رکوردهای مرتبط با این شخص

ارائه روشی برای دسته‌بندی کاربران در شبکه‌های اجتماعی جهت بهبود سیستم‌های توصیه‌گر آنلاین (1395) / فرجی بیرگانی ، مریم، نویسنده

نوع مدرک: متون چاپی سرشناسه فرجی بیرگانی ، مریم، نویسنده رده‌بندی کنگره : ‭COM soft ‭12 1397 عنوان : ارائه روشی برای دسته‌بندی کاربران در شبکه‌های اجتماعی جهت بهبود سیستم‌های توصیه‌گر آنلاین ناشر: دانشگاه شهیداشرفی اصفهانی : بی نا سال نشر : 1395 صفحه شمار: ث، 104ص شابک/شاپا 22732 یادداشت پایان نامه کارشناسی ارشد : مهندسی کامپیوتر نرم افزار شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها شبکه‌اجتماعی  سیستم‌های توصیه‌گر  دسته‌بندی کاربران  جوامع آنلاین  انتشار برچسبsocial network  recommender systems  user's categorization  on-line communities  tag publishing چکیده : سیستم‌‌های توصیه‌گر در میـان حجم عظیمی از انتـخاب‌های ممکن برای رسیدن به گزینه‌های مفید و مورد‌ علاقه کاربـران، به‌عنـوان سیستـم‌های تأثیرگذار به‌منظور راهنمایی و هدایت افراد به‌کار گرفته شدند. برای ایجاد یک سیستم توصیه‌گر قدرتمند باید مهمترین چالش یعنی تعیین جامعه مطابق با علایق فرد را رفع نمود. برای این منظور در‌این تحقیق از الگوریتم خوشه‌بندی برای خوشه‌بندی افراد در شبکه‌های اجتماعی به‌منظور ایجاد یک سیستم توصیه‌گر استفاده شده است، با‌استفاده‌از خوشه‌بندی می‌توان افراد را بر‌اساس سلایق یکسان در دسته‌های یکسان قرار داد. الگوریتم خوشه‌بندی مورد استفاده در‌این پژوهش الگوریتم انتشار برچسب نام دارد که بزرگترین مزیت این الگوریتم تعیین خودکار تعداد خوشه می‌باشد. زیرا هیچگاه نمی‌توان در‌ یک شبکه اجتماعی تعداد دسته‌هایی که می‌توان افراد را در‌آن قرار داد، تعیین نمود و‌‌این بزرگترین مشکل در خوشه‌بندی این‌گونه سیستم‌های پویا می‌باشد. بر‌اساس این‌سیستم خوشه‌بندی افراد بر‌اساس نزدیک‌ترین فاصله‌ای که بر‌اساس ویژگی- های ثبت شده در مجموعه اعداد با یکدیگر دارند، در‌یک خوشه قرار می‌گیرند و نیازی به تعیین خوشه وجود ندارد. این عملیات تا زمانی‌که دیگر فردی بیخوشه‌ای وجود نداشته باشد، ادامه خواهد داشت. پس‌از خوشه‌بندی افراد در دسته‌های مختلف می‌توان از آیتم‌های انتخابی افراد دیگر در ‌‌یک خوشه برای توصیه به افراد دیگر در همان خوشه استفاده نمود. با استفاده از آزمایشات و نمودارها و نتایج به‌دست آمده ازمقایسه عملکرد روش ارائه شده بر‌روی مجموعه اعداد مووی لینز میزان دقت تشخیص الگوریتم در تمامی آزمایشات بهتر از روش های fcum و روشهای دیگر بوده است. بر‌اساس آزمایشات انجام شده مقدار پارامتر recall از بهبودی در‌حدود ده درصد نسبت به الگوریتم fcum و شش درصد نسبت به الگوریتم course cluster دارا می‌باشد. در‌میزان پارامتر precision نیز میزان پانزده درصد نسبت به الگوریتم fcum و مقدار هشت درصد نسبت به الگوریتمcourse cluster بهبود وجود داشته است و در‌نهایت در پارامتر f که ترکیب این دو پارامتر می‌باشد بهبودی در‌حدود بیست درصد نسبت به الگوریتم fcum و بهبودی در‌حدود پانزده درصد نسبت به الگوریتمcourse cluster به‌دست آورده شد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1291 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
22732	‭COM soft ‭12 1397	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

افزایش امنیت در شبکه‌های داده‌محور با تشخیص نفوذ مبتنی بر شبکه عصبی (1400) / عزتیان ، شادی، نویسنده

