نشریه علوم رایانشی
سال پنجم شماره 3 (پیاپی 18، پاییز 1399)

تصویر منعکس شده از اشیاء پیرامون بر روی شبکیه چشم همواره با تغییراتی در اندازه، زاویه دید، شرایط نوری، پس‌زمینه و نوفه همراه است. با این وجود، سیستم بینایی انسان می‌تواند اشیاء را در زمان بسیار کوتاهی شناسایی کند. تا به امروز مدل‌های محاسباتی متعددی به منظور شبیه‌سازی فرایند پردازشی سلسله‌مراتبی در قشر بینایی مغز ارایه شده‌اند که با موفقیت‌های محدودی همراه بوده‌اند. در این مقاله نشان می‌دهیم که ترکیب ساختاری مبتنی بر قشر بینایی با قواعد یادگیری موجود در مغز منجر به افزایش دقت در بازشناسی اشیاء مستقل از تغییرات می‌گردد. مدل پیشنهادی یک شبکه عصبی ضربه‌ای پیشرو است که در آن نورون‌های لایه اول لبه‌های موجود در تصویر با زوایای مختلف را شناسایی می‌کنند به طوری که نورون متناظر با لبه‌ای با تضاد نوری بیشتر سریع‌تر از سایر نورون‌ها فعال می‌شود. نورون‌های لایه بعدی نیز با استفاده از قاعده یادگیری وابسته به ترتیب زمانی ضربه‌ها به یادگیری ویژگی‌های بینایی موجود در تصاویر ورودی می‌پردازند. نتایج به‌دست آمده بر روی مجموعه ‌داده‌های 3D-Object و ETH-80، قدرت بالای مدل پیشنهادی در بازشناسایی اشیاء را نشان می‌دهد. همچنین ویژگی‌های استخراج شده در مدل پیشنهادی بازسازی و به همراه مکان شناسایی آن‌ها در تصاویر ورودی نشان داده شده‌اند.

کوررنگی اثرات مهمی در فعالیت روزانه افراد دارد زیرا اکثر فعالیت‌ها نیاز به تشخیص بین رنگ‌ها دارند. فهم این‌که افراد مبتلا به کوررنگی چگونه رنگ‌ها را درک می‌کنند، برای مهندسان و طراحان حایز اهمیت است. لذا روش‌های بسیاری برای شبیه‌سازی درک رنگ افراد مبتلا به دورنگ‌بینی و سه رنگ‌بینی ناهنجار پیشنهاد شده است. در این مقاله، بر پایه یک روش ترکیبی درک رنگ افراد مبتلا به درجات مختلف قرمزدشواربینی و سبزدشواربینی نسبت به برند 24 بشقاب آزمون دید رنگ ایشیهارا شبیه‌سازی شده است. سپس تصاویر شبیه‌سازی شده در اختیار افراد با دید رنگ طبیعی قرار گرفت. برداشت افراد با دید طبیعی نسبت به تصاویر شبیه‌سازی شده آزمون ایشیهارا، سنجیده شد تا میزان دقت شبیه‌سازی ارزیابی شود. نتایج به‌دست آمده نشان می‌دهد که عملکرد شبیه‌سازی نسبت به تصاویر شبیه‌سازی شده با درجات بالای کوررنگی بهتر بوده است. همچنین بین ارزیابی داوطلب‌های زن و مرد نیز تفاوت قابل توضیح وجود دارد. همچنین در این مطالعه درک رنگ افراد مبتلا به آبی-زردکوری نیز در نظر گرفته شده است.

