فهرست مطالب

مهندسی برق و مهندسی کامپیوتر ایران - سال دوازدهم شماره 2 (پیاپی 35، زمستان 1393)

نشریه مهندسی برق و مهندسی کامپیوتر ایران
سال دوازدهم شماره 2 (پیاپی 35، زمستان 1393)

  • ب - مهندسی کامپیوتر
  • 88 صفحه،
  • تاریخ انتشار: 1394/05/05
  • تعداد عناوین: 9
|
  • محمدرضا ملاخلیلی میبدی، محمدرضا میبدی صفحه 85
    در این مقاله، یک ساختار جدید شبکه ای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیع شده توسعه یافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکه ای برای حل مساله زیرگراف بهینه در گراف های تصادفی با یال های وزن دار از طریق نمونه گیری ارائه می شود. نشان داده شده که ساختار شبکه ای جدید پیشنهادی قادر به حل مسایل بهینه سازی روی گراف های تصادفی از طریق نمونه گیری با تعداد نمونه کمتر نسبت به روش نمونه گیری استاندارد است. علاوه بر این، اثباتی برای همگرایی آن به جواب بهینه ارائه شده و نشان داده می شود که ساختار شبکه ای پیشنهادی همواره با احتمال 1 به جواب بهینه همگرا می گردد.
    کلیدواژگان: آتاماتای یادگیر، آتاماتای یادگیر توزیع شده توسعه یافته، شبکه آتاماتاهای یادگیر، زیرگراف، گراف تصادفی، نمونه گیری
  • سیده سمیه آل حجت خسمخی، محمدرضا کیوان پور صفحه 98
    هدف اصلی در روش های مختلف تطبیق تصویر، پیداکردن پارامترهای تبدیل برای نگاشت دقیق یک تصویر بر روی مختصات تصویر دیگر است. در پزشکی، برقراری ارتباط دقیق میان داده های تصاویر پزشکی در کاربردهایی نظیر تشخیص و درمان از اهمیت بسیاری برخوردار است و بر این اساس، روش های متعددی برای تطبیق تصاویر ارائه شده است. مقایسه نتایج الگوریتم های مختلف، انگیزه اصلی این پژوهش گردیده تا بتوان الگوریتم جدید ترکیبی ارائه و پیاده سازی نمود که از دقت بالایی برای تطبیق تصاویر چندکیفیتی برخوردار باشد. خودکارسازی فرایند تطبیق با بهره گیری از رویکرد یادگیری ماشین، نوآوری مقاله حاضر نسبت به روش های پیشین به شمار می رود. به این منظور، روش پیشنهادی به نام یادگیری چنددقتی از ترکیب یک روش تجزیه چنددقتی و یک شبکه عصبی سلسله مراتبی بهره می گیرد که با استفاده از ویژگی های سراسری تصویر، پارامترهای تبدیل را یاد گرفته و از پارامترهای تبدیل به دست آمده از فرایند یادگیری، برای تطبیق تصاویر استفاده می کند. روش پیشنهادی بر روی پایگاه داده تصاویر پزشکی دانشگاه واندربیلت پیاده سازی و آزمون شده و نتایج به دست آمده دقت قابل قبولی را برای روش پیشنهادی در مقایسه با سایر روش ها نشان می دهد.
    کلیدواژگان: تطبیق تصویر، تطبیق تصویر چندکیفیتی، تصویربرداری پزشکی، درخت دوتایی تبدیل موجک مختلط
  • امیررضا کرباسچیان، سعید ستایشی، آرش شریفی صفحه 109
    به دلیل اهمیت تخلیه سریع شهر هنگام وقوع حوادث طبیعی یا غیر طبیعی، اعمال یک سیاست کنترلی بهینه برای جلوگیری از بروز تراکم و توقف وسایل نقلیه امری لازم و ضروری است. روش های موجود برای مدیریت ترافیک در شرایط بحران کمتر به استفاده از رویکردهای هوش مصنوعی پرداخته اند و به همین دلیل، هدف اصلی مولفین در این پژوهش ارائه یک رویکرد کنترلی بهینه و هوشمند برای ترافیک تخلیه شهر است. در این رویکرد از سیستم استنتاج فازی برای تصمیم گیری هر عامل و از آتوماتای احتمالی برای بهینه کردن عملکرد عامل ها با توجه به ترجیحات هر کدام از آنها در طول زمان استفاده شده است. برای بررسی میزان موفقیت رویکرد کنترلی پیشنهادی، شبیه سازی مبتنی بر عامل در محیط های RStudio و NetLogo و با استفاده از بسته های RNetlogo و frbs در زبان R انجام شده است. نتایج شبیه سازی نشان دهنده توزیع بار ترافیک، استفاده حداکثری از ظرفیت معابر و پیش گیری از بروز تراکم توسط رویکرد پیشنهادی است. با توجه به فناوری های ارتباطی نظیر GPS، گوشی های تلفن همراه هوشمند، سیستم های پرداخت عوارض خودکار الکترونیکی در معابر و... که در سال های اخیر گسترش یافته اند، امکان پیاده سازی روش کنترل ترافیک بحران پیشنهادی در عمل نیز وجود خواهد داشت.
