@article{ 
author = {},  
title = {A New Authentication System Based on Wavelet and Contourlet Transforms for Low Quality Palmprint Images}, 
abstract ={This paper proposed an authentication system based on low quality palmprint. For implementation of this system, first the features is extracted by using Contourlet and wavelet transforms. In the second phase, some of the features are selected by using Across Group Variance (AGV) filter. In the last phase by using a classification method, the authentication is completed. For classification we evaluated three different methods, Support Vector Machine (SVM), Revised Nearest Neighbor (RNN), and Boosted Direct Linear Discriminant Analysis (BDLD). The experiment is performed on the famous PolyU Palmprint database. The results shows that by combination of the proposed system and BDLD classifier has better performance in comparison to other methods and the same database.},  
Keywords = {Palmprint, Authentication, Biometric, Contourlet Transform, Wavelet Transform, AGV},
volume = {7},
Number = {2}, 
pages = {3-12}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {سیستم جدید احراز هویت مبتنی بر تبدیل های کانتورلت و موجک برای تصاویر با کیفیت پائین کف دست},
abstract_fa ={در این مقاله یک روش احراز هویت بر اساس تصاویر با کیفیت پائین کف دست ارائه شده است. در پیاده سازی این سیستم، ابتدا با استفاده از تبدیل های کانتورلت و موجک خصیصه های مورد نظر استخراج می شوند. در مرحله دوم خصیصه های مناسب با استفاده از روش مبتنی بر فیلتر Across Group Variance(AGV) انتخاب می گردند. در آخر نیز با استفاده از روش طبقه بندی، تشخیص هویت صورت می گیرد. در طبقه بندی سه روش ماشین بردار پشتیبان(SVM)، نوع بهبود یافته نزدیک ترین همسایه(RNN) و همچنین نسخه تقویت شده تحلیل تفکیک کننده خطی مستقیم(BDLDA) مورد ارزیابی قرار گرفت. آزمایشات بر روی پایگاه داده مشهور تصاویرکف دست دانشگاه پلی تکنیک هنگ کنگ انجام گردید. نتایج حاصل نشان می دهد که ترکیب سیستم ارایه شده با طبقه بند تحلیل تفکیک کننده خطی مستقیم تقویت شده، بازدهی بهتری را نسبت به سایر روش های انجام شده بر همین پایگاه نشان می دهد.},
keywords_fa = {اثرکف دست, احراز هویت, بیومتریک, تبدیل کانتورلت, تبدیل موجک, AGV.},
url = {http://jsdp.rcisp.ac.ir/article-1-718-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-718-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2011}  
}

@article{ 
author = {},  
title = {as}, 
abstract ={as},  
Keywords = {as},
volume = {7},
Number = {2}, 
pages = {13-22}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تحلیل الگوریتم رمز جریانی \'HC-256 بر اساس حمله تمایز},
abstract_fa ={رمزهای جریانی یکی از مهمترین نوع از الگوریتمهای رمزنگاری متقارن میباشند که بلحاظ قابلیتهای ویژه و مناسب در برخی از کاربردهایی مانند امنیت شبکه ها و زیرساخت مخابراتی، ارزیابی امنیتی آنها در حوزه ی شبکه های ارتباطی از اهمیت به سزایی برخوردارند و پروژه ی بین المللی eSTREAM در راستای افزایش فعالیت در این شاخه ی رمزنگاری نقش به سزایی ایفا نمود. در این مقاله یکی از الگوریتم های رمز جریانی پایه آرایه ایی با استفاده از حمله تمایز مورد ارزیابی تحلیلی قرار می گیرد. درواقع ایده ی اصلی این مقاله در معرفی دو دسته تمایزگر، تمایزگر پایه و بهبودیافته برروی الگوریتم رمز جریانی HC-256 می باشد که در حمله پایه، نیاز به 556^2 معادلات خطی می باشد درحالیکه در حمله ی بهبودیافته نیاز به 551.4^2 معادله می باشد. بنابراین در حمله ی بهبود یافته تقریبا ًسی مرتبه کم تر از حمله پایه، نیاز به رشته کلید خروجی از الگوریتم رمز داریم.},
keywords_fa = {حمله تمایز, تمایزگر پایه, تمایزگر بهبود یافته, ارزیابی تحلیلی, , eSTREAM},
url = {http://jsdp.rcisp.ac.ir/article-1-721-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-721-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2011}  
}

@article{ 
author = {},  
title = {Reducing the Periodic Noise Effects in Digital Image by an Adaptive Median Filter in the Frequency Domain}, 
abstract ={Periodic noises are repetitive patterns on digital images and decreased the visual quality of images. The various methods for reducing the effects of the periodic noise in digital images are firstly investigated. Then an intelligent median filter in the frequency domain with an acceptable computational cost is proposed. In the proposed method, the regions of noise frequencies are determined by analyzing intelligently the spectral of noisy image. Then only for the destroyed frequencies by periodic noise, a median filter with proper size in the frequency domain is applied and the spectrum of the image with reduced periodic noise is computed. The compared methods including the proposed method, the mean and the median filtering techniques, all in frequency domain are implemented not only under MATLAB environment, but also by C programming under OpenCV library. The results in different conditions show that the proposed filter shows higher performances, visually and statistically, and also in needs very lower computational cost.},  
