@article{ 
author = {BorumandSaeid, Arsham and Hesampour, Maryam and KuchakiRafsanjani, Marj},  
title = {Intuitionistic fuzzy logic for adaptive energy efficient routing in mobile ad-hoc networks}, 
abstract ={In recent years, mobile ad-hoc networks have been used widely due to advances in wireless technology. These networks are formed in any environment that is needed without a fixed infrastructure or centralized management. Mobile ad-hoc networks have some characteristics and advantages such as wireless medium access, multi-hop routing, low cost development, dynamic topology and etc. In these networks the nodes formed temporarily and can move freely and each node has a limited energy that is supplied by the battery. Energy-efficient routing is one of the most important and challenging issues in these networks because of the limited energy. Therefore, most researchers seek to provide a method for energy aware routing. Soft computing methods help mobile ad-hoc networks, so that these networks would be worked more efficiently. One of these methods is using intuitionistic fuzzy logic that improves the evaluation parameters such as throughput. In this paper, an intuitionistic fuzzy logic system has been used for adjusting node willingness parameter in AODV protocol. Decision about participating in the routing of each mobile node is done by the intuitionistic fuzzy logic system with remaining energy and consumption energy of each node. In order to evaluate the proposed protocol entitled IFEE-AODV (Intuitionistic Fuzzy logic for Energy Efficient routing based AODV), we simulated IFEE-AODV by using MATLAB software and compared these results with AODV(Ad hoc On-demand Distance Vector), DFES-AODV (Dynamic Fuzzy Energy State based AODV) and SFES-AODV (Static Fuzzy Energy State based AODV) protocols. The results show that this protocol in metrics of packet delivery ratio and network lifetime has better performance than other protocols.},  
Keywords = {Mobile ad-hoc networks (MANETs), Routing, Energy efficient, Energy aware, Intuitionistic fuzzy logic system},
volume = {18},
Number = {1}, 
pages = {12-3}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {مسیریابی مؤثر سازگار با انرژی در شبکه‌های سیار موردی براساس منطق فازی شهودی},
abstract_fa ={شبکه‌­های سیار موردی بدون هیچ زیرساختار ثابت و مدیریت مرکزی در هر محیطی که نیاز باشد، تشکیل می­‌شوند. این شبکه‌ها به‌طور موقت شکل می­‌گیرند و گره­‌ها می‌­توانند آزادانه حرکت کنند؛ به­‌طوری­که هر گره دارای انرژی محدودی است که به‌وسیله باتری تأمین می‌شود. به‌دلیل محدودیت انرژی، مسیریابی با انرژی کارآمد یکی از مسائل بسیار مهم و چالش برانگیز در این شبکه­‌ها است؛ بنابراین بیش‌تر پژوهش‌گران به‌دنبال ارائه روشی برای مسیریابی انرژی آگاه هستند. در این مقاله برای ارائه یک پروتکل مسیریابی انرژی آگاه از یک سامانه منطق فازی شهودی برای تنظیم پارامتر تمایل گره در پروتکل مسیریابی AODV کمک گرفته شده است. تصمیم برای شرکت‌کردن هر گره متحرک در مسیریابی به­‌وسیله سامانه منطق فازی شهودی با مقدار انرژی باقی‌مانده و مقدار انرژی مصرفی گرفته می­‌شود. به‌منظور ارزیابی، پروتکل پیشنهادی (IFEE-AODV) را با استفاده از نرم‌­افزار متلب شبیه­‌سازی کرده و با روش‌های دیگر (AODV، DFES-AODV و SFES-AODV) مقایسه کرده‌­ایم که نتایج به‌دست‌آمده نشان می­‌دهد، این پروتکل از نظر نرخ تحویل بسته و زمان عمر شبکه در مقایسه با سه روش دیگر از عملکرد خوبی برخوردار است.},
keywords_fa = {شبکه‌های سیار موردی, مسیریابی, انرژی کارآمد, انرژی آگاه, سامانه منطق فازی شهودی},

doi = {10.52547/jsdp.18.1.12},
url = {http://jsdp.rcisp.ac.ir/article-1-982-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-982-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Tahmasbi, Hamidreza and Jalali, Mehrdad and Shakeri, Hass},  
title = {A social recommender system based on matrix factorization considering dynamics of user preferences}, 
abstract ={With the expansion of social networks, the use of recommender systems in these networks has attracted considerable attention. Recommender systems have become an important tool for alleviating the information that overload problem of users by providing personalized recommendations to a user who might like based on past preferences or observed behavior about one or various items. In these systems, the users’ behavior is dynamic and their preferences change over time for different reasons. The adaptability of recommender systems to capture the evolving user preferences, which are changing constantly, is essential. Recent studies point out that the modeling and capturing the dynamics of user preferences lead to significant improvements in recommendation accuracy. In spite of the importance of this issue, only a few approaches recently proposed that take into account the dynamic behavior of the users in making recommendations. Most of these approaches are based on the matrix factorization scheme. However, most of them assume that the preference dynamics are homogeneous for all users, whereas the changes in user preferences may be individual and the time change pattern for each user differs. In addition, because the amount of numerical ratings dramatically reduced in a specific time period, the sparsity problem in these approaches is more intense. Exploiting social information such as the trust relations between users besides the users’ rating data can help to alleviate the sparsity problem. Although social information is also very sparse, especially in a time period, it is complementary to rating information. Some works use tensor factorization to capture user preference dynamics. Despite the success of these works, the processing and solving the tensor decomposition is hard and usually leads to very high computing costs in practice, especially when the tensor is large and sparse. In this paper, considering that user preferences change individually over time, and based on the intuition that social influence can affect the users’ preferences in a recommender system, a social recommender system is proposed. In this system, the users’ rating information and social trust information are jointly factorized based on a matrix factorization scheme. Based on this scheme, each users and items is characterized by a sets of features indicating latent factors of the users and items in the system. In addition, it is assumed that user preferences change smoothly, and the user preferences in the current time period depend on his/her preferences in the previous time period. Therefore, the user dynamics are modeled into this framework by learning a transition matrix of user preferences between two consecutive time periods for each individual user. The complexity analysis implies that this system can be scaled to large datasets with millions of users and items. Moreover, the experimental results on a dataset from a popular product review website, Epinions, show that the proposed system performs better than competitive methods in terms of MAE and RMSE.},  
Keywords = {Social recommender system, rating prediction, preference dynamics, matrix factorization, trust},
volume = {18},
Number = {1}, 
pages = {28-13}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {یک سامانه پیشنهاددهنده اجتماعی مبتنی بر تجزیه ماتریس با در‌نظر‌گرفتن پویایی علایق کاربران},
abstract_fa ={در سال‌های اخیر، استفاده از سامانه‌‌های پیشنهاددهنده در شبکه‌های اجتماعی رشد قابل توجهی داشته است. در این سامانه‌‌ها، رفتار و علایق کاربران در طول زمان تغییر می‌کند و تطبیق سامانه‌های پیشنهاددهنده با این پویایی علایق و نیازهای کاربران به‌منظور ارائه پیشنهادات دقیق‌تر به کاربران ضروری است. علی‌رغم اهمیت این موضوع، اغلب سامانه‌‌های پیشنهاددهنده، رفتار پویای کاربر را در نظر نمی‌گیرند. در این مقاله، یک سامانه پیشنهاددهنده اجتماعی با در‌نظر‌گرفتن پویایی علایق کاربران ارائه می‌شود که از روش تجزیه ماتریس استفاده می‌کند. در مدل پیشنهادی با در‌نظر‌گرفتن این‌که هر کاربر الگوی تغییر علایق خاص خود را دارد، فرض می‌شود که علایق فعلی کاربر به علایق او در دوره زمانی قبلی بستگی دارد، و یک ماتریس انتقال علایق برای هر کاربر به‌منظور مدل‌کردن پویایی علایق کاربر بین دو دوره متوالی آموزش داده می‌شود و با ترکیب امتیازاتِ کاربران و اعتماد بین آن‌ها بر اساس روش تجزیه ماتریس، امتیازاتِ کاربران به اقلام پیش‌بینی می‌شود. ارزیابی‌ها بر روی مجموعه داده Epinions نشان می‌دهند که مدل پیشنهادی نسبت به روش‌های مقایسه‌شده، منجر به بهبود بیشتر دقت در پیش‌بینی امتیازات می‌‌شود. همچنین تحلیل پیچیدگی زمانی مدل پیشنهادی بیان‌گر مقیاس‌پذیر‌بودن این مدل  است.},
keywords_fa = {سامانه پیشنهاددهنده اجتماعی, پیش‌بینی امتیازات, پویایی علایق, تجزیه ماتریس, اعتماد},

doi = {10.52547/jsdp.18.1.28},
url = {http://jsdp.rcisp.ac.ir/article-1-929-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-929-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Jahanbakhsh-Nagadeh, Zoleikha and Feizi-Derakhshi, Mohammad-Reza and Sharifi, Arash},  
title = {A Model for Detecting of Persian Rumors based on the Analysis of Contextual Features in the Content of Social Networks}, 
abstract ={The rumor is a collective attempt to interpret a vague but attractive situation by using the power of words. Therefore, identifying the rumor language can be helpful in identifying it. The previous research has focused more on the contextual information to reply tweets and less on the content features of the original rumor to address the rumor detection problem. Most of the studies have been in the English language, but more limited work has been done in the Persian language to detect rumors. This study analyzed the content of the original rumor and introduced informative content features to early identify Persian rumors (i.e., when it is published on news media but has not yet spread on social media) on Twitter and Telegram. Therefore, the proposed model is based on physical and non-physical content features in three categories including, lexical, syntactic, and pragmatic. These features are a combination of the common content features along with the proposed new content-based features. Since no social context information is available at the time of posting rumors, the proposed model is independent of propagation-based features and relies on the content-based information of the original rumor. Although in the proposed model, much information (including user information, the user's reaction to the rumor, and propagation structures) are ignored, but helpful content information can be obtained for classification by content analysis of the original rumor. Several experiments have been performed on the various combinations of feature sets (i.e., common and proposed content features) to explore the capability of features in distinguishing rumors and non-rumors separately and jointly. To this end, three machine learning algorithms including, Random Forest (RF), AdaBoost, and Support Vector Machine (SVM) have been used as strong classifications to evaluate the accuracy of the proposed model. To achieve the best performance of classification algorithms on the training dataset, it is necessary to use feature selection techniques. In this study, the Sequential Forward Floating Search (SFFS) approach has been used to select valuable features. Also, the statistical results of the t-test on the P-value (<=0.05) demonstrate that most of the new features proposed in this study reveal statistically significant differences between rumor and non-rumor documents. The experimental results are shown the performance of new proposed features to improve the accuracy of the rumor detection. The F-measure of the proposed model to detect Persian rumors on the Twitter dataset was 0.848, on the Kermanshah earthquake dataset was 0.952 and on the Telegram dataset was 0.867, which indicated the ability of the proposed method to identify rumors only by focusing on the content features of the original rumor text. The results of evaluating the proposed model on Twitter rumors show that, despite the short length of Twitter tweets and the extraction of limited content information from tweets, the proposed model can detect Twitter rumors with acceptable accuracy. Hence, the ability of content features to distinguish rumors from non-rumors is proven.},  
Keywords = {Persian rumors detection, Content analysis, Physical and non-physical content features, Text processing},
volume = {18},
Number = {1}, 
pages = {50-29}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {ارائه مدلی برای تشخیص شایعات فارسی مبتنی بر تحلیل ویژگی‌های محتوایی در متن شبکه‌های اجتماعی},
abstract_fa ={شایعه یک تلاش جمعی است که در آن از قدرت واژگان برای تفسیر یک موقعیت مبهم‏ ولی جذاب استفاده می­شود؛ بنابراین، شناسایی زبان شایعه می­تواند در تشخیص شایعات کمک­کننده باشد. پژوهش‌های پیشین  برای حل مسأله تشخیص شایعه بیشتر بر روی اطلاعات متنی موجود در ریتوییت و توییت پاسخ کاربران و کمتر بر روی متن اصلی شایعه متمرکز شده­اند. اغلب این پژوهش‌ها بر روی زبان انگلیسی بوده و کارهای محدودی در زبان فارسی انجام شده است؛ از این­رو، این مقاله تنها با تمرکز برروی متن اصلی شایعات فارسی و معرفی ویژگی­هایی با ارزش اطلاعات محتوایی بالا، مدلی مبتنی بر ویژگی­های محتوایی فیزیکی و غیرفیزیکی برای تشخیص شایعات فارسی منتشر‌شده برروی توییتر و تلگرام ارائه می‌کند. مدل پیشنهادی شایعات فارسی مجموعه‌داده توییتر را با معیار-F  848/0، شایعات مجموعه‌داده زلزله کرمانشاه را با معیار-F 952/0 و شایعات تلگرامی را با معیار-F 867/0 شناسایی کرده است؛ که نشان‌دهنده توانمندی مدل پیشنهادی برای شناسایی شایعات تنها با تمرکز بر ویژگی­های محتوایی متن شایعه منبع است.},
keywords_fa = {تشخیص شایعات فارسی, تحلیل محتوی, ویژگی‌های محتوایی فیزیکی و غیرفیزیکی, پردازش متن},

doi = {10.52547/jsdp.18.1.50},
url = {http://jsdp.rcisp.ac.ir/article-1-1033-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1033-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {HasniAhangar, Mohammad Reza and Amirijezeh, Ali},  
title = {Improving Precision of Keywords Extracted From Persian Text Using Word2Vec Algorithm}, 
abstract ={Keywords can present the main concepts of the text without human intervention according to the model. Keywords are important vocabulary words that describe the text and play a very important role in accurate and fast understanding of the content. The purpose of extracting keywords is to identify the subject of the text and the main content of the text in the shortest time. Keyword extraction plays an important role in the fields of text summarization, document labeling, information retrieval, and subject extraction from text. For example, summarizing the contents of large texts into smaller texts is difficult, but having keywords in the text can make you aware of the topics in the text. Identifying keywords from the text with common methods is time-consuming and costly. Keyword extraction methods can be classified into two types with observer and without observer. In general, the process of extracting keywords can be explained in such a way that first the text is converted into smaller units called the word, then the redundant words are removed and the remaining words are weighted, then the keywords are selected from these words. Our proposed method in this paper for identifying keywords is a method with observer. In this paper, we first calculate the word correlation matrix per document using a feed forward neural network and Word2Vec algorithm. Then, using the correlation matrix and a limited initial list of keywords, we extract the closest words in terms of similarity in the form of the list of nearest neighbors. Next we sort the last list in descending format, and select different percentages of words from the beginning of the list, and repeat the process of learning the neural network 10 times for each percentage and creating a correlation matrix and extracting the list of closest neighbors. Finally, we calculate the average accuracy, recall, and F-measure. We continue to do this until we get the best results in the evaluation, the results show that for the largest selection of 40% of the words from the beginning of the list of closest neighbors, the acceptable results are obtained. The algorithm has been tested on corpus with 800 news items that have been manually extracted by keywords, and laboratory results show that the accuracy of the suggested method will be 78%.},  
Keywords = {keywords, word2vec algorithm, neural network, giving weight features},
volume = {18},
Number = {1}, 
pages = {60-51}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بهبود دقت واژگان کلیدی استخراج‌شده از متن فارسی با استفاده از الگوریتم Word2Vec},
abstract_fa ={واژگان کلیدی لغات مهمی از سند هستند که بیان‌گر توصیفی از متن هستند و نقش بسیار مهمی در فهم دقیق و سریع از محتوا دارند. شناسایی واژگان کلیدی از متن با روش‌های معمول کاری زمان‌بر و پرهزینه است. در این مقاله ابتدا با استفاده از شبکه عصبی پیشرو و از طریق الگوریتم Word2Vec ماتریس همبستگی واژگان را به‌ازای یک سند محاسبه و سپس با استفاده از ماتریس همبستگی و یک فهرست اولیه محدود از واژگان کلیدی، نزدیک‌ترین واژگان را از نظر شباهت در قالب فهرست نزدیک‌ترین همسایگی‌­ها استخراج می‌کنیم. فهرست به‌دست‌آمده را به‌صورت نزولی مرتب و از ابتدای فهرست، درصدهای مختلفی از واژگان را انتخاب و به‌ازای هر درصد، ده مرتبه فرایند آموزش شبکه عصبی و ساخت ماتریس همبستگی و استخراج فهرست نزدیک‌ترین ­همسایگی‌­ها را تکرار و در‌نهایت میانگین دقت، فراخوانی و معیارF را محاسبه می‌کنیم. این کار را تا جایی ادامه می‌­دهیم که به بهترین نتایج در ارزیابی دست یابیم؛ نتایج نشان می­‌دهند که به‌ازای انتخاب حداکثر چهل درصدِ واژگان از ابتدای فهرستِ نزدیک‌ترین همسایگی­‌ها، نتایج مورد قبولی به‌دست می‌­آید. الگوریتم بر روی پیکره‌ای با هشتصد خبر که به‌صورت دستی واژگان کلیدی آن‌ها را استخراج کرده‌ایم، آزمایش‌شده است و نتایج آزمایش‌ها نشان می‌دهد که دقت روش پیشنهادی 78 درصد خواهد بود.},
keywords_fa = {واژگان کلیدی, الگوریتم word2Vec, شبکه عصبی, وزن دهی ویژگی},

doi = {10.52547/jsdp.18.1.60},
url = {http://jsdp.rcisp.ac.ir/article-1-858-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-858-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Akafan, Mohammad and Minaei, Behrouz and Bagheri, Alirez},  
title = {Identifying overlapping communities using multi-agent collective intelligence}, 
abstract ={The proposed algorithm in this research is based on the multi-agent particle swarm optimization as a collective intelligence due to the connection between several simple components which enables them to regulate their behavior and relationships with the rest of the group according to certain rules. As a result, self-organizing in collective activities can be seen. Community structure is crucial for many network systems, the algorithm uses a special type of coding to identify the number of communities without any prior knowledge. In this method, the modularity function is used as a fitness function to optimize particle swarm. Several experiments show that the proposed algorithm which is called Multi Agent Particle Swarm is superior compared with other algorithms. This algorithm is capable of detecting nodes in overlapping communities with high accuracy. The point in using the previously presented PSO algorithms for community detection is that they recognize non-overlapping communities, and this goes back to the representation of genes by these methods, but the use of multi-agent collective intelligence by our algorithm has led to the identification of nodes in overlapping communities. The results show that the nodes that are shared between a set of agents, these nodes are active nodes that create an overlap in the communities. Our experimental results show that when a member node is more than one community, this node is a good candidate to be selected as the active node, which has led to the creation of overlapping networks.},  
Keywords = {Particle swarm optimization, Multi-agent, Modularity, Social network, Overlapping community detection},
volume = {18},
Number = {1}, 
pages = {74-61}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {شناسایی جوامع هم‌پوشان با استفاده از هوش جمعی چند‌عامله},
abstract_fa ={چشم‌انداز شبکه اجتماعی روش واضحی را برای تجزیه و تحلیل ساختار کل نهادهای اجتماعی فراهم می‌کند. تشخیص جوامع در شبکه‌ها یکی از چالش‌های اساسی در علم شبکه و نیز یکی از بزرگ‌ترین دغدغه‌ها پس از شناسایی جوامع، شناسایی جامعه اصلی عوامل فعال در شبکه است که متعلق به چندین جامعه هستند. یافتن جوامعی که با یکدیگر هم‌پوشانی دارند، در شبکه‌های اجتماعی یک مبحث مهم و جالب در داده‌کاوی و سامانه‌‌های پیشنهاد‌دهنده است. الگوریتم ارائه‌شده در این مقاله مبتنی بر بهینه‌سازی ازدحام ذرات چند‌عامله است؛ به‌‌گونه‌ای که خود سازماندهی در مجموعه فعالیت‌ عامل‌ها دیده می‌شود. هوش جمعی باعث افزایش دقت جستجوی سراسری می‌شود و با استفاده از نوع خاصی کدگذاری، تعداد جوامع را تشخیص می‌دهد؛ به‌گونه‌ای که شاخص پیمانگی به‌عنوان تابع برازش، در بهینه‌سازی ازدحام ذرات مورد استفاده قرار خواهد گرفت. آزمایش‌های متعدد نشان‌ می‌دهد الگوریتم معرفی‌شده با نام بهینه‌سازی ازدحام ذرات چند‌عامله، قادر به تشخیص گره‌های موجود در جوامع هم‌پوشان با دقت بسیار بالا است. در گذشته پژوهش‌هایی در‌‌خصوص تشخیص جوامع با استفاده از بهنیه‌سازی ازدحام ذرات انجام شده است، اما آن‌ها تنها‌ قادر به تشخیص جوامع غیر هم‌پوشان هستند.},
keywords_fa = {بهینه‌سازی ازدحام ذرات, چند عامله, پیمانگی, شبکه‌ اجتماعی, شناسایی جوامع هم‌پوشان},

doi = {10.52547/jsdp.18.1.74},
url = {http://jsdp.rcisp.ac.ir/article-1-969-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-969-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {HaghniazJahromi, Benyamin and AlModarresi, Seyed Mohammad Taghi and Hajebi, Pooy},  
title = {Neural-Smith Predictor Method for Improvement of Networked Control Systems}, 
abstract ={Networked control systems (NCSs) are distributed control systems in which the nodes, including controllers, sensors, actuators, and plants are connected by a digital communication network such as the Internet. One of the most critical challenges in networked control systems is the stochastic time delay of arriving data packets in the communication network among the nodes. Using the Smith predictor as the controller is a common solution to overcome network time delay. Online and accurate modeling of the plant improves the performance of the networked control system, especially when the plant is nonlinear and has unknown parameters and time-variant behavior. In this paper, a novel controller, Neural-Smith predictor, is proposed, which firstly models plant using a perceptron neural network and secondly, another neural network is used as the core of signal processing of the controller. The parameters variation of the plant during time is considered online by the controller, and then the desired control signal is generated. The Integral of Time multiplied by the Absolut value of Error (ITAE) is a proper performance index for position control, so this index has been used to compare the results. Results of simulations show that NCS using the Neural-Smith predictor has better performance in comparison to the common Smith predictor and the novel compensation method using a modified communication disturbance observer (MCDOB) when the values of network time delay and variation of plant’s transfer function are excessive. For example, while the range of stochastic time delay is between 19 and 21 ms, the difference between the ITAE of controllers is 0.0004. This value increases to 0.027, while the range of stochastic time delay is between 910 and 930 ms.},  
Keywords = {Networked Control Systems, Neural Networks, Neural-Smith predictor, Online System Modeling, Smith predictor, Stochastic Time Delay},
volume = {18},
Number = {1}, 
pages = {86-75}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {کنترل‌گر عصبی‎-اسمیت پیش‌بین برای بهبود عملکرد سامانه‌های کنترل از طریق شبکه},
abstract_fa ={کنترل­‌گر اسمیت پیش‌­بین یک راه‌­حل مناسب در برابر چالش تأخیر تصادفی بسته‌­های داده در سامانه‏‌های کنترل از طریق شبکه است. مدل‏‌سازی دقیق و برخط دستگاه به ویژه در حالتی که دستگاه غیرخطی است و یا دارای پارامترهای مجهول و تغییرپذیر است، می‌‏تواند عملکرد کنترلی سامانۀ کنترل از طریق شبکه را به مقدار قابل‌توجهی بهبود بخشد. در این پژوهش، کنترل‏‌گری با نام”کنترل­‌گر عصبی‌اسمیت پیش‌‏بین“ ارائه شده که در آن با استفاده از شبکه‌‏های عصبی پرسپترون به مدل‏‌سازی برخط دستگاه پرداخته و از یک شبکۀ عصبی دیگر به‌عنوان مرکز پردازش سیگنال کنترل‌­گر استفاده شده است. با استفاده از کنترل­‌گر پیشنهادی، تغییرات پارامترهای دستگاه در اثر کارکرد در طول زمان، به‌صورت برخط مدل‌­سازی می‌‏شود و سیگنال کنترلی مناسب تولید می‌‏شود. نتایج شبیه‌‏سازی نشان می­‌دهد در سامانۀ کنترل از طریق شبکه، در حالتی که تأخیر تصادفی شبکه و تغییرات تابع تبدیل دستگاه افزایش می­‌یابد، استفاده از کنترل­گر عصبی- اسمیت پیش‌‏بین نسبت به کنترل­‌گر اسمیت پیش‌­بین ساده، عملکرد بهتری دارد. به‌عنوان مثال وقتی که تأخیر تصادفی شبکه در بازۀ ]21-19[ میلی­ثانیه باشد، تفاوت مقدار ITAE سامانۀ پیشنهادی با اسمیت پیش‌‏بین ساده برابر با 0004/0 است، اما به‌ازای تأخیر شبکه در بازۀ ]930-910[ میلی‌‏ثانیه این تفاوت درحدود 027/0 است.},
keywords_fa = {تأخیر تصادفی شبکه, سامانۀ کنترل از طریق شبکه, شبکه‌های عصبی, کنترل‌گر اسمیت پیش‌بین ساده, کنترل‌گر عصبی-اسمیت پیش‌‌بین, مدل‌سازی برخط.},