    کلیدواژگان: مدیریت ترافیک، مدل سازی مبتنی بر عامل، سیستم فازی، سیستم چندعامله، آتوماتای احتمالی
  • حمدرضا ملاخلیلی میبدی، محمدرضا میبدی صفحه 119
    در این مقاله یک آتاماتای توزیع شده جدید به نام آتاماتای یادگیر توزیع شده توسعه یافته برای یادگیری توزیع توام مجموعه ای از متغیرهای تصادفی معرفی خواهد شد. این شبکه از آتاماتاها در محیط هایی که پاسخ محیط به مجموعه ای از اقدامات انجام شده توسط آتاماتا، مستقل از یکدیگر نبوده و نوعی وابستگی شرطی میان این پاسخ ها حاکم باشد، کاربرد دارد. نشان داده شده که این آتاماتای جدید قادر است تخمینی از توزیع شرطی اقدام ها را فرا بگیرد. در ادامه چارچوبی مبتنی بر آتاماتای یادگیر توزیع شده جدید پیشنهادی، برای حل مساله یادگیری برخط پارامترهای یک شبکه بیزی ارائه شده است. این چارچوب با داده ها و شواهد جدید منطبق شده و عملیات به روز رسانی پارامترها را انجام می دهد. با بررسی های ریاضی و آزمایش های عملی روی شبکه های نمونه، نشان داده ایم که این مدل جدید قادر است با تخمینی با دقت برابر با EM، یادگیری پارامترهای یک شبکه بیزی را انجام دهد. علاوه بر ویژگی افتراقی بودن و یادگیری برخط، این ساختار جدید با شرایطی که داده ها ناکامل باشند نیز سازگار است و به دلیل استفاده از روابط یادگیری خطی و مبتنی بر آتاماتای یادگیر، سربار محاسباتی کمی نیز دارد.
    کلیدواژگان: آتاماتای یادگیر، شبکه بیزی، یادگیری پارامتری
  • شیما کاشف، حسین نظام آبادی پور صفحه 127
    استفاده از الگوریتم های ابتکاری یک انتخاب مناسب برای حل مسایل بهینه سازی است. در این مقاله نسخه بهبودیافته ای از الگوریتم بهینه ساز مورچگان باینری برای حل مساله انتخاب ویژگی ارائه شده است. نسخه پیشنهادی خصوصیات الگوریتم جمعیت مورچه گسسته و الگوریتم مورچه باینری را به صورت توامان در خود دارد. کارایی روش پیشنهادی روی 12 پایگاه داده استاندارد در موضوع طبقه بندی بررسی و نتایج با چند الگوریتم مطرح در این زمینه شامل بهینه ساز جمعیت مورچگان گسسته و باینری مقایسه شده است. نتایج بیانگر کارایی مناسب الگوریتم پیشنهادی است.
    کلیدواژگان: انتخاب ویژگی، الگوریتم مورچگان باینری، طبقه بندی، کاهش بعد ویژگی
  • حمیدرضا میرسالاری، ناصر ندا صفحه 135
    با توجه به ورود شبکه های جدید در کشور از قبیل LTE و وایمکس که مبتنی بر OFDM می باشند، نیاز به تحقیق و پژوهش و همچنین بررسی عملکرد این شبکه ها، امری اجتناب ناپذیر است. در این مقاله ما به بررسی عملکرد طرح های تخصیص فرکانسی مختلف در یک شبکه LTE می پردازیم. ابتدا کارایی طرح های تخصیص فرکانسی از قبیل استفاده مجدد با ضریب 1، استفاده مجدد با ضریب 3، استفاده مجدد فرکانس جزئی، سکتوربندی، تقسیم ناحیه سلول و استفاده مجدد فرکانس نرم را بررسی می کنیم و سپس با ایجاد اختلاف فاز بین دو سیگنال ارسالی در یک کانال MISO در استاندارد LTE و ترکیب آن با برخی از این طرح ها مانند سکتوربندی و تقسیم ناحیه سل همراه با سکتوربندی، تداخل را در چنین شبکه هایی به طور قابل ملاحظه ای کاهش می دهیم. نتایج شبیه سازی نشان می دهد که ایجاد اختلاف فاز بین سیگنال ها (که به آن طرح پیش کدکنندگی مرتبه 1 می گویند) در یک کانالMISO، به دلیل چرخش الگوی تشعشعی آنتن بسته به موقعیت کاربر متحرک و همچنین طرح استفاده مجدد فرکانس نرم به دلیل تخصیص کامل حامل های فرکانسی OFDM به هر سل و ارسال با توان کمتر برای کاربران مرکز سل، به بهره قابل ملاحظه ای در ظرفیت و تداخل کل شبکه در ترافیک های مختلف منجر می گردند.
