مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745221202477A New Hybrid Method Based on Intelligent Algorithms for Intrusion Detection in SDN-IoTروش ترکیبی جدیدی مبتنی بر الگوریتم¬های هوشمند جهت تشخیص نفوذ در SDN-IoT111faذکریارئیسیدانشکده مهندسی کامپیوتر، دانشگاه یزد، ایرانفضلاللهادیبنیادانشکده مهندسی کامپیوتر، دانشگاه یزد، ایران0000000333667939مهدییزدیان دهکردیدانشکده مهندسی کامپیوتر، دانشگاه یزد، ایران2023126In recent years, the use of Internet of Things in societies has grown widely. On the other hand, a new technology called Software Defined Networks has been proposed to solve the challenges of the Internet of Things. The security problems in these Software Defined Networks and the Internet of Things have made SDN-IoT security one of the most important concerns. On the other hand, the use of intelligent algorithms has been an opportunity that these algorithms have been able to make significant progress in various cases such as image processing and disease diagnosis. Of course, intrusion detection systems for SDN-IoT environment still face the problem of high false alarm rate and low accuracy.
In this article, a new hybrid method based on intelligent algorithms is proposed. The proposed method integrates the monitoring algorithms of frequent return gate and unsupervised k-means classifier in order to obtain suitable results in the field of intrusion detection. The simulation results show that the proposed method, by using the advantages of each of the integrated algorithms and covering each other's disadvantages, has more accuracy and a lower false alarm rate than other methods such as the Hamza method. Also, the proposed method has been able to reduce the false alarm rate to 1.1% and maintain the accuracy at around 99%.در سالهای اخیر، کاربرد اینترنت اشیا در جوامع بهطور گستردهای رشد یافته و از طرفی، فناوري جدیدي به نام شبکههاي نرمافزارمحور جهت حل چالشهاي اینترنت اشیا پیشنهاد شده است. چالشهای موجود در این شبکههای نرمافزارمحور و اینترنت اشیا موجب گردیده که امنیت SDN-IoT به یکی از نگرانیهای مهم این شبکهها تبدیل شود. از طرف دیگر، الگوریتمهاي هوشمند فرصتی بوده که بهکارگیری آنها در موارد متعددی از جمله امنیت و تشخیص نفوذ، موجب پیشرفت چشمگیري شده است. البته سیستمهای تشخیص نفوذ جهت محیط SDN-IoT، همچنان با چالش نرخ هشدار غلط بالا مواجه هستند. در این مقاله یک روش ترکیبی جدید مبتنی بر الگوریتمهای هوشمند پیشنهاد شده که جهت دسترسی به نتایج خوبی در زمینه تشخیص نفوذ، الگوریتمهای نظارتی دروازه بازگشتی مکرر و طبقهبند غیرنظارتی -k میانگین را ادغام میکند. نتایج شبیهسازی نشان میدهند که روش پیشنهادی با بهرهگیری مزایای هر کدام از الگوریتمهای ادغامشده و پوشش معایب یکدیگر، نسبت به روشهاي دیگر مانند روش Hamza داراي دقت بیشتری و بالاخص نرخ هشدار غلط کمتري است. همچنین روش پیشنهادی توانسته نرخ هشدار غلط را به 1/1% کاهش داده و دقت را در حدود 99% حفظ کند.http://ijece.org/en/Article/Download/40928مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745221202477Providing a Face Recognition System with an Optimal Selection of Features Based on the Cuckoo Optimization Algorithmارائه یک سیستم تشخیص چهره با انتخاب بهینهی ویژگیها مبتنی بر الگوریتم بهینهسازی فاخته1220fa فرنازحسینیگروه مهندسی کامپیوتر، دانشگاه فنی و حرفهای، ایرانhttps://orcid.org/000000018066068Xحامدسپهرزادهگروه مهندسی کامپیوتر، دانشگاه فنی و حرفهای، ایران00000002968827512022915Face recognition is a pattern recognition process that is specifically performed on faces. Face recognition has many applications in identifying credit cards, security systems, and other cases. Creating a face recognition system with high accuracy is a big challenge that has been the focus of various researchers in recent years. The feature extraction process and classification are two important issues in diagnosis systems that can play a significant role in increasing the accuracy of diagnosis. Considering this issue, in this study, taking into account the combined features