در این پایان نامه روشی برای تطبیق مدل زبانی ارائه شده است. این روش، برمبنای ترکیب الگوریتم کاهش بعد locally linear embedding و مدل زبانی n-gram عمل میکند. الگوریتم locally linear embedding در کاهش ابعاد ساختار داده اصلی را حفظ مینماید. لذا انتظار داریم ساختار کلی ماتریس سند-کلمه در این کاهش بعد دچار خدشه زیاد نگردد. الگوریتم ارائه شده، با استفاده از زبان c++ و بهره گیری از توابع موجود در ابزارهای mlpack، armadillo و irstlm پیاده‏سازی گردید. نتایج پیاده‏سازی بهبود حدود 40 درصدی نسبت به n-gram متعارف را نشان میدهد.

در این مطالعه برای اولین بار روشی برای تعیین کیفیت پوست بره‏های یک روزه با استفاده از روش های مبتنی بر هوش مصنوعی ارائه شد و سپس با استفاده از شبیه سازی رایانه ای تاثیر استفاده از رکوردهای حاصل از هوش مصنوعی در مقایسه با روش ارزیابی انسانی بررسی شد. داده مورد استفاده از پوست های کلکسیون و از بره های متولد شده در مرکز پرورش گوسفند زندی واقع در شمال شرق تهران(خجیر) بدست آمد. ابتدا کیفیت پوست های کلکسیون و همچنین امتیاز صفات مختلف پوست برای 300 راس بره نوزاد بوسیله ارزیابان خبره و در قالب اعداد گسسته ثبت شد. به طور همزمان و با استفاده از دوربین دیجیتال، عکس‏های متعددی از پوست بره ها با رعایت فواصل ثابت تهیه شد. همچنین برخی اندازه های متریک در رابطه با پوست بره ها نظیر ابعاد پوست و اندازه گل های روی پوست ثبت گردید. پس از آماده سازی اولیه تصاویر تعداد 180 خصوصیت شامل ویژگی های مختلف شکل شناسی و بافت از هر تصویر استخراج و با توجه به نوع صفت مورد بررسی ویژگی های مرتبط انتخاب شد. با استفاده از امکانات شبکه عصبی در نرم افزار متلب دو ساختار متفاوت شبکه عصبی مصنوعی یکی به منظور دسته بندی و تشخیص صفات پوست و دیگری با هدف تخمین مقادیر صفات پوست مورد استفاده قرار گرفت. نتایج نشان داد که با استفاده از روش پردازش تصویر و شبکه عصبی امکان دسته بندی صفات پوست با دقتی بین 94 تا 100 درصد وجود دارد. کمترین دقت شبکه برای تشخیص نوع گل و بالاترین دقت برای تشخیص رنگ و طرح پوست ثبت شد. همچنین مساحت پوست‏ بره های یک روزه و اندازه گل های روی پوست با استفاده از شبکه عصبی مصنوعی به ترتیب با دقت %94/35 و %98/44 تخمین زده شد. ضریب همبستگی بین مقادیر اندازه های تخمین زده شده برای پوست بره ها با استفاده از شبکه عصبی مصنوعی و اندازه های واقعی 92/8 درصد و بین مقادیر اندازه گل تخمین زده شده توسط شبکه عصبی با مقادیر واقعی آن 96/4 درصد برآورد شد. شبیه سازی صفت اندازه پوست نشان داد که استفاده از اعداد پیوسته حاصل از پردازش تصویر به جای رکوردهای رتبه ای در ارزیابی انسانی باعث افزایش معنی دار دقت برآورد ارزش های ارثی (به ترتیب 0/78 و 0/89) و روند ژنتیکی(به ترتیب 0/28 و 0/46) جمعیت اصلاحی شد. این موارد با فرض مقادیر مختلف ضریب وراثت پذیری، شدت انتخاب، اندازه نسل و مقادیر مختلف همپوشانی نسل ها بررسی شد و بازهم دقت انتخاب و پیشرفت ژنتیکی بالاتر جمعیت اصلاحی در صورت استفاده از رکوردهای پیوسته پردازش تصویر مشاهده شد (p<0.01). نتایج این مطالعه نشان داد که نه تنها امکان استفاده از فن آوری هوش مصنوعی برای تعیین کیفیت پوست بره های یک روزه وجود دارد، بلکه استفاده از این روش به تعریف برخی صفات جدید با توزیع کمی پیوسته منتج شده و در نهایت به پیشرفت ژنتیکی بالاتر جمعیت اصلاحی کمک می کند.

در این پایان‎نامه دو روش استخراج ویژگی جدید که برای بازشناسی گفتار مفید است، ارائه شده است. ایده اصلی این پایان‎نامه، ارائه یک ساختار منعطف برای بانک فیلتر می‎باشد که به داده‎های آموزشی وابسته است. درحالی‏که سایر روش‎های استخراج ویژگی نظیر mfcc، ساختار بانک فیلتر ثابت و غیرمنعطفی را ارائه می‎دهند. برای پیاده‎سازی هر دو ایده، ابتدا، تعدادی فیلتر یکسان در نظر گرفته می‏شود. سپس، در روش اول، برمبنای حل یک معادله دیوفانتی و در روش دوم، برمبنای چند معیار مهم مانند نرخ ادغام (mr) و اصلاح فیلتر مبتنی‎بر فرمنت (fbfm)، تعدادی از فیلترها با یکدیگر ادغام شده تا ساختار بانک فیلتر نهایی را به‏وجود آورند. هر دو روش پیشنهادی با استفاده از ابزار kaldi پیاده‏سازی شدند و کارایی آن‎ها روی پایگاه‎داده معروف timit مورد ارزیابی قرار گرفت. نتایج به‎دست آمده نشان می‎دهد که روش اول حدود %9/0 و روش دوم، حداقل 1% در مقایسه با الگوریتم استخراج ویژگی mfcc، بهبود کارایی دارد.