@article{ 
author = {Minaei-Bidgoli, Behrouz and Faili, Heshaam and Aminian, Maryam},  
title = {Unsupervised Persian Verb Valency Induction}, 
abstract ={Valency is the key concept in dependency grammar. Among all word categories, verbs are the most important categories with a key role in syntax and semantics. Verb is the central role in a sentence and acts as the main semantic component in the dependency grammar. In this paper, after studying several methods for unsupervised discovery of Persian verb valency, the ambiguities are studied. Among all methods, EM gained the best results i.e. two time more F-score that binomial hypothesis testing},  
Keywords = {Dependency grammar, verb valency, Persian language, unsupervised induction, EM algorithm},
volume = {9},
Number = {2}, 
pages = {3-12}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {استخراج بی‌ناظر ظرفیت فعل در زبان فارسی},
abstract_fa ={ظرفیت کلیدی‌ترین مفهوم در دستور وابستگی است. از میان مقوله‌های واژگانی گوناگون، فعل‌ها دارای کلیدی‌ترین نقش در نحو و معنای جمله طبق دستور وابستگی هستند. فعل مرکزیت جمله را در دستور وابستگی بر عهده داشته و معنای اصلی جمله را در درون خود نهان می‌کند. در این مقاله با بررسی روش‌های مختلف استخراج بی‌ناظر ظرفیت فعل در زبان فارسی، مسائلی پیرامون یافتن فعل در متون زبانی و ابهامات موجود در شناخت ظرفیت فعل در زبان فارسی مطرح شده، راه حل‌هایی برای آن پیشنهاد شده است. طبق بررسی‌های موجود در این مقاله، الگوریتم امیدیابی-بیشینه‌سازی (EM) دارای بالاترین دقت موجود در روش‌های استخراج ساخت‌های ظرفیتی فعل در زبان فارسی است. دقت الگوریتم امیدیابی-بیشینه‌سازی در این کار بیش از 2 برابر آزمون فرض جمله‌ای بر اساس سنجۀ F شده است. },
keywords_fa = {دستور وابستگی، ظرفیت فعل، زبان فارسی، استخراج بی‌ناظر، الگوریتم امیدیابی-بیشینه‌سازی (EM)},
url = {http://jsdp.rcisp.ac.ir/article-1-102-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-102-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {},  
title = {}, 
abstract ={},  
Keywords = {},
volume = {9},
Number = {2}, 
pages = {13-22}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بهسازی تصویر با کاهش اثر عوامل خرابی بر مولفه‌ی روشنایی و بازتابش تصویر},
abstract_fa ={در این مقاله پیشنهاد جدیدی برای بهبود کیفیت تصویر ارائه شده است که در آن نگرش جدیدی در مورد چگونگی اعمال روش‌های بهسازی مطرح شده است. عملیات بهسازی تصویر ممکن است بر اساس روشنایی، وضوح و یا توزیع سطوح خاکستری انجام شود. هنگام تصویربرداری ویژگی‌هایی مانند شدت روشنایی صحنه و قابلیت بازتاب اجسام بر تصویری که بدست می‌آید، تاثیر می‌گذارند. اثر هریک از این ویژگی‌ها بر تصویر حاصل را می‌توان به عنوان یک مولفه یا تصویر جداگانه‌ای در نظر گرفت و به کمک فیلتر هومومورفیک که در آن تصویر اصلی به مولفه روشنایی و مولفه بازتابش تجزیه می‌شود ، مورد بررسی قرار داد. بطور کلی، پیکسل‌های یک تصویر به گونه‌ای مقدار می‌گیرند که متناسب با شدت روشنایی نقطه مربوط در صحنه و قابلیت بازتابش آن نقطه از جسم می‌باشند. بر این اساس خرابی یک تصویر ممکن است ناشی از هریک از مولفه‌های شدت روشنایی و یا قابلیت انعکاسی باشند. در این مقاله نشان داده می‌شود که انواع مختلف خرابی تصویر، روی مولفه‌ شدت روشنایی و مولفه بازتابش تصویر تاثیر متفاوتی می‌گذارند. بررسی‌ها نشان می‌دهند که تاثیر خرابی بر روی یک تصویر بسته به نوع خرابی روی یک مولفه‌‌ نسبت به مولفه‌ی دیگر بیشتر می‌باشد. برخلاف روشهای معمول که به ازای هر نوع خرابی، فرایند بهسازی و اصلاح را روی تصویر اصلی انجام می‌دهند، در این مقاله پیشنهاد می‌شود باتوجه به نوع خرابی،},
keywords_fa = {بهسازی تصویر، فیلتر همومورفیک، مولفه روشنائی، مولفه بازتابش },
url = {http://jsdp.rcisp.ac.ir/article-1-97-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-97-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {Hourali, Maryam},  
title = {An Intelligent Ontology Construction System Using Hybrid ART Neural Network and C-value Method}, 
