امروزه، ادبیات و شعر تعریفی جامع تر از بیان صرف ادبی با معانی و ابزارهای آکادمیک دارد. ادبیات، اجتماع همۀ توانایی های علمی زبان در حوزۀ ساختار و غنا است. خلاقیت هنری شاعر و استخدام ترکیب ها و مضامین عالی منجر به تولید یک اثر ادبی و هنری می شود که بازخورد لذت بخش آن را در هیجان و انبساط مخاطب می توان یافت؛ فرم و ترکیب های هنری که به عنوان «هنرسازه» مطرح می شود. هنرسازه (prime) یا (Artistic device) یک نگرش فرا آرایه ای به ابزارهای زیبایی شناختی زبان در شعر فارسی است. همان که فرمالیست ها آن را هنر بیگانه سازی زبان از ذهن مخاطب می دانند و بر آن تأکیددارند. اساس هنرسازه ها، موسیقی، آرایه های ادبی و دیگر ترکیبات در سایه است که موجب برجسته سازی واژگان، تصاویر و مضامین جمال شناسانه می شود. حسن این اتفاق در آن است که شاعر بداهتاً به این هنر نایل آید و نوعی جوشش درونی در آن حاکم باشد. در این مقاله به مباحثی نو در انواع هنرسازه های آوایی، بلاغی، تصویری و سماعی پرداخته شده است و با ارائۀ شاهد مثال از ابیات مولوی، سعدی و حافظ از جمله درک مزه از تکرار واک، سرنگونی شکلی انسان از تصویر واژه و القای معانی از کلمات و الفاظ نامفهومی چون «قوقو بققو بق بققو» اثبات شده است که هنرسازه خود ابزاری فراتر از آرایه های صرف در حوزه ی زبان و معناست و بقا و اعتلای آثار شعری را باید در چنین مباحثی جست.

در این مقاله، مفهوم هم پوچ سازهای حالت تعمیم یافته در مشبکه های مانده ای حالت را معرفی می کنیم. نشان می دهیم که ارتباطی بین هم پوچ سازهای حالت تعمیم یافته و التصاق گالوا برقرار است. اگر A یک مشبکه ی مانده ای حالت باشد، آن گاه ثابت می کنیم که مجموعه ی پالایه ها، تشکیل یک جبر هیتینگ می دهند به طوری که شبه متمم نسبی G نسبت به F را با 〖(F:G)〗_ν نشان می دهیم. به علاوه نشان می دهیم مجموعه ی پالایه های هم پوچ ساز حالت، یک مشبکه ی بولی را تشکیل می دهند. در نهایت، به مشخص کردن هم پوچ سازهای حالت تعمیم یافته در پالایه های اول حالت و پالایه های اول مینیمال حالت می پردازیم.

In traditional speech processing, feature extraction and classification were conducted as separate steps. The advent of deep neural networks has enabled methods that simultaneously model the relationship between acoustic and phonetic characteristics of speech while classifying it directly from the raw waveform. The first convolutional layer in these networks acts as a filter bank. To enhance interpretability and reduce the number of parameters, researchers have explored the use of parametric filters, with the SincNet architecture being a notable advancement. In SincNet's initial convolutional layer, rectangular bandpass filters are learned instead of fully trainable filters. This approach allows for modeling with fewer parameters, thereby improving the network's convergence speed and accuracy. Analyzing the learned filter bank also provides valuable insights into the model's performance. The reduction in parameters, along with increased accuracy and interpretability, has led to the adoption of various parametric filters and deep architectures across diverse speech processing applications. This paper introduces different types of parametric filters and discusses their integration into various deep architectures. Additionally, it examines the specific applications in speech processing where these filters have proven effective.