doi = {10.52547/jsdp.18.1.86},
url = {http://jsdp.rcisp.ac.ir/article-1-594-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-594-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {rezaei, yaser and rezaee, alirezae and darakeh, fateme and azarakhsh, zeynab},  
title = {Classification of polarimetric radar images based on SVM and BGSA}, 
abstract ={Classification of land cover is one of the most important applications of radar polarimetry images. The purpose of image classification is to classify image pixels into different classes based on vector properties of the extractor. Radar imaging systems provide useful information about ground cover by using a wide range of electromagnetic waves to image the Earth's surface. The purpose of this study is to present an optimal method for classifying polarimetric radar images. The proposed method is a combination of support vector machine and binary gravitational search optimization algorithm. In this regard, first a set of polarimetric features including original data values, target parsing features, and SAR separators are extracted from the images. Then, in order to select the appropriate features and determine the optimal parameters for the support vector machine classifier, the binary gravitational search algorithm is used. In order to achieve a classification system with high classification accuracy, the optimal values of the model parameters and a subset of the optimal properties are selected simultaneously. The results of the implementation of the proposed algorithm are compared with two states, taking into account all the selected features, and the genetic algorithm, the results of zoning for the three regions are examined. The separation of areas for the San Francisco and Manila regions, and the detection of oil slicks in the ocean surface of the Philippines, have been evaluated. The comparison with the genetic algorithm was approximately between 6% to 12% and the comparison with the presence of all features was between 13% and 20%. For the San Francisco area, the number of extraction properties was 101, which was selected using the proposed 47 optimal properties algorithm. For the city of Manila, after applying the algorithm, 31 optimal features have been selected from 65 features. For the oil slick of the city of the Philippines, we have reached the stated accuracy by selecting 33 features from 69 features, for the first two regions the number of initial population is 50 and the repetition period is 30, and for the third region with 30 initial population and the repetition period is 10.},  
Keywords = {Feature Selection, Image classification, support vector machine, optimization, binary gravitational search algorithm, polarimetric radar},
volume = {18},
Number = {1}, 
pages = {102-87}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {طبقه‌بندی تصاویر پلاریمتری رادار مبتنی بر ماشین بردار پشتیبان و الگوریتم جستجوی گرانشی دودویی},
abstract_fa ={هدف از این پژوهش ارائه یک روش بهینه بهه‌­منظور طبقه­‌بندی تصاویر رادار پلاریمتری است. روش پیشنهادی تلفیقی از ماشین بردار پشتیبان و الگوریتم بهینه­‌سازی جستجوی گرانشی دودویی است. در این راستا، ابتدا مجموعه‌­ای از ویژگی­‌های پلاریمتریک شامل مقادیر داده اصلی، ویژگی­‌های تجزیه هدف و تفکیک‌کننده‌های SAR از تصاویر استخراج می­‌شوند؛ سپس به‌منظور انتخاب ویژگی­‌های مناسب و تعیین پارامترهای بهینه برای طبقه‌­بندی‌کننده ماشین بردار پشتیبان از الگوریتم جستجوی گرانشی دودویی استفاده شده است. به‌منظور دست‌یابی به یک سامانه طبقه‌­بندی با دقت طبقه­‌بندی بالا، انتخاب مقادیر بهینه پارامترهای مدل و زیرمجموعه‌­ای از ویژگی‌های بهینه، به‌طور هم‌زمان انجام می‌­پذیرد. نتایج پیاده­‌سازی الگوریتم پیشنهادی با دو حالت، در‌نظر‌گرفتن تمام ویژگی‌­های انتخاب‌شده، و الگوریتم ژنتیک، قیاس شده که نتایج حاصل از تفکیک نواحی برای سه ناحیه مورد بررسی قرار گرفته است. تفکیک نواحی برای مناطق سانفرانسیسکو و مانیل، و تشخیص لکه نفتی سطح اقیانوس منطقه فیلیپین مورد ارزیابی قرار گرفته که به‌ترتیب با بهبود دقت کلی تقریبی 12، 7 و 5/6 درصد در قیاس با الگوریتم ژنتیک بهبود داشته است.},
keywords_fa = {انتخاب ویژگی, طبقه‌بندی تصویر, ماشین بردار پشتیبان, بهینه‌سازی, الگوریتم جستجوی گرانشی دودویی, پلاریمتری رادار},

doi = {10.52547/jsdp.18.1.102},
url = {http://jsdp.rcisp.ac.ir/article-1-895-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-895-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {JalalyBidgoly, Amir and Dehghani, Abbas},  
title = {Key Resynchronizing in Low Power Wide Area Networks}, 
abstract ={LPWANs are a class of technologies that have very low power consumption and high range of communication. Along with its various advantages, these technologies also have many limitations, such as low bandwidth, connectionless transmission and low processing power, which has challenged encryption methods in this technologies. One of the most important of these challenges is encryption. The very small size of the message and the possibility of packet loss without the gateway or device awareness, make any of the cipher chaining methods such as CBC, OFB or CTC impossible in LPWANs, because either they assume a connection oriented media or consume part of the payload for sending counter or HMAC. In this paper, we propose a new way to re-synchronize the key between sender and receiver in the event of a packet being lost that will enable us to perform cipher chaining encryption in LPWAN limitation. The paper provides two encryption synchronization methods for LPWANs. The first method can be synchronized in a similar behavior as the proof of work in the block chain. The second proposed method is able to synchronize the sender and receiver with the least possible used space of the message payload. The proposed method is able to synchronize the parties without using the payload. The proposed method is implemented in the Sigfox platform and then simulated in a sample application. The simulation results show that the proposed method is acceptable in environments where the probability of missing several consecutive packets is low.},  
Keywords = {LPWAN, Encryption, Key Re-Synchronization, Hashing},
volume = {18},
Number = {1}, 
pages = {118-103}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {همگام‌سازی مجدد کلید در بستر اینترنت اشیای بُرد بلند و توان‌ پایین},
abstract_fa ={اینترنت اشیای برد بلند و توان پایین (LPWAN) به دسته‌ای از فناوری‌های ارتباطی در اینترنت اشیا گفته می‌شود که دارای مصرف بسیار پایین و در عین حال برد ارتباطی بلند هستند. در کنار مزایای مختلف، این فناوری‌ها محدودیت‌های بسیاری نیز از جمله پهنای باند کم، ارسال بدون اتصال و قدرت پردازشی پایین دارند که روش‌های رمزنگاری در این بستر را دچار چالش کرده است. یکی از مهم‌ترین این چالش‌ها، زنجیره‌سازی رمز در این بستر است. حجم بسیار کوچک پیام و احتمال از‌دست‌رفتن بسته بدون اطلاع دروازه و دستگاه، باعث می‌شود هیچ از یک روش‌های متداول زنجیره‌سازی رمز مانند CBC، OFB و یا CTC در بستر اینترنت اشیا توان پایین امکان‌پذیر نباشد؛ چون هر یک از این روش‌ها یا باید بر روی یک بستر اتصال‌گرا باشد و یا بخشی از حجم بسته ارسالی را با روش‌های مانند ارسال شمارنده و یا HMAC مصرف کند. در این مقاله، روشی جدیدی جهت همگام‌سازی مجدد فرستنده و گیرنده در صورت از دست رفتن یک بسته ارائه می‌شود که به وسیله آن قادر خواهیم بود در محدویت‌های LPWAN، رمزنگاری را در حالت زنجیره‌ای انجام داد. روش پیشنهادی قادر است بدون استفاده از فضای پیام ارسالی، همگام‌سازی طرفین را انجام دهد. نتایج  شبیه‌سازی بیان‌گر این است که روش پیشنهادی در محیط‌های که احتمال از‌دست‌رفتن چند بسته پشت سر هم، پایین است، کارآیی قابل قبولی دارد.},
keywords_fa = {اینترنت اشیای توان پایین و دوربرد, رمزنگاری, همگام‌سازی کلید, چکیده‌سازی},

doi = {10.52547/jsdp.18.1.118},
url = {http://jsdp.rcisp.ac.ir/article-1-952-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-952-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Soltanian, Mohammad and Ghaemmaghami, Shahrokh},  
title = {Recognition of Visual Events using Spatio-Temporal Information of the Video Signal}, 
abstract ={Recognition of visual events as a video analysis task has become popular in machine learning community. While the traditional approaches for detection of video events have been used for a long time, the recently evolved deep learning based methods have revolutionized this area. They have enabled event recognition systems to achieve detection rates which were not reachable by traditional approaches. Convolutional neural networks (CNNs) are among the most popular types of deep networks utilized in both imaga and video recognition tasks. They are initially made up of several convolutional layers, each of which followed by proper activation and possibly pooling layers. They often encompass one or more fully connected layers as the last layers. The favorite property of them in this work is the ability of CNNs to extract mid-level features from video frames. Actually, despite traditional approaches based on low-level visual features, the CNNs make it possible to extract higher level semantic features from the video frames. The focus of this paper is on recognition of visual events in video using CNNs. In this work, ‎image trained descriptor‎s are used to make video recognition can be done with low computational complexity. A tuned CNN is used as the frame descriptor and its fully connected layers are utilized as concept detectors. So, the featue maps of activation layers following fully connected layers act as feature vectors. These feature vectors (concept vectors) are actually the mid-level features which are a better video representation than the low level features. The obtained mid-level features can partially fill the semantic gap between low level features and high level semantics of video. The obtained descriptors from the CNNs for each video are varying length stack of feature vectors. To make the obtained descriptors organized and prepared for clasification, they must be properly encoded. The coded descriptors are then normalized and classified. The normaliztion may consist of conventional and  normalization or more advanced power-law normalization. The main purpose of normalization is to change the distribution of descriptor values in a way to make them more uniformly distributed. So, very large or very small descriptors could have a more balanced impact on recognition of events. The main novelty of this paper is that spatial and temporal information in mid-level features are employed to construct a suitable coding procedure. We use temporal information in coding of video descriptors. Such information is often ignored, resulting in reduced coding efficiency. Hence, a new coding is proposed which improves the trade-off between the computation complexity of the recognition scheme and the accuracy in identifying video events. It is also shown that the proposed coding is in the form of an optimization problem that can be solved with existing algorithms. The optimization problem is initially non-convex and not solvable with the existing methods in polynomial time. So, it is transformed to a convex form which makes it a well defined optimization problem. While there are many methods to handle these types of convex optimization problems, we chose to use a strong convex optimization library to efficiently solve the problem and obtain the video descriptors. To confirm the effectiveness of the proposed descriptor coding method, extensive experiments are done on two large public datasets: Columbia consumer video (CCV) dataset and ActivityNet dataset. Both CCV and ActivityNet are popular publically available video event recognition datasets, with standard train/test splits, which are large enough to be used as reasonable benchmarks in video recognition tasks. Compared to the best practices available in the field of detecting visual events, the proposed method provides a better model of video and a much better mean average precision, mean average recall, and F score on the test set of CCV and ActivityNet datasets. The presented method not only improves the performance in terms of accuracy, but also reduces the computational cost with respect to those of the state of the art. The experiments vividly confirm the potential of the proposed method in improving the performance of visual recognition systems, especially in supervised video event detection.},  
Keywords = {Convolutional neural network, Average pooling, Max pooling, Support vector machine, Vector of locally aggregated descriptors},
volume = {18},
Number = {1}, 
pages = {134-119}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تشخیص وقایع بصری به‌کمک اطلاعات مکانی-زمانی سیگنال ویدئو},
abstract_fa ={در این مقاله، ‏تشخیص وقایع بصری در ویدئو، با بهره­‌گیری از اطلاعات زمانی سیگنال، به‌صورت تحلیلی موردتوجه قرار دارد. با استفاده از یادگیری انتقالی‏، توصیف‌گرهای آموزش‌دیده روی تصاویر به ویدئو اعمال می‌شوند تا تشخیص وقایع را با استفاده از منابع محاسباتی محدود‏، ممکن سازند. ‏در این مقاله، یک شبکه عصبی کانولوشنی به‌عنوان استخراج‌کننده نمرات مفاهیم از قاب‌‌های ویدئو به‌کار می‌رود‏. ابتدا پارامترهای این شبکه روی زیرمجموعه‌ای از داده‌های آموزش تنظیم ‏دقیق می‌شوند؛ سپس، توصیف‌گرهای خروجی از لایه‌های تمام‌متصل آن به‌عنوان توصیف‌گر سطح قاب مورداستفاده قرار می‌گیرند. توصیف‌گرهای به‌دست‌آمده، کدگذاری و در‌نهایت نرمالیزه‌سازی و طبقه‌بندی می‌شوند. نوآوری عمده این مقاله‏، ترکیب اطلاعات زمانی ویدئو در کدگذاری توصیف‌گرهای آن است. گنجاندن ساختاری اطلاعات بصری در فرایند کدگذاری توصیف‌گرهای ویدئویی،‏، اغلب نادیده گرفته می‌شود. این موضوع به کاهش دقت منجر می­‌شود. برای حل این مسأله، یک روش کدگذاری نوین ارائه می‌شود که مصالحه بین پیچیدگی محاسبات و دقت در شناسایی وقایع ویدیویی را بهبود می­‌دهد. در این کدگذاری‏، بعد زمانی سیگنال ویدئویی برای ساخت یک بردار مکانی-زمانی از توصیف‌گرهای مجتمع محلی (‎‎‎VLAD‎) استفاده، سپس نشان داده می‌شود که کدگذاری پیشنهادی ماهیتاً یک مسأله بهینه‌سازی است که با الگوریتم‌های‎ موجود به‌راحتی قابل‌حل است. در مقایسه با بهترین روش‌های موجود در حوزه تشخیص وقایع بصری مبتنی بر توصیف‌گرهای سطح قاب‏، روش پیشنهادی مدل بهتری را از ویدئو ارائه می‌کند. روش ارائه‌شده بر حسب سه معیار میانگین دقت متوسط، میانگین فراخوانی متوسط و معیار F به عملکرد بالاتری بر روی هر دو مجموعه‌‌‌داده آزمون مورد بررسی دست می‌یابد. نتایج به‌دست‌آمده توانمندی روش پیشنهادی را در بهبود عملکرد سامانه‌های تشخیص وقایع بصری تأیید می‌کنند.},
keywords_fa = {شبکه عصبی کانولوشنی‌, ‎‌ادغام میانگین‌, ادغام بیشینه‌, ماشین بردار پشتیبان‌, ‌بردار توصیف‌گرهای مجتمع محلی},

doi = {10.52547/jsdp.18.1.134},
url = {http://jsdp.rcisp.ac.ir/article-1-928-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-928-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Abbasi, Mahdi and AfshariHaghdoost, Motahareh},  
title = {Improvement and parallelization of Snort network intrusion detection mechanism using graphics processing unit}, 
abstract ={Nowadays, Network Intrusion Detection Systems (NIDS) are widely used to provide full security on computer networks. IDS are categorized into two primary types, including signature-based systems and anomaly-based systems. The former is more commonly used than the latter due to its lower error rate. The core of a signature-based IDS is the pattern matching. This process is inherently a computationally intensive task, and in the worst case, about 80% of the total processing time of an IDS is spent on it. On the other hand, the rapid development of network bandwidth and high link speeds, which in turn leads to a loss of a large number of inbound packets in the network intrusion detection system, has posed challenges as crucial factors limiting the performance of this type of system. Snort is a signature-based NIDS that is highly interested due to being open-source, free, and easy to use. To resolve the challenges mentioned above, we propose an enhanced version of Snort, which is enriched by exploiting two key ideas. The first idea is the filtering of unnecessary packets based on a blacklist of source IP addresses. This filter is used as a preprocessing mechanism to improve the efficiency of the Snort. However, the packet filtering speed is decreased by increasing the network traffic volumes. Therefore, to accelerate the function of this mechanism, we have proposed a second crucial idea. The data-parallel nature of snort functions lets us parallelize two main computationally intensive functions of it on the graphical processing unit. These functions include the lookup on the blacklist filter in the preprocessing stage and the signature matching of Snort, which completes the intrusion detection process. For parallelizing the preprocessing step of Snort, first, a blacklist is provided from the DARPA dataset. Next, this blacklist is transferred together with the Snort ruleset to the global memory of the GPU. Finally, each thread concurrently matches each packet against the blacklist filters. For parallelizing the signature matching step of Snort, the well-known pattern matching algorithm of Boyer-Moore is parallelized similarly. Evaluation results show that the proposed method, by up to 30 times faster than the sequential version, significantly improves the blacklist-based filtering performance. Also, the efficiency of the proposed method in using GPU resources for parallel intrusion detection is 81 percent higher than the best state-of-the-art method.},  
Keywords = {Network intrusion detection system, packet filter, black list, pattern matching, graphics processing unit},
volume = {18},
Number = {1}, 
pages = {150-135}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بهبود و موازی‌سازی سازوکار تشخیص نفوذ شبکه Snort با استفاده از واحد پردازش گرافیکی},
abstract_fa ={سامانه تشخیص نفوذ شبکه به‌منظور برقراری امنیت کامل در شبکه‌های رایانه‌ای به‌طور گسترده مورداستفاده قرار می‌گیرد. سامانه تشخیص نفوذ شبکه مبتنی بر امضا نسبت به نوع مبتنی بر ناهنجاری به‌دلیل نرخ هشدار اشتباه پایین‌تر، از عمومیت بالاتری برخوردار است. فرآیند تطبیق الگو در چنین دستگاهی نیازمند پردازش محاسباتی بالا است. از سوی دیگر توسعه سریع پهنای باند شبکه و سرعت‌های بالای پیوند که خود موجب از‌دست‌رفتن تعداد زیادی از بسته‌های ورودی در سامانه تشخیص نفوذ شبکه می‌‌شود، به‌عنوان عوامل کلیدی محدودکننده کارایی این نوع سامانه، آن را با چالش‌هایی روبه‌رو کرده است. Snort یک سامانه تشخیص نفوذ شبکه مبتنی بر امضا بوده که به‌دلیل متن‌باز، رایگان و سبک‌بودن بسیار پرکاربرد است. در این مقاله جهت بهبود کارایی سامانه تشخیص نفوذ شبکه snort، از ایده کلیدی فیلتر‌کردن بسته‌های غیرضروری شبکه بر اساس فهرست سیاه نشانی‌‌ها، به‌عنوان یک سازوکار پیش‌پردازش استفاده‌ شده است. یکی از چالش‌های مهم این سازوکار کاهش سرعت فیلتر‌کردن بسته‌ها، با افزایش حجم ترافیک شبکه است؛ بنابراین به‌عنوان بهبود دوم، جهت تسریع عملکرد این سامانه ارائه‌شده، نسخه موازی آن را روی بستر رمز جهت اجرا روی واحد پردازش گرافیکی ارائه کردیم. الگوریتم پیشنهادی را بر روی مجموعه‌داده DARPA در یک پردازنده گرافیکی آزمایش شد. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی با تسریعی بیش از سی برابر نسبت به نسخه متوالی، باعث بهبود قابل‌توجهی در عملکرد فیلتر بسته مبتنی بر فهرست سیاه می‌‌شود. همچنین، بهره‌وری روش پیشنهادی در استفاده از منابع پردازنده گرافیکی برای اجرای موازی تشخیص نفوذ نسبت به بهترین روش موجود حدود 81 درصد بیشتر است.},
keywords_fa = {سامانه تشخیص نفوذ شبکه, فیلتر بسته, فهرست سیاه, تطبیق الگو, واحد پردازش گرافیکی},

