مهندسی برق و مهندسی کامپیوتر ایران، الف- مهندسی برق
سال:1384 | دوره:3 | شماره:1 |تعداد مقالات:7

در این مقاله نویزهای مطرح در یک لینک مخابرات نوری و منابع آن ها مرور می شود. مهمترین عوامل تولید کننده نویز در چنین لینکی عبارتند از لیزرهای نیمه هادی، تقویت کننده ها و آشکارسازهای نوری. ابتدا، به مرور نویز های شدت نسبی و فاز در لیزرهای نیمه هادی می پردازیم. آنگاه نشان می دهیم، نویز شدت نسبی در فرکانس های کم، ناچیز است و در نزدیکی فرکانس نوسانات میرایی به بیشینه مقدار خود می رسد. این نویز که به ازای فرکانسی معین در جریان آستانه بیشینه است، با افزایش جریان تزریقی کاهش می یابد. نویز فاز که با پهنای خط لیزر ارتباط دارد، در فرکانس های کمتر از فرکانس نوسانات میرایی ثابت است و در فرکانس نوسانات میرایی به مقدار بیشینه می رسد. در لیزرهای نیمه هادی، نویز شدت و فاز، هردو با افزایش توان نور خروجی، کاهش می یابند. سپس، نویز گسیل خودبه خودی تقویت شده (ASE) در تقویت کننده های نوری فیبری آلائیده به اِربیوم (EDFA) را بررسی می کنیم. آنگاه نشان می دهیم، درحالیکه نویز ASE با افزایش توان پمپ افزایش می یابد، به ازای مقادیر مختلف توان پمپ، با افزایش توان سیگنال ورودی کاهش می یابد. ازطرف دیگر افزایش توان پمپ باعث کاهش عدد نویز برحسب طول موج سیگنال ورودی می شود. در ادامه، به مرور  بر نحوه محاسبه عدد نویز (NF) در یک تقویت کننده نوری نیمه هادی  SOA)) پرداخته آثار ضخامت و طول کاواک و همچنین ضریب بازتاب آینه های ورودی و خروجی را بر اندازه اعداد نویز در تقویت کننده های نوع فابری پرو (FP) و همچنین نوع موج رونده (TWA) بررسی می کنیم. سپس، منابع نویز در یک آشکارساز نوری را بررسی و مدار معادل الکتریکی آن را با درنظرگرفتن نسبت سیگنال به نویز (SNR) و نرخ خطای بیت) BER) آن ارائه می کنیم. بعد، نویز مُدی در فیبرهای نوری چند مٌد بررسی می شود. در پایان، هم شنوایی به عنوان مهترین عامل محدود کننده در مالتی پلکسرها / دی مالتی پلکسرهای نوری موجود در سیستم های چند طول موجی بررسی خواهد شد.  

در این مقاله یک روش جدید برای بازسازی مدل سه بعدی جسم صلب با استفاده از نیم رخ های آن در طول زمان حرکت در این مقاله یک روش جدید برای بازسازی مدل سه بعدی جسم صلب با استفاده از نیم رخ های آن در طول زمان حرکت جسم ارائه می گردد. ایده اصلی مقاله ارائه راهکاری مناسب جهت کاهش مشکلات و تنگناهای موجود در بازسازی دقیق مدل سه بعدی همراه با افزایش سرعت بازسازی می باشد. از جمله این مشکلات می توان به ابهام موجود در تطبیق تصاویر استریو برای نواحی با درجه تباین پائین، توازن غیر دقیق شدت نور و رنگ دوربین ها در مرحله راه اندازی و ایجاد خطا در تطبیق نقاط متناظر، ایجاد سایه بدلیل تغییر زاویه تابش منبع نور در زمان حرکت جسم و خطای ناشی از آن در تخمین حرکت و نهایتاً وابستگی شدید روش نیم رخ به تعداد دوربینها اشاره نمود. در این مقاله یک روش کاملا ابتکاری برای ادغام سه روش تطبیق استریو، تخمین حرکت و نیم رخ پیشنهاد می گردد که با بهره جوئی از نقاط قوت هر روش، به برطرف ساختن نقاط ضعف آنها می پردازد. ابتکارات بکار گرفته شده در این مقاله عبارتند از: ارائه الگوریتم مبتنی بر رشد ناحیه برای نقاط همسایگی با تفاضل رنگ پائین، جهت افزایش دقت در فرآیند حذف پس زمینه. استخراج نقاط ویژگی جسم با درجه تباین بالا، جهت افزایش دقت تطبیق استریو و کاهش حساسیت آن به توازن شدت نور و رنگ دوربین ها. بکارگیری روش تطبیق چندگانه به جای تطبیق استریو، جهت افزایش دقت در استخراج مختصات سه بعدی نقاط منفرد جسم. استفاده از نقاط منفرد سه بعدی برای تخمین دقیق حرکت جسم صلب. ایجاد دوربین های مجازی و افزایش تعداد نیمرخ های جسم در مدت زمان حرکت جسم. ارائه یک الگوریتم سریع سلسله مراتبی جهت استخراج پوسته قابل دید از نیم رخ های جسم.

در این مقاله، یک الگوریتم جدید ردیابی بالا به پایین بر اساس یادگیری مسیر حرکت وسایل نقلیه ارائه میشود. به این منظور یک ماتریس گذر مراکز، CTM، که یک پایگاه داده مکانی-زمانی جدید است، پیشنهاد میشود. برای ایجاد این ماتریس ابتدا با خوشه بندی فازی روی مسیرهای حرکت وسایل نقلیه بدست آمده، مراکزی بدست میآید سپس ماتریس CTM روی این مراکز تعریف میشود. عنصر i, j ام این ماتریس بیان کننده آن است که شیئی در دو فریم متوالی از مرکز i به مرکز j گذر کرده است که تکمیل درایه های این ماتریس با ردیابی چند شیئی وسایل نقلیه به مرور انجام میشود. ماتریس CTM در افزایش سرعت همگرایی پیشبین RLS و جستجوی بهتر موقعیت وسیله نقلیه موثر است. الگوریتم ردیابی پیشنهادی در مکانهای مختلفی در صحنه ترافیک آزمون شد که نتایج حاصله حاکی از افزایش کارایی در الگوریتم ردیابی است.  

با افزایش تعداد باند های تصاویر سنجش از دور، الگوریتم های استخراج ویژگی مانند تحلیل مؤلفه های اصلی، تحلیل مؤلفه های مستقل، نگاشت جستجوگر، استخراج ویژگی با مرز تصمیم گیری، تحلیل ممیز و تبدیل موجک به منظور کاهش تعداد ویژگی ها و بهبود طبقه بندی مورد استفاده قرار گرفته اند. اما این الگوریتم ها به دلیل افزایش تعداد منابع اطلاعاتی، حجم داده ها و محدود بودن تعداد نمونه های آموزشی در تصاویر ابرطیفی، بازدهی مطلوبی ندارند. در این مقاله برای حل این مشکل، الگوریتم جدید مبتنی بر ماشین بردار پشتیبان ارایه گردیده است. این الگوریتم پس از یک طبقه بندی اولیه، با استفاده از کلاس هر پیکسل و همسایه هایش به صورت سلسله مراتبی تصمیم گیری می کند. تصمیم گیری در هر یک از سطوح این طبقه بندی کننده بوسیله یک ماشین بردار پشتیبان انجام می شود. این الگوریتم بر روی داده های واقعی ابر طیفی سنجنده AVIRIS اجرا شد. نتایج نشان می دهد که صحت طبقه بندی داده های ابرطیفی با استفاده از این الگوریتم بسیار مطلوب بوده و مشکل محدود بودن تعداد نمونه های آموزشی تا حد قابل توجهی جبران شده است. در واقع این تحقیق با ادغام اطلاعات مکانی و استفاده از طبقه بندی کننده ماشین بردار پشتیبان صحت طبقه بندی را بهبود می بخشد. این الگوریتم زمان لازم برای طبقه بندی تصاویر ابرطیفی را با استفاده از ماشین بردار پشتیبان، بسیار کاهش داده و کارآیی الگوریتم ماشین بردار پشتیبان را به عنوان طبقه بندی کننده تصاویر ابرطیفی افزایش می دهد.  

در این مقاله برای بهبود دقت یک سیستم بازشناسی گفتار پیوسته فارسی، روش وابسته به بافت مناسبی پیشنهاد شده است. به دلیل بعضی محدودیت های موجود در سیستم بازشناسی، از ایدة واحدهای آوایی چندگانه برای استخراج واحدهای آوایی وابسته به بافت استفاده گردیده است. بر اساس این ایده هر واج به چند نوع گوناگون دسته بندی می شود و هر دسته جداگانه مدل سازی می گردد. دسته بندی واج ها به صورت بی نظارت و با استفاده از الگوریتم k-means انجام شده است و برای محاسبه مرکز دسته ها روش کارایی پیشنهاد شده است. تعداد دسته مناسب برای هر واج با توجه به حجم داده های آموزشی آن واج و دقت بازشناسی واج در هنگام به کارگیری مدل های مستقل از بافت، حدس زده شده و سپس با روش های مبتنی بر سعی و خطا، تعداد دسته بهینه برای هر واج تعیین شده است. سپس هر دسته به عنوان یک واحد آوایی وابسته به بافت مدل سازی گردیده است. با استفاده از این مدل ها حدود 22 درصد کاهش در نرخ خطای کلمات حاصل شده است.  

در مقاله حاضر، یک مدل جدید برای نویز جمع شونده براساس سریهای زمانی GARCH در پردازش سیگنال آرایه ای ارائه شده است. در بسیاری از روشها بدلایلی همچون پیچیدگی های پیاده سازی و محاسباتی توزیع احتمال نویز، گوسی فرض می شود. بررسی ها و اندازه گیری های انجام گرفته برای نویز محیطی در کاربرد های مختلف، نشان از غیرگوسی بودن آن دارد و در شرایط واقعی کارایی روش هایی که مبتنی بر مدل گوسی نویز هستند، کاهش می یابد. از مهمترین ویژگی های فرآیند نویز محیطی دنباله دار بودن  توزیع احتمال و تغییر ویژگی های آماری آن (مانند واریانس) در محیط می باشد. از طرف دیگر فرآیند GARCH دارای خصوصیات مهمی همچون دنباله دار بودن توزیع احتمال و همچنین مدلسازی ناپایداری از طریق روابط بازگشتی بر روی واریانس شرطی است که با توجه به ویژگی های این فرآیند به نظر می رسد که مدل مناسبی برای نویز محیطی جمع شونده در کاربرد های پردازش آرایه ای باشد. در مقاله حاضر با استفاده از تخمین حداکثر احتمال، روش جدید بکارگیری GARCH در پردازش آرایه ای ارائه و به کمک شبیه سازی در کاربرد آکوستیک زیرآب، کارایی این روش در مقایسه با روشهای دیگر به کمک خطای تخمین سمت ورود اهداف در کنار معیار Cramer-Rao Bound اثبات شده است.