<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>مروری بر معیارهای مدیریت یکپارچه منابع در زیرساخت ابر با استفاده از رویکرد نرم افزار محور</VernacularTitle>
			<FirstPage>1</FirstPage>
			<LastPage>22</LastPage>
			<ELocationID EIdType="pii">191190</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>02</Month>
					<Day>27</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">استفاده‌ی بهینه از منابع از دغدغه‌های اصلی تمامی سازمان‌ها و فراهم‌کنندگان خدمت است. هدف از محاسبات ابری، فراهم نمودن مخزنی نامحدود از منابع برای پاسخ به هر درخواستی است. لایه‌ی زیرساخت به‌عنوان خدمت ابر، مسئول فراهم نمودن منابع موردنیاز خدمات ابری است. این منابع شامل منابع محاسباتی، منابع شبکه‌ای و منابع ذخیره‌سازی است. رویکردهای جاری در زیرساخت ابر از سه سیستم جداگانه برای مدیریت هر یک از این منابع استفاده می‌کنند. مدیریت مجزّای منابع زیرساخت ابر نمی‌تواند پاسخ‌گوی نرم‌افزارها و خدمت‌های چندرسانه‌ای که به یک سطح کیفیّت خدمت تضمین‌شده نیاز دارند، باشد. از طرفی کارایی منابع زیرساخت ابر وابسته به مدیریت یکپارچه‌ی این منابع است. در این مقاله ابتدا به معرفی دو سیستم مدیریت یکپارچه‌ی منابع می‌پردازیم. سپس اهداف، معیارهای اصلی و زیر معیارهای سیستم مدیریت یکپارچه‌ی منابع را شرح می‌دهیم. درنهایت با استفاده از مجموعه ویژگی‌های هر یک از سیستم‌های معرفی‌شده، به مقایسه آن‌ها می‌پردازیم.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">محاسبات ابری</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">زیرساخت به‌عنوان خدمت</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">مدیریت یکپارچه‌ی منابع زیرساخت ابر</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191190_cdbd6c477670973ffb0de79242cac655.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>ارائه ی روش جدید یافتن هسته جوامع برای بهبود الگوریتم انتشار برچسب در شبکه‌های اجتماعی</VernacularTitle>
			<FirstPage>23</FirstPage>
			<LastPage>55</LastPage>
			<ELocationID EIdType="pii">191440</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">کشف و تحلیل اطلاعات پنهان در شبکه‌های پیچیده، مخصوصا شبکه‌های اجتماعی توجه بسیاری از محققان را به خود جلب کرده است. تشخیص جوامع ابزاری بسیار مهم برای پی بردن به اطلاعات شبکه و ساختار آن می‌باشد. روش‌های بسیاری در این زمینه ارائه شده است اما همچنان ارائه‌ی روش‌های جدید با دقت و کیفیت بالا یکی از مباحث جذاب و چالش برانگیز در زمینه‌ی تشخیص جوامع است. الگوریتم انتشار برچسب (LPA)، یکی از الگوریتم‌های مشهور در زمینه‌ی تشخیص جوامع است. وجود ماهیت تصادفی و عدم ثبات در نتایج این الگوریتم، سبب شده است که LPA الگوریتم غیر قابل اطمینانی باشد. تشخیص درست گره‌های هسته و اتخاذ یک ترتیب مشخص از گره‌ها بر اساس اهمیتشان، پخش صحیح‌تر برچسب گره‌های هسته و بهبود نحوه‌ی انتخاب برچسب صحیح مباحثی هستند که در این مقاله به بررسی آنها می‌پردازیم. در این مقاله الگوریتم پیشنهادی که ترکیبی از روش پخش برچسب گره‌های هسته و روش انتشار برچسب است با انتخاب گره‌های هسته و پخش برچسب آنها و بهبود نحوه‌ی بروزرسانی برچسب گره‌ها، توانسته است دقت و کارایی الگوریتم LPA را بهبود بخشد. نتایج آزمایش‌های انجام شده بر روی دیتاست‌های استاندارد و مصنوعی و مقایسه نتایج حاصل، بیانگر عملکرد بهتر الگوریتم پیشنهادی نسبت به الگوریتم LPA و NIB-LPA است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">تشخیص جوامع</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">پخش دو سطحی برچسب</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">گره هسته‌</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تاثیر برچسب</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">شبکه‌های اجتماعی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191440_01140dc1bc97f2e60c8d439aa975d15d.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>تعیین برهم‌کنش‌های پایدار بر اساس ژن‌های خانه‌دار</VernacularTitle>
