نشریه علوم رایانشی
سال چهارم شماره 1 (پیاپی 12، بهار 1398)

تشخیص هوشمند نویسنده متون در زمینه های جرم شناسی دارای کاربردهای فراوانی می باشد اما به دلیل این که عوامل بسیاری در تشخیص نویسنده متون دخیل می باشند، نمی توان به طور دقیق و مطمئن نویسندگان متون را تشخیص داد. از این رو تحقیقات بسیاری در این زمینه از قرن نوزدهم صورت گرفته است اما تاکنون روشی با دقت 100 درصد برای تمامی متون ارائه نشده است و محققان هر روزه روش های جدیدی را ارایه می دهند تا به دقت 100 درصد نزدیک بشوند. در این مقاله برای حل این مسئله از ترکیب الگوریتم بهینه سازی توده ذرات و الگوریتم ماشین بردار پشتیبان استفاده شده است که از الگوریتم بهینه سازی توده ذرات به عنوان الگوریتم استخراج کننده ویژگی و از الگوریتم ماشین بردار پشتیبان به عنوان تشخیص دهنده نویسندگان استفاده شده است. ارزیابی برروی مجموعه داده Reuter_50_50 انجام شده است. در روش پیشنهادی پس از استخراج ویژگی ها، داده ها با نسبت 80 به 20 به داده های آموزشی و آزمایشی تقسیم می شوند. مجموعه داده های آموزشی به عنوان ورودی به الگوریتم ماشین بردار پشتیبان داده می شوند و پس از آموزش دیدن توسط ماشین بردار پشتیبان، مدل مناسب ساخته می شود و سپس مجموعه داده های آزمایشی براساس مدل ساخته شده، اعتبارسنجی می شوند. تقسیم بندی داده ها در حالت 80 (آموزش) درصد و 20 (آزمایشی) درصد بهترین نتیجه را داشته است. نتایج برمبنای معیارهای دقت و فراخوانی نشان می دهد که دقت تشخیص مدل پیشنهادی در مقایسه با مدل ماشین بردار پشتیبان بیشتر است.

سامانه های برنامه ریزی منابع سازمان (ERP) ازجمله راهکارهای فناوری اطلاعات هستند که در سازمان های بسیاری مورد استقبال قرارگرفته اند. از طرفی در دهه اخیر شاهد تمایل بسیاری از برنامه های نرم افزاری به سمت فناوری ابر هستیم. این فناوری که رشد بسیار سریعی در عرصه فناوری اطلاعات داشته است، بستر مناسبی برای توسعه سامانه های برنامه ریزی منابع سازمان محسوب می شود. ازجمله مزیت های فناوری جدید نسبت به برنامه ریزی منابع سازمان سنتی می توان به کاهش نیاز به سرمایه گذاری های کلان، کاهش هزینه ها، افزایش سرعت استقرار سیستم و همچنین ارتقاء آسان آن اشاره کرد. در این مقاله به بررسی چالش ها و عوامل موثر در پذیرش سامانه های برنامه ریزی منابع سازمان ابری در سازمان ها پرداخته شده است. همچنین یک دسته بندی از چالش ها با توجه به دو معیار سودبران (ذی نفعان) و نیز انواع خدمت های ابری (زیرساخت، بن سازه، برنامه کاربردی) ارائه شده است. ازآنجایی که برای هر چالش موجود، راهکاری نیز با توجه به منشا چالش مطرح شده است، هدف اصلی این مطالعه دسته بندی چالش های مطرح به منظور یافتن هرچه ساده تر راهکار است. در نهایت راه کارهای مختلفی با توجه به دسته بندی چالش ها ارائه شده است.

در این مقاله یک طرح جدید برای حفظ امنیت داده های تصویری توسط رمزگذاری تصویر با استفاده از روش فشرده سازی فرکتالی تصویر و نگاشت هنون برای حفاظت از تبادل تصاویر دیجیتال به طریقی کارآمد و امن ارائه شده است. به منظور بررسی میزان کارآمدی طرح ارائه شده آن را با استفاده از یکسری آزمون ها و مقایسه ها می سنجیم. این آزمون ها عبارتند از: آزمون بصری، تحلیل فضای کلید، تحلیل نمودار پیشینه نما، آنتروپی اطلاعات و تحلیل حساسیت نسبت به کلید. این روش با استفاده از فشرده سازی فرکتالی تصویر ابتدا تصویر را فشرده می کند. پارامترهای حاصل از این فشرده سازی در یک ماتریس ذخیره می شوند. با استفاده از نگاشت هنون این پارامترها رمزگذاری می شوند. نتیجه به صورت یک تصویر رمزگذاری شده نمایش داده می شود. نتایج آزمایش ها، کارایی روش پیشنهادی را در بالا بردن امنیت داده های تصویری نشان می دهند. کیفیت تصویر رمزگشایی شده نیز با محاسبه حداکثر نسبت سیگنال به نوفه به دست می آید. در روش پیشنهادی این عدد برابر247/34 به دست آمده است. که در مقایسه با مرجع[15] که برابر عدد156/33 می باشد، 091/1 رشد داشته است.

