دانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10068320190923Social Groups Detection by Using Support Vector Machine in Videoتشخیص گروه های اجتماعی با استفاده از ماشین بردار پشتیبان در ویدئو1989514FAعلی اکبریدانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایرانحسن فرسیدانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایرانسجاد محمدزادهدانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران0000-0002-9096-8626Journal Article20180415Detecting social groups is one of important and complex problems which has been concerned recently. Detecting social groups and relation between group members will be necessary for human robots in near future. Databases have some information including trajectories and also labels of members. The target is to detect social groups that contains at least two people or detecting individual motion of the persons. In the proposed method, for detecting social groups, physical distance, temporal causality and shape similarity features are used. The required time to extract these features is lower than the other suggested features. In addition to accuracy, the effectiveness of the proposed method in terms of required time for training and testing data is also examined. Lower required time provides greater ability to implement for human robots. The proposed method provides acceptable results in valid databases and is compared to existing methods in terms of statistical results and the required time.تشخیص گروههای اجتماعی یکی از مسائل مهم و پیچیدهای است که در چند سال اخیر مورد توجه قرار گرفته است. تشخیص گروههای اجتماعی و همچنین نحوه ارتباط با اعضای گروههای اجتماعی از جمله مسائلی است که رباتهای انساننما در آینده نزدیک به آن نیاز دارند. پایگاه دادهها حاوی اطلاعات مسیر افراد و همچنین شماره افراد میباشند. هدف، یافتن گروههای اجتماعی با حداقل دو نفر و یا تشخیص انفرادی بودن حرکت افراد است. در روش پیشنهادی برای تشخیص گروههای اجتماعی از ویژگیهای فاصله افراد، شباهت مسیر طی شده و شباهت دو دنباله حرکت بین هر دو نفر استفاده شده است. استخراج این ویژگیها نسبت به ویژگیهای بکار رفته تاکنون نیاز به زمان کمتری دارد. علاوه بر دقت و صحت، کارایی روش پیشنهادی از نظر زمان مورد نیاز برای آموزش و آزمایش داده نیز بررسی شده است. هر چه زمان مورد نیاز کمتر باشد، قابلیت پیاده سازی برای رباتهای انساننما بیشتر خواهد شد. روش پیشنهادی در پایگاه دادههای معتبر نتایج قابل قبولی داشته و در ادامه با روشهای موجود از نظر نتایج آماری و زمان مورد نیاز، مقایسه شده است.https://jscit.nit.ac.ir/article_89514_e371396d974b24e580a895aad6f22a93.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10068320190923Gravitational Search Algorithm with Nearest-Better Neighborhood for Multimodal Optimization Problemsالگوریتم جستجوی گرانشی با همسایگی نزدیکترین-بهتر برای حل مسائل بهینهسازی چندمُدی101991720FAمحمدباقر دولتشاهیاستادیار، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه لرستان، خرم آباد، ایران.ولی درهمیدانشیار گروه کامپیوتر دانشگاه یزدحسین نظام آبادی پوراستاد، دانشکده فنی و مهندسی، گروه مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران.Journal Article20170824Gravitational Search Algorithm (GSA) is a simple and efficient optimization method recently proposed for solving single-objective optimization problems. In this paper, for the first time, the nearest-better neighborhoods are defined in swarm intelligence algorithms and then used in the GSA to solve multi-modal optimization problems. For this purpose, two neighborhoods are defined, called Topological Nearest-Better (TNB) and Distance-based Nearest-Better (DNB), and then these two structures are used separately in the GSA and two different versions of the GSA for multi-modal optimization problems are provided. To investigate the efficiency of the proposed algorithms, an empirical assessment has been performed on several standard multi-modal benchmark functions. The results of these experiments show that the proposed algorithms can achieve good results compared to other multi-modal optimizer algorithms.الگوریتم جستجوی گرانشی، یک روش بهینهسازی ساده و کارامد است که اخیرا برای حل مسائل بهینهسازی تک هدفه ارائه شده است. در این مقاله، برای اولین بار ساختار همسایگی نزدیکترین-بهتر در الگوریتمهای هوش جمعی تعریف شده و سپس در الگوریتم جستجوی گرانشی برای حل مسائل بهینهسازی چندمُدی استفاده شده است. برای این منظور، ابتدا دو ساختار همسایگی "نزدیکترین-بهتر توپولوژیکی" و "نزدیکترین-بهتر مبتنی بر فاصله" تعریف شده، سپس این دو ساختار به طور مجزا در الگوریتم جستجوی گرانشی استفاده شده و دو نسخهی مختلف از الگوریتم جستجوی گرانشی برای حل مسائل بهینهسازی چندمُدی ارائه میشود. برای بررسی کارایی الگوریتمهای پیشنهادی، یک ارزیابی تجربی روی چندین تابع محک چندمُدی استاندارد صورت گرفته است. نتایج این آزمایشات نشان میدهد که الگوریتمهای پیشنهادی میتوانند نتایج خوبی نسبت به سایر الگوریتمهای بهینهساز چندمُدی به دست آورند.https://jscit.nit.ac.ir/article_91720_90d1716f9f1df03701d3270d3fc9cf15.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10068320190923Coverage Optimization in Wireless Sensor Networks Using Gravitational Search Algorithmبهینهسازی پوشش در شبکههای حسگر بیسیم با الگوریتم جستجوی گرانشی203192723FAعباسعلی رضائیگروه کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، ایرانمحمد هادی زاهدیگروه مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایرانزینب دهقانگروه کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، ایرانJournal Article20190115Wireless sensor networks include low-weight low cost nodes equipped with limited processing and energy sources. Sensor nodes monitor their surroundings and send sensed events to the sink node through shortest path. One of the major challenges in these networks is to keep nodes connected to each other while the target area is covered effectively. These two parameters are referred as main parameters of quality of service (QoS). In this paper, optimal area coverage is carried out using the Gravitational Search Algorithm. In the proposed algorithm, the agents or masses are equivalent to sensor nodes. The nodes are influenced by distance, Newton gravity law and the laws of motion. A group of nodes can be considered as a cluster. The proposed algorithm is compared with previous methods in terms of network life time, remaining energy and network power. Simulation results show that the proposed method reduces energy consumption by optimizing the number of nodes in the area with maximal coverage, and increases the lifetime and effectiveness of the network.شبکههای حسگر شامل گرههای کم وزن با قابلیت پردازش و انرژی محدود هستند. این حسگرها محیط اطراف خود را نظارت کرده و رخدادها را از نزدیکترین مسیر به گره چاهک ارسال میکنند. یکی از چالش های مهم در این شبکهها، مسئله اتصال گرهها به یکدیگر و پوشش همزمان و کارای منطقه است. این دو بعنوان پارامترهای اصلی کیفیت سرویسدهی میباشند. در این مقاله پوشش بهینه منطقه، با استفاده از الگوریتم فرا ابتکاری جستجوی گرانشی انجام میشود. در الگوریتم پیشنهادی، عامل ها یا اجسام معادل گرههای حسگر در نظر گرفته میشوند. گرهها بر اساس فاصله، قانون جاذبه نیوتن و قوانین حرکت روی هم اثر میگذارند. مجموعه ای از گره ها بعنوان خوشه در نظر گرفته می شوند الگوریتم پیشنهادی از لحاظ طول عمر شبکه، انرژی باقیمانده و توان شبکه با روشهای قبلی مقایسه شده است. نتایج حاصل از شبیه سازی نشان میدهد که روش پیشنهادی با بهینه کردن تعداد گرهها در منطقه و پوشش حداکثری، مصرف انرژی را کاهش و طول عمر و توان شبکه را افزایش میدهدhttps://jscit.nit.ac.ir/article_92723_c739e8d1ff110489869630687ba054a1.