یکی از مهمترین مسایل مطرح در زمینهء سیستم‏های بازشناخت گفتار تأثیر نویز بر سیگنال گفتار و کاهش دقت بازشناسی است، لذا بازشناخت گفتار مقاوم در برابر نویز یکی از موارد مورد مطالعه محققان می‏باشد. در سالهای اخیر تحقیقات بسیاری در این زمینه به عمل آمده و روش‏های مختلفی ارائه شده است. یک دسته از روش‏های موجود در زمینهء بازشناخت گفتار مقاوم، استخراج ویژگی‏هایی از سیگنال گفتار می‏باشد که نسبت به نویز مقاوم باشند. در این پایان نامه هدف معرفی روش‏هایی جهت مقاوم سازی ویژگی‏های استخراج شده از سیگنال گفتار در برابر نویز جمع شونده می‏باشد. حوزه‏ای که در این پایان نامه از آن برای استخراج ویژگی مقاوم استفاده شده است، حوزهء اتوکرولیشن می‏باشد. برای این منظور در ابتدا بعد از بررسی مهمترین اجزاء تشکیل دهندهء سیستم‏های بازشناخت گفتار و مرور بعضی از کارهای انجام شده در زمینهء استخراج ویژگی مقاوم در حوزهء اتوکرولیشن، روش‏های پیشنهادی معرفی شده‏اند. از روش‏های موجود در حوزهء اتوکرولیشن ras، das، amfcc و pac می‏باشند. در این پایان نامه ایده‏هایی جدید جهت بهبود روش‏های amfcc و pac بر اساس استفاده از مشتق طیف توان و پنجره گذاری مناسب پیشنهاد شده است. نتایج بدست آمده از پیاده سازی روش‏های پیشنهادی بر روی دیتابیس timit بیانگر بهبود در نرخ بازشناخت گفتار پیوسته نسبت به برخی از روش‏های گذشته است.

مکان یابی منبع سیگنال صوت، یکی از مهمترین مسائل مطرح در زمینه های مربوط به پردازش آرایه ای است. الگوریتم های دو مرحله ای به خاطر سرعت انجام و بروزرسانی، از جمله ی رایج ترین روش های پیشنهادی در این زمینه می باشند. در این الگوریتم ها، ابتدا تأخیر بین سیگنال های دریافتی در جفت میکروفون های آرایه محاسبه شده و در مرحله ی بعد با استفاده از این تأخیرها، معادلاتی تشکیل شده و مکان منبع تخمین زده می شود. متداول ترین روش جهت محاسبه ی تأخیر بین سیگنال های دریافتی روش همبستگی متقابل می باشد. این روش به دلیل تأثیرپذیری زیاد از نویز و انعکاسات محیطی به وسیله ی پیش فیلترهایی بهینه می گردد. روش حاصل همبستگی متقابل تعمیم یافته نامیده می شود. یکی از فیلتر هایی که جواب های مناسبی را دربردارد فیلتر طیف فاز می باشد که استفاده از آن منجر به ارائه روش cpsp می گردد. مناسب ترین روش برای حل معادلات حاصل از بکارگیری تأخیرهای محاسبه شده در مرحله ی اول، روش chan می باشد. این روش راه حلی تقریبی بر مبنای تخمین گر ml ارائه داده است. در این تحقیق روش های تعیین مکان منبع سیگنال صوت در فضای سه بعدی و به صورت خاص روش های cpsp برای مرحله ی اول و روش chan برای مرحله ی دوم بررسی گردیده اند. دو روش مذکور یه صورت نرم افزاری و سخت افزاری پیاده سازی شده و ادوات و تجهیزات مورد نیاز آن طراحی شده اند. درنهایت آزمایش هایی جهت سنجش صحت کارهای انجام شده صورت گرفته است. آزمایش های انجام شده برای منابع ثابت و متحرک، آرایه هایی با چیدمان های مختلف، نسبت های سیگنال به نویز متفاوت، فریم هایی با تعداد متفاوت نمونه ها و تعداد میکروفون های متفاوت انجام شده است. نتایج، در جداول و نمودارهای مربوطه نمایش داده شده و با یکدیگر مقایسه شده اند. با توجه به نتایج حاصله، چیدمانی خاص که بهترین نتایج را دربرداشته، پیشنهاد گردیده است. در حالت منبع ثابت نیز، موقعیتی به عنوان موقعیتی مناسب جهت مکان یابی معرفی گردیده است. همچنین اثر تغییر طول قاب های مورد پردازش جهت محاسبه ی تأخیر و اثر افزایش تعداد میکروفون های آرایه مورد بررسی قرار گرفته است. درنهایت نتایج کلی حاصل از انجام آزمایش ها و پیاده سازی الگوریتم ها ذکر شده و روش هایی پیشنهادی جهت انجام آزمایشات آینده ذکر شده اند.

