@article{ author = {dorzadeh, teymoor and Balouchzahi, NikMohammad and Bakhtiyarishehri, Ahm}, title = {Improve the security of the platoon in vehicular networking}, abstract ={The growth of vehicles and the increase in urban traffic have led to the need for safe, secure and efficient Intelligent Transportation Systems (ITS). Improving the efficiency of ITS needs an efficient communication system. To this end, vehicular networks have been considered as a communication infrastructure in ITS. One of the mechanisms to manage vehicles in ITS is to categorize vehicles into platoon. Platoon is proposed as a way to increase road capacity, improve safety, minimize travel time, increase fuel efficiency, reduce environmental impact, lower-traffic jams and facilitate driving. To create a platoon through autonomous cooperative driving, vehicles must be able to communicate wirelessly, which is possible through vehicular networks. Wireless communications in vehicular networks suffer from three major problems, which are: limited range of radiofrequency, high data transmission over the wireless network, as well as security problems. Using omnidirectional antennas and utilizing DSRC channels in the lower layers are the base solutions to overcome these issues but, Omnidirectional antennas spread the vulnerability to all nodes within the signal propagation range and congestion challenges in the DSRC channel intensify the collision of packets. Such issues decrease the platoon's stability and security. Recent studies on vehicular networks security have focused on presenting solutions to reduce vulnerabilities at the level of communications. However, while the security of communications has been extensively explored in previous work, the security of platoons has recently been considered by researchers. In vehicular networks, an attack can pose a threat to the security and privacy of the platoon, so the security of the platoon has received a great deal of attention.  To improve the security of the platoon, the SP-VLC solution is proposed. This method uses asymmetric encryption and the transmission of information through Visible Light Communications (VLC) to overcome security challenges. In intra-platoon attacks, the attacker is a member of the platoon and has access to all keys and encrypted information, so this solution is not effective against platoon’s internal attacks. Moreover, the SP-VLC solution uses only the data flow topology of predecessor-following to transfer data. Another solution which fixes internal attack problem of SP-VLC solution is voting method. But this solution does not work well for the "predecessor-following" information flow topology because vehicles in the voting process need to receive information from at least two vehicles, while in the mentioned topology, vehicles receive information only from the vehicle in front.   Therefore, the voting solution does not have the required efficiency in "predecessor-following" topology. To overcome the challenges of the voting method, a new solution has been proposed that takes advantage of changes in the distance of each vehicle from the leader vehicle and the best speed of the malicious vehicle compared to the leader speed before the attack. Also, in order to evaluate the efficiency of the proposed solution, evaluation in Bidirectional-leader (BDL) and Predecessor-leader following (PLF) topologies has been performed as a representative of other information flow topologies. The performance of the proposed solution has been evaluated using OMNeT ++, SUMO, and PLEXE tools. To measure the efficiency of the proposed method, the parameters of position error, speed error and control effort have been used. The simulation of the proposed solution shows that this study responds to spoofing attack in 0.43 seconds and to message falsification attack in 0.48 seconds.}, Keywords = {platoon, vehicular networking, security}, volume = {20}, Number = {1}, pages = {3-24}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {بهبود امنیت پلاتون در شبکه های خودرویی}, abstract_fa ={با رشد روزافزون خودروها و افزایش شبکه های حمل و نقل و به تبع آن نیاز به یک سیستم امن­تر و کارآمدتر، شبکه­های خودرویی مورد توجه واقع شده­اند. در همین راستا برای مدیریت بهینه و ساده­تر سیستم­های حمل و نقل، دسته­بندی خودروها به پلاتون پیشنهاد شده است. هرچند شبکه­های خودرویی و پروتکل ارتباطی استاندارد IEEE 802.11p ابزار کلیدی برای توسعه برنامه­های کاربردی پلاتون هستند، اما همکاری بین خودروها در این پروتکل براساس یک ساختار ارتباطی قابل اعتماد نیست؛ و ظهور ناگهانی یک حمله مخرب می­تواند باعث به خطر افتادن صحت جریان ترافیک داده­ها گردد. هرچند برای مقابله با مشکلات مطرح شده الگوریتم رای گیری پیشنهاد شده بود اما به دلیل نیاز خودروها به دریافت اطلاعات از حداقل دو خودرو جهت انجام رای گیری، در اغلب توپولوژی­ها از کارایی لازم برخوردار نبود؛ و سبب کاهش اثر حمله دست­کاری برای خودرو قربانی نگردیده بود. در این پژوهش جهت رفع مشکلات الگوریتم رای گیری، راه­کار مناسبی با استفاده از تغییرات فاصله هر خودرو نسبت به خودرو رهبر و همچنین بهترین سرعت خودروی مخرب نسبت به سرعت رهبر پیشنهاد شده است. شبیه­سازی راه­کار پیشنهادی نشان می­دهد که این پژوهش نسبت به حملات دست­کاری در زمان 43/0 ثانیه و نسبت به حملات جعل پیام در زمان 48/0 ثانیه واکنش نشان می­دهد. همچنین مشکلات الگوریتم رای­گیری را برطرف کرده است.}, keywords_fa = {پلاتون, شبکه های خودرویی, امنیت}, doi = {10.61186/jsdp.20.1.3}, url = {http://jsdp.rcisp.ac.ir/article-1-1192-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1192-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Momeni, Hossein and Yavari, Ali}, title = {ICTF: Imperialist Competitive Algorithm-based Task Scheduling in Fog Computing}, abstract ={Fog computing address numerous cloud computing challenges such as high latency, low capacity and network failure.  The cloud computing infrastructure includes a large number of IoT devices with the ability to process in the cloud environment.  In fog computing, processing and storage provide on IoT devices locally instead of remote servers, therefore, fog computing is the best choice to enable IoT in order to provide efficient, faster and secure services for many users on the edge of the network.  Fog computing have a variety of challenges. One of these important challenges is resource management and task scheduling such that solving this problem has a great impact on system efficiency and service quality. In this paper, we present a task scheduling approach based on the imperialist competition algorithm namely, Imperialist Competitive Algorithm-based Task Scheduling in Fog Computing (ICTF). In the proposed method, we consider the search space as a directional graph. Assume that each task that contains a set of tasks is a graph with a root node and an end leaf node whose middle nodes are the task set. Each path in this graph that starts at the root node and ends at the leaf is a solution represented by a string. This solution is modeled as a country. Therefore, in the proposed method, the concept of country includes the tasks of a job along with the fog nodes that are assigned to these tasks. The initial population consists of a random number of these solutions. ICTF presents a cost function consisting of three important criteria for assessing the initial population of countries and determining the imperialists and colonies countries include energy, execution time and execution cost. The assimilation operation is performed on two different members of countries, namely the imperialists and colonies country, and two new types of members are created called children. The countries participating in this process are among the best countries and are selected using the cost function. In this process, the best offspring produced are passed on to the next generation, and this operation continues until the final population of the countries is obtained. The assimilation operator has different models and in this article we use the two-point assimilation operator. The name of the revolution operator used in this algorithm is the inverse of the task. This operator randomly selects two tasks belonging to a fog node and moves them together. The above operation is repeated until the population converges and reaches the final answer. We show that our proposed approach is more efficient in terms of makespan, resource utilization, energy consumption and remaining energy compared to the similar approach.}, Keywords = {Fog computing, resource management, task scheduling, imperialist competitive algorithm}, volume = {20}, Number = {1}, pages = {25-38}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {ICTF : زمانبندی وظایف مبتنی بر الگوریتم رقابت استعماری در محیط محاسبات مه}, abstract_fa ={محاسبات مه برای حل چالش های متعدد محیط محاسبات ابری مانند زمان تاخیر بالا، ظرفیت کم و نقص شبکه ارایه گردیده است. در محیط محاسبات مه، دستگاه‌های اینترنت اشیاء  بعنوان یک کاشین محاسباتی کوچک با قابلیت پردازش و ارسال و دریافت اطلاعات، زیر ساخت یک مه را تشکیل می‌دهند. در محیط  مه، پردازش کارها و وظایف و ذخیره داده‌های اینترنت اشیاء بجای ارسال برای سرورهای دور در مراکز داده ابری به صورت محلی در دستگاه‌های اینترنت اشیاء صورت می­پذیرد که این قابلیت منجر به ارایه پاسخ­ سریع‌تر و با تاخیر کمتر و افزایش کیفیت ارایه خدمات در محیط مه می­گردد. بنابراین می‌توان گفت که محاسبات مه بهترین انتخاب برای فعال کردن اینترنت اشیاء در راستای ارایه خدمات کارآمد و امن برای بسیاری از کاربران در لبه شبکه محسوب می‌شود. در محاسبات مه، مدیریت منابع و زمانبندی کار با در نظر گرفتن محدودیت‌های انرژی، زمان، تاخیر  چالش بزرگی محسوب می‌شود. در این مقاله راهکار زمانبندی وظایف مبتنی بر الگوریتم رقابت استعماری برای محاسبات مه ارائه شده است. در راهکار پیشنهادی جمعیت اولیه بطور تصادفی شامل وظایف و ماشین ها شکل می­گیرد و تابع ارزیابی بر اساس معیارهای انرژی، زمان و هزینه تعریف شده و با به کارگیری دو عملگر جذب و انقلاب، الگوریتم زمانبندی وظایف مبتنی بر رقابت استعماری(ICTF) ارایه می­گردد. نتایج شبیه‌سازی نشان می­دهد که ICTF در معیارهای Makespan ، بهره‌وری منابع، مصرف انرژی و انرژی باقیمانده نسبت به سایر روش‌های مشابه کارایی بالاتری دارد.}, keywords_fa = {محاسبات مه, مدیریت منابع, زمانبندی وظایف, الگوریتم رقابت استعماری}, doi = {10.61186/jsdp.20.1.25}, url = {http://jsdp.rcisp.ac.ir/article-1-1195-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1195-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Safari, Sedigheh and Afsari, Fatemeh}, title = {Ensembling semi-supervised p-spectral clustering for high dimensional data}, abstract ={Due to the increasing information and the detailed analysis of them, the clustering problems that detect the hidden patterns lie in the data are still of great importance. On the other hand, clustering of high-dimensional data using previous traditional methods has many limitations. In this study, a semi-supervised ensemble clustering method is proposed for a set of high-dimensional medical data. In the proposed method of this study, little information is available as prior knowledge using the information on similarity or dissimilarity (as a number of pairwise constraints). Initially using the transitive property, we generalize the pairwise constraints to all data. Then we divide the feature space into a number of sub-spaces, and to find the optimal clustering solution, the feature space is divided into an unequal number of sub-spaces randomly. A semi-supervised spectral clustering based on the p-Laplacian graph is performed at each sub-space independently. Specifically, to increase the accuracy of spectral clustering, we have used the spectral clustering method based on the p-Laplacian graph. The p-Laplacian graph is a nonlinear generalization of the Laplacian graph. The results of any clustering solutions are compared with the pairwise constraints and according to the level of matching, a degree of confidence is assigned to each clustering solution. Based on these degrees of confidence, an ensemble adjacency matrix is formed, which is the result of considering the results of all clustering solutions for each sub-space. This ensemble adjacency matrix is used in the final spectral clustering algorithm to find the clustering solution of the whole sub-space. Since the sub-spaces are generated randomly with an unequal number of features, clustering results are strongly influenced by different initial values. Therefore, it is necessary to find the optimal sub-space set. To this end, a search algorithm is designed to find the optimal sub-space set. The search process is initialized by forming several sets (we call each set an environment) consisting of several numbers of sub-spaces. An optimal environment is the one that has the best clustering results. The search algorithm utilized three search operators to find the optimal environment. The search operators search all the environments and the consequent sub-spaces both locally and globally. These operators combine two environments and/or replace an environment with a newly generated one. Each search operator tries to find the best possible environment in the entire search space or in a local space. We evaluate the performance of our proposed clustering schema on 20 cancer gene datasets. The normalized mutual information (NMI) criterion and the adjusted rand index (ARI) are used to evaluate the performance evaluation. We first examine the effect of a different number of pairwise constraints. As expected, with increasing the number of pairwise constraints, the efficiency of the proposed method also increases. For example, the NMI value increases from 0.6 to 0.9 on the Khan-2001 dataset, when the number of pairwise constraints increases from 20 to 100. More number of pairwise constraints means more information is available, which helps to improve the performance of the clustering algorithm. Furthermore, we examine the effect of the number of random subspaces. It is observed that increasing the number of random subspaces has a positive effect on clustering performance with respect to the NMI value. In most datasets, when the number of sub-spaces reaches 20, the performance of the proposed method does not change much and is stable. Examining the effect of sampling rate for random subspace generation shows that the proposed method has the best performance in most cancer datasets, such as Armstrong-2002-v3, and Bredel-2005 datasets, when the random subspace generation rate is 0.5, and by deviating the rate from 0.5, the level of satisfaction decreases. Then, the results of the proposed idea are compared with the results of the method proposed in the reference [21] according to ARI and we see that our proposed method has performed better in 12 data sets out of 20 data sets than the method proposed in the reference [21]. Finally, the proposed idea is compared with some metric learning approaches with respect to NMI. We have observed that the proposed method obtained the best results compared to other compared methods on 11 datasets out of 20 datasets. It also achieved the second-best result on 6 out of 20 datasets. For example, the value NMI obtained in the proposed method is 0.1042 more than the reference [21] and it is 0.1846 more than RCA and it is 0.4 more than ITML and also it is 0.468 more than DCA on the Bredel-2005 dataset. Utilizing ensemble clustering methods besides the confidence factor improves the ability of the proposed algorithm to achieve better results. Also, utilizing the transitive operators as well as the selection of random subspaces of unequal sizes play an important role in achieving better performance for the proposed algorithm. Using the p-Laplacian spectral clustering method produces a better, more balanced, and normal volume of clusters compared to the standard spectral clustering. Another effective approach to the performance of the proposed method is to use search operators to find the best subspace, which leads to better results.  }, Keywords = {Clustering, Subspace Learning, Ensemble Learning, Semi-supervised Learning, Pairwise Constraints}, volume = {20}, Number = {1}, pages = {39-58}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {خوشه بندی گروهی طیفی لاپلاسی-p نیمه نظارتی برای داده های با ابعاد بالا}, abstract_fa ={با توجه به افزایش روزافزون اطلاعات و تحلیل دقیق آنها مسأله خوشه ­بندی که برای آشکارسازی الگوهای پنهان موجود در داده ­ها مورد استفاده قرار می­ گیرد، همچنان از اهمیت بالایی برخوردار است. از طرفی خوشه ­بندی داده ­های با ابعاد بالا با استفاده از روش­های سنتی پیشین دارای محدودیت ­های زیادی است. در مقاله حاضر، یک روش خوشه­ بندی گروهی نیمه­ نظارتی برای مجموعه ­ای از داده­ های پزشکی با ابعاد بالا پیشنهاد می ­شود. در فرموله­ سازی مسأله خوشه­ بندی اطلاعات نظارتی اندکی به عنوان دانش پیشین با استفاده از اطلاعات مربوط به تشابه و یا عدم تشابه (بصورت تعدادی زوج محدودیت­ های دوبه­ دو) در نظر گرفته می­شود. در ابتدا با استفاده از خاصیت تراگذری زوج محدودیت­ های دوبه ­دو را بر روی تمام داده ­ها تعمیم می ­دهیم. سپس با تقسیم فضای ویژگی به صورت تصادفی به چندین زیرفضای نابرابر ابعاد داده ­ها را کاهش می­ دهیم. خوشه­ بندی طیفی نیمه­ نظارتی مبتنی بر گراف لاپلاسی- p در هر زیر فضا بطور مستقل انجام می ­شود. سپس با استفاده از نتایج هر کدام یک ماتریس مجاورت، حاصل از تجمیع نتایج هر کدام (مبتنی بر یادگیری گروهی) ایجاد می ­شود. در نهایت با استفاده از چند عملگر جستجو روی زیرفضاها، بهترین زیرفضا، یعنی زیرفضایی که بهترین نتیجه خوشه­ بندی را دارد، می­ یابیم. نتایج آزمایشات متعدد بر روی چندین داده ­ی پزشکی با ابعاد بالا نشان می­ دهد که رویکرد پیشنهادی، عملکرد و کارآیی بهتری نسبت به روش­های پیشین دارد.}, keywords_fa = {خوشه بندی, یادگیری زیرفضا, یادگیری گروهی, یادگیری نیمه نظارتی, زوج محدودیت های دوبه دو}, doi = {10.61186/jsdp.20.1.39}, url = {http://jsdp.rcisp.ac.ir/article-1-1198-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1198-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {robatianaraki, mojdeh and riahi, nooshi}, title = {An evolutionary approach for automating the selection of optimum Algorithm in Collaborative Filtering Recommender Systems}, abstract ={Recommender system can be defined as a software that suggests the most appropriate and closest item to the user's taste. They work as a counselor, behaving in such a way to guide people in the discovery of products of interest. Nowadays A great number of recommendation methods are used to implement a recommender system, a group of these algorithms are called collaborative filtering. These methods use the similarity between users or the similarity between items according to their user rating patterns for generating recommendations. Collaborative filtering algorithms can recommend the user, interesting items which are not similar to items she has rated before. These recommendations are generated according to the preferences of users with similar taste to the target user.  Different similarity functions and metrics have been used to create the model or compute the similarity in collaborative filtering methods. The best method which generates the most relevant items is not always the same and it may change according to the available data of users and items, because each approach has particularities and depends on the context to be applied. Thus, it becomes a hard task for system designers to manually select an appropriate method among the techniques. This article proposes an approach based on genetic algorithm for rank aggregation of memory based collaborative filtering methods and chooses the most relevant recommendations generated by different similarity techniques to create a Top-N recommender system. In order to implement these techniques, in addition to computing the similarity between users, inferred trust is also computed to increase the amount of available information about relations between user interests. The final method proposes a combination of collaborative filtering techniques for each data set, which in addition to considering time limits, has an acceptable precision for making recommendations. The proposed method has been compared against memory based collaborative filtering methods and similar methods. Experiments were performed using 1M MovieLens and 100k MovieLens and HetRec2011 data sets. The results show that the methodology proposed in this paper performs better and has a higher precision in generating recommendations for users than any of similar algorithms.}, Keywords = {recommender systems, collaborative filtering, genetic algorithm, similarity metrics, rank aggregation, inferred trust.}, volume = {20}, Number = {1}, pages = {59-78}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {روش تکاملی بهبود انتخاب الگوریتم در سیستم های توصیه گر فیلترینگ مشارکتی}, abstract_fa ={سیستم­ توصیه ­گر می­تواند به عنوان نرم ­افزاری که به افراد مناسب­ترین آیتم ­ها را پیشنهاد می­کنند، تعریف شود. این سیستم­ها به عنوان یک مشاور کار می کنند تا افراد را در یافتن محصولات مورد علاقه­ شان راهنمایی کنند. امروزه برای پیاده ­سازی سیستم­های توصیه ­گر، الگوریتم های متفاوتی به­ کار برده می­شود؛ دسته ­ای از این الگوریتم­ها، الگوریتم­های فیلترینگ مشارکتی نام دارند که در آن­ها از شباهت کاربران یا شباهت روابط ایجاد شده توسط کاربران میان آیتم­ها برای تعیین پیشنهادها استفاده می­شود. روش­های فیلترینگ مشارکتی، می توانند آیتم­ هایی موردپسند کاربر اما با محتوای کاملا متفاوت نسبت به سلایق پیشین او پیشنهاد دهند که  این پیشنهادها براساس علایق کاربران مشابه به کاربر هدف تولید شده ­است. در روش­های فیلترینگ مشارکتی برای ایجاد مدل یا محاسبه شباهت بین کاربران، معیارها و توابع فاصله متفاوتی استفاده شده­ است و روش بهینه که بهترین لیست از پیشنهادها را تولید کند، همواره یکسان نیست و متناسب با داده­های موجود، این الگوریتم در میان الگوریتم­های فیلترینگ مشارکتی، تغییر می کند؛ به همین دلیل، انتخاب روش مناسب برای ایجاد یک سیستم توصیه­ گر، به چالشی برای طراحان این سیستم تبدیل شده است. در این مقاله روشی مبتنی بر الگوریتم ژنتیک برای برای اجتماع نتایج روش­های همسایه­ محور و انتخاب بهترین پیشنهادها از بین پیشنهادهای تولید شده توسط روشهای مختلف با معیارهای فاصله متفاوت  برای یک سیستم توصیه­ گر با هدف پیشنهاد N آیتم برتر ارائه شده است. در پیاده سازی این روش­ها ، علاوه بر محاسبه شباهت مستقیم کاربران، تعیین اطمینان غیر مستقیم کاربران نیز مد نظر قرار گرفته است تا اطلاعات موجود از ارتباط بین علایق کاربران افزایش یابد. روش پیشنهادی برای هر مجموعه داده،­ یک ترکیب از روش­های فیلترینگ مشارکتی ایجاد می­کند که علاوه بر در نظرگرفتن محدودیت­های زمانی در تولید آن، دقت مناسبی دارد.   این روش با روش­های فیلترینگ مشارکتی همسایه­ محور به­ صورت مجزا و همینطور سیستم­های مشابه با استفاده از دیتاست Movielens 100k  و 1M  Movielens  و  Hetrec2011 مقایسه شده است .آزمایش­ها برتری و توانایی تولید پیشنهادهای دقیق­تر به کاربران با این روش را نشان می­دهد.}, keywords_fa = {سیستم توصیه گر, فیلترینگ مشارکتی, الگوریتم ژنتیک, توابع فاصله, اجتماع نتایج, اطمینان استنتاج شده.}, doi = {10.61186/jsdp.20.1.59}, url = {http://jsdp.rcisp.ac.ir/article-1-1206-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1206-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Hosseini, Seyed Abolfazl and Beitollahi, Mersedeh}, title = {Hyperspectral Data Compression by Using Subintervals Curve Fitting, and Smoothing Filter}, abstract ={Hyperspectral images due to simultaneous acquisition of data in more than hundreds narrow and close spectral bands, have a very high correlation bandwidth. Hence, in order to store in less storage space, higher transmission speed and less bandwidth, they need compression. Various lossless and lossy methods for compression are exist, that can be in the spatial domain or in the spectrum domain. But, regard to the importance of spectral information of hyperspectral images in remote sensing, this compression should be done by this condition that the spectral information of this kind of images is well preserved. Compression methods can be based on either the predictive function or using of a codebook, to compress information. Data compression can also be done based on transformation coding, which these transformations can be cosine functions (DCTs), wavelet functions (DWTs), or principal component analysis (PCAs). Of course, PCA-based compression is one of the most effective ways to eliminate image correlations and reduce their volume. Another extension is the method of using curve fitting, which is applied exclusively to compress hyperspectral images due to its effect on the image spectrum. This method uses the spectral signature of the each pixel of image to reduce the feature by finding the closest approximation function to express the curve and storing its coefficients as a new feature for reconstruction compressed data. By replacing these coefficients in the equation of approximation, spectrum reflection curve for each pixel can be reconstructed. This method has very good results in comparison with previous methods such as PCA, but in compression using this method, the SRC curve has been approximated in some points with distortion. In this paper, we tried to eliminate these distortions, by finding points which have distortion and Breakdown the SCR. On the other hand, by using the Savitsky-Golay smoothing filter we can also reduce distortion and increase the PSNR. Another way to eliminate or reduce this distortion described in this article is as follow: At the first the spectral signature of each pixel of the intended data is smoothed by a Savitsky-Golay smoothing filter and then by using a particular method is divided into adjoining adjacent spaces and then a curve is plotted for each slice of data. By choosing the best degree and window length for smoothing and selecting the best degree of numerator and denominator of function, the coefficients of the selected rational function are considered as new features of the image. By using the proposed method, in addition to eliminating the distortion, the PSNR level is became much higher and the reconstructed image quality is very close to the original image.}, Keywords = {Compression, Curve Fitting, Hyperspectral, Least Square, Savitsky-Golay Filter}, volume = {20}, Number = {1}, pages = {79-98}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {فشرده سازی تصاویر ابرطیفی با استفاده از برازش خم، بازه‌بندی و هموارسازی}, abstract_fa ={تصاویر ابرطیفی به دلیل اکتساب همزمان داده­ها در بیش از صدها باند طیفی باریک و نزدیک به هم­، همبستگی بین باندی و حجم بسیار بالایی دارند لذا نیاز به فشرده سازی دارند. یکی از روشهای با­ ­اتلاف روش مبتنی بر برازش خم است که از امضای طیفی تصویر به جهت کاهش ویژگی استفاده می­کند و نتایج بسیار خوبی را در مقابل با روش­های قبلی مانند PCA به همراه داشته است، اما در فشرده­سازی با استفاده از این روش، منحنی امضای طیفی تقریب زده شده در برخی نقاط دارای اعوجاج است که در این مقاله سعی شده تا با استفاده از پیدا کردن نقاط دارای اعوجاج و بازه­بندی امضای طیفی و برازش خم روی هر بازه و یا استفاده از یک فیلتر هموار­ساز Savitsky–Golay و یا با ترکیب هر دو پیشنهاد، اعوجاج را از بین برده و نیز میزان PSNR را افزایش داد تا کیفیت تصویر باز­یابی شده به تصویر اصلی خیلی نزدیک گردد.