مجله فناوری اطلاعات در طراحی مهندسی
سال شانزدهم شماره 1 (بهار و تابستان 1402)

امروزه موضوع یادگیری عمیق با پیشرفت موفقیت آمیز شبکه های پیچشی و یادگیری بهینه ی لایه های شبکه، مورد اهمیت واقع شده است. در این مقاله یک الگوریتم پیش پردازش با الهام از ماتریس عدم تشابه بازنمایی مغز برگرفته از مسیر بینایی ارایه گردیده که با تعریف تابع RDM و ایجاد تنکی کمک می کند تا وزنهای CNN سریع تر همگرا شود. این پارامتر جدید شتاب دهنده یا کاتالیزور فرایند آموزش CNN با افزایش تعداد صفرهای ماتریس عدم تشابه بازنمایی می باشد. میزان نرخ بازشناسی برای داده های دو گروهه و سه گروهه و میزان نرخ بازشناسی در زیرمجموعه هایی از مجموعه داده کلتک 256 مورد تحلیل و بررسی قرار گرفت که میزان بهبود مدل پیشنهادی 4 درصد نسبت به مدل پایه ارزیابی گردید. همچنین مقایسه مدل پیش پردازش پیشنهادی با مدلهای مرجع در حیطه ی پارامترهای ارزیابی بررسی گردید.

با توسعه سریع فناوری اطلاعات، حجم داده ها روزبه‏روز در حال افزایش است و این موضوع منجر به چالش‏های جدی در پیداکردن اطلاعات درست و مناسب برای کاربران اینترنت می شود. برای رفع این مشکل، انواع سیستم های توصیه گر برای تحلیل داده های سابقه رفتاری کاربران و ارایه خدمات شخصی برای بهبود تجربه ها و بررسی نظر های مشتریان در بسیاری از زمینه ها ایجاد شده اند. با توجه به اهمیت و کاربردهای گسترده توصیه POI، این موضوع هم در تحقیقات آکادمیک و هم در صنعت در کانون توجه قرار گرفته است. با این حال، فناوری های سنتی مانند فیلترینگ مشارکتی با چالش کمبود داده‏ها محدود شده‏اند و همچنین بسیاری از روش های قدیمی تر برای استخراج و توصیه POI طراحی نشده‏اند، بنابراین نمی توانند خصوصیات منحصر به فردی را که تاثیرات زیادی بر روابط توصیه POI دارد، استخراج کنند. در سال های اخیر الگوریتم‎های مختلفی از حوزه یادگیری عمیق برای توصیه های POI مورد توجه محققین بوده است. در این تحقیق، کارهای تحقیقاتی و مدل‏های ارایه ‏شده در زمینه توصیه POI به کمک یادگیری عمیق مورد مطالعه قرار گرفته و همچنین نتایج به دست آمده از نظر الگوریتم های یادگیری عمیق استفاده شده، مجموعه داده های مورد استفاده، معیارهای ارزیابی و ابزارهای پیاده‏سازی مورد بررسی و تحلیل قرار گرفته اند.

آشوب پدیده ای است که در سامانه های دینامیکی غیرخطی مورد توجه قرار می گیرد. یکی از سامانه ها با دینامیک غیر خطی سیستم چرخ دنده است که در برخی از مواقع از خود رفتار آشوبی نشان می دهد. در این مقاله کنترل رفتار آشوبی این سیستم به کمک یک روش جدید مورد بررسی قرار گرفته است. برای کنترل آشوبی این سیستم ، یک کنترل کننده فازی تنظیم شده با الگوریتم گرگ خاکستری توسعه یافته پیشنهاد شده است. الگوریتم گرگ خاکستری توانایی جستجوی محلی و سراسری ضعیفی دارد. بنابراین در این مقاله به منظور بهبود توانایی جستجوی محلی و سراسری الگوریتم گرگ خاکستری از الگوریتم جستجوی خزنده استفاده می شود. سپس از این الگوریتم در تنظیم پارامترهای توابع عضویت کنترل کننده فازی اعمال شده به سیستم چرخ دنده استفاده شده است. برای ارزیابی کنترل فازی تنظیم شده با روش پیشنهادی ، نتایج شبیه سازی ها با روش های مشابه مقایسه شده است. نتایج حاصل از شبیه سازی در نرم افزار متلب به خوبی نشان می دهد که استراتژی کنترلی ترکیبی و بهینه ی طراحی شده توانسته است که ضمن مقابله با آشوب، متغیرهای حالت سامانه ی چرخ دنده را در زمان مناسبی پس از اعمال ورودی، با وجود اغتشاش خارجی و نویز در سیستم، به وضعیت و مکان مشخص برساند.

