---

سنسورهای بی‌سیم و شبکه‌های سنسوری بی‌سیم اخیراً در جوامع علمی به طور جدی مطرح شده‌اند. این امر متأثر از توسعه روزافزون قطعات ریزمقیاس در مهندسی است که بسیاری از کاربردها را میسر می‌سازند. پژوهش‌های فراوانی در راستای استفاده از این سنسورها و امکان سامان‌دهی آن‌ها در قامت یک شبکه انجام و راه‌حل‌های متفاوتی برای این مساله پیشنهاد شده‌اند. یک روش ابداعی برای مدل کردن شبکه‌های سنسوری بی‌سیم، مدل‌سازی تطبیقی توزیع شده است. در این مدل، پردازش به صورت توزیع‌شده انجام می‌شود. شبکه‌ی تطبیقی مجموعه‌ای از گره‌ها با قابلیت تطبیق و آموزش است. هر گره با گره‌های مجاور تبادل داده انجام می‌دهد تا در نهایت شبکه بتواند یک مساله‌ی تخمین یا استنتاج را به طور توزیع‌شده حل کند. در این مقاله ابتدا جایگاه پردازش تطبیقیِ توزیع‌شده تبیین می‌شود، سپس راهکارهای ارائه شده برای مدل‌سازی تطبیقی، بررسی و نتایج شبیه‌سازی آن‌ها با یکدیگر مقایسه می‌گردد.

---

الگوریتم بهینه‌سازی ازدحام ذرات (PSOالگوریتم بهینه‌سازی ازدحام ذرات (PSO) یک روش بهینه‌سازی فراابتکاری مبتنی بر جمعیت است که می‌تواند برای طیف وسیعی از مسائل به‌کار گرفته شود اما این الگوریتم ایراداتی هم دارد؛ مانند این‌که به‌راحتی در نقاط بهینه محلی گیر می‌افتد و در مراحل پایانی دچار کندی همگرایی می‌گردد. به‌منظور حل این ایرادات، تاکنون انواع الگوریتم‌های PSO بهبودیافته (IPSO) پیشنهاد شده است. جهت ایجاد یک تعادل بین ویژگی‌های پویش و بهره‌برداری PSO، این مقاله الگوریتم‌های IPSO مبتنی بر یک کلاس جدید از ضرائب یادگیری نمایی (ELF-PSO) را معرفی می‌نماید که از لحاظ محاسباتی کارآمد و سریع می‌باشند. این کلاس شامل استراتژی‌های ضرائب یادگیری نمایی متغیر با زمان (TELF)، ضرائب یادگیری نمایی تصادفی (RELF)، ضرائب یادگیری نمایی خود-تنظیم (SELF) و ضرائب یادگیری نمایی خطی (LELF) است. آزمایش‌های متعددی برای مقایسه روش‌های پیشنهادی با یک مجموعه از استراتژی‌های معروف ضرائب یادگیری ثابت، تصادفی، متغیر با زمان و تطبیقی بر روی یک سری از توابع معیار غیرخطی انجام پذیرفت. نتایج تجربی و تحلیل‌های آماری ثابت می‌کنند که الگوریتم‌های ELF-PSO قادرند دسته وسیعی از مسائل بهینه‌سازی غیرخطی دشوار را به‌طور کارآمدی حل کنند. همچنین نتایج آزمایش‌ها نشان می‌دهد که روش‌های پیشنهادی، در اغلب موارد بهتر از سایر الگوریتم‌ها عمل می‌کنند.

