دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 Concentration Estimation of Air Pollutants (PM2.5 and PM10) Using MODIS Satellite Data, Deep Neural Network and Random Forest تخمین غلظت آلاینده‌های PM2.5 و PM10 هوا با استفاده از داده‌های ماهواره‌ای سنجنده مودیس، شبکه عصبی عمیق و جنگل تصادفی 2 17 113626 10.22052/scj.2023.248326.1097 FA مریم ایمانی دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران Journal Article 2022 09 18 While many studies estimate air pollutants such as particulate matter (PM), PM2.5 and PM10, have used aerosol optical depth (AOD) products from satellite sensors, utilizing these products for mapping pollution in smaller cities like Tehran is not effective due to their coarse resolution. To address this problem, this study directly uses the Level 1 products of MODIS (instead of aerosol and AOD products). The proposed method employs a deep neural network and a random forest model to estimate the PM values using data from the first two bands of MODIS. The results show the superior performance of the proposed models compared to some state-of-the-art PM estimation methods in recent years. The outcome of this research is the development of a PM map generation software for Tehran (mapping PM2.5 and PM10 concentrations) using freely available MODIS images. در حالی که بسیاری از مطالعات پیرامون تخمین غلظت آلاینده‌های هوا از جمله ذرات معلق PM2.5 و PM10 از محصولات عمق نوری هواویزهای (AOD) سنجنده‌های ماهواره‌ای استفاده می‌کنند، استفاده از این محصولات به دلیل قدرت تفکیک مکانی پایین برای تهیه نقشه آلودگی شهرهای با وسعت مکانی کم از جمله شهر تهران کارا نیست. جهت حل این موضوع، در این مطالعه به‌طور مستقیم از خود محصولات سطح 1 سنجنده مودیس (و نه محصولات هواویز و آئروسل) آن استفاده شده است. روش پیشنهادی از یک شبکه عصبی عمیق و یک مدل جنگل تصادفی برای تخمین مقادیر غلظت آلاینده‌ها با استفاده از اطلاعات دو باند اول و دوم ماهواره ترا از سنجنده مودیس بهره می‌برد. نتایج ارزیابی حاکی از کارایی قابل قبول روش پیشنهادی در مقایسه با سایر روش‌‌های کارای معرفی شده در سال‌های اخیر است. نتایج این تحقیق منجر به تولید نرم‌افزاری برای تهیه نقشه آلودگی شهر تهران (نقشه غلظت PM2.5 و PM10) با استفاده از تصاویر رایگان سنجنده مودیس شده است.

https://scj.kashanu.ac.ir/article_113626_f27a2cb45c6e41a553049858a4624990.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 Presenting a solution to improve case-based reasoning in software cost estimation using tabu search ارائه راهکاری جهت بهبود استدلال مبتنی بر قالب در برآورد هزینه نرم‌افزار با استفاده از جستجوی ممنوعه 18 37 113627 10.22052/scj.2023.246672.1085 FA کوشیار اسماعیلی راد گروه کامپیوتر، واحد بوئین زهرا، دانشگاه آزاد اسلامی، بوئین زهرا، ایران مهدی ملامطلبی گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران Journal Article 2022 07 26 Providing an accurate estimate of the required cost of software development is necessary for the effective management and success of software projects. In the early stages of software development, detailed information about the project is unavailable, making it challenging to provide an accurate cost estimate. With the aim of increasing the accuracy of software development cost estimation, this research has presented a method based on case-based reasoning and Tabu search, which by removing unnecessary features, provides an estimate with the minimum required features for software projects. The initial solution selection mechanism, objective function evaluation index, and missing data removal are the variable parameters of the current research, whose effectiveness has been investigated in the form of 8 different scenarios. The predictive power of the presented method has been measured by the comprehensive and non-comprehensive cross-validation method in the Albrecht, China, Desharnais, Kemmerer, Kitchenham, Maxwell and Miyazaki datasets and evaluated using the two methods of Wu and Liu. The results have shown the superiority of the presented method over Wu and Liu's methods based on the evaluation indicators of the prediction level, median relative error, mean relative error, and mean absolute error. In addition, the effectiveness of the presented method is independent of the methodology