فرهاد مردوخی

   در این پژوهش، الگوریتم ترکیبی WOA-Q Learning برای زمان‌بندی بلادرنگ وظایف در محیط‌های تلفیقی Fog-Cloud ارائه شده است. این الگوریتم با ترکیب قابلیت جستجوی سراسری الگوریتم بهینه‌سازی نهنگ‌ها (WOA) و توان تصمیم‌گیری تطبیقی یادگیری تقویتی (Q-Learning)، به بهینه‌سازی تخصیص منابع و کاهش تاخیر کمک می‌کند. شبیه‌سازی‌ها در محیط MATLAB و بر روی سناریوهای مختلف شامل ?? تا ??? وظیفه انجام گرفت. نتایج نشان داد که الگوریتم پیشنهادی در مقایسه با روش‌های مرجع مانند EDF، PSO، WOA و QL، در چهار معیار اصلی شامل تاخیر کل، مصرف انرژی، نرخ عدم موفقیت ددلاین و بهره‌وری زمان‌بندی عملکرد برتری دارد. الگوریتم WOA-Q توانست تاخیر کل را تا ??? و مصرف انرژی را تا ??? کاهش دهد و نرخ عدم موفقیت ددلاین را به حدود ???? برساند. هرچند زمان اجرای آن اندکی بیشتر است، اما بهبود قابل‌توجه در سایر شاخص‌ها، کارایی کلی آن را اثبات می‌کند. این نتایج بیانگر اثربخشی ترکیب روش‌های فراابتکاری و یادگیری ماشین در ارتقای سیستم‌های بلادرنگ و کاربردپذیری آن در حوزه‌هایی نظیر اینترنت اشیا و محاسبات لبه است.    کلیدواژها: بهینه‏سازی، زمانبندی بلادرنگ، محیط‏های ابری-مه، اینترنت اشیاء

تحول دیجیتال در حوزه‌ی دولت الکترونیک و مدیریت زمین به عنوان یک خدمت دولتی، باعث تلاش برای   یکپارچه‌سازی فرایندها و داده‌ها از طریق یک درگاه واحد شده که سامانه‌ی پنجره واحد نام دارد. با این حال، ارزیابی میزان بلوغ این نوع سامانه و پیگیری پیشرفت‌، همچنان یک چالش اساسی محسوب می‌شود. این پایان‌نامه با هدف ارائه یک مدل بلوغ توصیفی برای ارزیابی پنجره واحد مدیریت زمین طراحی شده است. مدل پیشنهادی با استفاده از روش مطالعات کتابخانه‌ای و تلفیق مدل‌های مرجع همچون روش شناسی ارزیابی پنجره واحد تجارت سازمان تجارت جهانی (SWAM)، مدل بلوغ سازمان جهانی گمرک (WCO) برای پنجره واحد تجارت ، یک‌پارچگی مدل بلوغ قابلیت (CMMI)، چارچوب معماری گروه اوپن (TOGAF)، شاخص بلوغ دولت الکترونیک سازمان ملل (EGDI)، بلوغ سنجی‌های سازمان همکاری اقتصادی و توسعه (OECD)، مدل بلوغ پنج سطحی دولت الکترونیک ایران و چند مدل و چارچوب دیگر تدوین شده است. در این مدل، بلوغ سامانه بر اساس چندین حوزه فرایند کلیدی، از جمله سطح یک‌پارچگی، مدیریت داده‌ها، رابط کاربری، مشارکت ذی‌نفعان، شفافیت و عملکرد سیستم، پایش و نظارت هوشمند و ... ارزیابی می‌شود. مدل پیشنهادی در پنج سطح بلوغ (آغازین، استاندارد، یک‌پارچه، پیشرفته و بهینه‌سازی و نوآوری) ارائه شده است که بر هم‌راستایی با فازهای A، B و C از روش توسعه معماری TOGAF، یک‌پارچگی مدل بلوغ قابلیت (CMMI) و )، مدل بلوغ پنج سطحی دولت الکترونیک ایران تاکید دارد. برای ارزیابی مدل، از نظر خبرگان و تحلیل تطبیقی با مدل‌های مرجع استفاده شده است. نتایج نشان می‌دهد که مهم‌ترین مزایای مدل پیشنهادی تلفیق معیارهای چندین مدل معتبر، پوشش شاخص‌های متنوع و سازگاری با ویژگی‌های خاص پنجره واحد مدیریت زمین است. با این حال، مدل پیشنهادی دارای نقایصی از جمله نبود روشی دقیق برای وزن‌دهی شاخص‌ها، پوشش محدود ملاحظات امنیتی پیشرفته و وابستگی به کیفیت و دسترسی به داده‌ها   است که می‌تواند در پژوهش‌های آتی مورد بررسی قرار گیرد.    واژگان کلیدی: مدل بلوغ، پنجره واحد مدیریت زمین، پنجره واحد، دولت الکترونیک، ارزیابی بلوغ سامانه‌ها.

در سال‌های اخیر استفاده‌ی افراد از محصولات دیجیتال مانند وبسایت‌ها و اپلیکیشن‌های تلفن همراه افزایش چشمگیری داشته است. از طرفی نحوه‌ی تعامل کاربران با محصول از جمله عوامل مهم در موفقیت آن است. در نتیجه متخصصان این حوزه با تحلیل و اندازه‌گیری معیارها، درصدد بهبود روش‌ها و استانداردهای مربوط به طراحی تجربه‌ی کاربری هستند. یکی از روش‌های موثر در پژوهش تجربه‌ی کاربری استفاده از پرسشنامه است تا به وسیله‌ی آن کاربران هدف و نیازهای آنها به درستی برآورده شود تا محصول نهایی برای کاربران کارکرد مطلوب به دنبال داشته باشد. پرسشنامه‌های متفاوتی وجود دارند که هرکدام از جنبه‌ی خاصی مانند زیبایی شناسی، کاربردپذیری یا احساسات، بازخورد کاربران را بررسی کرده‌اند. اما پرسشنامه‌ی ارزیابی ماژولار مولفه‌های کلیدی تجربه کاربر[1] یا به اختصار meCUE ابعاد مختلف موثر در تجربه‌ی کاربری را   به صورت همزمان و استاندارد آزمایش می‌کند. این پرسشنامه که به زبان آلمانی در آزمایش‌های مختلف نتایج خوبی به دست آورده است، سپس در دو مقاله‌ی دیگر طبق یک فرآیند قابل اطمینان به زبان‌های انگلیسی و اندونزیایی ترجمه شده و کیفیت پرسشنامه در زبان هدف با معیارهایی همچون قابلیت اطمینان، تست کرونباخ آلفا و سنجش سازگاری داخلی ارزیابی شده است. در این تحقیق ابتدا پرسشنامه‌ی meCUE توسط سه نفر مترجم و بر اساس اصول بین المللی تطبیق بین فرهنگی، به زبان فارسی ترجمه شده و با معیارهای مختلف از جمله قابلیت اطمینان، تست آلفای کرونباخ و سنجش سازگاری داخلی ارزیابی شده است. برای ارزیابی پرسشنامه، از آن روی یک اپلیکیشن‌ جامع ایرانی به نام روبیکا با بیش از سی میلیون نصب فعال استفاده شده است. به این صورت که ابتدا ?? نفر از کاربران اپلیکیشن به پرسشنامه پاسخ دادند و با استفاده از نتایج بدست آمده معیارهای مذکور محاسبه شدند تا از صحت ترجمه اطمینان حاصل شود. این پرسشنامه‌ی می‌تواند به عنوان اولین مرحله در تحقیق تجربه کاربری مورد استفاده قرار گیرد. در مرحله‌ی بعد با توجه به پاسخ‌های کاربران به پرسشنامه و همچنین با بکارگیری ابزار مصاحبه و اصول ارزیابی اکتشافی نیلسون، در رابط کاربری اپلیکیشن تغییراتی ایجاد شد. سپس تغییرات اعمال شده توسط ?? نفر با کمک آزمایش کاربردپذیری مورد ارزیابی قرار گرفت. برای آزمایش کاربردپذیری، هم از افرادی استفاده شد که تاکنون از روبیکا استفاده نکرده‌اند و هم از افرادی که کاربر آن بودند. به این ترتیب تعصب و آشنایت شرکت کنندگان نسبت به حالت فعلی اپلیکیشن تعدیل شده، کابران فعلی و بالقوه‌ی اپلیکیشن به یک اندازه مورد توجه قرار می‌گیرند و ارزیابی دقیق‌تری از تغییرات اعمال شده به دست می‌آید. نتایج تست کاربرد پذیری نشان داد که تغییرات اعمال شده در رابط کاربری روبیکا به طور میانگین ?? درصد امتیاز کاربردپذیری را بالاتر می‌برد. علاوه بر این، کاربرانی که در آزمایش کاربرد پذیری شرکت کرده بودند به مجموعه‌ای از سوالات در رابطه با مقایسه‌ی رابط کاربری فعلی و چند تغییر پیشنهادی پاسخ دادند که در نتیجه تمامی تغییرات پیشنهادی از نظر اکثر کاربران مثبت ارزیابی شد. کلید واژه‌ها: ارزیابی تجربه‌ی کاربری، تعامل انسان با رایانه، پرسشنامه‌یmeCUE، بهبود تجربه‌ی کاربری برنامه‌ی کاربردی فارسی گوشی هوشمند، آزمایش کاربردپذیری، برنامه‌ی کاربردی ایرانی گوشی‌های همراه

رایانش مه یک زیرساخت توزیع شده با امکان ارتباط، ذخیره‌سازی و محاسبه در لبه یک شبکه محلی و بسیار پویاست. فاصله زیاد سرویس­گیرنده­های یک محیط محلی با ابر و همچنین تعداد بسیار بالای درخواست‌ها از سایر محیط­ها که حساس به تاخیر هستند مشکلاتی را در ارائه خدمات ابری به وجود آورده است. درنتیجه استفاده از قابلیت محاسباتی منابع بیکار محلی و نزدیک به دستگاه‌های انتهایی همانند خودروهای با/بدون سرنشین و ایجاد یک شبکه ad-hoc تحت عنوان رایانش مه وسایل نقلیه سبب کاهش ارسال درخواست‌ها به ابر و همچنین کاهش زمان پاسخ می‌شوند. با این ‌وجود محدودیت منابع در رایانش مه وسایل نقلیه در مقایسه با ابر باعث ایجاد مشکلاتی از قبیل یافتن منابع آزاد از نظر توان محاسباتی و همچنین دسترس‌‌پذیری منابع در ارائه سرویس مطلوب به مشتری­ها می­شود. درنتیجه تلاش برای پیش­بینی درست میزان منابع درخواستی هر وظیفه می­تواند از هدر رفتن منابع محدود گره­های مه جلوگیری کند که این امر نیازمند روش‌هایی از قبیل یادگیری ماشین است تا بر اساس درخواست/پاسخ‌های دستگاه‌های انتهایی بتواند رفتار محیط را تا حدودی یاد گرفته و جهت رسیدن به کیفیت مطلوب سرویس­دهی، مقادیر مناسبی از منابع را در اختیار آن­ها قرار دهد. در این پژوهش با استفاده از یادگیری تقویتی عمیق QL روشی برای برنامه‌ریزی و پیش‌بینی منابع مورد‌نیاز یک مشتری خودرو هوشمند با معماری سه‌لایه رایانش خودرویی در بهینه‌سازی تخصیص منابع و بهبود عملکرد کلی سیستم ارائه شده است.این روش با استفاده از قابلیت‌های هوش مصنوعی و یادگیری تقویتی، رویکردی پویا و تطبیقی برای مدیریت منابع در یک محیط محاسباتی مه ارائه می‌دهد. دو الگوریتم اصلی برای مسئله پیش‌بینی و تخصیص منابع در این تحقیق پیشنهاد شده است. در انتها بر مبنای روش پیشنهادی از ابزارها و مجموعه داده­های مناسب جهت ارزیابی استفاده می‌شود. داده‌های مورداستفاده هم می‌توانند یک بازه‌ای مشاهده شده از دنیای واقعی باشند و هم می‌توانند از طریق ابزارهای شبیه‌سازی مانند Matlab تولید شوند. دیتاست مورداستفاده شامل وضعیت‌های خودروهای کلاینت، درخواست‌های آنها، گره‌های مه، تحرکات آنها و وظایف درخواست شده از سمت کلاینت‌ها در یک بازه زمانی خاص است. یافته‌های کلیدی این مطالعه نشان می‌دهد که یادگیری تقویتی QL می‌تواند به طور موثری میزان متناسب تخصیص منابع را با یادگیری از تجربیات گذشته و تصمیم‌گیری آگاهانه پیش‌بینی کند. با آموزش و به روزرسانی مستمر عامل یادگیری Q، سیستم می‌تواند با شرایط متغیر سازگار شود و تصمیمات تخصیص منابع را بر اساس اطلاعات بلادرنگ اتخاذ کند. همچنین نتایج آزمایش‌ها اثربخشی روش پیشنهادی را در بهینه‌سازی تخصیص منابع نشان می‌دهد. عامل یادگیری تقویتی QL اقدامات بهینه‌ای را یاد می‌گیرد که مصرف منابع را به حداقل می‌رساند درحالی‌که الزامات عملکرد سیستم مه را برآورده می‌کند. این منجر به بهبود کارایی، کاهش تاخیر و افزایش قابلیت اطمینان سیستم می‌شود.   

