پردازش علایم و داده ها
سال:1395 | دوره:- | شماره:1 (پیاپی 27) |تعداد مقالات:10

در این مقاله یک ساختار جدید برای رمزنگاری تصویر با استفاده از اتوماتای سلولی برگشت پذیر ارائه شده است. رمزنگاری تصویر در روش پیشنهادی در سه مرحله جداگانه صورت می گیرد. در مرحله نخست تصویر بلوک بندی می شود و سپس مقادیر روشنایی پیکسل ها با استفاده از اتوماتای سلولی برگشت پذیر جایگزین می شوند. درهم ریزی تصویر در مرحله دوم با اتوماتای دیگری انجام می شود و سپس در مرحله نهایی بلوک های تصویر در کنار یکدیگر قرار می گیرند و عمل جایگزینی پیکسل ها با استفاده از اتوماتای سلولی برگشت پذیر صورت می پذیرد. بدیهی است مراحل رمزگشایی تصویر با توجه به برگشت پذیری اتوماتای پیشنهادی به صورت معکوس قابل اجرا است. نتایج آزمایش ها نشان می دهد روش پیشنهادی می تواند تصویر را به گونه ای رمز کند که تصویر رمز شده از لحاظ بصری قابل درک نباشد. هم چنین روش پیشنهادی با استفاده از معیارهای کمی از جمله ضرایب همبستگی، NPCR، UACI، MAE و آنتروپی با روش های دیگر مورد بررسی قرار گرفت و ارزیابی شد. در بیش تر موارد، روش پیشنهادی نتایج مطلوب تری نسبت به روش های دیگر داشته است.

در این مقاله یک رویکرد کارآمد مبتنی بر ماشین یادگیر بیشینه، برای تشخیص و شناسایی پیکسل های آغشته به نوفه فلفل نمکی از تصاویر دیجیتال ارائه شده است. الگوریتم پیشنهادی با استفاده از یک طبقه بند ماشین یادگیر بیشینه با ورودی های پیکسل مرکزی، ROAD و چهار عامل تصمیم گیری فیلتر SD-ROM، ابتدا پیکسل های نوفه ای را تشخیص داده و سپس با استفاده از فیلتر میانه تطبیقی، مقدار پیکسل نوفه ای تخمین زده می شود. نتایج حاصل از ارزیابی عملکرد طبقه بند، نمایانگر قابلیت بالای ویژگی های ورودی در متمایزکردن پیکسل نوفه ای از پیکسل سالم است. برای ارزیابی، تصاویر بهبودیافته توسط الگوریتم پیشنهادی با تصاویر حاصل از چند فیلتر متداول دیگر مقایسه و از معیار نرخ بیشینه سیگنال به نوفه استفاده شد. نتایج عددی حاصل از آزمایش ها حاکی از کارآمدی فیلتر پیشنهادی از نظر معیارهای کمی و کیفی می باشند.

تشخیص خودکار واژه های دارای نقش های معنایی در جملات و اختصاص صحیح نقش های معنایی (همچون کنش گر، کنش پذیر، منشأ، و ...) به آن ها توسط رایانه، می تواند موجب بهبود کیفیت در بسیاری از کاربردهای پردازش زبان طبیعی همچون استخراج اطلاعات، پرسش و پاسخ، خلاصه سازی، و ترجمه ماشینی شود. در چنین پردازشی که برچسب زنی نقش معنایی و یا تجزیه معنایی سطحی خوانده می شود، به طور معمول از تجزیه نحوی جملات به منظور تعریف ویژگی های نحوی استفاده می شود و نوع بازنمایی نحوی مورد استفاده در دقت سامانه برچسب زنی نقش معنایی موثر است. در این پژوهش به ارائه برچسب زن نقش معنایی مبتنی بر تجزیه نحوی کامل می پردازیم. بدین منظور از تجزیه گر نحوی وابستگی و روش های یادگیری ماشینی استفاده می شود. در برچسب زن ارائه شده سعی شده است که مشکلات برچسب زن های قبلی ارائه شده برای زبان فارس، که همگی مبتنی بر تجزیه نحوی سطحی بوده اند، رفع شود و معماری سامانه به برچسب زن های به روز دنیا نزدیک باشد. نتایج پژوهش نشان دهنده دقت مناسب سامانه ارائه شده است.

