مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452312025812Presenting a Personalized Web Recommender System Based on Sequential Clustering and Deep Auto-Encoderارائه یک سیستم توصیهگر وب شخصیسازیشده بر اساس خوشهبندی ترتیبی و خودرمزگذار عمیق116fa مستوره معینیدانشکده کامپیوتر، واحد تهرانجنوب، دانشگاه آزاد اسلامی، تهران، ایران، علیبرومندنیادانشکده کامپیوتر، واحد تهرانجنوب، دانشگاه آزاد اسلامی، تهران، ایران0000000151452013منامرادیدانشکده کامپیوتر، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران2024614<p style="direction: ltr;">The amount of information published on the web has made the use of recommender systems inevitable. Web recommender systems provide users with accurate and relevant recommendations based on their interests and tastes. These recommendations can help users quickly access the information they need and reduce search time. In this paper, a hybrid recommender system based on the combination of fuzzy sequential clustering and deep Auto-encoder network based on user profile information and ranking of websites by users is presented.</p>
<p style="direction: ltr;">In this recommender system, users are first sequentially clustered according to the similarity of their opinions. Then the new ranking for users is predicted according to the fuzzy membership function. Finally, the information in the user profile and the new rating of users to each website is used as the input of the provided deep Auto-encoder network in order to predict the ranking of websites by users. Finally, after finding similar users, It provides recommendations to visit and personalize the web page of new users based on the favorite websites of similar users. The proposed method has improved compared to the following classification methods due to the layers of deep learning and completion of the learning process in the middle layer: In terms of statistical accuracy, about 42%, and the ratio of successful recommendations to useful recommendations is about 4%, and the accuracy of recognizing similar users is about 20%.</p><p>حجم اطلاعات انتشاریافته در وب، استفاده از سیستم‌های توصیه‌گر را اجتناب‌ناپذیر کرده است. سیستم‌های توصیه‌گر وب به کاربران پیشنهادهای دقیق و مرتبط بر اساس علاقه‌ها و سلیقه‌هایشان ارائه می‌دهند. این توصیه‌ها می‌توانند به کاربران کمک کنند تا به سرعت به اطلاعات مورد نیاز خود دسترسی پیدا کنند و زمان جستجو را کاهش دهند. در این مقاله یک سیستم توصیه‌گر ترکیبی بر اساس ترکیب خوشه‌بندی ترتیبی فازی و شبکه خودرمزگذار عمیق بر اساس اطلاعات پروفایل کاربری و رتبه‌بندی وب‌سایت‌ها توسط کاربران ارائه شده است. در این سیستم توصیه‏گر، ابتدا کاربران بر اساس شباهت نظرات خود به صورت ترتیبی خوشه‌بندی می‌شوند. سپس رتبه‌بندی جدید برای کاربران با توجه به تابع عضویت فازی پیش‌بینی می‌شود. در نهایت اطلاعات موجود در پروفایل کاربری و رتبه‌بندی جدید کاربران به هر وب‌سایتی به‌منظور پیش‌بینی رتبه‌بندی وب‌سایت‌ها توسط کاربران، به عنوان ورودی شبکه خودرمزگذار عمیق ارائه‌شده مورد استفاده قرار می‌گیرد. در نهایت پس از یافتن کاربران مشابه، اقدام به ارائه توصیه بازدید و شخصی‌سازی صفحه وب کاربران جدید بر اساس وب‌سایت‌های مورد علاقه کاربران مشابه می‌نماید. روش پیشنهادی با توجه به لایه‌های آموزش عمیق و تکمیل فرایند آموزش در لایه میانی در مقایسه با سایر روش‌های طبقه‌بندی از نظر دقت آماری حدود 42%، نسبت توصیه‏های موفق به توصیه‏های مفید حدود 4% و دقت تشخیص کاربران مشابه حدود 20% بهبود داشته است.