آموزش

ماشین بردار پشتیبان یکی از جدیدترین روش ها جهت طبقه بندی داده ها می باشد که نسبت به روش های قدیمی تر مانند شبکه عصبی کارایی بهتری دارد. این تکنیک یک روش

هر سيگنال شامل دو قسمت است. Entropy Redundancy Entropy : قسمت غير قابل پيش بيني سيگنال – تصادفي – غير منظم- قسمت اصلي اطلاعات Redundancy: قسمت قابل پيش بيني – منظم –

همانطور که قبلا بیان شد تبدیل والش بیشتر در زمینه های حذف نویز، فشرده سازی و … کاربرد دارد. در این پایان نامه برای حذف نویز از تبدیل والش و روش ترکیبی

تبدیل موجک کاربرد های زیادی از جمله استخراج ویژگی، فشرده سازی و حذف نویز و … دارد. حذف نویز با استفاده از تبدیل موجک شامل سه مرحله اساسی است. تجزیه – یک

به منظور حذف نویز از سیگنال های مغزی، ICA به سیگنال مورد نظر اعمال می شود. مولفه یا مولفه های نویزی و آرتیفیکی مورد نظر شناسایی و حذف می شوند. سپس سیگنال

توابع والش در سال 1923 توسط والش با ارائه توابع متعامد معرفی شد[41]. اما در سال 1969 از توابع والش برای تبدیل والش استفاده شد. تبدیل والش یک تبدیل بهینه موضعی و

کمبودهای تبدیل فوریه در آنالیز سیگنال های با خصوصیات غیر ایستایی، منجر به ارائه تحلیل فرکانس –زمان توسط Gabor در سال 1946 گردید. این تبدیل اگر چه توانایی ارائه اطلاعاتی در مورد

در قرن 19 ریاضیدان فرانسوی J.Fourier نشان داد که هر تابع تناوبی را می توان به صورت مجموع توابع سینوسی نمایش داد. سال ها بعد ایده او به سیگنال های تناوبی و

با کشف سیگنال های EEG بسیاری از محققین در سراسر دنیا شروع به فعالیت در این زمینه کردند. مجموعه داده های متفاوت و با کاربردهای متفاوتی ایجاد شد. اکثر این محققین در

همانطور که می دانیم، سیگنال EEG ثبت شده از روی سر معمولا همراه با نویز های مختلفی می باشند.که از آن جمله می توان به سیگنال پلک زدن و حرکات چشم EOG

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

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

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

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

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

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]

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

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

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

مشکلی که دنيای امروز با آن رو به رو است، كمبود يا نبود اطلاعات نيست بلکه کمبود دانشي است که از اين اطلاعات ميتوان حاصل کرد. ميليون ها صفحه ي وب، ميليون

در مباحث امنيت کامپيوتر، يک آسيب پذيری، ضعفی است که برای مهاجم امکان سوء استفاده از اطلاعات يک سيستم را فراهم می­کند. سالانه هزاران آسيب پذيری کشف و گزارش می­شوند و ميليون­ها

گام نخست: پنجره راهنمای گام به گام نصب افزونه گام دوم: پنجره پذیرش توافقنامه افزونه گام سوم: تعیین نام کاربری و عنوان سازمانی گام چهارم: تعیین مولفه‌های انتخابی جهت نصب گام پنجم: