دانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100611120220522A Novel Hybrid Approach to Finding Meaningful Basis Vectors For Explicit Representation of Word Vectorsارائه یک رویکرد ترکیبی جدید برای یافتن بردارهای پایه معنادار جهت بازنمایی صریح بردارهای کلمه117151673FAعاطفه پاکزاددانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران-تهرانمرتضی آنالوییدانشیار، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران ، تهران، ایرانJournal Article20210619The main purpose of this study is to represent the semantic word vectors with low dimensions, explicitly. The problem of finding a limited number of meaningful basis vectors for producing explicit semantic word vectors must be solved in such a way that a large accuracy drop is not caused by reducing the dimensions. In this study, we represent a hybrid approach to finding meaningful basis vectors. First, we obtain N basis vectors using the proposed methods: 1- The criterion of word similarity-to-word frequency ratio, 2- Feature selection method based on comparison of distance matrices, 3- Binary weighting method based on PSO algorithm. Then, to take advantage of the expertise of methods 1 and 2 to the same extent, we obtain the first combined basis vectors by combining half of the basis vectors obtained by the criterion of word similarity-to-word frequency ratio with half of the basis vectors selected by the feature selection method. In the next step, we obtain the common context words that have a weight "1" as the common basis vectors produced by the binary weighting method. In the next step, we add the common context words with a weight "1" obtained using the BPSO method to the first combined basis vectors obtained from word similarity-to-word frequency ratio and the feature selection methods. Thus, the second combined basis vectors are obtained, which are meaningful, and each basis vector is equivalent to an informative context word. Therefore, the explicit word vectors produced by meaningful basis vectors can be interpreted. We train the proposed approach using the UkWaC corpus and evaluate it using the word similarity task. Both first and second combined basis vectors improve accuracy. The increase in accuracy is greater in the first combined basis vectors. The evaluation results of explicit word vectors obtained with the first basis vectors show that despite the reduction of word vector dimensions from 5000 to 1511, the Spearman correlation coefficient on MEN, RG-65, and SimLex-999 test sets is increased by 2.47%, 7.39%, and 0.52%, respectively.<strong>هدف اصلی این پژوهش بازنمایی صریح بردارهای معنایی کلمه با ابعاد کم </strong><strong>است. برای تولید بردارهای معنایی کلمه صریح، بایستی مسئلهی یافتن تعداد محدودی بردار پایه معنادار بهگونهای حل شود که با کاهش ابعاد بردارهای کلمه افت دقت زیادی ایجاد</strong><strong> </strong><strong>نشود. ما در این پژوهش یک رویکرد ترکیبی برای یافتن بردارهای پایه معنادار ارائه میکنیم. در ابتدا، </strong>N<strong> بردار پایه را با روشهای پیشنهادی 1-معیار نسبت شباهت کلمه به تکرار کلمه، 2-انتخاب ویژگی مبتنی بر مقایسه ماتریسهای فاصله، 3-وزندهی دودویی مبتنی بر الگوریتم </strong>BPSO<strong> بدست میآوریم. سپس، برای بهرهگیری از خبرگی روشهای 1و 2 به میزان یکسان، نیمی از بردارهای پایه بدست آمده با روش معیار نسبت شباهت کلمه به تکرار کلمه را با نیمی از بردارهای پایه انتخاب شده با روش انتخاب ویژگی، ترکیب</strong><strong> </strong><strong>کرده و بردارهای پایه ترکیبی اول را بدست</strong><strong> </strong><strong>میآوریم. در مرحله بعدی، کلمات بافتار مشترک دارای وزن "1" بدست آمده با استفاده از روش </strong>BPSO<strong> را