نوع مدرک: متون چاپی سرشناسه عزتیان ، شادی، نویسنده رده‌بندی کنگره : ‭COM soft ‭53 عنوان : افزایش امنیت در شبکه‌های داده‌محور با تشخیص نفوذ مبتنی بر شبکه عصبی عنوان موازی : Increased Security on Named Data Networking with Neural Network Based Intrusion Detection ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1400 صفحه شمار: 111ص شابک/شاپا 24538 یادداشت پایان‌نامه کارشناسی ارشد: رشته نرم‌افزار گرایش کامپیوتر شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها امنیت، تشخیص نفوذ، شبکه Named Data Netwoking خوشه‌بندی و شبکه عصبی  security, Named Data Networking, intrusion detection, neural network, Internet of things چکیده : باتوجه‌به رشد روزافزون فناوری اطلاعات پیشرفت تکنیک‌های حمله به طور اساسی افزایش می‌یابد که نفوذ یکی از تهدیدات اصلی اینترنت است و حملات تهدید جدی برای اینترنت اشیاء محسوب می‌شود؛ بنابراین بهبود و صحت و دقت سیستم و کاهش نرخ هشدار غلط تولیدشده یکی از جنبه‌های مهم پژوهش در شبکه‌های داده‌محور است. تکنیک داده‌کاوی به طور گسترده در تشخیص ناهنجاری‌ها مورداستفاده قرار می‌گیرد. باتوجه‌به اینکه در سیستم‌های تشخیص نفوذ، دقت در تشخیص نفوذ به شبکه و همچنین کاهش تعداد هشدارهای غلط اهمیت زیادی دارد، لذا در این پایان‌نامه یک مدل تشخیص نفوذ برای شبکه Named Data Networking با استفاده از ترکیب دو الگوریتم خوشه‌بندی k-means و شبکه عصبی که مبتنی بر طراحی، پیاده‌سازی و ارزیابی تشخیص ناهنجاری با رویکرد داده‌کاوی هست، ارائه شد. در مرحله پیش‌پردازش، به‌منظور کاهش پیچیدگی، ابعاد و ویژگی‌های غیرضروری برداشته می‌شود، همچنین برای کاهش زمان اجرا و اندازه مجموعه‌داده‌های آموزشی و افزایش دقت تشخیص، از خوشه‌بندی k-means قبل از طبقه‌بندی استفاده می‌شود. در مرحله آخر، یعنی مرحله طبقه‌بندی، از الگوریتم تحت نظارت شبکه عصبی به‌منظور بهبود دقت تشخیص استفاده می‌شود. به‌منظور ارزیابی روش پیشنهادی از دیتاست botnet_attacks استفاده شد. این دیتاست ازجمله دیتاست معتبر در زمینه شناسایی حملات در شبکه‌های کامپیوتری، اینترنت و حتی شبکه‌های اینترنت اشیاء محسوب می¬شود. این دیتاست دارای یک میلیون نمونه است که از مجموع نمونه‌ها تعداد 555958 نمونه به‌عنوان داده¬های صحیح و فاقد خطر و تعداد 444032 نمونه به‌عنوان داده نفوذی و دارای خطر و حمله botnet مشخص شده است. نتایج نشان دادند که روش پیشنهادی توانسته است میزان دقت سیستم تشخیص نفوذ را در مقایسه با روش درخت تصمیم، حدود 7 درصد افزایش دهد. همچنین این الگوریتم سرعت همگرایی بالایی دارد. شبکه عصبی حتی در صورت عدم ناهنجاری در مجموعه آموزشی به‌خوبی کار می‌کند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13613 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24538	‭COM soft ‭53	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بهبود و ارائه روشی هوشمند و سیستم هشداردهنده جهت شناسایی رفتار پرخطر رانندگان و مشخص کردن خودرو پرخطر در شبکه‌های بین خودرویی توسط اینترنت اشیاء (1401) / کریمی هراتمه ، نرگس، نویسنده

