهای تبدیل را یاد گرفته و از پارامترهایِ تبدیلِ به دست آمده از فرایند یادگیری ، برای تطبیق تصاویر استفاده میکند. روش پیشنهادی بر روی پایگاه داده تصاویر پزشکی دانشگاه واندربیلت پیادهسازی و آزمون شده و نتایج به دست آمده دقت قابل قبولی را برای روش پیشنهادی در مقایسه با سایر روشها نشان میدهد.
پرونده مقاله
به دلیل اهمیت تخلیه سریع شهر هنگام وقوع حوادث طبیعی یا غیر طبیعی، اعمال یک سیاست کنترلی بهینه برای جلوگیری از بروز تراکم و توقف وسایل نقلیه امری لازم و ضروری است. روشهای موجود برای مدیریت ترافیک در شرایط بحران کمتر به استفاده از رویکردهای هوش مصنوعی پرداختهاند و به هم چکیده کامل
به دلیل اهمیت تخلیه سریع شهر هنگام وقوع حوادث طبیعی یا غیر طبیعی، اعمال یک سیاست کنترلی بهینه برای جلوگیری از بروز تراکم و توقف وسایل نقلیه امری لازم و ضروری است. روشهای موجود برای مدیریت ترافیک در شرایط بحران کمتر به استفاده از رویکردهای هوش مصنوعی پرداختهاند و به همین دلیل، هدف اصلی مؤلفین در این پژوهش ارائه یک رویکرد کنترلی بهینه و هوشمند برای ترافیک تخلیه شهر است. در این رویکرد از سیستم استنتاج فازی برای تصمیمگیری هر عامل و از آتوماتای احتمالی برای بهینهکردن عملکرد عاملها با توجه به ترجیحات هر کدام از آنها در طول زمان استفاده شده است. برای بررسی میزان موفقیت رویکرد کنترلی پیشنهادی، شبیهسازی مبتنی بر عامل در محیطهای RStudio و NetLogo و با استفاده از بستههای RNetlogo و frbs در زبان R انجام شده است. نتایج شبیهسازی نشاندهنده توزیع بار ترافیک، استفاده حداکثری از ظرفیت معابر و پیشگیری از بروز تراکم توسط رویکرد پیشنهادی است. با توجه به فناوریهای ارتباطی نظیر GPS، گوشیهای تلفن همراه هوشمند، سیستمهای پرداخت عوارض خودکار الکترونیکی در معابر و ... که در سالهای اخیر گسترش یافتهاند، امکان پیادهسازی روش کنترل ترافیک بحران پیشنهادی در عمل نیز وجود خواهد داشت.
پرونده مقاله
در اين مقاله يک آتاماتاي توزيعشده جديد به نام آتاماتاي يادگير توزيعشده توسعهيافته براي يادگيري توزيع توأم مجموعهاي از متغيرهاي تصادفي معرفي خواهد شد. اين شبکه از آتاماتاها در محيطهايي که پاسخ محيط به مجموعهاي از اقدامات انجامشده توسط آتاماتا، مستقل از يکديگر نبود چکیده کامل
در اين مقاله يک آتاماتاي توزيعشده جديد به نام آتاماتاي يادگير توزيعشده توسعهيافته براي يادگيري توزيع توأم مجموعهاي از متغيرهاي تصادفي معرفي خواهد شد. اين شبکه از آتاماتاها در محيطهايي که پاسخ محيط به مجموعهاي از اقدامات انجامشده توسط آتاماتا، مستقل از يکديگر نبوده و نوعي وابستگي شرطي ميان اين پاسخها حاکم باشد، کاربرد دارد. نشان داده شده که اين آتاماتاي جديد قادر است تخميني از توزيع شرطي اقدامها را فرا بگيرد. در ادامه چارچوبی مبتني بر آتاماتاي يادگير توزيعشده جديد پيشنهادي، براي حل مسأله يادگيري برخط پارامترهاي یک شبکه بیزی ارائه شده است. اين چارچوب با دادهها و شواهد جديد منطبق شده و عمليات به روز رساني پارامترها را انجام ميدهد. با بررسيهاي رياضي و آزمايشهاي عملي روي شبکههاي نمونه، نشان دادهايم که اين مدل جديد قادر است با تخميني با دقت برابر با EM، يادگيري پارامترهاي يک شبکه بيزي را انجام دهد. علاوه بر ويژگي افتراقیبودن و يادگيري برخط، اين ساختار جديد با شرايطي که دادهها ناکامل باشند نيز سازگار است و به دليل استفاده از روابط يادگيري خطي و مبتني بر آتاماتاي يادگير، سربار محاسباتي کمي نيز دارد.