به بردارهای پایه ترکیبی اول حاصل از روشهای نسبت شباهت کلمه به تکرار کلمه و روش انتخاب ویژگی میافزاییم. بنابراین، بردارهای پایه ترکیبی دوم بدست</strong><strong> </strong><strong>میآیند که معنادار هستند و هر بردار پایه معادل یک کلمه بافتار آگاهیبخش است. لذا بردارهای کلمه صریح تولید شده با استفاده از بردارهای پایه معنادار، تفسیرپذیر هستند. ما رویکرد پیشنهادی را با استفاده از پیکره </strong>UkWaC<strong> آموزش</strong><strong> </strong><strong>داده و بر روی وظیفه شباهت کلمه مورد ارزیابی قرار</strong><strong> </strong><strong>میدهیم. هر دو بردارهای پایه ترکیبی اول و دوم سبب بهبود دقت میگردند. این افزایش دقت در بردارهای پایه ترکیبی اول بیشتر است. نتایج حاصل از ارزیابی بردارهای کلمه صریح بدست</strong><strong> </strong><strong>آمده با بردارهای پایه اول نشان</strong><strong> </strong><strong>میدهد که با وجود کاهش ابعاد بردارهای کلمه از 5000 به 1511، ضریب همبستگی اسپیرمن بر روی مجموعههای آزمون </strong>MEN<strong>، </strong>RG-65<strong> و </strong>SimLex-999<strong> به ترتیب به میزان 2.47%، 7.39% و 0.52% افزایش</strong><strong> </strong><strong>مییابد.</strong>https://jscit.nit.ac.ir/article_151673_d5d2c447607b619bbae4ceaae632d2bc.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100611120220522Semantic Textual Similarity of Persian-English sentences using deep learningشباهت یابی بین زبانی جملات فارسی-انگلیسی با استفاده از یادگیری عمیق1831148336FAمحمد عبدوسهوش مصنوعی و رباتیک، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران.بهروز مینایی بیدگلیدانشکده مهندسی کامپیوتر دانشگاه علم و صنعت0000-0002-9327-7345Journal Article20210818Semantic Textual similarity is one of the subtasks of natural language processing that has attracted extensive rese arch in recent years. Measuring semantic similarity between words, sentences, paragraphs, and documents plays an important role in natural language processing and computational linguistics. Semantic similarity of texts is used in question-answering systems, fraud detection, machine translation, information retrieval and etc. Semantic similarity means calculating the degree of similarity between two textual documents, paragraphs or sentences, which are presented in both monolingual and cross lingual forms. In this article, by using the parallel corpus, for the first time, the cross lingual model of semantic similarity for Persian-English sentences is presented, and then we test and compare our model with the Multilingual BERT model. The results show that by using parallel corpuses, the quality of sentence embedding in two different languages can be improved. Pearson correlation criterion based on cosine similarity between sentence's vector of multilingual Bert has increased from 65% to 73.77% by the proposed method. The proposed method was also tested on the Arabic-English language pair, and the results show that the proposed method is superior to the multilingual Bert.<br /> شباهتیابی معنایی متون یکی از زیرشاخههای پردازش زبان طبیعی محسوب میشود که در چند سال اخیر تحقیقات گستردهای را به خود معطوف کرده است. سنجش تشابه معنایی بین کلمات یا اصطلاحات، جملات، پاراگراف و اسناد، نقش مهمی در پردازش زبان طبیعی و زبانشناسی رایانشی ایفا میکند. شباهتیابی معنایی متون در سامانههای پرسش و پاسخ، کشف تقلب، ترجمه ماشینی، بازیابی اطلاعات و نظیر آن کاربرد دارد. منظور از شباهتیابی معنایی، محاسبه میزان شباهت معنایی بین دو سند متنی، پاراگراف یا جمله میباشد که به دو صورت تکزبانه و چندزبانه مطرح است. در این مقاله با استفاد از پیکره موازی میزان، برای اولین بار مدل بین زبانی شباهت معنایی جملات فارسی-انگلیسی را ارائه داده و در ادامه مدل خود را با مدل برت چندزبانه مورد آزمون و مقایسه قرار دادیم. نتایج حاکی از آن است که با استفاده از پیکرههای موازی میتوان کیفیت تعبیه جملات را در دو زبان مختلف بهبود بخشید. در روش پیشنهادی، معیار همبستگی پیرسون بر اساس شباهت کسینوسی بین بردارهای معنایی حاصل از برت چندزبانه از 65 درصد به 73.77 درصد افزایش یافته است. روش پیشنهادی بر جفت زبان عربی-انگلیسی نیز مورد آزمون قرار گرفت که نتایج حاصله بیانگر برتری روش پیشنهادی نسبت به برت چند زبانه است.https://jscit.nit.ac.ir/article_148336_07cb4c31de6103dd7db7f35fe92fb5f4.