مقاله پیش رو بر روی حل همکارانه مسأله جابهجایی اجسام توسط سیستمهای چندرباتی توزیعشده تمرکز دارد. دو چالش مهم برنامهریزی مسیر و همکاری رباتها باعث دشوارشدن این مسأله شده است. در این مسأله رباتها باید با خودداری از موانع و با بهرهگیری از یک مکانیزم هماهنگی و همکاری چکیده کامل
مقاله پیش رو بر روی حل همکارانه مسأله جابهجایی اجسام توسط سیستمهای چندرباتی توزیعشده تمرکز دارد. دو چالش مهم برنامهریزی مسیر و همکاری رباتها باعث دشوارشدن این مسأله شده است. در این مسأله رباتها باید با خودداری از موانع و با بهرهگیری از یک مکانیزم هماهنگی و همکاری مناسب، جسم را از مسیر عاری از تصادم به نقطه هدف برسانند. رویکرد ارائهشده در این مقاله متشکل از یک ساختار دولایه است که از مزایای هر دو معماری متمرکز و غیر متمرکز بهره میبرد. لایه سراسری با آگاهی کامل از اجزای محیط امکان رسیدن به جواب بهینه را با استفاده از الگوریتم جدید ORT فراهم میکند. لایه محلی نیز با انجام محلی برخی از پردازشها باعث کاهش آسیبپذیری، بار پردازشی سیستم مرکزی و هزینه کلی سیستم میشود. هماهنگی مورد نیاز بین رباتها در این لایه به کمک ارتباط رادیویی برقرار میشود و برای برنامهریزی مسیر حرکت محلی رباتها از ترکیب الگوریتمهای میدان پتانسیل و Tangent Bug استفاده شده است. رویکرد پیشنهادی بر روی یک سیستم چندرباتی متشکل از رباتهای KUKA youBot و با استفاده از شبیهساز Webots پیادهسازی شده است. به منظور بررسی کارایی رویکرد پیشنهادی، نتایج حاصل از آزمایشات مختلف با الگوریتم ORT و همچنین الگوریتم RRT به دست آمده و مقایسه گردید. این نتایج نشانگر کارایی مناسب رویکرد پیشنهادی است.
پرونده مقاله
بیش از دو دهه از معرفی روش کارت امتیازی متوازن جهت کنترل و پایش راهبردهای سازمانها میگذرد. مهمترین دستاورد این روش ترسیم نقشه راهبردی است. در این نقشه با ترسیم روابط علّی بین اهداف راهبردی، امکان تحلیلهای گوناگون فراهم شده و در تصمیمگیری مدیران نقش به سزایی دارد. ب چکیده کامل
بیش از دو دهه از معرفی روش کارت امتیازی متوازن جهت کنترل و پایش راهبردهای سازمانها میگذرد. مهمترین دستاورد این روش ترسیم نقشه راهبردی است. در این نقشه با ترسیم روابط علّی بین اهداف راهبردی، امکان تحلیلهای گوناگون فراهم شده و در تصمیمگیری مدیران نقش به سزایی دارد. برای دستیابی به یک نقشه راهبردی دقیق لازم است شدت هر رابطه علّی به درستی تخمین زده شود. از این رو تخمین ضرایب این روابط در نقشههای راهبردی مورد توجه قرار گرفته است. از مهمترین روشهای موجود میتوان روشهای دیمتل و دلفی را نام برد که مبتنی بر نظرات کارشناسان میباشند. البته ممکن است نظرات کارشناسان در حوزههای پیچیده کسب و کار دقیق نباشند، لذا به کارگیری الگوریتمهای هوش محاسباتی بر اساس دادههای موجود برای تخمین دقیقتر ضرایب علّی مفید است. مورد مطالعه این تحقیق، نقشه راهبردی یک مؤسسه مالی بوده که روابط بین اهداف راهبردی و ضرایب آنها به روش دلفی- فازی از نظرات کارشناسان از قبل تعیین شدهاند. هدف اصلی در این مقاله، تخمین دقیقتر ضرایب علّی به کمک دادههای موجود و الگوریتمهای هوش محاسباتی میباشد. بدین منظور، ابتدا نقشه راهبردی را به ازای هر هدف معلول موجود به چند نقشه شناختی فازی تجزیه کرده و سپس از الگوریتم جستجوی گرانشی برای آموزش هر نقشه شناختی فازی استفاده شده است. هدف از آموزش نقشههای شناختی، تعیین ضرایب علّی بهینه بر اساس دو تابع هدف میباشد. تابع هدف اول، سعی در کاهش خطای پیشبینی مقادیر درصد تحقق اهداف راهبردی را داشته و تابع هدف دوم، ضرایب علّی را در بازه تعیینشده توسط کارشناسان نگاه میدارد. نتایج به دست آمده از روش پیشنهادی، خطای مدل را نسبت به مدل کارشناسان کاهش داد. از مقایسه نتایج الگوریتم جستجوی گرانشی با سایر الگوریتمهای بهینهیابی نیز مشاهده شد که الگوریتم جستجوی گرانشی در تعداد گامهای کمتری در مقایسه با الگوریتمهای بهینهیابی ازدحام ذرات و اجتماع مورچگان نقطه بهینه سراسری را مییابد.
پرونده مقاله
یکی از مسایل جالب در هوش مصنوعی ساخت شبکه بیزی بر اساس نمونههایی از دادهها است؛ یعنی فرض کنید یک شبکه بیزی N روی مجموعه متغیرهای V مفروض است. هدف، ساخت یک شبکه بیزی- استخراج مجموعهای از روابط علت/ معلولی- میان مجموعه متغیرها بر اساس نمونههایی که از N استخراج شده و چکیده کامل
یکی از مسایل جالب در هوش مصنوعی ساخت شبکه بیزی بر اساس نمونههایی از دادهها است؛ یعنی فرض کنید یک شبکه بیزی N روی مجموعه متغیرهای V مفروض است. هدف، ساخت یک شبکه بیزی- استخراج مجموعهای از روابط علت/ معلولی- میان مجموعه متغیرها بر اساس نمونههایی که از N استخراج شده و بدون در اختیار داشتن N است. از این مسأله در متون با عنوان یادگیری ساختاری شبکه بیزی یاد میشود. یکی از روشهای مهم در یادگیری ساختاری شبکههای بیزی با استفاده از دادههای نمونه، استفاده از معیارهای مبتنی بر امتیاز برای ارزیابی میزان برازندگی یک ساختار بیزی مفروض با دادههای نمونه و جست و جو در میان ساختارهای ممکن است. جست و جو برای یافتن یک ساختار مناسب برای شبکه بیزی که بیشترین سازگاری را با نمونهها داشته باشد غالباً از طریق جست و جو در فضای ساختارها با استفاده از تکنیکهای جست و جوی استاندارد یا الهامگرفته از طبیعت نظیر تپهنوردی حریصانه، الگوریتمهای ژنتیک، شبیهسازی حرارتی یا الگوریتم تبرید، بهینهسازی کلونی مورچهها و نظایر آن صورت میگیرد.
در این مقاله یک روش جدید مبتنی بر آتاماتای یادگیر برای یادگیری ساختاری شبکه بیزی ارائه شده است. در این روش آتاماتای یادگیر به عنوان یک ابزار جستجوی تصادفی مورد استفاده قرار میگیرد. از ویژگیهای روش جدید پیشنهادی جستجوی همزمان در فضای جایگشتهای ممکن از متغیرها (فضای ترتیب متغیرها) و فضای ساختارها (فضای DAGها) است. ضمن بررسی ریاضی الگوریتم پیشنهادی، روش جدید روی تعدادی از شبکههای نمونه مورد آزمایش قرار گرفته است.
پرونده مقاله
این مقاله روشی نوین برای آشکارسازی چندتایی صورت انسان از نمای روبهرو در تصاویر اینترنتی با پسزمینههای پیچیده را با تمرکز بر کاهش خطای آشکارسازی نمونههای غیر صورت به عنوان صورت بیان میکند. در روش ارائهشده از ترکیب شبکه عصبی چندلایه پیشخور با روش آموزش بازگشتی
و چکیده کامل
این مقاله روشی نوین برای آشکارسازی چندتایی صورت انسان از نمای روبهرو در تصاویر اینترنتی با پسزمینههای پیچیده را با تمرکز بر کاهش خطای آشکارسازی نمونههای غیر صورت به عنوان صورت بیان میکند. در روش ارائهشده از ترکیب شبکه عصبی چندلایه پیشخور با روش آموزش بازگشتی
و ویژگی انرژی فیلتر گابور در حوزه فرکانس استفاده شده است. در روش پیشنهادی این مقاله با معرفی پیشپردازشی جدید برای افزایش کیفیت ویژگی انرژی گابور، انجام دو مرحله پایش بر روی تصاویر ورودی و خروجی و همچنین استفاده از سه شاخص شناسایی اجزای صورت در خروجی انرژی گابور، خطای آشکارسازی نمونههای غیر صورت به عنوان صورت به شدت کاهش یافته است. در این مقاله پایگاه تصاویر جدیدی به نام RFD از تصاویر اینترنتی جمعآوری شده است که دارای 583 تصویر صورت غیر تکراری و 9961 تصویر غیر صورت در اندازه 168×192 است. دقت الگوریتم پیشنهادی در آشکارسازی صورت در این پایگاه تصاویر 16/88% و خطای آشکارسازی آن تنها 48 مورد معادل 48/0% است. این در حالی است که الگوریتم ویولاجونز در این پایگاه تصویر دارای 124 خطای آشکارسازی بوده و در نتیجه خطای آشکارسازی الگوریتم پیشنهادی نزدیک به 5/2 برابر بهتر از الگوریتم ویولاجونز میباشد.