and environment used for software development, which by focusing on the general knowledge part of case-based reasoning, has caused the stability of the accuracy of the estimates presented in the research data set. ارائه برآوردی دقیق از هزینه مورد نیاز توسعه نرم‌افزار جهت مدیریت مؤثر و موفق پروژه‌های نرم‌افزاری، یک ضرورت محسوب می‌گردد. در مراحل آغازین توسعه نرم‌افزار، اطلاعات دقیقی از پروژه در دسترس نیست و همین امر، ارائه برآورد دقیق هزینه توسعه نرم‌افزار را چالش برانگیز می‌کند. این تحقیق با هدف افزایش دقت برآورد هزینه مورد نیاز توسعه نرم‌افزار، روشی بر پایه استدلال مبتنی بر قالب و جستجوی ممنوعه ارائه کرده که با حذف ویژگی‌های غیرضروری، برآورد با حداقل ویژگی‌های مورد نیاز را برای پروژه‌های نرم‌افزاری، ممکن نموده است. مکانیزم انتخاب راه‌حل اولیه، شاخص ارزیابی تابع هدف و حذف داده‌های گمشده، پارامترهای متغیر تحقیق حاضر هستند که اثرگذاری آنها در قالب 8 سناریوی مختلف، مورد بررسی قرار گرفته است. قدرت پیش‌بینی روش ارائه شده نسبت به روش اعتبارسنجی متقابل جامع و غیرجامع در مجموعه داده‌های آلبرخت، چاینا، دِشارنایز، کِمِرِر، کیچنهام، مَکسول و میازاکی، اندازه‌گیری شده و با استفاده از دو روش اخیر، مورد ارزیابی قرار گرفته است. نتایج، برتری روش پیشنهادی را نسبت به روش‌های مشابه، بر اساس شاخص‌های ارزیابی سطح پیش‌بینی، میانه خطای نسبی، میانگین خطای نسبی و میانگین خطای مطلق، نشان داده است. علاوه بر این، کارایی روش پیشنهادی، از متدلوژی و محیط استفاده شده جهت توسعه نرم‌افزار، مستقل است و با تمرکز بر بخش دانش عمومی استدلال مبتنی بر قالب، پایداری دقت برآوردهای ارائه شده‌ در مجموعه داده‌های تحقیق را فراهم آورده است.

https://scj.kashanu.ac.ir/article_113627_386abd36524ef1910100279d35a96fd5.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 Real-time Authentication for Electronic Service Applicants using a Method Based on Two-Stream 3D Deep Learning احراز بی‌درنگ هویت متقاضیان خدمات الکترونیک با استفاده از روش مبتنی بر یادگیری عمیق سه بُعدی با دو مسیر 38 49 113690 10.22052/scj.2023.246701.1086 FA ویدا اسماعیلی دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران محمود محصل فقهی دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران Journal Article 2022 08 02 Authentication in cyberspace aims to maintain security, and if it is done with high accuracy, it can be considered for the continuity of service delivery under different conditions. The present research aims to propose a fully applicable method for authentication of the applicants for electronic services in real time. In order to prevent the possible tricks of the users, in the proposed method, the identification of facial muscle movements and iris biometric measurement have been used. The iris creates more reliability and cannot be stolen or faked; because it must be available live. A method based on two-stream 3D deep learning is proposed for authentication and simultaneously identifying facial muscle movements and distinguishing a living person from an image. According to the evaluations, it was found that the proposed method provides significant assurance for public use and is applicable in real and practical conditions. Using the proposed method, the accuracy is 99.99%, and the average precision of authentication and identifying people in both CASME and CASME2 databases is more than 99.5%. احراز هویت در فضای مجازی، حفظ امنیت را به دنبال دارد و اگر با دقت بسیار بالا انجام شود، می‌تواند برای تداوم خدمت‌رسانی در شرایط مختلف مورد توجه قرار گیرد. پژوهش حاضر با هدف پیشنهاد یک روشی کاربردی برای احراز هویت متقاضیان خدمات الکترونیک به صورت بی‌درنگ ارائه شده است. برای جلوگیری از حقه‌های احتمالی کاربران، در روش پیشنهادی از شناسایی حرکات ماهیچه‌های صورت و سنجه بیومتریکی عنبیه استفاده شده است. عنبیه قابلیت اطمینان بیشتری را ایجاد می‌کند و قابل سرقت و جعل نیست؛ زیرا باید به صورت زنده در اختیار باشد. برای احراز هویت و به طور همزمان، شناسایی حرکات ماهیچه‌های صورت و تمییز فرد زنده از تصویر، یک روش مبتنی بر یادگیری عمیق سه بُعدی با دو مسیر پیشنهاد شده است. با توجه به ارزیابی‌ها مشخص شد که روش پیشنهادی اطمینان قابل توجهی را برای استفاده عموم فراهم می‌آورد و قابل اجرا در شرایط واقعی و عملی می‌باشد. با استفاده از روش پیشنهادی، دقت 99.99 درصد و میانگین صحت احراز هویت و شناسایی افراد در هر دو پایگاه داده CASME و CASME2 بیش از 99.50 درصد است.

