در روش پیشنهاد شده در این پروژه ابتدا تابعی به نام group delay function که به جای استفاده از اندازه تبدیل فوریه از زاویه آن استفاده می کند را برای آنالیز سیگنال صوتی پیشنهاد داده و سپس برتری های آن را نسبت به آنالیز های دیگر شرح می دهیم. در ضمن روشی را برای استخراج اطلاعات از یک سیگنال آنالیز شده ارائه می کنیم که مبتنی بر استخراج شباهت یک فریم از سیگنال با فریم های دیگر سیگنال بوده و به جای استخراج مشخصات از فریم های منفرد از یک فریم به همراه فریم های بعدی برای استخراج مشخصات استفاده می کند،البته گفته خواهد شد که این روش را می توان بر روی هر گونه آنالیزی پیاده کرد و در عمل برای کاهش ابعاد هر فریم برای اعمال به شبکه عصبی استفاده می شود.

کلاسیفایر svm، کلاسیفایری دو کلاسه بوده که به دلیل کارایی که از خود در زمینه های گوناگون نشان داده است امروزه بسیار مورد مطالعه قرار گرفته است. یکی از بزرگترین دغدغه های استفاده از svm زیاد بودن زمان آموزش در حالت دوگان است. برای کاهش این زمان رویکردهای مختلفی وجود دارد. در کاری که هم اکنون پیش رو دارید با استفاده از الگوریتم pso برای حل این معضل تلاش شده است. تعداد پارامترهای آزاد مسئله دوگان و نیز فرم کلی آن، بر سرعت و دقت همگرایی الگوریتم pso تاثیر می گذارد. در کار پیشرو، با توجه به تعبیر هندسی svm این مسئله بهینه سازی تبدیل به مسئله ای دیگر با یک نقطه بهینه کلی شده (که ما این ویژگی را خوش ساختار بودن مسئله نامیدیم) سپس با استفاده از الگوریتم بهینه سازی pso، مسئله حل شده است. نتایج شبیه سازی نشان دهنده سرعت بیشتر این شیوه در کنار داشتن دقتی قابل قبول است.

ساختار پیچیده بافت های مختلف مغز و مشکلات متنوعی که در فرآیند تصویر برداری ام آر آی وجود دارد، قطعه بندی تصاویر مزبور را با مشکل عدم قطعیت روبرو نموده است. بخشی از عدم قطعیت، به دقت تصویر برداری و برخی دیگر به تفسیر آن، شامل مراحل مختلف پردازش، ارتباط دارد. رویکردهای مختلفی برای مدیریت و مدل سازی عدم قطعیت اخیر (تفسیری) وجود دارد که از آن جمله می توان به نظریه فازی و نظریه شواهد (دمستر-شفر ds) اشاره نمود. از ویژگی های مهم نظریه شواهد توانایی بالقوه آن در کاهش این عدم قطعیت با ترکیب ساختارهای اعتقادی با یکدیگر است. در این رساله، مدلی برای احراز شرایط تضمین کاهش عدم قطعیت و به تبع آن، کاهش خطای قطعه بندی در ترکیب ساختارهای اعتقادی با نظریه شواهد ارائه شده است. علاوه بر این، سه ساختار اعتقادی با نام های fcmds، fcmmds و fdsis برای قطعه بندی ام آر آی مغز پیشنهاد شده است. fcmds و fcmmds حاصل ترکیب خوشه بندی فازی (fcm) و نظریه شواهد و fdsis مبتنی بر ترکیب سیستم استنتاج فازی (fis) و نظریه شواهد است. برای بررسی تاثیر انتخاب محدوده پارامترهای طراحی در روش های پیشنهادی، با استفاده از مدل ذکر شده، شبیه سازی های متنوعی صورت گرفته است. نتایج کمّی (معیارهای شباهت دایس و تانیموتو) و کیفی اعمال روش های پیشنهادی بر روی داده های استاندارد شبیه سازی شده و تصاویر واقعی ام آر آی حاکی از برتری محسوس روش های پیشنهادی نسبت به الگوریتم های معروف دیگر است. بهترین میانگین پاسخ بر روی داده های شبیه سازی شده سه بعدی در روش های قبلی، حدود 88% (با واریاس 005/0) بوده است، در حالی که روش های پیشنهادی موفق به بهبود عملکرد تا 93% (با واریانس صفر) شدند. در مورد داده های واقعی میانگین نتیجه روش های پیشنهادی نسبت به یکی از جدیدترین روش های ارائه شده (2011 - cswtsom) افزایش هفت درصدی را نشان می دهد.