Keywords = {Periodic Noise, Filtering in Frequency Domain, Adaptive Median Filter},
volume = {7},
Number = {2}, 
pages = {23-36}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {کاهش اثر نویز تناوبی در تصاویر دیجیتال به کمک فیلتر میانه تطبیقی در حوزه فرکانس},
abstract_fa ={نویز تناوبی الگو یا الگوهایی ناخواسته تکرار شونده در سراسر تصویر است که منجر به کاهش کیفیت تصویر و ایجاد ساختارهایی متناوب، شبیه هاشورخوردگی روی تصویر خواهد شد. در این مقاله ضمن بررسی و مقایسه روشهای موجود برای کاهش اثر این نویز، یک فیلتر میانه تطبیقی در حوزه فرکانس با بار محاسباتی قابل قبول پیشنهاد می¬شود. در روش پیشنهادی، فرکانس¬های متناظر با نویزها و پهنای هر یک به صورت تطبیقی و با توجه به محتوی تصویر تخریب شده در حوزه فرکانس، مشخص می¬شود. سپس فقط برای فرکانسهای تخریب شده، فیلتر میانه در حوزه فرکانس که از روشهای موثر در کاهش اثر نویز تناوبی است، اعمال شده و تصویر تصحیح شده، بدست می¬آید. روش پیشنهادی و روشهای مورد مقایسه در محیط MATLAB پیاده شده و از لحاظ بهبود کیفیت در شرایط مختلف مورد ارزیابی قرار می-گیرند. سپس به منظور مقایسه پیچیدگی محاسباتی و زمان اجرای الگوریتم¬ها، روش¬های مورد مقایسه توسط کتابخانه OpenCV و زبان برنامه نویسی C پیاده سازی می¬شوند. مقایسه نتایج در شرایط مختلف نشان می¬دهدکه بهبود حاصل شده توسط روش پیشنهادی از سایر روش¬های مورد مقایسه، بیشتر بوده و در عین حال، بار محاسباتی کمتری نیز دارد.},
keywords_fa = {نویز تناوبی, فیلتر در حوزه فرکانس, فیلتر میانه تطبیقی.},
url = {http://jsdp.rcisp.ac.ir/article-1-717-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-717-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2011}  
}

@article{ 
author = {},  
title = {Improvement of Telephone Keyword Spotting Performance Using Linear Programming-Based Score Normalization}, 
abstract ={Conventional word spotting systems determine hypothesized keywords and their confidence score using a speech recognizer. Acceptance or rejection of these keywords is intended based on comparison of their scores with a specific threshold. It has been proved that confidence score prepared by recognizer is highly dependent on sub-word structure of each keyword. So comparing assigned scores to keywords without considering their sub-word units could causes degradation in overall performance. In this paper a novel method for confidence score normalization is proposed which is based on sub-word units of each keyword and linear programming algorithm. In proposed method, a keyword-dependent correction term is added to the score of the keyword to maximize separation of confidence score histograms of true and false occurrences. Our results show a 2% improvement in FOM compared to baseline system. Also, choosing an appropriate feature vector has been discussed in this paper.   },  
Keywords = {Keyword spotting, Hidden Markov Model, Confidence score, Linear programming, Score normalization.},
volume = {7},
Number = {2}, 
pages = {37-48}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بهبود کارایی سیستم کاوشگر کلمات تلفنی با استفاده از نرمالیزاسیون امتیاز اطمینان مبتنی بر روش برنامه‌ریزی خطی},
abstract_fa ={سیستم‌های متداول کاوشگر کلمات دارای یک مدل بازشناسی گفتار هستند که وظیفه آن تعیین کلیدواژه‌های کاندید شده و امتیاز اطمینان آنها است. به طور معمول قبول و یا رد کلیدواژه‌های کاندید شده بر مبنای مقایسه این امتیاز با یک مقدار آستانه ثابت انجام می‌گیرد. از آنجا که عملکرد مدل بازشناس در تشخیص واحدهای زیرکلمه‌ای متفاوت، یکسان نمی باشد؛ بنابراین اختصاص امتیاز اطمینان برای هر کلیدواژه بدون در نظر گرفتن ساختار واحدهای زیرکلمه‌ای آن مناسب نمی باشد. از این رو در این مقاله یک روش کاملاً جدید نرمالیزاسیون امتیاز اطمینان بر اساس ساختار واجی کلیدواژه‌ها و روش برنامه ریزی خطی ارائه شده است. هدف این روش امتیازدهی به اجزاء واجی هر کلیدواژه، براساس بیشینه نمودن تفکیک توزیع امتیاز اطمینان اولیه کلیدواژه‌های درست و غلط تشخیص داده شده است. نتایج به دست آمده نشان می‌دهد که استفاده از روش پیشنهادی منجر به بهبود 2 درصدی در مقدار FOM نسبت به سیستم پایه خواهد شد. همچنین در این مقاله نحوه انتخاب بردار ویژگی مناسب در سیستم بازشناس گفتار مورد استفاده بررسی خواهد شد.},
