فصلنامه تخصصی آرمان پردازش

چکیده بیماری فلج چندگانه یک بیماری مغزی است که تشخیص زودهنگام آن در درمان آن اهمیت فراوانی دارد. یکی از راه های تشخیص این بیماری مشاهده ضایعات ناشی از این بیماری در MRI می‌باشد. اغلب راهکارهای پیشین با ایراداتی از قبیل دقت کم در تشخیص، وجود تعداد بالای ویژگی‌ها، به دنبال آن زمانبر بودن تحلیل و نیز نبود عدم‌قطعیت در دستیابی به پاسخ بهینه همراه هستند.
در این مقاله، برای اولین بار مجموعه بردار ویژگی‌ها از تجمیع نتایج حاصل از توصیفگرهای بافت تصویر MRI نظیر تبدیل موجک، ویژگی‌های آشوب (فراکتال)، الگوی باینری محلی شکل می‌گیرد. ارائه یک مجموعه ویژگی انتخاب شده با استفاده از الگوریتم تکاملی-تفاضلی تاکنون برای این مقوله از شناسایی مورد استفاده قرار نگرفته و از این رو تکنیک پیشنهادی برای اولین بار در انتخاب ویژگی بیماری MS پیشنهاد شده است. همچنین دسته‌بند پیشنهادی، مدلی بهبود یافته از در کنار هم قرار دادن سه نوع شبکه عصبی خواهد بود. مضاف بر این موارد، بهبود دقت، بهبود حساسیت و امکان بررسی صحت پاسخ‌های حاصل از طبقه‌بندی به عنوان موارد دیگر نوآوری تلقی می‌گردد.
داده‌های دریافتی در این مقاله، از دو مجموعه داده گرفته شده است. پس از اعتبارسنجی متقاطع K-fold، دقت آزمایشی در هر دو مجموعه تصویر به کار گرفته شده، به ترتیب معادل با ۹۵% و ۹۷% حاصل آمده‌اند که نسبت به روشی که در آن از تبدیل موجک به همراه آنالیز اجزای اصلی و ماشین بردار پشتیبان استفاده شده به میزان 2% بهبود داشته و همچنین مشکل عدم قطعیت نیز برطرف شده است.
الگوریتم معرفی‌شده، فاکتور دقت را که در روش‌های گذشته مورد توجه قرار نگرفته بود لحاظ کرده و نسبت به روش‌های قبلی دقت تشخیصی بیشتری دارد. این الگوریتم نه تنها زمان پردازش را کاهش می‌دهد، بلکه امکان پردازش همزمان از کانال‌های مختلف را نیز فراهم می‌کند و با نظرات پزشکان متخصص همخوانی بیشتری دارد. با وجود عدم استفاده از تکنیک جداسازی-پردازش همزمان، میزان خطاهای مثبت و منفی در شناسایی بیماری MS بسیار کم است. برای کارهای آینده، پیشنهاداتی شامل حذف نویز در مرحله پیش‌پردازش، ترکیب تکنیک‌های انتخاب ویژگی برای افزایش دقت و استفاده از پردازش موازی به عنوان ابزار اصلی در نرم‌افزارهای جداساز مطرح شده است.

چکیده ارزهای دیجیتال بانک مرکزی نسل نوینی از پول دیجیتال هستند که تحت نظارت بانک‌های مرکزی ایجاد و پشتیبانی می‌شوند. این فناوری پیشرو با پتانسیل تحولات اساسی در زیرساخت‌های سنتی پرداخت و چشم‌اندازی برای دگرگونی پرداخت‌های جهانی، توجه محققان و فعالان صنعت مالی را به خود جلب کرده است.

