Body area networks is one of the types of wireless area networks which has been created to optimize utilizing hospital resources and for earlier diagnosis of medical symptoms, and ultimately to reduce the cost of medical care. This network like most of the wireless networks is without infrastructure and the embedded sensor nodes in the body have limited energy. Hence, the early power completion of the wireless nodes based on the transmission of messages in the network can disrupt the entire network. In this study, a fuzzy clustering based routing is presented to overcome the mention challenge. In this method, the sensor nodes are allocated to the nearest cluster, based on their distance from the cluster head node, and exchange information with the cluster-head at the near distances, and the cluster-head node, due to its high initial energy, can transmit data to the remote server. In this study, due to the movement of the person and the position shift in the sensor nodes and the distances between the cluster-head nodes, sensor nodes belonging to the clusters are also updated and placed in their proper cluster and the transmission of sensory messages was done with its nearest cluster- head node. Simulation results show that the proposed method can be better than other existing methods in and equal condition. تفاصيل المقالة

همواره نظارت بلادرنگ بر بیمار بسیار مورد اهمیت بوده است. دست‌یابی به این دانش که به‌صورت یکپارچه بتوان بر بافت آسیب‌دیده نظارت داشت، کار بسیار مهم می‌باشد. در روش‌های قبلی با استفاده از یک حسگر بر بافت موردنظر نظارت می شد. در این مقاله نه‌تنها با استفاده از یک حسگر بر بافت نظارت می شود بلکه نظارت و ارزیابی تأثیر بافت‌های دیگر، بر بافت تومور مورد ارزیابی قرار می گیرد. شبکه هوشمند که در این مقاله مطرح شده است، به‌منظور نظارت بر وضعیت بیمار دارای تومور سینه طراحی شده است. ساختار شبکه هوشمند با توجه به نوع وزن مسیرهای ارتباطی بین گره‌ها و توانایی گره‌ها یک شبکه نیرومند برای ارزیابی وضعیت بیمار را به ما نشان می‌دهد. با تغییر وضعیت بیمار، گره‌ها و وزن مسیرهای ارتباطی تغییر می‌کند که این نشان می‌دهد که اطلاعات مهمی در شبکه وجود دارد و به متخصصان کمک می‌کند تا بتوانند بهتر وضعیت بیماری را موردبررسی قرار دهند. نظارت شبکه به این صورت می باشد که به صورت مداوم گره ارزیاب، گره تومور را ارزیابی می کند، با تغییر وضعیت گره تومور، وضعیت سایر گره ها و مسیرهای ارتباطی بین آن تغییر می کند، نتیجه تغییرات در شبکه به وسیله گره ارزیاب مورد ارزیابی قرار می گیرد. نتایج شبیه‌سازی نشان می‌دهد که این شبکه از هوشمندی لازم برای ارزیابی وضعیت بیمار در شرایط نامطلوب را دارا می‌باشد. تفاصيل المقالة

در این مقاله مروری، هدف ما توصیف پیشرفت های اخیر تکنیک جمع آوری داده مبتنی بر سنجش فشرده در شبکه های حسگر بی سیم شامل تلاشهای صورت گرفته در تحقیقات جاری، چالش ها و روندهای تحقیقاتی است. سیگنالهای تنک و قابل فشرده شدن در بسیاری از زمینه های کاربردی شبکه های حسگر مانند نظارت محیطی و مراقبت از وسایل نقلیه حضور دارند. سنجش فشرده واجد ویژگیهای فراوانی از قبیل سادگی عملیات سنجش و فشرده سازی، عمومیت در سیگنالهای جمع آوری شده و افت قابل قبول در کیفیت بازسازی سیگنال می باشد که آن را برای استفاده در شبکه های حسگر جذاب می سازد. ازدست رفتن بسته ها نیز تقریباً به اندازه پروتکل های دیگر به شبکه آسیب نمی رساند و فقط برای هر اندازه گیری که به چاهک نرسیده است باعث کمی افت در کیفیت بازسازی سیگنال خواهد شد. بحث را با مقدمه ای مختصر بر نظریه سنجش فشرده آغاز می کنیم و سپس استفاده از این تکنیک را در شبکه های حسگر بیسیم شرح می دهیم. در نهایت، مسائل و چالش های تحقیقاتی پیش رو مورد بحث قرار می گیرد تا چشم اندازی جهت تحقیقات آینده فراهم شود تفاصيل المقالة