keywords_fa = {سیستم کاوشگر کلمات, کلید واژه, مدل پنهان مارکوف, امتیاز اطمینان, برنامه‌ریزی خطی, نرمالیزاسیون امتیاز.},
url = {http://jsdp.rcisp.ac.ir/article-1-716-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-716-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2011}  
}

@article{ 
author = {Ahaki, Habib and Nasersharif, Babak},  
title = {Designing a Currency Recognition System Based on Neural Networks Using Texture and Color of Images}, 
abstract ={Since money exchange is important in our daily life, many types of equipments such as Vending Machines, Currency Sorters, Automatic Teller Machines (ATM) and Currency Recognition systems for blind people have been made. More advanced devices with more capabilities are being made each day. As a result, efficient, fast and reliable currency recognition methods are required. Most currency recognition methods only use one attribute of currency images, such as major color, Ultra Violet spectrum or texture that are extracted from currency images. In this paper, we introduce a method for currency recognition that combines texture and color data together and applies them to a neural network. The best result from the other existing methods is at most 85 percent but our method shows 10 percent improvement compared to existing solutions.},  
Keywords = {Currency Recognition, Image Processing, Neural Network, Digital Filter},
volume = {7},
Number = {2}, 
pages = {59-68}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {طراحی یک سیستم تشخیص اسکناس مبتنی بر شبکه عصبی با استفاده از مشخصه های بافت و رنگ تصویر},
abstract_fa ={با توجه به جایگاه مبادلات پولی در زندگی روزمره، تجهیزات فراوانی مانند ماشین های فروش، مرتب کنندهای اسکناس، دستگاههای خودپرداز، و دستگاه تشخیص اسکناس برای نابینایان ساخته شده است. این تجهیزات روز به روز گسترده ترو با قابلیت بیشتر عرضه می گردند، که بالطبع نیاز به روش های تشخیص اسکناس کارآمد، سریع، دقیق و قابل اطمینان دارند. در اغلب روشهای تشخیص اسکناس، یکی از مشخصه های تصویر مانند رنگ غالب، طیف ماوراء بنفش و یا اطلاعات بافت تصویر استخراج می شود و فرآیند تشخیص بر اساس آن انجام می شود. این مقاله روشی را برای تشخیص اسکناس معرفی مینمایدکه اطلاعات بافت و رنگ تشکیل یک بردار ویژگی داده که m مولفه اول آن متعلق به اطلاعات بافت بوده و سایر مولفه های بردار متعلق به اطلاعات رنگ می باشد. بهترین میزان درصد شناسایی اسکناس ها با استفاده از سایر روشها 85 درصد بوده که در روش ارائه شده این میزان ( خصوصا درمورد اسکناسهای مخدوش)10 درصد بهبود یافته است.},
keywords_fa = {تشخیص اسکناس, پردازش تصویر, شبکه عصبی, فیلتر دیجیتالی},
url = {http://jsdp.rcisp.ac.ir/article-1-720-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-720-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2011}  
}

@article{ 
author = {},  
title = {Design and Evaluation of a Persian TTS system using prosodically-sensitive concatenative units}, 
abstract ={This paper describes the design and evaluation of prosodically-sensitive concatenative units for a Persian text-to-speech (TTS) synthesis system. Thesyllables used are prosodically conditioned in the sense that a single conventional syllable is stored as different versions taken directly from the different prosodic domains of the prosodically labeled, read sentences. The three levels of the Persian prosodic hierarchy were observed in the syllable selection process, thereby selecting three different versions of each syllable from the prosodic domains of the intonational phrase (IP), accentual phrase (AP) and prosodic word (PW). A listening experiment designed to evaluate the quality of the syllable database showed that listeners preferred stimuli composed of prosodically appropriate diphones. We interpret this as supporting the view that segments carry prosodic domain information.},  
Keywords = {concatenation-prosodically sensitive units- synthesis
},
volume = {7},
Number = {2}, 
pages = {69-84}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {طراحی و ارزیابی یک مدل بازسازی گفتار به روش هم‌گذاری واحدهای حساس به بافت نوایی},
