دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 16 4 2025 12 22 Maximum Power Tracking in Proton Exchange Membrane-Based Fuel Cell Using Neural Network Trained with Metaheuristic Optimization Algorithm یک رویکرد نوین برای ردیابی ماکسیمم توان بر پایۀ شبکۀ عصبی با الهام از بهینه‌سازی فرا-ابتکاری در پیل‌های سوختی غشایی 1 16 30204 10.22108/isee.2025.145950.1750 FA محمد عابدینی دانشیار، گروه برق، دانشکده فنی و مهندسی، دانشگاه آیت ‌الله بروجردی، بروجرد، ایران Journal Article 2025 07 13 Considering the limited ability of fuel cells to produce energy, it is necessary to provide solutions in which the efficient power generated by fuel cells can be achieved. Therefore, there is a need for maximum-power-tracking methods that adjust the duty cycle of the boost converter in fuel cells. Thus, in this paper, a new power tracking method has been used that is based on the combination of neural networks and a meta-heuristic algorithm called frog jump optimization to overcome the problems of conventional methods caused by rapid changes in the operating point and power fluctuations. The proposed method has been proposed in order to perform quickly and increase the efficiency achievable from proton exchange membrane-based fuel cells. The modeling results have been presented in the MATLAB environment and compared with several different power tracking methods. The results show that the proposed method shows less than one percent error in the three evaluated temperatures for tracking the maximum power compared to the actual power of the fuel cell, and is also robust to input changes in the fuel cell. با در نظر گرفتن توانایی محدود پیل‌های سوختی برای تولید انرژی، ارائۀ راه‌حل‌هایی که در آنها توان کارآمد تولیدشده توسط پیل‌های سوختی قابل دست‌یابی باشد، الزامی است؛ از این ‌رو، به روش‌های ردیابی حداکثر توان از طریق تنظیم سیکل کاری مبدل بوست در پیل‌های سوختی نیاز است. در این مقاله، از یک روش جدید ردیابی توان استفاده شده است که بر پایۀ ترکیب شبکه‌های عصبی و یک الگوریتم فرا-ابتکاری به نام بهینه‌سازی جهش قورباغه است تا بتواند بر مشکلات روش‌های مرسوم ناشی از تغییرات سریع در نقطۀ کار و نیز نوسانات توان فائق آید. روش پیشنهادی به‌ منظور عملکرد سریع و نیز افزایش بازده قابل حصول از پیل‌های سوختی بر پایۀ غشایی تبادل پروتون پیشنهاد شده است. نتایج مدل‌سازی در محیط متلب ارائه شده و با چندین روش مختلف ردیابی توان مقایسه شده است. نتایج نشان می‌دهد روش پیشنهادی در سه دمای مورد ارزیابی برای ردیابی حداکثر توان نسبت به توان واقعی پیل سوختی، کمتر از یک درصد خطا را نشان می‌دهد و نیز نسبت به تغییرات ورودی در پیل سوختی مقاوم است.

