شباهت معنایی تصویر (مقاله رایگان pdf)

چکیده 
              تعیین شباهت بین تصایر از جمله دسته بندی تصویر ،برچسب زنی تصویر و همچنین بازیابی ، مرحله اساسی در بسیاری از برنامه های کاربردی است . روش های اتوماتیک برای ارزیابی شباهت اغلب ناکارآمد است و وقتی که زمینه معنایی برای کار نیاز است نیاز به قضاوت انسان پیش می آید چنین قضاوتهائی را می توان از طریق فنون جمع سپاری بر اساس کارهای ارائه شده توسط کاربران وب جمع آوری نمود. با این حال برای ممکن ساختن برآورد شباهت تصاویر با زمان و هزینه معقول ایجاد کارها برای مقدار انبوه باید به طریقه دقیقی انجام شود . ما مشاهده کردیم که فواصل بین همسایگی های محلی اطلاعات ارزشمندی فراهم می کند که به ما این امکان را می دهد که معیارشباهت کلی را سریع و دقیق ایجاد کنیم. این ملاحظه کلیدی ما را به سمت راه حلی براساس وظائف دسته بندی ومقایسه تصاویر نسبتاً مشابه هدایت می کند درهرجستجو،اعضای گروه مجموعه کوچکی از تصاویر را درداخل صندوق های خود جمع آوری می کنند . نتایج حاکی از شباهت های نسبی زیاد بین عکس ها می باشد ، که برای ایجاد معیار شباهت مورد استفاده قرار گرفته اند. این معیاربه صورت تصاعدی اصلاح می شود و برای ترتیب دادن تحقیقات بهتر ومکانی تر در تکرارهای بعدی بهبود می یابد . ما موثر بودن روش خودمان را بر روی مجموعه داده ها وقتی زمینه میدانی وجود داشته باشد و روی مجموعه ای از تصاویر در صورتی که شباهتهای معنایی را نمی توان اندازه گیری کرد اثبات می کنیم . درحالت خاص نشان می دهیم روش ما گزینه بهتری از روش های مرجع است و موثر بودن تحقیقات جمع آوری و فرآیند اصلاح ما را بهبود می بخشد .

روش سریع تشخیص پرت (مقاله رایگان pdf)

چکیده
             پایگاه های داده ی دنیای واقعی امروزی معمولا شامل میلیون ها مورد با هزاران حوزه می شوند. به عنوان یک نتیجه، روش های شناسایی بخش جدای سنتی توزیع بنیان دارای توانایی های محدود شده ی بسیاری هستند و رویکردهای جدید همسایه های نزدیکترین K بنیان، محبوب تر شده اند. اما، مشکل با این روش های همسایه های نزدیکترین K بنیان این است که آنها بسیار به مقدار K حساس هستند(می توانند رتبه بندی متفاوتی برای بخش های مجزای برتر n داشته باشند)، از نظر محاسباتی برای مجموعه های داده بسیار پر هزینه هستند و در کل در اینکه آیا آنها برای مجموعه های ابعاد زیاد به خوبی کار می کنند یا نه شک وجو دارد. در این مقاله برای تا حدی دور زدن این مشکلات،یک فاکتور جدید بخش مجزای سراسری و یک فاکتور جدیدی بخش مجزای محلی و یک الگوریتم شناسایی بخش مجزای کارآمد بر مبنای این دو فاکتور مطرح کردیم که به راحتی پیاده سازی می شود و با راه حل های موجود می تواند عملکردهای رقابتی را بهبود ببخشد.آزمایشات انجام شده روی هر دو مجموعه های داده ی ترکیبی و واقعی، کارآمدی روش ما را نشان می دهند.