doi = {10.52547/jsdp.18.1.150},
url = {http://jsdp.rcisp.ac.ir/article-1-964-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-964-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Ebrahimi, Maryam and Tadayon, Mohammad Hesam and SayadHaghighi, Mohamm},  
title = {Trust Management in Internet of Things: Review,  Analysis and Establishment of Evaluation Criteria}, 
abstract ={In the complex Internet of Things (IoT) paradigm that things interact with each other as well as with human beings, one approach is to implement trust management systems in order to provide security for smart network applications. Trust, in general, overlaps with concepts such as privacy, security, and reliability. However, the high number of objects in IoT, along with its dynamic nature and existence of malicious entities, make IoT trust management quite challenging. These attributes rule out the possibility of using traditional best practices for IoT networks. Trust management algorithms have been implemented for a variety of applications in IoT environments. These algorithms are usually utilized to enhance the quality of received services in the presence of malicious entities. Such algorithms and methods have been proposed to secure IoT networks in different contexts, including traffic routing, smart cities, vehicular ad-hoc networks, healthcare ecosystems, and object authentication. In this paper, first, different state of the art trust computation methods are numerically evaluated to estimate trust in a common testbed. Finding the best approach to assign a precise value to the trust level of an object is a crucial matter. Therefore, the principal parameters that make trust computation methods different are extracted and then, the existing trust calculation approaches built upon them are categorized. Type of relationship, direct trust, indirect trust, combination of trust values, trust updating process, data storage, and social relationships are considered as the parameters to analyze trust computation models with. Type of relationship between trustor and trustee can be different. Either of them can be object or human. Moreover, trust is usually a combination of direct experiences and recommenders’ feedback. There are different update methods too. Trust estimation can be updated after each transaction, a definite time interval, or both of them. Depending on the storage and accessibility of data, algorithms can be built to be centralized, decentralized or semi-centralized. Moreover, social parameters can be involved in trust assessment, which is the subject of trust management in Social IoT. After analyzing each of these parameters’ effect on trust assessment, in the next part of the article, trust-related attacks are studied. Every method that can make trust management models resistant to attacks is explained.  We introduce relevant attacks and their countermeasures in direct, indirect, and hybrid trust calculation algorithms. More importantly, we study the methods of trust model evaluation and the effect of limited resources on the performance of trust calculation algorithms. In short, we conduct a comparative survey in which trust-related IoT works are studied from four perspectives: (1) Trust calculation principles, (2) Attack resistance, (3) The effect of resource limitation on model performance, and (4) Trust management evaluation framework. Through this, we find the advantages and disadvantages of existing algorithms and make a measure for the evaluation of IoT trust management systems. We provide comparative tables to show the differences between IoT trust models. A major contribution of this paper is establishing quantitative metrics to assess trust estimation models and reveal their strengths and weaknesses under different conditions.},  
Keywords = {Trust, Internet of Things, Social Internet of Things, Trust Evaluation},
volume = {18},
Number = {2}, 
pages = {3-28}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {الگوریتم‌های اعتماد در اینترنت اشیا: بررسی، تحلیل و ارائه معیارهای ارزیابی},
abstract_fa ={در فضایی که ارتباط بین انسان‌­ها و اشیا و نیز اشیا با یکدیگر پیچیده است و انتظار اجرای برنامه‌­های کاربردی فراوانی روی بستر شبکه می­‌رود، یک رویکرد برای حرکت به سمت هوشمندی با حفظ امنیت، پیاده­‌سازی سامانه‌های مدیریت اعتماد است. اعتماد همه مفاهیم امنیت، محرمانگی، حریم خصوصی و قابلیت اطمینان را تحت تأثیر قرار می‌­دهد. تعداد زیاد اشیا در شبکه، قابلیت‌­ها و کاربردهای متنوع، پویایی بسیار بالا و همچنین حضور اشیای‌ مخرب، مدیریت اعتماد در شبکه اینترنت اشیا را به یک چالش جدی مبدل کرده است؛ به‌طوری که راه‌کارهای قدیمی پیاده‌سازی اعتماد، در  این شبکه قابل استفاده نیست. در این مقاله علاوه‌بر این‌که تحلیل جامعی روی مدل­‌های محاسبه مستقیم، غیرمستقیم و ترکیبی اعتماد انجام می‌شود، انواع حملات و روش­‌های مقابله با آن­ها، روش‌­های ارزیابی مدل‌های ارائه‌شده و تأثیر محدودیت‌­های اشیا بر مدل­‌های محاسبه اعتماد، بررسی می‌شود. حیطه این بررسی، دو حوزه مدیریت اعتماد و اینترنت اشیای اجتماعی است. به­‌طور خلاصه، مطالعات صورت‌گرفته در این حوزه از چهار دیدگاه مرور و مقایسه می‌شوند: (1) مدل‌های محاسبه اعتماد، (2) راه‌کارهای مقابله با حملات اعتماد، (3) تأثیر محدودیت­‌های عناصر اینترنت اشیا و (4) روش‌­های ارزیابی الگوریتم‌­های اعتماد؛ تا به این ترتیب بتوان با تحلیلی مناسب، به نقاط  قوت و ضعف الگوریتم­‌های موجود در مقالات مطرح پی برد و متر و معیاری برای بحث ارزیابی اعتماد در اینترنت اشیا ارائه کرد. در این راستا، روش‌­های ارزیابی (متریک‌­های) کمی‌ای ارایه می‌شود که هدف آنها کشف معایب و مزایای مدل­‌های تخمین اعتماد تحت شرایط مختلف است.},
keywords_fa = {اعتماد, اینترنت اشیا, اینترنت اشیای اجتماعی, ارزیابی اعتماد},

doi = {10.52547/jsdp.18.2.3},
url = {http://jsdp.rcisp.ac.ir/article-1-1123-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1123-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Ghaffari, Hamid Reza and JalaliMojahed, Ate},  
title = {Feature extraction based on the more resolution of the classes using auxiliary classifiers}, 
abstract ={Classification is a machine learning method used to predict a particular sample’s label with the least error. The present study was conducted using label prediction ability with the help of a classifier to create a new feature. Today, there are several feature-extraction methods like principal component analysis (PCA) and independent component analysis (ICA) that are widely used in different fields; however, they all suffer from the high cost of transferring to another space. The purpose of the proposed method was to create a higher distinction between various classes using the new feature in a way that, make the data in the classes closer to each other. As a result, for increasing the efficiency of classifiers, more differentiation is created between the data of various classes. Firstly, the suggested labels for the primary data set were determined using one or more classifiers and added to the primary data set as a new feature. The model was created using a new data set. The new feature for training and testing data sets was provided separately. The tests were performed on 20 standard data sets and the results of the proposed method were compared with those of the two methods described in the related studies. The outputs indicated that the proposed method has significantly improved the classification accuracy. In the second part of the tests, the resolution of the new feature was examined according to two criteria, namely Information Gain and Gini Index, for examining the effectiveness of the proposed method. The results showed that the feature obtained in the proposed method has higher Information Gain and lower Gini Index in most cases, as it has less irregularity. To prevent the increase in data dimensions, the feature with the least Information Gain was replaced with the feature extracted with the most Information Gain. The results of this step showed an increase in efficiency as well.},  
Keywords = {Feature extraction, classification, information gain, Gini index},
volume = {18},
Number = {2}, 
pages = {29-44}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {استخراج ویژگی مبتنی بر تفکیک‌پذیری بیشتر رده‌ها با استفاده از طبقه‌‌‌بندهای کمکی},
abstract_fa ={طبقه‌­بندی یک روش یادگیری ماشین است که برای پیش­‌گویی برچسب یک نمونه خاص با کمترین خطا استفاده می‌­شود. در این مقاله، از توانایی پیش‌­گویی برچسب به‌کمک طبقه‌­بند برای ایجاد ویژگی جدید استفاده شده­ است. امروزه روش‌­های استخراج ویژگی زیادی مانند PCA و ICA وجود دارند که در زمینه­‌های مختلف به­‌طور وسیع استفاده می‌شوند و از هزینه بالای انتقال به فضای دیگر رنج می‌برند. در روش پیشنهادی، هدف این است که به‌کمک ویژگی جدید، قدرت تفکیک‌­پذیری بیشتری بین رده‌­های مختلف ایجاد شود و داده‌های درون رده‌­ها به یکدیگر نزدیک‌­تر و تمایز بیشتری بین داده‌های رده‌­های مختلف به وجود آید تا کارایی طبقه‌­بندها افزایش یابد. ابتدا به‌کمک یک یا چند طبقه‌­بند، برچسب پیشنهادی برای مجموعه‌­داده­ اولیه تعیین و به‌عنوان ویژگی جدید به مجموعه‌داده اولیه اضافه می­‌شود. ایجاد مدل به‌کمک مجموعه‌داده جدید انجام می­‌شود. ویژگی جدید برای مجموعه‌داده آموزش و آزمون به‌صورت جداگانه به‌دست آورده می­‌شود. آزمایش‌­ها بر روی بیست مجموعه­‌داده استاندارد انجام شده و نتایج روش پیشنهادی با نتایج دو روش بیان‌شده در کارهای مرتبط نیز مقایسه شده است. نتایج نشان می­‌دهد که روش پیشنهادی به‌طور قابل توجهی باعث بهبود دقت رده‌بندی شده است. در بخش دوم آزمایش‌ها، برای بررسی میزان مؤثر‌بودن روش پیشنهادی، قدرت تفکیک‌­پذیری ویژگی جدید بر اساس دو معیار بهره اطلاعاتی و شاخص جینی بررسی شده ­است. نتایج نشان می­‌دهد که ویژگی به‌دست‌‌آمده در روش پیشنهادی در بیشتر موارد دارای بهره اطلاعاتی بیشتر و شاخص جینی کمتری است، زیرا بی‌­نظمی کمتری دارد. در ادامه، جهت جلوگیری از افزایش ابعاد داده، ویژگی استخراج‌شده با بیش‌ترین بار اطلاعاتی، جایگزین ویژگی با کم‌ترین بار اطلاعاتی شده­ است. نتایج این مرحله نیز بیان‌گر افزایش میزان کارایی است.},
keywords_fa = {استخراج ویژگی, طبقه‌بندی, بهره اطلاعاتی, شاخص جینی},

doi = {10.52547/jsdp.18.2.29},
url = {http://jsdp.rcisp.ac.ir/article-1-986-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-986-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Imanifar, Ehsan and Akhavan, Amir and abniki, ali asghar},  
title = {Real-Time DOA Estimation of Underwater Sound Sources Using GPU}, 
abstract ={Direction of Arrival (DOA) estimation of sound sources using phased array-based methods has a lot of importance in various fields, including sonar, robot vision, and mechanical defect detection. Adaptive beamforming methods, such as the MVDR (Minimum Variance Distortionless Response) algorithm, have high resolution compared to non-adaptive methods (Delay and Sum algorithm); but this advantage is achieved in return for the computational complexity of these algorithms. This makes it hard to use these algorithms in applications that require real-time sound source DOA estimation. On the other hand, an important feature of the adaptive beamforming methods including MVDR is the high potential of these algorithms for parallelization. The purpose of this paper is the parallel implementation of the MVDR algorithm by employing Graphical Processor Unit (GPU) instead of Central Processor Unit (CPU) to increase the execution speed and achieve the real-time mode. For this purpose, the CUDA (Compute Unified Device Architecture) programming model has been used to implement the algorithm on the GPU. CUDA is a parallel computing platform and application programming interface (API) model created by Nvidia. It allows software developers to use a CUDA-enabled GPU for parallel processing. In order to investigate the performance of parallel implementation of the MVDR algorithm, two different GPUs, as well as CPUs, have been used. The performance validity of various implementations in this paper was confirmed by real sonar data as well as simulation data. The results show that using an array of 64 sensors, it is possible to estimate the DOA of underwater sound sources in real-time mode and with high resolution using the MVDR algorithm.},  
Keywords = {DOA estimation of sound sources, MVDR algorithm, Parallel processing, GPU, CUDA},
volume = {18},
Number = {2}, 
pages = {45-56}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {جهت‌یابی زمان‌حقیقی منابع صوت زیر آب با استفاده از واحد پردازنده گرافیکی},
abstract_fa ={جهت­‌یابی منابع صوت به‌کمک روش‌­های مبتنی بر آرایه فازی، اهمیت فراوانی در حوزه‌­های مختلف از جمله سونار، بینایی ربات و تشخیص عیوب مکانیکی دارد. روش­‌های شکل­‌دهی‌­پرتو وفقی، از جمله الگوریتم کمینه‌­واریانس بدون‌­اعوجاج از قدرت تفکیک بالایی نسبت به روش‌­های غیروفقی برخوردار هستند؛ اما این برتری در ازای پیچیدگی محاسباتی این الگوریتم­‌ها به‌دست آمده است. این مسأله باعث می‌­شود در کاربردهایی که نیاز به جهت­‌یابی زمان­‌حقیقی منبع صوت دارند، به‌ندرت از این الگوریتم‌­ها استفاده شود. از سوی دیگر، یک ویژگی­ مهم روش‌­های شکل‌­دهی‌­پرتو وفقی از جمله کمینه‌واریانس، پتانسیل بالای این الگوریتم‌­ها برای موازی­‌سازی است. هدف این مقاله، پیاده­‌سازی موازی الگوریتم کمینه‌­واریانس با به کارگیری واحد پردازنده گرافیکی (GPU) به جای واحد پردازنده مرکزی (CPU)، به‌منظور افزایش سرعت اجرا و رسیدن به حالت زمان‌­حقیقی است. برای دست‌­یابی به این هدف از مدل برنامه­‌نویسی کودا  برای پیاده‌­سازی الگوریتم بر روی پردازنده گرافیکی استفاده شده است. به‌منظور بررسی عملکرد پیاده‌­سازی موازی الگوریتم کمینه­‌واریانس، دو مدل GPU متفاوت و همچنین CPU ­به‌کاربرده شده است. صحت عملکرد پیاده­‌سازی­‌های مختلف در این مقاله به‌وسیله داده‌­های واقعی سونار و همچنین داده­‌های شبیه­‌سازی تأیید شد. نتایج نشان می­‌دهد که می‌­توان با استفاده از یک آرایه 64 حس‌گره، جهت منابع صوت زیر آب را با استفاده از الگوریتم کمینه­‌واریانس به‌صورت زمان­‌حقیقی و با قدرت تفکیک بالا تخمین زد.  },
keywords_fa = {جهت‌یابی منابع صوت, الگوریتم کمینه‌واریانس, پردازش موازی, واحد پردازنده گرافیکی, مدل برنامه‌نویسی کودا},

doi = {10.52547/jsdp.18.2.45},
url = {http://jsdp.rcisp.ac.ir/article-1-990-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-990-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Abbaspourorangi, mina and Hashemigolpayegani, Alirez},  
title = {Identifying Influential Nodes to Diffuse the Trusting Behavior in Social Networks}, 
abstract ={Trust is one of the most important cornerstones in social networks' discussions. mostly the way that users of these networks trust each other are considered identical, while these users can have different approaches and considerations in trusting others. Meanwhile, users can impress each other and change their trusting patterns in other users. As a result, the mechanism and manner of impressing opinion trust behavior and conditions of behavioral modes changing have a place of importance to be considered. The question is that, how we can consider different behavior of users and their impression in trusting others? In the first step, the main purpose of this paper is to spotlight social networks' different user behavior in trusting other users. For this purpose, the three most important behavioral modes in  users trust are considered. In each of these modes, behavioral and functional characteristics of users are the basis of calculating trust, which is based on mental beliefs of them. These modes are named as optimistic, moderate, and pessimistic trusting modes. In optimistic mode, we suppose that users think positively and consider low level of activities and signs in trusting others. Here, negative interactions have little impact on users mind. In moderate mode, we suppose that users are not as optimistic as mode A and consider all the interactions and signs when they want to trust others. Here, any negative action can destroy the trust of users and has a greater impact on users. Finally, in pessimistic mode, we suppose that users are pessimistic and hardly trust someone. In this mode, the interactions that happened more recently have more value than those happened in the past. In the next step, the purpose and innovation of this paper is the way that the trust behavior of users spreads. Three different scenarios are considered for the impressing and spreading of nodes behavior, purposely. In each scenario, different states for users and different purposes for diffusion are defined.   Next, it is followed by maximizing of impression and finding more impressive agents in diffusing trust behavior through social networks. For this purpose, it's focused on the structure of users social networks, and the most impressive ones are determined through different diffusion scenarios. The findings of this article appear a significant discrepancy in the amount of trust in each of the different behavioral modes, which is more acceptable in the real world. Analyzing test results leads us to the fact that in the presented model, choosing the start node from each community with 48.14 percent in behavior improvement and diffusion speed and the nodes with the highest degree with 37.03 percent in behavior changing has much more reasonable results than usual models.},  
Keywords = {Trusting behavior, Trust diffusion, Influential nodes, Social networks, Social network analysis},
volume = {18},
Number = {2}, 
pages = {57-74}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {یافتن گره‌های پرنفوذ جهت انتشار رفتار اعتماد در شبکه‌های اجتماعی},
abstract_fa ={اعتماد یکی از مهم‌ترین موضوعات مطرح‌شده در حوزه شبکه‌های اجتماعی است. اغلب اوقات نحوه اعتماد همه کاربران در این شبکه‌ها به‌­صورت یکسان در نظر گرفته می‌­شود. درحالی‌که کاربران شبکه‌های اجتماعی می‌توانند نظرات متفاوتی در نحوه اعتماد به سایرین داشته باشند و ممکن است فاکتورهای مختلفی را در اعتماد به سایر اعضا در نظر بگیرند. همچنین کاربران می‌­توانند بر روی نظرات یکدیگر اثر گذاشته و باعث تغییر رفتار دیگر کاربران در اعتماد‌کردن به افراد شوند. به همین دلیل، سازوکار و شیوه تأثیرگذاری کاربران بر روی نظر و رفتار اعتماد به یکدیگر و شرایط تغییر حالات رفتاری، از اهمیت زیادی برخوردار خواهد بود. هدف ما در این مقاله در مرحله نخست در‌نظر‌گرفتن رفتار متفاوت کاربران شبکه‌های اجتماعی در نحوه اعتماد‌کردن آن‌ها به سایر کاربران است. برای این منظور سه حالت رفتاری مهم در نحوه اعتماد کاربران در نظر گرفته ‌شده است. در هرکدام از این حالت‌ها ویژگی‌های مختلف رفتاری و عملکردی کاربران مبنای محاسبه اعتماد هستند که بر مبنای باور ذهنی افراد شکل می‌­گیرند. در مرحله بعدی نحوه انتشار رفتار اعتماد کاربران در شبکه اجتماعی هدف و نوآوری این مقاله است. برای این منظور، سه سناریوی مختلف برای اثرگذاری و انتشار رفتار گره‌ها در نظر گرفته­ شده است. به‌دنبال آن به بیشینه‌سازی اثر و یافتن افراد پرنفوذ جهت انتشار رفتار اعتماد در شبکه‌های اجتماعی پرداخته ‌شده است. برای این منظور بر روی ساختار شبکه اجتماعی افراد تمرکز شده و تأثیرگذارترین افراد با توجه به سناریوهای مختلف انتشار تعیین ‌شده‌اند. نتایج به‌دست‌آمده نشان‌دهنده وجود اختلاف در میزان اعتماد در هرکدام از حالت­‌های مختلف رفتاری است که دارای تطابق بیشتری با واقعیت است. با بررسی آزمایش‌­ها به این نتیجه می‌­رسیم که در مدل پیشنهادی،  انتخاب گره شروع از هر اجتماع با 14/48 درصد دارای تأثیر بهتری در بهبود رفتار، دامنه و سرعت انتشار و گره با بیش‌ترین درجه با 03/37 درصد نسبت به روش‌های متداول دارای جواب بهتری در تغییر رفتار است.},
keywords_fa = {رفتار اعتماد, انتشار اعتماد, گره‌های پرنفوذ, شبکه‌های اجتماعی, تحلیل شبکه‌ای},

doi = {10.52547/jsdp.18.2.57},
url = {http://jsdp.rcisp.ac.ir/article-1-967-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-967-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Yousefpour, Maryam and Barekatain, Behrang},  
title = {A Novel Efficient Energy-Aware Coverage Hole Detection Algorithm in Wireless Sensor Networks}, 
abstract ={One of the most widely researched areas in wireless sensor networks is the issue of coverage. Coverage is directly related to the degree of quality, how and how long the sensors are able to detect predetermined targets in areas. Standard coverage for calculating network Quality of Service (QoS) greatly affects network performance. The most important factor in maximum coverage in wireless sensor networks is to consider the energy consumption constraints. Sensor nodes typically use a battery to supply power, which in most cases is not rechargeable; therefore, it is very important to carry out operations to reduce energy consumption and increase the life of the sensor node. Full network coverage is such that all areas of interest must be monitored and covered by diffused sensors. Now, if a certain area is not covered by any sensor, it is known as a cover hole and the real events in the cover points will not be recognizable and traceable. The aim of this study is to identify cover holes to reduce energy consumption in wireless sensor networks; which is applied by presenting a new model of credit management system. In this system, the sensor radius of the nodes is adjusted for maximum coverage in the network. In the simulation presented, decisions are made by gathering information at different time intervals and interactions among nodes; According to this decision, the evaluation is applied for the level of satisfaction of the nodes and based on the level of satisfaction of the nodes, rewards and fines are considered for the nodes and finally, using the support vector machine tool, cover holes in the sensor network are identified. Thus, the effect of identifying holes in reducing energy consumption, performance and quality of services provided in the network is expressed. Evaluations show that the longevity of the network and the size of the sensor radius of the nodes have improved 12.42% and 20.4%, respectively in terms of the number of sensor nodes in the environment with respect to the moving radius of the nodes, mobile nodes and cellular automata compared to the environment considering the constant radius of the nodes, mobile nodes and without automata.},  
Keywords = {Coverage Cavities, Wireless Network Sensing Radius, Trust Management, Energy Consumption, Support Vector Machine},
volume = {18},
Number = {2}, 
pages = {75-96}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {یک الگوریتم آگاه از انرژی نوین جهت تشخیص مؤثر حفره پوششی در شبکه‌های حس‌گر بی‌سیم},
abstract_fa ={مهم‌ترین مانع بر سر افزایش سطح پوشش در شبکه­‌های بی‌سیم، مصرف انرژی حس‌گرها است که باعث اتمام انرژی آن‌ها می­‌شود. این رخداد به‌عنوان یک مسأله بحرانی با نام حفره پوششی شناخته‌ می­‌شود و در آن منطقه خاصی تحت پوشش هیچ حس‌گری نیست. درنتیجه رخدادهای واقعی در آن نقاط قابل‌شناسایی و ردیابی نخواهند بود. در این راستا،‌ این پژوهش یک الگوریتم نوین مبتنی بر سامانه مدیریت اعتماد اعتبار در شبکه‌های حس‌گر بی‌سیم را جهت بیشینه‌سازی میزان پوشش‌دهی ‌شبکه با تنظیم هوشمندانه شعاع حس‌گری گره‌ها معرفی کرده است. این الگوریتم میزان حفره پوششی را با استفاده از ماشین بردار پشتیبان و ضمن مصرف کم انرژی در شبکه، به‌طور چشم‌گیری کاهش می­‌دهد. به عبارتی، با جمع‌آوری اطلاعات در بازه زمانی‌های مختلف و تعاملات بین گره‌ها، میزان رضایت‌مندی آن‌ها ارزیابی و بر این اساس پاداش یا جریمه‌ای برای آن‌ها در نظر گرفته می‌شود. ارزیابی‌ها نشان می‌دهند که طول عمر شبکه و اندازه شعاع حس‌گری گره‌ها به‌لحاظ تعداد گره‌های حس‌گر در محیطی با در‌نظر‌گرفتن شعاع متحرک گره‌ها، گره‌های متحرک و آتوماتای سلولی در مقایسه با محیطی با در‌نظر‌گرفتن شعاع ثابت گره‌ها، گره‌های متحرک و بدون آتوماتای سلولی به‌ترتیب معادل 42/12% و 4/20% بهبود یافته‌اند.},
keywords_fa = {حفره‌های پوششی, شعاع حس‌گری شبکه بی‌سیم, مدیریت اعتماد, مصرف انرژی, ماشین بردار پشتیبان},

