fa
jalali
1392
12
1
gregorian
2014
3
1
10
2
online
1
fulltext
fa
امکانسنجی پیشبینی خیلی کوتاه مدت وضع هوا بر پایه دادههای ایستگاههای همدیدی ایران
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.
ایستگاه سینوپتیک, سیستم آشوبناک, پیشبینی کوتاه مدت, انتخاب ویژگی, رگرسیون, پیشبینی غیر عددی.
3
20
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-297-1&slc_lang=fa&sid=1
2013/06/5
1392/3/15
2014/01/12
1392/10/22
محسن
مشکی
moshki@iust.ac.ir
003194753284600880
003194753284600880
Yes
Peyman
Kabiri
پیمان
کبیری
peyman.kabiriiust.ac.ir
003194753284600881
003194753284600881
No
دانشگاه علم و صنعت ایران
Alireza
Mohebol-Hojeh
علیرضا
محب الحجه
amohebut.ac.ir
003194753284600882
003194753284600882
No
موسسه ژئوفیزیک دانشگاه تهران
fa
بهبود تشخیص خودکار احساسات با استفاده از سیگنالEEG
Designing an Experiment to Improve Automatic Emotion Detection Using EEG
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
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
Emotion recognition, EEG signal, International Affective Picture System, Fractal dimension
بازشناسی احساسات, سیگنالEEG, سیستم تصاویر استاندارد عاطفی, بعد فرکتال.
21
34
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-309-1&slc_lang=fa&sid=1
2013/06/52013/06/5
1392/3/15
2014/01/122014/01/7
1392/10/17
الناز
ایل بیگی
eln.eilbaigi@gmail.com
003194753284600883
003194753284600883
Yes
mohamadreza
yazdchi
محمد رضا
یزدچی
yazdchieng.ui.ac.ir
003194753284600884
003194753284600884
No
دانشگاه اصفهان
amin
mahnam
امین
مهنام
mahnameng.ui.ac.ir
003194753284600885
003194753284600885
No
دانشگاه اصفهان
fa
بهبود و توسعه یک سیستم مترجمیار انگلیسی به فارسی
Development and Enhancement of an interactive Computer-Assisted Translation System for English to Persian
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.
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
Statistical Machine Translation (SMT), Computer-Assisted Translation (CAT), Interactive CAT, Prefix Search.
سیستم مترجمیار کامپیوتری, سیستم مترجمیار تعاملی, ترنزتایپ , موزز, جستجوی پیشوند.
35
46
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-324-1&slc_lang=fa&sid=1
2013/06/52013/06/52013/06/3
1392/3/13
2014/01/122014/01/72013/12/18
1392/9/27
زینب
وکیل
zeinab.vakil@gmail.com
003194753284600886
003194753284600886
Yes
شهرام
خدیوی
khadivigmail.com
003194753284600887
003194753284600887
No
امیرکبیر
fa
بهبود بازشناسی مقاوم الگو در شبکه های عصبی بازگشتی جاذب از طریق به کارگیری دینامیک های آشوب گونه
An Improvement on Robust Pattern Recognition Using Chaotic Dynamics in Attractor Recurrent Neural Network
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.
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.
Attractor Recurrent Neural Network, Chaotic Dynamics, Chaotic Neuron, Point Attractor, Robust Pattern Recognition
شبکه عصبی بازگشتی جاذب (ARNN), دینامیک های آشوب گونه, نورون آشوب گونه, جاذب نقطه ای, بازشناسی مقاوم الگو
47
67
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-47-1&slc_lang=fa&sid=1
2013/06/52013/06/52013/06/32013/07/7
1392/4/16
2014/01/122014/01/72013/12/182013/10/27
1392/8/5
سید علی
سیدصالحی
ssalehiaut.ac.ir
003194753284600888
003194753284600888
Yes
دانشگاه صنعتی امیرکبیر
معصومه
آذرپور
m.azarpour@gmail.com
003194753284600889
003194753284600889
No
fa
تعیین مرز و نوع عبارات نحوی در متون فارسی
Phrase chunking in Persian texts
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..
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
Natural language processing, Phrase chunking, POS tagging, Support vector machine, Conditional random fields, Text to speech, Machine translation
پردازش زبان طبیعی – تعیین مرز و نوع گروههای نحوی – برچسبگذاری مقولهی نحوی - ماشین بردار پشتیبان – میدان تصادفی شرطی - تبدیل متن به گفتار - ترجمهی ماشینی.
69
86
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-292-1&slc_lang=fa&sid=1
2013/06/52013/06/52013/06/32013/07/72013/06/5
1392/3/15
2014/01/122014/01/72013/12/182013/10/272013/09/10
1392/6/19
armin
salimibadr
آرمین
سلیمی بدر
arminsb@gmail.com
0031947532846008038
0031947532846008038
Yes
دانشگاه صنعتی امیرکبیر
Mohammad Mehdi
Homayounpour
محمدمهدی
همایونپور
homayoun@aut.ac.ir
0031947532846008039
0031947532846008039
No
دانشگاه صنعتی امیرکبیر
fa
آشکارسازی و تعیین مکان متون فارسی - عربی در تصاویر ویدیویی
FARSIARABIC TEXT DETECTION AND LOCALIZATION IN VIDEO FRAMES
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.
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
Farsi/Arabic, video sequence, text detection, artificial corner, DCT
متون فارسی- عربی, ویدیو, آشکارسازی متن, گوشه تصنعی, تبدیل فوریه کسینوسی گسسته
87
104
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-252-1&slc_lang=fa&sid=1
2013/06/52013/06/52013/06/32013/07/72013/06/52013/06/30
1392/4/9
2014/01/122014/01/72013/12/182013/10/272013/09/102013/12/29
1392/10/8
سعید
مظفری
mozaffari@semnan.ac.ir
003194753284600892
003194753284600892
Yes
علی اصغر
اروجی
003194753284600893
003194753284600893
No
محی الدین
مرادی
003194753284600894
003194753284600894
No