abstract ={In recent years, many efforts have been done to design ontology learning methods and automate ontology construction process. The ontology construction process is a time-consuming and costly procedure for almost all domains/applications, so automating this process is a solution to overcome the knowledge acquisition bottleneck in information systems and reduce the construction cost. In this article a novel intelligent ontology learning method is proposed which can be used in many domains and applications. The proposed learning system has no need for initial common or specialized input ontologies or predefined semantic terms indeed, the initial database anonly consists of input texts sets. The proposed learning system could extract associated ontologies of various domains using combined methods. To do this, a combination of linguistic, statisticaland machine learning methods based on the C-value method, the TF-IDF one, the neural network, and co occurance analysis are applied. So, first domain-related documents were collected. Then natural language processing methods such as C-value method were implemented for extracting meaningful terms from documents. Next, ART (Adaptive Resonance Theory) neural network was used to cluster documents and associated weight of terms was calculated by TF–IDF method in order to find candidate keyword for each cluster. Finally, co-occurrence analysis was used to construct concept hierarchy and complete the ontology. Results show that the proposed ontology learning method has a high precision comparing to similar studies},  
Keywords = {Ontology, ART Neural Network, TF-IDF, C-value },
volume = {9},
Number = {2}, 
pages = {23-36}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {طراحی سامانه هوشمند ساخت هستان نگار به کمک شبکه عصبی ARTو روشC-value},
abstract_fa ={در سالهای اخیر تلاشهای زیادی برای طراحی روشهای یادگیری و خودکار سازی فرایند ساخت هستان نگار انجام شده است. ساخت انواع هستان نگار برای انواع قلمروها و کاربردهای گوناگون فرایندی پرهزینه و زمان بر بوده و خودکارسازی این فرایند گامی مهمی در رفع مشکل اکتساب دانش در سامانه‍‌های اطلاعاتی و کاهش هزینه ساخت آنها است. در این مقاله روش نوینی برای یادگیری هوشمند هستان نگار ارائه شده که می توان از آن در کاربردها و حوزه‌های مختلف استفاده کرد. در این روش نیازی به وجود هستان نگارهای عمومی یا تخصصی اولیه و واژگان معنایی از پیش تعریف شده نیست و پایگاه دانش اولیه آن تنها شامل مجموعه‌ای از متون ورودی است. سامانه یادگیرنده پیشنهادی با شروع از متون ورودی و با استفاده از رهیافت پیشنهادی در این مقاله قادر خواهد بود هستان نگار حوزه‌های مختلف را استخراج کند. در این روش از ترکیبی از روشهای زبانی، آماری و روشهای یادگیری ماشینی بر اساس روش C-value،TF-IDF، شبکه عصبی نظریه تشدید وفقی و روش تحلیل هم رخدادی استفاده شده است؛ بدین ترتیب که ابتدا اسناد مرتبط با حوزه مورد نظر گردآوری شده است. سپس پردازشهای متون زبان طبیعی روی اسناد انجام شده و واژه‌های اصلی با استفاده از روش C-value استخراج شده است، آنگاه با استفاده از شبکه عصبی ART اسناد مربوطه خوشه‌ بندی شده و برای هر خوشه با محاسبه وزن واژه‌ها بر اساس روش TF-IDF، واژه کلیدی مناسب استخراج شده است. در پایان با استفاده از روش تحلیل هم رخدادی، سلسله مراتب مفاهیم استخراج شده و هستان نگار مربوطه ساخته شده است. نتایج حاصل شده نشان میدهند که این روش در مقایسه با روشهای مشابه دقت خوبی در یادگیری هستان نگار داشته است.},
keywords_fa = {هستان نگار، یادگیری، شبکه عصبی ART، فراوانی واژه‌ها-معکوس فراوانی اسناد (TF-IDF)، C-value },
url = {http://jsdp.rcisp.ac.ir/article-1-130-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-130-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {Mehrnam, Amir hossein and MotiNasrabadi, Ali and Ghodousi, Mahrad and Mohamadian, Amin and Torabi, Shahl},  
title = {Detection of Guilty Knowledge, Using Single Trial ERPs, and Based on Recurrence plots Nonlinear Method}, 