doi = {10.52547/jsdp.18.2.75},
url = {http://jsdp.rcisp.ac.ir/article-1-1014-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1014-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {mojarad, musa and parvin, hamid and nejatiyan, samad and BagheriFard, Karam allah},  
title = {Combining an Ensemble Clustering Method and a New Similarity Criterion for Modeling the Hereditary Behavior of Diseases}, 
abstract ={Background: There are many theories about the causes of hereditary diseases, but physician believe that both the genetic and environmental factors simultaneously play an important role in the development and progression of these diseases, although the extent to which this effect is not yet clear. In order to detect effective genes in the development of diseases, it is necessary to achieve the relationship between cells/tissues. Objective: In fact, inter-cell or inter-tissue communications indicate the hereditary relationships between patients. Detecting these communications help to identify common parts of the body that are influenced by various diseases. The interaction between different cells/tissues can be demonstrated by expressing the gene between them. By sampling chromosomes, useful information is obtained about the type of disease and how it is transmitted. By examining this information, you can identify disorders that have led to highly altered changes. In previous research, various clustering methods have been used to discover the links between diseases based on gene expression data. However, ensembl clustering approaches have not yet been used for this purpose. Method: In this paper, the recognition of intercellular and inter-tissue interactions in various diseases have been done according to the characteristics of the topological structure of the graph and an improved ensembl clustering method. The proposed clustering algorithm uses an agreed similarity function to measure the similarity between objects. The proposed method has two stages; in the first step, several clustering models are combined to identify the initial relationships between cells or tissues in order to produce better results than individual algorithms. In the second stage, the similarity between cells or tissues in each cluster is calculated by using a similarity criterion based on the topological structure of the graph. Eventually, the maximum similarity between cells or tissues in each cluster is used to discover the relationship between diseases. In addition, an algorithm for improving the uncertainty of objects is evaluated by allocating them to other clusters in order to enhance the quality of the final clusters. Results: To evaluate the performance of the proposed method, several UCI datasets and the FANTOM5 dataset have been used. The results of the proposed method on the phantom data set 5 report a silhouette of 0.901 in 18 clusters for cells and 0.762 in 13 clusters for tissues. Conclusion: The conducted evaluations have confirmed the power of the proposed clustering algorithm in terms of accuracy. Clustering of cells or tissues has increased the accuracy and concentration of the topological similarity criterion of the graph in the range of similarity of cells or tissues.},  
Keywords = {Intercellular communication, Improved clustering, Graph topological structure, FANTOM5 dataset},
volume = {18},
Number = {2}, 
pages = {97-114}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {ترکیب یک روش خوشه‌بندی تجمعی و یک معیار شباهت جدید برای مدل‌سازی رفتار وراثتی بیماری‌ها},
abstract_fa ={امروزه تئوری‌های بسیاری در مورد علل بروز بیماری‌های وراثتی وجود دارد، اما پزشکان معتقدند که دو فاکتور ژنتیک و محیط ‌زیست هم‌زمان باهم نقش مهمی در بروز و پیشرفت این بیماری‌ها ایفا می‌کنند، هرچند که چگونگی این اثرگذاری هنوز به‌طور دقیق مشخص نیست. برای اینکه بتوان ژن‌های مؤثر در بروز بیماری‌ها را تشخیص داد، باید ارتباط بین سلول‌ها/بافت­‌ها را به‌دست آورد. تعامل بین سلول‌ها یا بافت‌های مختلف را می‌توان، با بیان ژن بین آنها نشان داد. با نمونه‌­برداری از کروموزوم‌ها، اطلاعات مفیدی در مورد نوع بیماری و چگونگی انتقال آن استخراج می‌­شود. با بررسی این اطلاعات می‌­توان اختلالاتی را که منجر به تغییرات به‌شدت پرتکراری شده‌­اند شناسایی کرد. در این مقاله تشخیص ارتباط‌های بین سلولی و بین بافتی در بیماری‌های مختلف با توجه به مشخصات ساختار توپولوژیکی گراف و یک روش خوشه‌بندی تجمعی بهبودیافته انجام شده است. روش پیشنهای دو مرحله دارد؛ در مرحله نخست چندین مدل خوشه‌بندی به‌منظور تشخیص ارتباط‌های اولیه بین سلول‌ها یا بافت‌ها در جهت تولید نتایج بهتر نسبت به الگوریتم‌های انفرادی، ترکیب می‌شوند. در مرحله دوم تشابه بین سلول‌ها یا بافت‌ها در هر خوشه با استفاده از یک معیار شباهت مبتنی بر ساختار توپولوژیکی گراف محاسبه و درنهایت از بیشینه شباهت­‌های بین سلول­‌ها یا بافت‌­ها در هر خوشه برای کشف ارتباطات بین بیماری‌­ها استفاده می‌­شود. به‌منظور ارزیابی عملکرد روش پیشنهادی از چندین مجموعه‌داده UCI و همچنین مجموعه‌داده فانتوم پنج استفاده شده است. نتایج روش پیشنهادی روی مجموعه داده فانتوم پنج، ضریب سیلوئت 901/0 را در 18 خوشه برای سلول­‌ها و 762/0 در 13 خوشه برای بافت­‌ها را گزارش می­‌کند.},
keywords_fa = {ارتباط بین سلولی, خوشه‌بندی بهبودیافته, ساختار توپولوژیکی گراف, مجموعه‌داده فانتوم 5},

doi = {10.52547/jsdp.18.2.97},
url = {http://jsdp.rcisp.ac.ir/article-1-980-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-980-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Daryanavard, Maedeh and Shahbahrami, Asadollah},  
title = {Non-distortion-specific no-reference Image Quality Assessment using Statistical Features}, 
abstract ={Objective Image Quality Assessment (IQA) algorithms are divided into three categories according to the availability of the reference image and the amount of information available in the assessment, namely, algorithms with Full Reference (FR), Reduced Reference (RR), and No Reference (NR). If the original high-quality image exists in the evaluation algorithm at the same time to compare with the test image, and both images are identical in content, the evaluation is called FR assessment. If only a few features extracted from the high-quality image are used to compare with the test image, it is called RR assessment. In NR assessment algorithms, there is no feature or reference image to compare with the test image. Algorithms in NR are divided into two subcategories, Distortion-Specific (DS) and Non-Distortion-Specific (NDS). In first one, algorithms predict the quality of an image by knowing the type of distortion which is effective when distortion information or type is available. However, information about the type of distortion is not available in most applications which limits the use of these algorithms. The NDS algorithms can be applied to different types of distortion and are designed to be all-purpose. The NDS algorithms are divided into two subcategories namely, Opinion Aware (OA) and Opinion Unaware (OU). In the OA model, the images are evaluated and scored by the human factor, and each image with its corresponding human score is mapped by the learning system, while the OU model does not have the score of a human observer and is evaluated completely blind. The proposed algorithm is this paper is for NR model and NDS and opinion unaware. Image quality is well correlated with features of local structure, contrast, and color. By modeling, these features with distributions such as Gaussian or Gaussian families can be used to detect image degradation. The proposed method consists of two stages of training and testing. Five NSS features that are actually extracted from the MSCN coefficient. The q-Gaussian distribution model is used for image distribution. The q-Gaussian distribution is one of the options that create flexible decision boundaries with different Gaussian shapes that are more generalizable in anomalies than other distributions. The learning phase is performed only once to extract the features of images and to be considered as a model in the system to compare with the images that are to be entered as test images. To evaluate the performance, the proposed method is compared with IL-NIQE which is similar to the proposed method in terms of behavioral mechanism and it uses natural scene statistics. Performance metrics such as PLCC, KROCC, RMSE, SROCC and some datasets, LIVE, CSIQ, and TID2013 have been used for evaluation. The proposed method performs better than the compared technique. The proposed method can show better performance due to the adjustable parameter of q.},  
Keywords = {Image quality assessment, No-reference assessment, Non-distortion-specific assessment, q-Gaussian distribution},
volume = {18},
Number = {2}, 
pages = {115-134}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {ارزیابی کیفیت تصاویر بدون مرجع ناآگاه از خرابی با استفاده از ویژگی‌های آماری},
abstract_fa ={ارزیابی کیفیت تصاویر بدون مرجع ناآگاه از خرابی، یکی از چالش‌های موجود در زمینه پردازش تصاویر دیجیتال است، چون در این زمینه هیچ تصویر مرجع، نوع خرابی، نمرات و امتیازدهی ناظر انسانی برای کمک و یادگیری در ارزیابی موجود نیست؛ در‌حالی‌که در برنامه‌های مختلف مانند تصویربرداری کاربرد دارد. هدف این مقاله استفاده از خواص و ویژگی آماری موجود در تصاویر و مدل‌سازی آن با مدل توزیع q-Gaussian، به‌منظور ارزیابی کیفیت تصویر است. توزیع  q-Gaussianیکی از گزینه‌هایی است که مرزهای تصمیم‌گیری انعطاف‌پذیری با اشکال مختلف گوسی ایجاد می‌کند که قابلیت تعمیم‌پذیری بیشتری در ناهنجاری‌ها به نسبت توزیع‌های دیگر داشته و همچنین برای مدل‌کردن خواص آماری تصویر، عملکرد بهتری در ارزیابی کیفیت بدون مرجع دارد.},
keywords_fa = {ارزیابی کیفیت تصویر, ارزیابی بدون مرجع, ارزیابی ناآگاه از خرابی, توزیع q-Gaussian},

doi = {10.52547/jsdp.18.2.115},
url = {http://jsdp.rcisp.ac.ir/article-1-1050-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1050-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Mirjalili, Fatemeh and Razmara, Jafar},  
title = {An intelligent behavior-based intrusion detection method for virtual machines}, 
abstract ={In recent years, the speed and complexity of computer networks have grown significantly. At the same time, network-based anomalies and attacks have increased. Nowadays, intrusion detection and prevention is considered as a main strategy in satisfying the security of computer systems and communication networks, and the detection of these attacks with high accuracy and the least error is very important, especially in the field of network management. Today, virtualization technology is widely developing in order to set up multiple virtual systems on a physical system. Computational clouds are the most hallmark of this technology. Intrusion detection systems play a key role in protecting cloud resources on virtual machines. An intrusion detection system has the task of monitoring events within a computer system and the communication networks, and detects unauthorized and abnormal behaviors to deal with them. The proposed systems for intrusion detection mainly use data mining, machine learning and statistical analysis of data. Therefore, it is natural that in some cases they lead to the production of false alarms. Consequently, it is essential to improve the accuracy and high detection capability of these systems. Regarding the increasing speed and complexity of these machines, it is necessary to increase the ability and accuracy of intrusion detection systems for identifying different types of attacks at a right time. In this regard, the use of behavior-based approaches has attracted more attention due to their high scalability in the large networks. The methods for intrusion detection that utilize network traffic graph clustering do not have the accuracy and appropriateness with the speed of data transfer in the current computer networks. Thus, the solutions can be improved by choosing an appropriate strategy for clustering. In this paper, a new behavior-based method for detecting intrusion in computer networks is presented. To this end, the network data was modeled through the flow of data as a traffic dispersion graph and then clustered using an improved Markov-based algorithm. Then, by analyzing a set of statistical criteria, the produced clusters, a penetration detection model was constructed. A set of modified statistical criteria was defined and utilized for analyzing the constructed clusters. The proposed model was examined and evaluated on the DARPA 99 dataset. In addition, the results of the proposed method were compared with seven other methods which work based on machine learning techniques. The results show that in the proposed method, the error detection rate is significantly reduced and the accuracy rate of the method is increased compared to seven other intrusion detection approaches. The reason for this performance improvement can be attributed to the good performance of Markov's improved clustering algorithm, which has produced more accurate results on flow-based data. Also, defining and applying appropriate criteria to determine the threshold limits is effective in obtaining accurate results. In addition, the results demonstrate that the proposed model has better capabilities than the methods which are not use graph clustering and can detect attacks with high accuracy.},  
Keywords = {behavior-based intrusion detection, traffic dispersion graph, data flow, graph clustering, optimized Markov clustering},
volume = {18},
Number = {2}, 
pages = {135-146}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {ارائه یک روش تشخیص نفوذ هوشمند مبتنی بر رفتار بر روی ماشین‌های مجازی},
abstract_fa ={امروزه، فناوری مجازی­سازی به‌طور گسترده‌­ای در جهت راه‌­اندازی چندین سامانه مجازی بر روی یک سامانه فیزیکی در حال توسعه است که ابرهای محاسباتی نمونه بارز به‌کارگیری این فناوری هستند. سامانه‌‌های تشخیص نفوذ نقش کلیدی در محافظت از منابع ابر بر روی ماشین­‌های مجازی دارند. با افزایش سرعت و پیچیدگی این ماشین­‌ها، سامانه‌های تشخیص نفوذ نیز باید توانایی و دقت تشخیص خود را بالا ببرند تا توانایی شناسایی انواع مختلف حملات در زمان مناسب را کسب کنند. در این راستا، استفاده از رویکردهای مبتنی بر رفتار به‌دلیل مقیاس­پذیری بالا در شبکه‌­های بزرگ مورد توجه قرار گرفته­‌اند. در این مقاله، یک روش جدید برای تشخیص نفوذ در شبکه مبتنی بر رفتار ارائه شده است. برای این منظور، روش پیشنهادی ابتدا داده‎‎‌های استخراج‌شده را از طریق مفهوم جریان داده به‌صورت گراف پراکندگی ترافیک مدل‌­سازی کرده و سپس، با استفاده از یک الگوریتم بهبود ‌یافته مبتنی بر مدل مارکوف خوشه‌بندی می‌کند. در ادامه، با تحلیل خوشه‌های تولید‌شده بر اساس معیارهای آماری مدلی برای تشخیص نفوذ ارائه می‌دهد. کارایی روش پیشنهادی بر روی مجموعه‌دادهDARPA 99  به‌عنوان یک مجموعه‌داده استاندارد و جامع برای ارزیابی سامانه‌های تشخیص نفوذ مورد آزمایش و ارزیابی قرار گرفت و با نتایج حاصل از هفت روش مطرح دیگر مقایسه شد. نتایج مقایسه نشان می­‌دهد که روش پیشنهادی در مقایسه با روش‌­های­ دیگر دارای قابلیت‌­های بهتری بوده و می‌تواند حملات را با دقت بالایی تشخیص دهد.},
keywords_fa = {تشخیص نفوذ مبتنی بر رفتار, گراف پراکندگی ترافیک, جریان داده, خوشه‌بندی گراف‌, خوشه‌بندی بهبود‌یافته مارکوف},

doi = {10.52547/jsdp.18.2.135},
url = {http://jsdp.rcisp.ac.ir/article-1-984-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-984-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Hossein-Nejad, Zahra and Nasri, Mehdi},  
title = {Natural Image Mosaicing based on Redundant Keypoint Elimination Method in SIFT algorithm and Adaptive RANSAC method}, 
abstract ={Image mosaicing refers to stitching two or more images which have overlapping regions to a larger and more comprehensive image. The image mosaicing process is widely used in scene stabilization, change detection, video compression, and image compression. Image mosaicing methods can be divided into two categories, direct methods and feature-based methods, which feature-based methods are more accurate. Scale Invariant Feature transform (SIFT (is one of the most common feature-based methods in the image mosaicing. However, one of the big defects of SIFT algorithm is the large number of duplicate key points and being time-consuming due to the high dimensions of classical SIFT descriptor. In this paper, to solve these problems, a new four-step approach for image mosaicing is proposed. At first, Redundant Keypoint Elimination-SIFT (RKEM-SIFT) algorithm which has been proposed in [1] is used to identify keypoints of reference and sensed images and to improve the mosaicing process. In the second stage, for each keypoint of the image, 64-D SIFT descriptor is computed. In this descriptor, unlike the 128-D SIFT descriptor, a smaller window is used which improves the accuracy of matching and reduces the running time. In the third stage, the proposed improved RANdom SAmple Consensus (RANSAC) algorithm is used to determine the adaptive threshold in the RANSAC algorithm to remove the mismatches and to improve the image mosaicing. Determining the appropriate threshold value in RANSAC is so important, because if an appropriate value is not chosen for this algorithm, the mismatches are not removed, and eventually there will be a serious impact on the outcome of the image mosaicing process. In this method, the threshold value is based on the median value of distances between matching points and their transformed model. Image blending in the mosaicing process is the final step which blends the pixels intensity in the overlapped region to avoid seams. The suggested method of blending is to combine the images based on the average of the data in the overlapped region of two images. The proposed blending method reduces artifacts in the image for better performance of the mosaicing process. Another advantage of this proposed method is the possibility to combine more than two images that are suitable for creating panoramic images. The simulation results of the proposed image mosaicing technique, which includes the RKEM-SIFT algorithm as feature detector, 64-D SIFT descriptor, proposed adaptive RANSAC algorithm, and proposed image blending algorithm. The proposed method is implemented on standard image databases, created image databases, and has been compared with SURF- fast bidirectional matching, SURF-LM and SIFT-RANSAC methods. The results of the experiments show the superiority of the proposed method according to the criteria of mean square error and accuracy, which compared to the best compared method (SURF-fast bidirectional matching) reduces 6.7% maximum error, 30.09% root mean square error and 37.68% caused the median error.},  
Keywords = {Image mosaicing, Image registration, SIFT},
volume = {18},
Number = {2}, 
pages = {147-162}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {موزاییک تصاویر طبیعی بر اساس حذف نقاط کلیدی زائد در الگوریتم SIFT  و الگوریتم RANSAC تطبیقی},
abstract_fa ={موزاییک تصویر به ترکیب دو یا چند تصویر که قسمت­‌های هم‌پوشان دارند، به تصویری بزرگ‌تر و جامع‌­تر اطلاق می­‌شود. تبدیل ویژگیِ مقیاس‌­نابسته (SIFT) یکی از متداول­‌ترینِ شناساگرها است که در‌قبل در موزاییک تصویر مورداستفاده قرارگرفته است. از ایرادهای الگوریتمSIFT  کلاسیک تعداد زیاد نقاط کلیدی تکراری و زمان اجرای بالای آن به‌دلیل ابعاد بالای توصیف‌گر SIFT کلاسیک است، که باعث کاهش کارایی این الگوریتم می‌­شود. در این مقاله، برای بالا‌بردن کیفیت موزاییک تصویر، از  الگوریتم RKEM-SIFT که نسخه بهبودیافته SIFT است جهت شناسایی نقاط کلیدی استفاده‌ شده و سپس، برای بهبود سرعت الگوریتم از توصیف‌گر ۶۴‌بُعدی SIFT استفاده ‌شده است. پنجره کوچک‌ترِ این توصیف‌گر نسبت به توصیف‌گر ۱۲۸‌بُعدی SIFT باعث می‌شود دقّت تطبیق افزایش و زمان اجرا کاهش پیدا کند. در ادامه، برای حذف تطبیق­‌های نادرست، از الگوریتم اجتماع نمونه تصادفی (RANSAC) استفاده‌ شده که مقدار آستانه پیشنهادی آن به‌صورت وفقی بر اساس میانه فواصل بین نقاط تطبیق و مدل تطبیق آن­ها محاسبه‌ شده است. برای هر نقطه تطبیق اگر فاصله بین آن نقطه و تطبیق‌یافته آن بر اساس مدل از مقدار آستانه پیشنهادی کمتر باشد، نقطه تطبیق درست تشخیص و حفظ و در غیر این صورت تطبیق نادرست تشخیص داده‌شده و حذف می‌­شود؛ درنهایت روش جدیدی نیز در این مقاله جهت ترکیب تصویر پیشنهاد شده است. روش پیشنهادی ترکیب تصویر بر اساس تابع وزنی گوسی است که میانگین این تابع گوسی به‌صورت میانگین داده‌­های محدوده مشترک و هم‌پوشان دو تصویر، در ­نظر گرفته ­شده است. در قسمت آزمایش‌­ها، روش پیشنهادی موزاییک تصاویر طبیعی که شامل استفاده از الگوریتم RKEM-SIFT، RANSAC وفقی پیشنهادی و الگوریتم ترکیب تصویر پیشنهادی است، بر روی پایگاه­‌های تصاویر استاندارد و همین‌طور پایگاه تصاویر ایجادشده پیاده­‌سازی شده و با روش­‌های SURF و تطبیق دوطرفه سریع، SURF-LM و SIFT-RANSAC مورد مقایسه قرارگرفته است. نتایج آزمایش‌­ها حاکی از برتری روش­ پیشنهادی با توجه به معیارهای خطای میانگین مربعی و دقّت دارد که نسبت به بهترین روش مقایسه‌شده (SURF و تطبیق دوطرفه سریع) کاهش 7/6 ٪  بیشینه خطا،  09/30 ٪ ریشه میانگین مربعات خطا و 68/37 ٪ میانه خطا را باعث شده است.},
keywords_fa = {موزاییک تصویر, انطباق تصویر, الگوریتم SIFT.},

doi = {10.52547/jsdp.18.2.147},
url = {http://jsdp.rcisp.ac.ir/article-1-1008-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1008-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Vaghefi, Mahsa and Jamshidi, Fatemeh},  
title = {Features selection for cardiac arrhythmia diagnosis using multiple objective binary particle swarm optimization}, 
abstract ={Any heart activity disorder may lead an irregularity in is rhythm, or cardiac arrhythmia. An ECG signal is one of the major tools for classifying different types of cardiac arrhythmias. ECG signals usually contain various noises. To have a better signal processing, it is essential to remove noises in a way that a signal structure never becomes subject to distortion. After the step of noise removal, selection of an appropriate method is of paramount importance for feature extraction. Optimal features can be selected to improve efficiency and reduce calculations. This article used the ensemble empirical mode decomposition (EEMD) in which any intrinsic mode function (IMF) contains only a single frequency component for noise removal. The noise removal operation with the least distortion is possible using an appropriate windowing on a QRS complex containing sum of the first three IMFs. Later, the remaining noises can be removed using discrete wavelet transform (DWT). The results of using the EEMD-DWT combined method were compared with EMD and DWT combination. After the noise removal step, feature extraction was performed through a wavelet packet decomposition. It is capable of signal decomposition at all frequencies. Multiple objective binary particle swarm optimization (MOBPSO) method was used to select optimal features and the effect of this method on the results was examined. Finally, the back propagation neural network (BPNN) and a support vector machine based on particle swarm optimization were used for classification. This article used 17 signals received from the MIT-BIH database. The acquired data belong to 6 different types of classes. After pre-processing, feature extraction, feature selection, and classification on the input data, it is observed that the proposed technique of EEMD-DWT is an appropriate method for noise removal and MOBPSO is a suitable method for the selection of best features. The BPNN classifier managed to classify cardiac arrhythmias with a higher accuracy and the values for accuracy, sensitivity, specificity, and positive predictive value were 99.12%, 97.08%, 99.38%, and 97.12%, respectively.},  
Keywords = {Back Propagation Neural Network, Discrete Wavelet Transform, Electrocardiogram, Ensemble Empirical Mode Decomposition, Multiple Objective Binary Particle Swarm Optimization},
volume = {18},
Number = {2}, 
pages = {163-176}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {انتخاب ویژگی برای تشخیص آریتمی‌های قلبی با استفاده از بهینه‌سازی ازدحام ذرات دودویی چند‌هدفه},
abstract_fa ={سیگنال الکتروکاردیوگرام، یکی از مهم­ترین ابزار برای طبقه­‌بندی انواع مختلف آریتمی­‌های قلبی است. به‌طورمعمول سیگنال­‌های ECG، حاوی نوفه‌های متفاوتی هستند. در این مقاله، تکنیک تجزیه مد تجربی گروهی که در آن هر تابع مد ذاتی (IMF)، شامل تنها یک مؤلفه فرکانسی است، برای حذف نوفه به کار رفته است. با کمک پنجره­‌بندی مناسب بر روی کمپلکس QRS متشکل از جمع سه IMF نخست، حذف نوفه با کمترین اعوجاج انجام شده و با استفاده از تبدیل موجک گسسته، نوفه‌های باقی‌مانده نیز از بین رفته، سپس با به­‌کارگیری تجزیه بسته موجک، از سیگنال ویژگی استخراج شده است که ویژگی‌­های بهینه، با روش بهینه‌سازی ازدحام ذرات دودویی چند‌هدفه انتخاب شده­اند؛ در‌نهایت از شبکه عصبی پس‌انتشار، برای طبقه­‌بندی استفاده شده که مقدار دقت 12/99 درصد برای 17 عدد سیگنال دریافت‌‌شده از پایگاه داده MIT-BIH، به‌دست آمده است.},
keywords_fa = {بهینه‌سازی ازدحام ذرات دودویی چند‌هدفه؛ تجزیه بسته موجک؛ تجزیه مد تجربی گروهی؛ شبکه عصبی پس‌انتشار},

