This paper presents a study of hard combination data fusion for cooperative spectrum sensing in Cognitive Radio (CR). Fast and accurate spectrum sensing is crucial in realizing a reliable cognitive network. Cooperative spectrum sensing can help reducing the mean detection time and increasing the agility of the sensing process. However, when the number of cognitive users is large, the bandwidth need for the control channel that are used to report the secondary user nodes’ results to the fusion center may become excessively large. This paper presents a hard decision-based cooperative sequential detection scheme to reduce the average sensing time that is required to reach a detection decision. In the scheme, each cognitive radio computes the log likelihood ratio for its every measurement, and quantizes its measurements then sends its hard-decision to base station and the base station sequentially accumulates these log likelihood statistics and determines whether to stop making measurement. Manuscript profile

امروزه شبکه حسگر بی سیم در زمینه های فراوان و متنوعی کاربرد دارد. از جمله این کاربردها استفاده از این مدل شبکه با تعداد زیادی از گره‌‌های حسگر در زمینه ردیابی هدف مانند ردیابی دشمنان در جنگ و نظارت بر زیستگاه های حیات وحش است. ایده اصلی در بحث ردیابی هدف این است که اطلاعاتی مانند مکان، سرعت و جهت حرکت هدف در هر لحظه در دسترس باشد. از آنجایی که گره‌‌های حسگر در این مدل شبکه دارای محدودیت شدید مصرف انرژی بوده و قابلیت شارژ مجدد را ندارند، در این مقاله یک الگوریتم کارآمد ردیابی به منظور کاهش مصرف انرژی ضمن حفظ کیفیت ردیابی هدف، به نام EAASA، ارائه شده است. نتایج حاصل از شبیه سازی این الگوریتم در شبیه ساز NS2 با روش ردیابی هدف مبتنی بر خوشه بندی AASA (الگوریتم فعال سازی حسگر تطبیقی مبتنی بر حراج) مقایسه شده و نشان می دهد که الگوریتم پیشنهادی می تواند با حفظ کیفیت ردیابی به صورت چشم گیری مصرف انرژی را کاهش دهد. این امر باعث افزایش طول عمر شبکه و کاهش نرخ از دست رفتن هدف شده است. Manuscript profile

از آنجا که سرطان پستان به عنوان یکی از دلایل اصلی مرگ و میر زنان در سراسر جهان شناخته شده، طبیعی است که ارائه و توسعه روش‌هایی برای تشخیص زود هنگام آن، به ویژه بدون استفاده از ابزارهای تصویربرداری تهاجمی و نیز با سرعت پاسخ مناسب، از ارزش بالایی برخوردار باشد. تصویربرداری ترموگرافی، در صورتی که با روشی سریع و قابل اعتماد برای طبقه‌بندی نتایج تصویربرداری همراه گردد می‌تواند گزینه‌ای مناسب در جهت تحقق این هدف باشد. در این پژوهش با استفاده از ترموگرافی پستان و بهره‌گیری از نوعی از شبکه‌های عصبی متأخر به نام ماشین یادگیری بیشینه به عنوان یک طبقه‌بند هوشمند و کارآمد به مسئله تشخیص سرطان پستان اشاره شده است. همچنین، یک توسعه این طبقه‌بند تحت عنوان ماشین یادگیری بیشینه چندلایه مبتنی بر هسته را نیز مورد بررسی قرار گرفته است. در روش پیشنهادی، ابتدا با استفاده از یک روش تقسیم بندی خودکار تصاویر پایگاه داده به پستان های چپ و راست قطعه‌بندی و تفکیک شده و سپس با استخراج ویژگی های بافت محلی، رنگ و شکل و ارائه این ویژگی ها به صورت مجزا و یا ترکیبی به شبکه، عملکرد و کارایی سیستم مورد مطالعه قرار گرفته است. با آزمایش مدل های استخراج ویژگی بافت محلی گوناگون، مانند الگوی دودویی محلی (LBP) و الگوی سه تایی محلی (LTP) و نیز ویژگی‌های رنگ RGB و YCbCr، برترین نتیجه این تحقیق از تصاویر ترموگرافی پستان در پایگاه داده برای تحقیقات ماما با تصویر مادون قرمز (DMR-IR) برای یک ویژگی ترکیبی جدید پیشنهادی LBP-Mix و ویژگی بافت LTP حاصل از استخراج بافت محلی در شعاع‌های مختلف، با صحت بیش از 96 درصد و دقت 100 درصد به دست آمده است. Manuscript profile