هدف: با توجه به رشد روزافزون انتقال تصاویر در شبکه‌های کامپیوتری تامین سطح مناسبی از امنیت برای حفاظت از این تصاویر بسیار مهم است که با استفاده از روش‌های مختلف رمزنگاری می‌توان این امنیت را تامین نمود. روش‌های رمزنگاری تصویر مبتنی بر تئوری آشوب، به علت ویژگی‌های منحصربه‌فرد توابع آشوب، مانند حساسیت به مقادیر و پارامترهای اولیه و قدرت درهم‌ریزی زیاد به‌عنوان راه‌حل موثرتر و امن‌تری در رمزنگاری تصویر شناخته‌شده‌اند. این مطالعه باهدف تعیین نگاشت آشوبناک بهینه برای رمزنگاری چهار گروه مختلف از تصاویر شامل تصاویر چهره، تصاویر اثرانگشت، تصاویر ماهواره‌ای و تصاویر پزشکی و افزایش سرعت رمزنگاری انجام گردید. روش پژوهش: ابتدا متون و مقالات مرتبط با رمزنگاری تصویر با استفاده از نگاشت‌های آشوبناک مطالعه شد. با استفاده از این مطالعات 11 نگاشت آشوبناک یک‌بعدی و دوبعدی بررسی شد. در مرحله پیاده‌سازی با زبان برنامه‌نویسی پایتون 40 تصویر با این 11 نگاشت رمزنگاری گردید.   سپس در مرحله ارزیابی تصاویر رمز شده، به کمک معیارهایی مانند هیستوگرام تصویر و همبستگی میان پیکسل‌های تصویر، کیفیت رمزنگاری بررسی گردید. پس از مرحله ارزیابی تعیین شد که برای رمزنگاری هر یک از این گروه‌های تصویر؛ کدام نگاشت مناسب‌تر است. در پایان با استفاده از تکنیک‌های موازی‌سازی سرعت رمزنگاری افزایش یافت. یافته‌ها: حاصل این مطالعه، تعیین نگاشت آشوبناک مناسب برای رمزنگاری هر یک از گروه‌های چهارگانه تصویر و موازی‌سازی تولید کلیدهای آشوبناک بود. همچنین عملکرد آشوبی نگاشت سینوسی با ایجاد تغییراتی در معادله این نگاشت بهبود داده شد. پس از تحلیل تصاویر رمز شده تعیین شد که نگاشت‌های لجستیک2، لجستیک3، دافینگ و سینوسی به ترتیب   نگاشت‌های بهینه برای رمزنگاری تصاویر چهره، پزشکی، اثرانگشت و ماهواره‌ای هستند. هم‌چنین مشخص شد که نگاشت آشوبناک کوادرتیک بالاترین سرعت تولید کلیدهای آشوبی را دارد. نتیجه‌گیری: یکی از روش‌های موجود برای تامین امنیت تصاویر در حین انتقال در بستر شبکه‌های کامپیوتری، رمزنگاری تصاویر است. در رمزنگاری تصاویر یکی از مراحل مهم، تولید کلیدهای رمز است. با استفاده از توابع آشوبناک می‌توان کلید‌های رمز شبه تصادفی را تولید نمود. انواع مختلفی از توابع آشوبناک وجود دارند که بهتر است برای رمزنگاری تصاویر با توجه به نوع تصویر، تابع مناسبی انتخاب گردد. استفاده از توابع آشوب ضریب امنیتی رمزنگاری تصاویر را افزایش می‌دهد؛ اما معمولاً نیازمند محاسبات زیادی است. این حجم محاسبات می‌تواند سرعت رمزنگاری را کاهش دهد. برای رفع این مشکل می‌توان از روش‌های مختلف موازی‌‌سازی استفاده نمود. کلیدواژه‌ها: رمزنگاری تصویر، توابع آشوب، نگاشت بهینه، موازی‌سازی   

   بیماری پارکینسون نوعی اختلال مغزی است که در اثر آسیب به سلول‌های تولیدکننده دوپامین در ناحیه مغز ایجاد ‌‌می‌شود.  افراد مبتلا به بیماری پارکینسون علائمی ‌مانند لرزش و کندی حرکت دارند که باعث ‌‌می‌شود این افراد در کنترل حرکت خود دچار مشکل شوند. پارکینسون معمولاً بر اساس اقداماتی که توسط متخصص مغز و اعصاب صورت می‌گیرد، تشخیص داده می‌شود. اقداماتی نظیر، تجزیه و تحلیل تاریخچه پزشکی بیمار، بررسی علائم، معاینه عصبی و فیزیکی. بنابراین، شناسایی بیماری پارکینسون یک پروسه طولانی مدت است که همواره بر در دسترس بودن تمامی اطلاعات بیمار (تاریخچه) و مطالعه دقیق آن‌ها در هر جلسه ضرورت دارد. از این رو با توجه به شرایط و مشکلاتی که در این زمینه وجود دارد، تشخیص نادرست هم با توجه به خطرات آن در بین احتمالات وجود دارد. یکی از راهکارهایی که امروزه برای جلوگیری از بروز چنین اشتباهاتی به کار گرفته می‌شود استفاده از سیستم‌های تشخیص خودکار یادگیری ماشین است. با توجه به موضوع و مشکلات یاد شده، این مطالعه یک مدل LSTM دو طرفه را با دو تابع فعالساز Softsign و Tanh برای تشخیص خودکار بیماری پارکینسون بر اساس آنالیز راه‌رفتن افراد PD مورد آزمایش قرار می‌دهد. داده‌‌‌های خام سیگنال‌‌‌هایVGRF   به دست آمده از پایگاه داده Physionet در مدل پیشنهادی برای طبقه‌بندی افراد PD و سالم آزمایش شد.   آزمایش‌ها کارایی بالای روش پیشنهادی را در تشخیص بیماری پارکینسون بر اساس آنالیز سیگنال­های حرکتی مربوط به راه‌رفتن افراد نشان می‌دهد. الگوریتم پیشنهادی به دقت 97.1 درصد دست یافت. از بین روش‌های بررسی شده در این مطالعه، روش ارائه شده بهترین عملکرد را در تشخیص بیماری پارکینسون با استفاده از سیگنال­های حرکتی مربوط به راه‌رفتن کسب کرده­است. این نتایج نشان می‌دهد که این مدل می‌تواند ویژگی‌های کارآمدی را از داده‌های موجود بیاموزد که می‌تواند در تشخیص بالینی مفید باشد.   

درسال‌های اخیر با رشد علم و فناوری و ایجاد بازارهای رقابتی در صنایع مختلف، لزومکنترل کیفیت، اندازه‌گیری پارامترهای کمی و کیفی محصول نهایی اهمیت به سزاییپیداکرده است. داشتن یک محصول باکیفیت مهم‌ترین بخش از یک خط تولید است، به‌طوری‌کهامروزه کمترکارخانه پیشرفته‌ای وجود دارد که بخشی از تولید آن توسط برنامه‌های هوشمند بیناییماشین و پردازش تصویر کنترل نشود. مدیریتکیفیت در زمان واقعی و بر خط،   امکان افزایش کارایی تولید را به نحو موثری فراهممی‌کند. در این پایان‌نامه، تلاش برای تحقیق و بررسی تکنیک‌های پیشرفتهدر حوزه‌های پردازش تصویر، یادگیری ماشین و یادگیری عمیق به‌منظور بهبود کیفیت تشخیصعیوب چوب به‌عنوان ماده‌ای اساسی در صنعت محصولات چوبی صورت گرفته است. هدف اصلی اینپروژه، ارتقاء دقت و قابلیت تشخیص عیوب چوب از طریق بهره‌گیری از ابزارها و تکنیک‌هایپیشرفته در زمینه‌های پردازش تصویر و یادگیری ماشین است. در این مطالعه، از مجموعهداده "Wood_patches" استفاده شده است که شامل تصاویر متعددی از چوب‌های سالم وناسالم با تنوع‌های مختلف می‌باشد. همچنین، به‌منظور ارزیابی بیشتر و تعمیق دراثربخشی مدل‌ها، از مجموعه داده "Leather Defect" نیزاستفاده شده است که در آن دو کلاس چرم سالم و ناسالم وجود دارد و مدل‌ها برای تشخیصاین دسته‌بندی نیز ارزیابی می‌شوند.در اولین رویکرد پیشنهادی اول برای پیش‌بینی عیوب چوب، سهمرحله اصلی برای استخراج ویژگی مستقل و طبقه‌بندی انجام می­شود، در مرحل? اول، عملیاتی مانند نرمال‌سازی و تغییر اندازه تمام تصاویر انجاممی‌شود. این کارها به عنوان بخشی از پیش‌پردازش تصاویر محسوب می‌شوند. در مرحلهدوم از روش‌های مختلفی برای استخراج ویژگی‌ها از تصاویر استفاده شده است. این روش‌هاشامل الگوی باینری محلی (LBP)، فیلترگابور، VGG16 و Resnet50 می­شوند. با استفاده از این روش‌ها، ویژگی‌های مهم و مختلفی از تصاویر استخراجمی­شوند که به‌عنوان ورودی برای مرحله بعدی مورد استفاده قرار می­گیرند. در مرحلهسوم، از روش‌های مختلفی برای طبقه‌بندی تصاویر با استفاده از ویژگی‌های استخراجشده استفاده می­شود. این روش‌ها شامل شبکه‌های عصبی چندلایه (MLP)،ماشین بردار پشتیبان (SVM) و الگوریتم k-نزدیک‌ترینهمسایه (KNN)هستند. این روش‌ها با استفاده از ویژگی‌های استخراج شده، تصاویر را به‌طور جداگانهدر دسته‌های مختلف دسته‌بندی می‌کنند. رویکرددوم پیشنهادی پیش­بینی با استخراج ویژگی ترکیبیو طبقه‌بندی است. ترکیب روش‌های استخراج ویژگی در شبکه‌هایپیچشی و یادگیری ماشین برای بهبوددقت طبقه‌بندی چوب سالم از ناسالم استفاده شده است. این ترکیب‌ها شامل ترکیب معماری VGG16 و LBP برای استخراج الگوهای محلی از تصاویر استفاده شده است. این دو نوع ویژگی باهم ترکیب می‌شوند تاتصویر را از جنبه‌های مختلف مورد بررسی قرار دهند. ترکیب معماری VGG16 به همراه فیلتر گابور برای تشخیصالگوها با فرکانس و جهت مختلف و ترکیب معماری VGG16   به همراه تکنیک LDA برای کاهش ابعاد و افزایش تمایز ویژگی‌هااستفاده شده است، همچنین ترکیب معماری Resnet50 به همراه LBP برای استخراج ویژگی‌های محلی، ترکیب Resnet50 به همراه فیلر گابور و ترکیب Resnet50 به همراه LDA   است و درنهایت این ویژگی­ها به طبقهبند مورد نظر داده شدند. بهترین ترکیب شامل استفاده از معماری Resnet50 برایاستخراج ویژگی‌ها، استفاده از LDA برای کاهش ابعاد ویژگی‌ها و درنهایت، برایطبقه‌بندی از SVM استفاده می­شود. با اجرای این روش بر روی مجموعهداده "Wood_patches"، دقت طبقه‌بندی به 98% رسیده است.   

پیشرفت روزافزون فنّاوری در عرصه‌های مختلف علوم و تاثیر آن بر زندگی انسان امروزی، تجارب احساسی، عاطفی و ادراکی را به‌شدت در کانون توجه طراحان قرار داده است. در این خصوص، طراحی بر اساس رضایتمندی، خوشایندی، احساسات و عواطف درونی انسان عاملی بسیار مهم و تاثیرگذار در فرایند طراحی محصول شناخته می‌شود. به دنبال شیوع و فراگیری ویروس کرونا در جهان، ساختار آموزش عالی نیز، مانند بسیاری از بخش‌های دیگر زندگی انسان، دست‌خوش تغییرات عمده شد.   شرکت دانشجویان در کلاس‌ها ی آنلاین، آزمون‌ها و انجام امور اداری به‌صورت غیرحضوری موجب استفاده بیشتر دانشجویان از وبسایت دانشگاه‌ها شده است. استاندارد نبودن طراحی وبسایت باعث می‌شود زمان زیادی از دانشجویان گرفته شود تا به اهداف موردنظرشان برسند. بنابراین گنجاندن عناصر احساسی که می‌توانند شادی، لذت و علاقه را تشویق کنند، بسیار مهم است. این تحقیق از مهندسی کانسی استفاده کرده است تا احساسات کاربر را به مولفه‌های طراحی رابط تبدیل کند و نشان دهد کاربر از رابط کاربری چه می‌خواهد. 50 کلمه‌ی کانسی از طریق پرسشنامه بین 50 دانشجو توزیع گردید و از بین آن‌ها 12 کلمه جهت ارزیابی پارامترهای طراحی بر اساس احساسات کاربران انتخاب شد. بر اساس کلمات کانسی انتخاب شده پارامترها و قوانینی برای طراحی رابط کاربری استخراج شد. این قوانین در یک پایگاه دانش جمع‌آوری گردید که طراحان می‌توانند با مراجعه به آن بر اساس احساس موردنظرشان برای طراحی، پارامترهای طراحی متناسب با آن احساس را دریافت کرده و طرح کاربرپسند خود را ترسیم کنند.   

   چکیده: امروزه با گسترش روز افزون شبکه­های اجتماعی امکان دسترسی کاربران به نظرات و دیدگاه­های سایر افراد فراهم شده است. این نظرات، اغلب حاوی اطلاعات ارزشمندی هستند که می­توان با تحلیل آنها، به سلایق و گرایش­ افراد پی برد و نظرات مثبت و منفی و یا حتی خنثی آنها را نسبت به مسائل گوناگون، شناسایی کرد. اما از آنجا که حجم این داده­ها و سرعت تولید آنها به طرز شگفت­آوری بالاست تجزیه وتحلیل آن توسط انسان، امری دشوار، زمان­بر و در عمل، غیرممکن است؛ بنابراین نیاز به وجود روشی است که قادر باشد به صورت خودکار نظرات را تجزیه وتحلیل کند. تحلیل احساسات راه حل این مسئله است. تحلیل احساسات فرایندی است که قادر به کشف دیدگاه، نگرش و احساسات افراد از روی نوشته­هایشان است. تحلیل احساسات یا نظرکاوی، زیر مجموعه­ای از متن­کاوی و پردازش زبان طبیعی است که هدف آن استخراج خودکار دیدگاه کاربران نسبت به مسائل مختلف است. میکروبلاگ نوعی شبکه­اجتماعی است که در آن کاربران سعی در به اشتراک گذاشتن متن­های کوتاه خود با دیگران دارند. توییتر یکی از محبوب­ترین میکروبلاگ­ها است که حداکثر اندازه هر توییت در آن 280 کاراکتر است و این ویژگی توییتر را به بستری مناسب برای آگاهی از نظرات کاربران مبدل کرده است. در این پایان نامه کار تحلیل احساسات بر روی   7306 توییت فارسی استخراج شده از شبکه­اجتماعی توییتر با موضوع واکسن کرونا انجام شده است. برای این منظور توییت­ها در سه کلاس با برچسب مثبت، منفی و خنثی در نظر گرفته شدند و ضمن اینکه روش­های مختلف برای استخراج ویژگی به کار گرفته شد از روش­های مبتنی بر یادگیری ماشین و یادگیری عمیق در مدل­سازی استفاده شد. نهایتا پس از بررسی الگوریتم­های مختلف با معماری­های متنوع، از بین روش­های کلاسیک یادگیری ماشین، الگوریتم جنگل تصادفی در ترکیب با روش استخراج ویژگی TF-IDF توانست دقت   36/80% را کسب کند و از بین روش­های مبتنی بر یادگیری عمیق نیز مدل BERT با کسب دقت 92/83% نسبت به سایر مدل­های یادگیری عمیق و در مجموع نسبت به همه مدل­های به کار رفته در این پژوهش عملکرد بهتری داشت. بنابراین می­توان نتیجه گرفت که مدل BERT در حل مسئله طبقه­بندی توییت­های فارسی مرتبط با موضوع واکسن کرونا موثر است و عملکرد قابل قبولی نسبت به سایر مدل­ها دارد. کلید واژه­ها: متن­کاوی، تحلیل­احساسات، واکسن کرونا، پردازش زبان طبیعی، یادگیری ماشین، یادگیری عمیق، شبکه اجتماعی توییتر

در دهه‌های اخیر، به دلیل رشد و توسعه تجهیزات مخابراتی سیار و سیستم‌های قابل حمل، محققان و طراحان RF بیشتر به طراحی مدارات با ولتاژ و توان مصرفی کم تمرکز کرده‌اند. هم‌اکنون بیشترین سیستم‌ها به صورت بی‌سیم هستند و کاهش توان مصرفی بسیار مهم است که می‌تواند منجر به افزایش طول عمر باتری شود. یکی از بخش‌های مهم در سیستم‌های گیرنده، تقویت‌کننده کم نویز است که باید به صورت کم توان طراحی شود. در این پایان­نامه، یک تقویت کننده کم نویز باند باریک با مصرف انرژی کم و بهره ولتاژ   بالا با استفاده از فناوری ?m RF CMOS 18/0 ارائه شده است، به طوری که در تقویت کننده پیشنهادی جهت کاهش ولتاژ آستانه ترانزیستور از تکنیک بایاس بدنه و برای کاهش ولتاژ و جریان تغذیه از تکنیک استفاده مجدد جریان استفاده شده است. با توجه به استفاده از تکنیک حذف نویز در مدار پیشنهادی کاهش نویز قابل قبولی به همراه داشته و با انتخاب مناسب عناصر مدار، مصالحه ای بین پارامترهای مدار ایجاد گردیده است. نتایج بررسی ها نشان می دهد که بهره تقویت کننده کم نویز پیشنهادی 8/13 دسی بل، S11 کمتر از 37/14-   دسی بل و عدد نویز 2 دسی بل در فرکانس مرکزی 4/2 گیگاهرتز است. همچنین خطینگی   dBm5/2- و توان مصرفی در ولتاژ منبع تغذیه 1 ولت79/3 میلی وات می باشد. استفاده از چنین مداری می تواند کمک زیادی به طراحی سیستم های ارتباطی بی سیم کم مصرف با کارایی بالا کند. با اصلاحات بیشتر، می‌توان آن را در برنامه‌های IoT که مصرف کم انرژی حیاتی است نیز به کار برد. به طور کلی، این کار روند امیدوارکننده ای را برای توسعه تقویت کننده های فشرده، کم مصرف و کارآمد با استفاده از فناوری های پیشرفته RF CMOS نشان می دهد.   