and optimizing the cuckoo algorithm, a method to improve the accuracy of face recognition is proposed. In the presented method, seven features are extracted from the images in the database, and then by obtaining the feature vector, the steps related to feature selection are performed using the cuckoo algorithm. The proposed method has been implemented with MATLAB software and compared with other methods. The evaluation results show that the proposed method was able to perform the detection on the images of ORL and FDBB databases with 93.00% and 95.12% accuracy, respectively. The result obtained for this evaluation criterion has a higher value than other compared methods.تشخیص چهره، یک عمل تشخیص الگوست که بهطور خاص بر روی چهرهها انجام میشود و کاربردهای فراوانی در شناسایی کارتهای اعتباری، سیستمهای امنیتی و موارد دیگر دارد. ایجاد یک سیستم تشخیص چهره با دقت بالا، یک چالش بزرگ میباشد که در سالهای اخیر مورد توجه محققان مختلفی قرار گرفته است. فرایند استخراج ویژگی و طبقهبندی، دو مسئله مهم در سیستمهای تشخیص هستند که میتوانند در افزایش دقت تشخیص نقش بسزایی را ایفا کنند. با توجه به این موضوع در این مطالعه با درنظرگرفتن ویژگیهای ترکیبی و بهینهسازی الگوریتم فاخته، روشی برای بهبود میزان دقت در تشخیص چهره پیشنهاد شده است. در روش ارائهشده، هفت ویژگی از روی تصاویر موجود در پایگاه داده استخراج شده، سپس با بهدستآوردن بردار ویژگیِ مطلوب، مراحل مربوط به انتخاب ویژگی با استفاده از الگوریتم فاخته انجام میشود. روش پیشنهادی با نرمافزار Matlab پیادهسازی گردیده و با روشهای دیگر مورد مقایسه قرار گرفته است. نتایج مربوط به ارزیابی نشان میدهند که روش پیشنهادی توانسته عمل تشخیص بر روی تصاویر دو بانک داده ORL و FDBB را بهترتیب با دقت 00/93% و %12/95% انجام دهد. نتیجه بهدستآمده برای این معیار ارزیابی نسبت به سایر روشهای مقایسهشده از مقدار بالاتری برخوردار است.http://ijece.org/en/Article/Download/39347مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745221202477Ranking Improvement Using BERTبهبود رتبهبندی با استفاده از BERT2129fa شکوفه بستاندانشكده مهندسی كامپيوتر، دانشگاه یزد، ایرانعلی محمدزارع بیدکیدانشكده مهندسی كامپيوتر، دانشگاه یزد، ایرانمحمدرضاپژوهاندانشكده مهندسی كامپيوتر، دانشگاه یزد، ایران202372In today's information age, efficient document ranking plays a crucial role in information retrieval systems. This article proposes a new approach to document ranking using embedding models, with a focus on the BERT language model to improve ranking results. The proposed approach uses vocabulary embedding methods to represent the semantic representations of user queries and document content. By converting textual data into semantic vectors, the relationships and similarities between queries and documents are evaluated under the proposed ranking relationships with lower cost. The proposed ranking relationships consider various factors to improve accuracy, including vocabulary embedding vectors, keyword location, and the impact of valuable words on ranking based on semantic vectors. Comparative experiments and analyses were conducted to evaluate the effectiveness of the proposed relationships. The empirical results demonstrate the effectiveness of the proposed approach in achieving higher accuracy compared to common ranking methods. These results indicate that the use of embedding models and their combination in proposed ranking relationships significantly improves ranking accuracy up to 0.87 in the best case. This study helps improve document ranking and demonstrates the potential of the BERT embedding model in improving ranking performance.