---

در این مقاله یک مدولاتور دلتا سیگمای متعامد[i](QDSM) پیشخور[ii](FF) زمان پیوسته[iii](CT) مرتبه سه انعطاف پذیر با قابلیت تغییر باند عبور ارائه شده­است. فرکانس مرکزی (fc)[iv] و عرض باند عبور[v](BW) این مدولاتور قابل تغییر بوده و با دو پارامتر جداگانه تنظیم می­شوند. این پارامترها طوری محاسبه شده­اند که در هر فرکانس و پهنای باندی، نرخ سیگنال به نویز[vi](SNR) خروجی مدولاتور بهینه باشد. تغییرات در باند عبور مدولاتور با تغییر ضرایب مختلط انجام می­شود و در ساختار کلی مدولاتور هیچ تغییری ایجاد نمی­شود. فرکانس مرکزی این مدولاتور از صفر تا   و پهنای باند آن نیز از صفر تا    قابل تغییر است. نمونه ای از مدولاتور متعامد با روش طراحی پیشنهادی در سطح مدار طراحی شده است. مدولاتور طراحی شده، برای  پهنای باندهای 2MHz و 5MHz  با فرکانس نمونه برداری 64MHz شبیه سازی شده است. مقدار SNR بدست آمده برای این پهنای باندها بترتیب 76.42dB و 56.59dB بدست آمده وضریب شایستگی [viii](FOM) آن بترتیب 375/0 و 46/1 ( pj/conv) محاسبه شده است.

---

در این مقاله، یک سنسور بیولوژیکی حساس به جرم با قابلیت ساخت به کمک تکنولوژی میکروالکترومکانیکی با کاربرد در محیط مایع و با قابلیت به­کارگیری در قطعات "آزمایشگاه روی یک تراشه"، برای کاربردهای پزشکی ارائه شده است. سنسور بیولوژیکی پیشنهادی از تزویج الکترومکانیکی المان‌های نوسانگر مکانیکی هارمونیک به کمک فنرهای هارمونیک مناسب، به‌عنوان یک آرایه نوسانگر مکانیکی طراحی شده است. انتشار موج مکانیکی در راستای این آرایه به کمک روش الکترواستاتیکی با استفاده از یک مولد و یک سنسور بر پایه خازن­های انگشتی انجام می‌گیرد. ویژگی­های مهم این طرح هزینه ساخت کم، اتلاف کم در تداخل با محیط مایع، حساسیت بالا و سطح موثر جذب بزرگِ سنسور بیولوژیکی پیشنهادی است. ارزیابی ویژگی‌ها و عملکرد سنسور بیولوژیکی پیشنهادی از جمله حساسیت سنسور به کوچکترین میزان جرم جذب شده و امکان اندازه­گیری تغییرات خازنی در خروجی آن، و اثرات میرایی موج انتشاری در تداخل با محیط مایع به کمک نرم افزار ‌Comsol مدل‌سازی شده است، که بررسی نتایج، گویای حساسیت جرمی بالا توام با امکان سنجش خروجی این سنسور بیولوژیکی با ادوات الکترونیکی موجود شده است.
 

---

 در این مقاله روشی برای مدل‌سازی بلادرنگ و متعامل بافت نرم در رزولوشن بالا بررسی می‌شود که در آن مدل درشت بافت نرم با غنی‌سازی مبتنی بر داده به مدل ظریف تبدیل می‌شود. برای این منظور در مرحله پیش‌پردازش نمونه‌های متناظر درشت و ظریف برای ساخت پایگاه داده‌های آموزشی ایجاد می‌شوند. با استفاده از یک رگرسور، مدل درشت مرحله آزمایش با مدل‌های درشت مرحله آموزش مقایسه شده و وزن‌هایی به هر نمونه آموزشی تخصیص می‌یابد و با این وزن‌ها بافت ظریف مرحله آزمایش با ترکیب خطی مدل‌های ظریف آموزشی تخمین زده می‌شود. با فرض تغییرشکل‌های محلی ناشی از اعمال نیرو به بافت، روشی برای استخراج بردار ویژگی پیشنهاد می‌شود که تغییرات مکانی گره محل تماس و گره‌های اطراف آن را روی مش مدنظر قرار داده و از تغییرات گره‌های دورتر صرف‌نظر می‌کند. این مساله باعث کاهش بعد بردار ویژگی و در نتیجه کاهش پیچیدگی محاسبات می‌شود. برای تعیین میزان شباهت و محاسبه وزن‌های ترکیب خطی، از رگرسور غیرخطی با هسته گوسی استفاده می‌شود و برای کاهش اعوجاج ناشی از وزن‌های منفی، الگوریتم حداقل مربعات غیرمنفی در رگرسور اعمال می‌شود. روش پیشنهادی روی دو مدل بافت نرم پیاده‌سازی شده و از نظر دقت بازسازی، پیچیدگی محاسباتی و زمان شبیه‌سازی مورد بررسی قرار گرفته است.