  Normal 0 false false false EN-US X-NONE FA

بازار سهام به طور کلی ماهیت بسیار غیرقابل پیش‌بینی دارد. عوامل زیادی ممکن است در تعیین قیمت یک سهم خاص نقش داشته باشند، مانند روند بازار، نسبت عرضه و تقاضا، اقتصاد جهانی، احساسات عمومی، اطلاعات مالی حساس، اعلامیه سود، قیمت تاریخی و بسیاری موارد دیگر. چالش پیش‌بینی دقیق اما، با کمک فن‌آوری‌های جدید مانند داده‌کاوی و یادگیری‌ماشین، می‌توانیم داده‌های بزرگ را تجزیه‌و‌تحلیل کنند و یک مدل پیش‌بینی دقیق ایجاد کنند که از برخی خطاهای انسانی جلوگیری کند. در این کار، قیمت‌های بسته شدن سهام خاص از داده‌های نمونه با استفاده از یک الگوریتم یادگیری ماشین نظارت‌شده پیش‌بینی می شود. به طور خاص، یک الگوریتم شبکه عصبی بازگشتی روی داده‌های سری زمانی سهام استفاده می‌شود. قیمت‌های پایانی پیش‌بینی شده با قیمت پایانی واقعی بررسی می‌شوند. در این پژوهش به بررسی مشکل پیش‌بینی بازار سهام با استفاده از شبکه عصبی بازگشتی با حافظه کوتاه‌مدت بلند مدت می‌پردازیم. هدف این تحقیق بررسی امکان سنجی و عملکرد این مدل شبکه عصبی در پیش بینی بازار سهام می باشد. ما مدل پیشنهادی را با آزمایش پیکربندی‌های مختلف، به عنوان مثال، تعداد نورون‌ها در لایه‌های پنهان و تعداد نمونه‌ها به ترتیب، بهینه می‌کنیم. با استفاده از داده‌های تاریخی قیمت سهام از پایگاه داده yahoo finance جمع‌آوری کرده ایم تا مدل خود را آموزش دهیم. با این وجود، بر اساس نتایج پیش‌بینی مدل LSTM،   اقدام به پیش بینی ارزش سهام در روزهای آتی جهت قیمت پایانی سهام استفاده کردیم. نتایج نشان می دهد که مدل LSTM   با 4 لایه با دقت بالاتری و کمترین خطا (حدودا0.1771و2101و0.1617 ثبت کرده است) نسبت به بقیه لایه ها برای پیش بینی دارد.   

   چکیده امروزه گسترش استفاده از اینترنت، زمینه‌ساز دسترسی میلیون‌ها کاربر در سراسر دنیا به شبکه‌های اجتماعی آنلاین شده است. از طرفی این شبکه‌ها در انتشار اطلاعات، بخصوص در زمینه‌هایی مانند: تبلیغات به روش بازاریابی ویروسی، بهبود سیستم‌های توصیه‌گر، انتقال اطلاعات حساس به زمان، هدایت افکار عمومی، ارتقای امنیت ملی، جامعه‌شناسی و غیره، در کانون توجه کاربران، قرار گرفته‌اند. یکی از مسائل مهم پیرامون انتشار اطلاعات در شبکه‌های اجتماعی آنلاین مسئله انتشار موثر پیام،‌ با سرعت مناسب است. برای این منظور لازم است که کاربران پرنفوذ به روشی مناسب شناسایی شوند. در این پایان نامه، پیشنهاد شده افراد پرنفوذ بر مبنای اطلاعات واکنشی کاربران و با توجه به حوزه اثرگذاری آن‌ها شناسایی شوند. بدین منظور ابتدا ارزش ارتباطات شبکه براساس اطلاعات واکنشی کاربران (ریپلای و ریتوییت)، تعیین می­شود و سپس، ساختار شبکه به جوامع تشکیل دهنده­ی آن تقسیم­بندی می­شود. در گام بعدی از معیارهای مرکزیت برای ارزیابی اهمیت هر یک از اعضای جوامع استفاده می‌شود و در انتها، گره‌های پرنفوذ در حوزه اثرگذاری خودشان شناسایی می‌شوند. کارایی روش پیشنهادی با استفاده از یک پایگاه داده واقعی که شامل اطلاعات ریتوییت و ریپلای کاربران توییتر است؛ مورد آزمایش قرار گرفته است. با توجه به فقدان پایگاه داده‌‌ای که همزمان دارای برچسب‎گذاری افراد پرنفوذ و اطلاعات واکنشی باشد؛ از یکی از روش‌های انتشار اطلاعات در شبکه‌های اجتماعی که دارای همبستگی قابل قبولی با روش پیشنهادی ‌می‌باشد؛ استفاده شده است. در پایان نتایج به­دست آمده با روش­های مشابه پیشین مقایسه شده است. نتایج ارزیابی­ها نشان داد که روش پیشنهادی دراین پایان­نامه می­تواند کاربران اثرگذار را با دقت، کارایی و سرعت بیشتری شناسایی کند. همچنن نتایج ارزیابی­ها نشان داد که روش پیشنهادی می­تواند در شناسایی کاربران اثرگذار، به دقت تشخیص 87.33% دست یابد که نشان از بهبود حداقل13درصدی نسبت به روش­های مقایسه شده دارد.

The world around us is full of images. Pictures are documents that, by recording a moment, become the narrator of a world of words. City cameras create, record, and store thousands of traffic images every second. Proper processing of these images can help train models based on deep learning. Such models are used in object recognition and image captioning and will be used in cases such as voice assistants and self-driving cars. In this thesis, a method is introduced to convert traffic images into their descriptions. The presented description is based on prominent objects from images and deep learning and includes three basic steps. In the first stage, data processing and methods such as data augmentation are performed on training images. In the second step, appropriate features are extracted from the images. For this purpose, four deep neural networks named VGGNet, EfficientNetB0, InceptionV3, and ResNet50 have been investigated to extract image features. According to the number of layers in the architecture of each of these deep neural networks, the fine-tuning technique has been applied to improve the accuracy of detecting traffic objects. In the third step, two neural networks, LSTM and Transformer, have been used to convert image features into text. Finally, the optimal solution will be introduced, which will significantly increase the quality of the output sentences. In total, two methods were introduced. Based on the Transformer network, the second method showed better accuracy than the first. The MS-COCO dataset was used to evaluate the proposed methods. For this purpose, a subset including 8,000 images and ten classes of traffic objects in the MS-COCO dataset has been separated and pre-processed. The accuracy of the model introduced in the BLEU evaluation criteria is 65.3595%.

با رشد سریع اقتصاد و گسترش بازار سهام، تحلیل و پیش‌بینی قیمت سهام و مقایسه انواع روش‌های پیش‌بینی قیمت و تحلیل روند بازار سهام بیش از پیش ضروری و درعین حال محبوب است. پیش بینی بازار سهام به دلیل ماهیت نوسان آن دشوار است. هیچ قانونی برای پیش‌بینی اینکه در آینده چه اتفاقی برای سهام خواهد افتاد وجود ندارد. پیش‌بینی دقیق، یک چالش بزرگ است چراکه روند بازار بسته به عوامل زیادی همیشه در حال تغییر است. در این تحقیق، هدف تحلیل قیمت و روند شاخص کل و سهام با استفاده از تکنیک‌های یادگیری ماشین است. این‌کار شامل دو رویکرد است. در رویکرد اول با استفاده از دادگان تاریخی نفت، طلا، دلار، برخی شاخص‌های خارجی دیگر، سهام برخی شرکت‌های بزرگ بورسی داخل ایران، شاخص‌های بورس و شاخص‌های فنی استخراج شده از آن‌ها در فاصله زمانی 13/11/2012 و 21//05/2022 نشان داده‌ شد که با کمک هوش مصنوعی و الگوریتم یادگیری ماشین (MLP) می‌توان عوامل و شاخص‌های متاثر روی شاخص کل بازار بورس تهران را یافته و به کمک آن‌ها و الگوریتم‌های یادگیری ماشینی سعی در پیش‌بینی بهتر قیمت‌ها داشت. نتایج حاکی از آن است که شبکه LSTM با دو لایه بازگشتی و گام زمانی بهینه یک شبکه مناسب و درعین حال زمان‌بر اما با دقت بالا برای پیش‌بینی قیمت و سری‌های زمانی است که با حداقل خطا به نسبت روش‌های دیگر یادگیری ماشین مانند نزدیک‌ترین همسایه بهترین نتیجه را در پی داشت. در رویکرد دوم با استفاده از برخی الگوریتم‎های یادگیری ماشین و شاخص‌های فنی و اطلاعات قیمتی گذشته یک سهام خاص(فولاد از تاریخ11/03/2007 تا تاریخ 30/08/2022) هدف تحلیل روند سهام و بررسی سیگنال‌های خرید و فروش بود که به کمک اندیکاتور باند بولینگر و یک عامل ریسک خرید و فروش، می‌توان سیگنال‌های زمان مناسب را برای دادگان پیش‌بینی شده یافت.  

تشخیص وسیله­­نقلیه، یک بخش مهم در حمل و نقل و هوش مصنوعی است. وسایل­نقلیه می­توانند در قسمت­های مختلف تصاویر قرار بگیرند. پیشرفت های اخیر در روش های تشخیص، منجر به طیف وسیعی از تکنیک های مختلف شده که می­تواند برای شناسایی و تشخیص وسایل­نقلیه مورد استفاده قرار گیرد. یادگیری عمیق، در سال‌های اخیر است که کاربردهای قابل توجهی در روش­های تشخیص وسایل نقلیه دارد. باتوجه به اهمیت تشخیص وسیله­نقلیه در سیستم­های حمل و نقل هوشمند، در این پایان­نامه به بررسی و تشریح روش­های تشخیص وسایل­نقلیه مختلف از تصاویر دوربین­های ترافیکی پرداخته­ و نیز از معماری قدرتمندی به نام یولو[1] برای تشخیص وسایل­نقلیه روی دیتاست BVMMR استفاده می­کنیم.­ به دلیل تغییرپذیری در محیط‌های رانندگی، تشخیص خودرو ممکن است با مشکلات و چالش‌های متفاوتی مواجه شود، مثلا ظاهر وسایل­نقلیه در اندازه، شکل و رنگ متفاوت، روشنایی خاص، شرایط آب و هوا و.. است. معماری، YOLOv5 شامل چهار بخش اصلی ورودی، backbone ، neck   و خروجی است. ترمینال ورودی عمدتاً شامل پیش پردازش داده ها است، از جمله افزایش داده موزاییک و پر کردن تطبیقی تصویر. شبکه backbone   عمدتاً از یک شبکه جزئی چند مرحله­ای (CSP) برای کاهش مقدار محاسبات و افزایش سرعت استنتاج و   ادغام هرمی فضایی (  ) برای استخراج feature map   با اندازه­های مختلف از ورودی تصویر با هدف بهبود دقت تشخیص با کانولوشن چندگانه و pooling استفاده می­کند. در شبکه neck، از ساختارهای هرمی ویژگی FPN و PAN استفاده می­شود. با استفاده از معماری یولو نسخه پنجم[2] آموزش داده شده، موقعیت خودروها و نوع و دسته­ی آن­ها را نیز مشخص کرده­ایم و به   98.88% و دقت مجموع 99.73% و نیز سرعت 0.03 ثانیه برای تشخیص اشیا موجود در یک تصویر دست می­یابیم که خود گواهی بر مناسب بودن این روش برای کاربردهای بلادرنگ[3] می­باشد. کلمات کلیدی: تشخیص وسایل­نقلیه، تشخیص اشیا، یولو، یادگیری عمیق، سرعت و دقت بالا در تشخیص اشیا، شناسایی نوع و مدل وسایل نقلیه [4]. [1]. you only look once (YOLO) [2] YOLOv5 [3] real-time

شده، دقت مدل پیشنهادی در دسته‌بندی ترافیک شبکه به 1/99% رسیده است.  

ا رشد پلتفرم ها و برنامه های کاربردی شبکه های اجتماعی آنالین، روزانه مقادیر زیادی محتوای متنی توسط کاربر به روشهای مختلف مانند نظرات، تحلیلها، اخبار و پیام های متنی کوتاه ایجاد می شود. در نتیجه، کاربران اغلب برای استخراج اطالعات مفید در مورد موضوع مورد بحث این گونه محتوا را پالش برانگیز میدانند. امروزه برای 1 استخراج راحتتر اطالعات مفید از روشی به نام استخراج موضوع استفاده میکنند. استخراج موضوع با اسستقاده از یک سری محاسبات آماری خالصه یا موضوع اصلی سند مورد نظر را از متن بیرون میکشد، که با این کار میتوان با مشکالت کمتری به تجزیه و تحلیل اسناد پرداخت. در این پژوهش قصد داریم با استفاده از روشهای یادگیری عمیق همچون)DNN,LSTM )یک شبکه یادگیری عمیق جهت استخراج موضوع با دقت بیشتر از کارهای انجام شده در این زمینه طراحی کنیم. دیتابیسی که در این پژوهش بر روی آن کار خواهیم کرد دیتابیسی متنی شامل اخبار است. که در ابتدا با استفاده از تکنیکهای پیشپردازش متن )تبدیل کردن تمامی حروف موجود در دادههای متنی به »حروف کوچک« )letters Lowercase ،)پاک کردن عالئم نقطهگذاری )Punctuations ،)پاک کردن »کلمات بی اثر« )Stopwords ،)مصدر سازی کلمات)Stemming ) )عملیات نرمل 2 سازی را انجان دادیم. از LDA بعنوان روش یادگیری شبکه استفاده میکنیم به بیانی واضح تر شبکه یادگیری عمیق بر اساس تکنیک استخراج موضوع LDA کار خواهد کرد. نتیجه این پژوهش دقت بشتر شبکه یادگیری نسبت به شبکههای ساخته شده در کارهای پیشین است که توانستهایم دقت شبکه بر روی دیتابیس مورد نظر را نسبت به آنها بیشتر کنیم.  