رتبهبندی کارآمد اسناد در عصر اطلاعات امروز، نقش مهمی در سیستمهای بازیابی اطلاعات ایفا میکند. این مقاله یک رویکرد جدید برای رتبهبندی اسناد با استفاده از مدلهای درونسازی با تمرکز بر مدل زبانی BERT برای بهبود نتایج رتبهبندی ارائه میکند. رویکرد پیشنهادی از روشهای درونسازی واژگان برای بهتصویرکشیدن نمایشهای معنایی پرسوجوهای کاربر و محتوای سند استفاده میکند. با تبدیل دادههای متنی به بردارهای معنایی، ارتباط و شباهت بین پرسوجوها و اسناد تحت روابط رتبهبندی پیشنهادی با هزینه کمتر مورد ارزیابی قرار میگیرد. روابط رتبهبندی پیشنهادی عوامل مختلفی را برای بهبود دقت در نظر میگیرند که این عوامل شامل بردارهای درونسازی واژگان، مکان واژگان کلیدی و تأثیر واژگان باارزش در رتبهبندی بر مبنای بردارهای معنایی است. آزمایشها و تحلیلهای مقایسهای برای ارزیابی اثربخشی روابط پیشنهادی اعمال گردیده است. نتایج تجربی، اثربخشی رویکرد پیشنهادی را با دستیابی به دقت بالاتر در مقایسه با روشهای رتبهبندی رایج نشان میدهند. این نتایج بیانگر آن مسئله است که استفاده از مدلهای درونسازی و ترکیب آن در روابط رتبهبندی پیشنهادی بهطور قابل توجهی دقت رتبهبندی را تا 87/0 در بهترین حالت بهبود میبخشد. این بررسی به بهبود رتبهبندی اسناد کمک میکند و پتانسیل مدل درونسازی BERT را در بهبود عملکرد رتبهبندی نشان میدهد.http://ijece.org/en/Article/Download/43081مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745221202477On the Behavior of Pre-trained Word Embedding Variants in Deep Headline Generation from Persian Textsکاربست انواع جانمایی کلمات پیشآموزشدادهشده در مدلهای یادگیری عمیق برای تولید عنوان از متون فارسی3038faمحمد ابراهیمشناسادانشکده برق و کامپیوتر، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، ایرانبهروزمینایی بیدگلیدانشكده مهندسي كامپيوتر، دانشگاه علم و صنعت، ايران2022817Inspired by sequence-to-sequence models for machine translation, deep-learning based summarization methods were presented. The summaries generated this way, are structurally more readable and usually convey the complete meaning to the reader.
In these methods, embedding vectors are used for semantic representation, in which the weight of each word vector is learned according to its neighboring words from a large corpus. In static word embedding, the weight of the vectors is obtained by choosing a proximity window for each word. But in contextual ones like BERT, multilayer transformers are applied to calculate the weight of these vectors, which pay attention to all the words in the text. So far, several papers have shown that contextual word embedding are more successful than the other ones due to the ability of fine-tuning the weights to perform a specific natural language processing task. However, the performance of the initial weights of these vectors is not investigated for headline generation from Persian texts.
In this paper, we will investigate the behavior of pre-trained word embedding variants without fine-tuning in deep headline generation from Persian texts. To train the headline generation model, "Elam Net" is used, which is a Persian corpus containing about 350 thousand pairs of abstracts and titles of scientific papers. The results show that the use of BERT model, even without fine-tuning its weights, is effective in improving the quality of generated Persian headlines, bringing the ROUGE-1 metric to 42%, which is better than the other pre-trained ones.
با پیدایش روشهای یادگیری عمیق، مدلهای دنباله به دنباله با هدف ترجمه ماشینی یک جمله مبدأ به یک جمله مقصد ارائه شدند و از همین ایده برای ترجمه یا تبدیل یک متن به شکل خلاصهشده آن استفاده گردیده است. خلاصههایی که به این روش تولید میشوند از نظر ساختاری خواناتر بوده و معمولاً معنای کاملی را به خواننده منتقل میکنند. در چنین ساختارهایی برای بازنمایی معنایی واژهها از بردارهای جانمایی کلمات استفاده میشود که در آن، وزن هر کلمه با توجه به کلمات مجاور آن از یک پیکره بزرگ آموزش داده میشود. در حالت کلی وزن این بردارها با انتخاب یک پنجره مجاورت برای هر کلمه بهدست میآید؛ اما در مدلهای زبانی بافتاری مانند برت برای محاسبه وزن این کلمات از مبدلهای چندلایه استفاده میشود که به تمامی کلمات موجود در متن توجه میکنند. تاکنون مقالات متعددی نشان دادهاند که مدلهای زبانی بافتاری بهدلیل قابلیت ریزتنظیم وزنها برای انجام یک وظیفه پردازش زبان طبیعی خاص، موفقتر از سایر روشهای جانمایی کلمات عمل میکنند؛ اما بررسی عملکرد وزن اولیه این مدلها برای کاربست در تولید عنوان در زبان فارسی مورد توجه قرار نگرفته است.
