تخمين تعداد سيگنالهاي طيف گسترده پرش فركانسي وارده به يك آنتن يكي از مسايل مورد توجه است. روش هاي تجزيه مقادير ويژه مورد استفاده براي تخمين تعداد كاربران براي SNR هاي پايين از كارايي لازم برخوردار نيست. روش كار به اين صورت است كه ابتدا با استفاده از تحليل آنتروپي يك زير مجموعه ديتاي بدون پرش از سيگنال جدا شده و سپس با استفاده از تجزيه مقادير ويژه تعداد كاربران بدست ميآيد. در اين مقاله سعي شده است تا مشكل تخمين تعداد كاربران در SNR هاي پايين با اعمال يك بلوك حذف نويز به آنتروپي بدست آمده از سيگنال ورودي بهبود بخشيده شود.

در این مقاله روشی مرکب از تدارک پویای پهنای باند و قیمتگذاری پویا برای بالا بردن ارائه کیفیت سرویس به مشتری پیشنهاد شده است. در تدارک پویا با استفاده از اتوماتای یادگیر، میزان پهنای باند برای هر کلاس سرویس به طور پویا در بازه های مشخصی از زمان براساس بازخوردی که از محیط گرفته می شود تغییر م یکند. قیمت گذاری پویا با استفاده از اصل عرضه و تقاضا از ایجاد ازدحام در مواقع اوج مصرف جلوگیری می کند. هر دو این مد لها روش هایی کارا و ساده هستند بنابراین میتوانند به صورت برخط به کار رود. هدف در هر دو این مدل ها ماکزیمم کردن استفاده از پهنای باند با این شرط که کیفیت سرویس از یک آستانه از پیش تعیین شده کمتر نشود، می- باشد. نتایج شبیه سازیها نشان می دهد که مدل پیشنهادی در مقایسه با تدارک و قیمتگذاری ایستا کیفیت سرویس بهتری از لحاظ متوسط تاخیر, نرخ خرابی ارائه میدهد.

امروزه استفاده از روشهای ترکیبی برپایه آنالیزمولفه های مستقل (ICA) برای بهبود کارائی در حذف آرتیفکت از سیگنال الکتروانسفالوگرام، مد نظر قرار گرفته است. این مقاله به بررسی نقاط قوت و ضعف روش ترکیبی ویولت ICA- در مقایسه با روش مادر ICA می پردازد. روش روی داده شبی هسازی، سه نوع شب هشبیه سازی و داده واقعی پیاده و نتایج با ICA مقایسه شده است. در داده شبیه سازی خطای روش ترکیبی 72 % کاهش یافته است. در داده های % شبه شبیه سازی، نتایج براساس نوع شبیه سازی متفاوت و خطا 22 کاهش تا 30 % افزایش داشته است. در پایان نتایج روش ترکیبی روی داده واقعی حاکی از توانایی بالای روش در حذف آرتیفکت چشمی دارد و بطور کیفی تفاوت بارزی میان روش ترکیبی و ICA دیده نمی شود. روش ترکیبی در موارد یکه هدف نگهداری حداکثر اطلاعات سیگنال بوده و تنها حذف مولفه های قطعاً آرتیفکتی مطلوب است، دارای قوت است، ولی درمواردی که هدف تنها نگهداری اطلاعات با منشا قطعاً مغزی است، ضعیف تر عمل می نماید.