https://scj.kashanu.ac.ir/article_113690_b448f5bc29a1adc8a0c395ac631022cc.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 Personality in social networks using thematic modelling of user feedback شخصیت‌شناسی در شبکه‌های اجتماعی با استفاده از مدل‌سازی موضوعی نظرات کاربران 50 61 113691 10.22052/scj.2023.243197.1006 FA آرش خسروی گروه مهندسی کامپیوتر، دانشکده مهندسی، مرکز آموزش عالی محلات، محلات، ایران حمیدرضا عبدالحسینی گروه مهندسی کامپیوتر، دانشگاه شهاب دانش، قم، ایران Journal Article 2021 10 16 A person's personality is a set of characteristics and reactions that cause a person to behave in different situations. Usually, these behaviors are repeated in similar situations. Having information about a person's personality allows us to predict a person's reaction in similar situations. On the other hand, considering that people in virtual social networks do not feel direct control over their opinions, using these networks to collect information and analyze people's personalities is very significant and logical. In this article, by receiving information from users 'social networks and comparing it with a questionnaire filled in by individuals, we test the correctness of answering the questionnaire questions and analyze users' personalities in a more accurate way. By analyzing users' opinions through intelligent text mining techniques and machine learning, we aim to predict the personality of users. Finally, in all four methods of the SVM algorithm as well as the deep neural network method, the criteria of accuracy, accuracy, and readability were relatively high (between 0.75 and 0.99), indicating the high correspondence of the opinions collected through the questionnaire with the posts. Published in cyberspace are the same people. شخصیت فرد مجموعه‌ای از خصوصیات و واکنش‌های فرد است که موجب ایجاد رفتار فرد در موقعیت‌های گوناگون می‌شود. به طور معمول این رفتارها در موقعیت‌های مشابه تکرار می‌شوند. داشتن اطلاعات در مورد شخصیت فرد، این امکان را به ما می‌دهد که واکنش فرد را در موقعیت‌های مشابه پیش‌بینی کنیم. از طرفی با توجه به اینکه افراد در شبکه‌های اجتماعی مجازی نظارت مستقیمی بر نظرات خود احساس نمی‌کنند، استفاده از این شبکه‌ها جهت جمع‌آوری اطلاعات و تحلیل شخصیت افراد بسیار قابل توجه و منطقی است. در این مقاله، با دریافت نظرات کاربران از شبکه‌های اجتماعی و مقایسه آن با پرسشنامه پر شده توسط افراد، میزان درستی پاسخ‌گویی به سوال‌های پرسشنامه را محک می‌زنیم و به گونه‌ای دقیق‌تر به تحلیل شخصیت کاربران می‌پردازیم. با پردازش نظرات کاربران توسط روش‌های هوشمند متن‌کاوی و استفاده از یادگیری ماشین تلاش شده است که شخصیت کاربران پیش‌بینی شود. در نهایت، در هر چهار روش از روش‌های الگوریتم SVM و همچنین روش شبکه عصبی عمیق، معیارهای درستی، دقت و بازخوانی به نسبت بسیار خوبی بالا بودند (بین 0.75 تا 0.99) و این حاکی از مطابقت بالای نظرات جمع‌آوری شده از طریق پرسشنامه با پست‌های منتشرشده در فضای مجازی همان اشخاص می‌باشد.

