انجمن کامپیوتر ایران

مولد اعداد تصادفی، عموماً مقادیری با توزیع چگالی یکنواخت تولید می‌کنند. در برخی موارد مانند شبیه سازی مونت کارلو، مقادیری با توزیع چگالی نمایی و ویبول لازم است. یکی از روش های تولید مقادیر تصادفی غیریکنواخت، افزودن یک سخت‌افزار اضافی به مولد اعداد تصادفی یکنواخت می‌باشد. در این مقاله، سه ساختار جهت تولید مقادیر با توزیع نمایی، مورد مطالعه و مقایسه قرار گرفته‌اند. این ساختارها براساس سه الگوریتم COERDIC ، Interpolation وpiecewise کار می‌کنند. در این بررسی از تراشه‌های FPGA برای مقایسه سرعت، سربار سخت افزاری و دقت تولید اعداد استفاده شده است.نتایج آزمایشات نشان داده است که روش piecewise دارای بیشترین سرعت می‌باشد در حالیکه دقت روش‌های مبتنی بر چندجمله ای و جدول (به دلیل خطای فرمول محاسباتی‌شان) کمتر از روش CORDIC است. از نطر حجم سخت‌افزاری، این نتیجه بدست آمده استکه برای داده‌های با طول کوچکتر، piecewise در مجموع روش مناسبی بوده، در حالیکه برای داده های با طول بزرگتر، CORDIC کارایی بهتری دارد.

این مقاله به معرفی یک الگوریتم جدید ردگیری شکل بر مبنای خصیصه تولید شده برای پیکسل با استفاده از موجک بسته‌ای تلف نشده می‌پردازیم. در روش پیشنهاد شده برای ردگیری یک شکل تعریف شده توسط کاربر در یک رشته از تصاویر، دامنه ضرایب مبنای بهینه در بسط درختی سیگنال با استفاده از موجک تلف نشده به عنوان بردار‌های خصیصه )FV( پیکسل به کار رفته است. الگوریتم پیشنهادی از بردار‌های خصیصه برای ردگیری پیکسل‌های بلوک‌های مربعی نزدیک مرزهای شکل استفاده می‌کند. جستجو برای یافتن بهترین تطبیق یک بلوک مربعی با استفاده از جستجوی کامل بلوک در حوزه‌ی موجک انجام می‌شود پس یافتن محل جدید شکل در قاب جاری، این قاب به عنوان مرجع برای یافتن شکل شیدر قاب مورد استفاده قرار می‌گیرد.نتایج آزمایش‌ها نشان می‌دهد که الگوریتم در شرایطی که شکل یک شی دارای جابه جایی، چرخش یا تغییر مقیاس جزیی باشد به خوبی عمل می‌کند و می‌تواند برای ردگیری اشکال صلب و غیر صلب در رشته‌های تصویر و ویدئو به کارگرفته شود.

مدل مخفی مارکوفHMM) ) جهت مدل‌سازی دنباله‌های تصادفی با ساختار حالت متناهی مورد استفاده قرار می‌گیرد. به‌دلیل وجود الگوریتم‌های قوی و کارای بیشترین درست نمایی جهت یافتن پارامترهای HMM، این روش به عنوان یک ابزار مدل‌سازی موفق مطرح گردیده است. با استفاده از دادگان آموزشی مناسب، پارامترهای یک مدل با ساختار معلوم را می‌توان با تخمین خوبی به‌دست آورد، اما در عمل تضمینی برای دستیابی به بهینه سراسری وجود ندارد. عدم توجه به دقت بازشناسی یا به عبارت دیگر آموزش مستقل هر مدل، از دیگر معایب این الگوریتم‌های آموزش است. روش‌هایی برای رفع این معایب ارائه شده‌اند، که یا به دلیل مشکلات عددی از کارایی لازم برخوردار نیستند و یا فاقد پایه نظری قوی جهت تضمین همگرایی می‌باشند. در این مقاله الگوریتم PSO جهت آموزش تمایزی مدل مخفی مارکوف پیوسته در یک سیستم بازشناسی گفتار فارسی بکار گرفته می‌شود؛ هدف آن است که با استفاده از قابلیت الگوریتمPSO در جستجوی بهینه سراسری فضای راه حل مسأله و با استفاده از مفاهیم آموزش تمایزی، دقت بازشناسی سیستم بهبود یابد. نتایج آزمایشات نشان می‌دهد که با استفاده از این روش، خطای بازشناسی نسبت به آموزشHMM با روش‌های مبتنی بر بیشترین درست نمایی، 3,36 درصد کاهش یافته است.