doi = {10.52547/jsdp.18.2.163},
url = {http://jsdp.rcisp.ac.ir/article-1-972-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-972-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Esmaeili, Mohammad Reza and Zahiri, Seyed Hamid and Razavi, Seyed Mohamm},  
title = {An efficient CAD tool for High-Level Synthesis of VLSI digital transformers}, 
abstract ={Digital transformers are considered as one of the digital circuits being widely used in signal and data processing systems, audio and video processing, medical signal processing as well as telecommunication systems. Transforms such as Discrete Cosine Transform (DCT), Discrete Wavelet Transform (DWT) and Fast Fourier Transform (FFT) are among the ones being commonly used in this area. As an illustration, the DCT is employed in compressing the images. Moreover, the FFT can be utilized in separating the signal spectrum in signal processing systems as fast as possible. The DWT is used in separating the signal spectrum in a variety of applications from signal processing to telecommunication systems, as well. In order to build a VLSI circuit, several steps have to be taken from chip design to final construction. The first step in the synthesis of the integrated circuits is called high-level synthesis (HLS), in which a structural characteristic is obtained from a behavioral or algorithmic description. The resulting structural characteristic is equivalent to the one being considered in the behavioral description and it somehow represents the method for implementing the behavioral description as a result several structural descriptions could be implementable for each behavioral description. Therefore, depending on the intended use, the characteristic will be selected that outperforms the others. The main purpose of the HLS is to optimize the power consumption, the chip occupied area and delayed and is fulfilled by selecting the appropriate number of operating units and how they are implemented to the operators. This is generally accomplished through a graph analysis called the data flow graph (DFG) which is a graphical representation of the type and how the operators connect. In the DFG, each node is equivalent to an operator while the edges represent the relationship between these operators. Experience has proved that if the level of design optimization is high, in addition to higher efficiency, the design time will be lower, which is why the researchers are far more interested in optimization at higher levels of design than the lower levels. The complex, extensive, and discrete nature of the HLS problems have been ranked them among the most complex problems in VLSI circuits engineering. Bearing this mind, using meta-heuristic and Swarm intelligence methods to solve high-level synthesis projects seems to be a favored option. In this paper, a heuristic method called Moth-Flame Optimization (MFO) has been used to solve the HLS problem in the design of digital transformer to find the optimal response. The MFO is a population-based heuristic algorithm that optimizes the problems using the laws of nature. The leading notion behind the MFO algorithm inspired from the moths’ movements and their instinctive navigation during the night. In the MFO algorithm, the moths are like chromosomes in the GA and like the particles in the PSO algorithm. In order to compare and prove the efficiency of the proposed method, it was applied on the test data with the GA-based method separately but with the same initial conditions. The comparative results along with the results of the GA-based method demonstrated that the proposed method exhibits a higher ability to provide the appropriate hardware structure and high-level synthesis of various types of transformers. Another outstanding feature of the proposed method is its high speed of finding an optimal response with an average of more than 20% greater than the GA based method.},  
Keywords = {High-Level Synthesis, Datapath, Digital Transformers, Meta-heuristic Algorithm, MFO Algorithm},
volume = {18},
Number = {3}, 
pages = {3-18}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {ارائه ابزاری کارآمد برای سنتز سطح بالای مبدل‌های دیجیتال مدارهای VLSI},
abstract_fa ={امروزه مبدل­‌های دیجیتال از مهم‌­ترین ادوات یک سامانه پردازش سیگنال و داده به‌شمار رفته و به­‌صورت گسترده در زمینه پردازش صوت، تصویر و سیگنال­‌های حیاتی به‌­کار گرفته می‌­شوند. در طراحی مبدل‌های دیجیتال VLSI، سنتز سطح بالا (HLS) یکی از مراحل مهم و تأثیرگذار به شمار می رود. هدف اصلی از انجام این کار، کمینه‌کردن واحدهای پایه دیجیتالی مورد استفاده در پروژه مفروض جهت بهبود توان، تأخیر، و سطح مصرفی آن­ها است. این کار عمدتاً با تحلیل گراف مسیر داده (DFG) اتفاق می­افتد. بهبود در این مرحله، علاوه‌بر بازدهی بیشتر باعث کاهش زمان طراحی در مراحل پایین­‌تر می‌شود. ماهیت پیچیده، گسترده و گسسته مسائل سنتز سطح بالا، باعث شده است که آنها در زمره مسائل بسیار دشوار در مهندسی مدارات VLSI به‌­شمار آیند؛ از این‌­رو استفاده از روش‌های فراابتکاری و هوش­جمعی جهت حل پروژه‌­های مرتبط با سنتز سطح بالا، گزینه‌­ای مطلوب به نظر می‌­رسد. در این مقاله روشی مبتنی­بر الگوریتم فراابتکاری "شعله و پروانه"(MFO) جهت یافتن بهترین طرح سخت‌­افزاری برای انواع مبدل‌­های دیجیتال ارائه شده است. نتایج مقایسه‌­ای در کنار نتایج حاصل از روش مبتنی ­بر الگوریتم ژنتیک (GA) نشان داد که روش پیشنهادی از توانایی بالاتری در ارائه ساختار سخت‌­افزاری مناسب و سنتز سطح بالای انواع مبدل‌ها برخوردار است. همچنین ویژگی دیگر روش پیشنهادی، سرعت بالای آن در یافتن پاسخ بهینه است (میانگین برتری بیش از 20% نسبت­ به GA).},
keywords_fa = {سنتز سطح بالا, مسیرداده, مبدل‌های دیجیتال, الگوریتم‌های فراابتکاری, الگوریتم بهینه‌سازی شعله و پروانه},

doi = {10.52547/jsdp.18.3.3},
url = {http://jsdp.rcisp.ac.ir/article-1-983-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-983-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {KazemiEghbal, Mesyam and Alipoor, Ghasem},  
title = {An Analytical Model for Predicting the Convergence Behavior of the Least Mean Mixed-Norm (LMMN) Algorithm}, 
abstract ={Stochastic gradient-based adaptation algorithms have received a great attention in various applications. The most well-known algorithm in this category is the Least Mean Squares (LMS) algorithm that tries to minimize the second-order criterion of mean squares of the error signal. On the other hand, it has been shown that higher-order adaptive filtering algorithms based on higher-order statistics can perform better in many applications, particularly in the presence of intense noises. However, these algorithms are more prone to instability and also their convergence rates decline in the vicinity of their optimum solutions. In attempt to make use of the useful aspects of these algorithms, it has been proposed to combine the second-order criterion with higher-order ones, e.g. that of the Least Mean Fourth (LMF) algorithm. The Least Mean Mixed-Norm (LMMN) algorithm is a stochastic gradient-based algorithm which aim is to minimize an affine combination of the cost functions of the LMS and LMF algorithms. This algorithm has inherited many properties and advantages of the LMS and the LMF algorithms and mitigated their weaknesses in some ways. These advantages are achieved at the cost of the additional computation burden of just one addition and four multiplications per iteration. The main issue of the LMMN algorithm is the lack of an analytical model for predicting its behaviour, the fact that has restricted its practical application. To address this issue, an analytical model is presented in the current paper that is able to predict the mean-square-error and the mean-weights-error behaviour with a high accuracy. This model is derived using the Isserlis’ theorem, based on two mild and practically valid assumptions; namely the input signal is stationary, zero-mean Gaussian and the measurement noise are additive zero-mean with an even probability distribution function (pdf). The accuracy of the derived model is verified using several simulation tests. These results show that the model is of a high accuracy in various settings for the noise’s power level and distribution as well as the unknown filter characteristics. Furthermore, since the LMF and the LMS algorithms are special cases of the more general LMMN algorithm, the proposed model can also be used for predicting the behaviour of these algorithms.},  
Keywords = {Adaptive Algorithms, LMMN Algorithm, Analytical Model},
volume = {18},
Number = {3}, 
pages = {19-28}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {یک مدل تحلیلی برای پیش‌بینی رفتار همگرایی الگوریتم حداقل میانگین ترکیب نُرم (LMMN)},
abstract_fa ={الگوریتم کمینه میانگین ترکیب نُرم (LMMN)، الگوریتمی مبتنی بر شیب تصادفی خطا است که هدف آن کمینه‌‌سازی ترکیبی از توابع هزینه الگوریتم‌های کمینه میانگین مربعات (LMS) و کمینه میانگین چهارم (LMF) است. این الگوریتم بسیاری از ویژگی‌ها و مزایای الگوریتم‌های LMS و LMF را با خود به ارث برده است و از جهاتی ضعف‌های این دو الگوریتم را هم برطرف کرده است. بزرگ‌ترین مشکل الگوریتم LMMN فقدان یک مدل تحلیلی برای پیش‌بینی رفتار آن است، به‌طوری‌که کاربرد عملی آن‌را محدود کرده است. ما در این مقاله باهدف حل این مشکل، مدلی تحلیلی را ارائه می‌کنیم که قادر است رفتار میانگین مربعات خطا و میانگین خطای وزن‌ها را با دقت بالایی پیش‌بینی کند. دقت مدل استخراج‌شده از طریق آزمایش‌های متعددی تأیید می‌شود.},
keywords_fa = {الگوریتم‌های وفقی, الگوریتم LMMN, مدل تحلیلی},

doi = {10.52547/jsdp.18.3.19},
url = {http://jsdp.rcisp.ac.ir/article-1-1002-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1002-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {darabian, hamid and Hashemi, sattar and Homayoon, sajad and Bagherifard, Karamollah},  
title = {Detecting Ransomware and Identifying their Families Using Sequence Mining in Dynamic Analysis}, 
abstract ={Nowadays, crypto-ransomware is considered as one of the most threats in cybersecurity. Crypto ransomware removes data access by encrypting valuable data and requests a ransom payment to allow data decryption. The number of Crypto ransomware variants has increased rapidly every year, and ransomware needs to be distinguished from the goodware types and other types of ransomware to protect users' machines from ransomware-based attacks. Most published works considered System File and process behavior to identify ransomware which depend on how quickly and accurately system logs can be obtained and mined to detect abnormalities. Due to the severity of irreparable damage of ransomware attacks, timely detection of ransomware is of great importance. This paper focuses on the early detection of ransomware samples by analyzing behavioral logs of programs executing on the operating system before the malicious program destroy all the files. Sequential Pattern Mining is utilized to find Maximal Sequential Patterns of activities within different ransomware families as candidate features for classification. First, we prepare our test environment to execute and collect activity logs of 572 TeslaCrypt samples, 535 Cerber ransomware, and 517 Locky ransomware samples. Our testbed has the capability to be used in other projects where the automatic execution of malware samples is essential. Then, we extracted valuable features from the output of the Sequence Mining technique to train a classification algorithm for detecting ransomware samples. 99% accuracy in detecting ransomware instances from benign samples and 96.5% accuracy in detecting family of a given ransomware sample proves the usefulness and practicality of our proposed methods in detecting ransomware samples.},  
Keywords = {malware, ransomware, crypto ransomware, ransomware detection, ransomware family detection},
volume = {18},
Number = {3}, 
pages = {29-44}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {شناسایی باج‌افزارها و خانواده آن‌ها با بهره‌گیری از روش کاوش الگوهای متوالی در تحلیل پویا},
abstract_fa ={امروزه باج‌افزارهای رمز‌کننده تبدیل به یکی از مهم‌ترین تهدیدات حوزه سایبری شده است. یک باج‌افزار رمزکننده با رمز‌کردن داده‌های با ارزش قربانی، دسترسی به داده‌ها را از بین می‌برد و در ازای رمزگشایی آن‌ها درخواست پرداخت باج می‌کند. به‌علت نوظهور‌بودن باج‌افزارهای رمزکننده، پژوهش چندانی در جهت شناسایی آن‌ها انجام نشده است و بیش‌تر پژوهش‌های مرتبط روی سیستم فایل و نظارت بر رفتار فرآیندها روی فایل‌ها انجام شده است. از آن‌جایی که سرعت در تشخیص باج‌افزارها اهمیت فراوانی دارد، تمرکز این مقاله روی تشخیص دقیق و زودهنگام باج‌افزارها بر اساس تحلیل لاگ‌های رفتاری است. در این مقاله، ابتدا محیط آزمایشی مناسبی را ایجاد می‌کنیم تا بتوانیم رفتار 572 نمونه باج‌افزار از خانواده TeslaCrypt، 535 نمونه باج‌افزار از خانواده Cerber و 517 نمونه باج‌افزار از خانواده Locky را ثبت کنیم که محیط مهیا شده قابلیت کاربرد در سایر پروژه‌ها و پژوهش‌های مشابه را دارد. برای دسته‌بندی و شناسایی نمونه‌های باج‌افزار، با بهره‌گیری از روش کاوش الگوهای متوالی، ویژگی‌هایی را به‌دست می‌آوریم تا قابل استفاده برای الگوریتم‌های دسته‌بندی‌کننده یادگیری ماشین باشد. دقت 99% در تشخیص نمونه‌های باج‌افزار و همین طور دقت 96.5% در شناسایی و دسته‌بندی خانواده آن‌ها روی الگوریتم‌های متداول یادگیری ماشین نشان از کیفیت  بالای ویژگی‌های پیشنهادی دارد.},
keywords_fa = {بدافزار, باج‌افزار, باج‌افزار رمز‌کننده, شناسایی باج‌افزار, شناسایی خانواده باج‌افزار},

doi = {10.52547/jsdp.18.3.29},
url = {http://jsdp.rcisp.ac.ir/article-1-1003-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1003-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Lotfi, Serveh and Mirzarezaee, Mitra and Hosseinzadeh, mehdi and Seydi, Vahi},  
title = {Analysis of Structural Features in Rumor Conversations Detection in Twitter}, 
abstract ={Today, online social media with numerous users from ordinary citizens to top government officials, organizations, artists and celebrities, etc. is one of the most important platforms for sharing information and communication. These media provide users with quick and easy access to information so that the content of shared posts has the potential to reach millions of users in a matter of seconds. Twitter is one of the most popular and practical/used online social networks for spreading information, which, while being reliable, can also, be a source for spreading unrealistic and deceptive rumors as a result can have irreversible effects on individuals and society. Recently, several studies have been conducted in the field of rumor detection and verify using models based on deep learning and machine learning methods. Previous research into rumor detection has focused more on linguistic, user, and structural features. Concerning structural features, they examined the retweet propagation graph. However, in this study, unlike the previous studies, new structural features of the reply tree and user graph in extracting rumored conversations were extracted and analyzed from different aspects. In this study, the effectiveness of new structural features related to reply tree and user graph in detecting rumored conversations in Twitter events were evaluated from different aspects. First, the structural features of the reply tree and user graph were extracted at different time intervals, and important features in these intervals were identified using the Sequential Forward Selection approach. To evaluate the usefulness of valuable new structural features, these features have been compared with consideration of linguistic and user-specific features. Experiments have shown that combining new structural features with linguistic and user-specific features increases the accuracy of the rumor detection classification. Therefore, a rumor classification algorithm based on new structural, linguistic, and user-specific features in rumor conversation detection was proposed.  This algorithm performs better than the basic methods and detects rumored conversations with greater accuracy. In addition, due to the importance of the source tweet user in conversations, this user was examined and analyzed from different aspects. The results showed that most rumored conversations were started by a small number of users. Rumors can be prevented by early identification of these users on Twitter events.},  
Keywords = {Conversion, Rumor detection, Twitter, Reply tree, User graph},
volume = {18},
Number = {3}, 
pages = {45-64}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {آنالیز و بررسی ویژگی‌های ساختاری در تشخیص مکالمه‌های شایعه توییتر},
abstract_fa ={توییتر یکی از محبوب‌ترین و مشهورترین شبکه‌های اجتماعی برخط برای گسترش اطلاعات است که در عین قابل ‌اعتماد‌بودن، می‌تواند به‌عنوان منبعی برای گسترش شایعات باشد. شایعاتی غیرواقعی و فریبنده که می‌تواند تأثیرات جبران‌ناپذیری برروی افراد و جامعه به‌وجود بیاورد. در این پژوهش مجموعه کاملی از ویژگی‌های جدید ساختاری مربوط به درخت پاسخ و گراف کاربران در تشخیص مکالمه‌های شایعه توییتر استخراج شدند. این ویژگی‌ها با توجه به معیارهای سنتی گراف‌ها و معیارهای مخصوص انتشار شایعه، در بازه‌های زمانی مختلف به مدت 24 ساعت از زمان شروع مکالمه‌ها در‌خصوص رویدادهای بحرانی در توییتر استخراج شده‌اند.  نتایج حاصل از بررسی ویژگی‌های جدید، دیدگاه عمیقی از ساختار انتشار اطلاعات در مکالمه‌ها را فراهم می‌کند. بر‌اساس نتایج به‌دست‌آمده، ویژگی‌های جدید ساختاری در تشخیص مکالمه‌های شایعه در رویدادهای توییتر مؤثر هستند؛ ازاین‌رو، الگوریتم دسته‌بند شایعه مبتنی بر ویژگی‌های جدید ساختاری، زبانی و کاربران در تشخیص مکالمه‌های شایعه زبان انگلیسی توییتر ، پیشنهاد داده شد. روش پیشنهادی در مقایسه با روش‌های پایه، عملکرد بهتری دارد. همچنین، با توجه به اهمیت کاربر توییت منبع در مکالمه‌ها، این کاربر از جنبه‌های مختلفی موردبررسی و آنالیز قرار گرفت.},
keywords_fa = {مکالمه, تشخیص شایعه, توییتر, درخت پاسخ, گراف کاربران},

doi = {10.52547/jsdp.18.3.45},
url = {http://jsdp.rcisp.ac.ir/article-1-1130-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1130-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Azarnia, Ghanbar and Tinati, Mohammad Ali and YousefiRezaii, Tohi},  
title = {Distributed and Cooperative Compressive Sensing Recovery Algorithm for Wireless Sensor Networks with Bi-directional Incremental Topology}, 
abstract ={Recently, the problem of compressive sensing (CS) has attracted lots of attention in the area of signal processing. So, much of the research in this field is being carried out in this issue. One of the applications where CS could be used is wireless sensor networks (WSNs). The structure of WSNs consists of many low power wireless sensors. This requires that any improved algorithm for this application must be optimized in terms of energy consumption. In other words, the computational complexity of algorithms must be as low as possible and should require minimal interaction between the sensors. For such networks, CS has been used in data gathering and data persistence scenario, in order to minimize the total number of transmissions and consequently minimize the network energy consumption and to save the storage by distributing the traffic load and storage throughout the network. In these applications, the compression stage of CS is performed in sensor nodes, whereas the recovering duty is done in the fusion center (FC) unit in a centralized manner. In some applications, there is no FC unit and the recovering duty must be performed in sensor nodes in a cooperative and distributed manner which we have focused on in this paper. Indeed, the notable algorithm for this purpose is distributed least absolute shrinkage and selection operation (D-LASSO) algorithm which is based on diffusion cooperation structure. This algorithm that compete to the state-of-the-art CS algorithms has a major disadvantage; it involves matrix inversion that may be computationally demanding for sufficiently large matrices. On this basis, in this paper, we have proposed a distributed CS recovery algorithm for the WSNs with a bi-directional incremental mode of cooperation. Actually, we have proposed a comprehensive distributed framework for the recovery of sparse signals in WSNs.  Here, we applied this comprehensive structure to three problems with different constraints which results in three completely distributed solutions named as distributed bi-directional incremental basis pursuit (DBIBP), distributed bi-directional incremental noise-aware basis pursuit (DBINBP) and distributed bi-directional incremental regularized least squares (DBIRLS). The proposed algorithms solely involve linear combinations of vectors and soft thresholding operations. Hence, the computational load is significantly reduced in each sensor. In the proposed method each iteration consists of two phases; clockwise and anti-clockwise phases. At each iteration, in anti-clockwise phase, each node receives the local estimate from its previous neighbor and updates an auxiliary variable. Then in the clockwise phase, each node receives the updated auxiliary variable from its next neighbors to update the local estimate. On the other hand, information exchange in two directions in an incremental manner which we called it bi-directional incremental structure. In an incremental strategy, information flows in a sequential manner from one node to the adjacent node. Unlike the diffusion structure (like as D-LASSO) where each node communicates with all of their neighbors, the incremental mode of cooperation requires the least amount of communication and power. The low computational complexity and better steady state performance are the important features of the proposed methods.},  
Keywords = {Wireless sensor networks, Sparse signal, Bi-directional incremental topology, Compressive sensing, Recovery algorithm},
volume = {18},
Number = {3}, 
pages = {65-76}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {الگوریتم توزیع‌شده و مشارکتی به‌منظور بازسازی سیگنال‌های تنک در شبکه‌های حس‌گری بی‌سیم با توپولوژی افزایشی دو‌جهته},
abstract_fa ={مسأله دریافت فشرده در همین اواخر توجه زیادی در پردازش سیگنال به خود جلب کرده به‌طوری که بخش اعظمی از پژوهش‌ها در این حوزه به این مسأله معطوف شده است. از جمله حوزه کاربردی دریافت فشرده، کاربرد آن در شبکه‌های حس‌گری بی‌سیم است. ساختمان این شبکه‌ها که متشکل از حس‌گرهای بی‌سیم با توان محدود است، ایجاب می‌کند تا الگوریتم‌هایی که برای این کاربرد ارتقا داده می‌شوند، به لحاظ مصرف انرژی بهینه باشند. به عبارتی، الگوریتم‌های طراحی‌شده برای این زمینه می‌بایست پیچیدگی‌های محاسباتی کمتری داشته و نیازمند کمترین تبادلات بین حس‌گرها باشند. بر همین اساس، در این مقاله الگوریتم بازسازی دریافت فشرده توزیع‌شده‌ای برحسب مد مشارکتی افزایشی دوجهته پیشنهاد شده ‌است؛ در حقیقت، نخست یک چهارچوب جامع توزیع‌شده برای بازسازی سیگنال‌های تنک در شبکه‌های حس‌گری ارائه شده و سپس این چهارچوب برای مسائل بهینه‌سازی متفاوتی پیاده شده است. پیچیدگی پایین محاسباتی و عملکرد حالت دائم بهتر مهم‌ترین مشخصه الگوریتم‌های پیشنهادی است.},
keywords_fa = {شبکه‌های حس‌گری بی‌سیم, سیگنال تنک, توپولوژی افزایشی دوجهته, دریافت فشرده, الگوریتم بازسازی},