روش های بهینه سازی روزبه روز درحال ظهور و توسعه هستند. یکی از روش های موفق در این حوزه، چه از نظر سادگی و قابل درک بودن و چه از نظر سرعت عملکرد وکیفیت پاسخ، الگوریتم بهینه سازی علف های هرز می باشد. علیرغم برتری ها، این الگوریتم از کمبود تنوع در جمعیت خود و در نتیجه جستجوی ضعیف رنج می برد. در این مقاله، با افزودن نگاشت آشوب آبشاری به الگوریتم، این مشکل مرتفع شده و عملکرد این الگوریتم بهبود یافته است. همچنین، یکی از مشکلات کنترل سیستم ها در جهان واقعی، حضور عدم قطعیت، شامل عدم قطعیت مدل و اغتشاش خارجی می باشد. در این مقاله، یک روش کنترل مقاوم بهینه پیش بین، شامل یک کنترل کننده برپایه مدل نامی و یک مکانیزم تخمین عدم قطعیت، ارایه شده است. ماتریس ضرایب کنترل پسخورد بهینه با کمک الگوریتم بهینه سازی پیشنهادی به دست می آید. در نهایت، به عنوان یک مساله کاربردی جهت ارزیابی، کنترل کننده پیشنهادی را برای کنترل موتور جریان مستقیم آهنربای دایم به کار می بندیم. نتایج شبیه سازی کارایی کنترل کننده و بهینه ساز را نشان میدهد. مقایسه صورت گرفته با دیگر الگوریتم های تکاملی و روش کنترلی مبتنی بر مشتق کارایی روش پیشنهادی را تایید کرده است.

رویکردهای مختلفی برای افزایش دقت تشخیص بدافزار پیشنهاد شده است که ازجمله می‏توان به ترکیب طبقه‏بندها اشاره کرد. همچنین تحقیقات گوناگونی با هدف کاهش هزینه‏های مختلف IDS انجام شده است. با وجود این نیاز به ارایه رویکردی جهت کاهش هزینه سیستم‏های مبتنی بر ترکیب طبقه‏بندها وجود دارد. این مقاله راهکاری برای تشخیص بدافزارهای اندروید پیشنهاد می دهد. این رویکرد شامل دو مرحله است. اولین گام، انتخاب مناسب‏ترین ویژگی‏ها با استفاده از الگوریتم کای مربع است. در گام دوم به‏عنوان نوآوری عمده این پژوهش، یک مدل پلکانی برای تشخیص بدافزار با استفاده از ترکیب دو طبقه بند مورد استفاده قرارمی گیرد که براساس سطح ریسک موجود و حساسیت مورد نیاز، یک مصالحه مطلوب بین نرخ هشدار اشتباه و نرخ منفی کاذب برقرار می‏کند. در مدل پیشنهادی طبقه‏بند دوم فقط بر روی رکوردهایی که با طبقه‏بند اول تعیین تکلیف نشده‏اند عمل می‏کند تا هزینه هزینه زمانی تشخیص در مقایسه با روش‏های پرهزینه‏ای مانند را ی‏گیری اکثریت کاهش یابد. نتایج ارزیابی راهکار پیشنهادی برروی یک مجموعه‏داده معتبر نشان داد که مدل ما صحت تشخیص را به بیش از 95% و نرخ تشخیص اشتباه را به کمتر از 0.03% می‏رساند که بهبود قابل ملاحظه ای نسبت به کارهای قبلی محسوب می‏شود. همچنین کارایی مدل در چهار سطح امنیتی بررسی شد.

شبکه بیزین یکی از توانمندترین روش ها در تخمین داده های مفقود است. از طرفی ماشین یادگیری مفرط به طور تحلیلی وزن های خروجی های بهینه را محاسبه می کند و این امیدواری وجود دارد که در مورد داده های مفقود، به عنوان یک مدل خوب عمل کند. مهمترین چالش بسیاری از روش های تخمین مقادیر مفقود این است که ماهیت این روش ها عمدتا برای داده ها با مقادیر پیوسته یا داده ها با مقادیر گسسته مناسب است. شبکه بیزین و ماشین یادگیری مفرط نیز از این قاعده مستثنا نیستند و به ترتیب برای پر کردن مقادیر مفقود گسسته و مقادیر مفقود پیوسته مناسب ترند. لذا در این پژوهش از ترکیب این دو مدل جهت تخمین داده های مفقود مخلوط در مجموعه داده هپاتیت استفاده شده و در نهایت دسته بندی بر اساس شبکه بیزین جهت تخمین کلاس خروجی انجام شده است. روش پیشنهادی بر اساس معیارهای دقت، فراخوانی، صحت و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج نشان داد، جبران داده های مفقود با ترکیب BN-ELM و طبقه بندی بر اساس شبکه بیزین صحت بالایی کسب کرده است. همچنین روش پیشنهادی با سایر روش های تخمین داده، بر اساس طبقه بندهای BN، ELM و KNN مورد مقایسه قرار گرفت و نتایج برتری روش پیشنهادی را نشان می دهد.