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100611120220522A novel approach based on gray wolf evolutionary algorithm for controller load balancing in software defined networks using dynamic switch migrationارائه روشی نوین مبتنی بر الگوریتم تکاملی گرگ خاکستری برای توازن بار کنترلکننده در شبکههای مبتنی بر نرمافزار با استفاده از مهاجرت پویای سوئیچ3248149128FAسعید بختیاریگروه فتا، دانشکده فاوا، دانشگاه علوم انتظامی امینوثوق گوران اوریمیگروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد تهران مرکزی، تهران، ایران.Journal Article20210824Software Defined Network (SDN) has become a popular model for centralized control and management in many modern network scenarios. However, for large data centers with hundreds of thousands of servers and several thousand switches, a single controller mode causes the system to suffer from lack of scalability and reliability. The use of distributed architecture can improve system performance, but the main limitation of this work is the static mapping between the switch and the controller, which may lead to load imbalances in the controllers. The use of multiple controllers distributed in SDN has been used to improve scalability and reliability, where each controller manages a fixed partition of the network. In the proposed method, a balanced controller (BalCon) is used as a scheme to dynamic migrate the SDN switch to achieve load balance between SDN controllers with low migration cost. The decision to migrate is made by the monitor based on network traffic. To balance load in the software-based network, a staged switch migration strategy is used and the target controller is selected by the gray wolf algorithm. The results show that the response time of the proposed method is 13% better than the BalCon method. Also, by increasing the sending rate to 8.33%, the controller's throughput improves compared to the BalCon method. Therefore, the load balance of the proposed method has a better performance than previous works.<strong>شبکه مبتنی بر نرمافزار (</strong>SDN<strong>) در بسیاری از سناریوهای مدرن شبکه به مدلی محبوب برای کنترل و مدیریت متمرکز تبدیلشده است. بااینحال، برای مراکز داده بزرگ با صدها هزار سرور و چندین هزار سوئیچ، حالت کنترلکننده تک باعث میشود سیستم از عدم مقیاسپذیری و قابلیت اطمینان رنج ببرد. استفاده از معماری توزیعشده میتواند عملکرد سیستم را بهبود بخشد، اما محدودیت اصلی این کار نگاشت ایستا بین سوئیچ و کنترلکننده است که ممکن است منجر به عدم تعادل بار در کنترلکنندهها شود. استفاده از چندین کنترلکننده توزیعشده در </strong>SDN<strong> </strong><strong>برای بهبود مقیاسپذیری و قابلیت اطمینان، جایی که هر کنترلکننده یک بخش ثابت از شبکه را مدیریت میکند، استفادهشده است. درروش پیشنهادی، یک کنترلکننده متعادل (بالکن)، بهعنوان طرحی برای انتقال پویای سوئیچ </strong>SDN<strong> برای دستیابی به تعادل بار بین کنترلکنندههای </strong>SDN<strong> </strong><strong>با هزینه مهاجرت کم به کار گرفتهشده است. تصمیمگیری برای مهاجرت توسط نظارت بر اساس ترافیک شبکه انجام میشود. برای تعادل بار در شبکه مبتنی بر نرمافزار، از یک استراتژی انتقال سوئیچ مرحلهای استفاده میشود و کنترلکننده هدف توسط الگوریتم گرگ خاکستری انتخاب میگردد.