می شود در حالیکه در رمزنگاری محتوای اطلاعات پنهان می گردد. چالش های مختلف رمزنگاری و پنهان نگاری اطلاعات شامل افزایش کیفیت تصویر خروجی و افزایش ذخیره سازی در تصویر و عدم تشخیص بصری اطلاعات در تصویر می باشد. روش های جاری در پنهان نگاری، بر روی افزایش حجم اطلاعات محرمانه قابل تزریق به یک عکس تمرکز دارند.. بنابراین برای تامین نیازهای امنیتی در پنهان نگاری، از رمزنگاری استفاده میشود.در این مقاله، با استفاده فناوری بلاکچین برای ارتباط بین پهپادها و سپس برای پنهان نگاری اطلاعات در تصویر از الگوریتم ژنتیک استفاده شده و در محیط Visual studio پیاده سازی شده است.
سال انتشار: 1402
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 65
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
FCM01_013
تاریخ نمایه سازی: 16 بهمن 1402
چکیده مقاله:
امروزه با پیشرفت هوش مصنوعی و استفاده از آن در ربات ها روش های جنگ از گذشته تاکنون دستخوش تغییرات شده است لذا جنگ های آینده با تصویری که در ذهن ما است متفاوت خواهد بود. ربات ها با توجه به ویژگی هایی که دارند، می توانند در بیشتر مواقع عملکردی بهتری از انسان ها داشته باشند. هدف از انجام این تحقیق ارائه روشی ترکیبی برای مسیریابی ربات خودمختار است. برای انجام این کار، از ترکیب ویژگیهای سیستمهای فازی، یادگیری تقویتیQ و شبکه ی عصبیRBF ، جهت برآورده کردن نیازمندی مسیریابی ربات خودمختار متحرک زمینی استفاده شده است. ساختار سیستم فازی و قواعد اگر-آنگاه آن، در حالیکه تصمیم گیری در محیط های ناشناخته را فراهم می کند، امکان به کارگیری دانش اکتشافی به دست آمده از بررسی محیط توسط فرد خبره را نیز میسر می کند. در عین حال، می توان الگوریتم یادگیری Q، به عنوان یک الگوریتم یادگیری تقویتی، را زمانی که شناخت کمی از محیط وجود دارد، ابزاری مناسبی برای تنظیم فرآیند استنتاج سیستم فازی دانست. در این الگوریتم محیط به صورت زوجی از حالت-اقدام مدلسازی می شود. به منظور کنترل ربات توسط ابزارهای ذکر شده، هر حالت ابتدا فازی سازی شده و سپس برای هر یک از این حالات فازی سازی شده تعدادی اقدام متناظر در نظر گرفته می شود. این نگاشت بین حالات و اقدامات توسط مجموعه قواعد اگر-آنگاه فازی، که حاصل استدلال انسانی است، انجام می شود. سپس ربات اقدامی با بیشتر مقدار پاداش را انتخاب و اعمال می نماید. در عین حال شبکه عصبیRBF ، به عنوان یک تخمین زننده عمومی، جهت تعیین پارامترهای توابع عضویت فازی و آستانه جریمه برای تابع جریمه الگوریتم یادگیری Q، به کار گرفته می شود.
کلیدواژه ها:
نویسندگان
علی خلیلی
دکتری مدیریت فناوری اطلاعات، عضو هیئت علمی دانشگاه افسری امام علی(ع)
افشین شجاعیان
کارشناس ارشد مهندسی کامپیوتر(رایانش امن)، عضو هیئت علمی دانشگاه افسری امام علی(ع)