فهرست مقالات
-
دسترسی آزاد مقاله
1 - الگوهای تحلیل پایای یادگیری در عامل‌های نرم‌افزاری هوشمند
شیوا وفادار احمد عبداله‌زاده بارفروشتکنیکهای هوش مصنوعی از قبیل یادگیری، به‌صورت گسترده‌ای در سیستم‌های مبتنی بر عامل به کار می‌روند. اما در زمینه ارائه یک دیدگاه مهندسی نرم‌افزاری از این تکنیک‌ها برای کل چرخه حیات نرم‌افزار شامل تحلیل، طراحی و تست، در حال حاضر کاستی‌‌هایی وجود دارد. در این تحقیق با تمرک چکیده کاملتکنیکهای هوش مصنوعی از قبیل یادگیری، به‌صورت گسترده‌ای در سیستم‌های مبتنی بر عامل به کار می‌روند. اما در زمینه ارائه یک دیدگاه مهندسی نرم‌افزاری از این تکنیک‌ها برای کل چرخه حیات نرم‌افزار شامل تحلیل، طراحی و تست، در حال حاضر کاستی‌‌هایی وجود دارد. در این تحقیق با تمرکز بر مرحله تحلیل نیازمندی به‌عنوان یکی از نخستین مراحل فرآیند تولید نرم‌افزار، ابزار‌ها و تکنیک‌هایی برای رفع این کمبود‌ها در مرحله تحلیل پیشنهاد شده است. بدین منظور در این مقاله، مجموعه‌ای از الگوهای تحلیل پایای نرم‌افزار ارائه شده است. الگوهاي تحليل پایای نرم‌افزار، مجموعه‌اي از کلاس‌هاي عمومي (فراکلاس‌ها) و ارتباط‌های میان آنها برای تحلیل یک موضوع خاص هستند که در قالبي مستقل از دامنه مسأله مدل‌سازی می‌شوند. این الگوها بر اساس نظریه مدل پایای نرم‌افزار با معرفی مضمون‌های تجاری مانا، اشیای تجاری و اشیای صنعتی مدل مفهومی قابلیت یادگیری را بازنمایی می‌کنند. این الگوها در دو سطح تجرد ارائه شده‌اند و شامل الگوهای یادگیری، نقش، محیط، دانش و نقد می‌باشند. در این مقاله همچنین روش استفاده از الگوهای ارائه‌شده برای تحلیل قابلیت یادگیری عامل در دو سیستم مختلف مبتنی بر عامل تشریح شده است. این الگوها می‌توانند به‌عنوان راهنما در تحلیل عامل‌های نرم‌افزاری یادگیر به کار روند. مزیت استفاده از این الگوها نسبت به روش‌های کلاسیک تحلیل نرم‌افزار آن است که علاوه بر کلاس‌های متداول مرتبط با یادگیری در دامنه مسأله، فراکلاس‌هایی را در مدل تحلیل سیستم بازنمایی می‌کنند که دانش مرتبط با تحلیل یادگیری را نیز مدل می‌کنند. همچنین با در نظر گرفتن لایه‌‌های مختلف در تحلیل، موجب تولید مدل‌هایی می‌شوند که پایداری بیشتری نسبت به تغییرات دارند. پرونده مقاله -
دسترسی آزاد مقاله
2 - کاهش رنگ در نقشه چاپی فرش به کمک یادگیری تقویت‌شده
منصور فاتح احسان‌اله کبیر مجید نیلی احمدآبادیخواندن خودکار نقشه‌های فرش به معنی تعیین نقشه با تعداد رنگ مشخص از روی نقشه اسکن‌شده است. خواندن خودکار شامل دو مرحله تشخیص خطوط نقشه و کاهش تعداد رنگ پیکسل‌های تصویر است. کاهش رنگ نیز از دو مرحله طراحی پالت و نگاشت رنگ پیکسل‌های تصویر به رنگ‌های پالت تشکیل می‌شود. برا چکیده کاملخواندن خودکار نقشه‌های فرش به معنی تعیین نقشه با تعداد رنگ مشخص از روی نقشه اسکن‌شده است. خواندن خودکار شامل دو مرحله تشخیص خطوط نقشه و کاهش تعداد رنگ پیکسل‌های تصویر است. کاهش رنگ نیز از دو مرحله طراحی پالت و نگاشت رنگ پیکسل‌های تصویر به رنگ‌های پالت تشکیل می‌شود. برای کاهش رنگ، روش‌های متنوعی وجود دارد که دقت آنها از اهمیت بالایی برخوردار است و حتی در برخی از روش‌ها برای افزایش دقت برای طراحی پالت از کاربر کمک گرفته می‌شود. هدف از این تحقیق ارائه روش کاهش رنگ کاملاً خودکار با دقت بالا است. برای این منظور از روش یادگیری تقویت‌شده استفاده شده است که دقتی بالغ بر 98% دارد. تاکنون از این روش برای کاهش رنگ استفاده نشده است. روش پیشنهادی با توجه به کاربرد، تعریف شده است و میزان کاهش رنگ به‌نحوی است که دقت الگوریتم کاهش پیدا نکند. از این رو پالت نهایی، از تعداد رنگ بیشتری در مقایسه با پالت اصلی برخوردار است. در کار ارائه‌شده در این مقاله، ابتدا خطوط نقشه آشکار می‌شوند و رنگ پیکسل‌های درون هر خانه نقشه به یک پیکسل نگاشت می‌شود و سپس با استفاده از روش یادگیری تقویت‌شده کاهش رنگ انجام می‌شود. نتایج حاصل از آزمایش روش پیشنهادی بر روی چند تصویر نمونه ارائه و بررسی می‌شود. پرونده مقاله -
