پردازش علایم و داده ها
سال:1390 | دوره:- | شماره:1 (پیاپی 15) |تعداد مقالات:7

در مقاله حاضر می کوشیم مبنای نظری، نحوه طراحی و عملکرد سامانه تحلیل گر صرفی زبان فارسی با عنوان اختصاری «پارس مورف» را معرفی کنیم.پارس مورف سامانه ای مبتنی بر قواعد صرفی زبان فارسی است که ساخت درونی کلمات فارسی را با توجه به نظام تصریف و نظام واژه سازی زبان تجزیه و تحلیل می کند و مقوله دستوری و نقش هر کدام از اجزای سازنده کلمه را مشخص می کند. پارس مورف با استفاده از یک واژگان حدودا 45000 واژه ای و نیز در چارچوب قواعد صرفی زبان فارسی که بر یک تحقیق جامع زبان شناختی استوار است می تواند واژه های پیچیده و نیز صورت های ممکن تصریفی و حتی واژه های خارج از واژگان را تحلیل کند. دقت نسخه اول پارس مورف حدود 95% است که افزودن اطلاعات نحوی و مسائل مربوط به هم نویسه ها و نیز لحاظ کردن ویژگی های خط فارسی می تواند این دقت را به 100% نزدیک کند. از پارس مورف می توان در مطالعات محض زبانی و نیز پردازش ماشینی زبان فارسی استفاده کرد.

این مقاله به پیش بینی روابط زمانی بین رویدادهای فعلی بر اساس حروف ربط زمان دار در متون می پردازد. برای انجام این کار، داده های مربوط به رویدادهای فعلی از پیکره متنی زبان فارسی استخراج و بررسی شدند و روابط زمانی بین رویدادها مشخص شد. با تحلیل داده ها بر اساس روابط زمانی در چهارچوب طبقه بندی برد و آلن، مشخص شد که حروف ربط زمان دار را می توان در چهار دسته تعینی، اریب دار، شبه تصادفی و تصادفی جای داد. علائم تعینی به طور دقیق روابط زمانی بین رویدادهای مربوطه را پیش بینی کرده و علائم اریب دار با تقریب خوبی یک دسته رابطه را پیش بینی می کنند. علائم شبه تصادفی گرایش به یک نوع رابطه زمانی خاص ندارند و علائم تصادفی، به طور تقریبی هر گونه رابطه زمانی را بین رویدادهای مربوطه امکان پذیر می کنند. این پژوهش نشان داد که پیش بینی روابط زمانی برد به وسیله علائم تا حدودی مطلوب تر از پیش بینی روابط آلن می باشد.

یکی از مهمترین موضوعات در پردازش زبان طبیعی و بازیابی اطلاعات یافتن ریشه کلمات می باشد. ریشه کلمه جزئی از کلمه است که پس از حذف وندهای کلمه (پیشوند، پسوند و میانوند) باقی می ماند.یکی از روش های افزایش کارایی سیستم های بازیابی اطلاعات استفاده از ریشه یابی کلمات است. زیرا اشتقاقات مختلف یک کلمه به ریشه آن کلمه تبدیل می شوند. در نتیجه جستجو بر اساس ریشه کلمه انجام خواهد شد و اندازه ساختار ایندکس کاهش می یابد. در این مقاله الگوریتمی برای بدست آوردن ریشه کلمات در زبان فارسی ارائه شده است و سپس نتیجه آن در بازیابی اطلاعات با الگوریتم های متفاوت رتبه بندی مورد ارزیابی قرار گرفته است. الگوریتم ارائه شده با استفاده از قواعد ساختواژی زبان فارسی و استفاده از مجموعه لغات برای جلوگیری از ایجاد ریشه های نادرست به ریشه یابی کلمات می پردازد. تعداد قواعد استفاده شده 43 قانون است. با استفاده از الگوریتم ارائه شده اندازه ساختار ایندکس 5 درصد کاهش یافته است و همچنین میزان میانگین متوسط دقت (mean average precision) در سیستم بازیابی اطلاعات حدود 5 درصد افزایش یافته است.

در این مقاله روش اتوماتیک جدیدی برای بهبود روشنایی تصویر با تکیه بر اصلاح گاما ارائه شده است. در روش های موجود اصلاح گاما، اغلب ضریب گاما به طور یکنواخت در تمام قسمت های یک تصویر تغییر می یابد. از آنجایی که تغییرات گاما در تصویر ممکن است به صورت غیرخطی انجام گرفته باشد، در این مقاله اصلاح گاما به صورت محلی انجام می گیرد. این روش گاماهای مناسب را برای ناحیه های مختلف از یک تصویر با استفاده از شبکه عصبی MLP تخمین می زند. بدین صورت که ابتدا تعدادی تصویر با گاماهای مشخص را پنجره-گذاری کرده و دو ویژگی میانگین و بافت تصویر که به ترتیب مرتبط با میزان روشنایی و کنتراست تصویر می باشد را از هر پنجره برای آموزش شبکه عصبی استخراج می نماید. به همین ترتیب پنجره گذاری و استخراج ویژگی را برای تصویر جدید (تصویری که نیاز به اصلاح گاما دارد) نیز انجام می دهد. سپس بردار ویژگی به دست آمده از هر پنجره را به شبکه عصبی آموزش داده شده، اعمال می نماید تا گامای مناسب برای هر پنجره از تصویر جدید تخمین زده شود. در استفاده از این روش، برخلاف روش های موجود، چنانچه بخشی از یک تصویر دارای گامای مناسبی باشد، تغییری در شدت روشنایی آن قسمت انجام نمی گیرد. نتایج حاصل از این روش بر روی تصاویر مختلف نشان می دهد که روش پیشنهادی در مقایسه با سایر روش ها دارای عملکرد مناسب تری است.

در این مقاله با استفاده از تولید تصاویر مجازی به کمک شبکه های عصبی، مساله بازشناسی چهره با یک تصویر از هر فرد مورد توجه قرار گرفته است. برای جداسازی اطلاعات شخص از حالت و تخمین مانیفولدهای زیرفضاهای مربوطه، از یک شبکه عصبی تحلیل گر غیرخطی اطلاعات چهره استفاده شده است. به منظور افزایش تعداد نمونه های تعلیم در شبکه طبقه بندی کننده، به کمک مانیفولدهای تخمین زده شده، تصاویر مجازی از چهره های نرمال موجود در پایگاه داده اصلی تولید شده است. با طراحی ساختارهای مختلفی از شبکه های عصبی مصنوعی به منظور استخراج مولفه های زیرفضاهای اطلاعات فرد و حالت، کیفیت چهره های مجازی و درنتیجه درصد صحت بازشناسی در شبکه طبقه بندی کننده بهبود می یابد. برای تخمین بهتر مانیفولدهای اطلاعات شخص و بهبود قدرت تعمیم، یک روش تعلیم برمبنای خوشه بندی بدون سرپرستی ارائه شده است. با به کارگیری این روش و تعلیم شبکه طبقه بندی کننده به کمک تصاویر مجازی حاصل، درصد صحت بازشناسی 83.63% روی دادگان تست حاصل شده که نسبت به حالت تعلیم شبکه طبقه بندی کننده فقط با تصاویر نرمال دارای بهبود 12.73% است.

در این مقاله کاربرد یکی از الگوریتم های تجزیه به مولفه های مستقل (ICA) در جداسازی ترکیب های لحظه ای سیگنال های گفتار و موسیقی مورد بحث قرار می گیرد.الگوریتم جداساز در حوزه زمان بوده و برای مینیمم سازی اطلاعات متقابل به تخمین تابع رتبه نیاز دارد. برای تخمین تابع رتبه نمونه هایی از سیگنال های ترکیب شده خروجی الگوریتم جداساز باید انتخاب گردد که اثر منابع اولیه در آن وجود داشته باشد. از آن جا که سیگنال های گفتار و موسیقی در بازه هایی از زمان می توانند دارای فواصل سکوت باشند، انتخاب فریمی از سیگنال های ترکیب شده با اثر هر دو منبع اولیه در مساله ما اهمیت پیدا می کند. روش پیشنهادی ما استفاده از پارامتر تفاضل توابع رتبه است که با انتخاب یک حد آستانه می توان فریم بهینه را انتخاب نمود. کارایی الگوریتم جداساز با دو تخمین زن ترکیب های گوسی و حداقل میانگین مربع خطا مقایسه شده است. نتایج شبیه سازی نشان می دهد که اولا روش پیشنهادی عملکرد خوبی را در حذف بازه های سکوت از خود نشان می دهد و ثانیا الگوریتم جداساز با تخمین زن ترکیب های گوسی می تواند به تفکیک بهتر سیگنال ها و زمان پردازش کمتر الگوریتم جداساز منجر شود.

تغییر شرایط نوری، به خصوص تآثیر نورپردازی های جانبی در تصاویر چهره، یک مانع اصلی در سیستم های شناسایی چهره محسوب می شود. روشهای مختلفی برای حل این مساله پیشنهاد شده اند که با مدلسازی تغییرات نور و یا استخراج ویژگیهای پایای تصویر به شناسایی چهره می پردازند. بسیاری از این روشها به دانش قبلی درباره منبع نور، زاویه نورپردازی و تشخیص ناحیه سایه نیاز دارند. در این مقاله روش جدیدی مبتنی بر تبدیل h-minima برای ناحیه بندی تصویر و اصلاح نورپردازی در تصاویر چهره ارائه می شود. روش پیشنهادی طی چند مرحله به استخراج و اصلاح الگوی سایه می پردازد و در نهایت با استفاده از معیار مبتنی بر گرادیان، بهترین الگوی سایه را برای تصویر مشخص می کند. سپس، الگوی سایه پیشنهادی برای بهبود روش Retinex (که با تفاضل الگوی روشنایی از تصویر اصلی در دامنه لگاریتمی، مولفه انعکاس را به عنوان ویژگی پایا از تصویر استخراج می کند) استفاده می شود. نتایج بدست آمده روی پایگاه های تصویری Yale B و Extended YaleB نشان می دهد که روش پیشنهادی دقت شناسایی در روش Retinex را به نحو مطلوبی افزایش داده و نتایج موثری را در اصلاح نورپردازی تصاویر چهره حتی در سایه های شدید ارائه می دهد.