این مطالعه به بررسی چالش‌ها و فرصت‌های مرتبط با ارزهای دیجیتال بانک مرکزی در بازه زمانی ۲۰۱۸ تا ۲۰۲۴ می‌پردازد. در این راستا، جستجوی سیستماتیک در هشت پایگاه علمی معتبر انجام شد که در نتیجه، ۶۲ مقاله مرتبط استخراج گردید. پس از اعمال معیارهای غربالگری، ۵۳ مقاله برای تحلیل نهایی و تدوین این مقاله مروری انتخاب شدند. بررسی مقالات نشان‌دهنده افزایش قابل‌توجه علاقه به ارزهای دیجیتال بانک مرکزی در سال‌های اخیر است. بسیاری از بانک‌های مرکزی در سطح جهانی مشغول پژوهش و اجرای طرح‌های آزمایشی در این زمینه هستند. مزایای بالقوه این ارزها شامل ارتقای کارآمدی و شمولیت در پرداخت‌ها، تقویت ثبات مالی و نوآوری در خدمات مالی می‌باشد. در عین حال، چالش‌هایی نظیر مسائل مربوط به حریم خصوصی، امنیت سایبری و سوءاستفاده‌های احتمالی نیز مطرح‌اند. بنابراین، ضرورت دارد تحقیقات گسترده‌تر و چارچوب‌های نظارتی جامع‌تری برای مدیریت مزایا و ریسک‌های این ارزها تدوین شود.

چکیده در این مقاله، روشی جهت تشخیص بیماری کودکان مبتلا به fبیش فعالی ( ADHD) در کودکان با استفاده از مفهوم یادگیری عمیق و تحلیل همبستگی بین نواحی تقسیم شده تصاویر عملکردی مغز ارائه می شود. روش پیشنهادی شامل پیش پردازش تصاویر پزشکی جهت حذف تصاویر مخدوش و نویز دارو تصاویر ناقص و مشکل دار ، تولید تصاویر جدید عملکردی مغز با استفاده از خودرمزنگارها که در هوش مصنوعی و یادگیری عمیق کاربرد دارند برای کمک به تحلیل بهتر تصاویر پزشکی و مشکل محدودیت تصاویر پزشکی ، قطعه بندی تصاویر و ایجاد شبکه هایی مجزابرای افزایش دقت تشخیص بیماری و محاسبه همبستگی بین نواحی است که در نهایت به طور موثری موفق به تشخیص بیماری ADHD در کودکان می شود. نتیجه‌گیری این مطالعه نشان می‌دهد که این روش ترکیبی، توانایی بالایی در تشخیص به موقع و دقیق این بیماری در کودکان دارد و می‌تواند به عنوان ابزار موثری در حوزه پزشکی اعصاب و روان در کودکان مورد استفاده قرار گیرد.

چکیده سیستم عامل های توزیع شده بخش بسیار مهمی از کار طراحی و اجرای نرم افزار برای مدیریت سیستم هایی حاوی تعداد زیادی پردازنده را تشکیل می دهند، از طرفی پژوهش ها در حوزه های تحقیقات علوم کامپیوتر پیرامون سیستم های توزیع شده در چند دهه گذشته به میزان قابل توجهی افزایش یافته است. یکی از موضوعاتی که در این گونه سیستم عامل ها مطرح می شود بحث مدیریت منابع از طریق مدیریت فرایند است که برای مدیریت فرایند در یک سیستم عامل توزیع شده مکانیزم هایی وجود دارد که امکان انتقال فرایند، دانلود، اشکال زدایی از راه دور، حالت برداری و شبیه سازی راه دور سیستم عامل را ایجاد می کند. امکانات مدیریت فرایند توسط هسته سیستم عامل توزیع شده قابل تحقق است و بهبود کاربرد منابع از طریق این مهم ممکن می گردد. در این پژوهش قصد داریم بر سیر تکامل سیستم عامل های توزیع شده، نحوه مدیریت فرایند، مهاجرت، خوشه بندی، نحوه تراکنش پیام و سایر مباحث پیرامون مدیریت بهینه منابع در سیستم عامل توزیع شده، همچنین یک نمونه از این گونه سیستم عامل ها به نام آموبا ( آمیب) را مد نظر قرار داده و مدیریت فرایند، ارتباطات درون فرایندی و مکانیزم  های کارآمد بودن آن را در خصوص ایجاد دیدگاه بهبود مدیریت منابع مورد بررسی قرار می­دهیم.

چکیده با افزایش تقاضا برای خدمات ویدئویی با کیفیت بالا مانند پخش زنده، واقعیت مجازی و ویدئوهای UHD، نیاز به روش‌های کارآمد کدگذاری ویدئویی بیش از پیش احساس می‌شود. استانداردهای کدگذاری مانند H.264، H.265 و H.266 با هدف کاهش حجم داده‌ها و حفظ کیفیت تصویر توسعه یافته‌اند، اما همچنان با چالش‌هایی نظیر پیچیدگی محاسباتی، مدیریت پهنای باند و مقاومت در برابر فشرده‌سازی مواجه هستند. این مقاله مروری جامع بر روش‌های مبتنی بر شبکه‌های عصبی برای بهینه‌سازی کدگذاری ویدئویی ارائه می‌دهد. روش‌های مورد بررسی شامل استفاده از شبکه‌های عصبی کانولوشنی (CNN) برای پیش‌بینی حالت‌های درونی، شبکه‌های LSTM و Seq2Seq برای مدلسازی ترافیک ویدئویی و شبکه‌های عصبی معکوس (INN) برای پنهان‌سازی مقاوم ویدئو هستند. نتایج نشان می‌دهند که این روش‌ها می‌توانند زمان کدگذاری را تا 70 درصد کاهش دهند، دقت پیش‌بینی اندازه فریم‌ها را تا 13.6 درصد بهبود بخشند و مقاومت ویدئوهای استگو را در برابر فشرده‌سازی افزایش دهند. کاربردهای عملی این روش‌ها در مدیریت پهنای باند، بهینه‌سازی کدگذاری در دستگاه‌های کم‌منبع و امنیت ویدئویی نیز بررسی شده است. این مطالعه نشان‌دهنده پتانسیل بالای یادگیری عمیق در ارتقای استانداردهای کدگذاری ویدئویی است و جهت‌گیری‌های آینده را پیشنهاد می‌دهد.

چکیده یکی از مهم‌ترین کاربردهای اینترنت اشیا در حوزه سلامت، نظارت بر وضعیت بیماران از راه دور است. این فناوری به پزشکان امکان می‌دهد که به‌صورت لحظه‌ای وضعیت سلامت بیماران را بررسی کنند و این امر به‌ویژه برای افراد مبتلا یا مستعد به بیماری‌های قلبی بسیار حیاتی است. پیش‌بینی بیماری‌های قلبی عروقی به‌عنوان یک چالش پیچیده شناخته می‌شود که با دقت پایین در مدل‌های موجود روبه‌رو است. در این تحقیق، یک سیستم توصیه‌گر جدید برای پیش‌بینی بیماری‌های قلبی عروقی پیشنهاد شده است که از شبکه عصبی کانولوشنی برای تجزیه و تحلیل داده‌های فیزیولوژیکی بیماران استفاده می‌کند. داده‌های فیزیولوژیکی از بیماران به‌صورت از راه دور از طریق چهار حسگر بیولوژیکی شامل حسگر نوار قلب، حسگر فشار خون، حسگر ضربان قلب و حسگر قند خون جمع‌آوری می‌شوند. این داده‌ها سپس توسط یک کنترل‌کننده آردینو پردازش می‌شوند و مدل شبکه عصبی کانولوشنی برای پیش‌بینی بیماری قلبی عروقی به کار می‌رود، این مدل با قابلیت‌های برجسته در استخراج ویژگی‌های محلی و بدون نیاز به تحلیل پیچیده توالی زمانی، می‌تواند به‌طور موثری از داده‌های عددی ثابت مانند فشار خون، ضربان قلب، و قند خون برای تشخیص بیماری‌های قلبی استفاده کند. نتایج آزمایش‌ها نشان داد شبکه عصبی کانولوشنی توانسته است ویژگی‌های محلی و غیرزمانی داده‌ها را به‌طور مؤثری استخراج کرده و به مدل کمک کند تا دقت پیش‌بینی را به 98.90% برساند.