طبقه‌بندی سرطان، به عنوان مسئله‌ای مهم در تشخیص و درمان سرطان به شمار می‌رود. یکی از موثرترین روش‌ها در طبقه‌بندی سرطان، شناسایی ژن‌هایی مرتبط و تبعیض‌آمیز برای طبقه‌بندی نمونه‌ها در آنالیز بیانی ژن می‌باشد. در روش پیشنهادی در این مقاله، با خوشه‌بندی ویژگی‌ها و اعمال انتخاب ویژگی درون خوشه‌ها، انتظار می‌رود که متمایز کننده‌ترین و مهم‌ترین ویژگی‌ها استخراج شوند. در روش پیشنهادی، به منظور کاهش ابعاد مجموعه داده، تکنیک انتخاب ویژگی مبتنی بر اهمیت ویژگی‌ها به کار گرفته می‌شود، ویژگی‌های رتبه بالا استخراج شده و جهت خوشه‌بندی به ماشین بردار پشتیبان دوقلو برای خوشه‌بندی ارائه می‌شوند. پس از خوشه‌بندی، با به کار گرفتن تکنیک انتخاب ویژگی مبتنی بر همبستگی، قابل اعتمادترین ویژگی‌ها انتخاب شده و توسط طبقه‌بند پرسپترون چندلایه، طبقه‌بندی می‌شوند. جهت ارزیابی روش پیشنهادی، از چهار مجموعه داده‌ی SRBCT، Leukemia، DLBCL و Prostate استفاده شده است. نتایج آزمایشات بیانگر بهبود عملکرد دقت طبقه‌بندی می‌باشد. Manuscript profile

شبکه بیزین یکی از توانمندترین روش‌ها در تخمین داده‌های مفقود است. از طرفی ماشین یادگیری مفرط به‌طور تحلیلی وزن‌های خروجی‌های بهینه را محاسبه می‌کند و این امیدواری وجود دارد که در مورد داده‌های مفقود، به‌عنوان یک مدل خوب عمل کند. مهمترین چالش بسیاری از روش‌های تخمین مقادیر مفقود این است که ماهیت این روش‌ها عمدتا برای داده‌ها با مقادیر پیوسته یا داده ها با مقادیر گسسته مناسب است. شبکه بیزین و ماشین یادگیری مفرط نیز از این قاعده مستثنا نیستند و به ترتیب برای پر کردن مقادیر مفقود گسسته و مقادیر مفقود پیوسته مناسب‌ترند. لذا در این پژوهش از ترکیب این دو مدل جهت تخمین داده‌های مفقود مخلوط در مجموعه داده هپاتیت استفاده شده و در نهایت دسته بندی بر اساس شبکه بیزین جهت تخمین کلاس خروجی انجام شده است. روش پیشنهادی بر اساس معیارهای دقت، فراخوانی، صحت و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج نشان داد، جبران داده‌های مفقود با ترکیب BN-ELM و طبقه‌بندی بر اساس شبکه بیزین صحت بالایی کسب کرده است. همچنین روش پیشنهادی با سایر روش‌های تخمین داده، بر اساس طبقه بندهای BN، ELM و KNN مورد مقایسه قرار گرفت و نتایج برتری روش پیشنهادی را نشان می دهد. Manuscript profile

موضوع امنیت داده‌ها واطلاعات در اینترنت و شبکه‌های اجتماعی در سال‌های اخیر جدی‌تر و فراگیرتر شده است. رمزنگاری برای حل مشکلات امنیتی استفاده می‌شود. با این حال، صرف رمزگذاری پیام نمی‌توانداهداف موردنظر را برآورده کند. زیرا کنترل دسترسی بر پیام‌های رمزگذاری شده دربرخی ازبرنامه‌ها مورد نیاز است. برای دستیابی به این الزامات، از رمزگذاری مبتنی بر ویژگی(ABE) استفاده می‌شود. این نوع رمزگذاری هم امنیت و هم ساختار دسترسی را برای کاربران شبکه به طور همزمان فراهم می‌کند. رمزگذاری مبتنی بر شناسه فازی را می‌توان حالت خاص ازABEدر نظر گرفت که ساختار دسترسی آستانه را برای کاربران فراهم می‌کند. این مقدار آستانه توسط مرجع برای کاربران در مرحله تولید کلید تعیین می‌شود که همیشه ثابت است. این بدین معنی است که کاربری که برای دریافت کلید به مرجع مراجعه می‌کند، کلیدی را دریافت کرده که وابسته به این مقدار آستانه است. بنابراین، فرستنده (رمزگذار) که پیامی را برای این کاربر ارسال می‌کند، نقشی در تعیین مقدار آستانه ایفا نخواهد کرد. این مشکل شده در طرح‌های رمزگذاری مبتنی بر ویژگی با سیاست‌گذاری روی کلید(KP-ABE)نیز وجود دارد. در این مقاله،روشی ارائه می‌دهیم که بتوان یک طرحFIBEرابه نوعی تغییر دادکه برای تعیین مقدارآستانه علاوه برمرجع،فرستنده نیزایفای نقش کرده وبار محاسباتی ومخابراتی طرح راافزایش ندهد. Manuscript profile

رتینوپاتی دیابتی، عارضهای ناشی از دیابت است که بدلیل تغییرات ایجاد شده در رگهای خونی رخ میدهد. هدف اصلی این مقاله،ارتقاء دقت تشخیص رتینوپاتی دیابتی در تصاویر شبکیه نسبت به روشهای معمول مبتنی بر استخراج بردار ویژگی میباشد. در اینروش ابتدا بر اساس دادههای آموزشی لایه به لایه شبکه عصبی آموزش دیده و در نهایت شبکه عصبی کانولوشن با کمک چهار لایهکانولوشن، چهار لایه ادغام و دو لایه تماماً متصل آموزش دیده و ساخته میشوند. شبکه عصبی کانولوشن ویژگیهای موجود در تصویرشبکیه را آموخته و ویژگیهای مناسب را برای دستهبندی تصاویر استخراج میکند. در این مقاله توانستیم در آزمایشهای خود به بهبودبرای آزمودن روش ،Stare قابل قبولی نسبت به کارهای انجام شدهی قبلی برسیم که با توجه به بررسی 397 نمونه از پایگاه دادهپیشنهادی و بدست آوردن نرخ حساسیت 90 % و صحت 96 % موفقیت روش بر روی این پایگاه داده کاملاً مشهود هست. Manuscript profile