با رشد روز افزون تقاضا برای برقراری ارتباط مطمئن و پرسرعت به منظور انتقال داده های صوتی و تصویری با حجم بالا بین کاربران مختلف و بصورت بی سیم، مطالعات گسترده ای روی سیستمهای ادغام تقسیم فرکانسی متعامد (ofdm) در حال انجام می باشد. در سیستمهای ادغام تقسیم فرکانسی متعامد (ofdm) تحت کانال های محوشونده، تخمین کانال با ارسال سمبول های راهنما با الگوهای متفاوت انجام می پذیرد. تخمین کانال مدل شانه ای با داده های راهنما شامل دو مرحله است. ابتدا، کانال در فرکانس های داده های راهنما با استفاده از روش کمترین مربعات (ls) تخمین زده می شود و سپس درون یابی ضرایب کانال در زیر حامل های داده های راهنما برای به-دست آوردن پاسخ کانال در زیرحامل های داده با استفاده از روشهای مختلف انجام می گیرد. در این پایانامه می-خواهیم روش متفاوتی را در تخمین کانال سیستمهای ofdmمبتنی بر داده های راهنما نشان می دهیم. در این پایان نامه از یک تخمین گر دو بعدی که مبتنی بر ارسال نماد های راهنما است استفاده می شود که هدف از این کار کاهش احتمال خطا در شرایط محوشدگی با ارسال الگوهای مختلف داده های راهنما می باشد و در نهایت هدف اصلی آن تخمین کانال در دو حوزه زمان و فرکانس می-باشد. بنابراین ابتدا پاسخ فرکانسی کانال در تعدادی از زیر حاملها با درون یابی در حوزه زمان تخمین زده می-شود و سپس با استفاده از این تخمین ها و پاسخ فرکانسی کانال در تمام فرکانس ها بدست خواهد آمد. بدین ترتیب با ارسال تعداد داده های راهنمای کمتر تخمین کانال دقیق تری بدست خواهد آمد همچنین مقایسه ای بین این روش با روش درون یابی فیلتر وینر و روش تخمین با داده های متغیر با درون یابی خطی و splin انجام گرفته است که نتایج آن در این پایان نامه آمده است

بهسازی گفتار یا speech enhancement بیانگر گروه بزرگی از روش هاست که با انجام پردازش هایی روی سیگنال های نویزی، نهایتا منجر به بهبود کیفیت و قابلیت فهم گفتار می شود. از مهم ترین روش های بهسازی گفتار، روش های آماری هستند که به لحاظ کارایی بالاتر نسبت به سایر روش ها و ایجاد اعوجاج کمتر در سیگنال نهایی بیشتر مورد توجه می باشد. در این روش یک مدل آماری برای گفتار و نویز فرض می شود و پردازش ها بر مبنای این مدل صورت می گیرد. این مدل آماری برای ضرایب فوریه یا پارامترهای دیگر هر قاب سیگنال گفتار یا نویز فرض می شود. در این پایان نامه، روش آماری جدیدی برای تخمین سیگنال تمیز از روی سیگنال نویزی در حضور نویز جمع شونده و مستقل از سیگنال تمیز، در حوزه فرکانس ارائه شده است. تا کنون از مدل های گوسی، لاپلاس، گاما و مخلوط گوسی ، برای مدل کردن طیف سیگنال گفتار استفاده شده؛ اما در این پایان نامه، توزیع مخلوط لاپلاس برای مدل کردن بخش های حقیقی و موهومی طیف گفتار پیشنهاد شده است. پارامترهای این مدل (میانگین ها، واریانس ها و ضرایب) به صورت برون خطی و با استفاده از الگوریتم em و سیگنال صحبت بدون نویز از پایگاه داده timit محاسبه شده است. سپس رابطه تخمین گرmmse یا کمترین میانگین مربعات خطا، با توجه به توزیع مخلوط لاپلاس به دست آورده شده است. واریانس نویز به صورت درون خطی و با استفاده از روش ردیابی کمینه ها به دست آمده است. در نهایت برای ارزیابی و عملکرد روش پیشنهادی از سه معیار سیگنال به نویز قطعه ای،pesq و log likellihood ratio (llr) استفاده شده؛ و روش پیشنهادی با روشهایی که مدل گوسی و لاپلاس را برای سیگنال تمیز فرض کرده اند، مقایسه شده است. بررسی نتایج بیانگر عملکرد قابل قبول روش پیشنهادی است.

