در این مقاله یک روش تخمین کانال تکرارشونده در کانال محوشدگی چندمسیره برای یک سیستم چند ورودی - چند خروجی با تقسیم فرکانسی چندگانه متعامد (MIMO-OFDM) در حضور نویز گوسی و ضربه‌ای پیشنهاد می‌دهیم. مزایای سیستم‌های MIMO-OFDM زمانی قابل درک است که کیفیت تخمین کانال در گیرنده تضمین‌شده باشد. ما در این مقاله پیشنهاد می‌کنیم که بخشی از سمبل‌های داده بازیابی شده قابل اعتماد را به‌عنوان پایلوت کمکی برای تخمین مجدد کانال در نظر بگیریم. با اضافه کردن پایلوت‌های کمکی جدید به پایلوت‌های اصلی دقت تخمین کانال در تکرارهای بعدی بهبود می‌یابد. برای انتخاب داده‌های قابل اعتماد ما از معیار همبستگی بین ضرایب کانال داده با پایلوت‌های اصلی بهره می‌بریم. بااین‌حال استفاده از تخمین کانال تکرارشونده زمان‌بر است، بنابراین لازم است از تخمین‌گر کانالی که زمان پردازش کم و پیچیدگی محاسباتی پایینی دارد، استفاده شود. ما در تخمین‌گر پیشنهادی از روش پایه حداقل مربعات (LS) که پیاده‌سازی بسیار ساده‌ای دارد استفاده کردیم. نتایج شبیه‌سازی، نشان می‌دهد که روش تکرارشونده پیشنهادی با افزایش پایلوت‌ها در تکرارهای بعدی در مقایسه با روش‌های کلاسیک موجود عملکرد سیستم MIMO-OFDM را بهتر می‌کند. پرونده مقاله

رایانش ابری یک مدل محاسباتی است که برای ارائه منابع به کاربران از سه الگوی برحسب تقاضا، رزرو شده و نقطه‌ای بهره می­برد. قیمت   نمونه­های نقطه‌ای به طور متوسط کمتر از سایر الگوها بوده و بر اساس عرضه و تقاضا دارای نوسان است. هنگامی که کاربر یک نمونه نقطه­ای را درخواست کند، باید پیشنهادی ارائه دهد. تنها در صورتی که قیمت پیشنهادی کاربر بالاتر از قیمت نقطه­ای باشد، کاربر می‌تواند از این نوع منابع استفاده کند. لذا پیش‌بینی قیمت نمونه‌های نقطه‌ای بسیار مهم و چالش‌برانگیز است. پیش‌بینی این‌گونه سری‌های زمانی پویا که از مدل غیرخطی پیروی می‌کنند، نیازمند ابزار هوشمندي مانند شبکه‌های عصبی است تا بتواند با مشاهده مقادیری از یک سری زمانی، مقادیر آتی را با کم‌ترین خطا پیش‌بینی کنند. بنابراین قابلیت اطمینان و در نتیجه کیفیت سرویس ارتقاء می‌یابد. بدین منظور، ما آمازون EC2 را به عنوان یک بستر آزمايشي در نظر گرفتیم و از تاریخچه قیمت نقطه‌ای برای پیش‌بینی قیمت آینده با ساخت مدلی نوین مبتنی بر یادگیری عمیق استفاده کردیم. نتایج به دست آمده نشان داد که مدل ارائه شده مقاله بر پايه ساختار پيشنهادي MGRU (GRU اصلاح شده) به خوبی می‌تواند پیش‌بینی مقادیر غیرخطی را انجام دهد و عملکرد بهتری نسبت به سایر روش‌های مورد استفاده در این حوزه داشته باشد.

