دور از انتظار نیست که با افزایش روز افزون حجم اطلاعات و داده های پردازشی، محاسبات کلاسیک به سبب محدودیت هایی همچون افزایش شدید بار محاسباتی و پیچیدگی زمانی، و همچنین عدم توانایی یا مقرون به صرف نبودن اجرای برخی الگوریتم ها و پردازش ها، به انتهای راه خود برسد. در دهه های اخیر محاسبات کوانتومی به عنوان یکی از فناوری های نویدبخش جدید برای غلبه بر محدودیت های محاسبات کلاسیک پیشنهاد شده است و نسل جدیدی از کامپیوترها و شبکه های ارتباطی بر مبنای آن در حال شکل گیری است. پردازش سیگنال های دیجیتال یکی از شاخه هایی است که سعی در استفاده از توانایی های محاسبات کوانتومی داشته است و در این راستا تاکنون روش های انگشت شماری جهت نمایش سیگنال های صوتی به فرم کوانتومی ارایه شده است. این روش ها یا توانایی نمایش دقیق یک سیگنال دیجیتال به فرم کوانتومی را ندارند و یا اینکه قابلیت استفاده برای انواع سیگنال های صوتی تک کاناله یا چندکاناله را دارا نمی باشند. بنابراین، در این خصوص نیاز به یک روش نمایش جامع و دقیق احساس می شد که بر این اساس در این مقاله، نمایش کوانتومی جامع سیگنال های دیجیتال (CQRDS) پیشنهاد شده است، که قابلیت نمایش دقیق هر سیگنال صوتی دیجیتال به فرم کوانتومی معادل را دارد و برای انواع سیگنال های صوتی تک کاناله و یا چندکاناله قابل استفاده می باشد. نمایش پیشنهادی از سه دنباله کوانتومی درهم تنیده، شامل یک دنباله اعشاری مکمل دو برای ذخیره دامنه نمونه ها، و دو دنباله کوانتومی صحیح، جهت ذخیره اطلاعات کانال و زمان نمونه ها استفاده می کند. در این مقاله نحوه نمایش، آماده سازی، بازیابی و فشرده سازی سیگنال های صوتی کوانتومی با روش پیشنهادی تشریح شده است. همچنین مقایسه دقیقی بین قابلیت ها و ویژگی های روش پیشنهادی با روش های موجود ارایه شده است که این مقایسه بیانگر جامع بودن روش پیشنهادی نسبت به روش های موجود می باشد.

با ظهور نظریه محاسبات کوانتومی و شبکه­های ارتباطی کوانتومی، برقراری ارتباط محرمانه و ایمن چالش برانگیز شده است. نهان­کاوی سیگنال صوت کوانتومی یکی از زیرشاخه­های موردتوجه در حوزه پردازش سیگنال کوانتومی و محاسبات کوانتومی است که سعی دارد با استفاده از تکنیک­های استخراج ویژگی و الگوریتم­های یادگیری ماشین کوانتومی، ارتباطات مخفی در بستر شبکه­های ارتباطی کوانتومی را شناسایی کند. باتوجه به اینکه پنهان­نگاری باعث تغییرات اجتناب ناپذیری در ویژگی آماری حوزه فرکانس سیگنال میزبان می­شود، می­توان از آن به عنوان یک ابزار کارآمد و مؤثر برای ساختن نهان کاو جامع و دقیق استفاده کرد؛ بنابراین، روش پیشنهادی در ابتدا، از تبدیل فوریه کوانتومی روی سیگنال صوت QRDS برای استخراج ویژگی های آماری استفاده می ­کند. برای این منظور، شبکه مدار کوانتومی پیشنهادی این ویژگی ها شامل مرکز طیفی کوانتومی و پهنای باند طیفی کوانتومی طراحی و پیاده سازی شده است. در نهایت، الگوریتم ماشین بردار پشتیبان کوانتومی (QSVM)، با استفاده ویژگی­های استخراج شده مجموعه داده های پاک و گنجانه با دقت بیشتر از 95% از هم تفکیک می­شوند.