سیستم‌های بهبود گفتار مبتنی بر موجک موفقیت خود را در عمل نشان داده اند، با استفاده از این سیستم‌ها سیگنال صوتی در هر یک از دو حوزه زمان و فرکانس با رزولوشن دلخواه تجزیه می‌گردد. سپس با استفاده از آستانه گذاری یا روش‌های فیلتر کردن اجزا سیگنال بهبود یافته بازسازی می‌گردد. در مقاله حاضر یک چارچوب مناسب برای حذف نویز با استفاده از تبدیل موجک پیشنهاد شده است که در آن پیچیدگی محاسباتی با استفاده از روش WOLA محدود شده است. نتایج بهبود گفتار و ارزیابی تعداد محاسبات، نشان می‌دهند که بکارگیری بانک فیلترWOLA نه تنها سبب کاهش محاسبات سیستم حذف نویز مبتنی بر موجک می‌گردد، بلکه کیفیت سیگنال بهبود یافته را نیز به خوبی حفظ می‌کند. درصد کاهش محاسبات با توجه به طول فریم ورودی سیستم کاهش نویز مابین ۲۶ % تا ۴۲ % می‌باشد.

تخمین بردار حرکت یکی از بحرانی‌ترین وظایف در سیستم‌های فشرده‌سازی ویدئو می‌باشد و به همین دلیل روش‌های متفاوتی برای افزایش سرعت آن ارائه شده است. این مقاله به ارائه یک معماری مبتنی بر سخت‌افزار برای پیاده‌سازی الگوریتم‌های تخمین بردار حرکت می‌پردازد. به منظور ارائه یک معماری کارآمد، ابتدا الگوریتم WMBPM با توجه به هزینه پیاده‌سازی سخت افزاری بهبود داده شده است و سپس یک معماری کارآمد برای الگوریتم بهبود داده شده ارائه و ارزیابی شده است. نتایج آزمایشات انجام شده نشان می دهد که الگوریتم بهبود داده شده کارآمدتر از روش اولیه عمل می‌کند.

در این مقاله سعی شده است رویکرد آموزشی جدیدی در محیط‌های چند عاملی اپیزودیک شرح داده شود. این رویکرد جدید با استفاده از مانیتورینگ وضعیت محیط و ثبت بردار ویژگی‌های هر عامل در حالت‌های مطلوب و پس از آن بکارگیری روش‌های آماری و همینطور خوشه‌بندی، قواعد مناسبی را استخراج می‌نماید که هر عامل مستقلاً بتواند بوسیله آن قواعد حالت مطلوب خود در شرایط بعدی را تعیین نماید. به منظور انجام یک مطالعه موردی، این روش برای آموزش مربی در شبیه‌سازی فوتبال بکار گرفته شده است. تمرکز اصلی در این روش بر روی یافتن الگوهای مطلوب برای حرکت بدون توپ بازیکنان در بازی فوتبال است. هرچند که حرکت بدون توپ بازیکنان تنها بخش کوچکی از کل استراتژی بازی یک تیم محسوب می‌گردد اما در این تجربه ثابت شده است که یکی از عوامل مهم تعیین کننده در نوع حرکت تیم و استفاده از فرصت‌های موجود در بازی می‌باشد.