شبکه­های عصبی ­عمیق به صورت گسترده­ای در کاربردهای زیادی نظیر پردازش زبان طبیعی و بینایی ماشین بکار گرفته شده­اند. همچنین، این شبکه­ها توجه­ زیادی را در طراحی سیستم­های توصیه­گر به دلیل عملکرد خوبشان جلب کرده­اند. عموما از این شبکه­ها به منظور استخراج ویژگی­های پنهان کاربران براساس داده­های ورودی نظیر ماتریس­ رتبه­بندی کاربر-آیتم، روابط اعتماد و برچسب در سیستم­های توصیه­گر استفاده می­شود. یکی از مشکلات اساسی در این سیستم­ها، عدم وجود اطلاعات ورودی کافی است که منجر به بروز مشکلی به نام خلوتی ماتریس داده‌های ورودی می‌شود. این مشکل باعث کاهش کارایی مدل­های یادگیری­ عمیق در تولید ویژگی­های پنهان کاربران می­شود. سیستم‌های توصیه‌گر موجود عمدتا بر روی دقت پیش‌بینی رتبه‌ها تمرکز می‌کنند و قابلیت اطمینان پیش‌بینی‌ها را در نظر نمی‌گیرند. علاوه بر این، زمانی که در سیستم‌های توصیه‌گر از چندین منبع داده‌ای ورودی برای استخراج ویژگی‌های پنهان استفاده می‌شود، چگونگی ترکیب خروجی‌های مختلف به منظور تولید توصیه برای کاربران یک چالش اساسی خواهد بود. در این پژوهش، سه روش جدید برای برطرف کردن چالش‌های مطرح شده ارائه شده‌اند. در روش پیشنهادی اول، یک سیستم­توصیه­گر مبتنی بر خودرمزنگار پراکنده عمیق و الگوریتم بهینه­سازی ازدحام ذرات ارائه شده است. بدین منظور،   خودرمزنگار پراکنده عمیق برای استخراج ویژگی­های پنهان کاربران بر اساس ماتریس روابط اعتماد، ماتریس رتبه­بندی و اطلاعات برچسب بکار گرفته شده است. سپس، مقادیر شباهت بین کاربران با استفاده از سه تابع شباهت مختلف بر اساس ویژگی‌های پنهان محاسبه شده و از هر کدام از این مقادیر شباهت برای پیش‌بینی رتبه‌های نامشخص استفاده می‌شود. در نهایت، الگوریتم بهینه­سازی ازدحام ذرات   برای بدست آوردن وزن­های بهینه   پیش‌بینی‌های مختلف و ترکیب آنها برای محاسبه رتبه نهایی آیتم هدف مورد استفاده قرار می‌گیرد.   در روش پیشنهادی دوم، یک روش قابل اطمینان برای بهبود کارایی سیستم‌های توصیه‌گرآگاه از اعتماد با استفاده از شبکه‌های عصبی عمیق ارائه شده است. در این روش، ابتدا یک مدل احتمالاتی موثر به منظور تخمین تعداد رتبه‌های مورد نیاز در پروفایل کاربر برای داشتن یک پیش بینی دقیق معرفی شده است. سپس، پروفایل رتبه‌های کاربرانی که دارای تعداد کافی رتبه نیستند با افزودن رتبه‌های ضمنی قابل اطمینان تقویت می‌شوند. در مرحله بعد، پروفایل­های رتبه­بندی تقویت شده و ماتریس روابط اعتماد به عنوان داده­های ورودی خودرمزنگار پراکنده عمیق به منظور استخراج ویژگی­های پنهان کاربران مورد استفاده قرار می‌گیرند. در نهایت، مقادیر شباهت بین کاربران بر اساس ویژگی‌های پنهان کاربران محاسبه شده و لیستی از آیتم‌های مرتبط با علایق کاربر به او پیشنهاد می‌شود. در روش پیشنهادی سوم، یک سیستم توصیه‌گر قابل اطمینان مبتنی بر شبکه‌های عصبی عمیق و یادگیری تقویتی ارائه شده است. بدین منظور، ابتدا مدل خودرمزنگار حذف نویز پشته­ای به عنوان یک   شبکه عصبی برای استخراج ویژگی­های پنهان کاربران بر اساس سه منبع داده‌ای ورودی شامل ماتریس روابط اعتماد، ماتریس رتبه­بندی و اطلاعات برچسب، مورد استفاده قرار می‌گیرد. بنابراین، با توجه به سه منبع داده‌ای ورودی متفاوت، سه مقدار شباهت متمایز برای کاربران بدست می­آیند تا مجموعه نزدیکترین همسایگان را ایجاد کنند. به منظور ترکیب این سه مقدار شباهت متمایز و محاسبه مقدار شباهت نهایی بین کاربران، از الگوریتم یادگیری تقویتی برای بدست آوردن وزن بهینه هر مقدار شباهت استفاده می‌شود. سپس، با استفاده از مقادیر شباهت نهایی بین کاربران، رتبه­های نامشخص در پروفایل­های رتبه­بندی کاربران پیش­بینی می­شوند. همچنین، برای ارزیابی رتبه‌های پیش­بینی­ شده، یک معیار قابلیت اطمینان ارائه شده است. در نهایت، لیستی از آیتم‌های مورد علاقه کاربر هدف بر اساس ترکیب رتبه‌های پیش‌بینی شده و مقدار قابلیت اطمینان آنها تولید می‌شود. به منظور ارزیابی کارایی روش‌های پیشنهاد شده در این پژوهش، آزمایشات مختلفی بر روی مجموعه داده‌های استاندارد انجام شده است که نتایج آنها نشان می‌دهد روش‌های پیشنهادی نسبت به سایر روش‌ها از عملکرد بهتری برخوردار هستند. کلمات کلیدی: سیستم‌های توصیه­گر، شبکه­های عصبی عمیق، پراکندگی داده، قابلیت اطمینان، اعتماد، برچسب، یادگیری تقویتی.   

مقدار متنی که هر روز تولید می شود به طرز چشمگیری افزایش می یابد. بنابراین ، تکنیک ها و الگوریتم های کارآمد و موثر برای کشف الگوهای مفید مورد نیاز است.   با فراگیر‌شدن شبکه‌های اجتماعی در سال‌های اخیر، به‌رغم کاربردهای مثبت آنها، انتشار شایعات ساده‌تر و شایع‌تر شده است. شایعات یک چالش امنیتی در شبکه‌های اجتماعی محسوب می‌شوند، چون یک گره بدخواه می‌تواند با انتشار یک شایعه به‌سهولت، اهداف خود را بدنام و یا منزوی کند.   از ‌این‌رو تشخیص شایعات چالش مهمی در سازوکارهای امنیت نرم مانند اعتماد و شهرت است. در این مطالعه، از رویکرد یادگیری ماشین مدل یادگیری عمیق   و شبکه ی عصبی عمیق LSTM به منظور ساده سازی استخراج ویژگی ها و ایجاد توانایی قوی برای یادگیری ،و تشخیص خودکار ویژگی ها در مقایسه با روش های سنتی یادگیری ماشین استفاده کرده ایم   شبکه عصبی LSTM   بر اساس معماری خاصی که دارد برای کار با داده های دنباله دار به ویژه داده های متنی بسیار مناسب است . اما عملکرد   این شبکه وابستگی زیادی به تنظیم هایپر پارامتر هایش دارد از این رو یک رویکرد نوین را برای بهبود نتیجه با استفاده از الگوریتم ژنتیک برای تنظیم هایپر پارامترهای شبکه عصبی عمیق ارائه شده است. الگوریتم ژنتیک استاندارد خود با مشکلاتی مواجه است اعم از سرعت همگرایی در این الگوریتم که در این مطالعه ما با تنظیم و فرموله کردن   نرخ فرایند های الگوریتم برا اساس دو معیار برازندگی و تنوع این مشکل را رفع کرده ایم، وما به دقت تشخیص 0.93%   رسیده ایم.

ورزشپیلاتس، شامل مجموعه‌ای از حرکات است که با تمرکز برای استفاده هم‌زمان از ذهن وجسم، از جاذبه، وزن بدن و دستگاه‏های مخصوص برای افزایش مقاومت فرد کمک می‏گیرد تاماهیچه‏های تثبیت‏کننده‏ی بدن تقویت شوند. اگر به هر دلیلی فرد قصد انجام اینحرکات را در منزل و بدون وجود مربی داشته باشد، نرم‏افزارهای تجاری مختلفی وجوددارد که نقش مربی را ایفا می‌کنند؛ اما این نرم‏افزارها فاقد یک راهنما یا ناظر نرم‏افزاریهستند که به کاربر در مورد درستی انجام حرکات، بازخورد مناسب دهند. این پایان‌نامه،به مسئله میزان درستی حرکات پیلاتس کاربر با ارائه رویکردی مبتنی بر تکنیک‌هایپردازش تصویر می‌پردازد. در اینتحقیق به تحلیل کامپیوتری 6   حرکت اصلیپیلاتس در شرایط عدم حضور یک مربی پیلاتس پرداخته شده است. برای انجام این پژوهش،در ابتدا یک مجموعه داده مناسب نیاز است. برای جمع‌آوری داده، با استفاده از یک حس‌گرکینکت، در هر فریم مختصات سه‏بعدی 20 مفصل اصلی بدن از ویدیو عمقی، استخراج شد.مجموعه داده‏ حاصل شامل 300 رکورد است که در یک مکان ثابت از کاربران مختلفجمع‏آوری شده است. روش پیشنهادی شامل چهار مرحله است. در ابتدا، مختصات سه‏بعدی 20مفصل اصلی از ورودی استخراج می‌شود. در مرحله دوم، پیش‌پردازش‌های موردنیاز شاملمحاسبه 4 زاویه اصلی بدن یعنی زوایای زانوها و آرنج‏ها در هرفریم، اعمال فیلتر ساویتسکی گولای و الگوریتم قطعه‌بندی تقریب مجموعقطعه‏ای انجام می‌شود. در مرحله سوم، برای محاسب? فاصله داده‏ها توابع مختلفپیشنهاد شد که عبارت‌اند از تابع پیچش زمانی پویا، هاسدورف، پیچش زمانی پویا سریع وارائ? تابع فاصله بهبودیافته مبتنی بر تابع پیچش زمانی پویا سریع. در مرحله چهارمیادگیری و طبقه‏بندی انجام شد که در این پژوهش از طبقه‏بند نزدیک‏ترین همسایهاستفاده شد. برای ارزیابی روش پیشنهادی، از روش K-fold بهرهگرفته شد و بر روی مجموعه داده فراهم شده، این روش آزمایش شد. نتایج به‌دست‌آمده،عملکرد خوب این روش را از دو جنبه بهبود دقت و همچنین تسریع محاسبات نشان داد. دقتطبقه‏بندی بر روی این مجموعه داده 95% به دست آمده است.بعد ازطبقه‏بندی حرکات، در بخشی مجزا، قابلیت محاسب? میزان درستی حرکات پیلاتس کاربر باتوجه به حرکات استاندارد در نظر گرفته شده است. این توانایی بر اساس محاسب? میزانشباهت حرکت کاربر با حرکت استاندارد انجام شده است و برای این هدف، از یک آستانه‏گیریکه به‌صورت تجربی محاسبه شده، استفاده شده است و در نهایت خطای سیستم نرم‏افزاریپیشنهادی با توجه به یک ناظر انسانی محاسبه شده است.   

امروزه وارد عصر جدیدی از تبادل اطلاعات شده­ایم که دلیل آن استفاده گسترده­ از دستگاه­های تلفن ­همراه است و سیستم­عامل اندروید نیز محبوب­ترین سیستم­عامل موبایلی دنیا است. همزمان با برنامه­های کاربردی، برنامه­های مخرب زیادی با اهداف واشکال مختلف برای سیستم­عامل اندروید در حال توسعه و انتشار هستند. با وجود توسعه روزافزون برنامه­های ایرانی در فروشگاه­های نرم­افزاری، تابحال بررسی نشده ­است که تا چه میزان امکان وجود بدافزار در میان آن­ها وجود دارد که ممکن است امنیت کاربران را به­خطر بیاندازد یا با اهدافی دیگر نظیر حجم بالای تبلیغات، موجب آزردگی خاطر کاربران شود. به­ همین دلیل تصمیم گرفتیم تا با استفاده از نه طبقه­بند یادگیری ماشینی و همینطور استفاده از رویکرد یادگیری عمیق، مدل­هایی مبتنی بر ویژگی ایستای مجوز با استفاده از مجموعه داده­ای مطمئن ایجاد کنیم تا از این مدل­ها برای طبقه­بندی بیش از چهارصد برنامه کاربردی دریافتی تصادفی از فروشگاه کافه بازار در دو دسته مخرب و غیرمخرب استفاده کنیم و نتایج آن را مورد تجزیه و تحلیل قرار دهیم و همچنین با ساخت تمامی مدل­های مذکور روی نمونه­های دریافتی از فروشگاه کافه بازار، ارزیابی­های خود را در مورد اثر ویژگی مجوز در تشخیص بدافزارهای ایرانی تکمیل کنیم. نتایج بدست آمده از مدل­های ساخته شده و همینطور اسکن نمونه­های بارگیری شده از فروشگاه کافه بازار در سایت معتبر وایروس توتال نشان می­دهد که بیش از پنجاه درصد از نمونه­های دریافتی از فروشگاه کافه بازار بدافزار هستند بنابراین برای افزایش اطمینان کاربران ایرانی از غیرمخرب بودن برنامه­های اندرویدی دریافتی، باید در مورد رویکرد فعلی غربال­گری برنامه­ها، قبل از قراردادن در فروشگاه­های نرم­افزاری تجدید نظر کرد.   