پرونده مقاله

از جمله مشکلات موجود در انطباق تصاویر سنجش از دور این است که تصاویر توسط سنسورهای متنوع و در زمان‌های مختلف و با زاویه های انحراف متنوع گرفته شده‌اند. برای حل این مشکل الگوریتم‌هایی برای بهبود انطباق پیشنهاد شده‌اند. یکی از متداول‌ترین روش‌ها، استفاده از الگوریتم SURF (ویژگی های مقاوم سریع) است که نسبت به تغییر مقیاس، چرخش، تغییر روشنایی و نویز تا حدودی مقاوم و به زاویه انحراف تصاویر تا حدود 45 درجه پاسخ‌گو است. اما روی‌ هم‌افتادگی و نزدیکی نقاط کلیدی استخراج شده در این الگوریتم زیاد است و عملاً توزیع پذیری مکانی مناسبی از نقاط کلیدی را ارائه نمی‎دهد. این پژوهش به دنبال روش‌هایی است که نسبت به پارامترهای تابع تبدیل آفین مقاوم باشد. در مقاله حاضر از محیط شبیه‌ساز IMAS (انطباق تصویر با شبیه‌ساز توابع تبدیل مستوی) که توزیع‌پذیری مناسبی از نقاط کلیدی را پیشنهاد و به اختلاف زاویه بیشتری نسبت به SURF پاسخ‌گوست، استفاده شده است. برای یافتن مرزها و لبه‌هایی با وضوح بیشتر در تصویر از فیلتر مورفولوژی استفاده شده و برای آشکارسازی نقاط کلیدی، ایده جرم تصویر به کاربرده شده است که جهت اصلی نقاط ویژگی را مشخص و چرخش‌های تغییر ناپذیر را توصیف می‌کند. در بخش توصیف‌گر از توصیف‌گر RBRISK (نقاط کلیدی دودویی مقیاس پذیر مقاوم و تغییرناپذیر در برابر دوران) که نسبت به دوران پایدار است، استفاده شده است. نتایج عملی آزمایش‎ها نشان دهنده آن است که روش پیشنهادی در تصاویر ماهواره میزان انطباق را تا حدود 10 درصد بهبود بخشیده و از سرعت اجرای مناسبی در کاربردهای آنلاین برخوردار است. پرونده مقاله

پیشرفت در دنیای دیجیتال، ما را به سمت توسعه ابزار بازجویی قانونی دیجیتال سوق می دهد. استفاده از روش های یادگیری ماشین برای شناسایی منبع چاپ یکی از زیر مجموعه های این حوزه بوده که درحال‌ توسعه است. در این مقاله، روش جدیدی برای استخراج ویژگی های ثانویه بر پایه بردار هویت (i-vector) برای شناسایی منبع چاپ ارائه ‌شده است. در روش پیشنهادی تنها با استخراج یک بردار i-vector با بعد کم به‌ازای هر صفحه بدون استفاده از روش بازشناسی نوری نویسه ها (OCR) و با حذف رأی‌گیری اکثریت فرایند طبقه‌بندی تسریع شده است. به‌این‌ ترتیب روش پیشنهادی در استخراج ویژگی ها مستقل از نوع و اندازه قلم نویسه‌ها و زبان متن است. ویژگی های ثانویه با افراز تصویر سند به تکه های کوچک‌تر و مدل سازی ویژگی‌های اولیه الگوی دودویی محلی (LBP) مربوط به ناحیه های تیره، مرز و روشن در فضاهای مجزا به دست می آید. مدل سازی ویژگی های اولیه نواحی مختلف در فضاهای مجزای متغیر کل چاپگر، امکان استخراج اطلاعات جداکننده کلاس ها از بافت چاپ باقیمانده در ناحیه روشن را برای افزایش دقت و صحت طبقه‌بندی مهیا می کند. در این مقاله تأثیر استفاده از بافت نواحی مختلف و تغییر ابعاد تکه بندی با استفاده از طبقه‌بند ماشین بردار پشتیبان (SVM) از طریق شبیه‌سازی به‌دقت بررسی ‌شده است. نتایج شبیه سازی، نشان می دهد که تنها با پالایش ویژگی های اولیه LBP به صحت 05/99 درصد دست یافته ایم که بیشتر از آخرین پژوهش های این حوزه است. پرونده مقاله