			<FirstPage>56</FirstPage>
			<LastPage>65</LastPage>
			<ELocationID EIdType="pii">191441</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">ژن‌های خانه‌دار در تمامی شرایط زیستی و مراحل رشد بافت حاضر بوده و همیشه بیان می‌شوند. ژن خانه­دار، ژن بنیادی است که برای نگهداری از عملکرد اولیه سلول موردنیاز بوده و در بیشتر سلول­های یک ارگانیسم بیان‌شده و پروتئین‌های متناظر را می­سازد. در حالت عادی، برخی از ژن‌ها در شرایط و گام‌های متفاوت از چرخه سلولی بیان نمی­شوند که می­تواند دینامیک حضور یک پروتئین و به‌تبع آن برهمکنش­های گذرا یا پایدار را مشخص کند. برهمکنش­های پایدار در تعیین کمپلکس­های پروتئینی نقش مهمی دارند. یکی از چالش‌های موجود در زیست‌شناسی سیستمی، تعیین حد آستانه‌های مناسب برای تعیین پروتئین‌های فعال در هر زمان و مشخص کردن برهم‌کنش‌های پایدار هست. هدف ما در این مقاله، تعیین حد آستانه منحصر به هر ژن برای مشخص کردن ژن‌های خانه‌دار و برهم‌کنش‌های پایدار هست. با استفاده از الگوریتم بهینه‌سازی فرا ابتکاری کرم شب‌تاب و تابع جذابیت مبتنی بر ترکیب مجموعه کمپلکس‌های استاندارد و بیان هم‌زمان ژن‌ها، حد آستانه مخصوص هر ژن تعیین      می­شود. نتایج تجربی روی‌داده‌های موجود نشان می‌دهد که حد آستانه‌های ایجادشده با روش ابداعی نتایج بهتری نسبت به روش‌های قبلی داشته است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">برهم‌کنش پروتئین-پروتئین</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">برهم‌کنش پایدار</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">الگوریتم کرم شب‌تاب</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">ژن‌های خانه‌دار</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">آستانه گذاری</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191441_94184c867da772130b291d79ae782578.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>مروری سیستماتیک بر اینترنت اشیاء در حوزه کاربردی پزشکی با رویکرد کنترل اپیدمیولوژی ویروس کرونا</VernacularTitle>
			<FirstPage>66</FirstPage>
			<LastPage>87</LastPage>
			<ELocationID EIdType="pii">191442</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">به بیان ساده اینترنت اشیا به توانایی ارتباط تمامی اشیایی که اطراف ما هستند، از طریق اینترنت تعریف می­شود . اﯾﻨﺘﺮﻧﺖ اﺷﯿﺎ از دو واژه ﺗﺸﮑﯿﻞ ﺷﺪه اﺳﺖ، اﺑﺘﺪا اﯾﻨﺘﺮﻧﺖ ﮐﻪ ﻧﺸﺎن از ﻣﺒﺘﻨﯽ ﺑﺮ IP ﺑﻮدن آن اﺳﺖ و ﺳﭙﺲ اﺷﯿﺎ ﮐﻪ ﻧﺸﺎن دﻫﻨﺪه اﺷﯿﺎ و دﺳﺘﮕﺎهﻫﺎی ﻧﺎﻣﺘﺠﺎﻧﺲ اﺳﺖ ﮐﻪ ﻣﯽﺧﻮاﻫﻨﺪ ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﺷﺪه و ﺑﻪ ﺗﺒﺎدل داده ﺑﭙﺮدازﻧﺪ. در این فناوری ﻣﯿﻠﯿﺎرد‌ﻫﺎ ﺷﯽء ﻣﯿﺘﻮاﻧﻨﺪ ﺑﺎ ﯾﮑﺪﯾﮕﺮ و ﺑﺎ ﻣﺤﯿﻂ اﻃﺮاف ﺧﻮد ارﺗﺒﺎط ﺑﺮﻗﺮار ﮐﻨﻨﺪ و ﺑﻪ ﺗﺒﺎدل اﻃﻼﻋﺎت ﺑﭙﺮدازند. اﯾﻦ ﺗﺒﺎدل اﻃﻼﻋﺎت ﺑﯿﻦ اﺷﯿﺎ و اﻧﺴﺎن روﻧﺪ زﻧﺪﮔﯽ را ﺑﻪ ﺳﺮﻋﺖ ﺗﻐﯿﯿﺮ داده اﺳﺖ. اﯾﻨﺘﺮﻧﺖ اﺷﯿﺎ ﺑﻌﻨﻮان ﯾﮏ ﻓﻨﺎوری ﻧﻮﻇﻬﻮر ﺑﺎ ﺗﺮﮐﯿﺐ دو ﻋﺮﺻﻪ ی دﯾﺠﯿﺘﺎﻟﯽ و ﻓﯿﺰﯾﮑﯽ، دﺳﺘﺮﺳﯽ ﺑﻪ ﻓﻨﺎوری اﻃﻼﻋﺎت را ﮔﺴﺘﺮدهﺗﺮ ﺳﺎﺧﺘﻪ اﺳﺖ و ﻫﻤﭽﻨﺎﻧﮑﻪ ﺑﻪ ﺳﻤﺖ ﻓﺮاﮔﯿﺮ ﺷﺪن ﭘﯿﺶ ﻣﯿﺮود زﻧﺪﮔﯽ اﻧﺴﺎﻧﻬﺎ را ﻫﺮ ﭼﻪ ﺑﯿﺸﺘﺮﺗﺤﺖ اﻟﺸﻌﺎع ﺧﻮد ﻗﺮار ﺧﻮاﻫﺪ داد. درمان ازطریق اینترنت اشیا نوعی فناوری است که حسگرهای بیسیم را در تجهیزات پزشکی تعبیه میکند، سپس بیماران و کادر بیمارستان و تجهیزات را به اینترنت مجهز و بهم متصل میکند تا انقلابی بسوی پزشکی مدرن شاهد باشیم.
