مجله فناوری اطلاعات در طراحی مهندسی
سال یازدهم شماره 1 (بهار و تابستان 1397)

امروزه، استفاده از ابزارهای تشخیص به کمک کامپیوتر در حوزه های مختلف پزشکی به طور چشمگیری گسترش یافته است. استفاده از این ابزارها به خصوص در مواردی که نیاز به پردازش حجم بالائی از داده ها وجود دارد ضروری و اجتناب ناپذیر است. پردازش تصاویر پزشکی از جمله مسائل مهم مطرح در این حوزه است که نیازمند بکارگیری روش هائی دقیق و سریع برای تشخیص و تحلیل ضایعات و اختلالات موجود در تصویر دارد. در این مقاله، سه روش جدید برای تشخیص و تحلیل سرطان پستان از روی تصاویر ام آرآی دارای کنتراست پویا ارائه شده است. در این راستا، ابتدا عملیات پیش پردازش به منظور حذف نواحی اضافی، حذف نویز و افزایش کیفیت تصاویر اعمال می شود. همچنین، به منظور تعیین نواحی که حرکت ماده کنتراست در آن نواحی محسوس است قطعه بندی بر روی تصاویر انجام می گیرد. در ادامه، نمودارهای جنبشی به ازای هر یک از نقاط تصویر و بر اساس رفتار بافت پستان در جذب ماده تزریق شده رسم می شود. سپس، با استفاده از سه روش پیشنهادی جدید شامل روش های بیشترین شدت، بیشترین شدت اصلاح شده و سه نقطه زمانی اصلاح شده نمودارهای رسم شده تحلیل و بررسی شده و بر اساس نتایج حاصل، نوع تومور از لحاظ خوش خیم و یا بدخیم بودن آن مشخص می شود. سه روش جدید ارائه شده در این مقاله سعی دارند تا دقت تشخیص را در مقایسه با روش پایه سه نقطه زمانی از طریق انتخاب دقیق نقاط تصمیم گیری بر روی نمودار جنبشی و تصحیح روابط مورد استفاده برای تهیه تصاویر رنگی بهبود دهند. روش های پیشنهادی به همراه روش پایه سه نقطه زمانی بر روی 37 تصویر تهیه شده از تومورهای خوش خیم و بدخیم توسط دو مرکز تصویربرداری پزشکی آزمایش و مورد ارزیابی قرار گرفتند. نتایج حاصل نشان دهنده دقت بالای روش سه نقطه زمانی اصلاح شده با کسب 90% دقت در تشخیص و تفکیک تومورهای خوش خیم و بدخیم و برتری آن نسبت به دو روش بیشترین شدت (79%) و بیشترین شدت اصلاح شده (80%) و همچنین روش پایه سه نقطه زمانی (85%) می باشد. دلیل برتری روش سه نقطه زمانی اصلاح شده نسبت به سه روش دیگر را می توان در اتخاذ سیاست مناسب در محاسبه مقدار نقاط تصمیم با در نظر گرفتن روابط بین نقاط پیوسته بر روی نمودار عنوان کرد.

برآورد تلاش لازم برای پیشبرد یک پروژه نرم افزاری همواره یکی از دغدغه های اساسی مهندسین نرم افزار و مدیران پروژه بوده است. این موضوع در چند سال اخیر در کانون توجه محققین قرار گرفته و مدلهای تخمین متنوعی در این حوزه ابداع شده است که عمدتا متکی بر ابزارهای هوش مصنوعی می باشند. اما در این زمینه پروژه های نرم افزاری شی گرا با وجود محبوبیت بسیاری که دارند کمتر مورد توجه قرار گرفته اند و  مدلهای بسیار محدودی برای این نوع پروژه ها در دسترس است. در این مقاله به  منظور تخمین میزان تلاش بطورخاص در پروژه های نرم افزاری شی گرا، مدلی مبتنی بر وزن دهی به عوامل تاثیرگذار با الهام از روش نقطه مورد کاربری ارائه شده است. مدل پیشنهادی به  منظور بهینه سازی و تغییر ساختار روش نقطه مورد کاربری از الگوریتم ازدحام ذرات استفاده می کند. به منظور افزایش کارایی، مدل پیشنهادی بر روی خودکار سازی فرایند وزن دهی به عوامل کلیدی، تغییر نقش اندازه پروژه، تنظیم تخمینهای موجود و انتخاب موثرترین ویژگی ها تکیه می کند. در مدل پیشنهادی با سازماندهی یک روند جدید، روش نقطه مورد کاربری بهبود داده می شود و در واقع سفارشی می شود. به منظور ارزیابی مدل پیشنهادی از پروژه های واقعی استفاده شده است و نتایج بدست آمده توسط مدل پیشنهادی با سایر مدلهای رایج ارائه شده در این زمینه مقایسه شده است. نتایج مقایسه ها نشان دهنده برتری مدل پیشنهادی در اغلب معیارهای عملکردی است.

