کد گذاری شبکه تنک به عنوان یک روش جهت کاهش پیچیدگی محاسباتی روش کد گذاری شبکه خطی تصادفی معرفی شد. در این روش برخلاف روش کد گذاری شبکه خطی تصادفی بیشتر ضرایب ماتریس کدگشایی صفر است. این تغییر باعث کاهش قابل توجه پیچیدگی محاسباتی الگوریتم های کدگشایی می شود. کدگشایی جزیی به معنای امکان کدگشایی بخشی از بسته های خام (پیش از دریافت بسته های مورد نیاز برای کدگشایی همه بسته های خام(تعریف می شود و یکی از قابلیت های روش کد گذاری شبکه تنک است. در این مطالعه با بهره بردن از قابلیت ذکر شده، با ارایه سه مدل مختلف روش کد گذاری تنک را به عنوان یک رویکرد برای کاهش تاخیر کدگشایی در نرم افزاری های بلادرنگ بررسی می کنیم. به طور دقیق تر ما ابتدا، با معرفی یک مدل مبتنی بر زنجیره ی مارکف، کد گذاری شبکه تنک را برای پیکربندی بدون یازخورد از لحاظ عملکرد های تعداد ارسال های مورد نیاز و میانگین تاخیر کدگشایی بسته برای یک نسل از بسته های خام ارزیابی می کنیم. سپس صحت مدل ارایه شده را با استفاده از شبیه سازی گسترده ارزیابی کر ده ونشان می د هیم مدل ارایه شده قادر به ارزیابی دقیق تعداد ارسال های مورد نیاز و تاخیر کدگشایی بسته برای یک نسل از بسته های خام است. نتایج همچنین صحت مدل در کانال خطا دار را هم ارزیابی می کند. در ادامه مدل مبتنی بر بازخورد را معرفی می کنیم و در بخش شبیه سازی نشان می دهیم این مدل قادر به ایجاد یک تعادل بهتر بین عملکرد تعداد ارسال و میانگین تاخیر کدگشایی بر بسته است. در آخر با تمرکز بر مسیله پیدا کردن درخت پوشای تصادفی یک مدل مبنی بر گراف برای تحلیل کدگذاری شبکه تنک ارایه می کنیم ونشان می دهیم اگرچه مدل معرفی شده فقط برای تنکی 2 معتبر است، اما ظرفیت توسعه برا تنکی های کمتر را نیز دارا است.

به دلیل افزایش حجم تصاویر تولیدشده توسط دوربین ها و دستگاه های مختلف، پردازش تصویر در بسیاری از کاربردها ازجمله پزشکی، امنیتی و رانندگی اهمیت و جایگاه بالایی یافته است. بااین حال بیشتر مدل های ایجادشده در حوزه پردازش تصویر کارایی چندانی نداشته و میزان خطای آن ها در برخی کاربردها تاثیرگذار است. علت اصلی ناکامی بیشتر مدل های ساخته شده، اختلاف توزیع بین داده های آموزشی (دامنه منبع) و داده های تست (دامنه هدف) می باشد. درواقع، مدل ساخته شده، قابلیت تعمیم دهی به داده هایی با خصوصیات و توزیع های متفاوت از داده های آموزشی را ندارد، به همین دلیل در مواجهه با داده های جدید دچار افت شدیدی می شود. در این مقاله ما یک روش جدید با نام کدگذاری تنک و طبقه بندی انطباقی (SADA) پیشنهاد می دهیم که یک مدل پردازش تصویری ایجاد می کند که در مقابل تغییرات داده ای مقاوم می باشد. مدل پیشنهادی با ایجاد یک زیر فضای مشترک بین دامنه های منبع و هدف اختلاف توزیع آن ها را به حداقل رسانده و موجب بهبود کارایی می شود. همچنین SADA با انتخاب نمونه هایی از دامنه منبع که با دامنه هدف مرتبط می باشند اختلاف توزیع بین دامنه ها را کاهش می دهد. علاوه بر آن، SADA با تطبیق پارامترهای مدل ایجادشده، یک مدل تطبیق پذیر برای مواجهه با شیفت داده ها ایجاد می کند. نتایج به دست آمده از آزمایش های متنوع، نشان می دهد که روش پیشنهادی ما، برتری قابل ملاحظه ای نسبت به تمام روش های تطبیق دامنه جدید دارد.