آتش‌سوزی یکی از خطراتی است که می‌تواند سلامت انسان را در مدت زمان کوتاهی به خطر اندازد و اگر به موقع محدود نشود، خسارات زیادی به همراه خواهد داشت. تشخیص به موقع و دقیق مکان آتش‌سوزی می‌تواند از پیامدهای انتشار آن جلوگیری کند. در این تحقیق روش جدیدی برای تشخیص آتش بر مبنای استخراج ویژگی‌های زمانی-مکانی آتش در قاب‌‌های ویدئویی پیشنهاد شده است. در الگوریتم پیشنهادی، از یک شبکه عصبی کانولوشنی چند مقیاسی به همراه یک شبکه یولو (YOLO) جهت استخراج ویژگی‌های مکانی و شناسایی مناطق نامزد آتش استفاده شده است. سپس به منظور حذف بافت‌‌های غیر‌متحرک مشابه آتش و بررسی ویژگی‌های زمانی ناحیه نامزد، روش تجزیه و تحلیل فراکتال بر اساس پتوی‌پوشان زمانی به کار برده شده است. در نهایت ناحیه آتش از طریق تلفیق نتایج دو مرحله از سایر قسمت‌های تصویر جدا می‌گردد. نتایج ارزیابی بر روی سه مجموعه داده نشان می‌دهد که صحت روش پیشنهادی تشخیص آتش حدود 1/96 درصد است و این در حالی است که عوامل دقت و بازیابی به ترتیب 92 درصد و 9/96 درصد است. بنابر نتایج تجربی، روش‌ پیشنهادی از سایر الگوریتم‌‌های ارائه شده عملکرد بهتری دارد و بنابراین الگوریتم طراحی‌شده در دنیای واقعی به صورت کارآمد قابل استفاده است. Manuscript profile

پیاده سازی یک سیستم محاسباتی عصبی (NCS) با استفاده از مدارهای دیجیتال و آنالوگ در فناوری نیم رسانای اکسید فلز مکمل (CMOS)، فضا و توان زیادی مصرف می کند. با پیشرفت تحقیقات نانو فناوری، ترکیب مدارهای اتصال تونلی مغناطیسی (MTJ) و CMOS، پیاده سازی NCSهایی با چگالی بالا ومصرف توان پایین را امکان پذیر کرده است. با این وجود، هنوز بین کارایی مغز انسان و NCSها فاصله زیادی وجود دارد. برای کاهش این شکاف، لازم است تا مصرف انرژی و تاخیر در NCS کاهش پیدا کند. مصرف انرژی زیاد NCS، به دلیل جریان زیاد مورد نیاز برای تغییر وضعیت MTJ است. در گذشته محققان با تکنیک های ردیابی ولتاژ MTJ و قطع جریان آن بلافاصله پس از کلیدزنی MTJ، مصرف انرژی را کاهش دادند. اما به دلیل تغییرات کوچک ولتاژ پس از کلیدزنی، در این روش ها مصرف انرژی همچنان بالا است (به دلیل نیاز به تقویت کننده ها).در این مقاله روش جدیدی مبتنی بر ردیابی جریان MTJ (به جای ولتاژ آن) و قطع جریان MTJ بلافاصله پس از کلیدزنی MTJ پیشنهاد شده است. با توجه به تغییرات زیاد در جریان MTJ پس از کلیدزنی (حدود 40 درصد)، نیازی به استفاده از تقویت کننده در مدار ردیابی و قطع جریان MTJ نیست. بنابراین، مدار ردیابی ولتاژ با مدار پیشنهادی جایگزین می‌شود تا مصرف انرژی، سرعت و تاخیر NCS بهبود یابد. در تمام طراحی های گذشته، تغییرات ولتاژ در دو سر MTJ PL, FL) یا هر دو( برای تشخیص کلیدزنی MTJ استفاده شده است. در مدار پیشنهادی کلیدزنی MTJ با توجه به جریان MTJ تشخیص داده می شود و سپس جریان آن بلافاصله قطع می‌شود. بر اساس نتایج شبیه‌سازی در فناوری 65nm-CMOS مدار پیشنهادی می‌تواند، مصرف انرژی و سرعت یک NCS را به ترتیب 49 درصد و 1/2/ برابر در مقایسه با یک NCS نوعی بهبود بخشد. Manuscript profile