پرونده مقاله
استفاده از الگوریتمهای ابتکاری یک انتخاب مناسب برای حل مسایل بهینهسازی است. در اين مقاله نسخه بهبوديافتهاي از الگوريتم بهينهساز مورچگان باينري براي حل مسأله انتخاب ويژگي ارائه شده است. نسخه پيشنهادي خصوصيات الگوريتم جمعيت مورچه گسسته و الگوريتم مورچه باينري را به صو چکیده کامل
استفاده از الگوریتمهای ابتکاری یک انتخاب مناسب برای حل مسایل بهینهسازی است. در اين مقاله نسخه بهبوديافتهاي از الگوريتم بهينهساز مورچگان باينري براي حل مسأله انتخاب ويژگي ارائه شده است. نسخه پيشنهادي خصوصيات الگوريتم جمعيت مورچه گسسته و الگوريتم مورچه باينري را به صورت توأمان در خود دارد. کارايي روش پيشنهادي روي 12 پايگاه داده استاندارد در موضوع طبقهبندي بررسي و نتايج با چند الگوريتم مطرح در اين زمينه شامل بهينهساز جمعيت مورچگان گسسته و باينري مقايسه شده است. نتايج بيانگر کارايي مناسب الگوريتم پيشنهادي است.
پرونده مقاله
با توجه به ورود شبکههای جدید در کشور از قبیل LTE و وایمکس که مبتنی بر OFDM میباشند، نیاز به تحقیق و پژوهش و همچنین بررسی عملکرد این شبکهها، امری اجتنابناپذیر است. در این مقاله ما به بررسی عملکرد طرحهای تخصیص فرکانسی مختلف در یک شبکه LTE میپردازیم. ابتدا کارایی طرح چکیده کامل
با توجه به ورود شبکههای جدید در کشور از قبیل LTE و وایمکس که مبتنی بر OFDM میباشند، نیاز به تحقیق و پژوهش و همچنین بررسی عملکرد این شبکهها، امری اجتنابناپذیر است. در این مقاله ما به بررسی عملکرد طرحهای تخصیص فرکانسی مختلف در یک شبکه LTE میپردازیم. ابتدا کارایی طرحهای تخصیص فرکانسی از قبیل استفاده مجدد با ضریب 1، استفاده مجدد با ضریب 3، استفاده مجدد فرکانس جزئی، سکتوربندی، تقسیم ناحیه سلول و استفاده مجدد فرکانس نرم را بررسی میکنیم و سپس با ایجاد اختلاف فاز بین دو سیگنال ارسالی در یک کانال MISO در استاندارد LTE و ترکیب آن با برخی از این طرحها مانند سکتوربندی و تقسیم ناحیه سل همراه با سکتوربندی، تداخل را در چنین شبکههایی به طور قابل ملاحظهای کاهش میدهیم. نتایج شبیهسازی نشان میدهد که ایجاد اختلاف فاز بین سیگنالها (که به آن طرح پیش کدکنندگی مرتبه 1 میگویند) در یک کانال MISO، به دلیل چرخش الگوی تشعشعی آنتن بسته به موقعیت کاربر متحرک و همچنین طرح استفاده مجدد فرکانس نرم به دلیل تخصیص کامل حاملهای فرکانسی OFDM به هر سل و ارسال با توان کمتر برای کاربران مرکز سل، به بهره قابل ملاحظهای در ظرفیت و تداخل کل شبکه در ترافیکهای مختلف منجر میگردند.
پرونده مقاله
اثر انگشت بیومتریکی است که به دلیل ویژگیهای منحصر به فردش، بیشترین کاربرد را در سیستمهای تشخیص و تعیین هویت داشته است. در سیستمهای تعیین هویت، تصویر ورودی با تمام تصاویر ثبتشده در پایگاه مقایسه میگردد و در صورتی که پایگاه داده حجیم باشد، عمل مقایسه بسیار زمانبر خو چکیده کامل
اثر انگشت بیومتریکی است که به دلیل ویژگیهای منحصر به فردش، بیشترین کاربرد را در سیستمهای تشخیص و تعیین هویت داشته است. در سیستمهای تعیین هویت، تصویر ورودی با تمام تصاویر ثبتشده در پایگاه مقایسه میگردد و در صورتی که پایگاه داده حجیم باشد، عمل مقایسه بسیار زمانبر خواهد بود. برای نمونه میتوان به پایگاههای داده موجود در FBI اشاره نمود. یکی از راه حلهای تأییدشده برای افزایش سرعت، طبقهبندی تصاویر است. در طبقهبندی مطلق، به هر اثر انگشت تنها یک کلاس تخصیص مییابد. دلایل مختلفی چون نویز یا عدم وجود همه نقاط یکتا در محدوده تصویر، تعیین یک کلاس مطلق برای همه تصاویر را دچار مشکل میکند. در این مقاله، روشی جدید بر پایه طبقهبندی احتمالی ارائه شده که برای هر تصویر ورودی، مجموعهای از کلاسها مشخص میشود که هر یک دارای یک احتمال میباشند. در مرحله انطباق، کلاسها به ترتیب اولویتشان جستجو میشوند. آزمایشات صورتگرفته بر روی پایگاه داده شناختهشده 2002 FVC، تأثیر استفاده از طبقهبندی احتمالی را به روشنی نشان داده است. با در نظر گرفتن کلاسهای دوم و سوم تعیینشده توسط روش پیشنهادی، دقت شناسایی سیستم تقریباً 18% افزایش یافته است، در صورتی که سرعت آن، 2 تا 3 برابر بیشتر از طبقهبندی مطلق میباشد.