این فناوری با تمامی ابعاد آن، گرچه در هسته خود بر شبکه و اتصالات آن بنا نهاده شده، به لحاظ تحقیقاتی ترکیبی از زمینه‌های مختلف دانش را شامل میشود. دراین مقاله ابتدا فناوری‌های مختلف اتصال و تعامل که در اینترنت اشیاء برای تبادل اطلاعات میان دستگاهها مورد استفاده قرارمیگیرد، بررسی‌شده و سپس به بررسی کاربردها، چالشها و همچنین پیاده سازی اینترنت اشیاء در حوزه علوم پزشکی پرداخته خواهد شد و در پایان نیز با توجه به شیوع روزافزون ویروس کرونا(کووید19) فناوری‌های پزشکی هوشمندی که با حداقل تماس با فرد ناقل بیماری، کمک شایانی در این حوزه داشته است، بررسی خواهد شد.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">اینترنت اشیاء</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">پزشکی هوشمند</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">سلامت هوشمند</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">مزایای اینترنت اشیاء</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">چالشهای اینترنت اشیاء</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">ویروس کووید</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191442_7db48ed21ea58bdbe6cc5f0865acccd8.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>سیستم‌های توصیه گر گردشگری سفر بر اساس الگوریتم خفاش و فیلترینگ ترکیبی</VernacularTitle>
			<FirstPage>88</FirstPage>
			<LastPage>110</LastPage>
			<ELocationID EIdType="pii">191443</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">حجم بسیار و روبه رشد اطلاعات بر روی اینترنت، فرآیند تصمیم‌گیری و انتخاب اطلاعات، داده یا کالاهای موردنیاز را، برای بسیاری از کاربران وب دشوار کرده است. سامانه‌های پیشنهاددهنده (توصیه گر)&lt;sup&gt;1&lt;/sup&gt; ، باهدف رفع این چالش به وجود آمده‌اند و تلاش می‌کنند تا از میان حجم عظیم اطلاعات، اطلاعات خاص و مفید را با توجه به علاقه و سلیقه کاربر و تجربیات کاربران گذشته به وی پیشنهاد دهند. تاکنون سامانه‌های پیشنهاددهنده زیادی در زمینه‌های کاربردی متنوع ازجمله فیلم، موسیقی، کتاب و … ایجادشده‌اند. انتخاب یک سفر مناسب، پیشنهاد هتل و … با توجه به بودجه‌ی فرد، معمولاً سختی‌ها و نگرانی‌های زیادی را برای کاربران به همراه دارد و عموماً با صرف زمان و انرژی زیادی انجام می‌گیرد. لذا در این مقاله یک سیستم پیشنهاددهنده سفر و هتل ارائه می‌شود که از ترکیب روش فیلترهای مختلف ساخته‌شده است تا دقت آن دوچندان شود. این سیستم برای ارائه پیشنهادهای نهایی خود، سلایق کاربر جاری، کیفیت مجموعه‌های خدمات دهنده و تجربیات گذشته کاربران مشابه با کاربر جاری را مدنظر قرار داده و بدین ترتیب علاوه بر ارائه پیشنهادهای دقیق‌تر، مشکل شروع سرد&lt;sup&gt;2&lt;/sup&gt; را که معمولاً برای کاربران جدید بروز می‌کند که در سیستم ثبت‌نام می‌کنند و سیستم هیچ اطلاعاتی از نظرات یا علایق کاربر ندارد، نیز برطرف می‌نماید. در چنین شرایطی، سامانه‌ها معمولاً از یادگیری فعال&lt;sup&gt;3&lt;/sup&gt; یا استفاده از ویژگی‌های شخصیتی کاربر، برای حل مشکل استفاده می‌کنند.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">سیستم پیشنهاددهنده</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">فیلترینگ ترکیبی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">الگوریتم خفاش</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">فیلترینگ مشارکتی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">فیلترینگ مبتنی بر محتوی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191443_1c67017c9b7e7d69ec1d6ef76ebca1aa.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>سیستم پیشنهاد دهنده خرید تلفن همراه با استفاده از فیلترینگ دانش‌محور</VernacularTitle>