نوع مدرک: متون چاپی سرشناسه کریمی هراتمه ، نرگس، نویسنده رده‌بندی کنگره : ‭COM soft ‭57 عنوان : بهبود و ارائه روشی هوشمند و سیستم هشداردهنده جهت شناسایی رفتار پرخطر رانندگان و مشخص کردن خودرو پرخطر در شبکه‌های بین خودرویی توسط اینترنت اشیاء عنوان موازی : Improving and Providing an Intelligent Method and Warning System to Identify High-Risk Drivers' Behavior and Identify HHigh-Risk Vehicles in Ad Hoc Network By IoT ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 103ص شابک/شاپا 24542 شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها راننده پرخطر، منطق فازی ، اینترنت اشیاء ، شبکه‌های بین خودرویی ، موتور استنتاج ، سیستم هشداردهنده  high-risk driver, fuzzy logic, Internet of Things, inter-vehicle networks, inference engine, warning system چکیده : حوادث ترافیکی نه‌تنها باعث مرگ زودرس تعداد زیادی از افراد جامعه می‌شود بلکه تعداد زیادی را نیز دچار معلولیت و ناتوانی می‌کند که این امر یکی از دلایل به هدر رفتن نیروی انسانی و فشار اقتصادی بر جامعه است. تصادفات جاده‌ای و تلفات ناشی از آن کماکان یک نمونه بسیار جدی است که بایستی با شناخت عوامل و مؤلفه‌های تأثیرگذار بر تصادفات جاده‌ها در جهت کاهش آن اقدامات جدی به عمل آید که از مهم‌ترین دلایل آن می‌توان به عوامل انسانی ازجمله سرعت زیاد، بی‌احتیاطی رانندگان و بی‌توجهی به مقررات راهنمایی و رانندگی (فرهنگ رانندگی) و کیفیت پایین و غیراستاندارد بودن جاده‌ها اشاره کرد. این مطالعه شامل بررسی تصادفات جاده‌ای بر اثر حالات مختلف روحی و جسمی رانندگان قبل از حادثه، زمانی که خطر بالقوه تصادف وجود داشته، می‌باشد. هدف از این مطالعه کمک به بهبود شناسایی رانندگان پرخطر و بهبود سیستم‌های هشدار خودرو می‌باشد. در سیستم پیشنهادی که با استفاده از منطق فازی پیاده‌سازی می‌شود فرض بر این است که داده‌های مربوط به هرکدام از مقادیر در شبکه¬های بین خودرویی و در غالب اینترنت اشیاء و توسط حسگرهای متصل به خودروها و یا بانک‌های اطلاعاتی موجود در واحدهای کنار جاده (RSU) ذخیره شده و در صورت نیاز مورد استفاده قرار می‌گیرد. این سیستم ریسک رانندگی را در زمان واقعی تعیین می‌کند و خروجی‌ای را ارائه می‌دهد که می‌تواند برای انجام اقدامات مختلف توسط راننده و یا با توجه به ارتباطات خودرو به خودرو و ارتباطات خودرو با تجهیزات کنار جاده¬ای به دیگر خودروها زمانی که ریسک از حد معینی فراتر می‌رود، استفاده نماید. هسته اصلی در این مطالعه مدل استدلال فازی ممدانی است که از ترکیب چند موتور استنتاج فازی ، مولد فازی ، قوانین فازی و فازی زدایی تشکیل شده است. برای اجرای این پژوهش 6 پارامتر ورودی در نظر گرفته شده است که تأثیر مثبت پارامترهای جدید و روش پیشنهادی با شناسایی رانندگان پرخطر به‌دست‌آمده است. در روش مقاله پایه درصد دقت شناسایی احتمال تصادفات 55% و میزان دقت شناسایی تصادفات در روش پیشنهادی 70% می¬باشد؛ که نشان از بهبود روش قبلی در سیستم پیشنهادی می¬باشد که بیانگر دقت بالاتر و قابل‌قبول این روش می¬باشد مندرجات پایان‌نامه کارشناسی ارشد: رشته کامپیوتر گرایش مهندسی نرم‌افزار لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13617 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24542	‭COM soft ‭57	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بهبود تشخیص بیماری کبد در داده‌های نامتوازن با استفاده از شبکه عصبی و تکنیک بیش نمونه‌گیری SMOTE (1400) / تولایی ، راضیه، نویسنده