رایانش ابری یک مدل محاسباتی است که برای ارائه منابع به کاربران از سه الگوی برحسب تقاضا، رزرو شده و نقطه ای بهره می برد. قیمت نمونه های نقطه ای به طور متوسط کم تر از سایر الگوها بوده و بر اساس عرضه و تقاضا دارای نوسان است. هنگامی که کاربر یک نمونه نقطه ای را درخواست کند، باید پیشنهادی ارائه دهد. تنها در صورتی که قیمت پیشنهادی کاربر بالاتر از قیمت نقطه ای باشد، کاربر می تواند از این نوع منابع استفاده کند. لذا پیش بینی قیمت نمونه های نقطه ای بسیار مهم و چالش برانگیز است. پیش بینی این گونه سری های زمانی پویا که از مدل غیرخطی پیروی می کنند، نیازمند ابزار هوشمندی مانند شبکه های عصبی است تا بتواند با مشاهده مقادیری از یک سری زمانی، مقادیر آتی را با کم ترین خطا پیش بینی کنند. بنابراین قابلیت اطمینان و در نتیجه کیفیت سرویس ارتقاء می یابد. بدین منظور، ما آمازون EC2 را به عنوان یک بستر آزمایشی در نظر گرفتیم و از تاریخچه قیمت نقطه ای برای پیش بینی قیمت آینده با ساخت مدلی نوین مبتنی بر یادگیری عمیق استفاده کردیم. نتایج بدست آمده نشان داد که مدل ارائه شده مقاله بر پایه ساختار پیشنهادی MGRU (GRU اصلاح شده) به خوبی می تواند پیش بینی مقادیر غیرخطی را انجام دهد و عملکرد بهتری نسبت به سایر روش های مورد استفاده در این حوزه داشته باشد. تفاصيل المقالة

VANETs are one of the important technologies in recent decade. This importance is evident which can be used in road and mountains trails and also provides other information to vehicle from roads. There are many challenges and problems in this networks which can cited as routing, clustering, quality of services criteria, energy consumption, RSU placement and etc. This article try to study and survey about VANET’s clustering methods in roads and mountain trails with high reliability. تفاصيل المقالة

In this article, a new method is proposed to find tumor's location. This process is based on the arrangement of sensors; the phase and distance to the cancer are given as well. Extraction of tumor distance and phase by Snell's law is the number of received pulses and the delay of receiving Signal. The transmitter antenna is in a fixed position, and the receiver rotates at a certain angular velocity around the tissue. Considering this information, a package solution in polar coordinates is presented. Meanwhile, angle and range information are extracted. Then the maximum probability estimate of the target location is given. This paper applies experimentally to simulated random data. تفاصيل المقالة

In this paper, a new method for estimating the tumor's location is presented; the technique is based on the arrangement of sensors and received wave changes. A new method has been developed for locating the return signal from the tumor. The main idea is that the location of the tumor is randomly assumed. And then estimates the location of the tumor. It presents a phase event. Various articles have used a combination of these methods to shape different issues. However, these methods have not been used to estimate tumor location. In this article, two types of wavelengths are used; the transmitter node first sends a signal with a specific frequency, it is assumed that the reflection is almost complete. Therefore, according to the reviews of the tumor signal, we find that the tumor is in the region of intensification, i.e., the dimensions of the tumor are in the order of the transmitted wavelength. Then, by changing the frequency, the signal passes through the tumor. The signal passing through the tumor (according to "Snell's" law) fails; that is, the received signal is received with angular deviation and delay. An estimator is suggested by the maximum likelihood maximum (MLE). The estimators have a nonlinear form. We use the SD reduction slope algorithm to LS linear search algorithm for optimizations. تفاصيل المقالة