بازشناسی احساسات از روی گفتار با توجه به کاربردهای متنوع آن امروزه مورد توجه بسیاری از محققان قرار گرفته است. با پیشرفت روش‌های آموزش شبکه‌های عصبی عمیق وگسترش استفاده از آن در کاربردهای مختلف، در این مقاله کاربرد شبکه‌های کانولوشنی و ترنسفورمر در یک ترکیب جدید در بازشناسی احساسات گفتاری مورد بررسی قرار گرفته که از لحاظ پیاده‌سازی نسبت به روش‌های موجود ساده‌تر بوده و عملکرد مطلوبی نیز دارد. برای این منظور شبکه‌های عصبی کانولوشنی و ترنسفورمر پایه معرفی شده و سپس مبتنی بر آنها یک مدل جدید حاصل از ترکیب شبکه‌های کانولوشنی و ترنسفورمر ارایه شده که در آن خروجی مدل کانولوشنی پایه ورودی مدل ترنسفورمر پایه است. نتایج حاصل نشان می‌دهد که استفاده از شبکه‌های عصبی ترنسفورمر در بازشناسی بعضی از حالت‌های احساسی عملکرد بهتری نسبت به روش کانولوشنی دارد. همچنین در این مقاله نشان داده شده ‌که استفاده از شبکه‌های عصبی ساده به صورت ترکیبی عملکرد بهتری در بازشناسی احساسات از روی گفتار می‌تواند داشته باشد. در این رابطه بازشناسی احساسات گفتاری با استفاده از ترکیب شبکه‌های عصبی کانولوشنی و ترنسفورمر با نام کانولوشنال-ترنسفورمر (CTF) برای دادگان راودس دقتی برابر 94/80 درصد به دست آورد؛ در حالی که یک شبکه عصبی کانولوشنی ساده دقتی در حدود 7/72 درصد به دست آورد. همچنین ترکیب شبکه‌های عصبی ساده علاوه بر اینکه می‌تواند دقت بازشناسی را افزایش دهد، می‌تواند زمان آموزش و نیاز به نمونه‌های آموزشی برچسب دار را نیز کاهش دهد. پرونده مقاله

: با افزایش علاقه‌مندی به فشرده نمودن تصاویر با فرمت فرمت گروه مشترک متخصصان عکاسی (JPEG)، یکی از مهم‌ترین مباحث در دست‌کاری تصاویر دیجیتال، یافتن روشی مناسب جهت آشکارسازی فشرده‌سازی JPEG مضاعف است. در این مقاله با معرفی یک فیلتر تطبیقی آموزش‌دیده بر پایه خودرمزگذار پیچشی (CAE) و در حوزه مکان، به این موضوع پرداخته می‌شود تا با حذف اطلاعات تداخلی ناشی از محتوای تصویر، آشکارسازی دقیق‌تری داشته باشیم. از آنجایی که شبکه عصبی پیچشی (CNN) توانسته عملکرد موفقی در طبقه‌بندی تصاویر داشته باشد، از این شبکه‌ها در قسمت طبقه‌بندی استفاده می‌شود. مدل پیشنهادی بر اساس CAE متوالی شده با CNN است که توانسته دقت آشکارسازی و حساسیت به ضرایب کیفیت (QFs) قابل قبولی را در دو سناریوی هم‌تراز و ناهم‌تراز ارائه نماید. این مدل توانسته در برخی از حالت ها، حساسیت نسبت به ضرایب کیفیت را تا 86 در صد در مقدار کاهش خطای نسبی (RER) بهبود دهد. آزمایش‌های دیگری از جمله مکان‌یابی محل دست‌کاری بر روی مجموعه داده RAISE برای ارزیابی روش پیشنهادی انجام شده است. این نتایج نشان‌دهنده عملکرد بسیار خوب این روش نسبت به الگوریتم‌های مشابه در شرایطی است که ضریب کیفیت فشرده‌سازی دوم بزرگ‌تر از ضریب کیفیت فشرده‌سازی اول باشد. پرونده مقاله

الگوریتم ردیابی یادگیری تشخیص (TLD) سنتی، نسبت به چالش هایی همچون تغییرات روشنایی، کلاترها و نرخ قاب پایین بسیار حساس بوده و باعث خطا در ردیابی هدف می گردد. در راستای غلبه بر این مشکلات و بهبود مقاومت الگوریتم، معماری الگوریتم ردیابی یادگیری تشخیص با ترکیب الگوریتم انتقال متوسط و الگوریتم یادگیری نیمه نظارتی هم یادگیری، بهبود داده شده است. این ساختار در شرایط نرخ قاب پایین نتایج بهتری را نتیجه می دهد و مقاومت و دقت الگوریتم را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص افزایش می دهد. زیرا الگوریتم ردیابی انتقال متوسط نسبت به چرخش، موانع جزئی، تغییرات اندازه مقاوم بوده و به سادگی اجرا شده و به محاسبات کمی نیاز دارد. از طرف دیگر الگوریتم یادگیری نیمه نظارتی هم یادگیری با دو طبقه بند مستقل می تواند تغییرات ویژگی های هدف را به خوبی آموزش ببیند. بنابراین، ساختار توسعه داده شده می تواند مشکل گم کردن هدف را در شرایط وجود همزمان نرخ قاب پایین و چالش های دیگر حل نماید. نهایتا، ارزیابی مقایسه ای روش پیشنهادی با الگوریتم های معروف ردیابی بر روی سناریوهای مختلف از پایگاه داده مشهور TB-100، حاکی از عملکرد برتر روش پیشنهادی در مقایسه با سایر روش ها از لحاظ مقاومت و پایداری است. نهایتا ساختار پیشنهادی بر اساس معماری ردیابی یادگیری تشخیص در ویدیوهایی با چالش های مختلف ذکر شده به طور متوسط حدود 33 درصد نتایج را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص بهبود خواهد بخشید. پرونده مقاله