تست جهش رانده شده (مقاله رایگان pdf)

چکیده
            در زمینه تست جعبه سیاه، موارد تست  تولید از طریق مدل کردن جهش ، برای تولید مجموعه تست قدرتمند شناخته شده است، اما معمولا مشکل گران بودن را دارد. این مقاله یک نسخه جدید از ابزار MoMuT::UML را ارائه می دهد، که یک نسخه مقیاس پذیر از تولید مورد تست جهش رانده شده  (MDTCG) را پیاده سازی می کند. آن قادر به کنترل مدل های UML با اندازه صنعتی شامل شبکه هایی از قبیل 2800 تعامل دستگاه های دولتی است. برای رسیدن به مقیاس پذیری مورد نیاز، الگوریتم پیاده سازی شده همزمانی را در MDTCG بکار می برد و آن را با یک استراتژی تولید مبتنی بر جستجو ترکیب می کند. برای ارزیابی، ما هفت مورد از حوزه های کاربردی مختلف با افزایش سطح دشواری را استفاده می کنیم، توقف در یک مدل از یک ایستگاه راه آهن در شبکه راه آهن اتریش.

فرایند پواسن (مقاله رایگان pdf)

چکیده
          رایانش ابری به ما این امکان را می دهد تا برای پردازش کارها، کارها میان مراکز داده ابری مختلف را با اینترنت به عنوان ستون فقرات به اشتراک بگذاریم. انتخاب مراکز داده جهت پردازش کارها، مبتنی بر پتانسیل مراکز داده، نرخ ورود کارها و بهره برداری یا استفاده بهتر از منابع می باشد. مدلسازی عملکرد و ارزیابی سیستم های ابری، تصویری کامل از احتمال توزیع کارها میان مراکز داده، تعداد متوسط کارها در مراکز داده و زمان کل محیط ابری نشان می دهد. برای ارائه بهترین مدل ارزیابی عملکرد که به محیط ابری مساعد و موفق منتج می گردد، شیوه پیشنهادی نرخ ورود کارها را با استفاده از فرایند پواسن محاسبه می کند که نرخ ورود برای فواصل زمانی نامتناهی محاسبه شده و تعداد متوسط کارها و همچنین بهره برداری از منابع با استفاده از زنجیره مارکوف پیوسته مدلسازی شده اند. برای بهبود زمان بندی کارها با به حداقل رساندن زمان کل (زمان صرف شده ) محیط ابری، برنامه های مرتبط با محاسبه نرخ ورود و مدل بهره برداری از منابع شیوه های موجود حل شده اند. 

الگوریتم جستجوی عقبگرد (مقاله رایگان pdf)

چکیده

           الگوریتم جستجوی عقبگرد (BSA) پیشنهادی در این مقاله، یک الگوریتم تکاملی (EA) می باشد که برای حل مسائل بهینه سازی استفاده می شود. ساختار این الگوریتم ساده می باشد و تنها دارای یک پارامتر کنترلی است که باید تعیین شود. به منظور بهبود عملکرد همگرائی و گسترش دامنه استفاده از آن، یک الگوریتم جدید به نام  یادگیری BSA (LBSA) در این مقاله ارائه شده است. در این روش، بطور سراسری از بهترین اطلاعات نسل حاضر و اطلاعات پیشین در BSA ، برای گزینش مجدد افراد باتوجه به احتمال تصادفی ترکیب می شوند و افراد باقی مانده موقعیت خود را توسط یادگیری دانش در بهترین فرد، بدترین فرد و یک فرد تصادفی از نسل حاضر دوباره انتخاب می کنند. دو مزیت مهم برای این الگوریتم وجود دارد. 1) بعضی از افراد موقعیت خود را با هدایت بهترین فرد ( آموزش دهنده ) بروزرسانی می کنند،که باعث همگرائی سریعتر می شود، 2) یادگیری از افراد متفاوت، بطور ویژه زمانی که بدترین فرد نادیده گرفته می شود، تنوع جمعیت را افزایش می دهد. برای آزمایش بهترین عملکرد LBSA، توابع سنجشی در CEC2005 و CEC2014 مورد آزمایش قرار گرفتند و این الگوریتم به منظور آموزش شبکه های عصبی برای پیش بینی سری های زمانی بی نظم و مشکلات مدلسازی سیستم های غیرخطی استفاده می شود. برای ارزیابی عملکرد BSA با بعضی از EAهای دیگر، چند مقایسه بین LBSA و دیگر الگوریتم های کلاسیک انجام شده است. نتایج نشان می دهند که LBSA با توجه به الگوریتم های دیگر عملکرد خوبی دارد و باعث بهبود عملکر الگوریتم BSA می شود.