abstract_fa ={ در این مقاله، سه گونه گفتاری متفاوت از کلماتی یکسان از طریق هم گذاری هجاها به سه روش متفاوت بازسازی شدند. در روش اول، کلمات از طریق هم گذاری هجاهای حساس به بافت نوایی بدون پردازش فرکانس پایه و دیرش هجاها ساخته شدند. در روش دوم، ابتدا کلمات با هجاهای غیرنوایی هم گذاری شدند و سپس هجاهای درون کلمات هم گذاری شده با توجه به جایگاه نوایی کلمات در سطح جمله در حوزه فرکانس پایه و دیرش پردازش شدند. در روش سوم، کلمات بدون هر گونه پردازش نوایی از طریق هم گذاری هجاهای غیرنوایی ساخته شدند. کلمات بازسازی شده سپس در جایگاه های نوایی آغاز و پایان IP، AP و PW در درون سه جمله حامل قرار داده شده و پس از تولید در یک آزمون ادراکی به آزمودنی ها ارائه شدند. نتایج آزمون ادراکی نشان داد که کیفیت گفتار بازسازی شده نوع اول و دوم در تمامی جایگاه های نوایی به طور معنی داری از نوع سوم طبیعی تر است. همچنین بر اساس نتایج به دست آمده کیفیت گونه های گفتاری نوع اول و دوم در حد "طبیعی" است ولی میزان طبیعی بودن گونه گفتاری نوع اول در تمامی جایگاه ها از نوع دوم بیشتر است و این تفاوت در بعضی از جایگاه ها معنی دار است. این نتایج نشان می دهد واحدهای بازسازی حساس به بافت نوایی، کیفیت گفتار بازسازی شده را تا حد قابل قبولی بهبود می بخشد.},
keywords_fa = {هم گذاری-واحدهای حساس به بافت نوایی- پردازش نوایی
},
url = {http://jsdp.rcisp.ac.ir/article-1-715-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-715-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2011}  
}

@article{ 
author = {ZamaniDehkordi, Behzad and akbari, ahmad and Nasersharif, Babak},  
title = {Feature transformation using kernel minimum classification error (KMCE) for pattern and speech recognition}, 
abstract ={As},  
Keywords = {Feature Transformation, Linear Discriminant Analysis, Principal Component analysis, Minimum Classification Error, Kernel Function},
volume = {7},
Number = {1}, 
pages = {3-18}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {اعمال تبدیل بر ویژگیها با استفاده از خطای کلاسبندی کمینه مبتنی بر هسته برای بازشناسی الگو و گفتار},
abstract_fa ={روشهای تبدیل وی‍‍ژگی را می توان به دو دسته خطی و غیرخطی تقسیم کرد. روشهای تبدیل وی‍ژگی مبتنی بر هسته از جمله روش های ‏غیرخطی هستند که اخیراً مورد توجه بیشتری قرار گرفته اند. در این روشها، ایده اصلی نگاشت غیرخطی ویژگیها به فضایی با ابعاد بالاتر ‏است. این نگاشت با هدفها و معیارهای متفاوتی صورت می گیرد. در آنالیز متمایزساز خطی مبتنی بر هسته ‏‎(KLDA)‎، معیار تفکیک پذیری ‏بیشتر ویژگیها در فضای جدید است، حال آنکه در آنالیز مولفه های اصلی مبتنی بر هسته ‏‎(KPCA)‎، معیار متعامدسازی ویژگیها در فضای ‏حاصل است. در مقاله حاضر یک روش جدید مبتنی بر هسته پیشنهاد و فرموله می‎ ‎شود که بر کمینه کردن خطای کلاس بندی در فضای ‏ایجاد شده توسط هسته ‏‎(KMCE)‎‏ تکیه دارد. معیارهای بهینه سازی در روشهای ‏KLDA‏ و ‏KPCA‏ مستقل از خطای کلاس بندی می باشند ‏در صورتی که در روش پیشنهادی علاوه بر بهره برداری از ایده ی نگاشت غیرخطی هسته ، معیار کمینه سازی خطای کلاس‎ ‎بندی نیز مورد نظر ‏قرار می گیرد. نتایج حاصل بر روی دادگان ‏UCI‏ و کلاس بندهای مختلف، نشان می دهند که روش پیشنهادی در مقایسه با روشهای تبدیل ‏ویژگی خطی و روش های شناخته شده تبدیل ویژگی مبتنی بر هسته، در مورد کلاس بندهای مبتنی بر فاصله، نرخ بازشناسی بهتری دارد و ‏در مورد کلاس بندهای آماری و مبتنی بر درخت تصمیم نیز کارآیی قابل قبولی دارد. همچنین آزمایشات انجام شده روی دادگان‎ ‎‏ گفتاری ‏Aurora2‎‏ عملکرد مطلوب روش پیشنهادی را نسبت به روشهای غیرخطی دیگر نشان می دهد.},
keywords_fa = {تبدیل ویژگی, آنالیز تفکیک پذیری خطی, روش آنالیز مولفه اصلی, خطای کلاس بند کمینه, تابع هسته},
url = {http://jsdp.rcisp.ac.ir/article-1-723-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-723-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {Moshki, Mohsen and Parvin, Hamid and MinaeiBidgoli, Behrouz},  
title = {Clustering Ensemble based on combination of subset of primary clusters}, 
abstract ={Most of the recent studies have tried to create diversity in primary results and then applied a consensus function over all the obtained results to combine the weak partitions. In this paper a clustering ensemble method is proposed which is based on a subset of primary clusters. The main idea behind this method is using more stable clusters in the ensemble. The stability is applied as a goodness measure of the clusters. The clusters which satisfy a threshold of this measure are selected to participate in the ensemble. For combining the chosen clusters, a co-association based consensus function is applied. A new EAC based method which is called Extended Evidence Accumulation Clustering, EEAC, is proposed for constructing the Co-association Matrix from the subset of clusters. The proposed method is evaluated on five different UCI repository data sets. The empirical studies show the significant improvement of the proposed method in comparison with other ones.   },  
Keywords = {Clustering Ensemble, Cluster Stability, Mutual Information, Co-association Matrix},