در این مقاله به بررسی رفتار جانمایی کلمات بهصورت پیشآموزشدادهشده و بدون ریزتنظیم آنها در تولید عنوان از متون فارسی میپردازیم. برای یادگیری مدل از «علمنت» که یک پیکره فارسی شامل حدود 350 هزار جفت چکیده و عنوان مقالات علمی میباشد، استفاده شده است. نتایج نشان میدهند استفاده از مدل برت حتی بدون ریزتنظیم وزنهای آن در بهبود کیفیت عناوین فارسی تولیدشده تأثیرگذار بوده و معیار 1-ROUGE را در فارسی به 42% میرساند که بهتر از سایر مدلهای جانمایی است.
http://ijece.org/en/Article/Download/38931مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745221202477Emotion Recognition Based on EEG Signals Using Deep Learning Based on Bi-Directional Long Short-Term Memory and Attention Mechanismتشخیص احساسات مبتنی بر سیگنالهای EEG به کمک یادگیری عمیق مبتنی بر حافظه کوتاهمدت ماندگار دوجهته و مکانیسم توجه3946fa سیدعابد حسینیگروه مهندسی برق، دانشگاه آزاد اسلامی واحد مشهد، ایرانمحبوبههوشمندگروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد، ایران20221217This research deals with the recognition of emotions from EEG signals using deep learning based on bi-directional long short-term memory (LSTM) and attention mechanism. In this study, two SEED and DEAP databases are utilized for the emotion recognition. The SEED database includes EEG signals in 62 channels from 15 participants in three categories of positive, neutral, and negative emotions. The DEAP dataset includes EEG signals in 32 channels from 32 participants in two categories of valence and arousal. LSTM has shown its efficiency in extracting temporal information from long physiological signals. The innovations of this research include the use of a new loss function and Bayesian optimizer to find the initial learning rate. The accuracy of the proposed method for the classification of emotions in the SEED database is 96.72%. The accuracy of the proposed method for classifying emotions into two categories of valence and arousal is 94.9% and 97.1%, respectively. Finally, comparing the obtained results with recent research studies.این پژوهش به تشخیص احساسات از روی سیگنالهای EEG به کمک یادگیری عمیق مبتنی بر حافظه کوتاهمدت ماندگار (LSTM) دوجهته و مکانیسم توجه میپردازد. در این پژوهش از دو پایگاه داده SEED و DEAP برای تشخیص احساس استفاده شده است. داده SEED شامل سیگنالهای EEG در 62 کانال متعلق به 15 شرکتکننده در سه دسته مختلف از احساسات مثبت، خنثی و منفی است. داده DEAP شامل سیگنال EEG در 32 کانال متعلق به 32 شرکتکننده در دو دسته از ظرفیت و برانگیختگی است. LSTM کارایی خود را در استخراج اطلاعات زمانی از سیگنالهای فیزیولوژیکی طولانی نشان داده است. نوآوریهای این پژوهش شامل استفاده از یک تابع تلفات جدید و بهینهساز بیزین برای یافتن نرخ یادگیری اولیه است. صحت روش پیشنهادی برای طبقهبندی احساسات در پایگاه داده SEED 72/96 درصد شده است. صحت روش پیشنهادی برای طبقهبندی احساس در دو دسته ظرفیت و برانگیختگی در پایگاه داده DEAP بهترتیب 9/94 و 1/97 درصد است. نهایتاً مقایسه نتایج بهدستآمده با پژوهشهای اخیر روی دادههای یکسان، نشان از بهبود نسبتاً خوب روش پیشنهادی دارد.http://ijece.org/en/Article/Download/40455مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745221202477Comparison of Faster RCNN and RetinaNet for Car Recognition in Adverse Weatherمقایسه شبکه های عمیق Faster RCNN و RetinaNet جهت تشخیص خودرو در آبوهوای نامساعد4753faیاسرجمشیدیدانشکده فنی مهندسی، دانشگاه علم و فرهنگ، ایرانراضیه سادات اخوتدانشکده فنی مهندسی، دانشگاه علم و فرهنگ، ایران20221025Vehicle detection and tracking plays an important role in self-driving cars and smart transportation systems. Adverse weather conditions, such as the heavy snow, fog, rain, dust, create dangerous limitations by reducing camera visibility and affect the performance of detection algorithms used in traffic management systems and autonomous cars. In this article, Faster RCNN deep object recognition network with ResNet50 core and RetinaNet network is used and the accuracy of these two networks for vehicle recognition in adverse weather is investigated. The used dataset is the DAWN file, which contains real-world images collected with different types of adverse weather conditions. The obtained results show that the presented method has increased the detection accuracy from 0.2% to 75% in the best case, and the highest increase in accuracy is related to rainy conditions.