فهرست مطالب

نشریه مدیریت مهندسی و رایانش نرم
سال چهارم شماره 1 (پیاپی 6، بهار و تابستان 1397)

  • تاریخ انتشار: 1397/06/13
  • تعداد عناوین: 6
|
  • علی ناصراسدی صفحات 9-24
    یکی از مشکلات رایج شبکه های کامپیوتری حجم زیاد اطلاعات موجود در چنین شبکه هایی است. در این بین، جستجو و اطلاع از محتوای اسناد متنی که گسترده ترین نوع اطلاعات بر روی چنین شبکه هایی هستند، بسیار مشکل و گاهی اوقات غیرممکن می باشد. هدف سیستم های خلاصه سازی چند سندی متن، تولید کردن خلاصه ای با طول ثابت از اسناد متنی ورودی ضمن پوشش حداکثری محتوای اسناد می باشد. مقاله ی حاضر، روشی جدید برای خلاصه سازی اسناد متنی بر مبنای استفاده از روابط تفسیر و استلزام متنی و با فرموله سازی مساله در قالب یک مساله ی بهینه سازی ارائه کرده است. در این روش، جمله های درون اسناد ورودی ابتدا بر اساس رابطه ی تفسیر متنی خوشه بندی شده سپس امتیاز استلزام متنی برای کسری از سرآیند خوشه ها که دارای بیشترین امتیاز مرتبط با پرس وجوی کاربر هستند محاسبه شده و براساس آن امتیاز نهایی هر جمله به دست می آید. در نهایت، به کمک دو رویکرد حریصانه و برنامه ریزی پویا مساله ی بهینه سازی حل شده و ضمن انتخاب بهترین جمله ها، خلاصه ی نهایی تولید می شود. نتایج اجرای سیستم پیشنهادی بر روی مجموعه داده های استاندارد و انجام ارزایابی بر اساس سیستم ROUGE نشان می دهند که این سیستم کارایی بهترین سیستم های خلاصه سازی استخراجی مبتنی بر پرس وجو را به صورت میانگین حداقل به میزان 5/2% بهبود داده است.
    کلیدواژگان: پردازش زبان طبیعی، خلاصه سازی متن، تفسیر متنی، استلزام متنی، کوله پشتی صفر و یک
  • محسن ولی زاده اصلی ، محمد بادپیما، سحر خسروانی زاهدانی صفحات 25-38
    در این مقاله، طراحی و پیاده سازی یک سیستم تشخیص وسایل نقلیه مبتنی بر تحلیل اجزاء رنگ در فضای RGB ارائه و چالش های آن از جمله شرایط جوی مختلف (بارانی، برفی، مه آلود و...)، زمان های مختلف(روز، شب، ظهر، بعدازظهر)، ترافیک سنگین، وجود سایه و هم چنین وجود مشکلاتی در سطح جاده مورد بررسی قرار گرفته است. در سال های اخیر روش های موثر بر مبنای ساخت مدل پس زمینه ارائه گردیده است اما این روش ها دارای مشکلاتی هستند که اگر چنانچه این مدل پس زمینه به صورت پیوسته بروز رسانی نشود، تنها تغییرات روشنایی می تواند کیفیت تشخیص را به شدت پائین بیاورد. هدف این مقاله پیشنهاد روشی برای تشخیص وسایل نقلیه بدون نیاز به ساخت و بروز رسانی مدل پس زمینه است که بتواند در چالش های مختلف به صورت مطلوب و با دقت بالا عمل کند. در این روش برای غلبه بر مشکلات حاصل از تغییرات روشنایی و شرایط جوی مختلف از نرمال سازی هیستوگرام و برای استخراج اشیاء در حال حرکت از مقدار مشتق سطح خاکستری و جریان نوری استفاده شده است. در پایان برای جستجوی ناحیه های تشخیص داده شده و هم چنین برای جدا کردن خطوط و علائم از وسایل نقلیه از توصیف گر HOG و دسته بند SVM استفاده شده است.نتایج آزمایش ها روی پایگاه داده VDTD کارایی این روش را تائید کرده و نشان می دهد که روش پیشنهادی در شرایط جوی ترکیبی و هم چنین در ترافیک سنگین بهتر از روش های مشابه عمل می کند.