}, keywords_fa = {تصاویر ابرطیفی, فشرده‌سازی, برازش خم, حداقل مربعات خطا, فیلتر هموار‌سازSavitsky – Golay}, doi = {10.61186/jsdp.20.1.79}, url = {http://jsdp.rcisp.ac.ir/article-1-904-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-904-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Rashidi, Froozan and Nejatian, Samad and Parvin, Hamid and Rezaei, vahideh and BagheriFard, Karamolah}, title = {Using Simulated Annealing algorithm to improve ensemble clustering}, abstract ={Data clustering is one of the main tasks of data mining, which is responsible for exploring hidden patterns in unlabeled data. Due to the complexity of the problem and the weakness of the basic clustering methods, today most of the studies are directed towards clustering ensemble methods. Although for most datasets, there are individual clustering algorithms that provide acceptable results, but the ability of a single clustering algorithm is limited. In fact, the main purpose of clustering ensemble is to search for better and more stable results, using the combination of information and results obtained from several initial clustering. In this paper, a clustering ensemble-based method will be proposed, which, like most evidence accumulation methods, has two steps: 1- building a simultaneous participation matrix and 2- determining the final output from the proposed participation matrix. In the proposed method, some other information will be used in addition to the clustering of the samples to construct the simultaneous participation matrix. This information can be related to the degree of similarity of the samples, the size of the initial clusters, the degree of stability of the initial clusters, etc. In this paper, the clustering problem is defined as an explicit optimization problem by the mixed Gaussian model and is solved using the simulated annealing algorithm. Also, an evolutionary method based on simulated annealing will be presented to determine the final output from the proposed simultaneous participation matrix. The most important part of the evolutionary method is to determine the objective function that guarantees the final output will be of high quality. The experimental results show that the proposed method is better than other similar methods in terms of different clustering quality evaluation criteria.  }, Keywords = {Clustering ensemble, Gaussian mixture model, simulated annealing algorithm, simultaneous participation matrix, stability, objective function.}, volume = {20}, Number = {1}, pages = {99-122}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {استفاده از الگوریتم آبکاری فلزات برای بهبود اجماع خوشه‌بندی}, abstract_fa ={خوشه‌بندی داده‌ها یکی از وظایف اصلی داده‌کاوی است که وظیفه کاوش الگوهای پنهان در داده‌های بدون برچسب را بر عهده دارد. به خاطر پیچیدگی مسئله و ضعف روش‌های خوشه‌بندی پایه، امروزه اکثر مطالعات به سمت روش‌های اجماع خوشه‌بندی هدایت شده است. اگر چه برای بیشتر مجموعه داده‌ها، الگوریتم‌های خوشه‌بندی منفردی وجود دارد که نتایج قابل قبولی به­دست می‌دهند، اما توانایی یک الگوریتم خوشه‌بندی منفرد محدود است. در واقع هدف اصلی اجماع خوشه‌بندی جستجوی نتایج بهتر و پایدارتر، با استفاده از ترکیب اطلاعات و نتایج حاصل از چندین خوشه‌بندی اولیه است. در این مقاله، روشی مبتنی بر اجماع خوشه‌بندی پیشنهاد خواهد شد که مانند بیشتر روش‌های انباشت شواهد دارای دو گام است: 1- ساختن ماتریس مشارکت همزمان و 2- تعیین افراز‌های نهایی از ماتریس مشارکت پیشنهادی. در روش پیشنهادی، برای ساخت ماتریس مشارکت همزمان، علاوه‌بر هم خوشه بودن نمونه‌ها از بعضی اطلاعات دیگر هم استفاده خواهد شد. این اطلاعات می‌توانند مربوط به میزان شباهت نمونه‌ها، اندازه خوشه‌های اولیه، میزان پایداری خوشه‌های اولیه و غیره باشد. در این مقاله مسئله خوشه‌بندی به­صورت یک مسئله بهینه‌سازی صریح توسط مدل آمیخته گوسی تعریف می‌شود و که با استفاده از الگوریتم آبکاری فلزات حل می‌شود. همچنین روشی تکاملی مبتنی بر آبکاری فلزات برای تعیین افراز نهایی از ماتریس مشارکت همزمان پیشنهادی ارایه خواهد شد. مهم‌ترین بخش روش تکاملی، تعیین تابع هدفی است که تضمین کند افراز نهایی از کیفیت بالایی برخوردار خواهد بود. نتایج تجربی نشان می­دهد روش پیشنهادی از نظر معیارهای مختلف ارزیابی کیفیت خوشه­بندی از سایر روش­های مشابه بهتر می­باشد.  }, keywords_fa = {اجماع خوشه‌بندی, مدل آمیخته گوسی, الگوریتم آبکاری فلزات, ماتریس مشارکت همزمان, پایداری, تابع هدف.}, doi = {10.61186/jsdp.20.1.99}, url = {http://jsdp.rcisp.ac.ir/article-1-1219-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1219-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Ahmadifar, HamidReza and Hakimi, Zahr}, title = {Set the Domain for Using 3-moduli set {2^n-1, 2^n, 2^n +1}}, abstract ={In special purpose circuits, the amount of energy consumed and the speed of operation are the main challenges. There are wide researches and methods to improve the performance of these types of circuits. One of these methods is to use a Residue Number System (RNS). In the RNS, there are a number of modules (channels) as a set to represent the number and perform parallel arithmetic operations. The most famous set is the 3-modlui set {2n-1, 2n, 2n +1}. The form of modules to the power of 2 makes it easier to perform binary computational operations. To use this system, you need to perform conversion operations from binary to residue (forward conversion) and residue to binary (reverse conversion). The greater the number of modules (channels) in the set, the higher the degree of parallelism of computational operations. In contrast, more complex forward and reverse conversion circuits are required. The overhead of conversion computing can reduce the efficiency of using this system, unless the number of consecutive operations is large enough to cover the conversion overhead time. In this paper, based on 3-moduli set {2n-1, 2n, 2n +1} evaluation, it was determined that for how many consecutive addition or multiplication operations, the use of RNS operations leads to greater speed. In this paper, we evaluate the carry propagation adder as the most popular adder and parallel prefix adder as the high speed adder. Also, the parallel block multiplier circuit was used to evaluate the multiplication operations. First, modular adder/multiplier, binary, and forward and reverse conversion circuits were implemented and synthesized. We used Synopsys Design Compiler, K-2015.06 version and 45nm technology. The results show that if the carry propagation adder is used, in modules with a width of more than 8 bits (n≥8), if the number of consecutive operations is at least 4, it will speed up the calculations. Likewise, in the multiplication operation and parallel prefix addition, the number of sequences is reduced to two.}, Keywords = {Residue Number System, Residue Operations, Carry Ripple Adder, Parallel Prefix Adder, Parallel Multiplier}, volume = {20}, Number = {1}, pages = {123-132}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {تعیین دامنه برای بکارگیری مجموعه سه پیمانه ای {2^n-1, 2n, 2^n+1}}, abstract_fa ={سیستم عددی مانده ­ای[1] به دلیل انجام عملیات جمع، تفریق و ضرب در کانال­های موازی باعث بهبود سرعت محاسبات می­گردد. برای استفاده از این سیستم به انجام عملیات تبدیل از دودویی به مانده­ای و مانده­ای به دودویی نیاز است. وجود سربار محاسبات تبدیل می­تواند باعث کاهش کارایی در به­ کارگیری از این سیستم گردد، مگراینکه تعداد عملیات مانده ­ای متوالی به قدری زیاد باشد که زمان سربار تبدیلات را پوشش دهد. در این مقاله با بررسی مجموعه سه پیمانه ای {2n -1, 2n, 2n+1}   مشخص شد که به ازای چه تعداد عملیات متوالی جمع یا ضرب، استفاده از عملیات مانده­ ای منجر به سرعت بیشتر می­گردد. نتایج نشان­ می­دهند که در صورت استفاده از  جمع­ کننده با انتشاررقم نقلی[2] ،  در پیمانه­ های با عرض بیشتر از 8 بیت ( n>8 ) اگر تعداد عملیات متوالی حداقل4 باشد، باعث تسریع در محاسبات می­گردد. به همین ترتیب در عمل ضرب و جمع­کننده­ی پیشوندی تعداد توالی به ۲ کاهش می­یابد. [1] Residue Number System [2] Ripple Adder}, keywords_fa = {سیستم عددی مانده ای, عملیات مانده ای, جمع کننده با انتشار رقم نقلی, جمع کننده پیشوندی موازی, ضرب کننده موازی بلوکی}, doi = {10.61186/jsdp.20.1.123}, url = {http://jsdp.rcisp.ac.ir/article-1-1214-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1214-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {mohammadi, Shahriar and khalatbary, Ahmad and Babagoli, Mehdi}, title = {Propose a meta-heuristic model of intrusion detection using feature selection based on improved gray wolf optimization and random forest}, abstract ={Rapid development in the Internet and communications have led to dramatic growth in computer networks, network size, and data exchange, and this can pose harmful threats to the network. Intrusion detection systems play an important role in the security of Internet networks, which protects the privacy, integrity, and availability of the network by inspecting network traffic. Intrusion detection models in the field of network security are predictive models that are used to predict malicious data in networks and one of the most widely used models in intrusion detection systems is based on machine learning. The imbalance between the accuracy of detection and false alarm rate is one of the most important challenges in this regard. In this paper, meta-heuristic algorithms are used to increase searchability and machine learning method is used to increase computational power and classification. Therefore, in this study, an efficient model based on the gray wolf algorithm and random forest algorithm to identify the best set of traffic features to identify and prevent cyberattacks is presented. The gray wolf algorithm is used to find the best feature subset and the random forest is used to evaluate each subset. This algorithm has also been improved to increase gray wolf performance. The accuracy obtained for correct classification in the proposed method in the NSL-KDD data set. as shown in the result, the detection accuracy of the traditional and improved gray wolf method is obtained 97.14% and 98.97%, respectively, which is outperformed other methods.}, Keywords = {Intrusion detection system, Feature Selection, improved Gray Wolf Optimization Algorithm, Random Forest, Machine Learning}, volume = {20}, Number = {1}, pages = {133-144}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {ارائه یک مدل فراابتکاری تشخیص نفوذ به کمک انتخاب ویژگی مبتنی بر بهینه سازی گرگ خاکستری بهبودیافته و جنگل تصادفی}, abstract_fa ={پیشرفت سریع در زمینه های اینترنت و ارتباطات منجر به رشد چشمگیر شبکه های کامپیوتری، اندازه‌ی شبکه و تبادل داده شده است و همین امر زمینه را برای حملات مختلف فراهم کرده است. سیستم‌های تشخیص نفوذ نقش مهمی در امنیت شبکه‌های اینترنتی بر عهده دارند که با بازرسی ترافیک‌های شبکه از محرمانگی، یکپارچگی و در دسترس بودن شبکه محافظت می کند. مدل های تشخیص نفوذ در زمینه امنیت شبکه، مدل های پیش بینی کننده‌ای هستند که در جهت پیش‌بینی داده‌های ترافیکی نفوذ در شبکه‌ها به کار می‌روند و یکی از پرکاربردترین مدل ها در سیستم های تشخیص نفوذ مدل های مبتنی بر یادگیری ماشین می‌باشد. عدم توازن و تعادل بین دقت تشخیص و نرخ هشدار کاذب یکی از چالش های بزرگ در این زمینه محسوب می‌شود. در این مقاله برای افزایش قدرت جستجو از الگوریتم‌های فراابتکاری و جهت افزایش قدرت محاسباتی و کلاس بندی از تکنیک یادگیری ماشین استفاده می‌گردد. از این رو در این پژوهش مدلی کارا مبتنی بر الگوریتم‌های گرگ خاکستری باینری بهبودیافته و جنگل تصادفی، جهت شناسایی بهترین مجموعه ویژگی‌های ترافیک برای تشخیص و پیشگیری از حملات اینترنتی ارائه می‌گردد. جهت پیدا کردن بهترین زیر مجموعه از الگوریتم گرگ خاکستری و برای ارزیابی هر زیرمجموعه از جنگل تصادفی استفاده می‌شود. همچنین به‌منظور بهبود عملکرد گرگ خاکستری، این الگوریتم بهبود داده می‌شود. دقت حاصل شده برای طبقه بندی صحیح در روش پیشنهادی در مجموعه داده‌ها NSL-KDD در روش گرگ خاکستری سنتی و بهبودیافته به ترتیب برابر با 97.14 و 98.97 درصد است که در مقایسه با روش های دیگر دارای دقت بالاتری می‌باشد.}, keywords_fa = {تشخیص نفوذ, انتخاب ویژگی, الگوریتم گرگ خاکستری بهبودیافته, جنگل تصادفی, یادگیری ماشین}, doi = {10.61186/jsdp.20.1.133}, url = {http://jsdp.rcisp.ac.ir/article-1-1218-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1218-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Abasi, Samira and Amiri, Fatemeh}, title = {Sentiment Analysis of Social Media Posts in the Corona Crisis using two-stage Clustering}, abstract ={In the Corona crisis, we face a wide range of thoughts, feelings, attitudes, and behaviors on social media. This data contains valuable information for responding to the crisis by the people and administrators. The goal of this study is to identify the characteristics of messages that lead to different emotional polarities. This study aims to investigate the information posted by Twitter, Instagram, and Telegram users and news related to the COVID-19 pandemic in Iran. The data extracted from social networks are focused on the period of January 21, to April 29, 2020, which were shared in Iran and in Persian. It should be noted that the data set and their labels were published by the Cognitive Sciences and Technologies Council (CSTC) in Iran. In this work, the content of each post was pre-processed. Pre-processing was performed by removing stop words, normalizing the words, tokenizing, and stemming. The emotion labels were based on plutchik’s model and included joy, trust, fear, surprise, sadness, anticipation, anger, disgust, stress, and other emotions. In this study, clustering algorithms were used to analyze social media posts. We applied a two-stage clustering method. The proposed clustering algorithm was a combination of self-organized neural network and K-means algorithms. According to our proposed algorithm, the data were clustered through SOM at first, the results of which provided the initial cluster centers for the K-means algorithm. Implementations were built in Python version 3.7 and MATLAB R2015a. Hazm Tools was used for pre-processing data, and clustering was done in MATLAB. The Davies-Bouldin clustering evaluation was applied to find the optimal number of clusters. This measure was calculated for the number of clusters in the range of 2-50 in the two-stage clustering method. The results showed that the optimal number of clusters was ten. Analysis of the results showed that posts related to health and culture with negative polarity led to negative emotions such as fear, hatred, sadness, and anger. Messages about people's emotional and improper functioning have led to feelings of sadness, fear, and stress, and reduced hope in society. The results revealed a strong correlation between anger and disgust. Also, a positive correlation between fear, stress, and sadness was observed. In order to reduce the negative feelings and to create a sense of trust in the authorities, we suggest clarifying about the corona pandemic}, Keywords = {: COVID-19, Social media, Sentiment analysis, Clustering}, volume = {20}, Number = {1}, pages = {145-158}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {تحلیل احساس پست های شبکه های اجتماعی در بحران کرونا با استفاده از خوشه بندی دو مرحله ای}, abstract_fa ={در بحران کرونا با طیف وسیعی از افکار، احساسات و نگرش ها در شبکه های اجتماعی مواجه ایم. دستیابی به درک جامعی از نگرش های جامعه نیازمند پردازش این داده‌هاست. هدف این پژوهش شناسایی ویژگی پیام هایی است که منجر به قطبیت های احساسی مختلف در شبکه های اجتماعی می شوند. در این پژوهش از پست های فارسی توییتر، اینستاگرام، تلگرام و کانال های خبری و تکنیک‌های پردازش زبان طبیعی استفاده شده است. در روش پیشنهادی این پژوهش، خوشه بندی دو مرحله ای مبتنی بر شبکه عصبی خود سازمانده و K-میانگین استفاده شده است. نتایج نشان دادند پست های حوزه سلامت و فرهنگ با قطبیت منفی، به احساساتی مانند ترس، تنفر، غم و خشم منجر شده است. پیام های مربوط به عملکرد هیجانی و نادرست مردم با احساس غم، ترس و استرس همراه است و امید در جامعه را کاهش داده است.}, keywords_fa = {کرونا, شبکه های اجتماعی, تحلیل احساسات, خوشه بندی}, doi = {10.61186/jsdp.20.1.145}, url = {http://jsdp.rcisp.ac.ir/article-1-1201-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1201-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Mahmoudi-Nasr, Payam and Rahmani, Alirez}, title = {An Intrusion Detection System for Wireless Body Area Networks}, abstract ={Wireless Body Area Network (WBAN) is a pioneer trend in healthcare technology. Since any cyber-attack on a WBAN could jeopardize the patient's health, securing the WBAN plays a crucial role in healthcare applications. An intrusion detection system (IDS), as a second-line defense, is one of the security methods in computer networks. In this paper, a new IDS has been presented which is able to detect denial of service (DoS) attacks in a WBAN. In the proposed IDS, a genetic algorithm is used to select features of collected data, in a way that increases the performance of the IDS and as a result the WBAN. Then, using support vector machine and k nearest neighbor techniques, the data classification is performed to detect DoS traffic from regular data traffic. Simulation results indicate that the proposed IDS has effective performance with a 90% detection rate.}, Keywords = {Anomaly detection, cyber security, DoS attack, Genetic algorithm, WBAN.}, volume = {20}, Number = {1}, pages = {159-170}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {یک سیستم تشخیص ناهنجاری برای شبکه‌های حسگر بی‌سیم بدن}, abstract_fa ={شبکه‌های‌ حسگر بی‌سیم به دلیل کاربردهای متنوعی که دارند همواره مورد توجه قرارگرفته‌اند. در تقسیم‌بندی شبکه‌های حسگر بی‌سیم، شبکه‌های حسگر بی‌سیم بدن به دلیل کاربردهای حساس پزشکی از اهمیت ویژه‌ای برخوردارند. هرگونه حمله به شبکه‌های حسگر بی‌سیم بدن می‌تواند خسارت‌های جانی جبران‌ناپذیری برای بیمار به همراه داشته باشد. یکی از روش‌های تأمین امنیت استفاده از سیستم‌های تشخیص نفوذ به‌عنوان یک دفاع خط دوم می‌باشد. در این مقاله یک سیستم تشخیص نفوذ مبتنی بر ناهنجاری با استفاده از روش‌های ترکیبی ارائه‌شده است. در سیستم تشخیص نفوذ پیشنهادی ابتدا با استفاده از الگوریتم ژنتیک ویژگی‌هایی از داده‌های جمع‌آوری‌شده انتخاب می‌شوند که موجب به دست آمدن بالاترین نرخ تشخیص شوند. سپس با استفاده از روش‌های ماشین بردار پشتیبان و k نزدیک‌ترین همسایه طبقه‌بندی داده‌ها به‌منظور کشف ترافیک ناهنجار از ترافیک داده‌های نرمال انجام می‌شود. نتایج شبیه‌سازی برای حمله جلوگیری از سرویس نشان می‌دهد که استفاده از سیستم پیشنهادی با استفاده از روش طبقه‌بندی k نزدیک‌ترین همسایه می‌تواند بازده ای معادل 90% داشته باشد.}, keywords_fa = {شبکه حسگر بی‌سیم بدن, تشخیص ناهنجاری, حمله جلوگیری از سرویس, الگوریتم ژنتیک چندهدفه.}, doi = {10.61186/jsdp.20.1.159}, url = {http://jsdp.rcisp.ac.ir/article-1-1108-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1108-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Tavoosi, Jafar and Yousefi, Sajj}, title = {A New Nonlinear Recurrent Type-2 Fuzzy Model to Identify the Behavior of Nonlinear Dynamic Systems}, abstract ={In this paper, a new recurrent type-2 fuzzy neural network for nonlinear dynamic systems identification is presented. The structure of the new type-2 fuzzy neural network with the non-linear "then" part has 8 layers. In layers 0, 1 and 2, the fuzzification operation is performed and the upper and lower limits of the membership degree are determined. Normalization and weighting operations are performed in layers 3 and 4. In layer 5, there are non-linear trigonometric functions, which actually form the "then" part of the fuzzy system, and return feedback from the output layer enters this layer. Finally, in the 6th and 7th layers, the de-fuzzification operation and the output calculation are performed. In order to check and evaluate the performance of the network in system identification, the input-output information of two physical systems (a DC motor and a flexible robot arm) has been applied to the type-2 recurrent fuzzy neural network. This research is completely experimental and practical, in other words, it is the use of artificial intelligence techniques in operational work. Among the innovations of this article, in addition to presenting a new neural network, is generating a suitable signal to stimulate the system, extracting data from practical systems, data pre-processing (removing outliers, estimating missing data, and normalizing data). In the simulation, the root mean square error criterion shows that the proposed method has a better performance than other methods.  }, Keywords = {Recurrent Type-2 Fuzzy Neural Network, System Identification, Nonlinear Consequent Part}, volume = {20}, Number = {1}, pages = {171-180}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {یک مدل جدید فازی نوع-2 بازگشتی غیرخطی جهت شناسایی رفتار سیستم‌های دینامیکی غیرخطی}, abstract_fa ={در این مقاله یک شبکه عصبی فازی نوع-2 بازگشتی جدید جهت شناسایی سیستم­های دینامیکی غیرخطی ارائه می­گردد. ساختار شبکه عصبی فازی نوع-2 جدید با قسمت "آنگاه" غیرخطی، دارای 8 لایه می­باشد. در لایه­های 0، 1 و 2 عملیات فازی سازی انجام شده و حدود بالا و پایین درجه عضویت تعیین می­شود. در لایه­های 3 و 4 عملیات نرمال­سازی و وزن­دهی انجام می­گردد. در لایه 5، توابع غیرخطی مثلثاتی وجود دارند که در واقع قسمت "آنگاه" سیستم فازی را تشکیل داده و فیدبک بازگشتی از لایه خروجی به این لایه وارد می­شود. در انتها در لایه­های 6 و 7 عملیات فازی­زدایی و محاسبه خروجی انجام می­گیرد. جهت بررسی و ارزیابی عملکرد شبکه در شناسایی سیستم، اطلاعات ورودی-خروجی دو سیستم فیزیکی (یک موتور DC و یک بازوی ربات منعطف) به شبکه عصبی فازی نوع-2 بازگشتی اعمال شده است. این پژوهش کاملا آزمایشگاهی و عملی بوده و به عبارتی بهره­برداری از تکنیک­های هوش مصنوعی در کار عملیاتی است. از نوآوری­های این مقاله علاوه بر ارائه شبکه عصبی جدید، تولید سیگنال مناسب جهت تحریک سیستم، استخراج داده از سیستم­های عملی، پیش پردازش داده (حذف داده پرت، تخمین داده ناموجود و نرمال­سازی داده­ها) می­باشد. در شبیه­سازی، معیار مجذور میانگین مربعات خطا نشان می­دهد که روش پیشنهادی با اختلاف فراوانی از سایر روش­ها، عملکرد مناسب­تر دارد.  }, keywords_fa = {شبکه عصبی فازی نوع- 2 بازگشتی, شناسایی سیستم, قسمت آنگاه غیرخطی}, doi = {10.61186/jsdp.20.1.171}, url = {http://jsdp.rcisp.ac.ir/article-1-1062-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1062-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Gharavi, Erfaneh and Veisi, Hadi}, title = {Using RST-based deep neural networks to improve text representation}, abstract ={Finding a highly informative, low-dimensional representation for texts, specifically long texts, is one of the main challenges for natural language processing (NLP) tasks. For texts longer than sentences or a paragraph, finding a good representation beyond the bag-of-words model without losing word order is still a challenge. This representation should capture the semantic and syntactic information of the text while retaining relevance for large-scale similarity search and accurate text classification. We propose the utilization of Rhetorical Structure Theory (RST) to consider the text structure in the representation. RST creates a tree-structure format for the text document and model the importance and relationship between sentences or phrases. In this paper, we examine the effect of using this structure on two different NLP tasks. In information retrieval, to embed document relevance in distributed representation, we use a Siamese neural network to jointly learn document representations. Our Siamese network consists of two sub-networks of recursive neural networks (RNN) built over the RST tree. For this task, we use a subset of Reuters’s news corpus and BBC news dataset. The results show that our approach outperforms conventional text representations like tf_idf, LDA, LSA and word vector averaging. The proposed representation beats the best conventional method by %6 and %3 in precision at k retrieved documents on BBC and Reuters datasets, respectively. In the sentiment analysis task, first, we use an rst-based recursive neural network to represent movie reviews and classify the polarity of people’s opinions. Then we propose to use the nucleus-satellite information of a node in the rst-tree to build an attention mechanism by deep RNN to generate better discourse representations. We test the effectiveness of our approach on  sentiment analysis task, and we prove that considering the importance of the text span improves sentiment analysis performance by %3 on the internet movie review database. In this paper, we improve the text representation by the rst-based deep neural network. We can evaluate this approach on the other languages to show the effectiveness of using the structure format of the text.  }, Keywords = {Document embedding, Semantic representation, Rhetorical Structure Theory, Deep Neural network, Attention Mechanism}, volume = {20}, Number = {1}, pages = {181-197}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {به‌کارگیری نظریه ساختار بلاغی برای بهبود بازنمایی متن با شبکه‌های عصبی عمیق}, abstract_fa ={یافتن یک بازنمایی معنایی غنی با ابعاد کم برای متون طولانی یکی از چالش­های اساسی در فعالیت­های مختلف پردازش زبان طبیعی به شمار می­رود. این بازنمایی باید اطلاعات معنایی و نحوی متن را در برگرفته و همچنین بر حسب وظیفه مد نظر ارتباط و تشابه متون را در ابعاد کم مدل‌سازی کند. در این مقاله تلاش بر آن است تا با بهره‌گیری از نظریه ساختار بلاغی و شبکه‌های عصبی عمیق چالش­های مطرح شده مرتفع گردد. نظریه ساختار بلاغی با ارائه یک ساختار سلسله مراتبی به توصیف اهمیت عبارات موجود در متن و روابط بین آن‌ها می‌پردازد. در اینجا تأثیر به‌کارگیری این ساختار درختی بر دو وظیفه بازیابی اطلاعات و تحلیل احساسات بررسی شده‌است. در وظیفه بازیابی اطلاعات، جهت مدلسازی وابستگی معنایی بین مستندات، یادگیری بازنمایی سند توسط شبکه‌های عصبی بازگشتی عمیق دوقلو صورت پذیرفت. بطوریکه ذخیره و بازیابی مستندات متنی تسهیل گردد. این شبکه از دو زیرشبکه بازگشتی عمیق تشکیل شده­است. این شبکه­های بازگشتی، مبتنی بر ساختار درختی حاصل از تجزیه متن توسط نظریه ساختار بلاغی می‌باشند. این متدلوژی بر روی دو مجموعه داده خبری شامل اخبار بی­بی­سی و همچنین زیرمجموعه­ای از دادگان رویترز مورد ارزیابی قرار گرفت. نتایج نشان می­دهد بازنمایی ارائه شده توسط این ساختار، کارآیی بالاتری از بازنمایی­های سنتی مبتنی بر سبد کلمه دارد. این رویکرد کارایی را به میزان ۶٪ بر روی مجموعه داده بی‌بی‌سی و ۳٪ بر روی مجموعه داده رویترز نسبت به بهترین روش کلاسیک بهبود داده‌است. در وظیفه تحلیل احساسات، در ابتدا به کمک شبکه عصبی بازگشتی عمیق مبتنی بر درخت ساختار بلاغی به ایجاد بازنمایی و در نهایت دسته‌بندی احساسات نظرات افراد پرداخته شد. سپس سایر اطلاعات موجود در درخت جهت بهبود مدل مورد استفاده قرار گرفت. این اطلاعات شامل آگاهی از اهمیت هر بخش از متن با استفاده از درخت ساختار بلاغی می­باشد. با تشخیص بخش­های مرکزی متن و اعمال مکانیزم توجه بر آن در شبکه عمیق بازگشتی بازنمایی غنی‌تری برای متن ایجاد می­گردد. این بازنمایی کارایی مدل تحلیل احساسات را بر روی دادگان اینترنتی نظرات بینندگان فیلم در مقایسه با روش­های پایه به میزان ۳٪ افزایش داده است. نتایج حاصل از این بررسی، بهبود بازنمایی متن با استفاده از شبکه­های عمیق مبتنی بر نظریه ساختار بلاغی را نشان می­دهد. بهبود بازنمایی به کمک ساختاردهی متن غیر ساختار یافته بر روی زبان­های دیگر از جمله زبان فارسی می­تواند مورد راستی آزمایی قرار بگیرد.  }, keywords_fa = {بازنمایی متن, نظریه ساختار بلاغی, شبکه های عصبی عمیق, شبکه های دوقلو, مکانیزم توجه}, doi = {10.61186/jsdp.20.1.181}, url = {http://jsdp.rcisp.ac.ir/article-1-1004-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1004-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {AhangariAhangarkolaei, Morteza and Sebti, Ali and Yaghoubi, Mehdi}, title = {Automatically generate sentiment lexicon for the Persian stock market}, abstract ={With the significant growth of social media, individuals and organizations are increasingly using public opinion in these media to make their own decisions. The purpose of Sentiment Analysis is to automatically extract peoplechr('39')s emotions from these social networks. Social networks related to financial markets, including stock markets, have recently attracted the attention of many individuals and organizations. People on these social networks share their opinions and ideas about each share in the form of a post or tweet. In fact, sentiment analysis in this area is measuring peoplechr('39')s attitudes toward each share. One of the basic approaches in automatic analysis of emotions is lexicon-based methods. Most conventional lexicon is manually extracted, which is a very difficult and costly process. In this article, a new method for extracting a lexicon automatically in the field of stock social networks is proposed. A special feature of these networks is the availability of price information per share. Taking into account the price information of the share on the day of tweeting for that share, we extracted lexicon to improve the quality of opinion mining in these social networks. To evaluate the lexicon produced using the proposed method, we compared it with the Persian version of the SentiStrength lexicon, which is designed for general purpose. Experimental results show a 20% improvement in accuracy compared to the use of general lexicon.