پردازش علایم و داده ها
سال:1394 | دوره:- | شماره:1 (پیاپی 23) |تعداد مقالات:6

یادگیری منیفلد یکی از روش های کاهش بعد مطرح به منظور استخراج ساختار غیرخطی داده با ابعاد بالاست. تاکنون روش های زیادی به این منظور ارائه شده اند. در تمام این روش ها یک منیفلد به عنوان منیفلد جاسازی شده در داده استخراج می شود. در حالی که در خیلی از مسائل مربوط به دنیای واقعی یک منیفلد به تنهایی بیان گر ساختار داده نیست. در این راستا بر مبنای تحقیقات قبلی، یک روش کاهش بعد غیرخطی مبتنی بر شبکه های عصبی عمیق ارائه شده است که قادر به استخراج توأم منیفلدهای جاسازی شده در داده است. در مدل شبکه عصبی تفکیک کننده منیفلدهای غیرخطی، برخلاف روش معمول استخراج منیفلد با شبکه های عصبی که به صورت بدون سرپرستی صورت می گیرد، از برچسب داده در جهت شکل گیری منیفلدها به صورت غیرمستقیم استفاده می شود. با توجه به ساختار عمیق این مدل نشان داده شده است که با بهره گیری از روش های پیش تعلیم می توان به طور معناداری عملکرد آن را بهبود بخشید؛ همچنین در راستای استخراج بهتر منیفلدها و حفظ تمایز درون منیفلدی برای طبقات مختلف، توابع معیار آن بهبود داده شده است. این مدل برای استخراج منیفلدهای حالت های احساسی و هویت افراد از دادگان چهره CK+، مورد استفاده قرار گرفته است. با بهره گیری از پیش تعلیم لایه به لایه و بهبود توابع معیار، نرخ بازشناسی حالت برای تصاویر مجازی از 24.29% به 75.07% و درصد صحت بازشناسی هویت با یک تصویر از هر فرد با غنی سازی دادگان تعلیم طبقه بند KNN توسط این تصاویر مجازی، از 90.62% به 97.07% نسبت به مدل اولیه بهبود داشته است.

شبکه IMS توسط ETSI به عنوان هسته شبکه های نسل آینده تعیین شده است. ساختار هسته این شبکه از دید پیام های کنترلی و پروتکل های ارتباطی باعث شده امنیت به عنوان یک قابلیت ضروری برای نیازمندی های آن درآید. پیام های کنترلی این شبکه توسط پروتکل SIP منتقل می شود که یک پروتکل لایه کاربرد است. به دلیل اجباری بودن احراز هویت کاربر در زمان ثبت نام و به دلیل اضافه شدن سرآیند های سیگنالینگ، این شبکه امن تر از شبکه های رایجی نظیر VOIP است، هرچند آسیب پذیری های متفاوتی اضافه شده است که منجر به حملات بر روی سرورها می شود. این پژوهش بررسی بر روی سرورهای اصلی (x-CSCF) این شبکه را مبتنی بر تهدید، آسیب پذیری و تحلیل اثر حمله بر دسترس پذیری و محرمانگی انجام می دهد. این کار با استفاده از یک روش تحلیل آسیب پذیری (TVRA) انجام شده است که مبتنی بر احتمال وقوع حمله و آسیب ناشی از آن است. تهدید به دلیل وجود ضعف ایجاد شده و سبب آسیب می شود. پس از شناخت سرمایه های سامانه، نقاط ضعف ها و آسیب پذیری تجهیزات و کاربردها، شاخص های امنیتی به دست می آید که در تولید و پیاده سازی امن سرورها حایز اهمیت هستند و سبب کاهش هزینه و ارتقای امنیت است. مدل سازی از طریق تعریف و یافتن تابعی با متغیرهای (سرمایه منطقی/ نقطه ضعف/ موقعیت/ تهدید و حمله/ هدف امنیتی نقض شده) انجام شد که ارتباط این متغیرها تمهیدات پیش گیرانه امنیتی را روشن کرد. حملات رایج سرورها براساس مدل سازی گروه بندی و به ترتیب فراوانی وقوع در جدول مرتب شد. نتایج مدل سازی نشان می دهد که مهم ترین روش های سیگنالینگ شامل روش دعوت و ثبت نام هستند که نقش اساسی در رخ دادن حملات سیلاب سازی و نقض دسترسی دارند و رمزنگاری ارتباط سرور P-CSCF (مهم ترین سرور ارتباطی با کاربر) جلوی بسیاری از حملات ناشی از شنود را می گیرد. از بین سرورهای سه گانه SIP، این سرور نقش کلیدی در ارتقای امنیت و کاهش زمان پردازش در ارتباط ها را بر عهده دارد.

