مجله فناوری اطلاعات در طراحی مهندسی
سال دهم شماره 1 (بهار و تابستان 1396)

روش فیلترینگ مشارکتی از دو مشکل عمده رنج می برد: مشکل اول شروع سرد کاربران است و مشکل دوم نیز مسئله اعتماد کاربران وفادار است. در این مقاله با ترکیب روش محتوا محور و فیلترینگ مشارکتی به صورت بوستینگ یک سیستم توصیه گر طراحی شده است که علاوه بر حل مشکل شروع سرد، مسئله اعتماد را نیز پوشش می دهد. روش پیشنهادی شامل سه مرحله خوشه بندی اولیه کلیه کاربران و تعیین خوشه،تعیین وزن مناسب برای هر کدام از ویژگی ها و تعیین همسایگان نزدیک کاربر جدید، تشکیل ماتریس مجاورتی و محاسبه امتیاز کاربر جدید به هر فیلم. روش ارائه شده به منظور خوشه بندی اولیه، از سیستم محتوا محور بر اساس اطلاعات دموگرافیک کاربران استفاده می نماید. جهت شناسایی همسایگان نزدیک و ارائه پیشنهادات از فیلترینگ مشارکتی استفاده می کند. جهت انجام آزمایشها از بانک اطلاعاتی movielens استفاده شده است. نتایج نشان می دهد که میانگین مجذور خطای روش پیشنهادی نسبت به روش های پایه مانند نایوبیز، الگوریتم های C24.5، CM4.5،RCA، SVDو ApproSVD به ترتیب %8.59، %8.67، %8.45،%8.15 ، 4.5% و 6.05% کاهش یافته است.

مسئله هم ترازی شبکه های پروتئینی، یک مساله NP-Complete است. در این مقاله، برای کاهش پیچیدگی حل مدل ریاضی مساله هم ترازی، تقریبی از مدل ارائه می شود. به عبارت دقیق تر، از ماتریس شباهت دو شبکه پروتئینی برای کاهش تعداد متغیرهای مدل استفاده می گردد. برای این منظور، در مدل پیشنهادی، به جای بررسی هم ترازی هر یک از پروتئین های شبکه نخست با تمام پروتئین های شبکه دوم، هم ترازی هر یک از پروتئین های شبکه نخست فقط با تعدادی از شبیه ترین پروتئین های شبکه دوم بررسی می شود. مدل پیشنهادی، برای همترازی شبکه های پروتئینی واقعی گونه های مختلف و نیز شبکه های مصنوعی آزمایش شد. نتایج تجربی، نشان دهنده بهبود دقت هم ترازی نسبت به روش تقریبی NETAL و نیز کاهش زمان اجرا، نسبت به مدل دقیق می باشد. در ضمن، روش پیشنهادی، توانسته است بر روی شبکه های مصنوعی فاقد نویز، به دقت بسیار مطلوب دست یابد.

مصرف انرژی در شبکه های حسگر بی سیم مهمترین چالش در این نوع از شبکه ها است. مکان یابی و مسیریابی بهینه گره ها دو راه حل شناخته شده برای کاهش مصرف انرژی در شبکه های حسگر بی سیم هستند که به طور گسترده ای مورد بررسی محققین و پژوهشگران قرار گرفته اند. محققین همواره به دنبال راهکاری بوده اند تا بتوانند مصرف انرژی را کاهش و در نتیجه طول عمر شبکه بی سیم را افزایش دهند. تکنیک ها و روش های مختلفی برای این منظور تاکنون ارائه شده است که هر کدام دارای نقاط ضعف و قوت مخصوص به خود است. در این مقاله، به افزایش طول عمر شبکه و بهینه سازی مصرف انرژی با استفاده از روش ترکیبی الگوریتم بهینه سازی ازدحام ذرات و الگوریتم زنبورعسل پرداخته ایم. این تحقیق دربرگیرنده 100 تا 1500 تکرار است. نتایج ارزیابی نشان می دهد که الگوریتم ترکیبی، طول عمر شبکه را به میزان قبل توجهی افزایش و مصرف انرژی را کاهش داده و حتی در برخی شرایط خاص، بهبود مصرف انرژی نسبت به روش ازدحام ذرات حاصل شده است. تعداد گره های از کار افتاده در اغلب موارد حدودا کمتر از روش PSO است.

در این مقاله، با توجه به موفقیت روش های خوشه بندی مبتنی بر k-means، یک روش کاهش ویژگی بر پایه k-means وزن دار ارائه می شود. در روش پیشنهادی، نخست با استفاده از روش k-means وزن دار، به ویژگی های داده ها وزن داده می شود. ویژگی های وزین تر ضرورتا ویژگی های مهمتر نیستند و وزن هر ویژگی، تنها بازه هر ویژگی را به نحوی تغییر می دهد که خوشه بندی بهتری صورت بگیرد. لذا، سپس با استفاده از یک مدل ریاضی جدید، کسری از ویژگی های وزندار شده داده های هر خوشه انتخاب می شود به نحوی که کمترین تغییر در خوشه ها حاصل شود. تعداد ویژگی های منتخب هر خوشه در روش پیشنهادی، برخلاف روش های مشابهی چون k-means تنک و fuzzy c-means تنک بصورت صریح تعیین می شود. درضمن، آزمایش های تجربی روی چهار مجموعه داده واقعی نشان می دهد که روش پیشنهادی، از دقت بیشتری نسبت به روش های L1PCA، LLE و روش K-means تنک برخوردار است.

هدف این مقاله ارائه روشی برای تشخیص ندول سرطانی در عکس های رادیوگرافی ریه می باشد. تصاویر رادیوگرافی عمدتا دارای کیفیت پایینی هستند و استخراج ویژگی از تصاویر به سهولت ممکن نیست. برای این منظور در این مقاله، چارچوب پیشنهادی، در ابتدا، تصاویر پالایش شده تا کیفیت تصاویر از نظر سطح روشنایی و کنتراست بهبود یابد. سپس عملیات مورفولوژی و آستانه گذاری جهت قطعه بندی نواحی ریه انجام می گردد. در مرحله ی بعد با قراردادن یک قاب 65 در 65 بر روی نواحی مشکوک، آن ها را از تصویر جدا می کنیم. در مرحله چهارم که مهمترین نوآوری تحقیق است، از یک شبکه باور عمیق به منظور دسته بندی و تصمیم گیری استفاده شده است. مزیت این شبکه توانایی استخراج ویژگی های جدید و طبقه بندی آن ها به صورت همزمان است. با توجه به آزمایش ها بر روی پایگاه داده JSRT، روش پیشنهادی با بدست آوردن نرخ حساسیت 97.78 درصد و صحت 92 درصد، در مقایسه با روش های پیشین موفق عمل کرده است.

در سالیان گذشته شاهدرشدقابلتوجهتحقیقات درزمینهکاربردهاینظریه بازی ها در علوم مختلف و توسعه انواع مدل های بازی بوده ایم. بازی ها بر حسب تعداد شرکت کنندگان در هر بازی به دسته های مختلفی تقسیم می شوند. به تازگی، موضوع بازی ها با اطلاعات ناقص تبدیل به یکی از موضوعات جذاب در حوزه نظریه بازی ها شده است. در این نوع از بازی ها تعدادی از بازیکنان از منفعت و یا سود بازیکنان دیگر اطلاع دقیقی ندارند و با اطلاعات خود سعی در حل بازی دارند. بهینه اجتماعی یک بهبود از بهینه پارتو می باشد که مجموع سود همه بازیکنان مقدار بیشینه خود را داراست. در مطالعات قبلی، محاسبه بهینه اجتماعی برای بازی های بیزی برای دو بازیکنارائه شده است. در این مقاله، این مفهوم برای سه بازیکن توسعه داده است. بازی ارائه و تحلیل شده و بهینه اجتماعی برحسب استراتژی های مختلط بازی تحلیل و با بازی های با دو بازیکن مقایسه شده است.