https://isee.ui.ac.ir/article_30204_d215c4b33b8c7015784714f6709e810c.pdf

دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 16 4 2025 12 22 Design of a DNA Computing–Based Full Adder and Its Mapping onto a Digital Microfluidic Chip Using a Time- and Resource-Efficient Approach طراحی تمام‌جمع‌کنندۀ مبتنی بر محاسبات دِنا و نگاشت آن بر تراشۀ ریزسیال دیجیتال با رویکردی بهینه در زمان و منابع 17 28 30232 10.22108/isee.2025.145235.1738 FA کوثر هادی عابدینی دانشجوی کاشناسی ارشد، دانشکدۀ مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران فاطمه کاظمی حسن آبادی دانشجوی دکتری، دانشکدۀ مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران زهره بیکی استادیار، دانشکدۀ مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران شهرام اعتمادی بروجنی استادیار، دانشکدۀ مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران محمدرضا رشادی نژاد دانشیار، دانشکدۀ مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران Journal Article 2025 05 14 Given the growing importance of biomolecular-scale processing, digital microfluidic technology has emerged as an efficient platform for implementing DNA-based logic circuits. In this work, we propose a novel binary full-adder architecture designed to minimize the number of DNA strands and to reduce fabrication and execution costs. The proposed structure was first modeled and evaluated in the Visual DSD simulation environment, and then mapped onto a custom-designed digital microfluidic biochip (DMFB) with a 15×20 electrode array. By employing time-scheduled modules for droplet splitting, mixing, and detection, the designed chip is capable of performing the complete computational operation within the minimum possible number of operational cycles. Simulation results confirm that the generated outputs fully match the expected logical behavior. Comparisons with existing approaches show that the proposed architecture achieves a significant reduction in the number of required DNA strands while maintaining computational accuracy. Specifically, the proposed full adder operates using only 15 DNA strands, whereas Seesaw- and DNA origami–based methods require 9n+53and 6n+15strands, respectively, for ninputs. In addition, the proposed DMFB mapping completes the addition process in only six operational cycles, resulting in a substantial reduction in latency compared with existing architectures, which typically require 10–14 cycles. These results highlight the potential of the proposed approach as an effective step toward the convergence of biological sciences and computational engineering, and its applicability in the development of intelligent bio-computing systems and lab-on-a-chip technologies. با توجه به اهمیت فزایندۀ پردازش‌های زیستی در مقیاس مولکولی، فناوری ریزسیال دیجیتال به‌ عنوان بستری کارآمد برای اجرای مدارهای منطقی مبتنی بر دِنا (DNA) مورد توجه گسترده قرار گرفته است. در این پژوهش، ساختاری نوین برای تمام‌جمع‌کنندۀ دودویی ارائه شده که با هدف بهینه‌سازی تعداد رشته‌های دِنا و کاهش هزینه‌های ساخت و اجرا طراحی شده است. ساختار پیشنهادی ابتدا در محیط شبیه‌ساز Visual DSD مدل‌سازی و ارزیابی شده و سپس با طراحی اختصاصی بر روی یک تراشۀ ریزسیال دیجیتال با آرایش ۱۵×۲۰ الکترودی نگاشت شده است. تراشۀ طراحی‌شده با بهره‌گیری از ماژول‌های زمان‌بندی‌شدۀ جداسازی، اختلاط و تشخیص، قادر به اجرای کامل عملیات محاسباتی در کمترین تعداد چرخۀ زمانی ممکن بوده است. نتایج شبیه‌سازی نشان می‌دهد خروجی‌های حاصل به طور کامل با منطق مورد انتظار تطابق دارند. همچنین، مقایسه با ساختارهای مشابه نشان می‌دهد معماری پیشنهادی، ضمن حفظ دقت عملکرد، به کاهشی قابل ملاحظه در تعداد رشته‌های DNA استفاده‌شده منجر شده است. این دستاورد می‌تواند گامی مؤثر در راستای همگرایی علوم زیستی و مهندسی محاسباتی تلقی شود و نقشی مهم در توسعۀ سیستم‌های هوشمند زیستی و آزمایشگاه‌های روی تراشه (Lab-on-a-Chip) ایفا کند. نتایج نشان داد ساختار پیشنهادی فقط با ۱۵ رشته دِنا قابل اجراست، در حالی که روش‌های مبتنی بر Seesaw و اوریگامی به‌ترتیب به 9n+53 و 6n+15 به‌ازای n ورودی، رشته نیاز دارند. همچنین، نگاشت پیشنهادی روی تراشۀ DMFB فرایند جمع را فقط در ۶ چرخۀ عملیاتی تکمیل می‌کند که نسبت به معماری‌های موجود (۱۰–۱۴ چرخه) کاهشی جالب توجه در زمان تأخیر ایجاد می‌کند.

