پردازش علایم و داده ها
سال:1397 | دوره:15 | شماره:3 ( پیاپی 37) |تعداد مقالات:10

امروزه رشد بسیار سریع اینترنت و نفوذ روزافزون آن در زندگی افراد باعث شده تا کاربران بسیاری برای رفع نیازهای روزمره خود به جویش گرها مراجعه کنند و این جویش گرها به توسعه و بهبود مستمر نیاز دارند. از این رو ارزیابی جویش گرها برای تعیین کارایی آنها اهمیت به سزایی دارد. در ایران نیز همانند سایر کشورها پژوهش های گسترده ای در زمینه ایجاد جویش گرهای خاص منظوره بومی انجام شده است. یکی از مهم ترین جویش گرهای خاص منظوره ایجاد شده، جویش گر ویدئویی است که وظیفه بازیابی ویدئوها از سطح وب را برعهده دارد. برای ارزیابی کیفیت این جویش گرها و بهبود مستمر آنها باید سطح خدمات دهی هر کدام از جویش گرها در مقایسه با دیگر جویش گرهای موجود مورد ارزیابی قرار گیرد. از آنجا که سرعت ارزیابی نقش مهمی در تعیین روند اصلاحات مورد نیاز دارد، بحث ارزیابی خودکار جویش گر ها بسیار پراهمیت خواهد شد. در این مقاله روشی مبتنی بر تجمیع آرا به منظور ارزیابی خودکار جویش گرهای ویدئویی ارائه شده است. تمرکز اصلی این روش بر روی حوزه وب فارسی بوده و با توسعه روشی نوین برای شباهت سنجی مبتنی بر محتوا براساس بردار های حرکت ویدئوها، سعی در ارزیابی جویش گرهای ویدئویی دارد. برای محک زدن روش معرفی شده، سازوکاری طراحی شد تا نتایج به دست آمده با نتایج حاصل از ارزیابی انسانی مورد مقایسه قرار گیرد. نتایج به دست آمده نشان دهنده میزان همبستگی بیش از 94% دو روش است که قابل اتکا بودن روش خودکار ارزیابی پیشنهادی را بیان می کند.

در حالی که سامانه های بازشناسی گفتار به طور پیوسته در حال ارتقا می باشند و شاهد استفاده گسترده از آن ها می باشیم، اما دقت این سامانه ها فاصله زیادی نسبت به توان بازشناسی انسان دارد و در شرایط ناسازگار این فاصله افزایش مییابد. یکی از علل اصلی این مسئله تغییرات زیاد سیگنال گفتار است. در سال های اخیر، استفاده از شبکه های عصبی عمیق در ترکیب با مدل مخفی مارکف، موفقیت های قابل توجهی در حوزه پردازش گفتار داشته است. این مقاله به دنبال مدل کردن بهتر گفتار با استفاده از تغییر ساختار در شبکه عصبی پیچشی عمیق است؛ به نحوی که با تنوعاتِ بیان گویندگان در سیگنال گفتار منطبق تر شود. در این راه، مدل های موجود و انجام استنتاج بر روی آن ها را بهبود و گسترش خواهیم داد. در این مقاله با ارائه شبکه پیچشی عمیق با پنجره های قابل تطبیق سامانه بازشناسی گفتار را نسبت به تفاوت بیان در بین گویندگان و تفاوت در بیان های یک گوینده مقاوم خواهیم کرد. تحلیل ها و نتایج آزمایش های صورت گرفته بر روی دادگان گفتار فارس دات و TIMIT نشان داد که روش پیشنهادی خطای مطلق بازشناسی واج را نسبت به شبکه پیچشی عمیق به ترتیب به میزان 2/1 و 1/1 درصد کاهش میدهد که این مقدار در مسئله بازشناسی گفتار مقدار قابل توجهی است.

با توسعه روزافزون خدمات دولت الکترونیکی، اطلاعات شخصی افراد در قالب پایگاه های داده در دستگاه ها و ارگان های دولتی و خصوصی ذخیره شده است. در بسیاری از موارد برای پردازش و استخراج دانش از این منابع داده بزرگ و با ارزش، نیاز به انتشار منابع داده و در اختیار گذاشتن اطلاعات به سایر نهادها و شرکت ها پدید می آید که این امر موجب ایجاد چالش های امنیتی در نقض حریم خصوصی افراد می شود. در این مقاله ضمن بررسی کامل پیشینه پژوهش، حفظ محرمانگی در انتشار داده ها، یک روش کارآمد برای گمنام سازی ارائه می شود که هدف آن حفظ دقت طبقه بندی روی داده های گمنام است. این روش با بهره گیری از درخت تصمیم از انتشار اطلاعاتی که تأثیر کمی بر سودمندی داده های خروجی دارد و حذف آن ها موجب تأمین محرمانگی می شود، جلوگیری می کند. یکی از چالش های طرح هایی که از عمل گر گمنام سازی عمومی سازی استفاده می کنند، نیازمندی به ساخت درخت طبقه بندی برای هر شبه شناسه است که بیش تر به صورت خودکار صورت می گرفت. در طرح پیشنهادی نیازی به ساخت درخت طبقه بندی نیست. نتایج شبیه سازی و ارزیابی های انجام شده نشان می دهد، میان دقت الگوریتم های طبقه بندی که روی مجموعه داده استاندارد گمنام شده توسط این روش و مجموعه داده اولیه آموزش دیده اند، تفاوت اندکی وجود دارد.

مصالحه حافظه زمان یک الگوریتم احتمالاتی برای وارون کردن توابع یک طرفه، با استفاده از داده های از پیش محاسبه شده است. هلمن در سال 1980 این روش را معرفی کرد و یک کران پایین برای احتمال موفقیت آن به دست آورد. پس از آن نیز تحلیل های پژوهش گران برای بررسی احتمال موفقیت، بر اساس همین کران پایین بوده است. در این مقاله، ابتدا به بررسی امید ریاضی نرخ پوشش یک ماتریس هلمن می پردازیم؛ سپس، این نرخ را برای ماتریس های هلمنی که فقط از یک زنجیره تشکیل شده اند، محاسبه کرده ایم. نشان داده ایم که امید ریاضی نرخ پوشش برای چنین ماتریس هایی بیشینه و برابر با 85/0 است. در ادامه، روش هایی برای تخمین دقیق تر این نرخ ارائه، و با روش هلمن مقایسه و در نهایت، ماتریس های هلمنی را معرفی کرده ایم که فقط از یک زنجیره تشکیل شده اند؛ ولی طول این زنجیره مقداری ثابت نیست و تا رسیدن به نخستین تکرار ادامه می یابد. به صورت نظری و عملی نشان داده ایم که احتمال موفقیت برای چنین ماتریس هایی بیشتر از روش هلمن است.

کمتر کسی در دنیای پرتلاطم و پرتنش امروز، با واژه استرس بیگانه است؛ به طوری که در برخی مواقع، استرس تبدیل به بخشی از زندگی انسان شده است. استرسِ بیش از حد، باعث بروز مشکلاتی می شود که علاوه بر اثرات روانی، پیامدهای جسمی بی شماری از جمله سکته های مغزی، قلبی، فشارخون و غیره را دارد و هیچ عضو یا ارگانی از بدن انسان از تأثیرات آن در امان نیست. هدف این پژوهش، طرّاحی و ساخت دستگاهی است که با استفاده از سیگنال های هدایت الکتریکی پوست (GSR) و فتوپلتیسموگرافی (PPG) بتواند میزان استرس فرد را به صورت شاخص پیوسته بیان کند. سخت افزار این دستگاه مبتنی بر پردازنده ARM و رابط کاربری آن با زبان C++ برنامه نویسی شده است. به منظور سنجش میزان استرس، الگو سازی با استفاده از شبکه عصبی مصنوعی MLP و شبکه فازی-عصبی تطبیقی (ANFIS) انجام، که در بهترین حالت در الگو سازی با ANFIS، دقت %91/92، و میانگین خطای 007/0 حاصل شده است.

مسأله آشکارسازی رفتارهای غیرمعمول براساس ویدئو، در حقیقت شناسایی الگوها در داده هایی است که با رفتارهای مورد انتظار مطابقت ندارند. درهمین اواخر برای خوشه بندی رفتارها و آشکارسازی رفتارهای غیرمعمول، از روش های بازسازی پراکنده استفاده می شود. در این مقاله از نمایش پراکنده ویژگی ها و همکاری دوربین ها، برای شناسایی رفتارها و آشکارسازی رفتارهای غیرمعمول استفاده می شود. ابتدا برای هر محل در فریم تصویر، یک ویژگی که دارای استقلال هندسی است، استخراج می شود؛ سپس برای یک دوربین، ماتریس دیکشنری A محاسبه و به عنوان یک مجموعه از مدل رفتاری در نظر گرفته می شود. حال، تحت عنوان مسأله همکاری دوربین ها، ماتریس دیکشنری یادگرفته شده به دوربین دیگر منتقل می شود و در دوربین جدید برای آشکارسازی غیرمعمول ها مورد استفاده قرار می گیرد. برای یادگیری ماتریس دیکشنری، یک روش سلسله مراتبی با استفاده از خوشه بندی طیفی پیشنهاد و یک معیار اندازه گیری با استفاده از نمایش پراکنده برای آشکارسازی رفتارهای غیرمعمول ارائه می شود. نتایج آزمایشی، مؤثر بودن ره یافت پیشنهادی در استفاده از همکاری دوربین ها برای آشکارسازی رفتارهای غیرمعمول را نشان می دهد.

متن قرآن خصوصیات منحصر به فردی از نظر معنا، مفهوم و موضوع نسبت با سایر متون دارد. کشف الگوهای پنهان و ارزشمند از درون حجم وسیعی از داده های خام، به تازگی توجه بسیاری از پژوهش گران را به خود جلب کرده است. متن کاوی زمینه ای برای کشف اطلاعات از متون است که ما را در نیل به این هدف می تواند کمک کند. در سال های اخیر متن کاوی روی قرآن و کشف دانش نهفته از واژه های آن، چندی است که مورد توجه بسیاری از متخصصان قرار گرفته است. در این مقاله با در نظر گرفتن 6348 آیه قرآن، هر آیه به صورت یک سبد خرید در نظر گرفته شده و کلمات هر آیه به عنوان اقلام هستند؛ سپس با استفاده از قوانین انجمنی، کلمات و آیات قرآن بررسی شده و از میان 54226 قانون انجمنی استخراج شده از واژه های قرآن که با استفاده از معیارهایی مانند ضریب اطمینان، ضریب پشتیبان، معیارLift و معیار Co-efficient ارزیابی شده اند، ده قانون برتر هر معیار تحلیل و بررسی شده و بدین ترتیب الگوهای استخراج شده از قوانین انجمنی، الگوهای پرتکرار یک تایی، دوتایی و سه تایی در قرآن به دست می آید.

در این مقاله روشی جدید را با استفاده از ماشین بردار پشتیبان فازی به منظور عضویت دهی داده های آموزشی، براساس فاصله از ابر صفحه جداکننده معرفی می شود. در این روش، با استفاده از طبقه بندی ماشین بردار پشتیبان و نیز عضویت نخستین داده های آموزشی، یک تابع عضویت فازی به کمک اعداد فازی مثلثی متقارن برای تمام فضا معرفی می شود. مبتنی بر این روش، مقدار تابع عضویت فازی هر داده جدیدی که می خواهد طبقه بندی شود، به گونه ای انتخاب می شود که کمترین میزان اختلاف را با عضویت اولیه داده های آموزشی و بیشترین میزان فازی سازی داشته باشد. نخست این مسأله به صورت یک مسأله بهینه سازی غیرخطی تعریف، سپس به کمک روش نقاط بحرانی، الگوریتمی کارا معرفی می شود و تابع عضویت نهایی داده های آموزشی به دست می آید؛ همچنین، در ادامه با مقایسه مقدار عضویت های اولیه داده های آموزشی با توزیع عضویت نهایی به دست آمده از روش پیشنهادی، میزان نوفه ای بودن داده آموزشی بررسی می شود. در انتهای این مقاله نیز جهت فهم بهتر و نشان دادن کارایی الگوریتم، آزمایش هایی انجام و چگونگی رفتار الگوریتم پیشنهادی بر روی نمودار پیاده سازی و با یک روش پایه مقایسه می شود.

سیگنال های صوتی دیجیتال، به دلیل این که حاوی نرخ اطلاعات زیادی هستند، پوشش مناسبی برای روش های نهان نگاری محسوب می شوند. روش های متنوعی برای نهان نگاری داده های مختلف و به تبع آن نهان کاوی داده ها در سیگنال صوتی وجود دارد. در این میان روش های نهان کاوی فراگیر به دلیل عدم وابستگی به الگوریتم نهان نگاری، کاربرد وسیع تری دارند. در این مقاله روش جدیدی برای نهان کاوی فراگیر ارائه شده که در آن با به کارگیری ضرایب مربوط به همبستگی بین فریم، دقت نهان کاوی به مقدار قابل توجهی افزایش پیدا کرده است. همچنین عملکرد ماشین بردار پشتیبان با به کارگیری الگوریتم کاهش بازگشتی ویژگی ها به همراه کاهش بایاس ناشی از همبستگی بین آن ها بهبود یافته که منجر به افزایش پایداری نهان کاوی و دقت بیشتر شده است.

سرعت پاسخ صفحات وب یکی از ضرورت های دنیای فناوری اطلاعات است. در سال های اخیر شرکت های مشهور از قبیل گوگل و دانشمندان علوم رایانه تمرکز خود را روی سرعت بخشیدن به وب قرار دادند و تلاش کردند تا راهی برای سریع تر کردن وب بیابند. دستاوردهایی از قبیل گوگل پیج اسپید، انجینکس و وارنیش نتیجه این پژوهش ها بوده است. درهمین اواخر روش ها و ابزارهای مؤثر و موفقی برای افزایش سرعت بارگذاری صفحات وب ارائه شده که بیش تر به دو رهیافت افزایش سرعت در سمت کاربر و افزایش سرعت در سمت سرور تقسیم می شود. پراکسی معکوس به عنوان مؤثرترین روش افزایش سرعت در سمت سرور است. در این مقاله ضمن معرفی پراکسی معکوس، کارایی سامانه های وب سرور چهارگانه آپاچی + وارنیش، انجینکس، انجینکس + وارنیش و آپاچی را، با دو نوع محتوای پویا و ایستا، از منظر سرعت پاسخ صفحات وب به عنوان معیار سنجش بررسی کرده ایم. نخست این که نتایج به دست آمده نشان می دهند، استفاده از پراکسی معکوس موجب افزایش سرعت پاسخ می شود؛ دوم این که این افزایش سرعت نه تنها به وب سرور بلکه به نوع محتوای صفحات وب و تعداد تقاضاهای تکراری در صفحات وب مرتبط است. در پایان یک رتبه بندی برای انتخاب وب سرور و پراکسی معکوس مناسب برای محتوای وب ایستا یا چندرسانه ای و محتوای وب پویا یا پردازشی ارائه شده است.