https://scj.kashanu.ac.ir/article_113691_a57c536e0c7fb0a40fa3ea81360195a7.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 Nephron-2 Meta-Heuristic Algorithm (NOA-2), to Solve Optimization Problems الگوریتم فراابتکاری نفرون-2 (NOA-2)، جهت حل مسائل بهینه‌سازی 62 71 113715 10.22052/scj.2023.248427.1104 FA رضا بهمنش گروه مهندسی صنایع، موسسه آموزش عالی نقش جهان، اصفهان، ایران نگار مجمع گروه مهندسی کامپیوتر، موسسه آموزش عالی نقش جهان، اصفهان، ایران Journal Article 2022 10 11 Nowadays, meta-heuristic optimization algorithms have become very popular in solving optimization problems. By using this group of algorithms, many engineering problems can be solved easily and away from complexity. The Nephron-2 Optimization Algorithm (NOA-2) is one of these algorithms that is the extension of the first version of Nephron Algorithm Optimization. This algorithm is inspired by the functioning of the nephron in the human kidney. The structure of the NOA-2 algorithm proposed in this article according to the behavior of the nephron consists of 4 parts: Separation, absorption, transpiration, and excretion. In order to evaluate the performance, the results of the NAO-2 algorithm and five other famous optimization algorithms on seven optimization problems have been investigated. In this evaluation, two measures of solution quality (objective function) and computational solution time are considered for evaluation and comparison. The results show that the NAO-2 algorithm found the best objective function in a certain time compared to other algorithms and also obtained the optimal solution of the seven studied problems in less time than other algorithms امروزه الگوریتم‌های بهینه‌سازی فراابتکاری در حل مساله‌های بهینه‌سازی محبوبیت فراوانی پیدا کرده‌اند. با استفاده از این دسته الگوریتم‌های می‌توان به راحتی و به دور از پیچیدگی بسیاری از مساله‌های حوزه مهندسی را حل نمود. الگوریتم بهینه‌سازی نفرون-2 (NOA-2) نیز از این دسته الگوریتم‌ها است که توسعه اولین نسخه الگوریتم نفرون است. این الگوریتم الهامی از عملکرد نفرون در کلیه انسان است. ساختار الگوریتم NOA-2 که در این مقاله پیشنهاد شده، طبق رفتار نفرون مشتمل بر 4 بخش: جداسازی، جذب، تراوش و دفع است. برای ارزیابی عملکرد، به بررسی نتیجه اجرای الگوریتم NOA-2 و پنج الگوریتم بهینه‌سازی معروف دیگر بر روی هفت مساله بهینه‌سازی پرداخته شده است. در این ارزیابی، دو معیار کیفیت جواب (تابع هدف) و زمان حل محاسباتی برای ارزیابی و مقایسه در نظر گرفته شده‌اند. نتایج نشان می‌دهد که الگوریتم NOA-2 نسبت به سایر الگوریتم‌ها بهترین تابع هدف را در زمان معینی یافته و همچنین در زمان کمتری نسبت به سایر الگوریتم‌ها جواب بهینه هفت مساله مورد مطالعه را به دست آورده است.

