مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451242015321A New eDLA-Based Framework for Finding Optimal Stochastic Sub-Graphیک چارچوب مبتنی بر آتاماتای یادگیر توزیع شده توسعه یافته برای حل مسأله یافتن زیرگراف بهینه تصادفی8597faمحمدرضاملاخلیلی میبدیدانشگاه آزاد اسلامی، واحد میبدمحمدرضامیبدیدانشگاه صنعتی امیرکبیر20151130In this paper a new structure of learning automata which is called as extended distributed learning automata (eDLA) is introduced. A new eDLA-based iterative sampling method for finding optimal sub-graph in stochastic graphs is proposed. Some mathematical analysis of the proposed algorithm is presented and the convergence property of the algorithm is studied. Our study shows that the proposed algorithm can be converge to the optimal sub-graph.در این مقاله، یک ساختار جدید شبکه‌ای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیع‌شده توسعه‌یافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکه‌ای برای حل مسأله زیرگراف بهینه در گراف‌های تصادفی با یال‌های وزن‌دار از طریق نمونه‌گیری ارائه می‌شود. نشان داده شده که ساختار شبکه‌ای جدید پیشنهادی قادر به حل مسایل بهینه‌سازی روی گراف‌های تصادفی از طریق نمونه‌گیری با تعداد نمونه کمتر نسبت به روش نمونه‌گیری استاندارد است. علاوه بر این، اثباتی برای همگرایی آن به جواب بهینه ارائه شده و نشان داده می‌شود که ساختار شبکه‌ای پیشنهادی همواره با احتمال 1 به جواب بهینه همگرا می‌گردد.http://ijece.org/fa/Article/Download/28098

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451242015321A Multi-Resolution Learning Based Method for Multimodal Medical Image Registrationیک روش مبتنی بر یادگیری چنددقتی برای تطبیق تصاویر پزشکی چندکیفیتی98108faسیده‌سمیهآل حجت خسمخیدانشگاه آزاد اسلامی، واحد قزوینمحمدرضاکیوان‌پوردانشگاه الزهرا20151130The main purpose in various methods of image registration is to find the transformation parameters for accurate mapping an image onto another image coordinates. In medical sciences creating a precise mapping between medical images data is very important in application such as diagnosis and treatment. Accordingly, several approaches have been proposed for image registration. The compression of results and performance between different image registration algorithms was the main motivation for this research to design and implement a new hybrid algorithm so that provide high accuracy in multimodal image registration. Automating the image registration process by using machine learning approach is the innovation of this method compared to previous ones. To this end, the proposed method which is named multi resolution learning is composed of multi resolution decomposition and a hierarchical neural network which it learn the transformation parameters by using global properties of the image and uses learned transformation parameter for image registration. The proposed method is implemented and tested on the medical images of Vanderbilt university database. Experiment result show acceptable accuracy for the proposed method compared with other methods.