پردازش علایم و داده ها
سال:1395 | دوره:- | شماره:2 (پیاپی 28) |تعداد مقالات:10

در این مقاله یک الگوریتم طبقه بندی مدولاسیون مبتنی بر ویژگی برای جداسازی سیگنال های PSK ارائه شده است. مدولاسیون های نامزد شامل OPSK، OQPSK، p/4DQPSK و 8PSK در نظر گرفته شده اند. روش ارائه شده برای استخراج ویژگی های مورد نظر از روی نمادهای مشاهده شده، از یک دمدولاتور باند پایه 8PSK استفاده می کند. خروجی دمدولاتور به صورت یک ماشین حالت محدود در نظر گرفته می شود که به ازای هر یک از مدولاسیون های نامزد، حالت ها و تغییر حالت های متفاوتی دارد. تخمین احتمال برخی تغییر حالت های مشخص، ویژگی های متمایزکننده مدولاسیون های نامزد را پدید می آورند. ویژگی های به دست آمده به یک طبقه بندی کننده بیزی داده می شوند که درباره نوع مدولاسیون سیگنال دریافتی تصمیم گیری می کند. با انجام شبیه سازی های متعدد، احتمال طبقه بندی صحیح در شرایط مختلف نسبت توان سیگنال به نوفه و با تعداد مختلف نمادهای مشاهده شده محاسبه شده است. نتایج این شبیه سازی ها نشان می دهد که روش پیشنهادی در مقایسه با روش های موجود، طبقه بندی دقیق تری ارائه می دهد.

با توجه به رشد فزاینده تعداد اسناد XML، سازماندهی موثر این اسناد به منظور بازیابی اطلاعات مفید از آنها ضروری می باشد. یک راه حل امکان پذیر، انجام خوشه بندی بر روی اسناد XML به منظور کشف دانش است. مساله کلیدی در خوشه بندی اسناد XML این است که چگونه می توان شباهت بین اسناد XML را اندازه گیری کرد. استفاده از روش های متداول خوشه بندی اسناد متنی که اطلاعات محتوایی را برای اندازه گیری شباهت سند به کار می گیرند، باعث نادیده گرفته گرفتن اطلاعات ساختاری موجود در اسناد XML می شود. در این مقاله، مدل جدیدی با نام مدل فضای ماتریسی برای بازنمایی هر دو ویژگی ساختاری و محتوایی داده ها در اسناد XML، پیشنهاد می شود. بر اساس این مدل، معیار شباهت جاکارد را تعریف و در نهایت از الگوریتم رقابت استعماری برای خوشه بندی اسناد XML استفاده می شود. نتایج تجربی نشان می دهد که مدل پیشنهادی و تابع نزدیکی معرفی شده در شناسایی اسناد مشابه که دارای اطلاعات ساختاری و محتوایی یکسان هستند، موثر است. این روش می تواند به منظور بهبود دقت خوشه بندی و افزایش بهره وری در بازیابی اطلاعات XML مورد استفاده قرار گیرد.

اندازه گیری جریان خون به بافت، کاربردهای زیادی در پیشگیری از زخم فشار، ارزیابی میزان فعالیت عضلات ورزش کاران و مراقبت از خون رسانی بافت حین اعمال جراحی دارد. استفاده از سیگنال حجم سنجی نوری به عنوان یک معیار پیوسته و غیرتهاجمی در ارزیابی میزان جریان خون بافت مورد پذیرش پژوهش گران هست. در این مطالعه روشی نو، برای ارزیابی میزان خون رسانی به بافت بر اساس سیگنال حجم سنجی نوری ارائه می شود. برای این هدف سیگنال حجم سنجی نوری به صورت انعکاسی با دو فاصله فرستنده و گیرنده 7 (اول) و 22 (دوم) میلی متر با طول موج 950 نانومتر از کتف فرد در ناحیه عضلات ذوزنقه از نوزده فرد سالم تحت اعمال فشارهای صفر و چهل و هشتاد میلی متر جیوه گرفته شد. استخراج پوش بالایی سیگنال حجم سنجی نوری و تحلیل موجک در بازه های فرکانسی که مرتبط با عوامل متابولیک، نروژنیک، میوژنیک، تنفس و فعالیت قلبی است، انجام شده است. نتایج حاصل از آزمون t-test برای ویژگی های استخراج شده از سیگنال حجم سنجی نوری گیرنده دوم، اختلاف معنی دار (p<0.005) را نشان دادند. برای جداسازی سیگنال حجم سنجی نوری از گیرنده دوم در فشارهای مختلف، شبکه عصبی برازش تعمیم یافته (GRNN) صحت %79.6 حاصل شد. نتایج حاصل از شبیه سازی ها نشان می دهند که با اعمال فشار خارجی، لایه های عمقی بافت بیشتر تحت تاثیر قرار گرفته و میزان خون رسانی به آن ها کاهش پیدا می کند. بهبود این روش می تواند برای ارزیابی میزان خون رسانی به بافت به صورت بالینی به کار برده شود و در مراحل بعد به عنوان روشی موثر برای پیشگیری از زخم فشار توسعه یابد.