https://scj.kashanu.ac.ir/article_113715_659347c797754d4bf80ab8969f6c1813.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 Dynamic Service Provisioning in Fog Environment based on Learning Automata and Multi-objective Genetic Algorithm تامین پویای سرویس در محیط مه مبتنی بر اتوماتای یادگیر و الگوریتم ژنتیک چندهدفه 72 87 113719 10.22052/scj.2023.248643.1115 FA سید مهدی جامعی گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 2022 12 04 Nowadays, the number of applications that require a short response time is increasing, and utilizing fog environment has recently received a lot of attention. Due to the dynamics of the resource usage pattern in most Internet of Things applications, a fixed location cannot be considered for the placement and execution of services in the fog environment, and therefore the services must be dynamically placed in the fog environment. The problem of placing required Internet of Things services in cloud devices with limited resources is known as an NP-hard problem. In this article, a dynamic method based on multi-objective genetic algorithm with non-dominated ranking is presented to solve this problem. In the proposed method, learning automata are used to improve genetic behavior and dynamically adjust mutation and crossover rates. The proposed method is simulated using iFogsim and the simulation results show that the proposed method has a better efficiency than the compared algorithms by simultaneously considering the three criteria of service delay, cost and energy consumption. In terms of cost, compared to the two CSA and LRFC methods, it has decreased by 11% and 21%, respectively. Also, in terms of the average service delay, compared to the CSA and HAFA methods, the proposed method has decreased by 7% and 15 %, respectively. In terms of energy consumption, the proposed method shows an improvement of at least 8% compared to other methods. امروزه تعداد برنامه‌های کاربردی که نیاز به زمان پاسخ‌دهی کمی دارند، روز به روز در حال افزایش است و بکارگیری محیط مه اخیرا مورد توجه زیادی قرار گرفته است. با توجه به پویایی استفاده از منابع در اکثر برنامه‌های اینترنت اشیا، نمی‌توان مکان ثابتی برای قرارگیری و اجرای سرویس‌ها در محیط مه در نظر گرفت و بنابراین باید سرویس‌ها در محیط مه به صورت پویا قرار داده شوند. مساله قرار دادن سرویس‌های مورد نیاز اینترنت اشیا در دستگاه‌های مه با محدودیت منابع، به عنوان یک مساله NP-hard شناخته می‌شود. در این مقاله، روشی پویا مبتنی بر الگوریتم ژنتیک چندهدفه با رتبه‌بندی نامغلوب جهت حل این مساله ارائه می‌گردد. در روش پیشنهادی، از اتوماتای یادگیر، جهت بهبود رفتار ژنتیکی و تنظیم پویای نرخ جهش و تقاطع استفاده می‌شود. روش پیشنهادی با استفاده از نرم‌افزار iFogsim شبیه‌سازی شده و نتایج شبیه‌سازی نشان می‌دهد روش پیشنهادی با در نظر گرفتن همزمان سه معیار تاخیر سرویس، هزینه و انرژی مصرفی، کارایی بهتری را نسبت به الگوریتم‌های مورد مقایسه دارد. از نظر هزینه، در مقایسه با دو روش CSA و LRFC به‌ترتیب 11 و 21 درصد کاهش داشته است. همچنین روش پیشنهادی از نظر میانگین تاخیر سرویس‌دهی نسبت به دو روش CSA و HAFA به‌ترتیب 7 و 15 درصد کاهش داشته است. از نظر انرژی مصرفی نیز روش پیشنهادی نسبت به روش‌های دیگر بهبود حداقل 8 درصدی را نشان می‌دهد.

