مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1399 | دوره:18 | شماره:2 |تعداد مقالات:8

حذف نویز از تصاویر فراطیفی گامی اجتناب ناپذیر برای بهبود کیفیت این نوع تصاویر است و روش های بسیاری در این زمینه توسط محققان پیشنهاد شده است. اغلب این روش ها به شباهت های مکانی-طیفی به طور هم زمان توجه ندارند. زمانی که روش حذف نویز، داده را به صورت سراسری بدون در نظر گرفتن شباهت های مکانی-طیفی به کار می برد، معمولا بر روی پیکسل های با سطح پایین نویز تاثیر نامطلوب می گذارد؛ آن هم زمانی که در داده فراطیفی، تعداد زیادی از پیکسل ها نویز کمی دارند و تعداد اندکی از پیکسل ها به وسیله سطح بالای نویز تخریب می شوند. در این مقاله، ابتدا شباهت های مکانی-طیفی موجود در تصاویر با تعریف متغیر پنهان مبتنی بر خوشه بندی استخراج می شود. در ادامه، یک روش تجزیه ماتریس رتبه پایین مبتنی بر این متغیرهای پنهان برای حذف نویز تصاویر فراطیفی و بهبود مقاومت در مقابل انواع نویز (در مقایسه با سایر روش ها) پیشنهاد می شود. کارایی روش پیشنهادی با شش روش جدید بر روی تصاویر واقعی آلوده به نویز به صورت بصری مقایسه شده و برای مقایسه کمی، همان آزمایش ها روی تصاویر بدون نویزی که با شش نوع نویز ترکیب شده و تصاویری نزدیک به داده واقعی ایجاد کرده اند مقایسه شده است. نتایج شبیه سازی نشان می دهد که با اعمال متغیر پنهان در چارچوب استنتاج بیزین تغییراتی، عملکرد روش حذف نویز بهبود می یابد و روش پیشنهادی عملکرد بهتری نسبت به سایر روش های مورد مقایسه دارد.

از چالش های مهم در حذف پژواک آکوستیکی با استفاده از فیلترهای وفقی، تنک بودن پاسخ ضربه مسیرهای آکوستیکی و وابستگی زیاد عملکرد الگوریتم های وفقی به پراکندگی مقادیر ویژه ماتریس همبستگی سیگنال ورودی می باشد که سبب افت کارایی حذف کننده های وفقی پژواک آکوستیکی می شود. در این مقاله به منظور بهبود عملکرد الگوریتم وفقی LMS/Newton در حذف پژواک آکوستیکی، محاسبه معکوس ماتریس همبستگی سیگنال ورودی اصلاح شده است. در این روش از لم معکوس ماتریس به صورتی بهره گیری می شود که در ابتدای همگرایی سهم ماتریس معکوس در به هنگام سازی وزن ها بیشتر بوده و در نتیجه وابستگی به پراکندگی مقادیر ویژه در شروع همگرایی کاهش یابد. همچنین برای تنظیم طول گام از یک روش تناسبی بهبودیافته استفاده می شود، به طوری که نقش وزن های با دامنه بزرگ تر در فرایند وفق در ابتدا بیشتر از سایر وزن ها بوده و به تدریج در طول همگرایی نقش تمامی وزن ها یکسان شود. این روش تناسبی علاوه بر بهبود سرعت همگرایی، سبب بهبود عملکرد حالت دایم الگوریتم وفقی در شناسایی پاسخ ضربه تنک مسیرهای آکوستیکی می گردد. نتایج شبیه سازی با استفاده از سیگنال رنگی دارای طیف شبه-گفتار نشان می دهد خطای عدم انطباق حالت دایم الگوریتم پیشنهادی در مقایسه با الگوریتم LMS/Newton در حدود 6/5dB پایین تر است. همچنین همگرایی الگوریتم پیشنهادی در مقایسه با الگوریتم NLMS تناسبی، برای رسیدن به خطای عدم انطباق17dB- حدود 3/6 ثانیه سریع تر است. تحلیل های نظری میزان عدم انطباق الگوریتم در حالت گذرا و حالت دایم نیز ارایه و با نتایج شبیه سازی مقایسه شده است.