مساله نظرکاوی در سال های اخیر بسیار مورد توجه بوده است. تمرکز روش های موجود نظرکاوی بر نظرات مستقیم بوده است و اغلب آن ها از نظرات غیرمستقیم صرف نظر کرده اند. درحالی که در برخی دامنه ها از جمله پزشکی نظرات غیرمستقیم به دفعات رخ می دهند و نادیده گرفتن آنها باعث کاهش دقت سیستم نظرکاوی می شود. در این مقاله روشی نیمه خودکار برای ساخت پیکره ای از نظرات غیرمستقیم به زبان انگلیسی در دامنه دارو ارائه می شود. در مرحله نخست روش پیشنهادی، جملاتی که بیان گر یک نظر غیرمستقیم هستند، شناسایی و در مرحله دوم قطبیت آن ها با کمک دانش دامنه، الگوهای زبانی و ساختار نظرات تعیین می شود. سپس از این پیکره در روش های یادگیری ماشین جهت تعیین قطبیت نظرات مطرح شده درباره داروها استفاده می شود. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در تعیین قطبیت مجموعه آزمون به دقت 82.81 درصد می رسد و بر یک روش برجسته تحلیل نظرات مستقیم به نام الگوهای سنتیک غلبه می کند.

در این مقاله چارچوبی برای روش های تحمل پذیری خطای مبتنی بر الگوریتم در سیستم های محاسباتی ارائه می دهیم. خطاهایی که در الگوریتم های پردازش داده رخ می دهند، با به کارگیری کدهای کانولوشن نظام مند تعریف شده بر روی ساختارهای حسابی نقطه ثابت، آشکارسازی و تصحیح می شوند. کدهای کانولوشن، امکان آشکارسازی خطا در عملیات پردازش داده عددی را، فراهم می کنند. بسیاری از تکنیک های تحمل پذیر خطا که مربوط به حفاظت از عملیات های ماتریسی عددی هستند از کدهای بلوکی با افزونگی بالا برای قابلیت تحصیح خطا، استفاده می کنند. در این مقاله، از کدهای کانولوشن استفاده شده و از ویژگی های آزمون پیوسته برای آشکارسازی خطاها استفاده می شود. این تکنیک آشکارسازی خطای مبتنی بر الگوریتم، بر مقایسه مقادیر توازن محاسبه شده از دو مسیر تکیه دارد. خطاهای پردازش داده های عددی توسط مقایسه مقادیر توازن مرتبط با کدهای کانولوشن آشکار می شوند. این روش یک رویکرد جدید برای دستیابی به اصلاح خطای همزمان در سیستم های محاسبات تحمل پذیری خطا است. این مقاله یک طرح محاسباتی جدیدی را به منظور فراهم آوردن تحمل پذیری خطا برای الگوریتم های عددی ارائه می دهد. در حالی که تصحیح داده های خروجی توسط یک کدگشای (کدبردار) آستانه که تحت تاثیر خطاهای گرد کردن و خطاهای ناشی از محاسبه گر می باشد، صورت می گیرد. هدف، توصیف یک رویکرد حفاظتی است که به آسانی با تکنیک های پردازش داده ادغام شده و به تحمل پذیری موثرتر خطا می انجامد. نتایج شبیه سازی، نشان می دهند که اختلاف میان خطای گردکردن و خطای ناشی از محاسبه گر به اندازه کافی برای متمایز شدن از یکدیگر بزرگ می باشد. این اختلاف بزرگ میان این دو خطا، محدوده و گستره ای از آستانه های آشکارسازی خطا را برای انتخاب به ما می دهد.

