@article{ 
author = {GhaneiYakhdan, Hossei},  
title = {A New Error Concealment Technique for Video Frames Using a RBF Neural Network}, 
abstract ={Transmission of compressed video over error prone channels may result in packet losses, which can degrade the image quality. Error concealment (EC) is an effective approach to reduce the degradation caused by the missed information. The conventional temporal EC techniques are always inefficient when the motions of the video object are irregular. In this paper, in order to overcome this problem, an efficient temporal EC approach to conceal the macroblock error for video coding systems is proposed. The proposed EC method employs a RBF neural network to estimate the motion vectors of the damaged macroblocks. RBF estimator is used only for areas of the fast motions, which reduces computation complexity. Because the neural networks have a great capacity for visualizing and interpreting high-dimensional data sets, the estimation model proposed herein can exploit the nonlinearity property of the neural networks to estimate lost motion vectors more accurately. Simulation results show that the proposed technique enhances both subjective and objective quality of reconstructed frames, such as the average PSNR increases about 1.6469 dB compared to the BMA method for the test video sequences in some frames},  
Keywords = {temporal error concealment, RBF neural network, motion vector estimation, motion compensation },
volume = {10},
Number = {1}, 
pages = {12-3}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {روشی جدید برای اختفای خطا در فریم‌های ویدئو با استفاده از شبکه‌ عصبی RBF},
abstract_fa ={ارسال ویدئوی فشرده‌شده در کانال‌های مستعد خطا ممکن است سبب اتلاف در بسته‌های ویدئو گردد که این می‌تواند کیفیت تصویر را‌ کاهش دهد. اختفای خطا یک رهیافت مؤثر جهت کاهش اتلاف ناشی از اطلاعات از دست رفته می‌باشد. شیوه‌های اختفای خطای زمانی متداول همیشه در مواقعی که شئی ویدئو دارای حرکات غیرعادی باشد کارآیی خود را از دست می‌دهند. در این مقاله، به‌منظور غلبه بر این مشکل، یک رهیافت اختفای خطای زمانی کارآ جهت پنهان‌سازی خطای ماکروبلاک برای سیستم‌های کدبندی ویدئو پیشنهاد می‌گردد. روش پیشنهادی از یک شبکه عصبی RBF برای تخمین بردارهای حرکت ماکروبلاک‌های آسیب‌دیده استفاده می‌کند. تخمین‌‌زن RBF فقط برای نواحی ویدئو با حرکات سریع استفاده می‌شود که این پیچیدگی محاسبات را کاهش می‌دهد. به دلیل ظرفیت بزرگ شبکه‌های عصبی در تجسم و تفسیر مجموعه‌های داده با ابعاد بالا، روش پیشنهادی می‌تواند بردارهای حرکت آسیب‌دیده در نواحی با حرکت سریع را به درستی تخمین بزند. نتایج تجربی نشان می‌دهد که شیوه پیشنهادی، کیفیت ذهنی و عینی فریم‌های بازسازی شده را ارتقاء می‌دهد، به‌طوری که میانگین حد اکثر نسبت سیگنال به نویز برای دنباله‌های مورد آزمایش در بعضی از فریم‌ها حدود dB 6469/1 نسبت به روش BMA افزایش می‌یابد.},
keywords_fa = {اختفای خطای زمانی، شبکه عصبی RBF، تخمین بردار حرکت، جبران‌سازی حرکت },
url = {http://jsdp.rcisp.ac.ir/article-1-95-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-95-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {},  
title = {New fast pre training method for deep neural network learning}, 
abstract ={In this paper, we propose efficient method for pre-training of deep bottleneck neural network (DBNN). Pre-training is used for initial value of network weights convergence of DBNN is difficult because of different local minimums. While with efficient initial value for network weights can avoided some local minimums. This method divides DBNN to multi single hidden layer and adjusts them, then weighs of these networks is used for initial value of DBNN weights and then train network. Proposed network is used for extraction of face component. This Method is implemented on Bosphorus database. Comparing results shows that new method has more convergence speed and generalization than random initial value. By means of this new training method and with same training error rate pixel reconstruction error is decreased 13.69% and recognition rate is increased 10%},  