دسترسی آزاد مقاله
3 - بهبود دقت مدل GMM با استفاده از کرنل PSK در کاربرد تشخيص زبان گفتاري
فهیمه قاسمیان محمدمهدی همایونپورمدل مخلوط گاوسي (GMM)، روشي ساده و مؤثر براي مدل‌کردن آماري فضاي ويژگي‌هاست که به‌طور گسترده در کاربرد تشخيص زبان مورد استفاده قرار گرفته و از الگوريتم بيشينه‌سازي اميد رياضي براي آموزش پارامترهاي اين مدل استفاده مي‌شود. در اين مقاله با توجه به مشکلي که در آموزش مدل GMM چکیده کاملمدل مخلوط گاوسي (GMM)، روشي ساده و مؤثر براي مدل‌کردن آماري فضاي ويژگي‌هاست که به‌طور گسترده در کاربرد تشخيص زبان مورد استفاده قرار گرفته و از الگوريتم بيشينه‌سازي اميد رياضي براي آموزش پارامترهاي اين مدل استفاده مي‌شود. در اين مقاله با توجه به مشکلي که در آموزش مدل GMM وجود دارد، مدلي جديد با نام PAW-GMM ارائه شده است. در اين مدل، قدرت هر مؤلفه از مدل GMMدر تمايز يک زبان از ساير زبان‌ها، براي تعيين وزن هر مؤلفه در نظر گرفته مي‌شود. مدل PAW-GMM به‌دليل در نظر گرفتن خواص تمايزي مؤلفه‌هاي مخلوط گاوسي، سبب افزايش دقت سيستم‌هاي تشخيص زباني مي‌شود که از اين مدل به‌عنوان جايگزين مدلGMM استفاده مي‌کنند. همچنين يکي از مشکلاتي که در سيستم GMM-PSK-SVMکه يکي از بهترين سيستم‌هاي تشخيص زبان است وجود دارد، پيچيدگي محاسباتي بالا خصوصاً با اضافه‌شدن تعداد زبان‌هاست. از اين رو سيستم UBM-PSK-SVM ارائه شده است که با ثابت نگه داشتن دقت سيستم GMM - PSK - SVM، سبب کاهش پيچيدگي محاسباتي آن شده و در نتيجه قدرت تعميم به زبان‌هاي بالاتر را افزايش مي‌دهد. آزمايش‌هاي صورت‌گرفته بر روي 4 سيستم تشخيص زبان مختلف با استفاده از داده‌هاي مربوط به 4 زبان انگليسي، فارسي، فرانسوي و آلماني دادگان OGI، کارايي تکنيک‌هاي ارائه‌شده را نشان مي‌دهد. پرونده مقاله -
دسترسی آزاد مقاله
4 - تحليل و افزايش كارايي سيستم‌هاي مخابراتي TiR-UWB در شرايط تخمين‌گر غير ايده‌آل كانال
حسين خالقي بيزکي سجاد عليزاده مجيد اخوتروش ارسال معكوس زماني (TiR) به دليل توانايي منحصر به فرد آن در كاهش پيچيدگي ساختار گيرنده در سيستم‌هاي UWB در سال‌هاي اخير مورد توجه بسياري واقع شده است. با اين حال، داشتن اطلاعات ناقص از شرايط كانال (CSI غير كامل)، عملكرد اين روش را كاهش مي‌دهد. در این مقاله ابتدا فرم چکیده کاملروش ارسال معكوس زماني (TiR) به دليل توانايي منحصر به فرد آن در كاهش پيچيدگي ساختار گيرنده در سيستم‌هاي UWB در سال‌هاي اخير مورد توجه بسياري واقع شده است. با اين حال، داشتن اطلاعات ناقص از شرايط كانال (CSI غير كامل)، عملكرد اين روش را كاهش مي‌دهد. در این مقاله ابتدا فرم بسته‌اي براي روابط احتمال خطاي يك سيستم UWB مبتني بر TiR با گيرنده شامل فيلتر منطبق ساده و در شرايط CSI غير كامل محاسبه مي‌گردد. سپس به‌منظور بهبود عملكرد سيستم TiR-UWB در چنين شرايطي، يك الگوريتم بهينه‌سازي دومرحله‌اي مبتني بر تكرار پيشنهاد مي‌شود. در مرحله اول به كمك کواریانس خطای تخمین کانال، ضرایب پيش فيلتر بر اساس سيستم شامل تخمين‌گر MMSE بهينه محاسبه شده و در مرحله دوم به كمك اين ضرایب، الگوريتم تكرارشونده‌اي براي سيستم شامل فيلتر منطبق ساده طراحي مي‌شود كه قادر است عملكرد سيستم TiR-UWB را در 3 گام پياپي بهبود دهد. همچنين با کمک شبیه‌سازی، صحت روابط احتمال خطاي محاسبه‌شده در حالت تئوري با نتايج حاصل از شبيه‌سازي مورد تأييد قرار گرفته است. پرونده مقاله -
