مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745174202037Feature Selection and Cancer Classification Based on Microarray Data Using Multi-Objective Cuckoo Search Algorithmانتخاب ویژگی و طبقه‌بندی سلول‌های سرطانی بر پایه داده‌های ریزآرایه با استفاده از الگوریتم جستجوی فاخته چندهدفه253266faخدیجهکمریدانشگاه هرمزگانفرزانرشیدیدانشگاه هرمزگانعبداللهخلیلیدانشگاه هرمزگان201872Microarray datasets have an important role in identification and classification of the cancer tissues. In cancer researches, having a few samples of microarrays in cancer researches is one of the most concerns which lead to some problems in designing the classifiers. Moreover, due to the large number of features in microarrays, feature selection and classification are even more challenging for such datasets. Not all of these numerous features contribute to the classification task, and some even impede performance. Hence, appropriate gene selection method can significantly improve the performance of cancer classification. In this paper, a modified multi-objective cuckoo search algorithm is used to feature selection and sample selection to find the best available solutions. For accelerating the optimization process and preventing local optimum trapping, new heuristic approaches are included to the original algorithm. The proposed algorithm is applied on six cancer datasets and its results are compared with other existing methods. The results show that the proposed method has higher accuracy and validity in comparison to other existing approaches and is able to select the small subset of informative genes in order to increase the classification accuracy.داده‌هاي ریزآرایه نقش مؤثری در طبقه‌بندی و تشخیص انواع بافت‌های سرطانی ایفا می‌کنند. با این حال در پژوهش‌های مرتبط با سرطان، تعداد نسبتاً کم نمونه‌ها در مقایسه با تعداد بسیار زیاد ژن‌ها‏، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقه‌بندها، افزایش هزینه‌های محاسباتی و پیچیدگی در طبقه‌بندی سلول‌های سرطانی خواهد شد. یک راهکار‏ مناسب جهت افزایش کارایی طبقه‌بندها، حذف ژن‌ها‏ی نامربوط و انتخاب نمونه‌های مناسب برای آموزش طبقه‌بندها است. در این مقاله یک مدل ترکیبی بر پایه الگوریتم بهینه‌سازی جستجوی فاخته چندهدفه و خوشه‌بندی فازی برای طبقه‌بندی داده‌های ریزآرایه پیشنهاد شده است. در اين مطالعه از نسخه دودویی الگوريتم جستجوی فاخته چندهدفه به منظور انتخاب ويژگي‌هاي مرتبط با بیماری و از نسخه پیوسته آن برای انتخاب تعداد نمونه‌های مناسب برای آموزش طبقه‌بندها استفاده شده است. به منظور تسریع در فرایند بهینه‌سازی و جلوگیری از گیرافتادن الگوریتم در بهینه‌های محلی، راهکار‏های ابتکاری جدیدی نیز به الگوریتم اضافه شده‌اند. برای بررسی عملکرد مدل پیشنهادی، شبیه‌سازی‌های متعددی بر روی شش مجموعه داده سرطانی انجام گرفته و نتایج آن با دیگر مقالات مقایسه شده است. نتایج به دست آمده نشان می‌دهند در بسیاری از موارد مدل پیشنهادی قادر است در مقایسه با سایر روش‌ها، با انتخاب مجموعه کوچک‌تری از ژن‌ها‏ی متمایز، منجر به افزایش کارایی طبقه‌بندها شود.

http://ijece.org/fa/Article/Download/28826

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745174202037Improving the Architecture of Convolutional Neural Network for Classification of Images Corrupted by Impulse Noiseاصلاح معماری شبکه عصبی کانولوشنال جهت طبقه‌بندی تصاویر آغشته به نویز ضربه267276faمحمدمومنیدانشگاه یزدمهدیآقاصرامدانشگاه یزدعلی محمدلطیفدانشگاه یزدراضیهشیخ پوردانشگاه اردكان00000002311933492019212Impulse noise is one the common noises which reduces the performance of convolutional neural networks (CNNs) in image classification. Preprocessing for removal of impulse noise is a costly process which may have a destructive effect on the training and validation of the convolutional neural networks due to insufficient improvement of noisy images. In this paper, a convolutional neural network is proposed which is robust to impulse noise. Proposed CNN classify images corrupted by impulse noise without any preprocessing for noise removal. A noise detection layer is placed at the beginning of the proposed CNN to prevent the processing of noisy values. The ILSVRC-2012 database is used to train the proposed CNN. Experimental results show that preventing the impact of impulse noise on the training process and classification of CNN can increase the accuracy and speed of the network training. The proposed CNN with error of 0.24 is better than other methods in classification of noisy image corrupted by impulse noise with 10% density. The time complexity of O(1) in the proposed CNN for robustness to noise indicates the superiority of the proposed CNN. نویز ضربه موجب اختلال در فرایند طبقه‌بندی تصاویر توسط شبکه عصبی کانولوشنال می‌گردد. پیش‌پردازش جهت حذف نویز ضربه هزینه‌بر است و تصاویر تخریب‌شده به دلیل عدم بهبود کافی، اثر مخرب در مراحل آموزش و اعتبارسنجی این شبکه دارند. در این مقاله با اصلاح معماری شبکه عصبی کانولوشنال، یک مدل مقاوم در برابر نویز ضربه معرفی می‌شود. روش پیشنهادی، طبقه‌بندی تصاویر نویزی را بدون نیاز به هیچ گونه پیش‌پردازش انجام می‌دهد. لایه تشخیص نویز ضربه در بدنه شبکه عصبی کانولوشنال تعبیه می‌شود و از پردازش مقادیر نویزی جلوگیری می‌کند. برای آموزش مدل پیشنهادی از پایگاه داده 2012- ILSVRC استفاده شده است. نتایج شبیه‌سازی نشان می‌دهد که جلوگیری از تأثیرگذاری نویز ضربه در فرایند آموزش و طبقه‌بندی شبکه عصبی کانولوشنال، دقت و سرعت آموزش شبکه را افزایش می‌دهد. روش پیشنهادی با خطای 24/0 در طبقه‌بندی تصاویر آغشته به نویز ضربه با چگالی 10% بهتر از سایر روش‌های مورد مقایسه می‌باشد. مرتبه زمانی (1)O در اصلاح CNN جهت مقاومت در برابر نویز نشان‌دهنده برتری روش پیشنهادی است.

http://ijece.org/fa/Article/Download/28827

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745174202037Using Evolutionary Clustering for Topic Detection in Microblogging Considering Social Network Informationاستفاده از خوشه‌بندی تکاملی برای تشخیص موضوع در بلاگ‌نویسی کوچک با لحاظ‌نمودن اطلاعات شبکه اجتماعی277286faالهام ساداتَعلویدانشگاه صنعتی شاهرودهدیمشایخیدانشگاه صنعتی شاهرود0000000300802743حمیدحسن‌پوردانشگاه صنعتی شاهرودباقررحیم‌پور کامیدانشگاه علوم و فنون مازندران2019523Short texts of social media like Twitter provide a lot of information about hot topics and public opinions. For better understanding of such information, topic detection and tracking is essential. In many of the available studies in this field, the number of topics must be specified beforehand and cannot be changed during time. From this perspective, these methods are not suitable for increasing and dynamic data. In addition, non-parametric topic evolution models lack appropriate performance on short texts due to the lack of sufficient data. In this paper, we present a new evolutionary clustering algorithm, which is implicitly inspired by the distance-dependent Chinese Restaurant Process (dd-CRP). In the proposed method, to solve the data sparsity problem, social networking information along with textual similarity has been used to improve the similarity evaluation between the tweets. In addition, in the proposed method, unlike most methods in this field, the number of clusters is calculated automatically. In fact, in this method, the tweets are connected with a probability proportional to their similarity, and a collection of these connections constitutes a topic. To speed up the implementation of the algorithm, we use a cluster-based summarization method. The method is evaluated on a real data set collected over two and a half months from the Twitter social network. Evaluation is performed by clustering the texts and comparing the clusters. The results of the evaluations show that the proposed method has a better coherence compared to other methods, and can be effectively used for topic detection from social media short texts.متون کوتاه رسانه‌های اجتماعی مانند توییتر اطلاعات زیادی در مورد موضوع‌های داغ و افکار عمومی ارائه می‌دهند. برای درک بهتر اطلاعات دریافتی از شبکه‌های اجتماعی، شناسایی و ردیابی موضوع امری ضروری است. در بسیاری از روش‌های ارائه‌شده در این زمینه، تعداد موضوع‌ها باید از پیش مشخص باشد و نمی‌تواند در طول زمان تغییر کند. از این منظر، این روش‌ها برای داده‌های در حال افزایش و پویا مناسب نیستند. همچنین مدل‌های تکاملی موضوعی غیر پارامتری به دلیل مشکل کمبود داده‌ها، بر روی متون کوتاه عملکرد مناسبی ندارند. در این مقاله، یک مدل خوشه‌بندی تکاملی جدید ارائه کرده‌ایم که به طور ضمنی از فرایند رستوران چینی وابسته به فاصله (dd-CRP) الهام گرفته است. در روش ارائه‌شده برای حل مشکل کمبود داده‌ها، از اطلاعات شبکه اجتماعی در کنار شباهت متنی، برای بهبود ارزیابی شباهت بین توییت‌ها استفاده شده است. همچنین در روش پیشنهادی، برخلاف اکثر روش‌های مطرح‌شده در این زمینه، تعداد خوشه‌ها به صورت خودکار محاسبه می‌شود. در واقع در این روش، توییت‌ها با احتمالی متناسب با شباهتشان به هم متصل می‌شوند و مجموعه‌ای از این اتصال‌ها یک موضوع را تشکیل می‌دهد. برای افزایش سرعت اجرای الگوریتم، از یک روش خلاصه‌سازی مبتنی بر خوشه‌بندی استفاده نموده‌ایم. ارزیابی روش بر روی مجموعه داده واقعی که در طول دو ماه و نیم از شبکه اجتماعی توییتر جمع‌آوری شده است، انجام می‌شود. ارزیابی به صورت خوشه‌بندی متون و مقایسه بین آنها می‌باشد. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های مقایسه‌شده دارای انسجام موضوعی بهتری بوده و می‌تواند به طور مؤثر برای تشخیص موضوع بر روی متون کوتاه رسانه‌های اجتماعی استفاده گردد.