https://isee.ui.ac.ir/article_30232_8e994890148fa972a6d8d5c3789aa5a4.pdf

دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 16 4 2025 12 22 Clustering with Apollonius kernel Based on Laplacian Matrix and k-means خوشه‌بندی با هستۀ آپولونیوس بر اساس ماتریس لاپلاسین و k میانگین 29 42 30509 10.22108/isee.2026.145741.1748 FA شهین پوربهرامی استادیار گروه مهندسی کامپیوتر، دانشگاه ملی مهارت، تهران، ایران Journal Article 2025 06 29 In this study, a novel clustering algorithm based on the Apollonius kernel is presented. By utilizing the graph Laplacian matrix and the k-means algorithm, this method outperforms traditional approaches in separating clusters. In the first step, the data are normalized to standardize the feature scales. Then, by computing the Euclidean distance between points and applying the Apollonius kernel, the pairwise similarity matrix is constructed. Using the k-nearest neighbor graph, only the connections of the nearest neighbors are retained. Next, the graph Laplacian matrix is obtained as the difference between the degree matrix and the similarity matrix. This matrix represents the relationships between data points. By performing eigenvalue decomposition on the Laplacian matrix, the eigenvectors corresponding to the smallest eigenvalues are selected. The data are then projected onto a reduced space where the clusters are more clearly distinguishable. Then, the k-means algorithm is applied to the reduced data to determine the clusters. Finally, accuracy and other standard clustering validation metrics are used to evaluate the quality of the clustering. Experimental results show that this algorithm performs better than traditional methods, especially on datasets with nonlinear structures. Furthermore, the use of the Apollonius kernel in constructing the similarity graph improves the accuracy of identifying local structures in the data. در این پژوهش، یک الگوریتم خوشه‌بندی نوین مبتنی بر هستۀ آپولونیوس ارائه شده‌ است که با بهره‌گیری از ماتریس لاپلاسین گراف و الگوریتم k میانگین، عملکردی بهتر در تفکیک خوشه‌ها نسبت به روش‌های سنتی دارد. در مرحلۀ نخست، داده‌ها نرمال‌سازی می‌شوند تا مقیاس ویژگی‌ها یکسان شود. سپس، با محاسبۀ فاصلۀ اقلیدسی بین نقاط و اعمال هستۀ آپولونیوس، ماتریس شباهت بین نمونه‌ها محاسبه می‌شود. با استفاده از گراف kنزدیک‌ترین همسایگان، فقط اتصالات همسایگان نزدیک حفظ می‌شوند. در ادامه، ماتریس لاپلاسین گراف از تفاضل ماتریس درجه و ماتریس شباهت به ‌دست می‌آید که روابط بین نقاط داده را نمایان می‌کند. با انجام تجزیۀ مقادیر ویژه بر روی ماتریس لاپلاسین، بردارهای ویژۀ متناظر با کوچک‌ترین مقادیر ویژه انتخاب و داده‌ها به فضای کاهش‌یافته منتقل می‌شوند که در آن، خوشه‌ها واضح‌تر قابل تفکیک هستند. سپس، الگوریتم k میانگین بر روی داده‌های کاهش‌یافته اعمال می‌شود تا خوشه‌ها تعیین شوند. در نهایت، برای ارزیابی کیفیت خوشه‌بندی، از شاخص‌ دقت و سایر شاخص‌های معتبر استفاده می‌شود. نتایج تجربی نشان می‌دهد این الگوریتم در مقایسه با روش‌های سنتی، به ‌ویژه در داده‌های با ساختار غیرخطی، عملکردی بهتر دارد. همچنین، استفاده از هستۀ آپولونیوس در ساخت گراف شباهت باعث افزایش دقت در شناسایی ساختارهای محلی داده‌ها می‌شود.

