@article{ author = {Tabatabaei, Raziyeh and Feizi-Derakhshi, Mohammad-Reza and Masoumi, Saei}, title = {Proposing an intelligent and semantic-based system for Evaluating Text Summarizers}, abstract ={Nowadays summarizers and machine translators have attracted much attention to themselves, and many activities on making such tools have been done around the world. For Farsi like the other languages there have been efforts in this field. So evaluating such tools has a great importance. Human evaluations of machine summarization are extensive but expensive. Human evaluations can take months to finish and involve human labor that cannot be reused. In this paper, we propose a method of automatic machine summarization evaluation that is quick, inexpensive, and language-independent, that correlates highly with human evaluation, and that has little marginal cost per run. This method has the metrics of determining auto summaries’ quality, through comparing them to the summaries produced by Human (ideal summaries). These metrics measures overlapping of system summaries and human ones in number of units like n-tuples, words string and pairs of words. Certainly for semantic comparing of texts in case of review summaries, the appearance of words are not enough and using of WordNet seems to be necessary. In the proposed method words network is used with an appropriate idea and has improved evaluation results significantly. The proposed method is the first method for the Persian language. Performance measurement of the tool was done during a specified and standard procedure and the results indicate acceptable yield of it. We present this method as an automated understudy to skilled human judges which substitutes for them when there is need for quick or frequent evaluations.}, Keywords = {Natural Language Processing, Persian Language, System Summarizer Evaluation, Evaluation measure.}, volume = {12}, Number = {2}, pages = {3-11}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {ارائه یک سیستم هوشمند و معناگرا برای ارزیابی سیستم های خلاصه ساز متون}, abstract_fa ={امروزه با افزایش منابع متنی در شبکه جهانی وب، هر روز بر گستره‏ ی اطلاعات قابل دسترس برای کاربران افزوده می شود بنابراین جهت نگهداری و بازیابی و پردازش آنها از سامانه ‏های خلاصه‏ سازی خودکار متن، استفاده می‏ کنیم. میزان کیفیت خلاصه‏ سازهای ماشینی، توسط انسان‏ها مورد بررسی قرار می‏ گیرد اما این کار نیروی متخصص و زمان زیادی را می‏ طلبد و هزینه بر خواهد بود. بنابراین برای حل این مشکل، در این مقاله سیستمی به اسم TabEval برای ارزیابی سامانه‏ های خلاصه‏ سازی خودکار متن ارائه شده است. این سیستم با ایده و معماری جدید به محاسبه‏ ی میزان تشابه ظاهری و معنایی بین خلاصه‏ ی سیستمی و خلاصه‏ های انسانی (خلاصه‏ های ایده ‏آل) می‏ پردازد. برای محاسبه میزان تشابه معنایی از شبکه‏ ی واژه‏ ها و زنجیره‏ های لغوی استفاده می‏ گردد. خروجی حاصل از این سیستم توسط نیروهای متخصص در زمینه‏ ی ادبیات زبان فارسی مورد بررسی قرار گرفت. نتایج حاصل از بررسی‏ ها حاکی از این بود که این سیستم همانند انسان بطور هوشمند عمل می‏ کند.}, keywords_fa = {ارزیابی هوشمند, خلاصه‏ سازهای سیستمی, پردازش زبان طبیعی, F-measure, معیار ارزیابی, لینک های هم رخداد, شبکه ی واژه ها}, url = {http://jsdp.rcisp.ac.ir/article-1-182-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-182-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2015} } @article{ author = {khodadadi, habib and rahatiquchani, saeed and estaji, azam}, title = {Contrast Relation Recognition in Persian discourse using supervised learning methods}, abstract ={Discourse is a part of language that intend is used to communicate. A discourse relation recognition system can identify one or more relation between the textual units in a discourse. Like other languages, Contrast relation is a one of the available relations in Persian discourse. Contrast relation recognition in discourse is useful for generation and perception of