مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452412026512An intelligent technique based on jellyfish algorithm for priority-based task scheduling in IoT/Fog networksتکنیک هوشمند مبتنی بر الگوریتم چتر دریایی برای زمانبندی وظایف بر اساس اولویت در شبکههای IoT/Fog113fa سکینهسهرابیگروه مهندسی کامپیوتر، دانشگاه بوعلی سینا، همدان، ایرانمهدی سخائی نیاگروه مهندسی کامپیوتر، دانشگاه بوعلی سینا، همدان، ایرانمحمدنصیریگروه مهندسی کامپیوتر، دانشگاه بوعلی سینا، همدان، ایرانرضامحمدیگروه مهندسی کامپیوتر، دانشگاه بوعلی سینا، همدان، ایران20241220<p style="text-align: left;"><strong>Fog computing was implemented to enhance the service quality of IoT applications in cloud computing. The increase in latency and bandwidth overhead in cloud computing is a result of IoT devices transmitting large amounts of data. IoT devices are responsible for producing significant volumes of data that need to be managed, resulting in higher demands on the fog-cloud computing network and necessitating resource management in this setting. In the fog-cloud computing system, tasks of varying priorities can be dispatched for processing. Providing an appropriate scheduling strategy for tasks in the fog layer is challenging due to the multitude of tasks and resources involved. Task scheduling in fog-cloud computing systems aims to optimize task allocation and execution while considering relevant constraints. Thus, this research suggests an enhanced method using the jellyfish algorithm and genetic algorithm to minimize energy consumption and execution time while considering task priority, which is crucial in task allocation. The results of the simulation and comparison of the suggested algorithm with other algorithms in this study support the effectiveness of the proposed method in decreasing both execution time and energy usage.</strong></p><p><strong>محاسبات مه به منظور بهبود کیفیت خدمات</strong> <strong>برنامه‌های کاربردی اینترنت اشیا</strong> <strong>در محاسبات ابری</strong> <strong>معرفی شده است، انتقال حجم عظیم داده توسط دستگاه‌های اینترنت اشیا</strong> <strong>منجر به تأخیر بیشتر و سربار پهنای باند در محاسبات ابری شده است. از سوی دیگر دستگاه‌های اینترنت اشیا</strong> <strong>منجر به تولید حجم زیادی از داده‌ها برای پردازش شده است که به نوبه خود بار روی شبکه محاسباتی مه </strong><strong>–</strong><strong> ابر را افزایش می‌دهد و مشکلاتی را ایجاد می‌کند که نیازمند مدیریت منابع در این محیط است. پیچیدگی و تنوع وظایف و منابع درگیر در لایه مه، ارائه یک استراتژی مناسب برای زمان‌بندی وظایف را دشوار می‌کند. هدف زمان‌بندی وظایف، به حداکثر رساندن تخصیص و اجرای وظایف تحت سیستم‌های محاسباتی مه - ابر و در عین حال در نظر گرفتن محدودیت‌های مربوطه است. بنابراین، این مطالعه یک الگوریتم زمان‌بندی کار </strong><strong>پیشرفته با استفاده از الگوریتم چتر دریایی و الگوریتم ژنتیک برای کاهش مصرف انرژی و زمان اجرا پیشنهاد کرده است تا اولویت وظایف رعایت شود. نتایج شبیه‌سازی و مقایسه‌ی الگوریتم</strong> <strong>پیشنهادی</strong> <strong>با الگوریتم‌های پیشرفته مورد بررسی در این مقاله برتری روش پیشنهادی در کاهش زمان اجرا و مصرف انرژی را تایید می‌کند</strong><strong>.</strong></p>http://ijece.org/fa/Article/Download/48922مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452412026512A Resource Management Method for Fog-DSDN Networks Using Microservices Architecture and Echo State Networks (ESN)ارائه روشی برای مدیریت منابع در شبکههای Fog-DSDN با بهرهگیری از معماری میکروسرویس و شبکههای ESN1426faعباسپیامنیدانشکده برق و کامپیوتر، شعبه دورود، دانشگاه ملی مهارت، دورود، ایراناحسان متین فرگروه کامپیوتر، دانشکده فنی و مهندسی، واحد دورود، دانشگاه آزاد اسلامی، دورود، ایرانالهاممقامیدانشکده مهندسی برق و كامپيوتر، دانشگاه صنعتی اصفهان، اصفهان، ایرانمحمدجانبزرگیدانشکده برق و کامپیوتر، شعبه دورود، دانشگاه ملی مهارت، دورود، ایران2025417<p style="direction: ltr;">In Fog–DSDN (Software Defined Distributed Network) environments, optimal resource allocation among multiple nodes with temporal, processing, and memory constraints represents a fundamental challenge. Existing approaches often lack adaptive mechanisms to address rapidly changing network conditions, resulting in increased service latency and reduced resource efficiency. This research presents an innovative method based on a microservices architecture and an Echo State Network (ESN) for managing and optimizing resource allocation in Fog–DSDN. In this approach, each microservice independently handles local data collection and processing, with its output aggregated as an Information Map at the fog controller level. Subsequently, the ESN model learns temporal traffic patterns to predict future node processing loads, enabling adaptive resource allocation decisions. A dual-layer design of input and output queues within each information cell further reduces processing congestion and improves system response time. To evaluate the performance of the proposed method, simulations were conducted in OMNeT++ across diverse traffic scenarios, and results were compared against two baseline systems: a microservices architecture without load prediction, and a base non-hierarchical Fog-DSDN model employing the TFS resource management method. Experimental results demonstrate that the proposed method achieves, on average, a 12.57% improvement in processing resource efficiency, an 18.85% improvement in memory utilization, and a 13.39% reduction in service latency compared to the two baseline architectures and the TFS resource management approach. These findings indicate that the combination of a modular microservices structure with intelligent load prediction using ESN can provide an efficient, scalable, and lightweight solution for resource management in Fog–DSDN.</p><p>در شبکه‌های معماری‌های رایانش مه نرم‌افزار محور(Fog–DSDN) تخصیص بهینه‌ی منابع میان‌گره‌های متعدد با محدودیت‌های زمانی، پردازشی و حافظه‌ای، یکی از چالش‌های اساسی محسوب می‌شود. روش‌های موجود غالباً فاقد سازوکار تطبیقی در مواجهه با تغییرات سریع با شبکه هستند و در نتیجه، موجب افزایش تأخیر سرویس و افت کارایی منابع می‌گردند. در این پژوهش، روشی نوآورانه مبتنی بر معماری میکروسرویس و شبکه حالت پژواک (Echo State Network - ESN) برای مدیریت و بهینه‌سازی تخصیص منابع در محیط Fog–DSDN ارائه شده است. در این روش، هر میکروسرویس به‌صورت مستقل وظیفه جمع‌آوری و پردازش داده‌های محلی را بر عهده دارد و خروجی آن در قالب نقشه اطلاعاتی (Information Map) در سطح کنترلرهای مه تجمیع می‌شود. سپس، مدل ESN با یادگیری الگوهای زمانی ترافیک، بار پردازشی آینده‌ی گره‌ها را پیش‌بینی کرده و تصمیم تخصیص منابع را به‌صورت تطبیقی اتخاذ می‌کند. طراحی دو‌لایه‌ی صف‌های ورودی و خروجی در هر سلول اطلاعاتی نیز موجب کاهش تراکم پردازشی و بهبود زمان پاسخ سیستم گردیده است. برای ارزیابی عملکرد روش پیشنهادی، شبیه‌سازی‌هایی در بستر ++OMNeT در سناریوهای مختلف ترافیکی انجام شد و نتایج با دو بستر پایه شامل معماری میکروسرویس بدون پیش‌بینی بار و مدل پایه‌ی غیر سلسله‌مراتبی Fog-DSDN و روش مدیریت منابع TFS مقایسه گردید. نتایج تجربی نشان می‌دهد روش پیشنهادی به طور میانگین نسبت به دو بستر معماری میکروسرویس و معماری پایه Fog-DSDN و روش مدیریت منابع TFS موجب بهبود 57<sub>/</sub>12٪ در بهره‌وری منابع پردازشی، 85<sub>/</sub>18٪ در استفاده بهینه از حافظه و 13<sub>/</sub>39٪ در کاهش تأخیر سرویس شده است. این دستاوردها بیانگر آن است که ترکیب ساختار ماژولار میکروسرویس‌ها با پیش‌بینی هوشمند بار توسط ESN می‌تواند راهکاری کارا، مقیاس‌پذیر و سبک‌وزن برای مدیریت منابع در شبکه‌های Fog–DSDN فراهم آورد.</p>http://ijece.org/fa/Article/Download/49971مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452412026512Design a Novel Emotion Assessment Approach for Cancer Care Based on Large Language Modelsرویکرد ارزیابی هیجان نوین جهت مراقبت از سرطان مبتنی بر مدلهای زبانی بزرگ2737fa نفیسه فارغ زادهدانشكده كامپيوتر، واحد خدابنده، دانشگاه آزاد اسلامی، خدابنده، ایران0000000173148231محمدقبادیدانشكده كامپيوتر، واحد الکترونیک، دانشگاه آزاد اسلامی، تهران، ايرانپریسارحمانیدانشكده كامپيوتر، واحد پردیس، دانشگاه آزاد اسلامی، تهران، ايران، مهدیبازرگانیدانشكده كامپيوتر، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ايران20251021<p style="padding-right: 30px; text-align: left;"><span class="HwtZe" lang="en"> </span></p>
<div class="lRu31" dir="ltr"><span class="HwtZe" lang="en"><span class="jCAhz ChMk0b"><span class="ryNqvb">This research initiated to address the concern and challenge of the lack of specialized native tools in the field of emotion analysis in cancer patients and to provide a new system for assessing the emotions of these patients.</span></span> <span class="jCAhz ChMk0b"><span class="ryNqvb">The main goal of this study was to design and implement a hybrid system based on deep learning to identify the presence of one or more emotions simultaneously from six emotional categories (happiness, sadness, anger, fear, hope, despair) in Persian texts on social networks.</span></span> <span class="jCAhz"><span class="ryNqvb">This new approach allows for a better understanding of the complexity and simultaneity of emotions.</span></span> <span class="jCAhz"><span class="ryNqvb">For this purpose, a set of 10,000 cancer-related posts from social platforms was tagged.</span></span> <span class="jCAhz ChMk0b"><span class="ryNqvb">The proposed model, which uses the intelligent integration of the large native language model ParsBERT with the Bi-GRU network, was fine-tuned for this task.</span></span> <span class="jCAhz ChMk0b"><span class="ryNqvb">The evaluation results clearly demonstrate the remarkable achievement of this research;</span></span> <span class="jCAhz ChMk0b"><span class="ryNqvb">the proposed method achieved an accuracy of 86.8% and an average F1-Score of 84%.</span></span> <span class="jCAhz ChMk0b"><span class="ryNqvb">The proposed system showed an improvement of 2.3% in accuracy compared to the baseline models.</span></span> <span class="jCAhz ChMk0b"><span class="ryNqvb">The system performs effectively in detecting frequent emotions such as sadness with an F1-Score of 92% and despair with an F1-Score of 90%, providing an automated and powerful tool for monitoring the emotions of cancer patients and more effective psychotherapy interventions.</span></span></span>
<div class="OvtS8d"> </div>
<div class="NQSJo"> </div>
</div>
<div class="UdTY9 WdefRb" data-location="2"> </div><p><span style="font-family: verdana, geneva, sans-serif;">پژوهش حاضر، در راستایرفع دغدغه و مواجهه با چالش کمبود ابزارهای تخصصی بومی در حوزه تحلیل هیجانات بیماران سرطانی و با هدف ارائه یک سیستم نوین برای ارزیابی هیجانات این بیماران آغاز شده است. هدف اصلی این مطالعه، طراحی و پیاده‌سازی یک سیستم ترکیبی مبتنی بر یادگیری عمیق برای شناسایی حضور یک یا چند هیجان به صورت همزمان از میان شش دسته هیجانی (شادی، غم، خشم، ترس، امید، ناامیدی)، در متون فارسی شبکه‌های اجتماعی است. این رویکرد نوین امکان درک بهتر پیچیدگی و هم‌زمانی هیجانات را فراهم می‌نماید. به این منظور، مجموعه‌ای شامل ۱۰,۰۰۰ پست مرتبط با سرطان از پلتفرم‌های اجتماعی برچسب‌گذاری شد. مدل پیشنهادی که از تلفیق هوشمندانه مدل زبان بزرگ بومیParsBERT با شبکه Bi-GRU بهره می‌برد، برای این وظیفه تنظیم دقیق گردید. نتایج ارزیابی، دستاورد قابل توجه این پژوهش را به وضوح نشان می‌دهد؛ روش پیشنهادی به دقت 8<sub>/</sub>86% و معیار -Score1 Fمیانگین ۸۴% دست یافت. سیستم پیشنهادی، بهبودی معادل ۲<sub>/</sub>۳% در دقت نسبت به مدل‌های پایه نشان داد. سیستم در تشخیص هیجانات پرتکرار مانند غم با معیار -Score1 Fمعادل ۹۲% و ناامیدی با معیار -Score1 Fمعادل ۹۰%، عملکردی موثر و ابزاری خودکار و قدرتمند برای پایش هیجانات بیماران سرطانی و مداخلات روان درمانی موثرتر ارائه می‌دهد.</span></p>http://ijece.org/fa/Article/Download/51872مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452412026512Lightweight Hybrid Framework for IoT Security Using Optimized Random Forest and Adaptive Feature Selection in Edge-Cloud Architectureچارچوب ترکیبی سبکوزن برای امنیت اینترنت اشیا با استفاده از جنگل تصادفی بهینه و انتخاب ویژگی تطبیقی در معماری لبه-ابری3848faمحسناشرفیگروه مهندسی کامپیوتر، دانشگاه ملی مهارت، تهران، ایران0009000464819178202593<p style="direction: ltr;">Security in Internet of Things (IoT) infrastructures has become a critical challenge due to the rising cyber threats, such as Denial-of-Service (DoS) attacks, data breaches, and device manipulation. IoT devices, as core components of these systems, are highly vulnerable to various attacks and anomalies due to their continuous network connectivity and handling of sensitive data, potentially leading to system disruptions, confidential data leaks, and financial or human losses. Despite significant advancements in IoT security, challenges such as the diversity and complexity of attacks, heterogeneous and voluminous sensor data, variations in normal system behavior, scarcity of high-quality training data, and the need for scalable methods continue to hinder accurate and timely attack detection. This study proposes a lightweight and intelligent hybrid framework based on an Optimized Random Forest (ORF) and adaptive feature selection to enhance IoT system security. The performance of various machine learning algorithms, including Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), Artificial Neural Network (ANN), and ORF, was evaluated using the DS2OS dataset. Results demonstrated that all models achieved accuracies ranging from 0.9844 to 0.9948, with RF and ORF exhibiting superior performance at an accuracy of 0.9943, precision of 0.9943, recall of 0.9943, and an F1-score of 0.9937. Furthermore, integrating the Particle Swarm Optimization (PSO) algorithm reduced the false positive rate to 0.57%, while the Edge-Cloud architecture improved processing time by 40%. Compared to existing approaches, the proposed method reduced memory consumption by 29%, offering a scalable solution for IoT security.</p><p>امنیت در زیرساخت‌های اینترنت اشیا (IoT) به دلیل افزایش تهدیدات سایبری، از مهم‌ترین چالش‌های این حوزه محسوب می‌شود. اتصال پیوسته دستگاه‌های IoT به شبکه و پردازش داده‌های حساس، آنها را در معرض حملاتی نظیر انکار سرویس، نفوذ و دستکاری عملکرد قرار می‌دهد که پیامدهایی چون اختلال در سیستم و افشای اطلاعات محرمانه را به دنبال دارد. از سوی دیگر، تنوع و پیچیدگی حملات، ناهمگونی داده‌های حسگرها و تغییرپذیری رفتار نرمال سیستم‌ها، تشخیص تهدیدات را دشوار ساخته است. در این پژوهش، چارچوبی ترکیبی و سبک‌وزن مبتنی بر جنگل تصادفی بهینه (ORF) و انتخاب ویژگی تطبیقی برای بهبود امنیت IoT ارائه می‌گردد. به منظور ارزیابی، عملکرد الگوریتم‌های مختلف یادگیری ماشین شامل رگرسیون لجستیک، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، شبکه عصبی مصنوعی و ORF بر روی مجموعه‌داده OS 2DS بررسی شد. نتایج نشان داد که همه مدل‌ها به دقت بالای 98<sub>/</sub>0 دست یافتند، در حالی که RF و ORF با امتیاز 1F معادل 9937<sub>/</sub>0 عملکرد برتر داشتند. همچنین به‌کارگیری الگوریتم بهینه‌سازی ازدحام ذرات (PSO) موجب کاهش نرخ مثبت کاذب تا 57<sub>/</sub>0% شد و بهره‌گیری از معماری لبه-ابری زمان پردازش را حدود 40% بهبود داد. روش پیشنهادی علاوه بر کاهش 29% مصرف حافظه، یک راهکار کارآمد و مقیاس‌پذیر برای مقابله با تهدیدات امنیتی در محیط‌های IoT ارائه می‌دهد.</p>http://ijece.org/fa/Article/Download/51262مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452412026512A Multi-Objective Metaheuristic Approach for Improving Coverage and Connectivity in Wireless Sensor Networksیک رهیافت فرااکتشافی چندهدفه برای بهبود پوشش و اتصال در شبکههای حسگر بیسیم4957faمصطفیبصیرنژادگروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران محبوبه هوشمندواحد مشهد، دانشگاه آزاد اسلامي، مشهد، ايران سید عابد حسینیگروه مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.مهردادجلالیگروه علمداده کاربردی و هوشمصنوعی، دانشگاه SRH هایدلبرگ، هایدلبرگ، آلمان20251111<p>This paper investigates and presents a new optimization algorithm titled Multi-Objective Cheetah Optimizer (MOCO), developed with the aim of increasing coverage and improving connectivity in wireless sensor networks. Utilizing metaheuristic optimization concepts, this algorithm offers a novel approach for optimally determining sensor node positions and managing resources. In this method, by defining a multi-criteria objective function including maximizing area coverage, improving connectivity between nodes, and reducing energy consumption, it is able to establish a suitable balance among these objectives. The proposed algorithm is inspired by the random search capabilities and the acceleration of the cheetah algorithm, enabling more effective searching in the solution space. The results of simulations and performed experiments show that MOCO, compared to three algorithms CSSO, MOFAC-GA-PSO, and HHA, has been able to increase the environment coverage rate to over 94.5%, raise the network connectivity rate to approximately 97.8%, and simultaneously reduce the average energy consumption of sensors by up to 15% compared to other algorithms.</p><p>مقاله حاضر به بررسی و ارائه یک الگوریتم بهینه‌ساز جدید تحت عنوان الگوریتم بهینه‌ساز یوزپلنگ چندهدفه (MOCO) می‌پردازد که باهدف افزایش پوشش و بهبود اتصال در شبکه‌های حسگر بی‌سیم توسعه‌یافته است. این الگوریتم با بهره‌گیری از مفاهیم بهینه‌سازی فرا اکتشافی، یک رویکرد نوین برای تعیین بهینه موقعیت گره‌های حسگر و مدیریت منابع ارائه می‌دهد. در این روش، با تعریف یک تابع هدف چندمعیاره شامل بیشینه‌سازی پوشش ناحیه، بهبود اتصال بین گره‌ها و کاهش مصرف انرژی، قادر است تعادل مناسبی میان این اهداف برقرار کند. الگوریتم پیشنهادی از قابلیت‌های جستجوی تصادفی و پرشتاب الگوریتم یوزپلنگ الهام گرفته و امکان جستجوی مؤثرتر در فضای پاسخ را فراهم می‌سازد. نتایج شبیه‌سازی‌ها و آزمایش‌های انجام‌شده نشان می‌دهد که MOCO در مقایسه با سه الگوریتمCSSO ، MOFAC-GA-PSO و HHA توانسته نرخ پوشش محیط را به بیش از 5<sub>/</sub>94 درصد افزایش دهد، نرخ اتصال شبکه را به حدود 8<sub>/</sub>97 درصد برساند و درعین‌حال میانگین مصرف انرژی حسگرها را تا ۱۵ درصد نسبت به سایر الگوریتم‌ها کاهش دهد.</p>http://ijece.org/fa/Article/Download/52048مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452412026512A Semi-Supervised Learning Framework for Accurate Test Case Classification Using Language Embeddings and Semantic Text Features یک چارچوب یادگیری نیمهنظارتی جهت دستهبندی دقیق موارد آزمون با بهرهگیری از تعبیههای زبانی و ویژگیهای معنایی متن5866faمحمد حسینپروانه گروه مهندسی کامپیوتر، واحد بین المللی اروند، دانشگاه آزاد اسلامی، آبادان، ایران مریم نورائیعضو هیات علمی دانشگاه آزاد اسلامی، واحد بین المللی اروند2025830<p style="direction: ltr; text-align: justify;">With the growing importance of integrating artificial intelligence and software testing, moving toward the intelligent automation of evaluation processes and exam item classification has become an essential necessity. One of the key challenges in this domain is the strong dependency on labeled data, the production of which is costly and time-consuming. In this study, a semi-supervised learning framework was designed and implemented using pseudo-labeling to incorporate unlabeled data into the training process and weighting the unsupervised loss. The dataset used was AG News, consisting of four news categories, where only 20% of the data was considered labeled and 80% unlabeled. For feature extraction, the BERT-base model was employed as a language embedder, producing 768-dimensional vectors (default configuration). Data preprocessing included tokenization with BertTokenizer, removal of punctuation and irrelevant characters, and text normalization. Performance evaluation using Accuracy, Precision, Recall, and F1-Score demonstrated that the semi-supervised approach outperformed the supervised SVM under limited labeled data conditions, achieving an average improvement of 5–10% across the metrics.</p><p><span style="font-family: verdana, geneva, sans-serif;">با گسترش کاربرد هوش مصنوعی در مهندسی نرم‌افزار، استفاده از روش‌های هوشمند برای دسته‌بندی موارد آزمون به ضرورتی کلیدی تبدیل شده است. یکی از چالش‌های اصلی در این زمینه، وابستگی شدید مدل‌ها به داده‌های برچسب‌خورده است که تولید آن‌ها هزینه‌بر و زمان‌بر است. در این پژوهش، با هدف بررسی اثربخشی یادگیری نیمه‌نظارتی در چنین شرایطی، چارچوبی مبتنی بر pseudo-labeling طراحی شد تا داده‌های بدون برچسب را در فرآیند آموزش مدل ادغام کند و به بخش بدون‌نظارت وزن مناسبی در تابع خطا اختصاص دهد. برای ارزیابی، از مجموعه‌داده AG News شامل 12۰٬00۰ نمونه آموزشی و ۷٬۶۰۰ نمونه آزمایشی استفاده شد که از میان داده‌های آموزشی، ۲۰٪ (۲۴٬۰۰۰ نمونه) به‌عنوان داده برچسب‌خورده و ۸۰٪ (۹۶٬۰۰۰ نمونه) به‌عنوان داده بدون‌برچسب به کار رفت. استخراج ویژگی‌ها با مدل BERT-base انجام شد که بردارهای ۷۶۸ بعدی تولید می‌کند. نتایج بر اساس سنجه‌های صحّت، دقّت، فراخواني و معيارF1- نشان داد که روش نیمه‌نظارتی در مقایسه با ماشین بردار پشتیبان نظارتی، بهبود اندک اما معناداری در عملکرد ارائه می‌دهد. این یافته‌ها نشان می‌دهد که داده‌های بدون‌برچسب می‌توانند به‌طور مؤثر در بهبود مدل‌های یادگیری ماشین در شرایط کم‌داده به‌کار گرفته شوند.</span></p>http://ijece.org/fa/Article/Download/51312