https://isee.ui.ac.ir/article_30509_e040aadd962755237b0cb7ebd8c4579c.pdf

دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 16 4 2025 12 22 Outage Cause Identification in Electric Power Distribution Systems Using an Ensemble Learning-Based Method and Logistic Regression شناسایی علت خاموشی‌های رخ‌داده در سیستم توزیع انرژی الکتریکی با استفاده از روش مبتنی بر یادگیری گروهی و رگرسیون لجستیک 43 58 30588 10.22108/isee.2026.148092.1778 FA محمدرضا ده بزرگی دانش آموخته دکتری، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران 0000-0002-6141-9230 علیرضا حامدی استادیار گروه برق، دانشکده مهندسی، دانشگاه فسا، فسا، ایران محمدعلی نعمت اللهی استادیار گروه علوم کامپیوتر، دانشکده علوم پایه، دانشگاه فسا، فسا، ایران Journal Article 2026 01 11 In electric power distribution systems, reliability is of paramount importance, and the occurrence of unscheduled outages affects customer satisfaction and operational costs. Detecting the causes of permanent and momentary outages, particularly in grids with limited observability, is time-consuming and heavily dependent on field operations and experience. This paper proposes a data-driven framework based on ensemble learning and logistic regression. The proposed approach leverages more than 50,000 records of unscheduled outages from a real-world distribution system, along with hot-line and cold-line maintenance records, hourly feeder load data, and weather data, to extract rich descriptive features. Using a One-vs-Rest strategy combined with resampling, we address the severe class imbalance in outage data. Ensemble models are trained for each outage cause and are then combined via soft voting, with weights determined by validation AUC. This prioritizes the most likely causes of permanent and momentary outages. The results demonstrate high classification accuracy across different outage causes, achieving up to a 30% improvement in the accuracy of identifying different outage causes compared to state-of-the-art methods. Overall, the proposed approach enhances the distribution system's reliability by reducing outage duration and accelerating outage cause identification. در سیستم‌های توزیع انرژی الکتریکی، قابلیت اطمینان اهمیت زیادی دارد و وقوع خاموشی‌های برنامه‌ریزی‌نشده بر رضایت مشترکین و هزینه‌های بهره‌برداری اثر می‌گذارد. شناسایی علل خاموشی‌های برنامه‌ریزی‌نشدۀ دائم و گذرا، به ‌ویژه در شبکه‌های با رؤیت‌پذیری محدود، زمان‌بر و وابسته به عملیات میدانی است. این مقاله چارچوبی داده‌محور مبتنی بر یادگیری گروهی و رگرسیون لجستیک پیشنهاد می‌دهد که با بهره‌گیری بالغ بر ۵۰ هزار رکورد واقعی خاموشی برنامه‌ریزی‌نشده، سوابق تعمیرات خط سرد و گرم، بار ساعتی فیدرها و اطلاعات آب‌وهوایی، ویژگی‌هایی غنی استخراج می‌کند. علاوه‌ بر آن، با رویکرد One-vs-Rest و نمونه‌برداری مجدد برای مدیریت نامتعادلیِ شدید کلاس‌های موجود در مجموعه‌دادۀ خاموشی، مدل‌های گروهی برای هر علت خاموشی آموزش دیده و با رأی‌گیری نرم و وزن‌دهی بر اساس AUC، به‌دست‌آمده از مجموعۀ اعتبارسنجی، ترکیب می‌شوند تا علل محتمل خاموشی‌های دائم و گذرا اولویت‌بندی شوند. نتایج نشان‌دهندۀ دقت زیاد طبقه‌بندی علل مختلف خاموشی است که دقت شناسایی علل مختلف را تا ۳۰ درصد نسبت به روش‌های قبلی بهبود می‌دهد. مجموعۀ این روش‌ها باعث افزایش قابلیت اطمینان شبکه از طریق کاهش زمان خاموشی و تسریع در یافتن علت خاموشی می‌شود.