هدف اصلی در روش‌های مختلف تطبیق تصویر، پیداکردن پارامترهای تبدیل برای نگاشت دقیق یک تصویر بر روی مختصات تصویر دیگر است. در پزشکی، برقراری ارتباط دقیق میان داده‌های تصاویر پزشکی درکاربردهایی نظیر تشخیص و درمان از اهمیت بسیاری برخوردار است و بر این اساس، روش‌های متعددی براي تطبیق تصاویر ارائه شده است. مقایسه نتایج الگوریتم‌های مختلف، انگیزه اصلی این پژوهش گردیده تا بتوان الگوریتم جدید ترکیبی ارائه و پیاده‌سازی نمود که از دقت بالایی برای تطبیق تصاویر چندکیفیتی برخوردار باشد. خودکارسازی فرایند تطبیق با بهره‌گیری از رویکرد یادگیری ماشین، نوآوری مقاله حاضر نسبت به روش‌های پیشین به شمار می‌رود. به این منظور، روش پیشنهادی به نام یادگیری چنددقتی از ترکیب یک روش تجزیه چنددقتی و یک شبکه عصبی سلسله مراتبی بهره می‌گیرد که با استفاده از ویژگی‌های سراسری تصویر، پارامترهای تبدیل را یاد گرفته و از پارامترهایِ تبدیلِ به دست آمده از فرایند یادگیری ، برای تطبیق تصاویر استفاده می‌کند. روش پیشنهادی بر روی پایگاه داده تصاویر پزشکی دانشگاه واندربیلت پیاده‌سازی و آزمون شده و نتایج به دست آمده دقت قابل قبولی را برای روش پیشنهادی در مقایسه با سایر روش‌ها نشان می‌دهد.http://ijece.org/fa/Article/Download/28099

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451242015321Implementation of a Fuzzy Multi-Agent Model for City Evacuation Traffic Management Using Probabilistic Automataپیاده‌سازی یک مدل چندعامله فازی برای مدیریت ترافیک تخلیه شهر با استفاده از آتوماتای احتمالی109118faامیررضاکرباسچیاندانشگاه آزاد اسلامی واحد علوم و تحقیقات تهرانسعيدستايشيدانشگاه صنعتي امير كبير آرششريفيدانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران.20151130Because of importance of quickly city evacuation during natural or unnatural happenings, it’s essential to apply an optimized control policy to prevent congestion and stop of vehicles. Existing works for traffic management in critical conditions have paid little attention to artificial intelligence approaches. Therefore, the main goal of authors in this research is offering an optimized and intelligent control policy for city evacuation traffic. This policy uses fuzzy inference system for decision making of each agent and probabilistic automata for optimizing performance of agents as for their preferences during time. To check degree of success of offered control policy, Agent Base Simulation in RStudio and Netlogo environments have been implemented using RNetlogo and frbs packages in R language. Simulation results show traffic load distribution, using maximum capacity of roads and congestion prevention by suggested policy. With regard to communication technologies such as GPS, smart phones, automatic tax payment systems in roads and … that have been developed in recent years, it is also possible to implement suggested critical traffic control policy in real world.به دلیل اهمیت تخلیه سریع شهر هنگام وقوع حوادث طبیعی یا غیر طبیعی، اعمال یک سیاست کنترلی بهینه برای جلوگیری از بروز تراکم و توقف وسایل نقلیه امری لازم و ضروری است. روش‌های موجود برای مدیریت ترافیک در شرایط بحران کمتر به استفاده از رویکردهای هوش مصنوعی پرداخته‌اند و به همین دلیل، هدف اصلی مؤلفین در این پژوهش ارائه یک رویکرد کنترلی بهینه و هوشمند برای ترافیک تخلیه شهر است. در این رویکرد از سیستم استنتاج فازی برای تصمیم‌گیری هر عامل و از آتوماتای احتمالی برای بهینه‌کردن عملکرد عامل‌ها با توجه به ترجیحات هر کدام از آنها در طول زمان استفاده شده است. برای بررسی میزان موفقیت رویکرد کنترلی پیشنهادی، شبیه‌سازی مبتنی بر عامل در محیط‌های RStudio و NetLogo و با استفاده از بسته‌های RNetlogo و frbs در زبان R انجام شده است. نتایج شبیه‌سازی نشان‌دهنده توزیع بار ترافیک، استفاده حداکثری از ظرفیت معابر و پیش‌گیری از بروز تراکم توسط رویکرد پیشنهادی است. با توجه به فناوری‌های ارتباطی نظیر GPS، گوشی‌های تلفن همراه هوشمند، سیستم‌های پرداخت عوارض خودکار الکترونیکی در معابر و ... که در سال‌های اخیر گسترش یافته‌اند، امکان پیاده‌سازی روش کنترل ترافیک بحران پیشنهادی در عمل نیز وجود خواهد داشت.http://ijece.org/fa/Article/Download/28100

