مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745233202616Optimal Data Transmission in Internet of Things based on Wireless Sensor Networks by Combining Linear Programming and Minimum Spanning Treeانتقال داده بهینه در شبکه های اینترنت اشیا مبتنی بر حسگر بی سیم با تلفیق برنامه ریزی خطی و درخت انتشار کمینه147165fa محسن حیدریاندانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ایران، ساغرقربانیدانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ایران، 2023910In Mobile Internet of Things (MIoT) or Wireless Sensor Network (WSN) networks, which can be fog-based, there are challenges such as energy consumption management, Quality of Service (QoS) improvement, and reliability, which have attracted a lot of research. have given. Limited resources and dynamic topology in these networks have made these challenges more complicated. In the Internet of Things network, wireless sensors use a battery with a limited capacity to supply their energy, so operations such as data collection and routing that cause energy consumption need to be optimized. In order to manage these challenges, the principles of green network design and optimization methods can be used to help increase the life of the network, optimize energy consumption, and increase network efficiency. In this article, linear optimization methods and graph theory-based algorithms are used, and a new routing algorithm is presented that can improve optimal energy consumption, QoS, network lifetime, and efficiency. Mathematical modeling and simulation of the new method show that this algorithm, compared to existing methods, can pass more data through the network by taking shorter routes and use the network resources optimallyدر شبکه های اینترنت اشیاء موبایل (MIoT) مبتنی بر مه، مدیریت مصرف انرژی تحقیقات فراوانی را به خود اختصاص داده است. در شبکه اینترنت اشیاء حسگرهای بی سیم برای تامین انرژی خود از باطری با ظرفیت محدود استفاده میکنند لذا عملیاتی مثل جمعآوری داده ها و مسیریابی که باعث مصرف انرژی می شود نیاز به بهینه سازی دارد. جهت مدیریت این چالش ها می توان از اصول طراحی شبکه های سبز و روشهای بهینه سازی استفاده کرد و به افزایش طول عمر شبکه، بهینه سازی مصرف انرژی و افزایش کارایی شبکه کمک کرد. در این مقاله از روشهای بهینه سازی خطی و الگوریتم های مبتنی بر نظریه گراف استفاده میشود و یک الگوریتم مسیریابی جدید با عنوان الگوریتم مسیریابی انرژی- آگاه  QoS بهینه (OQEAR) ارائه میشود که می تواند مصرف بهینه انرژی، کیفیت خدمات دهی، طول عمر شبکه و کارایی را بهبود ببخشد. مدل سازی ریاضی و شبیهس ازی روش جدید نشان میدهد که این الگوریتم در مقایسه با روش های موجود می تواند داده های بیشتری را با طی کردن مسیرهای کوتاه تر از شبکه عبور دهد و به نحو مطلوبی منابع شبکه را به کار بگیرد.

