پردازش علایم و داده ها
سال:1398 | دوره:16 | شماره:2 (پیاپی 40) |تعداد مقالات:10

در این مقاله توصیف گر نوین مدل سه بعدی در حوزه فوریه پیشنهاد شده است. به منظور استخراج ویژگی در روش پیشنهادی، کره مش بندی شده محیط بر مدل، از بیرون مدل به سمت مرکز آن فشرده شده، سپس طول مسیری که رأس های کره از ابتدا تا رسیدن به رویه مدل طی می کنند، محاسبه می شود. این مقادیر به منظور محاسبه تابع مسیر، که طول مسیر رأس های مدل تا مرکز آن است، استفاده می-شوند. تابع به دست آمده در مقابل تغییرات ایزومتریک مقاوم و برای شناسایی مدل های غیر صلب بسیار کار آمد است. در ادامه، ضرایب فوریه تابع مسیر به عنوان بردار ویژگی محاسبه می شوند و سپس بردار ویژگی استخراج شده در طبقه بند SVM مورد استفاده قرار می گیرد. با بهره-گیری از ویژگی پاسخ دامنه تبدیل فوریه سیگنال های حقیقی، مدل در فضایی با ابعاد کمتر، بدون از دست دادن ویژگی های ذاتی خود توصیف شده، همچنین از نرمالیزاسیون حالت بی نیاز می شود. نتایج پیاده سازی برروی پایگاه داده McGill نشان دهنده دقت بالای روش پیشنهادی در طبقه بندی مدل های سه بعدی است.

مهندسی معکوس برنامه های کاربردی شبکه، به خصوص از دیدگاه امنیت، بسیار مورد توجه قرار گرفته و اهمیت بالایی دارد. بسیاری از برنامه های کاربردی شبکه، از پروتکل های خاصی را که ویژگی های آنها برای عموم در دسترس نیست، استفاده می کنند. مهندسی معکوس این برنامه های کاربردی، می تواند اطلاعات مورد نیاز برای فهم پروتکل های ناشناخته مستقر در آنها فراهم کند؛ دسترسی به این اطلاعات می تواند بسیاری از وظایف، از جمله بازبینی عمیق پروتکل در نسل جدید دیواره های آتش و تحلیل کدهای دودویی مشکوک را تسهیل کند. با این وجود، اگرچه پژوهش های بسیاری در این زمینه انجام شده، اما این پژوهش ها در بیش تر موارد فقط بر استخراج ساختار نحوی پیام های پروتکل متمرکز شده اند. در این مقاله، روش های جدیدی برای بهبود استخراج ساختار نحوی و معنایی پیام های پروتکل از طریق مهندسی معکوس کد دودویی برنامه های کاربردی شبکه ارائه شده است. برای این کار، از ترکیب تحلیل پویا و ایستای کدهای دودویی استفاده می شود. به منظور ارزیابی روش های پیشنهادی، چهار پروتکل مختلف لایه کاربرد شامل DNS، eDonkey، Modbus و Stun تحلیل شده است. نتیجه آزمایش ها نشان می دهد که روش های پیشنهادی، نه تنها می توانند ساختار نحوی پیام را کامل تر از روش های مشابه استخراج کنند، بلکه معانی سودمندی از پیام های پروتکل نیز استخراج می کنند که در روش های قبلی قابل دست یابی نیست.

تبدیلات گوک (Wedgelet) و شیبک (Platelet) که پیش ازاین در خانواده موجک های هندسی وفقی برای بازنمایی تصاویر روشنایی مطرح شده اند، توانایی بازنمایی تنک تصاویر قطعه ای ثابت، و تصاویر قطعه ای خطی را دارند؛ اما کارایی آن ها در بازنمایی تصاویر قطعه ای غیرخطی مانند تصاویر عمق بهینه نیست. در این مقاله تبدیل صفحک[1] به عنوان عضو جدیدی از خانواده موجک های هندسی برای بازنمایی بهینه تصاویر عمق قطعه ای صفحه گون ارائه شده است. برخلاف موجک های هندسی پیشین که تنها از مدل های خطی و ثابت برای توصیف هر ناحیه هموار در تصویر استفاده می کنند، تبدیل صفحک برای تقریب هر ناحیه صفحه گون از یک مدل غیرخطی مبتنی بر توابع گویا بهره می گیرد. آزمایش ها بر روی تصاویر عمق واقعی نشان دادند که در نرخ بیت bpp 03/0 استفاده از کدگذار مبتنی بر صفحک در فشرده سازی تصاویر عمق نسبت به موجک هندسی گوک به طور میانگین تا dB 7/2 کیفیت را افزایش می دهد. همچنین در شرایط مشابه، در مقایسه با کدگذارهای مدرن JPEG2000 و H. 264، استفاده از کدگذار عمق مبتنی بر صفحک به ترتیب منجر به dB 59/2 و dB 56/1 افزایش در کیفیت تصاویر بازسازی شده می شود.