}, Keywords = {Sentiment Analysis, Opinion Mining, Lexicon Creation, Persian Lexicon}, volume = {20}, Number = {2}, pages = {3-20}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {ساخت واژگان به صورت خودکار برای تحلیل نظرات در حوزه بورس}, abstract_fa ={با رشد چشمگیر رسانههای اجتماعی، افراد و سازمانها به طور فزایندهای از افکار عمومی در این رسانهها برای تصمیم گیری خود استفاده می‌کنند. هدف تحلیل احساسات، استخراج خودکار احساسات افراد از این شبکه‌های اجتماعی می‌باشد. شبکه‌های اجتماعی مرتبط به بازارهای مالی، از جمله بازارهای سهام، اخیرا مورد توجه بسیاری از افراد و سازمان‌ها قرار گرفته است. افراد در این شبکه‌ها نظرات و عقاید خود را در مورد هر سهم در قالب یک پست یا توییت، به اشتراک می‌گذارند. در واقع تحلیل احساسات در این حوزه، سنجش نگرش افراد به هر سهم است. یکی از رویکردهای پایه‌ای و اصلی در تحلیل خودکار احساسات روش‌های مبتنی بر واژگان است. اغلب واژگان‌های مرسوم به صورت دستی استخراج شده‌اند که فرایندی بسیار دشوار و هزینه بر است. در این مقاله روشی جدید جهت استخراج یک واژگان به صورت خودکار در حوزه شبکه‌های اجتماعی بورسی ارائه شده است. یک ویژگی خاص این شبکه‌ها، وجود اطلاعات قیمتی هر سهم در هر روز است. با در نظر گرفتن وضعیت قیمتی سهم در روز درج نظر برای آن سهم، واژگانی را برای بهبود کیفیت عقیده کاوی در این شبکه‌ها استخراج نمودیم. برای ارزیابی واژگان‌های تولید شده با استفاده از روش پیشنهادی، آن را با نسخه فارسی واژگان SentiStrength که با هدف استفاده عمومی طراحی شده است، مقایسه نمودیم. نتایج آزمایشات 20 درصد بهبود را در معیار صحت نسبت به استفاده از واژگان عمومی نشان می‌دهد.}, keywords_fa = {تحلیل احساسات, عقیده کاوی, ساخت واژگان, واژگان فارسی}, doi = {10.61186/jsdp.20.2.3}, url = {http://jsdp.rcisp.ac.ir/article-1-1243-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1243-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Balouchzahi, Nik-Mohamma and Kashfi, Rakhshsadat and Bidar, Maryam}, title = {Vehicular Networks QoS Improvement by Simultaneous Use of RSUs and Parked Vehicles in Urban Scenarios}, abstract ={By growth in urban population, vehicles have also experienced increased significantly. The increased of vehicles has led to challenges in the services of safety, traffic and comfort. Congestion in urban areas is one of the main examples of increasing the number of vehicles, which has also led to environmental challenges. To address these challenges, Intelligent Transportation Systems (ITS) have been developed. One of the key technologies in ITS to solve these challenges is vehicular networks. These networks increase the efficiency of transportation systems in urban and highway areas by providing a wide range of services. However, these networks face challenges such as network partitioning in low-density areas and lack of network capacity in dense areas to providing proper services. Such challenges will reduce the efficiency of vehicular networks and transportation systems in urban and highway scenarios. To overcome these problems, roadside units are deployed in urban environments, but the high cost of installation and maintenance of RSUs prevents their widespread installation in urban areas. Therefore, it is necessary to install a minimum number of these units in the urban environment and in suitable and necessary places to meet these challenges. The presence of parked vehicles in urban areas and in predetermined places, makes it possible to use them as RSUs. Therefore, it is necessary to consider the location of parking lots in the placement of roadside units in the urban environment so that parked vehicles in these places can be used as roadside units to meet these challenges. Therefore, it is necessary to consider the location of parking lots in urban areas in the placement of RSUs. In this paper, a BIP model for RSUs installation is developed to provide the minimum required coverage by considering parked vehicles as RSUs in the urban area to meet the mentioned challenges. In this model, parked vehicles in parking lots are used as RSUs to increase coverage and capacity of the network. Moreover, constraints have been added to the model to achieve the minimum required coverage and minimize multiple co-coverage to reduce installation costs. Therefore, in the proposed model, in addition to considering the parked vehicles in the parking lots as roadside units and restrictions to prevent multiple coverages in order to reduce installation costs, providing minimum coverage to improve the efficiency of ITS services is also considered. Finally, the proposed solution is evaluated using OMNeT++, SUMO and Veins. To validate the proposed model, the evaluation was repeated in two different maps, with a different number of RSUs and different traffic scenarios, and Packet Loss Rate and Service Delay were measured as performance parameters. The results of the simulation show the improvement of the service delay parameter in the two maps by 39% and 43% and the packet loss rate by 47% and 49% compared to other related work.}, Keywords = {Vehicular Networks, Road Side Units, Parked Vehicles, Intelligent Transportation Systems, QoS Improvement}, volume = {20}, Number = {2}, pages = {21-38}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {بهبود کیفیت سرویس شبکه های خودرویی با استفاده توامان واحدهای کنارجاده ای و خودروهای پارک شده در محیط شهری}, abstract_fa ={با رشد جمعیت شهری، وسایل نقلیه نیز رشد چشمگیری را تجربه کرده ­اند. افزایش خودروها منجر به بروز چالش­هایی در ارائه سرویس­های  ایمنی ، ترافیک و رفاه شده است. جهت رفع این چالش­ها، سامانه ­های حمل­ و­نقل هوشمند ارائه شده ­اند. یکی از تکنولوژی های کلیدی در سامانه ­های حمل ­و­نقل هوشمند در جهت رفع این چالش­ها، شبکه های خودرویی هستند. اما این شبکه ­ها در ارائه مطلوب سرویس ­ها با چالش­ هایی از قبیل گسستگی شبکه در نقاط کم ­چگالی و کمبود ظرفیت شبکه در نقاط دارای ازدحام مواجه هستند. جهت غلبه بر این مشکلات، واحدهای کنارجاده ­ای در محیط شهری نصب می­ گردند اما هزینه ­ی بالای نصب و نگهداری این واحدها، از نصب گسترده ­ی آنها در محیط شهری جلوگیری می ­کند. از این رو نیاز است تا تعداد کمینه ­ای از این واحدها در محیط شهری و در نقاط مناسب و موردنیاز جهت رفع چالش های مذکور، نصب گردد. وجود خودروهای پارک شده در محیط شهری و در مکان ­های از پیش تعیین شده، امکان استفاده از آنها را به عنوان واحدهای کنارجاده­ ای مقدور می­ سازد. از این­رو نیاز است تا در چیدمان واحدهای کنارجاده ای در محیط شهری، موقعیت پارکینگ ­ها نیز مدنظر قرار گیرد. در این مقاله، مدلی مبتنی بر برنامه ­ریزی دودویی جهت ایجاد حداقل پوشش موردنیاز در محیط شهری جهت رفع چالش­ های مطرح شده با لحاظ نمودن خودروهای پارک شده به عنوان واحدکنارجاده­ ای ارائه شده است. در این مدل در نقاط پارکینگ  از گره­ های پارک ­شده به عنوان واحدهای کنارجاده ای جهت تکمیل پوشش شبکه و افزایش ظرفیت آن بهره می­ برند. همچنین قیدهایی جهت تعیین حداقل پوشش موردنیاز و جلوگیری از پوشش­ های چندگانه به منظور کاهش هزینه­ های نصب به مدل افزوده شده است. درنهایت راهکار ارائه شده با استفاده از شبیه ­سازهای OMNeT++ ،SUMO و Veins مورد ارزیابی قرار ­گرفته است. جهت صحت ­سنجی مدل ارائه شده، ارزیابی در دو نقشه متفاوت، با تعداد متنوعی از واحدهای کنارجاده­ ای و حالات ترافیکی متفاوت صورت گرفته است و پارامترهای کارایی نرخ گم­شدن بسته ­ها و تاخیر دریافت سرویس مورد اندازه­ گیری واقع شده ­اند. نتایج حاصل از شبیه ­سازی حاکی از بهبود پارامتر تاخیر دریافت سرویس به طور متوسط در دو نقشه به میزان 39 و 43  درصد و نرخ گم شدن بسته­ ها به میزان 47 و 49 درصد در مقایسه با دیگر راه کارهای مرتبط می ­باشد.}, keywords_fa = {شبکه های خودرویی, واحدهای کنارجاده ای, خودروهای پارک شده, سامانه های حمل و نقل, بهبود کیفیت سرویس}, doi = {10.61186/jsdp.20.2.21}, url = {http://jsdp.rcisp.ac.ir/article-1-1249-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1249-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Heidari, Vahid and Taheri, S. Mahmoud and Amini, Mortez}, title = {Topic Modeling Based on Variational Bayes Method}, abstract ={The Latent Dirichlet Allocation (LDA) model is a generative model with several applications in natural language processing, text mining, dimension reduction, and bioinformatics. It is a powerful technique in topic modeling in text mining, which is a data mining method to categorize documents by their topic. Basic methods for topic modeling, including TF-IDF, unigram, and mixture of unigrams successfully deployed in modern search engines. Although these methods have some useful benefits, they don’t provide much summarization and reduction. To overcome these shortcomings, the latent semantic analysis (LSA) has been proposed, which uses singular value decomposition (SVD) of word-document matrix to compress big collection of text corpora. User’s search key words can be queried by making a pseudo-document vector. The next improvement step in topic modeling was probabilistic latent semantic analysis (PLSA), which has a close relation to LSA and matrix decomposition with SVD. By introducing of exchangeability for the words in documents, the topic modeling has been proceeded beyond PLSA and leads to LDA model. We consider a corpus  contains M  documents, each document  has  words, and each word is an indicator from one of  vocabularies. We defined a generative model for generation of each document as follows. For each document draw its topic  from  and repeatedly for each  draw topic of each word  from  and draw each word from the probability matrix of  with probability of . We can repeat this procedure to generate whole documents of corpus. We want to find corpus related parameters  and  as well as latent variables  and  for each document. Unfortunately, the posterior  is intractable, and we have to choose an approximation scheme. In this paper we utilize LDA for collection of discrete text corpora. We describe procedures for inference and parameter estimation. Since computing posterior distribution of hidden variables given a document is intractable to compute in general, we use approximate inference algorithm called variational Bayes method. The basic idea of variational Bayes is to consider a family of adjustable lower bound on the posterior, then finds the tightest possible one. To estimate optimal hyper-parameters in the model, we used the empirical Bayes method, as well as a specialized expectation-maximization (EM) algorithm called variational-EM algorithm. The results are reported in document modeling, text classification, and collaborative filtering. The topic modeling of LDA and PLSA models are compared on a Persian news data set. It has been observed that LDA has perplexity between  and , while the PLSA has perplexity between  and , which shows domination of LDA over PLSA. The LDA model has also been applied for dimension reduction in a document classification problem, along with the support vector machines (SVM) classification method. Two competitor models are compared, first trained on a low-dimensional representation provided by LDA and the second trained on all documents of corpus, with accuracies  and , respectively, this means we lose accuracy but it remains in reasonable range when we use LDA model for dimensionality reduction. Finally, we used the LDA and PLSA methods along with the collaborative filtering for MovieLens 1m data set, and we observed that the predictive-perplexity of LDA changes from  to  while it changes from  to  for PLSA, again showing the domination of the LDA method.}, Keywords = {Variational Bayes method, Latent Dirichlet allocation, Expectation-Maximization algorithm, Machine learning, Natural language processing}, volume = {20}, Number = {2}, pages = {39-58}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {الگوسازی موضوع‌ها بر پایه‌ی روش بیز گوناگونی}, abstract_fa ={در این مقاله، برپایه‌ی روش بیز گوناگونی، نشان می‌دهیم که روش تخصیص پنهان دیریکله که یک مدل احتمالاتی مولّد است و در پردازش زبان‌های طبیعی، متن‌کاوی، کاهش ابعاد، و زیست‌داده‌ورزی کاربرد دارد،  نسبت به روش تحلیل معنایی پنهان احتمالاتی در مدل‌بندی داده‌ها عملکرد بهتری دارد. در این باره، ابتدا یک مدل بیزی را در مدل‌سازی موضوع‌ها شرح می‌دهیم. آنگاه با روش بیز گوناگونی و الگوریتم امیدریاضی-بیشینه‌سازی (EM) پارامترهای مدل را برآورد می‌کنیم. سپس الگوریتم ارائه شده، موسوم به الگوریتم EM گوناگونی، را برپایه‌ی یک مجموعه‌داده‌ی نوشتاری از داده‌های واقعی در زمینه‌ی تحلیل داده‌های خبری پیاده‌سازی می‌کنیم و مدل‌بندی زبانی را بر اساس ملاک سرگشتگی بررسی می‌کنیم، و دقت خوشه‌بندی موضوع‌ها و کاربرد کاهش ابعاد داده‌های حجیم را با کمک ماشین بردار پشتیبان می‌سنجیم. همچنین در مقایسه‌ای دیگر، کاربرد الگوریتم پیشنهادی را در پالایش همکارانه بررسی می‌کنیم.}, keywords_fa = {روش بیز گوناگونی, تخصیص پنهان دیریکله, الگوریتم امیدریاضی-بیشینه‌سازی, یادگیری ماشین, پردازش زبان‌های طبیعی}, doi = {10.61186/jsdp.20.2.39}, url = {http://jsdp.rcisp.ac.ir/article-1-1228-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1228-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Hasanabadi, AmirHosein and Jabbari, Ebrahim and Bahreinimotlagh, Masoud and Alizadeh, *, Hossein and Olfatmiri, Yousef}, title = {Improving accuracy of Acoustic Tomographic data using Phase-Space Thresholding method}, abstract ={The acquisition of reliable flow velocity and streamflow estimates is vital and essential in aquatic studies.   Acoustic Tomography Technology is a branch of remote sensing science which innovatively developed for continuous monitoring of surface water currents in oceans, seas, and in recent years in rivers and is a promising method to measure Flow characteristics such as velocity & discharge with high accuracy and continuously in time. The output of this system impressed by the influence of unknown factors and after the initial processing of raw data, some spikes appear in the data. Although the developers of this system have stated that a source of spurious data can be a complex salinity distribution in estuarine regions, failure to identify these outliers will cause errors in measurements and increase the error of data mining and time series forecasting algorithms. In the previous studies, the spikes removed using the standard deviation method without any replacement.  In this study, Phase-Space Thresholding (PST) is proposed to detect and remove the spikes, which was developed for despiking output of Acoustic Doppler Velocimeter (ADV) data. This method combines three concepts: 1) the differentiation enhances the high-frequency portion of a signal, 2) the expected maximum of a normal, random series is given by the universal threshold, and 3) the good data cluster in a dense cloud in phase space. These concepts are used to construct an ellipsoid in a three-dimensional phase-space, then points which lie outside the threshold ellipsoid are designated as spikes. An important advantage of this method in comparison with various other methods is that it requires no parameters. Furthermore, another advantage of this method against the standard deviation method is the replacement of detected spikes with a reliable value. for replacement of detected spike’s values, we used the mean value of two adjacent data points on either side of the detected spike. After 6 iterations of implementing the PST method on the input dataset a total of 8017 data, which is 32% of 25031 data were identified as spikes and replaced with a correct value. Moreover, the standard deviation value before despiking was 0/206 and after applying the PST method improves to 0/119. This change in standard deviation value shows that the data dispersion around signal mean reduces due to despiking process. The results show that the PST method has higher accuracy in comparison with the standard deviation approach. Finally, it was observed that the comparison of the relative discharge error between the output of the PST method and the rating curve data (as a reference) is almost less than 20%. While this value exceeds 50% in the comparison between the standard deviation and the rating curve data.}, Keywords = {Despking, Acoustic Tomography, Phase-Space Thresholding}, volume = {20}, Number = {2}, pages = {59-68}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {بهبود دقت داده‌های فناوری تیکه‌نگاری صوتی با استفاده از روش آستانه‌گذاری‌ فضای ‌فازی}, abstract_fa ={فناوری تیکه­نگاری صوتی، یکی از شاخه‌های دانش سنجش‌ازدور جهت پایش منابع آب سطحی ‌است. داده‌های پرت در این فناوری تابه‌حال با استفاده از روش انحراف معیار تشخیص داده‌شده و حذف می­شده­اند. در این تحقیق، از روش آستانه­گذاری فضای فازی به‌ منظور تشخیص داده­های پرت و  از روش میانگین چهار نقطه در طرفین هر داده پرت جهت جایگزینی داده‌های پرت تشخیص داده‌شده استفاده‌شده است. داده­های مورد استفاده قرار گرفته در این تحقیق شامل مجموعه داده 12 روزه برداشت شده از رودخانه گونو واقع در شهر میوشی، استان هیروشیما ژاپن بوده است. مجموعاً  8017 داده، معادل با  32 %  از 25031 داده اولیه، به‌عنوان نقاط پرت شناسایی و جایگزین شدند. همچنین مقدار انحراف معیار داده­ها پیش از انجام فرایند پرت­کاوی 206/0 و پس از روش آستانه­گذاری فضای فازی به 119/0 رسید. نتایج نشان داد که روش آستانه‌گذاری فضای فازی نسبت به روش انحراف معیار از دقت و عملکرد بالاتری در شناسایی نقاط پرت برخوردار است. در نهایت مشاهده شد که مقایسه خطای نسبی اندازه‌گیری دبی بین روش آستانه­گذاری فضای فازی و دبی-اشل (به عنوان مرجع) در اکثر نقاط کمتر از ۲۰ درصد است. درحالی‌که این مقدار برای روش انحراف معیار و دبی-اشل به بیش از 50 درصد می‌رسد.}, keywords_fa = {پرت‌کاوی, تیکه‌نگاری صوتی, داده‌‌کاوی, آستانه‌گذاری فضای فازی}, doi = {10.61186/jsdp.20.2.59}, url = {http://jsdp.rcisp.ac.ir/article-1-1223-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1223-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Motamed, Sara and Askari, Elham}, title = {Detection of handgun using 3D convolutional neural network model (3DCNNs)}, abstract ={Since the behavior of people in the videos are in 3D signals format and they are long, it is difficult to search for a specific action. Therefore, a suitable technique in live security videos is required to detect ongoing armed thieves to reduce the occurrence of crime and theft. The innovation of this paper is to provide a rapid and efficient method for detecting guns in frames of images taken from videos without deleting the main points. The hierarchy of object recognition is that in order to extract frames from images derived from videos, the separation algorithm will be applied at a specified frame rate and all images will be placed in a folder. Then, video samples are divided into three categories of training, validation and testing, and using Haar Cascade (HC) classification, the frames of whole body images are extracted and the rest of the backgrounds are removed from the images. The reason for choosing this method is that the HC classification is resistant to rotation of images and also this algorithm has shown good performance compared to complex calculations. Therefore, in our proposed model, we will use this algorithm as a whole body diagnosis. This is done by detecting the Region of Interest (ROI) area by cutting the selected areas, followed by subtracting the background to eliminate unwanted backgrounds. All key points of selection and extraction are stored inside a folder. Finally, all images are sent to 3D convolutional Neural Networks (3DCNNs) to detect weapons in the images. Finally, in order to evaluate the performance of the system in terms of accuracy, it is used with correct positive rate parameters, false positive rate, positive prediction value and false detection rate. As can be seen in the results of the tests, the highest gun detection rate is related to the 3DCNNs model with a detection rate of 96.1%, followed by the best detection model rate related to YOLO V3 and with a detection rate of 95.6%.  }, Keywords = {3D Neural Networks (3DCNNs), Haar-Cascade (HC) Classification, Object Recognition, Full Body Recognition.}, volume = {20}, Number = {2}, pages = {69-79}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {تشخیص اسلحه دستی بااستفاده از مدل شبکه‎‎های عصبی کانولوشنال سه بعدی}, abstract_fa ={از آنجاییکه رفتار افراد در ویدئوها بصورت سیگنال‎های سه بعدی است و جستجوی یک عمل خاص بسیار دشوار می‎باشد، لذا نیاز به یک تکنیک مناسب جهت تشخیص خودکار دزدان مسلح در ویدئو‎های امنیتی در حال ضبط می‎باشد. در این مقاله روشی سریع و کارا جهت شناسایی موقعیت افراد و سپس تشخیص اسلحه در دست آنها، با استخراج فریم‌های تصاویر برگرفته از ویدئوها و بدون حذف نقاط اصلی، ارائه شده است. در مرحله نخست و بمنظور استخراج فریم‌های تصاویر برگرفته از ویدئوها، الگوریتم جداسازی با نرخ فریم مشخص اعمال خواهد شد و تمامی تصاویر در یک پوشه قرار می‎گیرند. سپس روی تمامی تصاویر بدست آمده طبقه‎بند(HC)  Haar Cascade اعمال شده تا نقاط کلیدی یا فریم‌های مربوط به تصاویر کل بدن استخراج شوند و باقی پس‎زمینه‎ها از تصاویر حذف گردند. در انتها، نمونه‌های هر ویدئو در قالب ماتریس چهار بعدی شامل تعداد دنباله فریم‌های هر ویدئو، عرض، ارتفاع و تعداد کانال تصویر به شبکه 3DCNNs ارسال می‌شود تا سلاح در تصاویر شناسایی شوند. لذا نوآوری مقاله ترکیب طبقه‎بند HCو  3DCNNs بمنظور افزایش سرعت و کارایی تشخیص اسلحه می‎باشد. همچنین بمنظور بررسی دقت مدل پیشنهادی، از پارامترهای نرخ مثبت صحیح و مثبت کاذب، مقدار پیش بینی مثبت و نرخ تشخیص کاذب استفاده‎ می‎شود.  }, keywords_fa = {شبکه‎های عصبی سه بعدی (3DCNN), طبقه‎بندی Haar Cascade (HC), بازشناسی اشیاء, شناسایی کل بدن.}, doi = {10.61186/jsdp.20.2.69}, url = {http://jsdp.rcisp.ac.ir/article-1-1262-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1262-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Fardin, Sahar and Hashemzadeh, Mahdi}, title = {Outlier Detection on Data Streams Using a QLattice-based Model and Online Learning}, abstract ={With the advancement of computer science, the dramatic developments in data mining area and their increasing applications, the identification of outlier or anomaly data has also become one of the most important research topics. In most applications, the outlier data contain beneficial information that can be used to gain useful knowledge. Today, there are a large number of applications on data streams, in the vast majority of which the discovery of outlier/anomaly data is very important and in some cases vital. Detection of anomalies is an important way for detecting frauds, network intrusion detection, detection of abnormal behaviors in monitoring systems, and other rare events that are always of great importance; but they are often difficult to identify. Most of the existing efficient outlier detection algorithms have been designed for the static data. While outlier detection is more challenging in data streams, where data are generating continuously and has especial properties such as infinity and transience. In this research, we introduce an approach based on the QLattice classification model, which works based on the quantum computing and performs better in the intended application than other classification methods. Given the possibility of changing the distribution of data over time in streaming data, a scheme to take advantage of online incremental learning is also applied in the proposed method. Considering the unlimited data flow and limited processing memory, the detection process is applied to a window of data that is constantly updated with data sampled from previous windows. A function is also designed to solve the problem of data imbalance, which uses the random sampling technique to solve this issue. The results of experiments obtained on benchmark datasets show that the proposed approach has better performance than other methods.}, Keywords = {Outlier detection, Data streams, Online learning, Incremental learning, Data mining}, volume = {20}, Number = {2}, pages = {81-98}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {تشخیص داده‌های پَرت در داده‌های جریانی با استفاده از مدل مبتنی بر QLattice و یادگیری آنلاین}, abstract_fa ={تشخیص داده‌های پَرت در جریان داده (داده‌های جریانی)، که ویژگی‌های خاصی نظیر نامحدود بودن و گذرا بودن را دارند، چالش‌های زیادی دارد. برای این منظور، در این پژوهش، یک رویکرد مبتنی بر مدل طبقه­بندی QLattice، که بر مبنای محاسبات کوانتوم کار می­کند و در کاربرد مورد هدف عملکرد بهتری نسبت به دیگر روش‌های طبقه‌بندی دارد، معرفی می‌کنیم. با توجه به امکان تغییر توزیع داده­ها در طول زمان در داده‌های جریانی، طرحی برای بهره‌گیری از یادگیری افزایشی آنلاین نیز در روش پیشنهادی ارائه می‌شود. با توجه به نامحدود بودن جریان داده­ها و حافظه­ی پردازشی محدود، فرآیند تشخیص بر روی پنجره‌ای از داده‌ها که همواره با داده‌های نمونه‌برداری شده از پنجره‌های قبلی به‌روزرسانی می‌شود، اعمال می‌گردد. تابعی نیز برای حل مشکل نامتوازن بودن داده­ها طراحی شده که از روش نمونه­برداری برای حل این مشکل بهره می­گیرد. نتایج آزمایشات نشان می­دهد که رویکرد پیشنهادی دقت عملکرد بهتری نسبت به روش­های دیگر دارد.}, keywords_fa = {تشخیص داده پرت, جریان داده, یادگیری آنلاین, یادگیری افزایشی, داده‌کاوی}, doi = {10.61186/jsdp.20.2.81}, url = {http://jsdp.rcisp.ac.ir/article-1-1226-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1226-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {afkariankhiaban, Aydin and Majidnezhad, vahi}, title = {Building energy optimization using gray wolf algorithm and an artificial neural network}, abstract ={One of the biggest problems facing the human being is energy supply due to reduced resource and cost. The largest share of energy consumption in the world has been allocated to the construction sector. The main sources of energy supply are coal, natural gas and oil, all of which are non-renewable and will be completed in the near future. Major energy consumers can be referred to household, industrial, agricultural, general, commercial, and street lighting. Among the energy consumers, the share of domestic and office sectors is higher than other consumers, and attention to reducing energy consumption and energy losses in the construction sector is an unavoidable necessity. In this paper, a new method of building energy management is proposed, which, with the help of internet networks of objects, controls the energy consumption of buildings. An administrative building with six areas is considered. The proposed method consists of two phases: the first phase, which is the prediction stage, is performed using artificial neural network and six parameters: outside temperature of the building, set point temperature, sun radiation, occupancy, previous temperature and the hour of the day are given as inputs to the perceptron neural network and the output of this phase is inside temperature of building and the energy consumption, which is given as input to the next phase. The second phase uses the gray wolf algorithm to determine the optimal temperature for each part of the building at any hour of the day. The energy consumption and cost of the building are calculated using the software of MATLAB, which results in a significant reduction in energy consumption and energy cost optimization in the office. The proposed method shows a reduction in energy consumption of 22 Kw/h in the early morning hours.