سامانه های حمل ونقل هوشمند جزو جدیدترین ابزارهای مدیریت و کنترل وسایل نقلیه در دنیای امروز محسوب می شوند. این سامانه ها در حوزه های کاربردی متفاوتی از قبیل مدیریت ترافیک، تشخیص تخلفات و ارتباط بین زیرساخت های هوشمند، مورداستفاده قرار می گیرند. در حوزه مدیریت ترافیک، اندازه گیری سرعت خودروهای عبوری می تواند توسط اعمال فنون پردازش تصویر بر روی تصویری خروجی دوربین های مداربسته انجام پذیرد. یکی از راهبردهای اندازه گیری سرعت که در این مقاله به آن پرداخته شده است، تشخیص خودروها بر اساس توصیفگر هیستوگرام گرادیان های جهت دار متمایزکننده نسبی (RD-HOG) بوده که به دلیل وجود تعداد بیشتر محور توصیف نسبت به روش هیستوگرام گرادیان های جهت دار مرسوم، دقت بالاتری در تشخیص و سپس ردیابی خودروها ارائه می کند. این مزیت، منجر به محاسبه میزان جابجایی خودرو در تصویر و در پی آن، اندازه گیری سرعت با خطای کمتر خواهد شد. روش ارائه شده به دلیل عدم وابستگی به ویژگی های کلیدی خودرو مانند پلاک در مرحله تشخیص، قادر به اندازه گیری سرعت در هردو حالت خودروهای با میدان دید روبه جلو و رو به عقب است. ارزیابی های صورت گرفته بر روی مجموعه داده تهیه شده از 203 خودرو در دنیای واقعی، حاکی از مقادیر دقت و بازخوانی، به ترتیب برابر با 76/97 و 83/88 درصد در مرحله تشخیص و دقت 92 درصد در اندازه گیری سرعت بوده است.

این مقاله، ویژگی جدیدی مبتنی بر اطلاعات زاویه سیگنال گفتار به نام زاویه ابعاد کاهش یافته(DRP)، ارائه کرده است. ویژگی DRP طی دو مرحله نرمال سازی و کاهش ابعاد از زاویه اسپکتروگرام سیگنال گفتار استخراج می گردد. فرایند کاهش ابعاد در این تحقیق با کمک تکنیک تحلیل اجزاء اصلی (PCA) انجام شده است. در این تحقیق، از ترکیب ویژگی پیشنهادی با ویژگی های مبتنی بر اندازه، برای شناسایی لهجه گوینده استفاده شده است. شناسایی لهجه گوینده با کمک شبکه های عصبی مصنوعی به عنوان دسته بندی کننده انجام شده است. مقایسه های آزمایش های انجام شده در شرایط بدون نوفه و با سیگنال به نوفه های صفر، 5 و 10 دسی بل، برتری این ویژگی و مقاوم به نوفه بودن آن در شناسایی لهجه گوینده را نشان می دهد. بیشترین مقدار کارایی مربوط به ترکیب ویژگی پیشنهادی (زاویه ابعاد کاهش یافته) با ضرایب برداریRasta PLP در محیط سالم برابر با 14/98 % و محیط آغشته به نوفه 55/95% نشان داده شده است.

افزایش روزافزون مستندات الکترونیکی در وب، لزوم دسته بندی آنان در دسته های مختلف را نشان می دهد. با توجه به حجم و دامنه وسیع اسناد متنی که به طور قابل توجهی از طریق محیط های برخط و سایر منابع قابل دسترسی می‎باشند، در صورت عدم دسته بندی مناسب، عمل بازیابی و پردازش اسناد متنی دسته بندی نشده با مشکلات زیادی مواجه می گردد. این نیاز منجر به ایجاد روش های نوین برای دسته بندی اطلاعات شده است. دسته بندی، تخصیص اسناد متنی یا ویژگی ها به یک یا چندین دسته است، به طوری که اسناد متنی با توجه به موضوعات یا میزان مشابهت ویژگی‎ها می‎توانند دسته بندی گردند. در ارائه روش های دسته‎بندی، استخراج و انتخاب ویژگی های کلیدی اسناد متنی از اهمیت بالایی برخودار می‎باشد. در این مقاله روشی براساس بهبود الگوریتم فازی C-Means با الگوریتم ژنتیک برای انتخاب ویژگی ها در دسته ‏بندی اسناد متنی ارائه شده است که در روش پیشنهادی انتخاب ویژگی های کلیدی متون از طریق الگوریتم فازی C-Means انجام می‎شود و این ویژگی‎ها به الگوریتم ژنتیک جهت بهبود در دسته ‏بندی ارسال می‏گردند. روش پیشنهادی بر روی سه مجموعه‏ داده‎ی مختلف Reuters21578, WEBKB, CADE 12 و بر اساس معیارهای ارزیابی مختلفی مورد آزمایش و ارزیابی قرار گرفته است. مقایسه‎ی نتایج روش پیشنهادی با سایر روش های مطرح در دسته ‏بندی متون نشان می‎دهد که روش پیشنهادی عملکرد بهینه ‏ای را در دسته‏ بندی اسناد متنی دارد.