برای غلبه بر مشکل تخمین کانال در سامانه‌های چندورودی-چندخروجی انبوه (M-MIMO)، در این مقاله یک طرح تخمین کانال لینک فروسو در ارتباط دوطرفه فرکانسی (FDD) مبتنی بر حسگری فشرده ساختارمند (SCS)، برای کاهش داده آموزشی مورد نیاز پیشنهاد گردیده که توسط آن تنکی مکانی ذاتی کانال های حوزه تاخیر سامانه‌های چندورودی-چندخروجی انبوه، تقویت می شوند. به همین منظور در ابتدا پس از طرح موضوع روش های مختلف تخمین کانال و بررسی چالش‌های موجود، با پیشنهاد یک الگوریتم بر پایه الگوریتم حریصانه جستجوی تطابق متعامد (OMP)، به تخمین کانال پرداخته شده است. در این الگوریتم از همبستگی مکانی بین پاسخ ضربه کانال آنتن های مختلف فرستنده برای دقت تخمین کانال استفاده می شود. این همبستگی در زمان تاخیر یکسان مسیرهای تاخیردار تعریف ‌شده است. این الگوریتم تنکی کانال را به صورت تطبیقی به دست می آورد که نافی فرض ایده آل کارهای پیشین مبنی بر در دست داشتن تنکی کانال است. در این صورت این الگوریتم در مواقعی که میزان دقیق تنک بودن کانال مشخص نباشد، کانال را با دقت خوبی تخمین می زند. در نهایت به ارائه شبیه سازی ها که توانایی این روش را در کاهش داده آموزشی مورد نیاز نشان می دهد، پرداخته‌ شده است. شبیه سازی ها نشان می دهند که تخمین کانال پیشنهادی به طور قابل‌اعتمادی سطح تنکی کانال و مجموعه پشتیبان را نسبت به روش های مشابه به دست می آورد. پرونده مقاله

یکی از راه‌های افزایش قابلیت اطمینان در برقراری ارتباط در شبکه‌های رادیویی فرکانس بالا (HF)، استفاده از روش‌های برقراری و نگه‌داری خودکار از لینک با استفاده از تکنیک های پرش‌فرکانسی است. با توجه به شرایط تداخلی در باند HF، پس از برقراری لینک پرش‌فرکانسی، لازم است تا دائما وضعیت لینک برقرارشده را بررسی کرده و در صورت کاهش کارایی سیستم، نسبت به تغییر کانال‌های فرکانسی مورد استفاده برای ارسال داده اقدامات لازم انجام شود. در این مقاله از روش نگه‌داری خودکار از لینک پرش فرکانسی (FH-ALM) برای حل این مسئله استفاده می‌شود. با توجه به امکان ایجاد اختلال در الگوی پرش‌فرکانسی مورد استفاده برای ارسال داده توسط جمرهای هوشمند، در روش پیشنهادی برای مقابله با اثرات تداخلی کانال و این نوع جمرها از روش‌ پرش‌فرکانسی شناخت گر برای انتخاب الگوی جدید پرش‌فرکانسی استفاده می‌شود و با استفاده از یک الگوریتم هوشمند در حین ارسال داده، وضعیت کانال‌های فرکانسی دائما بررسی شده و دنباله‌ی پرش فرکانسی مورد نظر برای دوره آتی پرش‌فرکانسی انتخاب می‌شود. در نهایت با فرض وجود یک جمر هوشمند، عملکرد سیستم نگه‌داری خودکار از لینک پیشنهادی، در مقایسه با وضعیتی که الگوی پرش‌فرکانسی بصورت تصادفی از بین کانال‌های فرکانسی مناسب برای ارتباط انتخاب می‌شود، بررسی می‌گردد. با شبیه‌سازی روش‌ پرش‌فرکانسی شناخت‌گر پیشنهادی، مشخص می‌شود که استفاده از این روش بیش از 5 دی‌بی عملکرد سیستم نگه‌داری خودکار از لینک را در شرایط اختلال هوشمند نسبت به روش‌های موجود، بهبود می‌بخشد. پرونده مقاله