}, Keywords = {Energy building, Energy cost, Internet of things, Gray wolf algorithm}, volume = {20}, Number = {2}, pages = {99-112}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {بهینه‌سازی انرژی ساختمان با استفاده از الگوریتم گرگ خاکستری و شبکه عصبی مصنوعی}, abstract_fa ={یکی از بزرگترین مشکلات پیش روی بشر تأمین انرژی با توجه به کاهش منابع و قیمت تمام شده‌ی زیاد است. سهم بزرگی از مصرف انرژی در جهان را ساختمان‌های اداری دارند. در این مقاله روش نوین مدیریت انرژی ساختمان مطرح می‌شود که به کمک شبکه‌های اینترنت اشیا میزان مصرف انرژی در ساختمان‌های اداری کنترل می‌شود. روش پیشنهادی شامل دو مرحله می‌باشد: مرحله اول با استفاده از شبکه عصبی مصنوعی و شش پارامتر دمای بیرون ساختمان، دمای نقطه تنظیم، تابش خورشید، اشغال، دمای ساعت قبل و ساعت روز به عنوان ورودی به شبکه عصبی پرسپترون داده می‌شود و خروجی این مرحله دمای درون ساختمان و میزان مصرف انرژی است. مرحله دوم با استفاده از الگوریتم گرگ خاکستری بهینه دما برای هر بخش ساختمان در هر ساعت از شبانه‌روز تعیین می‌شود. میزان مصرف انرژی و قیمت تمام شده انرژی برای ساختمان با استفاده از نرم‌افزار متلب محاسبه می‌شود که نتیجه آن کاهش چشمگیر مصرف انرژی و بهینه‌سازی قیمت تمام شده انرژی در ساختمان‌های اداری است. روش پیشنهادی کاهش مصرف انرژی 22 کیلو وات ساعت در ساعات ابتدایی صبح را نشان‌ می‌دهد}, keywords_fa = {انرژی ساختمان, قیمت تمام شده انرژی, شبکه اینترنت اشیا, الگوریتم گرگ خاکستری.}, doi = {10.61186/jsdp.20.2.99}, url = {http://jsdp.rcisp.ac.ir/article-1-1068-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1068-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {khalooei, Mohammad and Homayounpour, Mohammad Mehdi and Amirmazlaghani, Maryam}, title = {A survey on vulnerability of deep neural networks to adversarial examples and defense approaches to deal with them}, abstract ={Nowadays the most commonly used method in various tasks of machine learning and artificial intelligence are neural networks. In spite of their different uses, neural networks and Deep neural networks (DNNs) have some vulnerabilities. A little distortion or adversarial perturbation in the input data for both additive and non-additive cases can be led to change the output of the trained model, and this could be a kind of DNN vulnerability. Despite the imperceptibility of the mentioned disturbance for human beings, DNN is vulnerable to these changes. Creating and applying any malicious perturbation named “attack”, penetrates DNNs and makes them incapable of doing the duty assigned to them. In this paper different attack approaches were categorized based on the signal applied in the attack procedure. Some approaches use the gradient signal for detecting the vulnerability of DNN and try to create a powerful attack. The other ones create a perturbation in a blind situation and change a portion of the input to create a potential malicious perturbation. Adversarial attacks include both black-box and White-box situations. White-box situation focuses on training loss function and the architecture of the model but black box situation focuses on the approximation of the main model and dealing with the restriction of the input-output model request. Making a deep neural network resilient against attacks is named “defense”. Defense approaches are divided into three categories. One of them tries to modify the input, the other one makes some changes in the developed model and also changes the loss function of the model. In the third defense approach some networks are first used for purification and refinement of the input before passing it to the main network. Furthermore, an analytical approach was presented for the entanglement and disentanglement representation of inputs of the trained model. The gradient is a very powerful signal usually used in learning and an attacking approaches. Besides, adversarial training is a well-known approach in changing a loss function method to defend against adversarial attacks. In this study the most recent research on the vulnerability of DNN through a critical literature review was presented. Literature and our experiments indicate that the projected gradient descent (PGD) and AutoAttack methods are successful approaches in the l2 and l∞  bounded attacks, respectively. Furthermore, our experiments indicate that AutoAttack is much more time-consuming than the other methods. In the defense concept, different experiments were conducted to compare different attacks in the adversarial training approaches. Our experimental results indicate that the PGD is much more efficient in adversarial training than the fast gradient sign method (FGSM) and its deviations like MIFGSM and covers a wider range of generalizations of the trained model on predefined datasets. Furthermore, AutoAttack integration with adversarial training works well, but it is not efficient in low epoch numbers. Aside from that, it has been proven that adversarial training is time-consuming. Furthermore, we released our code for researchers or individuals interested in extending or evaluating predefined models for standard and adversarial machine learning projects. A more detailed description of the framework can be found at https://github.com/khalooei/Robustness-framework .}, Keywords = {vulnerability of neural network, robustness, attack, defense, neural network}, volume = {20}, Number = {2}, pages = {113-144}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {مروری بر آسیب‌پذیری شبکه‌های عصبی عمیق نسبت به نمونه‌های خصمانه و رویکرد‌های مقابله با آن‌ها}, abstract_fa ={امروزه شبکه‌های عصبی به‌عنوان بارزترین ابزار مطرح در هوش‌مصنوعی و یادگیری ماشین شناخته شده‌ و در حوزه‌های مالی و بانکداری، کسب ‌و کار، تجارت، سلامت، پزشکی، بیمه، رباتیک، هواپیمایی، خودرو، نظامی و سایر حوزه‌ها مورد استفاده قرار می‌گیرند. در سال‌های اخیر موارد متعددی از آسیب‌پذیری شبکه‌های عصبی عمیق نسبت به حملاتی مطرح شده که غالباً با افزودن اختلالات جمع‌شونده و غیر جمع‌شونده بر داده ورودی ایجاد می‌شوند. این اختلالات با وجود نامحسوس بودن در ورودی از دیدگاه عامل انسانی، خروجی شبکه آموزش دیده را تغییر می‌دهند. به اقداماتی که شبکه‌های عصبی عمیق را نسبت به حملات مقاوم‌ می‌نمایند، دفاع اطلاق می‌شود. برخی از روش‌های حمله مبتنی بر ابزارهایی نظیر گرادیان شبکه نسبت به ورودی، به دنبال شناسایی اختلال می‌باشند و برخی دیگر به تخمین آن ابزارها می‌پردازند و در تلاش هستند تا حتی بدون داشتن اطلاعاتی از آن‌ها، به اطلاعات آن‌ها دست پیدا کنند. رویکردهای دفاع نیز برخی روی تعریف تابع هزینه بهینه و همچنین معماری شبکه مناسب و برخی دیگر بر جلوگیری و یا اصلاح داده قبل از ورود به شبکه متمرکز می‌شوند. همچنین برخی رویکردها به تحلیل میزان مقاوم‌بودن شبکه نسبت به این حملات و ارائه محدوده اطمینان متمرکز شده‌اند. در این مقاله سعی شده است تا جدیدترین پژوهش‌ها در زمینه آسیب‌پذیری شبکه‌های عصبی عمیق  بررسی و مورد نقد قرار گیرند و کارایی آن‌ها با انجام آزمایش‌هایی مقایسه شود. در آزمایشات صورت گرفته در بین حملات محصور‌شده به l∞  و l2 ، روش AutoAttack کارایی بسیار بالایی دارد. البته باتوجه به برتری روش‌ AutoAttack نسبت به روش‌هایی نظیر MIFGSM، PGD و DeepFool این روش برای اجرا، مدت زمان بیشتری به خاطر ترکیبی بودن ساختار درونی آن نسبت به سایر روش‌های همردیف خود نیاز دارد. همچنین به مقایسه برخی از رویکردهای پرکاربرد دفاع در مقابل نمونه‌های خصمانه نیز پرداخته شد و از بین روش‌های مبتنی بر نواحی محصورشده به l∞   حول داده، روش آموزش خصمانه مبتنی بر مشتقات PGD با پارامترهای مشخص، از سایر روش‌ها بهتر در مقابل اغلب روش‌های حمله مقاوم بوده است. لازم به ذکر است که روش‌های مختلف حمله خصمانه و دفاع نسبت به آن حملات که در این مقاله مورد بررسی قرار گرفت است در یک قالب مناسب و منعطف کدنویسی شده است. این قالب کدنویسی به عنوان یک پشتوانه پایدار ویژه تحقیق و پژوهش در حوزه یادگیری ماشین استاندارد و یادگیری ماشین خصمانه ویژه پژوهشگران و علاقه‌مندان از طریق آدرسhttps://github.com/khalooei/Robustness-framework  در دسترس  قرار گرفته است.}, keywords_fa = {آسیب‌پذیری شبکه‌های عصبی, مقاوم‌سازی, حمله, دفاع, شبکه‌های عصبی}, doi = {10.61186/jsdp.20.2.113}, url = {http://jsdp.rcisp.ac.ir/article-1-1205-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1205-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Hamedi, Elham and Mirzarezaee, Mitr}, title = {Determining the coefficients of branch performance evaluation indicators using proposed two-objective genetic algorithm}, abstract ={ABSTRACT Nowadays, we are witnessing financial markets becoming more competitive, and banks are facing many challenges to attract more deposits from depositors and increase their fee income. Meanwhile, many banks use performance-based incentive plans to encourage their employees to achieve their short-term goals. In the meantime, fairness in the payment of bonuses is one of the important challenges of banks, because not paying attention to this issue can become a factor that destroys the motivation among employees and prevents the bank from achieving its short-term and mid-term goals. This article is trying to tackle the problem of optimizing the coefficients of branch performance evaluation indicators based on their business environment in one of the state banks of Iran. In this article, a two-objective genetic algorithm is proposed to solve the problem. This article is comprised of four main sections. The first section is dedicated to the problem definition which is what is our meaning of optimizing the importance coefficients of branches based on the business environment. The second section is about our proposed solution for the defined problem. In the third section, we are comparing the performance of the proposed two-objective genetic algorithm on the defined problem with the performance of four well-known multi-objective algorithms including NSGAII, SPEAII, PESAII, and MOEA/D. And finally, the set of ZDT problems which is a standard set of multi-objective problems is taken into account for evaluating the general performance of the proposed algorithm comparing four well-known multi-objective algorithms. Our proposed solution for solving the problem of optimizing branch performance coefficients includes two main steps. First, identifying the business environment of the branches and second, optimizing the coefficients with the proposed two-objective genetic algorithm. In the first step, the k-means clustering algorithm is applied to cluster branches with similar business environments. In the second step, to optimize the coefficients, it is necessary to specify the fitness functions. The defined problem is a two-objective problem, the first objective is to minimize the deviation of the real performance of the branches from the expected performance of them, and the second objective is to minimize the deviation of the coefficients from the coefficients determined by the experts. To solve this two-objective problem, a two-objective genetic algorithm is proposed. In this article, two approaches are adopted to compare the proposed solution performance. In the first stage, the results of applying the proposed two-objective genetic algorithm have been compared with the results of applying four well-known multi-objective genetic algorithms on the problem of optimizing the coefficients. The results of this comparison show that the proposed algorithm has outperformed the other compared methods based on the S indicator and run time, and it is also ranked second after the NSGAII algorithm in terms of the HV indicator. Finally, for evaluating the performance of the proposed algorithm with other well-known methods, the set of ZDT problems including ZDT1, ZDT2, ZDT3, ZDT4, and ZDT6 has also been taken into consideration. At this stage, the performance of the proposed algorithm has been compared with the four mentioned algorithms based on four key indicators, including GD, S, H, and run time. The results show, the proposed algorithm has outperformed significantly in terms of run time in all five ZDT problems. In terms of GD indicator, the performance of our proposed algorithm is located in the first or second rank among all considered algorithms. In addition, in terms of S and H indicators in many cases, the proposed algorithm outperformed the other well-known algorithms.}, Keywords = {Branch business space, coefficients of performance evaluation indicators, clustering, optimization, two-objective genetic algorithm.}, volume = {20}, Number = {2}, pages = {145-162}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {تعیین ضرایب شاخص های ارزیابی عملکرد شعب با استفاده از الگوریتم ژنتیک دوهدفه پیشنهادی}, abstract_fa ={با اختصاص بخش قابل توجهی از بودجه مربوط به حقوق و دستمزد بانک­ها به شیوه پرداخت مبتنی بر عملکرد توجه به پتانسیل­های کسب و کاری شعب اهمیت یافته است. از این رو مسئله تعییـن ضرایب اهمیت شاخص­های ارزیابی عملکرد مبتنی بر فضای کسب و کاری به یک چالش برای مدیران بانکی تبدیل شده است. در ایـن مقاله مسئله بهینه­سازی ضرایب اهمیت شاخص­های ارزیابی عملکرد شعب در یکی از بانک­های دولتی ایران با در نظرگرفتن فضای کسب و کاری شعب مورد بررسی قرار گرفته است. برای این منظور یک رویکرد دو مرحله­ای ارائه شده در گام اول از یک روش خوشه­بندی رایج برای تعیین فضای کسب و کاری هر شعبه استفاده شده و در گام دوم یک الگوریتم ژنتیک دوهدفه نوین به منظور بهینه­سازی ضرایب اهمیت هر خوشه پیشنهاد شده است. روش پیشنهادی با چهار روش شناخته شده مقایسه شده و نتایج در مواردی عملکرد موثر روش پیشنهادی را نشان می­دهد.}, keywords_fa = {فضای کسب و کاری شعب, ضرایب اهمیت شاخص‌های ارزیابی عملکرد, خوشه‌بندی, بهینه‌سازی, الگوریتم ژنتیک چندهدفه}, doi = {10.61186/jsdp.20.2.145}, url = {http://jsdp.rcisp.ac.ir/article-1-1231-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1231-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Miri, Fatemeh and Hosseini, Seyed and ShaghaghiKandovan, Rami}, title = {Feature fusion by neural network classification in remotely sensed hyperspectral images}, abstract ={Hyper-spectral image classification is a popular topic in the field of remote sensing.Hyperspectral images (HSI) have rich spectral information and spatial information. Traditional hyperspectral image (HSI) classification methods typically use the spectral features and do not make full use of the spatial or other features of the HSI. In general, the classification approaches classify input data by considering the spectral information of the data to produce a classification map in order to discriminate different classes of interest. The pixel-wise classification approaches classify each pixel autonomously without considering information about spatial structures, further enhancement of classification results can be obtain by considering spatial dependences between pixels. However, how to fuse and utilize spectral-spatial features more efficiently is a challenging task. So the combination of spectral information and spatial information has become an effective means to obtain good classification results. Specifically, firstly, the principal component analysis (PCA) algorithm is used to extract the first principal component in the original hyperspectral image. Secondly, the   residual network Gabor, GLCM and MP   are introduced for each band to extract the spatial information of the image. Thirdly, the image is classified by using SVM to get the final classification result. In this paper, we have used the neural network classifier in the classification of hyperspectral images by integrating spectral and spatial properties in two methods stack and the method based on binary graphs. In spite of   the traditional stack method, the use of local binary graph method to properly integrate spectral and spatial information is a desirable method for the simultaneous use of spectral information along with spatial information (Feature Fusion) in hyperspectral image classification. In each of these methods, the neural network classifier is applied to the spectral and spatial features separately and then compared with the performance of the support vector machine classifier in similar conditions. The classification results show that the proposed method can outperform other traditional   classification techniques }, Keywords = {feature fusion, spectral, spatial, neural network, SVM, classification}, volume = {20}, Number = {2}, pages = {163-174}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {ادغام ویژگی های طیفی و مکانی تصاویر ابر طیفی به کمک طبقه بند شبکه عصبی}, abstract_fa ={در تصاویر ابرطیفی که توسط سنجنده های از راه دور بدست می آیند، می توان تفکیک بین کلاس ها را دقیق تر و با جزئیات بیشتر بدست آورد. از آنجایی که ابعاد بالای داده ابرطیفی و تعداد کم نمونه های آموزشی، طبقه بندی تصاویر ابرطیفی را مشکل می سازد. به دنبال تکنیک هایی هستیم که در هنگام کمبود تعداد نمونه های آموزشی دقت طبقه بندی قابل قبولی داشته باشد. لذا بکارگیری تکنیک هایی که علاو  بر کاهش تعداد نمونه های آموزشی، دقت طبقه بندی را  بالاتر ببرد حائز اهمیت می گردد. این مقاله از روش طبقه بند شبکه عصبی در طبقه بندی تصاویر ابرطیفی به کمک ادغام ویژگی طیفی و مکانی در دو روش پشته و روش مبتنی بر گراف دودویی بهره گرفته است. علاوه بر روش متداول پشته یاstack ،استفاده از روش گراف دودویی ناحیه ای به منظور ادغام مناسب اطلاعات طیفی و مکانی یک روش مطلوب برای استفاده همزمان از اطلاعات طیفی در کنار اطلاعات  مکانی (Feature Fusion)  در طبقه بندی تصویر ابرطیفی می باشد. در هریک ازاین روش ها طبقه  بند شبکه عصبی روی ویژگیهای طیفی و  مکانی به صورت مجزاو ادغام شده بکار گرفته شده است و سپس با عملکرد طبقه بند ماشین بردار پشتیبان در شرایط مشابه مقایسه شده است. نتایج طبقه بندی بیانگر برتری طبقه بند شبکه عصبی است.  }, keywords_fa = {طبقه بندی, ادغام ویژگی, طیفی و مکانی , شبکه عصبی, تصاویر ابرطیفی}, doi = {10.61186/jsdp.20.2.163}, url = {http://jsdp.rcisp.ac.ir/article-1-1317-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1317-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {partabian, jaafar}, title = {Checking reachability property of systems specified through graph transformation with the approach of discovery conditional dependency between the rules}, abstract ={Model checking is among the most effective techniques for automatic verification of hardware and software systems’ properties. Generally, in this method, a model of the desired system is generated and all possible states are explored in the space state graph to find errors and undesirable patterns. In models of large and complex systems, if the size of the generated state space is too extensive so that not all available states can be explored due to computational restrictions, the problem of state space explosion occurs. In fact, this problem confines the validation process in model verification systems. To use the model checking technique, the system must be described in a formal language. Graphs are very beneficial and intuitive tools for describing and modeling software systems. Correspondingly, graph transformation system provides a proper tool for formal description of software system features as well as their automatic verification. Various techniques have been investigated in the researches to reduce the effect of state space explosion problem in the model checking process. Some of these methods try to reduce the required memory by reducing the number of cases explored. Among others are symbolic model checking, partial-order reduction, symmetry reduction, and scenario-driven model checking. In a complex system, these algorithms, along with conventional methods such as DFS or BFS search algorithms may not afford any complete answer due to the explosion of state space. Hence, the use of intelligent methods such as knowledge-based techniques, datamining, machine learning, and meta-heuristic algorithms which do not entail full state space exploration could be advantageous. Recent researches attest that exploring the state space using intelligent methods could be a promising idea. Therefore, an intelligent method is used in this research to explore the state space of large and complex systems. Accordingly in this paper, first a model of the desired system is created using graph conversion system. Then a portion of the state space of the model is generated. Afterwards, using the conditional probability table, the dependencies between the rules in the paths toward the goal state are discovered. Finally, by means of the discovered dependencies, the rest of the model state space is intelligently explored. In other words, only promising paths, i.e. those who match the detected dependencies are explored to reach the goal state. It is worth noting that the first goal of the proposed approach is to find a goal state, i.e., one in which either the safety property is violated or the reachability property is satisfied in the shortest possible time. The second less important goal is to reduce the number of explored states in the graph of the state space until reaching the goal state. This paper provides a way to check the availability feature in complex and large software systems modeled in the official graph transformation language. The suggested method is implemented in GROOVE which is an open source toolset for designing and model checking graph transformation systems. The results of experimental tests indicate that the proposed approach is faster than the previous methods and produces a shorter counterexample/witness.}, Keywords = {Model checking, State space explosion, Graph transformation system, Conditional probability table, Reachability property}, volume = {20}, Number = {2}, pages = {175-194}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {وارسی ویژگی دسترس‌پذیری در سیستم‌های تبدیل گراف با رویکرد کشف وابستگی‌ شرطی بین قوانین}, abstract_fa ={وارسی مدل[1] یکی از مؤثرترین تکنیک­های صحت سنجی خودکار ویژگی‌های سیستم‌های سخت‌افزاری و نرم‌افزاری است. در حالت کلی، در این روش، مدلی از سیستم موردنظر تولید می­شود و تمام حالات ممکن در گراف فضای حالت مورد کاوش قرار می‌گیرد تا بتواند خطاها و الگوهای نامطلوب را پیدا کند. در سیستم‌های بزرگ و پیچیده تولید تمام فضای حالت منجر به مشکل انفجار فضای حالت[2] می­شود. تحقیقات اخیر نشان می‌دهند که کاوش در فضای حالت با استفاده از روش‌های هوشمندانه، می‌تواند ایده امیدوارکننده‌ای باشد. ازاین‌رو در این تحقیق ابتدا مدلی از سیستم موردنظر ایجاد می‌شود، سپس بخشی از فضای حالت مدل، تولیدشده و با استفاده از احتمالات شرطی، وابستگی بین قوانین موجود در فضای حالت کشف می‌شوند. پس از آن، با کمک وابستگی‌های کشف‌شده، بقیه فضای حالت مدل را به‌طور هوشمندانه مورد کاوش قرار می‌گیرد. در این مقاله روشی برای وارسی ویژگی دسترس‌پذیری[3] در سیستم‌های نرم‌افزاری پیچیده و بزرگ که به زبان رسمی تبدیل گراف[4] (GTS) مدل شده‌اند، ارائه می‌شود. روش پیشنهادی در GROOVE که یک مجموعه ابزار منبع باز برای طراحی و بررسی وارسی مدل سیستم‌های تبدیل گراف می‌باشد، پیاده‌سازی شده است. نتایج آزمایش‌های تجربی نشان می‌دهند که رویکرد پیشنهادی نسبت به روش‌های قبلی سریع‌تر بوده و مثال‌های نقض[5]/شاهد[6]کوتاه‌تری تولید می‌کند.   [1] Model checking [2] State space explosion [3] Reachability property [4] Graph transformation system [5] Counterexample [6] Witness  }, keywords_fa = {وارسی مدل, انفجار فضای حالت, سیستم تبدیل گراف, جدول وابستگی شرطی, ویژگی دسترس‌پذیری}, doi = {10.61186/jsdp.20.2.175}, url = {http://jsdp.rcisp.ac.ir/article-1-1240-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1240-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Ghaderi, Mohammad Reza and TabatabaVakili, Vahid and Sheikhan, Mansour}, title = {Energy Consumption Analysis based on Compressive Sensing Model in Wireless Sensor Networks}, abstract ={Nowadays, wireless sensor networks (WSNs) have found many applications in a variety of topics. The main purpose of these networks is to measure environmental phenomena and to send read data in multi-hop paths to the sink to be exploited by users. The most important challenge in WSNs is to minimize energy consumption in sensor batteries and increase network lifetime. One of the most important techniques for reducing energy consumption in WSNs is the compressive sensing (CS) technique. CS reduces network energy consumption by reducing data transmission in the network and increasing the network lifetime. The use of CS technique in a WSN results in the production of different models of CS signals. These models are based on spatial, temporal and spatio-temporal sensors readings. On the other hand, in order to overcome the challenge of energy consumption, the exact recognition of energy resources in the network is essential.  Energy consumption in a sensor node can be divided into two parts: (a) the energy used for computing; and (b) the energy consumed by the communication. The energy used for the computing consists of three components: 1. sensor energy consumption (data reading), 2. background energy consumption, and 3. energy consumption for processing. The power consumption of the communication includes the following: 1. energy consumption for data transmission; 2. energy consumption for data receiving; 3. energy consumption for sending messages; and 4. energy consumption for receiving messages. Hence, the existence of a model for analyzing energy consumption in a CS-based WSN is necessary. Several models have been developed to analyze energy consumption in a WSN, but there is not a complete model for analyzing energy consumption in a CS-based WSN.  In this paper, we study all energy consumption components mentioned above in a CS-based WSN and present a complete model for energy consumption analysis. This model can optimize the design of CS-based WSNs energy efficiency improvement approach. To evaluate the proposed model, we use this model to analyze energy consumption in the compressive data gathering technique which is a CS-based data aggregation method. Using this model can optimize the design of CS-based WSNs.}, Keywords = {Wireless sensor network, Compressive sensing, Energy model, Compressive data gathering.}, volume = {20}, Number = {2}, pages = {195-210}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {تحلیل مصرف انرژی در شبکه حسگر بی‌سیم با مدل مبتنی برحسگری فشرده}, abstract_fa ={مهمترین چالش در شبکه‌های حسگر بی‌سیم، به حداقل رساندن مصرف انرژی در باتری گره‌های حسگر و افزایش طول عمر شبکه است. یکی از تکنیک‌های مؤثر در کاهش مصرف انرژی در این شبکه‌ها، تکنیک حسگری فشرده است که با کاهش داده‌های ارسالی، موجب کاهش مصرف انرژی در شبکه می‌گردد. از طرفی، برای مقابله با چالش مصرف انرژی، شناخت کامل منابع مصرف انرژی در شبکه ضروری است. مدل‌های مختلفی برای تحلیل مصرف انرژی در شبکه حسگر بی‌سیم ارائه شده‌اند، اما مدل کاملی برای تحلیل انرژی مصرفی مبتنی بر حسگری فشرده ارائه نشده است. از این رو وجود مدلی برای تحلیل مصرف انرژی مبتنی برحسگری فشرده ضرورت می‌یابد. بر همین اساس، در این مقاله به ارائه مدلی برای تحلیل مصرف انرژی مبتنی بر حسگری فشرده می‌پردازیم. این مدل می‌تواند به طراحی بهینه شبکه‌های حسگر بی‌سیم مبتنی بر حسگری فشرده با رویکرد بهبود مصرف انرژی کمک مؤثری نماید.  }, keywords_fa = {شبکه حسگر بی سیم, حسگری فشرده, مدل انرژی, تحلیل انرژی, تجمیع داده‌های فشرده}, doi = {10.61186/jsdp.20.2.195}, url = {http://jsdp.rcisp.ac.ir/article-1-1019-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1019-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Rezaei, Soheila and GhayoumiZadeh, Hossein and Gholizadeh, Mohammad Hossein and Fayazi, Ali}, title = {Predicting the Survival of Breast Cancer Patients via Deep Neural Networks}, abstract ={Predicting and estimating the time it takes for an event of interest to occur base on available information is special assistance in how to deal with the event and handle it or provide solution to prevent the occurrence of the event. In medicine, valuable information about evaluating the types of treatments and prognosis and providing solution to handle event can be gained by predicting the time that an event occurrence according to information recorded from patients. Many statistical solutions have been proposed for predicting the time that an event occurrence and the most professional method is Survival Analysis. The purpose of Survival Analysis is to predict the time that an event occurrence a model effective parameters in estimating the time, which can be control or eliminating problematic factors. Due to the importance and prevalence of breast cancer as the second leading cause of death among cancer patients in the world, access to models that can accurately predict the survival of breast cancer patients is very important. The present study is an analytical study. The data used in this study are taken from The Molecular Taxonomy Data of the International Federation of Breast Cancer (METABRIC) database, which is related to which is related to the molecular classification of breast cancer patients. The total number of patients studied was 1981. Of these, 888 patients were in care until the time of death and the rest did not continue the study during the study. In this database, 21 clinical features of patients have been considered, which includes a total of 6 quantitative features and 15 qualitative features. To predict survival, a deep neural network model called the optimized DeepHit is used. The optimized model has achieved the criterion of c_index = 0.73, which is a criterion for measuring the capability of survival analysis models. Comparisons with previous models based on real and synthetic datasets show that the optimized DeepHit has achieved great performance and statistically significant improvements over previous advanced methods.}, Keywords = {Deep learning, Survival Analysis, Breast cancer}, volume = {20}, Number = {3}, pages = {3-12}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {پیش‌بینی بقای بیماران مبتلا به سرطان پستان با استفاده از بهینه سازی مدل DeepHit}, abstract_fa ={با توجه به اهمیت و شیوع سرطان پستان به‌عنوان دومین علت مرگ در بین بیماری‌های سرطانی در جهان، دسترسی به مدل­هایی که با دقت بالا بتوانند بقای این بیماران را در افراد مبتلا پیش‌بینی نمایند، موردتوجه است. هدف از این مطالعه، استفاده از شبکه عصبی عمیقِ بهینه‌سازی شده برای پیش‌بینی بقای بیماران مبتلا به سرطان پستان است. مطالعه حاضر یک مطالعه تحلیلی هست. داده‌های مورداستفاده از بانک داده‌ای METABRIC مربوط به طبقه‌بندی مولکولی از بیماران مبتلابه سرطان سینه مجمع بین‌المللی هست. تعداد کل بیماران موردبررسی 1981نفر هست. از این تعداد 888 نفر از بیماران تا لحظه مرگ تحت مراقبت و بقیه در حین مطالعه از ادامه مطالعه صرف‌نظر کرده‌اند. در این دیتاست به 21 ویژگی کلینیکی بیماران توجه شده است که در کل شامل 6 ویژگی کمی و 15 ویژگی کیفی هست. جهت پیش‌بینی بقا از مدل شبکه عصبی عمیق DeepHit بهینه‌سازی شده استفاده می­شود. مدل بهینه‌سازی شده توانسته است معیار 73/0 c_index= را، که معیاری برای سنجش قابلیت مدل‌های آنالیز بقا است کسب کند. مقایسه با مدل‌های قبلی بر اساس مجموعه داده‌های واقعی و مصنوعی نشان می‌دهد که DeepHit بهینه‌سازی شده به پیشرفت‌های عملکردی بزرگ و آماری قابل‌توجهی نسبت به روش‌های سطح بالا دست‌یافته است.  }, keywords_fa = {استخراج ویژگی, یادگیری عمیق, تجزیه و تحلیل بقا, سرطان پستان,}, doi = {10.61186/jsdp.20.3.3}, url = {http://jsdp.rcisp.ac.ir/article-1-1303-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1303-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Hajizadeh, Narjes and Vahdat-Nejad, Hamed and Havangi, Ramaz}, title = {The Architecture of the Blind Assistant System for Passing Intersection by Mobile Cloud Computing}, abstract ={Subject- Today, with the advancement of technologies to assist blind and visually impaired people, navigation systems are of great importance. As a result of emerging technologies in telecommunication and smartphones, these people can be helped. Identifying pedestrian and traffic lights is important to help pedestrians with visual impairments cross the intersection safely and securely. Background- researchers have studied the detection and identification of traffic lights in the assistive system or blind assist device. These researches can be divided into three main types: based on pattern matching, based on circular shape extraction, and based on color distribution. Methodology- In this research, an architecture based on mobile cloud computing is proposed, which can help blind pedestrians in crossing intersections. The architecture consists of three tiers: mobile phone, cloud, and supervision. The most important component is located on the mobile phone. It recognizes the color of pedestrian light by using image processing techniques. Spatial information (time and location) of the blind person is collected and held in a cloud storage database so that acquaintances can monitor him if needed. In order to detect the status of pedestrian lights, pictures of crossing streets with cameras will be captured. Using the features of color and morphology operations, the color of pedestrian lights is recognized and reported to the blind person. To this end, morphological operations are performed to eliminate small elements in the background and to restore the original size of the traffic light sign. Therefore, the operations of dilation, filling, and erosion are used. Result- We gathered a dataset including 280 photos of pedestrian lights (170 photos at day, 110 photos at night) in different illumination conditions (early day, noon, early night, night) and weather (sunny, cloudy, rainy). Matlab software and notebook system with Intel (R) Core (TM) i5 CPU and AMD Mobility Radeon HD 5100 graphics card were used to implement pedestrian traffic-light status detection. The scenario-based method is used to evaluate the system architecture and show that the proposed system can satisfy the investigated scenario. At last, the implementation results on taken images show excellent performance in detecting pedestrian lights with approximately 100% accuracy for the day and night.}, Keywords = {Mobile cloud computing, Pedestrian light, Image processing, Morphology operations}, volume = {20}, Number = {3}, pages = {13-26}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {ارائه معماری سیستم کمک‌یار فرد نابینا برای عبور از تقاطع به کمک محاسبات ابری موبایل}, abstract_fa ={امروزه با پیشرفت فناوری‌ها در حوزه کمک به افراد نابینا، سیستم­های جهت ­یابی از اهمیت بسیاری برخوردار هستند. همچنین با پیشرفت تکنولوژی در حوزه محاسبات ابری و تلفن همراه می­ توان به این افراد کمک کرد. در این تحقیق یک معماری با استفاده از محاسبات ابری موبایل به منظور کمک به این افراد، در هنگام عبور از تقاطع پیشنهاد می­شود. معماری پیشنهادی شامل سه مؤلفه تلفن­ همراه، ابر و  نظارت است. اطلاعات مکان و زمان، جمع ­آوری و در پایگاه داده ابر ذخیره می­ شود تا در مواقع نیاز، آشنایان فرد نابینا بتوانند بر او نظارت داشته باشند. برای تشخیص وضعیت چراغ عابر پیاده عکس از تقاطع­ها با استفاده از دوربین گرفته می­ شود. با استفاده از ویژگی رنگ و عملیات ریخت­ شناسی، رنگ چراغ عابر پیاده تشخیص داده و به فرد نابینا گزارش داده می­ شود. نتایج حاصل از پیاده ­سازی روی تصاویر گرفته‌شده، کارایی خوب روش پیشنهادی در تشخیص وضعیت چراغ عابر پیاده را نشان می­ دهد که دارای میانگین دقت 100٪  برای روز و همچنین شب است.}, keywords_fa = {محاسبات ابری موبایل, چراغ عابر پیاده, پردازش تصویر, عملیات ریخت شناسی}, doi = {10.61186/jsdp.20.3.13}, url = {http://jsdp.rcisp.ac.ir/article-1-1298-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1298-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {MohammadianTakaloo, Vahid and Hashemzadeh, Mahdi and GhavidelNeycharan, Jalil}, title = {CoviX-Net: A Deep Learning-based System for Diagnosis and Differentiation of Covid-19 Infection and Pneumonia in Chest Radiography Images}, abstract ={Coronavirus (Covid-19) is a new infectious disease with a very high rate of infection and mortality. Therefore, its early detection has become one of the vital measures of human society. This virus is commonly tested using sputum or blood samples, and the result is usually announced within hours or even days after the test. However, even an hour delay in announcing the test results can lead to many more people being infected. Another way to diagnose the virus is to take a chest X-ray (chest radiography images), which is much faster and cheaper than other tests. However, the rate of human diagnostic error from these images is high, and more importantly, it is very difficult to distinguish Covid-19 infection from other infections such as pneumonia. In this paper, an intelligent system, termed CoviX-Net, based on deep machine learning techniques, is presented to diagnose and differentiate Covid-19 disease and various types of pneumonia (bacterial or viral) using chest radiographs. The CoviX-Net learning model is based on the Xception architecture, the accuracy of which is improved by the use of transfer learning and data augmentation techniques. To provide adequate training data, a comprehensive database is created by integrating two different sources of chest X-ray images. The evaluations performed on the test images show that the accuracy of CoviX-Net diagnosis in the three-class mode (Covid-19, pneumonia, and normal lung) is %99.25, and in the four-class mode (Covid-19, bacterial pneumonia, viral pneumonia, and normal lung) is %95. Compared to other similar deep learning-based classification methods, the accuracy is improved by 5%, and compared to the transfer learning-based parallel deep learning method, with a complex structure, the accuracy is improved by about half a percent. These promising results demonstrate the superiority of CoviX-Net against the competitors, and suggest that CoviX-Net can be a useful tool to assist clinicians and radiologists in diagnosing patients with Covid-19. All the implementation source codes and collected dataset are made publicly available.}, Keywords = {Machine vision, Deep learning, Covid-19 diagnosis, Pneumonia, Chest radiography images}, volume = {20}, Number = {3}, pages = {27-46}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {CoviX-Net: سامانه مبتنی بر یادگیری عمیق برای تشخیص و تمایز عفونت کوید-19 و ذات‌الریه در تصاویر رادیوگرافی قفسه سینه}, abstract_fa ={در این پژوهش، سامانه CoviX-Net مبتنی بر یادگیری عمیق برای تشخیص و تمایز بیماری کوید-19 و انواع ذات‌الریه از روی تصاویر رادیوگرافی سینه ارائه می‌شود. معماری مدل یادگیری CoviX-Net، بر اساس معماری اِکسپشن چند لایه و متناسب با کاربرد مورد هدف طراحی شده است. در این سامانه، از یادگیری انتقالی برای رفع مشکل کمبود داده آموزشی استفاده می‌شود. همچنین برای فراهم نمودن داده آموزشی کافی، یک پایگاه تصاویر جامع با بهره‌گیری مناسب از دو منبع مختلف از تصاویر قفسه سینه ایجاد شده است. برای جلوگیری از مشکل بیش‌برازش، فنون افزایش داده، تَنزلِ وزن و تنظیم ‌کننده‌های L2 استفاده شده است. نتایج ارزیابی‌ها نشان می‌دهد دقت CoviX-Net در حالت سه طبقه (کوید-19، ذات‌الریه و ریه طبیعی) %25/99، و در حالت چهار طبقه (کوید-19، ذات‌الریه باکتریایی، ذات‌الریه ویروسی و ریه طبیعی) %95 است که در مقایسه با دیگر روش‌های طبقه‌بندی مبتنی بر یادگیری عمیق با ساختار مشابه، بهبود دقت %5 و در مقایسه با روش مبتنی بر یادگیری عمیق انتقالی موازی، با ساختار پیچیده، بهبود دقت حدود نیم درصد را دارد. کلیه کدهای پیاده‌سازی CoviX-Net و مجموعه تصاویر گردآوری شده در دسترس عموم پژوهشگران قرار گرفته است.}, keywords_fa = {بینایی ماشین, یادگیری عمیق, تشخیص کوید-19, ذات‌الریه, تصاویر رادیوگرافی قفسه سینه}, doi = {10.61186/jsdp.20.3.27}, url = {http://jsdp.rcisp.ac.ir/article-1-1238-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1238-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Deypir, Mahmood and Bayat, Ehs}, title = {Identifying Community Structures in Social Networks using Discrete Harmony Search Algorithm}, abstract ={Nowadays, social networks play an important role in people's daily lives. A social network is a kind of social structure that consists of several nodes that can be individuals or organizations. Most importantly, these nodes are connected by one or more specific types of dependencies, such as friendships or work relationships. Understanding the structure and constituent groups of these networks can give us useful information about the state of society and individuals. In this article, a new solution to solve the problem of social structure detection is provided. Social structure means communities or associations in social networks. An important issue of this context is network graph construction based on objects as nodes and edges as transactions between these objects. Community detection is based on these graphs. The appropriate solution is to identify and create clusters of nodes that have strong connections with each other and at the same time have weaker connections between nodes of different clusters. Optimization algorithms can be used to construct and detect these connections. Harmonic search is one of the efficient optimization algorithms in this context. However, in the field of identifying communication structures and communities, so far, no research work has been done using the harmonic search algorithm. In this paper, a new method is proposed to construct network clusters based on network graphs. It can identify effective communications based on different criteria. In order to propose this method, first a new version of harmonic search algorithm is designed for discrete environments while the original version of which is for continuous environments. Then, according the problem, which is to discover appropriate structures in the social network graph, a new method is devised to solve it. This method tries to provide a suitable discrete version by relying on different operators to be applicable to solve the desired problem. In order to evaluate the proposed method, various experiments were carried out on several different networks. These networks have been used as benchmark in previous research work. For evaluation and comparison, two artificial networks and two real networks are considered. The evaluation results of the proposed method on these networks are presented based on different criteria and compared with four previous algorithms that are known in this field. Comparison results show that the proposed algorithm is relatively superior to other algorithms or at least produces similar results. The most important reason that can justify the relative performance superiority of the proposed algorithm or at least its competitive results is the better search capability of the problem search space. This leads to the discovery of more promising points and the production of better solutions.  }, Keywords = {Social network, Network graph, Community detection, Harmony search optimization algorithm.}, volume = {20}, Number = {3}, pages = {47-60}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {تشخیص انجمن ها در شبکه های اجتماعی با استفاده از الگوریتم جستجوی هارمونی گسسته}, abstract_fa ={شبکه های اجتماعی امروزه نقش مهمی در زندگی روزمره افراد دارد. شناخت ساختار و گروه های تشکیل دهنده این شبکه ها می تواند اطلاعات مفیدی از وضعیت جامعه و افراد دهد. یکی از مباحثی که در این حوزه بحث می شود، ساخت گراف شبکه است که بر اساس اشیاء به عنوان گره های شبکه، و یال ها به عنوان تراکنش های بین این اشیاء شکل می گیرد. تشخیص ارتباطات بر اساس این گراف ها انجام می گیرد. یکی از روش هایی که برای ساخت و تشخیص این ارتباطات انجام می گیرد استفاده از الگوریتم های بهینه سازی است و مشخص شده است که الگوریتم جستجوی هارمونی یکی از الگوریتم های کارا در این حوزه است. با این وجود در مبحث تشخیص ساختارهای ارتباطی و جوامع، تا به حال کار پژوهشی با استفاده از الگوریتم جستجوی هارمونی انجام نگرفته است. در این مقاله، برای ساخت خوشه های شبکه بر اساس گراف شبکه و تشخیص ارتباطات مؤثر بر اساس معیارهای مختلف، روش جدیدی پیشنهاد می شود. این روش جدید در واقع نسخه گسسته ای از الگوریتم جستحوی هارمونی است که برای کشف جوامع و ساختارهای ارتباطی در شبکه های اجتماعی به کار می رود. آزمایش هایی بر روی چند شبکه مصنوعی و طبیعی انجام گرفته است و نتایج بدست آمده نشان می دهد که روش پیشنهادی دارای کارکرد مناسبی در مقایسه با دیگر روش های موجود دارد.  }, keywords_fa = {شبکه های اجتماعی, گراف شبکه, شناسایی انجمن, الگوریتم بهینه سازی جستجوی هارمونی.}, doi = {10.61186/jsdp.20.3.47}, url = {http://jsdp.rcisp.ac.ir/article-1-1295-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1295-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Kamandra, Mehdi and Rashedi, Esmat and sanatijavan, aee}, title = {Channel Selection in EEG Signals Using Mutual Information for Motor Imagery Classification}, abstract ={Brain-computer interface systems based on classification of the motor imageries (MI) using multi-channel EEG signal play a major role in the control of artificial limbs and machines by people with disabilities. One of the main problems in classifying these signals to recognize different MI tasks is the large number of channels. The large number of channels causes a lot of cost and hassle during the measurement process, increasing computational load of the preprocessing, feature extraction, and classification, difficulty of interpretation of results, and over-fitting of the classifier due to the limited number and noisy training samples. Since not all measured channels for classifying a particular MI task have useful information, it would be beneficial to select the optimal channels for classifying desired MI tasks. Channel selection methods are categorized into wrapper, filtered, hybrid, and embedded categories. In this paper, a filtering method is used due to less computational cost and the independence of the classifier. The used criterion is very important in filtering methods. Criteria based on first- and second-order data moments are less efficient for non-Gaussian classes. The proposed method uses mutual information between candidate channels and class label as a comprehensive criterion and sequential forward selection search strategy. One of the problems in using this criterion is the accurate estimation of mutual information in the high dimensional spaces. The kpn entropy estimator is used to accurately estimate the mutual information in high dimensional space with limited number of training samples. The power of 2 Hz non overlapping sub-bands in the 8-30 Hz band and in 250 milliseconds non overlapping intervals in half to two and a half seconds after the onset of MI are extracted as features for each channel. The extracted features are reduced to 10 for each channel by combining the unsupervised L1-PCA and supervised NWFE dimensionality reduction methods. The reported results show the ability of the proposed method to select effective channels for classifying left and right hand and feet MI tasks. The overall accuracy of the SVM classifier on test samples for two subjects labeled aa and al from the BCI III competition dataset is 94.87% and 96.51%, respectively, while the number of channels is reduced from 118 to 7 channels.}, Keywords = {Brain Computer Interface, EEG Signals, Motor Imagery Classification, Channel Selection, Mutual Information, kpn Entropy Estimation.}, volume = {20}, Number = {3}, pages = {61-72}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {انتخاب کانال برای سیگنال های EEG با استفاده از اطلاعات متقابل جهت دسته بندی تصور حرکات مختلف}, abstract_fa ={سیستم­های واسط مغز و رایانه مبتنی بر دسته­بندی تصور فعالیت‌های حرکتی با استفاده از سیگنال‌های چند کاناله EEG، نقش عمده‌ای در کنترل اندام‌های مصنوعی و ماشین­ها توسط افراد معلول دارند. مشکل اساسی این سیستم­ها بیش­برازش دسته­بند به­دلیل تعداد زیاد کانال­ها و نمونه­های آموزشی کم و نویزی می‌باشد. در این مقاله روشی برای انتخاب کانال­های بهینه، مبتنی بر بیشینه­سازی اطلاعات متقابل کانال‌های منتخب و تصور حرکت مدنظر ارائه شده است. توان زیرباندهایی با پهنای2 هرتز در باند 8 تا 30 هرتز و در فواصل 250 میلی­ثانیه­ای در بازه نیم تا دو و نیم ثانیه پس از شروع تصور حرکت به عنوان ویژگی برای هر کانال استخراج شده است. بعد ویژگی­های استخراج ­شده با ترکیب روش­های L1-PCA  و NWFE به 10 کاهش یافته است. صحت کل دسته‌بند SVM برای نمونه­های آزمایش دو شخص aa و al از داده­های مسابقات BCI III  87/94 و 51/96 درصد است در حالی‌که تعداد کانال‌ها از 118 به 7 کاهش یافته است.}, keywords_fa = {سیستم‌های واسط مغز و رایانه, سیگنال EEG, دسته‌بندی تصور حرکات, انتخاب کانال, اطلاعات متقابل, تخمین آنتروپی kpn.}, doi = {10.61186/jsdp.20.3.61}, url = {http://jsdp.rcisp.ac.ir/article-1-1282-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1282-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Mazarei, Seyede Mahboobe and pouramini, Jafar}, title = {Predicting employee turnover using tree-based ensemble ‎learning algorithms ‎}, abstract ={Abstract Key employee's turnover is one of the most important concerns of Human Resource Managers (HRM); Because the organization by losing its valuable staff, suffers from the loss of skills and experience gained over the years, so predicting employee turnover helps HRMs to hire and retain permanent employees. One of the effective tools in this regard is the use of different data mining methods. Many researchers have done research in this field. This study reviewes recently published articles based on machine learning models, using Kaggle Human Resource (HR) databases [1-5] to compare them with this proposed models. In the article [9], the authors have selected 11 of the most important features by collecting common features from previous articles and filtering them using feature review and selection algorithms. After converting non-numerical variables to numerical and normalizing the data in the range [0,1], those attrition prediction approach is based on machine, deep and ensemble learning models and is experimented on a large-sized and a medium-sized simulated HR datasets and then a real small-sized dataset from a total of 450 responses. Those approach achieves higher Accuracy (0.96, 0.98 and 0.99 respectively) for the three datasets when compared previous solutions. In 2021, authors examined the relationship between features using Pearson correlation coefficient and selected 11 features with the highest correlation coefficient. Then used from six different machine learning algorithms including Random Forest (RF), Logistic Regression (LR), …, to predict employee turnover. The highest accuracy they obtained was 0.85 for RF [3]. In the article[1], the authors used two IBM datasets and a database containing HR information from a regional bank in the USA to predict employees turnover. After cleaning and preprocessing the data, the performance of 10 different machine learning algorithms such as Decision Tree (DT), RF, LR, Neural Network, …, was evaluated using ROC criteria on 10 small, medium, and large subsets of randomly selected, unassigned primary datasets. The average accuracy of algorithms is 0.83 in small datasets, 0.81 in medium datasets and 0.86 in large datasets. The authors of the paper [4] used three main experiments on IBM Watson simulated datasets to predict employees turnover. The first experiment involved training the original class-imbalanced dataset with the following machine learning models: support vector machine with several kernel functions, random forest and K-nearest neighbour (KNN). The second experiment focused on using adaptive synthetic (ADASYN) approach to overcome class imbalance, then retraining on the new dataset using the abovementioned machine learning models. As a result, training an ADASYN-balanced dataset with KNN (K = 3) achieved the highest performance, with 0.93 F1-score. this turnover prediction approach is based on tree-based ensemble learning models and is experimented on a large-sized standard simulated HR dataset (hr_data), including 15,000 samples with 10 features and a medium-sized (IBM) including 1470 samples with 34 features. The employees turnover rate in the IBM is 16.1% and in the hr_data is 23.8%, so datasets are unbalanced. To balance the data, the random-under-sampling technique and its combination of random-over-sampling with a ratio of 0.5965 for the IBM and 0.6558 for the hr_data has been used. In the preprocessing stage, Features with zero variance and samples containing the missing value were also removed. Then categorical (non-numeric) values ​​were converted to binary fields and then All features were scaled using data normalization in [0,1]. In order to reduce the feature dimensions in the IBM dataset, we used the "Non-negative Matrix Factorization" (NMF) technique (n_components=17, max_iter=500) and For initialization, non-negative singular value analysis method with zeros filled with X value has been used. After reviewing and cleaning the data, in the processing stage, six different classification algorithms, including KNN (k=1), RF (number of trees= 1500), DT, ExtraTreesClassifier (number of trees= 1000) and Support Vector Classifier were training on 70% of data. The optimal value of the hyperparameters for the algorithms, was set using RandomizedSearchCV and GridSearchCV techniques. In order to investigate the effect of balancing and Dimensionality Reduction on the performance of models, experiments were performed in 3 stages (befor balancing, after balancing befor Dimensionality Reduction, after balancing and Dimensionality Reduction) on 30% of the remaining data. The results shown in Table (2-4) indicate that this proposed model, which uses tree-based optimized ensemble learning algorithms with data balancing and NMF dimensionality reduction method, increases the f1score of turnover prediction. In the hr_data dataset, the best f1score for the RandomForest algorithm was 99.52% and for the IBM HR dataset, the best f1score for the ExtraTreesClassifier algorithm was 95.82%, which is higher than previous research. Table 5 compares the results of previous research with this research. Since, the prediction of employee attrition will not be enough without finding the characteristics that affect it, therefore, after building models and evaluating their performance, using a combined feature selection method by averaging the results of the single-variable feature selection method called "SelectKBest", and A wrapper feature selection method called "Recursive feature elimination" (RFE) with four learning algorithms RF, DT, ExtraTreesClassifier and AdaBoost, the most effective features were selected. SelectKBest combines the chi2 univariate statistical test with the selection of K features based on the statistical result between the features and the target variable. Also, in the RFE method, machine learning algorithms are used to remove the least important features after recursive training, so that finally the number of features reaches the set number (17 features in this article). The performance results of the models based on the selected features are shown in Table 6. The most effective characteristics are "age", "daily rate", "over  time", "NumCompaniesWorked" and, "monthly income" .  }, Keywords = {data mining, human resource management, ensemble learning, employee turnover}, volume = {20}, Number = {3}, pages = {73-86}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {پیش‌بینی ریزش کارمندان با استفاده از ‌الگوریتم‌های یادگیری گروهی مبتنی بر درخت ‌}, abstract_fa ={یکی از مهم‌ترین نگرانی‌های مدیران ترک خدمت کارکنان کلیدی است؛ زیرا سازمان با ازدست‌دادن نیروهای ارزشمند خود، متحمل ازدست‌دادن دانش و تجربیاتی می‌شود که طی سال‌ها تلاش به‌دست‌آمده است؛ بنابراین پیش‌بینی ریزش کارکنان به مدیران منابع انسانی در استخدام نیروهای ماندگار و حفظ و نگهداری آنها کمک می‌کند. یکی از ابزارهای کارآمد دراین‌خصوص استفاده از روش‌های مختلف داده‌کاوی است. تعداد کم نمونه‌ها و نامتوازن بودن داده‌های ریزش کارکنان و تنظیم ابر پارامترها از جمله مشکلات استفاده از روش‌های داده‌کاوی برای پیش‌بینی ریزش کارکنان است. هدف  این تحقیق، ارائه روش‌های مناسب کاهش ویژگی و پیش‌پردازش داده‌ها به همراه ارائه راهکار برای تنظیم مناسب ابر پارامترها برای پیش‌بینی ریزش کارکنان با استفاده از تکنیک‌های مختلف داده‌کاوی و الگوریتم‌های یادگیری ماشین تجمعی است. باتوجه‌به نامتوازن بودن داده‌ها، از روش‌های کم نمونه‌گیری تصادفی و ترکیب آن با بیش نمونه‌گیری تصادفی برای متوازن‌سازی داده‌ها با نسبت‌های متفاوت استفاده شد. باتوجه‌به مثبت‌بودن همه داده‌ها از روش کاهش ابعاد تجزیۀ ماتریس نامنفی NMF استفاده گردید. با استفاده از روش‌های جستجوی ابر پارامترها، مقادیر بهینه ابر پارامترها برای الگوریتم‌های پیشنهادی، تعیین شد. برای ارزیابی روش پیشنهادی از مجموعه‌داده‌های استاندارد با اندازه‌های مختلف استفاده شده است. نتایج روش پیشنهادی با نتایج حاصل از سایر روش‌های مطرح در این حوزه مانند KNN, AdaBoost, DT و SVC مقایسه شده است. نتایج به‌دست‌آمده نشان می‌دهند که مدل پیشنهادی این تحقیق نسبت به تحقیقاتی که در گذشته روی همین داده‌ها صورت‌گرفته، دارای دقت پیش‌بینی بهتری است. طبق بررسی‌های انجام شده در این تحقیق که با استفاده از یک روش ترکیبی انتخاب ویژگی انجام شد، ویژگی‌های «سن»، «درآمد ماهیانه»، «نرخ روزانه»، «اضافه‌کاری» و «تعداد شرکت‌هایی که کارمند در آنها کارکرده»، بیش‌ترین تأثیر را بر ریزش کارکنان داشته‌اند.}, keywords_fa = {داده‌کاوی, مدیریت منابع انسانی,‎ ‎یادگیری گروهی, ریزش کارکنان}, doi = {10.61186/jsdp.20.3.73}, url = {http://jsdp.rcisp.ac.ir/article-1-1315-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1315-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Hosseini, Seyedeh Zohreh and Radfar, Reza and Nasiripour, Amirashkan and RajabzadehGhatary, Ali}, title = {Designing an optimal diagnosis algorithm based on IoT for Covid-19}, abstract ={The development of information technology and its use in the health system has taken many measures to protect and promote human health, however, the world still faces long-term threats and recurrence of infectious diseases. Understanding the dynamics of infectious diseases is important in controlling the disease because the network and the mode of impact of infectious diseases are very complex. The management of infectious diseases can also be considered as a complex social system due to the fact that has many complexities (such as dimensions, parameters, interactions, behaviors and rules), for this reason, the approach of the present study is a multifaceted understanding of the spread of infectious diseases. To design the present model, an intelligent system with a combination of mathematical, machine learning and epidemiological dimensions is proposed. The disease studied in this study, due to its importance and prevalence, is Covid 19. In this study, with the approach of complex systems and using the Internet of Things and machine learning methods, an algorithm was presented that uses environmental and individual variables to predict the probability of disease in an individual. Therefore, this research can improve the prevention of infectious diseases by filling some of the gaps in 3 sections: 1- Re-emergence of infectious diseases and the potential of IoT and AI, 2- Speed of dissemination and importance of real-time tracking, and 3- Budget and cost. The evaluation of the algorithm in this study was determined by two criteria of sensitivity and specificity. The results of the proposed algorithm for predicting Covid 19 disease showed an accuracy of more than 98%. Sensitivity above 98% was also obtained. Which is very important for the diagnosis of Covid disease 19 and shows the low number of false negatives in the test results. Therefore, the proposed model, combined with the Internet of Things and machine learning, can cause early diagnosis and prevent the spread of the Covid-19 disease with high specificity and sensitivity.}, Keywords = {IoT, Infectious Diseases, Covid19, Machine Learning, Artificial Intelligence}, volume = {20}, Number = {3}, pages = {87-102}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {طراحی الگوریتم بهینه تشخیص سریع بیماری کووید19 برپایه اینترنت اشیا}, abstract_fa ={توسعه فناوری اطلاعات و استفاده از آن در سیستم بهداشتی، اقدامات بسیاری را برای محافظت و ارتقاء سلامت انسان انجام داده است، با این حال، جهان همچنان با تهدیدهای طولانی مدت و تکرار مجدد بیماریهای عفونی روبرو است. بیماری هدف در این پژوهش با توجه به اهمیت و فراگیری، کووید19 است. روش پژوهش از نظر پارادایم، تفسیری و از لحاظ استراتژی اکتشافی است. بر اساس نوع گردآوری داده‌ها از نوع پژوهش‌های کیفی بوده و با توجه به توسعه الگوریتم‌ها، روش تحقیق در این پژوهش مبتنی بر علم طراحی است. پژوهش در یک فرایند 7 مرحله‌ای انجام شد. ویژگی‌های اینترنت اشیا در پژوهش حاضر با نظر خبرگان استخراج شد و ویژگی‌های بدست آمده در آزمایش  الگوریتم «k نزدیک‌ترین همسایگی» بر روی داده‌ها برای تعیین بهترین مدل ایجاد شد. نتایج ارزیابی الگوریتم پیشنهادی برای پیش‌بینی بیماری کووید19، دقت بالاتر از 98 درصد را نشان دادند. همچنین حساسیت بالاتر از 98 درصد که برای تشخیص بیماری کووید19 اهمیت بالایی دارد و نشان دهنده کم بودن موارد منفی کاذب در نتایج آزمون است، در الگوریتم بدست آمد.}, keywords_fa = {اینترنت اشیاء, بیماری‌های واگیر, کووید19, یادگیری ماشین, هوش مصنوعی}, doi = {10.61186/jsdp.20.3.87}, url = {http://jsdp.rcisp.ac.ir/article-1-1292-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1292-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {RabieiZadeh, Ahmad and Amirkhani, Hossei}, title = {A survey on short text similarity measurement methods}, abstract ={Measuring similarity between two text snippets is one of the essential tasks in many NLP problems and it has been still one of the most challenging tasks in the field. Various methods have been proposed to measure text similarity. This survey reviews more than 150 of the related papers, introduces a comprehensive taxonomy with three main categories, and discusses the advantages and disadvantages of these methods. The first category is lexical methods that only focus on text pair’s surface similarity. These methods consider the text as a sequence of characters, tokens, or a mixture of these two. Some recent studies use deep learning techniques for detecting lexical similarity in alias detection task. The second category is semantic methods that take into consideration the meaning of the words based on some pre-prepared knowledge-bases like Wordnet or using Corpus-based methods. Some recent studies use modern deep learning techniques like transformers and Siamese networks to create document embedding that outperform other methods. The final category is hybrid methods that take advantage of all other methods even syntactic parsing in some cases. Note that high-quality syntactic parsers are not present for many languages and that using them has some side-effects on performance and speed.}, Keywords = {short text similarity, lexical similarity, semantic similarity, natural language processing, sentence embedding, transformer}, volume = {20}, Number = {3}, pages = {103-126}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {مروری بر روش‌های شباهت‌سنجی متون کوتاه}, abstract_fa ={مشابهت‌سنجی بین متون کوتاه یکی از نیازهای بنیادین در بسیاری از مسائل پردازش‌زبان‌طبیعی است؛ که باتوجه به اهمیت آن محققین کماکان به‌دنبال بهبود کیفیت الگوریتم‌های موجود هستند. در این مطالعه 150 مقاله بررسی شدند و دسته‌بندی جامعی برای روش‌های موجود ارائه شد. به‌طورکلی روش‌های ارائه‌شده را می‌توان در سه گروه دسته‌بندی کرد. گروه اول روش‌هایی که بر مشابهت لفظی تمرکز می‌کنند. در این روش‌ها متن به‌عنوان رشته‌ای از کاراکترها یا مجموعه‌ای از کلمات یا ترکیبی از این دو درنظر گرفته می‌شود. گروه دوم روش‌هایی هستند که به ارتباط معنایی کلمات نیز مبتنی‌بر پایگاه دانش یا تحلیل پیکره‌های متنی توجه دارند. در مطالعات اخیر از روش‌های یادگیری عمیق مبتنی‌بر ترنسفورمرها بهره‌برداری شده و نتایج حاکی‌از بهبود چشم‌گیر کیفیت  این روش‌هاست. گروه سوم به ترکیب روش‌های لفظی و معنایی و بعضا روش‌های تحلیل نحوی پرداخته‌اند. البته تحلیل‌گرهای نحوی باکیفیتی برای تمامی زبان‌ها نبوده و به‌کارگیری آن‌ها سرعت را نیز به‌مراتب کاهش می‌دهد.}, keywords_fa = {مشابهت معنایی متون, مشابهت لفظی, پردازش زبان طبیعی, مشابه‌یابی, بردار تعبیه جملات}, doi = {10.61186/jsdp.20.3.103}, url = {http://jsdp.rcisp.ac.ir/article-1-1307-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1307-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {derogarmoghadam, ali and KaramiMolaei, Mohammad Reza and Hassanzadeh, Mohammadrez}, title = {Design of a filter bank-based convolutional neural network for handwritten digit images classification}, abstract ={Background: In recent years, convolutional neural networks (CNNs) have been increasingly used in various applications of machine vision. CNNs simulate the function of the brain's visual cortex and have a powerful structure for analyzing visual images. However, the diversity of digital images, their content, and their features necessitate that CNN networks are specially designed, and their parameters are carefully adjusted to achieve higher efficiency in any classification problem. In this regard, in many previous studies, researchers have attempted to increase the efficiency of the CNNs by setting their adjustable parameters more accurately. New method: New method: In this study, we presented a novel initializing method for the kernels of the first convolutional layer of the CNN networks. We designed a filter bank with specialized kernels and used them in the first convolution layer of the proposed models. These kernels, compared to the random kernels in traditional CNNs, extract more effective features from the input images without increasing the computational cost of the network, and improve the classification accuracy by covering all the important characteristics. Results: The dataset used in this paper was the MNIST database of handwritten digits. We examined the performance of CNN networks when three different types of kernels were used in their first convolution layer. The first group of kernels had constant coefficients; the second group had random coefficients, and finally, the kernels of the third group were specially designed to extract a wide range of image features. Our experiments on a single-layer CNN network with three types of kernels (constant numbers, random numbers, and filter-bank) showed the average classification accuracy of MNIST images in 50 times of network training to be 74.94%, 86.47%, and 91.89%, respectively, and for a three-layer CNN network, 88.82%, 96.16%, and 99.14%, respectively. Comparison with existing methods: Compared to the kernels with randomized coefficients, the use of specialized kernels in the first convolution layer of the CNN networks has several important advantages: 1) They can be designed to extract all important features of the input images, 2) They can be designed more effectively based on the problem in hand, 3) They cause the training to start from a more appropriate point, and in this way, the speed of training and the classification accuracy of the network increase. Conclusion: This study provides a novel method for initializing kernels in convolution layers of CNN networks to enhance their performance in image classification works. Our results show that compared to random kernels, the kernels used in the proposed models extract more effective features from the images at different frequencies and increase the classification accuracy by starting the training algorithm from a more appropriate point, without increasing the computational cost. Therefore, it can be concluded that the initial coefficients of the convolution layer kernels are effective on the classification accuracy of CNN networks, and by using more effective kernels in the convolution layers, these networks can be made specific to the problem and, in this way, increase the efficiency of the network.  }, Keywords = {convolutional neural network, deep learning, image classification, handwritten digit}, volume = {20}, Number = {3}, pages = {127-140}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {طراحی یک شبکه عصبی کانولوشنال مبتنی بر بانک فیلتر برای طبقه بندی تصاویر اعداد دست نویس}, abstract_fa ={در سال­های اخیر شبکه­های عصبی کانولوشنال به طور فزاینده­ای در کاربردهای مختلف بینایی ماشین و به ویژه در شناسایی و طبقه­بندی خودکار تصاویر مورد استفاده قرار گرفته­اند. این نوع از شبکه­های عصبی مصنوعی با شبیه­سازی عملکرد قشر بینایی مغز قدرتمندترین ساختار را در تجزیه و تحلیل داده­های بصری دارند. اما تنوع تصاویر دیجیتال و گوناگونی محتوی و ویژگی­های آن­ها ایجاب می­کند تا برای دستیابی به کارایی بالاتر در هر مسئله­ی طبقه­بندی، شبکه­های کانولوشنال به صورت اختصاصی طراحی و پارامترهای آن­ها به دقت تنظیم شوند. در این راستا، در پژوهش حاضر ضرایبی بهینه برای فیلترهای لایه­ی کانولوشن در شروع آموزش شبکه بکار رفته تا از این طریق دقت طبقه­بندی در شبکه افزایش و زمان آموزش کاهش یابد. این کار با طراحی و بکارگیری مجموعه­ای از فیلترهای تخصصی برای لایه­ی کانولوشن در قالب یک بانک فیلتر و جایگذاری آن­ها به جای فیلترهای تصادفی انجام پذیرفته و بر روی پایگاه داده­ی تصاویر اعداد دست­نویس MNIST ارزیابی شده است. آزمایشات ما بر روی شبکه­ی کانولوشنال تک لایه با سه نوع فیلترگذاری (فیلترهای عدد ثابت، عدد تصادفی و بانک فیلتر) میانگین دقت طبقه­بندی تصاویر اعداد دست­نویس MNIST را در 50 بار آموزش شبکه به ترتیب 94/74، 47/86 و 89/91 درصد و برای شبکه­ی کانولوشنال سه لایه به ترتیب 82/88، 16/96 و 14/99 درصد نشان دادند. این نتایج نشان می­دهند که فیلترهای بکار رفته در مدل پیشنهادی در مقایسه با فیلترهای تصادفی ویژگی­های موثرتری از تصاویر را استخراج نموده و با شروع آموزش شبکه از نقطه­­ی مناسبتر، بدون افزایش هزینه­ی محاسباتی دقت طبقه­بندی را افزایش داده­اند. بنابراین می­توان نتیجه گرفت که ضرایب اولیه­ی فیلترهای لایه­ی کانولوشن بر دقت طبقه­بندی شبکه­های کانولوشنال موثر است و با بکارگیری فیلترهای موثرتر در لایه­­ی کانولوشن می­توان این شبکه­ها را خاص مسئله ساخته و از این طریق کارآیی شبکه را افزایش داد.        }, keywords_fa = {شبکه های عصبی کانولوشنال, یادگیری عمیق, طبقه بندی تصاویر, اعداد دست نویس}, doi = {10.61186/jsdp.20.3.127}, url = {http://jsdp.rcisp.ac.ir/article-1-1320-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1320-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Abdollahi, Behnaz and Harati, Ahad and Taherinia, AmirHossei}, title = {A review of Content Adaptive Image Steganography methods}, abstract ={Steganography is the art of transferring information through secret communication. The essential aim of steganography is to minimize the distortion caused by embedding the secret message; so that the image containing the message (stego) cannot be distinguished from the original image (cover), and the existence of the hidden message cannot be detected. The distortion in content-adaptive steganography depends on the local structure of the image. The embedding changes into the areas with rich textures are less detectable than smooth areas, so the textured areas have a higher modification priority. In this regard, three main steganography approaches are proposed: model-based, cost-based, and adversarial. The model-based approach considers a statistical model for the cover image and tries to preserve this model during the embedding process. The cost-based one focuses on minimizing the distortion obtained from the sum of the heuristic costs of modified pixels. The adversarial approach uses the competition between steganography and steganalysis to improve the embedding performance. In the first section of this paper, the concept of steganography and its history is expressed. Digital steganography including three types of cover synthesis, selection, and modification is introduced in the second section. The focus of this paper is on steganography based on the cover modification. The goal is to estimate the best probability distribution of modifications, and embedding the message in the estimated places is left to existing coding algorithms. In the third section, the problem of estimating the probability distribution is formulated as an optimization problem with the aim of distortion minimization. The distortion-based methods compute the probability distribution of embedding changes using a pre-defined distortion function. In the additive distortion function, the embedding changes are assumed to be independent. Thus, the distortion function cannot capture interactions between changes caused by embedding, and it leads the performance to suboptimality. In this regard, the non-additive distortion functions are presented that consider the dependencies among the modification of adjacent pixels. The distortion-based methods include two model-based and cost-based approaches are introduced in the fourth section. Then, their most significant methods are reviewed in the fifth section. Considering the competitive nature of steganography and steganalysis, a new steganography approach is presented in the sixth section that takes advantage of adversarial learning to improve secrecy. Adversarial learning includes two strategies: Generative adversarial networks (GANs) and adversarial attacks. In the concept of steganography, the GAN-based strategy tries to train the steganographic network against a steganalysis network. This is an iterative and dynamic game between steganographic and steganalysis networks to reach the Nash equilibrium. Another strategy attempts to simulate an adversarial attack and generate stego images that deceive the steganalysis network. The adversarial-based steganography methods are reviewed in the seventh section. In the eighth section, different methods are compared from various points of view. The results of this study show that some techniques, such as smoothing the embedding changes, considering the interactions between the changes, using side-informed information, and exploring adversarial networks, can help to estimate the proper embedding probability map and improve performance and security. In the ninth section, suggestions are stated that can be considered for future research. Finally, the conclusion is expressed in the tenth section.  }, Keywords = {Content-adaptive steganography, Steganalysis, Distortion minimization, Statistical model, Adversarial learning}, volume = {20}, Number = {3}, pages = {141-182}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {مروری بر روش‌های نهان‌نگاری تصویر منطبق با محتوا}, abstract_fa ={نهان‌نگاری هنر انتقال اطلاعات از طریق یک ارتباط محرمانه است. در نهان‌نگاری، اطلاعات حساس و مهم در یک محیط رسانه‌ای به نام پوشانه جاسازی می‌گردد؛ به‌طوری‌که رسانه حاوی پیام از نمونه رسانه اصلی قابل تمایز نبوده و وجود پیام مخفی حتی به‌صورت احتمالی قابل تشخیص نباشد. اعوجاج حاصل از جاسازی در نهان‌نگاری منطبق با محتوا (تطبیقی) به ساختار محلی تصویر وابسته است؛ ازاین‌رو، تغییرات در مناطق پیچیده کمتر قابل تشخیص بوده و درنتیجه از اولویت بالاتری برای جاسازی برخوردار خواهند بود. تاکنون رویکردهای مختلفی در زمینه نهان‌نگاری منطبق با محتوا ارائه شده است: مبتنی بر مدل، مبتنی بر هزینه و مبتنی بر یادگیری تقابلی. در رویکرد نهان‌نگاری مبتنی بر مدل سعی می‌شود مدل آماری پوشانه تا حد ممکن حفظ گردد؛ درحالی‌که هدف رویکرد مبتنی بر هزینه، کمینه‌سازی اعوجاج حاصل از مجموع هزینه‌های ویرایش پیکسل‌های حامل پیام است. در رویکرد یادگیری تقابلی، از رابطه رقابتی بین نهان‌نگار و نهان‌کاو برای حفظ مشخصات آماری تصویر و بهبود محرمانگی بهره گرفته می‌شود. در این مقاله مفاهیم و رویکردهای نهان‌نگاری معرفی می‌شود و سپس روش‌های پیشنهادی در نهان‌نگاری مورد بحث و بررسی قرار می‌گیرند. در بخش اول این مقاله به بیان مفهوم نهان‌نگاری و مرور تاریخچه آن پرداخته می‌شود. در بخش دوم، نهان‌نگاری دیجیتال تعریف می‌شود که شامل سه نوع نهان‌نگاری با ساخت، انتخاب یا ویرایش پوشانه می‌شود. در بخش سوم، نهان‌نگاری منطبق با محتوا مبتنی بر ویرایش پوشانه معرفی می‌شود که شامل دو مرحله یافتن مکان‌های مناسب برای جاسازی و سپس استفاده از الگوریتم مناسب برای جاسازی پیام است. راهکارهای مختلفی برای هر یک از این مراحل ارائه شده است که در این مقاله راهکارهای انتخاب یک بستر جاسازی بهینه مورد بررسی قرار می‌گیرند. این مسئله را می‌توان به‌صورت یک مسئله بهینه‌سازی فرموله نمود که هدف آن تخمین نقشه احتمال تغییرات به شرط به حداقل رساندن اعوجاج است. در این راستا، در بخش چهارم نهان‌نگاری بر اساس کمینه‌سازی اعوجاج تعریف می‌گردد و سپس مهم‌ترین روش‌های این رویکرد در بخش پنجم معرفی می‌شوند. در بخش ششم به معرفی رویکردهای نهان‌نگاری مبتنی بر یادگیری عمیق پرداخته می‌شود که از مزایای شبکه‌های مولد تقابلی یا نمونه‌های تقابلی برای بهبود محرمانگی بهره می‌گیرد و در بخش هفتم روش‌های ارائه شده در این حوزه معرفی می‌شوند. در بخش هشتم روش‌های معرفی شده از دیدگاه‌های مختلف مورد بررسی و مقایسه قرار می‌گیرند. نتایج مطالعه نشان می‌دهد که برخی راهکارها مانند هموارسازی تغییرات جاسازی، در نظر گرفتن تعاملات و همبستگی بین تغییرات، استفاده از اطلاعات جانبی و بهره‌گیری از یادگیری تقابلی می‌توانند نقش مؤثری در حفظ محرمانگی اطلاعات و بهبود امنیت ایفا کنند. در بخش نهم، پیشنهاد‌هایی ارائه می‌شود که می‌توانند برای تحقیقات آتی مورد توجه قرار گیرند و در پایان نتیجه‌گیری نهایی بیان می‌شود.  }, keywords_fa = {نهان‌نگاری منطبق با محتوا, نهان‌کاوی, کمینه‌سازی اعوجاج, مدل آماری, یادگیری تقابلی}, doi = {10.61186/jsdp.20.3.141}, url = {http://jsdp.rcisp.ac.ir/article-1-1302-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1302-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Parsaee, Samaneh and Khanjani, Hossein and KhademiDoroh, Morteza and EbrahimiMoghadam, Abbas and Hadizadeh, Hadi}, title = {Fast CU Size and Intra Mode Decision Algorithm in HEVC Standard}, abstract ={With the expansion of the Internet and wireless technologies, video-related applications have been expanded much more than ever. But since network bandwidth is limited, better high-gain video compression methods remain essential. Recently, the new video compression standard called "High Efficiency Video Coding" (HEVC) has been introduced, which doubles the compression compared to the previous standard called "Advanced Video Coding", while preserving video quality at the same time. In HEVC standard, 35 intra prediction modes have been defined to improve the efficiency of encoding algorithm. The best intra prediction mode is chosen using a process called "Rate Distortion Optimization". The purpose of this study is to propose a method to reduce the number of intra prediction modes in RDO process, since it is a very time consuming process. A new method based on Sobel operator is proposed for fast determination of intra prediction mode as well as coding unit size in HEVC. Although Sobel operator is an essential part of our algorithm, other features were extracted from coding control part of HEVC algorithm to excel the speed of coding process, since the main purpose of fast coding algorithm should be to reduce complexity while producing a bitstream, which preserves the quality of decoded video. These features are parent CU mode, modes with lower cost functions and modes that are determined to be most probable via pervious researches. Parent CU mode is intra angle of coding unit that contains the current CU and is available at the time of calculating the best mode for current CU. Modes with lower cost functions are modes that have the least cost function value that are calculated by HM via a fast algorithm and modes that are determined to be most probable via pervious researches are DC and horizontal and vertical modes. Coding time compared to HEVC reference software (HM) using the proposed fast method is reduced by an average of 56% and by using the proposed precise method is reduced by an average of 29%. In proposed precise method, final video quality degradation is negligible.}, Keywords = {Video Coding, High Efficiency Video Coding (HEVC), Rate- distortion Optimization (RDO), Intra Prediction, Sobel}, volume = {20}, Number = {3}, pages = {183-196}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {روش سریع تعیین حالت پیشگویی درون قابی و اندازه واحد کدگذاری در HEVC}, abstract_fa ={هدف این پژوهش، ارایه­ی روشی برای کاهش تعداد حالت­های پیشگویی درون قابی کدگذار HEVC است، چرا که بررسی همه حالت­ها در این فرآیند بسیار زمان­بر است. در این پژوهش روش جدیدی مبتنی بر عملگر گرادیان­گیر سوبل جهت تعیین سریع حالت­ پیشگویی درون­قابی و همچنین اندازه واحد کدگذاری در HEVC پیشنهاد شده است. زمان کدگذاری نسبت به نرم­افزار مرجعHEVC   (HM)با استفاده از روش پیشنهادی سریع، به­طور متوسط ۵۶٪ و با استفاده از روش پیشنهادی دقیق، به­طور متوسط ۲۹% کاهش یافته و در هر دو روش افت کیفیت ویدیوی نهایی قابل چشم­پوشی است.}, keywords_fa = {کدگذاری ویدیو, کدگذاری پربازده ویدیو (HEVC), بهینه‌سازی نرخ – اعوجاج (RDO), پیشگویی درون‌قابی, سوبل}, doi = {10.61186/jsdp.20.3.183}, url = {http://jsdp.rcisp.ac.ir/article-1-1017-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1017-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Bahrani, Payam and MinaeiBidgoli, Behrouz and Parvin, Hamid and Mirzarzaei, Mitra and Keshavarz, Ahme}, title = {A Content-Collaborative Recommender System based on clustering and ontology}, abstract ={Recommender systems are systems that, over time, learn what product(s) or item(s) each person or customer is (are) likely to like and recommend it (them) to him/her. These systems often operate based on similar behaviors from other (possibly similar) people. Finding similar people is generally a highly time-consuming process due to the large number of users and inaccurate due to the lack of information. For this reason, some methods have resorted to increasing speed. On the other hand, some other methods have added additional information so that they can increase the accuracy of finding similar or neighboring users. Some others have resorted to hybrid methods. Recently, by the use of basic clustering methods, which is based on finding the most similar neighbors with the help of users’ clustering, as well as by using basic content analysis methods and sometimes adding ontology to these methods, researchers have been able to take the advantage of these methods in order to solve some of the above challenges acceptably. In the proposed hybrid recommender system, we have used a two-stage system in which, in the first stage, two models of predictions are made, then in the second stage, by a combining component, the results of the first two parts are combined and the obtained results are given to us as the final results of the system. In the first part, a system based on imputation of missing values fills in the blanks in the scoring matrix. For this end, among the methods of the missing data imputation, we designed a method that was compatible with filling the data set in very sparse conditions, and then generalized it to our own method. In this regard, we have proposed a method based on the grey distance clustering. In the second part, which itself is a hybrid ontology-based recommender system, we first extract the information of each item with the help of a web crawler, then based on a basic article, we produce our own limited ontology, and after that we apply our proposed method. Then, with the help of a proposed method, we improve the ontology structure, thus increasing the accuracy of measuring semantic similarity between the items and users in later stages, and significantly improving the effectiveness of the created recommendations. It should be noted that this ontology is not comprehensive. Finally, we measure the similarity of item-items, user-users, and user-items using an innovative basic ontology similarity measurement method. By the use of this similarity matrix, we cluster users and items, and then store similar users and items as a new feature in the user/item profile for each user/item. This will help us speed up the process of looking for similar users and similar items in the future. In fact, based on this feature, we have increased the speed of the whole work. Since we have set our goal to build a system that makes a balance between the two criteria of accuracy and speed, we use these two criteria to evaluate the proposed system using a real data set. The results of comparing our proposed method with some up-to-date similar methods presented in this field (using the same data set) implies that our method is slower than fast methods, although it is more accurate than them. These results also suggest that the proposed method is faster than accurate methods and its quality is more competitive or even better than them.