اعتیاد به مواد مخدر سبب ایجاد تغییرات ساختاری و عملکردی در مغز انسان می گردد و می توان آن را به عنوان یک بیماری مزمن در نظر گرفت. تاکنون مطالعات مختلفی جهت بررسی اعتیاد بر روی سیگنال الکتروانسفالوگرام (EEG) انجام شده که از نظر روش، شرایط تجربی، نمونه ها و نتایج متفاوت هستند. بررسی مطالعات قبلی و روش های تجربی جهت بررسی بهتر مسائل و چالش های موجود در طراحی مطالعات اعتیاد ضروری است. سیگنال الکتروانسفالوگرام، به عنوان یک ابزار غیرتهاجمی دارای توانایی بالقوه جهت بررسی فعالیت عملکردی و شناختی مغز است. از الکتروانسفالوگرام می توان جهت بررسی ارتباط تغییرات ایجاد شده در مغز در اثر مصرف مواد مخدر استفاده کرد. در این مقاله به بررسی تغییرات ایجاد شده در سیگنال الکتروانسفالوگرام در اثر مصرف مواد و همچنین پس از ترک مواد مخدر اشاره خواهد شد. نتایج نشان می دهد که مصرف مواد مخدر سبب کاهش پردازش توجه و ایجاد اختلالات عملکردی و ناهنجاری های مغزی می گردد. در افراد معتاد افزایش فعالیت زیرباندهای بتا و دومین زیرباند آلفا، تأخیر در رخداد و کاهش دامنه P300 مشاهده شده است. همچنین نسبت توان زیرباند آلفا به تتا در T6 کاهش نشان داده و اختلاف معنا دار در زیرباند دلتا به زیرباند آلفا در نسبت توان مشاهده شده است. یافته ها نشان می دهند که ولع و سابقه مصرف مواد افراد بر توان سیگنال الکتروانسفالوگرام تأثیر می گذارد. فعالیت عصبی در زیرباند آلفای افرادی که اعتیاد را ترک کرده اند نیز به طور معنی داری در لوب پاریتال (BA3 و BA7)، لوب فرونتال (BA4 و BA6) و لوب لیمبیک (BA24) ضعیف تر است. Manuscript profile

کنترل فعال نویز صوتی براساس تولید یک سیگنال نویز دیگر و تداخل آن با نویز اصلی انجام می‌شود. سیگنال تولید‌شده دارای دامنه‌ای برابر با نویز اصلی و 180 درجه اختلاف فاز نسبت به آن می‌باشد. در این مقاله، کنترل فعال نویز صوتی با استفاده از شبکه‌های عصبی پیشرو و بازگشتی انجام شده و عملکرد شبکه‌ها در کاهش نویز مورد بررسی و مقایسه قرار می‌گیرد. شبکه‌های عصبی پیشرو و بازگشتی با نویزهای صوتی موجود در پایگاه دادة SPIB مورد آموزش و تست قرار می‌گیرند. برای مقایسه‌ی دقیق‌تر عملکرد شبکه‌ها، از نمونه‌های مشابه برای آموزش و تست و همچنین پیچیدگی مشابه در ساختار شبکه‌ها استفاده می‌شود. نتایج شبیه‌سازی‌ها توانایی مناسب شبکه‌های عصبی مورد بررسی را در کاهش نویز صوتی نشان می‌دهد. همچنین مشاهده می‌شود که شبکه‌ی عصبی بازگشتی (Elman) عملکرد بهتری را در کاهش نویز صوتی نسبت به شبکه‌ی پیشرو دارد. Manuscript profile