http://ijece.org/fa/Article/Download/28828

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745174202037Bug Detection and Assignment for Mobile Apps via Mining Users' Reviewsانتساب خطاهای شناسایی شده در نظرات کاربران در مورد برنامک‌های همراه به توسعه‌دهندگان287297faمریمیونسیدانشگاه صنعتی شریفعباسحیدرنوریدانشگاه واترلو کانادافاطمهقنادیدانشگاه صنعتي شريف201952Increasing the popularity of smart phones and the great ovation of users of mobile apps has turned the app stores to massive software repositories. Therefore, using these repositories can be useful for improving the quality of the program. Since the bridge between users and developers of mobile apps is the comments that users write in app stores, special attention to these comments from developers can make a dramatic improvement in the final quality of mobile apps. Hence, in recent years, numerous studies have been conducted around the topic of opinion mining, whose intention was to extract and exert important information from user's reviews. One of the shortcomings of these studies is the inability to use the information contained in user comments to expedite and improve the process of fixing the software error. Hence, this paper provides an approach based on users’ feedback for assigning program bugs to developers. This approach builds on the history of a program using its commit data, as well as developers' ability in fixing a program’s errors using the bugs that developers have already resolved in the app. Then, by combining these two criteria, each developer will get a score for her appropriation for considering each review. Next, a list of developers who are appropriate for each bug are provided. The evaluations show that the proposed method would be able to identify the right developer to address the comments with a precision of 74%.نظراتی که کاربران در فروشگاه‌های برنامک‌های همراه می‌نویسند و خطای برنامک‌ها را گزارش می‌کنند، می‌تواند در بهبود کیفیت نرم‌افزار‌ها تأثیر به‌سزایی داشته باشد. بنابراین در این پژوهش رویکردی بر اساس نظرات کاربران برای انتساب خطای برنامه به توسعه‌دهندگان برنامک‌ها بیان خواهد شد. این رویکرد با استفاده از داده‌های کامیت‌های برنامه تاریخچه‌ای از عملکرد توسعه‌دهندگان به دست می‌آورد و همچنین با استفاده از ایراداتی که توسعه‌دهندگان از قبل در برنامه رفع کرده‌اند در مورد سوابق آنها در رفع خطاهای برنامه اطلاعاتی کسب می‌کند. سپس با استفاده از ترکیب این دو معیار به هر توسعه‌دهنده آن نرم‌افزار برای رسیدگی به هر نظر امتیازی اختصاص می‌دهد تا فهرستی از توسعه‌دهندگان ارائه کند که به ترتیب اولویت برای رسیدگی به نظر مناسب هستند. ارزیابی این پژوهش از جنبه‌های مختلف در نهایت نشان می‌دهد که روش پیشنهادی با دقت ۷۴% قادر به شناخت توسعه‌دهنده مناسب برای رسیدگی به نظرات خواهد بود. هدف این پژوهش یک موضوع جدید است که پژوهش‌ دیگری حول آن انجام نگرفته و صرفاً باقی پژوهش‌ها راجع به دسته‌بندی نظرات کاربران بوده‌اند. بنابراین دقت ارزیابی این پژوهش نشان می‌دهد که انتساب اتوماتیک خطاهایی که در نظرات کاربران ذکر شده‌اند می‌تواند مفید واقع شود تا فرایند شناسایی و حل خطا بهبود یابد.