</p>http://ijece.org/ar/Article/Download/47034مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452312025812Relation Detection of Persian Questions by Combining Direct and Indirect Methodsتشخیص رابطه پرسشهای فارسی با ترکیب روشهای مستقیم و غیرمستقیم1728faعباسشاهینی شمس آبادیدانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران،رضارمضانیدانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران،هادیخسروی فارسانیدانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایران، محمدعلینعمت بخشدانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران،2024820<p>In this study, for the problem of answering Persian questions using linked data, the sub-problem of relation detection for single-relation questions has been investigated in detail. In these questions, the answer is extracted from a triple in the form of <subject, predicate, object>. This process has two main steps: entity linking and relation detection. In the first step, the entity identified in the question is mapped to a subject or object of a triple, and in the second step, a predicate is selected for the semantic relation in the question. In most existing methods, after entity linking, all relations of that entity in the knowledge base are considered as candidate relations, and finally one of them is selected as the final relation. In these methods, if there is an error in the entity linking step, it is propagated to the relation detection step. In this study, to solve this dependency, the hierarchical structure of relations is used in order to directly extract the relation of the question. The accuracy of the proposed method in Persian is 72% for direct relation detection and 90% for selecting the best candidate relation (indirect). The accuracy has increased to 94% by combining direct and indirect methods.</p>
<p style="text-align: left;"> </p><p>در این مطالعه برای مسأله پاسخ به سؤال‌های فارسی با استفاده از داده‌های پیوندی، زیرمسأله تشخیص رابطه برای سؤال‌های تک‌رابطه‌ای به تفصیل بررسی شده است. در این سؤال‌ها، پاسخ از یک سه‌تایی به شکل <فاعل، گزاره‌نما، مفعول> استخراج می‌شود. این کار دارای دو مرحله اصلی می‌باشد: نگاشت نهاد و تشخیص رابطه. در مرحله اول، نهاد شناسایی‌شده در سؤال به یک فاعل یا مفعول از یک سه‌تایی نگاشت شده و در مرحله دوم یک گزاره‌نما برای رابطه معنایی موجود در سؤال انتخاب می‌شود. در اکثر روش‌های موجود پس از نگاشت نهاد، همه رابطه‌های آن نهاد در پایگاه دانش به عنوان رابطه‌های نامزد در مرحله تشخیص رابطه در نظر گرفته شده و در نهایت یکی از آنها انتخاب می‌شود. در این روش‌ها اگر خطایی در مرحله نگاشت نهاد وجود داشته باشد به مرحله بعد منتشر شده و تشخیص رابطه به درستی انجام نمی‌شود. در این مطالعه برای رفع این وابستگی از ساختار سلسله‌مراتبی رابطه‌ها به منظور استخراج مستقیم رابطه‌ سؤال بهره گرفته می‌شود. دقت روش پیشنهادی در زبان فارسی برای تشخیص مستقیم رابطه 72% و برای انتخاب بهترین رابطه نامزد (غیرمستقیم) 90% می‌باشد. این دقت با ترکیب دو روش مستقیم و غیرمستقیم به 94% افزایش پیدا کرده است</p>http://ijece.org/ar/Article/Download/47728مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452312025812A Novel Method Based-on Gradient and Deep Neural Network Filters to Generate Texture Imagesارائه یک روش مبتنی بر گرادیان و کرنلهای شبکه عصبی عمیق بهمنظور تولید تصاویر بافتی2940faمحمدحسینشکور دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه اراک، اراک، ایران، 00000001867251812024617<p style="direction: ltr;">Production of image databases is one of the necessities of machine vision. There are various methods such as rotating, changing the viewing angle, resizing, etc., to increase the image data. The