</strong> <strong>نتایج نشان میدهد که زمان پاسخ روش پیشنهادی 13% بهتر از روش بالکن است. همچنین با افزایش نرخ ارسال به 8.33%، توان عملیاتی کنترلکننده در مقایسه با روش بالکن بهبود مییابد. لذا، تعادل بار روش پیشنهادی عملکرد بهتری نسبت به کارهای پیشین دارد.</strong>https://jscit.nit.ac.ir/article_149128_24eb00fb04b06ff420e16c784cabbdd6.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100611120220522Scheduling and Resource Allocation based on Priority and SLA in Cloud Computingزمانبندی و تخصیص منبع با در نظر گرفتن اولویت و SLAدر رایانش ابری4959150536FAشیوا رزاق زادهگروه مهندسی کامپیوتر، دانشگاه ازاد اسلامی واحد اردبیل، اردبیل، ایرانفرزانه سید سلیمانیگروه مهندسی کامپیوتر،دانشگاه آزاد اسلامی واحد اردبیل، اردبیل، ایران.پریسا نوروزی کیویباشگاه پژوهشگران جوان و نخبگان،دانشگاه آزاداسلامی واحد اردبیل، اردبیل،ایران.Journal Article20210826In recent decades, with the popularity and application of cloud computing, significant changes have taken place in communications and technologies. Most service-level service providers are offering applications and developing their own hardware infrastructure as service improvements. Since cloud computing provides different resources to these providers, of course, the cost of access, speed, and other important parameters have led to a significant response, but an important point has given the increase and volume of requests from stakeholders. It has led to challenges in providing services at the service level. Therefore, scheduling and allocating resources to requests made with low-cost horizons and completion time has become a necessity, and service providers and stakeholders seek to receive the best possible service with high efficiency, and this has led to extensive research in this area. In this research, a model for scheduling and resource allocation considering priority and SLA in cloud computing is presented. In fact, the proposed model of several different levels of access has been developed to achieve the main goal of the research, which is the optimal scheduling and allocation of resources to the requests made. In the proposed method, using the RR algorithm and the technique of weighting requests and online review of virtual machines, the best possible source for proposal allocation and scheduling has been identified. The method presented in the form of a dynamic and executable model with the help of the Cloudsim simulation tool and in terms of Makespan, cost, and speedprocess have been compared and analyzed with several similar methods. The results obtained from the simulation performed by applying different scenarios indicate average processing speed around 2.15, and average Makespan is reduced at 8.68s by new method than similarity methods. Also, the rang of cost has not big change.در چند دههی اخیر با محبوبیت و کاربردی شدن رایانش ابری، تغییرات قابل توجهی در ارتباطات و فناوریها شکل گرفته است. به صورتی که بیشتر سرویسدهندگان خدمات در سطح سرویس، در حال ارائه برنامهها و توسعه زیرساختهای سختافزاری خود بعنوان بهبود خدمات هستند. از آنجایی که رایانش ابری منابع مختلف را در اختیار این سرویسدهندگان قرار میدهد طبعا هزینه دسترسی، سرعت و دیگر پارامترهای مهم منجر به استقبال چشمگیر شده است; اما نکتهی مهم با توجه به ازدیاد و حجم درخواستهای ذینفعان منجر به بروز چالشهایی در ارائه خدمات در سطح سرویس شده است. لذا زمانبندی و تخصیص منابع به درخواستهای انجام شده با افق هزینه و زمان اتمام کار پایین، یک ضرورت شده است و سرویسدهندگان به دنبال دریافت بهترین سرویس ممکن با کارایی بالا هستند. این امر منجر به تحقیقات گسترده در این حوزه شده است. روش پیشنهادی مدلی برای زمانبندی و تخصیص منابع