در سالهای اخیر با رشد روزافزون فناوریهای دیجیتال، نسخهبرداری عکسهای دیجیتال و حتی تغییر آنها بدون افت کیفیت و با هزینه اندک امکانپذیر شده است. نهاننگاری، یکی از روشهای موفق تشخیص دستکاری و حتی بازیابی دادههای اصلی میباشد؛ ولی هنوز مشکلات زیادی برای ارائه ی چکیده کامل
در سالهای اخیر با رشد روزافزون فناوریهای دیجیتال، نسخهبرداری عکسهای دیجیتال و حتی تغییر آنها بدون افت کیفیت و با هزینه اندک امکانپذیر شده است. نهاننگاری، یکی از روشهای موفق تشخیص دستکاری و حتی بازیابی دادههای اصلی میباشد؛ ولی هنوز مشکلات زیادی برای ارائه یک نهاننگار مناسب که قادر به تشخیص و بازیابی هر نوع دستکاری باشد، وجود دارد. این مشکلات خصوصاً در مواردی که حملات خاص دستکاری با نرخ بالا صورت میگیرد حادتر خواهد بود. در این مقاله یک روش نهاننگار معرفی شده که نهتنها قادر به تشخیص هر گونه دستکاری است، بلکه در نرخهای بالای دستکاری نیز میتواند دادههای اصلی را با کیفیت بالا بازیابی کند. در این مقاله برای تشخیص دستکاری از تجزیه به مؤلفههای تکین (SVD) استفاده میشود. همچنین نهاننگار برای بازیابی دادههای از دست رفته از روش مبتنی بر OIBTC استفاده میکند. این مقاله روشی کارا برای افزایش حساسیت تشخیص و در عین حال افزایش مقاومت نهاننگار برای بازیابی ارائه میدهد. نتایج بهدستآمده برتری روش پیشنهادشده را نسبت به روشهای اخیر ثابت میکنند.
پرونده مقاله
پیشبینی رفتار آینده بازار سهام به عنوان یک چالش حائز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکردهای یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آوردهاند. مطالعات پیشین، اهمیت درنظرگرفتن دادههای سهام مرتبط را در خلال عملکرد پیشبینی اث چکیده کامل
پیشبینی رفتار آینده بازار سهام به عنوان یک چالش حائز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکردهای یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آوردهاند. مطالعات پیشین، اهمیت درنظرگرفتن دادههای سهام مرتبط را در خلال عملکرد پیشبینی اثبات کردهاند. با وجود این، مدلسازی روابط بین سهام به عنوان یک گراف جهتدار و ساخت بازنمایی گرههای این گراف به کمک مکانیزم توجه تا کنون مورد استفاده قرار نگرفته است. ما در این کار، چهارچوبی به نام DeepNet را معرفی میکنیم که یک شبکه جهتدار دودویی را از تأثیرات دادههای سهام در بهبود دقت پیشبینی یکدیگر ایجاد میکند و با استفاده از شبکه توجه گراف، اهمیت گرههای همسایه برای ساخت بازنماییها را در حین عملیات آموزش، کشف مینماید. ما مدل جدیدی از شبکه توجه گراف را برای استفاده در گرافهای جهتدار توسعه دادیم که قادر است اهمیت بردار ویژگی گرهها برای ساخت بازنمایی را به صورت یکطرفه در نظر بگیرد. نهایتاً ارزیابیهای ما بر روی دادههای بازار سهام تهران نشان میدهد که مدل معرفیشده از دقت و MCC بالاتری نسبت به مدلهای رقیب برخوردار است.
پرونده مقاله
با گسترش فناوریهای مخابراتی و ارتباطی بهویژه ارتباطات بیسیم، رمزنگاري اطلاعات، یکی از ضرورتهای ارتباطی است. امروزه از الگوریتمهای رمزنگاری برای افزایش امنیت و جلوگیری از تغییر تصاویر پزشکی DICOM استفاده میشود. تغییر در تصاویر پزشکی DICOM موجب تشخیص نادرست پزشک از چکیده کامل
با گسترش فناوریهای مخابراتی و ارتباطی بهویژه ارتباطات بیسیم، رمزنگاري اطلاعات، یکی از ضرورتهای ارتباطی است. امروزه از الگوریتمهای رمزنگاری برای افزایش امنیت و جلوگیری از تغییر تصاویر پزشکی DICOM استفاده میشود. تغییر در تصاویر پزشکی DICOM موجب تشخیص نادرست پزشک از روند درمانی بیمار خواهد شد. در این مقاله نوعی از الگوریتمهای رمزنگاری ترکیبی ارائه میشود. در الگوریتم پیشنهادی از الگوریتم رمزنگاری DNA برای رمزنگاری تصاویر DICOM و از اطلاعات بیومتریک بیمار مانند تصویر اثر انگشت و یا عنبیه چشم برای افزایش حساسیت در کلیدهای استفادهشده، ساخت امضای دیجیتال و تأیید اعتبار تصاویر پزشکی DICOM استفاده میگردد. الگوریتم رمزنگاری طراحیشده در مقابل حملات Brute force مقاوم بوده و Entropy تصاویر DICOM رمزنگاریشده در آن بیشتر از 7/99 است.
