انجمن کامپیوتر ایران

Noise robustness in speaker recognition has attracted a great deal of interest. This paper describes a novel technique for noise robust Speaker Identification. In this technique, initially, the speech autocorrelation sequence is computed and then, the effect of noise is suppressed using a high pass filter in autocorrelation domain. Finally, the speech feature set is found using the spectral peaks of this filtered autocorrelation sequence. These Features are robust for speech recognition task. In this paper we applied them to speaker identification task and found that this features are more robust than MFCC features. For example in a test of Farsdat speech database, after 10dB corruption of speech signal using babble noise, it was observed that these features decrease the error rate for more than 22%.

در اين مقاله، يك الگوريتم درهم سازي به نام مورد تحليل قرار مي گيرد. ديدگاه اصلي به كار گرفته شده در اين مقاله براي تحليل اين الگوريتم ويژگي مقاومت در برابر تلاقي، اوراکل تصادفي بودن و مقاومت در برابر پيش تصوير دوم تابع درهم ساز مي باشد. اگر بيت باشد، روند معرفي شده در اين مقاله n طول خروجي د رهم سازي براي پيدا كردن تلاقي در اين ساختار داراي پيچيدگی O((2n)3 ) است كه بسيار كمتر از مقدار مورد انتظار از حملة روز تولد يعني است. در اين مقاله نشان داده ميشود ساختار درهم ساز O2n/ 2  پيشنهادي در برابر حملة ژو ١ آسيب پذير است. نشان داده مي شود كه امكان تدارك حمله پيش تصوير با بار محاسباتي كمتر از مقدار مورد انتظار وجود دارد. همچنين نشان داده ميشود كه عملكرد الگوريتم مورد نظر بسيار با عملكرد يك اوراكل تصادفي فاصله دارد. در اين مقاله نشان 2 عمليات رمزنگاري n داده ميشود كه حمله كننده تنها با درخواست انتخابي با استفاده از رمز قطعه اي مورد استفاده در ساختار الگوريتم، قادر به توليد يك لغت نامه مشتمل بر تمامي مقادير درهم سازي با تابع متناظر با آنها خواهد بود.

در این مقاله روش جدیدی برای خوشه بندی کلمات به منظور ساخت مدل زبانی n-gram برای زبان فارسی ارائه شده است که در آن مشکل پیچیدگی روش های خودکار و سرگشتگی بالای روش های دستی به حداقل رسیده است. در این روش هر کلمه با یک بردار ویژگی نمایش داده می شود که این بردار معرف آمار مقوله های نحوی مربوط به آن کلمه است. سپس بردارهای حاصل با استفاده از الگوریتم k-means خوشه بنده می شوند. پیاده سازی و آزمایش های مربوط بر روی پیکره متنی زبان فارسی که شامل حدود 10 میلیون کلمه می باشد، صورت گرفته است. نتایج بیانگر کاهش 34 درصدی در سرگشتگی و کاهش 16 درصدی در نرخ خطای بازشناسی نسبت به روش های دستی مبتنی بر مقوله های نحوی است.

امروزه شبکه های سنسور بی سیم از نوع Ad Hoc به علت قابلیت های زیادی که دارند، به سرعت در حال توسعه هستند. تعیین موقعیت سنسورها در این شبکه ها، یک موضوع مهم است. بیشتر الگوریتم های تعیین محل موجود از روش سه ضلعی یا چند ضلعی، بر اساس محدوده اندازه گیری به دست آمده از تکنیک نشانگر قدرت سیگنال دریافتی (RSSI) و زمان ورودی (TOA) و اختلاف زمان ورودی (TDOA) استفاده می کنند. در این مقاله، با استفاده از شبکه های عصبی احتمالی (PNN) و استفاده از RSSI محل گره ها مشخص می شود. شبکه عصبی به گونه ای طراحی می شود که خروجی آن احتمال تشابه موقعیت گره ها را نشان می دهد. نتایج نشان می دهد با استفاده از خروجی شبکه عصبی، برآورد خوبی از موفعیت گره ها بدست می آید.

