به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

artificial neural network

در نشریات گروه پدافند غیرعامل
تکرار جستجوی کلیدواژه artificial neural network در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه artificial neural network در مقالات مجلات علمی
  • حمید تنها، مصطفی عباسی*
    اینترنت اشیاء شبکه ای از دستگاه ها و تجهیزات فیزیکی دربردارنده حسگرها، نرم افزارها و سایر فناوری ها به منظور تبادل داده با سایر دستگاه ها و سامانه ها از طریق اینترنت است. گسترش اینترنت اشیاء در حوزه های بهداشت و درمان هوشمند، کشاورزی هوشمند، شهر هوشمند، خانه هوشمند و سایر حوزه ها انقلابی در زندگی بشر ایجاد کرده است. با توجه به اهمیت اینترنت اشیاء شناسایی ناهنجاری و ترافیک مخرب در آن برای حفظ حریم خصوصی، پایداری شبکه و مسدودسازی رفتارهای ناخواسته ضروری است. به دلیل خاصیت محدودیت منابع در دستگاه های اینترنت اشیاء، شیوه های سنتی نمی توانند مستقیما برای ایمن سازی دستگاه ها و شبکه اینترنت اشیاء مورداستفاده قرار گیرند. برای رفع این مشکل یک روش شناسایی مبتنی بر شبکه های عصبی مصنوعی و یادگیری عمیق برای شناسایی ناهنجاری و ترافیک مخربی که هیچ گونه اطلاعات از پیش تعیین شده ای درباره آن ها وجود ندارد، توسعه داده شده است. مجموعه داده های مورداستفاده در این روش ترکیبی از ترافیک مخرب و سالم جمع آوری شده از منابع مرتبط و استخراج ویژگی به صورت دستی است. شبکه عصبی مصنوعی عمیق بر روی مجموعه داده و پیش پردازش شده اعمال گردید و نتایج حاصل با برخی از الگوریتم های یادگیری ماشین مرسوم مورد بررسی قرار گرفت. نتایج به دست آمده نشان می دهد که مدل طراحی شده با استفاده از شبکه عصبی و یادگیری عمیق قادر به شناسایی ناهنجاری و ترافیک بدخواه در شبکه اینترنت اشیاء با نرخ صحت بیش از 98.9% و نرخ دقت 99.3% است. علاوه بر این، سرعت شناسایی در مقایسه با الگوریتم های یادگیری ماشین 1.7 برابر سریع تر است.
    کلید واژگان: اینترنت اشیاء، بدافزار، ترافیک شبکه، استخراج ویژگی، شبکه عصبی مصنوعی، یادگیری عمیق
    Hamid Tanha, Mostafa Abbasi *
    The Internet of Things is a network of physical devices and equipment that includes sensors, software, and other technologies for exchanging data with other devices and systems over the Internet. The spread of the Internet of Things in the fields of smart health, smart agriculture, smart city, smart home, has revolutionized human life. Given the importance of the Internet of Things, identifying anomalies and malicious traffic is essential to maintaining privacy, network stability, and blocking unwanted behaviors. Due to the limited resources on IoT devices, traditional methods cannot be used directly to secure IoT devices and networks. To solve this problem, an artificial neural network-based identification method and in-depth learning has been developed to identify malformations and malicious traffic about which there is no predefined information. The data set used in this method is a combination of malicious and healthy traffic collected from related sources and feature extraction manually. Deep artificial neural network was applied to the data set and preprocessed and the results were analyzed with some conventional machine learning algorithms. The results show that the model designed using neural network and deep learning is able to detect anomalies and malicious traffic in the Internet of Things with an accuracy rate of more than 98.9% and an accuracy rate of 99.3%. In addition, the detection speed is 1.7 times faster than machine learning algorithms.
    Keywords: IoT, Malware, Network Traffic, Feature Extraction, artificial neural network, deep learning
  • سید مهدی ضیایی، پوریا اعتضادی فر*، یاسر نوروزی
    یکی از کارآمدترین روش ها برای مقابله با رادارهای رهگیر، ایجاد هدف جعلی به صورت پسیو مانند دکوی راداری یا پرتاب چف است. روش های مختلفی برای مقابله با فریب حاصل از چف مطرح شده است. در تمام مقالات نیاز است داده مربوط به سیگنال بازگشتی از هدف و چف در دست باشد. تهیه داده واقعی در این زمینه بسیار هزینه بر می باشد. بدین منظور در این مقاله سیگنال بازگشتی از هدف و چف با در نظر گرفتن تغییرات محیطی که منجر به تغییر در نوع شکوفایی چف می گردد؛ در محیط MATLAB شبیه سازی شده است. در انتها، جهت راستی آزمایی مدل شبیه سازی شده، شباهت رفتاری آن با داده واقعی مورد بررسی قرار گرفته است. در این مقاله اثرات جوی از قبیل سرعت، آشفتگی و چینش باد مدنظر واقع شده است. همچنین پارامترهای پالس از قبیل پهنای پالس، نوع کد، پهنای باند و غیره مورد ارزیابی واقع شد. ازآنجایی که نتایج به دست آمده مطابقت قابل قبولی با داده به دست آمده از واقعیت دارد می توان از بستر ایجاد شده در این مقاله، برای بررسی روش های جداسازی چف و هدف استفاده نمود.
    کلید واژگان: چف، رهگیری، هدف، اقدامات متقابل الکترونیکی
    Seied Mehdi Ziyaei, Pouriya Etezadifar *, Yaser Noruzi
    Deflecting missile’s radar guidance or missile’s seeker by chaff is a common and effective defensive method which is used in military vessels. To counter this defensive measure, methods for recognition targets from chaff have been developed, which generally focus on the special features of chaff or target. These features should be able to perform properly in different operating conditions of the radar or different environmental conditions that change the behavior of the radar. But there is no effective feature that can distinguish target from chaff with appropriate accuracy in all conditions, and different features do not have the same performance in different environmental conditions or radar working parameters such as different waveforms and as a result their performance changes. In this article, by using artificial neural network, a structure is presented for detecting chaff and target in a radar, whose performance in different environmental conditions and waveforms has been better than the existing methods and significantly improved the accuracy of target detection from chaff and led to appropriate accuracy. Also, to improve the performance of the radar with a cognitive approach, its transmitted waveform is optimally selected and changed at each stage. For this purpose, a feedback neural network with LSTM layers has been used, which suggest the optimal waveform according to changes in the environment. The general structure of the proposed method is so that first of all, by using pre-processing on the received radar data, the features of symmetry, Doppler spread and AGCD are extracted, which contain information that separates the target from the chaff. Then, to remove the effect of noise on these features, thresholding is used. Finally, these features are used to correctly distinguish the target from the chaff in a feed-forward neural network with fully connected layers. On the other hand, in each step, by using the waveform suggestion network, the optimal waveform is selected and used for the next moment. Thus, the proposed structure is an intelligent machine that, in addition to recognizing the target from the signal at each moment, determines what the optimal waveform should be at the next moment. At the end, the effectiveness of this method in comparison to the previous methods, that is, thresholding on the characteristics of symmetry, Doppler and AGCD in distinguishing the target from the chaff is evaluated. It is observable the performance of the proposed system has made a significant improvement.
    Keywords: Chaff, target, Radar, waveform, artificial neural network
  • سودابه افشار، سید جواد کاظمی تبار*، عطاالله ابراهیم زاده