http://ijece.org/fa/Article/Download/28830

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745174202037Optimal Resource Allocation in Multi-Task Software-Defined Sensor Networksتخصیص بهینه منابع در شبکه‌های حسگر نرم‌افزارمحور چندوظیفه‌ای298305faسید اکبرمصطفوی دانشگاه یزدمهدیآقاصرامدانشگاه یزدطیبهسلیمیاندانشگاه یزد201898Unlike conventional wireless sensor networks which are designed for a specific application, Software-Defined Wireless Sensor Networks (SDSN) can embed multiple sensors on each node, defining multiple tasks simultaneously. Each sensor node has a virtualization program which serves as a common communication infrastructure for several different applications. Different sensor applications in the network can have different target functions and decision parameters. Due to the resource constraints of sensor network nodes, the multiplicity and variety of tasks in each application, requirements for different levels of quality of service, and the different target functions for different applications, the problem of allocating resources to the tasks on the sensors is complicated. In this paper, we formulate the problem of allocating resources to the sensors in the SDSN with different objective functions as a multi-objective optimization problem and provide an effective solution to solve it.در شبکه‌های حسگر نرم‌افزارمحور برخلاف شبکه‌های حسگر بی‌سیم سنتی که تنها برای یک کاربرد خاص برنامه‌ریزی شدند، می‌توان روی هر گره شبکه چندین حسگر تعبیه نمود و برای آن چندین وظیفه به طور هم‌زمان تعریف کرد. هر کدام از این گره‌های حسگر دارای یک برنامه مجازی‌سازی هستند که به آنها امکان می‌دهد به صورت یک زیرساخت ارتباطی مشترک به چندین کاربرد مختلف، سرویس ارائه کنند. کاربردهای مختلف حسگری در شبکه می‌توانند توابع هدف و پارامترهای تصمیم‌گیری متفاوتی داشته باشند. با توجه به محدودیت منابع گره‌های شبکه حسگر، تعدد و تنوع وظایف در هر کاربرد، نیازهای کیفیت سرویس متفاوت هر کاربرد و تفاوت توابع هدف برای کاربردهای مختلف، مسئله تخصیص منابع به وظایف می‌تواند بسیار پیچیده باشد. در این مقاله، مسئله تخصیص منابع به کاربردهای مختلف گره‌های حسگر در شبکه‌های حسگر نرم‌افزارمحور با هدف تحقق توابع هدف مختلف به صورت یک مسئله بهینه‌سازی چندهدفه فرمول‌بندی می‌گردد و پاسخ بهینه آن ارائه می‌شود. با در نظر گرفتن محدودیت‌های حافظه و انتخاب کوتاه‌ترین مسیر، روش پیشنهادی می‌تواند پاسخ‌های بهتری را در قیاس با روش‌های موجود بیابد.