abstract ={In this study, Recurrence Plots (RPs) has been adapted as a nonlinear approach in order to detection of guilty subjects’ knowledge based on their single-trial ERPs. The dataset were acquired from 49 human subjects who were participated in a Concealed Information Test (CIT). According to the test protocol, guilty subjects denied their information about familiar faces, so the aim was to detect the concealed faces in these subjects. Recurrence quantifiers were employed in feature extraction stage. Chaotic dynamic of brain’s signals and figuring out the trajectories in phase space are two important issues that can be indicated in these quantifiers. Results demonstrate, that the appearance of P300 signals in guilty subjects (because of denying a familiar face), increase the determinism and predictability of their brain’s signals. Also using Genetic Algorithm (GA) in feature selection level together with Linear Discriminant Analysis (LDA) classifier and a new method named: “inconstant threshold detection”, we achieved an accuracy about 89.7% on combining information of Fz, Cz and Pz channels.},  
Keywords = {Recurrence Plots Nonlinear Method, Guilty Knowledge Test, Single Trial ERPs },
volume = {9},
Number = {2}, 
pages = {37-48}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بازشناسی دانش فرد خطاکار به کمک سیگنال‌های تک ثبت مغزی، مبتنی بر روش غیرخطی منحنی‌های بازگشتی},
abstract_fa ={در این مطالعه، از روش غیرخطی منحنی‌های بازگشتی به منظور آشکارسازی دانش فرد خطاکار از سیگنال‌های تک ثبت مغزی، استفاده شده است. دادگان مورد استفاده، مربوط به 49 نفر بوده که در آزمون بازشناسی چهره مخفی شده شرکت نمودند. طراحی این آزمون‌ به نحوی صورت گرفته است که در آن آشنا بودن تصویر یک چهره، توسط افراد گناهکار کتمان گردد. بنابراین هدف، بازشناسی چهره مخفی شده توسط این افراد می‌باشد. در مرحله‌ استخراج ویژگی از کمی‌کننده‌های بازگشتی استفاده شده است. طبیعت آشوبگونه‌ی دینامیک مغز و بررسی بستر جذب در فضای فاز، از امور مهمی می‌باشند که توسط این کمی‌کننده‌ها مورد توجه قرار می‌گیرند. بررسی نتایج بدست آمده نشان می‌دهد ظهور مولفه‌ی P300 در افراد گناهکار (که در اثر انکار شناخت نسبت به یک تصویر آشنا ایجاد می‌گردد)، افزایش تعیٌن و پیش‌بینی پذیری در مغز را به همراه دارد و این امر بیانگر کاهش پیچیدگی مغز در این افراد می‌باشد. در ادامه با بکارگیری الگوریتم ژنتیک در مرحله‌ی انتخاب ویژگی، طبقه‌بندی کننده‌ی LDA و روش جدید آستانه‌گذاری متغیر، صحت 89.7 درصد (تشخیص صحیح 45 نفر از 49 نفر) با تلفیق اطلاعات سه کانال Pz ،Cz و Fz حاصل گردید. },
keywords_fa = { روش غیرخطی منحنی‌های بازگشتی ، آزمون دانش فرد خطاکار ، سیگنال‌ تک ثبت مغزی},
url = {http://jsdp.rcisp.ac.ir/article-1-75-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-75-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {KHALILZADEH, MOHAMAD ALI and SARAFAN, RASOOL and AZARNOOSH, MAHDI},  
title = {Lie detector system based on PhotoPlethysmoGraph (PPG) and Galvanic Skin Response (GSR) signals by means of neural network}, 
abstract ={The aim of this article is to design a lie detector system using GSR and PPG.The data set was including of photoplethysmograph signals and galvanic skin response record through an inductive test and using classic polygraph device. Thenceforth, features of time and frequency were extracted. Consequently data were classified and accuracy coefficient was calculated by applying these features to linear Discriminant analysis LDA and MLP and Elman neural networks. 20 people participated in the study. The mean age of participants was 36 years. Finally determination of lie was done with accuracy coefficient of 87% by applying Elman neural network. According to the findings, the new method introduced in this study has while offering a more comfortable recording and less diagnostic costs. This new method can be suggested for use as a lie screening system},  
Keywords = {Lie Detection, PhotoPlethysmoGraph, Galvanic Skin Response, Neural Network  },
volume = {9},
Number = {2}, 
pages = {49-60}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تشخیص دروغ بر مبنای سیگنال‎های فوتوپلتیسموگراف و مقاومت الکتریکی پوست با استفاده از شبکه‎ی عصبی},