پرونده مقاله
در حال حاضر، فناوری VLSI با چالشی جدی روبهرو است؛ زیرا رشد نمایی متراکمسازی در تراشههای VLSI و CMOS به حد نهایی خود رسیده است. اتلاف توان در تراشه VLSI به تولید گرما اطلاق میشود که یک مانع واقعی در برابر فناوری سنتی CMOS است. منطق غیر برگشتپذیر منجر به مشکلاتی از ق چکیده کامل
در حال حاضر، فناوری VLSI با چالشی جدی روبهرو است؛ زیرا رشد نمایی متراکمسازی در تراشههای VLSI و CMOS به حد نهایی خود رسیده است. اتلاف توان در تراشه VLSI به تولید گرما اطلاق میشود که یک مانع واقعی در برابر فناوری سنتی CMOS است. منطق غیر برگشتپذیر منجر به مشکلاتی از قبیل اتلاف انرژی، تولید گرما، ازدستدادن اطلاعات و کندشدن محاسبات میشود. برای حل این مشکلات، نیازمند یک فناوری جدید هستیم و استفاده از منطق برگشتپذیر میتواند به حل این مشکل کمک کند. مدارهای برگشتپذیر در بسیاری از برنامههای کاربردی شامل طراحیهای توان پایین، اهمیت زیادی دارند. منطق برگشتپذیر دارای بسیاری از کاربردهای دیگر در چندین فناوری مانند محاسبات کوانتومی، پردازش سیگنال دیجیتال، رمزنگاری، طراحی CMOS توان پایین، فناوری نانو، ترمودینامیک و بیوانفورماتیک است و اکثر آنها در حال حاضر تحت تحقیق هستند. یکی از زمینههای اصلی که مدارهای برگشتپذیر نقشی حیاتی در آن دارند، محاسبات نوری است. در میان رویکردهای برگشتپذیر، ثابت شده که محاسبات نوری میتوانند سرعت بسیار بالایی ایجاد کنند؛ زیرا فوتونهای موجود در نور دارای سرعت بسیار بالایی هستند. در کامپیوترهای نوری نسل آینده، مدارهای الکتریکی و سیمها توسط تعدادی فیبر نوری جایگزین خواهند شد که این سیستمها کارایی بیشتری خواهند داشت؛ زیرا بدون تداخل، ارزانتر، سبکتر و فشردهتر خواهند بود. بر اساس محاسبات نوری، چندین سوئیچ نوری برای کاربردهای آینده پیشنهاد گردیده که یکی از این سوئیچها سوئیچ ماخزندر است و در این مقاله به مطالعه رفتار آن و مدارهای برگشتپذیری که با آن ساخته شده است، پرداخته میشود. در انتها سه گیت برگشتپذیر تمامنوری جدید با نامهای NFT، SRK و MPG مؤثر در طراحی مدارهای منطقی برگشتپذیر تمامنوری مثل فیپفلاپها و دیگر مدارهای ترتیبی برگشتپذیر تمامنوری را معرفی و طراحی میکنیم. همچنین به شبیهسازی برخی مدارهای برگشتپذیر تمامنوری پیادهسازی شده با سوئیچ ماخزندر میپردازیم و چالشهای شبیهسازی و راه حلهای برطرفکردن این مشکلات را ارائه مینماییم.
پرونده مقاله
تولید متن، یکی از زمینههای تحقیقاتی در حوزه پردازش زبان طبیعی است که بهوسیله آن، سیستم میتواند متون جامع، کامل و از نظر گرامری درست را مانند انسان تولید کند. از جمله کاربردهای تولید متن میتوان به برچسبزدن به تصویر، تولید شعر و تولید گزارشهای هواشناسی و زیستمحیطی چکیده کامل
تولید متن، یکی از زمینههای تحقیقاتی در حوزه پردازش زبان طبیعی است که بهوسیله آن، سیستم میتواند متون جامع، کامل و از نظر گرامری درست را مانند انسان تولید کند. از جمله کاربردهای تولید متن میتوان به برچسبزدن به تصویر، تولید شعر و تولید گزارشهای هواشناسی و زیستمحیطی اشاره کرد. با ظهور شبکههای عصبی عمیق، پژوهشها در زمینه تولید متن به سمت استفاده از این شبکهها روانه شد؛ اما مهمترین چالش در حوزه تولید متن با استفاده از شبکههای عصبی عمیق، بحث گسستگی دادههاست که باعث عدم توانایی انتقال گرادیان شده است. اخیراً استفاده از رویکرد جدیدی در حوزه یادگیری عمیق با عنوان شبکههای مولد تخاصمی جهت تولید تصویر، صوت و متن مورد توجه قرار گرفته است. هدف از این پژوهش، استفاده از این رویکرد جهت تولید جملات فارسی میباشد. در این مقاله از سه الگوریتم متفاوت شبکههای مولد تخاصمی برای تولید جملات فارسی، استفاده و این سه الگوریتم با هم مقایسه شدهاند و با در نظر گرفتن معیار ارزیابی BLEU و Self-BLEU، ارزیابی همهجانبهای هم از نظر کیفیت جملات و هم از نظر تنوع صورت گرفته است.
