طراحی الگوریتم بازشناسی واجها با به کارگیری همبسته های آکوستیکی مشخصه های واجی A Phoneme Recognition Algorithm Design Using the Acoustic Correlates of the Phonological Features 1 1 در مقالۀ حاضر، در چارچوب واج شناسی غیرخطی با بهره گیری از مدل اندامهای گویایی فعال ابتدا به بررسی هندسۀ مشخصه های واجی در قالب مشخصه های مستقل از اندامهای گویایی فعال و مشخصه های وابسته به آنها پرداخته و واجهای فارسی را در این مدل توصیف می نماییم. سپس الگوی آوایی مرجع هر مشخصه واجی که شامل یک یا مجموعه ای از همبسته های آکوستیکی آن مشخصه بوده و در بازنمود آوایی آن با مقادیر یا ارزشهای کیفی مشخص میشوند با تحلیل آکوستیکی و تجزیه و تحلیل آماری داده های جمع آوری شده تعیین میگردند. درنهایت، الگوریتمی ارائه می گردد که درونداد آن سیگنال آوایی مربوط به واجهای فارسی در یکی از دو بافت CV و VC بوده و حاوی پیمانه هایی است که از همبسته های آکوستیکی مشخصه های واجی بهره میگیرد تا واج مربوطه را شناسایی کرده و به عنوان برونداد ارائه نماید. یافته های تحقیق حاضر می تواند نقش قابل ملاحظه ای در افزایش دقت و سرعت سیستمهای بازشناسی گفتار فارسی داشته باشد. 2 In the present paper, the phonological feature geometry of the Persian phonemes is analyzed in the form of articulate-free and articulate-bound features based on the articulator model of the nonlinear phonology. Then, the reference phonetic pattern of each feature that consists of one or a set of acoustic correlates, characterized by the quantitative or qualitative values in its phonological representation, is determined by the acoustic and statistical analysis of the collected data. Finally, an algorithm is designed which implements multiple modules based on the identified acoustic correlates of the phonological features and gets as input an acoustic signal of a Persian phoneme in CV or VC context and outputs the recognized phoneme. The findings of the paper can considerably improve the speed and accuracy of the Persian speech recognition systems. 13 28 2012/03/19 1390/12/29 2018/02/19 1396/11/30 مسعود شریفی آتشگاه massoud sharifi massoud.sharifi@gmail.com وحید صادقی vahid sadeghi va_sadeghi2000@yahoo.com nonlinear phonology articulator phonological feature acoustic correlate reference phonological pattern واجشناسی غیرخطی اندامهای گویایی فعال مشخصه واجی همبستۀ آکوستیکی الگوی آوایی مرجع 1##2##3##1##2##3## ##

سیستمهای دسته‌بند چندگانه : روشهای طراحی و قواعد ترکیب شورا sad 1 1 یکی از روشهای مناسب برای بهبود صحّت دسته‌بندی نمونه‌ها، استفاده از چند دسته‌بند مختلف و سپس ترکیب نتایج خروجی آنها است که اغلب تحت عنوان «سیستمهای دسته‌بند چندگانه» یا «سیستمهای شورایی» خوانده می‌شود. سیستمهای شورایی به‌طور کلی شامل دو بخش اصلی «ایجاد شورای دسته‌بندها» و «قواعد ترکیب» آنها است. پژوهشگران حوزه‌های مختلف از جمله بازشناسایی الگو، یادگیری ماشینی و آمار استفاده از سیستمهای شورایی را بررسی کرده‌اند. نبوی کریزی و کبیر [1] اولین مقاله مروری فارسی در این حوزه را ارائه و روشهای ترکیب دسته‌بندها را معرفی کرده‌اند. با این حال بررسی روند مقالات اخیر نشان می‌دهد پژوهش در حوزه سیستمهای شورا بر روشهای ایجاد شورای دسته‌بندها تمرکز کرده‌اند. از این رو در این مقاله تلاش شده است، ابتدا چارچوبی برای رویکردهای مختلف ایجاد شورای دسته‌بندها ارائه شود. براساس این ساختار، روشهای مختلف هر رویکرد معرفی شده است. درادامه، روشهای ترکیب دسته‌بندها به اجمال بیان شده است. درپایان، با بررسی روند پژوهشهای موجود، زمینه‌های پژوهشی مناسب در این حوزه فعال از یادگیری ماشین ارائه شده است. 2 aasdadad 29 56 2012/03/192012/03/19 1390/12/29 2018/02/192018/02/19 1396/11/30 محمد علی باقری ma.bagheri@gmail.com غلامعلی منتظر Gholam Ali Montazer دانشگاه تربیت مدر‌ّس montazer@modares.ac.ir احسان اله کبیر Ehsan alah Kabir kabir@modares.ac.ir asd سیستمهای دسته‌بند چندگانه ترکیب دسته‌بندها طراحی شورا قواعد ترکیب شورا گوناگونی 1##2##3##1##2##3## ##

روشی جدید برای تخمین همزمان تاخیر و داپلر از تابع ابهام: تلفیق فرآیندهای تصادفی و پردازش های مکانی برای حذف کلاتر و نویز A New Method for Jointly Estimation of Delay and Doppler from Ambiguity Function : Combination of Stochastic Processes and Spatial processing for Noise and Clutter Suppression 1 1 در این مقاله یک روش جدید برای تخمین همزمان تاخیر و داپلر در رادارهای مبتنی بر تابع ابهام ارایه می شود. در این روش ابتدا هر سلول از تابع ابهام در قالب یک متغیر تصادفی در نظر گرفته شده و با توجه به تغییرات مقدار آن طی اسکن های متوالی رادار، یک فرآیند تصادفی برای آن تخمین زده می شود. با استفاده از پارامترهای فرآیندهای تصادفی فوق، تابع ابهام رادار به بخش های با احتمال بالای وجود هدف و با احتمال بالای وجود کلاتر و نویز افراز می شود. سپس با استفاده از پردازش های مکانی، مقادیر تاخیر و داپلر مربوط به اهداف اصلی از تابع ابهام افراز شده فوق استخراج و بدین ترتیب اهداف مزبور آشکارسازی و تفکیک می شوند. عملکرد روش پیشنهادی این مقاله در دو حالت جداگانه و برای آشکارسازی اهداف با حرکت سریع و اهداف با حرکت کند کند آزموده می شود. نتایج حاصل از آزمونهای فوق حاکی از برتری روش پیشنهادی این مقاله نسبت به روش های موجود در آشکارسازی هر دو نوع فوق از اهداف می باشد. همچنین ملاحظه می شود که روش پیشنهادی این مقاله در مقایسه با روش های موجود، بهبود چشمگیرتری را در آشکارسازی اهداف کند نسبت به آشکارسازی اهداف سریع ایجاد می کند. 2 In this paper a new method is introduced for jointly delay and doppler estimation in ambiguity function based radars. In this method firstly each cell of ambiguity function is considered as a random variable, then an stochastic processes is estimated for each cell based on its value during consecutive radar scans. In the second step the ambiguity function is divided to high probability target and high probability clutter zones by using parameters of the estimated stochastic processes. Finally exact values of delay and doppler of radar targets is extracted and localized from the divided ambiguity function by employing spatial processing techniques. Performance of the proposed method is evaluated in two different scenarios, which the first scenario belongs to high speed targets and in the latter, targets are low speed. The obtained results showed the greater ability of the suggested method in detection both of above types of targets comparing with present approaches. Furthermore it can be shown that the proposed method causes the more considerable improvement in detection of low speed targets than high speed targets comparing with available methods. 35 12 2012/03/192012/03/192012/03/19 1390/12/29 2018/02/192018/02/192018/02/19 1396/11/30 وهاب شجاع الدینی vahab shojaeddini دانشگاه تربیت مدرس shojaeddini_va@yahoo.com رحمان کبیری rahman kabiri pardazinfo@gmail.com Radar Ambiguity function Delay Doppler Clutter and noise suppression Stochastic process Target detection. رادار تابع ابهام تاخیر داپلر حذف کلاتر و نویز فرآیندهای تصادفی آشکارسازی هدف. 1##2##3##1##2##3## ##

