نشریه علوم رایانشی
پیاپی 2 (پاییز 1395)

رایانش توزیع شده با توزیع کار بر روی چندین رایانه و استفاده از قدرت رایانشی آن ها، برای انجام محاسبات سنگین به کار می رود و دارای مدل های متفاوتی است. سازمان هایی که نیاز به محاسبات بالا دارند، برای توزیع کار بر روی چندین ماشین ممکن است از هر یک از این مدل ها بهره ببرند. این تنوع مدل ها و تشخیص بهترین مدل رایانشی توزیع شده چالشی است که سازمان ها با آن روبرو هستند و ممکن است با نادیده گرفتن این موضوع متضرر شوند. بنابراین برای شناخت مدل رایانشی مناسب یک سازمان، شناخت ویژگی های هر مدل و مقایسه آن ها با یکدیگر ضروری است. به این منظور در این مقاله 31 ویژگی از سه مدل پراستفاده رایانش توزیعی (خوشه ای، توری و ابری) بررسی می شود تا به بینش دقیق تری از آن ها و ویژگی هایشان دست یافته و مدل رایانشی مناسب هر سازمان مشخص گردد. در نتیجه این مقایسه می توان گفت برای کاربردهایی که نیاز به محاسبات بالا در مدت زمانی طولانی دارند رایانش خوشه ای بهترین راه حل و برای کاربردهایی که نیاز به توان عملیاتی بالا و دسترسی بالا یا مقیاس پذیری نامحدود دارند، رایانش ابری مناسب است. همچنین برای بهره گیری از زیرساخت موجود یک سازمان بدون نیاز به سرمایه گذاری اضافی، استفاده از رایانش توری بهترین گزینه است.

گسترش موفق محاسبات ابری در سال های اخیر موجب شده است که نیاز به ارزیابی ابرها به یک واقعیت غیرقابل انکار تبدیل شود اما به دلیل پیچیدگی محیط ابر، ارزیابی عملکرد آن با دشواری هایی همراه است. برای غلبه بر این دشواری ها باید روش های اختصاصی برای ارزیابی عملکرد هر ابر با توجه به قابلیت های آن ابر و اهداف ارائه دهندگان سرویس های آن توسعه داده شود. عدم توجه به کارایی محاسبات ابری موجب پایین بودن بهره ابر خواهد بود که یکی از چالش های اصلی این حوزه تلقی می شود. در این مقاله روش های متنوع و مهم ارزیابی عملکرد ابر را مورد بررسی قراردادیم و مشخص کرده ایم کدام روش برای چه ابری مناسب است، چه معیارهایی برای ارزیابی استفاده می شود و هر روش چه مزایایی دارد تا بدین ترتیب ارائه دهندگان ابر بتوانند روش مناسب برای ارزیابی عملکرد ابر خود را انتخاب کنند.

در هر زبان کلماتی مبهم وجود دارند که دارای معانی متفاوتی هستند. مساله یافتن معنای صحیح کلمه ی دارای معانی متعدد، از مسایل جاری در حوزه پردازش زبانهای طبیعی محسوب میشود. انتخاب معنی درست ممکن است برای انسان بسیار واضح و آسان باشد ولی تشخیص اینکه کدام یک از معانی موجود برای یک کلمه بایستی در جمله خاص انتخاب شود برای ماشین دشوار است. چهار رویکرد متفاوت برای رفع ابهام معنایی کلمات وجود دارد: رویکرد مبتنی بر دانش، رویکرد تحت نظارت، رویکرد نیمه نظارتی و رویکرد بدون نظارت هستند.در میان این روش ها ما روش یادگیری مبتنی بر نمونه(IBL) که بر اساس رویکرد نظارتی است برگزیدیم. در این مقاله دو دسته ویژگی مبتنی بر کلمات موضوعی معرفی کردیم، دسته اول وجود و عدم وجود کلمات موضوعی را وابسته به وزن هر کلمه موضوعی تعیین می کند و دسته دوم مجموع وزن کلمات موضوعی در هر جمله را مشخص می کند. بعد از انجام عملیات پیش پردازش روی نمونه های ذخیره شده برای هر کلمه، دو ماتریس ویژگی استخراج می شود. هر ماتریس ویژگی به عنوان ورودی نرم افزار وکا در نظر گرفته شده است. سپس با استفاده از طبقه بندی کننده مبتنی بر نمونه و با روش اعتبار سنجی متقابل 10 تایی نتایج را ارائه می دهیم. سپس نتایج حاصل از هر ماتریس ویژگی را برای یافتن ویژگی بهینه مورد بررسی قرار می دهیم. همچنین روش خود را روی دیگر الگوریتم های یادگیری ماشین مورد بررسی قرار داده و نتایج را ارائه می کنیم.میانگین صحت عملکرد روش پیشنهادی 88.31% میباشد.