امروزه، گستردگی و تنوع اطلاعات متنی باعث پیچیدگی فرایند یافتن دانش و الگو های مورد نظر از میان آن ها شده است. یکی از گام های مؤثر برای کاهش این مشکل، خلاصه سازی است. در چند دهه گذشته مسئله خلاصه سازی با توجه به نمونه های گوناگون از جهات و ابعاد مختلف بررسی شده است. خلاصه سازی فرایندی هوشمند است که انجام آن حتی برای انسان ها ساده نیست و هر فردی با توجه به دیدگاهش می تواند نتیجه متفاوتی ارائه دهد. یک خلاصه مناسب باید دارای سه ویژگی پوشش، تُنُک بودن و تنوع باشد. بدین منظور در این پژوهش برای در نظر گرفتن این ویژگی ها یک روش بر مبنای کدگذاری تُنُک ارائه می شود. با به کارگیری این روش جملاتی به عنوان خلاصه نهایی انتخاب می شوند که حداقل خطا را در بازسازی جملات متن ورودی داشته باشند. سپس، با استفاده از روش های عصبی در بازنمایی معنایی کلمات و همچنین متون به بهبود روش پیشنهادی پرداخته می شود. برای ارزیابی روش پیشنهادی از مجموعه دادگان پاسخ استفاده شده و نشان داده می شود که روش پیشنهادی عملکرد بهتری نسبت به سایر پژوهش های انجام شده بر روی این دادگان در زبان فارسی دارد. مدل پیشنهادی توانسته است به میزان 10/02 درصد و 8/65 درصد و به ترتیب در معیار F روژ-1 و روژ-2 بهبود حاصل نماید.

امروزه گستردگی و تنوع اطلاعات متنی باعث پیچیدگی فرایند یافتن دانش و الگو های مورد نظر از میان آن ها گردیده است. یکی از گام های موثر برای کاهش این مشکل خلاصه سازی متون می باشد. در چند دهه گذشته، مسیله خلاصه سازی با توجه به نمونه های گوناگون از جهات و ابعاد مختلف بررسی شده است. خلاصه سازی فرآیندی هوشمند است که انجام آن حتی برای انسان ها ساده نمی باشد و هر فردی با توجه به دیدگاهش می تواند نتیجه متفاوتی ارایه دهد. یک خلاصه مناسب باید دارای سه ویژگی پوشش، تنک بودن و تنوع باشد. بدین منظور در این پژوهش برای در نظر گرفتن این ویژگی ها یک روش بر مبنای کدگذاری تنک ارایه می گردد. با استفاده از این روش جملاتی به عنوان خلاصه نهایی انتخاب می گردند که حداقل خطا را در بازسازی جملات متن ورودی داشته باشند. سپس با استفاده از روش های عصبی در بازنمایی معنایی کلمات و همچنین متون به بهبود روش پیشنهادی پرداخته می شود. برای ارزیابی روش پیشنهادی از مجموعه دادگان پاسخ استفاده شده است و نشان داده می شود که روش پیشنهادی عملکرد بهتری نسبت به سایر پژوهش های انجام شده بر روی این دادگان در زبان فارسی دارد. مدل پیشنهادی توانسته است به میزان 10. 02% و 8. 65% به ترتیب در معیار F روژ-1[1] و روژ-2[2] بهبود حاصل نماید.