پستهای توزیع برق، وظیفه توزیع انرژی الکتریکی مصرفی مشترکین خانگی، تجاری،صنعتی و... را به عهده دارند. با توجه به تعداد و قدرت مشترکین که از پست برق تغذیه می شوند، قدرت و تعداد خطوط خروجی پست مشخص می گردد. هر پست توزیع برق یک خط ورودی و حد اقل 1 تا 14 خروجی فشار ضعیف می تواند داشته باشد. هر خط شامل 3 فاز و یک نول می باشد. مهمترین پارامترهای (اطلاعات) هر خط شامل: ولتاژ(ولت)، جریان الکتریکی (آمپر)، ضریب قدرت (cos?) و هارمونیکهای شکل موج جریان و ولتاژ می باشد. مهندسین طراح و بهره بردار شبکه های توزیع برق، جهت طراحی و بهره برداری بهینه از شبکه، همواره نیاز دارند که کلیه پارامترهای پستهای توزیع برق را در اختیار داشته باشند. به دو روش دستی و اتوماتیک می توان اطلاعات لازم را جمع آوری کرد. روش دستی زمانبر و دارای خطا و هزینه های اجرائی زیادی است. در روش دوم با نصب سیستمهائی در کلیه پستهای موجود، اطلاعات جمع آوری و به ایستگاه مرکزی ارسال می گردد. در مرکز علاوه بر رویت و ذخیره داده ها جهت مقاصد دیگر، می توان آنها را پردازش و اطلاعات لازم را استخراج نمود. در راستای این هدف، سیستمی طراحی و ساخته شده، که پس از نصب در هر پست قادر است کلیه اطلاعات را خوانده، جمع آوری و نگهداری نماید. اطلاعات ذخیره شده می توانند، تحت نرم افزاری که برای پردازش داده ها تهیه شده است، بصورت منحنی هائی در بازه زمان نشان داده شوند. سیستم ساخته شده دارای 15 خط ورودی جریان و یک خط ورودی ولتاژ می باشد. با پیاده سازی این سیستم بصورت صنعتی در یکی از شرکتهای توزیع برق کشور، می توان مدعی شد که سیستم اتوماسیون و مانیتورینگ فشار ضعیف پستهای توزیع برق را با مشخصات خاص پیاده سازی و اجرا نموده ایم.

چکیده: با پیشرفت روز افزون علم و تکنولوژی نیاز بشر به سیستم های هوشمند در تمامی زمینه ها مشهود می باشد. با توجه به اینکه صدای هر فرد مانند شناسه های دیگری چون اثر انگشت، خصوصیات چهره، عنبیه چشم و ... منحصر به فرد می باشد به همین دلیل از آن در سیستم های هوشمند بازشناسی گوینده استفاده می شود. اما یکی از مهمترین مسائل مطرح شده در زمینه سیستم های بازشناسی گوینده تأثیر نویز بر سیگنال گوینده و کاهش دقت بازشناسی است. لذا بازشناسی مقاوم گوینده در مقابل نویز یکی از موارد مورد مطالعه محققان می باشد که در سالهای اخیر تحقیقات زیادی در این زمینه انجام شده و روشهای مختلفی ارایه شده است. هدف از انجام این تحقیق استفاده از توزیع زمان- فرکانس ویگنر- ویل برای استخراج ویژگی از سیگنال گفتار می باشد. در این تحقیق از ترکیب تابع توزیع ویگنر- ویل و تبدیل هیلبرت و ضرایب mfcc برای استخراج ویژگی استفاده شده است. در این روش از سیگنال گفتار تبدیل هیلبرت گرفته شده و پس از آن، تبدیل ویگنر- ویل گرفته می شود. سیگنال خروجی از تبدیل ویگنر- ویل از فیلتر بانک مل عبور داده می شود و پس از لگاریتم گیری، از آن تبدیل فوریه کسینوسی گرفته می شود. خروجی بدست آمده از این سیستم پیشنهادی بعنوان یک ویژگی استخراج شده از سیگنال گفتار جهت تشخیص گوینده بکار می رود. به کمک این ویژگی ها برای هر گوینده یک مدل مخلوط گوسی(gmm) بدست آورده شده است. نتایج حاصله در این روش با ضرایب mfcc و plp مقایسه شده است که جهت پیاده سازی روش های پیشنهادی از دیتا بیس timit استفاده شده است. نتایج گویای این مطلب است که روش پیشنهادی در سیگنال به نویزهای پایین جواب بهتری را از ضرایب mfcc و plp ارایه می دهد. کلید واژه : بازشناسی گوینده و گفتار، توزیع ویگنر- ویل، استخراج ویژگی

در این پایان نامه یک الگوریتم وفقی مبتنی بر جمعیت اجتماع ذرات (pso) برای حذف اکوی ایجاد شده در خط تلفن ثابت ارائه شده است. الگوریتم پیشنهادی بر روی مدل مسیر اکو معرفی شده اعمال شده است. از این الگوریتم جهت بهینه سازی پارامترهای موجود در مدل مسیر اکو که در این حالت ضرایب یک فیلتر fir است، استفاده کرده ایم. تا بتوان با ایجاد یک فیلتر تطبیقی مناسب به تولید نسخه ی عینی و المثنی اکوی مختلط دست یافت. و نهایتا" با کم کردن آن از اصل اکو مقدار آن را به حداقل رساند. نتایج بدست آمده از این الگوریتم کاهشdb70 مقدار اکو را نشان می دهد. با بکارگیری این الگوریتم به میزان زیادی از پیچیدگی محاسباتی الگوریتم های سنتی موجود کاسته شده و همچنین از به دام افتادن الگوریتم در نقاط بهینه محلی نیز جلوگیری می شود .جهت افزایش سرعت همگرایی الگوریتم تغییراتی در ساختار الگوریتم استاندارد pso ایجاد کرده ایم. به این منظور بعد از تعداد تکرار مشخصی، تابع معیار ذرات بررسی می شود و به آن گروه از ذراتی که رشد قابل ملاحظه ای در تابع معیار آنها رخ نداده است، شانس مجدد برای جستجوی فضای جواب مسئله داده می شود. همچنین در صورتی که بعد از ایجاد همگرایی تغییراتی در مدل مسیر اکو ایجاد شود، الگوریتم پیشنهادی قادر است این تغییرات را با سرعت خوبی دنبال کند و به همگرایی مجدد دست یابد.

