پردازش علایم و داده ها
سال:1393 | دوره:- | شماره:1 (پیاپی 21) |تعداد مقالات:9

در این مقاله الگوریتمی جدید در تشخیص قالب و مرکزیابی دقیق ستارگان تصاویر آسمان شب، ارائه شده است. در فضاپیماهایی که از تصاویر ستارگان آسمان شب برای تعیین وضعیت خود استفاده می کنند، دقت و سرعت عملیات پردازش تصویر نقشی بسیار تعیین کننده دارند. عملیات تشخیص قالب و مرکزیابی ستارگان، جزء مهم ترین مراحل فرآیند پردازش تصویر در این روش های تعیین وضعیت به شمار می روند. در اینجا، با هدف افزایش سرعت و دقت این عملیات، الگوریتمی جدید در تشخیص قالب، متشکل از دو مرحله آستانه گذاری و خوشه بندی و همچنین مرکزیابی دقیق ستارگان، ارائه شده است. نتایج پیاده سازی ها نشان می دهد که روش آستانه گذاری پیشنهادی، توانسته است در شرایط عدم توزیع یکنواخت درخشندگی، بهتر از سایر روش های متداول عمل کند. حجم محاسباتی بسیار پایین و خطای متوسط مرکزیابی به دست آمده کمتر از 0.045 پیکسل در 100 تصویر شبیه سازی شده، نشان دهنده کارایی بالای الگوریتم ارائه شده در این مقاله است.

مرز فعال تصادفی (STACS) روشی متداول و پرکاربرد برای بخش بندی مرز اندوکارد در تصاویر تشدید مغناطیسی قلبی (CMR)  است. با این وجود،STACS  در تصاویر CMR با روشنایی غیریکنواخت عملکرد مطلوبی ندارد؛ زیرا در تابعی انرژی آن برای توصیف توزیع سطح خاکستری نواحی درون و برون مرز فعال، از دو تابع چگالی احتمال گوسی استفاده شده است. از طرف دیگر، مرز فعال تطبیق باینری محلی (LBF)، به دلیل استفاده از کرنل گوسی برای پردازش محلی سطح خاکستری پیکسل ها، از عملکرد مناسبی در بخش بندی نواحی ناهمگن برخوردار است. در این مقاله، با جایگزین کردن جمله مبتنی بر ناحیه در تابعی انرژی STACS با بخشی از تابعی انرژی LBF، یک مدل فرم پذیر جدید برای بخش بندی تصاویر CMR با روشنایی ناهمگن ارائه شده است. به علاوه، ضرایب جملات مختلف تابعی انرژی در طول تکامل مرز فعال به صورت زمان- واقعی تنظیم شده اند. برای ارزیابی عملکرد روش پیشنهادی از چهل تصویر CMR در دو مرحله پایان سیستول و دیاستول استفاده شده است. در هر تصویر، مرز اندوکارد مطلوب توسط یک متخصص به صورت دستی مشخص شده است. نتایج تجربی بیان گر عملکرد بهتر روش پیشنهادی در بخش بندی مرز اندوکارد در مقایسه با مرز فعال هندسی، مرز فعال بدون لبه و STACS است.

امروزه با رشد چشم گیر اسناد منتشرشده در وب و نیاز اساسی به نگهداری، دسته بندی، بازیابی و پردازش آنها، توجه به پردازش زبان طبیعی و بهره گیری از ابزارهایی نظیر خلاصه سازهای خودکار و مترجم های ماشینی، بیش از پیش احساس می شود. خلاصه سازی خودکار به عنوان هسته مرکزی طیف گسترده ای از ابزارهای پردازش گر متن مانند سامانه های تصمیم یار، سامانه های پرسش و پاسخ، موتورهای جستجو و غیره از سال ها پیش مطرح شده و همواره به عنوان یک موضوع مهم مورد بررسی و تحقیق قرار گرفته است. در این مقاله، سامانه ای به نام «ایجاز» به منظور خلاصه سازی خودکار تک سندی متون فارسی ارائه شده است. در این سامانه از تجربیات سامانه های مشابه داخلی و خارجی استفاده شده است؛ و با استفاده از پارامترهای جدید، دقت سامانه خلاصه سازی ارائه شده به میزان قابل توجهی بهبود یافته است. همچنین برای اولین بار با بهره گیری از یک پیکره بزرگ خلاصه سازی و ابزار ارزیابی استاندارد، عملیات مقایسه و ارزیابی صورت گرفته است.