Software-Defined Networking (SDN) is a growing network technology that has brought significant benefits to a wide range of disciplines, from science to technology to various fields. This structure can be used in network-based environments, data centers and various research sites. OpenFlow is one of the most widely used protocols for interaction between a controller and a switch in a Software-Defined Networking. Understanding the performance and limitations of the network defined by open source software, including bottlenecks and security vulnerabilities due to the centralized network structure, are important prerequisites for the efficient deployment of these systems. These points of view led researchers to examine various related mathematical models to address these issues. Queueing theory provides the most important and accurate model for evaluating the performance of the SDN networks affected by these restrictions, which has attracted the attention of researchers recently. Regarding to extensive mathematical modeling, this theory has also been used to improve network efficiency. Researchers have used this theory to investigate operational power and improve time consumption and control of data planes due to the nature of classification and storage of packets in SDN buffers. These methods overcome controller performance bottlenecks and increase SDN control capacity, especially for large distributed networks. In this paper, we examine the queueing models for different applications in different layers of SDN, in which researchers use these methods to monitor network loads, evaluate and predict performance changes due to diversity in network traffic. We introduce and review a collection of articles that explore, different applications of Queueing theory in SDN networks. In addition, in order to increase the efficiency of this research, detailed comparisons are performed in terms of structure, mathematical models and the final simulation results. تفاصيل المقالة

Industrial and physical site information is sent to the monitoring center by sensors in wireless sensor networks so that they can easily control the process of a company in order to improve the optimal performance of the system until the failure occurs to monitor and control in wireless sensor networks. Sensors are exposed to a wide range of failures, possible hardware and software problems in normal conditions, extreme weather conditions or other conditions caused by harsh physical environment in the field of sensors. Therefore, there is a possibility of unpredictable failure for all types of sensors and with Industrial process monitoring, preventive status monitoring, prevented error and fault and failures. The focus of this article is to present a new architecture in improving the correct performance of the system, the replacement rate of more damaged nodes and timely replacement, at the time of the starting point of the failure, the main sensor with spare ones or healthy sensors with faulty ones. The proposed network structure is such that the spare node is placed in parallel with the main node; this method makes it possible for the spare node to be replaced in case of failure of the main node, and the failed node can be quickly repaired and put in a standby mode. Our proposed model is analyzed in terms of the average time of correct system operation until failure known as mean time to failure. In this article is presented and studied and evaluated, a new architecture to improve network performance against failure using Markov model and state probability, and mean failure rate for node fault tolerance, before failure with timely replacement in wireless sensor network. In the proposed architecture, the results show a better improvement of the system's correct performance in order to reduce the adverse effects of errors and failures and improve fault tolerance. The simulation results show that the advantage of using this method reduces the adverse effects of errors and failures and improves the optimal performance of the system in the industrial site. تفاصيل المقالة

در این مقاله الگوریتم مکان‌یابی گره‌های شبکه اقتضایی براساس تبادل سیگنال‌های رادیویی بین گره‌های شبکه و به‌طور مستقل از سیستم موقعیت‌یاب جهانی (GPS)ارائه می‌شود. در روش‌های مرسوم مکان‌یابی، مکان گره‌ها در یک شبکه در دو مرحله تخمین زده می‌شود. در مرحله‌ی اول هر گره مکان محلی خود و همسایگانش با استفاده از روش مقیاس‌بندی چند-بعدی (MDS) محاسبه و در مرحله‌ی دوم، مکان محلی گره‌ها به یک مکان سراسری واحد تبدیل می‌گردد. در این روش‌ها از مکان گره‌های مکان‌یابی به‌عنوان مرجع چرخش برای گره‌های بعدی استفاده می شود که این مکان محاسبه‌شده دقیق نیست. همچنین روش دیجسترا نیز روش دقیقی نبوده، خطای موجود در هر گره به گره‌های بعدی انتقال می‌یابد. بنابراین، خطای موقعیت یابی در گره‌های نهایی که مکان‌یابی می‌شوند، بسیار زیاد است. در الگوریتم پیشنهادی، با استفاده از الگوریتم بهینه، از مکان‌های تخمین زده‌شده در روش MDS به‌عنوان تخمین اولیه استفاده می‌شود و این خطاها به‌گونه‌ای کاهش می‌یابد تا کل شبکه به یک حالت پایدار برسد. نتایج شبیه‌سازی‌ها نشان می‌دهد که الگوریتم پیشنهادی می‌تواند نسبت به الگوریتم MDS مشکل انتشار خطا را حل کرده و با تحرک مجدد گره‌های موجود دقت و پایداری مناسبی را با کمترین افزایش سربار و بار پیچیدگی محاسباتی پائین حل می‌کند. تفاصيل المقالة