doi = {10.52547/jsdp.18.3.65},
url = {http://jsdp.rcisp.ac.ir/article-1-1027-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1027-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Ramazankhani, Fahimeh and Yazdian-Dehkordi, Mahdi},  
title = {Iranian Vehicle License Plate Detection based on Cascade Classifier}, 
abstract ={Automatic license plate recognition is widely used in intelligent transport systems to automatically and quickly read license plates of vehicles. A license plate recognition is a computer vision system containing three main steps: plate detection, character segmentation, and character recognition. The first and foremost step of this system is the plate detection stage where the plate is located from the input image. This step has many challenges, including low-resolution images, illumination change, complex background, multiple plates, and different plate sizes. The plate detection methods can be categorized into connected component-based, color-based, and classifier-based methods. The two first approaches are not reliable in real-world environments, and they are too sensitive to illumination change and plate sizes compared to the classifier-baed techniques. In this context, the Cascade classifier has successfully been applied to various object detection problems. This classifier sequentially combines several weak classifiers based on the AdaBoost Algorithm. In this paper, an effective Iranian vehicle license plate detection approach is developed based on a cascade classifier. A two-phase training approach is proposed to enhance the cascade classifier by getting feedback from the negative data. Then, a new testing approach is suggested to reduce false-positive detection and improve detection precision. We also collected an Iranian license plate dataset which is publicly available for research purposes. The dataset covers images in different real-world conditions. The proposed system evaluated on this dataset is able to be applied on gray as well as color images, in a way that can detect multiple plates at front or rear of the cars in different illuminations. Moreover, the proposed method is invariant to the size, position or where the plates are located in the image. The experimental results provided in different conditions show that the proposed approach can improve the precision and recall rate while reducing the false-positive rate.},  
Keywords = {Iranian license Plate, Plate detection, Cascade classifier, Two-phase training/testing},
volume = {18},
Number = {3}, 
pages = {77-90}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {آشکار‌سازی پلاک خودروهای ایرانی مبتنی بر طبقه‌بندی‌کننده سلسله‌مراتبی},
abstract_fa ={یک سامانه تشخیص پلاک خودرو شامل سه بخش: شناسایی پلاک‌(های) تصویر، استخراج کاراکترها و تشخیص نویسه‌ها است. اولین و مهم‌‌ترین مرحله در یک سامانه تشخیص پلاک، شناسایی ناحیه پلاک در تصویر است. در این مقاله یک روش کارا و مبتنی بر طبقه‌بندی‌کننده سلسله‌مراتبی برای شناسایی پلاک‌‌(های) خودروهای ایرانی در تصویر پیشنهاد شده و رویکردهایی جهت بهبود کارایی سامانه پیشنهاد  شده است. در ابتدا با بازخورد‌گرفتن از نمونه‌های منفی (نواحی فاقد پلاک)، یک رویکرد آموزشی دو مرحله‌ای و سپس برای کاهش تعداد هشدار غلط و افزایش دقت شناسایی ناحیه، یک رویکرد آزمایش دو‌مرحله‌ای ارائه شده است. در‌نهایت روشی ترکیبی با ادغام دو رویکرد آموزش و آزمایش دو‌‌مرحله‌ای معرفی شده است. این سامانه بر روی تصاویر رنگی و خاکستری قابل اعمال است و توانایی شناسایی چند پلاک در تصویر، از نمای جلو و عقب خودرو، در شرایط نوری مختلف، در محیط‌های شلوغ و پلاک‌ها با مقیاس‌های مختلف‌ را دارد و به محل نصب پلاک و یا ناحیه خاصی از پلاک و همچنین رنگ پس‌زمینه پلاک حساس نیست. برای ارزیابی رویکردهای ارائه‌شده، مجموعه‌داده‌هایی از تصاویر پلاک‌های ایرانی در شرایط مختلف جمع‌آوری شده است. نتایج ارزیابی­‌ها نشان می­‌دهد که رویکردهای ارائه‌شده به‌خوبی توانسته است، نرخ بازیابی نواحی پلاک و دقت ناحیه یافته‌شده را بهبود داده و نرخ هشدار غلط را نیز به‌خوبی کاهش دهد.},
keywords_fa = {پلاک‌های ایرانی, شناسایی پلاک, طبقه‌بندی‌کننده سلسله‌مراتبی, آموزش/آزمایش دو‌مرحله‌ای},

doi = {10.52547/jsdp.18.3.77},
url = {http://jsdp.rcisp.ac.ir/article-1-1023-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1023-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Kayvanshokooh, Reza and Okhovvat, Majid and RaeesDanaee, Meisam},  
title = {Extending the Radar Dynamic Range using Adaptive Pulse Compression}, 
abstract ={The matched filter in the radar receiver is only adapted to the transmitted signal version and its output will be wasted due to non-matching with the received signal from the environment. The sidelobes amplitude of the matched filter output in pulse compression radars are depended on the transmitted coded waveforms that extended as much as the length of the code on both sides of the target location. In order to detect a weak target in vicinity of strong target, the sidelobes of the matched filter output resulting from the strong target masked the weak target and didn’t detect its. Generally, the radar dynamic range is defined by the maximum power ratio to the minimum detectable power that is depended on the level of the threshold and the sidelobe levels. Adaptive algorithms suppress the sidelobe levels to noise level with condition of maintain the range resolution and therefore increase the dynamic range. In this paper, an improved algorithm (in terms of computational cost and Doppler robustness) is proposed based on the minimum mean square error (MMSE) estimator denoted as Flexible Filter Length-Adaptive Pulse Compression Repair (FFL-APCR), which filter length depends on the length of transmitted code. It is also shown that the length of the code is influenced by determining the asymptotic peak sidelobe level and the dynamics range. In addition, the influence of the high-speed target on main lobe broadening and the performance degradation of adaptive filters is investigated. Finally, extending of radar dynamic range with the proposed FFL-APCR algorithm is shown in various conditions and its performance evaluated by mean square error criteria. Where return signals coincide with the transmission of a pulse, pulse eclipsing can occur which results in detection performance loss. The mismatches (Doppler phase shift and pulse eclipsing) degrades performance of sidelobes suppression algorithms. The FFL-APCR algorithm suppresses range sidelobes by using a smaller filter length and reduces the computational cost. Consequently, this algorithm should be computationally efficient (real-time) to enable the practical application of RMMSE.},  
Keywords = {Dynamic range, Matched Filter, Adaptive Pulse Compression, Minimum Mean Square Error (MMSE), Flexible Filter Length-Adaptive Pulse Compression Repair (FFL-APCR) algorithm},
volume = {18},
Number = {3}, 
pages = {91-108}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {افزایش گستره پویایی رادار با فیلتر فشرده‌سازی پالس وفقی},
abstract_fa ={فیلتر منطبق در گیرنده رادار فقط با نسخه سیگنال ارسالی تطبیق دارد و به‌­دلیل عدم تطبیق با سیگنال دریافتی از محیط، خروجی آن دچار تلف می­شود. دامنه گلبرگ­‌های جانبی خروجی فیلتر منطبق در رادارهای مجهز به فشرده‌سازی پالس به شکل‌­موج کدشده ارسالی وابسته است که به‌اندازه طول کد در دو طرف موقعیت هدف گسترده می­‌شوند. برای آشکارسازی یک هدفِ ضعیف در مجاورت یک هدف قوی، گلبرگ‌­های جانبی خروجی فیلترِ منطبقِ ناشی از هدفِ قوی سبب پوشانندگی هدف ضعیف و عدم آشکارسازی آن می­‌شود. به‌طورمعمول گستره پویایی رادار براساس نسبت بیشینه توان دریافتی به کمینه توان قابل آشکارسازی تعریف می­شود که به سطح آستانه و گلبرگ­‌های جانبی وابسته هستند. الگوریتم­‌های وفقی با شرط حفظ تفکیک‌­پذیری برد موجب کاهش سطح گلبرگ­‌های جانبی تا سطح نوفه شده و در نتیجه گستره پویایی را افزایش می‌­دهند. در این مقاله یک الگوریتم وفقی بهبودیافته (از نظر بارمحاسباتی و مقاومت در برابر دوپلر) مبتنی بر تخمین­‌گر کمینه میانگین مربعات خطا (MMSE) به نام الگوریتم مرمت فشرده‌سازی پالس وفقی با طول فیلتر منعطف (FFL-APCR) پیشنهاد می­‌شود، که طول فیلتر در آن وابسته به طول کد ارسالی است. همچنین نشان داده می‌شود که طول کد ارسالی در تعیین حد مجانبی پیک گلبرگ­‌های جانبی و گستره پویایی تأثیرگذار است؛ به‌­علاوه تأثیر سرعت زیاد هدف بر پهن­‌شدگی گلبرگ اصلی و تنزل عملکرد فیلترهای وفقی بررسی می‌شود؛ در‌نهایت افزایش گستره پویایی رادار با الگوریتم پیشنهادی FFL-APCR در شرایط مختلف نشان داده و عملکرد آن با معیار میانگین مجذور خطا (MSE) ارزیابی می­‌شود.},
keywords_fa = {گستره پویایی, فیلتر منطبق, فشرده‌سازی پالس وفقی, حداقل میانگین مربعات خطا تکراری, الگوریتم مرمت فشرده‌سازی پالس وفقی با طول فیلتر منعطف},

doi = {10.52547/jsdp.18.3.91},
url = {http://jsdp.rcisp.ac.ir/article-1-992-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-992-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Hourani, Osama and MoghadamCharkari, Nasrollah and Jalili, Saee},  
title = {An Ensemble Multiview learning method for visual object decoding from fMRI brain data}, 
abstract ={In the past two decades, the applications of computational neuroscience have been increasingly growing. Breaking the neural code is a crucial open problem in computational neuroscience. Various research groups attempt to provide an efficient method to decode human brain activity using fMRI data. The output of these methods is a computational model that can assign brain signals to an external stimulus; in this study, visual object recognition has been investigated. The brain decoders are used in many applications, such as the brain-computer interface or detecting specific mental illnesses. In general, brain fMRI data have a high spatial and temporal resolution that increases the number of features of the problem. Proper feature extraction from brain images is a challenging and time-consuming process. Consequently, the convergence of learning algorithms takes a long time to create an appropriate model. So, breaking down the feature space is highly recommended. We proposed new multi-view learning to solve the brain decoding problem. This approach splits the feature space based on mutual information and finds an appropriate ensemble classification model that detects the related visual object to neural activities in the brain. The proposed method clusters the feature space based on mutual information and splits it into coherent sub-spaces, views. For each feature view, a support vector machine model is learned in parallel; the used SVM version can generate a vector of probabilities for each class. At the test phase, the feature space of test data is divided similarly to the training data, and each model generates a probabilistic vector for the test instances. Then, these vectors are combined in the decision profile matrix. The decision fusion is employed by the ordered weighted averaging (OWA) approach. The proposed multi-view learning methods achieved higher accuracy rates than the single view model. The main advantage of the MV model is that it can run in parallel, making it counterproductive to deal with the high-dimensional problems based on the divide and conquer strategy. The optimization phase to detect the most acceptable parameters for each model is obtained using the simulated annealing, SA, algorithm. We have employed three real fMRI datasets of the human brain to assess the proposed method, obtained from the Openneuro website. Also, the leave-one-run-out cross-validation approach has been carried out to evaluate the proposed method in the intra-subject scenario. Criteria such as accuracy rate and confusion matrix have been undertaken to analyze the results. The single feature view obtains an accuracy rate of more than 50%. While in the ensemble model, the accuracy rate in most subjects is more than 90%.},  
Keywords = {Brain Decoding, Decision Fusion, Ensemble learning, fMRI, Mutual Information},
volume = {18},
Number = {3}, 
pages = {109-126}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {روش یادگیری گروهی چند‌‌وجهی برای کدگشایی اشیاء دیداری از دادگان fMRI مغزی},
abstract_fa ={با توجه به گسترش روزافزون پژوهش‌های علوم شناختی، کدگشایی مغز انسان یک موضوع داغ در حوزه علوم عصب‎شناسی محاسباتی است. در این راستا پژوهش‌های متعددی جهت ارائه روشی کارا و مؤثر برای کدگشایی فعالیت مغز انسان با پردازش دادگان fMRI در حال انجام است. خروجی این روش‎ها به‌طورعمومی معطوف به ارائه یک مدل محاسباتی تعمیم‎یافته است که امکان تشخیص سیگنال مغزی و تعلق آن به عامل محرک (شیء دیداری) را ارائه می‎دهد. دادگان مغزی دارای ابعاد زمانی و فضایی زیادی هستند که سبب افزایش تعداد ویژگی‌ها نیز می‌شود. همچنین استخراج ویژگی‎های مفید از تصاویر مغزی مانند fMRI کاری پیچیده است. این امر سبب طولانی‌شدن عمل هم‌گرایی در الگوریتم‎های یادگیری برای ایجاد مدل مناسب می‌شود؛ با توجه به چالش‌های یادشده، روش‌های یادگیری گروهی چندوجهی یک پیشنهاد مناسب برای حل مسأله کدگشایی مغز محسوب می‌شود که تلفیقی مناسب بین ویژگی‎های عملکردی متفاوت در دادگان مغزی ایجاد می‌کند. در روش پیشنهادی داده‌های آموزشی بر اساس اطلاعات متقابل در فضای ویژگی خوشه‌بندی می‌شوند، به‌صورتی که فضای ویژگی به چند وجه تفکیک می‌شود؛ سپس روی هر وجهِ ویژگی یک مدل ماشین بردار پشتیبان به‌صورت موازی آموزش داده می‌شود. در مرحله آزمون، فضای ویژگی دادگان آزمون نیز به‌صورت مشابه دادگان آموزش تقسیم می‌شود؛ و هر بردار ویژگی به مدل مربوطه تخصیص داده خواهد شد. از هر مدل یک بردار احتمالاتی تولید می‌شود و با هم‌جوشی این بردارها ماتریس پروفایل تصمیم‌گیری ساخته خواهد شد؛ درنهایت عملگرهای وزن‌دار مرتب‌شده اعمال می‌‌شود. جهت بررسی کارایی رویکرد پیشنهادی از رویکرد اعتبار سنجی متقابل با سناریوی درون فردی استفاده ‌شده است. معیارهایی مانند صحت و ماتریسِ درهم‌ریختگی برای ارزیابی مدل، به‌کار برده شده است. با بررسی عملکرد مدل بر روی هر وجه ویژگی، می‌توان دقت دسته‎بندی با میانگین  بیش از 50% را به‌دست آورد؛ اما در مدل گروهی نظارتی متوسط صحت تشخیص به بیش از 90 درصد می‌رسد.},
keywords_fa = {اطلاعات متقابل, تصویربرداری تشدید مغناطیسی عملکردی fMRI, کدگشایی مغز, همجوشی تصمیم‌‎ها, یادگیری گروهی},

doi = {10.52547/jsdp.18.3.109},
url = {http://jsdp.rcisp.ac.ir/article-1-1022-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1022-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {moradi, mohsen and nejatian, samad and parvin, hamid and bagherifard, karamolla and rezaei, vahideh},  
title = {Clustering and Memory-based Parent-Child Swarm Meta-heuristic  Algorithm for Dynamic Optimization}, 
abstract ={In the real world, we face some complex and important problems that should be optimized, most of the real-world problems are dynamic. Solving dynamic optimization problems are very difficult due to possible changes in the location of the optimal solution. In dynamic environments, we are faced challenges when the environment changes. To respond to these changes in the environment, any change can be considered as the input of a new optimization problem that should be solved from the beginning, which is not suitable because it is time consuming. One technique for improving optimization and learning in dynamic environments is by using information from the past. By using solutions from previous environments, it is often easier to find promising solutions in a new environment. A common way to maintain and exploit information from the past is the use of memory, where solutions are stored periodically and can be retrieved and refined at the time that the environment changes. Memory can help search respond quickly and efficiently to change in a dynamic problem. Given that a memory has a finite size, if one wishes to store new information in the memory, one of the existing entries must be discarded. The mechanism used to decide whether the candidate entry should be included in the memory or not, and if so, which of the old entries should be replaced it, is called the replacement strategy. This paper explores ways to improve memory for optimization and learning in dynamic environments. In this paper, a memory with clustering and new replacement strategy for storing and restoring memory solutions has been used to enhance memory performance. The evolutionary algorithms that have been presented so far have the problem of rebuilding populations when multiple populations converge to an optimum. For this reason, we proposed algorithm with exclution mechanism that have the ability to explore the environment (Exploration) and extraction (Explitation). Thus, an optimization algorithm is required to solve the problems in dynamic environments well. In this paper, a novel collective optimization algorithm, namely the Clustering and Memory-based Parent-Child Swarm Algorithm (CMPCS), is presented. This method relies on both individual and group behavior. The proposed CMPCS method has been tested on the moving peaks benchmark (MPB). The MPB is a good Benchmark to evaluate the efficiency of the optimization algorithms in dynamic environments. The experimental results on the MPB reveal the appropriate efficiency of the proposed CMPCS method compared to the other state-of-the-art methods in solving the dynamic optimization problems.},  
Keywords = {Dynamic Optimization, Dynamic Environments, Memory, Moving Peaks Benchmark},
volume = {18},
Number = {3}, 
pages = {127-146}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {الگوریتم فرا‌ابتکاری دسته والد-فرزند مبتنی بر حافظه و خوشه‌بندی جهت بهینه‌‌سازی  پویا},
abstract_fa ={تاکنون روش­های مختلفی برای بهینه­سازی ارایه شده است و یکی از معروف­ترین روش­های بهینه­سازی، الگوریتم­های هوش­جمعی‌ هستند. بسیاری از مسائل بهینه‌­سازی اخیر در دنیای واقعی طبیعت پویا دارند؛ بنابراین، الگوریتم بهینه‌­سازی برای حل مسائل در محیط­‌های پویا مورد نیاز است. الگوریتم دستۀ والد-فرزند مبتنی بر حافظه و خوشه­‌بندی (CMPCS)، گونه‌­ای از الگوریتم‌­های هوش­جمعی و برگرفته شده از طبیعت است، که در این مقاله ارایه شده است. این روش به رفتار فردی و گروهی وابسته است، در این الگوریتم برای افزایش کارآیی از یک حافظه با خوشه‌بندی و دافعه استفاده شده است. روش CMPCS پیشنهاد شده بر روی محک قله‌های متحرک (MPB) آزمایش شده است. MPB یک محک خوب برای ارزیابی کارایی الگوریتم‌­های بهینه‌­سازی در محیط­‌های پویا است. نتایج تجربی در MPB نشان می‌­دهد که روش پیشنهادی CMPCS کارایی مناسب­‌تری نسبت به روش‌­های دیگر حل مسائل بهینه‌سازی پویا دارد.},
keywords_fa = {بهینه‌سازی پویا, محیط‌های پویا, حافظه, محک قله‌‌های متحرک},

doi = {10.52547/jsdp.18.3.127},
url = {http://jsdp.rcisp.ac.ir/article-1-1025-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1025-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Mahmoodzadeh, Azar},  
title = {Marine Target Detection in Noisy Infrared Images using a Hybrid Recognition Algorithm}, 
abstract ={Maritime transportation system is a vital part of the world conveyance. The surveillance in maritime industry and detecting marine targets have a great impact on military and commercial applications. Daily increase in maritime zone encourages the researchers to develop intelligent surveillance approaches in the maritime transportation. The sensing methods generally include visual and infrared cameras, sensors, and radars. Cameras are widely used since they capture high resolution images than sensors and traditional radars. Also, applying complex pattern recognition techniques and decision-making processes to the camera images provides more accurate detection results. Due to the clutters, dust, and weather changes in the sea including the rainfall, snowfall, and heavy fog, the image quality taken by the visual cameras is drastically deteriorated. Also, detecting the sea targets -specially the small ones- and similarly the sea-sky horizon line becomes more challenging. In such situations, the infrared images reveal higher performance and accuracy in comparison with visible images. The sea-sky horizon line detection of noisy infrared images in small target detection algorithms with high intensity and low SNR is of great importance in maritime surveillance. Determining the horizon line simplifies the target detection by restricting the search area for the targets in the image. This task decreases the computation time and mistakes in the detection. This paper presents a method for detecting marine targets in noisy infrared images. The proposed method includes two steps of detecting the sea-sky horizon line and finding the targets. In the first step, the two-dimensional gradient of the image is computed, from which it is observed that the most variations are appeared at the edge points. With respect to this remark, the maximum of each column of the gradient image is found and the obtained values for all columns and corresponding rows’ numbers are kept in a set, namely the maximum pixels set. Then, to find the sea-sky horizon line, on the first and the last 75 pixels in the mentioned set, a straight line is fitted along the image width. Afterwards, to search for the objects, a region of interest is selected around the detected line. Restricting the search region increases the speed of the proposed method and decreases the number of false alarms. In the second step, this region is partitioned into some separate blocks; from each, multiple features are extracted. These features are fed into multiple classifiers whose outputs are given to a decision-making algorithm based on the interval type-II fuzzy fusion system. This system decides to which class (target or background) that block belongs. Finally, the objects are found by integrating the target blocks and removing the unwanted ones. To evaluate the proposed method, first an image dataset was generated using an infrared camera with medium wavelength in different situations. This was done due to no access to a complete infrared sea image bank. Sea infrared images were commonly corrupted by a combination of noises including the salt-and-pepper, Gaussian noise or electronic noises due to the detector of camera image supply. In order to attenuate these noises, a 3×3 median filter was applied to the raw image. Afterwards, to increase the image contrast, the histogram equalization method was performed. Finally, the proposed approach was run to find the marine targets in the enhanced image. The results demonstrated that the sea-sky horizon line was detected with low computational complexity and high accuracy while targets were also found with desirable detection rates.},  
Keywords = {Targets detection, Sea-sky horizon line detection, Feature extraction, Classifier, fuzzy inference system},
volume = {18},
Number = {3}, 
pages = {147-160}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {کشف اهداف دریایی در تصاویر حرارتی نو‌فه‌ای با استفاده از یک الگوریتم بازشناسی ترکیبی},
abstract_fa ={سامانه‌های حمل و نقل دریایی بخش مهمی از ترابری جهانی را شامل می‌شوند. سامانه‌های نظارتی در صنایع دریانوردی و کشف اهداف دریایی از اهمیت به‌سزایی در کاربردهای نظامی و تجاری برخوردار است. افزایش روزافزون ترابری دریایی موجب علاقه پژوهش‌گران به توسعه روش‌های نظارتی هوشمند در زمینه ترابری دریایی شده است. به‌دلیل وجود کلاترها، مه و گرد و غبار در دریا، تصاویر حرارتی نسبت به تصاویر مرئی در این زمینه، از کارایی و دقت تشخیص بالاتری برخوردار هستند. در این مقاله، یک روش برای کشف اهداف دریایی در تصاویر نوفه‌ای حرارتی ارائه شده است. روش پیشنهاد‌شده شامل دو مرحله آشکارسازی خط افق در تصویر و سپس کشف اهداف است. ابتدا خط افق با استفاده از روش بیشینه‌‌گیری از تصویر گرادیان و برازش خط آشکار، سپس یک ناحیه مشخص برای جستجوی اهداف دریایی حول خط افق انتخاب می‌‌شود. محدود‌کردن ناحیه جستجو باعث افزایش سرعت روش پیشنهادی و کاهش هشدارهای کاذب می‌شود. در مرحله دوم، ناحیه انتخابی بلوک‌بندی می‌شود و از هر بلوک تعدادی ویژگی استخراج می‌شود. این ویژگی‌ها به چندین دسته‌بند متعارف داده و نتایج آنها به یک تصمیم‌ساز فازی نوع دوم بازه‌ای داده می‌شود تا با ترکیب این نتایج در مورد تعلق بلوک به ناحیه هدف یا پس‌زمینه تصمیم‌گیری نهایی را انجام دهد؛ در‌نهایت اهداف مورد نظر از تجمیع این بلوک‌ها و حذف موارد ناخواسته کشف می‌شوند. مقادیر شاخصه‌های ارزیابی دقت، صحت و فراخوان سیستم پیشنهادی روی پایگاه داده به‌ترتیب 59/97%، 19/96% و 92/97% بوده که نسبت به سایر روش‌های مقایسه شده، مقادیر بالاتری را گزارش داده است. نتایج به‌دست‌آمده نشان می‌دهد که در روش پیشنهادی، خط افق با حجم محاسباتی کم و با دقت خوبی آشکار شده و در‌نهایت اهداف دریایی مورد نظر با دقت بالایی کشف می‌شوند.},
keywords_fa = {کشف اهداف, آشکارسازی خط افق, استخراج ویژگی, دسته‌بند, سیستم استنتاج فازی},

doi = {10.52547/jsdp.18.3.147},
url = {http://jsdp.rcisp.ac.ir/article-1-1061-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1061-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2021}  
}

