1394 12 4 26 125

الگوریتم انطباق مرزی ترکیبی و سریع برای اختفای خطای زمانی داده‌های ویدئویی A Fast and Hybrid Boundary Matching Algorithm for Temporal Error Concealment of Video Data 1 1 با وجود روش‌های مقاوم‌سازی داده‌ها در برابر خطا که در طرف فرستنده روی داده‌های ویدئو اعمال می‌شوند، بروز خطا در حین انتقال داده‌های ویدئویی از کانال‌های مخابراتی اجتناب‌ ناپذیر است. اختفای خطا، شیوهای موثر جهت ارتقای کیفیت ویدئوهای آسیب‌دیده در طرف گیرنده است. در این مقاله، یک الگوریتم انطباق مرزی ترکیبی و سریع جهت تخمین دقیق‌تر بردارهای حرکت آسیب‌دیده ویدئوی دریافتی ارائه می‌شود. الگوریتم پیشنهادی، اختفای خطا برای هر ماکروبلاک آسیب‌دیده را به ترتیب لیست اولویت اختفای خطایی که تعیین می‌کند انجام می‌دهد.سپس،اعوجاج مرزی برای هر ماکروبلاک نامزد به‌صورت ترکیبی از دو معیار انطباق مرزی کلاسیک و انطباق مرز خارجی برای هر پیکسل مرزی محاسبه می‌گردد. پس از بازسازی هر ماکروبلاک آسیب‌دیده، لیست اولویت بروز رسانی می‌شود. همچنین، وابسته به صحت هریک از مرزهای مجاور ماکروبلاک آسیب‌دیده، وزن خاصی به آن‌ها در فرایند تطبیق داده می‌شود. در نهایت، بردار حرکت نامزد با کمترین اعوجاج مرزی به‌عنوان بردار حرکت ماکروبلاک آسیب‌دیده انتخاب می‌شود. نتایج تجربی نشان می‌دهد که الگوریتم پیشنهادی بدون افزایش قابل ملاحظه‌ی زمان محاسبات، ضمن بهبود کیفیت ویدئوهای بازسازی‌شده، مقدار متوسط PSNR برای دنباله‌های مختلف آزمون بیش از dB 1/8 در مقایسه با روش‌های مرجع افزایش می‌دهد. 2 Despite data resilient methods against error that are applied on video data in transmitter side, occurringerror along video data transferring for communication channels is inevitable. Error concealment is a useful method for improving the quality of damaged videos in receiver side. In this paper, a fast and hybrid boundary matching algorithm is presented for more accurate estimating of damaged motion vectors (MVs) from received video. The proposed algorithm performs the error concealment for each damaged macroblock (MB) according to the preference list of error concealment that it assigns. Then, boundary distortion for each candidate MBis calculated with classic and outer boundary matching criterionsfor each boundary pixel. After reconstructing of each damaged MB, the list of preference is updated. Moreover, depending on accuracy of each adjacent boundary from damaged MB, a special weight is given to them, through match process. Finally, the candidate MVwith the lowest boundary distortion is selected as MV of damaged MB. Experimental results show that the proposed algorithm increases the average of PSNR for different test sequences more than 1.8 dB in comparison with reference methods and without significant increasing in calculation time and with improving the quality of reconstructed videos. 3 15 2013/10/7 1392/7/15 2016/01/5 1394/10/15 سید مجتبی مروستی‌زاده Seyed Mojtaba Marvasti-Zadeh دانشگاه یزد mojtaba.marvasti@stu.yazd.ac.ir حسین قانعی یخدان Hossein Ghanei yakhdan دانشگاه یزد hghaneiy@yazd.ac.ir Temporal Error Concealment Motion Vector Estimation Hybrid Boundary Matching Algorithm Macroblock اختفای خطای زمانی تخمین بردار حرکت الگوریتم انطباق مرزی ترکیبی ماکروبلاک قانعی یخدان حسین، خادمی مرتضی، 1390، "روشی جدید برای اختفای خطای زمانی برای دنباله‌های ویدئویی با استفاده از شبکه عصبی GRNN"، نوزدهمین کنفرانس مهندسی برق ایران، صفحه 2769-2764. ##مروستی‌زاده سید مجتبی، قانعی یخدان حسین، کسایی شهره، 1392، "بهبود الگوریتم انطباق مرزی وزن‌دار شده برای اختفای خطای زمانی دنباله‌های ویدئویی"، هشتمین کنفرانس ماشین بینایی و پردازش تصویر ایران، صفحه 230-226.