دسترسی آزاد مقاله
5 - طراحي و شبيه‌سازي كنترل‌كننده ANFIS همراه با كنترل‌كننده فازي به‌منظور كنترل توان اكتيو انتقالي توسط TCSC
عباس کارگر محسن حسین‌زاده سورشجانیكنترل توان اكتيو عبوری از خطوط انتقال به‌خصوص در شرايط تراکم یا وقوع خطا يكي از مهم‌ترين مسایل پيش رو در کنترل و مديريت صحيح سيستم‌هاي قدرت است. در اين شرايط براي كنترل پيوسته و به‌خصوص افزايش توان انتقالي، عمدتاً از خازن سري كنترل‌شونده با تريستور (TCSC) استفاده مي‌شود چکیده کاملكنترل توان اكتيو عبوری از خطوط انتقال به‌خصوص در شرايط تراکم یا وقوع خطا يكي از مهم‌ترين مسایل پيش رو در کنترل و مديريت صحيح سيستم‌هاي قدرت است. در اين شرايط براي كنترل پيوسته و به‌خصوص افزايش توان انتقالي، عمدتاً از خازن سري كنترل‌شونده با تريستور (TCSC) استفاده مي‌شود كه در واقع به‌علت قابليت سريع كنترل تريستورها و توانايي در پايدار نگه‌داشتن سيستم حين بروز خطاهاي متفاوت مي‌باشد. در اين مقاله به كنترل توان اكتيو انتقالي در محدوده تقريباً 10 مگاواتي به كمك TCSCپرداخته شده است. براي كنترل زاويه آتش TCSC از كنترل‌كننده‌هاي مختلف اعم از كنترل‌كننده PID، فازي و ANFIS استفاده شده و با توجه به نتايج حاصل از شبيه‌سازي، مزايا و معايب هر يك از اين كنترل‌كننده‌ها بررسي شده است. كنترل‌كننده ANFIS نيز به‌صورت حلقه‌باز پياده‌سازي شده و داراي پاسخ گذراي بسيار مناسبي است. عيب اين نوع پياده‌سازي خطاي حالت ماندگار آن بوده و نسبت به تغيير پارامترها نيز بسيار حساس مي‌باشد. لذا براي رفع اين مشكلات مي‌توان آن را با كنترل‌كننده فازي طراحي‌شده تركيب كرد و در عين سادگي، عملكرد بسيار مناسبي از مجموعه به‌دست آورد. پرونده مقاله -
دسترسی آزاد مقاله
6 - پنهان‌شكني در تصاوير با استفاده از ماتريس هم‌رخدادي و شبكه عصبي
صدیقه قنبری نجمه قنبری منیژه کشتگری سیدحسن نبوی کریزیپنهاننگاری یا استگانوگرافی هنر برقراری ارتباط پنهانی است و هدف آن پنهان‌کردن ارتباط به‌وسیله قراردادن پیام در یک رسانه پوششی می‌باشد و پنهان‌شکنی هنر کشف حضور اطلاعات پنهان است. ماتريس هم‌رخدادي تصاوير (GLCM) ماتريسي است كه در بردارنده اطلاعاتي در رابطه با ارتباط بين م چکیده کاملپنهاننگاری یا استگانوگرافی هنر برقراری ارتباط پنهانی است و هدف آن پنهان‌کردن ارتباط به‌وسیله قراردادن پیام در یک رسانه پوششی می‌باشد و پنهان‌شکنی هنر کشف حضور اطلاعات پنهان است. ماتريس هم‌رخدادي تصاوير (GLCM) ماتريسي است كه در بردارنده اطلاعاتي در رابطه با ارتباط بين مقادير پيكسل‌هاي مجاور در يك تصوير مي‌باشد. در اين تحقیق به كمك بررسي و تحليل ماتريس هم‌رخدادي در تصاوير پوشانه (تصويري كه حامل اطلاعات نباشد) و گنجانه (تصويري كه حامل اطلاعات باشد)، الگوریتمی ارائه می‌گردد تا بتوان تصاویر گنجانه را تشخیص داد. در الگوریتم پیشنهادی ابتدا با استفاده از روش LSB اطلاعات در تصویر مورد نظر پنهان می‌شود، سپس به استخراج ویژگی‌هایی از ماتريس GLCM تصویر پوشانه و گنجانه می‌پردازیم که در این دو تصویر متفاوت باشند. ویژگی‌های استخراج‌شده برای آموزش شبکه عصبی مورد استفاده قرار می‌گیرد. این الگوریتم بر روی تصاویر پایگاه داده‌هاي استاندارد تست گردیده و موفقیت آن 83% می‌باشد. پرونده مقاله