شناسایی الگوهای مشابه (مقاله رایگان pdf)

چکیده

          استخراج الگوهای مکرر یک کار، کلیدی برای کشف اطلاعات مفید است. با وجود کیفیت راه حل های داده شده توسط الگوریتم های یافتن الگوهای مکرر ، اکثر آنها با چالش چگونگی کاهش تعداد الگوهای مکرر بدون از دست رفتن اطلاعات مواجه می شوند. یافتن مجموعه های مکرر این مشکل را با کشف یک مجموعه کاهش یافته از مجموعه مکرر، به نام مجموعه های مکرر بسته، که از آن می توان تمام مجموعه الگوی مکرر را بازیابی کرد، حل می کند. با این حال، برای یافتن نمونه های مکرر مشابه، که در آن تعداد الگوها حتی از مجموعه یابی مکرر بزرگتر هستند، این مشکل هنوز حل نشده است. در این مقاله، ما مفهوم یافتن الگوی مشابه مکرر بسته را برای کشف تعدادی از الگوهای مکرر مشابه بدون از دست دادن اطلاعات معرفی می کنیم. علاوه بر این،یک الگوریتم جدید یافتن الگوی مشابه مکرر بسته با نام CFSP-Miner پیشنهاد شده است. الگوریتم، الگوهای مکرر را با عبور از یک درخت که شامل تمام الگوهای مشابه شبیه بسته است، می یابد. برای انجام این کار به صورت موثر، چندین لم برای پر کردن فضای جستجو معرفی و اثبات شده است. نتایج نشان می دهد که CFSP-Miner کارآمدتر از الگوریتم های مورد استفاده یافتن الگوی مشابه مکرر است، مگر اینکه در مواردی که تعدادی از الگوهای مشابه مکرر و الگوهای مشابه مکرر بسته تقریبا برابر باشند. با این حال، CFSP-Miner قادر به پیدا کردن الگوهای مشابه بسته،  تولید اندازه کاهش یافته از الگوی مشابه مکرر کشف شده بدون از دست دادن اطلاعات است. همچنین، CFSP-Miner در حین عملکرد قابل قبول در حین اجرا، مقیاس پذیری خوبی را نشان می دهد.

جنگل های تصادفی (مقاله رایگان pdf)

چکیده

          این مقاله یک رویکرد جدید برای تشخیص نقص شکست روتور شکسته در یک موتور خطی دائمی مغناطیسی آغازین (LS-PMSM) با استفاده از جنگل های تصادفی ارائه می دهد. سیگنال جریان گذرا در هنگام راه اندازی موتور از یک موتور سالم و یک موتور معیوب با خطای یک روتور شکسته به دست آمد. ما 13 ویژگی آماری دامنه زمانی را از سیگنال جریان گذرا شروع کردیم و از این ویژگی ها برای آموزش و آزمایش یک جنگل تصادفی برای تعیین اینکه آیا موتور در شرایط نرمال یا معیوب عمل می کند، استفاده کردیم. برای انتخاب ویژگی، ما از اهمیت ویژگی ها از جنگل تصادفی برای کاهش تعداد ویژگی ها به دو ویژگی استفاده کردیم. نتایج نشان داد که جنگل تصادفی شرایط موتور را چه سالم و چه معیوب با دقت 98.8٪ با استفاده از تمام ویژگی ها طبقه بندی می کند و با استفاده از شاخص های متوسط و ویژگی های تاثیرگذارتر با دقت 4/98٪ می باشد. عملکرد جنگل تصادفی با یک درخت تصمیم گیری، طبقه بندی Bayes Naïve، رگرسیون لجستیک، ریج خطی و support vector machineها با یکدیگر به صورت تصادفی از دقت بیشتری نسبت به الگوریتم های دیگر، مقایسه شد. روش پیشنهادی میتواند در صنعت برای نظارت آنلاین و تشخیص خطا از موتورهای LS-PMSM استفاده شود و نتایج میتواند برای ایجاد طرحهای نگهداری پیشگیرانه در کارخانجات مفید باشد.