    کلیدواژگان: استفاده مجدد فرکانس، پیش کدکنندگی، کنترل تداخل، LTE، OFDM
  • فائزه میرزایی، حسین ابراهیم پور کومله، محسن بیگلری صفحه 143
    اثر انگشت بیومتریکی است که به دلیل ویژگی های منحصر به فردش، بیشترین کاربرد را در سیستم های تشخیص و تعیین هویت داشته است. در سیستم های تعیین هویت، تصویر ورودی با تمام تصاویر ثبت شده در پایگاه مقایسه می گردد و در صورتی که پایگاه داده حجیم باشد، عمل مقایسه بسیار زمان بر خواهد بود. برای نمونه می توان به پایگاه های داده موجود در FBI اشاره نمود. یکی از راه حل های تاییدشده برای افزایش سرعت، طبقه بندی تصاویر است. در طبقه بندی مطلق، به هر اثر انگشت تنها یک کلاس تخصیص می یابد. دلایل مختلفی چون نویز یا عدم وجود همه نقاط یکتا در محدوده تصویر، تعیین یک کلاس مطلق برای همه تصاویر را دچار مشکل می کند. در این مقاله، روشی جدید بر پایه طبقه بندی احتمالی ارائه شده که برای هر تصویر ورودی، مجموعه ای از کلاس ها مشخص می شود که هر یک دارای یک احتمال می باشند. در مرحله انطباق، کلاس ها به ترتیب اولویتشان جستجو می شوند. آزمایشات صورت گرفته بر روی پایگاه داده شناخته شده FVC 2002، تاثیر استفاده از طبقه بندی احتمالی را به روشنی نشان داده است. با در نظر گرفتن کلاس های دوم و سوم تعیین شده توسط روش پیشنهادی، دقت شناسایی سیستم تقریبا 18% افزایش یافته است، در صورتی که سرعت آن، 2 تا 3 برابر بیشتر از طبقه بندی مطلق می باشد.
    کلیدواژگان: شناسایی اثر انگشت، طبقه بندی اثر انگشت، طبقه بندی احتمالی، طبقه بندی مبتنی بر قانون
  • علی عبدی سیدکلایی، علی ذاکرالحسینی صفحه 152
    شبکه های حسگر بی سیم نسل جدیدی از شبکه ها هستند که از حسگرها برای دریافت اطلاعات پیرامون محیط خود استفاده می کنند و ارتباط این حسگرها به طور بی سیم است. یکی از مسایلی که در شبکه های حسگر بی سیم از اهمیت زیادی برخودار می باشد بحث کاهش مصرف انرژی و افزایش طول عمر شبکه است. کنترل توپولوژی یکی از روش های کاهش مصرف انرژی و افزایش طول عمر شبکه بوده و تاکنون روش های مختلف کنترل توپولوژی به منظور کاهش مصرف انرژی و افزایش طول عمر شبکه ارائه شده که از جمله آنها خوشه بندی است و یکی از روش های معروف خوشه بندی LEACH می باشد. در این مقاله ما سعی داریم یک روش خوشه بندی جدیدی ارائه دهیم که نسبت به LEACH و سایر روش های بهبودیافته بعد از LEACH برتری داشته باشد. ما در این روش خوشه بندی از منطق فازی دوسطحی استفاده می کنیم که باعث کاهش مصرف انرژی و افزایش عمر شبکه در مقایسه با روش های دیگر می شود و برای اثبات برتری روشمان در مقایسه با روش های دیگر، مقایسه ای با استفاده از نرم افزار MATLAB ارائه داده ایم.