   در عصر اطلاعات امروز، این امر که ما قبل از اتخاذ هرگونه تصمیم، اطلاعات معتبری در دسترس داشته باشیم، به یک پیش­نیاز تبدیل شده است. در همین راستا، شبکه­های اجتماعی مکان­محور به عنوان روشی موثر برای کمک به کاربران برای یافتن مکان­های جذاب و توصیه نقاط مورد علاقه، به یک برنامه مهم در شبکه های اجتماعی مبتنی بر مکان تبدیل شده­اند و در سال­های اخیر، محبوبیت بسیاری کسب کرده­اند. اضافه شدن بُعد مکان در این شبکه­ها، باعث می­شود که با ایجاد یک پل ارتباطی بین شبکه­های اجتماعی مجازی و جهان واقعی، اطلاعات آن­ها به واقعیت نزدیک­تر شود. هدف از ایجاد این شبکه­ها، ارائه خدمات مرتبط با مکان می­باشد؛ بدین صورت که به کاربران اجازه می­دهد در نقاط جغرافیایی مختلف، تجربیات و موقعیت­های بازدید شده را با سایر کاربران به اشتراک بگذارند. شبکه­های اجتماعی مکان­محور به واسطه اخذ و به­روزرسانی اطلاعات کاربران خود در سراسر دنیا، منابعی غنی برای داده­کاوی و کشف اطلاعات محسوب می­شوند. همچنین سیستم­های توصیه­گر، یک نوع خاص از سیستم­های هوشمند هستند که از رتبه­بندی گذشته­ی کاربران بهره می­برند. فیلتر مشارکتی، از جمله رایج­ترین رویکردهایی است که برای سیستم­های توصیه­گر استفاده می­شود، که البته این روش ممکن است گاهی دچار چالش­هایی از جمله شروع سرد شود. شروع سرد به علت پراکندگی داده­ها   اتفاق می­افتد، و بر اساس این واقعیت است که اکثر کاربران فقط با بخش کوچکی از مکان­های ممکن تعامل دارند و سیستم توصیه­گر برای رتبه­بندی برخی موارد یا کاربران جدید، هیچ داده­ای در دسترس نداشته و یا   فقط تعداد کمی از داده­ها موجود ­باشند. حل این مشکل می­تواند تا حد زیادی تجربه کاربر و اعتماد به سیستم­های توصیه­گر را بهبود بخشد. در این پایان­نامه، ما سعی داریم با استفاده از یادگیری ماشین و الگوریتم­های یادگیری عمیق، یک سیستم توصیه­گر مکانی با رویکرد فیلتر مشارکتی ارائه دهیم؛ لذا با پیاده­سازی الگوریتم شبکه عصبی پیچشی بر مجموعه­داده­ی یِلپ و ارائه نتایج تجربی، نشان می­دهیم که روش پیشنهادی می­تواند عملکرد بهتری نسبت به سایر روش­های مرتبط داشته باشد. کلمات کلیدی: سیستم توصیه­گر، فیلتر مشارکتی، توصیه‌ مکان‌ها، شبکه­های اجتماعی مکان­محور، یادگیری عمیق، شبکه عصبی پیچشی

بدون شک امروزه یکی از چالش ­های مهم مراکز داده ابری مصرف انرژی بسیار زیاد است. از طرفی احتمال خرابی یک سرور در یک مرکز داده با تعداد زیاد سرور و از دست رفتن ماشین ­های مجازی روی آن امری اجتناب ناپذیر است. یک روش سنتی برای افزایش قابلیت دسترسی سرورها و در نتیجه افزایش قابلیت اطمینان ماشین مجازی استفاده از افزونگی می­ باشد بطوریکه تعداد ماشین مجازی یکسان روی سرورهای مختلف اجرا شوند که در صورت بروز خرابی در یک سرور نسخه ­های پشتیبان روی سرورهای دیگر کار مورد نظر را انجام دهند. استفاده از افزونگی منجر به افزایش مصرف انرژی در مراکز داده ابری می­ شود، لذا بهینه ­سازی این دو پارامتر نیاز به مصالحه دارد. این پایان نامه روشی جهت تخصیص ماشین ­های مجازی با در نظر گرفتن مصرف انرژی و قابلیت اطمینان را تحت عنوان روش P21(Placement method with 2 active replication and 1 inactive replication) ارائه می ­دهد. ایده اصلی روش پیشنهادی در نظر گرفتن دو نسخه­ ی فعال و یک نسخه­ ی غیرفعال افزونگی می ­باشد. جایگذاری ماشین­ های مجازی روی سرورهایی با بالاترین مقدار تابع هدف صورت می ­گیرد. در همین راستا روش ارائه شده، 2 نسخه­ ی فعال از افزونگی را به عنوان نسخه ­ی اصلی و نسخه­ ی اول پشتیبان در نظر می­ گیرد و یک نسخه­ ی غیر فعال افزونگی را به صورت رزرو دارد. در ابتدای کار، زمانی که ماشین مجازی بر روی سرور نسخه ­ی اصلی جایگذاری می­ شود همزمان یک نسخه­ ی پشتیبان به صورت سینک روی نسخه­ ی پشتیبان فعال پردازش می­ شود. زمانی که سرور دچار مشکل شود به دلیل حفظ دسترس ­پذیری، عملیات فعال سازی سرور پشتیبان غیر فعال آغاز می­ گردد. بلافاصله، از اطلاعات و پردازش ­های صورت گرفته بر روی سرور نسخه­ ی فعال یک نسخه (image) تهیه می­ شود و پس از فعال سازی سرور غیر فعال به آن منتقل می­ گردد. به همین روش می­ توان قابلیت اطمینان سیستم را بالا برد و با استفاده از قابلیت رزرو بودن نسخه­ ی پشتیبان می­توان از تعداد سرور کمتری استفاده کرد. به دلیل عدم پشتیبانی قابلیت اطمینان در شبیه ­ساز کلودسیم، جهت ارزیابی روش پیشنهادی یک شبیه ­ساز به زبان جاوا پیاده ­سازی شده ­است. در این ارزیابی 8 آزمایش با بارکاری مختلف از جمله زمان ورود و پایان تسک­ ها، تعداد هسته­ های مورد نیاز هر تسک و تاخیر بین تسک­ ها مورد بررسی قرار گرفته­ است. این 8 آزمایش به ازای تفاوت در تعداد سرورها، توان، دسترس پذیری و تعداد هسته می­ باشند. نتایج شبیه ­سازی نشان می­ دهد که مصرف انرژی برای حالت­ های مختلف بین 38-1 درصد کمتر و قابلیت اطمینان بین 58/2-01/0 درصد افزایش را نسبت به روش­ های مشابه دارد.کلمات کلیدی: رایانش ابری، جایگذاری ماشین ­های مجازی، قابلیت اطمینان، مصرف انرژی، افزونگی

  با پیشرفت فناوری میکروالکترومکانیکی، امروزه سیستم­ هایی

چکیده:امروزه با بهره­مندی از فناوری­های هوش مصنوعی و یادگیری ماشین شاهد پیشرفت­های چشم­گیری در صنعت حمل و نقل هوشمند به ویژه خودروهای تمام خودکار هستیم که با استفاده از حسگرهای پیشرفته و تکنیک بینایی ماشین قادر به تجزیه و تحلیل اطلاعات محیط پیرامون خود هستند. از چالش­های مطرح در طراحی سیستم این نوع از خودروها، شناسایی درست سایر وسایل نقلیه­ی اطراف مسیر حرکت خودرو است. هدف اصلی این پایان­نامه ارائه روشی برای تشخیص نوع خودروهای اضطراری بر اساس یادگیری عمیق است. با توجه به اهمیت ویژ? عبور و مرور خودروهای اضطراری در جاده­ها و خیابان­ها، خودروهای بدون راننده باید توانایی شناسایی این نوع از خودروها را با دقت بالا داشته و در صورت مشاهده آنها واکنش مناسبی داشته باشند. در این پایان­نامه، برای شناسایی نوع خودروهای اضطراری روش­هایی مبتنی بر یادگیری عمیق ارائه شده است که فرایندهای استخراج ویژگی و طبقه­بندی درآن به صورت همزمان انجام می­شود. روش­های پیشنهادی شامل سه مرحله اصلی هستند: در مرحل? اول، پیش پردازش­های لازم مانند یکسان­سازی اندازه تصاویر و نرمال­سازی انجام می­شود. در مرحل? دوم، ویژگی­های مورد نیاز توسط شبکه عصبی پیچشی از تصاویر استخراج می­شود و در مرحله سوم طبقه­بندی تصاویر صورت می­گیرد. مجموعه داده اصلی مورد استفاده در این پژوهش توسط نگارنده جمع­آوری شد که شامل 4000 تصویر از کلاس­های خودروی آمبولانس، خودروی آتشنشانی، خودروی پلیس و سایر خودروها است. در ادامه کار برای ارزیابی­های بیشتر در کنار مجموعه داده اصلی، از دو مجموعه داده کگِل و MIO-TCD نیز استفاده شد. اولین روش پیشنهادی استفاده از شبکه عصبی پیچشی­ای بود که از ابتدا آموزش دیده است. به دلیل پایین بودن تعداد تصاویر برای آموزش شبکه، مشکلاتی همچون بیش­برازش بوجود آمد که برای برطرف شدن آن از تکنیک­های تقویت داده و حذف تصادفی استفاده شد. این روش پیشنهادی به صحت قابل قبول 24/97 رسید. دومینروش پیشنهادی ما، استفاده از تکنیک ترکیب شبکه­های پیچشی بود. در این تکنیک بخش استخراج ویژگی­ شبکه­ها با یکدیگر ترکیب و در نهایت این ویژگی­ها به طبقه­بند شبکه مورد نظر داده شد. با استفاده از این روش به صحت 01/99 رسیدیم. در ادامه برای بهبود کار خود از شبکه پیش­آموزش دیده VGG16 استفاده کردیم. ما با استفاده از تکنیک تنظیم دقیق که در آن تمامی بلوک­های   شبکه VGG16 به غیر از بلوک آخر را فریز کردیم، توانستیم به صحت 75/99 برسیم. کلمات کلیدی: خودروهای بدون راننده، خودروهای اضطراری، یادگیری عمیق، شناسایی وسایل نقلیه   

اینترنت اشیاء شبکه ای از اشیاء فیزیکی است که توسط اینترنت به هم متصل شده­اند. اینترنت اشیاء حوزه‌های مختلفی را در بر می‌گیرد مانند: اتوماسیون منزل، فرآیندهای صنعتی، نظارت بر سلامت انسان و نظارت محیطی. آینده اشیاء، آینده   اینترنت است و برای هر چیزی که در جهان موجود است، مفید خواهد بود. اینترنت اشیاء با وجود مزایای بسیاری که دارد، چالش‌های مربوط به امنیت و حریم خصوصی را نیز ایجاد می‌کند. سیستم‌های IoT[1] بسیار آسیب­پذیر هستند، بنابراین یک سیستم تشخیص نفوذ[2]، برای محیط‌های IoT نیاز است. سیستم‌های تشخیص نفوذ، ابزار مهمی برای حفاظت از شبکه‌ها و سیستم‌های اطلاعاتی هستند. هدف یک سیستم تشخیص نفوذ جلوگیری از حمله نیست و تنها کشف و شناسایی حملات و تشخیص اشکالات امنیتی در سیستم یا شبکه کامپیوتری و اعلان آن به مدیر سیستم است. با وجود اینکه چندین دهه از توسعه سیستم­های تشخیص نفوذ گذشته است، اما هنوز این سیستم­ها با چالش­هایی در بهبود دقت تشخیص مواجه هستند. بسیاری از سیستم­های تشخیص نفوذ هنوز از نرخ هشدار غلط بالا رنج می­برند بنابراین بسیاری از محققان بر توسعه سیستم­های تشخیص نفوذ با نرخ تشخیص بالا و کاهش نرخ هشدار غلط تمرکز کرده­اند. از آنجا که محیط شبکه به سرعت تغییر می­کند، انواع حملات جدید ظاهر می­شوند. بنابراین لازم است که سیستم­های تشخیص نفوذ را توسعه دهیم که بتوانند حملات ناشناخته را شناسایی کنند. برای حل این مشکلات محققان شروع به تمرکز بر ساخت سیستم­های تشخیص نفوذ با استفاده از روش­های یادگیری ماشین کرده­اند. یادگیری عمیق[3] شاخه ای از یادگیری ماشین است که بر مبنای مجموعه­ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند. لذا در این پایان نامه، به فرایند تشخیص نفوذ در اینترنت اشیاء با رویکرد یادگیری عمیق پرداخته شده است. در این پایان نامه یک روش شناسایی حمله و ناهنجاری بر اساس ترکیب الگوریتم‌های CNN-LSTM یادگیری عمیق، در مجموعه داده BOT-IOT به کار برده شده است. به منظور ارزیابی عملکرد، از شاخص‌های دقت[4]، صحت[5] و یادآوری[6]، استفاده شده است. با توجه به نتایج به دست آمده در روش پیشنهادی، دقت تشخیص 99.98% به دست آمده است. [1] Internet of Things [2] Intrusion Detection System [3] Deep Learning [4] Accuracy [5] Precision [6] Recall

سرطان پوست یکی ‌از سرطان‌های رایج در میان جوامع بشری محسوب می‌شود و میزان شیوع آن بطور چشمگیری درحال افزایش است. یکی از خطرناکترین انواع سرطان پوست ملانوما است که هرچه ضایعه پوستی بیشتر رشد کند، شانس درمان کاهش می­یابد. تشخیص زودهنگام سرطان در درمان آن نقش مهمی را دارد. درمان قطعی سرطان ملانوما با تشخیص زودهنگام آن میسر می‌باشد. در این پایان نامه روشی جدید جهت تشخیص سرطان پوست ارائه شد. در این روش ابتدا دو نوع تبدیل موجک گسسته و ایستان روی تصاویر اعمالشد. سپس از این تصاویر تبدیل شده، تعدادی ویژگی های آماری استخراج شد. همچنین ویژگی­های مختلف جهانی، محلی و... نیز روی تصاویر سطح خاکستری و رنگی اعمال شد. در مرحله ی بعد برای بهبود نتایج، ویژگی های استخراجی باهم ترکیب شدند تا بهترین ترکیب از ویژگی­ ها که با بالاترین دقت تصاویر را طبقه­ بندی می­کند به­دست آید. دسته بند استفاده شده در این روش ماشین بردار پشتبان حداقل مربعات است که تصاویر را به دو نوع سرطان ملانوما یا ضایعات پوستی دیگر دسته ­بندی می­کند. روش ارائه شده دقت مناسبی را در تشخیص سرطان پوست دربردارد. همچنین این روش، سرعت پاسخ ­دهی مطلوبی در استخراج ویژگی و دسته­بندی تصاویر دارد. پایگاه داده مورد استفاده در این پایان نامه ISBI2016 می­باشد که دقت به دست آمده روش پیشنهادی برای این داده ها   85.22 درصد می باشد.کلمات کلیدی: سرطان ملانوما، تبدیل موجک گسسته، تبدیل موجک ایستان، حداقل مربعات ماشینبردار پشتیبان

  چکیدهپیش‌‌بینی بازار سهام یک کار مهم و چالش‌برانگیز است. روش‌های سنتی پیش‌بینی بازار سهام فقط از داده‌های تاریخی معاملات سهام و شاخص های عددی مربوط به آن استفاده می‌کردند اما با گسترش اطلاعات موجود در وب درباره بازار سهام، محققان شروع به استفاده از این اطلاعات ارزشمند برای افزایش دقت پیش‌بینی ارزش سهام کردند. در بسیاری از مطالعات گذشته فقط از یک منبع داده اضافی برای ترکیب با منبع داده تاریخی سهام استفاده شده است که نمی‌تواند به خوبی تاثیر سایر اطلاعات را بر روند قیمت بازار سهام نشان‌دهد. و در بسیاری از مطالعات به استفاده از یک الگوریتم یادگیری بسنده کرده‌اند که این امر باعث می‌شود که نتوانیم به نهایت دقت ‌پیش‌بینی برای ارزش سهام دست‌یابیم.ما در این پژوهش با جمع‌آوری سه منبع داده متفاوت مربوط به سهام ( منبع داده تاریخی سهام، منبع داده شبکه اجتماعی و منبع داده اخبار روزانه) سعی کردیم جوانب مختلف موثر بر ارزش سهام را در پیش‌بینی ارزش سهام استفاده کنیم تا به دقت بیشتری از روش سنتی دست‌یابیم. برای این‌ کار ابتدا نظرات استخراج شده در مورد سهام مورد نظر، از شبکه اجتماعی تویتر و منبع داده اخبار روزانه که از وب سایت خبری ردیت استخراج شده اند را با استفاده از یک مدل نظر‌کاوی ترکیبی تحلیل کردیم و از این کار شاخص‌های احساسی مانند قطبیت و ذهنیت هر جمله استخراج گردید در ادامه با ترکیب این شاخص‌ها با منبع داده تاریخی سهام اقدام به ایجاد منبع داده ترکیبی نهایی کردیم. سپس با استفاده از الگوریتم‌های مختلف طبقه‌بندی و رگرسیون اقدام به پیش‌بینی ارزش سهام در دو حالت جهت ارزش سهام و قیمت پایانی روزانه کردیم.نتایج حاصل از این پژوهش نشان داد که در پیش‌بینی سهام شرکت‌های اپل، سیسکو و بوینگ استفاده از ترکیب اطلاعات باعث ارتقا دقت پیش‌بینی ارزش سهام تا ?? درصد شده‌است و با تحلیل مولفه اصلی این مقدار به بالای ?? درصد رسید که در مقایسه با روش سنتی که این مقدار پایین‌تر از ?? درصد است پیشرفت خوبی محسوب می‌شود. هم‌چنین در این آزمایشات مشخص گردید که استفاده از الگوریتم طبقه‌بندی XGBoost   بهترین دقت پیش‌بینی (80-85 درصد) و الگوریتم رگرسیون GB Regressor کمترین درصد میانگین مطلق خطا (0.840 – 0.730) را ثبت کرده است.کلید واژه ها: پیش‌بینی بازار سهام، ترکیب اطلاعات، تحلیل احساسات، شبکه اجتماعی