    کلیدواژگان: تشخیص وسایل نقلیه، تشخیص ماشین، نظارت ترافیکی، نرمال سازی هیستوگرام، جریان نوری
  • شبنم قراییان، خسرو امیری زاده صفحات 39-54
    امروزه با توجه به استفاده ی روزافزون از محیط ابر توسط شرکت ها و سازمان ها، زمان بندی وظایف در این نوع محیط ها از اهمیت ویژه ای برخوردار است. الگوریتم های متنوعی برای تخصیص وظایف به منابع در محیط ابر پیشنهاد شده است که اغلب آن ها معیارهایی همچون توزیع بار متعادل، تخصیص بهینه ی منابع و کاهش زمان اجرای وظایف را در نظر نمی گیرند. در این کار با استفاده از الگوریتم فرااکتشافی ازدحام ذرات و منطق فازی، زمان اجرای وظایف کاهش و در نتیجه بهره وری منابع افزایش می یابد. به طور کلی در یک سیستم توزیع شده همچون محیط ابر، توزیع وظایف بر روی ماشین های مجازی به صورت تصادفی انجام می شود. در نتیجه، بار کل بر روی محیط ابر غیرمتعادل می شود که این امر از بهره وری منابع می کاهد. دراین تحقیق، الگوریتم ازدحام ذرات1 و منطق فازی برای زمانبندی وظایف استفاده می شود. علاوه بر این، استفاده از الگوریتم آنیلینگ شبیه سازی شده2 برای بهبود شرایط اولیه داده های تصادفی پیشنهاد می شود. نتایج نشان می دهد که روش بهینه سازی پیشنهادی در این کار، معیارهای عملکرد الگوریتم زمانبند مانند زمان خاتمه کار3 را در مقایسه با الگوریتم های فاقد بهینه سازی (مانند راندرابین4) و حتی در مقایسه با الگوریتم های بهینه سازی دیگر همچون الگوریتم ژنتیک5 به طور موثری بهبود می بخشد.
    کلیدواژگان: رایانش ابری، زمانبندی وظایف، الگوریتم ازدحام ذرات، منطق فازی، الگوریتم آنیلینگ شبیه سازی شده
  • نصیر طیرانی نجاران ، مهرداد جلالی صفحات 55-72
    با گسترش شگرف اینترنت و شبکه‏های اجتماعی به عنوان اجتماعات مجازی و استفاده روزافزون از آن‏ها، حجم انبوهی از نظرات کاربران در ارتباط با موضوعات مختلف پدید می‏آید. در نتیجه به کارگیری تکنیک‏های علمی نوین جهت تحلیل این شبکه‏ها ضروری به نظر می‏رسد. متن‏کاوی به عنوان یک راهکار ویژه و موثر، به دنبال کشف دانش از متون می‏باشد. در این مقاله، رویکردی نوین از ترکیب همزمان دو روش یادگیری ماشین و مبتنی بر واژگان جهت متن کاوی تحلیل احساسات در توییتر ارائه گردیده است. جهت بهبود متن‏کاوی تحلیل احساسات، و دسته‏بندی داده‏ها از درخت تصمیم CART به عنوان روش یادگیری ماشین، و برای کاوش دقیق‏تر در نوع احساسات بیان شده در توییت‏ها از لیست الگوریتم SentiStrength به عنوان روش‏ مبتنی بر واژه، استفاده شده است. ویژگی منحصر به فرد CART، تحلیل ساختار داده پیچیده است که با توجه به ورودی مسئله می‏تواند عملیات مربوط به رگرسیون، همچنین دسته‏بندی داده‏ها را انجام دهد. توانمندی الگوریتم SentiStrengthدر تشخیص احساسات، موجب تحلیل دقیق احساسات موجود در توییت‏ها گردیده است. نتایج پیاده‏سازی جهت تشخیص احساسات توییت‏ها، در اغلب شاخص‏ها بهبود دسته‏بندی را نشان می‏دهد.
    کلیدواژگان: شبکه ‏های اجتماعی، متن کاوی، تحلیل احساسات، درخت تصمیم CART، لیست الگوریتم SentiStrength
  • آرش فهمی حسن، محمدرضا مغاری، امیدمهدی عبادتی صفحات 73-93
    اهدای خون به دلیل نقش حیاتی و حساسی که در امر حفظ سلامت و بقاء زندگی انسان دارد مورد توجه می باشد. در جهان امروز علیرغم تحول عظیم علمی و با وجود پیشرفت های بزرگی که در علوم پزشکی رخ داده است، هنوز تامین کافی خون سالم یکی از چالش ها و دغدغه های مجامع پزشکی جهان است. حفظ و تامین حجم خون مورد نیاز در بانک های خون هر مرکز انتقال خون در هر منطقه، گروه های متنوع خونی و ارتباطاتی که بین آن ها وجود دارد و با فرض اینکه یکسری گروه های خونی کمیاب تر می باشند، پیش بینی و برنامه ریزی اهداء خون را در طول زمان مهم تر و پیچیده تر می کند. استفاده از داده کاوی در پایگاه های داده بیمارستان ها و مراکز انتقال خون به کشف روابط کمک می کند تا آن ها بتوانند بر مبنای گذشته یک پیش بینی از آینده داشته باشند، و بتوانند به بهترین شکل برای کمک، تشخیص و درمان های پزشکی موفق بیماری های مختلف را شناسایی کرده و الگوهای جراحات جدید را نشان دهند. در این مقاله سعی شدهاست تا در سطوح تصمیم گیری مربوط به حوزه مذکور، از تکنیک های داده کاوی و یادگیری ماشین برای پیش بینی اهداء خون استفاده شود تا با استفاده از این مکانیزم بتوانیم پیش بینی کنیم که در بازه های زمانی مختلف، چه میزان خون به بانک ها و مراکز انتقال خون اهداء خواهد شد که در این صورت بتوانیم حجم خون مورد نیاز بانک های خون مناطق مختلف را تخمین و تامین نمائیم. در همین راستا از چند الگوریتم طبقه بندی در یادگیری با نظارت از جمله الگوریتم های درخت تصمیم، KNN، SVM و MLP که یکی از انواع شبکه های مصنوعی عصبی (ANN) می باشد، برای پیش بینی استفاده شده و نتایج میزان دقت هر کدام ارائه شده است.