    کلیدواژگان: خوشه بندی، شبکه حسگر بی سیم، کنترل توپولوژی، منطق فازی
  • مرتضی پرویزی عمران، علی معینی، حمید حاج سیدجوادی صفحه 158
    حسگرهای موجود در شبکه های حسگر بی سیم معمولا با انرژی باتری و با عمر محدود کار می کنند، به همین دلیل کاهش مصرف انرژی در آنها از اهمیت بسزایی برخوردار است. در این مقاله، الگوریتم مسیریابی جدیدی جهت کاهش مصرف انرژی در این شبکه ها معرفی می شود که از اتوماتای یادگیر به منظور یافتن مسیر مناسب جهت ارسال بسته های داده بهره می گیرد. رویکرد اصلی این الگوریتم به این صورت است که مصرف انرژی در مسیرهای مختلف را با در نظر گرفتن سطح انرژی و تاخیر گره ها متوازن نگه می دارد و بدین منظور از شیوه جریمه دهی در اتوماتای یادگیر بهره می گیرد. برای ارزیابی کارایی الگوریتم پیشنهادی، این پروتکل مسیریابی با نرم افزار OMNET++ شبیه سازی و نتایج به دست آمده با دو پروتکل LABER و BEAR مقایسه شده است. نتایج شبیه سازی نشان می دهد که در شبکه با ساختار استاتیک، در مصرف انرژی و ارسال بسته های کنترلی و در نتیجه طول عمر شبکه در پروتکل پیشنهادی نسبت به پروتکل های مقایسه شده بهبود حاصل شده است.
    کلیدواژگان: اتوماتای یادگیر، شبکه های حسگر بی سیم، کاهش مصرف انرژی، مسیریابی آگاه از انرژی
|
  • M. R. Mollakhalili Meybodi, M. R. Meybodi Page 85
    In this paper a new structure of learning automata which is called as extended distributed learning automata (eDLA) is introduced. A new eDLA-based iterative sampling method for finding optimal sub-graph in stochastic graphs is proposed. Some mathematical analysis of the proposed algorithm is presented and the convergence property of the algorithm is studied. Our study shows that the proposed algorithm can be converge to the optimal sub-graph.
  • S. S. Alehojat Khasmakhi, M. –R. Keyvanpour Page 98
    The main purpose in various methods of image registration is to find the transformation parameters for accurate mapping an image onto another image coordinates. In medical sciences creating a precise mapping between medical images data is very important in application such as diagnosis and treatment. Accordingly, several approaches have been proposed for image registration. The compression of results and performance between different image registration algorithms was the main motivation for this research to design and implement a new hybrid algorithm so that provide high accuracy in multimodal image registration. Automating the image registration process by using machine learning approach is the innovation of this method compared to previous ones.To this end, the proposed method which is named multi resolution learning is composed of multi resolution decomposition and a hierarchical neural network which it learn the transformation parameters by using global properties of the image and uses learned transformation parameter for image registration. The proposed method is implemented and tested on the medical images of Vanderbilt university database. Experiment result show acceptable accuracy for the proposed method compared with other methods.
  • A. R. Karbaschian, S. Setayeshi, A. Sharifi Page 109
    Because of importance of quickly city evacuation during natural or unnatural happenings, it’s essential to apply an optimized control policy to prevent congestion and stop of vehicles. Existing works for traffic management in critical conditions have paid little attention to artificial intelligence approaches. Therefore, the main goal of authors in this research is offering an optimized and intelligent control policy for city evacuation traffic. This policy uses fuzzy inference system for decision making of each agent and probabilistic automata for optimizing performance of agents as for their preferences during time. To check degree of success of offered control policy, Agent Base Simulation in RStudio and Netlogo environments have been implemented using RNetlogo and frbs packages in R language. Simulation results show traffic load distribution, using maximum capacity of roads and congestion prevention by suggested policy. With regard to communication technologies such as GPS, smart phones, automatic tax payment systems in roads and … that have been developed in recent years, it is also possible to implement suggested critical traffic control policy in real world.
  • M. R. Mollakhalili Meybodi, M. R. Meybodi Page 119
    In this paper a new learning automata-based algorithm is proposed for learning of parameters of a Bayesian network. For this purpose, a new team of learning automata which is called eDLA is used. In this paper the structure of Bayesian network is assumed to be fixed. New arriving sample plays role of the random environment and the accuracy of the current parameters generates the random environment reinforcement signal. Linear algorithm is used to update the action selection probability of the automata. Another key issue in Bayesian networks is parameter learning under circumstances that new samples are incomplete. It is shown that new proposed method can be used in this situation. The experiments show that the accuracy of the proposed automata based algorithm is the same as the traditional enumerative methods such as EM. In addition to the online learning characteristics, the proposed algorithm is in accordance with the conditions in which the data are incomplete and due to the use of learning automaton, has a little computational overhead.