در این تحقیق یک روش نوین جهت آشکارسازی ناهنجاری ها در تصاویر ابرطیفی بر پایه کدگذاری تنک و با استفاده از پنجره های متحرک محلی پیشنهاد شده است. مهمترین نقطه قوت این روش فراهم نمودن شرایط و امکان قضاوت بهتر در خصوص احتمال وقوع ناهنجاری در داده های ابرطیفی با بکارگیری روشی با قابلیت تجمیع و هم افزایی اطلاعات هر پیکسل تصویری طی عبور پنجره متحرک از آن می باشد. در این روش با عبور یک پنجره ی متحرک، هر پیکسل موقعیت های مکانی مختلفی را نسبت به همسایگان مکانی خود تجربه نموده و در هر یک از موقعیت های مذکور یک دیکشنری محلی که مبین داده های پس زمینه می باشد، بصورت بهینه با استفاده از الگوریتمK-SVD تشکیل شده و بازسازی داده های موجود به روش تخمین تنک در پنجره متحرک با بگارگیری الگوریتم SOMP صورت می پذیرد. بنابراین در هر موقعیت پنجره برای هر پیکسل خطای بازسازی با روش کدگذاری تنک مورد محاسبه قرار می گیرد. با توجه به استفاده از دیکشنری پس زمینه در بازسازی کلیه داده ها، هر گاه احتمال وقوع ناهنجاری در پیکسل مورد بررسی بیشتر باشد، مقدار خطای بازسازی آن نیز بزرگتر خواهد بود. لذا با بررسی این خطا در موقعیت های مختلف هر پیکسل نسبت به پنجره متحرک، می توان به مجموعه ای از خطاهای بازسازی برای آن پیکسل دست یافت که در نهایت واریانس آنها به عنوان معیار آشکارسازی ناهنجاری در نظر گرفته می شود. مقایسه نتایج آشکارسازی با روش پیشنهادی در این تحقیق با الگوریتم هایی مانند GRX، LRX، CRD وBJSR با بکارگیری چهار نوع داده ابرطیفی اعم از واقعی و شبیه سازی شده، حاکی از کارایی بهتر آشکارساز پیشنهادی به میزان متوسط حدود 9 درصد نسبت به آنها می باشد.

در این مقاله از روش های کدگذاری تنک و تعلیم لغت نامه به منظور ایجاد مدل تقریب تنک از یک مدل اصلی استفاده شده است. ایجاد مدل تقریب تنک از یک مدل اصلی شامل دو مرحله است؛ کدگذاری تنک و تعلیم لغت نامه. در کدگذاری تنک در هر تکرار با انتخاب مناسب ترین متغیر و اضافه نمودن آن به مجموعه متغیرهای بکار برده شده، مدل رگرسیون بهینه می شود. لغت نامه در واقع ماتریسی است که بر اساس آن، مدل ها کدگذاری می شوند. برای ایجاد ماتریس لغت نامه مجموعه ای از مدل-های قابل قبول از یک خاصیت را به عنوان مجموعه تعلیم در نظر می گیرند و مراحل کدگذاری تنک و تعلیم لغت نامه به صورت متناوب روی این مجموعه تعلیم انجام می گیرد. در هر تناوب لغت نامه بهینه تر می شود. مجموعه تعلیم را می توان با روش های زمین آمار چند نقطه ای و بر اساس بهترین مدل های موجود از آن خاصیت ایجاد کرد. در این مقاله، از روش زمین آمار چند نقطه-ای DisPat برای ایجاد تحقیق های مورد نیاز در مجموعه آموزشی استفاده شده است. روش ILS-DLA به منظور تعلیم لغت-نامه و روش LARS به منظور کدگذاری تنک به کار برده شده اند. روش ILS-DLA فرآیند وارون سازی در تعلیم لغت نامه را بر اساس ساختار داخلی لغت نامه و با بلوک کردن لغت نامه به زیر-ماتریس های کوچکتر انجام می دهد. اساس روش LARS همان رگرسیون خطی است ولی سعی می کند به جای استفاده از همه متغیرها، تعداد مناسبی از آنها را انتخاب و در رگرسیون استفاده کند. بر اساس آزمایش های انجام شده مدل تقریب تنک نهایی به احتمال 90 درصد نسبت به 90 درصد از مدل های موجود در مجموعه آموزشی به مدل اصلی نزدیک تر است. از مدل تقریب تنک می توان در مدل سازی و شناسایی خواص مخزن به عنوان نماینده ای از مدل اصلی و به عنوان حد پایین در انتخاب مجموعه مدل های نزدیک به مدل اصلی استفاده کرد.

تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزشی افزایش یابد. علاوه بر این، استفاده از کدگذاری تنک، مدل یادگرفته شده را بسیار مختصر نموده و کنترل آن را ساده می نماید. با این حال، اختلاف توزیع بین دامنه های منبع و هدف بازدهی مدل را کاهش می دهد. در این مقاله، ما یک مدل تطبیق دامنه بدون نظارت پیشنهاد می دهیم تا خطای پیش بینی مدل های طبقه بندی تصاویر را کاهش دهیم. از وزن دهی مجدد نمونه ها برای مدیریت داده های اضافه و اطلاعات بلااستفاده داده های منبع در نمایش جدید استفاده می شود. همچنین، اختلاف توزیع شرطی بین دامنه های منبع و هدف با استفاده از روی هم گذاری زیرفضاها کاهش داده می شود. روش پیشنهادی ما یک طبقه بند مستقل از دامنه تنک در زیرفضای به دست آمده می باشد که ساختار داده های ورودی را حفظ می کند. آزمایشات گسترده نشان می دهد که روش پیشنهادی ما بر روی پایگاه داده های واقعی در مقایسه با روش های به روز در حوزه یادگیری ماشین و تطبیق دامنه، 49/4% بهبود در صحت طبقه بندی دارد.

محدودیت انرژی در شبکه های حسگر بی سیم، مسیریابی بسته ها را با چالش های اساسی روبرو کرده است. در کاربردهای مبتنی بر رخداد، محدودیت های ذاتی این شبکه ها باعث شده است که بر اثر ترافیک بیش از حد بسته ها، گره های حسگر نزدیک چاهک انرژی خود را تخلیه نمایند. در اثر این تخلیه ماموریت شبکه با مشکل اساسی روبرو خواهد شد. روش کدگذاری شبکه با کدگذاری و کدگشایی بسته های داده، گذردهی شبکه را بهبود داده، تاخیر انتها به انتها را کاهش داده و شبکه را در برابر برخی خطاها مقاوم می نماید. در این مقاله یک الگوریتم مسیریابی با استفاده از کدگذاری شبکه ارائه شده است. در روش پیشنهادی برای تعیین مسیرها، پارامترهای کیفیت پیوند ارتباطی و انرژی موجود همسایه ها را در نظر گرفته و علاوه بر آن برای ارسال اطلاعات از کدینگ شبکه استفاده می شود. نتایج شبیه سازی نشان می دهد که روش پیشنهادی در مقایسه با روش دیگر، قابلیت اطمینان را افزایش و انرژی مصرفی را کاهش می دهد.

کدگذاری شبکه، رویکردی موثر جهت بهبود عملکرد شبکه های بی سیم است. ازاین رو، نسل جدیدی از پروتکل های مسیریابی، تحت عنوان پروتکل های مسیریابی آگاه به کدگذاری شبکه، در فرآیند کشف مسیر خود، موقعیت های کدگذاری موجود را شناسایی نموده و سعی در استقرار مسیرهایی با موقعیت های کدگذاری مناسب می نمایند. بسیاری از پژوهش های انجام شده در این نوع مسیریابی، تنها سعی بر حداکثر نمودن تعداد موقعیت های کدگذاری در مسیر ارسال داده دارند. این در حالی است که افزایش موقعیت های کدگذاری به تنهایی، ممکن است بهینگی و گذردهی مسیرهای شبکه را کاهش دهد زیرا گاهی اوقات با در نظر گرفتن عامل موقعیت های کدگذاری به تنهایی و عدم توجه به کیفیت پیوندهای مسیر، کیفیت مسیرهای کشف شده کمتر می شود. در این مقاله، به منظور برطرف نمودن نقاط ضعف پژوهش های مرتبط انجام شده، یک پروتکل جدید مسیریابی آگاه به کدگذاری بر اساس منطق فازی ارایه شده است. به نحوی که تاخیر پیوندهای هر مسیر در کنار وضعیت گره های هر مسیر، با به کارگیری منطق فازی ارزیابی می شوند و ارزش کلی مسیرهای مختلف، مشخص می شود. درنهایت مسیرهایی که از نظر کیفیت پیوندها و گره های مسیر، دارای وضعیت بهتری هستند برای ارسال داده ها انتخاب می شوند. نتایج شبیه سازی نشان می دهد که پروتکل پیشنهادی، نسبت به روش های پیشین، عملکرد بهتری از نظر گذردهی، نسبت تحویل بسته و تاخیر انتها به انتها دارد.