چکیده تشخیص سن استخوان روشی است که به طور مکرر برای ارزیابی ناهنجاری رشد و تشخیص و درمان اختلالات غدد درون‌ریز و سندرم­های کودکان بیمار انجام می‌شود. چندین دهه است که تعیین سن استخوانی با ارزیابی بصری از رشد اسکلت دست چپ انجام می­شود و معمولاً از روش مرجع G&am   استفاده می­شود. با پیدایش تصویربرداری دیجیتال، تلاش­های زیادی برای ایجاد روش­های پردازش تصویر انجام شده است که به طور خودکار ویژگی­های اصلی مراحل تشکیل استخوان را برای ارزیابی موثر و دقیق­تر سن استخوانی استخراج می­کند. بااین‌حال ماهیت ذهنی روش­های دستی، تعداد زیاد مراکز استخوان در دست و تغییرات گسترده در مراحل استخوان‌سازی سبب پیچیدگی ارزیابی سن استخوانی شده است و یک چالش برای طراحی الگوریتم­های کامپیوتری تشخیص خودکار در این حوزه است. هدف: این مطالعه با هدف ارائه یک روش جدید برای کاهش خطای روش­های ذهنی و بهبود روش­های اتوماتیک موجود در تخمین سن انجام شده است. روش: این مدل روی 1400 تصویر از کودکان سالمِ صفر تا هجده سال از چهار قاره پیاده‌سازی شده است. با استفاده از تکنیک­های پردازش تصویر در محیط برنامه‌نویسی متلب شش ناحیه در دست استخراج شدند؛ تجزیه‌وتحلیل مراکز استخوان و محاسبه سن در هرکدام از این ناحیه­ها توسط تکنیک­های یادگیری عمیق در محیط برنامه‌نویسی پایتون انجام شده است. دسته‌بندی نهایی نیز بر مبنای میانگین رای‌گیری صورت‌گرفته است. نتیجه: در مدل ارائه شده تمام سنین رشد و چهار نژاد آسیایی، آفریقایی، اروپایی و آمریکایی در نظر گرفته شده است. در قسمت پیش­پردازش تمام انگشت­های دست و مچ دست به‌درستی استخراج شده­اند. برای تشخیص نهایی سن از چند شبکه عصبی پیچشی و یک Ensemble بین آنها استفاده شده است. روش پیشنهادی به طور میانگین 81 درصد دقت در تشخیص داشته است. این دلایل نشان­دهنده برتری مدل پیشنهادی در مقایسه با دیگر مدل­های ارائه شده است. کلمات کلیدی: اختلالات رشد، سن استخوانی، روش Greulich and Pyle، روش Tanner-Whitehouse، مناطق اولیه رشد (دیافیز)، مناطق ثانویه رشد (اپیفیزها)، استخوان­های مچ (Carpal)، تصاویر دیجیتال (x-ray Image)، یادگیری عمیق، شبکه­های عصبی پیچشی (CNN)، Ensemble، میانگین رای‌گیری (Average Voting).  

  طبقه ­بندی احساس مبتنی بر منظر یکی از فیلدهای چالش‌برانگیز در پردازش زبان­ های طبیعی است. پژوهشگران برای این کار از روش‌های سنتی گوناگونی مانند روش‌های لغوی و یادگیری ماشین استفاده کرده­اند. روش‌های سنتی از تعامل میان داده­ ها به‌خوبی استفاده نمی­ کنند و باید به صورت دستی ویژگی­ ها را برایشان مشخص کنیم ولی در مقابل، روش‌های یادگیری عمیق می‌توانند هم تعامل میان داده­ها در نظر بگیرند و هم ویژگی‌های نهفته­ی درون آن‌ها را استخراج کنند. ازاین‌رو به تازگی به صورت گسترده ازاین‌روش­ها در پردازش متن، پردازش تصویر و بسیاری از حوزه ­های دیگر استفاده‌شده است و نتایج خیره‌کننده‌ای را به دست ­آورده است. روش‌های یادگیری عمیق زیادی مانند شبکه ­های کانولوشن، مبتنی بر رویکرد توجه و غیره معرفی شده ­اند اما هرکدام برتری‌ها و کاستی­ هایی دارند. برای نمونه شبکه­های کانولوشن بهتر از شبکه­های دیگر قابلیت موازی­سازی و استخراج ویژگی‌های محلی درون متن و رویکرد توجه نیز قابلیت تمرکز بیشتر روی بخش‌های مهم تر جمله را دارد. همین طور شبکه برت در سال 2018 برای خلاصه ­سازی متن در موتورها جستوجو معرفی شد. در این پایان­ نامه مدل های توجه محلی ساده و زنجیری با توجه به ایده­ی استخراج ویژگی­های محلی شبکه­های­ کانولوشن و همچنین تمرکز بیشتر روی بخش‌های مهمتر با رویکرد توجه و نگاشت کلمات به بردار توسط شبکه برت، معرفی شده ­اند که می‌توان امیدوار بود این شبکه ­ها کاستی‌های هم را پوشش دهند. در مدل ­های پیشنهادی ابتدا با استفاده از توجه محلی ویژگی‌های سطح پایین و مرتبط با منظر برای لایه ­ی بالاتر فراهم می‌شود. سپس با اعمال رویکرد توجه روی لایه­ ی پایین ­تر، ویژگی‌های سطح بالا استخراج و برای طبقه ب­ندی استفاده می شوند. نتایج تجربی نشاد داد که مدل ­های پیشنهادی نتایجی قابل مقایسه با مدل‌های برتر در طبقه ­بندی احساس مبتنی بر منظر، به دست آورده اند.

  پیش­بینی انتشار

هدف اصلی انسان از جمع‌آوری اطلاعات را می­توان فهمیدن تفکر سایر انسان­ها دانست. این تمایل نا­خودآگاه سبب کشش پژوهشگران به سمت تحلیل اطلاعات جهت درک و تجزیه ذهن سایر انسان­ها، شده است. امروزه با توجه به پیشرفت­ها و فراهم آوردن بستر­های اطلاعاتی مانند اینترنت، شبکه­های اجتماعی و غیره می­توان به‌راحتی اطلاعات موردنیاز خود را جمع‌آوری کرد. امروزه شبکه­های اجتماعی یکی از مهم­ترین جنبه­های زندگی افراد هستند و از سوی دیگر این شبکه­ها با استفاده از کاوش اطلاعات کلی کاربران به درآمدهای هنگفتی دست پیداکرده‌اند. هدف از پژوهش حاضر متن­کاوی جهت پی بردن به حالت روحی افراد در تایپ متون است. در این پژوهش از 14000 توئیت در رابطه با خطوط هوایی جهت تحلیل احساسات در سه دسته­ی مثبت، منفی و خنثی   استفاده شده است. طرح پیشنهادی نهایی دارای سه گام است. در گام اول عمل پیش پردازش را بر روی پایگاه داده انجام می­دهیم. در گام دوم با استفاده از الگوریتم رقابت استعماری کلمات اصلی را از بین تمامی کلمات موجود استخراج می­کنیم. منظور از کلمات اصلی کلماتی هستند که بیشترین تاثیر را برای دسته‌بندی دارند. سپس با استفاده از شبکه­ی عصبی پیچشی اقدام به استخراج ویژگی­های بیشتر می­کنیم. درگام آخر نیز با استفاده از شبکه­ی عصبی پرسپترون چندلایه (MLP) عمل دسته‌بندی را انجام می­دهیم. در نهایت با استفاده از طرح پیشنهادی نهایی به‌دقت 990/0، صحت 983/0و فراخوانی 875/0دست پیداکرده‌ایم. نتایج نشان­دهنده­ی مطلوب بودن طرح پیشنهادی نهایی است  

تهدیدهای امنیتی وب به­طور روزافزون در حال افزایش است. ماهیت شبکه اینترنت به صفحات وب بدخواه این اجازه را می­دهد تا خود را به‌عنوان "صفحات امن" نشان دهند و متعاقباً برخی از کاربرانی که آگاهی کافی ندارند در دام این وب­سایت­ها گرفتار شوند. یکی از حملات رایج این حوزه، حمله Cross-Site Scripting(XSS) است. این حمله با تزریق اسکریپت­های مخرب به ورودی­های صفحات وب رخ می­دهد، زمانی که کاربر صفحه آلوده مورد نظر را بازدید کند به وقوع می­پیوندد. روش مرسوم برای شناسایی صفحات مخرب وب، استفاده از فهرست‌های سیاه است. این فهرست‌های سیاه، توسط سازمان­های مورد اعتماد و داوطلب تهیه می­شود و سپس توسط مرورگرهای مدرن مانند کروم و فایرفاکس استفاده می­شود. با توجه به اینکه، ماهیت صفحات وب به‌طور مداوم در حال تغییر است، این روش در شناسایی تهدیدهای جدید ناکارآمد است رویکرد دیگر، استفاده از روش­های یادگیری ماشین است که تصمیم­گیری­های پیچیده‌تری نسبت به روش انسانی می­توانند اتخاذ کنند. روش­های یادگیری ماشین با تحلیل ایستای متن(بدون اجرای کد) این کار را انجام می­دهند اما هنوز هم عدم شناسایی صحیح در بسیاری از برنامه­های جاری، منجر به فعال شدن کدهای مخرب شده و آسیب وارد می­کنند. در این پژوهش هدف ما شناسایی وب­سایت­های مخرب با استفاده از ترکیب تحلیل ایستا و پویای(با اجرای کد) است، که به کمک این دو رویکرد ابتدا، چالش­های رمزگشایی و مبهم­سازی را حل کرده و سپس ویژگی­های استخراج شده را تحلیل می­کنیم. نتایج این تجزیه و تحلیل نشان می­دهد که رویکرد پیشنهاد شده با الگوریتم طبقه­بندی درخت تصادفی، پیوندهای صفحات وب را با دقت 97.11 درصد شناسایی می­کند.   

چکیده امروزه شبکههای اجتماعی کاربران زیادی را به سمت خود جلب نمودهاند. این شبکهها امکان ارتباط میان کاربران و اشتراکگذاری متن، عکس و فیلم را فراهم نمودهاند. شبکهی اجتماعی که به کاربران امکان اشتراکگذاری مکان بدهد، شبکهی اجتماعی مکانمحور نامیده میشود. کاربران این شبکهها میتوانند در مورد مکانهای مختلفی که بازدید کردهاند اعلام نظر کنند و نظرات خود را با دیگران به اشتراک بگذارند. نظرات کاربران نمودی از احساس آنها به مکانی که بازدید کردهاند میباشد. در شبکههای اجتماعی افراد با یکدیگر ارتباط برقرار میکنند. یکی از مسائل این شبکهها پیشبینی ارتباطی است که در آینده ممکن است میان دو کاربر ایجاد شود. پیشبینی لینک نامی است که برای این مسئله انتخاب شده است. روشهای زیادی وجود دارد که به منظور پیشبینی لینک به کار میروند. از اطلاعات ساختار شبکه، اطلاعات کاربران مانند علایق و ویژگیهای آنها و اطلاعات مکانهایی که کاربران بازدید کردهاند، برای پیشبینی لینک استفاده میشود. احساس کاربران یکی از اطلاعاتی است که میتواند به منظور بهبود پیشبینی لینک به کار برده شود. برای دست یافتن به احساس کاربران در شبکههای اجتماعی مکانمحور میتوان نظرات آنها را تحلیل کرد. به این ترتیب میتوان با ترکیب کردن اطلاعات ساختار شبکه، اطلاعات مکانهایی که بازدید کردهاند و احساس آنها الگوریتم جدیدی برای پیشبینی لینک ارائه نمود. این الگوریتم بر روی دیتاست شبکهی foursquare آزمایش شد و طبق ارزیابی انجام گرفته این روش نسبت به روشی که از احساس کاربران استفاده نمیکند عملکرد بهتری داشته است. بنابراین میتوان نتیجه گرفت که نقش احساس در ایجاد لینکهای جدید میان کاربران موثر است. کلمات کلیدی: شبکههای اجتماعی، شبکههای اجتماعی مکانمحور، پیشبینی لینک، احساس، اشتراکگذاری مکان

  ?_ چکیده تحقیق حاضر با عنوان «پروتکل تبادل داده ای بین خدمات نوبت دهی مبتنی بر مرکز تبادل داده ای حوزه سلامت (IX سلامت)» در سال ???? انجام شده است. هدف از انجام تحقیق، امکان تبادل اطلاعات بین سامانه های نوبت دهی حوزه سلامت می باشد. امکان برقراری ارتباط بین سامانه های نوبت دهی یکی از فاکتورهای اصلی در رضایت مندی بیمار در دریافت خدمات پزشکی، کاهش زمان انتظار بیمار و پزشک و... است که ارائه پروتکل ارتباطی جهت تحقق این عمل مورد نیاز می باشد. در این تحقیق ابتدا به بررسی معماری یکپارچگی سامانه ها و همچنین بررسی معماری مرکز ملی تبادل اطلاعات و مرکز ملی خدمات سلامت سپس به بررسی پروتکل تبادل داده بین سیستم های نوبت دهی بر مبنای پروتکل ارائه شده در پرونده الکترونیک سلامت پرداخته شده است. پروتکل پیشنهادی بر امکان تبادل داده بین سیستم های نوبت دهی با ارائه پروتکل ارتباطی تمرکز کرده است با استفاده از زبان برنامه نویسی php فریمورک لاراول و محیط phpstorm پیاده سازی شده است و نتایج بدست آمده و خروجی های برنامه نشان می دهد که امکان تبادل داده بین سیستم های نوبت دهی با ارائه پروتکل ارتباطی میسر گردید، بدیهی است که این امر موجب کاهش زمان انتظار بیمار و پزشک افزایش سرعت و بهبود کارایی در مراکز درمانی میگردد. همچنین نشان دادیم با استفاده از این پروتکل ارتباطی ارجاع نوبت از یک سامانه به سامانه نوبت دهی دیگر قابل انجام بود. واژه های کلیدی: تبادل داده، نوبت دهی، حوزه سلامت

  سازمان­های ارائه­دهنده خدمات الکترونیک با رقابتی شدن بازار به اهمیت ارزیابی خدماتشان پی بردند. زیرا عرصه رقابت به گونه­ایی است که هر گونه نقصان و کوتاهی در نگاه­داشت مشتریان و جلب مشتریان جدید در یک بازه زمانی کوتاه می­تواند سازمان را به ورطه نابودی کشاند. در ادبیات تحقیق مفاهیم مهم تحقیق را معرفی کردیم. در ادامه به پیشینه تحقیق وتلاش­هایی که تا به حال انجام گرفته است؛ پرداختیم. با بررسی مدل­های   مختلف به این نتیجه رسیدیم که نقش کاربر در مدل­های مختلف به اندازه کافی در نظر گرفته نشده است؛ در بعضی از تحقیقات انجام شده   به بررسی میزان رضایت کاربران   پرداخته شده غافل از اینکه کاربران مختلف، شخصیت­های مختلف و سلیقه­های متفاوتی دارند؛ بدون در نظر گرفتن این تفاوت­ها، قادر به ارزیابی دقیقی از کیفیت یک وب سرویس از نگاه کاربر نخواهیم بود. از طریق آزمون   مایرز-بریگز به تفکیک کاربران در 16 دسته شخصیتی پرداختیم. به دلیل نزدیک بودن به نوع محاوره کاربران، فازی به عنوان روشی مناسب   انتخاب گردید. پس از بررسی چند روش فازی، روش تاپسیس به عنوان روشی مناسب به دلیل دقت بالا و عدم محدودیت در تعداد مصاحبه شوندگان و معیارها   انتخاب گردید. در روش تاپسیس نیاز به وزن­دهی به معیار­ها بود که روش ای­اچ­پی فازی بهبود یافته مورد استفاده قرار گرفت. نهایتا پرسشنامه ایی که 60 سوال اول آن تست شخصیت و 42 سوال بعدی سوالات کیفیت وب سرویس همراه بانک ملت به عنوان یک وب­سرویس نمونه و شناخته شده بود را توزیع نمودیم. 100 نمونه پرسشنامه پر شده نتایج قابل توجهی را برای ما داشت. همانطور که پیش­بینی شده بود کاربران با شخصیت مختلف ترتیب رضایتمندی متفاوت و در بعضی موارد حتی متضاد از معیار­ها را داشتند. در نتایج تحقیق   ترتیب معیار­ها   برای هر شخصیت   و همچنین ترتیبی از شخصیت ها بر حسب رضایتمندی آن­ها از معیار­ها را ارائه داده ایم.