    کلیدواژگان: داده کاوی، یادگیری ماشین، درخت تصمیم، K- نزدیکترین همسایه، ماشین بردارپشتیبان، شبکه عصبی مصنوعی
  • فاطمه بشارت نیا ، علیرضا طالب پور، صادق علی اکبری صفحات 95-108
    کشف انجمن در شبکه های پیچیده یکی از مهمترین مسائل در زمینه های علمی و تحلیل شبکه های اجتماعی به شمار می رود. و به محققان در درک عملکرد و نمایش ساختار شبکه ها کمک می کند. خوشه بندی یا تشخیص اجتماعات، ساختار انجمن ها در شبکه های اجتماعی و ارتباطات پنهان بین مولفه های آن را آشکار خواهد نمود. یک اجتماع مجموعه از گره ها است که چگالی ارتباطات آنها با هم بیشتر از سایر موجودیت های شبکه است.در این مقاله یک الگوریتم نوین کشف انجمن در شبکه های ایستا به نام الگوریتم بهینه ساز گرگ خاکستری استفاده شده است که با توجه به معیار انتخاب شده قابلیت مقیاس پذیری دارد. همچنین تجربه نشان داده است، یکی از مهمترین خصوصیات الگوریتم های فراابتکاری، عدم به تله افتادن در کمینه محلی است. که در مساله کشف انجمن ها، الگوریتم گرگ خاکستری نسبت به سایر الگوریتم های فراابتکاری مانند الگوریتم ژنتیک و الگوریتم مجموعه ذرات احتمال کمتری در به تله افتادن دارد. و آزمایشها نشان داده است که الگوریتم مطرح شده دقت بهتری را نسبت به الگوریتم های دیگر ارائه می کند.
    کلیدواژگان: شبکه های اجتماعی، کشف انجمن، الگوریتم های فراابتکاری، الگوریتم بهینه سازی گرگ خاکستری
|
  • Ali Naserasadi Pages 9-24
    One of the most common problems with computer networks is the amount of information in these networks. Meanwhile searching and getting inform about content of textual document, as the most widespread forms of information on such networks, is difficult and sometimes impossible. The goal of multi-document textual summarization is to produce a pre-defined length summary from input textual documents while maximizing documents’ content coverage. This paper presents a new approach for textual document summarization based on paraphrasing and textual entailment relations and formulating the problem as an optimization problem. In this approach the sentences of input documents are clustered according to paraphrasing relation and then the entailment score and final score of a fraction of the header sentences of clusters which have the best score according to the user query is calculated. Finally, the optimization problem is solved via greedy and dynamic programming approaches and while selecting the best sentences, the final summary is generated. The results of implementing the proposed system on standard datasets and evaluation via ROUGE system show that the proposed system outperforms the state-of-the-art systems at least by 2.5% in average.
    Keywords: Textual Document Summarization, Dynamic Programming, Textual Entailment
  • Mohsen Valizadehasl, Mohammad Badpeima, Sahar Khosravani zahedani Pages 25-38
    In this paper, we presented a vehicle detection method based on RGB color space components analysis. The proposed approach is mainly focused on designing the system which is applicable in the case of different weather conditions (rainy, snowy, misty etc), different times during the day and night (daylight, night, noon, afternoon), heavy traffics, the existence of the shadows and different road conditions. Most of the vehicle detection methods utilized background model generation. Since even slight changing in the brightness could decrease the detection quality, in these kinds of methods the background image needs to continuously be updated. In this paper, we presented the method in which the vehicle detection process is performed without any need to generate and update the background model. In the presented approach, we utilized the histogram normalization in order to alleviate the problems caused by brightness change in the case of different weather conditions. We also extracted moving objects using optical flow. Finally, we utilized the HOG descriptor and SVM classifier in order to detect vehicle objects. The performance of the proposed method is tested using VDTD dataset and the results illustrate that the proposed method provides acceptable results specially in heavy traffics and different weather conditions.