volume = {7},
Number = {1}, 
pages = {19-32}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {خوشه‌بندی ترکیبی مبتنی بر زیرمجموعه‌ای از خوشه‌های اولیه},
abstract_fa ={اکثر مطالعات اخیر در حوزه خوشه‌بندی ترکیبی سعی می‌کنند ابتدا خوشه‌بندی‌های اولیه‌ای تولید کنند که تا حد ممکن دارای پراکندگی باشند، سپس با اعمال یک تابع توافقی همه این نتایج را با هم ترکیب می‌کنند. در این مقاله یک روش جدید خوشه‌بندی ترکیبی ارائه شده است که در آن به جای استفاده از تمام نتایج اولیه، تنها از زیرمجموعه‌ای از خوشه‌های اولیه استفاده می‌شود. ایده اصلی در این روش استفاده از خوشه‌های پایدار در ترکیب نهایی است. برای ترکیب خوشه‌های انتخابی، از تابع توافقی مبتنی بر ماتریس همبستگی استفاده شده است. از آن جایی که ساخت ماتریس همبستگی با در دسترس بودن تنها تعدادی از خوشه‌ها، با روش‌های موجود امکان‌پذیر نمی‌باشد، در این مقاله یک روش جدید به نام خوشه‌بندی انباشت مدارک توسعه یافته، برای ساخت ماتریس همبستگی از زیرمجموعه‌ای از خوشه‌ها پیشنهاد شده است. برای ارزیابی خوشه‌ها، از پایداری مبتنی بر اطلاعات متقابل استفاده شده است. نتایج تجربی روی چندین مجموعه داده استاندارد نشان می‌دهد که روش پیشنهادی به طور موثری نتایج خوشه‌بندی‌های اولیه را بهبود می‌دهد. همچنین، مقایسه نتایج در مقایسه با سایر روش‌های خوشه‌بندی ترکیبی نشان از کارایی بالای روش پیشنهادی دارد.},
keywords_fa = {خوشه‌بندی ترکیبی, پایداری خوشه, اطلاعات متقابل, ماتریس همبستگی},
url = {http://jsdp.rcisp.ac.ir/article-1-725-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-725-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {HabibiAghdam, Hame},  
title = {Automatic Recognition of Music Genre}, 
abstract ={Nowadays, automatic analysis of music signals has gained a considerable importance due to the growing amount of music data found on the Web. Music genre classification is one of the interesting research areas in music information retrieval systems. In this paper several techniques were implemented and evaluated for music genre classification including feature extraction, feature selection and music genre modeling on a database of 8 different music genres containing Celtic, Classic, Classic Piano, Jazz, Metal, Persian Classic, Relaxing and Dance music. This database was gathered from several albums composed by different musicians. Short, middle and long term features were studied and finally only short and middle term features were used in our experiments. The long term features were discarded due to their low performance in music genre classification. Two modeling types of the music genres were evaluated. In the first type, only distribution of the feature vectors was used and in the second type, the ordering of the feature vectors was taken into account. Some modeling techniques such as ANN, GMM, Decision Tree and SVM were used individually and in a hierarchical approach. We proposed a taxonomy which classifies the music genres in a hierarchy where there are a small number of classes in the root and large number of classes in leaves. In fact, each class at the root of taxonomy contains one or more music genres and each genre is represented as a leaf at the bottom of the taxonomy. In addition, several classifiers were used simultaneously, in a way that each of them classifies the music genres individually. The decision is finally made using a voting algorithm. Besides, several short-term feature extraction techniques which have successfully been applied in speech recognition, music instrument classification and also music genre classification were studied and after analysis of the experimental results using statistical measures and different combinations of features, a near optimal feature vector was selected.   },  
Keywords = {Automatic recognition of music genre, spectral feature, octave base spectral contrast, octave based signal intensities, mel frequency cepstral coefficients, feature integration, hierarchical classification},
volume = {7},
Number = {1}, 
pages = {33-52}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {شناسایی خودکار سبک موسیقی},