تولید متن یکی از مسایل مهم در حوزه پردازش زبان طبیعی به حساب می آید. روش های پایه ارایه شده در این حوزه، دارای مشکلاتی نظیر ناهمخوانی داده در زمان آموزش و آزمون و همچنین تابع هدف نامناسب هستند. در چند سال اخیر پیشرفت های زیادی در حوزه تولید تصویر به وسیله شبکه های مولد مقابله ای انجام شده است. همین موضوع باعث شده که استفاده از شبکه های مولد مقابله ای در تولید متن نیز به تازگی مورد توجه قرار گیرد. اما به دلیل گسسته بودن جنس دنباله ها، این امر به سادگی میسر نبوده و برای حل آن نیاز به استفاده از راهکار هایی مثل یادگیری تقویتی و استفاده از تقریب وجود دارد. به علاوه ناپایداری شبکه های مولد مقابله ای باعث ایجاد چالش های جدید و بالارفتن پیچیدگی مساله می شود. در این پژوهش با رویکردی جدید که جمعی و مبتنی بر ایده شبکه های مولد مقابله ای است به ارایه روشی جمعی برای حل مساله تولید متن می پردازیم. اساس روش پیشنهادی تخمین نسبت چگالی احتمال بوده و با این رویکرد روشی بدون مشکل در برابر گسستگی دنباله ها ارایه شده است. راهکار ارایه شده نسبت به روش های شبکه های مولد مقابله ای در حوزه دنباله، آموزشی پایدار تر دارد و همچنین مشکل اریبی مواجهه نیز در روش پیشنهادی وجود ندارد. آزمایش های انجام شده نشان دهنده برتری روش پیشنهادی در مقایسه با روش های پیشین بر روی مجموعه داده های معروف مربوط به تولید متن است.

هم زمان با فراگیرشدن تکنولوژی اینترنت اشیا در سال های اخیر، تعداد دستگاه های هوشمند و به تبع آن حجم داده های جمع آوری شده توسط آنها به سرعت در حال افزایش است. از سوی دیگر، اغلب برنامه های کاربردی اینترنت اشیا نیازمند تحلیل بلادرنگ داده ها و تاخیر اندک در ارایه خدمات هستند. تحت چنین شرایطی، ارسال داده ها به مراکز داده ابری جهت پردازش، پاسخ گوی نیازمندی های برنامه های کاربردی مذکور نیست و مدل رایانش مه، انتخاب مناسب تری محسوب می گردد. با توجه به آن که منابع پردازشی موجود در مدل رایانش مه دارای محدودیت هستند، استفاده موثر از آنها دارای اهمیت ویژه ای است. در این پژوهش به مسیله زمان بندی وظایف برنامه های کاربردی اینترنت اشیا در محیط رایانش مه پرداخته شده است. هدف اصلی در این مسیله، کاهش تاخیر ارایه خدمات است که جهت دستیابی به آن، از رویکرد یادگیری تقویتی عمیق استفاده شده است. روش ارایه شده در این مقاله، تلفیقی از الگوریتم Q-Learning، یادگیری عمیق و تکنیک های بازپخش تجربه و شبکه هدف است. نتایج شبیه سازی ها نشان می دهد که الگوریتم DQLTS از لحاظ معیار ASD، 76% بهتر از الگوریتم QLTS و 6/5% بهتر از الگوریتم RS عمل می نماید و نسبت به QLTS زمان همگرایی سریع تری دارد.

در این پژوهش به دنبال ارتقای یکی از الگوریتم های کارامد در یادگیری ماشین، به نام جنگل تصادفی هستیم. برای این منظور از تکنیک های فشرده سازی و موازی سازی بهره می بریم. چالش اساسی مورد توجه در این پژوهش، در رابطه با به کارگیری جنگل تصادفی در پردازش و تحلیل داده های حجیم می باشد. در چنین مواردی، این الگوریتم به دلیل مراجعات پرشمار به حافظه، کارایی معمول و مورد نیاز را ندارد. این پژوهش نشان می دهد که چگونه می توان با به کارگیری یک شیوه فشرده سازی ابتکاری، در کنار تکنیک های موازی سازی به هدف مورد نظر دست یافت. در این رابطه، اجزای مشترک درختان در جنگل تصادفی با یکدیگر به اشتراک گذاشته می شوند. علاوه بر این، روش موازی سازی مبتنی بر دستورات برداری سازی به همراه روش موازی سازی مبتنی بر حافظه اشتراکی در جریان پردازش داده ها به کار می روند. به منظور ارزیابی عملکرد روش پیشنهادی، آن را بر روی مجموعه داده های محک Kaggle که در رقابت های مربوط به الگوریتم های یادگیری به وفور به کار می روند، اجرا نمودیم. نتایج به دست آمده حاکی از آن است که به کارگیری روش فشرده سازی پیشنهادی، 66 درصد بهبود در سرعت پردازش داده ها به دنبال داشته است. همچنین به کارگیری فشرده سازی به همراه موازی سازی یادشده، 96 درصد بهبود را به همراه داشته است. به طور کلی نتایج آزمایشی و تحلیل ها دلالت بر این دارند که راهکارهای پیشنهادی، قدمی موثر در راستای رسیدن به رایانش سریع برای جنگل تصادفی در اختیار می گذارد.

