مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745932011921Learning Stable Analysis Patterns for Intelligent Software Agentsالگوهای تحلیل پایای یادگیری در عامل‌های نرم‌افزاری هوشمند119132faشیواوفاداردانشگاه صنعتی امیرکبیراحمدعبداله‌زاده بارفروشدانشگاه صنعتی امیرکبیر20151128Artificial Intelligence (AI) Techniques (such as learning) are used widely in agent-based systems. However, current research does not address a software engineering view on these techniques that support all the software development process. In this paper, we focus on requirement analysis – as the first step of the software development process and present techniques and tools to cover this shortage. In this regard, we provide a set of stable analysis patterns for learning capability of the agents. Stable analysis patterns are a set of meta-classes and their relations to analyze a specific issue in a domain-independent manner. Using stable analysis concepts, namely Enduring Business Themes (EBT), Business Objects (BO) and Industrial Objects (IO), these patterns represent the conceptual model of the learning. In this paper, we also apply these patterns on two case studies to investigate their applicability. These patterns are used as guidelines during analysis of learning. The main advantage of applying the stable analysis patterns in comparison with conventional analysis methods is modeling the knowledge of the learning analysis in addition to the ordinary classes of the domain. In addition, they generate more stable models via considering different levels of abstraction in the analysis.تکنیک‌های 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.الگوی تحلیل الگوی تحلیل پایای نرم‌افزار مهندسی نرم‌افزار مبتنی بر عامل یادگیریhttp://ijece.org/en/Article/Download/28010
مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745932011921Color reduction for Machine-Printed Carpet Pattern by Reinforcement Learningکاهش رنگ در نقشه چاپی فرش به کمک یادگیری تقویت‌شده133142faمنصورفاتحدانشگاه تربیت مدرساحسان‌الهکبیردانشگاه تربیت مدرس0000000256107611مجیدنیلی احمدآبادیدانشگاه تهران20151128Automatic reading of carpet patterns Requires To find the original colors of the pattern in a scanned image. It includes detecting of pattern lines and reducing the number of colors in the image. Color reduction is done in two steps: Finding the best pallet and mapping the image colors to the pallet colors. The accuracy of color reduction is so important that it may be required to ask for user intervention. The purpose of this study is to provide a new method in automatic color reduction with high accuracy. To achieve this target, reinforcement learning method is used which yields a 98% accuracy. This is a new method in color reduction and no one has used it yet. This method is defined with respect to the application and the amount of color reduction is such that does not degrade the accuracy. Therefore, the resulting pallet has more colors comparing to the original one. In the work reported in this article, first the grid lines of the pattern are detected. Then a single color is assigned to each box of the grid. After these steps, through the reinforcement learning method the color reduction is carried out. The results obtained from applying the proposed algorithm on some sample images are reported and discussed.خواندن 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.یادگیری تقویت‌شده پالت رنگ کاهش رنگ نقشه فرشhttp://ijece.org/en/Article/Download/28011
مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745932011921Improvement of GMM Model Using PSK for Spoken Language Recognition Systemsبهبود دقت مدل GMM با استفاده از کرنل PSK در کاربرد تشخيص زبان گفتاري143150faفهیمهقاسمیاندانشگاه صنعتی امیرکبیرمحمدمهدیهمایون‌پوردانشگاه صنعتی امیرکبیر20151128Gaussian Mixture Model (GMM) is a simple and effective method for statistical modeling of the feature space which is widely used in spoken language recognition systems and EM algorithm is used for training the parameters of this model. In this paper, considering the weakness of GMM models, a new model named PAW-GMM is proposed. In this model, the power of each component of GMM in discriminating one language from the others is considered for determining the weights of components. Since PAW-GMM considers the discriminating property of GMM components, it could increase the accuracy of language recognition systems. Also one of the problems of GMM-PSK-SVM which is one of the best GMM models is the high complexity especially for high number of languages. Therefore UBM-PSK-SVM is proposed that has the same accuracy as GMM-PSK-SVM but lower complexity. Experiments on four languages of OGI corpus show the efficiency of the proposed techniques.مدل 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.تشخيص زبان کرنل دنباله‌اي PSK ماشين بردار پشتيبان (SVM) مدل مخلوط گاوسي (GMM)http://ijece.org/en/Article/Download/28012
مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745932011921TiR-UWB Communication System Analysis and Compensation in an Imperfect CSI Scenarioتحليل و افزايش كارايي سيستم‌هاي مخابراتي TiR-UWB در شرايط تخمين‌گر غير ايده‌آل كانال151161faحسينخالقي بيزکيدانشگاه صنعتي مالک اشترسجادعليزادهدانشگاه امام حسين (ع)مجيداخوتدانشگاه امام حسين (ع)20151128Time reversal method has been recently considered with great interest due to its ability of the receiver complexity mitigation in the UWB communication systems. However, the channel imperfection (Imperfect CSI) has the destroyed effects on the time-reversed UWB communication system performance. In this paper, at first the BER equations have been calculated in the TiR-UWB systems with the simple matched filter receiver in an imperfect CSI scenario. Then, a two-stage algorithm is proposed to improve the TiR-UWB in such conditions. First stage of mentioned algorithm provides the pre-filter coefficients derivation based on MMSE criteria via channel estimation error covariance matrix and then, an iterative routine is obtained in second stage via the simple matched filter receiver based on the derived coefficients in first stage. Finally, exhaustive simulations are done to demonstrate the performance advantage attained by the improved algorithm. As an especial case, the TiR-UWB system performance is improved by the proposed algorithm in 3 steps.روش 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.تخمين‌گر MMSE بهينه تکنیک TiR سیستم‌های TiR-UWB فيلتر منطبق سادهhttp://ijece.org/en/Article/Download/28013
مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745932011921Design and Simulation of Fuzzy-ANFIS Controller for Continuous Control of Transmitted Power by TCSCطراحي و شبيه‌سازي كنترل‌كننده ANFIS همراه با كنترل‌كننده فازي به‌منظور كنترل توان اكتيو انتقالي توسط TCSC162168faعباسکارگردانشگاه شهرکردمحسنحسین‌زاده سورشجانیدانشگاه صنعتی مالک اشتر شاهین‌شهر20151128Control of transmitted active power is an important issue in operation and management of power systems especially in congestion or fault conditions. In these situations, Thyristor Controlled Series Capacitor (TCSC) is used to continuous control and increase the transmitted power due to these facts that TCSC can act dynamically and is able to stable the system during fault conditions. In this paper, the transmitted power is controlled in the ten megawatt span by using the TCSC. For this purpose, various controllers such as PID, fuzzy and Adaptive Network-based Fuzzy Interface System (ANFIS) are designed to continuous control of the transmitted power. Simulation results evaluate advantages and disadvantages these controllers. ANFIS controller is designed by open loop method which has a good transient response. However, it has a large steady state error and is very sensitive to the variations in system. Fuzzy and ANFIS controllers are combined to remove these defects. The simulation results verify the advantages of the fuzzy-ANFIS controller with respect to the other designed controllers.كنترل 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.كنترل توان انتقالي كنترل‌كننده فازي TCSC ANFIShttp://ijece.org/en/Article/Download/28014
مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745932011921Stegananalysis Method Based on Co-Occurrence Matrix and Neural Networkپنهان‌شكني در تصاوير با استفاده از ماتريس هم‌رخدادي و شبكه عصبي169174faصدیقهقنبریدانشگاه شيرازنجمهقنبریدانشگاه آزاد اسلامی واحد زاهدانمنیژهکشتگریدانشگاه صنعتي شيرازسیدحسننبوی کریزیآموزشكده فني حرفه‌اي شهيد منتظري مشهد20151128Steganography is the art of hidden writing and secret communication. The goal of steganography is to hide the presence of information in other information. steganalysis is the art and science of detecting messages hidden using steganography. Co-occurrence matrix is the matrix containing information about the relationship between values of adjacent pixel in an image. In this paper, we extract features from Gray Level C0-occurrense Matrix (GLCM) that are difference between cover image (image without hidden information) and stego image (image with hidden information). In the proposed algorithm, first, we use a combined method of steganography based on both location and conversion to hide the information in the image. Then, using GLCM matrix properties, we investigate some difference values in the GLCM of the cover and stego images. We can extract features that were different between cover and stego images. Features are used for training neural network. This algorithm was tested on 800 standard image databases and it can detect 83% of stego images.پنهان‌نگاری 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.پنهان‌شكني پنهان‌نگاري شبکه عصبی ماتریس هم‌رخدادیhttp://ijece.org/en/Article/Download/28015