در دهه های گذشته تحقیقات گسترده ای برای بهبود فهم گفتار نویزی انجام شده است. این تحقیقات می تواند به 2 گروه تقسیم شود :روش های کاهش نویز و بهبود گفتار یا مقاوم سازی گفتار. گروه اول شامل تکنیک هایی است که نویز ترکیب شده با گفتار را با کمترین تاثیر روی فهم گفتار کاهش می دهد. این روش ها در شرایطی که ماهیت نویز نامعلوم باشد به خوبی کار نمی کنند. این گروه از روش های بهسازی سیگنال گفتار، روش کاهش نویز یا حذف نویز نامیده می شوند. در گروه دوم از روش های بهسازی گفتار، با فرض در دسترس بودن سیگنال تمیز، بگونه ای عمل می شود که قابلیت فهم گفتار تمیز قبل از تضعیف سیگنال در اثر نویز افزایش داده شود. در این روش ها ابتدا مولفه های گذرا در سیگنال گفتار را مشخص نموده و سپس با تقویت آن ها و ترکیب مجدد با سیگنال اصلی، سیگنال بهسازی شده حاصل می شود. از جمله کاربردهای این روش در ارتباطات رادیویی را می توان، ارتباط های بی سیم یا گفتگوهای برج مراقبت فرودگاه که فهم گفتار دریافتی بسیار مهم تر از کیفیت گفتار است اشاره کرد.تمرکز این پایانامه بر روی روش دوم یا بهبود گفتار است. در این رساله روش های افزایش قابلیت فهم گفتار بررسی گردیده و سپس با استفاده از تبدیل بسته موجک روش جدیدی ارائه می شود. روش های موجود، قابلیت فهم گفتار را نسبت به سیگنال اصلی در سیگنال به نویزهای مختلف افزایش دادند ولی عمده معایب آن، قابل اجرا نبودن در زمان های کم یا بلادرنگ نبودن الگوریتم ها است که هر کدام از این روش ها دارای پیچیدگی های محاسباتی خاص خود هستند. به همین منظور باید روشی پیشنهاد می شد که علاوه بر افزایش فهم گفتار، بتواند سیگنال گفتار را در زمان کم پردازش کند. روش پیشنهادی بر اساس تبدیل بسته موجک و به دو بخش تقسیم می شود. در بخش اول برای کاهش پردازش، پاکت های تبدیل موجک با استفاده از الگوریتم k-means و واریانس انرژی آن ها به سه کلاس تقسیم می شوند و در بخش دوم با استفاده از انرژی غیرخطی و آستانه تطبیقی، مولفه گذرای هرکلاس بدست می آید . با تقویت مولفه های گذرا و باز ترکیب آن با سیگنال اصلی، قابلیت فهم سیگنال گفتار افزایش می یابد. قابلیت فهم سیگنال اصلی و بهسازی شده توسط 20 فرد شنونده مورد ارزیابی قرار گرفته است. نتایج آزمون ارزیابی نشان می دهد که قابلیت فهم گفتار بهسازی شده بطور چشمگیری نسبت به سیگنال اصلی افزایش یافته است. ( بیشترین بهبود در سیگنال به نویزdb 20- با 22درصد افزایش و کمترین در سیگنال به نویز db0 با 11 درصد افزایش). از مزایای روش پیشنهادی کاهش زمان پردازش است که نسبت به روش های پیشین در زمان کمتری پردازش انجام می شود.

سامانه نگارش مجازی با استفاده از تنفس برای فراهم کردن امکان ارتباط با رایانه برای ناتوانان حرکتی طراحی و ساخته شده است. این ابزار با تشخیص فشار ناشی از دَم و بازدم کاربر بوسیله یک بُرد الکتریکی و تبدیل آن به مقادیر قابل تعبیر برای رایانه امکان انتخاب یک مختصات مکانی از روی یک رابط گرافیکی در صفحه نمایش رایانه را فراهم می کند. رابط گرافیکی یک صفحه کلید مجازی است که به کاربر کمک می کند تا حروف مورد نظر خود را انتخاب و نگارش کند. سامانه طراحی شده وابسته به محیط اجرای آن نیست و در هر نوع سیستم عامل قابل استفاده است. یک گروه متشکل از 20 کاربر سالم از سامانه نگارش مجازی با استفاده از تنفس به صورت آزمایشی استفاده کردند، این افراد خیلی سریع نحوه استفاده از این ابزار را یاد گرفتند و در طی سه مرحله آزمایش جملات مشخص شده ای را به وسیله فشار تنفس خود توانستند نگارش کنند. مدت زمان نگارش و تعداد اشتباهات رخ داده در طی نگارش نشان دهنده این است که کاربران توانستند با دقت 98.4 درصد از این ابزار استفاده کنند. متوسط زمان نگارش در کل آزمایش نشان می دهد که کاربران در نهایت به سرعت نگارش 8.19 حرف در دقیقه دست یافته اند. نتایج به دست آمده پیاده سازی موفق ایده نگارش با استفاده از تنفس را نشان می دهد. بهبود نتایج به دست آمده در مرحله سوم آزمایش، نسبت به مرحله اول، تعامل خوب این ابزار با کاربر را نشان می دهد.

با رشد روز افزون علوم کامپیوتر، بررسی خودکار بیماری ها و پرهیز از اشتباهات انسانی در صنایع مختلف پزشکی، از اهمیت ویژه ای برخوردار شده است. در این راستا برای دستیابی به سیستم های پیشرفته تشخیص خودکار، پردازش سیگنال، به ابزاری کارآمد تبدیل شده است. از جمله سیگنال های مهم می توان سیگنال ecg را نام برد که فعالیت قلب را بر حسب زمان ثبت می کند. یکی از مشکلات اساسی سیگنال های ecg، آغشته به نویز بودن آن است که این موضوع سبب ایجاد اختلال در پردازش سیگنال و از دست رفتن بسیاری از ویژگی های مهم آن می شود. با وجود تلاش روز افزون در زمینه ثبت سیگنال تمیز و بدون اعوجاج، کماکان وجود نویز مخرب سفید گوسی در بحث انتقال و پردازش سیگنال های ecg اجتناب ناپذیر است. به همین منظور در این تحقیق به معرفی سیستمی می پردازیم که دارای حداکثر مقاومت در برابر نویز سفید گوسی باشد. برای ارزیابی سیستم معرفی شده، شباهت نتایج حاصل از طبقه بندی سیگنال های ecg تمیز و نویزی، مقایسه می شوند. روش پیشنهادی بر پایه حذف نویز وفقی با استفاده از نسخه های جدید اصلاح شده آستانه سراسری و وابسته به سطوح تجزیه در حوزه تبدیل موجک معرفی شده است. استخراج، انتخاب و کاهش ویژگی ها در فضاهای زمانی، زمانی-فرکانسی و ریخت شناسی می باشد، که توسط ترکیب خروجی سه طبقه بند پرکاربرد knn، svm و شبکه عصبیrbf به روش رأی گیری وزن دار، به سرعت و دقت مطلوب رسیده است. روش پیشنهادی با روش های قبلی در پایگاه داده mit-bih مقایسه شده است که نتایج حاصل بیانگر برتری روش پیشنهادی، از نظر مقاوم بودن در برابر نویز سفید گوسی است.