}, Keywords = {Recommender System, Ontology, Memory-based Filtering, Model-based Filtering, Clustering, k-NN.}, volume = {20}, Number = {3}, pages = {197-224}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {یک سیستم پیشنهادگر محتوا-مشارکتی مبتنی بر خوشه‌بندی و هستان‌شناسی}, abstract_fa ={سامانه‌های پیشنهادگر سامانه‌هایی هستند که در گذر زمان یاد می‌گیرند که هر فرد یا مشتری احتمالاً چه کالا یا قلمی را می‌پسندد و آن را به او پیشنهاد می‌دهند. این سامانه‌ها اغلب بر اساس رفتارهای مشابه از دیگر افراد (احتمالاً مشابه) عمل می‌کنند. به‌طور کلی یافتن افراد مشابه، به علت زیاد بودن کاربران، فرایندی بسیار زمان‌بر و به علت کمبود اطلاعات، نادقیق است. به همین دلیل برخی از روش­ها، رو به افزایش سرعت آورده‌اند. از طرفی، برخی از روش­های دیگر، رو به افزودن اطلاعاتِ اضافه آورده تا در گذر این اطلاعات بتوانند دقت یافتن کاربران مشابه یا همسایه را افزایش دهند. برخی دیگر نیز، به روش­های ترکیبی رو آورده‌اند. اخیراً محققان با به‌کارگیری روش­های خوشه­بندی پایه که بر اساس یافتن شبیه‌ترین کاربران همسایه با کمک خوشه­بندی کاربران می‌باشد، و همچنین استفاده از روش‌های محتوا پایه و بعضاً اضافه نمودن هستان‌شناسی به روش‌های محتوا پایه توانسته‌اند با بهره‌گیری از مزایای این روش‌ها، برخی از چالش‌های فوق را تا حد قابل قبولی حل نمایند. در سامانه پیشنهادگر ترکیبی پیشنهادی، از یک سامانه دو مرحله‌ای استفاده کرده‌ایم که در مرحله اول، دو مدل پیش‌بینی‌های خود را انجام داده، سپس در مرحله دوم به‌وسیله یک مؤلفه ترکیب‌گر، نتایج دو بخش مرحله اول با یکدیگر ترکیب شده و نتایج به‌دست آمده را به‌عنوان نتایج نهایی سامانه به ما ارائه می‌دهد. در بخش اول، یک سامانه مبتنی بر پر‌کردن مقادیر گم شده، مقادیر خالی در ماتریس امتیازدهی را پر می‌کند. برای این مهم، از بین روش‌های پرکردن داده‌های گم شده، یک روش که با پرکردن مجموعه داده در شرایط بسیار تُنُک سازگار بود را طراحی کرده و سپس آن را به روش خودمان تعمیم داده‌ایم. در این راستا یک روش مبتنی بر خوشه‌بندی فاصله‌گری ارائه کرده‌ایم. در بخش دوم که خود یک سامانه پیشنهادگر ترکیبی هستان‌شناسی پایه می‌باشد، ابتدا به کمک یک خزنده وب، اطلاعات هر قلم را استخراج کرده، سپس در یک هستان‌شناسی پایه به کمک یک روش پیشنهادی، اقدام به بهبود ساختار هستان‌شناسی به‌وسیله حذف یال‌های همسان می‌نماییم. بدین ترتیب دقت اندازه‌گیری شباهت معنایی بین اقلام و کاربران در مراحل بعدی افزایش یافته و میزان اثربخشی پیشنهادات ارائه شده به‌طور با‌معنایی بهبود می‌یابد. شایان ذکر است این هستان‌شناسی یک هستان‌شناسی جامع نیست. درنهایت به کمک یک روش اندازه‌گیری شباهت ابتکاریِ هستان‌شناسی پایه، مشابهت قلم-قلم‌ها، کاربر-کاربرها، و کاربر-قلم‌ها را اندازه‌گیری می‌کنیم. به کمک این ماتریس مشابهت، کاربرها و قلم‌ها را خوشه‌بندی کرده و سپس برای هر کاربر، کاربرها و قلم‌های شبیه به آن را به‌عنوان یک ویژگی جدید در پروفایل کاربر ذخیره می‌نماییم. این کار به ما کمک می‌کند که در آینده، سرعت یافتن کاربرهای مشابه و قلم‌های مشابه را بالا ببریم. در حقیقت بر اساس این ویژگی، سرعت کل کار را افزایش داده‌ایم. از آنجایی که ما هدف خود را ساختن سامانه‌ای که یک موازنه بین دو معیار دقت و سرعت را برقرار کند قرار داده‌ایم، با استفاده از یک مجموعه داده واقعی، از این دو معیار جهت ارزیابی سامانه پیشنهادی استفاده می‌کنیم. نتایج مقایسه‌ی روش پیشنهادی ما با برخی روش‌های مشابه به‌روز ارائه شده در این حوزه (با استفاده از یک مجموعه داده یکسان) حاکی از آن است که روش ما از روش‌های سریع، کندتر است، اما از آنها دقیق‌تر می‌باشد. همچنین این نتایج بیانگر این موضوع است که روش پیشنهادی از روش‌های دقیق، سریع‌تر و کیفیت آن نیز قابل رقابت و یا حتی بهتر است.  }, keywords_fa = {سامانه پیشنهادگر, هستان‌شناسی, پالایش حافظه پایه, پالایش مدل پایه, خوشه‌بندی, k-NN .}, doi = {10.61186/jsdp.20.3.197}, url = {http://jsdp.rcisp.ac.ir/article-1-1375-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1375-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2023} } @article{ author = {Khoshkbarchi, Amir and Shahriari, Hamid Rez}, title = {Entropy-Based Trust Management System for Mitigating Malicious Behaviors in Trust Management Systems, Considering Information Ethics Theory}, abstract ={Trust management systems are used in interactive environments, where an agent needs to make a decision about using a service. Due to the preponderance of these systems, malicious entities have strong incentives to influence trust management systems and divert their decisions. In spite of approaches presented in previous trust models to mitigate the malicious activities, many of them could not cope with the problem efficiently. For example, tackling the variable behavior of agents is a common failure point for many trust models. Moreover, no rigid, flexible and adaptive general approach has been presented and the problem somehow remains. This paper presents a novel approach to prevent malicious actions and identify anomalies using an entropy-based trust management system. The system is capable of recognizing the intrinsic characteristics of actions, determining whether they are malicious or not. To achieve this, the information environment is divided into four main parts based on entropy changes. Trust calculation in this system relies on an entropy structure derived from information ethics theory. To enhance the system’s resistance and resilience against malicious behavior, it is important to understand the nature of the actions performed by the agents. To accomplish this, we define the patterns of entropy changes for the four parts and use these patterns to identify and refine the nature of actions as good, bad, or insignificant. The simulation-based experimental results indicate that the proposed system shows promising performance in terms of accurately calculating trust and detecting malicious behavior. Specifically, the proposed system exhibits a 10 percent advantage over well-known trust systems with regards to swiftly adapting to environmental changes and diverse agent behaviors. Moreover, the observed experiments have displayed a notable trend in the fluctuation of good, bad, and insignificant actions. The results indicate a consistent increase in the number of good actions and a corresponding decrease in bad actions. Put simply, the method demonstrates improvement over time through repeated system implementations. This improvement can be attributed to the agents’ heightened honesty as they gain a better understanding of the nature of their actions. Additionally, the provision of feedback on their behavior plays a pivotal role in reinforcing more accurate decision-making within the system.}, Keywords = {Trust, Information Ethics Theory, Entropy, Service Discovery, Service-Oriented environment}, volume = {20}, Number = {4}, pages = {3-22}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {سامانۀ مدیریت اعتماد مبتنی‌بر آنتروپی جهت کاهش رفتارهای بدخواهانه در سامانه‌های مدیریت اعتماد بر اساس نظریه اخلاق اطلاعاتی}, abstract_fa ={سامانه­‌های مدیریت اعتماد در محیط‌­های تعاملی، جایی که یک عامل باید در مورد استفاده از یک خدمات تصمیم بگیرد، استفاده می‌شوند. به‌دلیل فراگیرشدن این سامانه‌­ها، موجودیت­‌های بدخواه انگیزۀ­ مضاعفی برای تأثیرگذاری بر سامانه­‌های مدیریت اعتماد و ایجاد خدشه در فرایند تصمیم­‌گیری دارند. با وجود روش‌­های ارائه‌شده برای کاهش فعالیت­‌های مخرب در الگو­های اعتماد قبلی، بسیاری از آنها نتوانستند به‌طور مؤثر این مشکل را حل کنند. به‌عنوان مثال، مقابله با تغییر رفتار عامل­ها یک مشکل رایج برای بسیاری از الگو­های اعتماد است. علاوه‌بر این، هیچ رویکرد قوی، منعطف و تطبیقی ارائه نشده‌است و این مشکل همچنان وجود دارد. در این مقاله، رویکرد جدیدی برای جلوگیری از اعمال مخرب و شناسایی ناهنجاری‌ها با استفاده از یک سامانۀ مدیریت اعتماد مبتنی‌بر آنتروپی با قابلیت تشخیص ویژگی‌های ذاتی اقدامات عامل­‌ها، اعم از اینکه اقدام مخرب باشد یا خیر، ارائه شده‌است. محاسبۀ اعتماد بر اساس ساختار آنتروپی، از نظریۀ اخلاق اطلاعات الهام گرفته‌شده‌است. با استفاده از این روش، اقدامات مخربی که سامانۀ مدیریت اعتماد را مختل می­کنند، پالایش می­شوند و در نتیجه، دقت محاسبۀ اعتماد افزایش می‌­یابد. نتایج تجربی حاصل از شبیه­‌سازی نشان می‌­دهد که عملکرد سامانۀ پیشنهادی از نظر دقت محاسبه، قابلیت اعتماد خدمات و همچنین، تشخیص رفتار مخرب عامل­ها قابل‌قبول است. به‌طور ویژه، الگوی پیشنهادی از نظر سرعت انطباق با تغییرات محیطی و رفتارهای متغیر عامل­‌ها، حدود ده درصد نسبت به الگوهای اعتماد شناخته‌شده بهبود یافته‌است.  }, keywords_fa = {اعتماد, نظریه اخلاق اطلاعاتی, آنتروپی, کشف خدمات, محیط مبتنی‌بر سامانه, مبتنی بر سرویس, مبتنی‌بر خدمات}, doi = {10.61186/jsdp.20.4.3}, url = {http://jsdp.rcisp.ac.ir/article-1-1370-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1370-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} } @article{ author = {Hamidzadeh, Javad and RashidiMahmoodi, Mohammad Ali and Moradi, Mo}, title = {Online Learning for Imbalanced Data Streams with Concept Drift by Belief Theory and Chaotic Function}, abstract ={Continual learning from data streams is a pivotal aspect of machine learning, requiring the development of algorithms capable of adapting to incoming data. However, the ongoing evolution of data streams presents a formidable challenge as previously acquired knowledge may become outdated. This challenge, known as concept drift, demands timely detection for the effective adaptation of learning models. While various drift detectors have been proposed, they often assume a relatively balanced class distribution. In scenarios with imbalanced data streams, these detectors may exhibit bias toward majority classes, overlooking shifts in minority classes. Moreover, the imbalance among classes can change over time, with roles shifting between majority and minority classes, especially when relationships among classes become complex due to overlapping regions. In this paper, a novel classification method is introduced for imbalanced streaming data affected by concept drift. The proposed method continuously monitors arriving streams to detect and adapt to both imbalances and concept drift. Upon receiving a new block of data, the proposed method employs the k-means clustering approach to identify non-dense regions and performs oversampling for minority classes. Cluster centers are selected using the belief function to address overlapping issues between majority and minority classes. Utilizing a chaotic approach, the new sample is added based on its neighborhood and the size of thresholds that cover time intervals and classification errors. Finally, the label prediction process is done by ensemble learning and weighted majority voting. Experiments conducted on benchmark datasets from the UCI database evaluate the performance of the proposed method using Leave-One-Out (LOO) validation and comparisons with state-of-the-art methods. The results demonstrate the superiority of the proposed method across various evaluation criteria, highlighting its effectiveness in addressing imbalanced streaming data with concept drift.}, Keywords = {Belief Theory, Concept Drift, Data Stream, Imbalanced Data, Online Classification}, volume = {20}, Number = {4}, pages = {23-34}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {یادگیری برخط داده‌های جریانی نامتوازن دارای رانش مفهوم به‌وسیله نظریه باور و تابع آشوب}, abstract_fa ={خصوصیات داده‌های جریانی در گذر زمان ناپایدار بوده و توزیع طبقات متحمل تغییرات می‌شوند؛ بنابراین مدل‌های یادگیری اغلب نیاز به تطبیق با رانش مفاهیم دارند. در این مقاله، با هدف حل دو چالش نبود توازن میان طبقات مشاهده‌شده و وقوع رانش مفهوم، طبقه‌بند داده‌های جریانی نامتوازن دارای رانش مفهوم ارائه شده است. روش پیشنهادی سعی در حذف داده‌های جریانی مرزی و نوفه‌ای با کمک خوشه‌بندی دارد. داده‌ها با کمک تابع باور وزن­دهی شده است و با درنظرگرفتن برچسب داده‌ها، نمونه­افزایی در نواحی کم­تراکم طبقه کمینه و با رویکرد آشوبی انجام می‌گیرد. سپس، با تعریف حدود آستانه، رانش مفهوم پدید آمده از نوع تدریجی و افزایشی شناسایی می‌شود. پیش‌بینی برچسب به‌وسیله طبقه‌بند ترکیبی و رأی­گیری وزن‌دار بیشینه انجام می‌پذیرد. عملکرد روش پیشنهادی بر روی مجموعه­داده‌های پایگاه داده UCI به‌وسیله روش LOO ارزیابی و با طبقه‌بندهای مرز دانش مقایسه شده­است. نتایج آزمایش‌ها نشان‌دهنده برتری روش پیشنهادی از نظر معیارهای ارزیابی است.  }, keywords_fa = {تغییر مفهوم, داده جریانی, داده نامتوازن, طبقه‌بندی برخط, نظریه باور}, doi = {10.61186/jsdp.20.4.23}, url = {http://jsdp.rcisp.ac.ir/article-1-1246-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1246-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} } @article{ author = {Namiranian, Fariba and Latif, AliMohamm}, title = {A New Approach for Digital Image Segmentation with Genetic Algorithm and Random Forest}, abstract ={In this study, a new method for image segmentation by genetic algorithms and random forest is resented. The main objective of image segmentation is to distinguish different components within an image, achieved by labeling pixels based on shared characteristics. In this novel approach, these distinguishing features are derived through the application of image filters (Gabor filters). The random forest algorithm is then employed as a classifier to perform image segmentation according to extracted features from these filters. The image filters utilized come with various hyperparameters, and tuning of these parameters significantly enhances the algorithm's performance. The proposed methodology distinguishes itself by employing a genetic algorithm to fine-tune the hyperparameters of Gabor filters. In this context, the hyperparameters are treated as genes within the chromosome of the genetic algorithm. The success of this optimization is evaluated using f1-score, a metric derived from the random forest algorithm's execution in image segmentation. This step ensures that the selected hyperparameters contribute to optimal segmentation results. The achievement of this research lies not only in the implementation of this novel approach but also in surpassing the performance of other investigated methods through the enhancement of the f1-score in image segmentation. Key to the success of the proposed method is the careful consideration of hyperparameters and their role in defining the characteristics crucial for accurate image segmentation. The use of genetic algorithms not only automates this parameter tuning process but also ensures that the algorithm adapts and evolves to find the most suitable values for the hyperparameters of Gabor filters. As a result, the research contributes to the broader field of image segmentation by providing a robust and effective methodology, demonstrating superior performance compared to alternative methods. In conclusion, this study introduces an approach to image segmentation, leveraging the synergies between genetic algorithms, random forest, and image filters. The research not only emphasizes the importance of hyperparameter tuning but also showcases the effectiveness of the proposed methodology through the optimization of Gabor filter parameters. The overall impact of this work is evident in the improved f1-score achieved in image segmentation, establishing it as a noteworthy advancement in the field.}, Keywords = {Image Segmentation, Genetic Algorithm, RImage Segmentation, Genetic Algorithm, Random Forest Algorithm, Gabor Filter, Feature Extractionandom Forest Algorithm}, volume = {20}, Number = {4}, pages = {35-44}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {ارائه رویکردی نوین در بخشبندی تصاویر دیجیتال به‌وسیله الگوریتم ژنتیک و جنگل تصادفی}, abstract_fa ={در این پژوهش رویکردی نوین برای بخش‌بندی تصویر بر اساس الگوریتم ژنتیک و جنگل تصادفی معرفی می‌شود. در بخش‌بندی تصویر سعی می‌شود، اجزای مختلف تصویر از یکدیگر جدا شوند. در این فرایند به‌تمامی پیکسل‌های داخل تصویر برچسبی داده‌می‌شود؛ به‌نحوی که پیکسل‌های با برچسب یکسان ویژگی‌های مشترکی را داشته‌باشند. در روش پیشنهادی این ویژگی‌ها با به‌کارگیری فیلترهای تصویری به‌دست آورده می‌شود. با ترکیب این ویژگی‌ها و با الگوریتم جنگل تصادفی به‌عنوان طبقه‌بند بخش‌بندی تصاویر انجام‌می‌شود. فیلترهای تصویری استفاده‌شده دارای تعدادی ابر پارامتر هستند که تنظیم درست این ابر پارامترها بر کارایی الگوریتم مؤثر است. در این مقاله انتخاب این ابرپارامترها به‌وسیله الگوریتم ژنتیک انجام‌می‌شود. ابرپارامترهای فیلترهای گابور به‌عنوان ژن‌های کروموزوم الگوریتم ژنتیک در نظر گرفته‌می‌شود. تابع برازندگی f1-score حاصل از اجرای الگوریتم جنگل تصادفی برای بخش‌بندی تصویر تعریف می‌شود. یافتن مقادیر مناسب ابرپارامترهای فیلترهای گابور و افزایش f1-score در بخش‌بندی تصویر نسبت به سایر روش‌های مورد بررسی از دستاوردهای این پژوهش است.  }, keywords_fa = {بخش‌بندی تصویر, الگوریتم ژنتیک, الگوریتم جنگل تصادفی, فیلتر گابور, استخراج ویژگی}, doi = {10.61186/jsdp.20.4.35}, url = {http://jsdp.rcisp.ac.ir/article-1-1339-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1339-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} } @article{ author = {moradi, bijan and Khalaj, Mehran and TaghizadehHarat, Ali}, title = {Improved Ensemble Learning Model by Swarm Intelligence for Mobile Subscribers’ Churn Prediction}, abstract ={In today’s competitive world, companies need to analyze, identify and predict the behavior of their customers and respond to their demands earlier than their competitors. Moreover, in many industries such as mobile telecommunications, the cost of maintaining existing customers (customer retention) is much lower than the cost of attracting a new customer. Therefore, the problem of identifying customers who are going to leave the company, so-called Customer Churn Prediction (CCP), and preventing them by offering Incentives is essential in these industries. In this direction, researchers have presented competent methods using data mining and artificial intelligence tools to identify potential churners. Machine learning (ML) methods are one of the most powerful and widely used techniques to deal with the CCP problem, since they can properly extract and learn complex relationships between the customers’ attributes and their churn intention. Artificial Neural Networks (ANNs), Support Vector Machines (SVMs), Decision Trees (DTs), Logistic Regression (LR), and Naïve Bayes (NB) are among the well-known ML models utilized in numerous studies to tackle the CCP problem. Also, ensemble learning techniques such as Adaboost, Gradient Boost, and Extreme Gradient Boost (XG_boost) have been widely used to solve the CCP problem since they can aggregate the capabilities of multiple ML models. Hence, in order to improve the process of predicting customer churn, in this paper we propose a novel ensemble learning based approach, which is designed based on the two-level stacking technique. We employ six prominent ML models in each level of our proposed ensemble model including MLP, SVM-RBF, DT, NB, KNN, and LR. We also benefit from the Gray Wolf Optimization (GWO) algorithm as an efficient swarm intelligence based search algorithm to select the most effective features and also adjust the hyper-parameters in the proposed model. We have implemented our proposed model using Python and simulated it on two well-known customer churn datasets in the telecom market (IBM_Telco and Duke_Cell2Cell) to evaluate its performance. In this direction, we first demonstrated the optimal features’ subset and the parameter values obtained from applying the GWO algorithm on each dataset. Next, we compared the performance of the proposed ensemble model with each of the base learners using common evaluation criteria including accuracy, precision, recall, F1 score and AUC. The results show that the proposed ensemble model can collect the capabilities of all the base learners and it works better than each of the basic ML models. Afterward, we compared the obtained results from the suggested model with the common ensemble models (Adaboost, Gradient_boost, XG_boost, and Cat_boost) The experimental results show the superiority of the proposed method over other evaluated ensemble models in all the evaluation criteria. Eventually, our method is compared with two recent CCP approaches introduced in the literature. This analysis reveals that, except for the recall criterion in the Duke_Cell2Cell dataset, our introduced method achieves superior results compared to the considered approaches in both datasets.  }, Keywords = {Customer Churn Prediction, Mobile Telecommunication, Ensemble Learning, Swarm Intelligence, Gray Wolf Optimization Algorithm}, volume = {20}, Number = {4}, pages = {45-66}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {الگوی یادگیری جمعی بهبود‌یافته با هوش ازدحامی جهت پیش‌بینی ریزش مشترکان تلفن همراه}, abstract_fa ={ازآنجاکه در شرکت‌های مخابرات همراه، هزینۀ حفظ مشتریان فعلی بسیار کمتر از هزینۀ جذب مشتریان جدید است، پیش‌بینی دقیق امکان ریزش هریک از مشتریان و جلوگیری از آن، امری ضروری ‌است. بنابراین، پژوهشگران روش‌های کارآمدی را با استفاده از ابزارهای داده‌کاوی و هوش ‌مصنوعی برای شناسایی مشتریانی که قصد روی‌گردانی دارند، ارائه کرده‌اند. در این مقاله، ما به‌منظور بهبود فرایند پیش‌بینی ریزش مشتری، یک راهکار مؤثر مبتنی‌بر یادگیری جمعی پیشنهاد می‌کنیم که در آن از الگوریتم بهینه‌سازی گرگ خاکستری، به‌منظور انتخاب ویژگی‌های مؤثر و همچنین تنظیم شاخص‌های آزاد الگوی پیشنهادی، استفاده شده‌است. سپس، به‌منظور ارزیابی عملکرد روش پیشنهادی، آن را با استفاده از دو مجموعه‌دادۀ ریزش مشتری شبیه‌سازی کرده و نتایج حاصل را به کمک معیارهای ارزیابی شامل صحت، دقت، یادآوری، امتیاز F1 و AUC با سایر روش‌های مشابه مقایسه کرده‌ایم. نتایج به‌دست‌آمده برتری روش پیشنهادی بر سایر راهکارهای ارزیابی‌شده را نشان می‌دهد.  }, keywords_fa = {پیش‌بینی ریزش مشتری, مخابرات همراه, یادگیری جمعی, هوش ازدحامی, الگوریتم بهینه‌سازی گرگ خاکستری}, doi = {10.61186/jsdp.20.4.45}, url = {http://jsdp.rcisp.ac.ir/article-1-1344-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1344-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} } @article{ author = {Vahedipoor, Mahdieh and Shamsi, Mahboubeh and RasouliKenari, Abdolrez}, title = {Improving Persian Opinion Mining based on Polarity and Balancing Positive and Negative Keywords (case study: Digikala reviews for mobile)}, abstract ={In recent years, the massive growth of generated content by the users in social networks and online marketing sites, allows people to share their feelings and opinions in a variety of opinions about different products and services. Sentiment analysis is an important factor for better decision-making that is done using natural language processing (NLP), computational methods, and text analysis to extract the polarity of unstructured documents. The complexity of human languages and sentiment analysis have created a challenging research context in computer science and computational linguistics. Many researchers used supervised machine learning algorithms such as Naïve Bayes (NB), Stochastic Gradient Descent (SGD), Support Vector Machine (SVM), Logistic Regression (LR) Random Forest (RF), and deep learning algorithms such as Convolution Neural Network (CNN) and Long Short-Term Memory (LSTM). Some researchers have used Dictionary-based methods. Despite the existence of effective techniques in text mining, there are still unresolved challenges. Note that user comments are unstructured texts; Therefore, in order to structure the textual inputs, parsing is usually done along with adding some features, linguistic interpretations and removing additional items, and inserting the next terms in the database, then extracting the patterns in the structured data and finally the outputs will evaluate and interpret. The imbalance of data with the difference in the number of samples in each class of a dataset is an important challenge in the learning phase. This phenomenon breaks the performance of the classifications because the machine does not learn the features of the unpopulated classes well. In this paper, words are weighted based on the prescribed dictionary to influence the most important words on the result of the opinion mining by giving higher weight. On the other hand, the combination of the adjacent words using n-gram methods will improve the outcome. The dictionaries are highly related to the domain of the application. Some words in an application are important but in mobile comments are not impressive. Another challenge is the unbalanced train data, in which the number of positive sentences is not equal to the number of negative sentences. In this paper, two ideas are applied to build an efficient opinion mining algorithm. First, we build a precise dictionary for mobile Persian comments, and the second idea is to balance the positive and negative comments in train data. In summary, the main achievements of the current research can be mentioned: creating a weighted comprehensive dictionary in the field of mobile phone opinions to increase the accuracy of opinion analysis, balancing positive and negative opinions to improve the accuracy of opinion analysis, and eliminating the negative effect of overfitting and providing a precise approach to Determining the polarity of users' opinions about mobile phones using machine learning and recurrent deep learning algorithms. This new method is presented on mobile phone products from the Digikala site and Senti-Pers data. The result is performed with Naive Bayesian, Support Vector Machine, Stochastic Gradient Descent, Logistic Regression, Random Forest, and deep learning methods such as Convolutional Neural Network and Long Short-Term Memory based on parameters such as Accuracy, Precision, Retrieval, and F-Measure. The proposed method increases accuracy on Digikala, with NB between 10% and 34% and SVM between 5% and 24%, SGD between 7% and 38%, LR between 5% to 38%, and RF between 4% Up to 22% and CNN by 4%. The results show an accuracy increment on Senti-Pers, with NB between 12% and 46% and SVM between 5% and 46%, SGD between 5% and 35%, LR between 6% to 46%, and RF between 4% Up to 46%.  }, Keywords = {Sentiment Analysis, Opinion Mining, Machine Learning, Deep Learning, Polarity}, volume = {20}, Number = {4}, pages = {67-88}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {بهبود نظرکاوی فارسی مبتنی بر قطبیت و متوازن‌سازی کلمات مهم مثبت و منفی (مطالعه موردی: نظرات دیجی‌کالا برای موبایل)}, abstract_fa ={بسیاری از شبکه‌های اجتماعی و سایت‌ها به مردم اجازه می­دهند تا احساسات و نظرات خود را در مورد محصولات و خدمات مختلف به اشتراک بگذارند. در این مقاله روشی جدید مبتنی بر قطبیت نظرات مثبت و منفی فارسی درباره محصولات تلفن همراه از سایت دیجی‌کالا و داده­های سنتی­پرس ارائه شده است. نتیجه اجرا با الگوریتم­های بیز ساده، ماشین بردار پشتیبان، کاهش گرادیان تصادفی، رگرسیون لجستیک، جنگل تصادفی و یادگیری عمیق مانند شبکه عصبی کانولوشن و حافظه کوتاه‌مدت متوالی بر اساس پارامترهایی مانند صحت، بازیابی، معیار فیشر و دقت، موردتوجه قرار گرفته شده است. روش پیشنهادی روی داده­های دیجی‌کالا، با الگوریتم­های بیز ساده بین 10 تا 34 درصد و ماشین بردار پشتیبان بین 5 تا 24 درصد و کاهش گرادیان تصادفی بین 7 تا 38 درصد و رگرسیون لجستیک بین 5 تا 38 درصد و جنگل تصادفی بین 4 تا 22 درصد و روش شبکه عصبی کانولوشن به میزان 4 درصد افزایش دقت را به همراه داشته است. هم­چنین در داده­های سنتی­پرس با الگوریتم­های بیز ساده بین 12 تا 46 درصد و ماشین بردار پشتیبان بین 5 تا 46 درصد و کاهش گرادیان تصادفی بین 5 تا 35 درصد و رگرسیون لجستیک بین 6 تا 46 درصد و جنگل تصادفی بین 4 تا 46 درصد دقت نسبت به قبل از اعمال روش پیشنهادی به‌دست آمده است.