اخیرا دانشمندان علم داده متوجه رشد نمایی انباره‌های داده شدند. آنان بر آن شدند تا این انبوه داده را به اطلاعاتی مختصر و مفید تبدیل نمایند. بخشی از این داده‌ها، رفتارهای ثبت شده از فرایندهای کسب و کارها بود. با پایش این رفتارها مشخص شد، بیشتر مشکلات فرایندهای کسب و کارهای امروز، ریشه در رفتارهای برجای مانده از گذشته آن‌ها دارد. تکنیک‌های فرایندکاوی از این داده‌ها برای کشف مدل واقعی فرایندی و تعیین تفاوت‌های بین مدل اصلی با مدل واقعی فرایند (که از رفتار فرایند در دنیای واقعی تهیه شده است)، استفاده می‌کند. در نتیجه انحرافات، گلوگاه‌ها و خطاهای فرایندها در زمان اجرا شناسایی شده و امکان تحلیل آن‌ها به منظور رفع یا بهبودشان فراهم می‌شود. بدین ترتیب می‌توان مدل فرایندی را ارتقاء داد. با این حال، با تکنیک‌ها و ابزارهای موجود، خروجی این الگوریتم‌ها به طور کامل با ویژگی‌های کسب و کار مرتبط نیست. بنابراین هنوز نیاز به تحقیق و توسعه در مورد علم فرایندکاوی، تکنیک‌ها و ابزارهای مربوط به آن احساس می‌شود. هدف این مقاله ارایه رویکردی برای بهبود فرایندهای سازمانی، با استفاده از تکنیک‌های فرایندکاوی است. این رویکرد با ترکیب دو مدل فرایندکاوی و چرخه حیات فرایندهای کسب و کار، و توجه به ارتباط میان فرایندهای یک سازمان، ارایه و به روش مطالعه موردی ارزیابی شده است. بدین منظور فرایند کنترل کیفیت درخواست‌های کارت هوشمند ملی ایران از سازمان ثبت احوال کشور، انتخاب و با تحلیل نگاره رویداد آن گلوگاه‌ها، انحرافات و خطاهای موجود در فرایند کشف شده است. سپس پیشنهاداتی جهت بهبود و رفع مشکلات کشف شده، ارایه گردیده است.

اینترنت اشیاء باعث افزایش حجم داده‌های تولیدشده در شبکه‌های رایانه‌ای شده است. هدف پردازش مه کنترل این حجم از داده است. زمان‌بندی در محیط‌های توزیع‌شده مسیله‌ای NP-hard است. در این مقاله به زمان‌بندی در مه به‌وسیله دسته‌بندی بیزین پرداخته‌شده است. از دسته‌بندی بیزین برای به دست آوردن نیازمندی‌های پردازشی وظایف استفاده‌شده است. پس از دسته‌بندی، متناسب با هر دسته، ماشین‌های مجازی به‌صورت پیش‌بینی‌شده ایجاد خواهند شد. شبیه‌ساز iFogsim برای بررسی عملکرد روش پیشنهادی در محیط مه استفاده‌شده است. الگوریتم‌ها روی برنامه سیستم ردیابی سیگنال‌های مغزی مورد ارزیابی قرارگرفته‌اند. بر طبق نتایج، تصمیم‌گیری هوشمند در محیط ابر ترکیب‌شده با مه باعث شده است تا انرژی مصرفی در ابر، هزینه اجرای وظیفه در ابر و میانگین انرژی مصرفی دستگاه‌های موبایل کاهش یابد.

افزایش چشمگیر دسترس‌‌پذیری به نظرها و توصیه‌های برخط باعث می‌شود رده‌بندی احساسات در متون کوتاه یکی از موضوع‌های جالب توجه در تحقیقات علمی و صنعتی باشد. در زمینه رده‌بندی احساسات، اصطلاحات به کار برده شده در دامنه‌های مختلف ممکن است متفاوت باشند. درنتیجه مدلی که با داده‌های برچسب‌دار آموزشی (دامنه منبع) یادگیری می‌شود ممکن است عملکرد خوبی در برچسب‌گذاری داده‌های آزمایشی (دامنه هدف) نداشته باشد. یادگیری انتقالی و انطباق دامنه دو راه حل مفید برای مواجهه با این مشکل هستند. یادگیری انتقالی و انطباق دامنه، توزیع‌های دامنه منبع و هدف را به هم نزدیک می‌کنند تا عملکرد رده‌بند در دامنه هدف بهبود یابد اما نکته حایز اهمیت این است که کدام دامنه‌ از مجموعه دامنه‌های نامزد به‌عنوان دامنه منبع انتخاب شود. روش پیشنهادی در این مقاله یک ترکیب خطی از معیارهای فاصله بین توزیع دامنه‌های منبع و هدف است که بهترین دامنه منبع را برای یادگیری رده‌بند انتخاب می‌کند. روش پیشنهادی بر روی مجموعه داده‌های همگن و ناهمگن ارزیابی شده است. همان‌طورکه نتایج نشان می‌دهد، مدل پیشنهادی، در مجموعه داده همگن با احتمال 47.1 درصد (5.9 درصد در مدل تصادفی) و در مجموعه داده ناهمگن با احتمال 23.1 درصد (8.3 درصد در مدل تصادفی) می‌تواند دامنه منبع صحیح را انتخاب کند که حاکی از بهبود چشمگیر عملکرد مدل پیشنهادی نسبت به مدل تصادفی در انتخاب دامنه منبع صحیح است.