discourse, paraphrasing and summarization systems and et al. This relation in one discourse is often detected by discourse marker such as “اما” and “ولی”, But in some situation these markers are removed and relation recognition is difficult. For this reason we have proposed to use of some feature for relation recognition. These features are: tense of verbs, word pairs, and et al. In this paper, a Corpus of Research Center of Intelligent Signal Processing has been used to collect 5000 instances of contrast and 5000 other relations then created feature vector for each instance. We used three supervised methods for classification: SVM, KNN ,Parzen Window and combine of this classifiers. Finally, the best result achieved by combine classifier that accuracy is 87.13.}, Keywords = {Contrast Relation Recognition , Discourse, Discourse Marker, Natural Language Processing, Supervised Learning}, volume = {12}, Number = {2}, pages = {13-22}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {شناسائی رابطه تقابل در گفتمان فارسی به کمک روش های یادگیری باسرپرستی}, abstract_fa ={گفتمان به هر قطعه یا پاره‌ای از زبان گفته می‌شود که به قصد برقراری ارتباط به کار برده شده باشد‌. سیستم شناسایی روابط موجود در گفتمان سیستمی است که می‌تواند روابط موجود بین واحدهای متنی یک گفتمان را شناسایی کند. یکی از روابط موجود در گفتمان‌های زبان فارسی رابطه تقابل است که شناسایی آن به توانائی تولید و درک گفتمان کمک می-کند و در سیستم‌های متعددی مانند خلاصه‌ساز، تفسیر و... کاربرد دارد. این رابطه در یک گفتمان می‌تواند به کمک نقش-نماهای خاص رابطه تقابل مانند "اما" و "ولی" شناسایی شود؛ اما در بعضی موارد این نقش‌نماها حذف می‌شوند و شناسایی رابطه را با مشکل مواجه می‌کنند. لذا به منظور شناسایی این رابطه، از ویژگی‌هائی مانند زمان فعل‌ها، جفت کلمات و ... استفاده شد. بدین منظور و پس از گردآوری 5000 نمونه رابطه تقابل و 5000 نمونه سایر روابط از مجموعه داده پژوهشکده هوشمند علائم، برای هر نمونه بردار ویژگی تشکیل داده شد و در نهایت برای دسته‌بندی و تشخیص رابطه تقابل از چند روش‌ یادگیری باسرپرستی شامل ماشین بردار پشتیبان ، نزدیکترین همسایه، پنجره پارزن و همچنین ترکیب این دسته-بندها استفاده شد. که بهترین میزان صحت 87.13 و مربوط به ترکیب دسته‌بندها در بهترین حالت می‌باشد}, keywords_fa = {پردازش زبان طبیعی, گفتمان, نقش‌نمای گفتمان, شناسایی رابطه تقابل‌, یادگیری باسرپرستی}, url = {http://jsdp.rcisp.ac.ir/article-1-45-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-45-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2015} } @article{ author = {hoseinkhani, fatemeh and nasersharif, babak}, title = {Two Featuer Transformation Methods Based on Genetic Algorithm for Reducing Support Vector Machine Classification Error}, abstract ={Discriminative methods are used for increasing pattern recognition and classification accuracy. These methods can be used as discriminant transformations applied to features or they can be used as discriminative learning algorithms for the classifiers. Usually, discriminative transformations criteria are different from the criteria of  discriminant classifiers training or  their error. In this paper, for relating feature transformation criterion to classification rate, we obtain a feature transformation method using genetic algorithm where we choose fitness function as Support Vectomr Machine(SVM) classification error rate. In addition, we obtain a feature transformation method using multi-objective genetic algorithm in order to consider both between class discrimination (According to feature transformation criterion) and support vector machine classification error rate simultaneously. Experimental results on UCI dataset indicate that using both classification error and between class discrimination in feature transformation improve discriminative feature transformations performance in increasing SVM classification accuracy. Additionally, the use of feature transformation with classification error criterion increases SVM classification more than other conventional feature transformation and proposed two-objective methods.}, Keywords = {Feature Transformation, Discrimination, Support Vector Machine, Genetic Algorithms, Classification.}, volume = {12}, Number = {2}, pages = {23-39}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {دو روش تبدیل ویژگی مبتنی بر الگوریتم های ژنتیک برای کاهش خطای دسته بندی ماشین بردار پشتیبان}, abstract_fa ={در بازشناسی الگو یکی از روش های افزایش دقت بازشناسی، بهره گیری از روش های متمایز ساز است. این روش ها یا به صورت تبدیل متمایزساز بر ویژگی ها بکار می روند یا از روش های یادگیری متمایزساز برای آموزش دسته بند استفاده می کنند. معمولا معیار تبدیلات متمایز ساز متفاوت با معیار آموزش و یا خطای دسته بندهای متمایز ساز است. در مقاله حاضر، برای هماهنگ کردن معیار تبدیل ویژگی و نیز معیار دسته بندی ماشین بردار پشتیبان روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیک (GA) پیشنهاد می شود که معیار تبدیل آن کمینه کردن خطای دسته بندی ماشین بردار پشتیبان است. علاوه بر این، روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیک دوهدفه، پیشنهاد می شود که معیار این تبدیل بیشینه شدن تمایز بین دسته ای (مطابق با معیار روش های تبدیل ویژگی) و کمینه کردن خطای دسته بندی ماشین بردار پشتیبان به صورت همزمان است. ارزیابی بر روی دادگان UCI نشان می دهد که استفاده از معیارهای همزمان خطای دسته بندی و تمایز بین دسته ای در تبدیل ویژگی سبب بهبود عملکرد تبدیلات ویژگی متمایز ساز متداول در افزایش دقت دسته بندی ماشین بردار پشتیبان می گردد. علاوه بر اینکه استفاده از تبدیل ویژگی با معیار خطای دسته بندی نسبت به دیگر روش های شناخته شده تبدیل ویژگی و نیز روش دو هدفه، دقت دسته بندی ماشین بردار پشتیبان را بیشتر افزایش می دهد.}, keywords_fa = {تبدیل ویژگی , متمایزسازی , ماشین بردار پشتیبان , الگوریتم ژنتیک , دسته بندی}, url = {http://jsdp.rcisp.ac.ir/article-1-185-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-185-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2015} } @article{ author = {Hasanzadeh, Fatemeh and Shahabi, Hossein and Moghimi, Sahar and Moghimi, Ali}, title = {EEG investigation of the effective brain networks for recognizing musical emotions}, abstract ={In the current research brain effective networks related to happy and sad emotions are studied during listening to music. Connectivity patterns among different EEG channels were extracted using multivariate autoregressive modeling and partial directed coherence while participants listened to musical excerpts. Both classical and Iranian musical selections were used as stimulus. Participants’ self-reported emotional values were used for classification of excerpts. The connectivity matrices varied from happy to sad musical selections. Moreover, the parameters extracted from different regions correlated with subjective assessments of the emotional content. Self-reported valance had a positive correlation with the inflow of frontal channels while listening to happy excerpts. This correlation was negative for sad pieces. The obtained results demonstrate that the connectivity indices among different regions can be used for differentiating happy and sad emotions.}, Keywords = {EEG, emotion, music, partial directed coherence, effective network}, volume = {12}, Number = {2}, pages = {41-54}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {بررسی الکتروانسفالوگرام شبکه موثر مغز انسان در حین گوش دادن به موسیقی به منظور تشخیص احساسات}, abstract_fa ={در تحقیق حاضر شبکه های موثر مغزی مرتبط با احساسات شادی و غم در حین گوش کردن به موسیقی مورد مطالعه قرار می‌گیرند. الگوی ارتباط بین نواحی مختلف کانالهای EEG با استفاده از مدلسازی خودبازگشتی چند متغیره و کوهرنس جهت‌دار جزئی در حالی‌ که داوطلبین به موسیقی گوش فرا داده اند استخراج شد. به عنوان محرک از موسیقی کلاسیک و سنتی ایرانی استفاده شد. داوطلبین در حین گوش دادن به موسیقی با استفاده از یک نرم افزار قطعه مورد نظر را از لحاظ محتوای احساسی مورد مطالعه قرار دادند. از نتایج این