آشکارسازی لبه یکی از مهم‌ترین مسائل مطرح در پردازش تصویر و بینایی ماشین می‌باشد. لبه‌یابی یکی از فرآیندهای مرتبه پایین در پردازش تصاویر می‌باشد، به‌ طوری که عملکرد فرآیندهای مرتبه بالاتر مانند تشخیص اشیاء، قطعه‌بندی و کدگذاری تصاویر مستقیماً به کارآیی این پردازش سطح پایین وابسته است. برآورد پارامترهای لبه با استفاده از محاسبۀ بردار گرادیان معمولاً دقیق نیست. حفظ ساختار لبه یکی از بارزترین مسائلی است که باید در آشکارسازی، به‌ویژه آشکارسازی تصاویر نویزدار مورد توجه قرار گیرد. برای کاربردهای عملی که لبه‌های دقیق مورد نیاز است، آشکارسازی لبه‌ در مقیاس زیرپیکسل انجام می‌شود. در این مقاله یک روش جدید آشکارساز لبه معرفی می‌شود که بر اساس شکل لبه و مدل به ‌دست آمده از تأثیر پیکسل‌های مجاور و روابط مکانی پیکسل‌های تصویر، اقدام به لبه‌یابی می‌کند. سپس یک روند ترمیم تکرار شونده بر اساس لبه‌یاب معرفی شده پیشنهاد می‌شود. هدف این روش افزایش دقّت در شناسایی موقعیت زیرپیکسل، انحنا، جهت، و تغییرات شدّت لبه‌ در تصاویر نویزدار است Manuscript profile

اکثر روش‌های درونیابی تصویر موجود، تصویر را بدون نویز فرض می‌کنند. حال آنکه این فرضیه در عمل معتبر نیست. روش متداول برای درونیابی تصاویر نویزدار حذف یا کاهش نویز در قدم اول و سپس درونیابی تصویر فاقد نویز است. فرآیند حذف نویز ممکن است بسیاری از جزئیات تصویر را هموار ‌کند و همچنین آثار نامطلوب ناشی از آن مانند تاری و بلوکی شدن، در مرحله درونیابی تقویت نیز می‌شوند. در این مقاله، الگوریتمی همزمان برای درونیابی و حذف نویز فلفل نمکی تصاویر با استفاده از تبدیل ویولت مختلط دو درختی و شبکه‌های عصبی پیشرو ارائه شده است. در این الگوریتم زیرباندهای ویولت متناظر با تصویر با رزولوشن بالا و بدون نویز توسط پرسپترون چند لایه از روی تصویر با رزولوشن پایین نویزدار تخمین زده می‌شوند. سپس تصویر رزولوشن بالای فاقد نویز با اعمال عکس تبدیل ویولت مختلط بر روی زیرباندهای تخمین زده شده بازیابی می‌گردد. با بهره‌گیری از مزایای تبدیل ویولت مختلط مانند تقریبا تغییرناپذیر بودن نسبت به جابجایی و جهت دار بودن، تخمین انجام شده توسط شبکه‌های عصبی با دقت بالایی صورت می‌پذیرد. بنابر نتایج آزمایش‌های انجام شده، الگوریتم پیشنهادی در مقایسه با سایر روش‌های درونیابی و حذف نویز، از لحاظ کمی و کیفی عملکرد بهتری داشته و قادر به حفظ جزئیات تصویر است. Manuscript profile

رنگ و شکل دو پارامتر اساسی برای شناسایی علائم ترافیکی هستند. این مقاله یک روش جدید در مورد شناسایی علائم هشدار دهنده سرعت در تصاویر جاده‌ای در شرایط مختلف ارائه می‌دهد. در این روش با استفاده از تکنیک آستانه گذاری در فضای رنگ HSI، تقسیم بندی رنگ در تصویر انجام می‌گیرد. در ادامه گوشه‌های بهینه در تصویر را با کانوالو کردن تعدادی ماسک به دست می‌آوریم و با استفاده از یکسری عملیات هندسی مکان علامت در تصویر استخراج می‌گردد. اولین مزیت در تشخیص مکان علامت، دقت بالای آن است. به طوری که مکان علامت تا فاصله 30 متر، تصاویر نویز دار تا 30 درصد و تصاویر چرخیده تا 5 درجه توسط این روش قابل شناسایی است. از دیگر مزایای این الگوریتم می‌توان به سادگی ساختار ماسک‌ها و سرعت محاسبات بیشتر از روشهای دیگر تشخیص ارائه شده، اشاره کرد. در نهایت، با حذف اطلاعات اضافی در تصویر استخراج شده و تطبیق با تصاویر پایگاه داده، نوع علامت تشخیص داده می‌شود. اگر عکس برداری در شرایط نورپردازی و آب و هوایی مناسبی صورت گیرد، نرخ تشخیص علامت بالای %89 خواهد بود. Manuscript profile

