در اين مقاله، يك الگوريتم جديد رديابي بالا به پايين بر اساس يادگيري مسير حركت وسايل نقليه ارائه مي‌شود. به اين منظور يك ماتريس گذر مراكز، CTM، كه يك پايگاه دادة مكاني-زماني جديد است، پيشنهاد مي‌شود. براي ايجاد اين ماتريس ابتدا با خوشه‌بندي فازي روي مسيرهاي حركت وسايل نقليه بدست آمده، مراكزي بدست مي‌آيد سپس ماتريس CTM روي اين مراكز تعريف مي‌شود. عنصر i, j ام اين ماتريس بيان كنندة آن است كه شيئي در دو فريم متوالي از مركز i به مركز j گذر كرده است كه تكميل درايه‌هاي اين ماتريس با رديابي چند شيئي وسايل نقليه به ‌مرور انجام مي‌شود. ماتريس CTM در افزايش سرعت همگرايي پيش‌بين RLS و جستجوي بهتر موقعيت وسيلة نقليه موثر است. الگوريتم رديابي پيشنهادي در مكانهاي مختلفي در صحنة ترافيك آزمون شد كه نتايج حاصله حاكي از افزايش كارايي در الگوريتم رديابي است. تفاصيل المقالة

در اين مقاله يک روش اصلاح شدة تفريق طيفی چندباندی برای حذف نويز از سيگنال صحبت ارائه شده است. در اين روش با تخمين آمارگان نويز غيرايستان، تخمينی از SNR برای سيگنال صحبت بدست مي‌آيد که در ميانگين‌گيری وفقی از قابهای سيگنال صحبت بکار گرفته مي‌شود. همچنين با استفاده از آن يک فاکتور فوق‌تفريق بدست مي‌آيد که سبب کاهش قابل توجه نويز موزيکال مي‌شود. تنظيم پارامترهای الگوريتم نهايی بر اساس SNR بدست آمده انجام مي‌شود؛ بطوري‌که الگوريتم نهايی دارای حداقل نويز موزيكال و اعوجاج در سيگنال صحبت است. نتايج حاصل از معيارهای ايتاکورا-سايتو، SNR سراسری و SNR قطعه‌ای نشان مي‌دهد که الگوريتم پيشنهادی دارای سيگنال خروجی با کيفيت بهتری نسبت به دو الگوريتم تفريق طيفی چندباندی و نوع بهبوديافته آن مي‌باشد. تفاصيل المقالة

مطالعه رفتار طبقه‌بندها از ديدگاه بررسي خطاهای آنها و ارائه راه حل مناسب براي كاهش خطا و افزايش كارآيي طبقه‌بندها مورد توجه است. عملكرد ضعيف سيستم شناسايي به دلايل تعداد كم نمونه‌هاي يادگير، نويز در داده‌ها، استفاده از ويژگي‌هاي شكننده به دليل عدم آگاهي كامل و تسلط كافي بر نوع الگو و استفاده از عملگرهای نامناسب در تعيين پاسخ سيستم، كاهش نرخ شناسايي در تصميم‌گيري نهايي را به دنبال دارد. با ارائه مدل مناسب آماري براي رفتار يا پاسخ يك سيستم شناسايي، مي‌توان عملكرد سيستم شناسايي را بهبود داد. در اين مقاله يك كليشه تصميم جديد كه با استفاده از مدل مخفي ماركوف ايجاد مي‌شود، رفتار نرون‌هاي يك شبكه عصبی پس‌انتشار خطا را، مدل مي‌كند. در روش‌هاي موجود ارتباط بين نرون‌ها و تأثير متقابل آنها در پاسخ به يك الگو مد نظر قرار نمي‌گيرد. ولي عملاً نرون‌هاي يك شبكه عصبي يا اجزاي يك طبقه‌بند، با هم بيان‌كننده عملكرد آن در قبال يك الگو هستند. بنابراين، با استفاده از يك كليشه تصميم جديد مبتني بر مدل مخفي ماركوف، ارتباط بين نرون‌هاي شبكه عصبي و نحوه پاسخ آن به نمونه‌هاي يادگير، مدل مي‌گردد تا از آن در شناسايي الگوهاي جديد استفاده ‌شود. روش جديد در مدل‌كردن رفتار طبقه‌بند، در سه كاربرد شناسايي ارقام دست‌نويس فارسي، تشخيص ترافيك عادي در شبكه‌هاي اطلاع‌رساني و شناسايي نوع وسيله نقليه آزمون مي‌شود و افزايش قابل توجهي در نرخ شناسايي طبقه‌بند به دست مي‌دهد. تفاصيل المقالة