پرونده مقاله
در این تحقیق، یک روش طبقهبندی جمعی بر اساس یادگیری با همبستگی منفی برای بازشناسی کلنگر کلمات دستنویس با حجم محدود پیشنهاد میشود. در این روش مجموعه داده آموزشی پس از پیشپردازش و استخراج ویژگی به طبقهبندهای پایه پرسپترون چندلایه اعمال میشود. سپس شبکههای عصبی پایه چکیده کامل
در این تحقیق، یک روش طبقهبندی جمعی بر اساس یادگیری با همبستگی منفی برای بازشناسی کلنگر کلمات دستنویس با حجم محدود پیشنهاد میشود. در این روش مجموعه داده آموزشی پس از پیشپردازش و استخراج ویژگی به طبقهبندهای پایه پرسپترون چندلایه اعمال میشود. سپس شبکههای عصبی پایه به روش یادگیری با همبستگی منفی، آموزش داده شده و از این طریق گوناگون میشوند. هنگامی که دادههای آزمایشی پس از استخراج ویژگی به طبقهبندهای پایه اعمال میشوند، هر طبقهبند پایه خروجی نسبتاً متفاوتی را تولید میکند. با ادغام خروجی طبقهبندهای پایه، خروجی نهایی سیستم به دست میآید. برای آزمایش روش پیشنهادی از سه نوع ویژگی شامل ویژگیهای مبتنی بر منطقهبندی، گرادیان تصویر و کد زنجیرهای کانتور استفاده شده است. در آزمایشهایی که روی 775 تصویر از نام 31 مرکز استان کشور، از مجموعه داده "ایرانشهر" انجام شده است، استفاده از ویژگیهای مبتنی بر گرادیان و آموزش 6 شبکه پرسپترون با همبستگی منفی و ادغام آنها از طریق رأیگیری، میانگین نرخ بازشناسی برابر با 10/96 درصد را به دست داده است. سپس خطاهای روش پیشنهادی تحلیل و ردیابی شده است.
پرونده مقاله
امروزه باتنتها به عنوان یکی از مهمترین تهدیدها در برابر زیرساخت اینترنت شناخته میشوند. هر باتنت گروهی از میزبانهای آلودهشده با کد مخرب یکسان است که توسط مهاجم و از طریق یک یا چند سرویسدهنده فرمان و کنترل از راه دور هدایت میشوند. از آنجاییکه سرویس DNS یکی از مه چکیده کامل
امروزه باتنتها به عنوان یکی از مهمترین تهدیدها در برابر زیرساخت اینترنت شناخته میشوند. هر باتنت گروهی از میزبانهای آلودهشده با کد مخرب یکسان است که توسط مهاجم و از طریق یک یا چند سرویسدهنده فرمان و کنترل از راه دور هدایت میشوند. از آنجاییکه سرویس DNS یکی از مهمترین سرویسها در شبکه اینترنت است، مهاجمین از آن جهت مقاومسازی باتنت خود استفاده میکنند. مهاجمین با استفاده از این سرویس دو تکنیک تغییر پیدرپی آدرس IP و تغییر پیدرپی نام دامنه را پیادهسازی میکنند. این تکنیکها به مهاجم کمک میکنند تا مکان سرویسدهندههای فرمان و کنترل خود را به صورت پویا تغییر داده و از قرارگرفتن آدرسهای آنها در فهرستهای سیاه جلوگیری کنند. در این مقاله، یک روش خوشهبندی به همراه محاسبه شهرت منفی هر میزبان به منظور تشخیص برخط باتنتهایی پیشنهاد میشود که از سرویس DNS در مراحل مختلف از چرخه حیات خود استفاده میکنند. در روش پیشنهادی در پایان هر پنجره زمانی، ابتدا پرس و جوهای DNS با ویژگیهای مشابه با استفاده از یک الگوریتم خوشهبندی انتخاب شده و در خوشههای جداگانهای قرار میگیرند. سپس میزبانهای مشکوک شناسایی شده و به ماتریس فعالیتهای گروهی مشکوک اضافه میشوند. در نهایت، شهرت منفی میزبانهای موجود در این ماتریس محاسبه شده و میزبانهایی که شهرت منفی بالایی دارند به عنوان میزبانهای آلوده به بات گزارش میشوند. نتایج آزمایشهای انجامشده نشان میدهد که روش پیشنهادی قادر است باتنتهایی را که از پرس و جوهای DNS در مراحل مختلف چرخه حیات خود استفاده میکنند با دقت بالا و نرخ هشدار نادرست پایین تشخیص دهد.