http://ijece.org/fa/Article/Download/28831

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745174202037DRSS-Based Localization Using Convex Optimization in Wireless Sensor Networksمکان‌یابی بر اساس تفاضل توان سیگنال دریافتی با به کارگیری بهینه‌سازی محدب در شبکه حسگر بی‌سیم306310faحسننظریدانشگاه جامع امام حسین (ع)میثمرئیس داناییدانشگاه جامع امام حسین (ع)مرتضیسپه‌ونددانشگاه جامع امام حسین (ع)2019117Localization with differential received signal strength measurement in recent years has been very much considered. Due to the fact that the probability density function is known for given observations, the maximum likelihood estimator is used. This estimator can be asymptotically represented the optimal estimation of the location. After the formation of this estimator, it is observed that the corresponding cost function is highly nonlinear and non-convex and has a lot of minima, so there is no possibility of achieving the global minimum with Newton method and the localization error will be high. There is no analytical solution for this cost function. To overcome this problem, two methods are existed. First, the cost function is approximated by a linear estimator. But this estimator has poor accuracy. The second method is to replace the non-convex cost function with a convex one with the aid of convex optimization methods, in which case the global minimum is obtained. In this paper, we proposed new convex estimator to solve cost function of maximum likelihood estimator. The results of the simulations show that the proposed estimator has up to 20 percent performance improvement compared with existing estimators, moreover, the execution time of proposed estimator is 30 percent faster than other convex estimators.برای انجام مکان‌یابی بر اساس تفاضل توان سیگنال دریافتی در شبکه حسگر بی‌سیم می‌بایست توان دریافتی آلوده به نویز را توسط تعدادی حسگر مرجع جمع‌آوری نمود. به دلیل مشخص‌بودن تابع چگالی احتمال نویز استفاده از تخمین‌گر حداکثر درست‌نمایی بهترین انتخاب خواهد بود. تابع هزینه این تخمین‌گر غیر خطی و غیر محدب است و تا کنون برای آن جواب تحلیلی ارائه نشده است. یکی از راه‌حل‌ها برای غلبه بر این مشکل استفاده از روش‌های بهینه‌سازی محدب است. در این مقاله برای غلبه بر این مشکل تابع هزینه تخمین‌گر حداکثر درست‌نمایی را به دست می‌آوریم و آن را با روش آزادسازی نیمه‌معین حل می‌کنیم. شبیه‌سازی‌های کامپیوتری نشان می‌دهد در شرایطی که حسگرهای شبکه به صورت غیر منظم در محیط پخش شوند تخمین‌گر جدید نسبت به سایر تخمین‌گرها جذر متوسط انرژی خطای مکان‌یابی کمتری را نشان می‌دهد، یعنی دقت مکان‌یابی بالاتری دارد. در روش جدید دقت مکان‌یابی نسبت به سایر روش‌ها تا 20% افزایش می‌یابد و پیچیدگی محاسباتی آن نیز نسبت به روش‌های بهینه‌سازی محدب 30% کمتر است.

http://ijece.org/fa/Article/Download/28832

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745174202037The Extraction of Fetal ECG from Abdominal Recordings Using Sparse Representation of ECG Signalsاستخراج سیگنال قلب جنین از ثبت‌های شکمی با استفاده از نمایش‌های تُنک سیگنال‌های الکتروکاردیوگرام311316faپریاطاوسیبرق و کامپیوترقاسمعازمیبرق و کامپیوترپگاهزرجامبرق و کامپیوتر2019123one of the most prevalent causes for mortality of infants is cardiac failure. Recordings of heart electrical activities by Electrocardiogram (ECG) are a safe method to detect abnormal arrhythmia in time and reduce cardiac failure in newborns. However, the non-invasive extraction of fetal ECG (fECG) from the maternal abdominal is quite challenging, since the fECG signals are often corrupted by some electrical noises from other sources such as: maternal heart activity, uterine contractions, and respiration, in addition to instrumental noises. Among such signals, the maternal heart signal (due to high amplitude) has the most disruptive effect and the fetal brain signal (due to low amplitude) has the least effect on distortion of the fetal heart signal. In this paper, a new method for extracting fECG signals from multichannel abdominal recordings is proposed. The proposed method uses Compressive Sensing (CS)to reduce the computational complexity and fast Independent Component Analysis (fICA) algorithm to estimate the sources. Also, for finding sparse representations of the acquired ECG signals, two dictionaries namely: discrete cosine transformation and discrete wavelet transform are deployed here. The proposed method is then implemented and its performance is tested using the well-known and publicly available database used in 2013 Physionet Challenge. The performance results are compared with that of the best performing existing methods. The results show that the proposed method based on CS and ICA outperforms the existing detection methods with a Mean Minimum Square Error (MMSE) of 171.65, and therefore can be used for non-invasive and reliable extraction fECG from abdominal recordings.یکی از شایع‌ترین دلایل مرگ‌ و میر در هنگام تولد نوزاد نقص قلبی است. تشخیص بیماری قلبی نیازمند مشاهده فعالیت قلب است و یکی از مطمئن‌ترین روش‌ها برای بررسی سلامت قلب، استخراج فعالیت‌های الکتریکی قلب یا استخراج الکتروکاردیوگرام است. اما در شرایط خاص مکانی جنین قبل از تولد، استخراج غیر تهاجمی سیگنال الکتروکاردیوگرام چالش‌برانگیز شده است چرا که علاوه بر قلب جنین، منابع دیگری از قبیل قلب مادر، فعالیت ماهیچه‌ای مادر و جنین، فعالیت مغزی جنین و نویزهای محیط نیز تأثیر دارند که باعث مخدوش‌شدن سیگنال قلب جنین می‌شوند و تحلیل آن را دشوار می‌کنند. سیگنال قلب مادر به دلیل دامنه زیاد بیشترین تأثیر و سیگنال مغز جنین به دلیل دامنه کم، کمترین تأثیر را در مخدوش‌شدن سیگنال قلب جنین دارند. این مقاله، روشی جدید برای استخراج الکتروکاردیوگرام جنین از ثبت‌های شکمی مادر ارائه می‌دهد. روش پیشنهادی به منظور کاهش پیچیدگی محاسباتی از روش حسگری فشرده و برای تخمین منابع از روش آنالیز سریع مؤلفه مستقل و همچنین برای نمایش تُنک سیگنال‌ها از دو دیکشنری تبدیل کسینوسی گسسته و تبدیل موجک گسسته استفاده‌ می‌کند. عملکرد پیاده‌سازی روش پیشنهادی روی پایگاه داده موجود در چالش 2013 فیزیونت ارزیابی و نتایج به دست آمده با بهترین روش‌های موجود مقایسه شده است. نتایج به دست ‌آمده نشان می‌دهد که روش معرفی‌شده در این مقاله، با میانگین مربعات خطای 65/171، با دقت بیشتری نسبت به سایر روش‌های موجود قادر به استخراج سیگنال‌های قلب جنین می‌باشد.