اگرچه بازشناسی خودکار پلاک خودرو از مسائل مورد توجه در حوزه پردازش تصاویر ترافیکی است، ولی در مواقعی این تصاویر به دلیل پایین بودن کیفیت دوربین و یا به دلیل زیاد بودن فاصله از خودرو، اطلاعات چندان مفیدی در اختیار سامانه بازشناسی خودکار پلاک قرار نمی دهند. از راه حل های ممکن برای برخورد با این چالش، استفاده از روش های ابرتفکیک پذیری تصویر با هدف بهبود کیفیت بازشناسی پلاک، بر مبنای ادغام تصاویر موجود در رشته تصاویر ویدیویی است. در این مقاله یک روش ابرتفکیک پذیری چند تصویری با استفاده از کانوولوشن نرمال شده، با چند الگوریتم انطباق تصویری نظیر روش فوریه-ملین، روش کرن و روش وندول ترکیب شده تا تفکیک پذیری تصاویر پلاک را افزایش دهد؛ در نهایت الگوریتم پیشنهادی بر روی تصاویر شبیه سازی شده، تصاویر واقعی کوچک شده، و نیز تصاویر واقعی به دست آمده از 72 پلاک متفاوت مورد ارزیابی قرار گرفت و مشخص شد که این الگوریتم نسبت به روش تک تصویری ASDS-AR و روش POCS بسته به نوع داده ورودی، میزان دقت در الگوریتم پلاک خوان را حدود 25% بر نویسه و حدود 40% بر پلاک افزایش داده است.

در این مقاله یک مترجم خودکار متون انگلیسی به فارسی با استفاده از معماری ترکیبی قاعدهمند و آماری ارائه شده است. این معماری ترکیبی به منظور بهبود نتایج هر دو مترجم، خروجی مترجم ماشینی قاعدهمند و آماری را ترکیب کرده و سعی می کند یک خروجی برتر از هر دو سامانه ایجاد کند. در این راستا از یک رمزگشای یک نوا با پیچیدگی زمانی چندجملهای استفاده میشود. مترجمهای ماشینی قاعده مند عمل ترجمه را بر اساس مجموعهای از قواعد زبانی انجام میدهند. به طور معمول نتایج آنها از نظر ترتیب کلمات و ساختار نحوی، کیفیت بهتری نسبت به نتایج مترجمهای آماری دارند؛ ولی عملکرد این مترجمها در زمینه انتخاب لغات مناسب و روانی ترجمه، ضعیفتر از مترجم های ماشینی آماری است. از این رو در این معماری، ترجمه اولیه به وسیله مترجم ماشینی قاعدهمند صورت میگیرد؛ سپس با استفاده از مترجم ماشینی آماری ترجمه آن بهبود داده میشود. به این منظور، ترتیب واژگان در ترجمه نهایی بر اساس ترجمه مترجم ماشینی قاعدهمند صورت میگیرد؛ سپس عمل ترجمه و انتخاب لغات توسط رمزگشای یک نوا، با درنظر گرفتن ترجمههای نامزدهای ارائه شده توسط مترجم قاعدهمند و آماری و همچنین با استفاده از مدل زبانی، انجام میشود. آزمایشهای انجام شده نشان میدهند که کیفیت نتایج به دست آمده از معماری ترکیبی در معیار بلو، به طورتقریبی پنج واحد بهتر از نتایج مترجم ماشینی قاعدهمند است. همچنین کیفیت این نتایج نسبت به نتایج مترجم ماشینی آماری در معیار بلو، یک واحد بهتر است.

این مقاله یک روش جدید برای سنتز حالات چهره انسان پیشنهاد می دهد که در آن برای شبیه سازی جابه جایی نقاط چهره در حالت های احساسی مختلف یک نیروی کشسانی تعریف می شود. اساس این نیرو وجود نقاط کنترلی با مختصات و جهت های معین روی تصویر چهره هست. به عبارت دیگر هر نقطه کنترلی یک نیروی کشسانی به نقاط چهره وارد کرده و آن ها را در جهت معینی حرکت می دهد. اندازه نیروی اعمالی به هر نقطه با فاصله بین آن نقطه و نقطه کنترلی رابطه عکس دارد. برای چند نقطه کنترلی، نیروی وارد شده به نقاط چهره برآیند نیروهای مربوط به تمام نقاط کنترلی است. برای سنتز حالت خاصی از چهره، محل نقاط کنترلی و پارامترهای نیرو برای دستیابی به چهره حالت دار تنظیم می شوند. جزئیات چهره با هرم لاپلاسین استخراج شده و به تصویر سنتز شده اضافه می شود. نتایج پیاده سازی نمایش دهنده کیفیت بصری بالا و پیچیدگی محاسباتی پایین روش پیشنهادی است.

خوشه بندی مبتنی بر چگالی یکی از روش های مورد توجه در داده کاوی و DBSCANنمونه ای پرکاربرد از این روش است. DBSCAN علاوه بر مزایای خود معایبی نیز دارد. به عنوان نمونه، تعیین پارامترهای ورودی این الگوریتم توسط کاربر کار مشکلی است. در مقاله ی حاضر سعی شده است، اصلاحاتی روی یکی از الگوریتم های مبتنی برچگالی به نام ISB-DBSCAN انجام شود. در روش پیشنهادی همانند ISB-DBSCAN از یک پارامتر ورودی k به عنوان تعداد نزدیک ترین همسایه استفاده شده است. از آنجا که تعیین پارامتر k ممکن است، برای کاربر مشکل باشد، یک روش پیشنهادی با الگوریتم ژنتیک برای تعیین خودکار k نیز ارائه شده است. برای ارزیابی روش های پیشنهادی آزمایش هایی روی یازده مجموعه داده ی استاندارد انجام شد و دقت خوشه بندی در روش ها مورد ارزیابی قرار گرفت. نتایج به دست آمده در مقایسه با دیگر روش های موجود نشان داد که روش پیشنهادی در مجموعه داده های مختلف، نتایج بهتری را کسب کرده است.

امروزه در سامانه های مخابرات دیجیتال نوین، از مالتی پلکس تقسیم فرکانسی متعامد (OFDM) به عنوان یک روش مدولاسیون مقبول و کارآمد استفاده می شود. در مدولاسیون چندحاملی OFDM از تبدیل FFT به منظور ایجاد تعامد زیرحامل ها استفاده می شود. این تبدیل با استفاده از توابع سینوسی پنجره شده به عنوان توابع پایه، به دلیل سطح بالای گلبرگ های کناری در طیف فرکانسی، حساسیت بالایی نسبت به تداخل بین سمبلی (ISI) و تداخل بین حاملی (ICI) دارد. به منظور بازیابی سیگنال در گیرنده، با افزودن پیشوند چرخشی (CP) در ابتدای سمبل OFDM در فرستنده، می توان ISI را حذف کرد. همچنین با استفاده از همسان سازی حوزه فرکانس در گیرنده، به سادگی سیگنال آغشته به ICI را می توان بازیابی کرد. این افزودن CP میزان قابل توجهی از پهنای باند در دسترس را هدر می دهد و درنتیجه کارایی پهنای باند را به طور قابل توجهی کاهش می دهد. با توجه به ویژگی های منحصر به فرد موجک ها نظیر انعطاف پذیری بالا، سازگاری و محلی بودن آنها، از این تبدیل برای متعامدسازی سامانه چندحاملی در این پژوهش استفاده شده است. در صورت استفاده از موجک، دیگر نیازی به استفاده از تابع پنجره ی مستطیلی نیست. این امر حساسیت سامانه به رانش فرکانسی و نوفه فاز را کم کرده و سامانه را نسبت به اعوجاج کانال چندمسیره و تداخل های ISI و ICI مقاوم تر می سازد. در این مقاله پس از بررسی و مطالعه تبدیل موجک گسسته و تبدیل بسته موجک، دو طرح مدولاسیون FFT-OFDM و WPT-OFDM برای کانال های استاندارد شهری TU6 و روستایی RA6 توسط نرم-افزار MATLAB شبیه سازی شده اند. این دو کانال استاندارد و معروف توسط استاندارد 3GPP معرفی شده اند که به عنوان معیار سنجش عملکرد سامانه های مخابراتی نسل های 3G و 4G معرفی شده اند. کانال های مورد استفاده در این پژوهش، کانال های متداولی در سامانه های سیاری مانند سامانه های پخش تلویزیون دیجیتال(DVB) هستند. نتایج شبیه سازی بهبود عملکرد سامانه WPT-OFDM را نسبت به سامانه FFT-OFDM نشان می دهد. این نتایج نشان می دهند که در سامانه های مبتنی برOFDM مانند DAB( Digital Audio Broadcast) WiMAX (worldwide Interoperability for Microwave Access), DVB( Digital Video Broadcast), می توان از این سامانه استفاده کرد.