abstract_fa ={در دهه اخیر به دلیل رشد سریع داده‌های موسیقی که به صورت فایل‌های صوتی در اینترنت و از طریق پایگاه داده‌های بسیار بزرگ قابل دسترس هستند، توجه محققین به روش‌های پردازش خودکار سیگنال های موسیقی بیشتر از گذشته شده است. شناسایی خودکار سبک موسیقی نیز به عنوان یکی از زمینه‌های تحقیقی جذاب در این عرصه می‌باشد. در این مقاله روش‌های مختلفی برای استخراج ویژگی، انتخاب ویژگی و مدلسازی برای شناسایی خودکار 8 سبک موسیقی شامل سبک‌های Celtic، Classic، Classic Piano، Jazz، Metal، Persian Classic، Relaxing و Dance که از آلبوم‌هایی با نوازنده‌های مختلف جمع‌آوری شدند، پیاده‌سازی و مورد ارزیابی قرار گرفت. از میان روش‌های رایج استخراج ویژگی که در حوزه تشخیص گفتار، شناسایی آلت موسیقی و همچنین شناسایی سبک موسقی مورد استفاده قرار می‌گیرند، انواع ویژگی‌های کوتاه مدت، میان مدت و بلند مدت بررسی شده و از ویژگی‌های بلند مدت به دلیل اینکه در تعیین سبک موسیقی کارآیی چندانی نداشتند، صرف نظر گردید. با استفاده از یک روش انتخاب ویژگی و مطالعه ترکیب‌های مختلف ویژگی‌ها، بردار ویژگی مناسب به دست آمد که نهایتا با استفاده از حدود 30 ویژگی برتر انتخاب شده از بین 122 ویژگی، به کارایی 90% در تشخیص سبک موسیقی دست یافتیم. مدلسازی سبک‌های موسیقی با و بدون در نظر گرفتن توالی زمانی مورد ارزیابی قرار گرفت. از روش‌های مدلسازی مانند شبکه‌های عصبی، مدل مخلوط گاوسی، درخت تصمیم، ماشین بردار پشتیبان به تنهایی و نیز در یک ساختار سلسه‌مراتبی که در آن شناسایی سبک موسیقی از کلاس‌های با تعداد بیشتری سبک موسیقی شروع و به کلاس‌های با تنها یک سبک موسیقی ختم می‌گردد استفاده شد. کارایی بدست آمده با استفاده از این ساختار سلسه‌مراتبی 88% و در حدود 2% از ساختار مسطح کمتر است، ضمن اینکه ساختار سلسله مراتبی برای تعیین سبک موسیقی در مواردی که با تعداد زیادی از سبک‌های موسیقی مواجه هستیم بدلیل نیاز به استفاده از تعداد کمتری طبقه‌بندی کننده در مرحله آزمایش، از سرعت بالاتری برخوردار است. علاوه بر این در یک ساختار سلسله‌مراتبی دیگر، سعی شد که دسته‌بندی کننده‌ها به صورت ترکیب موازی مورد استفاده قرار گرفته و تصمیم‌گیری بر اساس رای‌گیری نسبت به نتیجه به دست آمده از دسته‌بندی کننده‌ها انجام شود.},
keywords_fa = {شناسایی سبک موسیقی, ویژگی طیفی, کنتراست طیفی مبتنی بر معیار اکتاو, شدت سیگنال مبتنی بر معیار اکتاو, ضرائب کسپترال مبتنی بر معیار مل, تجمیع ویژگی},
url = {http://jsdp.rcisp.ac.ir/article-1-724-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-724-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {Localization of Multiple Speakers in Echoic Environments Using BSS and Speech Features for Solution of Global Permutation Ambiguity}, 
abstract ={In this paper, a new algorithm is introduced for localization of multiple speakers in echoic environments. The origin of localization is based on combination of TDOA estimates of each source obtained by the BSS algorithm in the time domain. A new BSS algorithm is proposed which improves the quality and channel identification compared to a reference technique and also reduces the computational cost in some cases. To solve the global permutation ambiguity of BSS algorithms, speech features are used. Simulation results show the effectiveness of these features for solving the later problem.},  
Keywords = {Keywords:TDOA estimation, PSO optimization, blind source separation, global permutation.},
volume = {7},
Number = {1}, 
pages = {53-64}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {مکان‌یابی منابع چندگانه صوتی در محیط انعکاسی به کمک BSS و استفاده از ویژگی‌های سیگنال گفتار برای رفع ابهام جایگشت عمومی},
abstract_fa ={در این مقاله یک چارچوب الگوریتمی جدید برای مکان‌یابی منابع چندگانه صوتی در محیط انعکاسی معرّفی می‌شود. مبنای مکان‌یابی بر اساس آمیزش چندین تخمین TDOA هر یک از منابع است که این تخمین‌ها با استفاده از الگوریتم جداسازی کور منابع (BSS) در حوزه زمان به‌دست می‌آیند. به این منظور یک الگوریتم BSS حوزه زمان جدید پیشنهاد شده که نسبت به روش مرجع کیفیت جداسازی و شناسایی کانال را بهبود داده و بار محاسباتی آن نیز در شرایطی کاهش یافته است. سپس برای رفع ابهام جایگشت عمومی که در ذات الگوریتم‌های BSS وجود دارد، پیشنهاد شده که از ویژگی‌های وابسته به گوینده سیگنال گفتار استفاده شود. در برابر معیار همبستگی مورد استفاده در مقاله مرجع، نتایج شبیه‌سازی توانایی خوب این ویژگی‌ها را در رفع ابهام جایگشت نشان می‌دهد.},
keywords_fa = {واژگان کلیدی: تخمین ‌ TDOA, بهینه سازی PSO, جداسازی کور منابع, رفع ابهام جایگشت عمومی BSS.},
url = {http://jsdp.rcisp.ac.ir/article-1-729-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-729-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {Phrasal Verb Translation from English to Persian Using Statistical Parsing}, 
abstract ={Machine translation of English sentences faces a big problem when it deals with phrasal verbs. Phrasal verb is a common structure occurring in English as a combination of a verb and a preposition, a verb and an adverb, or a verb with both an adverb and a preposition. Meaning of a phrasal verb is not compositional. The second part of the phrasal verbs which often is a preposition is called particle. The process of detecting a preposition as a particle or as an attachment in a preposition phrase can be a challenging problem. In this paper, we present a method which uses a combination of linguistic heuristic rules with a probabilistic English parser to disambiguate the role of prepositions. The aim of this disambiguation is to correctly detect the phrasal verbs in English to Persian machine translation system. Experiments on a corpus containing 520 sentences show that the quality of phrasal verb recognition in this system grows up to 87%.},  
Keywords = {Keywords: Machine Translation, Statistical Parsing, Phrasal Verb, Persian language},
volume = {7},
Number = {1}, 
pages = {65-76}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {استفاده از تجزیه گرهای احتمالاتی زبان طبیعی جهت بهبود ترجمه افعال گروهی انگلیسی به فارسی},
abstract_fa ={یکی از بزرگ ترین مشکلات در ترجمه ماشینی زبان انگلیسی به فارسی، ترجمه افعال گروهی11 زبان انگلیسی است که به وفور در این زبان یافت می شود. افعال گروهی از متداول ترین عباراتی هستند که از ترکیب یک فعل با یک حرف اضافه یا قید (ادات) تشکیل شده است. تشخیص این که ادات به فعل مرتبط است که در آن صورت فعل گروهی تشکیل می دهد یا این که به گروه اسمی ما بعد آن مرتبط است، از جمله فعّالیت های تا حدودی پیچیده و مبهم در تجزیه نحوی زبان انگلیسی به شمار می آید. در این مقاله با استفاده از تجزیه گر احتمالاتی زبان انگلیسی در مرحله تجزیه از یک سیستم مترجم ماشینی مبتنی بر قاعده، تشخیص افعال گروهی ابهام زدایی می شود. هم چنین با استفاده از تعدادی قواعد زبان شناسی که به صورت مکاشفه ای به دست آمده اند، خروجی های حاصل از تجزیه گر احتمالاتی بررسی شده و در صورت تشخیص ناسازگاری ساختاری، تجزیه نحوی بهبود داده می شود. آزمایش ها بر روی 520 جمله حاوی افعال گروهی، نشان از کیفیت تشخیص افعال گروهی با استفاده از تجزیه گر احتمالاتی و قواعد مکاشفه ای تا حدود 87% است.},
keywords_fa = {واژگان کلیدی: ترجمه ماشینی, زبان فارسی, گرامر اتصال, درختی, تجزیه گر احتمالاتی},
url = {http://jsdp.rcisp.ac.ir/article-1-730-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-730-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {},  
title = {Persian name entity recognition and classification}, 
abstract ={Name entity recognition (NER) is a system that can identify one or more kinds of names in a text and classify them into specified categories. These categories can be name of people, organizations, companies, places (country, city, street, etc.), time related to names (date and time), financial values, percentages, etc. Although during the past decade a lot of researches has been done on NER in different languages, but lack of a system with admissible performance in Farsi texts is quietly sensible. In this paper, the Corpus of Research Center of Intelligent Signal Processing has been used to create a Farsi NER. In our proposed NER system, there exist three stages: preprocessing, feature extraction and classification. To prepare a data set in the preprocessing stage, by using the part of speech (POS) feature, names are extracted from text and then infinitives, time related names, counting names, and numbers are removed from data. This gives a more balanced data set for learning and classification. In the feature extraction stage, N-gram is computed as feature, and four classifiers (linear, KNN, Bayesian, Neural Network) is learned in the classification stage. Because of lack of variety in the time related names and a few number of mixture of time related names with names in the other categories, an auxiliary list is used to identifying them. The results of research show, neural network have better performance (99%) in distinct between the names of places and people. In general, KNN and linear classifiers obtain 91% success based on F-measure scale in classifying the names of places and people and general names. In classifying the time related names, using an auxiliary list, based on an F-measure scale, a 96% success was obtained.},  
Keywords = {Keywords: Natural language processing, Name entity recognition, N-gram, Neural Network},
volume = {7},
Number = {1}, 
pages = {77-88}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {سیستم شناسایی و طبقه بندی اسامی در متون فارسی},
abstract_fa ={یک سیستم شناسایی و طبقه‌بندی اسامی، سیستمی است که می تواند یک یا چند نوع از اسامی را در متن شناسایی و طبقه‌بندی کند این اسامی می توانند اسامی اشخاص، ارگان ها، شرکت ها، اسامی مکان ها ( کشور، شهر، خیابان و مانند آن) اسامی زمان (تاریخ و ساعت) مقادیر مالی، درصدها و مانند آن باشد. هر چند که در دهه اخیر کارهای زیادی بر روی سیستم های شناسایی و طبقه‌بندی اسامی در زبان های مختلف و دامنه های مختلف انجام شده است، امّا در زبان فارسی، با توجّه به عدم وجود یک مجموعه داده کامل به همراه برچسب های غنی، تاکنون سیستمی برای طبقه بندی اسامی ایجاد نشده است. در این پژوهش از مجموعه داده پژوهشکده پردازش هوشمند علائم استفاده شده است. روش کار بدین صورت است که در ابتدا الگوریتم پیش پردازش اسامی را با استفاده از برچسب دستوری کلمات از داده ها جدا شده و سپس مصدر ها، اسامی زمان، اسامی شمارشی، اعداد را هم از مجموعه داده حذف می کند. این کار باعث می‌‌شود تا حجم طبقات در داده‌های آموزشی متوازن تر گردد؛ در استخراج ویژگی از تابع N-gramاستفاده شده است. پس از استخراج ویژگی، سیستم را با چهار طبقه‌بندی کننده خطی، بیزین، نزدیک ترین همسایگی و شبکه عصبی آموزش می دهیم. عدم تنوع در اسامی زمان و هم چنین عدم اختلاط و یا اختلاط کم این اسامی با اسامی طبقات دیگر، این امکان را فراهم می کند تا بتوان با استفاده از یک سیستم مبتنی بر حافظه، اسامی زمان را در یک متن شناسایی کرد. با استفاده از شبکه عصبی نتایج بسیار مناسبی در جداسازی اسامی مکان و افراد از بقیه اسامی به دست آمده است (99%) و طبقه‌بندی کننده KNN و طبقه بندی کننده خطّی به طور میانگین اسامی مکان و افراد و اسامی عمومی طبقه¬بندی مقدار 91 % بر اساس معیار F-measure به دست آمده است. در طبقه بندی اسامی زمان با استفاده از یک فهرست کمکی مقدار 96 % بر اساس معیار F-measure به دست آمده است.},
keywords_fa = {پردازش زبان طبیعی- شناسایی و طبقه‌بندی اسامی- انتخاب ویژگی- تابع N-gram},
url = {http://jsdp.rcisp.ac.ir/article-1-731-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-731-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}

@article{ 
author = {soryani,},  
title = {Face Recognition by Combination of PCA and Gabor Filter}, 
abstract ={Methods for face recognition which are based on face structure are among techniques without supervision and produce unfavorable results in the presence of linear changes in images. PCA is a linear transform and a powerful tool for data analysis but does not produce good results for face recognition when there are non-linear changes resulting from changes in position, intensity and gesture in the face image. To overcome this problem, methods based on face features are used. Gabor filtering which can be considered as a feature based method can be used in these cases. This paper presents a new face recognition algorithm by combining PCA and Gabor filtering methods. After Gabor filtering of each face image, a number of images is produced. Then, mean of these images is calculated and PCA is applied to it. The resulted principal components are then used for face recognition. The presented algorithm has been applied to face images from YaleB and ORL databases under different conditions. Results show that the new algorithm performs better than PCA or Gabor filtering methods when they are applied to face images independently.},  
Keywords = {Keywords: Face Recognition, Gabor filtering, PCA},
volume = {7},
Number = {1}, 
pages = {89-96}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تشخیص چهره با استفاده از PCA و فیلتر گابور},
abstract_fa ={روش های تشخیص چهره که مبتنی بر ساختار چهره هستند، روش های بدون نظارتی می باشند که نسبت به تغییرات خطّی که در تصویر رخ می دهد نتایج مناسبی را تولید می کنند. PCA یک تبدیل خطّی است که ابزار قدرتمندی برای تجزیه و تحلیل داده هایی است که دارای تغییرات خطّی می باشند؛ ولی برای تغییرات غیرخطّی چهره ناشی از تغییرات حالت، روشنایی و ژست در تصویر چهره، مطلوب نمی باشد. فیلتر گابور یکی از روش های مبتنی بر ویژگی است که می تواند برای رفع نقطه ضعف PCA مورد استفاده قرار گیرد. در این مقاله روشی جدید برای تشخیص چهره با ترکیب روش های PCA و گابور ارایه شده است. بدین صورت که پس از اعمال فیلتر گابور بر روی هر چهره موجود در بانک اطّلاعاتی، تعدادی تصویر حاصل از فیلتر گابور به¬دست می آید. میانگین تصاویر حاصل از فیلتر گابور به عنوان یک تصویر جدید در نظرگرفته می شود؛ سپس از مؤلّفه های اصلی به دست آمده از اعمال PCA بر روی تصاویر میانگین برای تشخیص چهره استفاده می گردد. روش پیشنهادی بر روی پایگاه های داده تصویر YaleB و ORL تحت شرایط مختلف بررسی گردید. نتایج به دست آمده نشان می دهد روش پیشنهادی نسبت به روش PCA بهتر عمل می¬کند.},
keywords_fa = {تشخیص چهره, فیلتر گابور, تحلیل مؤلّفه اصلی},
url = {http://jsdp.rcisp.ac.ir/article-1-732-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-732-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2010}  
}