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10068320190923Experimental analysis of stress and strain using photoelasticity and photogrammetryآنالیز تجربی تنش و کرنش به روش فتوالاستیسیته و فتوگرامتری323992728FAعبادت قنبری پرمهرگروه مهندسی نقشهبرداری، دانشکده مهندسی عمران، دانشگاه صنعتی نوشیروانی بابل، بابل، ایرانJournal Article20190218Measurement and experimental analysis of stress and strain of enforced objects are crucial in the fields of mechanics and civil engineering. The photoelasticity as a conventional method for measurement and analysis suffers from some limitations such as the need for specific transparent material, appropriate equipment and enough experience. In this research, photogrammetry was introduced for the experimental analysis of stress and strain measurement because of its high accuracy, ease and independence to the material of the object. To compare the accuracy of photogrammetry and photoelasticity, a crane hook-shaped object from Araldite epoxy has been tested for different enforcement. In each step, addition to recording the required information for photoelasticity, photos of the object have been taken by a digital camera in a fixed position and orientation. The position of the corresponding points on the object was measured with an accuracy of 0.01 pixel using digital image processing and least square image matching techniques. The measured stress and strain using photoelasticity and photogrammetry were compared with analytical stress and strain measurement method. The results indicated a high accuracy for photogrammetry compared to photoelasticity. Therefore, conventional methods for stress and strain measurements can be replaced by photogrammetry.اندازهگیری و آنالیز تجربی تنش و کرنش در قطعات تحت بار و سازهها اهمیت بسیاری در حوزههای مختلف علوم مهندسی مانند مکانیک و عمران دارد. فتوالاستیسیته به عنوان روشی مرسوم برای اندازهگیری تنش و کرنش دارای محدودیتهایی است. این محدودیتها شامل نیاز به استفاده از جسم از جنس خاص، تجهیزات تخصصی و تجربه کافی است. در این تحقیق، فتوگرامتری به عنوان روشی دقیق، آسان و مستقل از جنس قطعه برای اندازه-گیری تنش و کرنش معرفی شدهاست. برای مقایسه دقت فتوگرامتری و فتوالاستیسیته، قطعهای از جنس اپوکسی آرالدیت با شکل قلاب جرثقیل تحت بارگذاریهای مختلف قرار داده شده و در هر مرحله، علاوه بر ثبت اطلاعات مورد نیاز روش فتوالاستیسیته، عکسبرداری از قطعه با دوربین رقومی با حفظ وضعیت و مکان دوربین انجام شد. با استفاده از تکینیکهای پردازش تصاویر رقومی و بهکارگیری روش تناظریابی کمترین مربعات، مختصات نقاط متناظر روی قطعه با دقت 0.01 پیکسل اندازهگیری شده و تغییر طولهای ناشی از کرنشهای اصلی در نقطه دلخواه از قطعه محاسبه شدند. نتایج حاصل از فتوگرامتری با مقادیر حاصل از کرنش به دست آمده به روش فتوالاستیسیته و آنالیز تحلیلی کرنش در نقطه مورد نظر مقایسه شدند. مقایسه نتایج حاصل از روشهای مختلف بیانگر دقت بالای روش پیشنهادی برای اندازهگیری کرنش است. از اینرو، روش فتوگرامتری میتواند جایگزین روش-های مرسوم اندازهگیری کرنش و تنش حاصل از بارگذاری شود.https://jscit.nit.ac.ir/article_92728_490162addfb10b85780a3a201974037f.