با در نظر گرفتن اولویت و توافق نامه سطح سرویس در رایانش ابری ارائه شده است. در حقیقت مدل ارائه شده در چند سطح مختلف دسترسی برای محقق کردن هدف اصلی، که زمانبندی و تخصیص بهینه منابع به درخواستها میباشد، توسعه داده شده است. در روش ارائه شده به کمک الگوریتم نوبت گردشی و تکنیک وزندهی به درخواستها و نیز بررسی برخط ماشینهای مجازی بهترین منبع ممکن برای تخصیص پیشنهاد و زمانبندی شده است. روش ارائه شده در قالب یک مدل پویا و قابل اجرا به کمک ابزار کلودسیم شبیهسازی و پارامترهای طول زمانبندی، هزینه و سرعت پردازش با چند روش مشابه مقایسه و آنالیز شده است. نتایج بدست آمده از سناریوهای مختلف بیانگر کاهش 8.68 ثانیه در متوسط طول زمانبندی و افزایش2.15 در متوسط سرعت پردازش است. همچنین هزینه پردازش تغییر قابل توجهی نداشته استhttps://jscit.nit.ac.ir/article_150536_bfe1c32d979595f3f8d2ecc1c5d87a30.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100611120220522Fully Connected to Fully Convolutional: Road to Yesterdayتمام متصل به تمام پیچشی: پلی به گذشته6072149453FAمحمود امین طوسیدانشکده ریاضی و علوم کامپیوتر - دانشگاه حکیم سبزواری0000-0001-9640-6475Journal Article20210627In the last decade, several convolutional networks have been developed for the semantic segmentation, which have shown excellent performance in recognizing and labeling objects in images. Most of these networks involve large-scale architectures that can detect tens or hundreds of predefined classes. With the exception of fully convolutional networks, most applications use architectures that, after convolutional layers, use a common classifier to classify the extracted features. In this paper, the method of converting a network, which as classifier, has two flatten and dense layers (fully connected), to a fully convolutional network is described. The main advantage of this method is the ability to work on inputs of variable size and produce an output map instead of a number, which is the advantage of fully convolutional networks. Newer models of the Deep Learning area generally use training images in which areas of interest are determined by masks; but in the proposed method only labeled images are given to the network. The details of the proposed method are expressed in the form of a new problem of classification of boards with calligraphy of Shekasteh-Nastaliq and Suls, and classification of apple leaf diseases (as two-class problems) and the problem of identifying hand written Persian digits. For this purpose, first a convolutional network with the last fully connected layer is designed and trained for square images. Then a new fully convolutional model is defined based on the previous model and the weights of the previous model are fed to the new model. The only difference between the two models is in the last layer, but the new model will be able to work on input images of any size. Experimental results show the efficiency of the proposed approach.<strong>در یک دههی گذشته شبکههای پیچشی متعددی برای قطعهبندی معنایی تصاویر ابداع شدهاند که عملکرد بسیار خوبی در تشخیص و برچسبزنی اشیاء از خود نشان دادهاند. عمدهی این شبکهها متضمن معماریهای با اندازهی بزرگ هستند که توانایی آشکارسازی دهها یا صدها دستهی از قبل مشخص را داشته باشند. در بیشتر کاربردها از معماریهایی استفاده میشود که پس از چند لایهی پیچشی از یک طبقهبند معمول برای طبقهبندی ویژگیهای استخراج شدهی شبکه استفاده میشود. در این نوشتار روش تبدیل یک شبکه که به عنوان طبقهبند، دو لایهی مسطح و چگال (تمام متصل) دارد، به یک شبکه تمام پیچشی بیان شده است. مزیت اصلی این شیوه، قابلیت کارکرد بر روی ورودیهای با اندازه متغیر و تولید یک نقشه خروجی به جای یک عدد میباشد که همان مزیت شبکههای تمام پیچشی است. در مدلهای جدید