http://ijece.org/en/Article/Download/43973

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745233202616Optimization and Prediction of Users' favorite Programs Using Collaborative Filtering Approach and Cuckoo Algorithmبهینه سازی و پیش بینی برنامه های موردعلاقه کاربران با استفاده از رویکرد فیلترینگ مشارکتی و الگوریتم فاخته209216fa رضا مولایی فردگروه مهندسی کامپیوتر، دانشکده کامپیوتر و فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهرانجوادمحمدزادهگروه مهندسی کامپیوتر، دانشکده هوش مصنوعی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایرانپیامیاراحمدیگروه مهندسی کامپیوتر، دانشگاه ملی تاراس شوچنکو کیف، کیف، اوکراین20241116This research presents a method to improve mobile application recommendation systems using collaborative filtering and the cuckoo meta-heuristic algorithm. The SW-DBSCAN algorithm was used for data clustering. This algorithm was able to achieve an efficiency of 99% in the clustering section, which was better than other similar algorithms. Also, the cuckoo algorithm was used to optimize the data, which achieved a performance of 98% and achieved better performance than the firefly, gray wolf, and particle optimization algorithms. For the prediction part, a neural network algorithm was used, which was also able to achieve acceptable performance compared to other similar algorithms. Ultimately, this information is provided to the user using a recommender system based on collaborative filtering. One of the problems that recommender systems face is the problem of having the same meaning. The problem of having the same meaning occurs when an item is represented by two or more names, names that have the same meaning. In such cases, the recommender system cannot distinguish whether these names represent different items or all refer to the same item, which is what this method attempts to solve. Also, according to research, using this recommended method can correctly identify user needs up to 94% of the time and offer appropriate suggestions to the user. در این تحقیق به ارائه روشی به منظور بهبود سیستم&zwnj;های توصیه&zwnj;گر برنامه موبایل با استفاده از فیلترینگ مشارکتی و الگوریتم فراابتکاری فاخته پرداخته می&zwnj;شود که برای خوشه&zwnj;بندی داده&zwnj;ها از الگوریتم SW-DBSCAN استفاده شده که این الگوریتم توانست میزان کارایی ۹۹% را در بخش خوشه&zwnj;بندی به دست آورد که از سایر الگوریتم&zwnj;های مشابه توانست عملکرد بهتری را به دست آورد. همچنین برای بهینه&zwnj;سازی داده&zwnj;ها از الگوریتم فاخته استفاده شده که این الگوریتم توانست عملکرد ۹۸% را به دست آورد و نسبت به الگوریتم&zwnj;های کرم شب&zwnj;تاب، گرگ خاکستری و بهینه&zwnj;سازی ذرات عملکرد بهتری را به دست آورد. برای قسمت پیش&zwnj;بینی نیز از الگوریتم شبکه&zwnj;های عصبی استفاده شده که در این بخش نیز توانست عملکرد قابل قبولی نسبت به سایر الگوریتم&zwnj;های مشابه به دست آورد که در نهایت با استفاده از سیستم توصیه&zwnj;گر مبتنی بر فیلترینگ مشارکتی این اطلاعات در اختیار کاربر قرار می&zwnj;گیرد. یکی از مشکلاتی که سیستم&zwnj;های توصیه&zwnj;گر با آن مواجه هستند، مشکل داشتن معنای یکسان است. مشکل داشتن معنای یکسان وقتی رخ می&zwnj;دهد که یک آیتم با دو یا چند نام نشان داده شود؛ نام&zwnj;هایی که معنای مشابهی دارند. در چنین مواردی، سیستم توصیه&zwnj;گر نمی&zwnj;تواند تشخیص دهد که این نام&zwnj;ها نشان&zwnj;دهنده اقلام متفاوتی هستند یا همگی به یک آیتم یکسان اشاره دارند که در این روش سعی به برطرف&zwnj;کردن آن شد. همچنین طبق تحقیقات صورت&zwnj;گرفته، استفاده از این روش پیشنهادی تا ۹۴% می&zwnj;تواند نیازهای کاربر را به&zwnj;درستی تشخیص داده و پیشنهادهای مناسبی را به کاربر پیشنهاد دهد.