    Keywords: Vehicle Detection, Histogram Normalization, Optical Flow
  • Shabnam Gharaeian, Khosrow Amirizadeh Pages 39-54
    Nowadays, along with the constant increase of using cloud environment by companies and organizations, scheduling jobs in this environment in an optimum way is of prime importance. Therefore, different algorithms have been suggested for assigning tasks to resources in cloud environments; however, most of which do not consider criteria such as balanced load, and reduction of the task completion time. In this work, using the meta-heuristic algorithm of swarm particles optimization (PSO) and fuzzy logic, task completion time is reduced, and, as a result of which, efficiency of using resources is increased. Generally, in a distributed system like cloud environment, tasks are assigned randomly to resources. Hence, total load on the cloud environment could become imbalanced, which reduces system’s efficiency. In this research, PSO and fuzzy logic is used for job scheduling. In addition, the use of simulated annealing (SA) to improve the initial solutions, which are generated randomly, is suggested. Results show that the suggested optimization method can effectively improve criteria like makespan once compared with results of algorithms without optimization, like Ron-robin, and even in comparison to other optimization algorithms, like genetic algorithm.
    Keywords: Cloud computing, Job scheduling, Particle Swarm Optimization, Fuzzy Logic, Simulated Annealing
  • Nasir Tayarani, Mehrdad Jalali Pages 55-72
    Today, with the enormous growth of the Internet and social networks as virtual communities and mass media, and increased use of them, a huge amount of user feedback comes from a variety of topics. Therefore, the use of novel approaches for analyzing them seems to be necessary. Text mining, as a special strategy, drives the knowledge discovery process, which uses non-verbal and attractive patterns of natural language processing. In this paper, a new hybrid approach of machine learning and vocabulary-based method to text-mining sentiment analysis on Twitter. To improve text-mining and sentiment analysis, the CART decision tree is used as a machine learning method for classification, also for extracting more precisely sentiment, we use from the list of SentiStrength algorithms as a lexicon-based method. CART is very effective in processing discrete and continuous data in text mining. The unique CART feature is a complex data structure analysis that can support regression as well as classification operations, according to the input of the problem. The ability and power of the SentiStrength algorithm to detect sentiment has also led to a thorough analysis of sentiment in tweets. The results of the implementation in the polarity recognition show improvement of classification in the most feature.
    Keywords: Social Networks, Text Mining, CART Decision Tree, SentiStrength Algorithms
  • Arash Fahmihassan, Mohammadreza Moghari, Omidmahdi Ebadati Pages 73-93
    Blood donation has an important and critical role to preserve the health and survival of human life. In today's world, despite the enormous scientific advancements and the great developments in medical sciences, adequate supply of healthy blood is one of the challenges and concerns of the medical community in the world. Preserving and supplying the volume of blood required in blood banks of each region, and the diverse blood groups with the connections between them, with assuming that the number of blood groups are rarer; makes the prediction and planning of blood donation more and more complicated and important during the time. The use of data mining in hospitals and blood transfer centers databases helps in the discovery of relations, so that they can have a future prediction based on the past information. Accordingly, they have better diagnosed and successful cure various illnesses and show the patterns of new injuries. In this paper, we try to use data mining and machine learning techniques in decision making levels at mentioned field, to use this mechanism for prediction that how much blood will be donate to blood transfusion centers and blood banks in different period time, to estimate and supply the required blood volume of blood banks in different areas. In this regard, we use several classification algorithms in supervised learning for the prediction, including decision tree algorithms, KNN, SVM and MLP, these algorithms are implemented to predict and results of accuracy are presented.
    Keywords: Data Mining, Machine Learning, Decision Tree Algorithms
  • Fatemeh Besharatnia, Alireza Talebpur, Sadegh Aliakbari Pages 95-108
    Identifying communities in complex networks is an important issues in social network analysis, and it helps researchers understand the function and display of network structures. Clustering or recognizing communities will reveal the structure of groups in social networks and hidden communication between its components. A community is a collection of nodes whose density of communication is more than the other network entities.In this paper, a new algorithm for recognizing communities in static networks has been presented which utilizes Gray Wolf Optimizer algorithm, which has the ability to scale according to the selected criteria. It has been shown that one of the most important characteristics of meta-algorithms is the lack of trapping at the local minimum. Gray Wolf Optimizer algorithm is less likely to be trapped than other optimization algorithms such as the genetic algorithm and the particle swarm algorithm. Finally, the results of the experiments showed that the algorithm is better than other algorithms on average.
    Keywords: Social Networks, Community Detection, Meta-Algorithms, Gray Wolf Optimizer Algorithm