حوزهی یادگیری عمیق عموماً از تصاویر آموزشی که در آنها نواحی موردنظر با ماسک مشخص شدهاند استفاده میشود، اما در شیوهی پیشنهادی در این نوشتار فقط تصاویر برچسبدار (مشخصکننده طبقهی کل تصویر) به شبکه داده میشود. جزییات روش کار در قالب مسئلهی جدید طبقهبندی و شناسایی تابلوهای با رسمالخطهای شکسته نستعلیق و ثلث، شناسایی برگ سالم از مریض سیب (به عنوان مسائل دو کلاسه) و مسئلهی شناسایی ارقام فارسی بیان شده است. به این منظور ابتدا یک شبکه پیچشی با لایه آخر تمام متصل طراحی و بر روی تصاویر مربعی آموزش داده میشود. سپس مدل تمام پیچشی جدیدی بر اساس مدل قبلی تعریف شده و وزنهای مدل قبلی به مدل جدید کپی میشود. تنها تفاوت دو مدل در لایه آخر است، اما مدل جدید قابلیت کار بر روی تصاویر ورودی با هر اندازه را خواهد داشت. نتایج آزمایشات کارایی این شیوه را نشان داده است (کد برنامه در </strong><strong>https://github.com/mamintoosi/FC2FC</strong><strong> ).</strong>https://jscit.nit.ac.ir/article_149453_aba93e7da28471a01e323fe17f343077.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100611120220522Privacy preserving Naïve Bayes classification using Bit-string encryptionحفظ حریم خصوصی در کلاسبندی Naïve Bayes با استفاده از رمزنگاری رشته بیتها7388150390FAمحمد اکبری عظیمیاندانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجائی، تهران، ایراننگین دانشپورShahid Rajaee Teacher Training Universityمعصومه صفخانیدانشگاه تربیت دبیر شهید رجاییJournal Article20211015The construction of classification models is widely used in data mining. There are concerns about the privacy of data owners because of the need to collect data to build models. In this paper, a Naïve Bayes classification model construction plan is presented, which performs the model construction operation with the participation of data owners and without the need to collect the original data. Instead of collecting data, the scheme uses encryption of bit strings from counting without disclosing the original data to perform the process of creating the Naïve Bayes model. This design allows the model to be built with appropriate performance without the need for trust in a third party with a minimum number of encryptions, so that in terms of time complexity, up to 87% improvement in time cost can be observed. In addition, memory consumption has not increased significantly when compared to designs that use encryption operations.ساخت مدلهای کلاسبندی به طور گستردهای در دادهکاوی مورد استفاده قرار میگیرد. از آنجا که برای ساخت مدلها نیاز به جمعآوری داده است، نگرانیهائی در زمینهی حریم خصوصی مالکین دادهها وجود دارد. در این مقاله یک طرح ساخت مدل کلاسبندی Naïve Bayes ارائه شده است که با مشارکت مالکین دادهها و بدون نیاز به جمعآوری اصل دادهها، عملیات ساخت مدل را انجام میدهد. این طرح به جای جمعآوری دادهها، با استفاده از رمزنگاری رشته بیتهای حاصل از شمارش و بدون افشای دادهها، فرآیند ساخت مدل Naïve Bayes را انجام میدهد. این طرح بدون نیاز به اعتماد به شخص سوم<sup>[i]</sup> با حداقل تعداد اجرای عملیات رمزنگاری، امکان ساخت مدل را با کارایی مناسب فراهم میکند بهطوریکه از نظر پیچیدگی زمانی تا ۸۷٪ بهبود در هزینهی زمانی مشاهده میشود و حافظهی مصرفی نیز افزایش چندانی نسبت به طرحهای دارای عملیات رمزنگاری نداشته است.https://jscit.nit.ac.ir/article_150390_64798a61736cdc759ac684541baa8ae6.