https://scj.kashanu.ac.ir/article_113719_d61d8fe5000e2faa68d66c75f4bf4dae.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 A simulation model for the propagation of Covid-19 virus based on the discrete-time Markov chain ارائه مدلی برای شبیه‌سازی انتشار ویروس کووید-19 بر اساس زنجیره مارکوف گسسته زمان 88 103 113722 10.22052/scj.2023.246527.1076 FA امیرحسین یداللهی گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران حسین صباغیان بیدگلی گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران Journal Article 2022 06 27 The prevalence of infectious diseases in the community depends on various factors, including the severity of the disease, compliance with health and communication protocols, vaccination rate, impact factor and duration of its effectiveness on immunization, and effectiveness of treatment protocols and average duration of treatment. Having a model based on which the behavior of the disease can be predicted according to various parameters, can help community leaders to deal with these types of diseases. In the studies conducted so far in this field, the impact of some factors such as compliance with health guidelines, the latent period of the disease and immunity after the disease at the same time as the main factors such as the prevalence rate and vaccination rate have not been fully considered. In this paper, a new and comprehensive model based on Markov theory is presented for predicting the behavior of the Covid-19 disease. This model can imitate the behavior of the disease in different conditions by receiving the given parameters. Numerous simulations with different values of input parameters and their similarity to the actual behavior of Covid-19 disease show the accuracy of the model. شیوع بیماری‌های واگیردار در جامعه به عوامل مختلفی بستگی دارد که از آن جمله می‌توان به شدت واگیری بیماری، میزان رعایت پروتکل‌های بهداشتی و ارتباطی، سرعت واکسیناسیون، ضریب تاثیر و مدت اثربخشی آن بر ایمن‌سازی، میزان تاثیر پروتکل‌های درمانی و میانگین مدت درمان اشاره نمود. وجود مدلی که بتوان به وسیله آن رفتار بیماری را برحسب پارامترهای مختلف پیش‌بینی نمود، می‌تواند به مدیران جامعه برای مقابله با این نوع بیماری‌ها کمک نماید. در مطالعاتی که تاکنون در این زمینه انجام شده، تاثیر برخی عوامل مانند رعایت دستورالعمل‌های بهداشتی، دوره پنهان بیماری و ایمنی پس از بیماری همزمان با عوامل اصلی مانند ضریب انتشار و نرخ واکسیناسیون به طور کامل در نظر گرفته نشده است. در این مقاله مدلی جدید و جامع مبتنی بر نظریه مارکوف برای پیش‌بینی رفتار بیماری کووید-۱۹ ارائه می‌شود. این مدل می‌تواند با دریافت پارامترهای داده شده رفتار بیماری را در شرایط مختلف تقلید نماید. شبیه‌سازی‌های متعدد با مقادیر مختلف پارامترهای ورودی و تشابه آن با رفتار واقعی بیماری کووید-۱۹ نشان‌دهنده صحت عملکرد مدل ارائه شده است.

https://scj.kashanu.ac.ir/article_113722_69f993a405e6914c234b311a29842f51.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 An Overview of Deep Learning Applications in the Aerospace Industry مروری بر رویکرد یادگیری عمیق در صنعت هوافضا 104 117 113723 10.22052/scj.2023.243422.1036 FA مهلا رئوف مقدم گروه هوافضا، دانشکده مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران مسعود ابراهیمی گروه هوافضا، دانشکده مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران Journal Article 2022 01 05 In recent years, deep learning has become the main motive of innovative solutions to artificial intelligence problems, which is made possible by increasing the amount of data available, increasing computing resources, and improving techniques in deep network training. The development and increase of computer processing power and the empowerment of artificial intelligence techniques such as machine learning and deep learning have made it easier for many aerospace projects to be implemented. Theoretical and biological arguments show that in order to build an intelligent system with the ability to extract high-level and powerful representations from data, models with deep architecture that include many nonlinear processing layers are needed. Arguably, the best and most widely used examples of these networks are multilayer neural networks due to their compatibility with data types. Deep neural networks have different structures, different types, and species, and they are used according to the type of data and the purpose of the problem, and each has its strengths and weaknesses. In this paper, the study and application of these networks in various aerospace issues are discussed. در سال‌های اخیر، یادگیری عمیق به محرک اصلی راه‌حل‌های نوآورانه برای مساله‌های هوش مصنوعی تبدیل گردیده که این امر با افزایش مقدار داده‌های موجود، افزایش منابع محاسباتی و روش‌های بهبود یافته در آموزش شبکه‌های عمیق امکان‌پذیر شده است. پیشرفت و افزایش توان پردازش رایانه‌ها و توانمندتر شدن روش‌های هوش مصنوعی مانند یادگیری ماشین و یادگیری عمیق، زمینه را برای اجرا شدن بسیاری از طرح‌های هوافضایی آسان‌تر نموده است. استدلال‌های نظری و بیولوژیکی نشان می‌دهند که در راستای ساخت سیستمی هوشمند با توانایی استخراج بازنمایی‌های سطح بالا و قدرتمند از داده‌ها، نیاز به مدل‌هایی با معماری عمیقی است که شامل بسیاری از لایه‌های پردازشی غیرخطی می‌باشد. شاید بتوان گفت، بهترین و پرکاربردترین نمونه از این شبکه‌ها، به دلیل سازگاری آن با انواع داده‌ها، شبکه‌های عصبی چندلایه هستند. شبکه‌های عصبی عمیق ساختارهای متفاوت، انواع مختلف و گونه‌های متنوعی را دارا هستند و با توجه به نوع داده‌ها و هدف مساله از آنها استفاده می‌شود و هرکدام دارای نقاط قوت و ضعف خود را دارند. در این مقاله به بررسی و کاربرد این شبکه‌ها در مساله‌های مختلف هوافضایی پرداخته شده است.