disadvantage of these methods is that the generated images are very similar to the original images and it is not enough to prevent overfitting. Among all types of images, texture images have more challenges. In this research, a new texture is generated using the convolution coefficients of pre-trained deep networks. In this method, new textured images are artificially produced by applying an ascending gradient to the images resulting from convolution filters. The difference between this method and the generative methods is that there is no initial texture image to increase, but here a new class of texture image is generated from the coefficients of the pre-trained deep network. After the new texture is produced, its number is increased by image processing methods. This method is between 3 and 5 times faster than some well-known generator networks. The quality of the images is much better. With this method, a texture database example has been produced, which includes 2400 images in 80 classes, and has been uploaded to the Kaggle site.</p><p>تولید پایگاه‌های داده تصاویر یکی از ضروریات بینایی ماشین به شمار می‌رود. روش‌های مختلفی مثل چرخش، تغییر روشنایی و زاویه دید، تغییر اندازه و ... برای افزایش داده‌های تصویری وجود دارد. عیب این روش‌ها آن است که تصاویر تولیدشده خیلی شبیه به تصاویر اولیه است و برای جلوگیری از بیش‌برازش کفایت نمی‌کند. شبکه‌های مواد تخاصمی هم از همین مشکل برخوردار است. از بین همه انواع تصاویر، تصاویر بافتی چالش‌های بیشتری دارند؛ چون تصاویر‌ بافتی را نمی‌توان مانند تصاویر معمولی با دوربین تصویربرداری تهیه کرد، زیرا بافت به‌راحتی در همه جا در دسترس نیست و هر نوع تصویری دارای بافت نیست. امروزه شبکه‌های عصبی عمیق به داده‌های حجیم برای آموزش نیاز دارند و در حال حاضر داده حجیم بافتی وجود ندارد. با استفاده از روش پیشنهادی می‌توان مجموعه داده‌های بافتی حجیم تهیه کرد. در این مقاله با ‌استفاده از ضرایب کانولوشن شبکه‌های عمیق پیش‌آموزش‌داده‌شده بافت جدید تولید می‌شود. در این‌ روش با اعمال گرادیان صعودی به تصاویر حاصل از فیلترهای کانولوشن، تصاویر بافتی جدید به طور مصنوعی تولید می‌شود. تفاوت این روش با روش‌های مولد آن است که این روش نیاز به تصاویر اولیه ندارد، بلکه در اینجا کلاس جدید بافتی تولید می‌گردد. پس از تولید بافت جدید، با روش‌های پردازش تصویر تعداد آن افزایش داده می‌شود. این روش بین 3 تا 5 برابر سریع‌تر از چند شبکه مولد مشهور است. کیفیت تصاویر هم خیلی بهتر است. یک نمونه پایگاه داده بافتی تولید شده که شامل 2400 تصویر در 80 کلاس می‌باشد و در سایت Kaggle بارگذاری شده است.</p>http://ijece.org/ar/Article/Download/47082مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452312025812Optimization of Response Time in Software Defined IoT Networks Using Cloud-Fog Computingبهینهسازی زمان پاسخ در شبکههای اینترنت اشیای نرمافزارمحور با استفاده از محاسبات مه- ابر4150faالهامحاجیانگروه مهندسی کامپیوتر، دانشگاه بجنورد، بجنورد، ايران،2024727<p>The Internet of Things uses the cloud to process information received from electronic devices. Powerful servers located far from the sensors perform the processing. IoT devices send requests to the cloud and receive results from it. In some IoT applications, response time and latency are important. Therefore, latency should be reduced as much as possible. Sending information to the cloud itself entails latency. Therefore, the use of fog along with the cloud plays a fundamental role in the IoT. The use of fog and cloud computing in the field of IoT is a significant topic for researchers. To facilitate this process, software-defined networks