http://ijece.org/fa/Article/Download/28833

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745174202037Write Error Rate Reduction Based on Thermal Effect and Dual-Vddکاهش احتمال خطای نوشتن در حافظه‌های STT-RAM مبتنی بر اثر دمایی و با بهره‌گیری از روش دوگان‌سازی منابع ولتاژ317321faحمیدرضازرندیدانشگاه صنعتی امیرکبیرشاهرخجلیلیانپژوهشگاه فضایی ایران2019116Write Error (WER) is one of the most drawbacks of STT-MRAM based memories. This problem usually occurred because of thermal instability and process variation. Although some methods have been proposed for WER reduction, they often did not consider the thermal effect of MTJ and had significant overhead. Therefore, proposing a new method in a lower layer of abstraction with the minimum penalty is essential. In this regard, a write driver core has been proposed, which uses two distinct ways according to the state of writing data based on the thermal feature of MTJ cell and by Dual-Vdd method. Simulation results show 11.38% write latency reduction without area and power penalty.یکی از مهم‌ترین مشکلات حافظه‌های STT-RAM امکان بروز خطا در این حافظه‌ها است. از عوامل اصلی رخداد خطا در این حافظه‌ها می‌توان به نوسانات فرایند ساخت، نوسانات دمایی و وابستگی رخداد خطا به توزیع داده‌ای اشاره کرد و بنابراین احتمال رخداد خطا با توجه به داده موجود در هر سلول با سلول دیگر متفاوت خواهد بود. روش‌های ارائه‌شده موجود عموماً بدون در نظر گرفتن رفتار حافظه در شرایط فیزیکی مختلف، اقدام به حل مشکلات حافظه‌ها کرده‌اند که در نتیجه با سربار زیادی در توان و مساحت همراه هستند. بنابراین نیاز به ارائه روشی احساس می‌شود که در سطوح پایین‌تر، احتمال رخداد خطا را در هنگام عمل نوشتن کاهش دهد، با در نظر گرفتن این امر که سربار توان غیر قابل قبولی ایجاد نکند. به منظور کاهش رخداد خطای نوشتن و همچنین پیش‌گیری از سربار توان زیاد، پیشنهادی ارائه شده که با توجه به داده، مسیر جداگانه‌ای برای نوشتن در نظر خواهد گرفت. هر کدام از مسیرها مشخصه‌ای مطابق با داده خواهند داشت که در نهایت منجر به کاهش حداکثری خطای نوشتن می‌شود. در این راستا از مشخصه دمایی سلول برای کاهش زمان عملیات نوشتن بهره گرفته خواهد شد. شبیه‌سازی‌ها نشان می‌دهد که اعمال این روش منجر به کاهش 38/11% زمان نوشتن در سلول حافظه شده که این دستاورد بدون سربار مساحت و یا توان نسبت به روش‌های موجود حاصل شده است.

http://ijece.org/fa/Article/Download/28834