افزایش روز افزون تعداد وب سرویس ها و رشد انفجاری دانش در دسترس www باعث شده است که راهکارهای فراوانی در جهت کشف وب سرویس که یکی از مهمترین چالش های اصلی حوزه وب سرویس می باشد مطرح گردد. راهکارهایی که تاکنون در محافل تحقیقاتی مطرح گردیده است به علت محدود بودن پارامترهایی که در جهت کشف وب سرویس در نظر گرفته می شوند مانند راهکارهایی که تنها به مقایسه ورودی و خروجی می پردازند دارای دقت کمی می باشند که این امر باعث می گردد در خواست های بازگردانده شده به کاربر نتوانند بطور شایسته نیازهای کاربر را پوشش دهند. الگوریتم ارائه شده در این پژوهش علاوه بر در نظر گرفتن ورودی و خروجی پارامترهای دیگر مانند مفاهیم و ویژگی های مفاهیم را نیز در نظر می گیرند که این امر باعث می گردد که فرآیند کشف سرویس با جزئیات بیشتر و در نتیجه دقت بیشتری همراه باشد و برای اثبات آن نیز با سه الگوریتم دیگر مقایسه می گردد. همچنین در این پژوهش سعی شده است که علاوه بر درجات تطبیق دیگری که در کارهای پیشین مطرح گردیده درجه تطبیق substitute که می تواند سرویس هایی را به کاربر پیشنهاد کند که حتی اگر شباهت زیادی به درخواست کاربر نداشت ولیکن به عنوان مکمل درخواست کاربر به کاربر پیشنهاد گردد. کارایی و میزان دقت الگوریتم ارائه شده بوسیله نسخه سوم مجموعه داده OWLS-TC ارزیابی و با سه الگوریتم کشف سرویس مقایسه شده است، که دارای دقت بالایی می باشد. الگوریتم ارائه شده در این پژوهش توانسته است با ترکیب مقایسه میان مفاهیم و ویژگی های آن ها و همچنین امتیازدهی به سرویس ها و رتبه بندی آن ها در مجموعه های درجات تطبیق،گامی در راستای افزایش میزان دقت در کشف سرویس ها و همچنین با ارائه درجه تطبیق جدیدی با نام جایگزین گامی در راستای بهبود فرآیند کشف برداشته باشد.

شبکه عصبی پالس همراه موضوع تحقیقاتی مورد توجه در زمینه ی هوش مصنوعی است. این شبکه در الگوریتم های برنامه های مختلف مانند قطعه بندی، افزایش، همجوشی، استخراج ویژگی، تشخیص لبه، برطرف کردن نویز، تشخیص الگو، رمزگشایی، نازک شدن تصویر و... استفاده شده است. شبکه عصبی پالس همراه از قشر بینایی پستانداران الهام گرفته است و با توجه به خروجی همزمان پالس آن، آستانه قابل تنظیم و کنترل پارامترهای دیگر منحصر به فرد از دیگر شبکه های عصبی است. شبکه های عصبی پالس همراه دارای ویژگی های قابل توجهی برای پردازش تصویر و عملکرد بالقوه ای در قطعه بندی تصویر است. با این حال دقت و صحت کار شبکه بستگی زیادی به مقادیر پارامترهای شبکه دارد. دو ویژگی اساسی شبکه، استفاده از پالس و مکانیسم ساده حوزه ی ارتباطی اتصال آن است. شبکه عصبی پالس همراه مدولاسیونی نامتقارن از یک ورودی به نورون های دیگر است. در این شبکه انتخاب یک جفت نورون تعدیلی به جای یک جفت نورون افزودنی سبب فعال شدن یک نورون با ورودی اولیه توسط یک جفت ورودی است که این امر یکی از ویژگی های مهم در پردازش تصویر است. در این مقاله به معرفی این شبکه عصبی و برخی کاربردهای آن در پردازش تصویر پرداخته شده است.

در مقاله حاضر مروری بر روش های تحلیل و پردازش زمان-فرکانس سیگنال با تاکید بر بهبود توزیع های زمان-فرکانس انجام می گیرد. نمایش سیگنال در حوزه فرکانس بدلیل عدم توانایی بازنمایی تغییرات فرکانسی در طول زمان، برای تحلیل سیگنال های غیرایستا کارآمدی لازم را ندارد؛ در نتیجه نیاز به یک توزیع با توانایی بازنمایی تغییرات فرکانسی نسبت به زمان وجود دارد. توزیع های زمان-فرکانس به خوبی این تغییرات سیگنال ها را نشان می دهند. در این مقاله، ضرورت استفاده از تحلیل و پردازش زمان-فرکانس مورد بررسی قرار گرفته است. روش های پایه تحلیل و پردازش زمان-فرکانس سیگنال دارای ویژگی ها و محدودیت هایی هست؛ و شناخت دقیق تر آن ها می تواند: 1) هدف آینده این حوزه دانش را تعیین نماید، و 2) کاربردهای آن را در حوزه های مختلف مهندسی مشخص سازد. در منابع علمی موجود به دو ویژگی رزولوشن توام فرکانسی و زمانی، و عدم وجود عبارات متقاطع توجه زیادی شده است. در این مقاله، به سنجش فشرده توزیع زمان-فرکانس سیگنال به عنوان یکی از موضوعات جدید و پیشرفته در حوزه تحلیل زمان-فرکانس سیگنال پرداخته شده است. سنجش فشرده روش های زمان-فرکانس سیگنال باعث کاهش عبارات متقاطع و کاهش حساسیت روش ها به نویز می شود. همچنین در بخش پایانی مقاله، معیارهای ارزیابی توزیع های زمان-فرکانس سیگنال مورد بررسی قرار می گیرند.