در اين پژوهش ميزان اهميت زيرباندهاي مختلف سيگنال گفتار در بازشناسي گوينده سنجيده شده و بر اساس اين ميزان اهميت، يك ويژگي جديد براي بازشناسي گوينده از همجوشي اطلاعات زيرباندهاي مختلف سيگنال گفتار بدست آمده است. براي اين منظور نمونه هاي آموزشي و آزمايشي گفتار به كمك درخت تجزيه تبديل ويولت بسته اي، به 16 زير باند تقسيم شده و هريك از اين زير باندها بطور مستقل براي بازشناسي گوينده مورد استفاده قرار گرفت . با توجه به ميزان دقت بازشناسي گوينده بدست آمده براي هر زير باند، اين زير باندها به 4 رتبه اهميت براي بازشناسي گوينده رتبه بندي شدند . سپس بر اساس رتبه هر زير باند تعداد معناداري از ضرايب بردار ويژگي حاصل از همجوشي به زيرباند مربوطه اختصاص يافت. در انتها اين بردار ويژگي در يك سيستم بازشناسي گوينده مورد استفاده قرار گرفت . نتايج حاصل حاكي از موفقيت اين ويژگي در تمايز گويندگان مختلف مي باشد بطوريكه توانسته است 94 درصد / براي تصديق هويت 490 نمونه از 35 گوينده به دقت بازشناسي 5 دست يابد.

در اين مقاله ايد ه و روشهاي جديدي براي تشخيص اتوماتيك جنسيت پيشنهاد و آزمايش گرديده است. از جمله اين روش ها مي توان به استفاده از شبكه عصبي MLP تركيب شده با الگوريتم ژنتيك براي تنظيم بهتر وزنهاي شبكه، استفاده از شبكه عصبي ANFIS و تطبيق آن براي تشخيص جنسيت و تلفيق شده آن با روش FCM نام برد. بهترين نتيجه از شبكه Anfis تركيب شده با FCM بدست آمد. ضمن اين كه روشهاي ديگر نيز از كارايي بسيار خوبي برخوردار بودند. بهترين نتيجه براي دادگان TIMIT برابر 97.5 % و براي دادگان برابر 96.31 % بدست آمد. اين دقت بالا در دادگان OGI كه دادگاني تلفني چند زبانه با SNR پائين است نشان ميدهد كه روشهاي پيشنهادي در برابر تغيير زبان گوينده و كيفيت پائين داده هاي گفتاري مقاوم هستند. علاوه بر اين به كمك شبكه عصبي ژنتيكي، شبكهاي سريع ساختهشد كه بتواند تنها با 3 نرون در لايه مياني به دقتي مشابه شبكه عصبي MLP برسد.

با توجه به افزايش حجم مستندات متني، براي پاسخگويي به نيازهاي اطلاعاتي كاربران، ديگر تكنيكهاي بازيابي اطلاعات به تنهايي كارا نيستند . مطالعه حجم زياد متون ب راي كاربران بسيار سخت و زمانگير است و دراختيار داشتن خلاصه اي از مطالب مهم آنها، مي تواند بسيار مفيد باشد . فرآيند فشرده سازي يك منبع به صورتي كه حاصل حاوي اطلاعات مهم آن باشد را خلاصه سازي گويند . خلاصهسازي متون منجر به استفاده از منابع بيشتر با سرعت بالاتر و در نتيجه حاصل شدن اطلاعات غنيتر ميشود. در اين مقاله ابتدا به بررسي انواع سيستم هاي خلاصه سازي خودكار و مروري بر سيستم هاي خلاصه سازي فارسي خواهيم پرداخت . سپس به معرفي سيستم خلاصه سازي فارسي ساخته شده با نام PARSUMIST پرداخته و نتايج ارزيابي سيستم و مقايسه آن با نمونه هاي مشابه را ارائه خواهيم نمود . سيستم معرفي شده از تركيبي از روش هاي كلاسيك، آماري و معنايي براي توليد خلاصه مستخرج از متون تك سندي و چندسندي فارسي بهره ميبرد.