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10068320190923Dominant and rare events detection and localization in video using Generative Adversarial Networkتشخیص و مکانیابی رویدادهای رایج و نادر در ویدیو با بکارگیری شبکه تخاصمی مولد405193041FAمحمد خالوئیگروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایرانمحمد فخردانشگروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایرانمحمد سبک روگروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایرانJournal Article20181105Dominant and rare events detection is one of the most important subjects of image and video analysis field. Due to inaccessibility to all rare events, detecting of them is a challenging task. Today, deep networks are the best tool for video modeling but due to inaccessibility to tagged data of rare data, usual learning of a deep convolutional network is not possible. Due to the success of generative adversarial networks, in this paper an end-to-end deep network based on generative adversarial networks is presented for detecting rare events. This network is competitively trained only by dominant events. To evaluate performance of proposed method, two standard datasets: UCSDped1 and UCSDped2 are utilized. The proposed method can detect rare event with 0.2 and 0.17 equal error rate with the processing speed of 300 frames per second on the mentioned data respectively. In addition to end-to-end structure of the network and its simple train and test phase, this result is comparable to advanced methods results.شناسایی رویدادهای رایج و نادر در ویدیو یکی از مسائل مهم در حوزه تحلیل تصویر و ویدیو است. با توجه به عدم شناخت و در دسترس نبودن رویدادهای نادر، تشخیص آنها یک چالش محسوب میشود. امروزه، شبکههای ژرف یکی از بهترین ابزارها برای مدلسازی ویدیو هستند اما در این مساله با توجه به عدم وجود دادههای برچسبدار از کلاس رویدادهای نادر، آموزش یک شبکه کانولوشنال ژرف به صورت معمول امکان پذیر نیست. با توجه به موفقیت شبکه های عصبی ژرف تخاصمی مولد، در این پژوهش یک شبکه ژرف یکپارچه (انتها به انتها) با الهام از شبکه های ژرف تخاصمی مولد برای تشخیص رویدادهای نادر ارائه شده است. این شبکه فقط با رویدادهای رایج و به صورت تخاصمی آموزش داده شده است. برای نمایش میزان عملکرد معماری پیشنهادی، از مجموعه دادگان استاندارد UCSDped1 و UCSDped2 بهکارگیری شده است. معماری پیشنهادی روی مجموعه دادگان مذکور دارای نرخخطایبرابر به ترتیب 20% و 17% با سرعت پردازش 300 فریم بر ثانیه بوده است. این نتیجه علاوه بر ساختار یکپارچه شبکه و سادگی مرحله آموزش و آزمون آن، قابل مقایسه با نتایج روشهای پیشرفته است.https://jscit.nit.ac.ir/article_93041_98448d599e92c5238380a9006d717889.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10068320190923PageRank mutationجهش رتبه در PageRank525992694FAجواد پاک سیماگروه کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، ایرانJournal Article20190218The PageRank algorithm is one of the web based classification methods used by Google search engine first. The main purpose of this algorithm was to determine the popularity of Web pages. The algorithm uses the web links structure to find important pages. One of the problems of PageRank and the same algorithms based on the web graph is that the number of a page is propagated to its output pages without any control while the output screen really is not really recommended by the previous page directly or indirectly. In this paper, by changing the original formula PageRank, a method has been proposed to prevent the entry of the input bonds to a single page of publication without gaining popularity. In order to evaluate the proposed algorithm, a single web graph is constructed, which in some nodes has a rating leap. This mutation decreases after the proposed algorithm is applied.