یکی از مهمترین معیارها در آموزش شبکه های عصبی، سرعت همگرایی است. تحقق این معیار وابسته به آموزش مطلوب پارامترها و تعیین اندازه ی مناسب برای شبکه است اما مقالاتی که تاکنون بکار رفته اند بر روی یکی از این عوامل تمرکز داشته اند. به منظور تعیین اندازه ی مطلوب یک شبکه با توجه به پیچیدگی مساله از شبکه های عصبی خودسازمانده استفاده می کنیم. چالشی که در این شبکه ها دیده می شود سرعت همگرایی نسبتا پایین آن ها است، درنتیجه برای بهبود سرعت همگرایی آموزش شبکه از الگوریتم  Batch gradient(Bg) به همراه رگولاریزیشن L1/2 که توسط یک تابع هموارکننده، هموار شده است، استفاده می نماییم تا بدین ترتیب درکنار دو فرایند افزایشی و کاهشی اندازه شبکه، پارامترها به خوبی آموزش ببینند و سرعت همگرایی بهبود یابد.  نتایج حاصل از پیاده سازی و مقایسه ی روش حاضر با روش های پایه، از نظر معیارهای سرعت همگرایی و صحت کلاس بندی داده های تست، نشان از برتری روش پیشنهادی در بهبود صحت و بهبود سرعت همگرایی را می دهد

با پیشرفت تکنولوژی و دستیابی بهدستگاه هایی در ابعاد نانو، تکنولوژی آتوماتای سلولی کوانتومی (QCA) به عنوان جایگزین احتمالی مدارات CMOSپیشنهاد شده است. از سوی دیگر منطق برگشت پذیر نیز در منطق دیجیتال مبحثی جدید محسوب می شود و اساس آن برپایه گیت های برگشت پذیر است. همچنین، بلوک های جمع کننده بویژه مدار تمام جمع کننده/تمام تفریق کننده از اهمیت زیادی به دلیل انجام هر دو عملیات جمع و تفریق برخودار است. از این رو در این مقاله، طراحی یک مدار تمام جمع کننده/تمام تفریق کننده جدید همسطح مبتنی بر منطق برگشت پذیر با استفاده از تکنولوژی اتوماتای کوانتومی سلولی ارائه شده است که طراحی صورت گرفته بر پایه بهبود گیت RQGو پیاده سازی جدید سلولی آن انجام شده است. مدار ترکیبی جمع کننده/تفریق کننده پیشنهادی، تعداد سلول کمتر، سطح مدار مصرفی کمتر، تاخیر کمتر، تابع هزینه کمتر و پیاده سازی همسطح (تک لایه) نسبت به طراحی های قبلی دارا می باشد.

در این مقاله، جهت مدلسازی سیستم های آشوب و فوق آشوب از مدل ماشین یادگیری افراطی (ELM) استفاده شده است. جهت بهبود عملکرد مدل ELM، از الگوریتم بهینه سازی تکاملی جستجوی فرکتال تصادفی (SFS) برای تنظیم پارامترهای شبکه عصبی ELM  استفاده شده است. این روش مبتنی بر اشتقاق یک ذره به چندین ذره دیگر است و به دلیل پوشش فضا به صورت یکنواخت و عدم بوجود آمدن نقاط بهینه محلی و همچنین بدلیل رشد نرمی که دارد می تواند اکتشاف همه فضا را انجام دهد. سیستم های آشوب حساس به شرایط اولیه بوده و دارای رفتار غیرخطی شدید هستند. در این مقاله از پنج سیستم فوق آشوب لورنز، چن، لو، راسلر و چوا جهت مدلسازی استفاده شده است. سیستم های فوق آشوب به دلیل دارا بودن بیش از دو متغیر دارای پیچیدگی بیشتری نسبت به سیستم های آشوب هستند. همچنین حداقل دو نمای لیاپانوف مثبت در آنها وجود داشته و فضای کلید آنها نسبت به توابع آشوب معمولی بزرگ تر است. روش پیشنهادی موثرتر از روش های پیشین از لحاظ دقت و کاهش خطا است. نتایج شبیه سازی توسط معیارهای RMSE ,KSE ,LLE اندازه گیری شده است.

یکی ازمشکلات عمده سیستم های آموزشی نحوه ثبت دروس،زمانبندی و نحوه هماهنگی مسئول برنامه ریزی با اساتید مربوطه ، نحوه اختصاص کلاسهای مجموعه به هر گروه  و بررسی تداخل های زمانبندی جهت تخصیص  کلاس ها می باشد.در گذشته تمام این مراحل به صورت دستی انجام می شد و مشکلات زیادی را به همراه داشت. در این مقاله با استفاده از روش دلفی به مدیریت برنامه ریزی هوشمند سیستم های آموزشی و تجزیه و تحلیل مناسب و برآورد تلاش برای موفقیت این پروژه پرداخته ایم  تا بتوانیم هر یک از فازهای این پروژه را با روش مبتنی بر دلفی تخمین زده و به بررسی میزان هزینه های پروژه که مساله ای قابل اهمیتی است بپردازیم. برای بررسی هر یک از فازهای این پروژه با وجود افراد متخصص در این زمینه از جمله کارشناسان و مسئول برنامه ریزی هوشمند و رئیس جلسه و مدیران گروه ، هر گونه نقص در هر مرحله جهت بهترین تخمین در طی چند مرحله انجام می شود. با توجه به اینکه وجود نقص در هر مرحله از فازهای پروژه باعث می گردد بازدهی پروژه کاهش یابد، سعی کردیم از تمام استانداردهای روش دلفی برای برآورد تخمین مورد نظر استفاده کنیم.