abstract_fa ={هدف این تحقیق طراحی سیستمی جهت تشخیص دروغ است. باررزترین اثر استرس ناشی از دروغ، بر روی سیستم گردش خون و همچنین از طریق تعریق ظاهر می‎شود، از این رو سیگنال‎های هدایت الکتریکی پوست و فوتوپلتیسموگراف برای رسیدن به این هدف مورد استفاده قرار گرفتند. ثبت سیگنال‎‎ها از طریق سیستم پلی‎گرافی و با استفاده از آزمون قیاسی برای 20 مرد انجام شد. پس از ثبت سیگنال‎ها، ویژگی‎هایی در حوزه‎ی زمان و فرکانس از دو سیگنال استخراج شد. با اعمال ویژگی های استخراجی به تفکیک کننده خطی LDA و همچنین شبکه عصبی MLP و Elman دسته بندی داده‎ها در دو حالت راست گو و دروغ گو انجام گردید. بهترین نتایج با استفاده از شبکه عصبی Elman و درصد صحت تفکیک 87 درصد به دست آمد. بنابراین در این مطالعه روش جدیدی بر اساس سیگنال‎هایی با ثبت آسان و هزینه تشخیصی کمتر برای سیستم‎های غربالگری دروغ سنجی ارائه و ارزیابی شده است. },
keywords_fa = {دروغ سنجی، هدایت الکتریکی پوست، فوتوپلتیسموگراف، شبکه عصبی },
url = {http://jsdp.rcisp.ac.ir/article-1-77-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-77-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {},  
title = {Compression time variable information using Huffman code}, 
abstract ={Abstract: In this paper, we fit a function on probability density curve representing an information stream using artificial neural network . This methodology result is a specific function which represent a memorize able probability density curve . we then use the resulting function for information compression by Huffman algorithm . the difference between the proposed me then with the general methods is , using the Huffman algorithm in several times . In every time , the probability density function is fitted , estimated and then the information representing the function is added to end of the information stream . we next propose two different algorithms for information encoding and decoding using time variable estimation of probability density function . In order to evaluate the proposed algorithm , the percentage of the compression resulting our method has been compared with two popular methods named FDR code [4] and Golomb1 at the end},  
Keywords = {variable time probability density function , neural network , compression information , memorize able information stream, Huffman code},
volume = {9},
Number = {2}, 
pages = {61-74}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {فشرده سازی اطلاعات متغیر با زمان با استفاده از کد هافمن},
abstract_fa ={چکیده: در این مقاله با استفاده از شبکه عصبی مصنوعی، تابعی بر منحنی چگالی احتمال رشته اطلاعات منطبق نموده ایم و با این کار توانستیم تابع چگالی احتمال رشته اطلاعات را به منظور حافظه دار کردن منحنی چگالی احتمال تقریب بزنیم .از این تابع چگالی احتمال برای استفاده در فشرده سازی اطلاعات با روش هافمن بهره برده ایم . با این تفاوت که در این روش می توان چندین بار از الگوریتم هافمن برای کد کردن رشته اطلاعات استفاده نمود و در هر بار کد کردن تابع چگالی احتمال را تقریب زده و به انتهای رشته مورد نظر اضافه میکنیم . همچنین دو الگوریتم برای کدکردن و دیکد کردن رشته اطلاعات ارائه نموده ایم و درانتها درصد فشرده سازی روش پیشنهادی را با دو روش FDR Code ]4[ وGolomb1 مقایسه نموده ایم },
keywords_fa = {تابع چگالی احتمال متغیر با زمان - شبکه عصبی - فشرده سازی اطلاعات - حافظه دار کردن رشته اطلاعات- کد هافمن },
url = {http://jsdp.rcisp.ac.ir/article-1-144-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-144-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2013}  
}

@article{ 
author = {ebrahimnezhad, hossein and khademi, ghasem},  
title = {Multi-view based 3D Human Pose Estimation by Fitting the Projection of 3D Articular Skeleton Model in Silhouette Images}, 
abstract ={Automatic capture and analysis of human motion, based on images or video is important issue in computer vision due to the vast number of applications in animation, surveillance, biomechanics, Human Computer Interaction, entertainment and game industry. In these applications, it is clear that 3D human pose estimation is an essential part. Therefore, its accuracy has a great effect on the performance of these applications. Because of the variation in appearance and articulations of human, self-occlusion and high dimensional state-space of human pose, 3D human pose estimation from image observations is a challenging problem. In this paper, a new method of 3D human pose