انجمن کامپیوتر ایران

در اين مقاله ، ابتدا به معرفي اجمالي يک فيلتر تطبيقي بهينه بر مبناي نُرم هاي فازي جهت کاهش نويز جمع شونده گوسي تصاوير پرداخته و در ادامه با انجام اصلاحاتي روي ساختار اين فيلتر سعي در بهبود عملکرد آن در کاهش نويز در عين حفظ جزئيات تصاوير خواهيم داشت. اين اصلاحات شامل تنظيم مناسب پارامتر آزاد ω و اصلاح رابطه ضريب وزن دهي β براي نواحي داراي تغييرات زياد در تصوير مي باشد. جهت تخمين بهتر خروجي، از فيلتر تطبيقي وينر در ساختار فيلتر استفاده شد و همچنين روش تکرار متوالي در تخمين نهايي خروجي اعمال گرديد. عملکرد فيلتر پيشنهادي با تعدادي از فيلترهاي تطبيقي فازي و غير فازي مقايسه گشته است. نتايج حاصل از اين مقايسه نشان دهنده قابل رقابت بودن فيلتر پيشنهادي با فيلترهاي مذکور مي باشد.

این مقاله به طراحی کنترلگر برای مسأله ناوبری ربات می¬پردازد. در ناوبری ربات معمولاً مدل کاملی از محیط در دسترس نیست، لذا فرمان کنترلی با توجه به داده¬های محلی جمع آوری شده توسط حسگرهای ربات تولید می¬شود. استفاده از یادگیری با ناظر برای تنظیم کنترلگر دارای چالش¬های جدّی همچون ناسازگاری داده¬ها و خطای زیاد آن¬ها می¬باشد. لذا با توجه به قابلیت¬های روش یادگیری تقویتی که در آن تنها با استفاده از یک سیگنال تقویتی اسکالر آموزش صورت می¬گیرد، محققین از آن برای ناوبری ربات استفاده کرده¬اند. این مقاله یک ایده جدید جهت ترکیب یادگیری باناظر و یادگیری تقویتی برای تسريع در روند فرايند يادگيري ربات¬ها و بهبود کيفيت آموزش ارائه می¬دهد. در فاز اول داده¬های آموزشی توسط ناظر در محیط جمع¬آوری می¬شوند و با کمک این داده¬ها و استفاده از روش یادگیری باناظر یک کنترلگر مرتبه صفر را تنظیم نموده¬ایم. بعد از این در فاز دوم پارامترهای تالی کنترلگر را با استفاده از روش یادگیری سارسای فازی (FSL) که یک الگوریتم یادگیری تقویتی فازی با معماری نقاد-تنها است تنظیم نموده¬ایم. محيط¬هاي آموزش و تست در شبيه ساز KIKS فراهم شده است. نتايج شبيه سازي حاكي از عملكرد مناسب روش یادگیری ترکیبی در مقایسه با یادگیری باناظر و FSL می¬باشد.

امروزه مبحث تعامل انسان و رایانه یکی از علاقمندی¬های پژوهشی عمده در جامعه علمی شده است. این تعامل می¬تواند در قالب یک سیستم مکالمه گفتاری ظاهر شود که انسان¬ها را قادر می¬سازد تا با ماشین¬ها مکالمه گفتاری داشته باشند. پیشرفت¬های قابل توجه در سال¬های اخیر در طراحی و تولید سیستم¬های تشخیص گفتار، درک زبان طبیعی و تبدیل متن به گفتار برای زبان فارسی، راه را برای طراحی و ایجاد سیستم¬های مکالمه گفتاری فارسی و جایگزینی آنها با سیستم¬های سنتی تلفن گویا، گشوده است. واحد مدیریت مکالمه یک جزء مهم و اساسی و در واقع قلب سیستم¬های مکالمه گفتاری است. سیستم مدیریت مکالمه تحت یک استراتژی یا سیاست مکالمه رفتار می¬کند که وظیفه آن، انتخاب کنش¬های مناسب در هر حالت مکالمه است. به سبب ماهیت سخت طراحی استراتژی های مکالمه، چارچوب یادگیری تقویتی در سیستم¬های مکالمه گفتاری برای کشف سیاست بهینه با استفاده از یادگیری داده محور و خودکار، مطرح گردید. در این مقاله، الگوریتم¬های یادگیری تقویتی برای یادگیری واحد مدیریت مکالمه مورد بررسی قرار گرفته¬اند و مراحل طراحی و شبیه¬سازی یک سیستم مدیریت مکالمه نمونه شرح داده شده است. سپس در فاز یادگیری، سیستم طراحی شده با استفاده از الگوریتم یادگیری تقویتی مستقل از مدل منتخب Watkins’ Q(λ) و داده¬های آموزشی آنلاین شامل صد مکالمه مفروض، برای دو مقدار مختلف λ آموزش داده شده و به همگرایی رسیده است. تأثیر تغییر λ بر روی سرعت و دقت یادگیری، بررسی شده و الگوی تغییرات تابع ارزش عمل در طی فرآیند یادگیری بدست آمده است.

در این مقاله، روشی مبتنی بر قانون تصمیم گیری بیز برای دسته بندی بافت با استفاده از ویژگی های استخراج شده از تبدیل هادامارد و فیلترهای گابور، ارائه شده است. این ویژگی¬ها عبارت از مقادیر انرژی مختلف در باندهای مختلف دنباله ای در تبدیل هادامارد و مقادیر انرژی هرکدام از تصاویر جزیی خروجی فیلترهای گابور می¬باشند. برای این مسأله دسته بندی، دو دستهبا عنوان بافت دارای ساختار و بافت بدون ساختار در نظر گرفته ¬شده است. برای دسته بندی از روش بیزین استفاده شده است؛بدین ترتیب که در ابتدا با استفاده از داده¬های آموزشی، توزیع احتمال هر دسته به صورت ترکیبی از توابع گاسی تخمین زده می¬شود. سپس برای داده¬های آزمایشی مقادیر احتمال مشروط بر هر دسته به طور جداگانه محاسبه شده و با استفاده از قانون تصمیم گیری بیز در چارچوب یک شبکه بیزین، دسته مربوطه برای داده¬های آزمایشی به دست می¬آید. نتایج آزمایش روش پیشنهادی بر روی پایگاه داده تصاویر بافتی نشان دهنده بهبود دقت دسته بندی بافت با روش پیشنهادی نسبت به روشهای مرتبط پیشین می¬باشد.

حجم فراوان و روبه رشد اسناد علمي منتشر شده بر روی وب، فرآیند تصمیم‌گیری و انتخاب اسناد مرتبط با يک زمينه تحقيقاتي را برای پژوهشگران دشوار کرده ‌است. یک سیستم پیشنهاد استناد، با دریافت متن ورودی، اسنادی که باید توسط آن متن مورد استناد قرار گیرند را پیشنهاد می¬کند، و بدین ترتیب می¬تواند در یافتن اسناد مرتبط با یک موضوع به پژوهشگر کمک کند. در این مقاله، یک معیار جدید برای محاسبه شباهت دو سند ارائه شده است که مبتنی بر ویژگی¬های رابطه¬ای اسناد می¬باشد. همچنین یک سیستم پیشنهاد استناد ارائه شده است که از معیار فوق در کنار ویژگی¬های متنی اسناد استفاده می¬کند. ارزیابی انجام شده نشان می¬دهد که معیار مورد نظر، در تشخیص شباهت اسناد موفق است و باعث بهبود کیفیت سیستم پیشنهاد استناد مورد نظر می¬شود.