Keywords = {Deep Architecture, Learning Convergence,Neural Network, Pre-training, Components },
volume = {10},
Number = {1}, 
pages = {26-13}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {روش پیش‌تعلیم سریع بر مبنای کمینه‌سازی خطا برای همگرائی یادگیری شبکه‌های‌ عصبی با ساختار عمیق},
abstract_fa ={در این مقاله با توسعه روش‌های موجود و بر مبنای کمینه‌سازی خطا و حفظ تمایز بیشینه مابین نمونه‌ها یک روش پیش‌تعلیم لایه‌به‌لایه سریع و کارا جهت مقداردهی اولیه مناسب وزن‌ها در شبکه‌های عصبی با ساختارهای عمیق ارائه شده است. تعلیم شبکه‌های عصبی عمیق به‌دلیل مواجه با تعداد بالای کمینه‌های موضعی اغلب همگرا نمی‌گردد. درحالیکه با مقداردهی اولیه مناسب وزن‌های شبکه به‌جای مقادیر تصادفی در ابتدای مسیر تعلیم، می‌توان از بسیاری از کمینه‌های موضعی اجتناب نمود. در این روش شبکه عصبی چند لایه به تعداد متناظری شبکه با یک لایه پنهان شکسته می‌شود و ابتدا این شبکه‌های تک لایه تعلیم داده می‌شوند. سپس مقادیر وزن حاصل از تعلیم اینها در شبکه عصبی اصلی قرار داده می‌شود و برای تنظیم دقیق وزن‌ها، تعلیم یکپارچه صورت می‌گیرد. روش پیشنهادی برای پیش‌تعلیم شبکه عصبی خودانجمنی 5 لایه پنهان جهت استخراج مؤلفه‌های اساسی غیرخطی چهره برای دادگان بسفروس مورد استفاده قرار گرفت. مقایسه میانگین نتایج شبکه‌های‌ عصبی با مقداردهی اولیه تصادفی و مقداردهی با روش پیش‌تعلیم لایه‌به‌لایه نشان می‌دهد که این روش پیش‌تعلیم علاوه بر اینکه سرعت همگرائی تعلیم را بهبود می‌دهد، قدرت تعمیم شبکه را نیز بالا می‌برد. به‌گونه‌ایکه با وجود خطای تعلیم یکسان، با بکارگیری روش پیش‌تعلیم لایه‌به‌لایه برای مقداردهی اولیه وزن‌ها، خطای بازسازی هر پیکسل %69/13 کاهش و درصد صحت بازشناسی تصاویر با استفاده از مؤلفه‌های استخراج شده حدود %10 رشد داشته است. },
keywords_fa = { استخراج مؤلفه‌، پیش‌تعلیم، شبکه‌‌های عصبی، ساختار عمیق، همگرائی  },
url = {http://jsdp.rcisp.ac.ir/article-1-112-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-112-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {Shekofteh, Yasser and Almasganj, Farsh},  
title = {Performance Improvement of Continuous Speech Recognition System Using Extracted Features of Speech Manifolds in the Reconstructed Phase Space}, 
abstract ={The design for new feature extraction methods out of the speech signal and combination of their obtained information is one of the most effective approaches to improve the performance of automatic speech recognition (ASR) system. Recent researches have been shown that the speech signal contains nonlinear and chaotic properties, but the effects of these properties are not used in the continuous ASR systems. Reconstructed phase space (RPS) is an appropriate domain to exhibit nonlinear properties of a chaotic signal. Therefore, in this paper a new method is proposed to utilize the RPS-based features (LLRPS). These features will be computed using similarity scores between the embedded speech signal in the RPS and a set of predefined phoneme manifolds. Then, TMLP-based neural network estimates phoneme posterior probability over the LLRPS features. The used neural network includes proper properties such as extracting dynamic information and output combination methods. Experimental results using Farsdat speech database show that nonlinear combination of the speech recognition outputs including traditional MFCC features and the LLRPS features, leading to improvement of 3.94% and 4.02% in the accuracy of frame and phoneme recognition, respectively.},  
Keywords = {Continuous speech recognition, Feature extraction, Reconstructed phase space, Phoneme manifolds, Likelihood Score, Neural network},
volume = {10},
Number = {1}, 
pages = {42-27}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بهبود عملکرد سیستم بازشناسی گفتار پیوسته بوسیله ویژگی‌های استخراج شده از مانیفولدهای گفتاری در فضای بازسازی شده فاز},
