مقدمه سیگنال EEG مخفف Electroencephalography است که با استفاده از یک سری الکترودها که در سطح مغز قرار می‌گیرند، فعالیت‌های الکتریکی مغز را اندازه گیری می‌کند[13]. الکترودها به منظور جمع آوری ولتاژ در مکان‌های خاصی از مغز قرار می‌گیرند. قبل از اینکه الکترودها در سطح پوست قرار گیرند یک ژل هادی به منظور کاهش مقاومت […]
از زمانی که سیگنال های EEG ثبت شد محققین سعی در استفاده از این سیگنال ها برای کاربرد های مختلف داشتند. در ابتدای کار از این سیگنال ها فقط برای کاربرد های پزشکی استفاده می کردند مانند تشخیص انواع بیماری ها که رایج ترین آنها بیماری صرع است . اما بعد ها از این سیگنال
اولین تلاش ها در زمینه تعامل انسان با رایانه همزمان با کشف سیگنال های EEG شروع شد و دانشمندان سعی کردند که بین این سیگنال ها و فعالیت های مغزی ارتباط برقرار کنند[1]. اما با توجه به اینکه در ابتدا این سیگنال ها بسیار آشفته و دارای نویز بودند، از این سیگنال ها فقط در
تعامل انسان با کامپیوتر (HCI) امروزه کاربردهای گسترده ای دارد. این رشته علم بررسی تعامل کامپیوتر و انسان است. در واقع این علم نقطه تقاطع دانش کامپیوتر، علوم رفتارشناسی طراحی و چند علم دیگر است. ارتباط و تعامل کامپیوتر وانسان از طریق واسط اتفاق می‌افتد. که شامل نرم‌افزار و سخت‌افزار است. یک تعریف دقیق آن
به طور کلی پايگاه دادههای آسيب پذيریها را میتوان به دو دسته تقسيم کرد. اول پايگاه دادههای عمومی مانند [1]CVEو [2]OSVDBدوم پايگاه دادههای سازندگان نرم افزارها مانند [3]MFSA. در پايگاه دادههای عمومی اطلاعات آسيب پذيریها از نرم افزارهای مختلف و متنوعی موجود است و اين گزارشها عموماً مربوط به محصولاتی با کاربری زياد است. اطلاعات
محققان و سازمانهای مختلف، تاکنون دسته بندیهای متفاوتی را برای آسيب پذيریها ارائه کردهاند. در اين بخش به معرفی برخی از کارهای انجام شده برای دسته بندی آسيب پذيریها پرداخته میشود. بيشاپ[1] (در سال 1995) (30) و کرسل[2] (در سال 1998) (31) از پيشگامان کلاس بندی آسيب پذيریهای نرم افزارها هستند. بيشاپ (30) يک طبقه
تعدادی سيستمهای نمره دهی آسيب پذيریها که توسط سازمانهای تجاری و غير تجاری مديريت میشوند، وجود دارند. هريک از اين سازمانها متريکهای خاص خود را دارند و در آنچه اندازهگيری میکنند با يکديگر متفاوت هستند. برخی از مهمترين اين سيستمها عبارتند از CERT/CC، تحليل آسيب پذيری SANS، سيستم نمره دهی رده بندی مايکروسافت، و [1]CVSS؛
انتخاب ويژگی، تکنيک انتخاب زيرمجموعهای از ويژگیهای مرتبط است، که هدف آن ساختن يک مدل يادگيری قویتر میباشد. در يادگيری ماشين و آمار از عناوينی مثل انتخاب متغيير، کاهش ويژگیها، انتخاب صفت يا انتخاب زيرمجموعهای از متغييرها به جای انتخاب ويژگی نيز استفاده میشود (12). انتخاب ويژگی با حذف ويژگیهای بیربط و کاهش ابعاد ويژگیهای
يكي ديگر از اهداف داده‌کاوی پديده‌ی خوشه‌بندي مي‌باشد، كه به فرآيند تقسيم مجموعه‌اي از داده‌ها (يا اشياء) به زير كلاس‌هايي با مفهوم خوشه اشاره دارد. يك خوشه، يك سري داده‌هاي مشابه مي‌باشد كه همانند يك گروه واحد رفتار مي‌كنند. لازم به ذكر است، خوشه‌بندي تاحدودیمشابه کلاس‌بندی است، با اين تفاوت كه كلاس‌ها از پيش‌تعريف‌شده و
کلاس بندی فرآيند پيدا کردن يک مدل توصيف کننده و تميز دهنده برای کلاس های داده ها است. اين مدل بايد به شکلی باشد که بتوان از آن برای پيش بينی کلاس داده هايی که برچسب آن ها نامشخص است، استفاده کرد. کلاس بندی کننده، بوسيله يک مجموعه داده آموزش که برای آن ها برچسب