امروزه پویانماها با ایجاد حرکات طبیعی در اندام های شخصیت های کارتونی به شخصیت های تخیلی زندگی واقعی می بخشند. برای رسیدن به این هدف می توان حرکات موجودات زنده را به شخصیت های کارتونی اعمال کرد. دراین مقاله، یک روش مبتنی بر تناظریابی اسکلتی برای انتقال حرکت یک شخصیت دو بعدی به شخصیت جدید ارائه و روش نوینی برای تناظریابی بین اسکلت مرجع و هدف ارائه شده است که بر مبنای موقعیت زاویه ای استخوان های خارج شده از گره ها و مجموع طول استخوان های متصل شده به گره ها می باشد. برای این منظور، دو شخصیت با ساختار آناتومی مشابه به عنوان شخصیت مرجع و هدف انتخاب می شوند. بر اساس سکانس حرکتی موجود از شخصیت مرجع، اسکلتی با مفاصل دقیق برای این شخصیت استخراج شده و اسکلت شخصیت هدف بر اساس الگوریتم استخراج اسکلت به دست می آید. با تناظریابی بین اسکلت شکل مرجع و هدف می توان حرکات و تغییرات هر یک از استخوان های مرجع را به استخوان متناظر در شکل هدف منتقل کرد. تغییرات انتقال داده شده از شکل های مرجع، بیان گر میزان چرخش، جابه جایی و تغییر مقیاس هر یک از استخوان های شکل مرجع هستند. برای ارزیابی الگوریتم پیشنهادی و نمایش نتایج حاصل از آن، از شخصیت های پویانمائی دو بعدی استفاده شده است. نتایج به دست آمده بیان گر توانایی الگوریتم در تولید شکل های با کیفیت و با حرکات طبیعی و واقعی هستند. الگوریتم پیشنهادی نسبت به تنوع شخصیت های مرجع مقاوم بوده و می تواند انواع تغییرات را به شخصیت های دیگر منتقل کند.

تشخیص لهجه از روی شکل موج گفتار یکی از شاخه های تاحدودی جدید در علم پردازش گفتار است. تشخیص لهجه می تواند تا حد زیادی باعث بهبود سیستم های بازشناخت گفتار شود. همانند هر سیستم بازشناسی، فرآیند تشخیص لهجه نیز شامل سه مرحله پیش پردازش، استخراج ویژگی و طبقه بندی است. در این مقاله سه روش کارآمد استخراج ویژگی شامل دامنه مرکزی طیفی (SCM)، مشتق اول آن (DSCM) و تبدیل Zak روی سیگنال گفتار اعمال شده اند و کارآیی این روش ها با روش های متدوال استخراج ویژگی مانند ضرایب مل-کپستروم و مشتقات آن مقایسه شده است. علاوه بر این یک ویژگی جدید که با ایجاد تغییراتی در الگوریتم محاسبه ضرایب مل-کپستروم به دست می آید برای تشخیص لهجه ها در محیط های نوفه ای معرفی شده است. برای مرحله طبقه بندی از پنج طبقه بند مختلف، شامل MLP، KNN، PNN، RBF و SVM و ترکیب این طبقه بندها با یکدیگر استفاده شده است. نتایج آزمایش ها بیانگر بهبود نرخ بازشناسی لهجه ها با روش های پیشنهادی هستند.

