انجمن کامپیوتر ایران

در این مقاله یک فیلتر جدید فازی - عصبی برای حذف نویزهای ضربه‌ای تصویر ارائه شده است. این فیلتر از دو بخش تشکیل شده است. بخش اول به کمک یک معیار تصمیم‌گیری پیکسلهای نویزی را مشخص می‌نماید و در بخش دوم از پیکسل‌های سالم تصویر و به کمک شبکه فازی – عصبی ANFIS که با این پیکسل‌ها آموزش دیده است، پیکسل‌های نویزی تصویر بازسازی می‌شوند. از مزایای این فیلتر حذف نویزهای ضربه ای با چگالی بالا است. این کار با حفظ جزئیات تصویر و لبه ها انجام می‌پذیرد. برای نشان دادن کارآیی فیلتر ارائه شده نتایج بدست آمده از پیاده‌سازی با فیلترهای مشابه مقایسه گردید و به کمک معیارهای عددی، کارآیی بهتر این فیلتر به اثبات رسید.

اتوماتاي يادگير سلولي(CLA ) مدلي براي سيستم‌هايي است كه از اجزاء ساده‌اي به نام سلول تشكيل شده‌اند و رفتار هر جزء بر اساس رفتار همسايگانش و نيز تجربيات گذشته‌اش تعيين و اصلاح مي‌شود. مدلCLA-EC كه اخيرا پيشنهاد شده است يك الگوريتم تكاملي است كه از تركيب CLA و مفاهيم در محاسبات تكاملي (EC) بدست آمده است. نشان داده شده است كه CLA-EC همگام در حل مسائل بهينه‌سازي در مقايسه باCLA و يا الگوريتم‌هاي ژنتيكي از كارايي بالاتري برخوردار مي‌باشد. سرعت همگرايي و يا دقت اين مدل در حل مسائل بهينه‌سازي بستگي زيادي به انتخاب مناسب پارامترهاي اين مدل دارد. انتخاب مقادير نامناسب براي اين پارامترها ممكن است منجر به سرعت همگرايي پايين و يا به دام افتادن در بهينه‌هاي محلي گردد. براي حل اين مشكل در اين مقاله CLA-EC همكارانه پيشنهاد مي‌شود. در CLA-EC همكارانه، چندين CLA-EC كه هركدام داراي مقادير متفاوت براي پارامترهاي خود مي‌باشند درحل مساله همكاري مي‌كنند. از اين طريق ميتوان نه تنها سرعت همگرايي به راه حل بهينه را افزايش داد بلكه از به دام افتادن در بهينه‌هاي محلي جلوگيري نمود. براي نشان دادن برتري مدل CLA-EC همكارانه بر مدل CLA-EC مسائل بهينه‌سازي توابع استاندارد دوجونگ،P-Peaks ، كوله پشتي 1/0 با استفاده از هر دو مدل حل گرديده است.

واحد (Multiplier Accumulator) MAC سریع با استفاده از تسهیم کننده‌های ترانزیستور عبور ارائه شده است. در بخش تولید حاصلضرب‌های جزئی از الگوریتم مبنای چهار بوت تصحیح یا فته بهره برده شده است. در قسمت کاهش حاصلضرب‌های جزئی کمپرسور 2-4 بر اساس تسهیم کننده‌های ترانزیستور عبور معرفی گشته‌ است. به دلیل عملکرد مناسب تسهیم کننده‌ها، تعداد مرحله‌های مسیر بحرانی دروازه ها حداقل شده است و در نتیجه مدارهای جدید دارای سرعت بالاتر نسبت به مدارهایCMOS معمول هستند. جمع کننده پیش بینی کننده رقم نقلی با زنجیره نقلی منچستر پیاده‌سازی شده است. در پیاده‌سازی جمع کننده از منطق DCVS استفاده گردیده است. جمع کننده ارائه شده مشکل هماهنگی تاخیر مدار قبلی را از بین برده است. بدترین حالت در جمع کننده پیش بینی کننده رقم نقلی از نظر توان مصرفی 25٫8 ٪ کاهش داشته است. زمان ضرب ns 4،4 در منبع تغذیهv 2،5 می‌‌باشد. در مجموع واحد ضرب کننده ارائه شده 45*45 بیت در مقایسه با طرح‌های مشابه از نظر توان مصرفی 14٫62 ٪ کاهش، از نظر تاخیر 12٫1 ٪ کاهش و از نظر تعداد ترانزیستور 6٫72 ٪ کاهش داشته است.

مطالعات نشان داده است که بعد فرکتالی از ویژگی‌های مناسب برای توصیف خصوصیات بافت و تمایز آن‌ها از یکدیگر است. در این مقاله الگوریتم جدیدی برای تخمین بعد فرکتالی براساس تقسیم درخت‌های چهارتایی ارائه شده است. در روش پیشنهادی تصویر سطح خاکستری به صورت یک سطح سه بعدی در نظر گرفته می‌شود، که بعد فرکتالی آن با تجزیه سطح تصویر به بلوك‌های درخت چهارتایی حساب می‌گردد. با این روش مقادیر حساب شده بعد فرکتالی برای بافت‌های مختلف از تمایز خوبی برخوردار بوده كه منتج به قطعه‌بندی بافت‌ها با خطایی پایین می‌گردد. این الگوریتم در مقایسه با روش‌های قبلی کارآیی بهتری را در ایجاد تمایز مابین بافت‌ها به ویژه در مواردی که بافت‌های مورد بررسی تباین‌های متفاوتی دارند، فراهم می‌کند.