کامپیوتر 18. پردازش تصویر

پردازش تصویر
چکیدهابزارهای پردازش تصویر همانند فتوشاپ و GIMP مجموعه ای از فیلترهایی را ارائه می دهند که شما می تواتنید بر روی تصاویرتان بکار برید تا تاثیرات خاصی را بر روی آن ها ایجاد کنید. زمانی که شما از یک میانجی کمکی (نرم افزارها) استفاده می کنید, استفاده از این افکت ها بسیار اغوا کننده می باشد. برای نمونه شما از فیلتری برای محو کردن عناصر در UI استفاده می کنید.شما همچنین می توانید به افزایش روشنایی یک تصویر با جا به جا کردن ماوس بر روی اجزای آن بپردازید.

کامپیوتر 108. پیش‌بینی موفقیت ERP: یک رهیافت شبکه عصبی مصنوعی

پیش‌بینی موفقیت ERP: یک رهیافت شبکه عصبی مصنوعی
کلیدواژه‌هابرنامه‌ریزی منابع سازمان (ERP) ؛ موفقیت ERP؛ مشخصات/عامل‌های سازمانی؛ شبکه عصبی مصنوعی (ANN) ؛ سیستم خبره
چکیدهبه سیستم برنامه‌ریزی منابع سازمان (ERP) بعنوان نمونه‌ای از سیستم‌های اطلاعات جدید اشاره شده است. با اینحال، دست یافتن به سطح مناسبی از موفقیت ERP متکی به عامل‌های گوناگونی است که این عوامل به یک محیط سازمانی یا پروژه‌ای وابسته هستند. در این مقاله، درمورد ایده پیش‌بینی موفقیت پیش از پیاده‌سازی ERP براساس مشخصات سازمانی، بحث شده است. همچنانکه با نیاز به ایجاد انتظارات از سازمان‌های ERP، یک سیستم خبره با استفاده از روش شبکه عصبی مصنوعی(ANN) برای بیان روابط بین برخی از عوامل سازمانی و موفقیت ERP توسعه داده شد. نقش سیستم خبره در آماده سازی برای به دست آوردن اطلاعات از شرکت های جدید که مایل به پیاده سازیERP هستند، و برای پیش بینی سطح محتمل موفقیت سیستم، است. برای این منظور، عامل‌های مشخصات سازمانی به رسمیت شناخته شده و مدل ANN توسعه داده شده است. سپس، با 171 داده بررسی شده به دست آمده از شرکت‌های خاور میانه که ERP  را تجربه کرده‌اند اعتباردهی می‌شوند. سیستم خبره آموزش دیده، با ضریب همبستگی متوسط 0.744پیش‌بینی می‌کند که نسبتاً بالا است و این ایده وابستگی موفقیت ERP به مشخصات سازمانی را حمایت می کند. علاوه بر این، نرخ طبقه بندی صحیح مجموع 0.685 نشان می دهد قدرت پیش بینی خوب است، که می تواند به پیش بینی موفقیت ERP شرکت‌ها قبل از پیاده سازی سیستم کمک نماید. 

کامپیوتر 120. برنامه (فضای ورودی) سطحی میان افزار برای محاسبه پخش و طبقه بندی شبکه های حسگر وایرلس