@article{ 
author = {Daneshpour, Negin and Barzegari, Ali},  
title = {A New Method for Duplicate Detection Using Hierarchical Clustering of Records}, 
abstract ={Accuracy and validity of data are prerequisites of appropriate operations of any software system. Always there is possibility of occurring errors in data due to human and system faults. One of these errors is existence of duplicate records in data sources. Duplicate records refer to the same real world entity. There must be one of them in a data source, but for some reasons like aggregation of data sources and human faults in data entry, it is possible to appear several copies of an entity in a data source. This problem leads to error occurrence in operations or output results of a system; also, it costs a lot for related organization or business. Therefore, data cleaning process especially duplicate record detection, became one of the most important area of computer science in recent years. Many solutions presented for detecting duplicates in different situations, but they almost are all time-consuming. Also, the volume of data is growing up every day. hence, previous methods don’t have enough performance anymore. Incorrect detection of two different records as duplicates, is another problem that recent works are being faced. This becomes important because duplicates will usually be deleted and some correct data will be lost. So it seems that presenting new methods is necessary. In this paper, a method has been proposed that reduces required volume of process using hierarchical clustering with appropriate features. In this method, similarity between records has been estimated in several levels. In each level, a different feature has been used for estimating similarity between records. As a result, clusters that contain very similar records will be created in the last level. The comparisons are done on these records for detecting duplicates. Also, in this paper, a relative similarity function has been proposed for comparing between records. This function has high precision in determining the similarity. Eventually, the evaluation results show that the proposed method detects 90% of duplicate records with 97% accuracy in less time and results have improved.},  
Keywords = {Duplicate Record Detection, Data Cleaning, Hierarchical Clustering, Similarity Function, Feature Selection},
volume = {18},
Number = {4}, 
pages = {3-22}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {روشی جدید در تشخیص تکراری رکوردها با استفاده از خوشه‌‌بندی سلسله مراتبی},
abstract_fa ={به‌دلیل اهمیت بالای کیفیت داده‌‌ها در عملکرد سامانه‌های نرم‌‌افزاری، فرآیند پاکسازی داده به‌خصوص تشخیص رکوردهای تکراری، طی سالیان اخیر یکی از مهم‌‌ترین حوزه‌‌های علوم رایانه به حساب آمده است. در این مقاله روشی برای تشخیص رکوردهای تکراری ارائه شده است که با خوشه‌‌بندی سلسله‌‌مراتبی رکوردها بر اساس ویژگی‌‌های مناسب در هر سطح، میزان شباهت میان رکوردها تخمین زده می‌‌شود. این کار سبب می‌‌شود تا خوشه‌‌هایی در سطح آخر به‌دست آیند که رکوردهای درون آن‌‌ها بسیار مشابه یکدیگر باشند. برای کشف رکوردهای تکراری نیز مقایسه تنها بر روی رکوردهای درون یک خوشه از سطح آخر انجام می‌‌گیرد. همچنین در این مقاله برای مقایسه میان رکوردها، یک تابع تشابه نسبی بر پایه تابع فاصله ویرایشی ارائه شده که دقت بسیار بالایی به همراه دارد. مقایسه نتایج ارزیابی سامانه نشان می‌‌دهد که روش ارائه‌شده، در زمان کمتری، 90% تکراری‌‌های موجود را با دقت 97% کشف می‌‌کند و بهبود داشته است.},
keywords_fa = {تشخیص تکراری, پاک‌سازی داده, خوشه‌‌بندی سلسله‌‌مراتبی, تابع تشابه, انتخاب ویژگی},

doi = {10.52547/jsdp.18.4.3},
url = {http://jsdp.rcisp.ac.ir/article-1-1039-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1039-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}

@article{ 
author = {EbrahimiMood, Sepehr and Javidi, Mohammad Masoud and Khosravi, Mohammad Rez},  
title = {Proposing a Constrained-GSA for the Vehicle Routing Problem}, 
abstract ={In the past decades, vehicle routing problem (VRP) has gained considerable attention for its applications in industry, military, and transportation applications. Vehicle routing problem with simultaneous pickup and delivery is an extension of the VRP. This problem is an NP-hard problem; hence finding the best solution for this problem which is using exact method, take inappropriate time, and these methods are not useful in real-world applications. Using meta-heuristic algorithms for calculating and computing the solutions for NP-hard problems is a common method to contrast this challenge. The objective function defined for this problem, is a constrained objective function. In previous algorithms, the penalty method was used as constraint handling technique to define the objective function. Determining the value of parameters and penalty coefficient is not easy in these methods. Moreover, the optimal number of vehicles was not considered in the previous algorithms. So, the user should guess number of vehicles and compare the result with other values for this variable. In this paper, a novel objective function is defined to solve the vehicle routing problem with simultaneous pickup and delivery. This method can find the vehicle routes such that increases the performance of the vehicles and decreases the processes’ costs of transportation. in addition, the optimal number of vehicle in this problem can be calculated using this objective function. Finding the best solution for this optimization problems is an NP-hard and meta-heuristic methods can be used to estimate good solutions for this problem. Then, a constrained version of gravitational search algorithm is proposed. In this method, a fuzzy logic controller is used to calculate the value of the parameters and control the abilities of the algorithm, automatically. Using this controller can balance the exploration and exploitation abilities in the gravitational search algorithm and improve the performance of the algorithm. This new version of gravitational search algorithm is used to find a good solution for the predefined objective function. The proposed method is evaluated on some standard benchmark test functions and problems. The experimental results show that the proposed method outperforms the state-of-the-art methods, despite the simplicity of implementation.},  
Keywords = {Vehicle Routing Problem, Meta-heuristic algorithms, Constrained Gravitational Search Algorithm},
volume = {18},
Number = {4}, 
pages = {23-36}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {ارائه الگوریتم جست‌وجوی گرانشی مقید و حل مسأله مسیریابی وسایل نقلیه},
abstract_fa ={امروزه مسأله مسیریابی وسایل نقلیه، یکی از موضوعات پرکاربرد در موضوعات صنعتی، نظامی و حتی امنیتی است و برای افزایش کارایی و بهره‌وری سامانه‌های حمل و نقل تعریف شده است. مسأله مسیریابی وسیله نقیله با شرایط برداشت و تحویل هم‌زمان محموله از جمله این مسائل است. این مسأله از نظر پیچیدگی محاسباتی در مجموعه مسائل سخت (NP-hard) قرار می‌گیرد؛ بنابراین محاسبه بهترین پاسخ برای این مسأله، در زمان محاسباتی نمایی انجام خواهد شد و در مسائل اجرایی قابل استفاده نخواهد بود. استفاده از الگوریتم‌های فراابتکاری یکی از روش‌هایی است که به‌وسیله آنها می‌توان جواب‌هایی مناسب و در زمان محاسباتی قابل قبول به‌دست آورد. در روش‌های موجود، قیود موجود در مسأله، با استفاده از روش جریمه به تابع هدف مسأله اضافه شده و مسأله بهینه‌سازی تک‌هدفه تعریف می‌شود. ضمن این‌که تعداد بهینه وسایل نقلیه مورد نیاز برای حل مسأله در نظر گرفته نمی‌شود. در این مقاله، الگوریتم جست‌وجوی گرانشی بهبود‌یافته برای حل مسائل مقید معرفی شده است. همچنین به‌منظور کنترل قابلیت‌های الگوریتم نظیر کاوش و بهره‌وری از یک کنترلر فازی برای تعیین پارامترهای موجود در الگوریتم استفاده شده، سپس، با استفاده از این الگوریتم، روشی برای حل مسأله مسیریابی وسایل نقلیه با شرایط برداشت و تحویل هم‌زمان ارائه‌ شده است. با استفاده از این روش، علاوه‌بر محاسبه مسیرهای مناسب برای انجام خدمات، تعداد بهینه وسایل نقلیه برای فرآیند خدماتی نیز تعیین می‌شود. برای ارزیابی کارایی روش پیشنهادی در این مقاله، روش پیشنهادی شبیه‌سازی شده و روی مجموعه‌داده استانداردی که برای این دسته از مسائل تعریف شده، اجرا شده است. نتایج تجربی و شبیه‌سازی نشان می‌دهد که این روش، با وجود سادگی در روش پیاده‌سازی و اجرا، دارای کارایی بهتری نسبت به الگوریتم‌ها و روش‌های بررسی شده است.},
keywords_fa = {مسیریابی وسایل نقلیه, برداشت و تحویل هم‌زمان, الگوریتم‌های فراابتکاری, الگوریتم جست‌وجوی گرانشی مقید},

doi = {10.52547/jsdp.18.4.23},
url = {http://jsdp.rcisp.ac.ir/article-1-1012-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1012-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}

@article{ 
author = {Pourasghar, Babak and Izadkhah, Habib and Lotfi, Shahriar and Salehi, Khayyam},  
title = {A partition-based algorithm for clustering large-scale software systems}, 
abstract ={Clustering techniques are used to extract the structure of software for understanding, maintaining, and refactoring. In the literature, most of the proposed approaches for software clustering are divided into hierarchical algorithms and search-based techniques. In the former, clustering is a process of merging (splitting) similar (non-similar) clusters. These techniques suffered from the drawbacks such as finiteness criterion and arbitrary decisions occurred in the process. Because of the NP-hardness of clustering software systems, evolutionary and search-based algorithms are more commonly used algorithm than hierarchical ones. In evolutionary algorithms, the clustering of software systems is considered as a problem of searching over some possible clustering candidates. Although these algorithms are often able to achieve an appropriate structure of the software, they are not applicable in clustering large-scale software. Furthermore, these algorithms are unable to consider the knowledge in the artifact dependency graph, which extracted from the source code of the software. In software systems, an artifact can be everything like a class, a function, or a file. In this paper, a new partition-based clustering algorithm is presented. This algorithm attempts to partition the artifact dependency graph considering the knowledge therein. Moreover, a new distance criterion is presented to measure the similarity and dissimilarity of the artifacts. The proposed algorithm starts with the artifact dependency graph and creates the similarity matrices of the artifacts. So, it attempts to refine the partition candidate until a fixed point is reached. We expect that the proposed method compared with other methods could lead to achieve the clustering with high quality and similar to the expert's clustering based on MoJo-FM measure. To demonstrate the applicability and validity of the proposed algorithm, a large-scale case study, Mozilla Firefox, is employed. The results demonstrate that the proposed algorithm outperforms the commonly used evolutionary methods in the literature.},  
Keywords = {Software Engineering, Reverse Engineering, Software Clustering, K-means algorithm},
volume = {18},
Number = {4}, 
pages = {37-48}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {یک الگوریتم مبتنی بر افرازبندی گراف برای خوشه‌بندی سامانه‌‌های نرم‌افزاری با ابعاد بزرگ},
abstract_fa ={از روش‌های خوشه‌بندی برای بازیابی ساختار نرم‌افزار جهت فهم درست آن و همچنین بازسازی نرم‌افزار استفاده می‌شود. در ادبیات موضوع، بیشتر الگوریتم‌های ارائه‌شده برای خوشه‌بندی سامانه‌های نرم‌افزاری به دو دسته الگوریتم‌های مبتنی بر جستجو و الگوریتم‌های سلسله‌­مراتبی طبقه‌بندی می‌شوند و الگوریتمی ‌از رده مبتنی بر افراز برای خوشه‌بندی یک سامانه نرم‌افزاری ارائه نشده ‌است. این روش‌ها سعی دارند که گراف وابستگی موجودیت به‌دست‌آمده  از کد منبع سامانه نرم‌افزاری را به چند مجموعه رأسی افراز کنند. در سامانه‌های نرم‌افزاری، موجودیت می‌تواند رده، تابع و یا یک فایل باشد. با توجه به چندجمله‌ای غیر قطعی، سخت‌بودن مسأله خوشه‌بندی، در سال‌های اخیر از روش‌های تکاملی و مبتنی بر جستجو مانند الگوریتم ژنتیک برای این حل این مسأله، زیاد استفاده شده است. هر چند این الگوریتم‌ها در برخی موارد می‌توانند ساختار مناسبی از نرم‌افزار را به‌دست آورند، اما برای نرم‌افزار‌های با ابعاد بزرگ، با توجه به زمان اجرا و حافظه مصرفی زیاد، قابل اجرا نیستند؛ همچنین، این روش‌ها از اطلاعات و دانش گرافی موجود در گراف وابستگی موجودیت استفاده‌ی چندانی نمی‌کنند. در این مقاله یک الگوریتم مبتنی بر افراز ارائه شده است که بتوان از آن در خوشه‌بندی نرم­افزار نیز استفاده کرد. همچنین، یک نوع فاصله جدید برای قیاس تشابه و عدم تشابه ارائه شده ‌است. انتظار می‌رود روش پیشنهادی بتواند در قیاس با سایر روش‌های موجود، خوشه‌بندی‌هایی با کیفیت بالاتر و نزدیک به خوشه‌بندی فرد خبره، تولید کند. برای بررسی صحت اجرای الگوریتم، آن را بر روی نرم‌افزار موزیلا فایرفاکس اجرا کرده و نتایج را با الگوریتم‌های مطرح این حوزه، مقایسه کرده‌ایم.  },
keywords_fa = {مهندسی نرم‌افزار, مهندسی معکوس, خوشه‌بندی نرم‌افزار, الگوریتم K-means},

doi = {10.52547/jsdp.18.4.37},
url = {http://jsdp.rcisp.ac.ir/article-1-1028-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1028-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}

@article{ 
author = {MohammadiKashani, Mahya and Amiri, S. Hami},  
title = {Scalable Image Annotation by Summarizing Training Samples into Labeled Prototypes}, 
abstract ={By increasing the number of images, it is essential to provide fast search methods and intelligent filtering of images. To handle images in large datasets, some relevant tags are assigned to each image to for describing its content. Automatic Image Annotation (AIA) aims to automatically assign a group of keywords to an image based on visual content of the image. AIA frameworks have two main stages; Feature Extraction and Tag Assignment which are both important in order to reach a proper performance. In the first stage of our proposed method, we utilize deep models to obtain a visual representation of images. We apply different pre-trained architectures of Convolutional Neural Networks (CNN) to the input image including Vgg16, Dense169, and ResNet 101. After passing the image through the layers of CNN, we obtain a single feature vector from the layer before the last layer, resulting into a rich representation for the visual content of the image. One advantage of deep feature extractor is that it substitutes a single feature vector instead of multiple feature vectors and thus, there is no need for combining multiple features. In the second stage, some tags are assigned from training images to a test image which is called “Tag Assignment”. Our approach for image annotation belongs to the search-based methods which have high performance in spite of simple structure. Although it is even more time-consuming due to its method of comparing the test image to every training in order to find similar images. Despite the efficiency of automatic Image annotation methods, it is challenging to provide a scalable method for large-scale datasets. In this paper, to solve this challenge, we propose a novel approach to summarize training database (images and their relevant tags) into a small number of prototypes. To this end, we apply a clustering algorithm on the visual descriptors of training images to extract the visual part of prototypes. Since the number of clusters is much smaller than the number of images, a good level of summarization will be achieved using our approach. In the next step, we extract the labels of prototypes based on the labels of input images in the dataset. because of this, semantic labels are propagated from training images to the prototypes using a label propagation process on a graph. In this graph, there is one node for each input image and one node for each prototypes. This means that we have a graph with union of input images and prototypes. Then, to extract the edges of graph, the visual feature of each node on graph is coded using other nodes to obtain its K-nearest neighbors. This goal is achieved by using Locality-constraints Linear Coding algorithm. After construction the above graph, a label propagation algorithm is applied on the graph to extract the labels of prototypes. Based on this approach, we achieve a set of labeled prototypes which can be used for annotating every test image. To assign tags for an input image, we propose an adaptive thresholding method that finds the labels of a new image using a linear interpolation from the labels of learned prototypes. The proposed method can reduce the size of a training dataset to 22.6% of its original size. This issue will considerably reduce the annotation time such that, compared to the state-of-the-art search-based methods such as 2PKNN,  the proposed method is at least 4.2 times faster than 2PKNN, while the performance of annotation process in terms of Precision, Recall and F1 will be maintained on different datasets.},  
Keywords = {Database Summarization, Image Annotation, Search-Based method, Scalability},
volume = {18},
Number = {4}, 
pages = {49-68}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {برچسب‌زنی مقیاس‌پذیر تصاویر با خلاصه‌سازی نمونه‌ها به نماینده‌های برچسب‌دار},
abstract_fa ={با افزایش روز‌افزون تصاویر، اندیس‌گذاری و جستجوی سریع آنها در پایگاه داده‌های بزرگ، یک امر ضروری است. یکی از راه‌کارهای مؤثر، نسبت‌دادن یک یا چند برچسب به هر تصویر با هدف توصیف محتوای درون آن است. با وجود کارایی روش‌های خودکار برچسب‌زنی، یکی از چالش‌های اساسی آنها مقیاس‌پذیری با افزایش تصاویر پایگاه داده است. در این مقاله، با هدف حل این چالش، ابتدا براساس توصیف‌گر بصری تصاویر که از شبکه‌های یادگیری عمیق استخراج می‌شوند،‌ نمایندگان مناسبی به‌دست می‌آیند. سپس، با استفاده از رویه انتشار برچسب بر روی گراف، برچسب­‌های معنایی از تصاویر آموزشی به نمایندگان منتشر می‌شوند. با این راه‌کار، به یک مجموعه نمایندگان برچسب‎‌دار دست خواهیم یافت که می‌توان عمل برچسب‌زنی هر تصویر آزمون را بر اساس این نمایندگان انجام داد. برای برچسب‌زنی، یک رویکرد مبتنی بر آستانه‌گذاری وفقی پیشنهاد شده است. با روش پیشنهادی، می‌توان اندازه مجموعه‌داده آموزشی را به 6/22 درصد اندازه اولیه کاهش داد که منجر به تسریع حداقل 2/4 برابری زمان برچسب‌زنی خواهد شد. همچنین، کارایی برچسب­زنی بر روی مجموعه‌داده‌­های مختلف برحسب سه معیار دقت، یادآوری و F1 در حد مطلوبی حفظ شده است.},
keywords_fa = {خلاصه‌سازی پایگاه داده, برچسب‌زنی تصویر, روش مبتنی برجستجو, مقیاس‌پذیری},

doi = {10.52547/jsdp.18.4.49},
url = {http://jsdp.rcisp.ac.ir/article-1-1046-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1046-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}

@article{ 
author = {abdi, zahra and mazoochi, mojtaba and pourmina, mohammadali},  
title = {Representing a method to identify and contrast with the fraud which is created by robots for developing websites’ traffic ranking}, 
abstract ={With the expansion of the Internet and the Web, communication and information gathering between individual has distracted from its traditional form and into web sites. The World Wide Web also offers a great opportunity for businesses to improve their relationship with the client and expand their marketplace in online world. Businesses use a criterion called traffic ranking to determine their site's popularity and visibility. Traffic ranking measures the amount of visitors to a site and based on these statistics, allocates a ranking to the site. One of the most important challenges in the ranking is the creation of fake traffic that generated by applications called robots. Robots are malicious software components that used to generate spam, set up distributed denial of services attacks, fishing, identity theft, removal of information and other illegal activities .there are already several ways to identify and discover the robot. According to Doran et al., The identification methods are divided into two categories: offline and real-time. The offline detection method is divided into three categories: Syntactical Log Analysis, Traffic Pattern Analysis, and Analytical Learning Techniques. The real-time method is performed by the Turing test system. In this research, the identification of robots is done through the offline method by analysis and processing of access logs to the web server and the use of data mining techniques. In this method, first, the features of each session are extracted, then generally these sessions are labeled with three conditions into two categories of human and robot. Finally, by using data mining tool, web robots are detected. In all previous studies, the features are extracted from each sessions, for example in first studies, Tan&Kumar extracted 25 features of sessions. After that Bomhardt et al. used 34 features to identify the robots. In 2009 Stassopoulou et al. used 6 features that was extracted from sessions and so on. But in this research, features are extracted from sessions of a unique user. Experimental results show that the proposed method in this research, by discovering new features and introducing a new condition in session labeling, improves the accuracy of identifying robots and moreover, improves the ranking of web traffic from previous work.},  
Keywords = {Traffic Ranking, Robot Detection, Session Labeling, Web Server Access Log, Data Mining},
volume = {18},
Number = {4}, 
pages = {69-80}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {ارائه راه‌کار برای مقابله با فریب ایجاد‌شده به‌وسیله ربات‌ها به‌‌منظور بهبود رتبه‌بندی ترافیکی تارنماها},
abstract_fa ={با گسترش اینترنت و فضای وب، برقراری ارتباط و کسب اطلاعات در بین افراد از شکل سنتی و اولیه خود فاصله گرفته و به درون تارنماها کشیده شده است. همچنین فضای جهانی وب، فرصت بزرگی را برای کسب و کارها فراهم می‌کند تا ارتباط خود را با مشتری بهبود ببخشند و بازار خود را در دنیای برخط گسترش دهند. کسب و کارها برای بررسی میزان بازدید و محبوبیت سایت‌هایشان از معیاری به نام رتبه‌بندی ترافیکی استفاده می‌کنند. رتبه‌بندی ترافیکی میزان بازدیدکنندگان یک سایت را اندازه گرفته و براساس همین آمار، رتبه‌ای را به سایت اختصاص می‌دهد. یکی از مهم‌ترین چالش‌های موجود در رتبه‌بندی، ایجاد ترافیک جعلی تولید‌شده به‌وسیله برنامه‌های کاربردی به نام ربات است. ربات‌ها اجزای نرم‌افزاری مخرب مورد استفاده برای تولید هرزنامه‌ها، راه‌اندازی حملات مختل‌کننده سامانه، فیشینگ، سرقت هویت و خروج اطلاعات و دیگر فعالیت‌های غیر قانونی هستند تاکنون روش‌های مختلفی برای شناسایی و کشف ربات صورت گرفته است. در این پژوهش، شناسایی ربات‌ها از طریق تحلیل و پردازش لاگ دسترسی وب سرور و استفاده از روش‌های داده‌کاوی، انجام می‌شود. نتایج تجربی نشان می‌دهد که روش پیشنهادی در این پژوهش با کشف ویژگی‌های جدید و معرفی شرط جدید در برچسب‌گذاری نشست‌ها، باعث بهبود دقت در شناسایی ربات‌ها و در نتیجه ایجاد بهبود در رتبه‌بندی ترافیکی تارنماها نسبت به کارهای پیشین شده است.},
keywords_fa = {رتبه‌بندی ترافیکی, شناسایی ربات, برچسب‌گذاری نشست, لاگ دسترسی وب سرور, داده‌کاوی},

doi = {10.52547/jsdp.18.4.69},
url = {http://jsdp.rcisp.ac.ir/article-1-1032-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1032-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}