تشخيص وسايل نقليه و رديابی آن، نقش مهمی در اتومبیلهای خودران و سيستمهاي حملونقل هوشمند ايفا میکند. شرايط آبوهوايی نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با کاهش ديد دوربين، محدوديتهاي خطرناکی ايجاد کرده و بر عملکرد الگوريتمهاي تشخيصی استفادهشده در سيستمهاي نظارت بر ترافيک و برنامههاي رانندگی خودکار تأثير میگذارد. در این مقاله از شبکه عمیق تشخیص اشیای Faster RCNN با هسته 50ResNet و شبکه RetinaNet استفاده شده و دقت این دو شبکه جهت تشخیص خودرو در آبوهوای نامساعد مورد بررسی قرار میگیرد. پایگاه داده مورد استفاده، فایل DAWN میباشد که شامل تصاویر دنیای واقعی است و با انواع مختلفی از شرایط آبوهوایی نامطلوب جمعآوری شدهاند. نتایج بهدستآمده نشان میدهند که روش ارائهشده در بهترین حالت، دقت تشخیص را از %2/0 به %75 افزایش داده و بیشترین میزان افزایش دقت نیز مربوط به شرایط بارانی میباشد. تمام پردازشها به زبان پایتون و در گوگل کولب انجام شده است.http://ijece.org/en/Article/Download/39847مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745221202477Adaptive Acoustic Beamforming with Improved Differential Methodشکلدهی وفقی پرتو آکوستیکی با روش بهبودیافته تفاضلی5460faنگارسرشاردانشكده مهندسی برق و كامپيوتر، دانشگاه صنعتی قم، ایرانمهدیبکرانیدانشكده مهندسی برق و كامپيوتر، دانشگاه صنعتی قم، ایران2023313Differential beamformers exhibit effective performance in broadband applications, such as acoustic applications, but they have limited white noise gain. To address this limitation, this paper introduces an adaptive weighting-based algorithm designed to enhance the white noise gain of the differential beamformer by leveraging the minimum variance distortionless response (MVDR) beamforming technique. For this purpose, differential beamforming is implemented in two stages: in the first stage, the spatial difference of observations is obtained, and in the second stage, the beamformer is optimized. Subsequently, by calculating the coefficients and combining the differential and MVDR beamformers, the proposed adaptive beamformer is derived. In this beamformer, to construct the output signal, the contribution of the differential and MVDR methods is dynamically adjusted using an adaptive combination coefficient, which is a function of frequency, microphone inter-distance, target angle, and the number of microphones. The proposed beamformer, considering four microphones spaced 2 cm apart reveals a remarkable enhancement in white noise gain by 35 dB and SNR gain by 18 dB at a frequency of 1 kHz. Additionally, the proposed adaptive algorithm demonstrates a 3.5 dB improvement in directivity factor over its differential counterpart.شکلدهندههای پرتو تفاضلی عملکرد مؤثری در کاربردهای پهنباند نظیر کاربردهای آکوستیکی دارند؛ اما دارای بهره نویز سفید محدودی هستند. در این مقاله بهمنظور بهبود بهره نویز سفید شکلدهنده پرتو تفاضلی، یک الگوریتم شکلدهنده تفاضلی بر مبنای وزندهی وفقی ارائه شده که از روش شکلدهی پرتو پاسخ کمینه واریانس بدون اعوجاج (MVDR) بهره میگیرد. به این منظور، ابتدا شکلدهی پرتو تفاضلی در دو مرحله اجرا شده که در مرحله اول، تفاضل مکانی مشاهدهها بهدست آمده و در مرحله دوم شکلدهنده پرتو بهینه گردید. سپس با محاسبه ضرایب و تلفیق شکلدهندههای پرتو تفاضلی و MVDR، شکلدهنده پرتو وفقی پیشنهادی بهدست آمد. در شکلدهنده پیشنهادی، سهم روش تفاضلی و روش MVDR در ایجاد سیگنال خروجی توسط ضریب تلفیق وفقی که تابع فرکانس، فاصله بین میکروفنها، زاویه هدف و تعداد میکروفنها است، تعیین میگردد. شکلدهنده پرتو پیشنهادی با درنظرگرفتن چهار میکروفن و فاصله دو سانتیمتری بین میکروفنها منجر به بهبود بهره نویز سفید به مقدار 35 دسیبل و بهره SNR به مقدار 18 دسیبل نسبت به شکلدهنده پرتو تفاضلی در فرکانس 1 کیلوهرتز میشود. همچنین فاکتور جهتدهی در الگوریتم وفقی پیشنهادی به میزان 5/3 دسیبل نسبت به شکلدهنده پرتو تفاضلی بهبود پیدا کرده است.http://ijece.org/en/Article/Download/41576