پرونده مقاله
در دهههاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستمهاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستمهاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده ميكنند. در اين مقاله يك رويكرد چندفاكتو چکیده کامل
در دهههاي اخير رويكرد محاسبه و اعمال اعتماد بين كاربران در طراحي سيستمهاي پيشنهاددهنده مورد توجه محققان قرار گرفته است. با وجود اين، اغلب سيستمهاي پيشنهاددهنده مبتني بر اعتماد فقط از يك فاكتور براي تخمين مقدار اعتماد استفاده ميكنند. در اين مقاله يك رويكرد چندفاكتوري براي تخمين اعتماد بين كاربران سيستمهاي پيشنهاددهنده ارائه ميشود. در طرح پيشنهادي، ابتدا كاربران سيستم براساس شباهت مبتني بر اطلاعات دموگرافيك و تاريخچه ارزشيابيها خوشهبندي ميشوند. براي تخمين ارزشيابي كاربر فعال به يك آيتم خاص، مقدار اعتماد بين او و ساير كاربران همخوشهاش با درنظرگرفتن فاكتورهاي زمان، مكان، و زمينه ارزشيابي محاسبه ميشود. براي اين منظور، ما الگوريتمي مبتني بر توزيع بتا معرفي ميكنيم. يك معيار مبتني بر درخت جديد براي محاسبه شباهت معنايي بين زمينهها مورد استفاده قرار ميگيرد. در نهايت، ارزشيابي كاربر فعال با استفاده از ميانگينگيري وزني تخمين زده ميشود كه مقادير اعتماد به عنوان وزن در ميانگينگيري منظور ميشوند. طرح پيشنهادي بر روي سه مجموعهداده مطرح اجرا شده و ارزيابي و مقايسه نشان ميدهد كه اين طرح نتايج بهتري از نظر ملاكهاي دقت و كارآمدي نسبت به روشهاي موجود ارائه ميكند.
پرونده مقاله
در اين مقاله، الگوریتم نوینی جهت کاهش شدید سربار مخابراتی در ردگيری توزيعشده (غیرمتمرکز) برای تکهدف در يک شبکه حسگری بیسیم ارائه گردیده است. این الگوریتم مبتني بر نگاه نوینی به حل مسئله اجماع به ميانگين و استفاده از فيلترهای ذرهای بهصورت توزيعشده است. در الگوريتم چکیده کامل
در اين مقاله، الگوریتم نوینی جهت کاهش شدید سربار مخابراتی در ردگيری توزيعشده (غیرمتمرکز) برای تکهدف در يک شبکه حسگری بیسیم ارائه گردیده است. این الگوریتم مبتني بر نگاه نوینی به حل مسئله اجماع به ميانگين و استفاده از فيلترهای ذرهای بهصورت توزيعشده است. در الگوريتم ارائهشده در این مقاله، بر عکس الگوریتمهای متداول که برای ردگیری توزيعشده جهت محاسبه وزن ذرات در فيلترهای ذرهای به حل مسئله اجماع به ميانگين برای تقریب تابع شبیهنمایی سراسری میپردازند، مدل جديدی براي مشاهده بر مبنای تقریب گوسی ارائه میشود که تنها در حل مسئله اجماع به ميانگين بر روی مشاهدات دریافتی گرهها در شبکه (و نه برای تقریب توابع شبیهنمایی سراسری) به کار گرفته میشود. این نوآوریها موجب کاهش قابل توجه ردوبدلشدن اطلاعات مابین گرههای شبکه و در نتیجه مصرف بسیار اندک منابع انرژی میگردد. در سناریوهای مختلف، کارايي الگوريتم پيشنهادی با الگوريتم متمرکز و الگوريتم توزيعشده مبتني بر گراف، مقايسه گردیده و نتايج شبيهسازی بیانگر آن هستند که با استفاده از این ایده، در ازای افت قابل قبول دقت ردگیری، سربار مخابراتی شبکه به شدت کاهش مییابد.
پرونده مقاله