  • S. Kashef, H. Nezamabadi, Pour Page 127
    The use of metaheuristic algorithms is a good choice for solving optimization problems. In this paper, a novel feature selection algorithm based on Ant Colony Optimization (ACO), called Advanced Binary ACO (ABACO), is presented. This algorithm is an advanced version of binary ant colony optimization, which attempts to solve the problems of ACO and BACO algorithms by combination of these two. The performance of proposed algorithm is compared to the performance of Binary Genetic Algorithm (BGA), Binary Particle Swarm Optimization (BPSO), and some prominent ACO-based algorithms on the task of feature selection on 12 well-known UCI datasets. Simulation results verify that the algorithm provides a suitable feature subset with good classification accuracy using a smaller feature set than competing feature selection methods.
  • H. Mirsalari, N. Neda Page 135
    According to the entry of new networks such as LTE and WiMAX that is based OFDM in country, the need to research and evaluate the performance of these networks is inevitable. In this paper we investigated the performance of different frequency allocation schemes in an LTE network. We first introduced the frequency allocation schemes include Reuse-1, Reuse-3, partial frequency reuse, sectoring, cell division region and soft frequency reuse, and then by creating a phase difference between two signals in a MISO channel in standard LTE, and combine it with some of these schemes such as sectorization and cell division region with the sectoring interference will significantly decreased in such networks. The simulation results show that the phase differences between the signals(which it’s called the one pre-order scheme) in MISO channel, due to the rotation of the antenna radiation pattern depending on the position of mobile users, and also the soft frequency reuse scheme for the full allocation of OFDM carriers to each cell and sending with less power for users of the cell center, leads to the substantial gain in the total network capacity, under the different traffics.
  • F. Mirzaei, H. Ebrahimpour, Komleh, M. Biglari Page 143
    Fingerprint as a biometric has the most applications in verification and identification systems, because of its specific properties. In identification systems, input image is compared with all of images stored in the database. In huge databases, the comparison will take large amounts of time; Consider FBI databases, for instance. Image classification is one of the approved methods to increase the identification speed. Only one class is assigned to each fingerprint in tradition absolute classification. Various reasons like noise or lack of all the singularity points in captured region, cause the problem in determination of an absolute class for all the images. In this article, a new method based on probabilistic classification is presented. In the proposed approach, a set of classes are considered for each input image with a specific probability. These classes are searched in order of their probabilities priority in matching stage. Experiments on well-known FVC2002 database, exhibit the effect of probable classification clearly. Using only the second and third classes assigned by the proposed method, the identification system achieves about 18% increase in accuracy and 2-3 times speedup in compared to the traditional methods.
  • A. Abdi Seyedkolaei, A. Zakerolhosseini Page 152
    Wireless sensor networks are a new generation of networks that from sensors uses to get information about itself environment and communication this sensors is as wireless. One of the issues that is very important in wireless sensor networks is Discussion reducing energy consumption and increasing network lifetime. Topology control is one of the methods to reduce energy consumption and increase the lifetime of the network. Since different methods of topology control, to reduce energy consumption and enhance the network lifetime is proposed that including them is the clustering and one of the most famous clustering methods is LEACH. In this paper, we try to present a new clustering method that is superior compared to leach and other improved methods after the LEACH. we use in our clustering method from two-level fuzzy logic that be causing reduce energy consumption and increase the network lifetime compared to other methods and to prove the superiority of our method compared with other methods, we present a comparison using MATLAB software.
  • M. Parvizi Omran, A. Moeni, H. Haj Seyyed Javadi Page 158
    Sensors in WSN work with batteries that have limited energy capacity. Therefore, reduction in power consumption is a very important issue. In this paper, we present a new routing algorithm to reduce power consumption in wireless sensor networks. This algorithm deploys Learning automata in each node to find a suitable path for routing data packets. In order to aim this goal the algorithm uses penalty based approach in learning automata and considers energy level of nodes and latency of packet delivery as well. Performance of our new developed algorithm has been compared with LABER and BEAR protocols in OMNET++ simulator. Simulation results show that, in a network with static nodes, energy consumption and control packets reduce significantly and network lifetime increases in comparison with two other protocols.