estimation from multi-view video sequence is introduced. In the proposed method, instead of seeking directly over the high dimensional states-space of human pose and employing the complex inferring algorithms, a hierarchical search method with distinct objective function for each part of the body and direct optimization methods is employed. Advantages of the proposed method are: automatic initialization, labeling of parts of the body contour and using separate objective function for different parts of the body. Experimental results demonstrate that the proposed method can be effectively used as a marker-less system to estimate 3D human pose in a multi-view sequence.},  
Keywords = {3D human pose estimation, human motion capture, articulated model, Optimization, Silhouette Images, 3D skeleton},
volume = {9},
Number = {1}, 
pages = {3-18}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {تخمین چنددوربینی حالت سه بعدی انسان با برازش افکنش مدل اسکلت سه بعدی مفصل دار در تصاویر سایه نما},
abstract_fa ={تحلیل و ضبط خودکار حرکت انسان بر اساس تصاویر یا ویدئو به دلیل کاربردهای بسیار زیاد در انیمیشن، نظارت، بیومکانیک، تعامل بین انسان و کامپیوتر، صنعت بازی و سرگرمی از اهمیت بسیاری در بینایی کامپیوتر برخوردار است. در این کاربردها، تخمین حالت سه¬بعدی انسان از قسمت¬های اساسی می¬باشد و بهمین دلیل دقت تخمین بر عملکرد این کاربردها تاثیر زیادی دارد.تخمین حالت سه¬بعدی انسان از مشاهدات تصویری با توجه به رنج وسیع تغییرات در ظاهر و مفصل¬بندی انسان، ابعاد بالا در فضای حالت انسان و پدیده خود انسدادی، یک مسئله چالش¬برانگیز می باشد. در این مقاله، روشی جدید برای تخمین حالت سه¬بعدی انسان در رشته ویدئویی چنددوربینی معرفی می¬شود. در روش پیشنهادی، به جای جستجوی مستقیم فضای حالت ابعاد بالای انسان و استفاده از الگوریتم¬های استنتاج پیچیده، از یک روش جستجوی سلسله مراتبی، توابع هدف جداگانه برای قسمت¬های مختلف بدن و روش¬¬های بهینه¬سازی مستقیم استفاده شده است. مزایای روش پیشنهادی، ارزش¬دهی اولیه خودکار، برچسب¬زنی قسمت¬های مختلف کانتور بدن و استفاده از توابع هدف جداگانه برای قسمت¬های مختلف بدن می¬باشد. نتایج آزمایش، نشان می¬دهد که روش پیشنهادی می¬تواند به طور موثری بعنوان یک سیستم بدون نشانه برای تخمین حالت سه-بعدی انسان در رشته ویدئویی چنددوربینی بکار گرفته شود.},
keywords_fa = {تخمین سه بعدی حالت انسان, ضبط حرکت انسان, مدل مفصل دار, بهینه سازی, تصاویر سایه نما, اسکلت سه بعدی},
url = {http://jsdp.rcisp.ac.ir/article-1-694-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-694-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2012}  
}

@article{ 
author = {Faili, Heshaam and Ghader, Hamidreza and MortezaAnaloui, Mortez},  
title = {A Bayesian Model for Supervised Grammar Induction}, 
abstract ={In this paper, we show that the problem of grammar induction could be modeled as a combination of several model selection problems. We use the infinite generalization of a Bayesian model of cognition to solve each model selection problem in our grammar induction model. This Bayesian model is capable of solving model selection problems, consistent with human cognition. We also show that using the notion of history-based grammars will increase the number and decrease the complexity of model selection problems in our grammar induction model. This results in the induction of a better grammar which leads to 9.1 points increase in F1 measure, for parsing the section 22 of Penn treebank in comparison with a similar model that does not use history-based grammar induction techniques.   },  
Keywords = {Bayesian model of cognition, tree substitution grammars, Dirichlet process, Chinese restaurant process, history-based grammars},
volume = {9},
Number = {1}, 
pages = {19-34}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {یک مدل بیزی برای استخراج باناظر گرامر زبان طبیعی},
