در تمام سیستمهای پردازش اطلاعات، شناسایی حملات سایبری یک چالش اصلی محسوب می شود و با شناسایی به موقع حملات میتوان اثرات آن را مسدود یا کم کرد. سیستم اینترنت اشیا نیز از این پدیده مستثنی نبوده و با پیشرفت رو به رشد این فناوری و گسترش زیرساخت های آن، نیاز به سیستم تشخ چکیده کامل
در تمام سیستمهای پردازش اطلاعات، شناسایی حملات سایبری یک چالش اصلی محسوب می شود و با شناسایی به موقع حملات میتوان اثرات آن را مسدود یا کم کرد. سیستم اینترنت اشیا نیز از این پدیده مستثنی نبوده و با پیشرفت رو به رشد این فناوری و گسترش زیرساخت های آن، نیاز به سیستم تشخیص نفوذ هوشمند با دقت و سرعت بالا یک امر ضروری است. شبکههای عصبی سیستمهای مدرنی هستند که از روشهای محاسباتی نوین برای یادگیری ماشین، نمایش دانش و در نهایت استفاده از دانش کسبشده برای به حداکثر رساندن پاسخهای خروجی سیستمهای پیچیده استفاده می کنند. یکی از معایب استفاده از آموزش با روش های کلاسیک در شبکه های عصبی، گیرافتادن در نقاط بهینه محلی است. در این مقاله از الگوریتم فراابتکاری رقابت امپریال (ICA) برای آموزش شبکه های عصبی استفاده کرده، نشان دادیم که این الگوریتم در زمینه تشخیص نفوذ در سیستم اینترنت اشیا، می تواند عملکرد بسیار بهتری از منظر سرعت و دقت نسبت به روش های آموزشی کلاسیک داشته باشد .نتایج نشان می دهد روش پیشنهادی دارای دقت 90% می باشد که در مقایسه با روش شبکه عصبی کلاسیک که دارای دقت 75 درصد بوده عملکرد بهتری دارد.
پرونده مقاله
در سال های اخیر، نظریه تحدب توسعه سریعی را تجربه کرده است. بسیاری از محققان آن را گسترش دادهاند. تعمیم قابل توجه تابع محدب، تابع اینوکس است که توسط هانسون معرفی و مطالعه شده است. این کار نقش اینوکسی را در بهینه سازی بسیار گسترش داده است. بن و موند دستهای از ت چکیده کامل
در سال های اخیر، نظریه تحدب توسعه سریعی را تجربه کرده است. بسیاری از محققان آن را گسترش دادهاند. تعمیم قابل توجه تابع محدب، تابع اینوکس است که توسط هانسون معرفی و مطالعه شده است. این کار نقش اینوکسی را در بهینه سازی بسیار گسترش داده است. بن و موند دستهای از توابع را معرفی کردند که به عنوان تعمیم توابع پیش اینوکس نامیده میشود. در خصوص نامساوی های تغییراتی و مشکلات مرتبط در سال های اخیر، پیته و پوستلوچه مفهوم شبه پیش اینوکسی را معرفی کردند. و آن را در مکانیک نظری و بهینه سازی غیرخطی به کار بردند. بعدها پیته و آنتچاک این مفهوم اینوکسی را معرفی، و آن را در بهینه سازی برداری اعمال کردند. این نشان میدهد که پیش اینوکسی نقش مهمی در توسعه رشتههای مختلف علوم محض و کاربردی دارد. در این مقاله ابتدا مفهوم -پیش اینوکس معرفی و سپس قضیه هرمیت - هادامارد را برای آن بیان و ثابت میکنیم و بیان خواهیم کرد که نامساوی های قبلی به د ست آمده نتیجه مستقیمی از قضیه اصلی ما میباشند.
پرونده مقاله
یک شبکه اجتماعی، ساختاری متشکل از افراد یا سازمانها است. تحلیل شبکههای اجتماعی، مبتنی بر رویکردی است که در آن شبکه را به صورت مجموعهای از گرهها و روابط میان آنها درنظر میگیرد. گرهها شامل اشخاص و موجودیتهای درون شبکه هستند که با یکدیگر در تعامل ند و در واقع بازی چکیده کامل
یک شبکه اجتماعی، ساختاری متشکل از افراد یا سازمانها است. تحلیل شبکههای اجتماعی، مبتنی بر رویکردی است که در آن شبکه را به صورت مجموعهای از گرهها و روابط میان آنها درنظر میگیرد. گرهها شامل اشخاص و موجودیتهای درون شبکه هستند که با یکدیگر در تعامل ند و در واقع بازیگران درون شبکه محسوب میشوند که روابط میان آنها به صورت اتصالاتی بین گرهها نمایش داده میشود. باتوجه به تعداد رو به رشد کاربران شبکههای اجتماعی، تحلیل روابط حاکم بر آن، پیشبینی پیوندها و تعاملهای ناشی از ارتباط میان گرهها (پیشبینی لینک یا پیوند، یعنی پیشبینی تعامل جدیدی که قرار است در آینده رخ دهد) از چالشهای جدی در شبکههای اجتماعی می باشد. ما در این مقاله یک معیار شباهت جدید برای پیشبینی لینک در شبکههای اجتماعی را پیشنهاد میدهیم. این معیار را با چهار روش پیشبینی لینک Jaccard، Salton Index، Salton Cosine و Resource Allocation مقایسه میکنیم. ما شبیهسازی معیار پیشنهادی خود را بر روی پنج مجموعه داده در شبکههای اجتماعی، انجام میدهیم. نتایج شبیهسازی نشان میدهد که معیار پیشنهادی ما عملکرد بهتری نسبت به سایر روشهای پیشبینی پیوند در شبکههای اجتماعی برروی همه دیتاستها را دارد. تجزیه و تحلیل شبکه های اجتماعی به دلیل کاربرد گسترده آن در ثبت تعاملات اجتماعی اخیراً توجه بسیاری را در بین محققان به خود جلب کرده است. پیشبینی پیوند، مربوط به احتمال وجود پیوند بین دو گره شبکه که متصل نیستند، یک مشکل کلیدی در تحلیل شبکههای اجتماعی است. روش های زیادی برای حل مشکل پیشنهاد شده است. در میان این روشها، روشهای مبتنی بر شباهت با درنظرگرفتن ساختار شبکه و استفاده به عنوان معیاری اساسی از تعداد همسایههای مشترک بین دو گره برای ایجاد شباهت ساختاری، کارایی خوبی از خود نشان میدهند.
پرونده مقاله
تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه چکیده کامل
تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه های بدون نظارت مورد بررسی قرارمیگیرد. یکی از چالشها در تطبیق دامنه که به آن کمتر توجه شده است، عدم توجه به زیرفضا دامنه (فشردگی درون کلاسی) و همچنین تاثیر مخرب دادههای نویزی و خارج از محدوه است، که موجب انتقال منفی و در نهایت موجب کاهش دقت طبقهبندی میشود. در این مقاله با استفاده از شبکه تخاصمی مولد جهت استخراج ویژگیها با درنظرگرفتن فشردگی درون-کلاسی دامنهها بر مبنای تخمین اولیه برچسبها با کمک الگوریتم خوشهبندی فازی c-means در گام اول و در گام دوم با کمک شبکههای عصبی پیچشی و متریک WMMD جهت طبقهبندی تصاویر با خطای کمتر ارائه شده است. ارزیابی و نتایج به دست آمده در 5 مجموعه داده محک استاندارد و مقایسه آن با روشهای پیشین نشان دهنده عملکرد بهتر نسبت به رهیافتهای مشابه میباشد.
پرونده مقاله
این مقاله به مسئله تولید داده آزمون جهت پوشش مسیرهای آزمون پوشش دهنده مسیرهای اولیه میپردازد. روش ارائه شده جهت حل معادله مسیر ترکیبی از روش مبتنی بر جستجو و مبتنی بر قید میباشد. در بخش مبتنی بر قید از حل کننده ای بنام choco جهت حل قیدهای مبتنی بر تساوی استفاده شده چکیده کامل
این مقاله به مسئله تولید داده آزمون جهت پوشش مسیرهای آزمون پوشش دهنده مسیرهای اولیه میپردازد. روش ارائه شده جهت حل معادله مسیر ترکیبی از روش مبتنی بر جستجو و مبتنی بر قید میباشد. در بخش مبتنی بر قید از حل کننده ای بنام choco جهت حل قیدهای مبتنی بر تساوی استفاده شده است. در بخش مبتنی بر جستجو یک روش فرا ابتکاری مبتنی بر الگوریتم بهینه سازی گرگ خاکستری[1] استفاده شده است. این روش صرفا با مقداردهی دو پارامتر، عمل جستجوی مقادیر را آغاز میکند. این روش قابلیت ارتقا به فضای چند بعدی بدون نیاز به پارامترهای اضافی را دارد. استفاده از برنامه نویسی مقید با استفاده از حل کننده میتواند یکی از نقاط ضعف اساسی روشهای مبتنی بر جستجو که حل شرطهای تساوی میباشد را برطرف کند. نقطه قوت دیگر الگوریتم جستجو به روش گرگ خاکستری، استفاده از عاملهای جستجوی مختلف و راهحلهای چندگانه میباشد که از به دام افتادن فرآیند جستجو در بهینههای محلی جلوگیری میکند. نتایج اجرای روش پیشنهادی بر روی دسته ای محدود از برنامههای محک حاکی از بهبود سرعت و همچنین درصد موفقیت بالا در تولید داده آزمون نسبت به دیگر الگوریتمهای جستجوی فرا ابتکاری مانند الگوریتم ژنتیک، میباشد.
پرونده مقاله
رشد فراوان نظرات دیجیتال کاربران در مورد خدمات و محصولات منجر به توسعه روشهای عقیدهکاوی شده است. مدلهای یادگیری ماشین نظارتی در این زمینه به نتایج خوبی دست یافتهاند. هرچند، این روشها نیاز به تعداد کافی دادههای آموزشی برچسب دار دارند که آماده سازی آن ها نیازمند چکیده کامل
رشد فراوان نظرات دیجیتال کاربران در مورد خدمات و محصولات منجر به توسعه روشهای عقیدهکاوی شده است. مدلهای یادگیری ماشین نظارتی در این زمینه به نتایج خوبی دست یافتهاند. هرچند، این روشها نیاز به تعداد کافی دادههای آموزشی برچسب دار دارند که آماده سازی آن ها نیازمند صرف هزینه و زمان زیاد است. در این مقاله یک رویکرد نیمهنظارتی جهت تحلیل نظرات فارسی کاربران پیشنهادشده که از دادههای بدون برچسب فراوان همراه با تعداد کمی دادۀ برچسبدار در مرحله آموزش بهره می گیرد. با توجه به عملکرد مناسب روش ماشین بردار پشتیبان نظارتی جهت عقیدهکاوی، به کارگیری روش نیمهنظارتی ماشین بردار پشتیبان پیشنهاد شده است. این روش در مقایسه با روشهای موجود با چالش تقویت خطا مواجه نبوده و قادر به تخمین قطبیت نظراتی که در مرحله آموزش دیده نشدهاند، نیز است. روش پیشنهادی روی مجموعه داده نظرات دیجیکالا مورد ارزیابی قرارگرفته و با الگوریتم ماشین بردار پشتیبان بر اساس ملاکهای دقت، صحت، بازخوانی و F1 مقایسه شده است. نتایج به دست آمده حاکی از عملکرد بهتر روش نیمهنظارتی در مقایسه با روش نظارتی و نیز روش نیمه نظارتی خودآموزی است.
پرونده مقاله