مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1392 | دوره:11 | شماره:2 |تعداد مقالات:7

در این مقاله ابتدا به تعریف یک معماری بهینه برای FPGA با استفاده از روش های دقیق پرداخته شده و برای نیل به این هدف، جایابی و مسیریابی بهینه با استفاده از برنامه ریزی خطی به طور دقیق تعریف شده است. پس از بازتعریف معماری داخل سلول های منطقی، مدارهای کوانتومی توسط یک الگوریتم مکاشفه ای با هدف استفاده حداکثری از منابع داخل سلول های منطقی و کاهش تاخیر مسیرهایی که کیوبیت ها در مدار طی می کنند، افراز می شوند. نتایج به دست آمده پس از تعریف معماری FPGA نشان می دهد که تاخیر مسیرهای بحرانی در برخی مدارهای کوانتومی به کمتر از نصف کاهش می یابد و تعداد کانال های مصرف شده برای مسیریابی در معماری جدید تا حد قابل توجهی کاهش یافته است. همچنین نتایج نشان می دهد افزایش تعداد ورودی های سلول های منطقی از 12 کیوبیت به 4 کیوبیت، می تواند تعداد کانال های مصرفی و تاخیر مدارها را تا حد زیادی کاهش دهد.

قطعه بندی کلمات و عبارات متن، یکی از فعالیت های اصلی در حوزه پردازش زبان های طبیعی است. اکثر برنامه های پردازش زبان های طبیعی به یک پیش پردازش برای استخراج کلمات متن و تشخیص عبارات احتیاج دارند. هدف اصلی و نهایی قطعه بندی عبارات، به دست آوردن کلمات معنی دار همراه با پیشوندها و پسوندهایشان است و این فعالیت متناسب با زبان های طبیعی مختلف می تواند سخت یا آسان باشد. در زبان فارسی به علت وجود فاصله و نیم فاصله، عدم توجه کاربران به فاصله گذاری ها و نبود قواعد دقیق در نوشتن کلمات چندقسمتی، تشخیص و قطعه بندی کلمات چندقسمتی و مرکب با مشکلات و پیچیدگی های خاص خود رو به رو است.در این مقاله برآنیم تا با استفاده از شبکه های عصبی، یک روش آماری برای قطعه بندی عبارات متون فارسی جهت استفاده در موتورهای جستجو ارائه کنیم. الگوریتم پیشنهادی شامل 4 فاز است که با استفاده از احتمال رخداد تک کلمات و دوکلمه ای های موجود در پیکره و با دقت 89.6% عمل قطعه بندی را انجام می دهد. نتایج آزمایشات نشان دادند این روش می تواند با قطعه بندی بهتر عبارات، بهبود نسبی در کارایی روش های معمول به وجود آورد.

حجم زیاد تصاویر متنی روز به روز مساله دیجیتالی شدن متن تصاویر و همچنین مساله جستجو در این منابع را اهمیت می بخشد. در بازشناسی متن های حجیم می توان از ویژگی هایی مانند محدودبودن تعداد و اندازه قلم، یکسان بودن صفحه آرایی در کل صفحه ها، محدودبودن مجموعه واژه ها و حوزه معنایی آنها و یکسان بودن سبک نگارشی در کل متن استفاده کرد. در این مقاله الگوریتمی ارائه شده که از یکسان بودن نوع و اندازه قلم برای خوشه یابی زیرکلمات یک کتاب قدیمی با کیفیت پایین چاپ استفاده شده است. این کتاب 233 صفحه دارد و کل زیرکلمات آن که در حدود 111000 زیرکلمه است جداسازی و برچسب زنی شده است. در این تحقیق از یک روش ساده افزایشی برای خوشه یابی زیرکلمات استفاده شده است. ابتدا برای هر زیرکلمه چهار ویژگی ساده استخراج می شود، در صورتی که تفاوت این ویژگی ها از ویژگی های نماینده یک خوشه کمتر از مقدار آستانه باشد، مقایسه تصویری بین آن دو انجام می شود. به علت زیادبودن تعداد زیرکلمات سعی شده تا از ساده ترین روش های ممکن استفاده شود تا سرعت اجرا افزایش یابد. نتایج آزمایش ها نشان می دهد می توان زیرکلمات را با دقتی در حدود99.7  درصد خوشه یابی کرد. نتایج این خوشه یابی در مرحله بازشناسی زیرکلمات کمک بسیار زیادی خواهد کرد.

در سیستم های مدیریت جریان داده، داده های جریانی وارد سیستم می شوند و پرس و جوهای ذخیره شده بر روی این داده ها اجرا می شوند. با توجه به بار کاری بالا نیاز به ظرفیت پردازشی بالا است و استفاده از چندپردازنده باید در نظر گرفته شود. همچنین در سیستم های بی درنگ پرس و جوها تحت مهلت مشخصی باید کار خود را به اتمام برساند. از رویکردهای موجود در زمان بندی چندپردازنده ای بی درنگ رویکرد افرازی است که هر پرس و جو با توجه به بهره وری که نسبت زمان اجرا به دوره است به پردازنده ها انتساب داده می شود و فقط در آن اجرا می شود. برای نزدیک شدن به جواب بهینه در اینجا پرس و جوهایی که در یک پردازنده جا نمی گیرند بر اساس بهره وری شکسته می شوند و در بین پردازنده ها پخش می شوند. این سیستم با داده های واقعی شبکه تست شده است. مقایسه ها نشان می دهد که رویکرد مورد نظر توانسته است نسبت به رویکرد افرازی ساده میزان از دست رفتن مهلت ها را کاهش دهد و میزان بهره وری سیستم را بالا ببرد.

در این مقاله یک سیستم بازشناسی کلمات فارسی معرفی می شود که از خودهمبستگی محلی مرتبه بالای تصویر قطبی - لگاریتمی برای استخراج ویژگی از زیرکلمات فارسی استفاده می کند. این شیوه استخراج ویژگی باعث می شود سیستم در مقابل تغییرات نگارشی مانند تغییر مقیاس های خطی و چرخش مقاوم شود. همچنین به کمک تبدیل قطبی - لگاریتمی، نمونه برداری از تصویر زیرکلمه به صورتی انجام شده که بیشترین نمونه ها در یک ناحیه خاص متمرکز باشد. در روش ارائه شده از مدل مخفی مارکوف گسسته به عنوان طبقه بند و همچنین برای افزایش امنیت و دقت خروجی سیستم بازشناسی از یک شبکه واژه نامه استفاده شده و برای ارزیابی سیستم از پایگاه داده ایران شهر استفاده شده بود. مقایسه نتایج حاصل از روش پیشنهادی با نتایج سایر روش های استخراج ویژگی موید این است که سیستم بازشناسی پیشنهاد شده در این مقاله از حساسیت کمتری نسبت به تغییرات نگارشی برخوردار است.

در بحث ردیابی یکی از ویژگی های قابل توجه برای توصیف هدف، ویژگی رنگ است. به کمک هیستوگرام رنگ می توان مدل مناسبی برای هدف در نظر گرفت و خطای متغیر اندازه گیری را با فاصله باتاچاریا بین هیستوگرام مرجع و هیستوگرام تصویر داوطلب بیان نمود. مکان هدف با تخمین گر قوی فیلترهای ذره ای تعیین شده و تبدیل افاین دوبعدی هدف به عنوان حالت سیستم لحاظ می شود. در نظر گرفتن ویژگی های هندسی حرکت افاین به صورت گروه افاین باعث می شود نگاشت دوبعدی حرکت شیء هدف به مدل سه بعدی واقعی آن نزدیک تر باشد. تقریب تابع نمونه برداری بهینه فیلتر ذره ای از بسط تیلور تابع باتاچاریا حاصل می شود. نتایج آزمایش ها دقت بالا و مقاومت ردیاب پیشنهادی را در برابر حرکت سریع و پیچیده هدف نسبت به الگوریتم فیلتر ذره ای هندسی سطح خاکستری نشان می دهد.

تصویربرداری فراصوت داخل عروقی (IVUS)، به منظور دریافت اطلاعات دقیق تری از اندازه و جنس پلاک های تشکیل شده داخل عروق کرونری نسبت به آنژیوگرافی انجام می شود. گاهی در این تصاویر مناطقی تاریک در پشت پلاک های کلسیم تشکیل می شود که پردازش این تصاویر را مشکل می سازد. این مقاله به ارائه یک روش جدید جهت تشخیص و مرزبندی سایه ها در تصاویر IVUS می پردازد. در الگوریتم پیشنهادی از آستانه گذاری اتسو جهت شناسایی محل تشکیل سایه و از کانتورهای فعال جهت تشخیص مرزها در این ناحیه استفاده می شود. بر طبق آزمایش انجام شده روی 30 تصویر نمونه، این الگوریتم با حساسیتی برابر با 86% به درستی قادر به تشخیص مناطق سایه دار می باشد.