دومین کارگاه بین المللی روی بخش شبکه های حس گربرنامه (فضای ورودی) سطحی میان افزار برای محاسبه پخش و طبقه بندی شبکه های حسگر وایرلس
چکیدهویژگی های خاصی از شبکه های حسگر وایرلس برای استفاده و به کار گیری طبقه بندی نمونه کامپیوتری و برای انجام کارهای پیچیده به یک روش گروهی پیشنهاد می کنند و به این منظور به ممانعت های مربوطه به امکانات و توانایی های محدود شده گروه های حسگر غلبه می کنند. در این متن ما یک برنامه نرم افزاری متوسط برای حمایت و پیشرفت کاربردهای طبقه بندی شده روی WSN ها معرفی می کنیم.برنامه (فضای ورودی) فقط یک شاخه کوچک همه منظوره از نرم افزار فراهم می کند، در حالی که سازنده های کاربردی شامل ارتباط و پردازش الگوریتم ها و اطلاعات مبادله شده هستند که به طور نمادین نه با ساختار انجام شده و برتری بین داده و کد توصیف می شوند. رویکرد و روش ما برای پیشرفت دو سویه کاربردها روی هر گروه ممکن می شود و نیاز به هم گردانی میانی و عمل مشترک ندارد و باعث پیشرفت حسابگر کاربردی WSN می شود و زمان بر است. این روش کارها و کارکرد هر گروه را می تواند در یک مدت زمان که یک برنامه انجام می شود و حتی بعد از پخش شبکه با فرستادن کد قابل اجرای گره تغییر دهد.

کامپیوتر 70. تابع هدف جدید محدب برای آموزش نظارت شبکه‌های عصبی تک لایه‌‌

تابع هدف جدید محدب برای آموزش نظارت شبکه‌های عصبی تک لایه‌‌ 
چکیده:در این مقاله روش آموزش نظارت جدید برای ارزیابی چگونگی شبکه‌های Feed Forward عصبی تک‌لایه ارائه می‌شود. این روش از تابع ‌هدفی بر مبنایMSE   استفاده می‌کند، که خطاها را به جای این ‌که پس از تابع فعالسازی غیرخطی نورون‌ها ارزیابی کند قبل از آن‌ها بررسی می‌کند. در این گونه موارد، راه‌حل را می‌توان به سهولت از طریق حل معادلات در سیستم‌های خطی به‌دست آورد یعنی در این روش نسبت به روش‌های معین و مرسوم پیشین به محاسبات کمتری نیاز است. تحقیقات تئوری شامل اثبات موازنه‌های تقریبی بین بهینه ستزی سراسری تابع هدف بر مبنای معیارMSE  و یک تابع پیشنهادی دیگر می‌باشد. بعلاوه مشخص شده است که این روش قابلیت توسعه و توزیع آموزش را دارا می‌باشد. طی تحقیقات تجربی جامع نیز تنوع صحت در انرمان این روش مشخص شده است. این تحقیق شامل 10 دسته‌بندی و 16 مسئله‌ی بازگشتی می‌باشد. بعلاوه، مقایسه ‌این روش با دیگر الگوریتم‌های آموزشی با عملکرد بالا نشان می‌دهد که روش مذکور بطور متوسط بیشترین قابلیت اجرایی را داشته و به حداقل محاسبات در این روش نیاز می‌باشد.

کامپیوتر 13. انتخاب گره سرخوشه با استفاده از منطق فازی برای شبکه های حسگر بی سیم

انتخاب گره سرخوشه با استفاده از منطق فازی برای شبکه های حسگر بی سیم 
چکیدهشبکه های حسگر بی سیم (WSNs) نسل جدیدی از سیستم های تعبیه شده بلادرنگ را با محاسبات محدود، منابع انرژی و حافظه نشان می دهد که در کاربردهای گسترده متفاوتی زمانی که زیرساخت های شبکه سازی سنتی عملا اجرا نشدنی می باشند، مورد استفاده قرار می گیرند. انتخاب گره راس خوشه به طور قابل توجهی مصرف انرژی را کاهش داده و عمر شبکه را افزایش می دهد. در این مقاله، روش منطق فازی برای انتخاب راس خوشه بر مبنای سه واصف – یعنی انرژی، تمرکز و مرکزیت، مطرح می شود. شبیه سازی نشان می دهد که بر مبنای پیکره بندی شبکه، افزایش قابل توجه در عمر شبکه می تواند در مقایسه با احتمال انتخاب گره بر مبنای راس خوشه تنها با استفاده از اطلاعات محلی ایجاد می گردد. 
کلیدواژه- شبکه های حسگر بی سیم، راس خوشه، منطق فازی (منطق نامعلوم)