مرور مؤثر نتایج جستجوی تصاویر با تلخیص بصری و متنوع از طریق خوشه‌بندی Effective browsing of image search results via diversified visual summarization by Clustering 1 1 با رشد بی‌سابقه تولید تصاویر دیجیتال و استفاده از منابع چندرسانه‌ای، نیاز به جستجوی تصاویر و مطالب افزایش یافته است. پردازش نظام‌مند این اطلاعات پیش‌نیازی اساسی برای تحلیل، سازمان‌دهی و مدیریت مؤثر آن محسوب می‌شود. از طرفی مجموعه عظیمی از تصاویر بر روی وب در دسترس عموم قرار گرفته‌اند و بسیاری از موتورهای جستجو، امکان جستجوی تصاویر وب را بر مبنای کلمات کلیدی مهیا کرده‌اند. برای یافتن تصویر مطابق با نیاز و خواست افراد توسط موتورهای جستجوی تصاویر، چالش‌هایی همچون نارسا بودن کلمه پرس‌وجو، تعداد زیاد تصاویر نامرتبط با جستجوی انجام شده، تعداد زیاد تصاویر برگشتی و نبودن تلخیص، وقت‌گیر بودن مرور تمامی تصاویر و عدم تنوع وجود دارد. خوشهبندی نتایج جستجوی تصاویر می‌تواند راه‌حل مؤثری برای این مشکلات باشد. در این پژوهش، چند الگوریتم برای خوشه‌بندی نتایج تصاویر موتورهای جستجو پیشنهاد شده است. تلخیص ایجاد شده از خوشه‌بندی، به کاربر این امکان را می‌دهد که تصاویر را به راحتی مرور کرده و حدود و محتوای کلی تمامی تصاویر بازگشتی را در زمانی کوتاه و تعداد کمی کلیک بدست آورد. با خوشه‌بندی، مجموعه متنوعی از تصاویر که بسیاری از تفاسیر ممکن کلمه کلیدی را دربر دارد، ارائه می‌شود و خوشه‌های ایجاد شده، علاوه بر نمایش دادن تنوع‌های ناشی از ابهامات، تنوع بصری را نیز پوشش می‌دهند. بر اساس آزمایشات صورت گرفته این رویکرد پیشنهادی باعث بهبود در نتایج خوشه‌بندی تصاویر می‌شود. 2 With unprecedented growth in production of digital images and use of multimedia references, requirement of image and subject search has been increased. Systematic processing of this information is a basic prerequisite for effective analysis, organization and management of it. Likewise, large collections of images have been made available on the Web and many search engines have provided the possibility of Web image searching based on keywords. For finding the image according to desire and requirement of user by image search engine, there are some problems as inexpressiveness of queries in description of user requirement, large number of unrelated images to the intended search, lacking of summarization, time consuming review of overall images, lack of diversity. Clustering of image search results can be an efficient solution for solving of these problems. In this research, several algorithms have been proposed for clustering of image search results. The developed summarization allows user to browse images conveniently and to get the overall content of the all returned images in a short time and by a few simple clicks. Through clustering, a diversified set of images presented that reflecting multiple senses of the query and the formed clusters represent visually diverse as well as diverse of ambiguity. According to the experiences, this proposed method improves the acceptable precision of image clustering. 57 74 2012/03/192012/03/192012/03/192012/03/19 1390/12/29 2018/02/192018/02/192018/02/192018/02/19 1396/11/30 محمدرضا کیوان‌پور MohammadReza Keyvanpour دانشگاه الزهرا keyvanpour@alzahra.ac.ir فاطمه علمدار fatemeh alamdar دانشگاه الزهرا fatemeh.alamdar@gmail.com image clustering Folding algorithm Feature extraction Visual diversity Effective browsing image search engine خوشه‎بندی تصاویر؛ الگوریتم Folding؛ استخراج ویژگی؛ تنوع بصری؛ مرور مؤثر؛ موتور جستجوی تصاویر. 1##2##3##1##2##3 ##