نوع مدرک: متون چاپی سرشناسه تولایی ، راضیه، نویسنده رده‌بندی کنگره : ‭COM soft ‭64 عنوان : بهبود تشخیص بیماری کبد در داده‌های نامتوازن با استفاده از شبکه عصبی و تکنیک بیش نمونه‌گیری SMOTE عنوان موازی : Improving the Diagnosis of Liver Disease in Imbalanced Data Using Neural Network and SMOTE Over-Sampling Technique ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1400 صفحه شمار: 85ص شابک/شاپا 24549 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها شبکه‌ عصبیPatternNet‌، بیماری کبد، بیش نمونه‌گیری، داده‌های نامتوازن  Artificial Neural Networks, Liver Disease, Over-sampling,Imbalance data. چکیده : تغییرات در سبک زندگی و شیوه زندگی مدرن باعث شده کبد به عنوان بزرگترین اندام درونی با بیماری‌های جدی مواجه باشد. بیماری‌های کبدی متنوع می‌باشند و سطح ابتلا به آن‌ها تاثیر مستقیم در طول درمان و یا عدم درمان‌پذیری آن‌ها دارد. بیماری‌های کبدی در دسته بیماری‌های خاموش و بدون علائم قرار می‌گیرند که عدم تشخیص به موقع و درمان به موقع آن منجر به مرگ بیماران می‌شود. از طرف دیگر گا‌هی عدم دانش و تخصص کافی پزشکان نیز می‌تواند، مانع تشخیص صحیح و درمان به موقع این قبیل بیماری شود. از اینرو محققان به دنبال روش‌هایی هستند که بتوانند به عنوان دستیار پزشکان در تشخیص به موقع این بیماری‌ها موثر واقع گردند. روش‌هایی که تاکنون در این زمینه ارائه شده‌اند غالبا در دسته روش‌های طبقه‌بندی قرار می‌گیرند. یکی از مشکلاتی که اغلب این روش‌ها با آن مواجه هستند نامتوازن بودن داده‌های دنیای واقعی است که منجر به کاهش صحت تشخیص این گروه از روش‌ها می‌شود. در تعداد محدودی از روش‌هایی که برای تشخیص بیماری کبد تاکنون ارائه شده‌اند از روش‌های طبقه‌بندی وزندار برای مواجه با این مشکل و کنترل آن استفاده کرده‌اند، این روش‌ها اگر چه توانسته است تا حدودی مشکل فوق را کنترل کنند اما چندان موفق نبوده‌اند. در این راستا و در جهت رفع چالش فوق در این تحقیق یک روش مبتنی بر شبکه‌های عصبی و تکنیک بیش‌نمونه‌گیری ارائه می‌شود. در این روش از تکنیک بیش‌نمونه گیری SMOTE جهت رفع مشکل داده‌های نامتوازن استفاده شده است و سپس از شبکه عصبی PatternNet با 50 گره مخفی برای تشخیص بیماری کبد از داده‌های اصلاح شده، استفاده شده است. نتایج این روش بر روی پایگاه داده کبد ILPD حاکی از آن است که روش پیشنهاد شده در این تحقیق توانسته است به ترتیب به صحت و دقت 87.03‌% و 92.10‌% دست یابد، که نشان دهنده موفقیت و عملکرد بهتر آن در مقایسه با روش‌های پیشین است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13624 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24549	‭COM soft ‭64	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بهبود روش های مدیریت جریان داده در شبکه های مبتنی بر نرم افزار با استفاده از توزیع کنترل کننده و کاهش ارتباطات بین قسمت ها (1396) / پورمیرزابیکی نایینی ، تهمینه، نویسنده

نوع مدرک: متون چاپی سرشناسه پورمیرزابیکی نایینی ، تهمینه، نویسنده رده‌بندی کنگره : ‭COM soft ‭20 1398 عنوان : بهبود روش های مدیریت جریان داده در شبکه های مبتنی بر نرم افزار با استفاده از توزیع کنترل کننده و کاهش ارتباطات بین قسمت ها ناشر: دانشگاه شهید اشرفی اصفهانی : بی نا سال نشر : 1396 صفحه شمار: ذ،70ص شابک/شاپا 22740 یادداشت پایان نامه کارشناسی ارشد : مهندسی نرم افزار شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها شبکه مبتنی بر نرم افزار  توزیع کنترل کننده  مدیریت جریان  مقیاس پذیری  کنترل کننده KandooSoftware Defined Network(SDN)  Distributed control plane  Flow Management  Scailability  Kandoo Controller چکیده : شبکه مبتنی بر نرم¬افزار یک معماری