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451242015321A New Extended Distributed Learning Automata-Based Algorithm for Parameter Learning of a Bayesian Networkيک الگوريتم جديد مبتني بر آتاماتاي يادگير توزيع‌شده توسعه‌يافته براي يادگيري پارامتري شبکه بيزي119126faمحمدرضاملاخلیلی میبدیدانشگاه آزاد اسلامی، واحد میبدمحمدرضامیبدیدانشگاه صنعتی امیرکبیر20151130In this paper a new learning automata-based algorithm is proposed for learning of parameters of a Bayesian network. For this purpose, a new team of learning automata which is called eDLA is used. In this paper the structure of Bayesian network is assumed to be fixed. New arriving sample plays role of the random environment and the accuracy of the current parameters generates the random environment reinforcement signal. Linear algorithm is used to update the action selection probability of the automata. Another key issue in Bayesian networks is parameter learning under circumstances that new samples are incomplete. It is shown that new proposed method can be used in this situation. The experiments show that the accuracy of the proposed automata based algorithm is the same as the traditional enumerative methods such as EM. In addition to the online learning characteristics, the proposed algorithm is in accordance with the conditions in which the data are incomplete and due to the use of learning automaton, has a little computational overhead.در اين مقاله يک آتاماتاي توزيع‌شده جديد به نام آتاماتاي يادگير توزيع‌شده توسعه‌يافته براي يادگيري توزيع توأم مجموعه‌اي از متغيرهاي تصادفي معرفي خواهد شد. اين شبکه از آتاماتاها در محيط‌هايي که پاسخ محيط به مجموعه‌اي از اقدامات انجام‌شده توسط آتاماتا، مستقل از يکديگر نبوده و نوعي وابستگي شرطي ميان اين پاسخ‌ها حاکم باشد، کاربرد دارد. نشان داده شده که اين آتاماتاي جديد قادر است تخميني از توزيع شرطي اقدام‌ها را فرا بگيرد. در ادامه چارچوبی مبتني بر آتاماتاي يادگير توزيع‌شده جديد پيشنهادي، براي حل مسأله يادگيري برخط پارامترهاي یک شبکه بیزی ارائه شده است. اين چارچوب با داده‌ها و شواهد جديد منطبق شده و عمليات به روز رساني پارامترها را انجام مي‌دهد. با بررسي‌هاي رياضي و آزمايش‌هاي عملي روي شبکه‌هاي نمونه، نشان داده‌ايم که اين مدل جديد قادر است با تخميني با دقت برابر با EM، يادگيري پارامترهاي يک شبکه بيزي را انجام دهد. علاوه بر ويژگي افتراقی‌بودن و يادگيري برخط، اين ساختار جديد با شرايطي که داده‌ها ناکامل باشند نيز سازگار است و به دليل استفاده از روابط يادگيري خطي و مبتني بر آتاماتاي يادگير، سربار محاسباتي کمي نيز دارد.http://ijece.org/fa/Article/Download/28101

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451242015321Introducing a New Version of Binary Ant Colony Algorithm to Solve the Problem of Feature Selectionارائه يک نسخه جديد از الگوريتم مورچگان باينری به منظور حل مسأله انتخاب ويژگی127134faشيماکاشفدانشگاه شهید باهنر کرمانحسیننظام‌آبادی‌پوردانشگاه شهید باهنر کرمان20151130The use of metaheuristic algorithms is a good choice for solving optimization problems. In this paper, a novel feature selection algorithm based on Ant Colony Optimization (ACO), called Advanced Binary ACO (ABACO), is presented. This algorithm is an advanced version of binary ant colony optimization, which attempts to solve the problems of ACO and BACO algorithms by combination of these two. The performance of proposed algorithm is compared to the performance of Binary Genetic Algorithm (BGA), Binary Particle Swarm Optimization (BPSO), and some prominent ACO-based algorithms on the task of feature selection on 12 well-known UCI datasets. Simulation results verify that the algorithm provides a suitable feature subset with good classification accuracy using a smaller feature set than competing feature selection methods.