بازشناسي گوش موضوع نسبتاَ جديد و قابل اطميناني در حوزه بازشناسي است. همچنين تركيب بيومتريك ها به عنوان روش مفدي براي غلبه بر مشكلات سيستم هاي شناسايي تك بيومتريكي ارائه شده است. از آنجا كه گوش در طرفين چهره قرار دارد، مي توان آن را با تصاوير نيمرخ تركيب كرد. در اين مقاله ابتدا كانتور گوش با استفاده از مدل فعال شكل 1 كه با استفاده از تبديل هاي انتقال، مقياس و چرخش بهبود داده ايم، از تصوير نيمرخ جدا سازي مي شود، سپس با اعمال تحليل تشخيص تمايز خطي 2 ويژگي هاي گوش و نيمرخ استخراج مي شود و در آخر نيز با تركيب وزندار ويژگي ها و استفاده از دسته بندي كننده نزديكترين همسايه بازشناسي انجام مي گيرد. نتايج به دست آمده بر روي 18 سوژه به نرخ بازشناسي 97 % دست يافته است، كه نشانگر موثر و كارا بودن تركيب مشخصات نيمرخ و گوش در بازشناسي افراد از چهره است.

بر اساس رو ش ها ي نوين بازاريا بي، بازاريابان و مديران شرکت ها و فروشگا ه هاي بزرگ، فعالي ت هاي بازاريابي خود را بر روي مشتريان سودآور و وفادار متمرکز کرد ه اند. رقابت ميان فروشگا هها و شرکت ها زياد شده و مشتريان ب ه مهم ترين منابع درآمد شرك ت هاي تجاري و فروشگا ه هاي خرده فروشي تبديل شد ه اند. مديران براي رقابت با ساير شرك ت ها و سرمايه گذاري مطمئن ، بايد سود درازمدت گر و هي مشتريان را پي ش بيني کنن د. يكي از راهکارهاي تخمين سود درازمدت گروهي مشتريان، استفاده از فرآيند تصاد في مارکو ف اس ت. اما هنگامي كه تعداد حال ت هاي فرآيند مذکو ر زياد باشد، مديران بر اساس تعداد زيادي از حال ت ها نم ي توانند تصمي م گيري مناسب و کارآمدي براي سرمايه گذاري بلندمدت انجام دهند. در اين راهکار، با استفاده از روش هاي داده کاوي ١ تعداد حالت ها كاهش پيدا م يکند و سود درازمدت گروه هاي مشتريان با دقت بسيار زيادي پيش بيني م ي شود. براي آزمايش راهکار ارائه شده ، از بانک اطلاعاتي يک فروشگاه خرده فروشي مواد غذايي استفاده شده اس ت. اين بانک اطلاعاتي، توسط شرکت م ايکروسافت ارائه شده است و حاوي اطلاعات کامل مشتريان و فروش دو سالانه فروشگاه هاي مذکور است.

د ر پردازش زبان های طبیعی ، استخراج ریش ۀ واژگان از اهمیت زیادی برخوردار است و یکی از اساسی ترین نیازهای موتورهای جستجو، نرم افزارهای تبدیل متن به گفتار و مترج م های ماشینی م ی باشد . ریشه یاب های طراحی شده برای زبان فار سی، قادر به ریش هیابی واژگان وام گیری شده (عاریتی) نمی باشند. در این مقاله یک ریشه یاب خودکار برای واژگان عاریتی زبان فارسی که ساختار و ریشۀ عربی دارند طراحی گردیده. این ریشه یاب م ی تواند مکمّل خوبی برای ریشه یاب های زبان فارسی باشد . ریشه یاب مذکور مورد آز مایش قرار گرفته و نتایج بسیار خوبی را تولید نموده است.

در این مقاله یک روش سریع و کارا براي خوشهبندي مستندات اکس-ام-ال بر اساس ساختار آنها ارائه میشود. با توجه به رشد و توسعه سریع وب، روشهاي سنتی مدیریت اطلاعات کارساز نبوده و نیاز به سیستمهاي سازگار با بستر جدید احساس میشود. سیستمی که خوشهبندي مستندات اکس-ام-ال در وب را انجام میدهد، یکی از این نمونهها است. در روش پیشنهادي براي هر سند یک شماي فرضی ساخته شده و در طول مراحل الگوریتم به عنوان نماینده آن سند استفاده میشود. به دلیل حجم بسیار کوچک این نمایندهها نسبت به مستندات اصلی، استفاده از آنها سرعت کار را بطور چشمگیري افزایش میدهند. پس از مقایسه این شماها و یافتن میزان تفاوت (فاصله) بین آنها، عملیات خوشهبندي را بروي آنها اعمال میکنیم. علاوه بر سرعت بالا و پیچیدگی محاسباتی کمتر، دیگر ویژگی مثبت این روش قابلیت توسعه و تعمیم آن براي انواع خوشهبنديهاي متفاوت است. نتایج بدست آمده قدرت نسبتا مناسب روش پیشنهادي با توجه به هزینههاي زمانی و محاسباتی آن را نشان میدهد.