پرونده مقاله
امروزه، تصاویر ابرطیفی به دست آمده از سنجندههای از راه دور، امکان تمییز بین کلاسها با جزئیات بیشتر را فراهم آوردهاند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونههای آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقهبندی تصاویر ابرطیفی میشود. از آنجایی که جمعآو چکیده کامل
امروزه، تصاویر ابرطیفی به دست آمده از سنجندههای از راه دور، امکان تمییز بین کلاسها با جزئیات بیشتر را فراهم آوردهاند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونههای آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقهبندی تصاویر ابرطیفی میشود. از آنجایی که جمعآوری دادههای آموزشی سخت و زمانبر است، کاهش تعداد باندهای طیفی به بهبود کارایی طبقهبند کمک شایانی خواهد نمود. بنابراین استخراج ویژگی تصاویر ابرطیفی، یکی از مراحل مهم پیشپردازش این نوع دادهها محسوب میشود. در شرایطی که تعداد نمونه آموزشی در دسترس محدود است، روشهای استخراج ویژگی معمول همچون LDA دارای کارایی خوبی نخواهند بود. در این مقاله، یک روش استخراج ویژگی نظارتشده معرفی گردیده که بدون نیاز به تعیین برچسب نمونههای آزمایشی، با انجام خوشهبندی بر روی آنها و یافتن رابطه بین نمونههای آموزشی و آزمایشی، از قدرت نمونههای بدون برچسب به همراه نمونههای آموزشی برای تولید ماتریسهای پراکندگی درونکلاسی و بینکلاسی استفاده میکند. این کار دقت طبقهبندی را خصوصاً برای دادههای ابرطیفی چندمده افزایش خواهد داد. روش پیشنهادی که تحلیل ممیز خطی فضای خوشه (CSLDA) نامیده میشود، با روشهای پرکاربرد استخراج ویژگی نظارتشده همچون LDA، GDA و NWFE مقایسه شده است. نتایج به دست آمده بر روی تصاویر ابرطیفی واقعی از مناطق شهری و کشاورزی نشان میدهند که روش پیشنهادی با استفاده از تعداد محدود نمونههای آموزشی، دارای کارایی بهتری نسبت به سایر روشها میباشد.
پرونده مقاله
در اين مقاله روشي تازه براي آشکارسازي آغازه در تکنوازي ساز تار ارائه شده است. در تعريف تابع آشکارساز آغازه، از دو ويژگي انرژي و فرکانس پايه استفاده کردهايم که نتيجه آن به کمک يک الگوريتم قلهياب سازگار براي آشکارسازي اوليه آغازهها استفاده ميشود. با استفاده از يک روش چکیده کامل
در اين مقاله روشي تازه براي آشکارسازي آغازه در تکنوازي ساز تار ارائه شده است. در تعريف تابع آشکارساز آغازه، از دو ويژگي انرژي و فرکانس پايه استفاده کردهايم که نتيجه آن به کمک يک الگوريتم قلهياب سازگار براي آشکارسازي اوليه آغازهها استفاده ميشود. با استفاده از يک روش تطبيق کليشهاي بهبوديافته، فرکانسهاي پايه تعيين شده و از تطبيق زمانی آنها با نتايج اوليه، آشکارسازي نهايي آغازهها انجام ميشود. تابع آشکارساز پيشنهادی به دليل استفاده همزمان از دو ويژگي انرژی و فرکانس پايه، قابليت تشخيص نتهای نرم و سخت را داراست. براي آزمايش، اين سيستم را روي مجموعهاي از قطعات تکنوازي تار با آغازههاي معلوم به کار گرفته و نتايج آن را در مقایسه با روش مبتنی بر ویژگی انرژی و بر اساس ملاک F تحليل کردهايم. نتایج به دست آمده نشاندهنده بهبود کارایی سیستم در شناسایی آغازههای ساز تار است.
پرونده مقاله