تشخیص مدولاسیون سیگنال دریافتی، گام میانی بین تشخیص سیگنال و دمدولاسیون آن محسوب می شود؛ به طوری که در بسیاری از سامانه های مخابراتی و نظامی تشخیص خودکار مدولاسیون جزئی از سامانه درنظر گرفته می شود. برای تشخیص خودکار مدولاسیون، به طور معمول تعدادی ویژگی از سیگنال دریافتی استخراج و به کار گرفته می شود، در این رابطه، انتخاب ویژگی مناسب، تاثیر به سزایی در افزایش کارایی تشخیص خودکار مدولاسیون دارد. در این مقاله با کمک برنامه نویسی ژنتیک از بین ویژگی های ورودی، ویژگی مناسب برای جداسازی هر مدولاسیون تولید و انتخاب می شود. شبیه سازی با سیگنال های مدوله شده با مشخصه سیگنال به نوفه پنج و ده دسی بل صورت گرفت. مجموعه ای از آزمایش ها در این پژوهش صورت گرفت که هدف از آنها تعیین میزان کارایی برای سیگنال های مدوله شده با مدولاسیون های پرکاربرد و متداول مخابراتی بوده است. پس از انتخاب ویژگی مناسب برای جداسازی مدولاسیون ها از شبکه عصبی پرسپترون چندلایه برای جداسازی نوع مدولاسیون استفاده می شود. نتایج حاصل نشان می دهد به کارگیری ویژگی هایی که سامانه مورد نظر پیشنهاد می دهد، منجر به افزایش قابل توجهی در تشخیص دقیق تر و سریع تر نوع مدولاسیون می شود.

بخش بندی مدل های سه بعدی، نقش مهمی در پردازش این مدل ها از جمله بازیابی، فشرده سازی و نهان نگاری مدل های سه بعدی دارد. در این مقاله روش جدیدی برای بخش بندی مدل های سه بعدی براساس استخراج نقاط برجسته ارائه شده است. تحقیقات علوم شناختی، تجزیه جسم سه بعدی به بخش های ساده تر را به عنوان یکی از راه های تحلیل و تشخیص اجسام سه بعدی توسط انسان معرفی کرده است. بر این اساس بخش های حاصل از تجزیه جسم سه بعدی، به دو دسته کلی هسته و بخش های برجسته تقسیم می شوند. در روش پیشنهادی، ابتدا مرکز ثقل مدل سه بعدی محاسبه می شود؛ سپس نقطه ای با بیش ترین فاصله اقلیدسی از مرکز مدل به عنوان نقطه برجسته که نماینده بخش برجسته ای از مدل است، انتخاب و همسایگی ژئودزیکی آن از مجموعه جستجوی نقاط برجسته حذف می شود. این فرآیند تا یافتن تمام بخش های برجسته ادامه می یابد. سپس هسته مدل به عنوان قسمتی که سایر بخش های برجسته را به یکدیگر متصل می کند، شناسایی شده و بدین ترتیب بخش بندی مدل سه بعدی صورت می پذیرد. معرفی مرکز ثقل مدل به عنوان نقطه مرجع، استفاده هم زمان از فاصله اقلیدسی و ژئودزیکی و حذف همسایگی نقطه برجسته انتخابی از مجموعه جستجوی نقاط، باعث مقاوم شدن الگوریتم پیشنهادی در برابر تبدیلات جابه جایی، چرخش و تغییر وضعیت مدل و همچنین باعث افزایش سرعت اجرای الگوریتم پیشنهادی نسبت به سایر الگوریتم ها شده است.

تشخیص و استخراج واحدهای اسمی مانند نام اشخاص، مکان ها، تاریخ و ساعت، در داده کاوی از یک منبع الکترونیکی یا متنی بسیار مفید است. تشخیص درست واحدهای اسمی، یک نیاز مهم در حل مسائلی در حوزه های جدید مانند پاسخ گویی به سوال ها، سیستم های خلاصه سازی، بازیابی اطلاعات، استخراج اطلاعات، ترجمه ماشینی، تفسیر ویدئویی و جستجوی معنایی در وب است. به علاوه، تشخیص واحدهای اسمی می تواند به ما در حل پیشرفته ترین مسائل پردازش زبان طبیعی هم چون رفع ابهام معنایی میان دو نام مشترک از رشته های متفاوت، پیدا کرد ارجاع ها در مقالات علمی، تشخیص وابستگی میان اشخاص و بهبود نتایج پرس و جوهایی شامل اسامی در موتورهای جستجو کمک کند.در سال های گذشته تلاش دانشمندان برای انجام عملیات تشخیص واحدهای اسمی برای زبان انگلیسی و دیگر زبان های اروپایی به نتایج بسیار خوبی منجر شده است، اما برای زبان هایی مانند فارسی و عربی، نتایج مناسب حاصل نشده است. یکی از اصلی ترین اهداف عملیات تشخیص واحدهای اسمی، تشخیص اسامی اشخاص است. در این مقاله سامانه ای برای تشخیص اسامی با به کارگیری مفهوم «کلمه های نامزد اسم» در مراحل آموزش و پیش بینی مدلی مبتنی بر میدان های تصادفی شرطی معرفی شده است. به طورخاص، همراه با توسعه این سامانه، پیکره های متنی استانداردی از روی متون دینی کهن به زبان عربی ساخته شده است. همچنین حاصل کار سامانه بر روی داده های روزنامه ای که توسط محققان دیگر ایجاد شده، بررسی شده است و نتایج به دست آمده در مقایسه با نتایج سامانه های دیگر روی همان داده ها، نشان می دهد با استفاده از این روش، دقت تشخیص اسامی در متون عربی به مقدار قابل توجهی بالا رفته است.

در این پژوهش توزیع رسایی در هجای زبان فارسی بررسی شده است. مطابق با اصل توالی رسایی، رسایی در هجا می بایست از مقدار کمینه شروع شده در هسته به اوج رسیده و سپس تا پایانه کاهش یابد. نتایج به دست آمده نشان می دهد که زبان فارسی از این الگو به صورت کلی پیروی می کند. نتایج حاصله نشان می دهد که گروه های هم خوانی رسا در تمامی جایگاه ها بیش از میزان قابل انتظار ظاهر شده و گروه های هم خوانی نارسا مانند هم خوان های انفجاری تنها در جایگاه های پیش واکه ای به میزان مورد انتظار ظاهر شده اند که نشان گر اهمیت جواز ادراکی بافت در میزان رخداد این گروه از هم خوان هاست. این نتایج تاییدی بر نظریه جواز ادراکی است.

روش پیشنهادی به منظور بهبود بازشناسی جلوه های هیجانی چهره ارائه شده است. در این روش به جای افزایش توان محاسباتی الگوریتم تحلیل تفکیک پذیر خطی (LDA)، دانش مربوطه به ایجاد تنوعات در بروز جلوه های هیجانی در چهره به کار گرفته شده است. این دانش شناسایی و دسته بندی شده است. با به کارگیری خوشه هایی که با دانش دسته بندی چهره به دست آمده، ماتریس پراکندگی داخل طبقه و بین طبقه ای برای هر خوشه، جداگانه محاسبه می شوند و در مرحله آزمون نیز هر بردار براساس ماتریس تبدیل تحلیل تفکیک پذیری مربوط به خوشه خودش به زیرفضا نگاشت می شود. با این کار از طریق دانش دسته بندی چهره های مختلف، مقداری از بار تنوعات بروز جلوه های هیجانی در چهره کاسته شده است تا توان تعمیم روش ساده ای چون تحلیل تفکیک پذیر خطی افزایش پیدا کند. نتایج روش پیشنهادی به ازای هر سه نوع خوشه بندی ارائه شده بهبود داشته است و بهترین نتیجه مربوط به روش مبتنی بر خوشه بندی شاخص چهره بوده است که از 95.75% به 98.66% ارتقا یافته است. این روش قابل استفاده برای دسته وسیعی از روش های بازشناسی جلوه های هیجانی چهره است و در مواجه با دادگان های حجیم راهکار کارآمدی خواهد بود.

بازشناسی متون، در سال های اخیر بسیار مورد توجه قرار گرفته است. ارائه الگوریتم های بازشناسی، برگرفته از ساختار گرامری و معنایی این زبان می تواند روش موثری در پردازش های دیگر مربوط به خط و زبان فارسی باشد. در این مقاله با استفاده از شاخه علمی پردازش زبان های طبیعی، یک الگوریتم سه مرحله ای به منظور بازشناسی متون فارسی بر مبنای بازشناسی جملات فارسی ارائه می شود. این روش شامل مراحل ترکیب زیرکلمات به منظور ساخت کلمات و سپس جملات بالقوه معنی دار و درنهایت استفاده از دو مدل زبانی و چند قاعده گرامری، به منظور تشخیص جمله صحیح براساس انطباق با گرامر زبان فارسی است. آزمایش های متعدد نشان می دهد که دقت روش ارائه شده برای مرحله ساخت کلمات و سپس جملات بالقوه معنی دار 98 درصد و برای تشخیص جمله صحیح با استفاده از مدل زبانی بایگرام 85 درصد و برای مدل زبانی ترایگرام 88 درصد است.