			<FirstPage>110</FirstPage>
			<LastPage>130</LastPage>
			<ELocationID EIdType="pii">191444</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">برای تسریع در انتخاب و تصمیم‌گیری صحیح در حوزه تلفن همراه، سیستم پیشنهاد دهنده تلفن همراه دانش محور همراه با پرسشنامه علایق فردی در این تحقیق ارائه شده است. در ابتدا داده‌های مشخصات فنی تلفن همراه گردآوری، پاکسازی، انتخاب و تبدیل شد. سپس با توجه به نیاز کاربران، برچسب‌هایی طبق چندین قانون استخراج و به داده‌ها اختصاص داده شد. پس از آن با استفاده از الگوریتم های طبقه بندی مانند درخت تصمیم، بیز ساده و مدل خطی تعمیم یافته یک مدل ترکیبی ارائه شد. این مدل ترکیبی همراه با الگوریتم های یادگیری عمیق و جنگل تصادفی به صورت جداگانه جهت طبقه‌بندی تلفن های همراه استفاده شد. در نهایت این مدل‌ها از لحاظ دقت ارزیابی شدند. کاربران می‌توانند با  استفاده از مدل پیشنهادی و وارد کردن ترجیحات خود توسط پرسشنامه علایق فردی، به انتخاب تلفن همراه مناسب خود بپردازند.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">سیستم پیشنهاد دهنده</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">دانش محور‌</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری عمیق</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191444_b356afeea4f7add05c5938765003b5a3.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>شناسایی آماری الگو مبتنی بر استنتاج فازی ویژگی‌های بهینه طیفی –مکانی</VernacularTitle>
			<FirstPage>131</FirstPage>
			<LastPage>140</LastPage>
			<ELocationID EIdType="pii">191445</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">محاسبات نرم مبتنی بر ویژگی های طیفی و مکانی برای تحلیل تصاویر ابرطیفی معرفی می شود. در سامانه پیشنهادی پس از پیش پردازش سه مرحله شامل ساخت نقشه‌های احتمالاتی اولیه، فیلترگذاری نقشه‌های احتمالاتی و پیش پردازش بر اساس بیشینه احتمال به طبقه بندی مبتنی بر محاسبات نرم اعمال می شود. در سامانه پیشنهادی این مقاله، برخی از ویژگی های طیفی و مکانی تصاویر سنجش از دور پیش پردازش شده، به سیستم استنتاج فازی ممدانی عرضه می شود. ویژگی های بهینه برای اعمال به سیستم استنتاج فازی توسط بکارگیری الگوریتم ژنتیک و SVM انتخاب می شوند. کارایی روش شناسایی الگوی پیشنهادی به استفاده چندین داده واقعی و چندین معیار ارزیابی می شود. نتایج بدست آمده کارایی نشانگر کارایی روش پیشنهادی در طبقه بندی تصاویر ابرطیفی با استفاده از ویژگی های طیفی – مکانی و الگوریتم های هوش محاسباتی است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">محاسبات نرم</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تصاویر ماهواره ای</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">استنتاج فازی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">ویژگی های طیفی – مکانی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">شناسایی الگو</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191445_10426676b549059c0e3c066d54ae18dc.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>مدل سازی جواب های معادله غیر خطی شرودینگر مرتبه چهارم</VernacularTitle>
			<FirstPage>141</FirstPage>
			<LastPage>149</LastPage>