abstract_fa ={یکی از رویکردهای موثر در بهبود کارایی سیستم‌ های بازشناسی گفتار، طراحی روش‌های متنوع استخراج ویژگی از سیگنال گفتار و ترکیب اطلاعات به دست آمده از آن ها است. تحقیقات اخیر نشان می دهد که سیگنال گفتار دارای رفتار غیرخطی و آشوبی است، ولی از این مشخصه سیگنال گفتار در سیستم‌های بازشناسی پیوسته گفتار استفاده نمی‌شود. یکی از حوزه های مناسب برای نمایش دینامیک غیرخطی سیگنال آشوبی، فضای بازسازی شده فاز (RPS) است، از اینرو در این مقاله یک روش جدید استخراج ویژگی مبتنی بر RPS (LLRPS) پیشنهاد شده است. این ویژگی‌ها از امتیاز شباهت تراژکتوری سیگنال گفتار جاسازی شده در RPS با مجموعه ای از مانیفولدهای واجی از پیش تعیین شده محاسبه می شوند. سپس مقادیر احتمال پسین واجی بوسیله ساختار شبکه عصبی TMLP از روی ویژگی های LLRPS تخمین زده می شود. ساختار شبکه عصبی استفاده شده بصورتی است که علاوه بر توانایی استخراج اطلاعات دینامیک، دارای قابلیت پیاده سازی روش های متنوع ترکیب خروجی است. نتایج آزمایشات بر روی مجموعه دادگان گفتاری فارس‌دات نشان می دهد که ترکیب غیرخطی خروجی سیستم های بازشناسی، شامل ویژگی های متداول کپستروم MFCC و ویژگی های پیشنهادی LLRPS، به ترتیب منجر به بهبود 94/3 درصد در دقت بازشناسی قاب و 02/4 درصد در دقت بازشناسی واج نسبت به عملکرد سیستم بازشناسی پایه شده است.},
keywords_fa = {بازشناسی گفتار پیوسته، استخراج ویژگی، فضای بازسازی شده فاز، مانیفولدهای واجی ، امتیاز درست نمایی، شبکه عصبی. },
url = {http://jsdp.rcisp.ac.ir/article-1-76-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-76-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {},  
title = {A novel method for suitable selection of watermark strength in digital image watermarking based on imperialist competitive algorithm}, 
abstract ={Watermarking systems have specific feathers in accordance with their applications. In many applications transparency and robustness are needed which are the most important features. These two features are in contrast to each other and are controlled by a parameter named watermark strength. With decreasing the watermark strength, transparency of the watermarking system increases while the robustness of the watermarking system decreases and vice versa. Having these two features is not possible at the same time in a watermarking system and there should be tradeoff between transparency and robustness choosing correct watermark strength. In this paper, the imperialist competitive algorithm is used for determining the watermark strength for having transparency and robustness at the same time. The simulation results show that the imperialist competitive algorithm can propose proper watermark strength for a watermarking system with less computational complexity},  
Keywords = {image watermarking, discrete cosine transform, imperialist competitive algorithm  },
volume = {10},
Number = {1}, 
pages = {56-43}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {ارائه یک روش نوین جهت تعیین قوت واترمارک با استفاده از الگوریتم رقابت استعماری},
abstract_fa ={سیستم‌های واترمارکینگ با توجه به کاربرد، دارای ویژگی‌های خاصی می‌باشند. شفافیت و مقاومت از مهم‌ترین این ویژگی‌ها می‌باشند که در اکثر کاربرد‌ها مورد نیاز می‌باشند. این دو ویژگی در تضاد با یکدیگر هستند و توسط پارامتری به نام قوت واترمارک کنترل می‌شوند. در اثر کاهش قوت واترمارک، شفافیت سیستم واترمارکینگ افزایش و مقاومت آن کاهش می‌یابد و برعکس. در یک سیستم واترمارکینگ داشتن این دو ویژگی به طور هم‌زمان امکان‌پذیر نیست و باید با انتخاب صحیح قوت واترمارک مصالحه‌ای بین شفافیت و مقاومت برقرار کرد. در این مقاله رهیافت جدیدی بر اساس الگوریتم رقابت استعماری برای یافتن قوت واترمارک جهت داشتن هم‌زمان ویژگی‌های شفافیت و مقاومت پیشنهاد می‌گردد. نتایج حاصل از پیاده‌سازی نشان می‌دهد که الگوریتم پیشنهادی با داشتن پیچیدگی محاسباتی کم‌تر، قوت واترمارک مناسبی را برای سیستم واترمارکینگ در مقایسه با الگوریتم ژنتیک ارائه نموده است},
keywords_fa = {واترمارکینگ تصویر دیجیتال، تبدیل کسینوسی گسسته، الگوریتم رقابت استعاری. },
url = {http://jsdp.rcisp.ac.ir/article-1-53-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-53-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {Kittler, Josef},  
title = {Speech Signals Processing Using New Compressive Sampling Based Feature Extraction Method}, 
abstract ={In this paper, we present a Compressive Sampling (CS)-based feature extraction method for audio signals. In the proposed approach, the audio signal is firstly segmented by hamming windows and the Discrete Fourier Transform (DFT) of the samples is calculated within each frame. Then, the normalized values of the DFT coefficients of each frame are accumulated. At the next step, the second DFT is applied on the vector formed from the accumulated sum in consecutive frames. Finally, considering the sparseness of the resulted vector, our proposed CS-2FFT feature vector is achieved by a random sampling. In this research, the performance of CS-2FFT feature vector has been examined in the applications of audio classification and audio source localization. The simulation show that the proposed feature vector results in a classifier which is more accurate and less computationally complex compared to the classical classifiers. Also, it is shown that the employing CS-2FFT feature vector, the localization error will be less than 2%.},  
Keywords = {Feature Extraction, Compressive Sampling, Genre Classification, Sound Source Localization.},
volume = {10},
Number = {1}, 
pages = {68-57}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {راهکار جدید استخراج ویژگی مبتنی بر نمونه‌برداری فشرده در پردازش سیگنال‌های صوتی},
abstract_fa ={در این مقاله با استفاده از راهکار نمونه‌برداری فشرده، الگوریتمی برای استخراج ویژگی از سیگنال‌های صوتی معرفی می‌شود. در روش پیشنهادی، ابتدا سیگنال صوت پنجره‌گذاری شده و تبدیل فوریه نمونه‌های درون هر پنجره محاسبه می‌گردد. سپس مقادیر دامنه‌های هنجارشده‌ی ضرایب بدست آمده در هر پنجره با هم جمع شده و از بردار حاصله که مولفه‌های آن مجموع دامنه‌ی ضرایب در هر پنجره می‌باشد مجددا تبدیل فوریه گرفته می‌شود، در نهایت با توجه به تُنُکی ایجاد‌شده، از بردار بدست آمده به صورت تصادفی نمونه‌برداری می‌شود. در این پژوهش در کاربرد‌های مختلفی از بردار ویژگی بدست آمده استفاده شده است. از جمله این کاربردها می‌توان به طبقه‌بندی اصوات و مکان‌یابی منابع صوت اشاره کرد. در شبیه‌سازی‌های صورت گرفته نشان داده می‌شود که در مقایسه با برخی از طبقه‌بندی‌کننده‌ی مطرح دیگر، طبقه‌بندی‌کننده مبتنی بر ویژگی ارائه شده، دقت بیشتر و بار محاسباتی کمتر دارد. همچنین در شبیه‌سازی‌ها نشان می‌دهد شده است که با استفاده از این الگوریتم استخراج ویژگی می‌توان موقعیت منابع را با خطای کمتر از 2 درصد، تعیین کرد.},
keywords_fa = {نمونه‌برداری فشرده، استخراج ویژگی، طبقه‌بندی اصوات، مکان‌یابی منابع صوت},
url = {http://jsdp.rcisp.ac.ir/article-1-63-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-63-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {Ghassemian, Hass},  
title = {Multispectral and Panchromatic image fusion using Spatial PCA}, 
abstract ={Obtaining of an image with high spectral and spatial resolution is the goal of image fusion. The PCA is a well-known pan-sharpening approach widely used for its efficiency and high spatial resolution. However, it can distort the spectral characteristics of the multispectral images. To avoid the weak points of the standard PCA technique, Spatial PCA transform has been proposed and the reasons of superiority of this method in maintaining of the spectral information are discussed in this paper. At the end of the paper, a new assessment is proposed and the advantage of this method relative to the conventional mutual information is argued. The proposed assessment and the other popular metrics such as: ERGAS, SAM, correlation coefficient UIQI, and mutual information are used to analyze the fusion result. These assessments show that the proposed method has the least color distortions and contains more spatial information.},  
Keywords = {Image Fusion, Panchromatic Image, Multispectral Images, Spatial Information, Spectral Information, Standard PCA, Spatial PCA, Wavelet, Contourlet. },
volume = {10},
Number = {1}, 
pages = {78-69}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {استفاده از تبدیل PCA مکانی جهت ادغام تصاویر چند طیفی و تک رنگ},
abstract_fa ={هدف نهایی ادغام تصاویر، بدست آوردن تصویری است که بطور همزمان دقت مکانی و طیفی بالایی داشته باشد. الگوریتم PCA استاندارد که بطور معمول در ادغام تصاویر بکار می‌رود، منجر به تخریب اطلاعات طیفی در تصویر ادغام شده می‌شود. در این مقاله، به منظور جلوگیری از نقطه ضعف الگوریتم PCA استاندارد، از تبدیل PCA مکانی به عنوان روشی نوین در ادغام تصاویر چند طیفی و تک رنگ استفاده می‌شود و استدلال خواهد شد که روش ارائه شده، دارای کارآیی بالاتری در حفظ اطلاعات طیفی و مکانی است. در انتهای مقاله یک روش ارزیابی نوین معرفی می‌شود و استدلال خواهد شد که این روش ارزیابی، کاراتر از روش متداول اطلاعات متقابل است. تصاویر ادغام شده، با استفاده از روش پیشنهادی و سایر روشهای رایج مانند: همبستگی خطی، ERGAS، SAM، UIQI، و اطلاعات متقابل ارزیابی خواهند شد و برتری الگوریتم پیشنهادی در حفظ اطلاعات مکانی و طیفی نسبت به سایر الگوریتمها نشان داده خواهد شد. },
keywords_fa = {ادغام تصاویر، تصاویر تک‌رنگ، تصاویر چند طیفی، اطلاعات مکانی، اطلاعات طیفی، PCA استاندارد، PCA مکانی، موجک، کانتورلت. },
url = {http://jsdp.rcisp.ac.ir/article-1-100-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-100-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {Kabiri, Peyman and Mohebol-Hojeh, Alirez},  
title = {}, 
abstract ={},  
Keywords = {},
volume = {10},
Number = {2}, 
pages = {3-20}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {امکان‌سنجی پیش‌بینی خیلی کوتاه مدت وضع هوا بر پایه داده‌های ایستگاه‌های همدیدی ایران},
abstract_fa ={جو زمین یک سیستم آشوبناک است و پدیده‌هایی که در آن رخ می‌دهند، از پیچیدگی بالایی برخوردار می‌باشند. روزانه حجم انبوهی از داده‌های آب‌وهوایی در صدها ایستگاه همدیدی کشور ثبت می‌شوند. در این مقاله، امکان بکارگیری این داده‌ها برای پیش‌بینی کوتاه مدت وضع هوا مورد بررسی قرار گرفته است. برای پیش‌بینی بر مبنای این داده‌ها، چارچوبی پیشنهاد شده است که مبتنی بر بکارگیری مجموعه‌ای از نگاشت‌های وضعیت کنونی به وضعیت 3 ساعت آینده است. در بخشی از مقاله امکان پیش‌بینی وضعیت 3 ساعت آینده ایستگاه همدیدی همدان بر پایه وضعیت جاری این ایستگاه و 9 ایستگاه پیرامونش مورد بررسی قرار گرفته است. برای نگاشت از وضعیت کنونی به وضعیت آینده، نخست پارامترهای ورودی مهم‌تر در توصیف وضعیت کنونی انتخاب و سپس از یک رگرسیون کننده برای نگاشت به وضعیت آینده استفاده شده است. نتایج تجربی نشان می‌دهند که پیش‌بینی دقیق تنها با تکیه بر داده‌های ایستگاه‌های همدیدی میسر نیست. },
keywords_fa = {ایستگاه سینوپتیک, سیستم آشوبناک, پیش‌بینی کوتاه مدت, انتخاب ویژگی, رگرسیون, پیش‌بینی غیر عددی. },
url = {http://jsdp.rcisp.ac.ir/article-1-80-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-80-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2014}  
}

@article{ 
author = {yazdchi, mohamadreza and mahnam, ami},  
title = {Designing an Experiment to Improve Automatic Emotion Detection Using EEG}, 
abstract ={Emotions play an important role in daily life of human, so the need and importance of automatic emotion recognition have grown with increasing role of Human Computer Interaction (HCI) applications. Since emotion recognition using EEG can show inner emotions, this method is more attention from other ways. In consideration to lack of emotion induction collection for doing such researches at Iranian culture, in this research some emotion induction experiments are designed to create four emotion states in subjects. Once subjects are experimented by International Affective Picture System (IAPS) that collected at Florida University and then they are experimented by corresponding movies with Iranian culture. Results show that corresponding movies get higher accuracy in comparison with IAPS. Fast computing, using only two electrodes and obtaining high accuracy from EEG signals are other advantages of this research},  
Keywords = {Emotion recognition, EEG signal, International Affective Picture System, Fractal dimension },
volume = {10},
Number = {2}, 
pages = {21-34}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بهبود تشخیص خودکار احساسات با استفاده از سیگنالEEG},
abstract_fa ={احساسات نقش مهمی در زندگی روزمره انسان بازی می‌کنند از این رو نیاز به بازشناسی خودکار آن برای بهبود ارتباط انسان و رایانه افزایش یافته است. بازشناسی از طریق سیگنال EEG با توجه به نشان دادن احساسات درونی افراد نسبت به سایر روش‌ها بسیار مورد توجه است. با توجه به فقدان مجموعه تحریک کننده‌های عاطفی برای انجام چنین مطالعاتی در فرهنگ ایرانی، در این مطالعه سعی بر انجام آزمایش‌هایی مطمئن و ایجاد چهار وضعیت احساسی در افراد شرکت‌کننده شده است. سوژه‌ها یک‌بار از طریق سیستم تصاویر استاندارد عاطفی که در دانشگاه فلوریدا جمع‌آوری شده است تحریک می‌شوند و بار دیگر از طریق مجموعه از فیلم هایی که با توجه به فرهنگ ایرانی جمع‌آوری شده‌اند آزمایش می‌شوند. نتایج حاکی از موفقیت بیشتر مجموعه فیلم‌های جمع‌آوری شده جهت تحریک عاطفی افراد شرکت کننده است. نکته قابل توجه دیگر در این مطالعه استفاده تنها از دو الکترود و بازشناسی احساسات با صحت بالا است},
keywords_fa = {بازشناسی احساسات, سیگنالEEG, سیستم تصاویر استاندارد عاطفی, بعد فرکتال. },
url = {http://jsdp.rcisp.ac.ir/article-1-83-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-83-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2014}  
}

@article{ 
author = {},  
title = {Development and Enhancement of an interactive Computer-Assisted Translation System for English to Persian}, 
abstract ={In recent years, significant improvements have been achieved in statistical machine translation (SMT), but still even the best machine translation technology is far from replacing or even competing with human translators. Another way to increase the productivity of the translation process is computer-assisted translation (CAT) system. In a CAT system, the human translator begins to type the translation of a given source text by typing each character the MT system interactively offers the choices to enhance and complete the translation. Human translator may continue typing or accept the whole completion or part of it. In this paper, we propose new approaches for increasing the performance of the interactive CAT. Our approaches are included a new search way and a hybrid back-off model. We could achieve 1.3% improvement by using our offered search approach},  
Keywords = {Statistical Machine Translation (SMT), Computer-Assisted Translation (CAT), Interactive CAT, Prefix Search.},
volume = {10},
Number = {2}, 
pages = {35-46}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بهبود و توسعه یک سیستم مترجم‌یار انگلیسی به فارسی},
abstract_fa ={در این مقاله، ما برای اولین بار به بررسی سیستم‌های مترجم‌یار تعاملی و ارائه روش‌هایی در جهت بهبود کارایی این سیستم‌ها در زمینه‌ی ترجمه‌ی انگلیسی به فارسی می‌پردازیم. در یک سیستم مترجم‌یار تعاملی، یک ترجمه از یک سری همکاری‌های متناوب ماشین و مترجم انسانی به وجود می‌آید. مشارکت ماشین تنها در قالب پیشنهاداتی درباره جمله مقصد انجام می‌شود، اما مترجم می‌تواند آزادانه پیشنهادات ارائه شده توسط مشارکت سیستم را بپذیرد، تغییر دهد و یا از آن‌ها صرفه نظر نماید. در واقع یک سیستم مترجم‌یار به عنوان ابزاری جهت تسهیل و تسریع فرآیند ترجمه به خدمت مترجم در می‌آید. ما در این مقاله با اشاره به نواقص روش‌های قبلی در بخش تعاملی سیستم مترجم‌یار، روش‌های جدیدی را ارائه داده ایم که در نهایت موجب بهبود 1.3 درصدی نتایج سیستم می‌شود. },
keywords_fa = {سیستم‌ مترجم‌یار کامپیوتری, سیستم مترجم‌یار تعاملی, ترنزتایپ , موزز, جستجوی پیشوند. },
url = {http://jsdp.rcisp.ac.ir/article-1-55-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-55-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2014}  
}

@article{ 
author = {},  
title = {An Improvement on Robust Pattern Recognition Using Chaotic Dynamics in Attractor Recurrent Neural Network}, 
abstract ={In this paper, two kinds of chaotic neural networks are proposed to evaluate the efficiency of chaotic dynamics in robust pattern recognition. The First model is designed based on natural selection theory. In this model, attractor recurrent neural network, intelligently, guides the evaluation of chaotic nodes in order to obtain the best solution. In the second model, a different structure of chaotic neural network is presented which includes chaotic neurons in the hidden layer. The behavior of these neurons can be controlled by changing the parameters of chaotic neurons. Furthermore, both models are supposed to recognize the noisy patterns even those with high levels of additional noise (up to 60%). Using the first proposed model, the accuracy of recognition was improved by 37.16%, 29.15% and 8.5% comparing to feedforward neural network, chaotic neural network based on chaotic nodes - NDRAM, and ARNN respectively. The second model increased the accuracy of recognition by an average of 13.91%, and 5.41% in comparison to ARNN and first model. In addition, it has been observed that the second model had a better performance, even in point attractor mode, than ARNN which acts in non chaotic mode.},  
Keywords = {Attractor Recurrent Neural Network, Chaotic Dynamics, Chaotic Neuron, Point Attractor, Robust Pattern Recognition},
volume = {10},
Number = {2}, 
pages = {47-67}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بهبود بازشناسی مقاوم الگو در شبکه های عصبی بازگشتی جاذب از طریق به کارگیری دینامیک های آشوب گونه},
abstract_fa ={در این مقاله، به منظور ارزیابی تأثیر دینامیک های آشوب گونه در افزایش کارایی شبکه های عصبی بازگشتی در بازشناسی مقاوم الگو، دو مدل برای شبکه های عصبی آشوب گونه ارائه شده است. در مدل اول که براساس نظریه انتخاب طبیعی طراحی گردیده است، شبکه عصبی بازگشتی جاذب (ARNN) به عنوان هوش حاکم، تنوعات ایجاد شده توسط گره های آشوبی را در جهت رسیدن به جواب بهینه هدایت می نماید. در مدل دوم، ساختاری از شبکه عصبی آشوب گونه طراحی شده است که در لایه پنهان خود دارای نورون هایی با تابع فعالیت آشوب گونه می باشد. رفتار این نورون ها توسط پارامترآن ها تنظیم می گردد. بهبود درصد صحت عملکرد مدل اول در بازشناسی الگوی نویزی در سطوح نویز بالا (بیش از 60%) به ترتیب 16/37%، 15/29% و 5/8% نسبت به شبکه جلوسو، شبکه عصبی آشوب گونه برمبنای گره آشوبی- NDRAM و شبکه ARNN، می باشد. همچنین مدل دوم، درصد صحت بازشناسی شبکه ARNN و مدل اول را در بازشناسی الگوی نویزی در سطوح نویز بالا (بیش از 60%) به ترتیب 91/13% و 41/5% ارتقا داده است. از سوی دیگر، نتایج نشان می دهد که این مدل، حتی در حالت رفتار جاذب نقطه ای که مشابه رفتار شبکه ARNN می باشد، درصد صحت بازشناسی را 41/10% نسبت به این شبکه بهبود داده است. },
keywords_fa = {شبکه عصبی بازگشتی جاذب (ARNN), دینامیک های آشوب گونه, نورون آشوب گونه, جاذب نقطه ای, بازشناسی مقاوم الگو },
url = {http://jsdp.rcisp.ac.ir/article-1-145-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-145-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2014}  
}

@article{ 
author = {salimibadr, armin and Homayounpour, Mohammad Mehdi},  
title = {Phrase chunking in Persian texts}, 
abstract ={Text tokenization is the process of tokenizing text to meaningful tokens such as words, phrases, sentences, etc. Tokenization of syntactical phrases named as chunking is an important preprocessing needed in many applications such as machine translation information retrieval, text to speech, etc. In this paper chunking of Farsi texts is done using statistical and learning methods and the grammatical characteristics of Farsi texts. Many features and labeling methods are examined one by one and the best features and labeling techniques are used for the detection of syntactic phrases and their boundaries. Several machine learning techniques including Support Vector Machine and Conditional Random Fields are used as classifier in our experiments. The impact of the size of training texts on chunking performance was studied as well. Using the proposed methods in this paper, a performance of 84.02% was obtained for detection of phrase boundaries and 78.04% for detection of both phrase boundaries and phrase type},  
Keywords = {Natural language processing, Phrase chunking, POS tagging, Support vector machine, Conditional random fields, Text to speech, Machine translation},
volume = {10},
Number = {2}, 
pages = {69-86}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تعیین مرز و نوع عبارات نحوی در متون فارسی},
abstract_fa ={واحدسازی، از مهمترین مسائل در پردازش زبان‌های طبیعی است که عبارت است از فرایند تقسیم متن به واحدهای معنادار نظیر واژه، عبارت نحوی، جمله و غیره. واحدسازی گروه‌های نحوی یک متن، از جمله وظایف واحدسازی متن محسوب می‌شود که در بسیاری از کارهای پردازش زبان طبیعی، نظیر سیستم‌های ترجمه‌ی ماشینی، استخراج اطلاعات، پرسش‌وپاسخ و سیستم‌های تبدیل متن به گفتار، می‌تواند به عنوان پیش‌پردازشی مهم، حضور داشته باشد. واحدسازی عبارات نحوی، در هر زبان، متناسب با ویژگی‌های نوشتاری آن زبان دارای مشکلات و پیچیدگی‌هایی است. زبان فارسی به‌دلیل وجود رسم‌الخط‌های مختلف، جملات بدون ترتیب، افعال مرکب، ابهامات معنایی و عدم نمایش مصوت‌ها دارای مشکلاتی است. در این مقاله روشی مبتنی بر روش‌های آماری و یادگیری و اطلاعات و ویژگی‌های دستور زبانی جهت تشخیص مرز و نوع گروه‌های نحوی در متون فارسی فاقد علایم سجاوندی ارائه شده است که در آن از روش‌های یادگیری ماشین بردار پشتیبان و میدان تصادفی شرطی استفاده شده است. در روش ارائه شده ویژگی‌های مختلف زبانی استخراج و مورد بررسی قرار گرفته است. بهترین دقت به دست آمده توسط این سیستم، 02/84% بر اساس معیار F و 45/87%، بر اساس تعداد برچسب‌های صحیح به کل در تعیین مرز، و 04/78%، در تعیین مرز و نوع به صورت توأم، بوده است.. },
keywords_fa = {پردازش زبان طبیعی –  تعیین مرز و نوع گروه‌های نحوی – برچسب‌گذاری مقوله‌ی نحوی - ماشین بردار پشتیبان – میدان تصادفی شرطی - تبدیل متن به گفتار - ترجمه‌ی ماشینی.},
url = {http://jsdp.rcisp.ac.ir/article-1-73-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-73-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2014}  
}

@article{ 
author = {},  
title = {FARSIARABIC TEXT DETECTION AND LOCALIZATION IN VIDEO FRAMES}, 
abstract ={Video text detection plays an important role in applications such as semantic-based video analysis, text information retrieval, archiving and so on. In this paper, we propose a Farsi/Arabic text detection approach. First, with an appropriate edge detector, edges are extracted and then by using edges cross ponts, artificial corners are extracted. Artificial corner histogram analysis is done for rejecting some non text corners. The discrete cosine transform (DCT) coefficients of input picture are extracted and texture intensity picture is created by combining appropriate coefficients. With combining artificial corners image and texture intensity image, a features vector is extracted and fed into support vector machine (SVM) classifier for detecting text regions. Finally with drawing normalized texture intensity profiles, final verification is done and text lines are sepersted from each others},  
Keywords = {Farsi/Arabic, video sequence, text detection, artificial corner, DCT },
volume = {10},
Number = {2}, 
pages = {87-104}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {آشکارسازی و تعیین مکان متون فارسی - عربی در تصاویر ویدیویی},
abstract_fa ={استخراج اطلاعات متنی از تصاویر ویدیویی نقش مهمی را در کاربردهایی نظیر تحلیل معنایی ویدیو، بازیابی اطلاعات متنی، آرشیو تصاویر ویدیویی و اطلاعات مربوطه ایفا می‌کند. در این مقاله روشی جهت استخراج متن فارسی- عربی از تصاویر ویدیویی ارائه می‌گردد. در ابتدا با استفاده از آشکارساز لبه مناسب، لبه‌های موجود در تصویر استخراج ‌گردیده و با استفاده از مکان تلاقی لبه‌ها، گوشه‌های تصنعی موجود در تصویر مشخص می‌شوند. تحلیل هیستوگرام جهت حذف برخی از گوشه‌های تصنعی نواحی غیر‌متنی انجام می‌شود. سپس ضرایب تبدیل فوریه کسینوسی گسسته بلوک‌های تصویر استخراج شده و با ترکیب تعدادی از ضرایب، تصویر شدت بافت حاصل ‌می‌شود. با تلفیق مشخصه‌های حاصل از گوشه‌های تصنعی و تصویر شدت بافت، بردار مشخصه‌ای جهت اعمال به یک طبقه‌بندی جهت جدا سازی نواحی متنی از غیرمتنی حاصل می‌شود. در نهایت با رسم پروفایل‌های نرمالیزه شده شدت بافت، بازبینی نهایی انجام شده و تفکیک خطوط متنی از یکدیگر انجام ‌می‌گیرد. },
keywords_fa = {متون فارسی- عربی, ویدیو, آشکارسازی متن, گوشه تصنعی, تبدیل فوریه کسینوسی گسسته },
url = {http://jsdp.rcisp.ac.ir/article-1-132-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-132-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2014}  
}