هدف از این پژوهش، بررسی عمل بازشناسی قلم به منظور تشخیص قلم از روی تصاویر اسکن شده از سند ها می باشد. بازشناسی قلم یکی از بخشهای مهمِ سامانه ocr است و هدف از بازشناسی قلم تعیین نوع قلم استفاده شده در متن تایپی است. در این پایان نامه با ترکیب ویژگی های مختلف و استفاده از طبقه بند svm سعی داریم نتایج بازشناسی قلم را بهبود ببخشیم. در این پژوهش از روش های فیلتر گابور، تبدیل موجک، فرکتال چندبُعدی وsrf که یک روش مبتنی بر گرادیان می باشد، برای استخراج ویژگی استفاده و با یکدیگر مقایسه می شوند. روش srf ترکیبی از دو نقاب سوبل و روبرتز می باشد و از اطلاعات دامنه و فاز برای استخراج ویژگی استفاده می کند. همچنین در این روش ویژگی ها به خوبی در جهت های مختلف استخراج می شوند. در استخراج ویژگی به روش موجک، از موجک های مادر متفاوتی از جمله db1 و symlet استفاده و با یکدیگر مقایسه شده اند. روش استخراج ویژگی بعدی مبتنی بر فرکتال است، فرکتال یک روش مفید برای تعیین پیچیدگی های تصاویر است و از روش های گوناگونی از جمله شمارنده جعبه ها و گسترش برای محاسبه بعُد فرکتال در این پژوهش استفاده کرده ایم. یکی دیگر از روش های استفاده شده برای استخراج ویژگی فیلتر گابور است که در گذشته به کرات مورد استفاده قرار گرفته است. عیب اصلی فیلتر گابور محاسبات فراوان و زمان بر آن است در صورتی که روش های دیگر، دارای حجم محاسبات به مراتب کمتری بوده و بسیار سریعتر از فیلتر گابور برای استخراج ویژگی از بافت عمل می کنند. پس از اینکه ویژگی ها با استفاده از روش های مختلف استخراج شدند به وسیله طبقه بندهای svm و mlp قلم ها بازشناسی شده و نتایج حاصل از این دو طبقه بند با یکدیگر مقایسه می شوند. در بین ویژگی های مورد بررسی srf و موجک، سرعت خوبی را داشته و نتایج بهتری را هم ارائه می دهند، از طرف دیگر این دو ویژگی تفاوت های زیادی در نحوه استخراج دارند لذا خطاهای ناشی از این دو ویژگی همبستگی کمی خواهند داشت. با توجه به این موضوع ما این دو ویژگی را با یکدیگر ترکیب کردیم که نتایج آن نسبت به هر دو ویژگی بهبود قابل توجهی یافته است. میانگین نرخ بازشناسی برای روش rsw و با استفاده از طبقه بند svm برابر با 95.58% درصد است که 2.14 درصد از روش srf و حدود 11.25درصد از تبدیل موجک بهتر می باشد.

در این تحقیق روشی نو برای تعیین هویت نویسنده بر اساس متن دستنویس فارسی بصورت برون خط و مستقل از متن بر مبنای اختلاط خبره ها ارائه شده است. در روش پیشنهادی از فیلتر های گابور، سوبل و روبرتز برای استخراج ویژگی استفاده شده است. سپس با استفاده از روش تجزیه و تحلیل مولفه های اصلی ، pca، و با کمک الگوریتم نزدیکترین همسایه کاهش ویژگی انجام گرفته است. برای ارزیابی دقت تشخیص به کمک ویژگی های استخراج شده ازسه شبکه عصبیmlp جهت دسته بندی استفاده شده است که خروجی آنها را با هم ترکیب کرده ایم. هر کدام از این شبکه ها برای متفاوت شدن در خطا بر روی یک مجموعه از ویژگی ها آموزش داده شده اند، و سپس در سه آزمایش نخست در این تحقیق به هر کدام از شبکه ها یک وزن داده شده است و در نهایت خروجی شبکه ها با هم ترکیب گردیده است.که در آزمایش اول به نظر هر کدام از طبقه بندهای پایه وزن یکسان داده شده است، در آزمایش دوم وزن ها بر اساس میزان دقت هر طبقه بند تعیین گردیده است، در آزمایش سوم وزنهای هر یک از شبکه ها توسط الگوریتم pso به منظور کمینه شدن خطا در مرحله آموزش تعیین گردیده است و در آزمایش چهارم در این تحقیق به هر کدام از نرونهای خروجی هر کدام از شبکه های عصبی وزن داده شده است که این وزن ها با استفاده از الگوریتم pso همانند آزمایش سوم تعیین گردیده است. جهت آموزش شبکه عصبی از گرادیان نزولی و روش پس انتشار خطا استفاده شده است. نتایج نشان دهنده دقت هویت نویسنده از دستخط فارسی به ترتیب 97.42? ?،97.75?،97.59? و 98.17? می باشد که دقت بالایی در زمینه تعیین هویت نویسنده می-باشد. و همچنین از نظر زمان آموزش شبکه مرکب به ترتیب برای آزمایش اول تا چهارم مقادیر 2450.54 ،2450.54 ،2562.04 و2594.59 ثانیه بعد از کاهش ویژگی حاصل گردیده است که نسبت به زمان به دست آمده قبل از کاهش ویژگی به ترتیب 695.46 ،695.46 ، 683.1 و 654.22 ثانیه زمان آموزش شبکه مرکب کاهش یافته است که زمان قابل توجهی می باشد.