https://scj.kashanu.ac.ir/article_113723_72ef83b94b87b8907e873778fb6af78d.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 Applying Character-Level Neural Network-Based Sentiment Analysis Model on Persian Comments of the Social Media-Online Store Platforms بکارگیری مدل تحلیل احساسات در سطح حروف مبتنی بر شبکه عصبی روی نظرات فارسی ثبت شده در شبکه‌های اجتماعی و فروشگاه‌های اینترنتی 118 133 113738 10.22052/scj.2023.248311.1094 FA امید خلف بیگی گروه مهندسی برق و کامپیوتر، دانشگاه خوارزمی ، تهران، ایران سید علیرضا بشیری موسوی گروه مهندسی برق و کامپیوتر، مرکز آموزش عالی فنی و مهندسی بوئین زهرا، قزوین، ایران سینا قارلقی گروه مهندسی برق و کامپیوتر، مرکز آموزش عالی فنی و مهندسی بوئین زهرا، قزوین، ایران Journal Article 2022 09 15 Nowadays, due to people being more willing to shop online through online stores and social media, we are facing the growth of unstructured data like texts on the internet. Hence, text processing and the development of optimal algorithms for extracting knowledge have drawn scholar’s attention to this field. One of the aspects of the text processing field is classifying texts in the form of classes of various sentiments using different algorithms. In this paper, we propose a novel framework to classify the comments based on the user’s sentiment performed in the character-level scenario. Hence, the proposed framework is mounted on the architecture of embedding from the language model triggered by the quad-layer, namely embedding, one-dimensional convolution, the map, and the recurrent neural network. In the proposed framework, first, by using the embedding layer at the level of the character, a constant vector is assigned to them. Next, the semantic and logical relation between the characters per word for surviving word-specific 128-dimensional vectors is extracted by exerting the parallel-oriented one-dimensional convolution operators. After obtaining vectors, based on two recurrent neural network architectures, the relationship between the discovered words and the comment-specific sentiment is determined. The obtained results show that the proposed framework has an Accuracy of 79.87% and a F-score of 79.90% for comments class labeling. امروزه با توجه به تمایل روزافزون مردم برای خرید اجناس از طریق فروشگاه‌های اینترنتی و شبکه‌های مجازی، شاهد افزایش داده‌های بدون ساختار مانند متن در سطح اینترنت هستیم. لذا پردازش متون و توسعه الگوریتم‌های کارآمد جهت استخراج دانش، توجه پژوهشگران حوزه علوم داده را در بسترهای مذکور به خود جلب کرده است. از رویکردهای پردازش متن می‌توان به دسته‌بندی جملات به گروه‌های احساسی متفاوت با استفاده از الگوریتم‌ها و روش‌های گوناگون اشاره کرد. در پژوهش حاضر، چارچوبی برای دسته‌بندی نظرات، مبتنی بر احساسات کاربران توسعه داده شده است که از پردازش در سطح حروف بهره می‌برد. از این‌رو در چارچوب پیشنهادی، از معماری تعبیه شده در مدل‌های زبانی استفاده شده است که لایه‌های چهارگانه تعبیه (جهت انتقال حروف به فضای برداری)، پیچش یک بُعدی (جهت استخراج بردار ویژگی برای هر واژه)، نگاشت و شبکه عصبی بازگشتی را شامل می‌شود. در چارچوب پیشنهادی، ابتدا با بکارگیری لایه تعبیه در سطح حروف، برداری ثابت برای آنها تعیین می‌شود. سپس، مبتنی بر عملگرهای پیچش یک بعدی که به صورت موازی بکارگیری شده‌اند، ارتباط معنایی و منطقی بین حروف تشکیل‌دهنده هر واژه به دست آمده و بردار 128 بعدی برای هر لغت، حاصل می‌شود. پس از دستیابی به بردارهای واژگان، با استفاده از دو معماری شبکه‌های عصبی بازگشتی، ارتباط بین واژگان کشف شده و احساس مرتبط با دیدگاه، تعیین می‌شود. نتایج حاصل از بکارگیری مدل پیشنهادی بر روی مجموعه نظرات مبتنی بر سنجه‌های Accuracy و F-score، به‌ترتیب 79.87% و 79.90% می‌باشد.

https://scj.kashanu.ac.ir/article_113738_66135a8e18e5dd3d87d44b5446e7d86b.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 11 2 2023 02 20 An approach to accelerate policy iteration for probabilistic model checking of Markov decision processes using machine learning ارائه الگوریتمی جهت تسریع روش تکرار سیاست در راستی‌آزمایی فرآیندهای تصمیم مارکوف با استفاده از یادگیری ماشین 134 148 113911 10.22052/scj.2023.243360.1029 FA محمدصادق محققی گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه ولیعصر رفسنجان، رفسنجان، ایران Journal Article 2021 12 16 Markov decision processes (MDPs) are used in artificial intelligence and formal verification to model computer systems with nondeterministic and stochastic behaviors. Optimal reachability probabilities and expected accumulated rewards are two main classes of properties that are used in probabilistic model checking. Value iteration and policy iteration are two well-known iterative numerical methods to approximate the optimal values. A main challenge of these approaches is their high running time. In this paper, a new method is proposed for accelerating the convergence to the optimal policy that reduces the running time of the policy iteration method. This method is based on using machine learning to estimate near-optimal policies. For each class of MDP models, we consider several small models for the training and construction step of the classifier model. The classifier model is used to predict the optimal actions of each MDP model. The model is also used to suggest a near-optimal policy for large models of the same MDP class in order to reduce the overall running time. Implementing the proposed method in the PRISM model checker shows a 50% improvement in the average runtime. فرآیندهای تصمیم مارکوف در هوش مصنوعی و راستی‌آزمایی رسمی برای مدل‌سازی سیستم‌های کامپیوتری که دارای رفتارهای تصادفی و غیرقطعی هستند، استفاده می‌شوند. دو دسته مهم از ویژگی‌هایی که در وارسی مدل احتمالاتی استفاده می‌شوند شامل احتمال بهینه رسیدن به حالت هدف و پاداش انباشته شده مورد انتظار هستند. تکرار مقدار و تکرار سیاست دو روش عددی تکراری شناخته شده برای تقریب مقادیر بهینه هستند. چالش اصلی این روش‌ها زمان اجرایی بالای آنها است. در این مقاله روشی جدید برای تسریع همگرایی به سیاست بهینه ارائه می‌شود که زمان اجرایی روش تکرار سیاست را کاهش می‌دهد. این روش بر پایه استفاده از یادگیری ماشین برای تخمین یک سیاست نزدیک به بهینه است. برای هر کلاس از مدل‌های فرآیند تصمیم مارکوف، تعدادی مدل کوچک را برای مرحله آموزش و ساخت دسته‌بند در نظر می‌گیریم. دسته‌بند ساخته شده در فرآیند یادگیری، برای پیش‌بینی کنش بهینه هر حالت فرآیند تصمیم مارکوف داده شده به کار می‌رود. این دسته‌بند همچنین برای پیشنهاد یک سیاست نزدیک به بهینه برای فرآیندهای تصمیم مارکوف بزرگ از همان دسته مدل‌ها، استفاده می‌شود تا زمان مصرفی کل را کاهش دهد. پیاده‌سازی روش ارائه شده در وارسی‌گر مدل PRISM نشان می‌دهد زمان اجرا به طور میانگین ۵۰ درصد کاهش می‌یابد.

https://scj.kashanu.ac.ir/article_113911_71065e386bfd5599b859078a46a1c5c5.pdf