پرونده مقاله
شبکههای حسگر بیسیم نسل جدیدی از شبکهها هستند که از حسگرها برای دریافت اطلاعات پیرامون محیط خود استفاده میکنند و ارتباط این حسگرها به طور بیسیم است. یکی از مسایلی که در شبکههای حسگر بیسیم از اهمیت زیادی برخودار میباشد بحث کاهش مصرف انرژی و افزایش طول عمر شبکه است چکیده کامل
شبکههای حسگر بیسیم نسل جدیدی از شبکهها هستند که از حسگرها برای دریافت اطلاعات پیرامون محیط خود استفاده میکنند و ارتباط این حسگرها به طور بیسیم است. یکی از مسایلی که در شبکههای حسگر بیسیم از اهمیت زیادی برخودار میباشد بحث کاهش مصرف انرژی و افزایش طول عمر شبکه است. کنترل توپولوژی یکی از روشهای کاهش مصرف انرژی و افزایش طول عمر شبکه بوده و تاكنون روشهاي مختلف كنترل توپولوژي به منظور کاهش مصرف انرژی و افزایش طول عمر شبکه ارائه شده که از جمله آنها خوشهبندی است و یکی از روشهای معروف خوشهبندی LEACH میباشد. در این مقاله ما سعی داریم یک روش خوشهبندی جدیدی ارائه دهیم که نسبت به LEACH و سایر روشهای بهبودیافته بعد از LEACH برتری داشته باشد. ما در این روش خوشهبندی از منطق فازی دوسطحی استفاده میکنیم که باعث کاهش مصرف انرژی و افزایش عمر شبکه در مقایسه با روشهای دیگر میشود و برای اثبات برتری روشمان در مقایسه با روشهای دیگر، مقایسهای با استفاده از نرمافزار MATLAB ارائه دادهایم.
پرونده مقاله
حسگرهاي موجود در شبکههاي حسگر بيسيم معمولاً با انرژي باتري و با عمر محدود کار ميکنند، به همين دليل کاهش مصرف انرژي در آنها از اهميت بسزايي برخوردار است. در اين مقاله، الگوريتم مسيريابي جديدي جهت کاهش مصرف انرژي در اين شبکهها معرفي ميشود که از اتوماتاي يادگير به منظ چکیده کامل
حسگرهاي موجود در شبکههاي حسگر بيسيم معمولاً با انرژي باتري و با عمر محدود کار ميکنند، به همين دليل کاهش مصرف انرژي در آنها از اهميت بسزايي برخوردار است. در اين مقاله، الگوريتم مسيريابي جديدي جهت کاهش مصرف انرژي در اين شبکهها معرفي ميشود که از اتوماتاي يادگير به منظور يافتن مسير مناسب جهت ارسال بستههاي داده بهره ميگيرد. رويکرد اصلي اين الگوريتم به اين صورت است که مصرف انرژي در مسيرهاي مختلف را با در نظر گرفتن سطح انرژي و تأخير گرهها متوازن نگه ميدارد و بدين منظور از شيوه جريمهدهي در اتوماتاي يادگير بهره ميگيرد. براي ارزيابي کارايي الگوريتم پيشنهادي، اين پروتکل مسيريابي با نرمافزار OMNET++ شبيهسازي و نتايج به دست آمده با دو پروتکل LABER و BEAR مقايسه شده است. نتايج شبيهسازي نشان ميدهد که در شبکه با ساختار استاتيک، در مصرف انرژي و ارسال بستههاي کنترلي و در نتيجه طول عمر شبکه در پروتکل پيشنهادي نسبت به پروتکلهاي مقايسهشده بهبود حاصل شده است.
پرونده مقاله