شبکه های حسگر بیسیم دارای تعداد زیادی گره حسگر با انرژی محدود می باشند که در یک منطقه محدود جغرافیایی پراکنده شده اند. با توجه به محدودیت منابع در شبکه های حسگر بیسیم، افزایش طول عمر این شبکه ها با کاهش مصرف انرژی همواره مورد توجه است. انرژی گره ها بیشتر برای ارسال اطلا چکیده کامل
شبکه های حسگر بیسیم دارای تعداد زیادی گره حسگر با انرژی محدود می باشند که در یک منطقه محدود جغرافیایی پراکنده شده اند. با توجه به محدودیت منابع در شبکه های حسگر بیسیم، افزایش طول عمر این شبکه ها با کاهش مصرف انرژی همواره مورد توجه است. انرژی گره ها بیشتر برای ارسال اطلاعات به ایستگاه مرکزی مصرف می شود. در مسیریابی پی در پی بر مبنای خوشهبندی، این مسئولیت بر عهده سرخوشه ها است و این امر موجب افزایش مصرف انرژی در سرخوشه ها می شود. در سالهای اخیر برای دیرتر تمام شدن انرژی سرخوشه ها، پروتکل های خوشه بندی و مسیریابی های زیادی پیشنهاد شده است. هدف این پژوهش، ترکیب خوشهبندی و مسیریابی در راستای افزایش طول عمر این نوع شبکههاست. برای خوشه بندی از الگوریتم ژنتیک با تعداد خوشه های ثابت و برای مسیریابی از الگوریتم جستجوی هارمونی استفاده شده است. از آنجاییکه سرخوشه ها انرژی بیشتری نسبت به دیگر گرهها برای ارسال اطلاعات مصرف می کنند، هدف الگوریتم ژنتیک کاهش تعداد سرخوشه ها در جهت افزایش طول عمر شبکه می باشد. در سفارشی کردن الگوریتم جستجوی هارمونی برای مسیریابی، سه معیار همسایگی، کاهش مصرف انرژی و توزیع مناسب مصرف انرژی در نظر گرفته شده است. الگوریتم هارمونی پیشنهادی با برقراری توازن مناسب بین معیارهای ذکرشده باعث تولید مسیرهای بهینهتری خواهد شد. در نهایت تغییر سرخوشه ها در هر دور مسیریابی باعث ایجاد توازن مصرف انرژی بین گره های هر خوشه خواهد شد. نتایج حاصل شده از آزمایشات، حاکی از برتری 14/2% الگوریتم پیشنهادی در ارسال پیام و همچنین افزایش 84/24% طول عمر شبکه نسبت به پروتکل DEEC میباشد.
پرونده مقاله
علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستمهای هوشمند به کار گرفته میشود. اولین گام در بسیاری از کاربردهای بینایی ماشین، قطعهبندی تصویر میباشد. در این پژوهش، روش خوشه بندی طیفی با سوپرپیکسل برای قطعه بندی تصویر ارائه شده است. با چکیده کامل
علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستمهای هوشمند به کار گرفته میشود. اولین گام در بسیاری از کاربردهای بینایی ماشین، قطعهبندی تصویر میباشد. در این پژوهش، روش خوشه بندی طیفی با سوپرپیکسل برای قطعه بندی تصویر ارائه شده است. با اعمال الگوریتم KFCM و با استفاده از توزیع عضویت در ماتریس بخش بندی، یک میزان تشابه فازی هسته ای جدید پیشنهاد داده ایم که سبب کاهش میزان حساسیت پارامتر مقیاس گذاری می شود. علاوه بر این، بهمنظور کاهش هزینه محاسباتی برای قطعه بندی تصویر، سوپر پیکسل را معرفی کرده ایم و یک اندازه گیری جدید برای ساخت ماتریس وابستگی خوشه بندی طیفی ارائه شده است. الگوریتمهای پیشنهادی بر روی 300 تصویر طبیعی متفاوت اعمال میشود و توسط شاخص های ارزیابی، مورد ارزیابی و مقایسه قرار میگیرند. نتایج حاصل شده از آزمایشات نسبت به دیگر روش های قطعه بندی مقایسه شده است و حاکی از برتری 4/3% دقت قطعه بندی الگوریتم پیشنهادی دارد و تمام شاخص های ارزیابی موردنظر پژوهش به میزان قابل قبولی افزایش پیداکردهاند.
پرونده مقاله