در این تحقیق یک سیستم تایید امضای برخط با استفاده از روش رگرسیون توسعه یافته در حوزه تبدیل موجک ایستا ارایه شده است. برای محاسبه شباهت بین امضاها به وسیله رگرسیون توسعه یافته، باید طول زمانی سیگنال های متناظر دو امضا یکسان شود. استفاده از تطابق همه نقاط برای یکسان سازی طول زمانی سیگنال ها سبب کاهش تمایز بین امضاهای اصلی و جعلی می شود. برای حفظ تمایز بین امضاهای اصلی و جعلی، روشی بر مبنای تطابق نقاط فرینه برای یکسان سازی طول زمانی سیگنال ها ارایه شده است. همچنین با محاسبه شباهت بین جزئیات سیگنال های امضاها در حوزه تبدیل موجک ایستا، دقت سیستم تایید امضا به طور قابل ملاحظه ای افزایش داده شده است. این سیستم بر روی مجموعه امضاهای SVC 2004 آزمایش شده و نتایج آن با نتایج تیم های شرکت کننده در اولین مسابقه بین المللی تایید امضا مقایسه شده است. با این روش برای امضاهای جعلی حرفه ای خطای تایید %6 به دست می آید که در مقایسه با تیم های شرکت کننده در این مسابقه در رتبه دوم قرار می گیرد و برای امضاهای جعلی تصادفی خطای تایید وجود ندارد و از این لحاظ در رتبه اول قرار می گیرد. نتایج حاصل نشان می دهد که استفاده از تبدیل موجک ایستا نرخ خطا را %35 نسبت به حوزه زمان بهبود می دهد.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

در بسیاری از مسائل دنیای واقعی، داده، پویا و دارای نویز است. در چنین شرایطی تشخیص ناهنجاری باید با یک مدل برخطی که در مقابل نویز استوار است، انجام شود. در سال های اخیر شبکه های عصبی بازگشتی بر روی توالی داده ها مورداستفاده قرار گرفته و نتایج خوبی در این حوزه بدست آورده اند. اما راهکارهای موجود، استواری کافی در مقابل نویز ندارند. این مقاله، به ارائه راهکاری برای تشخیص ناهنجاری در داده گرافی پویا با استفاده از شبکه های عصبی بازگشتی می پردازد که در مقابل نویز استوار بوده و با تغییرات داده ها تطبیق پذیری کافی را دارند. نسخه استوار ارائه شده از شبکه عصبی بازگشتی، به هدف مدیریت نویز، همزمان با یادگیری الگوی اصلی و تطبیق با تغییرات، ناهنجاری ها را استخراج و معرفی می کند. برای بررسی صحت ﻋﻤﻠﮑﺮد روش پیشنهادی، آزمایش هایی ارائه شده که قدرت ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری و توان ﺗﻄﺒﯿﻖ یادگیرنده را در مقایسه با راهکارهای موجود می سنجد. نتایج، برتری روش پیشنهادی را تصدیق کرده اﺳت.

در دهه های اخیر، تکامل و توسعه فناوری خودروها در جهت افزایش ایمنی و امنیت برای راننده و سرنشینان خودرو نقش مهمی داشته است، یکی از فناوری های برجسته ای که به افزایش ایمنی در خودروها کمک به سزایی می کند، ترمز ضد قفل  می باشد که این سامانه تاثیر قابل توجه ای در افزایش امنیت در زمان ترمز گیری، کاهش مسافت خط ترمز و کنترل بهتر خودرو در شرایط سطوح مختلف ترمز گیری دارد. در این مقاله، یک الگوریتم برخط نوین برای بهبود عملکرد سامانه های ترمز ضد قفل (ABS) معرفی می شود که از داده های عملی به جای مدل سازی ریاضی پیچیده بهره می برد، به عبارتی برخلاف مدل سازی های سنتی که به مدل های نیمه خودرو و شبیه سازی های دینامیکی لاستیک متکی هستند، این پژوهش از داده های واقعی چرخ ها برای توسعه و بهینه سازی الگوریتم ها استفاده می کند که این رویکرد باعث افزایش حساسیت و تطبیق پذیری الگوریتم نسبت به تغییرات واقعی جاده و شرایط مختلف عملیاتی می شود. از طرفی به طور مؤثر به شناسایی و تحلیل پدیده های Jump و Split پرداخته شده است که در سایر مقالات به طور اختصاصی پرداخته نشده است. این روش، که با استفاده از مدل های تحلیلی و تجربی آزمایش و اعتبارسنجی شده است و در شرایطی که حسگرهای شتاب در دسترس نیستند، دقت بالایی را در تخمین شتاب ارائه می دهد و می تواند پاسخ هایی با دقت مناسب در شرایط متغیر ترمزگیری ارائه دهد. نتایج شبیه سازی الگوریتم بر روی داده های تست عملی نشان از آن دارد که این الگوریتم باتوجه به کاهش تقریباً 49.1 درصدی در زمان تشخیص با سرعتی بیشتر نسبت به سایر الگوریتم ها عمل می کند و مزیت های قابل توجهی از جمله کاهش خط ترمزگیری، کاهش هزینه های محاساباتی سامانه را فراهم می آورد.

داده های جریانی در بستر پویا و در حال تغییر، تکامل می یابند؛ بنابراین، رانش مفهوم یا تغییر توزیع اساسی داده ها با گذشت زمان، یکی از مهم ترین چالش های این نوع از داده ها است. علاوه بر این، رانش مفهوم بر عملکرد فرآیند تشخیص ناهنجاری نیز تأثیر می گذارد. تشخیص ناهنجاری در چنین داده هایی در حوزه های متعددی ازجمله تشخیص نفوذ در شبکه های کامپیوتری  یا مدیریت ترافیک شبکۀ راهها کاربرد دارد. در سال های اخیر، رویکردهایی مبتنی بر تجزیۀ تانسور ارائه شده اند که به صورت برخط زیرفضا را ردیابی می کنند و یادگیرنده را با یک استراتژی ناآگاهانه و به طور ضمنی در همۀ گام های زمانی، در مقابل تغییرات تطبیق می دهند. این مقاله، یک رویکرد برخط را پیشنهاد می کند که رانش مفهوم را به طور صریح تشخیص می دهد و اعلام می کند. بدین ترتیب یادگیرنده نیز با یک استراتژی آگاهانه و تنها در گام های زمانی لازم با تغییرات و رانش، تطبیق پیدا می کند. ارزیابی راهکار پیشنهادی با استفاده از مجموعه داده های واقعی انجام شد و تحلیل نتایج به دست آمده، عملکرد روش پیشنهادی را از جنبه های یادگیری و تشخیص تأیید می کند.

لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

پیوسته بودن کلمات فارسی و وجود تنوع بسیار زیاد رسم الخط این زبان و همچنین شکل های متنوع حروف فارسی بسته به محل قرارگیری شان در کلمه، تشخیص دست نوشته های فارسی را به چالش کشانده اند. مهم ترین اشکال در اغلب روش های بازشناسی بی توجهی به بافت جمله است که باعث می گردد در مواردی که کلمه ی ورودی اشتباه بازشناسی می شود، واژه ای با ظاهر درست در جمله ای نابجا به کار رود. طراحی مدلی که بتواند بافت جمله را به خوبی تحلیل کند مستلزم در اختیار داشتن منابع زبانی حجیمی است که نماینده خوبی از زبان مورد بازشناسی باشند. در این مقاله روش جدیدی برای بازشناسی کلمات برخط فارسی ارائه شده است که با استفاده از بافت جمله سعی در بهبود بازشناسی دارد. فرآیند بازشناسی معرفی شده در این نوشتار به این صورت است که ابتدا علائم و بدنه ی زیرکلمات دست نوشته ی ورودی تفکیک شده و بدنه ی هر زیرکلمه و علائم آن مشخص می شود. سپس علائم زیرکلمات تشخیص داده شده و بر اساس آن مجموعه ای از واژگان به عنوان فرضیه در نظر گرفته می شوند. به هر فرضیه بر اساس میزان شباهت آن به دست نوشته ورودی امتیازی تعلق می گیرد و بر اساس امتیاز حاصله محتمل ترین فرضیات مشخص می شوند. سپس این رویه توسط مدل زبانی برای یافتن فرضیات محتمل تر، هدایت می شود. نتایج آزمایش های به عمل آمده نشان می دهد که کاهش قابل توجهی در نرخ خطای بازشناسی کلمات حاصل شده و کاربر در نگارش ملزم به رعایت محدودیت های کمتری است. از طرفی روش پیشنهادی می تواند نسبت به روش های قبلی با در اختیار داشتن یک پایگاه داده دست نویس محدود، صحت مطلوب تری ارائه کند. با به کارگیری روش ارائه شده، دقت بازشناسی در مرحله اولیه در سطح حروف 95. 9% و پس از بازشناسی به کمک مدل زبانی دقت بازشناسی به 99. 3% ارتقاء یافت. برای بهبود عملکرد الگوریتم، استفاده از الگوریتم یادگیری تقویتی برای تطبیق پذیری الگوریتم با نویسنده به عنوان کار آینده پیشنهاد می گردد.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.