فناوری نانو حوزۀ جدیدی از فناوری به منظور توسعه و ساخت ماشین ها در مقیاس نانو است. ارتباطات ملکولی یک الگوی جدید برای نانوماشین‌هاست که در آن ارتباط با استفاده از اجزای بیولوژیکی تحقق می‌یابد. روش های ارتباط ملکولی ایرادهای عمده‌ای مانند ظرفیت خیلی کم یا نیاز به استقرار زیرساخت‌های پیچیده دارند. هدف از پژوهش حاضر توسعه قابلیت مسیریابی برای شبکه‌های نانویی ارتباطی باکتری با استفاده از دو ویژگی ذاتی باکتری شامل فرآیند کموتاکسی و اتصال می باشد. هدف از شبیه‌سازی در اشکال مختلف توپولوژی بررسی تأثیر تغییر فاصله بین نانوماشین‌ها و نیز فرآیند اتصال به منظور بهبود تحویل پیام می باشد. نتایج نشان داد که در تعداد پیام‌های موفق تحویل داده شده به مقصد برای فواصل بیشتر توپولوژی2 بهتر عمل می‌کند. مقایسه تعداد اتصالات انجام شده در فواصل متفاوت برای هر سه توپولوژی نشان داد که با افزایش تعداد باکتری‌ها تعداد اتصالات افزایش می‌یابد، اما در بازه‌های مختلف از نظر فاصلۀ بین نانوماشین‌ها با افزایش فاصله تعداد اتصالات انجام شده به دلیل کاهش میدان اثر ماده جاذب شیمیایی که به منظور جهت‌گیری حرکت باکتری مورد نیاز است،کاهش می‌یاید. نتایج شبیه‌سازی برای میانگین تأخیر پیام‌های رسیده نشان می دهد که برای هر سه توپولوژی با افزایش تعداد باکتری‌ها، میانگین تأخیر کاهش می‌یابد و با افزایش فاصله‌ بین نانوماشین‌ها میانگین تأخیر نیز افزایش می‌یابد. به طور کلی با بررسی موارد مطرح شده در شبکه‌های نانویی ارتباطی باکتری می‌توان چگونگی انتقال مفاهیم شبکه‌های ارتباطی را به شبکه‌های نانویی ارتباطی باکتری که در کاربردهای وسیع سودمندند، نشان داد. تفاصيل المقالة

With the appearance of deep neural networks, and at the head of it, convolutional neural networks, a great revolution in machine vision was created. Also, the growth of video data and the need for automated processing of this data type have made deep neural network usage increasingly important. There are several methods to recognize the type of movement in the videos. One of the methods is using LSTM and a convolutional neural network in order to extract the time dependencies from video images more accurately. In this study, we present an extended version of the LSTM that can learn longer temporal dependencies. Besides the convolutional neural network, our extended version of the LSTM forms a strong structure to recognize human activity. The results of this study on data set UCF 101 and HMDB51 show that the presented architecture, with a performance accuracy of 96.28 on data set UCF101 and 78.02 on data set HMDB51, performs better than the most similar methods. تفاصيل المقالة