abstract_fa ={در این مقاله نشان داده ایم که مسئله استخراج باناظر گرامر برای گرامرهای زبان طبیعی، می تواند به عنوان ترکیبی پیچیده از تعداد زیادی مسئله انتخاب مدل تعریف شود. مسائل انتخاب مدل به مسائلی گفته می شود که در آن ها میان مدل هایی با پیچیدگی آماری متفاوت تصمیم گیری می شود. برای ارائه مدل مورد نظر، ابتدا یک مدل بیزی از فرایند شناختی انتخاب مدل را معرفی کرده ایم. این مدل مسئله انتخاب مدل را با تطابق بیشتر با رفتار انسان حل می کند. سپس با استفاده از تعمیم یافته مدل بیزی، که فرایند دریکله است، به همراه مفهوم گرامر های مبتنی بر سابقه، یک مدل بیزی مبتنی بر سابقه برای استخراج باناظر گرامر ارائه کرده ایم. نتایج آزمایشی که بوسیله ی این مدل روی یک پیکره ی استاندارد برای زبان انگلیسی صورت گرفته است، در مقایسه با مدل مرجع طبق معیار F1 به مقدار 9.1% پیشرفت نشان می دهد.},
keywords_fa = {مدل بیزی از فرایند شناختی انتخاب مدل, گرامرiهای جایگزینی درخت, فرایند دریکله, فرایند رستوران چینی, گرامرهای مبتنی بر سابقه},
url = {http://jsdp.rcisp.ac.ir/article-1-696-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-696-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2012}  
}

@article{ 
author = {mohammadnejad, hojat and vali, mansour},  
title = {New Approach in Robust Speech Recognition Based on Missing Feature using Bidirectional Neural Network}, 
abstract ={Performance of speech recognition systems is greatly reduced when speech corrupted by noise. One common method for robust speech recognition systems is missing feature methods. In this way, the components in time - frequency representation of signal (Spectrogram) that present low signal to noise ratio (SNR), are tagged as missing and deleted then replaced by remained components and statistical information of clean speech. In this article a new approach of missing features method based on compensation are proposed. A Bidirectional Neural Network (BNN) was developed and implemented in order to modify unreliable components in input feature vectors and improve the overall recognition accuracy. Distorted components in feature vectors were estimated in accordance with the latent knowledge in the hidden layer of the neural network. This knowledge is obtained by training with clean and noisy speech, simultaneously and is mostly induced by reliable and less influenced components by the irrelevant variations in speech signal. In this approach, there is no need to identify missing components that is a challenging issue in the field of robust speech recognition based on missing feature method because reconstruction is done on all components (whether reliable or unreliable), in order to become more similar to the clean speech component. This point is a very significant advantage that has been achieved in this article. Comparing the results of these two methods shows that using Missing feature methods, 4.2% improvement were obtained in the accuracy of speech recognition for noisy signal by SNR=0dB, whereas improvement value increased to 8.5%, using bidirectional neural network for the same signal to noise ratio.},  
Keywords = {Bidirectional Neural Network, Missing Feature Methods, Robust Speech Recognition, Vector Taylor Series},
volume = {9},
Number = {1}, 
pages = {35-48}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {روشی جدید در بازشناسی مقاوم گفتار مبتنی بر دادگان مفقود با استفاده از شبکه عصبی دوسویه},
abstract_fa ={عملکرد سیستم های بازشناسی گفتار زمانی که گفتار توسط نویز تخریب شده باشد، به شدت کاهش می یابد. یکی از روش های رایج برای مقاوم سازی سیستم های بازشناسی گفتار استفاده از روش دادگان مفقود است در این روش مؤلفه‌هایی از نمایش زمانی- فرکانسی گفتار (اسپکتروگرام) که نسبت سیگنال به نویز (SNR) آنها از یک آستانه کمتر است، بعنوان مؤلفه های نامعتبر یا مفقود برچسب دهی می شوند. این مؤلفه ها با استفاده از مؤلفه های معتبر و اطلاعات آماری که نسبت به دادگان تمیز، تخمین زده شده و جایگزین می شوند. در این مقاله الگوی ویژگی های مفقود با دیدگاهی نو به عنوان مسئله جبران سازی دادگان مطرح می شود. به اینصورت که با استفاده از شبکه عصبی دوسویه و انجام یک سری پردازش‌های غیرخطی و دوطرفه (جلوسو و برگشتی) از دانش نهفته در مدل، ناشی از یادگیری هم-زمان گفتار تمیز و نویزی بهره گرفته، بردارهای بازنمایی گفتار در جهت افزایش صحت بازشناسی آواها بهبود می یابند. در این روش نیازی به شناسایی مؤلفه‌های مفقود که یک بحث چالش برانگیز در حوزه بازشناسی مقاوم گفتار مبتنی بر دادگان مفقود است نمی باشد بلکه بازسازی در جهت هرچه شبیه تر شدن تمامی مؤلفه‌ها (خواه معتبر باشد خواه نامعتبر) به مؤلفه‌های گفتار تمیز صورت می گیرد و این یک برتری بسیار چشمگیری است که در این تحقیق حاصل شده است؛ نتایج مقایسه این دو روش نشان می دهد که با استفاده از روش دادگان مفقود، 2/4 درصد بهبود برای صحت بازشناسی گفتار نویزی با نسبت سیگنال به نویز dB0 حاصل شده درحالیکه با استفاده از روش مبتنی بر شبکه عصبی دوسویه، 5/8 درصد بهبود برای همان نسبت سیگنال به نویز به دست آمده است.},