جدید در شبکه است که بخش داده)سوئیچ¬ها) را از بخش کنترل جدا می¬کند. تاکنون دراکثر پژوهش¬ها به توسعه این معماری پرداخته شده و تلاش کمتری در حوزه مدیریت جریان در شبکه مبتنی بر نرم¬افزار صورت گرفته است. در حالت معمولی یک کنترل¬کننده از بالا به پایین شبکه را به¬طور مرکزی کنترل و همه سوئیچ¬ها را هماهنگ می¬کند. مدیریت جریان در شبکه با مدل تک کنترل¬کننده دارای مشکلاتی مانند: عدم مقیاس¬پذیری، تاخیر اضافی در انتقال جریان، افزایش احتمال خرابی شبکه، تبدیل شدن کنترل¬کننده تکی به گلوگاه وغیره می¬باشد. نیاز به کنترل¬کننده توزیع شده جهت دستیابی به مقیاس¬پذیری و قابلیت اطمینان بالا در شبکه مبتنی بر نرم¬افزار ضروری است. برای داشتن کنترل¬کننده توزیع شده راه حل¬ها و چیدمان های مختلفی وجود دارد. در این پایان¬نامه مدل سلسه مراتبی که یک کنترل¬کننده به عنوان ریشه وسایر کنترل¬کننده¬ها به صورت محلی می¬باشند، ارائه می¬شود و وجه¬تمایز این الگو از سایر الگوها بررسی و نتایج و مستندات آن ارائه خواهد شد. در این پایان¬نامه دو کنترل¬کننده Poxو Kandoo را تحت تاثیر تعداد میزبان¬های مختلف و تعداد سوئیچ¬های متفاوت در دو مدل تک کنترلی و کنترل¬کننده توزیع شده با استفاده از شبیه ساز Mininet شبیه سازی کرده و طبق نتایج بدست آمده، کنترل¬کننده Kandoo به ترتیب برای 6، 20 و 50 میزبان (0.18،0.09،0.01) با زمان تاخیر کمتری بسته¬ها را ارسال می¬کند. برای اثبات عملکرد بهتر Kandoo در مدیریت جریان که خود ذاتاً توزیع شده و سلسله مراتبی می¬باشد، آن را با نتایج بدست آمده از مقایسه دو کنترل¬کننده Pox و Floodlight از نظر نرخ گذردهی و زمان رفت و برگشت بین سوئیچ و کنترل¬کننده(RTT) در تحقیقات گذشته، مقایسه کرده و طبق نتایج و نمودارهای بدست آمده، کنترل کننده توزیع شده Kandoo عملاً نتایج بهتری را جهت بهبود مدیریت جریان ارائه می¬دهد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1477 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
22740	‭COM soft ‭20 1398	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بهبود زمانبندی و مصرف انرژی در محاسبات ابری با استفاده از الگوریتم ترکیبی رقابت استعماری و ژنتیک (1395) / قائم مقامی ، حدیث السادات، نویسنده

نوع مدرک: متون چاپی سرشناسه قائم مقامی ، حدیث السادات، نویسنده رده‌بندی کنگره : ‭COM soft ‭17 1397 عنوان : بهبود زمانبندی و مصرف انرژی در محاسبات ابری با استفاده از الگوریتم ترکیبی رقابت استعماری و ژنتیک ناشر: دانشگاه شهید اشرفی اصفهانی : بی نا سال نشر : 1395 صفحه شمار: ج، 69ص شابک/شاپا 22737 یادداشت پایان نامه کارشناسی ارشد : کامپیوتر گرایش نرم افزار شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها رایانش ابری  زمانبندی وظایف  کاهش مصرف انرژی  الگوریتم ژنتیک  الگوریتم رقابت استعماریcloud computing  task scheduling  energy efficiency reduction  genetic algorithm  ICA algorithm چکیده : با رشد روز افزون شبکههای اینترنتی و افزایش تعداد مراکز داده، مدیریت خدمات ابری و استفاده از خدمات در این محیط به یکی از بزرگترین چالش ها در این زمینه تبدیل شده است. اما نکته قابل توجه، رشد روزافزون کاربران استفاده کننده از خدمات ابری میباشد و این حجم عظیم پردازش ها از طرف کاربران یکی از مشکلات موجود میباشد. زیرا افزایش پردازش اطلاعات احتیاج به ماشینهای فیزیکی بیشتر دارد و این به معنای مصرف انرژی بیشتر میشود. از این رو در سالهای اخیر بحث مدیریت