استفاده از یادگیری همبستگی منفی در بهبود کارایی ترکیب شبکه های عصبی Using Negative Correlated Networks to Improve Neural Ensemble Performance 1 1 یکی از روش های بهبود صحت طبقه بندی داده ها، استفاده از چند طبقه بند مختلف و سپس ترکیب نتایج خروجی آن هاست که اغلب تحت عنوان ترکیب طبقه بندها خوانده می شود. پارامترهای مختلفی بر کارایی سیستم ترکیب طبقه بندها تاثیر می گذارند که از آن جمله می توان به میزان گوناگونی بین طبقه بندهای پایه ی سیستم اشاره کرد.در این مقاله تاثیر ایجاد گوناگونی حاصل از یادگیری همبستگی منفی را بر کارایی ترکیب طبقه بندهای عصبی مورد بررسی قرار داده ایم. این تحقیق تاثیر یادگیری همبستگی منفی را در دو روش ترکیبی کلیشه تصمیم و تعمیم انباره ای بررسی کرده است، که روش اول روشی بدون یادگیری و روش دوم روشی مبتنی بر یادگیری در بخش ترکیب است. استفاده از یادگیری همبستگی منفی برای ایجاد گوناگونی در طبقه بندهای پایه سیستم ترکیبی، صحت طبقه بندی را در هر دو روش مورد آزمون بهبود داده است. ایده پیشنهادی مقاله از نقطه نظر دیگری هم قابل ارائه است. تا کنون از روش های میانگین گیری و رای اکثریت برای ترکیب شبکه هایی با همبستگی منفی استفاده می شده است. نتایج این تحقیق نشان داد که کلیشه تصمیم و تعمیم انباره ای روش های کاراتری برای ترکیب شبکه های حاصل از یادگیری همبستگی منفی هستند. آزمایشات روی پنج مجموعه داده ی آزمون طبقه بندی از بانک داده UCI و ELENA نشان داد که به کارگیری ایده پیشنهادی کارایی ساختار ترکیب طبقه بندهای عصبی را به طور قابل ملاحظه ای افزایش داده است. 2 This paper investigates the effect of diversity caused by Negative Correlation Learning(NCL) in the combination of neural classifiers and presents an efficient way to improve combining performance. Decision Templates and Averaging, as two non-trainable combining methods and Stacked Generalization as a trainable combiner are investigated in our experiments . Utilizing NCL for diversifying the base classifiers leads to significantly better results in all employed combining methods. Experimental results on five datasets from UCI and ELENA repositories indicate that by employing NCL, the performance of the ensemble structure can be more favorable compared to that of an ensemble use independent base classifiers. 75 84 2012/03/192012/03/192012/03/192012/03/192012/03/19 1390/12/29 2018/02/192018/02/192018/02/192018/02/192018/02/19 1396/11/30 علی کارگرنژاد ali kargarnejad az_micro@yahoo.com سعید مسعودنیا Saeed Masoudnia s.masoudnia@gmail.com امیرحسین کاشفی AmirHosein Kashefi AmirHosein.Kashefi@gmail.com Classifiers Ensemble Negative Correlation Learning Decision Templates Stacked Generalization Diversity ترکیب طبقه بندهای عصبی یادگیری همبستگی منفی گوناگونی کلیشه تصمیم تعمیم انباره ای 1##2##3##1##2##3## ##