انتقال چند مسیره یک روش انتقال مناسب برای بسته‌هایی با سرعت داده بالا مانند جریان‌سازی ویدیو می‌باشد. به منظور جریان‌سازی ویدیو با کیفیت بالا، بسته‌های ویدیویی برای انتقال از مسیرهای متفاوت به فریم‌های مختلفی تقسیم می‌شوند. با این حال، بسیاری از ویژگی‌های ذاتی شبکه‌های موردی بین خودرویی، طراحی یک پروتکل مسیریابی کارآمد و پایدار را برای کاربردهای مختلف در این شبکه‌ها‌ دشوار می‌کند. به طور خاص، ماهیت پویای توپولوژی و قطعی‌های ارتباط برقراری کیفیت سرویس را بسیار دشوار می‌کند. برای تامین کیفیت سرویس در کاربردهای سرگرمی و موارد ایمنی در شبکه‌های موردی بین خودرویی، ما یک پروتکل مسیریابی مبتنی بر تقاطع با توجه به کیفیت سرویس از نظر تاخیر، نرخ تحویل بسته و احتمال اتصال پیشنهاد نمودیم. به منظور ایجاد مسیرهایی با بهترین کیفیت سرویس، مسئله مسیریابی مربوطه را به عنوان مسئله بهینه‌سازی در نظر گرفتیم و یک الگوریتم مبتنی بر کلونی مورچگان برای حل آن پیشنهاد نمودیم. علاوه بر این، یک الگوریتم مبتنی بر منطق فازی برای انتخاب بهترین وسیله نقلیه گام بعدی با در نظر گرفتن موقعیت خودرو، کیفیت لینک و مدل تحرک وسیله نقلیه پیشنهاد شده است. با توجه به نتایج شبیه سازی، الگوریتم پیشنهادی نرخ تحویل بسته بیشتر از 2/84 درصد، تاخیر انتها به انتها کمتر از 58/3 ثانیه، سربار کمتر از 65/15 درصد و نرخ بیشینه سیگنال به نویز بیشتر از 82/20 دسی‌بل را ارائه می‌دهد. تجزیه و تحلیل نتایج نشان می‌دهد که عملکرد روش پیشنهادی بسیار خوب است. تفاصيل المقالة

هدف این مقاله ارائه راه کار بهبود و افزایش مجموع نرخ امن در لایه فیزیکی برای شبکه مخابرات بی‌سیم است که از فناوری‌های مختلفی مانند روش دسترسی چندگانه نامتعامد، صفحات بازتابنده هوشمند و ارتباطات دستگاه به دستگاه و مشارکت کاربران به‌عنوان همیار شبکه در انتقال دیتا، بهره می‌برد. مدل سیستم پیشنهادی برای این مقاله شامل یک ایستگاه فرستنده پایه‌، یک صفحه بازتابنده‌، دو کاربر قانونی، یک شنودگر است و به دلیل وجود موانع بسیار در محیط انتقال امکان وجود دید مستقیم بین کاربران و ایستگاه پایه در شبکه وجود ندارد و انتقال داده از طریق صفحات بازتابنده و همیاری کاربران شبکه امکان پذیر است. راه کار ارائه شده برای افزایش نرخ امن در لایه فیزیکی با فرض مشخص بودن موقعیت مکانی تمامی اجزای شبکه، با استفاده از روش‌های بهینه و غیربهینه، به صورت عبارت فرم بسته محاسبه شده است. مقدار نرخ امن متناسب با راه کار ارائه شده، برای مقادیر مختلف توان فرستنده ایستگاه پایه، جابجایی مکانی شنودگر در شبکه، تغییر تعداد آرایه‌های صفحات هوشمند و تغییر تعداد آنتن‌های ایستگاه پایه به دست آمده است. نتایج عددی به دست آمده اثربخشی راه کار پیشنهادی را تأیید می‌کند و نشان می‌دهد افزایش تعداد آرایه‌های صفحات بازتابنده، مقدار نرخ امن را به دلیل اثر متمرکز نمودن انتشار پرتو سیگنال بر روی کاربر به میزان قابل توجه افزایش می‌دهد. همچنین نتایج شبیه‌سازی نشان دهنده افزایش 50 درصدی مجموع نرخ امن برای شبکه در حالت استفاده از روش دسترسی نامتعامد در مقایسه با روش دسترسی متعامد است. تفاصيل المقالة