ماشین های مجازی از طریق سیستمهای نرمافزاری مورد توجه بیشتری قرار گرفته است. بر این اساس در این پژوهش نیز به این مهم پرداخته میشود. استفاده از الگوریتم های فراابتکاری یکی از روش های مهم در زمینه حل مشکلاتی میباشد که مدل های ریاضی از حل آنها عاجز هستند و بحث مدیریت منابع نیز از این دسته از مشکلات می باشد . بنابراین، برای حل این مشکل، در این پژوهش با استفاده از الگوریتم ترکیبی رقابت استعماری و ژنتیک راهی برای تخصیص بهتر منابع به کارها در محیط ابر ارائه میشود. بر این اساس از عملگر آمیزش الگوریتم ژنتیک برای بهبود الگوریتم رقابت استعماری استفاده خواهد شد که ابتدا جمعیتی به تصادف بر اساس اختصاص تصادفی کارها به ماشینها ایجاد شده و با روند رو به جلو مراحل الگوریتم رقابت استعماری، جوابهای مسئله، بر اساس بهبود مصرف انرژی مطلوبتر شده و نتایج بهتری از خود به نمایش می گذارند. بر اساس آزمایشات که با استفاده از هر سه الگوریتم ژنتیک و مورچگان و الگوریتم ترکیبی رقابت استعماری و ژنتیک انجام شد الگوریتم رقابت استعماری از عملکرد بهتری برخوردار میباشد. در این آزمایشات الگوریتم ها از نظر میزان مصرف انرژی و میزان زمان پاسخ دهی به کاربران و سطح تفاضلات سطح سرویس مورد آزمایش قرار گرفتند که تنها در مورد آزمایش زمان پاسخ دهی رقابت بین الگوریتم ها بسیار نزدیک بود ولی در بقیه آزمایشات الگوریتم ترکیبی رقابت استعماری و ژنتیک برتر این رقابت بوده است و میتوان تاثیر این ترکیب را به خوبی در نمودارها مشاهده نمود. بر اساس آزمایشات الگوریتم پیشنهادی در حدود 01 درصد به صورت میانگین نسبت به الگوریتم های دیگر در میزان مصرف انرژی بهبود نشان داده است و به میزان 01 درصد در زمان پاسخ دهی و 01 درصد در میزان تفاضلات سطح سرویس بهبود نشان داده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1345 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
22737	‭COM soft ‭17 1397	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

بهبود سیستم‌های هشدار دهنده و شناسایی هوشمند خطرات و نقاط حادثه‌خیز جاده‌ها در شبکه‌های بین خودرویی توسط اینترنت اشیاء (1401) / فخری فخرآبادی ، عبداله، نویسنده

نوع مدرک: متون چاپی سرشناسه فخری فخرآبادی ، عبداله، نویسنده رده‌بندی کنگره : ‭COM soft ‭65 عنوان : بهبود سیستم‌های هشدار دهنده و شناسایی هوشمند خطرات و نقاط حادثه‌خیز جاده‌ها در شبکه‌های بین خودرویی توسط اینترنت اشیاء عنوان موازی : Improving warning systems and identifying hazards and accident hotspots on intercity networks by the Internet of Things ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 120ص شابک/شاپا 24550 یادداشت پایان‌نامه کارشناسی ارشد رشته کامپیوتر گرایش مهندسی نرم‌افزار شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها منطق فازی ، اینترنت اشیاء، شبکه‌های بین خودرویی (VANETs)، موتور استنتاج ، سیستم هشداردهنده  fuzzy logic, Internet of Things, inter-vehicle networks (VANETs), inference engine, warning system چکیده : امروزه با افزایش حجم ترافیک و تقاضا برای جابجایی از یک‌سو و همچنین آمار رو به افزایش تصادفات جاده‌ای و مرگ‌ومیر ناشی از آن از سوی دیگر، لزوم ایجاد مهندسی ایمنی و ترافیک در جاده‌ها را بیشتر از پیش نمایان می‌سازد، آمار تلفات جانی و خسارات مالی تصادفات در کشور ما قابل‌توجه است. جهت کاهش تلفات و خسارات ناشی از تصادفات، باید نقاط حساس و حادثه‌خیز شناسایی