پردازش علایم و داده ها
سال:1391 | دوره:- | شماره:2 (پیاپی 18) |تعداد مقالات:6

ظرفیت، کلیدی ترین مفهوم در دستور وابستگی است. از میان مقوله های واژگانی گوناگون در دستور وابستگی، فعل ها دارای کلیدی ترین نقش در نحو و معنای جمله هستند. فعل مرکزیت جمله را در دستور وابستگی بر عهده داشته، معنای اصلی جمله را در درون خود نهان می کند. در این مقاله با بررسی روش های مختلف استخراج بی ناظر ظرفیت فعل در زبان فارسی، مسائلی در خصوص یافتن فعل در متون زبانی و ابهامات موجود در شناخت ظرفیت فعل در زبان فارسی مطرح شده، راه حل هایی برای آن پیشنهاد شده است. طبق بررسی های موجود در این مقاله، الگوریتم بیشینه سازی امید (EM) دارای بالاترین دقت موجود در روش های استخراج ساخت های ظرفیتی فعل در زبان فارسی است. دقت الگوریتم بیشینه سازی امید در این کار بیش از دو برابر آزمون فرض دوجمله ای بر اساس معیار F شده است.

در این مقاله پیشنهاد جدیدی برای بهبود کیفیت تصویر ارائه شده است که در آن نگرش جدیدی در مورد چگونگی اعمال روش های بهسازی مطرح شده است. عملیات بهسازی تصویر ممکن است بر اساس روشنایی، وضوح و یا توزیع سطوح خاکستری انجام شود. هنگام تصویربرداری ویژگی هایی مانند شدت روشنایی صحنه و قابلیت بازتاب اجسام بر تصویری که به دست می آید، تاثیر می گذارند. اثر هر یک از این ویژگی ها بر تصویر حاصل را می توان به عنوان یک مولفه یا تصویر جداگانه ای در نظر گرفت و به کمک فیلتر همومورفیک که در آن تصویر اصلی به مولفه روشنایی و مولفه بازتابش تجزیه می شود، مورد بررسی قرار داد. به طور کلی، پیکسل های یک تصویر به گونه ای مقدار می گیرند که متناسب با شدت روشنایی نقطه مربوط در صحنه و قابلیت بازتابش آن نقطه از جسم هستند. بر این اساس خرابی یک تصویر ممکن است ناشی از هریک از مولفه های شدت روشنایی و یا قابلیت انعکاسی باشند. در این مقاله نشان داده می شود که انواع مختلف خرابی تصویر، روی مولفه شدت روشنایی و مولفه بازتابش تصویر تاثیر متفاوتی می گذارند. بررسی ها نشان می دهند که تاثیر خرابی بر روی یک تصویر بسته به نوع خرابی روی یک مولفه نسبت به مولفه دیگر متفاوت است. برخلاف روش های معمول که به ازای هر نوع خرابی، فرایند بهسازی و اصلاح را روی تصویر اصلی انجام می دهند، در این مقاله پیشنهاد می شود بعد از تجزیه تصویر به دو مولفه شدت روشنایی و قابلیت بازتاب، با توجه به نوع خرابی، بر مولفه مربوطه بهسازی انجام شود. سپس تصویر نهایی بهسازی شده با استفاده از مولفه های تصویر که شامل مولفه بهسازی شده است، به دست آید. نتایج این تحقیق نشان می دهد که به منظور رفع خرابی یک تصویر، بهسازی مولفه های تصویر نتایج مطلوب تری در مقایسه با بهسازی مستقیم بر روی تصویر اصلی دارد. در این مقاله برای تصاویر چهره از پایگاه داده Yale Face B و برای تصویر غیر چهره از تصاویر سطح خاکستری مختلفی استفاده می شود.

در سال های اخیر تلاش های زیادی برای طراحی روش های یادگیری و خودکارسازی فرآیند ساخت هستان نگار انجام شده است. ساخت انواع هستان نگار برای انواع قلمروها و کاربردهای گوناگون فرآیندی پرهزینه و زمان بر بوده و خودکارسازی این فرآیند گامی مهم در رفع مشکل اکتساب دانش در سامانه های اطلاعاتی و کاهش هزینه ساخت آنهاست. در این مقاله روشی نوین برای یادگیری هوشمند هستان نگار ارائه شده که می توان از آن در کاربردها و حوزه های مختلف استفاده کرد. در این روش نیازی به وجود هستان نگارهای عمومی یا تخصصی اولیه و واژگان معنایی از پیش تعریف شده نیست و پایگاه دانش اولیه آن، تنها شامل مجموعه ای از متون ورودی است. سامانه یادگیرنده پیشنهادی با شروع از متون ورودی و با استفاده از رهیافت پیشنهادی در این مقاله قادر خواهد بود هستان نگار حوزه های مختلف را استخراج کند. در این روش از ترکیبی از روش های زبانی، آماری و روش های یادگیری ماشینی بر اساس روش C-value، TF-IDF، شبکه عصبی نظریه تشدید وفقی و روش تحلیل هم رخدادی استفاده شده است؛ بدین ترتیب که ابتدا اسناد مرتبط با حوزه مورد نظر گردآوری شده و سپس پردازش های متون زبان طبیعی روی اسناد انجام شده و واژه های اصلی با استفاده از روش C-value استخراج شده است، آنگاه با استفاده از شبکه عصبی ART اسناد مربوطه خوشه بندی شده و برای هر خوشه با محاسبه وزن واژه ها بر اساس روش TF-IDF، واژه کلیدی مناسب استخراج شده است. در پایان با استفاده از روش تحلیل هم رخدادی، سلسله مراتب مفاهیم استخراج شده و هستان نگار مربوطه ساخته شده است. نتایج حاصل شده نشان میدهند که این روش در مقایسه با روش های مشابه، دقت خوبی در یادگیری هستان نگار داشته است.

در این مطالعه، از روش غیرخطی منحنی های بازگشتی به منظور آشکارسازی دانش فرد خطاکار از سیگنال های تک ثبت مغزی، استفاده شده است. دادگان مورد استفاده، مربوط به 49 نفر بوده که در آزمون بازشناسی چهره مخفی شده شرکت کردند. طراحی این آزمون به نحوی صورت گرفته است که در آن آشنا بودن تصویر یک چهره، توسط افراد گناهکار پوشیده گردد. بنابراین هدف، بازشناسی چهره مخفی شده توسط این افراد است. در مرحله استخراج ویژگی از کمی کننده های بازگشتی، استفاده شده است. طبیعت آشوب گونه پویای مغز و بررسی بستر جذب در فضای فاز، از امور مهمی اند که توسط این کمی کننده ها مورد توجه قرار می گیرند. بررسی نتایج به دست آمده نشان می دهد، ظهور مولفه P300 در افراد گناهکار (که در اثر انکار شناخت نسبت به یک تصویر آشنا ایجاد می شود)، افزایش تعین و پیش بینی پذیری در مغز را به همراه دارد و این امر بیان گر کاهش پیچیدگی مغز در این افراد است. در ادامه با به کارگیری الگوریتم ژنتیک در مرحله انتخاب ویژگی، طبقه بندی کننده LDA و روش جدید آستانه گذاری متغیر، صحت 89.7 درصد (تشخیص صحیح 45 نفر از 49 نفر) با تلفیق اطلاعات سه کانالPz ،Cz و Fz حاصل شد.

هدف این تحقیق طراحی سامانه ای جهت تشخیص دروغ است. باررزترین اثر استرس ناشی از دروغ، بر روی سامانه گردش خون و همچنین از طریق تعریق ظاهر می شود، از این رو سیگنال های هدایت الکتریکی پوست و فوتوپلتیسموگراف برای رسیدن به این هدف مورد استفاده قرار گرفتند. ثبت سیگنال ها از طریق سامانه پلی گرافی و با استفاده از آزمون قیاسی برای بیست مرد انجام شد. پس از ثبت سیگنال ها، ویژگی هایی در حوزه زمان و فرکانس از دو سیگنال استخراج شد. با اعمال ویژگی های استخراجی به تفکیک کننده خطی LDA و همچنین شبکه عصبی MLP و Elman دسته بندی داده ها در دو حالت راست گو و دروغ گو انجام شد. بهترین نتایج با استفاده از شبکه عصبی Elman و درصد صحت تفکیک 87 درصد به دست آمد. بنابراین در این مطالعه روش جدیدی بر اساس سیگنال هایی با ثبت آسان و هزینه تشخیصی کم تر برای سامانه های غربال گری دروغ سنجی ارائه و ارزیابی شده است.

در این مقاله با استفاده از شبکه عصبی مصنوعی، تابعی بر منحنی چگالی احتمال، رشته اطلاعات افراز می شود. این امر باعث می شود که منحنی چگالی احتمال رشته اطلاعات به وسیله تعدای پارامتر تقریب زده شده و از آن به منظور حافظه دار کردن منحنی چگالی احتمال و نیز جهت فشرده سازی اطلاعات با روش هافمن استفاده می شود. تفاوت بین روش پیشنهادی و روش عمومی الگوریتم هافمن در این است که در روش پیشنهادی به جهت حافظه دار کردن منحنی چگالی احتمال، می توان چندین بار از الگوریتم هافمن برای کد کردن رشته اطلاعات استفاده کرد و در هر بار کد کردن اطلاعات، تابع چگالی احتمال را تقریب زده و اطلاعات مربوط به تابع چگالی احتمال را به انتهای رشته مورد نظر اضافه کرد. بنابراین علی رغم متغیر بودن تابع چگالی احتمال در هر مرحله، الگوریتم هافمن با استفاده از روش پیشنهادی قابل پیاده سازی است. همچنین دو الگوریتم برای کد کردن و دیکد کردن رشته اطلاعات پیشنهاد شده است. در انتها درصد فشرده سازی روش پیشنهادی با دو روش FDR Code وGolomb مقایسه می گردد.