http://ijece.org/en/Article/Download/48615

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745233202616Error Reduction in Cryptocurrency Time Series Forecasting through Bidirectional LSTM and GRU Deep Neural Networksکاهش درصد خطای پیش‌بینی سری‌های‌ زمانی قیمت رمزارزها با استفاده از دوسویه‌سازی شبکه‌های عصبی یادگیری عمیق166178faفتانهکاظم زادهدانشگاه بین المللی امام رضا (ع)مسعودهوشمند کفاشیانشرکت مخابرات، مشهدمنیرههوشمنددانشگاه بین المللی امام رضا (ع)2025327 Time series forecasting in engineering, telecommunications, and finance is of great importance. Financial time series, which are often multivariate, require precise and optimized algorithms. In recent research, deep neural networks have demonstrated successful results in improving the accuracy of financial time series forecasting. This study investigates the use of LSTM and GRU networks in predicting cryptocurrency prices and examines the bidirectional implementation of these networks, with an emphasis on optimal hyperparameter selection to reduce prediction error and enhance accuracy through Grid Search, RandomizedSearchCV, and Bayesian methods. Simulation results indicate that employing bidirectional LSTM and BiGRU networks reduced the prediction error rate for BTC by up to 3.22%, for ETH by 3.94%, and for LTC by 3.99%.پیش&zwnj;بینی سری&zwnj;های زمانی در حوزه&zwnj;های مهندسی، مخابرات و امور مالی از اهمیت بالایی برخوردار است. سری&zwnj;های زمانی مالی، که اغلب چند متغیره هستند، نیاز به الگوریتم&zwnj;های دقیق&zwnj; و بهینه&zwnj; دارند. در پژوهش&zwnj;های سال&zwnj;های اخیر، شبکه&zwnj;های عصبی عمیق در بهبود دقت پیش&zwnj;بینی سری&zwnj;های زمانی مالی نتایج موفقی نشان داده&zwnj;اند. این پژوهش به بررسی استفاده از شبکه&zwnj;های LSTM و GRU در پیش&zwnj;بینی قیمت رمزارزها پرداخته و رویکرد دوسویه&zwnj;سازی این شبکه&zwnj;ها  را با تاکید به  انتخاب بهینه هایپرپارامترها به منظور کاهش خطای پیش&zwnj;بینی و افزایش دقت با استفاده از روشهای جستجوی شبکهای، جستجوی اتفاقیCV و بیزین مورد مطالعه قرار می&zwnj;دهد. نتایج شبیه&zwnj;سازی نشان می&zwnj;دهند که استفاده از شبکه&zwnj;های دو سویه LSTM و شبکه دوسویه BiGRU کاهش درصد خطا را برای رمزارز BTC تا 22/3% ، برای ETH تا   94/3% ، و برای LTC تا 99/3%  به همراه داشته است.

http://ijece.org/en/Article/Download/49818

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745233202616Deep Long-Term Feature Extraction for Video Classificationاستخراج ویژگی‌های عمیق بلندمدت برای طبقه‌بندی ویدیو191199fa عباس همدونی اصلیموسسه آموزش عالی جهاد دانشگاهی همدان، همدان، ایرانشیماجاویدانیموسسه آموزش عالی جهاد دانشگاهی همدان، همدان، ایرانعلیجاویدانیگروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران202577This paper presents a novel approach for recognizing ongoing actions from segmented videos, with the main focus on extracting long-term features for effective classification. First, optical-flow images between consecutive frames are computed and described by a pretrained convolutional neural network. To reduce feature-space complexity and simplify training of the temporal model, PCA is applied to the optical-flow descriptors. Next, a lightweight channel-attention module is applied to the low-dimensional PCA features at each time step to enhance informative components and suppress weak ones. The descriptors of each video are then aligned and followed over time, forming a multi-channel 1D time series from which long-term patterns are learned using a two-layer stacked LSTM. After the LSTM, a temporal-attention module performs time-aware aggregation by weighting informative time steps to produce a coherent context vector for classification. Experiments show that combining PCA with channel and temporal attention improves accuracy on the public UCF11 and jHMDB datasets while keeping the model lightweight and outperforming reference methods. The code is available at: https://github.com/alijavidani/Video_Classification_LSTMدر اين مقاله، رويکردي نوين براي شناسايي کنش هاي در حال انجام از ويديوهاي بخش¬بندي¬شده ارائه مي¬شود. تمرکز اصلي بر استخراج ويژگي¬هاي بلندمدت از ويديوها به منظور طبقه¬بندي موثر آنها است. بدين منظور، ابتدا تصاوير جريان نوري ميان فريم¬هاي متوالي محاسبه و با يک شبکه عصبي کانولوشني از پيش آموزش¬ديده توصيف مي¬شوند. براي کاهش پيچيدگي فضاي ويژگي و ساده¬سازي يادگيري مدل زماني، کاهش بعد PCA بر روي بردارهاي توصيفي جريان نوري اعمال مي¬گردد. سپس به منظور پالايش ورودي، يک ماژول توجه کانالي سبک وزن بر بردارهاي کم بعد حاصل از PCA در هر گام زماني اعمال مي¬شود تا مولفه¬هاي اطلاعاتي تقويت و مولفه¬هاي کم اثر تضعيف شوند. در ادامه، توصيفگرهاي هر ويديو هم¬راستا شده و در راستاي زمان دنبال مي¬شوند و استخراج ويژگي¬هاي بلندمدت با آموزش يک شبکه LSTM دو لايه پشته&zwnj;اي انجام مي&zwnj;پذيرد. پس از LSTM، يک ماژول توجه زماني به عنوان تجميع آگاه به زمان به کار گرفته مي&zwnj;شود تا با وزن دهي داده محور به گام&zwnj;هاي زماني، لحظات اطلاع¬رسان را برجسته کرده و يک بردار منسجم براي طبقه&zwnj;بندي بسازد. نتايج تجربي نشان مي¬دهد که ترکيب PCA به همراه توجه کانالي و توجه زماني ضمن حفظ سبک وزني مدل، دقت طبقه¬بندي را در هر دو مجموعه داده عمومي 11UCF  و jHMDB بهبود مي¬بخشد و عملکرد بهتري نسبت به روش¬هاي مرجع ارائه مي&zwnj;کند. کد مورد استفاده در این مقاله، به صورت دسترسی باز قابل در دسترس¬است.

http://ijece.org/en/Article/Download/50755

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745233202616Modeling Optimal Tile Size for Enhancing Data Reuse in Convolutional Neural Networksمدل سازی اندازه کاشی بهینه برای افزایش استفاده مجدد از داده ها در شبکه های عصبی کانولوشنی 200208fa سوفیا صیدیدانشكده مهندسي برق و كامپيوتر، دانشگاه تهران، تهران، ایران، مصطفیارسالی صالحی نسبدانشكده مهندسي برق و كامپيوتر، دانشگاه تهران، تهران، ایران، 20241125Artificial neural networks are a class of computational models inspired by the structure and functionality of biological neural networks in the human brain. Convolutional Neural Networks (CNNs), as a prominent type of these models, are widely applied in various domains such as image classification, object detection, natural language processing, and healthcare. As CNN architectures grow in size, the number of parameters and the volume of data movement increase, leading to higher dependence on off-chip memory, which in turn significantly raises energy consumption. A primary strategy for reducing both energy usage and off-chip memory accesses is to maximize data reuse at every level of the memory hierarchy. Data reuse can be exploited at three levels: (1) data flow and processing elements, (2) loop and computation scheduling, and (3) inter-layer and network-level operations. Tiling is one of the key techniques for improving data reuse at the scheduling level. In this work, we present a precise mathematical formulation for modeling the number of data reuses. We then formulate an optimization problem to determine the optimal parameters for maximizing data reuse for each network configuration. Furthermore, we investigate the relationship between network structural parameters, such as kernel size and stride, and the optimal tile size. Our analysis shows that, in 70% of the network layers examined, the optimal tile size is smaller than four times the kernel size.شبکههای عصبی مصنوعی نوعی از مدلهای محاسباتی هستند که نحوه عملکرد آنها، از شبکههای عصبی بیولوژیکی در مغز انسان، الهام گرفته شده است. شبکههای عصبی کانولوشنی، نمونهای از این شبکهها هستند که در کاربردهایی مانند کلاسهبندی تصویر، تشخیص اشیا، پردازش زبان طبیعی و بهداشت و درمان استفاده میشود.  با بزرگتر شدن شبکه عصبی، تعداد پارامترها و حرکت داده بیشتر شده و نیاز به حافظه خارجی نیز، بیشتر میشود که همین امر باعث افزایش انرژی مصرفی میشود. یکی از راهکارهای اصلی برای کاهش انرژی مصرفی و مراجعات به حافظه خارجی، استفاده حداکثری از داده در هر یک از سطوح حافظه است. استفاده مجدد از داده میتواند در سه سطح که در ادامه بیان شده است، انجام شود. 1- سطح مسیرداده و واحدهای پردازشی 2- سطح حلقه و زمانبندهای محاسباتی 3- سطح بین لایهای و شبکه. کاشیبندی یکی از تکنیکهایی است که برای استفاده مجدد داده در سطح زمانبندها استفاده میشود. در این مقاله تعداد استفاده مجدد از دادهها را، به صورت یک فرمول ریاضی دقیق مدل می کنیم. سپس در قالب یک مساله بهینهسازی، پارامترهای بهینه را باهدف بیشترین استفاده مجدد از داده، برای هر پیکربندی از شبکه، به دست می آوریم. همچنین رابطه بین پارامترهای ساختاری شبکه مانند اندازه کرنل و گام را با اندازه کاشی بررسی می کنیم که باتوجه به بررسی انجام شده، اندازه کاشی بهینه در 70% لایههای شبکه، از 4 برابر اندازه کرنل، کوچکتر است.