keywords_fa = {بازشناسی مقاوم گفتار؛ دادگان مفقود؛ شبکه عصبی دوسویه},
url = {http://jsdp.rcisp.ac.ir/article-1-692-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-692-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2012}  
}

@article{ 
author = {yusefi, hamed and gardeshi, mahmud and sabzinejad, mohamm},  
title = {asdasd}, 
abstract ={asdasdasdad},  
Keywords = {asd},
volume = {9},
Number = {1}, 
pages = {49-58}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {پیاده سازی حملۀ تحلیل توان ساده به الگوریتم AES روی میکروکنترلر PIC},
abstract_fa ={در این مقاله یک حمله ی تحلیل توانی ساده (SPA) به پیاده سازی AES روی میکروکنترلر PICC را معرفی می کنیم. این حمله تبدیل مخلوط ساز ستونی (MixColumns) از الگوریتم AES را هدف قرار می دهد و با استفاده از اطلاعات بدست آمده از سیگنال توان مصرفی حین پردازش داده ها در این تبدیل، فضای کلید را محدود می کند. این حمله می تواند فضای کلید را بسته به تکرار حمله، دقیقاً تا یک کلید محدود کند. اساس حمله بر مبنای تشخیص نتیجه ی یک عملگر شرطی در تبدیل مخلوط ساز ستونی با استفاده از اثرهای توان است.},
keywords_fa = {حملات کانال جانبی, حمله‌ی تحلیل توانی ساده, الگوریتم AES, میکروکنترلر},
url = {http://jsdp.rcisp.ac.ir/article-1-697-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-697-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2012}  
}

@article{ 
author = {mehralian, mohammad amin and kazemfouladi, kazem},  
title = {The Recognition of Online Handwritten Persian Characters Based on their Main Bodies Using SVM}, 
abstract ={In this paper a new method for the online recognition of handwritten Persian characters has been proposed which uses a set of simple features and Support Vector Machine (SVM) as a classifier. The task of preprocessing allows us to equalize feature vectors from different characters. This algorithm is implemented in two steps. In the first step, input character is classified into one of eighteen groups of main strokes of characters and in the second step, position, number, and the shape of sub-strokes determine character type. For example to recognize the character ‘ت’, in the first step the character will be classified to group of letters ‘ب، پ، ت، ث’ based on main stroke shape and then classification is done using information of the sub-strokes. In the final step, post processing, we rectify previous step results employing unmatched conditions between main stroke and sub-strokes. Consider a main stroke «ل» with a point at the top of that in this situation post processing step will change result to letter «ن». The experimental results -which is based on Online-TMU database- show that the recognition rate of the main strokes of the characters is 94% which reaches to 98% using the information of sub-strokes.},  
Keywords = {Online Persian Character Recognition, Handwriting Recognition, Support Vector Machine (SVM)},
volume = {9},
Number = {1}, 
pages = {59-68}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {بازشناسی برخط حروف مجزای دست‌نویس فارسی بر اساس تشخیص گروه بدنه اصلی با استفاده از ماشین بردار پشتیبان},