برای بهره بردن از خواص و ویژگی های الگوریتم ها، نیازمند پیاده سازی آن ها در عمل هستیم. در میان الگوریتم های مختلف، الگوریتم های دیجیتال از اهمیت فراوانی برخوردارند. این اهمیت بدلیل برتری های سیستم های دیجیتال نسبت به آنالوگ است. پیاده سازی الگوریتم های دیجیتال در عمل یکی از چالش های مهم فن آوری روز است. در این میان سخت افزارهایی مانند پردازنده های سیگنال دیجیتال ، fpga و ... دارای کاربردهای وسیعی می باشند. در این پایان نامه، بروی یکی از مهمترین ساختارهای فیلتر دیجیتال، با نام فیلترهای دیجیتال موج شبکه ای تمرکز شده است. با استفاده از شبیه سازی در محیط نرم افزار matlab، مقایسه ای بین این کلاس از فیلترها و چند کلاس مهم دیگر از فیلترهای دیجیتال، از لحاظ سرعت و حساسیت انجام شد. یک فیلتر lwd آبشاری دو طبقه با استفاده از زبان اسمبلی پردازنده سیگنال tms320vc5505 پیاده سازی گردید و در محیط نرم افزار code composer studio شبیه سازی شد. سپس با بهره بردن از دستورات پردازش موازی، برنامه ی اسمبلی بهینه سازی شد و سرعت پردازش برنامه اسمبلی در حالت های قبل و بعد از بهینه سازی مقایسه گردید. با استفاده از ماژول ارزیابی tms320vc5505 ، برنامه ی بهینه شده بصورت سخت افزاری پیاده سازی شد و نتایج حاصل از پردازنده سیگنال tms320vc5505 بروی اسیلوسکوپ نمایش داده شد. این پردازنده سیگنال محصول شرکت texas instrument می باشد.

امروزه کاربرد سیستم های شناسایی چهره به منظور تشخیص هویت، کنترل تردد و حفاظت اطلاعات افزایش چشمگیری داشته است. این سیستم ها معمولا نیازمند پایگاه بزرگی از تصاویر چهره هستند. محدودیت حافظه و افزایش سرعت بازیابی از جمله عواملی هستند که ما را به سوی فشرده سازی این تصاویر سوق می دهند. نکته مهمی که در فشرده سازی این تصاویر باید در نظر گرفته شود، حفظ کیفیت ویژگی های مهم چهره در حد مناسب، مخصوصا در نرخ بیت های پایین است. در این پایان نامه طی یک سیر تکاملی سه روش برای فشرده سازی تصاویر چهره مبتنی بر نواحی مطلوب در نرخ بیت های پایین پیشنهاد شده است. تبدیل موجک و کدگذاری wbtc پایه و اساس هر سه روش پیشنهادی را تشکیل می دهند. در روش های پیشنهادی با بازآرایی بلوک های ضرایب موجک بر حسب اهمیت، کارایی الگوریتم کدگذاری wbtc افزایش یافته است؛ چرا که در این حالت زمان و نرخ بیت کمتری صرف یافتن ضرایب مهم می گردد. در روش اول با محاسبه یک تصویر باقیمانده در حوزه موجک و کدگذاری نواحی مطلوب در این تصویر به کمک روش maxshift، کیفیت دیداری این نواحی در نرخ بیت های پایین بهبود یافته است. در روش دوم با استفاده از تبدیل rwt، امکان فشرده سازی مجزای نواحی مطلوب و غیر مطلوب در نرخ بیت دلخواه فراهم شده است. در روش سوم با استفاده تلفیقی از تبدیل rwt و تکنیک کدگذاری تصویر باقیمانده در روش اول، به کارایی بالاتری نسبت به دو روش قبل دست یافته ایم. نتایج شبیه سازی بیانگر کارایی بالاتر روش های پیشنهادی در مقایسه با jpeg2000، spiht و یک روش مبتنی بر ناحیه مطلوب است. این کارایی بالا در ناحیه چهره و مخصوصا در نرخ بیت های پایین تر خود را بهتر نشان می دهد، چرا که با کاهش نرخ بیت کارایی الگوریتم wbtc و تکنیک بازآرایی بلوک های ضرایب موجک افزایش می یابد.