انتقال جريانهاي ويديويي در شبکههاي حسگر، چالش ه اي زيادي به همراه دارد. يکي از اين چالشها احتمال زي اد وقوع ازدحام است که به دليل بالا بودن نرخ و خاصيت انفجاري جريانهاي وي ديويي و همچنين محدوديت منابع در شبکههاي حسگر پديد ميآي د. در اي ن مقاله، يک روش کنترل ازدحام جديد براي اين نوع شبکهها معرفي شده است. اين روش هم محدوديتهاي موجود در شبکهه اي حسگر مانند محدوديت انرژي و حجم بافر کم گرهها و هم محدوديتهاي کاربردهاي ويديويي مانند حساسيت به تاخير و تغييرات آن را در نظر گرفته است . روش پيشنهادي از تفاوتهايي که ميان اولوي ت بسته ه اي وي ديويي وجود دارد، براي کنترل ازدحام استفاده ميکند. نت ايج ارزيابي که با شبيه ساز NS2 و ابزار Evalvid انجام شده، نشان ميدهد که استفاده از اين روش علاوه بر بالا بردن کيفيت ويديوي دريافتي، انرژ ي کمتري از گرهها را نيز مصرف ميکند.

اكثر محققين الگوريتم بهينه سازي كلوني مورچه ها بصورت نرم افزاري اين الگوريتم را پياده سازي مي كنند و تحقيقات كمي در زمينه پياده سازي الگوريتم كلوني مورچه ها به صورت سخت افزار انجا م گرفته است . دراين مقاله الگوريتم بهينه سازي كلوني مورچه ها را با تغييراتي به صور تي ارائه مي شود كه بتواند به صورت تراشه اي در تكنولوژي استاندارد CMOS پياده سازي شود . در اين كار ماتريس فرمون بر روي سطح تراشه منتقل مي شود و مورچه ها از بالا به پائين در طول ماتريس فرمون حركت مي كنند . در نهايت بعد از چندين بار حركت مورچه ها درطول ماتريس فرمون به سمت مسيربهينه همگرا مي شوند . نتايج حاصل از شبيه سازي نشان دهنده صحت عملكرد الگوريتم پيشنهادي مي باشد.

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.

در اين مقاله يك الگوريتم مبتني بر گراف براي تركيب سرويس ها ارائه شده است. اگر چه كارهاي متفاوتي در رابطه با تركيب سرويس ها موجود مي باشد اما در اين كارها تاكيد بر جنبه هاي مختلفي از تركيب سرويس ها مانند چگونگي بيان سرويس ها، چگونگي تطبيق ميان سرويس ها، ارائه معماري براي تركيب سرويس ها و... مي باشد. در اين مقاله تاكيد ما بر خود الگوريتم تركيب، درستي آن و توليد همه جواب ها مي باشد. الگوريتم ارائه شده براساس درخواست كاربر به ساخت گراف ارتباطي ميان سرويس ها مي پردازد و با جستجو در گراف سرويس هاي تركيبي مورد انتظار كاربر را پيدا مي كند. گراف ميان سرويس ها مي تواند داراي گره ها و يال هاي فراوان و حلقه هاي متعدد باشد و نگهداري و بروز رساني آن، بدليل تغييرات در سرويس ها، مشكل است. الگوريتم ما گراف ميان سرويس ها را به صورت يك گراف مستقيم بدون حلقه و متناسب با هر درخواست كاربر به گونه اي ايجاد مي كند كه تمامي سرويسهاي تركيبي كه ميتوانند پاسخ كاربر باشند را دارا باشد. پس از ايجاد اين گراف مستقيم بدون حلقه ما با يك الگوريتم مسيريابي بازگشتي و با استفاده از يك پشته سرويس هاي تركيبي را از آن استخراج مي كنيم.

The power of grid technology in aggregating autonomous resources owned by several organizations into a single virtual system has made it popular in compute-intensive and data-intensive applications. Complex and dynamic nature of grid makes failure of users’ jobs fairly probable. Furthermore, traditional methods for job failure recovery have proven costly and thus a need to shift toward proactive and predictive management strategies is necessary in such systems. In this paper, an innovative effort is made to predict the futurity of jobs submitted to a production grid environment (AuverGrid). By analyzing grid workload traces and extracting patterns describing common failure characteristics, the success or failure status of jobs during 6 months of AuverGrid activity was predicted with around 96% accuracy. The quality of services on grid can be improved by integrating the result of this work into management services like scheduling and monitoring.

The discovery of suitable web services for a given task is one of the major operations in SOA architecture, and researches are being done to automate this step. For the large amount of available Web services that can be expected in real-world settings, the computational costs of automated discovery based on semantic matchmaking become important. To make a discovery engine a reliable software component, we must aim at minimizing both the mean and the variance of the duration of the discovery task. For this, we present an extension for discovery engines in SWS environments that exploit structural knowledge and previous discovery results for reducing the search space of consequent discovery operations. Our prototype implementation shows significant improvements when applied to the Stanford SWS Challenge scenario and dataset.

A hybrid feature and decision level information fusion architecture is proposed for human emotion recognition from facial expression and speech prosody. An active buffer stores the most recent information extracted from face and speech. This buffer allows fusion of asynchronous information through keeping track of individual modality updates. The contents of the buffer will be fused at feature level; if their respective update times are close to each other. Based on the classifiers’ reliability, a decision level fusion block combines results of the unimodal speech and face based systems and the feature level fusion based classifier. Experimental results on a database of 12 people show that the proposed fusion architecture performs better than unimodal classification, pure feature level fusion and decision level fusion.

In this paper we propose a new integration method for multi-feature object tracking in a particle filter framework. We divide particles into separate clusters. All particles within a cluster measure a specific feature. The number of particles within a cluster is in proportion to the reliability of associated feature. We do a compensation stage which neutralizes the effect of particles weights mean within a cluster. Compensation stage balances the concentration of particles around local maximal. So, particles are distributed more effectively in the scene. Proposed method provides both effective hypothesis generation and effective evaluation of hypothesis. Experimental results over a set of real-world sequences demonstrate better performance of our method compared to the common methods of feature integration.

This paper introduces a revisited hybrid algorithm for function approximation. In this paper, a simple and fast learning algorithm is proposed, which automates structure and parameter identification simultaneously based on input-target samples. First, without need of clustering, the initial structure of the network with the specified number of rules is established, and then a training process based on the error of other training samples is applied to obtain a more precision model. After the network structure is identified, an optimization learning, based on the criteria error, is performed to optimize the obtained parameter set of the premise parts and the consequent parts. At the end, comprehensive comparisons are made with other approaches to demonstrate that the proposed algorithm is superior in term of compact structure, convergence speed, memory usage and learning efficiency.

This paper estimates and segments the moving objects based on center of mass model to decrease the search window and to provide a new algorithm, which achieves an accurate and rapid tracking. Furthermore, a novel method is proposed to update the template size adaptively by using estimation and segmentation of moving objects. The estimated results of moving target is transformed to wavelet domain and target tracking is performed in that domain. To improve the algorithm center of mass model is performed in wavelet domain. By using kalman predictor and thresholding method, a new approach is presented for object tracking failure and recovery.

Human can determine optimal behaviors which depend on the ability to make planned and adaptive decisions. In this paper, we have proposed a predictive structure based on neuropsychological evidences to model human decision making process by concentrating on the role of frontal brain regions which are responsible for predictive control of human behavior. We have considered a model-based reinforcement learning framework to implement the relations between these brain areas. Finally, we have designed an experimental test to compare the function of model with human behavior in a maze task. Our results reveal that there is more than reward and punishment in human behavior, and considering higher cognitive functions such as prediction will help to have more reliable models which could better describe human behavior.