شناسایی شیء یک وظیفه مهم در پردازش تصویر و بینایی ماشین است. استخراج ویژگی در شناسایی شیء نقش مهمی را ایفا می‌کند. پیچیدگی‌ و مشکلاتی که در تشخیص شیء با آن روبرو می‌شویم، تغییرات مختلفی است که در شیء به وجود می‌آید که می‌توان به تبدیلات هندسی و شلوغی محیط اشاره کرد. لذا این مقاله سعی بر معرفی روشی مبتنی بر قطعه‌بندی تصاویر با استفاده از بسط دوگانه سوپرپیکسل SDE به همراه الگوریتم خوشه‌بندی DBSCAN و مدل ویژگی‌های SURF دارد. در این روش ابتدا تصاویر به مد خاکستری تبدیل می‌شوند و سپس جهت حذف ویژگی‌های استخراج شده مناطق کم اهمیت، با استفاده از بسط دوگانه سوپرپیکسل (SDE) به همراه الگوریتم خوشه‌بندی DBSCAN، قطعه‌بندی تصاویر انجام می‌شود. سپس جهت استخراج ویژگی‌های مناسب و مقاوم، از الگوریتم SURF به همراه مدل بسته ویژگی‌ها جهت نمایش توصیف‌گرها استفاده می‌شود. در پایان هر تصویر به‌عنوان ورودی با یک بردار نمودار پیشینه‌نما نمایش داده می‌شود. سپس جهت ورودی دسته‌بندی‌کننده‌ها این نمودارها استفاده می‌شود. معیارهای ارزیابی نشان می‌دهد که روش معرفی شده، دارای دقت 98.2 می‌باشد که این میزان بهبودیافته روش‌های موجود می‌باشد.

هدف پژوهش حاضر، شناسایی و اولویت‌بندی ریسک‌پذیرش رایانش ابری در شرکت توسعه نیشکر با استفاده از فن آنتروپی شانون بود. پژوهش از لحاظ هدف کاربردی، از لحاظ رویکرد پیمایشی و از نوع مطالعات توسعه‌ای بود. در مرحله شناسایی ریسک، جامعه آماری تحقیق حاضر، مدیران و کارشناسان فناوری اطلاعات در شرکت توسعه نیشکر (و شرکت‌های وابسته) بودند که مستقیما با بحث امنیت داده‌ها و اطلاعات در شرکت مذکور درگیر می‌باشند. تعداد این افراد 100 نفر بود. ابزار جمع‌آوری داده‌ها، سه پرسشنامه محقق ساز بود که بنا به اهداف مختلف طراحی و در میان جامعه آماری توزیع شد. تجزیه و تحلیل از طریق نرم‌افزارهای اس.پی.اس.اس، اسمارت پی.ال.اس و اکسل در دستور کار قرار گرفت. در این فرایند، تحلیل‌هایی همچون تحلیل مسیر و آنتروپی شانون به انجام رسید. سرانجام، نتایج تحقیق منجر به شناسایی 10 ریسک‌پذیرش رایانش ابری در شرکت توسعه نیشکر شد و بر اساس اولویت‌بندی انجام شده، ریسک زیر به ترتیب اولویت‌های اول تا سوم را کسب کردند: تعهد تامین‌کننده سرویس ابری، قرداد ضعیف شرکت با تامین‌کننده سرویس ابری، و محرمانگی داده‌های شرکت.