: نیاز روز افزون به تراشه هایی با کارایی بیشتر، افزایش پیچیدگی در طراحی مدارهای مجتمع را به دنبال داشته است. بخشی از مشکلات با کوچکتر شدن تکنولوژی ساخت ترانزیستور برطرف شد ولی کوچک تر شدن تکنولوژی ساخت خود باعث برهم خوردن توازن بین تأخیر سیم وتأخیر گیت می شد. همچنین با افزایش فرکانس کار تراشه توان مصرفی نیز افزایش می یافت. برای غلبه بر این چالش ها طراحان مدار های مجتمع تمرکز بر افزایش کارایی را جایگزین تمرکز بر افزایش سرعت نمودند و این تغییر نگرش باعث شد که دو پردازنده مجزا را در یک تراشه قرار دهند و با یک باس ارتباط بین آن ها را برقرار کنند. نتیجه کار بسیار رضایت بخش بود و بگونه ای که در مدت کوتاهی سیستم های تشکیل شده از چندین بخش مختلف که بر روی یک برد اجرا می شدند نیز به درون یک تراشه انتقال یافتند. این معماری ساخت پردازنده ها به سیستم روی تراشه یا soc معروف شد. اما این پایان کار نبود، سیستم روی تراشه نیز دارای مشکلاتی بود که با گذشت زمان مشخص شد. با افزایش تعداد بخش های مجزا که به واحدهای ip معروف شدند سیستم روی تراشه دیگر پاسخگو نبود. مشکلاتی از قبیل عدم مقیاس پذیری و مصرف توان قابل توجه در باس بار دیگر تلاش جدیدی را در طراحی مدارهای مجتمع برانگیخت، این بار نظرها به سمت معماری شبکه روی تراشه معطوف شد. در معماری شبکه روی تراشه که با ایده گرفتن از شبکه های کامپیوتری مقیاس بزرگ مطرح شده بود لایه هایی را بر اساس استاندارد osi پیشنهاد می شود. این معماری بسیار کارآمد بود و به سرعت جایگزین دیگر معماری ها شد و شبکه های مختلفی با ویژگی ها و توانایی های گوناگون موضوع بسیاری از تحقیقات شد. در این پایان نامه تلاش شده است یکی از شبکه های معرفی شده با معماری شبکه روی تراشه به نام شبکه hermes شبیه سازی شود و برخی از ویژگی های آن ارتقاء یابد. یکی از معایب شبکه hermes این است که با افزایش تعداد ipها در آن کارایی آن کاهش می یابد. از طرف دیگر ممکن است چند ip با یکدیگر تبادل داده و همکاری زیادی داشته باشند اگر آن ها با یکدیگر یک شبکه محلی تشکیل دهند راحت تر و سریع تر می توانند با یکدیگر ارتباط داشته باشند. بنابراین در شبکه طراحی شده به جای یک ip تنها شبکه ای از چهار ip که با یکدیگر تبادل اطلاعات زیادی دارند به کار رفته است که ارتباط بین آن ها با یک باس برقرار شده است. این طراحی باعث شده است ترکیبی از soc و noc داشته باشیم. عبارت " ترکیبی " در عنوان پایان نامه نیز به همین واقعیت اشاره دارد. همچنین بسته ها با فرکانس کار شبکه ارسال می شوند و زمان مسیریابی کاهش یافته است در نتیجه سرعت انتقال بسته ها نیز در مقایسه با کارهای مشابه انجام شده بیشتر شده است. دیگر ویژگی کار انجام شده این است که با طراحی سخت افزار مناسب اثر طول بسته بر میزان تأخیر شبکه از بین رفته است یعنی با افزایش طول بسته میزان تأخیر برای انتقال یک بسته بین دو سوئیچ مشخص ثابت می ماند.

در این پایان نامه، پیاده سازی روشی برای حذف نویز صوتی به روش فعال بر روی پردازنده-های dsp مورد تحقیق و بررسی قرار گرفته است. برای این منظور ابتدا روش های موجود برای حذف نویز به روش فعال بررسی شد. طبق آنچه که در مقالات و تحقیقات مورد بررسی قرار گرفت الگوریتم fxlms بهترین روش برای حذف نویز صوتی به روش فعال معرفی شده است. بنابراین الگوریتم fxlms مورد مطالعه قرار گرفت و سپس برای بهبود این الگوریتم با بررسی مقالات و کتب مرتبط با این الگوریتم تصمیم به استفاده از تبدیل بسته موجک گرفته شد. با اعمال تبدیل بسته موجک به سیگنال ورودی فیلتر شده در الگوریتم fxlms توانستیم مقدار خطای سیستم را نسبت به حالت مستقیم کاهش دهیم. متوسط این کاهش خطا برای ورودی های مختلف برابر 5 دسی بل محاسبه گردید. در ادامه به منظور پیاده سازی ا لگوریتم fxlms مبتنی بر بسته موجک، ابتدا یک سخت افزار مناسب مبتنی بر lm386 جهت دریافت وتقویت سیگنال های نویز صوتی طراحی و ساخته شد سپس جهت پردازش سیگنال های دریافتی یک سخت افزار دیگر مبتنی بر پردازنده tms320c5509a طراحی و ساخته شده است که کاملاً قابل حمل بوده و توسط باتری نیز راه اندازی می شود. نتایج بدست آمده از شبیه سازی نشان می دهد که حذف نویز صوتی به روش فعال با استفاده از الگوریتم بهبود یافته به خوبی صورت می گیرد.