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100611120220522Joint Adaptivity of Pilot Patterns and Channel Estimation in OFDM systemsوفقیسازی توأمان الگوی پایلوت و تخمین کانال در سیستمهای OFDM8999150203FAمصطفی سبحانیگروه ارتباطات و فناوری اطلاعات، دانشکده فنی و مهندسی رسانه، دانشگاه صداوسیما، تهران، ایرانمحمدعلی سبقتیگروه ارتباطات و فناوری اطلاعات، دانشکده فنی و مهندسی رسانه، دانشگاه صداوسیما، تهران، ایرانحسن زارعیانگروه ارتباطات و فناوری اطلاعات، دانشکده فنی و مهندسی رسانه، دانشگاه صداوسیما، تهران، ایرانJournal Article20190311In wireless communications which are widely applicable nowadays, the channel variation over time and frequency is a major problem. Therefore, the channel estimation and compensation are critical challenges in these systems. The OFDM technique is noteworthy for wireless channels due to robustness, high efficiency and consequently high data rate. Pilot-aided channel estimation is a promising approach in many OFDM systems, including mobile networks, digital audio and video broadcasting standards. The number and the arrangement of pilots in the time-frequency grid affect the accuracy and the period of the channel estimation procedure. Practical OFDM systems utilize fixed pilot patterns that are designed based on typical assumptions of the fading channel. Thus, unnecessary pilot overhead is imposed when the channel is close to a flat slow fading channel, and the performance degrades in the worst condition of the channel. To remedy this issue, adaptive pilot arrangement based on the channel response is introduced in the previous researches. Indeed, finding the best pilot arrangement according to the channel response is an optimization problem and the adaptive approach is exploited to find its answer. In this paper, we develop a novel method for adaptive pilot arrangement based on Kalman filter which is combined with the channel estimation algorithm. Therefore, the position of the pilots and the channel response are jointly estimated in the proposed method. This method is simulated for various channel types and its performance is evaluated by bit error rate (BER) and pilot overhead criteria. Simulation results illustrate that the proposed method obtains the same performance as the previous methods by fewer pilots. This achievement leads to significant increase in the capacity of data transfer.در سیستمهای مخابراتی بیسیم که امروزه کاربرد گستردهای یافته است، تغییرات فرکانسی و زمانی کانال یکی از مشکلات اساسی است؛ از این رو مسأله تخمین کانال و جبران اثرات آن چالشی کلیدی در این سیستمها محسوب میشود. تکنیک OFDM به دلیل مقاومت در برابر فرکانسگزینی، بهرهوری فرکانسی و نرخ ارسال بالا مورد توجه قرار دارد. تخمین کانال بر مبنای پایلوت از پرکاربردترین روشهاست که در بسیاری از سیستمهای OFDM از جمله شبکههای موبایل و استانداردهای پخش صدا و ویدیوی دیجیتال استفاده شده است. تعداد و آرایش پایلوتها در صفحه زمان- فرکانس تاثیر مستقیم در دقت و سرعت فرآیند تخمین کانال مخابراتی دارد. در ارتباطات واقعی از آرایش پایلوت ثابتی استفاده میشود که معمولاً با فرض شرایط نوعی برای محوشوندگی کانال طراحی میگردد. این امر منجر به سربار پایلوت غیرضروری در وضعیت خوب کانال (نزدیک به محوشوندگی کند و تخت) و همچنین تخریب عملکرد در بدترین وضعیت کانال میشود. لذا در تحقیقات پیشین، پیشنهاد وفقیسازی آرایش پایلوتها بر اساس پاسخ کانال مطرح شده است. در واقع یافتن بهترین آرایش پایلوت متناسب با پاسخ کانال، یک مسأله بهینهسازی است که رویکرد وفقی به دنبال دستیابی به پاسخ آن است. در این پژوهش روش جدیدی برای وفقیسازی آرایش پایلوتها بر اساس فیلتر کالمن ارائه و با الگوریتم تخمین کانال ترکیب شده است. بدین ترتیب در روش پیشنهادی، محل پایلوتها و پاسخ کانال توأم با یکدیگر تخمین زده میشود. این روش در شرایط مختلف کانال شبیهسازی شده و عملکرد آن با معیارهای نرخ خطای بیت (BER) و درصد سربار پایلوت ارزیابی گردیده است. نتایج شبیهسازیها نشان میدهد روش پیشنهادی با درصد سربار پایلوتی کمتر از روشهای موجود به عملکردی مشابه دست مییابد که متناظر با افزایش ظرفیت انتقال داده به میزان قابل توجهی است.https://jscit.nit.ac.ir/article_150203_4f79d4120dced1f1910796690dde21cf.pdf