مجله فناوری اطلاعات در طراحی مهندسی
سال دوازدهم شماره 1 (بهار و تابستان 1398)

برای تسهیل جستجو در وب، موتورهای جستجویی طراحی شده ‏اند که کاربر را در رسیدن به پاسخ موردنظر یاری می ‏دهند. مدل بولی و مدل برداری دو مدل بهینه در موتور جستجو هستند که در تولید نتایج مرتبط‏ با نیازمندی کاربر تاثیر به سزایی دارند. در این مقاله برای بهبود نتایج حاصل از موتور جستجو، در ابتدا برای کشف دقیق ‏تر نیاز کاربر، روابط معنایی بین کلمات پرس ‏وجوی کاربر درنظر گرفته می ‏شود. سپس موتور جستجو، اسناد مرتبط با پرس وجوی کاربر را با استفاده از ترکیب مدل بولی و برداری می ‏یابد. در مرحله بعد اسناد یافت شده براساس میزان ارتباطشان با پرسش، با تکنیک TF-IDF رتبه‏ بندی می ‏شوند و بالاخره لیست بلندی از اسناد مرتبط، که بیشترین امتیازها را کسب نموده‏ اند به عنوان پاسخ به کاربر بازگردانده می ‏شوند. نتایج حاصل از این روش پیشنهادی حاکی از آن است که روش پیشنهادی از نظر دقت و کیفیت نتایج جستجو نسبت به تحقیقات قبلی ارایه ‏شده در این زمینه بهبود قابل ملاحظه‏ ای را نشان می‏ دهد.

به دلیل اهمیت بسیار بالای تعیین سطح مقطع ها در محاسبات هسته ای، در این تحقیق، دو ماژول کاربردی هسته ای برمبنای برنامه Delphi 7 طراحی شده است. ماژول اول، نقش یک واسط را بین کدهای هسته ای MCNPX و NJOY داشته و به منظور محاسبه سطح مقطع های رادیوایزوتوپ ها برای گروه های مختلف انرژی و نیز انرژی هایی دلخواه از نوترون های فرودی، با کد MCNPX (بر مبنای کتابخانه ENDF/B-VII.0) پیوند داده می شود. این ماژول به ماژولی دیگر که در این تحقیق طراحی شده و نام آن AutoNJOY است پیوند داده می شود که هدف، تعیین سطح مقطع های رادیوایزوتوپ ها در دماهای مختلف است. ماژول دوم با کد NJOY نیز دارای پیوند بوده و قادر است این کد را به صورت اتوماتیک اجرا و سطح مقطع های میکروسکوپی را برای دماهای مختلف تعیین نماید. سپس سطح مقطع های به دست آمده بطور اتوماتیک به ماژول اولی (اصلی) منتقل و نتایجش با نتایج کد MCNPX مقایسه می شوند. ماژول اصلی همچنین قادر است که بطور اتوماتیک به کتابخانه ACE متصل شده و سطح مقطع های میکروسکوپی همه رادیوایزوتوپ ها را قرایت و رسم نماید. مشاهده می شود که کلیه سطح مقطع های استخراج شده از کد NJOY تقریبا مشابه با نتایج حاصله از کد MCNPX می باشند و نمودارهایشان نیز بر یکدیگر منطبق اند.

تشخیص پلاک خودرو به عنوان یک تکنولوژی مفید و کاربردی نقش مهمی را در سیستم مدیریت ترافیک هوشمند بازی می کند. سیستم تشخیص پلاک خودرو یک سیستم مکانیزه است که توانایی تشخیص شماره پلاک موجود در یک تصویر را دارد. به طور نمونه چنین سیستمی در پارکینگ ها، کنترل و اخذ عوارض، کنترل مرزها و همچنین سیستم بررسی سرقت به کار گرفته می شود. در این مقاله، سیستم تشخیص پلاک خودرو از مزایای تطبیق الگو به منظور پیدا کردن موقعیت پلاک خودرو از طریق تشخیص یک کلمه ی خاص (ایران) به عنوان یک ویژگی منحصر به فرد پلاک های خودرو ایرانی استفاده می کند. در آزمایشات براساس مکان یابی پلاک خودرو، از 150 تصویر تحت شرایط متفاوت نوری و آب و هوایی با صحنه های پیچیده فقط 6 تصویر تشخیص داده نشده است. نرخ تشخیص حدود 96 درصد نشان می دهد که روش ارایه شده در سیستم مدیریت ترافیک هوشمند کاملا قابل اجرا است.