هدف از این مقاله، ارائه یک تکنیک طراحی برای ساختن مدار CMOS OTA است که به صورت الکترونیکی و خطی قابل تنظیم می‌باشد. هدایت انتقالی((gm در مدار، مستقیما به جذر جریان بایاس بستگی دارد. در این مقاله برای ایجاد ولتاژ خروجی ماکزیمم و ایجاد یک گستره هدایت انتقالی به صورت تنظیمی و خطی از مدار CMOS OTA همسان استفاده می‌گردد. سپس تغییر هدایت انتقالی CMOS OTA مورد نظر و تاثیر این تغییر در عملکرد فیلترهای زمان پیوسته مورد بررسی قرار می‌گیرد. جنبه نوآوری مقاله این است که، نشان داده می‌شود چگونه تابع تبدیل یک فیلترمرتبه اول به فیلتر بالاگذر و پایین گذر و یک فیلتر مرتبه دوم به فیلترهای بالاگذر، پایین گذر، میان گذر و میان نگذر تغییر می‌یابد. شبیه سازی مدار از طریق نرم‌افزارPspice و Matlab 7 صورت می‌پذیرد. Manuscript profile

شماره پلاک خودرو یکی از مناسب‌ترین اقلام اطلاعاتی جهت احراز هویت خودرو‌ها می‌باشد. سیستم تشخیص پلاک خودرو یک سیستم مکانیزه است که با عکس گرفتن از خودروها، شماره پلاک آنها را استخراج می‌کند. روشی که در این مقاله ارائه شده است شامل دو قسمت می‌باشد. در قسمت اول با استفاده از لبه‌یابی و عملیات مورفولوژی محل پلاک شناسایی شده و در قسمت دوم با استفاده از شبکه عصبی هاپفیلد کاراکترها شناسایی می‌شوند. این روش بر روی 700 تصویر مختلف از نظر پس‌زمینه، فاصله و زاویه دید مورد آزمایش قرار گرفته و نرخ استخراج صحیح پلاک %97.8 و همچنین نرخ خواندن صحیح پلاک %93 ارزیابی شده است. Manuscript profile

به منظور حفظ قانون حق تألیف، یکی از روش‌هایی که مورد استفاده و استقبال قرارگرفته، نهان نگاری یا واترمارکینگ است. پایداری روش نهان‌نگاری در مقابل حملات مختلف، مهمترین ملاک برای ارزیابی آن روش می‌باشد. در این مقاله، یک روش نهان نگاری جدید نیمه کور با استفاده از ترکیب تبدیل موجک و تجزیه مقادیر منفرد برای اثبات حق تألیف ارائه شده است. مهمترین مزیت این روش نسبت به روش‌های مشابه پایداری خوب آن در مقابل بیشتر حملات رایج خصوصاً حملات نویزی و فشرده سازی است حال آنکه در روش‌های دیگر، تصویر نهان نگاری شده در مقابل بعضی حملات، مقاومت خوبی دارند و در مقابل بعضی دیگر آسیب پذیرند. در روش پیشنهادی، از ترکیب دو تبدیل کارآمد و مؤثر در زمینه نهان نگاری، به صورت همزمان استفاده شده است. در کارهای انجام شده قبلی، از هر کدام از تبدیلات فوق، جداگانه در نهان نگاری استفاده شده ولی در روش پیشنهادی با ترکیب این دو تبدیل، از ویژگی‌های هر دو تبدیل، همزمان به عنوان یک روش بهبود یافته در نهان‌نگاری استفاده شده است. نتایج آزمایش‌ها به خوبی پایداری این روش را در مقابل طیف وسیع‌تری از حملات مختلف نشان می‌دهد. Manuscript profile

تخمین و جبران حرکت از مراحل اساسی استانداردهای کدگذاری ترکیبی ویدئوی دیجیتال هستند. روش تطبیق بلوک به دلیل سادگی ساختار، روش غالب در تخمین حرکت در فن‌آوری ویدئوی دیجیتال است. از آغاز دهه نود میلادی روش تخمین حرکت مبتنی بر مش به دلیل به‌کارگیری مدلهای حرکت کامل‌تر و عدم بروز ضایعات بلوکی در آن، مورد توجه محققین قرار گرفته است. با وجود برتری کیفی روش مبتنی بر مش، بخصوص در نرخ بیتهای کم و با موضوعهای دارای انعطاف، این روش دارای مشکلات اساسی چون انتشار خطا و افت کیفیت در شرایط نویزی و با تغییرات روشنایی است. در این مقاله جهت ارتقاء عملکرد روش تخمین مبتنی بر مش از نظر مقاومت در برابر نویز و اختلال روشنایی، استفاده از درونیابی وفقی بردارهای حرکت پیشنهاد شده است. شبیه‌سازی‌های انجام شده نشان می‌دهند که راهکار پیشنهاد شده نه تنها منجر به بهبود مقاومت تخمین حرکت مبتنی بر مش می‌گردد، بلکه در مقایسه با روش تطبیق بلوک نیز از مقاومت بیشتری برخوردار است. Manuscript profile

هدف این مقاله به کار گرفتن H.264 در کاربردهای فشرده‌سازی ویدئویی پزشکی و بهبود عملکرد آن با کیفیت بصری بالاتر و پیچیدگی کدگذاری کمتر است. جهت این امر ما یک مدل جدید ناحیه‌ی مورد علاقه بر اساس H.264/AVC را پیشنهاد می‌دهیم که فشرده‌سازی بدون اتلاف را برای نواحی مورد علاقه، و فشرده‌سازی با اتلاف با نرخ بالا را برای سایر نواحی به کار می‌برد. این مقاله یک روش جدید برای دستیابی به پیش‌بینی سریع درون و بین فریمی ارائه می‌دهد که بر اساس ماکروبلاکهای بزرگ‌تر برای پس‌زمینه و ماکروبلاکهای کوچک‌تر برای ناحیه‌ی مورد علاقه عمل می‌کند. همچنین ماکروبلاک‌های پس‌زمینه با بزرگترین ضریب کوانتیزاسیون ممکن در H.264/AVC جهت به دست آوردن حداکثر ضرایب صفر کدگذاری می‌شوند. نتایج تجربی نشان می‌دهند که الگوریتم پیشنهادی به نرخ فشرده‌سازی بالاتر ویدئوهای پزشکی با کیفیت برتر ناحیه‌ی مورد علاقه ضمن پیچیدگی کمتر کدگذاری در مقایسه با الگوریتم قبلی ما و سایر استانداردهای موجود دست می‌یابد. Manuscript profile

یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته می‌شود. یک گام مهم در شناسایی غیرخطی سیستم، گسترش دادن یک مدل غیرخطی است. در سال‌‌های اخیر، شبکه‌های عصبی مصنوعی به طور موفقیت آمیزی در شناسایی سیستم‌های غیرخطی در بسیاری از پژوهش‌ها به کار گرفته شده‌اند. شبکه‌های عصبی ویولت نیز به‌عنوان یک ابزار قدرتمند در شناسایی غیرخطی سیستم به‌کار می‌روند. در این مقاله، برای شناسایی یک مولد بخار صنعتی یک مدل شبکه عصبی تأخیر زمانی و یک مدل شبکه عصبی ویولت ارائه می‌کنیم. نتایج شبیه سازی‌ها نشان دهنده کارایی مدل‌های ارائه شده در شناسایی سیستم مذکور می‌باشند و نشان می‌دهند مدل شبکه عصبی ویولت در تخمین خروجی‌های سیستم دقیق‌تر است. Manuscript profile