abstract_fa ={در این مقاله روشی جدید برای بازشناسی برخط حروف مجزای فارسی ارائه شده است که با استخراج چند ویژگی ساده از دنباله نمونه‌برداری شده از حروف و استفاده از دسته‌بندی کننده‌ی ماشین بردار پشتیبان( SVM) نتایج قابل قبولی را ارئه می‌دهد. الگوریتم پیش‌پردازش استفاده شده در این کار امکان یکسان سازی ابعاد ویژگی‌ها به ازای حروف متعدد را فراهم می‌کند تا در مرحله بعدی به منظور بازشناسی به دسته‌بندی کننده ارسال شود. فرآیند بازشناسی در دو مرحله صورت می‌گیرد: در مرحله‌ی اول بدنه‌ی اصلی حرف ورودی (اولین حرکت قلم) پس از استخراج ویژگی با استفاده از دسته‌بندی کننده در قالب یکی از هجده گروه بدنه‌ی اصلی حروف، طبقه‌بندی می‌شود و سپس در مرحله‌ی دوم، موقعیت، تعداد و شکل سایر حرکت‌ها مانند نقطه و سرکش (ریزحرکت‌ها)، نوع حرف نهایی را تعیین می‌کند. به عنوان نمونه برای تشخیص حرف «ت» ابتدا گروه بدنه‌ی «ب، پ، ت، ث» تشخیص داده می‌شود و سپس وجود ریزحرکت «دونقطه» در بالای آن منجر به انتخاب «ت» از این گروه می‌شود. نهایتا در فرآیند پس‌پردازش با استفاده از تطبیق اطلاعات مربوط به بدنه‌ی اصلی و ریزحرکات سیستم به تصحیح خطاهای احتمالی موجود در مراحل قبلی پرداخته و دقت بازشناسی را افزایش می‌دهد به عنوان مثال اگر در مرحله دسته‌بندی بدنه حرف «ل» تشخیص داده شود ولی یک نقطه در بالای آن قرار داشته باشد آنگاه سیستم تشخیص خود را به حرف «ن» تغییر خواهد داد. نتایج تجربی این کار پژوهشی که بر اساس مجموعه‌ داده‌ی Online-TMU صورت گرفته است، متوسط نرخ بازشناسی بدنه‌ی اصلی را 94% نشان می‌دهد و با در نظر گرفتن پس‌پردازش‌ها بر اساس ریزحرکت‌ها این نرخ به حدود 98% می‌رسد.},
keywords_fa = {بازشناسی برخط حروف فارسی, بازشناسی دست‌نوشته/ دست‌نویس, ریزحرکت‌, ماشین بردار پشتیبان (SVM).},
url = {http://jsdp.rcisp.ac.ir/article-1-693-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-693-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2012}  
}

@article{ 
author = {mollaei, nima and abdolahzadeh, ahmad and shirazi, hossei},  
title = {WI&#59;CRF: A new approach to extract the required information from military documents}, 
abstract ={Military Information Extraction techniques are interested for military managers and commanders. But usual information extraction techniques cannot be used for that domain, because military corpus has special structure that differs from non-military corpus. In this paper the military documents structure is compared with non-military documents structure. Moreover a new classification is proposed for military documents. IE system effects are also surveyed for each class. Then a new composite approach is proposed according to the experimental results. The new approach is based on Wrapper Induction and CRF Model. Test bed is also prepared from battlefield reports to evaluate the proposed system. The improvement is shown based on tow metrics namely Recall and F-Measure. The usefulness of the proposed system is also demonstrates.    },  
Keywords = {Military Document, Information Extraction (IE), Conditional Random Field (CRF), Wrapper Induction (WI)},
volume = {9},
Number = {1}, 
pages = {67-80}, 
publisher = {Research Center on Developing Advanced Technologies},
title_fa = {WI&#59;CRF: روش پیشنهادی برای استخراج اطلاعات مورد نیاز از متون نظامی},
abstract_fa ={امروزه تکنیک‌های استخراج اطلاعات مورد نیاز، از متون نظامی، مورد توجه فرماندهان و مدیران نظامی قرار گرفته که بدلیل تفاوت‌های ساختاری متون نظامی در مقایسه با متون غیر نظامی، استفاده از روش‌های متداول موجود بر روی متون نظامی، فاقد کارایی لازم می‌باشد. در این مقاله ضمن مقایسه ساختار متون نظامی با متن‌های غیر‌نظامی، دسته بندی جدیدی از متون نظامی ارایه گردیده و نتایج استخراج اطلاعات در هر گروه با استفاده از سیستم¬های موجود، مورد بررسی قرار گرفته است. براساس نتایج حاصل از ارزیابی، روشی نوین بر مبنای ترکیب روش استنتاج پوشش و مدل حوزه تصادفی شرطی ارایه گردیده است. ارزیابی کارایی بر روی بستر تهیه شده از گزارش¬های صحنه نبرد، انجام گردیده است. با بکارگیری روش پیشنهادی بر روی بستر ارایه شده، بهبود کارایی در معیارهای فراخوانی و معیار F نمایش داده شده است. همچنین با مقایسه نتایج حاصل از اجرای این سیستم بر روی متون غیر نظامی، امکان بکارگیری آن برای استخراج اطلاعات از متون غیر نظامی نیز بررسی شده است.},
keywords_fa = {متن نظامی, استخراج اطلاعات, استنتاج پوشش, مدل حوزه تصادفی شرطی},
url = {http://jsdp.rcisp.ac.ir/article-1-695-en.html},  
eprint = {http://jsdp.rcisp.ac.ir/article-1-695-en.pdf},  
journal = {Signal and Data Processing},  
issn = {2538-4201}, 
eissn = {2538-421X}, 
year = {2012}  
}