    تشخیص و طبقه بندی شناورهای دریایی از سیگنال های ساطع شده از آن ها، یک وظیفه ی مهم و با کاربردهای نظامی حیاتی، به ویژه در شرایط بحرانی و جنگ است. از زمان های قدیم تا به امروز، این وظیفه ، به صورت سنتی توسط افسرهای سونار به کمک سیگنال های آکوستیکی دریافت شده توسط هیدروفون های سونار انجام می شد. امروزه، ارایه راهکارهایی که این وظیفه را به صورت خودکار و با کمترین دخالت انسان انجام دهند، یک ضرورت اجتناب ناپذیر است. در این پژوهش، با استفاده از روش های مختلف پیش پردازش و آماده سازی داده، ابعاد مجموعه داده تحت سناریوهای خاص گسترش داده می شود. با پردازش سیگنال، ویژگی های مختلفی را از مجموعه داده ای مربوط به سناریوهای مختلف استخراج می شود و توسط دانش یادگیری ماشین، الگوریتم های طبقه بندی متنوعی را به کار می رود. درنهایت، با محاسبه معیارهای ارزیابی مختلف، عملکرد سناریوهای مختلف بررسی و تحلیل می شود. نتایج این تحقیق، موفقیت آمیز بودن روش استخراج ویژگی ضرایب کپسترال فرکانسی مل (MFCC) را در هنگام به کارگیری الگوریتم های طبقه بندی مختلف، ازجمله شبکه عصبی مصنوعی (ANN) و همچنین شکست روش شبکه عصبی پیچشی (CNN) را در هنگام آموزش توسط مجموعه داده های کوچک نشان می دهد. با مقایسه نتایج شبیه سازی معلوم شد با توجه به محدود بودن مجموعه داده مورد استفاده، روش ANN بهترین کارایی را داشته است.