have emerged as a vital component. These networks enable centralized control and management of the network. They also ensure optimal resource utilization and seamless connectivity by dynamically directing data flows to fog or cloud resources based on real-time conditions. Fog computing refers to the deployment of resources near the network sensor. By doing so, fog computing aims to reduce latency and bandwidth usage while improving overall system performance. It does this by utilizing local computing capabilities to process data. This research uses the proposed architecture for IoT networks and modeling different parts of this architecture using queuing theory to reduce response time using fog-cloud computing and obtain network quality of service parameters through mathematical analysis. In the following, the residual energy and latency comparison graphs for health and lighting applications as well as the use and non-use of fog-cloud computing are plotted. The graphs show that the use of fog-cloud computing reduces response time and the lighting application using fog has more residual energy and the health application has less latency. The simulation was performed using NS2 software in the smart home application.</p><p>اینترنت اشیا از ابر برای پردازش اطلاعات رسیده از وسایل الکترونیکی استفاده می‌کند. سرورهای قدرتمند و دور از حسگرها، پردازش را انجام می‌دهند. وسایل اینترنت اشیا درخواست‌ها را به ابر ارسال کرده و نتایج را از آن دریافت می‌کنند. در بعضی از کاربردهای اینترنت اشیا، زمان پاسخ و تأخیر مهم می‌باشد؛ بنابراین باید هرچه بیشتر زمان تأخیر را کاهش داد. ارسال اطلاعات به ابر، خود مستلزم ایجاد تأخیر می‌باشد؛ لذا استفاده از مه در کنار ابر در اینترنت اشیا نقش اساسی را ایفا می‌کند.</p>
<p>استفاده از مه و رایانش ابری در زمینه اینترنت اشیا، موضوع قابل توجه برای پژوهشگران می‌باشد. برای تسهیل این فرایند، شبکه‌های نرم‌افزارمحور به عنوان یک جزء حیاتی ظاهر شده‌اند. این شبکه‌ها امکان کنترل و مدیریت متمرکز شبکه را فراهم می‌کنند. همچنین با هدایت پویای جریان‌های داده به منابع مه یا ابر بر اساس شرایط زمان واقعی، استفاده بهینه از منابع و اتصال یکپارچه را تضمین می‌کنند. محاسبات مه به استقرار منابع در نزدیکی حسگر شبکه اشاره دارد. با انجام این کار، محاسبات مه با هدف کاهش تأخیر و استفاده از پهنای باند در حالی که عملکرد کلی سیستم را بهبود می‌بخشد، می‌پردازد. این کار را با استفاده از قابلیت‌های محاسباتی محلی برای پردازش داده‌ها انجام می‌دهد.</p>
<p>این پژوهش با استفاده از معماری پیشنهادی برای شبکه‌های اینترنت اشیا و مدل‌سازی قسمت‌های مختلف این معماری با استفاده از نظریه صف، زمان پاسخ را توسط محاسبات مه- ابر کاهش داده و پارامترهای کیفیت سرویس شبکه را توسط آنالیز ریاضی به دست می‌آورد. در ادامه نیز نمودارهای مقایسه انرژی باقیمانده و تأخیر برای کاربردهای سلامتی و روشنایی و همچنین نمودارهای مقایسه‌ای استفاده و عدم استفاده از محاسبات مه- ابر رسم شده است. نمودارها نشان می‌دهند که استفاده از محاسبات مه- ابر، زمان پاسخ را کاهش می‌دهد و کاربرد روشنایی با استفاده از مه، انرژی باقیمانده بیشتر و کاربرد سلامتی، تأخیر کمتر دارد. شبیه‌سازی با استفاده از نرم‌افزار 2NS در کاربرد خانه هوشمند انجام شده است.