گردد تا بتوان اقدامات لازم را در این جهت انجام داد. شناسایی و رتبه‌بندی نقاط پرحادثه یا نقاط سیاه در یک شبکه حمل‌ونقل گامی جدی و اساسی در برنامه بهبود ایمنی ترافیک است. در این تحقیق بخش‌های بزرگراه بر اساس سطح ریسک ارزیابی‌شده به پنج سطح تقسیم شدند و خسارات اقتصادی تصادفات رانندگی به‌عنوان شاخص‌های ارزیابی مورداستفاده قرار گرفت. با تأثیر عوامل متعدد و ویژگی‌های عدم قطعیت، از آمار ریاضی و سیستم‌های خبره فازی (FESs) برای تعیین عوامل مؤثر در بخش‌های خطرناک بزرگراه‌های کوهستانی استفاده شد. توابع عضویت و مبنای قوانین فازی با توجه به داده‌های تصادفات بزرگراه و تجربیات کارشناسان تشکیل گردید، قواعد استدلال فازی این تجربه تخصصی پس از پردازش ایجاد شد. هسته اصلی FES در این مطالعه مدل استدلال فازی ممدانی است که از ترکیب چند موتور استنتاج فازی ، مولد فازی ، قوانین فازی و فازی زدایی تشکیل شده است. مقادیر ریسک 35 مقاطع منحنی افقی با این روش به دست آمد و نتایج خوبی با استفاده از روش شناسایی مقاطع خطرناک حاصل شد. نتایج نشان داد که طبقه‌بندی مقاطع خطرناک علاوه بر شعاع افقی ، درجه و زاویه انحراف منحنی افقی تا حد زیادی تحت تأثیر سوابق تصادفات، ضریب اصطکاک جاده و محدوده دید نیز می‌باشد. نتایج به‌دست‌آمده از FES ها به‌طورکلی با داده‌های تصادف واقعی مطابقت دارد. میزان ضریب همبستگی شاخص خسارت مالی و بزرگی خطر به‌دست‌آمده در روش مقاله پایه 872/0و ضریب همبستگی روش پیشنهادی 909/0 می¬باشد؛ که نشان از بهبود روش قبلی در سیستم پیشنهادی می¬باشد همچنین درصد اطمینان نمودارهای پراکندگی 95% اختصاص داده شده که بیانگر دقت خوب و قابل‌قبول این روش می¬باشد. فرض این مقاله بر این است که داده‌های مربوط به هرکدام از مقادیر مذکور در شبکه¬های بین خودرویی و در غالب اینترنت اشیاء و توسط حسگرهای متصل به خودرو و یا بانک‌های اطلاعاتی موجود در واحدهای کنار جاده (RSU) به‌دست‌آمده و در اختیار می‌باشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13625 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24550	‭COM soft ‭65	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

تشخیص جوامع در شبکه های اجتماعی با استفاده از الگوریتم فراابتکاری (1394) / قربانی ، زهرا، نویسنده

نوع مدرک: متون چاپی سرشناسه قربانی ، زهرا، نویسنده رده‌بندی کنگره : ‭COM soft ‭1 1396 عنوان : تشخیص جوامع در شبکه های اجتماعی با استفاده از الگوریتم فراابتکاری ناشر: دانشگاه شهید اشرفی اصفهانی : بی نا سال نشر : 1394 صفحه شمار: 110ص شابک/شاپا 22721 یادداشت پایان نامه کارشناسی ارشد : کامپیوتر گرایش نرم افزار شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها شبکه های اجتماعی  تشخیص جوامع  بهینه سازی گرگ خاکستری  الگوریتم فراابتکاری  ماژولاریتsocial networks  community detection  gray wolf optimizer  metaheuristic algorithm  modularity چکیده : شبکه های اجتماعی نسل جدیدی از وب سایت ها هستند که این روزها در کانون توجه کاربران شبکه جهانی اینترنت قرار گرفته اند. یک شبکه اجتماعی ساختاری اجتماعی و مجموعه ای از گره هایی است که نمایندگان افراد یا سازمان ها هستند که با یکدیگر رابطه ای یک یا دوجانبه دارند. یک شبکه اجتماعی ساختاری اجتماعی و مجموعه‌ای از گره‌های است که نمایندگان افراد یا سازمانها هستند که با یکدیگر رابطه‌ای یک یا دو جانبه دارند. یک شبکه اجتماعی معمولاً توسط یک گراف نشان داده می‌شود که مجموعه‌ای از گره‌ها، که نماینده افراد هستند، و Eمجموعه‌ای از یال‌ها، که نماینده روابط بین افراد هستند، می باشند. تحلیل شبکه‌های اجتماعی در واقع بررسی رابطه میان افراد، شامل بررسی ساختارهای اجتماعی، موقعیت اجتماعی، تحلیل نقش‌ها و موارد دیگر است. یکی ازمهمترینساختارهایاجتماعی، جوامع هستند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1116 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