}, keywords_fa = {تحلیل احساسات, نظرکاوی, یادگیری ماشین, یادگیری عمیق, قطبیت}, doi = {10.61186/jsdp.20.4.67}, url = {http://jsdp.rcisp.ac.ir/article-1-1202-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1202-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} } @article{ author = {mohammadi, samad and aghazarian, vahe and hedayati, alirez}, title = {Using movie genres and Demographic Information to improve movie recommendation systems}, abstract ={Movie recommendation systems are efficient tools to help users find their relevant movies by investigating the previous interests of users. These systems are established on considering the ratings of users provided for movies in the past and using them to predict their interests in the future. However, users mainly provide insufficient ratings leading to make a problem called data sparsity. This problem makes reducing the effectiveness of movie recommendation systems. On the other hand, other available data such as genres of movies and demographic information of users play a vital role in assisting recommenders in order to better produce recommendations. This paper proposes a movie recommendation method utilizing the movies’ genres and users’ demographic information. In particular, we propose an effective model to evaluate the user’s rating profile and determine the minimum number of ratings required to produce an accurate prediction. Then, appropriate virtual ratings are incorporated into the profiles with insufficient ratings to expand them. These virtual ratings are calculated using similarity values between users obtained by genres of movies and demographic information of users. Furthermore, an effective measure is introduced to determine how much an item is reliable. This measure guarantees the virtual ratings’ reliability. Finally, unknown ratings for target user are predicted based on the expanded rating profiles. Experiments performed on two well-known movie recommendation datasets demonstrate that the proposed approach is more efficient than other compared recommenders. We propose a movie recommender system in this paper by employing the genres of movies and demographic information of users to address the above-mentioned challenges. To this end, first of all, a model is developed in order to determine whether the target user’s rating profile is appropriate to produce accurate recommendations or not. In other words, the developed model determines how many ratings are required for each user to generate an accurate prediction with a high probability. This criterion is used to demonstrate that a rating profile contains sufficient ratings for producing reliable recommendations or not. Then, the quality of rating profiles containing insufficient ratings is boosted using an effective profile expansion technique which incorporates some virtual ratings to these profiles. These virtual ratings are calculated using the similarity values between users which are computed according to the genres of movies and demographic information of users. Moreover, the reliability values of users and items are calculated using appropriate reliability measurements to guarantee that the incorporated virtual ratings are reliable. Experimental results on two movie recommendation datasets indicate the superiority of the proposed approach in respect to other models. In the following, we provide a list of the main contributions of this paper: We develop a model in order to evaluate the users’ rating profiles and determine how many ratings are required for generating an accurate prediction. We propose a powerful profile expansion technique which incorporates some virtual ratings to user-item ratings matrix for improving its quality. Movies’ genres and users’ demographic information are used as additional data in the proposed movie recommender system. The reliability measures of users and items are used in the proposed method to guarantee the reliability of calculated virtual ratings. The proposed method generates a denser user-item ratings matrix than the original matrix which results in alleviating data sparsity problem significantly.    The remaining parts of this paper are structured as follows: in section 2, related works are investigated, section 3 includes the details of the proposed method, section 4 refers to the discussion of experimental results, and section 5 provides some conclusions about the paper Movie recommendation systems are efficient tools to help users find their relevant movies by investigating the previous interests of users. These systems are established on considering the ratings of users provided for movies in the past and using them to predict their interests in the future. However, users mainly provide insufficient ratings leading to make a problem called data sparsity. This problem makes reducing the effectiveness of movie recommendation systems. On the other hand, other available data such as genres of movies and demographic information of users play a vital role in assisting recommenders in order to better produce recommendations. This paper proposes a movie recommendation method utilizing the movies’ genres and users’ demographic information. In particular, we propose an effective model to evaluate the user’s rating profile and determine the minimum number of ratings required to produce an accurate prediction. Then, appropriate virtual ratings are incorporated into the profiles with insufficient ratings to expand them. These virtual ratings are calculated using similarity values between users obtained by genres of movies and demographic information of users. Furthermore, an effective measure is introduced to determine how much an item is reliable. This measure guarantees the virtual ratings’ reliability. Finally, unknown ratings for target user are predicted based on the expanded rating profiles. Experiments performed on two well-known movie recommendation datasets demonstrate that the proposed approach is more efficient than other compared recommenders.}, Keywords = {Recommender systems, movies, cold start, data sparsity, demographic information, genre}, volume = {20}, Number = {4}, pages = {89-106}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {بهره ‌برداری از ژانرهای فیلم و داده‌های کاربران به منظور بهبود سامانه های توصیه فیلم}, abstract_fa ={سامانه‌های توصیه فیلم ابزارهای کارآمدی هستند که به کاربران کمک می‌کنند فیلم‌های مورد علاقه خود را با بررسی علایق قبلی کاربران پیدا کنند. این سامانه‌ها بر اساس امتیاز کاربران به فیلم‌های گذشته و استفاده از آنها برای پیش‌بینی علایق آنها در آینده ایجاد شده‌اند؛ با این حال، امتیازدهی نامناسبی که کاربران ارائه می‌دهند، منجر به ایجاد مشکلی به نام پراکندگی داده ‌می‌شود. این مشکل موجب کاهش کارایی سامانه‌های توصیه فیلم می‌شود. از سوی دیگر، سایر داده‌های موجود مانند ژانر فیلم‌ها و اطلاعات جمعیت‌شناختی کاربران، نقش حیاتی در کمک به روش‌های توصیه‌کننده برای تولید بهتر توصیه‌ها دارند. این مقاله یک روش توصیه فیلم را با استفاده از ژانرهای فیلم و اطلاعات جمعیت‌شناختی کاربران پیشنهاد می‌کند. همچنین ما مدلی کارآمد جهت ارزیابی پروفایل امتیازدهی کاربر و تعیین کمینه امتیاز مورد نیاز برای تولید یک پیش‌بینی دقیق را پیشنهاد می‌کنیم؛ سپس، امتیازات مجازی مناسب با پروفایل‌هایی که امتیازات نامناسبی دارند ترکیب می‌شوند. این امتیازدهی مجازی با استفاده از شباهت مقادیر بین کاربران به‌دست‌آمده از ژانرهای فیلم و اطلاعات جمعیت‌شناختی کاربران محاسبه می‌شوند؛ علاوه بر این، یک معیار مفید برای تعیین میزان قابل‌اعتماد بودن یک بخش معرفی شده‌است که قابلیت اطمینان امتیازدهی مجازی را تضمین می‌کند؛ درنهایت، امتیازهای ناشناخته برای کاربر هدف براساس پروفایل‌های امتیازدهی توسعه‌یافته پیش‌بینی می‌شوند. آزمایش‌های انجام‌شده بر روی دو مجموعه‌داده توصیه فیلم معروف نشان‌می‌دهد که رویکرد پیشنهادی کارآمدتر از سایر توصیه‌کننده‌های مقایسه شده‌است.  }, keywords_fa = {سامانه های توصیه, فیلم, شروع سرد, پراکندگی داده ها, اطلاعات جمعیت شناختی, ژانر}, doi = {10.61186/jsdp.20.4.89}, url = {http://jsdp.rcisp.ac.ir/article-1-1332-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1332-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} } @article{ author = {ForutanRad, Javad and HourAli, Maryam and KeyvanRad, MohammadAli}, title = {Farsi Question and Answer Dataset (FarsiQuAD)}, abstract ={A fast and accurate response to questions posed in natural language is a fundamental objective in the advancement of question and answer systems. These systems involve computers comprehending textual content and questions, and subsequently, delivering precise answers to users. Despite significant advancements in this field, there remains room for improvement, particularly when dealing with languages other than English, such as Persian. In this article, we present the Persian language question and answer dataset, known as FarsiQuAD. This dataset was meticulously crafted by human annotators, drawing from Persian Wikipedia articles. FarsiQuAD is made available in two versions: Version 1 comprises over 10,000 questions and answers, while Version 2 offers an extensive collection of over 145,000 rows. This dataset is designed to seamlessly integrate with the English version of SQuAD and other databases in various languages adhering to this standard, and it is open to the public. These data serve as valuable resources for the development of artificial intelligence models based on deep learning and for the enhancement of Persian language question and answer systems. The research findings reveal that the FarsiQuAD dataset is capable of providing answers to questions posed in the natural Persian language with an exact matching accuracy of 78% and an F1 score of 87%. However, there is still room for improvement in achieving even higher accuracy levels. This project arises from the critical need for non-English languages to have access to more data for training deep learning models, especially in the domain of factoid questions. Hence, the primary objective of this article is to introduce the newly created dataset. Prior to this effort, well-known datasets like SQuAD predominantly focused on English, and similar datasets has been developed in other languages, including French, German, Korean, and Japanese. Nevertheless, the dearth of question datasets in the Persian language was evident. The quality and diversity of questions are pivotal aspects, and as this dataset continues to grow, it will contribute to the broader landscape of research in this domain, allowing for valuable cross-linguistic comparisons and integration with research conducted in other languages.  }, Keywords = {Question And Answer Dataset, Question And Answer systems, Reading comprehension, Deep Learning, Natural Language Processing}, volume = {20}, Number = {4}, pages = {107-120}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {دادگان پرسش و پاسخ زبان فارسی}, abstract_fa ={پاسخ سریع و دقیق به سؤالات مطرح­شده به زبان طبیعی یکی از اهداف مهم در توسعه سامانه‌های پرسش‌وپاسخ است که در آن رایانه یک متن و سؤال را درک و پاسخ دقیق را برای کاربر ارائه می‌کند. با اینکه پیشرفت‌های زیادی در این حوزه صورت‌گرفته­است، اما همچنان جزء مسائلی است که نیاز به ارتقا، به­خصوص برای زبان‌های غیر انگلیسی مثل زبان فارسی‌ است. در این مقاله دادگان پرسش‌وپاسخ زبان فارسی (FarsiQuAD) [1]  که توسط انسان از مقالات ویکی‌پدیای فارسی تهیه شده، در دو نسخه منتشر شده‌است. نسخه یک شامل  10000+ پرسش‌وپاسخ و نسخه دوم این مجموعه شامل بیش از 145000+ جفت پرسش­وپاسخ ‌است. این دادگان قابلیت تجمیع با نسخه انگلیسی SQuAD و سایر دادگان زبان‌های دیگر را دارد که از این استاندارد استفاده کرده باشند و برای عموم منتشر شده‌است[2]. این دادگان جهت ساخت مدل‌های هوش مصنوعی مبتنی بر یادگیری عمیق و برای استفاده در سامانه‌های پرسش و پاسخ زبان فارسی‌است. نتایج این پژوهش نشان می‌دهد دادگان پرسش‌وپاسخ زبان فارسی ایجادشده می‌تواند پاسخ به سؤالات مطرح­شده به زبان طبیعی فارسی را با معیار تطابق دقیق[3] 78 درصد و معیار F1 87 درصد برساند که هنوز نیازمند ارتقا ‌است.    [1] Exact match [2] https://github.com/Forutanrad/FarsiQuAD [3] Exact match}, keywords_fa = {دادگان پرسش‌وپاسخ زبان فارسی, سیستم‌های پرسش‌وپاسخ, درک مطلب , یادگیری عمیق, پردازش زبان طبیعی}, doi = {10.61186/jsdp.20.4.107}, url = {http://jsdp.rcisp.ac.ir/article-1-1337-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1337-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} } @article{ author = {karimi, somayeh and Jafarinejad, Fatemeh}, title = {Aspect-Based Sentiment Analysis using the Attentional Encoder Network}, abstract ={Natural language processing is growing significantly and has gained much attention with the advent of the World Wide Web and search engines, and researchers have witnessed an explosion of information in different languages. Sentiment analysis is one of the most active fields of study in natural language processing that focuses on text classification and is used to identify, extract and analyze subjective information from text sources. Aspect-based sentiment analysis is a text analysis technique that classifies comments by aspect and identifies the sentiment associated with each aspect. This analysis can be used to automatically analyze the feedback of customers' comments to different parts of goods or services and help employers to focus on points that need quality improvement. In this paper, we will introduce a new architecture based on deep learning for aspect-based sentiment analysis. This architecture will use an attention-encoder network-based model with multiple multi-head attention and a pointwise convolutional transform (which is a parallelizable and interactive alternative to LSTM and is applied to compute hidden states of input embeddings). Testing this architecture on three different datasets, including restaurants and laptops, SemEval 2014 Task 4 and ACL 14 Twitter dataset, in all three datasets, the polarity of emotions is positive, neutral and negative, which is compared with modern methods of sentiment analysis. Based on the aspect, it will show the high accuracy of this method. For example, the aspect-based sentiment analysis on the Laptop dataset has shown 79.15% accuracy, which has increased the accuracy by 4.24% compared to modern methods.  }, Keywords = {Aspect-Based Sentiment Analysis (ABSA) , Deep Learning, Attentional Encoder Network, Multi-Head Attention (MHA)}, volume = {20}, Number = {4}, pages = {121-128}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {تحلیل احساسات مبتنی بر جنبه با استفاده از شبکه رمزگذار توجه}, abstract_fa ={پردازش زبان طبیعی به­ طور قابل توجهی در حال رشد و با ظهور تارنمای جهانی و موتورهای جستجو بسیار مورد توجه قرار گرفته است و پژوهش­گران شاهد انفجاری در اطلاعات به زبان­های مختلف شدند. تحلیل احساسات یکی از فعال­ترین زمینه ­های مطالعاتی در پردازش زبان طبیعی است که بر طبقه بندی متن تمرکز دارد و به­منظور شناسایی، استخراج و تجزیه و تحلیل اطلاعات ذهنی از منابع متنی استفاده می‌شود. تحلیل احساسات مبتنی بر جنبه  یک روش تحلیل متن است که نظرات را بر اساس جنبه طبقه ­بندی و احساسات مربوط به هر جنبه را مشخص می­ کند. این تحلیل می­تواند برای تحلیل خودکار بازخورد نظرات مشتریان به بخش ­های مختلف کالا یا خدمات مورد استفاده قرار گیرد و به کارفرمایان برای تمرکز بر نقاط نیازمند ارتقای کیفیت کمک کند.  در این مقاله به معرفی یک معماری جدید مبتنی بر یادگیری عمیق برای تحلیل احساسات مبتنی بر جنبه خواهیم پرداخت. این معماری از یک مدل از دولایه رمزگذار توجه (که یک جایگزین قابل موازی­ سازی و تعاملی  LSTM است و برای محاسبه حالت­ های پنهان جاسازی­ های ورودی اعمال می‌شود) استفاده خواهد کرد. آزمایش این معماری روی سه مجموعه ­داده مختلف شامل رستوران ها و لپتاپ‌هاSemEval 2014 Task 4  و مجموعه داده ACL 14 Twitter  است که در هر سه مجموعه ­داده، قطبیت احساسات مثبت، خنثی و منفی است، انجام شده‌است که مقایسه آن با روش ­های مدرن تحلیل احساس مبتنی بر جنبه، دقت بالای این روش را نشان خواهد داد. برای نمونه، تحلیل احساس مبتنی بر جنبه روی مجموعه داده لپتاپ، 79.15 درصد دقت را نشان داده که نسبت به روش ­های مدرن 4.24 درصد دقت را بالا برده است.  }, keywords_fa = {تجزیه و تحلیل احساس مبتنی بر جنبه, یادگیری عمیق, شبکه رمزگذار توجه, توجه چند سر}, doi = {10.61186/jsdp.20.4.121}, url = {http://jsdp.rcisp.ac.ir/article-1-1321-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1321-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} } @article{ author = {RoayaeiArdakany, Mehdy and Afroughrh, Ali}, title = {Maximize Score in stochastic match-3 games using reinforcement learning}, abstract ={Computer games have played an important role in the development of artificial intelligence in recent years. Throughout the history of artificial intelligence, computer games have been a suitable test environment for evaluating new approaches and algorithms to artificial intelligence. Different methods, including rule-based methods, tree search methods, and machine learning methods (supervised learning and reinforcement learning) have been developed to create intelligent agents in different games. Games have been used as a suitable environment for trial and error, testing different artificial intelligence ideas and algorithms. Among these researches, we can mention the research of Deep Blue in the chess game and AlphaGo in the game Go. AlphaGo is the first computer program to defeat an expert human Go player. Also, Deep Blue is a chess-playing expert system is the first computer program to win a match, against a world champion. In this paper, we focus on the match-3 game. The match-3 game is a popular game in cell phones, which consists of a very large random state space which makes learning difficult. It also has random reward function which makes learning unstable. Many researches have been done in the past on different games, including match-3. The aim of these researches has generally been to play optimally or to predict the difficulty of stages designed for human players. Predicting the difficulty of stages helps game developers to improve the quality of their games and provide a better experience for users. Based on the approach used, past works can be divided into three main categories including search-based methods, machine learning methods and heuristic methods. In this paper, an intelligent agent based on deep reinforcement learning is presented, whose goal is to maximize the score in the match-3 game. Reinforcement learning is one of the approaches that has received a lot of attention recently. Reinforcement learning is one of the branches of machine learning in which the agent learns the optimal policy for choosing actions in different spaces through its experiences of interacting with the environment. In deep reinforcement learning, reinforcement learning algorithms are used along with deep neural networks. In the proposed method, different mapping mechanisms for action space and state space are used. Also, a novel structure of neural network customized for the match-3 game environment has been proposed to achieve the ability to learn large state space. The contributions of this article can be summarized as follow. An approach for mapping the action space to a two-dimensional matrix is presented in which it is possible to easily separate valid and invalid actions. An approach has been designed to map the state space to the input of the deep neural network, which reduces the input space by reducing the depth of the convolutional filter and thus improves the learning process. The reward function has made the learning process stable by separating random rewards from deterministic rewards. The comparison of the proposed method with other existing methods, including PPO, DQN, A3C, greedy method and human agents shows the superior performance of the proposed method in the match-3 game.  }, Keywords = {deep reinforcement learning, random game, match-3, large state space}, volume = {20}, Number = {4}, pages = {129-140}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {بیشینه سازی امتیاز در بازی تصادفی match-3 با استفاده از یادگیری تقویتی عمیق}, abstract_fa ={بازی‌های رایانه‌ای در سال‌های اخیر نقش مهمی در توسعۀ هوش مصنوعی داشته‌اند. روش‌های گوناگون از جمله روش‌های مبتنی‌بر قوانین، جستجوی درختی و  یادگیری ماشین (یادگیری نظارت‌شده و یادگیری تقویتی) برای ایجاد عامل‌های هوشمند در بازی‌های گوناگون توسعه یافته‌اند. از میان این پژوهش‌ها، می‌توان به پژوهش‌های Deep Blue در بازی شطرنج و AlphaGo در بازی Go اشاره کرد. AlphaGo اولین برنامۀ رایانه‌ای است که یک بازی‌کن حرفه‌ای انسانی Go را شکست داد. همچنین، Deep Blue یک سامانۀ رایانه‌ای حرفه‌ای شطرنج و نخستین برنامه است که در مقابل یک قهرمان جهان، برنده می‌شود. در این مقاله، ما بر روی بازی match-3 تمرکز داریم، که یک بازی محبوب در تلفن‌های همراه و شامل یک فضای حالت تصادفی بسیار بزرگ و تابع پاداش تصادفی است که یادگیری را دشوار می‌کند. در گذشته، پژوهش‌های زیادی در مورد بازی‌های گوناگون، از جمله match-3، انجام شده‌است. هدف اصلی این پژوهش‌ها به‌طور کلی بازی بهینه یا پیش‌بینی دشواری مراحل طراحی‌شده برای بازی‌کنان انسانی بوده‌است. پیش‌بینی دشواری مراحل به توسعه‌دهندگان بازی کمک می‌کند تا کیفیت بازی‌های خود را بهبود بخشند و تجربۀ کاربری بهتری فراهم کنند. در این مقاله، یک عامل هوشمند بر اساس یادگیری تقویتی عمیق ارائه شده‌که هدف آن به بیشینه رساندن امتیاز در بازی match-3 است. یادگیری تقویتی یکی از شاخه‌های یادگیری ماشین است که عامل از طریق تجربیات خود از تعامل با محیط، سیاست بهینه را برای انتخاب اعمال در فضاهای گوناگون یاد می‌گیرد. در یادگیری تقویتی عمیق، الگوریتم‌های یادگیری تقویتی به‌همراه شبکه‌های عصبی عمیق استفاده می‌شوند. در روش پیشنهادی، سازوکار‌های نگاشت گوناگونی برای فضای اعمال و فضای حالت استفاده شده‌است. همچنین، یک ساختار نوآورانه از شبکه‌های عصبی سفارشی‌سازی‌شده برای محیط بازی match-3 پیشنهاد شده‌است تا قابلیت یادگیری فضای حالت بزرگ را به‌دست‌آورد. نوآوری‌های این مقاله را می‌توان بدین شرح خلاصه کرد: روی‌کردی برای نگاشت از فضای اعمال به یک ماتریس دوبعدی ارائه شده که امکان جداکردن اعمال مجاز و غیرمجاز را تسهیل می‌کند. یک روش برای نگاشت از فضای حالت به ورودی شبۀ عصبی عمیق طراحی شده که با کاهش عمق صافی‌های پیچشی، فضای ورودی را کاهش داده و این‌گونه فرایند یادگیری را بهبود می‌بخشد. همچنین، تابع پاداش از طریق جداکردن پاداش‌های تصادفی از پاداش‌های قطعی، فرایند یادگیری را پایدار کرده‌است. مقایسۀ روش پیشنهادی با سایر روش‌های موجود، از جمله PPO، DQN، A3C، روش حریصانه و عوامل انسانی، نشان‌دهندۀ عملکرد برتر روش پیشنهادی در بازی match-3 است.  }, keywords_fa = {یادگیری تقویتی عمیق, بازی تصادفی, match-3, فضای حالت بزرگ}, doi = {10.61186/jsdp.20.4.129}, url = {http://jsdp.rcisp.ac.ir/article-1-1345-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1345-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} } @article{ author = {Alavi, Niloofar and Tahmoresnezhad, Jafar}, title = {Regularized Knowledge Transfer for Multi-Agent Reinforcement Learning}, abstract ={Reinforcement learning (RL) refers to the training of machine learning models to make a sequence of decisions on which an agent learns by interacting with its environment, observing the results of interactions and receiving a positive or negative reward, accordingly. RL has many applications for multi-agent systems, especially in dynamic and unknown environments. However, most multi-agent reinforcement learning (MARL) algorithms suffer from some problems specifically the exponential computational complexity to calculate the joint state-action space, which leads to the lack of scalability of algorithms in realistic multi-agent problems. Applications of MARL can be categorized from robot soccer, networks, cloud computing, job scheduling, and to optimal reactive power dispatch. In the area of reinforcement learning algorithms, there are serious challenges such as the lack of application of equilibrium-based algorithms in practice and high computational complexity to find equilibrium.  On the other hand, since agents have no concept of equilibrium policies, they tend to act aggressively toward their goals, which it results the high probability of collisions. Consequently, in this paper, a novel algorithm called Regularized Knowledge Transfer for Multi-Agent Reinforcement Learning (RKT-MARL) is presented that relies on Markov decision process (MDP) model. RKT-MARL unlike the traditional reinforcement learning methods exploits the sparse interactions and knowledge transfer to achieve an equilibrium across agents. Moreover, RKT-MARL benefits from negotiation to find the equilibrium set. RKT-MARL uses the minimum variance method to select the best action in the equilibrium set, and transfers the knowledge of state-action values across various agents. Also, RKT-MARL initializes the Q-values in coordinate states as coefficients of current environmental information and previous knowledge. In order to evaluate the performance of our proposed method, groups of experiments are conducted on five grid world games and the results show the fast convergence and high scalability of RKT-MARL. Therefore, the fast convergence of our proposed method indicates that the agents quickly solve the problem of reinforcement learning and approach to their goal.  }, Keywords = {Multi-agent reinforcement learning, Knowledge transfer, Meta and Nash equilibriums, Regularization, Sparse interactions, Agents negotiations.}, volume = {20}, Number = {4}, pages = {141-160}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {انتقال دانش تنظیم شده برای یادگیری تقویتی چندعاملی}, abstract_fa ={یادگیری تقویتی به آموزش مدل‌های یادگیری ماشین برای اتخاذ تصمیمات متوالی اشاره می­کند که در آن یک عامل از طریق تعامل با محیط، آموزش دیده، نتایج این تعامل را مشاهده کرده و بر این اساس، پاداش مثبت یا منفی دریافت می­کند. یادگیری تقویتی کاربردهای زیادی برای سیستم­های چندعاملی  به خصوص در محیط­های پویا و ناشناخته دارد. با این حال، بیش­تر الگوریتم­های یادگیری تقویتی چندعاملی  با مشکلاتی همچون پیچیدگی محاسباتی نمایی برای محاسبه فضای حالت مشترک مواجه هستند که منجر به عدم مقیاس­پذیری الگوریتم­ها درمسائل چندعاملی  واقعی می­شود. کاربردهای یادگیری تقویتی چندعاملی  را می­توان از فوتبال ربات‌ها، شبکه­ها، محاسبات ابری، زمانبندی شغل تا اعزام نیروی واکنشی دسته­بندی کرد. در این مقاله یک الگوریتم جدید به نام انتقال دانش تنظیم‌شده برای یادگیری تقویتی چندعاملی  (RKT-MARL) معرفی می­شود که براساس مدل تصمیم­گیری مارکوف کار می­کند. این الگوریتم برخلاف روش­های یادگیری تقویتی سنتی، مفاهیم تعاملات پراکنده و انتقال دانش را برای رسیدن به تعادل بین عامل­ها استفاده می­کند. علاوه‌بر این، RKT-MARL از سازوکار مذاکره برای یافتن مجموعه تعادل و از روش کمینه واریانس برای انتخاب بهترین عمل در مجموعه تعادل به­دست­آمده استفاده می­کند. همچنین الگوریتم پیشنهادی، دانش مقادیر حالت-عمل را در میان عامل­های مختلف انتقال می­دهد. از طرفی، الگوریتم RKT-MARL مقادیر Q را در حالت­های هماهنگی به عنوان ضریبی از اطلاعات محیطی جاری و دانش قبلی مقداردهی می­کند. به­منظور ارزیابی عملکرد روش پیشنهادی، یک گروه از آزمایش­ها بر روی پنج بازی جهانی انجام­شده و نتایج حاصل بیانگر همگرایی سریع و مقیاس­پذیری بالا در RKT-MARL‌ است.  }, keywords_fa = {یادگیری تقویتی چند عاملی, انتقال دانش, تعادل‌های متا و نش, تنظیم‌پذیری, تعاملات پراکنده, مذاکره بین عامل‌ها.}, doi = {10.61186/jsdp.20.4.141}, url = {http://jsdp.rcisp.ac.ir/article-1-1056-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-1056-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2024} }