اثر انگشت یکی از مهمترین شاخصهای فیزیولوژیکی است که برای تعیین هویت افراد استفاده می شود. فشرده سازی، برای ذخیره سازی اثر انگشت با حافظه کمتر نقش کلیدی دارد و روشهای فشرده سازی اثر انگشت، برای دستیابی آسان به آن موثر است. یک نوع از تبدیل موجک به راحتی برگشت پذیر می باشد. از این نوع تبدیل موجک در فشرده سازی اثرانگشت استفاده کرده ایم و از آنجا که قابلیت بازشناسی از روی اثر انگشت فشرده شده، برای شناسایی افراد حیاتی است. بدلیل این مطالب پایان نامه ما بر تبدیل موجک و حفظ ویژگیهای بازشناسی بنا نهاده شده است. به منظور بهسازی تصویر کنتراست را در حالتهای مختلف بهبود می دهیم. الگوریتم فشرده سازی ما مبتنی بر روش کدگذاری spiht می باشد. برای بازشناسی از دو روش مختلف استفاده شده است. اولین روش بازشناسی اثر انگشت مبتنی بر استخراج مینیوتیا و دیگری مبتنی برشبکه عصبی می باشد. نتایج شبیه سازی این دو الگوریتم در جدولهایی به صورت نرخ بازشناسی برای نرخهای بیت مختلف، نشان می دهند که روش مبتنی براستخراج مینیوتیا تا نرخ بیت 0.1 بیت برپیکسل درصد بازشناسی حفظ می شود و از نرخ بیت 0.1 به بالا نرخ بازشناسی از روی تصاویر فشرده شده اثر انگشت تفاوت زیادی با تصاویر اصلی ندارند. اما روش مبتنی بر شبکه عصبی با 2 تصویر آموزش تا نرخ بیت 0.5 درصد بازشناسی حفظ می شود. آزمایش فشرده سازی بر روی یک پایگاه داده متشکل از ?? اثر انگشت 256*256 که هر کدام دارای ? تصویر بوده، انجام گرفت.