##Ai M., and Jiang Q., 2010, "Weighted motion vectors of double candidate blocks based temporal error concealment method for video transmission over wireless network", Int. Conf. Educational and Net-work Technology (ICENT), pp. 478-481.##Araghi A., AgahianPanahi M., and Kasaei S., 2011, "Error concealment using wide motion vector space for H.264-AVC", 19th Iranian Conf. Electrical Engineering (ICEE), pp. 2898-2930.##Asheri H., Rabiee H.R., Pourdamghani N., and Ghanbari M., 2012, "Multi-directional spatial error concealment using adaptive edge thresholding", IEEE Trans. Consumer Electronics, Vol. 58, No. 3, pp. 880-885.##Barjatya A., 2004, "Block matching algorithms for motion estimation", Final Project Paper, DIP 6620, pp. 1-6.##Chen X., Chung Y., and Bae C., 2008, "Dynamic multi-mode switching error concealment algorithm for H.264/AVC video applications", IEEE Trans. Consumer Electronics, Vol. 54, No. 1, pp. 683-695.##Chien J., Li G., and Chen M., 2010, "Effective error concealment algorithm of whole frame loss for H.264 video coding standard by recursive motion vector refinement", IEEE Trans. Consumer Electronics, Vol. 56, No. 3, pp. 1689-1698.##Gao Z., and Lie W., 2004, "Video error concealment by using kalman-filtering technique", IEEE Int. Symp. Circuits and Systems, pp. 69-72.##Ghanbari M., and Seferidis V., 1993, "Cell-loss concealment in ATM video codecs", IEEE Trans. Circuits and Systems for Video Technology, Vol. 3, No.3, pp. 238-247.##Ghanei-Yakhdan H., 2013, "A novel dynamic temporal error concealment technique for video sequences using a competitive neural network", 1st Iranian Conf. Pattern Recognition and Image Analysis, pp. 843-847.##Haskell P., and Messerschmitt D., 1992, "Resy-nchronization of motion compensated video affected by ATM cell loss", IEEE Int. Conf. Acoustics, Speech, and Signal Processing, Vol. 3, pp. 545-548.##Huang Y.L., and Lien H.Y., 2006, "Temporal error concealment for MPEG-4 coded video using a self- organizing map", IEEE Trans. Consumer Electronics, Vol. 52, No. 3, pp. 676-681.##Kim M., Lee H., and Sull S., 2008, "Spatial error concealment for H.264 using sequential directional interpolation", IEEE Trans. Consumer Electronics, Vol. 54, No. 4, pp. 1811-1818.##Kolkeri V.S., 2009, "Error concealment techniques in H.264/AVC for video transmission over wireless networks", M.Sc. Thesis, University of Texas.##Lai Ch., Hao Ch., and Shen X., 2006, "Temporal error concealment algorithm using fuzzy metric", Int. Conf. Intelligent Computing (ICIC), Vol. 4114, pp. 171-176.##Lam W.M., Reibman A., and Liu R.B., 1993, "Recovery of lost or erroneously received motion vectors", IEEE Int. Conf. Acoustics, Speech, and Sig-nal Processing, Vol. 5, pp. 417-420.##Ma M., Gary Chan S.H., and Sun M.T., 2010, "Edge-directed error concealment", IEEE Trans. Circuits and Systems for Video Technology, Vol. 20, No. 3, pp. 382-395.##Marvasti-Zadeh S.M., Ghanei-Yakhdan H., and Kasaei S., 2013, "Dynamic temporal error conc-ealment for video data in error-prone environments", 8th Iranian Conf. Machine Vision & Image Proc-essing (MVIP), pp. 729-733.