</p>http://ijece.org/ar/Article/Download/47481مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452312025812A low-power approximate accelerator based on FPGA chips for artificial intelligence applicationsطراحی شتابدهنده تقریبی کمتوان بر بستر تراشههای FPGA برای کاربردهای هوش مصنوعی5160faنادیاسهرابیدانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایرانامیرباوفای طوسیدانشكده كامپيوتر، دانشگاه سجاد، مشهد، ایران، مهدیصدیقیدانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران2024919<p class="MsoNormal"><span style="font-size: 10.5pt; line-height: 107%; font-family: 'Verdana',sans-serif; color: black; background: white;">One of the challenges of neural networks is the high calculations. For this reason, many architectures have been proposed for such applications, which provide solutions for their complex calculations. Reconfigurable hardware accelerators such as FPGA are usually used to accelerate neural network; But the main problem of these chips is their relatively high-power consumption. To reduce the power consumption in FPGA, the approximate calculation technique can be used. The main idea of </span><span style="font-size: 10.5pt; line-height: 107%; font-family: 'Arial',sans-serif; color: black; background: white;"></span><span style="font-size: 10.5pt; line-height: 107%; font-family: 'Verdana',sans-serif; color: black; background: white;">approximate computing is to make compromise between accuracy and energy consumption by making changes in the circuit or code. In this research, a convolutional neural network has been designed and implemented to recognize handwritten digits in an accurate and approximate manner with the aim of improving the power consumption. This method reduces the power consumption by preventing the transmission of transfer digit in the low bits of the adder. The results of the comparison of the neural network accurately and approximately show that by approximating the 6 bits of the low weight of the adder, the power consumption is reduced by 43% and no error occurs. Also, by approximating 7 bits of low weight, with 20% error, the power consumption is reduced by 44.11%</span></p><p>یکی از روش‌های یادگیری ماشین شبکه‌های عصبی می‌باشند که در کاربردهایی نظیر پردازش تصویر به کار می‌روند. یکی از چالش‌های شبکه‌های عصبی، حجم بالای محاسبات آنهاست. به همین دلیل معماری‌های زیادی برای این گونه کاربردها ارائه‌ شده که راه‌حل‌هایی برای محاسبات پیچیده آنها ارائه می‌دهند. معمولاً برای تسریع الگوریتم‌های شبکه‌های عصبی از شتاب‌دهنده‌های سخت‌افزاری قابل بازپیکربندی مانند تراشه‌های FPGA استفاده می‌شود؛ اما مشکل اصلی این تراشه‌ها توان ‌مصرفی نسبتاً بالای آنهاست. برای کاهش توان مصرفی در تراشه‌های FPGA از تکنیک محاسبات تقریبی می‌توان استفاده کرد. ایده اصلی محاسبات تقریبی این است که با ایجاد تغییراتی در مدار یا کد، بین دقت و مصرف انرژی مصالحه‌ای برقرار شود. در این پژوهش یک شبکه عصبی کانولوشنی برای تشخیص ارقام دست‌نویس به‌صورت دقیق و تقریبی با هدف بهبود توان مصرفی طراحی و پیاده‌سازی شده است. ایده تقریب‌سازی در بخش محاسبات جمع‌کننده شبکه عصبی ارائه ‌شده است. این روش با جلوگیری از انتشار رقم نقلی در بیت‌های پایین جمع‌کننده، توان مصرفی را کاهش می‌دهد. نتایج مقایسه شبکه عصبی به‌صورت دقیق و تقریبی نشان می‌دهد که با تقریب‌سازی 6 بیت وزن پایین جمع‌کننده، توان مصرفی 75<sub>/</sub>43% کاهش می‌یابد و هیچ خطایی رخ نمی‌دهد.</p>http://ijece.org/ar/Article/Download/48039مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452312025812The Deadline- and Energy-Aware Resource Allocation using a Combination of Multi-Criteria Greedy Approach and Decision Tree in the IoT-Edge-Cloud Environmentتخصیص منبع آگاه از مهلت و انرژی با استفاده از ترکیب رویکرد حریصانه چندمعیاره و درخت تصمیم در محیط اینترنت اشیاء-مه– ابر6175faشیوارزاق زادهگروه مهندسی کامپیوتر،واحد اردبیل،دانشگاه آزاد اسلامی،اردبیل،ایرانساراحسین پورگروه مهندسی کامپیوتر،واحد اردبیل،دانشگاه آزاد اسلامی،اردبیل،ایران2024629<p