در این مقاله روشی مبتنی بر گراف به عنوان استخراج ویژگی برای دنباله های با طول متغیر پیشنهاد می شود. روش پیشنهادی بدون ثابت کردن طول دنباله ها، با تعیین پر تکرارترین دستورها و گذاشتن باقی دستورها در مجموعه ‘ other’ از لحاظ سرعت و حافظه صرفه جویی می کند. با توجه به میزان شباهت ویژگی ها، هر نمونه امتیازی می گیرد و از امتیازات جهت دسته بندی استفاده می شود. برای بهبود نتایج، دو رویکرد پیشنهاد می شود. در رویکرد نخست، ویژگی های استخراج شده از روش های امتیازدهی بر روی آپکد، هگزادسیمال و فراخوانی سیستمی در ورودی دسته بندها ترکیب می شوند. در رویکرد دوم، خروجی دسته بندهای مختلف ترکیب شده و از رأی اکثریت استفاده می-شود. رویکرد پیشنهادی با دقت 97 % بدافزارهای دگرگون شده رایانه ای از مجموعه vxheaven را نه تنها شناسایی، بلکه دسته بدافزارها را نیز تعیین می کند؛ در حالی که روش هایSSD و HMM تحت شرایط یکسان با دقت 84 % و 80 % توانستند بدافزارها را شناسایی کنند.

مدل های محاسبات نرم مبتنی بر سامانه های هوشمند فازی درتشخیص سرطان سینه، امکان مدیریت عدم قطعیت در فرایند استدلال در سامانه را فراهم می کند. در این پژوهش، یک مدل استنتاج فازی به منظور مدیریت عدم قطعیت در داده های ورودی طراحی شده است و الگوریتم های هایبریدی مبتنی بر فازی جهت تنظیم و بهینه سازی پارامتر ها، به کار برده شده اند. هدف، ارائه روش های مؤثر جهت تشخیص نوع توده های خوش خیم، بدخیم و نرمال سینه است. طبقه بندی توده ها جهت تشخیص موارد نرمال، خوش خیم و بدخیم با مدل های هایبریدی محاسبات نرم و بر اساس تحلیل ویژگی ها در تصاویر ماموگرافی انجام شده است. الگوریتم های هایبریدی ارایه شده در این پژوهش شامل1 ) فازی-ژنتیک، 2) فازی-بهینه سازی ازدحام ذرات و 3) فازی-بهینه سازی مبتنی بر جغرافیای زیستی است. به منظور سنجش عملکرد سامانه از تحلیل منحنی مشخصه(ROC)و همچنین از روش اعتبار سنجی تقاطعی ده بخشی جهت تقسیم بندی داده ها به بخش های آموزش و آزمون برای به دست آوردن نتایج قابل اعتماد و اعتبار سنجی استفاده شده است. نوآوری پژوهش حاضر در ارایه مدل پیشنهادی هایبریدی فازی-بهینه سازی مبتنی بر جغرافیای زیستی و بهبود عملکرد مدل طبقه بندی جهت تشخیص سرطان سینه است. روش جدید هایبریدی فازی-بهینه سازی مبتنی بر جغرافیای زیستی ارایه شده به منظور تشخیص سرطان سینه در این پژوهش، عملکرد بالاتری نسبت به روش های موجود بر روی این بانک اطلاعاتی معتبر و معروف جهت تشخیص سرطان سینه داشته است. باتوجه به نتایج به دست آمده و مقایسه عملکرد مدل های هایبریدی پیشنهادی در این پژوهش، روش هایبریدی فازی مبتنی بر جغرافیای زیستی با میزان صحت 25/95% از عملکرد بهینه تری نسبت به روش های هایبریدی پیشنهادی دیگر جهت تشخیص سرطان سینه برخوردار است. مدل حاضر در مقایسه با سایر مدل های پیشنهادی در پژوهش های قبلی بهبود یافته است. استفاده از مدل های پیشنهادی در این پژوهش، می تواند به منظور تشخیص زود هنگام بیماری و ارائه درمان های مؤثر امید بخش باشد.