https://isee.ui.ac.ir/article_30588_af516a8cf41f1f24d1178b3883a599cc.pdf

دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 16 4 2025 12 22 Diagnosis of Parkinson’s Disease from Magnetic Resonance Images Using Deep Learning Techniques تشخیص بیماری پارکینسون از روی تصاویر MRI با استفاده از روش‌های یادگیری عمیق 59 68 30614 10.22108/isee.2026.146745.1767 FA شبنم چغامه دانشجوی کارشناسی ارشد گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران سعید مشگینی دانشیار گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران رضا افروزیان استادیار گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران Journal Article 2025 09 22 Parkinson's disease is a progressive neurodegenerative disorder whose early and accurate diagnosis plays a pivotal role in treatment planning and slowing symptom progression. In this study, a deep learning–based approach is proposed for classifying brain MRI scans to detect Parkinson's disease. The proposed model employs the VGG16 architecture as a feature extractor. This architecture was chosen due to its simple structure, appropriate depth, and proven performance in medical image analysis, providing satisfactory accuracy and stability for medium-sized MRI data. Jacobian normalization is applied during training to enhance stability and generalization capability. This method controls the model's sensitivity to local changes and minor noise, producing smoother and more stable mappings while reducing the risk of overfitting. The MRI dataset underwent standard preprocessing techniques, including intensity distribution optimization, and was partitioned into training, validation, and testing subsets while preserving class balance. Model optimization was performed using the Adam optimizer and the binary cross-entropy loss function within a supervised training scheme. Experimental results demonstrate that the proposed architecture achieves 100% accuracy on both validation and test sets, while exhibiting rapid convergence in minimizing the loss function. These results indicate the positive impact of Jacobian normalization on improving model generalization. Overall, combining deep feature extraction with Jacobian normalization can effectively capture Parkinson's disease–related patterns in brain MRI images, offering a potential component for clinical decision-support systems. بیماری پارکینسون یک اختلال پیشروندۀ سیستم عصبی مرکزی است که تشخیص زودهنگام آن نقشی کلیدی در درمان و کاهش سرعت پیشرفت علائم ایفا می‌کند. در این مطالعه، رویکردی مبتنی بر یادگیری عمیق برای طبقه‌بندی تصاویر MRI مغزی ارائه شده است. مدل پیشنهادی از معماری VGG16 به ‌عنوان استخراج‌گر ویژگی بهره می‌گیرد که این شبکه به ‌دلیل ساختار ساده، عمق مناسب و عملکرد اثبات‌شده در تحلیل تصاویر پزشکی انتخاب شده است و برای داده‌های MRI با حجم متوسط، دقت و پایداری مطلوبی فراهم می‌کند. به ‌منظور افزایش پایداری و بهبود تعمیم‌پذیری، از تکنیک نرمال‌سازی Jacobian در فرایند آموزش استفاده شده است که این روش با کنترل حساسیت مدل نسبت به تغییرات موضعی و نویزهای جزئی، نگاشت‌های پایدارتر و هموارتر ایجاد می‌کند و احتمال بیش‌برازش را کاهش می‌دهد. مجموعه دادۀ MRI پس از اعمال پیش‌پردازش‌های استاندارد و بهینه‌سازی توزیع شدت تصویر، به سه زیرمجموعۀ آموزش، اعتبارسنجی و آزمون با حفظ توازن کلاس‌ها تقسیم شد. مدل با استفاده از الگوریتم بهینه‌ساز Adam و تابع زیان binarycross-entropy، طی یک فرایند آموزش نظارت‌شده بهینه‌سازی شد. نتایج آزمایش‌ها نشان داد معماری پیشنهادی قادر به دست‌یابی به دقت 100 درصد در هر دو مجموعۀ اعتبارسنجی و آزمون است و همگرایی سریعی را در کاهش تابع زیان نشان داده است که این موضوع بیانگر تأثیر مثبت نرمال‌سازی Jacobian در بهبود تعمیم‌پذیری مدل است. این یافته‌ها بیانگر آن است که ترکیب استخراج ویژگی عمیق با نرمال‌سازی Jacobian می‌تواند به ‌طور مؤثر الگوهای مرتبط با بیماری پارکینسون را در تصاویر MRI شناسایی کند و به عنوان بخشی از سامانه‌های کمک ‌تشخیصی بالینی به کار رود.

https://isee.ui.ac.ir/article_30614_64294f30b397fa679ce426fdbfedd879.pdf