http://ijece.org/en/Article/Download/48678

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745233202616Breast Cancer Detection Using a Dataset Balancing Approachتشخیص سرطان سینه با رویکرد متوازن‌سازی مجموعه داده‌ها179190fa زینب عباسیدانشكده مهندسی، مرکز آموزش عالی محلات، محلات، ایران2025316Imbalanced datasets are one of the major challenges in the automatic diagnosis of diseases. The imbalance in data classes leads to failures in diagnosis, which can be particularly dangerous for diseases such as breast cancer. In this study, a modified version of the ReliefF algorithm, which is a feature selection algorithm, is proposed. The modifications have been made to select and balance instances effectively. The proposed algorithm balances the number of instances in breast cancer datasets to improve diagnosis. In this algorithm, instances are weighted and ranked. After ranking them, the dataset is balanced using the proposed oversampling method based on the instance weights. This algorithm has been applied to two breast cancer datasets: Wisconsin Breast Cancer Dataset (WBCD) and Wisconsin Diagnostic Breast Cancer Dataset (WDBCD). The balanced dataset was then classified using various classification algorithms. The classification results show that performance evaluation metrics have improved compared to the classification of the original data. The best results obtained in  WBCD dataset are Accuracy = 98.04%, G-Mean = 98.00% and in WDBCD dataset are Accuracy = 98.31%, G-Mean = 98.35%. The obtained results indicate the effectiveness of the proposed algorithm in breast cancer diagnosis.یکی از چالش&zwnj;های بزرگ در تشخیص خودکار بیماری&zwnj;ها، وجود مجموعه داده&zwnj;های نامتوازن است. عدم توازن در کلاس&zwnj;های داده، باعث شکست در تشخیص صحیح بیماری توسط سیستم&zwnj;های تشخیصی می&zwnj;شود. این پژوهش الگوریتم جدیدی برای انتخاب و متوازن سازی نمونه&zwnj;ها پیشنهاد داده که بر پایه الگوریتم ReliefF، یک الگوریتم انتخاب ویژگی، است. در الگوریتم پیشنهادی، ابتدا نمونه&zwnj;ها بر اساس شاخص مشابهت با نمونه&zwnj;های همکلاسی و کلاس مخالف، وزن&zwnj;دهی می&zwnj;شوند. پس از رتبه&zwnj;بندی نمونه&zwnj;ها بر اساس وزن&zwnj; آن&zwnj;ها، مجموعه داده&zwnj; با استفاده از روش نمونه&zwnj;برداری فزایندهمتوازن می&zwnj;شود. الگوریتم ارائه شده توانایی کار با مجموعه داده&zwnj;های چند کلاسه و انواع دادههای رشته&zwnj;ای و عددی و وجود مقادیر مفقود را دارد. علاوه بر این، به دلیل امکان انجام محاسبات به طور موازی برای هر نمونه، سربار محاسباتی کمتری نسبت به سایر الگوریتم&zwnj;های متوازن&zwnj;سازی  دارد. این الگوریتم &zwnj;می&zwnj;تواند داده&zwnj;ها را به طور کامل متوازن کرده و نمونه&zwnj;های با اهمیت را تکثیر کند. الگوریتم پیشنهادی روی سه مجموعه سرطان سینه ویسکانسین (WBCD)، مجموعه تشخیصی سرطان سینه ویسکانسین (WDBCD) و مجموعه سرطان سینه SEER اجرا شده است و سپس مجموعه&zwnj;های متوازن شده با الگوریتمهای مختلف طبقه&zwnj;بندی شدند. نتایج طبقه&zwnj;بندی نشاندهنده کارایی روش پیشنهادی و افزایش صحت تشخیص بیماری هستند.

http://ijece.org/en/Article/Download/49704