@article{ 
author = {Ghorbani, Maryam},  
title = {A neural mass model of CA1-CA3 neural network and studying sharp wave ripples}, 
abstract ={We spend one third of our life in sleep. The interesting point about the sleep is that the neurons are not quiescent during sleeping and they show synchronous oscillations at different regions. Especially sharp wave ripples are observed in the hippocampus. Here, we propose a simple phenomenological neural mass model for the CA1-CA3 network of the hippocampus considering the spike frequency adaptation for excitatory neurons. The model consists of one group of identical CA1 excitatory neurons, one group of identical CA1 inhibitory neurons, one group of identical CA3 excitatory neurons, and one group of identical CA3 inhibitory neurons. All the recurrent connections between the neurons of CA3 network are considered. For CA1 neurons the excitatory to inhibitory, inhibitory to excitatory and inhibitory to inhibitory connections are considered. CA1 and CA3 neurons are connected by long-range connections from CA3 excitatory neurons to both CA1 excitatory and inhibitory neurons. We show that this simple model can spontaneously generate the oscillations similar to the sharp waves in the CA3 network. The duration of the sharp waves is determined by the slow dynamic of the adaptation process. The excitatory inputs from CA3 network to the CA1 network during these sharp waves induce ripples in the CA1 network due to the interaction of excitatory and inhibitory neurons. We next show that contrary to intuition and in a very good agreement with the recent experimental findings, reduction of the excitation increases the amplitude of the ripples while decreases the frequency of them. This model can also spontaneously generate ripple doublets. The decrease in the excitation is associated with the increase in the probability of observing ripple doublets. Our results shed light on our understanding of the mechanism underlying the generation of sharp wave ripples.},  
Keywords = {Neural mass model, Sharp wave ripples, Spike frequency adaptation},
volume = {18},
Number = {4}, 
pages = {81-88}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {مدل‌سازی شبکه نورونی CA3-CA1 و مطالعه امواج تیز ریپل},
abstract_fa ={هر فرد حدود یک‌سوم عمر خود را در حالت خواب می‌گذراند. نکته جالب این است که مغز یک فرد خوابیده به‌هیچ‌عنوان در حالت غیر فعال و ساکت نیست و به‌خصوص در شبکه عصبی هیپوکمپ امواج تیز ریپل مشاهده می‌شوند. در اینجا یک مدل پدیده‌شناختی که در آن تطبیق‌پذیزی برای نورون‌های تحریکی در نظر گرفته شده است، برای شبکه CA1-CA3 هیپوکمپ ارائه می‌دهیم. این مدل ساده در غیاب محرک خارجی نوساناتی با خواص مشابه امواج تیز ریپل که در تجربه به‌دست آمده است، تولید می‌کند؛ به‌خصوص نشان می‌دهیم در اثر کاهش تحریک در شبکه، دامنه ریپل‌ها افزایش می‌یابد و فرکانس ریپل‌ها کم می‌شود؛ به‌علاوه احتمال تشکیل دوتایی‌های ریپل در اثر کاهش تحریک افزایش می‌یابد. این نتایج با نتایج تجربی هم‌خوانی بسیار خوبی دارد. },
keywords_fa = {مدل جرم نورونی, امواج تیز ریپل, spike frequency adaptation},

doi = {10.52547/jsdp.18.4.81},
url = {http://jsdp.rcisp.ac.ir/article-1-1041-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1041-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}

@article{ 
author = {Bahrani, Payam and Minaei2, Behrouz and Parvin, Hamid and Mirzarezaee, Mitra and Keshavarz, Ahm},  
title = {A New WordNet Enriched Content-Collaborative Recommender System}, 
abstract ={The recommender systems are models that are to predict the potential interests of users among a number of items. These systems are widespread and they have many applications in real-world. These systems are generally based on one of two structural types: collaborative filtering and content filtering. There are some systems which are based on both of them. These systems are named hybrid recommender systems. Recently, many researchers have proved that using content models along with these systems can improve the efficacy of hybrid recommender systems. In this paper, we propose to use a new hybrid recommender system where we use a WordNet to improve its performance. This WordNet is also automatically generated and improved during its generation. Our ontology creates a knowledge base of concepts and their relations. This WordNet is used in the content collaborator section in our hybrid recommender system. We improve our ontological structure via a content filtering technique. Our method also benefits from a clustering task in its collaborative section. Indeed, we use a passive clustering task to improve the time complexity of our hybrid recommender system. Although this is a hybrid method, it consists of two separate sections. These two sections work together during learning. Our hybrid recommender system incorporates a basic memory-based approach and a basic model-based approach in such a way that it is as accurate as a memory-based approach and as scalable as a model-based approach. Our hybrid recommender system is assessed by a well-known data set. The empirical results indicate that our hybrid recommender system is superior to the state of the art methods. Also, our hybrid recommender system is more accurate and scalable compared to the recommender systems, which are simply memory-based (KNN) or basic model-based. The empirical results also confirm that our hybrid recommender system is superior to the state of the art methods in terms of the consumed time. While this method is more accurate than model-based methods, it is also faster than memory-based methods. However, this method is not much weaker in terms of accuracy than memory-based methods, and not much weaker in terms of speed than model-based methods.},  
Keywords = {Recommender System, Ontology, Memory-based Filtering, Model-based Filtering, Clustering, KNN},
volume = {18},
Number = {4}, 
pages = {89-124}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {ارائه یک سامانه پیشنهادگر حافظه پایه ترکیبی با استفاده از هستان‌شناسی و محتوا},
abstract_fa ={سامانه­‌های پیشنهادگر در زمینه تجارت الکترونیک شناخته شده هستند. از این­‌گونه سیستم‌ها انتظار می‌­رود که کالاها و اقلام مهمی (از جمله موسیقی و فیلم) را به مشتریان پیشنهاد دهند. در سامانه‌های پیشنهادگر سنتی از جمله روش­های پالایش محتوا پایه و پالایش مشارکتی، چالش‌­ها و مشکلات مهمی از جمله شروع سرد، مقیاس‌­پذیری و پراکندگی داده‌­ها وجود دارد. اخیراً به‌­کارگیری روش‌­های ترکیبی توانسته با بهره‌­گیری از مزایای این روش‌­ها با هم، برخی از این چالش‌­ها را تا حد قابل قبولی حل نمایند. در این مقاله سعی می­‌شود روشی برای پیشنهاد ارائه شود که ترکیبی از دو روش پالایش محتوا پایه و پالایش مشارکتی (شامل دو رویکرد حافظه پایه و مدل پایه) باشد. روش پالایش مشارکتی حافظه پایه، دقت بالایی دارد، اما از مقیاس‌­پذیری کمی برخوردار است. در مقابل، رویکرد مدل پایه دارای دقت کمی در ارائه پیشنهاد به کاربران بوده اما مقیاس‌­پذیری بالایی از خود نشان می­‌دهد. در این مقاله سامانه پیشنهادگر ترکیبی مبتنی بر هستان­‌شناسی ارائه شده که از مزایای هر دو روش بهره برده و  براساس رتبه‌­بندی­‌های واقعی، مورد ارزیابی قرار می­‌گیرد. هستان‌شناسی، توصیفی واضح و رسمی برای تعریف یک پایگاه دانش شامل مفاهیم (کلاس‌­ها) در حوزه موضوعی، نقش‌­ها (رابط­‌ها) بین نمونه‌­های مفاهیم، محدودیت­‌های مربوط به رابطه‌­ها، همراه با یک مجموعه از عناصر و اعضا (یا نمونه­‌ها) است که یک پایگاه دانش را تعریف می­‌کند. هستان­‌شناسی در بخش پالایش محتوا پایه مورد استفاده قرار می­‌گیرد و ساختار هستان‌شناسی توسط تکنیک­‌های پالایش مشارکتی بهبود می­‌یابد. در روش ارائه‌شده در این پژوهش، عملکرد سیستم پیشنهادی بهتر از عملکرد پالایش محتوا پایه و مشارکتی است. روش پیشنهادی با استفاده از یک مجموعه‌داده­ واقعی ارزیابی شده است و نتایج آزمایش­ها نشان می‌دهد روش مذکور کارایی بهتری دارد. همچنین با توجه به راه‌کارهای ارائه‌شده در مقاله حاضر، مشخص شد، روش پیشنهادی دقت و مقیاس‌­پذیری مناسبی نسبت به سامانه‌های پیشنهادگری دارد که صرفاً حافظه پایه (KNN) و یا مدل پایه هستند.},
keywords_fa = {سامانه پیشنهادگر, هستان‌شناسی, پالایش حافظه پایه, پالایش مدل پایه, خوشه‌بندی, KNN},

doi = {10.52547/jsdp.18.4.89},
url = {http://jsdp.rcisp.ac.ir/article-1-1185-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1185-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}

@article{ 
author = {Abdolrazzagh-Nezhad, Majid and Kherad, Mehdi},  
title = {Predicting stock prices on the Tehran Stock Exchange by a new hybridization of Fuzzy Inference System and Fuzzy Imperialist Competitive Algorithm}, 
abstract ={Investing on the stock exchange, as one of the financial resources, has always been a favorite among many investors. Today, one of the areas, where the prediction is its particular importance issue, is financial area, especially stock exchanges. The main objective of the markets is the future trend prices prediction in order to adopt a suitable strategy for buying or selling. In general, an investor should be predicted the future status of the time, the amount and location of his assets in a way that increases the return on his assets. Stock price prediction is one of the most challenging topics in the field of forecasting, which has attracted many attentions from researchers. The various factors of the markets have caused the situation that they always have a dynamic and complex process. Therefore, researchers have been determined to look for new prediction methods of stock price, which will reduce the instability and complexity of the markets. In fact, the most of recent studies have shown that the stock market is a nonlinear, dynamic, and non-parametric system that is affected by various economic factors. The applications of artificial intelligence and machine learning techniques to identify the relationship between the factors and stock price exchanges can be organized in seven major groups such as neural networks and deep learning, support vector machine, decision tree and random forest, k nearest neighbor, regression, Bayesian networks and fuzzy inference-base methods. Due to the mentioned prediction methods have their own challenges, hydridizations of the meta-heuristic algorithms and the methods were applied to stock price prediction. In this paper, a new hybridization of Fuzzy Inference System and a novel modified Fuzzy Imperialist Competitive Algorithm (FICA+FIS) are proposed to stock price prediction. To achieve this aim, two Fuzzy Inference Systems are designed to tuing the ICA’s parameters based on three effective factors in search strategy and to predict stock price based on 10 effective economic factors. The candidate fuzzy rules set of the inference engine is obtained by the FICA for the second FIS and six fuzzy rules of the first FIS are designed based on the ICA’s behaviour. The FICA+FIS has 10 inputs of the stock price variables including the lowest stock price, the highest stock price, the initial stock price, the trading volume, the trading value, the first market index of the trading floor, the total market price index, the dollar exchange rate, the global price per ounce of gold, the global oil price, and its output is also the stock price. The inputs and output variables consist of three linguistic vairables such as Low, Medium, and High with triangular membership functions. Each country (search agent) of the FICA contains information on all the fuzzy rules of the inference engine attributed to the country and has r×12 elements, where r is the number of fuzzy rules. The FICA’s objective function is the mean square error (MSE) to evaluate the power of each country. A challenge of the ICA is the proper tuning paprameters such as the Revolution Probability (Prevolve), Assimilation Coefficient (Beta) and the Colonies Mean Cost Coefficient (zeta), which has a great impact on the efficiency of the algorithm (precision and time of access to solution). These parameters are usually constant and according to different problems, they have different values and are given experimentally. In this paper, the parameters are tuned based on the number of iterations that the best objective function value has not improved (UN), the number of imperialist (Ni) and the current number iteration (Iter). To this aim, a FIS is designed based on six fuzzy rules that UN, Ni and Iter are its input variables and Prevolve, Beta and zeta are its output variables. To analyze the efficiency of the FICA+FIS as a case study, six datasets are collocted from six companies which were active between 1389 to 1394 in Tehran Stock Exchange such as Pars Oil, Iran Khodro, Motogen, Ghadir, Tidewater and Mobarakeh. The information of around 2000 days are collected for each company and the data are divided to train and test data based on cross validation 10-fold. To compare the performance of the FICA+FIS, two groups of stock price prediction methods were implemented. In the first group, the fuzzy rules of the FIS’s engine to stock price prediction are obtained by the classic draft of the Imperialist Competitive Algorithm (ICA+FIS), the Genetic Algorithm (GA+FIS) and the Whale Optimization Algorithm (WOA+FIS), which are used to compare with the FICA. The second group includes classic stock price prediction methods such as multi-layered neural network (NN), support vector machine (SVM), CART decision tree (DT-CART), random forest (RF) and Gaussian process regression (GPR), which are used to compare with the FICA+FIS. The experimental results show that first, the improved fuzzy draft of the ICA performed better than its classic draft, the GA and the WOA, and second, the performance of the FICA FIS is better than other investigated algorithms in both training and testing phases, although the DT is a competitor in the training phase and the RF is a competitor in the test phase on some datasets.},  
Keywords = {Stock Price Prediction, Fuzzy Inference Systems, Neural Networks, Decision Tree, Random Forest, Support Vector Machine, Imperialist Competitive Algorithm},
volume = {18},
Number = {4}, 
pages = {125-152}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {پیش‌بینی قیمت سهام در بورس اوراق بهادار تهران توسط ترکیب دوگانه سامانه استنتاج فازی و الگوریتم رقابت استعماری فازی},
abstract_fa ={پیش‌بینی قیمت سهام در بورس اوراق بهادار از جمله چالش برانگیزترین مباحث در مقوله پیش‌بینی است که توجهات بسیاری از جمله محققان را به خود جلب کرده است. عوامل مختلف درگیر در بورس اوراق بهادار سبب شده است تا بازار بورس همیشه از خود فرآیندی پویا و پیچیده داشته باشند. لذا پژوهش‌گران بر آن شده‌اند تا در پیش‌بینی رفتار بورس، به دنبال روش‌های نوینی باشند که دربرابر عدم ایستایی و پیچیده بودن مقاوم باشند. در این پژوهش یک مدل ترکیبی دوگانه متشکل از دو سامانه استنتاج فازی و یک الگوریتم رقابت استعماری به‌صورت ترکیبی استفاده شده است که یک سامانه فازی برای ایجاد مدلی برای پیش‌بینی قیمت سهام براساس 10 متغیر تأثیرگذار بر قیمت سهام استفاده می‌شود که قوانین فازی موتور استنتاج این سامانه فازی توسط نسخه بهبود یافته فازی جدید الگوریتم رقابت استعماری به‌دست می‌آید و پارامترهای الگوریتم رقابت استعماری نیز توسط یک سامانه فازی دیگر به نام تنظیم‌کننده پارامترها ، تعیین می‌شوند. به‌منظور ارزیابی عملکرد مدل پیشنهادی اطلاعات مرتبط با قیمت سهام شش شرکت فعال در بورس اوراق بهادار تهران در نظر گرفته شده و هشت مدل پیش‌بینی قیمت سهام در دو گروه الگوریتم به همراه مدل پیشنهادی پیاده‌سازی شدند. نتایج به‌دست‌آمده نشان از عملکرد بهتر مدل پیشنهادی از جهت کیفیت نتایج پیش‌بینی شده و انحراف کم نتایج فاز آزمون از فاز آموزش دارد.  },
keywords_fa = {پیش‌بینی قیمت سهام, سامانه استنتاج فازی ممدانی, شبک عصبی, درخت تصمیم, جنگل تصادفی, ماشین بردار پشتیبان, الگوریتم رقابت استعماری},

doi = {10.52547/jsdp.18.4.125},
url = {http://jsdp.rcisp.ac.ir/article-1-1024-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1024-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}

@article{ 
author = {HasanNezhadNamaghi, Hossein and Mashayekhi, Hoda and Zahedi, Mortez},  
title = {Detecting Concept Drift in Data Stream Using Semi-Supervised Classification}, 
abstract ={Data stream is a sequence of data generated from various information sources at a high speed and high volume. Classifying data streams faces the three challenges of unlimited length, online processing, and concept drift. In related research, to meet the challenge of unlimited stream length, commonly the stream is divided into fixed size windows or gradual forgetting is used. Concept drift refers to changes in the statistical properties of data, and is divided into four categories: sudden, gradual, incremental, and recurring. Concept drift is generally dealt with by periodically updating the classifier, or employing an explicit change detector to determine the update time. These approaches are based on the assumption that the true labels are available for all data samples. Nevertheless, due to the cost of labeling instances, access to a partial labeling is more realistic. In a number of studies that have used semi-supervisory learning, the labels are received from the user to update the models in form of active learning. The purpose of this study is to classify samples in an unlimited data stream in presence of concept drift, using only a limited set of initial labeled data. To this end, a semi-supervised ensemble learning algorithm for data stream is proposed, which uses entropy variation to detect concept drift and is applicable for sudden and gradual drifts. The proposed model is trained with a limited initial labeled set. In occurrence of concept drift, the unlabeled data is used to update the ensemble model. It does not require receiving the labels from the user. In contrast to many of the current studies, the proposed algorithm uses an ensemble of K-NN classifiers. It constructs a group of clustering-based classification models, each of which is trained on a batch of data. On receiving each new sample, first it is determined whether the data sample is an outlier or not. If the data is included in a cluster, the sample class is determined by majority voting. When a window of the stream is received, the possibility of concept drift is examined based on entropy variation, and the classifier is updated by a semi-supervised approach if necessary. The model itself determines the required data labels. The proposed method is capable of detecting concept drift in data, and improving its accuracy via updating the learning model with appropriate samples received from the stream. Therefore, the proposed method only requires a small initial labeled data. Experiments are performed using five real and synthetic datasets, and the model performance is compared to three other approaches. The results show that the proposed method is superior in terms of precision, recall and F1 score compared to other studies.},  
Keywords = {data stream, ensemble learning, concept drift, entropy, semi-supervised classification},
volume = {18},
Number = {4}, 
pages = {153-164}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تشخیص تغییر مفهوم در جریان داده با کمک رده‌بند نیمه‌نظارتی},
abstract_fa ={جریان داده به دنباله‌ای از داده‌ها گفته می‌شود که از منابع اطلاعاتی مختلف با سرعت زیاد و حجم بالا تولید می‌شوند. از مهم‌ترین چالش‌های موجود در تحلیل جریان‌ داده وجود تغییر مفهوم در آن‌ها است. تغییر مفهوم به معنای تغییر ویژگی‌های آماری داده‌هاست. در بسیاری از پژوهش‌های موجود برای مقابله با چالش نامحدود‌بودن طول جریان داده و یا چالش تغییر مفهوم، از رویکردهایی با فرض موجود‌بودن برچسب درست برای همه داده‌ها استفاده می‌کنند؛ در‌حالی‌که با توجه به هزینه‌بر‌بودن فرآیند برچسب‌دهی جریان داده، به‌طورعمومی فرض می‌شود تنها بخشی از داده‌ها دارای برچسب هستند. در این مقاله یک روش یادگیری گروهی نیمه‌نظارتی ارائه شده که از تغییر آنتروپی برای تشخیص تغییر مفاهیم در رده‌بندی جریان داده استفاده می‌کند. مدل یادگیری گروهی پیشنهادی با تعداد محدودی داده برچسب‌دار اولیه آموزش می‌بیند؛ سپس در صورت مشاهده تغییر مفهوم، از داده‌های بدون برچسب برای به‌روزرسانی مدل رده‌بند گروهی استفاده می‌کند. روش پیشنهادی قادر است تغییرات موجود در مجموعه‌داده را تشخیص داده و با به‌روزرسانی مدل یادگیری، در بهبود دقت الگوریتم مؤثر باشد. نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی از جنبه‌های مختلف نسبت به سایر روش‌ها کارایی بالاتری دارد.   },
keywords_fa = {جریان داده, یادگیری گروهی, تغییر مفهوم, آنتروپی, رده‌بند نیمه‌نظارتی},

doi = {10.52547/jsdp.18.4.153},
url = {http://jsdp.rcisp.ac.ir/article-1-1031-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-1031-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}

@article{ 
author = {JalalianShahri, Mohammad Reza and Hadizadeh, Hadi and KhademiDarah, Morteza and EbrahimiMoghadam, Abbas},  
title = {A Novel Noise-Robust Texture Classification Method Using Joint Multiscale LBP}, 
abstract ={In this paper we describe a novel noise-robust texture classification method using joint multiscale local binary pattern. The first step in texture classification is to describe the texture by extracting different features. So far, several methods have been developed for this topic, one of the most popular ones is Local Binary Pattern (LBP) method and its variants such as Completed Local Binary Pattern, Extended Local Binary Pattern, Local Temporary Pattern, Local Contrast Pattern, etc. In order to extract the features of a texture in different scales, the LBP method can be implemented in a multi-scale framework. For this purpose, the extracted feature vectors at different scales are usually concatenated together to produce the final feature vector with a longer length. But such a scheme has two main shortcomings. First, the LBP method is very sensitive to noise, hence by adding noise to a texture image, its feature vectors may change significantly. Second, by increasing the number of the scales, the length of the final feature vector is increased accordingly. This action increases the classification process time, and it may reduce the classification accuracy. To mitigate these shortcomings, this paper presents a method based on multiscale LBP, which has a better resistance against white Gaussian noise, while the length of its final feature vector is equal to the length of the final feature vector produced by the original LBP method. To implement the proposed method, we used 17 circular binary masks that contain 8 directed first-order masks, 8 directed second-order masks and 1 undirected mask. These masks have positive and negative weightes and each group of these masks have different radius which after convolution with input image extract features in different scales. Experiments were performed on four test groups of Outex database. Experimental results show that the proposed method is superior to the existing state-of-the-art methods. The complexity of proposed method is also analyzed. The results show that in this method, despite obtaining excellent classification accuracy, the complexity of the method has not changed much and even its complexity is less than some of the existing state-of-the-art methods.},  
Keywords = {feature extraction, Local Binary Pattern, texture, texture classification, white gaussian noise},
volume = {18},
Number = {4}, 
pages = {165-180}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {روشی نوین در طبقه‌بندی مقاوم به نوفه تصاویر بافتی با استفاده از توصیف چند‌مقیاسه توأمان الگوی باینری محلی},
abstract_fa ={نخستین گام در طبقه‌بندی تصاویر بافتی، توصیف بافت با استفاده از استخراج ویژگی‌های تصویری مختلف از آن است. تاکنون روش‌های متعددی برای این موضوع توسعه یافته‌اند که از جمله مشهورترین آن‌ها می‌توان به روش الگوی دودویی محلی اشاره کرد. به‌منظور استخراج اطلاعات بافتی در مقیاس‌های مختلف، روش الگوی باینری محلی را می‌توان در یک چهارچوب چندمقیاسه پیاده‌سازی کرد. در این حالت، بردارهای ویژگی به‌دست‌آمده در سطوح مقیاس مختلف به یکدیگر پیوست می‌شوند تا یک بردار ویژگی برآیند با طول بیشتر را تولید کند؛ اما چنین روشی دو عیب مهم دارد؛ نخست‌این‌که، روش الگوی دودویی محلی به‌شدت نسبت به نوفه حساس و با افزودن نوفه به تصویر بافتی، بردارهای ویژگی به‌دست‌آمده ممکن است به‌شدت تغییر کنند. دوم‌این‌که، با افزایش تعداد مقیاس‌ها، طول بردار ویژگی به‌دست‌آمده نیز افزایش می‌یابد که این امر ضمن کاهش سرعت فرآیند طبقه‌بندی بافت، ممکن است دقت طبقه‌بندی را نیز کاهش دهد. برای رفع و یا کاهش این دو عیب، در این مقاله، روشی مبتنی بر الگوی دودویی محلی چندمقیاسه پیشنهاد می‌شود که از مقاومت بهتری در مقابل نوفه سفید گوسی برخوردار و در عین حال، طول بردار ویژگی تولیدی به‌وسیله آن به‌طوردقیق برابر با طول بردار ویژگی تولیدی به‌وسیله روش اصلی الگوی دودویی محلی در حالت تک‌مقیاسه است. آزمایش‌ها بر روی چهار گروه از پایگاه داده Outex انجام شده که آزمایش‌های انجام‌گرفته نشان‌دهنده برتری روش پیشنهادی نسبت به روش‌های موجود مشابه است.},
keywords_fa = {استخراج ویژگی, الگوی دودویی محلی, بافت, طبقه‌بندی بافت, نوفه سفید گوسی},

doi = {10.52547/jsdp.18.4.165},
url = {http://jsdp.rcisp.ac.ir/article-1-924-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-924-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2022}  
}