در این مقاله به معرفی شبکه های عصبی پیمانه ای عمیق و قابل رشد به منظور بهبود بازشناسی گفتار پیوسته پرداخته می شود. ساختار این شبکه ها و روش های پیش تعلیم معرفی شده برای آنها به گونه ای است که درعین هماهنگی با ساختار گفتار، در حافظه و محاسبات لازم صرفه جویی می شود. به دلیل قابلیت رشد این ساختارها، در تعلیم آنها اطلاعات فضایی-زمانی بردارهای بازنمایی در ورودی و اطلاعات فضایی-زمانی برچسب آوایی آنها را در خروجی شبکه عصبی می توان انجمن کرد. شبکه تعلیم یافته با این ساختار انجمن گر فضایی-زمانی دوگانه، می تواند زیرفضای زنجیره های معتبر آوایی دادگان را یاد بگیرد. بنابراین، در ساختار خود زنجیره های خروجی نامعتبر را پالایش کرده و زنجیره های درست را می دهد. جهت بررسی عملکرد این ساختارها، از دو دسته دادگان گفتاری فارس دات و فارس دات بزرگ استفاده شد. نتایج آزمایش ها نشان می دهند که می توان دقت بازشناسی آوا را برروی دادگان فارس دات تا %2.7 با استفاده از شبکه های عصبی پیمانه ای عمیق نسبت به مدل های مخفی مارکوف بالا برد، که با توسعه آنها به ساختار فضایی-زمانی دوگانه این نتیجه تا %5.1 بهبود می یابد. به دلیل عدم وجود برچسب های آوایی برای دادگان بزرگ، یک روش تعلیم نیمه سرپرستی شده برای تعلیم شبکه های عصبی برروی این دادگان پیشنهاد شده است که می تواند به درصد بازشناسی قابل مقایسه ای با مدل های مخفی مارکوف دست یابد.

یکی از مشکلات عمده سامانه های خودکار بازشناسی گفتار (ASR)، تنوعات موجود در بین گوینده ها، کانال انتقال داده و محیط است که به علت وجود این تنوعات، کارایی این سامانه ها در شرایط کاربردی مختلف، به شدت تغییر می کند. مقاوم سازی سامانه های بازشناسی جهت مقابله با این تغییرات از جمله مسائل حال حاضر در حوزه بازشناسی گفتار است. از جمله عواملی که باعث کاهش کارایی سامانه ها می شود، تمایز مشخصات صوتی آواهای یکسان تولید شده از گوینده های مختلف است. یکی از عوامل اصلی این مشکل ناشی از تفاوت موجود در طول مجرای صوتی (VTL) بین گوینده های مختلف است. روش هنجارسازی طول مجرای صوتی (VTLN) از روش های رایج برای رفع این مشکل است که در آن برای هر گوینده یک ضریب پیچش فرکانسی تعیین می شود. در این مقاله روش متداول تعیین ضریب پیچش با رویکرد مبتنی بر جستجو در یک سامانه بازشناسی گفتار پیوسته فارسی مبتنی بر مدل مخفی مارکوف معرفی و مشکلات محاسباتی استفاده از این روش شرح داده شده است. در نهایت روشی مبتنی بر رگرسیون خطی از روی امتیاز محاسبه شده از مدل سازی جنسیت جهت تخمین ضرایب پیچش پیشنهاد شده است که منجر به کاهش قابل ملاحظه هزینه محاسباتی روش مبتنی بر جستجو می شود. علاوه بر این، نتایج آزمایش ها بر روی دادگان آزمون گفتار تلفنی محاوره ای، بیان گر بهبود 0.54 درصدی دقت تشخیص کلمه روش پیشنهادی نسبت به روش متداول مبتنی بر جستجو است.