مدیریت مهلت صف (مقاله رایگان pdf)

چکیده

            خصوصیات OpenFlow فعلی قادر به تنظیم نرخ سرویس صفها درون دستگاههای OpenFlow نیست. این کمبود اجازه نمی دهد اکثر الگوریتم ها برای رضایت از الزامات کیفیت خدمات به جریانهای جدید و پایدار اعمال شود. در این مقاله ما راه حل دیگری را پیشنهاد می کنیم که از طریق تعدادی اصلاحات روی Beacon، یکی از کنترل کننده های محبوب SDN، اجرا می شود. این کار به شرح زیر است: با استفاده از آمار تقریبا در زمان واقعی از دستگاه های OpenFlow، Beacon مسیرهای مجازی را در صف های مختلف به منظور تضمین نقاط ضعف مهلت مجاز (برای مثال، جریان هنوز مفید است اگر و تنها اگر به طور کامل توسط یک زمان معین دریافت می شود) و / یا متعادل کننده صف عملکرد در یک سوئیچ OpenFlow SDN. برخلاف پیشینه، ما هیچ پایه ای یا اصلاح جدیدی از استاندارد OpenFlow را پیشنهاد نمی دهیم: مکانیزم ما، اجرا شده در کنترلر، با دستگاه های OpenFlow منظم کار می کند. تغییرات ما در کنترل کننده SDN پایه ای برای طراحی یک کلاس از الگوریتم های جدید مسیر مسیریابی است که می تواند محدودیت های مهلت و متعادل سازی صف را بدون هیچ گونه اصلاح مشخصات OpenFlow و همچنین دستگاه های Open Flow تضمین کند.

کنترل PID (مقاله رایگان pdf)

چکیده

            PFC (کنترل پیش بین فانکشنال ) می تواند به عنوان یک پلی بین PI(D) و MPC مختلط باشد. کنترل PI(D) می تواند مسائلی را به همراه داشته باشد که زمان مرده و قیدها را نیز مورد بررسی قرار دهد. PFC این موارد را اداره کرده و اغلب نسبت به استفاده از یک پیش بینی کننده اسمیت  بهتر است. PFC یک MPC ساده قابلیت اطمینان تحقق است که بدین نحو از پیش بینی و پیش نمایشی از متغیرهای کلیدی را مورد استفاده قرار می دهد. PFC می تواند بوسیله قطعه کد برنامه ساده بکار گرفته شود و از اینرو هزینه های لایسنس ارزانی دارد. این آموزش، ایده اولیه PFC و همچنین الگوریتم هایی را برای مراحل و فرآیندهای نوعی معرفی می نماید. شبیه-سازی ها، تأثیرگذاری نیز مزایای فراوان آن نسبت به پیش بینی کننده های PI(D) و اسمیت را روشن می سازد.

طراحی پایگاه داده (مقاله رایگان pdf)

چکیده

         استدلال بر این است که مدل های ارتباطی نهاد روشن از نقطه نظر هستی شناسی در مقایسه با مدل های نامشخص هستی شناسی دامنه های جهان واقعی را دقیق تر مدلسازی می کند. با اینحال، تحول این مدل ها به مدل ارتباطی در سطح منطقی تا بدین جا به اندازه ای مطالعه نشده است تا قوانین تحول جدید را تدوین کند. این مقاله مجموعه ای از قوانین تحول را ارائه می کند تا مدل های هستی شناسی مفهومی روشن را به مدل های منطقی تبدیل کند. در نهایت، مقایسه ای از دو مدل منطقی را انجام می دهیم که از مدل های مشخص و نامشخص هستی شناسی با استفاده از یک معیار کیفیت ترکیبی از منابع موجود توسعه می یابد. نتایج اولیه از این تحقیق در حال انجام حاکی از آن است که کیفیت مدل منطقی توسعه یافته از مدل مفهومی مشخص هستی شناسی نسبت به همتای نامشخص هستی شناسی خودش برتری دارد.