ردیابی خودرو یکی از چالش های مهم در سیستم های حمل و نقل هوشمند جهت تخمین موقعیت خودرو در قاب بعدی از یک دنباله متوالی تصاویر از ویدئوهای نظارتی است. در این مقاله، یک الگوریتم ردیابی خودرو مبتنی بر ویژگی با استفاده از الگوریتم تخمین زننده ویژگی Kanade-Lucas-Tomasi (KLT) گسترش یافته است. در این الگوریتم، برای جایگزینی خودروها با ویژگی های ردیابی شده، یک الگوریتم گروه بندی دومرحله ای سلسله مراتبی ادغام و تقسیم پیشنهاد می شود. در الگوریتم گروه بندی پیشنهادی با تعریف معیارهایی همچون معیارهای فاصله، گستردگی و همچنین آنالیز حباب نتایج گروه بندی اولیه حاصل شده از الگوریتم خوشه بندی K-means اصلاح می شود. علاوه براین، جهت تصحیح عملکرد الگوریتم تخمین زننده ویژگی KLT و همچنین استفاده مناسب تر از نتایج گروه بندی الگوریتم پیشنهادی، یک الگوریتم کارآمد تطبیق گروه های ویژگی براساس نقشه ادغام و تقسیم جهت تطبیق گروه ویژگی های ردیابی شده از یک قاب به قاب بعد پیشنهاد می شود. در این الگوریتم تطبیق سعی شده است که با استفاده از ویژگی های منطبق شده بین دو قاب، خودروهای متناظر در آن دو قاب به درستی تطبیق داده شوند. الگوریتم ردیابی پیشنهادی بر روی ویدئوهای آزمایشی متفاوتی با شرایط نورپردازی متفاوت همچون روز، شب و وجود سایه ارزیابی می شود. نتایج حاصل نشان می دهد که الگوریتم ردیابی پیشنهادی اکثر چالش های مهم ردیابی خودرو در کاربردهای عملیاتی سامانه های حمل و نقل هوشمند را پوشش می دهد.

یکی از مهم ترین زیرسامانه های حمل و نقل هوشمند، سامانه تشخیص و شناسایی پلاک خودرو است. دشواری تشخیص و شناسایی صحیح پلاک خودرو در شرایط مختلف محیطی موجب شده تا پژوهش در این زمینه پژوهشی هم چنان ادامه داشته باشد. مساله تشخیص پلاک خودرو را می توان به سه زیر مساله «جایابی پلاک»، «استخراج نویسه های پلاک» و «شناسایی نویسه ها» تقسیم کرد. در این مقاله تلاش شده به کمک قواعد فازی، الگوریتم های جایابی پلاک خودروهای ایرانی و شناسایی نویسه های آن بهبود یابد. جایابی پلاک با لبه یابی، تحلیل ریخت شناسانه و استفاده از قواعد فازی و شناسایی نویسه ها با استفاده از ماشین بردار پشتیبانی فازی انجام شده است. با آزمایش الگوریتم یادشده بر روی پنجاه تصویر صحت جایابی پلاک خودرو 90 درصد و صحت شناسایی نویسه ها 94 درصد به دست آمد که در مقایسه با روش های مرسوم توانمندی چشمگیری دارد.