در این پایان نامه سیستمی برای تشخیص اختلال کم¬توجهی ـ بیش¬فعالی در کودکان ارائه شده است. اختلال کم توجهی ـ بیش فعالی یک اختلال بالینی ناهمگن و یک عارضه چند فاکتوری پیچیده می-باشد. این اختلال در کودکان پسر سه برابر کودکان دختر شایع است. 5 تا 10درصد کودکان در کل دنیا مبتلا به اختلال کم توجهی ـ بیش فعالی می¬باشند. معمولاً کودک توانایی تمرکز بر روی یک موضوع را نداشته، یادگیری در او کند است و کودک از فعالیت بدنی بسیار بالا برخوردار است. این اختلال با فقدان توجه ، فعالیت بیش از حد ، عدم تمرکز یا ترکیبی از این موارد همراه است. تحقیقات علل دقیق این اختلال را تعیین نکرده اند. امروزه فناوری های تصویربرداری از مغز، پیشرفت¬های بسیاری داشته است. بسیاری از مطالعات بر مبنای این فناوری‎ها تفاوت میان مغز کودکان مبتلا به این اختلال و سایر کودکان را اثبات کرده اند. بهترین داروهایی که در حال حاضر استفاده می¬شود همگی جزو مخدرها و محرک¬های قوی هستند و عوارض جانبی بسیار بدی در دراز مدت دارند. اما می¬توان با تشخیص به موقع و زود هنگام دز دارو را تحت کنترل گرفت. در این پایان نامه سه روش جهت تشخیص اختلال کم توجهی ـ بیش فعالی پیشنهاد شده و کارایی این روش¬ها در مقایسه با روش¬های موجود ارزیابی شده است. روش‎های پیشنهادی شامل مراحل پیش‎پردازش، استخراج ویژگی و کلاسه‎بندی است. یکی از چالش¬هایی که در مسائل پزشکی وجود دارد وجود پایگاه داده¬ای استاندارد و با کیفیت بالا می¬باشد. این پایان نامه با تکیه بر یکی از روش¬های ساختاری متداول به نام تصویربرداری تشدید مغناطیسی (mri) که پایگاه داده آن در اختیار می¬باشد صورت گرفته است. در روش پیشنهادی اول، بعد از پیش¬پردازش، با استخراج ویژگی¬های بافت تصاویر، اقدام به کلاسه¬بندی افراد می¬کنیم. استخراج ویژگی¬ها از این تصاویر، در یک بعد صورت می‎پذیرد، دلیل اصلی این امر ایجاد بردار ویژگی بزرگ می¬باشد که از مجموعه تصاویر حاصل شده است. وقتی از تصاویر در یک بعد ویژگی استخراج می¬کنیم اندازه بردار ویژگی بدست آمده تقریبا یک سوم حالتی می¬شود که از وکسل¬ها یا همان تصاویر سه¬بعدی حجمی، بردار ویژگی استخراج می¬کنیم. درصد تشخیص در این روش 70% می-باشد. در روش پیشنهادی دوم و سوم بعد از پیش¬پردازش با جعبه ابزار spm که در پیش¬پردازش تصاویر mri و fmri ابزاری قدرتمند است به سراغ استخراج ویژگی با روش lbp می¬رویم. این الگوریتم ابزار قدرتمندی در روش¬های تشخیص از روی بافت تصاویر مثل تشخیص چهره یا تشخیص رگ انگشت، با پیچیدگی محاسباتی کم و توانایی در استخراج ویژگی¬های مناسب از تصاویر مغزی می¬باشد. تفاوت روش دوم و سوم در انتخاب نوع طبقه¬بند می¬باشد. در روش دوم از کلاسه¬بند ماشین بردار پشتیبان استفاده می¬شود که یک تفکیک کننده قوی می¬باشد. در روش سوم برای کلاس¬بندی از شبکه عصبی استفاده می شود. نتیجه¬ای که روش دوم می¬تواند برای تمییز و تشخیص داده¬های مغزی افراد سالم از ناسالم ارائه کند روی چهار پایگاه داده انجام شده بین 81.4815 تا 88.8889 می¬باشد. بهترین نتیجه¬ای که روش سوم می¬تواند برای تشخیص داده¬های مغزی افراد سالم از ناسالم ارائه کند بین 85.1852 تا 94.1379 می¬باشد.

هدف از این پایان نامه ارئه روشی جدید برای تأیید امضاء بر خط با استفاده از بانک فیلتری طراحی شده برای استخراج ویژگی و استفاده از شبکه عصبی و ماشین بردار پشتیبان برای طبقه بندی است. وظیفه یک سیستم تأیید امضاء، پذیرفتن امضاء اصلی و رد امضاء جعلی می¬باشد. با توجه به اینکه تأیید امضاء برخط از امضاءهایی در ورودی استفاده می کند که توسط صفحه-های حساس به فشار بدست می آیند، این نوع صفحه ها ویژگی های پویای امضاء را بعلاوه شکل آن استخراج می کنند که باعث می¬شوند جعل امضاء مشکل تر شود و در نتیجه، تأیید امضاء بر خط قابل اعتماد تر از تأیید امضاء برون خط می¬باشد. از هر امضاء مختصات x(t)و y(t) آن استخراج می شود، سپس عملیات پیش پردازش از قبیل: هم طول کردن مختصات x(t) و y(t)، نرمالیزه کردن اندازه و مکان قرار گیری روی هر یک از امضاء ها انجام می گیرد. در مرحله یادگیری، با استفاده از بانک فیلتری طراحی شده، که مختص سیگنال های امضاء می باشد، ویژگی های مهم سیگنال امضاء استخراج، بردار ویژگی هر امضاء ایجاد می¬شود. از میان امضاءهای اصلی هر شخص، تعداد 10 امضاء بصورت تصادفی به عنوان مجموعه مرجع و یک امضاء که کمترین فاصله با بقیه دارد به عنوان امضاء الگو انتخاب می شود. سپس برای هر امضاء تست مقادیر ماکزیمم فاصله و مینیمم فاصله تا مجموعه امضاهای مرجع و فاصله تا امضاء الگو مربوطه محاسبه می شود. این سه مقدار نرمالیزه شده و در یک بردار ذخیره می شود. به این سه مقدار یک ویژگی دیگر که زمان انجام هر امضاء است اضافه می کنیم. این بردار را به ورودی طبقه بند مورد استفاده اعمال شده و در مورد اصلی یا جعلی بودن امضاء تست تصمیم گیری می شود. از دو طبقه بند ماشین بردار پشتیبان و شبکه عصبی استفاده کرده و نتایج را با هم مقایسه می کنیم. در انتها، نرخ درستی الگوریتم پیشنهادی برای هر مجموعه امضاء تست ارزیابی می شود. ما در این پایان نامه از دو پایگاه داده svc2004 و یک پایگاه داده ایرانی برای ارزیابی الگوریتم پیشنهادی استفاده می کنیم. نرخ درستی الگوریتم پیشنهادی برای پایگاه داده svc2004 و پایگاه داده ایرانی، به ترتیب، 97% و 97.2% می باشد.