یکی از شایع ترین دلایل مرگ و میر در هنگام تولد نوزاد نقص قلبی است. تشخیص بیماری قلبی نیازمند مشاهده فعالیت قلب است و یکی از مطمئن ترین روش ها برای بررسی سلامت قلب، استخراج فعالیت های الکتریکی قلب یا استخراج الکتروکاردیوگرام است. اما در شرایط خاص مکانی جنین قبل از تولد، استخراج غیر تهاجمی سیگنال الکتروکاردیوگرام چالش برانگیز شده است چرا که علاوه بر قلب جنین، منابع دیگری از قبیل قلب مادر، فعالیت ماهیچه ای مادر و جنین، فعالیت مغزی جنین و نویزهای محیط نیز تأثیر دارند که باعث مخدوش شدن سیگنال قلب جنین می شوند و تحلیل آن را دشوار می کنند. سیگنال قلب مادر به دلیل دامنه زیاد بیشترین تأثیر و سیگنال مغز جنین به دلیل دامنه کم، کمترین تأثیر را در مخدوش شدن سیگنال قلب جنین دارند. این مقاله، روشی جدید برای استخراج الکتروکاردیوگرام جنین از ثبت های شکمی مادر ارائه می دهد. روش پیشنهادی به منظور کاهش پیچیدگی محاسباتی از روش حسگری فشرده و برای تخمین منابع از روش آنالیز سریع مؤلفه مستقل و همچنین برای نمایش تُنک سیگنال ها از دو دیکشنری تبدیل کسینوسی گسسته و تبدیل موجک گسسته استفاده می کند. عملکرد پیاده سازی روش پیشنهادی روی پایگاه داده موجود در چالش 2013 فیزیونت ارزیابی و نتایج به دست آمده با بهترین روش های موجود مقایسه شده است. نتایج به دست آمده نشان می دهد که روش معرفی شده در این مقاله، با میانگین مربعات خطای 65/171، با دقت بیشتری نسبت به سایر روش های موجود قادر به استخراج سیگنال های قلب جنین می باشد.

اختلال وسواس اجباری چهارمین اختلال روانی شایع و دهمین علت ناتوانی در سراسر جهان است. این بیماری می تواند منجر به اختلال در عمل کردهای مختلف شناختی مانند توجه، حافظه، تفکر، پردازش شنیداری کلمات و شناخت بصری شود. مطالعات گذشته نشان دهنده ی تغییر در ارتباط بین فعالیت لوب های مختلف مغز بیماران مبتلا به وسواس اجباری است. از این رو کمی سازی تقارن و ارتباطات بین نواحی مختلف مغزی توجه زیادی را به خود جلب کرده است. در این مطالعه رویکردی جدید و کارآمد بر اساس نمایش تحلیلی سیگنال های الکتروانسفالوگرام و ویژگی های آماری ارائه شده است تا امکان کمی سازی تفاوت مولفه های ذاتی مربوط به فعالیت های مغزی بین لوب های مغز فراهم شود. بدین منظور پوش های فاز و دامنه ی سیگنال های تحلیلی الکتروانسفالوگرام استخراج و تجزیه و تحلیل شده است. هم چنین از روش طبقه بندی کم ترین مربعات غیرمنفی تنک برای تمایز بین گروه سالم و بیماران مبتلا به اختلال وسواس اجباری استفاده شده است. قابلیت تمایز روش پیشنهادی با داده های الکتروانسفالوگرام 19 فرد سالم و 11 بیمار حین انجام تکالیف ساده ی فلانکر مورد مطالعه قرار گرفته است. نتایج به دست آمده، موثر بودن ترکیب اطلاعات دامنه و فاز در تشخیص بیماری وسواس اجباری را با میانگین صحت 78/93 درصد نشان داده است. در مقایسه بین نواحی مختلف نیز ویژگی های مستخرج بین نیم کره های مغزی و آن هایی که از لوب پیشانی و شبکه ی پیشانی-آهیانه ای استخراج شده اند، کارایی بیش تری در تشخیص بیماری از خود نشان داده اند. هم چنین این مطالعه اهمیت بیش تر استفاده از اطلاعات دامنه در تشخیص اختلال وسواس اجباری را نشان داده است.

در این مقاله مساله طبقه بندی سیگنال های EEG مبتنی بر تصور حرکتی برای یک سامانه واسط مغز- رایانه (BCI)، توسط طبقه بندی کننده مبتنی بر نمایش تنک (SRC) مورد توجه واقع شده است. این طبقه بندی کننده برای کارایی بالا، نیاز به طراحی ماتریس واژه نامه قوی دارد. با توجه به کارایی بالای الگوریتم الگوهای مکانی مشترک (CSP) در سامانه های BCI، از این روش برای طراحی ماتریس واژه نامه استفاده شده است. از معایب CSP حساس به نوفه بودن و مساله فرایادگیری در مجموعه های آموزشی کم است. برای رفع این معایب از دو نوع الگوریتم بهبود CSP با نام های GLRCSP و DLRCSP و استفاده شده است. استفاده از این روش ها منجر به افزایش میانگین درصد صحت تشخیص به میزان حدود %7.78 نسبت به گونه استاندارد CSP شده است. از سوی دیگر یکی از معایب طبقه بندی کننده SRC که از الگوریتم پایه BP استفاده می کند، زمان بربودن آن است. برای رفع این عیب، از الگوریتم جدید SL0 به عنوان جایگزین الگوریتم BP استفاده کردیم. نتایج نشان داد که نه تنها زمان مرحله آزمون بسیار کاهش می یابد، بلکه این تغییر منجر به افزایش میانگین درصد صحت تشخیص به میزان %1.61 نسبت به الگوریتم استاندارد پایه می شود.

هیجانات، برای تفسیر درست اقدامات و همچنین ارتباطات بین انسان ها مهم هستند. شناخت هیجانات از طریق سیگنال الکتروانسفالوگرام (EEG)، امکان تشخیص حالات هیجانی را بدون روش های سنتی ازجمله پر کردن پرسشنامه، میسر می گرداند و می تواند بدون معاینات و ویزیت های بالینی، هیجان مورد نظر در فرد را بازگو نماید که نقش بسیار مهمی در تکمیل کردن پازل تعامل بین مغز و کامپیوتر(BCI) ایفا می کند. ازجمله چالش های عمده ای که در این زمینه وجود دارد، نخست انتخاب و استخراج ویژگی های مناسب از سیگنال الکتروانسفالوگرام است، به نحوی که تمییز قابل قبولی را بین حالات هیجانی مختلف ایجاد نمایند. چالش دیگر انتخاب یک الگوریتم طبقه بند مناسب، برای تفکیک و برچسب گذاری صحیح سیگنال های مربوط به هر هیجان است. این مقاله، با ارائه ی روشی مستقیم از چالش های ذکرشده، گذر کرده و نتایج عملکرد طبقه بندی کننده بر اساس نمایش تنک سیگنال (SRC) و بازسازی آن توسط دیکشنری آموزش دیده شده، گزارش شده است. روش پیشنهادی این مقاله بر روی دو پایگاه داده آزمایش شده است که پایگاه اول حاصل طراحی سناریو و ثبت سیگنال آزمایشگاهی همین مقاله با تحریک شنوایی بوده است و پایگاه داده دوم مربوط به ثبت داده ی دانشگاه شانگهای چین است. نتایج روش پیشنهادی صحت بالای 80% را برای بازشناسی دو هیجان مثبت و منفی فراهم می کند و نشان می دهد که روش پیشنهادی درصد موفقیت بالاتری در طبقه بندی هیجانات نسبت به پژوهش های پیشین دارد.

روش های یادگیری تقویتی عمیق نتایج امیدوارکننده ای را در توسعه کنترل کننده های سیگنال ترافیک نشان داده اند. در این مقاله، انعطاف پذیری یک کنترل­ کننده مبتنی بر یادگیری تقویتی عمیق را در شرایط ترافیک با حجم زیاد و تحت طیف وسیعی از اختلالات محیطی مانند تصادفات، بررسی کرده و یک کنترل کننده قابل اعتماد را در محیط با ترافیک پویا پیشنهاد می ­دهیم. در این روش ،با استفاده از رویکرد گسسته ­سازی هر یک از خیابان­ های چهارراه به سلول­ هایی تقسیم شده وتاثیر اندازه این سلول­ ها به لحاظ متفاوت بودن یا یکسان بودن با یکدیگردر کارآیی الگوریتم بررسی می­ گردد. با انتخاب یک فضای حالت توسعه یافته و متراکم، اطلاعاتی به عامل به عنوان ورودی داده می­ شودکه بتواند درک کاملی از محیط را در اختیار عامل قرار دهد. برای آموزش عامل از روش یادگیری عمیق Q و بازپخش تجربه استفاده شده و مدل پیشنهادی در شبیه ­ساز ترافیک SUMO ارزیابی شده است. نتایج شبیه سازی کارایی روش پیشنهادی را در کاهش طول صف حتی در صورت وجود اختلال تأیید می کند.