    کلید واژگان: طبقه بندی شناورهای دریایی، هیدروفون های سونار، امضای آکوستیکی، گسترش داده ها، ضرایب کپسترال فرکانسی مل، شبکه عصبی مصنوعی، شبکه عصبی کانولوشنی
    Soudabeh Afshar, Javad Kazemitabar *, Ata Ebrahimzadeh

    Identifying and classifying marine vehicles is of great significance in military applications. Traditionally, this task was performed by sonar officers based on acoustic signals received by sonar hydrophones. Nowadays, developing systems that perform this task automatically and with minimal human intervention is inevitable. In this study, using different augmentation methods, the size of this dataset is expanded under different scenarios. With the help of signal processing and machine learning knowledge, different features are extracted and next these features are classified using different classification algorithms. Finally, the performance of different scenarios is evaluated by calculating different measures. Results of this study show the success of the Mel-Frequency Cepsteral Coeffiecent (MFCC) feature extraction method when using various classification algorithms, including Artificial Neural Network (ANN) and also the failure of Convolutional Neural Network (CNN) when training with small datasets. The overall comparison reveals that due to the small number of samples in the dataset ANN performs the best.

    Keywords: Marine Vehicle Classification, Sonar Hydrophone, Acoustic Signature, Data Augmentation, Mel-Frequency Cepsteral Coefficients, artificial neural network, Convolutional Neural Network
  • حسن فرسی *، علی ناصری، مهندس پوریا اعتضادی فر
    در حالاتی که کد کردن منبع و کانال به صورت جدا و بدون بازخورد نسبت به یکدیگر انجام می شوند، کد گذار منبع به دنبال افزایش بازدهی در حذف افزونگی داده های منبع اطلاعاتی می باشد، در حالی که کدگذار کانال قابلیت اطمینان داده های ارسالی در کانال را بالا می برد. می دانیم، ظرفیت کانال باعث محدود شدن داده های ارسالی می شود، بنابراین بسته به شرایط باید مصالحه ای بین کدگذار منبع و کانال صورت پذیرد. در این مقاله هدف افزایش کیفیت ویدئویی دریافتی با افزایش مقاومت آن نسبت به کانال مخابراتی در یک نرخ ارسال ثابت می باشد. به این معنا که بدون افزایش نرخ داده ی ارسالی مقاومت قاب های ارسالی در کانال را افزایش داده که منجر به بهبود و افزایش کیفیت منابع ویدئویی می شود. اساس کار بدین صورت است که با استفاده از شبکه عصبی هوشمند و کدهافمن در استاندارد H.264، اطلاعات ارسالی را به مقدار قابل توجهی فشرده می شود. سپس با توجه به مقدار فشرده سازی توسط روش پیشنهادی، اطلاعات فشرده شده دوباره با کدگذار کانال ثانویه که نرخ کدینگ آن وابسته مقدار فشرده سازی است، کد می شود. به این ترتیب روش پیشنهادی قادر است بدون افزایش حجم اطلاعات ارسالی برای هر قاب، نرخ کد کردن کانال و در نتیجه محافظت از اطلاعات را بالا برده و توانسته است قاب های ویدئویی را نسبت به خطاهای کانال مقاوم تر سازد. در نهایت نتایج به دست آمده را با چندین نرخ ارسال برای منبع و چندین SNR برای کانال با نتایج به دست آمده از روش های متداول مقایسه می شود.
    کلید واژگان: فشرده سازی ویدیویی، H، 264، نرخ بیت متغیر، کدینگ کانال، تطبیق کدینگ کانال و منبع، شبکه عصبی مصنوعی
    Dr. Hassan Farsi *, Dr. Ali Naseri, Pouryia Etezadifar
    As source and channel coding are performed independently from each other without any feedback, source coding tries to remove redundancy of the information whereas channel coding tries to increase reliability of transmitted data. As known, channel capacity restricts volume of the transmitted data and so depending to conditions, it is required to have a tradeoff between source and channel coding. The aim of this paper is to improve the quality of the synthesized video by increasing the robustness against channel errors in fixed transmission rate. In other words, the robustness of the transmitted video frames increases without any increment in bit rate. This results in improvement in the quality of the synthesized video. In the proposed method, the transmitted information is considerably compressed using neural network with Huffman coding in H. 264. Then a secondary channel coding whose rate depends on the amount of the compression is applied on the compressed information. This causes that the proposed method is able to increase channel coding rate and therefore provides higher protection for the transmitted information and more robustness against channel errors. The obtained results by the proposed method are compared to the other methods for different source coding rates and SNRs.
    Keywords: video compression, H. 264, variable bit rate, channel coding, adaptive source, channel coding, artificial neural network
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال