دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 A review of knowledge graph embedding methods مرور روش‌های جاسازی گراف‌های دانش 2 19 114495 10.22052/scj.2024.254464.1224 FA سید مهدی وحیدی پور دانشکده برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران. داود دانشمند دانشکده برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران. محمد علی ظریف دانشکده برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران. Journal Article 2024 02 24 Knowledge graphs have emerged as vital tools extensively used in fields such as data mining, machine learning, complex networks, and related domains. This paper aims to conduct a comprehensive review of these graphs and the methods associated with them. Specifically, we analyze and evaluate the RGNN, TDM, and BLM network methods in more detail, carefully reviewing the results obtained from each. This study provides a comprehensive analysis of the performance of these methods and evaluates their strengths and weaknesses in real-world challenges and applications. We hope that this review will contribute to a better understanding of this important technology and facilitate its future development. گراف‌های دانش به عنوان ابزارهای حیاتی و بسیار پرکاربرد در زمینه‌های داده‌کاوی، یادگیری ماشین، شبکه‌های پیچیده و حوزه‌های مرتبط، توجه بسیاری را به خود جلب کرده‌اند. در این مقاله، ما سعی داریم تا به بررسی گسترده‌ای از این گراف‌ها و روش‌های مرتبط با آنها بپردازیم. ما روش‌های شبکه‌های RGNN، TDM و BLM را جزئی‌تر بررسی و ارزیابی می‌کنیم و نتایج به دست آمده از هر کدام را با دقت مورد بررسی قرار می‌دهیم. این مطالعه یک تجزیه و تحلیل جامع از عملکرد این روش‌ها را ارائه می‌دهد و به دنبال ارزیابی دقیق‌تر نقاط قوت و ضعف هر یک از آنها در مواجهه با چالش‌ها و کاربردهای واقعی است. امیدواریم که این بررسی گامی مفید در جهت بهبود درک ما از این فناوری مهم باشد و در توسعه آینده آن موثر باشد. گراف دانش مدلهای فاصله‌ای مدل‌سازی دوخطی شبکه‌های عصبی نمونه‌گرافهای OGB https://scj.kashanu.ac.ir/article_114495_05d25a99018202c7ec65440397b18bdc.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 Suboptimal backstepping controller design for controlling shunt active power filter to compensate harmonics using the whale optimization algorithm طراحی کنترل‌کننده پسگام زیربهینه برای کنترل فیلتر اکتیو موازی به منظور جبران هارمونیک با استفاده از الگوریتم بهینه‌ساز نهنگ 20 37 114496 10.22052/scj.2024.255064.1252 FA پریسا سرافرازی گروه مهندسی برق-قدرت، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران. سید عباس طاهر گروه مهندسی برق-قدرت، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران. علی اخوان دانشکده انرژی، دانشگاه آلبورگ، آلبورگ، دانمارک. Journal Article 2024 06 18 This article discusses the use of the whale optimization algorithm and the integral time-absolute error criterion (ITAE) to adjust the optimal parameters of the backstepping controller. The goal is to improve the performance of active power filters based on LCL filters in four-wire distribution systems. By using a shunt active power filter with the proposed method at the point of common coupling (PCC), the approach minimizes harmonics in the grid current and makes it more sinusoidal. In most references, the selection of backstepping controller coefficients is based on trial and error, which, in addition to being time-consuming, provides no guarantee for the correctness of the selection. The purpose of this article is to find the sub-optimal parameters of the backstepping controller using the whale optimization algorithm, known for its high accuracy and convergence speed. By minimizing the selected error criterion, the algorithm sub-optimally determines the backstepping parameters, significantly improving the controller's performance and ensuring the proper filtering of grid current harmonics. The effectiveness of the proposed method is demonstrated through simulations of different scenarios. The results show that the proposed method performs very well in improving power quality in distribution systems. در این مقاله، با استفاده از الگوریتم بهینه‌ساز نهنگ و با بهره‌گیری از معیار انتگرال زمان-قدرمطلق خطا  (ITAE) به تنظیم بهینه پارامترهای کنترل‌کننده پسگام به منظور بهبود عملکرد فیلترهای اکتیو موازی در سیستم‌های توزیع چهارسیمه پرداخته شده است، به طوری که برای کاهش هارمونیک جریان شبکه با قرار دادن فیلتر اکتیو موازی در نقطه اتصال مشترک (PCC) از طریق فیلتر LCL، میزان هارمونیک موجود در جریان شبکه را به حداقل رسانده و سعی در سینوسی نمودن آن می‌کند. در اکثر مراجع، انتخاب ضرایب کنترل‌کننده پسگام بر اساس آزمون و خطا انجام می‌گیرد که علاوه بر زمانبر بودن، تضمینی برای صحت انتخاب ضرایب وجود ندارد. هدف این مقاله یافتن پارامترهای زیربهینه کنترل‌کننده پسگام با استفاده از الگوریتم نهنگ است که از دقت و سرعت همگرایی بالایی برخوردار است. به کمک این الگوریتم، ضرایب پسگام با به حداقل رساندن معیار خطای انتخاب شده به صورت زیربهینه تعیین می‌شوند که نقش بسزایی در بهبود عملکرد کنترل‌کننده و در نتیجه فیلتر نمودن مناسب هارمونیک‌های جریان شبکه دارد. کارایی روش پیشنهادی از طریق شبیه‌سازی سناریوهای مختلف نشان داده شده است. با بررسی و ارزیابی نتایج، مشاهده می‌شود که روش پیشنهادی در بهبود کیفیت توان در سیستم‌های توزیع عملکرد بسیار خوبی دارد. الگوریتم بهینه‌ساز نهنگ بار نامتعادل بار غیرخطی کنترل پسگام فیلتر اکتیو موازی هارمونیک/ میان‌هارمونیک https://scj.kashanu.ac.ir/article_114496_30c15ca43ed3e8de6b883e563cc34dcf.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 A dynamic multi-level spatially aware clustering with weighted cluster head selection in vehicular Ad-hoc networks ارائه یک روش خوشه‌بندی پویای چندسطحی وزن‌دار آگاه بر شاخص‌دهی فضایی در شبکه‌های میان‌خودرویی 38 53 114554 10.22052/scj.2024.254853.1241 FA رضا رسول‌زاده دارآباد گروه مهندسی برق و کامپیوتر، دانشکده فنی مهندسی، دانشگاه خوارزمی، تهران، ایران سید امیر اصغری توچائی گروه علوم و فناوری داده، دانشکده مهندسی سامانه های هوشمند، دانشگاه تهران، تهران، ایران محمدرضا بینش مروستی گروه مهندسی برق و کامپیوتر، دانشکده فنی مهندسی، دانشگاه خوارزمی، تهران، ایران کیمیا شاه بختی گروه مهندسی برق و کامپیوتر، دانشکده فنی مهندسی، دانشگاه خوارزمی، تهران، ایران Journal Article 2024 04 27 Vehicular Ad-hoc Networks are a growing technology that ensures safe and efficient road traffic management. Mobility management is the primary challenge in inter-vehicle networks. Therefore, an adaptive and stable clustering protocol is a crucial issue in inter-vehicle network technology. Day by day, inter-vehicle networks based on clustering are attracting more attention. The main variables used in forming clustering protocols are speed, distance, and direction of movement. However, in different methods, other variables such as confidence level, lifespan, and similarity measure, quality of communication link, signal noise rate, and packet transmission rate have been used alongside the three main components. In this paper, we aim to improve aspects such as the number of clusters formed and the number of changes in cluster heads by employing various methods and techniques presented. The purpose of these improvements is to create more cohesion and stability in the formed clusters. In the proposed algorithm, we aim to improve the number of clusters formed by at least 5.7% by using spatial indexing and examining the linear position that the vehicle passes through. Additionally, we have achieved a 3.2% improvement in the number of cluster head changes. شبکه‌های میان خودرویی، یکی از فناوری‌های درحال رشد است که مدیریت ایمن و کارآمد ترافیک جاده را تضمین می‌کند. مدیریت تحرک چالش اصلی در شبکه‌های میان‌خودرویی است. بنابراین، پروتکل خوشه‌بندی تطبیقی و پایدار یک مساله حیاتی در فناوری شبکه‌های میان‌خودرویی است. شبکه‌های میان‌خودرویی مبتنی بر خوشه‌بندی روزبه‌روز توجه بیشتری را به خود جلب می‌کند. متغیرهای اصلی که در تشکیل پروتکل‌های خوشه‌بندی مورد استفاده قرار می‌گیرند، سرعت، فاصله و جهت حرکت می‌باشند. اگرچه در روش‌های مختلف، متغیرهای دیگری از قبیل میزان اطمینان، طول عمر، مقدار شباهت، کیفیت پیوند ارتباطی، نرخ نویز سیگنال و نرخ انتقال بسته در کنار سه مولفه اصلی بکار گرفته شده‌اند. در این مقاله قصد بر این است که با بکارگیری روش‌های مختلف و تکنیک‌های ارائه شده، مواردی از قبیل تعداد خوشه‌های ایجاد شده و تعداد تغییرات در سرخوشه‌ها بهبود داده شوند. هدف از بهبود این موارد، ایجاد انسجام و پایداری بیشتر در خوشه‌های ایجاد شده می‌باشد. در این الگوریتم با استفاده از شاخص‌دهی فضایی و بررسی موقعیت خطی که وسیله نقلیه از آن عبور می‌کند، تعداد خوشه‌های ایجاد شده را حداقل 5.7 درصد بهبود داده شد. همچنین این الگوریتم توانست بهبودی 3.2 درصدی در تعداد تغییرات سرخوشه‌ها حاصل کند. شبکه‌های میان‌خودرویی خوشه‌بندی سرخوشه شاخص‌دهی فضایی تغییرات سرخوشه طول عمر https://scj.kashanu.ac.ir/article_114554_f95f95777596d5927a4f9f5ec1637979.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 Enhancing requirements engineering process using hybrid recommender systems ارتقاء فرآیند مهندسی نیازمندی‌ها با استفاده از سیستم‌های توصیه‌گر ترکیبی 54 65 114674 10.22052/scj.2025.255465.1267 FA محمدمهدی پورهاشم کله بستی دانشکده مهندسی برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران جمشید پیرگزی دانشکده مهندسی برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران 0000-0002-2461-1143 علی قنبری سرخی دانشکده مهندسی برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران علی کرمانی دانشکده مهندسی برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران Journal Article 2024 09 17 Requirements engineering is a critical phase within the software development lifecycle, with its effective execution being pivotal to the overall success of a project. To improve the quality and efficiency of requirements engineering, the reuse of previous requirements has emerged as a promising strategy. By employing methodologies such as collaborative filtering, content-based filtering, knowledge-based techniques, and hybrid approaches, recommender systems support stakeholders in the precise identification and prioritization of requirements. This paper presents a hybrid method combining collaborative filtering and content-based filtering to improve the performance of recommendation systems in requirements engineering. In this method, the semantic similarity between requirements is calculated using the Global Vectors for Word Representation (GloVe) model, and the semantic features extracted from textual descriptions are combined with predefined categories. This process enhances the accuracy of predicting stakeholder interest or need for requirements and their prioritization. The experimental results obtained from the RALIC dataset indicate that the proposed approach significantly enhances prediction accuracy and coverage. This improvement is particularly evident in addressing challenges related to data sparsity and the cold start problem, highlighting the superior efficiency of this method compared to existing approaches. مهندسی نیازمندی‌ها یکی از مراحل مهم و حیاتی در فرآیند توسعه نرم‌افزار به شمار می‌آید که اجرای صحیح آن تاثیر بسزایی در موفقیت پروژه دارد. به منظور افزایش کیفیت و کارایی مهندسی نیازمندی‌ها، استفاده مجدد از نیازمندی‌های پیشین به عنوان روشی موثر مطرح شده است. سیستم‌های توصیه‌گر با بهره‌گیری از روش‌هایی نظیر پالایش مشارکتی، پالایش مبتنی بر محتوا، تکنیک‌های مبتنی بر دانش و رویکردهای ترکیبی، به ذینفعان در شناسایی و اولویت‌بندی بهینه نیازمندی‌ها کمک می‌کنند. این مقاله یک روش ترکیبی پالایش مشارکتی و پالایش مبتنی بر محتوا برای بهبود عملکرد سیستم‌های توصیه‌گر در مهندسی نیازمندی‌ها ارائه می‌دهد. در این روش، شباهت معنایی بین نیازمندی‌ها با استفاده از مدل بردارهای سراسری واژگان (GloVe) محاسبه شده و ویژگی‌های معنایی استخراج شده از توصیفات متنی با دسته‌بندی‌های از پیش تعریف شده ترکیب می‌شوند. این فرآیند دقت پیش‌بینی علاقه یا نیاز ذینفعان به نیازمندی‌ها و اولویت‌بندی آنها را افزایش می‌دهد. نتایج تجربی به دست آمده از مجموعه داده RALIC نشان می‌دهد که رویکرد پیشنهادی به طور معناداری دقت و پوشش پیش‌بینی را افزایش می‌دهد. این بهبود به ویژه در مواجهه با چالش‌های پراکندگی داده‌ها و مشکل شروع سرد مشهود است که نشان‌دهنده کارایی بالاتر این روش در مقایسه با رویکردهای موجود می‌باشد. مهندسی نیازمندی‌ها سیستم‌های توصیه‌گر پالایش مشارکتی پالایش مبتنی بر محتوا مدل بردارهای سراسری واژگان (GloVe) https://scj.kashanu.ac.ir/article_114674_806aa88f39419bb116a7cc2d8f540ebf.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 Breast cancer diagnosis using improved ZFNet-ELM network with COA optimization algorithm تشخیص سرطان سینه با استفاده از شبکه بهبودیافته ZFNet-ELM با الگوریتم بهینه‌سازی COA 66 85 114672 10.22052/scj.2025.255463.1269 FA سارا خسروی گروه کامپیوتر ، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران Journal Article 2024 09 22 Nowadays, many researchers use systems based on deep learning and artificial intelligence to diagnose and classify many diseases in the field of medicine, such as cancer diagnosis. Early and accurate diagnosis of breast cancer based on mammography images can greatly help doctors in timely treatment of the disease. On the other hand, most of the deep networks used in breast cancer (BC) detection systems are not suitable for real-time applications due to the use of fully connected (FC) layers, time-consuming training method, and high calculation volume. Therefore, in this article, a new hybrid method based on deep learning and swarm intelligence called EZFNet-ELM-COA is proposed for real-time detection of breast cancer. In the proposed network (Enhanced ZFNet), in the convolutional layers of the ZFNet network, large size filters have been replaced by two series of smaller size filters, and then the outputs of the filters have been joined together. The use of this multi-scale technique makes the network extract more effective features. Also, in order to increase the speed of training and significantly reduce the volume of calculations, fully connected layers of the pre-trained EZFNet network were replaced by an Extreme Learning Machine (ELM). At the end, the generalization capability of ELM has been improved by updating the weights and biases of the ELM layer by the Coati Optimization Algorithm (COA). In order to check the performance of the system, six evaluation criteria have been used, and our proposed model achieved values of  97.97, 95.70, 97.15, 98.28, 96.42 and 93.98 percent for accuracy, precision, sensitivity, recognizability, F1-score and MCC, ​​respectively. The obtained results show the increase of accuracy, improvement of efficiency, significant reduction of calculation time, and high performance level of the proposed system compared to the existing methods. امروزه بسیاری از محققان با استفاده از سیستم‌های مبتنی بر یادگیری عمیق و هوش مصنوعی، در حوزه پزشکی به تشخیص و طبقه‌بندی بسیاری از بیماری‌ها مانند تشخیص سرطان می‌پردازند. تشخیص زودهنگام و دقیق سرطان سینه بر اساس تصاویر ماموگرافی می‌تواند به پزشکان در درمان به موقع بیماری کمک بسزایی کند. از طرفی اکثر شبکه‌های عمیق مورد استفاده در سیستم‌های تشخیص سرطان سینه (BC)، به دلیل استفاده از لایه‌های تمام متصل (FC)، روش آموزشی زمان بر و حجم محاسبات بالا، برای کاربردهای بلادرنگ مناسب نیستند. لذا در این مقاله، یک روش جدید ترکیبی مبتنی بر یادگیری عمیق و هوش ازدحامی به نام EZFNet-ELM-COA جهت تشخیص بلادرنگ سرطان سینه پیشنهاد شده است. در شبکه پیشنهادی (Enhanced ZFNet)، در لایه‌های کانولوشنی شبکه ZFNet، فیلترهای اندازه بزرگ با دو سری فیلتر اندازه کوچک‌تر جایگزین شده‌اند و سپس خروجی‌های فیلترها با یکدیگر الحاق شده است. استفاده از این تکنیک چندمقیاسی باعث استخراج ویژگی‌های موثرتر توسط شبکه می‌گردد. همچنین جهت بالابردن سرعت آموزش و کاهش محسوس حجم محاسبات، لایه‌های تمام متصل شبکه EZFNet از پیش‌آموزش‌دیده توسط شبکه یادگیری افراطی (ELM) جایگزین شد. در انتها نیز قابلیت تعمیم ELM با استفاده از بروزرسانی وزن‌ها و بایاس‌های لایه وروی ELM توسط الگوریتم بهینه‌سازی کواتی (COA) بهبود داده شده است. جهت بررسی عملکرد سیستم، از شش معیار ارزیابی، استفاده شده است، که مدل پیشنهادی ما در معیارهای دقت، صحت، حساسیت، تشخیص‌پذیری، F1-score و MCC به ترتیب مقادیر 97.97، 95.70، 97.15، 98.28، 96.42 و 93.98 درصدی را به دست آورده است. نتایج به دست آمده افزایش دقت، بهبود کارآیی، کاهش چشمگیر زمان محاسبات و سطح عملکردی بالای سیستم پیشنهادی را نسبت به روش‌های موجود نشان می‌دهد. یادگیری عمیق هوش مصنوعی تشخیص سرطان سینه شبکه عصبی کانولوشن عمیق الگوریتم بهینه‌سازی کواتی https://scj.kashanu.ac.ir/article_114672_8869b7bd81079e0dd26b6b6482cba824.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 VEIRV-A malware propagation modeling in the internet of things networks مدل‌سازی انتشار بدافزار VEIRV-A در شبکه‌های اینترنت اشیا 86 95 114686 10.22052/scj.2025.255570.1279 FA سوده حسینی گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه شهید باهنر، کرمان، ایران. الهام اسدی گروه کامپیوتر، واحد شهربابک، دانشگاه آزاد اسلامی، شهربابک، ایران. Journal Article 2024 11 04 With the evolution of the fifth generation wireless network, the Internet of Things (IoT) has also created a surprising transformation in human life. Therefore, a more detailed study of IoT technology and its various fields, including security, is necessary. In the field of IoT network security, one of the issues that has been raised is the spread of malware. In this paper, we have modeled the spread of malware in IoT networks with the epidemic disease model of vulnerable - exposed to infection - infected - recovered - antidote. The effect of applying antidote to recovered and vulnerable nodes on the spread of malware in IoT networks has been investigated. We have determined the importance of the node in the network based on its degree, and based on this rate, the vulnerable nodes in the network have been secured. Securing nodes based on the degree has led to a reduction in the spread of malware in the network. The epidemic threshold of malware spread (R<sub>0</sub>) has been calculated in the proposed model. Comparing the model with the SIRS and SEIRS models showed that the proposed model performed better than the other two models. با تکامل شبکه بی‌سیم نسل پنجم، اینترنت اشیا (IOT) نیز تحول شگفتی در زندگی بشر ایجاد کرده است. از اینرو مطالعه دقیق‌تر فناوری اینترنت اشیا و حوزه‌های مختلف آن از جمله امنیت این حوزه ضروری خواهد بود. در زمینه امنیت شبکه‌های اینترنت اشیا، یکی از مواردی که مطرح شده انتشار بدافزار است. در این مقاله به مدل‌سازی انتشار بدافزار در شبکه‌های اینترنت اشیا با مدل بیماری‌های همه‌گیری آسیب‌پذیر – در معرض آلودگی - آلوده - بهبودیافته - پادزهر پرداخته‌ایم. اثر اعمال پادزهر روی گره‌های بهبودیافته و آسیب‌پذیر، در انتشار بدافزار شبکه‌های اینترنت اشیا مورد بررسی قرار گرفته است. ما بر اساس درجه گره میزان با اهمیت بودن گره را در شبکه تعیین کرده‌ایم و بر اساس این نرخ، گره‌های آسیب‌پذیر در شبکه ایمن شده‌اند. ایمن‌سازی گره‌های آسیب‌پذیر بر مبنای درجه منجر به کاهش انتشار بدافزار در شبکه شده است. حد آستانه اپیدمی انتشار بدفزار (R<sub>0</sub>) در مدل پیشنهادی محاسبه شده است. مقایسه مدل با دو مدل SIRS و SEIRS نشان داد مدل پیشنهادی نسبت به دو مدل دیگر عملکرد بهتری داشته است. مدل‌سازی انتشار بدافزار مدل‌سازی بیماری‌های همه‌گیری عدد بازتولید اولیه حد آستانه همه‌گیری اینترنت اشیا https://scj.kashanu.ac.ir/article_114686_b463b4dea71a90a4b75424ea3e261320.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 A routing algorithm for underwater wireless sensor networks based on reinforcement learning and generative adversarial neural networks الگوریتم مسیریابی نوین برای شبکه‌های حسگر بی‌سیم زیر آب با استفاده از یادگیری تقویتی و شبکه‌های عصبی متخاصم زایشی 96 113 114876 10.22052/scj.2025.255711.1281 FA نوید کرمی بنماران گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران. نستوه طاهری جوان گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران. Journal Article 2024 10 30 Underwater wireless sensor networks (UWSNs) face various constraints such as limited node energy, sensor mobility at different depths, and the need for diverse communication methods. These limitations reduce the efficiency of conventional routing algorithms used in other multi-hop wireless networks. In this study, an innovative routing method based on reinforcement learning and generative adversarial neural networks (GANs) is proposed for UWSNs. The proposed approach aims to discover and store optimal data transmission paths within the network. Subsequently, these paths are used to train a deep learning model following the generative adversarial neural network framework, allowing for the generation of new routes. Simulation results demonstrate that the proposed method improves the successful packet delivery rate and extends network lifetime compared to traditional reinforcement learning techniques in UWSNs. شبکه‌های حسگر بی‌سیم زیر آب با چالش‌هایی مانند محدودیت انرژی گره‌ها، حرکت حسگرها در اعماق مختلف و نیاز به روش‌های ارتباطی متنوع مواجه هستند. این محدودیت‌ها باعث کاهش کارآیی الگوریتم‌های مسیریابی مرسوم در سایر شبکه‌های بی‌سیم چندگامه در این نوع از شبکه‌ها می‌شوند. در این پژوهش، یک روش مسیریابی نوین مبتنی بر یادگیری تقویتی و شبکه‌های عصبی متخاصم زایشی برای کاربرد در شبکه‌های حسگر بی‌سیم زیر آب معرفی می‌شود. هدف اصلی در این رویکرد، کشف و ذخیره مسیرهای مناسب برای ارسال داده‌ها است. سپس، با استفاده از الگوی شبکه‌های عصبی متخاصم زایشی (GAN)، این مسیرها برای آموزش یک مدل یادگیری عمیق بکار گرفته می‌شوند و سعی بر تولید مسیرهای جدید در این چرخه است. نتایج شبیه‌سازی نشان می‌دهند که استفاده از این رویکرد به بهبود نرخ تحویل موفق بسته‌ها به مقصد و افزایش طول عمر شبکه نسبت به روش‌های یادگیری تقویتی سنتی در شبکه‌های حسگر زیر آب منجر می‌شود. شبکه‌های حسگر بی سیم زیر آب مسیریابی یادگیری تقویتی یادگیری عمیق شبکه عصبی متخاصم زایشی https://scj.kashanu.ac.ir/article_114876_374f7e46dd22a5fe6acc9d656215fb87.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 An efficient conjugate gradient method for nonsmooth optimization problems and its application in image restoration یک روش گرادیان مزدوج کارآمد برای بهینه‌سازی ناهموار و کاربرد آن در بازیابی تصویر 114 121 114785 10.22052/scj.2025.255837.1284 FA عاطفه بای گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه مازندران، بابلسر، ایران. زهره اکبری گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه مازندران، بابلسر، ایران. Journal Article 2024 11 24 In this paper, an efficient conjugate gradient method is introduced for solving unconstrained nonsmooth optimization problems. Conjugate gradient methods are among the most popular methods for solving smooth optimization problems due to their simplicity and low memory requirements; however, their application to nonsmooth problems has received less attention. Therefore, the Lipschitz continuous objective function is first smoothed using the Moreau–Yosida regularization function. A new descent direction is then proposed by combining the first-order derivative information of the smoothed function with the previous descent direction. Using an inexact line search technique, we show that the generated direction satisfies the sufficient decrease condition and that the new iterate remains within a suitable trust region relative to the previous iterate. Moreover, the global convergence of the proposed method is guaranteed under standard assumptions. Finally, the effectiveness of this method is evaluated in the field of image recovery, and the results demonstrate its superior performance compared to existing methods. در این مقاله، یک روش گرادیان مزدوج کارآمد برای حل مسائل بهینه‌سازی نامقید ناهموار معرفی می‌شود. روش‌های گرادیان مزدوج به دلیل سادگی و نیاز به حافظه کم، از محبوب‌ترین روش‌ها برای حل مسائل بهینه‌سازی هموار به شمار می‌آیند؛ با این حال، کاربرد آنها در مسائل ناهموار کمتر مورد توجه قرار گرفته است. در این راستا، ابتدا تابع هدف پیوسته لیپ‌شیتز با استفاده از تابع منظم‌ساز مورا–یاشیدا به یک تابع هموار تبدیل می‌گردد. سپس، یک جهت کاهشی جدید با ترکیب اطلاعات مشتق مرتبه اول تابع هموار شده و جهت کاهشی قبلی پیشنهاد می‌شود. با استفاده از تکنیک جستجوی خطی نادقیق، نشان داده می‌شود که جهت تولید شده شرط کاهش کافی را برآورده کرده و نقطه تکرار جدید در ناحیه اعتماد مناسبی نسبت به تکرار قبلی قرار می‌گیرد. همچنین، همگرایی سراسری روش پیشنهادی تحت فرضیات استاندارد تضمین می‌شود. در پایان، کارایی این روش در حوزه بازیابی تصویر مورد ارزیابی قرار گرفته و نتایج نشان‌دهنده برتری عملکرد آن نسبت به روش‌های موجود است. روش گرادیان مزدوج بهینه‌سازی ناهموار منظم‌ساز مورا-یاشیدا همگرایی سراسری بازیابی تصویر https://scj.kashanu.ac.ir/article_114785_c105f02701da2354f6beb50fc7b95d1f.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 Investigating the factors affecting the success of 10th grade students using data mining methods: a case study of educational institutions in Kashmar بررسی عوامل موثر بر موفقیت دانش‌آموزان پایه دهم با استفاده از روش‌های داده‌کاوی: مطالعه موردی آموزشگاه‌های شهر کاشمر 122 137 114870 10.22052/scj.2025.255049.1257 FA اعظم علی‌پور فرگی گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران. حمید سعادت فر گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران. Journal Article 2024 07 18 The success of students at every educational level is one of the significant goals of the Ministry of Education. In the meantime, proper planning for the academic success of tenth-grade students is more valuable because of the choice of study field in this grade. Likewise, making a correct decision requires gathering comprehensive information from all aspects of a student's life. Therefore, the life balance wheel tool in six dimensions -physical, financial, intellectual, emotional, social, and spiritual- can be a suitable solution. In this article, first, a dataset is created using the life balance wheel, along with demographic and educational background information of 10th-grade students from educational institutions in Kashmar, collected through a questionnaire. Then, well-known Wrapper and Filter methods are employed for selection of affective features and data mining algorithms including Multilayer Perceptron, J48 decision tree, Random Forest, Naive Bayes, SVM, and KNN are used to predict the success of students in 10th grade. The results show that the Wrapper algorithm can select more impact features than others; specifically, the features of pocket money, study time, gender, field of study, father’s education, mother’s education, and spiritual dimension have the most impact. Also, the Multilayer Perceptron algorithm with 85.62% accuracy and the Naïve Bayes algorithm with 86.25% accuracy demonstrated the best performance before and after the feature selection process, respectively. موفقیت دانش‌آموزان در هر پایه تحصیلی یکی از اهداف مهم و قابل توجه در وزارت آموزش و پرورش است. در این میان، انجام برنامه‌ریزی مناسب برای موفقیت تحصیلی دانش‌آموزان پایه دهم، آن هم به دلیل انتخاب رشته تحصیلی در این پایه، از اهمیت بیشتری برخوردار است. همین‌طور تصمیم‌گیری صحیح، مستلزم گردآوری اطلاعات جامعی از تمام ابعاد زندگی یک دانش‌آموز است. از اینرو ابزار چرخ تعادل زندگی در شش بخش جسمی، مالی، فکری، عاطفی، اجتماعی و معنوی می‌تواند راهکار مناسبی برای این هدف باشد. در این مقاله ابتدا مجموعه داده‌ای با کمک اطلاعات چرخ تعادل زندگی، جمعیت‌شناختی و پیشینه آموزشی دانش‌آموزان پایه دهم آموزشگاه‌های شهر کاشمر از طریق پرسش‌نامه ایجاد می‌شود. در ادامه با استفاده از روش‌‌های بسته‌بندی و فیلتر، ویژگی‌های موثر انتخاب و الگوریتم‌های شبکه عصبی پرسپترون چندلایه، درخت تصمیم J48، جنگل تصادفی ، طبقه‌بند بیز ساده، طبقه‌بندی SVM و KNN با هدف پیش‌بینی موفقیت دانش‌آموزان در پایه دهم مورد آموزش قرار می‌گیرند. مقایسه نتایج نشان می‌دهد که الگوریتم بسته‌بندی توانسته ویژگی‌های تاثیرگذارتری را نسبت به سایر الگوریتم‌ها انتخاب کند به طوری که ویژگی‌های پول‌توجیبی، میزان مطالعه، جنسیت، رشته تحصیلی، تحصیلات پدر، تحصیلات مادر و بعد روحی بیشترین تاثیر را دارند. همین‌طور الگوریتم پرسپترون چندلایه با دقت 85.62 درصد و الگوریتم بیز ساده با دقت 86.25 درصد، به ترتیب قبل و بعد از فرآیند انتخاب ویژگی بهترین عملکرد را از خود نشان داده‌اند. داده‌کاوی انتخاب ویژگی پیش‌بینی معدل چرخ تعادل زندگی موفقیت تحصیلی https://scj.kashanu.ac.ir/article_114870_33f15c1e158d325bf0c8621bc9c0b223.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 Comparison of single and ensemble support vector regression models for stock price prediction مقایسه روش رگرسیون بردار پشتیبان معمولی و گروهی برای پیش‌بینی قیمت سهام 138 151 114871 10.22052/scj.2025.255297.1260 FA سیدمحمد حسینی گروه پژوهشی هوش مصنوعی گهر، دانشکده علوم پایه، دانشگاه آیت الله بروجردی (ره)، بروجرد، ایران. مجید ابتیاع گروه پژوهشی هوش مصنوعی گهر، دانشکده علوم پایه، دانشگاه آیت الله بروجردی (ره)، بروجرد، ایران. 0009-0001-7643-103X محمدرضا آریافر گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران. 0009-0001-7643-103X Journal Article 2024 08 18 Capital accumulation and proper asset management play a crucial role in the economic growth of countries. The significant impact of this factor, as well as its importance, can be clearly observed in the system of most countries, especially capitalist systems. The capital market is one of the most appropriate places to attract small assets and use them in order to grow and improve a company and also increase the personal assets of investors. Therefore, correct investment helps individuals to manage the surplus of their incomes properly, enabling them to attain the necessary capital to achieve their goals. Essentially, stock prices are nonlinear and chaotic; hence, investing in the stock market carries a high risk. To minimize this risk and reduce hazards, an efficient system is required that can predict future stock price movements with high accuracy. Given the importance of this issue, machine learning models have shown suitable performance in this area. Machine learning algorithms have the ability to model nonlinear and complex systems. In this research, a novel collective approach based on Support Vector Regression is used to construct a composite or hybrid model that enjoys high accuracy and speed in predicting stock prices. The stocks used in this research are the ten index-making shares of FOLD, TAMN, PKLJ, MSMI, PNES, PTEH, PNBA, IKCO, SIPA and PARS, considered in the period from 2021-03-27 to 2024-07-21. Based on various criteria, the results demonstrate the superiority of the collective Support Vector Regression method over the conventional Support Vector Regression method and the Random Forest approach. انباشت سرمایه و نگهداری صحیح از دارایی نقش بسزایی را در رشد اقتصادی کشورها ایفا می‌کند. نقش موثر این عامل و اهمیت آن را به روشنی در سیستم اکثر کشورها به ویژه نظام‌های سرمایه‌داری می‌توان مشاهده نمود. بازار سرمایه یکی از مناسبترین جایگاه‌ها به منظور جذب دارایی‌های اندک و بکارگیری آنها با هدف رشد و ارتقا یک شرکت و همچنین افزایش دارایی شخصی سرمایه‌گذاران است. از اینرو، سرمایه‌گذاری درست، به افراد کمک می‌کند تا با مدیریت صحیح بخش مازاد درآمدهای خود، بتوانند به سرمایه لازم جهت رسیدن به اهداف خود دست پیدا کنند. اساسا قیمت سهام، غیرخطی و آشوبناک است، بنابراین سرمایه‌گذاری در بازار بورس، خطر بالایی به همراه دارد. برای به حداقل رساندن این خطر و کاهش مخاطرات، یک سیستم کارا مورد نیاز است که قادر باشد حرکت قیمت سهام در آینده را با دقت بالایی پیش‌بینی نماید. در این راستا، مدل‌های یادگیری ماشین عملکرد مناسبی در زمینه پیش‌بینی با دقت بالا را دارا هستند. الگوریتم‌های یادگیری ماشین توانایی مدل نمودن سیستم‌های غیرخطی و پیچیده را دارند. در این پژوهش به کمک رویکرد گروهی جدید مبتنی بر رگرسیون بردار پشتیبان یک مدل جمعی یا ترکیبی ساخته می‌شود که از دقت و سرعت بالایی در پیش‌بینی قیمت سهام برخوردار است. سهم‌های مورد استفاده در این پژوهش ده سهام شاخص‌ساز فولاد، شستا، فارس، فملی، شپنا، شتران، شبندر، خودرو، خساپا و پارس است که در بازه زمانی 1400/01/07 تا 1403/04/31 در نظر گرفته شده است. بر اساس معیارهای مختلف، نتایج به دست‌ آمده برتری روش رگرسیون بردار پشتیبان گروهی بر روش معمولی رگرسیون بردار پشتیبان و روش جنگل تصادفی را نشان می‌دهد. یادگیری ماشین رگرسیون بردار پشتیبان روش گروهی بازار سهام پیش‌بینی قیمت https://scj.kashanu.ac.ir/article_114871_8ea6810d6a1c940f3f2cb63a777fd5d1.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 A method for diagnosing the disease of Covid-19 based on the trees social relations optimization algorithm and Naive bayes classifier ارائه روشی برای تشخیص بیماری کووید-19 بر پایه الگوریتم روابط اجتماعی درختان و طبقه‌بند نایو بیز 152 175 114873 10.22052/scj.2025.254698.1239 FA حسین ازگومی گروه مهندسی کامپیوتر، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران. اعظم عندلیب گروه مهندسی کامپیوتر، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران. Journal Article 2024 04 23 COVID-19, mainly known as Corona, is a viral disease caused by the SARS-CoV-2 virus. The symptoms of COVID-19 include fever, fatigue, cough, and a loss of the sense of smell. The rRT-PCR test, as the standard diagnostic tool for this disease, requires respiratory sampling, which is time-consuming. Therefore, developing rapid diagnostic methods is of great importance. In this paper, a novel, rapid, and non-invasive method for diagnosing COVID-19 using artificial intelligence is introduced. This method comprises two stages: feature selection and disease diagnosis, which are performed using the Tree Social Relationships (TSR) algorithm and the Naive Bayes classifier. The proposed method is practically evaluated using the COVID-19 Dataset. Experimental evaluations show that this method outperforms existing approaches in diagnosing COVID-19, achieving 96% accuracy, 97% recall, and a 96% F1-score. بیماری کووید-۱۹ که به طور عمده به عنوان کرونا شناخته می‌شود، یک بیماری ویروسی است که توسط ویروس SARS-CoV-2 ایجاد می‌گردد. علائم رایج این بیماری شامل تب، سرفه، احساس خستگی و از دست دادن حس بویایی می‌باشد. روش استاندارد برای تشخیص دقیق کووید-۱۹، آزمایش rRT-PCR که نیازمند نمونه‌برداری تنفسی است که زمانبر می‌باشد. بنابراین توسعه روش‌های تشخیصی سریع این بیماری اهمیت زیادی دارد.در این مقاله‌ روشی جدید برای تشخیص کووید-۱۹ با استفاده از هوش مصنوعی معرفی شده است. این روش، که سریع و غیرتهاجمی است، بر اساس الگوریتم روابط اجتماعی درختان (TSR) و طبقه‌بندی نایو بیز طراحی شده است. روش پیشنهادی شامل دو مرحله اصلی انتخاب ویژگی و تشخیص بیماری است. انتخاب ویژگی‌ها با استفاده از الگوریتم TSR و تشخیص بیماری توسط طبقه‌بند نایو بیز انجام می‌شود. روش پیشنهاد شده به صورت عملی با مجموعه داده COVID-19 Dataset بررسی شد. ارزیابی‌های عملی نشان داده‌اند که این روش جدید در تشخیص کووید-۱۹ عملکرد بهتری نسبت به سایر روش‌های موجود دارد و تشخیص این بیماری را به صورت متوسط با دقت 96 درصد، فراخوانی 97 درصد و امتیاز-F1 96 درصد انجام می‌دهد. کووید-19 داده‌کاوی طبقه‌بندی الگوریتم روابط اجتماعی درختان نایو بیز https://scj.kashanu.ac.ir/article_114873_6705eee3e4c44c893c906cffa87bfbd9.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 Proposing an approach based on deep learning and sentiment lexicon for Persian sentiment analysis ارائه روشی مبتنی بر یادگیری عمیق و واژه‌نامه حسی برای تحلیل احساسات متون فارسی 176 189 114874 10.22052/scj.2025.255682.1278 FA سمیرا نوفرستی دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران. 0000-0002-3751-916X مهشید میری دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران. Journal Article 2024 10 24 Sentiment analysis is one of the important branches of natural language processing, which aims to classify texts with respect to the feelings and attitudes of the author of the text. In Persian, most of the available sentiment lexicons are small in size and lack slang expressions and informal words. These features significantly reduce the performance of sentiment analysis algorithms. This paper aims to present a method based on deep learning and sentiment lexicons for sentiment analysis of Persian texts written on social networks. Since most existing sentiment lexicons in Persian language are small in size and lack slang and informal expressions, first, two methods based on ChatGPT are proposed to expand the existing Persian sentiment lexicons by adding slang expressions that are widely used in social media. Then, the combination of the sentiment lexicon and dual-channel convolutional neural network (DC-CNN) is used to determine the polarity of texts. Experimental results show that by expanding the existing sentiment lexicons with the two proposed methods, the accuracy of the sentiment analysis algorithm increases by 1.74 and 2.14 percent, respectively, which indicates the success of ChatGPT in polarity classification of Persian slang expressions. Also, employing the features extracted from the sentiment lexicon in a DC-CNN leads to an increase in the precision of the two base models by 1.6 and 3.2 percent. تحلیل احساسات یکی از شاخه‌های مهم پردازش زبان طبیعی است که هدف آن طبقه‌بندی متون بر اساس احساس و نگرش نویسنده متن است. در زبان فارسی، متون نوشته شده در شبکه‌های اجتماعی غالبا کوتاه، بدون ساختار و مملو از عبارات محاوره‌ای و غیررسمی هستند که این ویژگی‌ها باعث می‌شود کارایی الگوریتم‌های تحلیل احساسات به طور چشمگیری کاهش یابد. هدف این مقاله ارائه روشی مبتنی بر یادگیری عمیق و واژه‌نامه حسی برای تحلیل احساسات متون فارسی نوشته شده در شبکه‌های اجتماعی است. به دلیل این که اغلب واژه‌نامه‌های حسی موجود در زبان فارسی از لحاظ اندازه کوچک و فاقد عبارات محاوره‌ای و غیررسمی هستند، ابتدا روشی برای گسترش واژه‌نامه‌های حسی موجود با افزودن عبارات محاوره‌ای پرکاربرد در رسانه‌های اجتماعی که به کمک ChatGPT تعیین قطبیت شده‌اند، ارائه می‌شود. سپس از ترکیب واژه‌نامه حسی و شبکه عصبی پیچشی دو کاناله برای تعیین قطبیت متون استفاده می‌شود. نتایج ارزیابی‌های انجام گرفته نشان می‌دهد که با گسترش واژه‌نامه‌های حسی موجود با دو روش پیشنهادی، صحت الگوریتم تحلیل احساسات به ترتیب 1.74 و 2.14 درصد افزایش می‌یابد که نشان‌دهنده موفقیت ChatGPT در تعیین قطبیت عبارات محاوره‌ای فارسی است. همچنین، بکارگیری ویژگی‌های مستخرج از واژه‌نامه حسی در یک شبکه عصبی پیچشی دوکاناله منجر به افزایش دقت دو مدل پایه مورد بررسی به میزان 1.6 و 3.2 درصد می‌شود. تحلیل احساسات تعیین قطبیت یادگیری عمیق شبکه عصبی پیچشی دوکاناله واژه‌نامه حسی عبارات محاوره‌ای https://scj.kashanu.ac.ir/article_114874_2a1905147b9bc31de56c4fe487c0f72a.pdf