ارزیابی برای طبقه‌بندی قطعات استفاده شد. ماتریس‌های ارتباط متناظر تفاوتهایی را در حین گوش دادن به قطعات شاد و غمگین نشان دادند. همچنین پارامترهای ارتباط که از بخشهای مشخصی از ماتریس‌های متناظر استخراج شده بودند همبستگی معناداری را با ارزیابی شخصی افراد از محتوای احساسی قطعات نشان دادند. میزان جاذبه گزارش شده توسط افراد در حین گوش کردن به قطعات شاد با اندیس‌های ورودی به کانالهای خصوصا ناحیه فرنتال همبستگی مثبتی نشان داد. این مساله در مورد قطعات غمگین برعکس بود (مقادیر همبستگی منفی بودند). در نهایت با توجه به نتایج بدست آمده به نظر می‌رسد می‌توان از اندیس‌های مربوط به ارتباط نواحی مختلف جهت شناسایی درک احساسی افراد از موسیقی استفاده کرد.}, keywords_fa = {الکتروانسفالوگرام, احساسات, موسیقی, کوهرنس جهت‌دار جزئی, شبکه موثر}, url = {http://jsdp.rcisp.ac.ir/article-1-198-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-198-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2015} } @article{ author = {rahimi, zeinab and samani, mohammad hossein and khadivi, shahram}, title = {Extracting parallel corpora from web comparable documents to improve the quality of an English-Farsi translation system}, abstract ={Data used for training statistical machine translation method are usually prepared from three resources: parallel, non-parallel and comparable text corpora. Parallel corpora are an ideal resource for translation but due to lack of these kinds of texts, non-parallel and comparable corpora are used either for parallel text extraction. Most of existing methods for exploiting comparable corpora look for parallel data at the sentence level. However, we believe that very non-parallel corpora have none or few good sentence pairs most of their parallel data exists at the sub-sentential level. The base system is Manteanu 2006 fragment extraction system implemented in C# and the proposed system is implemented based on extracting fragment blocks from input related sentences using score calculated from special features such as fragment length, LLR score, relevance path specification in the block and translation coverage percent. Evaluations indicates that proposed method outperforms the base system and the improved base system.}, Keywords = {Comparable Corpora, Fragment Extraction, Parallel Corpora, Machine Translation}, volume = {12}, Number = {2}, pages = {55-72}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {استخراج پیکره‌ موازی از اسناد قابل‌مقایسه برای بهبود کیفیت ترجمه در سیستم‌های ترجمه ماشینی}, abstract_fa ={امروزه با گسترش وسائل ارتباط عمومی و به خصوص شبکه جهانی اینترنت، نیاز به عملیات ترجمه خودکار به صورت چشم‌گیری افزایش یافته است. یکی از مطرح‌ترین روش‌های ترجمه ماشینی، روش‌ آماری است. پارامترهای سیستم ترجمه ماشینی آماری با استفاده از مجموعه بزرگی از دادگان آموزشی (پیکره موازی دو زبانه) تخمین زده می‌شود؛ اما در برخی زبان‌ها هنوز مسئله نیاز پایه‌ای سیستم ترجمه ماشینی آماری یعنی پیکره‌های متنی بزرگ موازی برطرف نشده است. برای رفع این مشکل روشی پیشنهادی برای بهبود کیفیت پیکره‌های مستخرج از اسناد قابل مقایسه و در نتیجه بهبود کیفیت سیستم ترجمه ماشینی ارائه شده است. از آنجایی که در اکثر متون قابل مقایسه داده‌های موازی نه به صورت جمله، بلکه به صورت قطعات زیرجمله‌ای ظاهر می‌شوند، روش پیشنهادی سعی در استخراج قطعات موازی به صورت بلوک با استفاده از مجموعه‌ای از ویژگی‌ها دارد که این ویژگی‌ها عبارت‌اند از طول عبارت، امتیاز شباهت لگاریتمی، شیب مسیر ترازبندی در بلوک، پراکندگی شیب قطعات تشکیل‌دهنده بلوک، مربعی بودن بلوک و درصد حضور کلمات هم ترجمه در بلوک. طبق ارزیابی‌های انجام شده روش پیشنهادی دارای کارایی مناسبی است و علاوه بر اینکه از نظر دقت و بازخوانی از روش‌های موجود استخراج قطعه پیشی گرفته است، دادگان مستخرج از اجرای این روش روی بخشی از پیکره قابل مقایسه موجود، کارایی سیستم ترجمه ماشینی پایه را برای دادگان آزمون مختلف از 0.33 تا 1.4 واحد بلو افزایش داده است.