بازشناسی خودکار حالت عاطفی مبتنی بر تغییرات فیزیولوژیک Automatic Affective State Recognition Using Physiological Changes 1 1 بازشناسی خودکار حالت عاطفی به منظور بهبود ارتباط انسان و رایانه، تحقیقات بالینی و کاربردهای متنوّع دیگر در چند سال اخیر مورد توجّه محقّقان بوده است. از جمله روشهای بازشناسی خودکار حالت عاطفی که نسبت به روش های دیداری- شنیداری، به آن توجّه کمتری شده است، نظارت بر تغییرات فیزیولوژیک به وسیله ثبت سیگنالهای محیطی میباشد. حالتهای مختلف عاطفی باعث تحریک دستگاه عصبی خودمختار و به دنبال آن تغییرات فیزیولوژیک به وسیله دو بخش سمپاتیک و پاراسمپاتیک و ایجاد الگوهای مشخص در سیگنالهای محیطی میشود. در این پژوهش سعی میگردد، آزمایشی مطمئن به منظور ایجاد چهار وضعیت عاطفی مشخّص در 25 داوطلب سالم و ثبت همزمان سیگنالهای محیطی برپا شود. همچنین، روش جدیدی در انتخاب افراد شرکت کننده در آزمایش پیشنهاد میگردد. علاوه بر آن پس از پیش پردازشهای مناسب، ویژگیهای متنوّعی از سیگنالها استخراج میشود. در ادامه، مقایسه ای بین روشهای کاهش بعد و دسته بندی کننده برای نیل به بهترین درصد صحّت تفکیک چهار وضعیت عاطفی انجام میشود. روش پیشنهاد شده میتواند حالتهای عاطفی مشخص را با دقّت میانگین 3/84% برای روشهای مختلف کاهش بعد و دسته بندی کننده تفکیک کند. نتایج این پژوهش میتواند به برون آزمایشگاهی شدن این روش بازشناسی کمک نماید. 2 Recently, automatic affective state recognition has been noteworthy for improving Human Computer Interaction (HCI), clinical researches and other various applications. Little attention has been paid so far to physiological signals for affective state recognition compared to audio-visual methods. Different affective states stimulate the Autonomic Nervous System (ANS) and lead to changes in physiology via the Sympathetic and Parasympathetic system and generation of specific patterns in physiological signals. In this study, we setup a reliable experiment to elicit four specific affective states in 25 healthy cases and record the physiological signals simultaneously. We also proposed a novel method to choose the cases. In addition, after the appropriate preprocessing, different features were extracted from the signals. Furthermore we compared various dimension reduction and classification methods to obtain a higher classification’s accuracy. An average accuracy of 84.3% was achieved by using the different dimension reduction and classification methods. The results show that our proposed method improved the accuracy of recognition and it can result in developing a realistic application. 85 100 2012/03/192012/03/192012/03/192012/03/192012/03/192012/03/19 1390/12/29 2018/02/192018/02/192018/02/192018/02/192018/02/192018/02/19 1396/11/30 بهروز مجردشفیعی behrouz shafiyi دانشگاه اصفهان behrooz.m.sh@gmail.com محمدرضا یزدچی Mohammadreza Yazdchi دانشگاه اصفهان yazdchi@eng.ui.ac.ir مهران عمادی اندانی Mehran Emadi Andani ر emadi@eng.ui.ac.ir Affective state recognition Autonomic Nervous System Biosignal processing Feature extraction Dimension reduction Classification بازشناسی حالت عاطفی دستگاه عصبی خودمختار پردازش سیگنالهای حیاتی استخراج ویژگی کاهش بعد دسته بندی 1##2##3##1##2##3 ##