ظهور شبکههای اجتماعی برخط یکی از مهمترین رویدادها در دهه اخیر بوده است. یک شبکه اجتماعی شبکهای ازتعاملات و ارتباطات است که کاربران گرههای آن و ارتباطات بین کاربران یالهای گراف را تشکیل میدهد. پس ازمطرحشدن شبکههای اجتماعی و گسترش آن، بازارهای جدید و روشهای کسبوکار جدید به وجود آمدند. در این راستا،یک سیستم توصیهگر، نرمافزاری است که با شناسایی ترجیحات مشتریان، آنان را در مواجه با انبوه اطلاعات یاری ومحصولات و خدماتی منطبق و سلایقشان به آنها ارائه میکند. تا کنون برای پیادهسازی این سیستمها روشهای مختلفیارائه شده است که در میان آنها روشهای پالایش مشارکتی نسبت به سایر روشها عملکرد بهتری ارائه میدهند. باافزایش تعداد کالاها و کاربرانی که از این سیستمها استفاده میکنند، اکثر روشهای موجود دچار مشکل کاهش سرعتشده و کارایی خودشان را از دست میدهند . به عبارت دیگر، سیستمهای موجود برای کاربردهای کلان داده که در آننیاز است حجم و تنوع بیشتری مورد پردازش قرار بگیرد، مناسب نیستند. لذا در این تحقیق ضمن معرفی سیستمهایتوصیهگر و نقاط ضعف آنها، یک روش جدید برای حل این چالش ارائه شده است. برای آنکه روش پیشنهادی بتواند بهخوبی از بسترهای پردازشی توزیع شده بهره ببرد، باید از ساختار قابل توزیع بهرهمند باشد. بدین منظور برای جستجویکاربران و اهداف مشترک و همجهت و قرار دادن آنها در یک دسته، الگوریتم پیشنهادی از الگوریتم توزیعشده و تعاملیاجتماع ذرات بهره میبرد. الگوریتم توزیعشده و تعاملی اجتماع ذرات نسخهای از PSO است که میتواند هر بخش ازپایگاه داده و یا هر بعد از هدف را به طور جداگانه پردازش نماید. لذا الگوریتم پیشنهادی به خوبی با بسترهای پردازشیتوزیع شده همچون اسپارک سازگار است. نتایج شبیهسازیهای انجام شده، ضمن تایید دقت مشابه روش پیشنهادی باروش پالایش مشارکتی، نشان میدهد که سامانه پیشنهادی برای توصیهگری در کلاندادهها حدود 64 بار سریعتر ازبسترهای پردازشی معمول، است.

چکیده  پیشرفت در فن آوری های اینترنتی منجر به محبوبیت خود-خدمات مبتنی بر فن آوری شده است، وطراحی چنین خدماتی به طور فزاینده ای مهم است. در این پایان نامه، ویژگی های خدمات کلیدی شناسایی رانندگی واستفاده از خدمات دولت الکترونیک درمانی وساختار ترجیحی شهروندان در این ویژگی ها با استفاده از خدمات مبتنی بر فناوری در بخش عمومی مشخص شده است. با این حال تلاش حل نشده هنوز چگونگی طبقه بندی چنین خدمات الکترونیکی است. امروزه مدلهای مرحله ای برای مشخص کردن ویژگی های بالا در سرویس های الکترونیکی غالب می شوند. طبقه بندی خدمات به درک اهمیت آنها کمک می کند. به عنوان یک طبقه مفهومی، می توان بین خدمات اقتصادی واطلاعاتی   متمایز کرد. در عین حال یک نقص وجود دارد که هیچ مدل خوبی برای طبقه بندی خدمات وجود ندارد. تلاش برای استفاده از چنین مدل هایی به عنوان الماس طبقه بندی برای خدمات الکترونیکی انجام شده است. از این رو، هدف اصلی این پایان نامه، معرفی یک مدل جدید و آسان برای استفاده و مدل مناسب برای طبقه بندی خدمات دولت الکترونیک است. در این پایان نامه، بازبینی در ابتدا بر روی مدل های محبوب ترین طبقه بندی خدمات دولت الکترونیک انجام شد. در تحقیقاتی که انجام شد، مدل ESI یک ساختار سازگارتر برای طبقه بندی خدمات دولت الکترونیک دارد. در مقابل، مدل رمبوس یک مدل گرافیکی است که یک شخصیت به خوبی شکل گرفته است. سپس یک مدل طبقه بندی برای سرویس های دولتی عراق با استفاده از مدل ESI برای اولین بار معرفی شد. این مدل سپس به شکل یک الماس ارتقا یافته است. بنابراین، در مدل رمب، اطلاعات طبقه بندی از جدول ESI پر شده است. حضور، عدم حضور، عملکرد دولت، شهروند اطلاع رسانی، و مالی و غیر مالی. در هر یک از این دسته ها دسته های زیر مانند جداگانه در مقابل ترکیب، و فرد به طور کلی برای ایجاد یک طبقه بندی دقیق تر دانه استفاده می شود.

داده‌کاوی یک روش محاسباتی گذشته‌نگر برای استخراج دانش از پایگاه‌های داده عظیم است.در سال‌های اخیر کاوش پایگاه‌های داده‌ی مرتبط با سلامت تبدیل به موضوعی نوظهور شده که نتایجی بدیع را تولید نموده است. مطالعات موجود در تحلیل بیماری‌های مزمن روش‌های مختلفی از داده‌کاوی را استفاده نموده‌اند ازجمله درخت‌های تصمیم، شبکه‌های عصبی و کشف قوانین انجمنی. هدف این مطالعه استفاده از برنامه‌نویسی ژنتیک،که یک روش   یادگیری ماشین در حوزه‌ محاسبات تکاملی است، به‌منظور استخراج معیارهای تشخیص بیماری‌های غیر واگیر مزمن از مجموعه داده موجود است.پایگاه داده مورداستفاده در این پایان‌نامه شامل 10000 رکورد مربوط به مطالعه کوهورت شهرستان روانسر است. این مطالعات متغیر‌هایی نظیر آزمایش‌های بیوشیمیایی، آزمایش‌های شمارش سلول‌های خونی، اندازه‌گیری‌های دستی و سبک زندگی را که امکان ارتباط آن‌ها با بیماری‌های مزمن وجود دارد، شامل می‌شود. هدف اصلی این مجموعه داده ذخیره اطلاعات افراد ساکن در شهر روانسر به‌منظور مقایسه و ارزیابی آن‌ها در 15 سال آینده تحت عنوان یک مطالعه کوهورت آینده‌نگر است. درنتیجه در این پایان‌نامه سعی شده با استفاده از روش‌های داده‌کاوی موجود به‌خصوص برنامه‌نویسی ژنتیک ارتباطاتی نوین را میان این مجموعه متغیر‌ها و بیماری‌های مزمن غیر واگیر استخراج نماییم.   برخلاف اکثر تحقیقات داده‌کاوی موجود که ایجاد یک مدل جدید و ارزیابی کارایی را اولویت خود قرار می‌دهند مطالعه پیش رو   کشف دانش را در اولویت قرار داده است. مدل پیشنهادی این مطالعه ترکیبی از روش برنامه‌نویسی ژنتیک و روش کشف الگو‌های مکرر است. ابتدا با بهر‌ه‌گیری از خاصیت انتخاب ویژگی برنامه‌نویسی ژنتیک متغیر‌های مرتبط با هر بیماری مشخص خواهد شد. سپس الگو‌های مشترک به‌عنوان قوانین قابل تفسیر استخراج می‌شوند. یک روش ارزیابی بر اساس این الگو‌ها تعریف‌شده که مشخص می‌نماید برنامه‌نویسی ژنتیک به‌عنوان یک روش انتخاب ویژگی کار خود را به‌درستی انجام ‌داده است.    

معرفی روشی برای تحلیل احساس داده های حجیم (مطالعه موردی تویتر)

امروزه داده‌ها و اطلاعات تولید شد در تمامی علوم و در نتیجه آن دانش، به نحو چشمگیری رو به فزونی نهاده و مسئله کار کردن با این داده‌ها تبدیل به یکی از دغدغه‌های دست­اندر کاران علم کامپیوتر شده است. از طرفی علم ارتباطات و نحوه مدیریت کردن ارتباطات خود به‌نوعی مسئله چالش برانگیز دیگری است که روش‌های سنتی و حتی روش­های موجود برای حجم داده‌های منتقل شده امروز به‌روشنی پاسخگو نخواهد بود؛ برای پاسخ به چنین مشکلاتی باید ذهن خلاق به کار افتد و راهکارهایی را ارائه دهد تا بتوان به نحو احسن با این مشکلاتِ پیش رو کنار آمد. برای حل مشکل داده‌های بزرگ و پردازش و مدیریت جریان داده آن، ابزار نرم‌افزاری با زبان برنامه‌نویسی جاوا خلق شد که هادوپ نام گرفت و می‌تواند به همراه زیرمجموعه‌های قدرتمندش مانند نگاشت-کاهش و ... به‌خوبی کار پردازش و مدیریت جریان داده‌های بزرگ را انجام دهد. در این بین ممکن سوالی اذهان را مشغول نماید که سیستم­های پیشنهادی همچنان بر بستر شبکه های ارتباطی سنتی و با مدیریت سنتی کار خواهند کرد و با این مسئله، راه­حل­های ارائه شده دچار نقصان خواهند بود. مشکل ارتباطات را می‌توان با ایده ساده انتقال بخش مدیریت زیرساخت شبکه به یک مرکز/دستگاه/سیستم متمرکز، حل نمود؛ به این صورت که بخش داده‌های شبکه به‌صورت سخت افزار باقی می مانند (شبیه سخت افزارهای موجود) و بخش کنترلی دستگاه­های به صورت یک جا در یک کنترل کننده قرار می گیرند که کار کنترل تمام بخش های زیرین را به صورت یکجا بر عهده دارد و به این صورت شِمای کلی ارتباطات در زیر نظر کنترل‌کننده قرار می‌گیرد و می‌تواند کارهای گوناگونی مانند کنترل ترافیک و بار و... را به آنی بر روی دستگاه‌ها انجام دهد. حال با توجه به تولد چندین ساله هادوپ این سوال پیش می‌آید که آیا می‌توان کارکرد آن را بهبود داد. می‌توان به‌صورت کاملاً قاطع پاسخ این سوال را با ترکیب و اجرای هادوپ و شبکه های مبتنی بر نرم افزار پاسخ داد. به این شکل که با اجرای هادوپ به عنوان یک نرم افزار بر روی کنترل کننده شبکه های مبتنی بر نرم افزار و واگذاری مسائل مربوط به شبکه به کنترل کننده شبکه های مبتنی بر نرم افزار، به صورت خودکار کارایی افزایش خواهد یافت چراکه هادوپ به جای درگیر بودن با مسائل شبکه، به کار پردازش خود خواهد پرداخت و این وظیفه را به شبکه های مبتنی بر نرم افزار واگذار می کند.

شبکه نرم افزاری تعریف شده (SDN) فناوری جدیدی در شبکه‌های کامپیوتری است که در آن با جداسازی صفحه کنترل از صفحه داده، دید کلی شبکه فراهم شده است. این جداسازی با استفاده از یک API (مانند OpenFlow [1]) که میان کنترل‌کننده و سوئیچ‌ها قرار گرفته، مقدور شده است. کنترل‌کننده متمرکز منطقی در شبکه SDN، با استفاده از دید کلی شبکه می‌تواند به بهبود مدیریت شبکه، توازن بار، مسیریابی و امنیت کمک شایانی کند. متوازن‌کننده بار SDN، با استفاده از کنترل‌کننده متمرکز منطقی می‌تواند با ورود هر جریان جدید به شبکه بصورت بی‌درنگ در مورد تخصیص آن به سرور دارای بهترین شرایط، تصمیم‌گیری کند. اغلب متوازن‌کننده‌های بار SDN در لایه ? از مدل OSI کار می‌کنند و تصمیم‌گیری‌های آن‌ها براساس سرآیند لایه‌های ? تا ? می‌باشد و این امر سبب محدودیت در پیاده‌سازی شبکه‌ها می‌باشد. این محدودیت در آنجایی نمایان می‌شود که سرور‌های Back-End مشابه یکدیگر نباشند. در این شرایط نیاز به وجود پایگاه داده‌ای از نگاشت بین محتوا و سرور در کنترل‌کننده بوده و با ورود هرجریان به متوازن‌کننده Front-End، کنترل‌کننده نسبت به تخصیص آن جریان به سروری که محتوای درخواستی در آن وجود دارد اقدام نماید. به منظور پیاده‌سازی متوازن‌کننده بار لایه ? (لایه کاربرد)، روش‌های متداول سنتی از جمله اتصال معوق و مهاجرت سوکت TCP وجود دارند که تلاش این پژوهش در پیاده‌سازی روش اتصال معوق براساس مفاهیم SDN می‌باشد و هم‌چنین با توجه به دید کلی شبکه و در نظر گرفتن بار ترافیکی و همچنین زمان پاسخ سرور‌های Back-End بهترین سروری که محتوای درخواستی در آن قرار دارد انتخاب شود. در پیاده‌سازی روش، از یک   سوئیچ مجازی تحت عنوان Open vSwitch در یک ناظر ماشین مجازی و کنترل‌کننده Floodlight استفاده شده است و نتایج حاصل از پیاده‌سازی در پژوهش پیش رو درج شده است. به طور متوسط بهبود زمان پاسخ در مقایسه با سه الگوریتم دیگر، L  RT، Round Robin و روش انتخاب تصادفی به ترتیب 19.58?، 33.94? و 57.41? است. علاوه بر این، میانگین بهبود بهره­وری روش پیشنهادی در مقایسه با سه الگوریتم دیگر، به ترتیب 16.52?، 29.72? و 58.27? است.

های کامپیوتری، خصوصا اًینترنتباعثایجاد تغییرات ?? رشد و گسترشروز افزون شبافراد، سازمان ها و موسسات شده است. از این ?? و فعالیت شغل ?? گسترده در نحوه زندگباشد. در دنیای ?? از مسائل ضروری و مهم در این چرخه م ???? رو امنیت اطلاعات یدر تبادلاتپیام ها و مبادلاتتجاری ?? و مهم ?? دیجیتال حفاظتاز اطلاعاترکن اساسشود. ?? تراکنش امن، از رمز نگاری استفاده م ?? باشد. برای تامین نیاز های امنیت ?? ماطمینان از عدم دستیابی افراد غیر مجاز به اطلاعات حساس از مهم ترین چالش هایاز متداول ترین روش های ???? در رابطه با توزیع اطلاعاتاز طریق اینترنتاست. ی ?? امنیت?? باشد. رمز کردن داده ها و اطلاعات انواع مختلف ?? حفاظت اطلاعات، رمز نمودن آنها مدارد که در این پایان نامه از رمز نگاری خم بیضوی استفاده شده است. رمز نگاری خمر همچون ?? باشد که نسبت به رمز نگاری های دی ?? م ?? رمز نگاری کلید عموم ?? بیضوی یکند. ?? ، امنیت مورد نیاز را با طول کلید کمتر فراهم م RSA???? ایمن و راحت برای تبادل اطلاعات پزش ?? در این پایان نامه علاوه بر ایجاد راهایمن و مستند برای رمز کردن ?? امروزه، از روش ?? و سنت ?? و خاتمه دادن به روند ها دستبه اداره ی بیمه و ???? داده ها در تمام مراحل احراز هویت بیمار، تبادل داده های پزشهزینه ها به بیمارستان استفاده شده است. ???? ترونی ?? پرداخت

Ontology Model For Data Integration In Gas And Oil Industry

یکی از مباحث مهم در جامعه امروزی که دغدغه بسیاری از کارشناسان و همچنین کاربران می‌باشد بحث امنیت و تشخیص و تایید هویت است. مردم خواستار اقدامات امنیتی بی­عیب، ساده و کاربرپسند هستند. بیومتریک، احراز هویت افراد براساس ویژگی­های منحصربفرد و متمایز کننده ، مقاوم و قابل­سنجش است که بتواند جهت تعیین یا تایید هویت افراد بکار رود. شناسایی از طریق بیومتریک، شناسایی یک فرد براساس صفات فیزیولوژی، رفتاری و شیمیایی یک شخص است. تشخیص هویت از طریق بیومتریک مزایای بسیاری دارد و تاکنون روش­های مختلفی ارائه شده است. روش­های بکار رفته در هر دوره قوت و ضعف فناوری آن را به همراه دارد. در بین ویژگی­های بیومتریک مختلف استفاده از الگوی رگ دست افراد یکی از مناسب­ترین و قابل اطمینان­ترین خصیصه­های بیومتریکی می­باشد که ما در این پایان­نامه به آن می­پردازیم. سیستم­های تصدیق هویت مبتنی بر الگوی رگ دست شامل چندین مرحله مختلف از قبیل پیش­پردازش، استخراج ویژگی الگوی رگ­ها و تطابق الگو است. در سال­های اخیر روش­های مختلفی برای هر کدام از این مراحل ارائه شده است. در این پایان نامه، تمرکز ما بر روی استخراج ویژگی و بکارگیری توصیفگرهای بافت تصویر و ترکیب چند توصیفگر می­باشد. به منظور استخراج ویژگی توصیفگرهای الگوی باینری یکنواخت، الگوی باینری یکنواخت مستقل از چرخش و کوانتیزه ساز فاز محلی مستقل از چرخش به کار گرفته شده است. همچنین در روش پیشنهادی ترکیب چند توصیفگر را نیز بررسی نموده ایم. در ادامه برای طبقه بندی تصاویر، سه طبقه بند متفاوت ماشین بردار پشتیبان، درخت تصمیم و کا نزدیک­ترین همسایه بکار گرفته شده است. برای ارزیابی دقیق روش پیشنهادی، از مجموعه داده PUT Hand Vein   که خود شامل دو مجموعه داده از تصاویر رگ کف دست و رگ پشت دست است، استفاده شده است. پایگاه داده شامل 1200 تصویر رگ کف دست و همچنین 1200 تصویر رگ پشت دست است. همچنین پارامتر دقت طبقه بندی تصاویر و زمان محاسبات اندازه گیری شده است. نتایج بدست آمده از اجرای این الگوریتم­ها و ترکیبات مختلف آنها نشان می­دهد که بهترین الگوریتم ترکیب الگوی باینری یکنواخت و کوانتیزه ساز فاز محلی است که دقت این روش در تصاویر رگ کف دست برای دست راست 99 درصد و برای دست چپ 33/ 99 درصد با طبقه­بند ماشین بردار پشتیبان بدست آمده است. در تصاویر رگ پشت دست برای دست راست مقدار دقت طبقه بندی 83/97 درصد و برای دست چپ 66/97 درصد با بکارگیری طبقه­بند کا نزدیکترین همسایه بدست امده است. علاوه بر این در مقایسه با روش های پیشین، نتایج بدست آمده از روش پیشنهادی بهبود دقت را نشان می­دهد.  

بیماری پارکینسون یکی از بیماری­های شایع عصبی است. این بیماری با مشکلات حرکتی برای بیماران همراه می­باشد که موجب عدم توانایی کارکردن و دیگر پیامدها می­باشد. در این پایان­نامه، سعی شده تصاویر مربوط به دست نوشته افرادی که تست پارکینسون داده­اند به صورت اتوماتیک توسط روش­های پردازش تصاویر بررسی شوند و بیمارها و غیر بیمار ها با متد­های پردازش ماشین و یادگیری ماشین تفکیک شوند. ویژگی­های الگوی باینری محلی و چندی­کردن فاز محلی برای اولین بار در مسئله­ی طبقه­بندی افراد سالم و بیمار پارکینسون بکار برده می­شوند و پارامترهای دقت شناسایی،   دقت،فراخوانی وF-score   ارزیابی می­شوند. روش پیشنهادی شامل سه قسمت است: پیش پردازش، استخراج ویژگی­ و کلاس بندی. در بخش پیش پردازش، نرمال سازی، قطعه­بندی مبتنی بر عملیات ریخت­شناسی و فیلتر مات بر روی تصویر انجام می­گردد. سپس، در بخش استخراج ویژگی برای تصویر، دست خط و خط چاپی از هم جدا شده و سپس با هم مقایسه می­شوند تا ویژگی­های مربوط به آن به دست آید. برای مشخص کردن نقاط متناظر روی دست خط و خط چاپی از اختلاف دو تصویر و همچنین میانگین­گیری استفاده شده است. در ادامه، ویژگی­های بدست آمده که مبتنی بر اطلاعات آماری تصویر می­باشد، بدست می­آید. در مرحله­ی بعد سه طبقه­بند مختلف ماشین بردار پشتیبان، نایو بیز و کا نزدیک­ترین همسایه به منظور دسته بندی افراد سالم و بیمار پارکینسون بکار گرفته شده است. برای ارزیابی روش پیشنهادی و مقایسه با روش­های پیشین، از مجموعه داده Hand PD استفاده شده و از 90 درصد داده­ها برای آموزش و از 10 درصد برای تست استفاده کرده­ایم. نتایج به­دست آمده نشان می­دهد که بهترین الگوریتم در بین طبقه­بندها نایو بیز بوده است که دقت این روش برای طبقه­بندی افراد سالم و بیمار با بدست آوردن اطلاعات آماری   تصاویر، برابر با 32/85 است . همچنین در ادامه تاثیر بکارگیری دو توصیفگر الگوی باینری محلی و الگوی چندی­ساز فاز محلی، بررسی شده است که طبقه­بند نایوبیز بیشترین دقت را برای الگوی باینری محلی برابر با مقدار 77/87 و برای الگوی چندی­ساز فاز محلی برابر با 59/85   نتیجه داده است. در مجموع نتیجه­  hy  hy;ی بدست آمده از روش پیشنهاد شده نشان می­دهد که این روش نسبت به روش­های اخیر 9 درصد افزایش در دقت تشخیص داشته­است.   

بیماری قلبی یکی از علل اصلی ناتوانی در بزرگسالان و یکی از علل اصلی مرگ در کشورهای توسعه یافته است. اگر چه پیشرفت های قابل توجهی در تشخیص و پیش بینی بیماری های قلبی انجام شده است، تحقیقات بیشتری هنوز مورد نیاز است.تکنیک های داده کاوی در بسیاری از زمینه ها از جمله علم، وب، کسب و کار، بیوانفورماتیک و انواع مختلف داده ها مانند داده های حسگر، بصری، متنی به کار گرفته شده است. اطلاعات پزشکی هنوز اطلاعات غنی است، اما دانش ضعیف است. داده کاوی یک ابزار است که ما می توانیم از آن برای پیش بینی یا تشخیص بیماری های قلبی بر اساس داده های قبلی در مجموعه داده های استاندارد استفاده کنیم. طبقه بندی عملیات داده کاوی است که اقلام را در یک مجموعه به مقوله ها یا کلاس های هدف اختصاص می دهد. هدف طبقه بندی، دقیقا پیش بینی کلاس هدف برای هر مورد در داده ها است.هدف این پایان نامه طراحی، تطبیق و معرفی یک روش طبقه بندی ترکیبی جدید برای تشخیص بیماری های قلبی است. Hybridization طبقه بندی می تواند در چهار سطح مختلف انجام شود. سطح داده، که به معنی استفاده از مجموعه داده های مختلف و ترکیب است. ترکیب سطح ویژگی سطح دوم است، که در آن از تکنیک های انتخاب ویژگی استفاده می شود. از آنجا که طبقه بندی ها مهم ترین بخش از روش طبقه بندی ترکیبی هستند، سطح سوم طبقه بندی سطح است. در این سطح، طبقه بندی های مختلف یا ترکیبی از آنها می تواند مورد استفاده قرار گیرد. سطح نهایی سطح ترکیب است. در حقیقت، تصمیم نهایی در اینجا، بر اساس ترکیب نتایج یک طبقه بندی کننده، و با معیارهای ارزیابی تحلیل می شود.یک روش طبقه بندی ترکیبی می تواند از هر تعداد از این سطوح استفاده کند. روش پیشنهادی ما شامل سه رویکرد اصلی بر اساس تعداد و نوع استفاده از این سطوح است. ما یک دستاورد بزرگی کرده ایم و این کار با استفاده از ترکیبی از داده های سه گانه ماست. ما یک مجموعه داده جدید را با ترکیب دو مجموعه داده های استاندارد بیماری قلبی مخزن یادگیری ماشین UCI، کلیولند و Statlog ایجاد کردیم. تمام این سه مجموعه داده استفاده شده است. در مورد استفاده از مجموعه داده های کلیولند، فقط 13 ویژگی اصلی انتخاب شده اند که با ویژگی های مجموعه داده Statlog سازگار هستند. لازم به ذکر است که مجموعه داده های کلیولند حاوی مقادیر گم شده است و این مقادیر از مجموعه داده حذف شده اند.یک بخش از روش پیشنهادی ما (روش دو) از الگوریتم CFS برای انتخاب بهترین ویژگی ها در سطح ویژگی استفاده کرده است. در همه رویکردها، طبقه بندی های KNN، DT، NB و SVM و انتخاب های مختلف آنها در سطح طبقه بندی استفاده می شود. در آخرین سطح، نتایج طبقه بندی های ذکر شده با برخی از روش هایی مانند رای اکثریت رای گیری و رای گیری اکثریت با وزنی ترکیب شده است.ما یک روش را طراحی کرده ایم و آن را اجرا می کنیم که از طبقه بندی های تک استفاده می کند. این روش با عنوان "روش پایه" که برای تعیین اینکه آیا استفاده از روش ترکیبی ما دقت تشخیص را بهبود می بخشد یا نه، نامیده می شود. ما نتایج ارزیابی روش پیشنهادی ما را با تحقیقات قبلی و با روش «پایه» مقایسه کردیم. نتایج مقایسه نشان داد که روش پیشنهادی ما دقت تشخیص را بهبود می بخشد.بهترین نتیجه روش پایه برای مجموعه داده های Cleveland برابر با 83.82? از دقت طبقه بندی و برای مجموعه داده Statlog برابر با 84.07? از دقت طبقه بندی با استفاده از SVM بود. ترکیب داده ها (مجموعه داده ها) دقت طبقه بندی را در روش مبتنی بر 95.23? با استفاده از KNN افزایش داد.در نهایت، حداکثر دقت طبقه بندی که با استفاده از روش پیشنهاد ما به دست آمد، برابر با 96.29 درصد از دقت طبقه بندی است که متعلق به روش دو است. رویکرد دو مزیت از ترکیب سطح داده، تکنیک انتخاب ویژگی (CFS)، گروه طبقه بندی سطح و رای اکثریت در ترکیب combiner. این نتیجه نشان داد که بهترین انتخاب طبقه بندی ها KNN، DT در یک مورد و KNN، NB در مورد دیگری است. دقت طبقه بندی این مجموعه داده ها با اعتبارسنجی k-fold با k = 10 بدست آمد.

  در سال­های اخیر مصرف انرژی در شبکه­ها،   به دلیل رشد قابل ملاحظه­ی کاربران و افزایش تقاضای سرویس­های چند رسانه­ای، به شدت بالارفته است به گونه­ای که کاهش مصرف انرژی در شبکه جهت حفاظت از محیط زیست مورد توجه قرار گرفته است. از دیدگاه­های متفاوتی می­توان مسئله­ی کاهش مصرف انرژی را مورد بررسی قرار داد، پروتکل­های متفاوتی در یک شبکه تعریف شده­اند که هر کدام به نوبه­ی خود در مصرف انرژی تاثیر گذارند. یک پروتکل بر اساس حجم باری که بر روی لینک تولید می­کند و میزان زمان مورد نیاز برای انتقال آن حجم از بار، مصرف انرژی را در خود تعریف می­کند. TCP پروتکلی است که اطمینان می­دهد که یک جریان حتما به مقصدخواهد رسید، به همین دلیل حجم قابل توجهی از یک جریان را به دلیل تولید بسته­هایACK[1] بر روی لینک ایجاد می­کند، که باعث افزایش بار بر روی لینک می­شود.   دراین پایان­نامه از دید نرم­افزاری به مسئله­ی کاهش مصرف انرژی شبکه نگاه می­شود وسعی شده­است با کاهش تعداد بسته­هایACK، هم قابلیت اطمینان پروتکل TCP وهم کاهش مصرف نرژی را داشته باشیم. بهبود حاصل شده در این کار12.09 درصد است که مقدار قابل توجهی است. پیاده­سازی سناریومطرح شده در این پایان­نامه ممکن است در بعضی شبکه­هاکه به صورت آنلاین داده منتقل می­کنند همانند شبکه­ی   انتقال صدا[2] کاهش عملکرد را به همراه داشته باشداما به صورت کلی می­تواند قابل چشم پوشی باشد. کلمات کلیدی: شبکه­های سبز،   بهینه­سازی مصرف انرژی، مهندسی ترافیک، پروتکل TCP، بسته­های ACK 

ارزیابی معماری های سازمانی در راستای دولت الکترونیکی