الگوریتم PageRank یکی از روشهای رتبهبندی مبتنی بر گراف وب است که اولین بار توسط موتور جستجوی گوگل برای مشخص کردن میزان محبوبیت صفحات مورد استفاده قرار گرفته است. این الگوریتم برای پیدا کردن صفحات مهم از ساختار پیوندها در وب استفاده می کند. یکی از مشکلات PageRank و الگوریتمهای مشابه مبتنی بر گراف وب، آن است که رتبهی یک صفحه به صفحات خروجی آن بدون هیچ کنترلی انتشار مییابد درحالیکه ممکن است صفحه خروجی واقعاً توصیه شده توسط صفحه قبلی بطور مستقیم یا غیر مستقیم نباشد. در این مقاله با تغییر فرمول اصلی PageRank روشی ارائه شده است تا با نرمالسازی پیوندهای ورودی به یک صفحه از انتشار بدون کنترل محبوبیت جلوگیری به عمل آید. همچنین به منظور ارزیابی الگوریتم ارائه شده یک گراف وب نمونه ساخته شده است که در بعضی از گره ها دارای جهش رتبه است. این جهش رتبه بعد از اعمال الگوریتم پیشنهادی کاهش مییابد.https://jscit.nit.ac.ir/article_92694_c5ea3e6ef05bc66cb289759e38b5ca3e.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10068320190923Machine learning algorithms for time series in financial marketsالگوریتمهای یادگیری ماشین برای سریهای زمانی در بازارهای مالی606791216FAمریم دهقانیگروه مهندسی کامپیوتر، دانشگاه یزد، یزد، ایرانمحمد قاسم زادهگروه مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران.0000-0002-6805-4852حبیب انصاری سامانیدانشکده اقتصاد، مدیریت و حسابداری، گروه اقتصاد، دانشگاه یزد، یزد، ایران.Journal Article20190218This research focuses on the usefulness of various intelligent machine learning algorithms on prediction of time series in financial markets. A challenge in this area is that economic managers and the scientific community are still demanding predictive algorithms with greater accuracy. The elimination of the mentioned challenge can improve the quality of the predictions and, as a result, lead to higher profitability and productivity. The proposed solution relies on finding the best input variables by using the regression-based machine learning algorithms, with emphasis on the leading selection methods. We implemented the concerned ideas using the Python language and the relevant machine learning tools. In our experiments, as dataset, we used the stock information of two companies from the Tehran Stock Exchange. These datasets belong to the transactions accomplished in years 2008 to 2018. The experimental results show that the technical features selected by the forward method can find the most effective and also the best values for the required parameters. The experimental results and formal analyses indicate that the use of selected technical features as inputs to the support-vector-machine and to the multi-layer perceptron machine gives prediction with the least-error, and this would provide more accurate predictionsاین پژوهش در رابطه با بررسی سودمندی الگوریتمهای هوشمند مختلف در حوزه یادگیری ماشین برای پیشبینی سریهای زمانی در بازارهای مالی میباشد. چالش مورد توجه در این حوزه، این است که مدیران اقتصادی و جامعه علمی، همچنان خواستار مدلهای پیش-ینی با دقت بیشتری میباشند. رفع چالش یاد شده موجب ارتقای کیفیت پیشبینی و به جهت آن، سودآوری و بهرهوری بالاتری میشود. راه حل پیشنهادی، تکیه بر بکارگیری الگوریتمهای یادگیری ماشینِ مبتنی بر رگرسیون، با تأکید بر روش انتخاب ویژگی پیشرو، جهت یافتن بهترین متغیرهای فنی ورودی دارد. موارد یاد شده، با بکارگیری ابزارهای یادگیری ماشین به زبان پایتون پیادهسازی گردیدند. دادههای تحقیق که در این پژوهش به کار گرفته شدند، اطلاعات مربوط به سهام دو شرکت از بورس تهران میباشند. این دادهها مربوط به سالهای ١٣٨٧ تا ابتدای سال ١٣٩٧ میباشند. نتایج آزمایشی نشان میدهند که ویژگیهای فنی منتخب توسط روش پیشرو، مؤثرترین و نیز بهترین مقادیر برای پارامترهای الگوریتمهای یادگیری مورد نظر را مییابند. نتایج آزمایشی و تحلیلهای رسمی دلالت بر این دارند که بکارگیری ویژگیهای فنی منتخب ،بهعنوان ورودی دو الگوریتم ماشین بردار پشتیبان و ماشین پرسپترون چند لایه، یک پیشبینی با حداقل خطا را در اختیار میگذارد. ؛ این مطلب منجر به ارائه پیشبینی با دقت بالاتری میگردد.https://jscit.nit.ac.ir/article_91216_816ee5e2ac629379bbc09abd3c631624.pdf