افزایش نرخ کارایی طبقه بندی با استفاده از تجمیع ویژگی های موثر روش های مختلف ترکیب شبکه های عصبی Improving classification performance using combination features of different neural network ensemble methods 1 1 روش¬های یادگیری همبستگی منفی و اختلاط خبره¬ها ، به عنوان دو روش معروف ترکیب شبکه¬های عصبی، از توابع خطای منحصر به فرد و البته متفاوتی برای آموزش شبکه¬های پایه به صورت هم زمان استفاده کرده، که شبکه¬هایی با همگرایی منفی تولید می¬کنند. در این مقاله ویژگی¬های مختلف این دو روش را مرور و نقاط قوت و ضعف آن¬ها را در مقایسه با یکدیگر بررسی می¬کنیم. آنالیز خصوصیات این دو روش در مقایسه با یکدیگر نشان داد که آن¬ها ویژگی¬های متفاوت و البته مکملی نسبت به هم دارند؛ به نحوی که اگر بتوان سیستمی ترکیبی شامل ویژگی های مثبت هر دو روش طراحی کرد، احتمالاً کارایی بهتری از روش¬های پایه خود داشته باشد. در این مقاله ایده¬ای برای ترکیب ویژگی¬های این دو روش پیشنهاد کرده¬ایم. در این روش، قابلیت پارامتر کنترلی روش یادگیری همبستگی منفی به تابع خطای روش اختلاط خبره¬ها افزوده شده، که این روش را قادر می¬سازد که تعادل بهینه¬ای را در توازن بایاس¬ـ واریانس¬ـ¬کوواریانس ایجاد و کارایی را افزایش دهد. روش ترکیبی پیشنهاد شده، در چند مسأله¬ی آزمون پیش¬بینی و طبقه¬بندی با روش¬های پایه¬ی اختلاط خبره¬ها و یادگیری همبستگی منفی مورد مقایسه قرار گرفته است. نتایج آزمایشات نشان داده است که روش ترکیبی پیشنهاد شده، با حفظ نقاط قوت و کاهش ضعف¬های روش های پایه، توانسته کارایی را به طور قابل ملاحظه¬ای نسبت به آن¬ها افزایش دهد. 2 Both theoretical and experimental studies have shown that combining accurate Neural Networks (NN) in the ensemble with negative error correlation greatly improves their generalization abilities. Negative Correlation Learning (NCL) and Mixture of Experts (ME), two popular combining methods, each employ different special error functions for the simultaneous training of NN experts to produce negatively correlated NN experts. In this paper, we review the properties of the NCL and ME methods, discussing their advantages and disadvantages. Characterization of both methods showed that they have different but complementary features, so if a hybrid system can be designed to include features of both NCL and ME, it may be better than each of its basis approaches. In this study, an approach is proposed to combine the features of both methods, i.e., Mixture of Negatively Correlated Experts (MNCE). In this approach, the capability of a control parameter for NCL is incorporated in the error function of ME, which enables the training algorithm of ME to establish better balance in bias-variance-covariance trade-offs. The proposed hybrid ensemble method, MNCE, are compared with their constituent methods, ME and NCL, in solving several benchmark problems. The experimental results show that our proposed method preserve the advantages and alleviate the disadvantages of their basis approaches, offering significantly improved performance over the original methods. 101 114 2012/03/192012/03/192012/03/192012/03/192012/03/192012/03/192012/03/19 1390/12/29 2018/02/192018/02/192018/02/192018/02/192018/02/192018/02/192018/02/19 1396/11/30 جواد محمدزاده Javad Mohammadzadeh دانشگاه ازاد واحد کرج j.mohammadzadeh@kiau.ac.ir سعید مسعودنیا Saeed Masoudnia s.masoudniag@mail.com علی آرانی Ali Araani ali.araany@gmail.com Classification-Neural network ensemble-Negative Correlation Learning-Mixture of Experts طبقه بندی-ترکیب شبکه های عصبی-یادگیری همبستگی منفی-اختلاط خبره ها 1##2##3##1##2##3## ##