امروزه، می توان با رونوشت برداری از منابع وسیع اینترنتی سند جدیدی را تهیه و به نام خود ارائه داد که مصداقی از دستبرد ادبی است. حفظ حقوق مالکیت مادی و معنوی نویسندگان ضرورت تشخیص اسناد اصلی و اسناد رونوشت برداری شده را ایجاب می کند. برای این منظور از الگوریتم های تشخیص دستبرد ادبی و سامانه هایی که مبتنی بر این الگوریتم ها طراحی شده اند استفاده می شود. عملکرد سامانه های تشخیص دستبرد ادبی که در واقع میزان شباهت بین دو متن را ارزیابی می کنند، بر اساس دو شاخص دقت یافته های مشابه و مدت زمان تشخیص سنجیده می شود. تاکنون سنجه های مختلفی برای ارزیابی مشابهت دو سند ارائه شده که کارایی آنها به محتوای متن و منابع مورد استفاده مانند واژه نامه برای مقایسه بین واژه های دو سند محدود است. در این مقاله روشی ارائه شده است که از نظریه گواه برای هم جوشی اطلاعات، به منظور ارزیابی تشابه دو سند و کشف دستبرد ادبی با توجه به کیفی و ناکامل بودن عوامل اثرگذار بر سنجش شباهت بین دو متن، استفاده می کند. روش پیشنهادی در گام نخست جمله های موجود در سند را به دو بخش عمومی و تخصصی تقسیم کرده و سپس با استفاده از سنجه های متفاوت و استفاده از «هستان نگار تخصصی» امتیاز تشابه برای هر بخش را محاسبه و در نهایت در دو سطح، میزان شباهت بین دو سند را استنتاج می کند، در سطح نخست نتایج سنجه های شباهت سنجی به عنوان گواه (با باور پایه مشخص) با قاعده دمپستر-شفر با هم ترکیب شده و به عنوان گواهی جدید به سطح دوم منتقل می شوند. در سطح دوم نتیجه سطح نخست و گواه جدید از طریق قاعده میانگین گیری ترکیب شده و توابع باور و مقبولیت نهایی محاسبه و شباهت بین دو جمله (سند) ارزیابی می شود. سامانه مذکور بر روی پیکره فارسی که با استفاده از مقاله های کنفرانس سالانه یادگیری و آموزش الکترونیکی تولید شده، مورد ارزیابی قرار گرفته است که با دقت بیش از %86 امکان شناسایی اسناد مشابه را دارد.

در زبان فارسی کلمات دارای صورت های نگارشی متنوعی هستند و پوشش کلیه حالات دستوری کلمات با به کارگیری یک سری قواعد معین ناممکن است، به همین دلیل استخراج کلمات کلیدی به طور خودکار از متون فارسی دشوار و پیچیده است. در این مقاله سعی شده است با استفاده از اطلاعات زبان شناختی و اصطلاح نامه، کلمات کلیدی بامعناتری استخراج شود. با استفاده از اصطلاح نامه که از نظامی ساختارمند برخوردار است، می توان شبکه کلمات کلیدی، شامل کلمات هم ارز، کلمات سلسله مراتبی و وا بسته را تکمیل کرده و افزایش داد. بنابراین می توان توافق بین جستجوی کاربران و کلمات کلیدی متنی را بیشتر کرد و جامعیت جستجو را افزایش داد.در گام نخست کلمات غیر مهم و عمومی حذف می شوند، سپس کلمات متن ریشه یابی و در ادامه برای مشخص شدن اهمیت نسبی کلمات با استفاده از روش های وزن دهی، یک وزن عددی به هر کلمه منسوب می شود که بیان گر میزان تاثیر کلمه در ارتباط با موضوع متن و در مقایسه با سایر کلمات به کار رفته در متن است. مجموعه عملیات بالا به خصوص استفاده از اصطلاح نامه باعث می شود که دسته بندی متون دقیق تر انجام گیرد و به نوعی رده علمی سلسله مراتبی متون در حوزه بازیابی اطلاعات نیز مشخص می شود. نتایج آزمایش ها روی چندین متن در موضوعات مختلف نشان دهنده دقت و توانایی روش پیشنهادی در استخراج کلمات کلیدی منطبق با خواست کاربر است و در نتیجه خوشه بندی دقیق تر متون است.

