انجمن کامپیوتر ایران

مسأله تست مدارهای دیجیتال و آزمایش صحت کارکرد آنها خصوصا در مدارهای مجتمع با اندازه بسیار وسیع (VLSI) از اهمیت بسیاری برخوردار است. در این مقاله طول تست مربوط به نمونه‌های ضد تصادفی برای N بار تشخیص اشکالات موجود در مدارهای VLSI تحلیل گردیده و با کمک تکنولوژی خود آزمایشی داخلی(BIST) مورد ارزیابی و اندازه‌گیری قرار‌گرفته است. سپس این شیوه تست روی مدار سنجش ISCAS85 C432 شبیه‌سازی شده و نتایج آن با محاسبات انجام گرفته مقایسه شده است.

تبدیل حوضچه یک ابزار شناخته شده برای ناحیه‌بندی تصویر است. این تبدیل در ناحیه بندی تصاویری که شامل بافت نباشند کارایی نسبتاً خوبی دارد. اما در ناحیه‌بندی تصاویر منظره که اغلب شامل مقداری بافت نیز هستند کارایی خوبی ندارد و منجر به تولید نواحی اضافی می‌شود. در این مقاله روشی برای ناحیه بندی تصاویر منظره با استفاده از تبدیل حوضچه پیشنهاد شده است. در این روش تبدیل حوضچه روی تصویری اعمال می شود که از روی تصویر اصلی بدست آمده و درآن مرز اشیاء نسبت به تصویر اصلی برجسته شده‌اند. به منظور برحسته‌سازی مرز اشیاء، مقادیر گرادیان شدت روشنایی تصویر در سه مقیاس مختلف بدست آمده و بعد از اعمال آستانه جمع وزن‌دار آنها محاسبه شده است. برای محاسبه‌ی مقادیر گرادیان شدت روشنایی یک مدل فرضی از کورتکس اولیه‌ی بینایی ارائه شده است. نتایج پیاده‌سازی نشان دهنده‌ی کارایی موثر روش پیشنهادی در ناحیه‌بندی تصاویر منظره است.

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.