طبقه بندی سرطان، به عنوان مسئله ای مهم در تشخیص و درمان سرطان به شمار می رود. یکی از موثرترین روش ها در طبقه بندی سرطان، شناسایی ژن هایی مرتبط و تبعیض آمیز برای طبقه بندی نمونه ها در آنالیز بیانی ژن می باشد. در روش پیشنهادی در این مقاله، با خوشه بندی ویژگی ها و اعمال انتخاب ویژگی درون خوشه ها، انتظار می رود که متمایز کننده ترین و مهم ترین ویژگی ها استخراج شوند. در روش پیشنهادی، به منظور کاهش ابعاد مجموعه داده، تکنیک انتخاب ویژگی مبتنی بر اهمیت ویژگی ها به کار گرفته می شود، ویژگی های رتبه بالا استخراج شده و جهت خوشه بندی به ماشین بردار پشتیبان دوقلو برای خوشه بندی ارایه می شوند. پس از خوشه بندی، با به کار گرفتن تکنیک انتخاب ویژگی مبتنی بر همبستگی، قابل اعتمادترین ویژگی ها انتخاب شده و توسط طبقه بند پرسپترون چندلایه، طبقه بندی می شوند. جهت ارزیابی روش پیشنهادی، از چهار مجموعه داده ی SRBCT، Leukemia، DLBCL و Prostate استفاده شده است. نتایج آزمایشات بیانگر بهبود عملکرد دقت طبقه بندی می باشد.

امروزه استفاده از تصاویر الاستوگرافی در کنار اولتراسوند بهترین روش تشخیص سرطان پستان برای بافت های متراکم خصوصا برای زنان کمتر از 35 سال است که در تشخیص مرز دقیق توده ها استفاده می شود. در این مقاله تصاویر سونوگرافی و الاستوگرافی بیماران جمع آوری و به شناسایی توده های پستان پرداخته شد. الگوریتم ارایه شده شامل پیش پردازش، استخراج ویژگی و طبقه بندی می باشد. به منظور حذف نویز اسپکل، از دو مرحله پیش پردازش استفاده شده و پس از بخش بندی هر داده با کانال رنگی مناسب خود، ویژگی های آماری و ویژگی هایی بر اساس مورفولوژی نواحی مشکوک استخراج شده است. نتایج استخراج ویژگی نشان می دهد که الاستوگرافی به دلیل تفکیک از لحاظ کانال های رنگی ، به عنوان روش مناسب تر نسبت به اولتراسوند انتخاب شده است. مناسب ترین روش های ترکیبی پیشنهادی یعنی MLP-SCG، RBF-Kmeans و RBF-SOM به منظور طبقه بندی ویژگی ها استفاده شده است. طبقه بندی کننده ی ترکیبی MLP-SCG با متوسط صحت 94% و متوسط دقت 98% بهبود محسوس نسبت به روش های دیگر داشته است.

شبکه حسگر بی سیم (WSN)، دربرگیرنده مجموعه ایی از گره های حسگر است که به صورت تصادفی در ناحیه تحت نظارت توزیع شده اند و از طریق ارتباطات رادیویی با همدیگر در ارتباط هستند.AODV یک پروتکل مسیریابی برحسب تقاضا در WSN است و فرآیند کشف مسیر میان فرستنده و گیرنده را فقط زمانی که به آن نیاز باشد انجام می دهد. این پروتکل علی رغم دارا بودن سربار محاسباتی و مسیریابی بسیار کم، به شدت در معرض حمله سیاه چاله قرار دارد. در این مقاله روشی به منظور بهبود عملکرد پروتکل AODV در برابر حملات سیاه چاله ارایه شده است. روش پیشنهادی ارایه شده دارای دو فاز به نام های فاز تشخیص گره مزاحم و فاز کنار گذاشتن آن از روند مسیریابی در شبکه حسگر بی سیم است. نتایج حاصل از شبیه سازی های انجام شده نشان می دهند که روش پیشنهادی در مقایسه با پروتکل های مسیریابی AODV و DSR توانسته است در حضور چندین گره مزاحم در پارامتر های سنجش کارایی نظیر توان عملیاتی، تاخیر انتها به انتها، نرخ تحویل بسته و تعداد بسته های ازدست رفته عملکرد بسیار خوبی را ثبت کند.