استفاده از الگوریتم‌های ابتکاری یک انتخاب مناسب برای حل مسایل بهینه‌سازی است. در اين مقاله نسخه بهبوديافته‌اي از الگوريتم بهينه‌ساز مورچگان باينري براي حل مسأله انتخاب ويژگي ارائه شده است. نسخه پيشنهادي خصوصيات الگوريتم جمعيت مورچه گسسته و الگوريتم مورچه باينري را به صورت توأمان در خود دارد. کارايي روش پيشنهادي روي 12 پايگاه داده استاندارد در موضوع طبقه‌بندي بررسي و نتايج با چند الگوريتم مطرح در اين زمينه شامل بهينه‌ساز جمعيت مورچگان گسسته و باينري مقايسه شده است. نتايج بيانگر کارايي مناسب الگوريتم پيشنهادي است.http://ijece.org/fa/Article/Download/28102

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451242015321Control of the Interference and Increasing Capacity by Creating a Phase Difference between the Signals Sent in LTE Networkکنترل تداخل و افزایش ظرفیت در یک شبکه LTE با ایجاد اختلاف فاز بین سیگنال‌های ارسالی135142faحميدرضاميرسالاريدانشگاه آزاد اسلامی واحد جامع شوشترناصرندادانشگاه بیرجند20151130According to the entry of new networks such as LTE and WiMAX that is based OFDM in country, the need to research and evaluate the performance of these networks is inevitable. In this paper we investigated the performance of different frequency allocation schemes in an LTE network. We first introduced the frequency allocation schemes include Reuse-1, Reuse-3, partial frequency reuse, sectoring, cell division region and soft frequency reuse, and then by creating a phase difference between two signals in a MISO channel in standard LTE, and combine it with some of these schemes such as sectorization and cell division region with the sectoring interference will significantly decreased in such networks. The simulation results show that the phase differences between the signals(which it’s called the one pre-order scheme) in MISO channel, due to the rotation of the antenna radiation pattern depending on the position of mobile users, and also the soft frequency reuse scheme for the full allocation of OFDM carriers to each cell and sending with less power for users of the cell center, leads to the substantial gain in the total network capacity, under the different traffics.با توجه به ورود شبکه‌های جدید در کشور از قبیل LTE و وایمکس که مبتنی بر OFDM می‌باشند، نیاز به تحقیق و پژوهش و همچنین بررسی عملکرد این شبکه‌ها، امری اجتناب‌ناپذیر است. در این مقاله ما به بررسی عملکرد طرح‌های تخصیص فرکانسی مختلف در یک شبکه LTE می‌پردازیم. ابتدا کارایی طرح‌های‌ تخصیص فرکانسی از قبیل استفاده مجدد با ضریب 1، استفاده مجدد با ضریب 3، استفاده مجدد فرکانس جزئی، سکتوربندی، تقسیم ناحیه سلول و استفاده مجدد فرکانس نرم را بررسی می‌کنیم و سپس با ایجاد اختلاف فاز بین دو سیگنال ارسالی در یک کانال MISO در استاندارد LTE و ترکیب آن با برخی از این طرح‌ها مانند سکتوربندی و تقسیم ناحیه سل همراه با سکتوربندی، تداخل را در چنین شبکه‌هایی به طور قابل ملاحظه‌ای کاهش می‌دهیم. نتایج شبیه‌سازی نشان می‌دهد که ایجاد اختلاف فاز بین سیگنال‌ها (که به آن طرح پیش کدکنندگی مرتبه 1 می‌گویند) در یک کانال MISO، به دلیل چرخش الگوی تشعشعی آنتن بسته به موقعیت کاربر متحرک و همچنین طرح استفاده مجدد فرکانس نرم به دلیل تخصیص کامل حامل‌های فرکانسی OFDM به هر سل و ارسال با توان کمتر برای کاربران مرکز سل، به بهره قابل ملاحظه‌ای در ظرفیت و تداخل کل شبکه در ترافیک‌های مختلف منجر می‌گردند.http://ijece.org/fa/Article/Download/28103

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451242015321A Secure Algorithm to Overcome Fingerprint Classification Problemsروشی مطمئن برای مقابله با مشکلات طبقه‌بندی اثر انگشت143151faفائزهميرزاييدانشگاه کاشانحسين ابراهيم‌پور کوملهدانشگاه کاشانمحسنبيگلريدانشگاه صنعتی شاهرود20151130Fingerprint as a biometric has the most applications in verification and identification systems, because of its specific properties. In identification systems, input image is compared with all of images stored in the database. In huge databases, the comparison will take large amounts of time; Consider FBI databases, for instance. Image classification is one of the approved methods to increase the identification speed. Only one class is assigned to each fingerprint in tradition absolute classification. Various reasons like noise or lack of all the singularity points in captured region, cause the problem in determination of an absolute class for all the images. In this article, a new method based on probabilistic classification is presented. In the proposed approach, a set of classes are considered for each input image with a specific probability. These classes are searched in order of their probabilities priority in matching stage. Experiments on well-known FVC2002 database, exhibit the effect of probable classification clearly. Using only the second and third classes assigned by the proposed method, the identification system achieves about 18% increase in accuracy and 2-3 times speedup in compared to the traditional methods.اثر انگشت بیومتریکی است که به دلیل ویژگی‌های منحصر به فردش، بیشترین کاربرد را در سیستم‌های تشخیص و تعیین هویت داشته است. در سیستم‌های تعیین هویت، تصویر ورودی با تمام تصاویر ثبت‌شده در پایگاه مقایسه می‌گردد و در صورتی که پایگاه داده حجیم باشد، عمل مقایسه بسیار زمان‌بر خواهد بود. برای نمونه می‌توان به پایگاه‌های داده موجود در FBI اشاره نمود. یکی از راه حل‌های تأییدشده برای افزایش سرعت، طبقه‌بندی تصاویر است. در طبقه‌بندی مطلق، به هر اثر انگشت تنها یک کلاس تخصیص می‌یابد. دلایل مختلفی چون نویز یا عدم وجود همه نقاط یکتا در محدوده تصویر، تعیین یک کلاس مطلق برای همه تصاویر را دچار مشکل می‌کند. در این مقاله، روشی جدید بر پایه طبقه‌بندی احتمالی ارائه شده که برای هر تصویر ورودی، مجموعه‌ای از کلاس‌ها مشخص می‌شود که هر یک دارای یک احتمال می‌باشند. در مرحله انطباق، کلاس‌ها به ترتیب اولویتشان جستجو می‌شوند. آزمایشات صورت‌گرفته بر روی پایگاه داده شناخته‌شده 2002 FVC، تأثیر استفاده از طبقه‌بندی احتمالی را به روشنی نشان داده است. با در نظر گرفتن کلاس‌های دوم و سوم تعیین‌شده توسط روش پیشنهادی، دقت شناسایی سیستم تقریباً 18% افزایش یافته است، در صورتی که سرعت آن، 2 تا 3 برابر بیشتر از طبقه‌بندی مطلق می‌باشد.http://ijece.org/fa/Article/Download/28104

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451242015321Topology Control in Wireless Sensor Networks Using Two-Level Fuzzy Logicکنترل توپولوژی در شبکه‌های حسگر بی‌سیم با استفاده از منطق فازی دوسطحی152157faعليعبدي سيدکلاييدانشگاه شهید بهشتیعليذاکرالحسيني دانشگاه شهید بهشتی20151130Wireless sensor networks are a new generation of networks that from sensors uses to get information about itself environment and communication this sensors is as wireless. One of the issues that is very important in wireless sensor networks is Discussion reducing energy consumption and increasing network lifetime. Topology control is one of the methods to reduce energy consumption and increase the lifetime of the network. Since different methods of topology control, to reduce energy consumption and enhance the network lifetime is proposed that including them is the clustering and one of the most famous clustering methods is LEACH. In this paper, we try to present a new clustering method that is superior compared to leach and other improved methods after the LEACH. we use in our clustering method from two-level fuzzy logic that be causing reduce energy consumption and increase the network lifetime compared to other methods and to prove the superiority of our method compared with other methods, we present a comparison using MATLAB software.شبکه‌های حسگر بی‌سیم نسل جدیدی از شبکه‌ها هستند که از حسگرها برای دریافت اطلاعات پیرامون محیط خود استفاده می‌کنند و ارتباط این حسگرها به طور بی‌سیم است. یکی از مسایلی که در شبکه‌های حسگر بی‌سیم از اهمیت زیادی برخودار می‌باشد بحث کاهش مصرف انرژی و افزایش طول عمر شبکه است. کنترل توپولوژی یکی از روش‌های کاهش مصرف انرژی و افزایش طول عمر شبکه بوده و تاكنون روش‌هاي مختلف كنترل توپولوژي به منظور کاهش مصرف انرژی و افزایش طول عمر شبکه ارائه شده که از جمله آنها خوشه‌بندی است و یکی از روش‌های معروف خوشه‌بندی LEACH می‌باشد. در این مقاله ما سعی داریم یک روش خوشه‌بندی جدیدی ارائه دهیم که نسبت به LEACH و سایر روش‌های بهبودیافته بعد از LEACH برتری داشته باشد. ما در این روش خوشه‌بندی از منطق فازی دوسطحی استفاده می‌کنیم که باعث کاهش مصرف انرژی و افزایش عمر شبکه در مقایسه با روش‌های دیگر می‌شود و برای اثبات برتری روشمان در مقایسه با روش‌های دیگر، مقایسه‌ای با استفاده از نرم‌افزار MATLAB ارائه داده‌ایم.http://ijece.org/fa/Article/Download/28105

مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237451242015321PLAER: Penalty Base Learning Automata for Energy Aware Routing in WSNPLAER: الگوريتم مسيريابي آگاه از انرژي در شبکه‌هاي حسگر بي‌سيم به کمک مفهوم جريمه در اتوماتاي يادگير158163faمرتضيپرويزي عمراندانشگاه تهرانعليمعينيدانشگاه تهرانحميدحاج سيدجواديدانشگاه شاهد0000-0003-0082-036X20151130Sensors in WSN work with batteries that have limited energy capacity. Therefore, reduction in power consumption is a very important issue. In this paper, we present a new routing algorithm to reduce power consumption in wireless sensor networks. This algorithm deploys Learning automata in each node to find a suitable path for routing data packets. In order to aim this goal the algorithm uses penalty based approach in learning automata and considers energy level of nodes and latency of packet delivery as well. Performance of our new developed algorithm has been compared with LABER and BEAR protocols in OMNET++ simulator. Simulation results show that, in a network with static nodes, energy consumption and control packets reduce significantly and network lifetime increases in comparison with two other protocols.حسگرهاي موجود در شبکه‌هاي حسگر بي‌سيم معمولاً با انرژي باتري و با عمر محدود کار مي‌کنند، به همين دليل کاهش مصرف انرژي در آنها از اهميت بسزايي برخوردار است. در اين مقاله، الگوريتم مسيريابي جديدي جهت کاهش مصرف انرژي در اين شبکه‌ها معرفي مي‌شود که از اتوماتاي يادگير به منظور يافتن مسير مناسب جهت ارسال بسته‌هاي داده بهره مي‌گيرد. رويکرد اصلي اين الگوريتم به اين صورت است که مصرف انرژي در مسيرهاي مختلف را با در نظر گرفتن سطح انرژي و تأخير گره‌ها متوازن نگه مي‌دارد و بدين منظور از شيوه جريمه‌دهي در اتوماتاي يادگير بهره مي‌گيرد. براي ارزيابي کارايي الگوريتم پيشنهادي، اين پروتکل مسيريابي با نرم‌افزار OMNET++ شبيه‌سازي و نتايج به دست آمده با دو پروتکل LABER و BEAR مقايسه شده است. نتايج شبيه‌سازي نشان مي‌دهد که در شبکه با ساختار استاتيک، در مصرف انرژي و ارسال بسته‌هاي کنترلي و در نتيجه طول عمر شبکه در پروتکل پيشنهادي نسبت به پروتکل‌هاي مقايسه‌شده بهبود حاصل شده است.http://ijece.org/fa/Article/Download/28106