فصلنامه پردازش علائم و داده ها
سال پنجم شماره 1 (پیاپی 9، بهار و تابستان 1387)

هدف از این تحقیق، طراحی و ارزیابی یک آشکارساز تحریک هدف، بر اساس تشخیص مولفه ی شناختی P300 آن ها بوده است. بدین منظور ابتدا آزمایشی مناسب بر اساس الگوی oddball طراحی شد. مولفه ی شناخی P300 در هنگام مواجه ی افراد با تحریک هدف در سیگنال مغزی آن ها ظاهر می شود. سیگنال های مغزی از 20 نفر مرد سالم در حین انجام آزمایش طراحی شده، ثبت گردید. جهت پردازش، چندین روش بر روی دادگان ثبت شده پیاده سازی و مورد ارزیابی قرار گرفتند تا بهترین آن ها انتخاب شوند. در بلوک اصلی پردازش که به تحلیل هر تک ثبت و تصمیم در رابطه با هدف و غیر هدف بودن آن تحریک می پردازد، طبقه بندی کننده های مورد بررسی، طبقه بندی کننده ی تحلیل تفکیک خطی و درخت تصمیم بودند. پس از استخراج مجموعه ویژگی هایی چون فرکانس بیشینه، فرکانس میانگین، فرکانس میانه، ضرایب تبدیل موجک گسسته و چندین مشخصه ی ریخت شناسی، مجموعه ی بهینه ای از ویژگی ها با استفاده از جستجوی ژنتیک انتخاب شد. دقت نهایی تشخیص تحریک هدف بر اساس روش LOO برابر 95% و نرخ طبقه بندی صحیح تک ثبت های P300 دار و بدون P300 در دادگان آموزش و آزمایش به ترتیب 71% و 70% بوده است. این نتیجه با استفاده از 18 ویژگی انتخابی الگوریتم ژنتیک و طبقه بندی کننده ی تفکیک پذیر خطی به دست آمده است.

در این مقاله با استفاده از پردازش تصویر و سنجش از دور به تعیین میزان محصول برنج در منطقه ای در شمال ایران پرداخته می شود. منطقه ی مورد بررسی در عرض جغرافیایی تا و طول جغرافیایی تا در شمال ایران (استان مازندران) واقع شده است. در این تحقیق از چهار تصویر سنسور LISS-III ماهواره IRS-1D در فصل زراعی1382 استفاده شده است که دو تصویر از فصل برنج کاری و دو تصویر مربوط به فصل غیر برنج کاری می باشد و تصاویر با استفاده از نقاط کنترل زمینی تصحیح هندسی شده اند. برای برآورد تولید برنج، ابتدا مزارع برنج از دیگر مناطق با استفاده از شبکه ی عصبی MLP دوکلاسه تفکیک شده اند. شبکه ی مورد استفاده، یک لایه ی ورودی، دو لایه ی مخفی و یک لایه ی خروجی دارد. از آنالیز مولفه های اصلی (PCA) برای کم کردن بعد نمونه های ورودی به شبکه استفاده شد. شبکه به ازای حالات مختلف (بعد نمونه های ورودی، تعداد نرون های لایه ی مخفی) آموزش داده و شبکه ی بهینه با استفاده از مجموعه ی validation انتخاب شد. شبکه ی بهینه دارای دقت کلی 98 درصد و دارای ضریب کاپا 96/0 روی مجموعه ی test است. همچنین با استفاده از شبکه ی MLP مزارع برنج پرمحصول و کم محصول تفکیک شده اند. شبکه ی MLP ایجاد شده دارای دقت کلی 6/89 درصد و ضریب کاپای 67/0 است. با شبکه ی عصبی RBF مدلی ایجاد شده است تا با داشتن بازتاب مزارع در باندهای مادون قرمزنزدیک و قرمز در دو تصویر از دوره ی رشد برنج، میزان محصول مزارع تخمین زده شود. میانگین خطای نسبی مدل برای برنج پرمحصول 52/11 درصد با انحراف معیار 183/7 می باشد و دارای ضریب تخمین 31/0 است و برای برنج کم محصول میانگین خطای نسبی 9/9 درصد با انحراف معیار 2/9 و ضریب تخمین 2/0 می باشد. درنهایت با استفاده از مدل سه گانه ی بالا، میزان تولید هر یک از گونه های برنج در منطقه ی مورد مطالعه تعیین گردید که میزان تولید برنج پرمحصول 256061 تن و میزان تولید برنج کم محصول 85177 تن برآورد گردید.

ساختار وندی زبان فارسی کلمات بسیار پیچیده با ویژگی های متنوعی تولید می کند که طراحی یک واژگان کامل برای آن بسیار مشکل می باشد. اما با توجه به منظم بودن نسبی این ساختار، این مشکل به کمک تحلیل تکواژ شناختی قابل رفع می باشد. در زبان فارسی، واج های همسایه عموما تاثیرات زیادی بر یکدیگر ایجاد نمی کنند و هم چنین از طرف دیگر، واج های متعدد می توانند بارها بر یک تکواژ اثر گذاشته و طبقه ی نحوی آن را عوض کنند. به همین دلیل گرامر پیوندی می تواند به عنوان یک صورت بندی2 قوی برای بازنمایی این خواص به کار رود و انتقال دانش را از روش های سنتی به محاسباتی با هزینه ی کمی امکان پذیر نماید. ما با معرفی سیستمی که قادر به تجزیه ی کلمه به همه ی واج های تشکیل دهنده ی آن در زبان فارسی و انعکاس ویژگی های کلمه ی مورد نظر می باشد، تکواژشناسی زبان فارسی را به طور مفصل و ازدیدگاه محاسباتی بررسی می کنیم. در این سیستم برخلاف سیستم های موجود، همه واج های صرفی و اشتقاقی مورد پوشش قرار داده می شود که به کمک روش های معمولی، چون انتقال دهنده های با حالت محدود (FST) امکان پذیر نمی باشد. با توجه به اینکه گرامرهای پیوندی فاقد ویژگی هستند و ویژگی، خاصیت لازم هرتحلیل گر تکواژشناختی است، در این تحقیق روشی برای بازنمایی و استخراج ویژگی ها در این صورت بندی ارائه می شود. در این مطالعه بر خلاف تحقیق های مشابه، همه ی دانش سیستم ارائه شده است تا بتواند در تحقیقات مشابه دیگری نیز مورد استفاده قرار گیرد.

پس از معرفی رایندال به عنوان الگوریتم رمز استاندارد در اکتبر سال 2000 میلادی توسط NIST، استفاده از آن به طور گسترده در کاربردهای مختلف سخت افزاری و نرم افزاری مورد توجه قرار گرفت. در این مقاله دو پیشنهاد بر مبنای مدل ضربه ای برای پیاده سازی الگوریتم رایندال برروی FPGA ارائه خواهد شد، که از نظر حجم سخت افزار مصرفی و نرخ گذردهی کارآمد است. در روش اول یک واحد سخت افزاری مبتنی بر مدل ضربه ای طراحی شده که دورهای مختلف الگوریتم رایندال در آن با استفاده از مکانیزم فیدبک پیاده سازی می شود و از این رمزکننده می توان در سرعت های متوسط استفاده نمود. این رمزکننده قادر است دو قطعه را به طور همزمان دریافت نموده تا عملیات رمزگذاری بر روی آن ها به موازات یکدیگر و با استفاده اشتراکی از منابع انجام گیرد. روش دوم برای کاربردهای پر سرعت طراحی شده است که در آن توامان از مدل ضربه ای و معماری خط لوله استفاده شده است. نتایج سنتز رمزکننده های پیشنهادی گویای صحت عملکرد و کارآیی مناسب روش ها می باشد و حداکثر نرخ گذردهی 38.272 Gbps را برآورده می سازد.

اهل زبان در مواجه با مفاهیم جدید قادر به خلق واژه هایی هستند تا آن مفاهیم را بیان کنند و این مهم را با اتکا به توانش زبانی خود انجام می دهند. معمولا واژه هایی که ناخودآگاه ساخته می شوند، دارای ساخت ساده تر می باشند و به همین دلیل ارتباط نزدیکی بین ساخت های ساده و بی نشان و بسامد بالای آن ها به چشم می خورد. این تحقیق با تحلیل آماری واژه های موجود زبان فارسی درصدد معرفی پیوستار نشان داری در ساخت واجی واژه هاست و نشان می دهد واژه هایی که به صورت آگاهانه ساخته می شوند، اگر در قالب ساخت های بی نشان باشند، از سوی اهل زبان پذیرفته می شوند و نیز این صورت واژه سازی آگاهانه حداقل با توجه با اطلاعات آوایی، عملی بی نتیجه خواهد بود.

مطالعات نشان می دهند که استرس روانی گوینده در نحوه ی تولید گفتار او اثر می گذارد. آشکارسازی وجود استرس در گفتار دارای کاربردهای متعدد می باشد. در کارهای اخیر، ویژگی های صوتی مختلف، به صورت جداگانه، توسط طبقه بندی کننده ی HMM مورد ارزیابی قرار گرفته اند و از میان آن ها، ویژگی غیرخطی TEO-CB-Auto-Envکارآمدترین پارامتر بوده است. در این مقاله، یک ویژگی جدید که آن را (TEO-Pch-LFPC) می نامیم، پیشنهاد شده است. دادگان گفتار استرسی (حالات خنثی، عصبانی، بلند و لمبارد) از پایگاه داده ی SUSAS برداشته شده و نقطه ی قوت کار حاضر این است که در آن، از طبقه بند های ساده تری نسبت به HMM استفاده شده است، یعنی طبقه بندهای استاتیک (KNN، LDA و SVM)، و روش ارزیابی نیز RRM می باشد. با استفاده از ویژگی TEO-Pch-LFPC و طبقه بند SVM، در تفکیک دو حالته، درصد صحت 93.78% و در طبقه بندی چندحالته 70.22% می باشد.