22721	‭COM soft ‭1 1396	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

یادگیری ماشین برای تشخیص برنامه جدید در ردیاب های ترافیک سلولی (1400) / رهنما ، شهاب، نویسنده

نوع مدرک: متون چاپی سرشناسه رهنما ، شهاب، نویسنده رده‌بندی کنگره : ‭COM soft ‭39 1400 عنوان : یادگیری ماشین برای تشخیص برنامه جدید در ردیاب های ترافیک سلولی عنوان موازی : Machine Learning for novel application detection in cellular traffic traces ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1400 صفحه شمار: 11ص شابک/شاپا 23857 یادداشت پایان نامه کارشناسی ارشد: مهندسی نرم افزار کامپیوتر شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها شبکه سلولی  یادگیری ماشین  تحلیل ترافیک شبکه  کلان داده  داده بسته  Cellular network  Machine learning  Network traffic analysis  Big data  Packet data چکیده : امروزه با گسترش روز افزون استفاده از اینترنت به خصوص در گوشی های هوشمند که باعث گسترش بیش از پیش شبکه های اجتماعی شده است خطرات و مشکلات آن نیز افزایش یافته از کلاهبرداری ها تا افزایش ترافیک شبکه و به تبع آن کاهش سرعت پاسخگویی به کاربران به ویژه برای درخواست های حیاتی، نیاز به مدیریت و کنترل ترافیک شبکه بیش از گذشته احساس می شود، پاسخ به درخواست های حیاتی کاربر از جمله تراکنش های بانکی، کلاس ها و امتحانات آنلاین و ... که زندگی کاربر نهایی را تحت الشعاع قرار می دهد باید در اولویت قرار گیرند. در این مطالعه سعی شده است که راه حلی مناسب با استفاده از یادگیری ماشین برای طبقه بندی ترافیک شبکه و ایده ای نوین برای ساخت جدول اولویت برای کلاس های مختلف ترافیک شبکه پیشنهاد شود. برای سادگی موضوع میتوان آن را به کنترل ترافیک خیابان تشبیه کرد که گاهی اوقات برای کمتر شدن بار ترافیک از ورود خودرو های سنگین به سطح شهر جلوگیری به عمل می آید، موقع تصادف خطی از بزرگراه برای عبور آمبولانس در نظر گرفته می شود یا در مواقعی به خاطر بار زیاد خیابانی خیابان های ورودی برای مدتی بسته می شوند. برای این منظور از الگوریتم های نظارت شده مانند درخت تصمیم، جنگل های تصادفی، K نزدیکترین همسایه ها و شبکه های عصبی مصنوعی برای طبقه بندی ترافیک شبکه بعد از تنظیم پارامترها و انتخاب ویژگی های مهم منتج به این شد که بالاترین دقت این مدل ها برای جنگل تصادفی به 94.11 و در K نزدیکترین همسایه ها 96.93، وشبکه های عصبی به 89.46 می رسد. سپس جدول اولویتی با سه ویژگی قابل چشم پوشی، قابل تاخیر انداختن و پاسخ فوری بر اساس مهم بودن و اورژانسی بودن کلاس مورد نظر با سه روش دستی، اتوماتیک و نیمه اتوماتیک ساخته می شود که اپراتور انسانی یا ماشینی که مسئولیت مدیریت و کنترل شبکه را دارد با استفاده از آن در زمان هایی که نیاز هست تصمیم گیری میکند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13072 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
23857	‭COM soft ‭39 1400	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت