فهرست مطالب سودابه افشار

انتخاب همه

پردازش کوانتومی تصاویر پزشکی و تشخیص لبه آن با استفاده از الگوریتم QHED

نیره مجد، سودابه افشار، فاطمه حجازی سنجانی

نشریه فناوریهای نوین در مهندسی برق و کامپیوتر، سال سوم شماره 3 (پاییز 1402)، صص 66 -76

تصویربرداری پزشکی به دلیل پیشرفت سریع و مداوم در تجسم تصویر پزشکی ، پیشرفت در رویکردهای تجزیه و تحلیل و تشخیص با استفاده از پردازش تصویر، یکی از مهم ترین حوزه های تصویربرداری علمی در نظر گرفته می شود. در این مقاله، پردازش تصاویر پزشکی بر اساس محاسبات کوانتومی مورد بررسی قرار می گیرد. علت برجسته بودن پردازش تصویر کوانتومی به حافظه کمتر و سرعت بیشتر انجام محاسبات نسبت به مول کلاسیکی خود بر می گردد. همچنین از جمله مباحث مهم در پردازش تصاویر پزشکی، تشخیص لبه تصاویر می باشد که با استفاده از آن می توان تصاویر پزشکی در زمینه های مختلف را مورد بررسی دقیق تر قرار داد. ما در این مقاله با استفاده از الگوریتم پردازش تصویر کوانتومی QPIE 9 یک تصویر پزشکی 256 × 256 پیکسلی را به 64 قسمت کوچکتر 16×16 تقسیم کرده و در کیوسکیت اجرا می کنیم و بعداز فشرده سازی به منظور افزایش سرعت محاسبه لبه آن را مشخص می کنیم. بنابراین ، این مقاله روش و کاربرد پیشرفته در تصاویر پزشکی بر اساس محاسبات کوانتومی ارائه می دهد.

کلید واژگان: محاسبات کوانتومی, پردازش تصویر, پیاده سازی تصویر در کیوسکیت, تشخیص لبه تصاویر پزشکی}

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی
ارائه یک روش موثر برای به دست آوردن امضای آکوستیک

سودابه افشار، سید جواد کاظمی تبار*، عطاالله ابراهیم زاده

مجله علوم و فناوری های پدافند نوین، سال چهاردهم شماره 1 (پیاپی 51، بهار 1402)، صص 23 -37

تشخیص و طبقه بندی شناورهای دریایی از سیگنال های ساطع شده از آن ها، یک وظیفه ی مهم و با کاربردهای نظامی حیاتی، به ویژه در شرایط بحرانی و جنگ است. از زمان های قدیم تا به امروز، این وظیفه ، به صورت سنتی توسط افسرهای سونار به کمک سیگنال های آکوستیکی دریافت شده توسط هیدروفون های سونار انجام می شد. امروزه، ارایه راهکارهایی که این وظیفه را به صورت خودکار و با کمترین دخالت انسان انجام دهند، یک ضرورت اجتناب ناپذیر است. در این پژوهش، با استفاده از روش های مختلف پیش پردازش و آماده سازی داده، ابعاد مجموعه داده تحت سناریوهای خاص گسترش داده می شود. با پردازش سیگنال، ویژگی های مختلفی را از مجموعه داده ای مربوط به سناریوهای مختلف استخراج می شود و توسط دانش یادگیری ماشین، الگوریتم های طبقه بندی متنوعی را به کار می رود. درنهایت، با محاسبه معیارهای ارزیابی مختلف، عملکرد سناریوهای مختلف بررسی و تحلیل می شود. نتایج این تحقیق، موفقیت آمیز بودن روش استخراج ویژگی ضرایب کپسترال فرکانسی مل (MFCC) را در هنگام به کارگیری الگوریتم های طبقه بندی مختلف، ازجمله شبکه عصبی مصنوعی (ANN) و همچنین شکست روش شبکه عصبی پیچشی (CNN) را در هنگام آموزش توسط مجموعه داده های کوچک نشان می دهد. با مقایسه نتایج شبیه سازی معلوم شد با توجه به محدود بودن مجموعه داده مورد استفاده، روش ANN بهترین کارایی را داشته است.

کلید واژگان: طبقه بندی شناورهای دریایی, هیدروفون های سونار, امضای آکوستیکی, گسترش داده ها, ضرایب کپسترال فرکانسی مل, شبکه عصبی مصنوعی, شبکه عصبی کانولوشنی}

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

An Effective Acoustic Signature Extraction For Sea Ships

Soudabeh Afshar, Javad Kazemitabar *, Ata Ebrahimzadeh

Journal of Passive Defence Science and Technology, Volume:14 Issue: 1, 2023, PP 23 -37

Identifying and classifying marine vehicles is of great significance in military applications. Traditionally, this task was performed by sonar officers based on acoustic signals received by sonar hydrophones. Nowadays, developing systems that perform this task automatically and with minimal human intervention is inevitable. In this study, using different augmentation methods, the size of this dataset is expanded under different scenarios. With the help of signal processing and machine learning knowledge, different features are extracted and next these features are classified using different classification algorithms. Finally, the performance of different scenarios is evaluated by calculating different measures. Results of this study show the success of the Mel-Frequency Cepsteral Coeffiecent (MFCC) feature extraction method when using various classification algorithms, including Artificial Neural Network (ANN) and also the failure of Convolutional Neural Network (CNN) when training with small datasets. The overall comparison reveals that due to the small number of samples in the dataset ANN performs the best.

Keywords: Marine Vehicle Classification, Sonar Hydrophone, Acoustic Signature, Data Augmentation, Mel-Frequency Cepsteral Coefficients, artificial neural network, Convolutional Neural Network}

Abstract View Paper Research/Original Article Original: Persian

بدانید!

در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

فهرست مطالب سودابه افشار