			<ELocationID EIdType="pii">191446</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">اساس و پایه بسیاری از پدیده ها در علوم مختلف به طور ذاتی غیر خطی هستند که توسط معادلات دیفرانسیل جزئی و معمولی شکل پیدا می کنند. به جزء تعداد محدودی از این معادلات که داری حل تحلیلی دقیق هستند، بیشتر این مسائل حل دقیق ندارند؛ که باید به وسیله شیوه‌های جدیدی مبتنی بر کد نویسی هایی بر پایه نرم افزارهایی همچون میپل و متلب حل شوند. در این نوشتار برانیم تا با استفاده از یک تعمیم جدید برای شکل جواب ها در روش تبدیل بکلاند، با استفاده از نرم افزار میپل جواب های سالیتونی جدیدی برای معادله غیرخطی تعمیم یافته رادهاکریشنان-کاندو-لاکشمینن را بیان می کنیم.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">سالیتون</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">موج</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">معادله غیر خطی</Param>
			</Object>
		</ObjectList>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>سامانه توصیه‌گر هوشمند رژیم غذایی با استفاده از یادگیری ‌عمیق</VernacularTitle>
			<FirstPage>150</FirstPage>
			<LastPage>160</LastPage>
			<ELocationID EIdType="pii">191447</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">زندگی مدرن سبب تغییر سبک زندگی در دنیای امروز شده است و بیماری‌های زیادی از جمله اضافه وزن و دیابت را بواسطه کم تحرکی بوجود آورده است. سیستم‌های هوشمند کامپیوتری از جمله سیستم‌های پیشنهاد دهنده، کاربرد روز ‌افزونی در زمینه‌های مختلف از جمله پزشکی پیدا کرده‌اند و می‌توانند به عنوان ابزار فیلتر کردن حجم عظیم اطلاعات با نظارت پزشکان، سرویس‌های مختلف مشاوره‌ای عرضه کنند. در این تحقیق مدلی برای یک سیستم هوشمند پیشنهاد دهنده ارائه شده است که با ارزیابی شرایط تناسب اندام و دانستن نیازهای غذایی کاربران، برنامه غذایی مناسبی را با توجه به وضعیت جسمانی مانند سن، قد، وزن و… پیشنهاد می‌نماید.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">سیستم پیشنهاد دهنده</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری ماشین</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری عمیق سامانه محاسباتی هوشمند</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191447_463d5c0279a539e90f37b81af6a59abb.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>محاسبه هوشمند وزن و ضریب تبدیل خوراک در مرغداری مبتنی بر پردازش تصویر</VernacularTitle>
			<FirstPage>161</FirstPage>
			<LastPage>170</LastPage>
			<ELocationID EIdType="pii">191448</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">در این پژوهش وزن سالن مرغداری و ضریب تبدیل دان به‌طور هوشمند محاسبه و از طریق پیام کوتاه به کاربر ارسال می­شود. وزن سنجی از طریق پردازش تصاویر گرفته‌شده انجام می­گیرد. ضریب تبدیل دان یا FCR[1]، پارامتری مهم در فرآیند پرورش گله است که رابطه مستقیمی با وزن دارد و با محاسبه وزن، با دقت بالا توسط سیستم به دست می­آید. تصاویر گرفته‌شده توسط دوربین 50 مگا پیکسلی متصل به پردازنده، ثبت می­شود و در Raspberry Pi که پردازنده است توسط برنامه نوشته در نرم‌افزار QT، پردازش می­شود. ارسال اطلاعات از طریق ماژول GSM SIM800C صورت می­گیرد که از طریق Arduino با پردازنده در ارتباط است. سرعت پردازش تصاویر بسیار سریع است و عملیات پردازش با محاسبه تعداد پیکسل­های هدف در تصویر که ارتباط خطی با میزان وزن دارد، وزن را محاسبه می­کند. درصد خطای 7.5% نشان از دقت بالای این سیستم است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">پردازش تصویر</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">محاسبه وزن</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">ضریب تبدیل دان</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">مرغ</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">پیام کوتاه</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191448_678d83bbc12d9da29ce532ce3e1799a1.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>Lightweight Additive Homomorphic Schemes for Cloud Outsourcing Scenarios</VernacularTitle>