}, keywords_fa = {پیکره قابل مقایسه, استخراج قطعات موازی, پیکره موازی, ترجمه ماشینی}, url = {http://jsdp.rcisp.ac.ir/article-1-190-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-190-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2015} } @article{ author = {Ghodousi, mahrad and Nasrabadi, Ali moti and Torabi, Shahla and Mohammadian, Amin and Mehrnam, AmirHossei}, title = {Combination of event related potentials and Peripheral signals in order to improve the accuracy of the Lie detection Systems}, abstract ={Since it was being predicted that combination of psychophysiological and ERP signals, during the detection of a guilty person's knowledge can increase the performance of integrative lie detection system toward using the separate procedures Using the knowledge of both aspects, in this study it has been tried to determine the proper Inter-Stimulus Intervals (ISI) together with suitable sequence of stimulations in order to simultaneous recording of P300 component of brain Event Related Potentials and peripheral signals. Also a proper mock crime scenario has been designed it has the capability of exciting the cognitive aspect of mock crime and also was capable of provoking the subject’s concerns, based on telling lie about the crime. At the next stage, after recording data from 32 participants, features from their ERP and SCR (as one of the most important peripheral signals) signals have been extracted. Then, an LDA classifier was applied on selected features which were selected by Genetic algorithm and these accuracies: 76.67%, 73.33% & 80% have been obtained for EEG, SCR and Combined data respectively. The resulted accuracies at the first show the proper quality of scenario and protocol, in synchronous stimulation and recording of both signal categories, also the improvements which have been resulted by integrative data in compare with separate ones are observable.}, Keywords = {Oddball paradigm, Event Related Potentials, Integrated Lie-detection analysis, Peripheral Signals}, volume = {12}, Number = {2}, pages = {73-86}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {تلفیق پتانسیل‌های برانگیخته مغزی و سیگنال‌های محیطی به منظور بهبود کیفیت سیستم های تشخیص فریب}, abstract_fa ={از آنجا که پیش بینی می‌شد که تلفیق دو روش ثبت دادگان کلاسیک و مغزی در پروسه تشخیص دانش فرد خطاکار می‌تواند منجر به افزایش صحت عملکرد سیستم دروغ‌سنجی در مقایسه با عملکرد جداگانه هر کدام از این روش‌ها گردد، در این پژوهش، با بهره گیری از دانش موجود در هر دو حوزه سعی به بررسی فرضیه فوق شده است. در این راستا ابتدا فاصله زمانی ارائه تحریکها (ISI) و نیز نحوه چینش آن ها، به گونه-ای تنظیم شده است که امکان ثبت همزمان مولفه ‌P300 از پتانسیل‌های وابسته به رخداد مغزی و سیگنال‌های محیطی را فراهم ‌نماید؛ همچنین سناریوی مناسبی از جرم ساختگی طراحی شده تا هم در بردارنده‌‌ی اطلاعات شناختی جرم و هم مبتنی بر اضطراب ناشی از دروغ باشد. پس از ثبت دادگان از 32 شرکت‌کننده، به استخراج ویژگی از سیگنال های پتانسیل برانگیخته مغزی و SCR ( به عنوان یکی از مهم ترین سیگنال های محیطی) سوژه‌ها پرداخته شد. سپس با نتخاب ویژگی توسط الگوریتم ژنتیک و استفاده از طبقه بند LDA ، درصد صحت‌های تشخیصی 76.67% ، 73.33% و 80% به ترتیب برای ویژگی‌های حاصل از دادگان مغزی، SCR و تلفیقی حاصل شدند؛ صحت‌های حاصل در وهله اول بیانگر کیفیت مناسب سناریو و پروتکل طراحی شده در تحریک و ثبت همزمان هر دو دسته سیگنال بوده و همچنین بیانگر بهبود نتایج طبقه بندی با استفاده از دادگان تلفیقی در مقایسه با دادگان جداگانه می باشند.}, keywords_fa = {الگوی ادبال, پتانسیل‌های وابسته به رخداد مغزی, دروغ‌سنجی تلفیقی , سیگنال‌های محیطی}, url = {http://jsdp.rcisp.ac.ir/article-1-36-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-36-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2015} } @article{ author = {}, title = {Extractive summarization based on cognitive aspects of human mind for narrative text}, abstract ={This study explains a summarization system based on a cognitive model theory. This theory is about comprehension and is used to explain comprehending narrative texts. Majority of previous methods have been used statistical approaches for summarization, and this method is different as it tries to build a system based on a cognitive theory and not statistical methods. Main principle of situational model is that as humans read a text, they will make a mental image based on temporality, causality, intentionality, protagonists, and place. Proposed system extracts five features for each sentence and identifies the most important sentences based on five features. The results obtained from this method were satisfactory.}, Keywords = {Extractive summarization, Situational model theory, Cognitive Science, Narrative text}, volume = {12}, Number = {2}, pages = {87-96}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {خلاصه‌ساز متون روایی مبتنی بر جنبه‌های شناختی ذهن انسان}, abstract_fa ={این پژوهش به طراحی و ایجاد یک سامانه‌ خلاصه‌سازی متن، که مبتنی بر نظریات شناختی است، می‌پردازد. نظریه مدل موقعیتی مهمترین نظریه در زمینه عملکرد ذهن در درک متن شناخته می‌شود که برای توضیح فرآیند درک متون روایی کاربرد دارد. در مقایسه با دیگر روش‌ها که بطور معمول رویکردی آماری دارند، این روش از این نظر که سامانه‌ای مبتنی بر عملکرد ذهن انسان است، روش نوینی محسوب می‌شود، بعلاوه توانسته یکی از نظریات شناختی معتبر را در قالب یک سامانه خودکار خلاصه‌سازی به بوته آزمایش گذارد. نظریه شناختی مدل موقعیتی بیان می‌نماید که به هنگام خوانش متن، انسان به پنج ویژگی در سطح جمله شامل تغییر زمان و مکان، روابط علی، میزان ارتباط با موضوع و شخصیت‌های اصلی توجه می‌کند و چارچوبی ذهنی بر حسب آن ایجاد می‌نماید تا جملات مهم متن شناسایی ‌گردند. نتایج بدست آمده برای این روش دقتی رضایت‌بخش قابل مقایسه با روش‌های روز آماری را بدست داده است که از این جهت که مبتنی بر یک نظریه شناختی درک متن است، حائز اهمیت می‌باشد.}, keywords_fa = {کلید واژه: خلاصه‌سازی خودکار استخراجی, علوم شناختی, نظریه مدل موقعیتی , متون روایی.}, url = {http://jsdp.rcisp.ac.ir/article-1-203-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-203-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2015} } @article{ author = {}, title = {Speech Enhancement Using MMSE Estimator Based on Mixture of laplacian}, abstract ={In this paper an estimator of speech spectrum for speech enhancement based on Laplacian Mixture Model has been proposed. We present an analytical solution for estimating the complex DFT coefficients with the MMSE estimator when the clean speech DFT coefficients are mixture of Laplacians distributed. The distribution of the DFT coefficients of noise are assumed zero-mean Gaussian.The drived MMSE estimator is non-linear and it was shown that this estimator performs better than estimators which are based on Gaussian and Laplacin model}, Keywords = {EM algorithm, Gaussian noise, Laplacian Mixture Model, Minimum Statistic,MMSE estimator. }, volume = {12}, Number = {2}, pages = {97-107}, publisher = {Research Center on Developing Advanced Technologies}, title_fa = {بهسازی گفتار با تخمین گر کمترین میانگین مربعات خطا برپایه توزیع مخلوط لاپلاس برای گفتار}, abstract_fa ={در این مقاله یک روش بهسازی گفتار آماری با فرض توزیع مخلوط لاپلاس برای گفتار، برای تخمین سیگنال گفتار تمیز (بدون نویز) از سیگنال گفتار نویزی ارائه شده است. در روش پیشنهادی، ضرایب تبدیل فوریه زمان کوتاه گسسته سیگنال گفتار با استفاده از تخمین گر کمترین میانگین مربعات خطا، بدست می آید. در این تخمین، فرض می شود که تابع چگالی احتمال ضرایب تبدیل فوریه سیگنال تمیز و نویز به ترتیب، مخلوط لاپلاس و گوسی با میانگین صفر می باشد. نتایج حاصل از معیارهای SNRقطعه ای، LLR و PESQ نشان می دهد که روش پیشنهادی عملکرد بهتری نسبت به دو روش مبتنی بر توزیع گوسی و روش مبتنی بر توزیع لاپلاس دارد. }, keywords_fa = {تخمین گر MMSE, الگوریتم EM, توزیع مخلوط لاپلاس, توزیع گوسی}, url = {http://jsdp.rcisp.ac.ir/article-1-54-en.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-54-en.pdf}, journal = {Signal and Data Processing}, issn = {2538-4201}, eissn = {2538-421X}, year = {2015} }