در این پیوند، همزمان‌سازی شامل دو مرحله می باشد. همزمان‌سازی الگوی پرش فرکانسی و همزمان‌سازی کد دنباله مستقیم. در شرایط حضور اختلال، استفاده از روش مرسوم آشکارسازی با آستانه ثابت منجر به افزایش نرخ هشدار اشتباه می شود. افزایش نرخ هشدار اشتباه، زمان همزمان‌سازی را در سیستم‌های طیف گسترده ترکیبی افزایش می‌دهد. برای حل این مساله معمولاً در گیرنده از بلوک تخمین‌گر توان نویز و اختلال استفاده می‌شود. با این روش مقدار آستانه به صورت لحظه‌ای بر اساس توان توان تخمین زده شده تطبیق داده می‌شود. این روش بار محاسباتی و پیچیدگی سخت افزاری زیادی داشته و خطا در تخمین توان نویز و اختلال منجر به افزایش نرخ هشدار اشتباه می‌شود. در این مقاله، الگوریتم پیشنهادی همزمان‌سازی پیوند طیف گسترده ترکیبی به صورت آستانه وفقی و بر اساس مشخصات آماری سیگنال دریافتی ارائه می‌شود. در الگوریتم پیشنهادی مقدار آستانه به صورت وفقی به گونه ای تغییر می‌کند که نرخ هشدار اشتباه در یک مقدار کمینه ثابت باقی بماند. نتایج تحلیل‌های تئوری و شبیه‌سازی‌ها نشان می‌دهد که الگوریتم پیشنهادی می‌تواند نسبت به روش مرسوم آستانه ثابت، احتمال آشکارسازی و نرخ هشدار اشتباه را در حضور اختلال بهبود داده و زمان همزمان‌سازی را کاهش دهد. تفاصيل المقالة

در دهه اخیر با هدف کاهش هزینه‌های نظارت محیطی، فرایند تجمیع داده مبتنی بر روش مشترک سنجش فشرده و یادگیری لغت نامه در شبکه‌های حسگر بی‌سیم مورد توجه قرار گرفته‌است. در این مقاله یک طرح نمونه برداری قطعی و غیرتصادفی برای استفاده در این روش تجمیع داده ارائه شده‌است. این طرح مبتنی بر برآورد کمیت اطلاعات متقابل داده حسگرها است که با نمونه برداری از تمام آنها در بخش کوتاهی از دوره جمع‌آوری داده به نام مرحله آموزش به دست می‌آید. در مرحله بعدی و اصلی دوره جمع‌آوری داده گره‌هایی نمونه برداری می‌شوند که بیشترین اطلاعات را درباره گره‌های نمونه برداری نشده در اختیار بگذارند. نتایج شبیه سازی‌ها با سیگنال های واقعی نشان می‌دهد که حتی زمانی که تعداد حسگرهای نمونه بردار تنها شامل 25 درصد از کل گره‌های شبکه است می‌توان به‌طور متوسط به بیش از 12 درصد صرفه جویی در مصرف انرژی نسبت به روش نمونه برداری مرجع دست یافت. تفاصيل المقالة