			<FirstPage>170</FirstPage>
			<LastPage>177</LastPage>
			<ELocationID EIdType="pii">191449</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">Data privacy is a major concern in a cloud computing environment that uses the Database-as-a-Service model. Nevertheless, the existing encryption schemes are only partly homomorphic and are designed to enable for one particular method of computation to be carried out on encrypted data. To address these concerns, we have recently proposed new partially homomorphic schemes that preserve data privacy in a cloud database while still enabling encrypted data to be processed. The proposed schemes allow the processing of queries with an order-preserving partial homomorphic encryption scheme. We’ve shown that our schemes are a realistic framework that protect data privacy with reduced overhead.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">Cloud Computing Security Privacy</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">Preserving Additive Homomorphic Order</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">Preserving Scheme</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191449_99473e8aa491966272bc44c6e6e25eaa.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>گروه تخصصی محاسبات و سامانه های توزیع شده  انجمن انفورماتیک ایران</PublisherName>
				<JournalTitle>دوفصلنامه محاسبات و سامانه های توزیع شده</JournalTitle>
				<Issn>2645-4416</Issn>
				<Volume>2</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2020</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle></ArticleTitle>
<VernacularTitle>Combining Sequential and Parallel Tracking Strategies in Motion Mining: New Approach</VernacularTitle>
			<FirstPage>178</FirstPage>
			<LastPage>186</LastPage>
			<ELocationID EIdType="pii">191450</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>03</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		<Abstract></Abstract>
			<OtherAbstract Language="FA">In recent years, research into motion mining and tracking of moving objects in real-time have attracted the attention of many researchers. Therefore, a new model for motion mining based on a combination of sequential and parallel tracking strategies has been presented in this paper in order to take advantage of them and reducing their shortcomings simultaneously. In fact, combining tracker-level model helps to choose the right motion mining algorithm based on input data features, and also reduces tracking error by synchronizing tracker activity with parallel and series strategies simultaneously. In comparison with other existing solutions, this model provides important advantages such as decreasing the response time, improving the speed and increasing accuracy for tracking moving objects in the higher layers</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">Motion mining</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">objects tracking</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">parallel trackers</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">Sequential tracking</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.jdcs.ir/article_191450_c974106e3323723262cba09015c438b8.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