تاکنون کارهای زیادی در مورد فشرده سازی تصویر انجام گرفته و روش های متفاوتی ارائه شده اند. هر یک از این روش ها بر روی تصاویر مختلف، میزان فشرده سازی متفاوتی را ارائه می دهند. با شناسایی پارامترهای تاثیرگذار در یک الگوریتم فشرده سازی و تقویت آنها در مرحله پیش پردازش، میزان فشرده سازی آن الگوریتم را می توان بهبود بخشید.JPEG یکی از روش های فشرده سازی موفق است که کارهای زیادی نیز برای بهبود عملکرد آن انجام شده است. میزان وضوح تصویر، یکی از عوامل مهم در میزان فشرده سازی JPEG محسوب می شود. هر چه وضوح تصویر کمتر باشد، جزئیات کمتری در آن قابل نمایش است و JPEG قادر خواهد بود با میزان بیشتری این گونه تصاویر را فشرده کند. در این مقاله پیش پردازش شبه بی اتلافی مبتنی بر عملگر توان ارائه شده است که با کم کردن دامنه تغییرات سطوح خاکستری تصویر، وضوح تصویر را کاهش می دهد. بر اساس نتایج این تحقیق، JPEG قادر خواهد بود با میزان فشرده سازی بیشتری تصاویر پیش پردازش شده حاصل را فشرده کند. در مرحله بازیابی تصویر، با اعمال عملگر توان با معکوس مقدار نما، وضوح اولیه تصویر احصاء می شود. نتایج نشان می دهد که روش پیش پردازش ارائه شده میزان فشرده سازی JPEG را بر روی تصاویر طبیعی به میزان قابل ملاحظه ای افزایش می دهد.

درخت بانک از مهم ترین و پرکاربردترین منابع مورد استفاده در زمینه پردازش زبان طبیعی است. دو نوع از پرکاربردترین درخت بانک ها، درخت بانک وابستگی و درخت بانک سازه ای است. با توجه به نبود درخت بانک سازه ای با حجم بزرگ در زبان فارسی در این مقاله به بررسی روشی ارائه شده در تبدیل درخت بانک وابستگی به سازه ای می پردازیم. سپس مشکلات این روش را در زبان فارسی و انگلیسی بررسی و با ارائه راهکارهایی کیفیت تبدیل را بهبود می بخشیم. نخستین راه کار، تصحیح مکان اتصال سازه ها در درخت سازه ای به ازای هر رابطه وابستگی است. راه کار دوم، انجام مکاشفه ای به صورت پس پردازش و بر روی خروجی ساختار سازه ای این روش است که، کیفیت نهایی درخت های سازه ای را بهبود می بخشد. نتایج حاصل از آزمایش ها نشان می دهد که، روش تبدیل با کمک راه کارهای ارائه شده حدود 25.85 درصد در زبان فارسی و 4.39 درصد در زبان انگلیسی دارای کیفیت بالاتری نسبت به حالتی است که از راه کارهای پیشنهادی استفاده نشود. در ادامه با کمک روش تبدیل و درخت بانک وابستگی موجود در زبان فارسی، یک درخت بانک سازه ای تولید کرده و به کمک آن تجزیه گری سازه ای را آموزش داده ایم. کیفیت تجزیه گر آموزش داده شده با استفاده از درخت بانک حاصل از روش تبدیل و راه کارهای پیشنهادی این پژوهش نسبت به حالتی که از راه کارهای پیشنهادی استفاده نشود، بهبود 21 درصدی را نشان می دهد.

در این تحقیق، تلاش برای بهبود نرخ شناسایی و حل مشکلات ناشی از چرخش سر، تغییر شدت روشنایی و پوشش قسمتی از چهره در رشته های ویدیویی با استفاده از افکنش متعامد با حفظ ساختار محلی (OLPP) است. در این پژوهش ابتدا برای حذف تصویر زمینه، چهره در قاب های ویدیویی تشخیص داده می شود. سپس با ارایه یک روش مناسب، مجموعه تصاویر چهره که به صورت منیفولد غیرخطی توزیع یافته است، خوشه بندی شده و مراکز خوشه ها به عنوان نماینده هر خوشه تعیین می شوند. در این مقاله نشان داده می شود که با استفاده از افکنش OLPP قاب های کلیدی به یک فضای جدیدی منتقل می شوند که در آن قاب های متعلق به یک منیفولد به هم نزدیک تر و از قاب های منیفولدهای دیگر دور می شوند. برای شناسایی، رشته ویدیویی آزمایشی به فضای جدید افکنش شده و فاصله بین منیفولدها محاسبه می شود. مقایسه نتایج الگوریتم پیشنهادی با روش های دیگر نشان دهنده کارایی بالای روش پیشنهادی است.