کاربرد شبکه های عصبی مصنوعی در حوزه هایی از قبیل دسته بندی تصاویر و سیگنال های صوتی، موید توانایی این ابزار قدرتمند هوش مصنوعی در حل مسائل دنیای امروز است. طراحی و آموزش شبکه های عصبی همواره یک فرآیند زمان بر و مشکل بوده است. یک مدل عصبی مناسب باید بتواند الگوی داده های آموزشی را فراگرفته و نیز قابلیت تعمیم داشته باشد. در این مقاله، از جمعیت های موازی برای طراحی معماری شبکه عصبی و همچنین از استراتژی تکاملی برای آموزش آن استفاده شده است، به طوری که در هر جمعیت شبکه ای با معماری خاصی تکامل می یابد. به کمک یک روش انتخاب دومعیاره مبتنی بر میزان خطا و پیچیدگی شبکه ها، الگوریتم ارائه شده قادر است شبکه های ساده با قابلیت تعمیم بالا تولید کند. برای ارزیابی کارایی الگوریتم پیشنهادی از هفت مساله استاندارد دسته بندی استفاده شده است. روش ارائه شده با روش های تکامل اوزان، تکامل معماری و نیز الگوریتم های تکامل هم زمان معماری و اوزان مورد مقایسه قرار گرفته است. نتایج آزمایش ها کارایی و پایداری این روش را نسبت به روش های مورد مقایسه نشان می دهد. در این مقاله، همچنین تاثیر وجود جمعیت های موازی، روش انتخاب دومعیاره و نیز عملگر ادغام در الگوریتم ارائه شده مورد بررسی قرار گرفته است. از مزایای اصلی این روش بهره گیری از پردازش موازی به وسیله جمعیت های مستقل است.

قابلیت شناسایی ماهیتی پوشش های سطح در تصاویر ابرطیفی به نحو قابل توجهی فراهم شده است. دراین تصاویر طیف بازتابی سطح در محدوده مرئی و مادون قرمز نزدیک طیف الکترومغناطیس در باندهای بسیار باریک و پیوسته ثبت می شود. اما به دلایلی ازجمله وجود پیکسل های مخلوط و پایین بودن قدرت تفکیک مکانی این تصاویر، شناسایی دقیق موقعیتی پوشش های سطح در آنها دشوار است. روش های طبقه بندی نرم امکان برآورد سهم طبقه ها رادر داخل پیکسل های مخلوط فراهم می آورد، اما بااستفاده ازاین روش ها تنها اطلاعات ماهیتی درسطح زیرپیکسل تولید شده و آرایش مکانی طبقه ها نامعلوم باقی می ماند. جهت حل این مشکل، روش هایی بانام SRM ارائه شده که مقادیر عضویت حاصل از طبقه بندی نرم رادر زیرپیکسل ها جانمایی کرده و نقشه پوششی با توان تفکیک بالاتری تولید می کند. در این مقاله، از روش معاوضه پیکسلی، به عنوان یکی از الگوریتم های SRM استفاده و با تکرار آن برای هر طبقه، حالت چندکلاسه آن ایجاد شد. نکته اساسی که در طبقه بندی زیرپیکسلی مطرح می شود، ارزیابی این نوع طبقه بندی کنندهها است، که به دلیل اثرگذاری پارامترهای متنوع در طبقه بندی زیرپیکسلی، پیچیده است. از این رو به عنوان فعالیتی اصلی و نوآورانه اثرگذاری دو پارامتر سطح همسایگی و ضریب بزرگ نمایی در روش معاوضه پیکسلی تعمیم، شبیه سازی و تحلیل شده است. برای این منظور چارچوبی برای ارزیابی عملکرد طبقه بندی زیرپیکسلی، به دو صورت مستقل از خطای طبقه بندی نرم و وابسته به آن، پیشنهاد شد.

در این مقاله یک الگوریتم جدید برای آشکارسازی خودکار و بدون نظارت عروق خونی شبکیه چشم ارائه شده است. برای آشکارسازی عروق خونی شبکیه، ابتدا یک مرحله پیش پردازش برای حذف لکه زرد و شدت روشنایی های نوفه گونه پس زمینه تصویر انجام شده است. برجسته سازی رگ های خونی تصویر در جهت های مختلف با استفاده از یک الگوریتم جدید مبتنی بر عملکرد سلول ساده دستگاه بینایی انسان انجام شده است. یک مقدار آستانه تطبیقی نیز به عنوان تابع فعالیت این سلول ساده در نظر گرفته شده است. در انتها برای حذف ترشحات آشکارشده به عنوان رگ های خونی، یک مرحله پس پردازش روی خروجی های سلول های ساده انجام می شود. نتایج به دست آمده نشان می دهد که روش پیشنهادی به طور تقریبی در تمامی تصاویر پایگاه داده DRIVE عروق شبکیه چشم را با درصد بالاتری نسبت به روش های موجود آشکارسازی کرده و مدت زمان استخراج عروق بسیار بهبود یافته است.