با توجه به اینکه کاهش تاخیر در دریافت اطلاعات در شبکه‌های بی‌سیم گسسته در شرایط بحرانی حائز اهمیت است، جهت سرعت بخشیدن به انتقال پیام‌ها در شبکه‌های اقتضایی گسسته، پروتکل‌ مسیریابی ترکیبی با رویکرد ذخیره و حمل به جلو در معماری شبکه‌ مبتنی بر جعبه پرتاب با توجه به جنبه‌هایی مانند پیش‌بینی رله مناسب و مدیریت موثر بافر در این مقاله ارائه شده است. به‌منظور حفظ حداکثر نرخ انتقال موفق و کاهش زمان انتقال اطلاعات در معیارهای انتخاب گره رله علاوه بر در نظر گرفتن سوابق گره‌ها، تاثیر سه عامل مختلف تاخیر مبدا به مقصد، فضای بافر در دسترس گره‌ها و همچنین اطلاعاتی مانند متوسط سرعت و جهت حرکت گره‌ها در نظر گرفته شده است. همچنین با به‌کار بردن الگوریتم شبیه‌سازی تبرید از هوش مصنوعی در انجام مسیریابی بهینه استفاده می‌شود. جهت مطالعه عملکرد مدل ارائه شده معیارهای عملکرد مشترک مهمی مانند متوسط تاخیر، نسبت تحویل، تعداد پیام‌های از دست رفته و سربار شبکه مورد استفاده قرار گرفته است. نتایج نشان می‌دهد که روش مسیریابی پیشنهادی نسبت به سایر روش‌های مسیریابی علاوه بر حفظ حداکثر انتقال از تاخیر دریافت کمتری برخوردار است. تفاصيل المقالة

الگوریتم ردیابی یادگیری تشخیص (TLD) سنتی، نسبت به چالش هایی همچون تغییرات روشنایی، کلاترها و نرخ قاب پایین بسیار حساس بوده و باعث خطا در ردیابی هدف می گردد. در راستای غلبه بر این مشکلات و بهبود مقاومت الگوریتم، معماری الگوریتم ردیابی یادگیری تشخیص با ترکیب الگوریتم انتقال متوسط و الگوریتم یادگیری نیمه نظارتی هم یادگیری، بهبود داده شده است. این ساختار در شرایط نرخ قاب پایین نتایج بهتری را نتیجه می دهد و مقاومت و دقت الگوریتم را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص افزایش می دهد. زیرا الگوریتم ردیابی انتقال متوسط نسبت به چرخش، موانع جزئی، تغییرات اندازه مقاوم بوده و به سادگی اجرا شده و به محاسبات کمی نیاز دارد. از طرف دیگر الگوریتم یادگیری نیمه نظارتی هم یادگیری با دو طبقه بند مستقل می تواند تغییرات ویژگی های هدف را به خوبی آموزش ببیند. بنابراین، ساختار توسعه داده شده می تواند مشکل گم کردن هدف را در شرایط وجود همزمان نرخ قاب پایین و چالش های دیگر حل نماید. نهایتا، ارزیابی مقایسه ای روش پیشنهادی با الگوریتم های معروف ردیابی بر روی سناریوهای مختلف از پایگاه داده مشهور TB-100، حاکی از عملکرد برتر روش پیشنهادی در مقایسه با سایر روش ها از لحاظ مقاومت و پایداری است. نهایتا ساختار پیشنهادی بر اساس معماری ردیابی یادگیری تشخیص در ویدیوهایی با چالش های مختلف ذکر شده به طور متوسط حدود 33 درصد نتایج را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص بهبود خواهد بخشید. تفاصيل المقالة

یکی از عوامل رایج مرگ ومیر در دنیا که بیشتر افراد مسن در معرض آن هستند، سکته مغزی است. حدود 85 درصد از تمام سکته‌های مغزی، از نوع سکته مغزی ایسکمیک بوده و ناشی از خون ریزی داخلی بخشی از مغز است. با توجه به آمار بالای مرگ ومیر ناشی از سکته مغزی، تشخیص و درمان سریع سکته مغزی ایسکمیکی و سکته مغزی هموروژیک بسیار مهم است. در این مقاله یک سیستم تصویربرداری مایکروویو مغز، برای تشخیص خون ریزی داخل جمجمه کروی شکل با شعاع یک سانتی متر در نرم افزار CSTشبیه‌سازی و برای تصویربرداری از یک سری آرایه آنتن پروانه‌ای اصلاح شده در اطراف فانتوم سر چند لایه، استفاده شده است. برای داشتن ویژگی‌های تشعشی مورد نظر در محدوده باند فرکانسی 5/0 الی 5/5 گیگاهرتز، یک محیط تطبیق مناسب طراحی شده است. ابتدا در بخش پردازش از روش‌های بازسازی تصویر مانند الگوریتم‌های بیمفرمر تأخیر و جمع و همچنین تأخیر ضرب و جمع استفاده می‌شود. تصاویر بازسازی شده مفید بودن روش متداول پیشنهادی را در تشخیص هدف کروی در محدوده یک سانتی متر نشان می‌دهد. هدف اصلی این مقاله طبقه‌بندی سکته مغزی ایسکمیکی و هموروژیک با استفاده از رویکردهای یادگیری عمیق است. برای این منظور یک الگوریتم طبقه‌بندی تصویر برای تخمین نوع سکته از تصاویر بازسازی شده ایجاد می‌شود که در این راستا با استفاده از روش پیشنهادی یادگیری عمیق تصاویر بازسازی شده توسط یک ماشین بردار پشتیبان خطی چند کلاسه با ویژگی استخراج شده توسط یک شبکه عصبی کانولوشن آموزش می‌بینند. نتایج شبیه‌سازی شده عملکرد مناسب روش پیشنهادی را در تعیین محل دقیق اهداف خون‌ریزی با دقت 89 درصد و در مدت زمان 9 ثانیه نشان می‌دهد. علاوه بر این، روش پیشنهادی یادگیری عمیق به دلیل سردرگم نبودن سیستم در بین طبقات مختلف از نظر طبقه‌بندی عملکرد خوبی را نشان می‌دهد. تفاصيل المقالة

در این مقاله شبکه هوشمند برای نظارت بر بیمار مبتلا به سرطان سینه مطرح شده است. افزایش سرعت شبکه نظارت بر بیمار به نوع مشاهده، تفکر و درک ما از بیمار بستگی دارد. عوامل مختلفی از شبکه باعث شناخت بیشتر بیماری است که این عوامل با توجه به نوع آرایش شبکه، تعداد گره ها، قابلیت گره ها و جهت لینک های ارتباطی بستگی دارد. چرخه کنترل و نظارت بر بیمار شامل مشاهده، جهت گیری، تصمیم و عمل است که این چرخه مجموعه ای از اعمال متوالی هست که با تغییر آرایش شبکه، جهت گیری، تصمیم و عمل تغییر می یابد. در این مقاله ساختار شبکه هوشمند با توجه به وزن گره های مسیرهای ارتباطی به گونه ای طراحی می شود که چرخه کنترل و نظارت (تحلیل، تصمیم و عمل) عملکرد خوبی را داشته باشد. چرخه کنترل و نظارت با روش پیشنهادی فرآیند تحلیل سلسله مراتبی فازی (FAHP) مدل سازی می شود. این مدل با شناخت اولویت های شناسایی، معیارهای تصمیم گیری را به گونه ای تنظیم می کند که با کمترین زمان، سرعت تشخیص شبکه افزایش یابد و همچنین ابزاری مناسب برای مدل سازی چرخه نظارت و نتایج حاصل از شبکه هوشمند است. نتایج شبیه سازی نشان می دهد که این شبکه از هوشمندی لازم برای ارزیابی وضعیت بیمار در شرایط نامطلوب، قدرت تحلیل و ارزیابی مداوم بیمار را دارد و همچنین قدرت تصمیم گیری به موقع در وضعیت های مختلف را دارد. این نتایج نشان می دهد که با توجه به آرایش شبکه و تحلیل سلسله مراتبی فازی نرخ سرعت شبکه نسبت به دیگر شبکه ها به میزان ۱۰ درصد بهبود یافته است. تفاصيل المقالة