-
دسترسی آزاد مقاله
1 - تعیین ماشینهای بردار پشتیبان بهینه در طبقهبندی تصاویر فرا طیفی بر مبنای الگوریتم ژنتیک
فرهاد صمدزادگان حديثه سادات حسنيامروزه تصاویر فرا طیفی به علت غنای اطلاعات طیفی یک ابزار قوی و کارامد در سنجش از دور به حساب میآیند و امکان تمایز بین عوارض مشابه را فراهم میآورند. با توجه به پایداری ماشینهای بردار پشتیبان در فضاهایی با ابعاد بالا، یک گزینه مناسب در طبقهبندی تصاویر فرا طیفی محسوب م چکیده کاملامروزه تصاویر فرا طیفی به علت غنای اطلاعات طیفی یک ابزار قوی و کارامد در سنجش از دور به حساب میآیند و امکان تمایز بین عوارض مشابه را فراهم میآورند. با توجه به پایداری ماشینهای بردار پشتیبان در فضاهایی با ابعاد بالا، یک گزینه مناسب در طبقهبندی تصاویر فرا طیفی محسوب میشوند. با این وجود، عملکرد این طبقهبندی کنندهها تحت تأثیر پارامترها و فضای ویژگی ورودی آنها میباشد. به منظور استفاده از ماشینهای بردار پشتیبان با بیشترین کارایی، میبایست مقادیر بهینهی پارامترها و همچنین زیر مجموعه بهینه از ویژگیهای ورودی تعیین گردند. در این تحقیق از توانایی الگوریتم ژنتیک به عنوان یک تکنیک بهینهسازی فرا ابتکاری، در تعیین مقادیر بهینه پارامترهای ماشینهای بردار پشتیبان و همچنین انتخاب زیرمجموعه ویژگیهای بهینه در طبقهبندی تصاویر فرا طیفی استفاده شده است. نتایج عملی از بهکارگیری روش فوق در خصوص دادههای فرا طیفی سنجنده AVIRISنشان میدهند، ویژگیهای ورودی و پارامترها هر کدام جداگانه تأثیر بسزایی بر عملکرد ماشینهای بردار پشتیبان دارند ولی بهترین عملکرد طبقه-بندی کننده با حل همزمان آن دو بدست میآید. در حل همزمان تعیین پارامتر و انتخاب ویژگی، برای کرنل گوسین و پلینومیال به ترتیب 5% و 15% افزایش دقت با حذف بیش از نیمی از باندهای تصویر حاصل شد. همچنین الگوریتم بهینهسازی شبیهسازی تبرید تدریجی به منظور مقایسه با الگوریتم ژنتیک پیادهسازی شد که نتایج حاکی از برتری الگوریتم ژنتیک به ویژه با بزرگ و پیچیده شدن فضای جستجو در رویکرد حل همزمان تعیین پارامتر و انتخاب ویژگی میباشد. پرونده مقاله -
دسترسی آزاد مقاله
2 - Toward Energy-Aware Traffic Engineering in Intra-Domain IP Networks Using Heuristic and Meta-Heuristics Approaches
Muharram MansoorizadehBecause of various ecological, environmental, and economic issues, energy efficient networking has been a subject of interest in recent years. In a typical backbone network, all the routers and their ports are always active and consume energy. Average link utilization i چکیده کاملBecause of various ecological, environmental, and economic issues, energy efficient networking has been a subject of interest in recent years. In a typical backbone network, all the routers and their ports are always active and consume energy. Average link utilization in internet service providers is about 30-40%. Energy-aware traffic engineering aims to change routing algorithms so that low utilized links would be deactivated and their load would be distributed over other routes. As a consequence, by turning off these links and their respective devices and ports, network energy consumption is significantly decreased. In this paper, we propose four algorithms for energy-aware traffic engineering in intra-domain networks. Sequential Link Elimination (SLE) removes links based on their role in maximum network utilization. As a heuristic method, Extended Minimum Spanning Tree (EMST) uses minimum spanning trees to eliminate redundant links and nodes. Energy-aware DAMOTE (EAD) is another heuristic method that turns off links with low utilization. The fourth approach is based on genetic algorithms that randomly search for feasible network architectures in a potentially huge solution space. Evaluation results on Abilene network with real traffic matrix indicate that about 35% saving can be obtained by turning off underutilized links and routers on off-peak hours with respect to QoS. Furthermore, experiments with GA confirm that a subset of links and core nodes with respect to QoS can be switched off when traffic is in its off-peak periods, and hence energy can be saved up to 37%. پرونده مقاله -
دسترسی آزاد مقاله
3 - Reducing Energy Consumption in Sensor-Based Internet of Things Networks Based on Multi-Objective Optimization Algorithms
Mohammad sedighimanesh Hessam Zandhessami Mahmood Alborzi Mohammadsadegh KhayyatianEnergy is an important parameter in establishing various communications types in the sensor-based IoT. Sensors usually possess low-energy and non-rechargeable batteries since these sensors are often applied in places and applications that cannot be recharged. The mos چکیده کاملEnergy is an important parameter in establishing various communications types in the sensor-based IoT. Sensors usually possess low-energy and non-rechargeable batteries since these sensors are often applied in places and applications that cannot be recharged. The most important objective of the present study is to minimize the energy consumption of sensors and increase the IoT network's lifetime by applying multi-objective optimization algorithms when selecting cluster heads and routing between cluster heads for transferring data to the base station. In the present article, after distributing the sensor nodes in the network, the type-2 fuzzy algorithm has been employed to select the cluster heads and also the genetic algorithm has been used to create a tree between the cluster heads and base station. After selecting the cluster heads, the normal nodes become cluster members and send their data to the cluster head. After collecting and aggregating the data by the cluster heads, the data is transferred to the base station from the path specified by the genetic algorithm. The proposed algorithm was implemented with MATLAB simulator and compared with LEACH, MB-CBCCP, and DCABGA protocols, the simulation results indicate the better performance of the proposed algorithm in different environments compared to the mentioned protocols. Due to the limited energy in the sensor-based IoT and the fact that they cannot be recharged in most applications, the use of multi-objective optimization algorithms in the design and implementation of routing and clustering algorithms has a significant impact on the increase in the lifetime of these networks. پرونده مقاله -
دسترسی آزاد مقاله
4 - تحليل گرافهاي حمله وزندار با استفاده از الگوريتمهاي ژنتيك
مهدی آبادی سعيد جليليهر گراف حمله مجموعهاي از سناريوهاي نفوذ به يک شبکه کامپيوتري را نمايش ميدهد. در اين مقاله، از گرافهاي حمله وزندار براي تحليل آسيبپذيري شبكههاي كامپيوتري استفاده ميشود. در اين گرافهاي حمله به هر سوءاستفاده توسط تحليلگر وزني نسبت داده ميشود. وزن نسبت داده شده ب چکیده کاملهر گراف حمله مجموعهاي از سناريوهاي نفوذ به يک شبکه کامپيوتري را نمايش ميدهد. در اين مقاله، از گرافهاي حمله وزندار براي تحليل آسيبپذيري شبكههاي كامپيوتري استفاده ميشود. در اين گرافهاي حمله به هر سوءاستفاده توسط تحليلگر وزني نسبت داده ميشود. وزن نسبت داده شده به هر سوءاستفاده متناسب با هزينه لازم براي جلوگيري از آن سوءاستفاده است. هدف از تحليل گرافهاي حمله وزندار يافتن يك مجموعه بحراني از سوءاستفادهها است که مجموع وزنهاي آنها کمترين مقدار ممکن باشد و با جلوگيري از آنها هيچ سناريوي نفوذي امکانپذير نباشد. در اين مقاله، يك الگوريتم حريصانه، يك الگوريتم ژنتيك با عملگر جهش حريصانه و يك الگوريتم ژنتيك با تابع برازندگي پويا براي تحليل گرافهاي حمله وزندار پيشنهاد ميشود. از الگوريتمهاي پيشنهادي براي تحليل گراف حمله وزندار يك شبکه مثالي و چندين گراف حمله وزندار مقياس بزرگ استفاده ميشود. نتايج بدست آمده از آزمایشها، عملكرد بهتر الگوريتمهاي ژنتيك پيشنهادي را نسبت به الگوريتم حريصانه نشان ميدهند به گونهاي كه الگوريتمهاي ژنتيك فوق قادر هستند مجموعههاي بحراني از سوءاستفادهها با مجموع وزنهاي كمتر را پيدا كنند. همچنين، از الگوريتم ژنتيك با تابع برازندگي پويا براي تحليل چندين گراف حمله ساده مقياس بزرگ استفاده ميشود و عملكرد آن با يك الگوريتم تقريبي براي تحليل گرافهاي حمله ساده مقايسه ميشود. پرونده مقاله -
دسترسی آزاد مقاله
5 - جداسازی کور مدولاسیونهای مخابراتی با استفاده از بردارهای ماشین تکیهگاه
سعید شعرباف تبریزی مرتضی خادمی محمد مولوی کاخکیدر اين مقاله سيستمی برای تشخيص نوع مدولاسيون پيشنهاد ميشود که قادر است بدون شناخت اولیه از پارامترهای سیگنال ارسالی، 9 مدولاسیون از خانواده مدولاسيونهاي فاز، دامنه و فاز- دامنه را شناسايي کند. برای تشخيص، طبقهبنديکننده SVM پیشنهاد شده است. پيچيدگي محاسباتي کم، سرعت چکیده کاملدر اين مقاله سيستمی برای تشخيص نوع مدولاسيون پيشنهاد ميشود که قادر است بدون شناخت اولیه از پارامترهای سیگنال ارسالی، 9 مدولاسیون از خانواده مدولاسيونهاي فاز، دامنه و فاز- دامنه را شناسايي کند. برای تشخيص، طبقهبنديکننده SVM پیشنهاد شده است. پيچيدگي محاسباتي کم، سرعت آموزش بالا و درصد تشخيص بالاتر نسبت به ساير روشهای تشخیص مدولاسیون مانند سطوح آستانه ثابت و متغیر و شبکههای عصبی، از مزاياي روش پیشنهادی به شمار ميآيند. نتایج شبیهسازی نشان میدهد که استفاده از ساختارهای سلسله مراتبی از طبقهبندیکننده SVM نیز میتواند به بهبود عملکرد بیانجامد. در این مقاله، استفاده از الگوریتم ژنتیک در بهینهسازی ساختار طبقهبندیکننده و نیز انتخاب بهینه ویژگیهای مورد استفاده در ساختار سلسله مراتبی، سبب افزایش قابل ملاحظه دقت تشخیص مدولاسیونها گردیده است. پرونده مقاله