ترانزیستورهای نانو-نوار گرافینی (GNRFETs) به عنوان یک گزینه امیدوارکننده برای جایگزینی ترانزیستورهای سیلیکونی متداول در تکنولوژی نسل آینده مطرح می باشند. کانال GNRFET در مقیاس چند نانومتر است و از این رو بررسی تاثیر تغییرات فرایند ساخت بر روی عملکرد مدارها بسیار حایز اهمیت خواهد بود. در این مقاله، تاثیر تغییرات فرایند ساخت نظیر ضخامت اکسید، طول کانال و تعداد خطوط دایمر بر روی تاخیر، توان و حاصل ضرب انرژی-تاخیر (EDP) فلیپ فلاپ مبتنی بر SB-GNRFET ارزیابی شده و مورد تجزیه و تحلیل قرار گرفته است. علاوه بر آن شبیه سازی مونت کارلو نیز برای تحلیل آماری این تغییرات انجام شده است. با تغییر ضخامت اکسید از مقدار نامی به 1/15nm، تاخیر انتشار و EDP به ترتیب به میزان 31/57 و 60/62 درصد افزایش می یابد. همچنین تغییر طول کانال کمترین میزان تاثیر را بر روی مشخصه فلیپ فلاپ دارد. با افزایش یک واحد تعداد خطوط دایمر از مقدار نامی، تاخیر انتشار و EDP به ترتیب به میزان 315/48 و 204/79 درصد افزایش می یابد. همچنین نتایج حاصل از شبیه سازی مونت کارلو نشان می دهد که مشخصه فلیپ فلاپ نسبت به تغییر ضخامت اکسید یک توزیع هیستوگرام با میزان گستردگی 2/46، 1/57 و 2/39 برابر نسبت به تغییر خطوط دایمر دارد.

یکی از راهکارهای نوین که می تواند سهم بسزایی در بهبود کیفیت تحویل محتوای چندرسانه ای داشته باشد، به کارگیری شبکه های مبتنی بر ابر است. در این مقاله به منظور بهبود کیفیت تجربه کاربران (QOE) در سرویس های جویبارسازی تطبیقی ویدیو به بررسی یک روش مبتنی بر ابر پرداخته خواهد شد. در راهکار پیشنهادی، الگوریتم پنجره پیش بینی بهبودیافته در سمت فرستنده و الگوریتم ارسال درخواست های HTTP در سمت گیرنده اعمال شده اند. با اعمال هم زمان این دو الگوریتم در دو سمت فرستنده و گیرنده از ظرفیت های هر دو طرف استفاده می شود و از رخ دادن پاریز و در نتیجه ایجاد وقفه در پخش ویدیو جلوگیری می شود. نتایج شبیه سازی های انجام شده نشان می دهد که روش پیشنهادی نسبت به روش های مقایسه شده دیگر تاثیر بیشتری در بهبود کیفیت تجربه کاربران برای ویدیوی تطبیقی جویبارسازی شده در بستر ابر دارد.

در سال های اخیر تشخیص فعالیت فیزیکی انسان از روی داده های گرفته شده توسط سنسورهای ژیروسکوب و شتاب سنج در گوشی هوشمند، مورد توجه پژوهشگران قرار گرفته است. در این مقاله با به کارگیری روش تحلیل مولفه های اساسی، ویژگی هایی با بعد پایین و مناسب استخراج شده و کارایی چند طبقه بندی کننده مختلف شامل ماشین بردار پشتیبان، رگرسیون منطقی، ادابوست و شبکه عصبی کانولوشن برای طبقه بندی فعالیت ها بررسی و یک سیستم کارا برای این منظور پیشنهاد شده است. نتایج به دست آمده نشان می دهد که سیستم پیشنهادی توانسته است دقت تشخیص را نسبت به کارهای اخیر بهبود دهد. یکی از چالش هایی که لازم است در خصوص سیستم های تشخیص فعالیت مورد توجه قرار گیرد، میزان پایداری این سیستم ها نسبت به مدل های مختلف از گوشی های هوشمند است. با توجه به این که کیفیت سنسورها و نویز مرتبط با آنها از یک مدل گوشی به مدل دیگر متفاوت است، بنابراین بررسی میزان پایداری الگوریتم شناسایی فعالیت در نویزهای مختلف حایز اهمیت خواهد بود. در این مقاله کارایی و میزان پایداری طبقه بندی کننده ها در سطوح مختلف نویز نیز بررسی شده است. نتایج به دست آمده نشان می دهد که ماشین بردار پشتیبان با میانگین دقت 96/34% پایداری بهتری نسبت به نویز در مقایسه با سایر طبقه بندی کننده ها داشته است.