با توجه به پیشرفت فناوری در دهه های اخیر، ارسال و دریافت ویدئو از طریق کانال های مخابراتی بی سیم با استقبال گسترده ای روبه رو شده است. بدین منظور روش های بسیاری جهت بالابردن کیفیت ویدئویی ارسالی ارائه شده اند. یکی از مواردی که کیفیت فایل های ویدئویی را کاهش می دهد، وجود خطا در مقادیر بردارهای حرکت است. در صورت ایجاد خطا در مقادیر بردارهای حرکت، تصاویر ایجادشده مقداری نسبت به حالت قبلی خود جابه جا می شوند و کیفیت فریم دریافتی را به صورت قابل توجهی پایین می آورند. در این مقاله به منظور مقابله با این مشکل و همچنین بالابردن PSNR، از افزایش نرخ کدگذاری کانال در یک نرخ ارسال ثابت استفاده می شود. در روش پیشنهادی، ابتدا با استفاده از پنجره ای با اندازه 8´8 جستجو در فریم مورد نظر شروع می شود. پس از اتمام جستجو بلوک هایی که در همسایگی یکدیگرند و دارای مقدار حرکت صفر (بدون حرکت) هستند با یکدیگر ترکیب می شوند و این امر منجر به ساخته شدن بلوکی با ابعاد بزرگ تر می شود. همچنین بلوک هایی که دارای مقدار حرکت برابر بوده اند نیز با یکدیگر ترکیب و به دو روش مختلف به گیرنده ارسال می شوند. آزمایش های انجام شده نشان می دهند که روش پیشنهادی بدون افزایش حجم اطلاعات ارسالی برای هر فریم، توانسته است فریم های ویدئویی را نسبت به خطاهای کانال مقاوم تر سازد. در انتها نتایج به دست آمده با چندین نرخ ارسال برای منبع و چندین SNR برای کانال با نتایج به دست امده از روش های متداول مقایسه شده است. پس از مقایسه روش پیشنهادی با روش های متداول، این نتیجه به دست آمد که با مقاوم سازی بردارهای حرکت، با استفاده از افزایش نرخ کدگذاری در بردارهای همسایه دارای مقدار یکسان، می توان کیفیت فریم های ویدئویی دریافت شده را در حد قابل قبولی افزایش داد.

در این مطالعه، نرخ تشخیص همخوان های موجود در ساختار هجایی «واکه- همخوان- واکه»، در آزمون های شنوایی و دو مدل میکروسکوپی ادراک گفتار مورد بررسی قرار می گیرد. چنین ساختار هجایی در زبان فارسی و ترکی آذری وجود ندارد؛ با وجود این، نتایج آزمون های شنوایی نشان می دهد که شنونده آذری یا فارسی زبان در شرایط بدون نوفه، قادر به تشخیص صحیح همخوان ها هستند. برای این پژوهش که در آن هدف، تشخیص صحیح آواها و نه کلمات بامعنی است، استفاده از این دادگان صوتی فاقد معنی مناسب است، چون با استفاده از این دادگان، دانش زبانی شنوندگان در پیش بینی کلمات نادیده گرفته میشود. نتایج آزمون های شنوایی با نتایج دو مدل میکروسکوپی که بر پایه دستگاه شنوایی انسان است، مقایسه می شود. تفاوت دو مدل در مرحله نهایی استخراج ویژگی به منظور استفاده در شناساگر خودکار گفتار DTW است. در مدل میکروسکوپی اول، در مرحله پایانی استخراج ویژگی، از فیلتر 8 هرتز و در مدل دوم، از فیلتربانک مدولاسیون استفاده می شود. در ادامه، نرخ تشخیص صحیح آواها در مقادیر مختلف سیگنال به نوفه با استفاده از معیارهای فاصله اقلیدسی و لگاریتمی با یکدیگر مقایسه می شود. در این تحقیق، نرخ تشخیص همخوان ها برای شنونده آذری زبان مورد بررسی قرار گرفته است. در کنار جنبه تجربی این مطالعه، نو آوری این مقاله در بررسی دو معیار فاصله مختلف برای مدل هلوب و نیز مقایسه مستقیم دو مدل میکروسکوپی در پیش بینی میانگین نرخ تشخیص و نیز نرخ تشخیص تک تک همخوان ها است.