style="text-align: justify;">With the rapid growth of the Internet of Things (IoT), the volume of data collected from sensors has increased significantly. As a result, there is a growing need to connect IoT devices to cloud servers to meet the demands of data storage, processing, and analysis. Furthermore, the emergence of intermediate technologies, such as fog computing, which performs initial computations on requests at the network edge, has reduced the computational load sent to the cloud. However, task scheduling in cloud resources remains a challenging problem. Resource scheduling, as an NP-Hard problem, involves the optimal and efficient allocation and distribution of resources (such as processors, memory, networks, etc.) to tasks in cloud servers. Therefore, many researchers have attempted to propose heuristic-based algorithms to find near-optimal solutions. In these approaches, the primary goal is to find the appropriate resource for task allocation, while the task’s execution deadline is not always considered. In IoT applications, the data may correspond to critical tasks that require quick responses, which has often been overlooked in previous methods. Therefore, this paper proposes a resource allocation approach using scheduling in the IoT-Fog-Cloud framework, based on a combination of decision trees for task prioritization and a multi-criteria greedy approach. Simulation results show that the proposed method, by prioritizing tasks and balancing multiple objectives using a multi-criteria greedy approach, performs near-optimally in terms of evaluation criteria such as cost and task completion time, and improves upon previous methods.</p><p>با رشد روزافزون اینترنت اشیا، حجم داده‌های جمع‌آوری‌شده از سنسورها به طور چشم‌گیری افزایش یافته است. با توجه به این امر، نیاز به اتصال اینترنت اشیا به سرورهای ابری برای رفع نیازهای ذخیره‌سازی، پردازش و تحلیل داده‌ها احساس می‌شود. همچنین ظهور فناوری میانی مانند مه، با انجام محاسبات اولیه بر روی درخواست‌ها در لبه شبکه، موجب کاهش حجم محاسبات ارسالی به ابر شده است. با این حال زمان‌بندی وظایف در منابع ابری، یک مسئله چالش‌برانگیز است. زمان‌بندی منابع به عنوان یک مسئله NP-Hard به معنای تخصیص و توزیع منابع (مانند پردازنده، حافظه، شبکه و ...) به وظایف ارسالی در سرورهای ابری به صورت بهینه و مؤثر می‌باشد. از این رو محققان زیادی سعی در ارائه روش‌های مبتنی بر الگوریتم‌های فراابتکاری برای یافتن راه‏حل‌های نزدیک به بهینه هستند. هدف اصلی در این روش‌ها یافتن منبع مناسب برای تخصیص به وظیفه است، حال آن که وضعیت وظیفه از نظر مهلت زمان اجرای وظیفه بر روی ماشین مجازی در نظر گرفته نمی‌شود. در کاربردهای اینترنت اشیا، داده‌ها ممکن است مربوط به وظایف بحرانی باشند که نیازمند پاسخ سریع هستند. به عبارت دیگر وظایفی که مهلت کمی برای اجرا دارند ممکن است در راستای بهبود سایر اهداف کیفیت سرویس به ماشین‌های مجازی با قدرت پردازشی کمتری ارسال شوند و در زمان مقرر قادر به اتمام نباشند که توجه زیادی به این مسئله در روش‌های پیشین نشده است. از این رو در این مقاله، رویکرد تخصیص منابع با استفاده از زمان‌بندی در بستر اینترنت اشیا- مه- ابر بر اساس ترکیب درخت تصمیم در راستای اولویت‏بندی وظایف و رویکرد حریصانه چندمعیاره ارائه شده است. نتایج شبیه‌سازی نشان می‏دهند روش پیشنهادی با تکیه بر اولویت‏بندی وظایف و ایجاد توازن در اهداف مختلف بر اساس رویکرد حریصانه چندمعیاره، با در نظر گرفتن فاکتورهای هزینه و زمان اتمام کار از نظر معیارهای ارزیابی نزدیک به بهینه عمل کرده و در مقایسه با روش‏های پیشین بهبود یافته است.</p>http://ijece.org/ar/Article/Download/47217