روش هاي موجود براي پالايش صفحات وب بيشتر مبتني بر سد كردن نشاني هاي اينترنتي خاص از طريق جستجو در يك ليست مرجع از صفحات غير مجاز و يا با استفاده از تحليل ساده متن از طريق جستجوي كلمات كليدي خاص در صفحات است. مشكل اصلي اين روش ها نياز براي به روزرساني مداوم فهرست نشاني ها و نيز ميزان قابل توجه اشتباه گرفتن صفح ههاي مجاز در آنهاست. در اين مقاله يك روش پالايش هوشمند براي پالايش صفحات غيراخلاقي را پيشنهاد كرده ايم كه با استفاده از هر سه نوع ويژگي ساختاري، متني و تصويري و تركيب سلسله مراتبي آنها يك دسته بندي هوشمند با دقت بالا (روي FP و FN هر دو) را به دست مي دهد. الگوريتم روي 2600 صفحه وب شامل 1400 صفحه غيراخلاقي (داراي متن، تصوير، يا هر دو) انگليسي و فارسي و 1200 صفحه مجاز شامل صفحات پزشكي، سلامت، ورزشي و غيره مورد آزمايش قرار گرفته و دقت دسته بندي بالاي 95 % را به همراه داشته است.

بازشناسي زبان، تشخيص زبان يك گفتار يا گويش تلفني ضبط شده مي باشد كه امروزه با توسعه استفاده از فناوري اطلاعات در صنايع مختلف كاربردهاي آن روز به روز افزايش مي يابد . در اين مقاله براي دسته بندي زبان يك گويش تلفني از روش هاي ،PRLM ،GMM PPRLM و PPR استفاده مي شود. آزمايش ها بر روي دادگان تلفني OGI-MLTS انجام شده است. بهترين نتيجه بدست آمده مربوط به روش PPR است كه با دقت 87/91% داده هاي 45 ثانيه اي و با دقت %79/48 داده هاي 10 ثانيه اي زبان فارسي و انگليسي را از هم تشخيص مي دهد. بهترين راندمان بدست آمده براي تشخيص همزمان 10 زبان به كمك روش GMM برابر 59/94% است.

نياز به جداسازي خودكار گفتار از موسيقي در كاربردهايي نظير سيستمهاي بازيابي مستندات صوتي از اهميت زيادي برخوردار است. در گذشته روشهاي متعددي براي جداسازي مورد استفاده قرار گرفته است. در اين مقاله از 11 ويژگي سيگنال صوتي به عنوان ويژگي هاي متمايز كننده و از الگوريتمهاي تكاملي برنامهنويسي ژنتيك و سيستم تشخيص ايمني مصنوعي كه از عملكرد سيستمهاي زيستي موجود در طبيعت الهام گرفته شدهاند، براي توليد مدل جداكننده استفاده شده است. نتايج حاصل نشاندهندي كارايي بالاي دو الگوريتم برنامهنويسي ژنتيك و سيستم تشخيص ايمني مصنوعي براي دسته بندي گفتار از موسيقي است. داده هاي موسيقي و گفتار در شرايط تميز و نيز شرايط نويزي مورد استفاده قرار گرفته و كارائي روشهاي پيشنهادي براي تشخيص گفتار از موسيقي در شرايط نويزي بررسي شده است. همچنين اين مقاله تاثير كاهش حجم داده هاي آموزشي با استفاده از روش چند يسازي برداري و نيز قابليت برنامه نويسي ژنتيك در انتخاب ويژگيهاي مناسبتر را مورد ارزيابي قرار داده است.

هدف از خوشه بندي متون تقسیم بندي مس تندات به یک یا چند خوشه بر اساس محتویات موجود در متن آن است که از ابزارهاي مهم در حوزه پردازش زبان هاي طبیعی به شمار می آید . خوشه بندي متون در ابزارهایی مانند موتورهاي جستجو و سیستم پاسخگویی به سوالات کاربرد هاي فراوانی دارد . روشهاي مختلفی براي خوشه بندي موضوعی متون وجود دارد که استفاده از مدل احتمالاتی بیزین یکی از متداولترین روش ها به شمار می آید. در این مقاله گزارشی از بکارگیري این روش در خوشه بندي متون فارسی ارائه میشود و سپس از ترکیب این روش با ایده نگهداري کلمات هماورد 1 کیفیت الگوریتم بهبود داده میشود. استفاده از این ایده بر روي 200,000 متن خبري از منابع خبرگزاري جمهوري اسلامی ایران (ایرنا ) توانسته است میزان دقت خوشهبندي در زبان فارسی را به 87 % افزایش دهد.

اين مقاله شرحي است بر طرح و معماري يك عامل تجاري براي رقابت TAC SCM. عامل فوق برحسب مديريت توزيع شده در زير بخش ها بنا شده است. هر بخش به طور مستقل به اموري كه به آن سپرده شده است، رسيدگي مي كند. براي اين منظور همگي از موتور استنتاج فازي استفاده مي كند. اين موتور فازي اجازه بيان قانون هاي فازي را به صورت نمادين فراهم مي كند. منابع و اطلاعات براي تمامي بخش ها مشترك بوده و هريك در صورت نياز به نتايج تصميم هاي بخش هاي ديگر دسترسي دارند. استفاده از منطق فازي، امكان نزديك تر شدن روند تصميم سازي عامل را به تصميم گيري انساني ايجاد نموده و امكان اصلاح و تغيير استراتژي عامل را تسهيل مي كند.

در مسابقات روبات امدادگر خود مختار از علائمي مشابه علامتهاي چشم پزشکي براي سنجش قدرت بينايي روبات استفاده ميشود و روبات بايد بتواند محل و جهت اين علائم را مشخص کند. روشهاي متعددي براي اين کار وجود دارد آنچه در اين مقاله پيشنهاد شده استفاده از روشي مبتني بر اسکلت شکل است، در انطباق اشکال استفاده از اسکلت شکل يکي از روشهاي موثر و کارا محسوب ميشود. اسکلت يک شکل گرافي متصل است که خصوصيات توپولوژيکي آن را به خوبي نمايش ميدهد. پس از استخراج اسکلت مربوط به شکل مورد نظر با استفاده از تئوري Shock نقاط اساسي اسکلت شناسايي و گروه بندي ميشوند، سپس بر اساس همين نقاط گراف Shock شکل بدست ميآيد و در نهايت اين گراف به منظور انطباق علائم و تشخيص جهت آنها بکار برده ميشود. نتايج حاصل نشان ميدهد که استفاده از اين روش موجب کاهش اثر نويز و افزايش سرعت تشخيص علائم مي- گردد.

الگوريتم ژنتيك نش تلفيقي از الگوريتم ژنتيك و استراتژي نَش به منظور رسيدن به نقطه تعادل نَش ميباشد. در اي ن تحقي ق با الهام از الگور يتم ژنت ي ك نَ ش و برنامه نو ي سي ژنت ي ك، برنامه نوي سي ژنتيك نَش معرفي و توسعه داده شده اس ت. كاربرد الگوريت م توسعه داده شده در بازار سهام مورد بررسي و كارايي آن در استخراج قواعد خريد و فروش سهام جهت تصميم گيري در مورد خريد و فروش سهام مورد ارزيابي قرار گرفته است . نتايج شبيهسازيه اي صورت گرفته قابليت الگوريتم پيشنهادي را در استخراج قواعد تاييد مي كند.

در این مقاله روشی نوین جهت تشخیص نویسنده دستنوشته فارسی به صورت درون خط با استفاده از روش نسبتا جدید خوشه بندي ابر پارا مغناطیسی ارائه می شود. ما از این روش خوشه بندي، جهت خوشه بندي بدون ناظر و سریع دستنوشته فارسی استفاده کردیم که در مقایسه با روشهاي آزمایش شده قبلی نتایج بهتري بدست آوردیم. همچنین، علیرغم وجود ویژگیهاي متعدد، فقط به تغییر مکانهاي دستنوشته در جهتهاي تعیین شده بسنده کردیم که منجر به افزایش سرعت پیش پردازش و دسته بندي بردارهاي آموزشی شده است. همچنین از یک آستانه مبتنی بر اندازه تغییر مکان در جهتی خاص استفاده کردیم که با حذف نقاط گسستگی در یک کلمه باعث افزایش دقت دسته بندي کننده شده است. ما کارایی این روش را با استفاده از نتایج آزمایشی بر روي دستنوشته هاي فارسی نشان میدهیم.

شبکه عصبی بیزین تک لایه، همانند شبکه عصبی تک لایه پرسپترون داراي محدودیت تفکیک پذیري خطی می باشد. بطور کلی طراحی این نوع دسته بندي کننده مربوط به زمانی است که فرض استقلال ویژگی هاي ورودي از یکدیگر را داریم . در این مقاله مدل اولیه شبکه عصبی بیزین را با بکارگیري دو ساختار متفاوت در لایه پنهان به مدل یک شبکه عصبی بیزین چندلایه توسعه می دهیم بطوریکه این لایه اضافه شده، شبکه را از فرض استقلال میان ویژگی هاي ورودي رها سازد. سپس با انجام شبیه سازي بروي چندین مجموعه داده، کارایی بیشتر این مدل توسعه یافته با هر یک از این دو ساختار را در مقایسه با مدل اولیه ، در دسته بندي داده ها نشان خواهیم داد.

در اين مقاله، روشي جهت استخراج ويژگيهاي پايدار از تصاوير عنبيه بر اساس تبديل ويژگي غير وابسته به مقياس جهت شناسايي هويت ارائه شده است. مزيت اين روش بر روشهاي رايج عدم حساسيت به تغييرات مقياس، حركت و چرخش در تصاوير ميباشد. همچنين نويسندگان، پايگاه داده جديد IRIRIS متشكل از تصاوير عنبيه اخذ شده در زوايا و فواصل متفاوت در شرايط نور محيطي را ايجاد نموده و روش ارائه شده را بر روي تصاوير اين پايگاه داده جهت يافتن اين ويژگيها اعمال و به نتيجه تطبيق بالايي بر اساس اين ويژگيها دست يافتند. در نهايت پارامترهاي مهم تاثير گذار بر الگوريتم استخراج نقاط كليدي مورد بررسي قرار گرفته است.

برنامه نويسي ژنتيك، از جمله الگوريتم هاي تكاملي است كه توانايي زيادي، نسبت به اغلب روش هاي يادگيري ماشين دارا م ي باشد . مشكل اين روش، زمانبر بودن اجراي آن است . در اين مقاله، هدف استفاده از برنامه نويسي ژنتيك و تطبيق آن به منظور تصديق هويت گوينده و بررسي هويت كاربران از طريق صداي آنهاست . ايده هاي متعددي را پيشنهاد نموده ايم تا به كمك آنها بتوانيم ضمن افزايش كارايي روش برنام ه نويسي ژنتيك براي تصديق هويت گويند ه، سرعت آموزش مدلهاي گويندگان را كه معمولا در روش برنام ه نويسي ژنتيك بسيار زمانبر است را افزايش دهيم. براي اين منظور سعي شده است تا با روشهايي چون خوشه بندي به كمك روشهاي چندي سازي برداري و نيز با استفاده از توابع گوسي بدست آمده از روش مدل مخلوط گوسي GMM به جاي بردارهاي ويژگي داده هاي آموزشي ، حجم داده هاي آموزشي را كاهش دهيم و بدين ترتيب بر سرعت ساخت مدلهاي حاصل از برنامه نويسي ژنتيك بيافزائيم. نتايج بدست آمده نشان مي دهند كه استفاده از ميانگين هاي مدل هاي مخلوط گوسي حاصل از داده هاي آموزشي گوينده خودي و گويندگان غيرخودي به جاي استفاده مستقيم از داده هاي آموزشي و بطور مشابه استفاده از ميانگين هاي مدل مخلوط گوسي حاصل از داده هاي آزمايشي، منجر به دقت خوبي در تصديق هويت گويندگان و نيز افزايش سرعتي در حد 20 برابر (از 5 ساعت به 15 دقيقه) در آموزش مدلهاي گويندگان به كمك روش برنامه نويسي ژنتيك مي گردد.

براي جداسازي گفتار از موسيقي روش هاي متفاوتي پيشنهاد شده و مورد استفاده قرار گرفته است. در اين مقاله با پيشنهاد دو ويژگي برگرفته از بعد فراكتالي و استفاده از يك شبكه عصبي فازي و بهبود آن به كمك PSO نشان داده است كه استفاده از اين راهبرد نسبت به راهبرد هاي مشابه، كه معمولا از تعداد ويژگي هاي زيادي براي دسته بندي استفاده مي كنند، نتايج قابل قبولتري دارد. همچنين نشان داده شده است با استفاده از شبكه عصبي فازي مي توان به نتايج بهتري نسبت به استفاده از روش هاي معمول همانند مدل مخلوط گوسي GMM با پيچيدگي يكسان با شبكه عصبي فازي، دست يافت.

تشخيص كلمات كليدي، يك شاخه مهم از بازشناسي اتوماتيك گفتار با شناسايي تعداد محدودي از كلمات كلي دي در يك گفتار است. اين مقاله يك روش جديد محاسبه درجه اطمينان براي پذيرش/رد كلمه كليدي شناسايي شده، ارائه مي كند. در روش پيشنهادي از مدل مخفي ماركوف براي آموزش مدل واحدهاي بازشناسي استفاده مي شود. مدلهاي بازشناسي عبارتند از مدلهاي واجي زبان فارسي و نيز مدلهاي كلما تكليدي. تشخيص كلمات كليدي در دو مرحله انجام مي شود. در مرحله اول يكسري كلم ات كليدي شناسايي مي شوند و در مرحله دوم يك معيار اطمينان براي رد يا قبول هر يك از كلمات كليدي تشخيص داده شده در مرحله قبل ، محاسبه و استفاده مي شود. در مرحله اول از مدلهاي مخفي ماركوف واجي و در مرحله دوم از مدلهاي مخفي ماركوف كلما تكليدي همراه با سطوح آستانه تصميم گيري استفاده مي شود. آزمايش هاي انجام شده براي تشخيص 25 كلمه كليدي فارسي بيانگر كارايي خوب روش پيشنهادي و بيشتر بودن كارايي آن به ميزان 6.5 % نسبت به روشي است كه از معيار اطمينان پيشنهادي استفاده نشود.

در سيستم هاي شناسايي زبان كه از اطلاعات سطح پايين زباني استفاده مي كنند، معمولا از يك پس پردازنده براي جداسازي بهتر زبان ها از هم استفاده مي شود. پس پردازنده هاي رايج از نوع مدل هاي مخلوط گوسي مي باشند كه نياز به دادگان وسيع توسعه اي دارند. از طرفي تصميم گيري روي بردارهاي خروجي هر فريم گفتاري براي شناسايي زبان، دقت را بسيار پايين مي آورد. براي رفع اين مشكل ابتدا توسط كرنل هاي دنباله اي، كل بردارهاي حاصل از يك گفتار را به يك بردار نگاشت مي كنند و سپس توسط ماشين هاي بردار پشتيبان، اين بردارها را از هم جدا مي كنند. ما در اين مقاله كرنل دنباله اي جديدي پيشنهاد كرده ايم كه نسبت به كرنل هاي دنباله اي مشابه كه بهترين راندمان را در كاربرد شناسايي زبان دارند و همچنين پس پردازنده هاي گوسي، راندمان سيستم شناسايي زبان را بالاتر مي برد. ما آزمايش هاي خود را روي دو دادگان 2003& 1996 NIST-LRE و OGI-TS 11و 22 زباني انجام داده ايم. نتايج نشان دهنده افزايش نسبي حدودا 4% راندمان شناسايي زبان با استفاده از كرنل دنباله اي پيشنهادي ما مي باشند.