##Park J.W., Kim J.W., and Lee S.U., 1997, "DCT coefficients recovery-based error concealment techn-ique and its application to the MPEG-2 bit stream error", IEEE Trans. Circuits Syst. Video Technol., Vol. 7, pp. 845–854.##Suh J.W., and Ho Y.S., 1997, "Error concealment based on directional interpolation", IEEE Trans. Consumer Electronics, Vol. 43, No. 3, pp. 295-302.##Sun Y., Sun S., Jing X., and Zhao L., 2010, "A directional temporal error concealment algorithm for H.264", 2nd IEEE Int. Conf. Network Infrastructure and Digital Content, pp. 275-279.##Thaipanich T., Wu P.H., and Jay Kuo C.C., 2007, "Video error concealment with outer and inner boundary matching algorithms", Proceedings of the SPIE, Vol. 6696, pp. 6696-6707.##Thaipanich T., Wu P.H., and Jay Kuo C.C., 2008, "low-complexity video error concealment for mobile applications using OBMA", IEEE Trans. Consumer Electronics, Vol. 54, No. 2, pp. 753-761.##Tsiligianni E., Kondi L.P., and Katsaggelos A.K., 2012, "Shape error concealment based on a shape-preserving boundary approximation", IEEE Trans. Image Processing, Vol. 21, No. 8, pp. 3573-3585.##Vazquez M.G., Garcia-Ramirez A.F., and Ramirez-Acosta A.A., 1997, "Image processing for error concealment", 10th Mexican Int. Conf. Artificial Intelligence (MICAI), pp. 133-138.##Wang C.C., Chuang C.Y., Fu K.R., and Lin S.D., 2011, "An integrated temporal error concealment for H.264/AVC based on spatial evaluation criteria", Journal of Visual Communication and Image Representation (JVCIR), Vol. 22, No. 6, pp. 522-528.##Wang Y., and Zhu Q.F., 1998, "Error control and concealment for video communication: A review", IEEE, Vol. 86, No. 5, pp. 974-997.##Xiang Y., Feng L., Xie S., and Zhou Zh., 2011, "An efficient spatio-temporal boundary matching algor-ithm for video error concealment", Multimedia Tools and Applications Journal, Vol. 52, No. 1, pp. 91-103.##Xuefeng Zh., and Xiuchang Zh., 2010, "A novel tem-poral error concealment method based on fuzzy reasoning for H.264", Journal of Electronics (China), Vol. 27, No. 2, pp. 197-205.##Zheng J., and Chau L.P., 2004, "A temporal error concealment algorithm for H.264 using Lagrange interpolation", Int. Symp. Circuits and Systems (IS-CAS), Vol. 2, pp. 133-136.##قانعی یخدان حسین، خادمی مرتضی، 1390، "روشی جدید برای اختفای خطای زمانی برای دنباله‌های ویدئویی با استفاده از شبکه عصبی GRNN"، نوزدهمین کنفرانس مهندسی برق ایران، صفحه 2769-2764. ##مروستی‌زاده سید مجتبی، قانعی یخدان حسین، کسایی شهره، 1392، "بهبود الگوریتم انطباق مرزی وزن‌دار شده برای اختفای خطای زمانی دنباله‌های ویدئویی"، هشتمین کنفرانس ماشین بینایی و پردازش تصویر ایران، صفحه 230-226.##Ai M., and Jiang Q., 2010, "Weighted motion vectors of double candidate blocks based temporal error concealment method for video transmission over wireless network", Int. Conf. Educational and Net-work Technology (ICENT), pp. 478-481.##Araghi A., AgahianPanahi M., and Kasaei S., 2011, "Error concealment using wide motion vector space for H.264-AVC", 19th Iranian Conf. Electrical Engineering (ICEE), pp. 2898-2930.##Asheri H., Rabiee H.R., Pourdamghani N., and Ghanbari M., 2012, "Multi-directional spatial error concealment using adaptive edge thresholding", IEEE Trans. Consumer Electronics, Vol. 58, No. 3, pp. 880-885.##Barjatya A., 2004, "Block matching algorithms for motion estimation", Final Project Paper, DIP 6620, pp. 1-6.##Chen X., Chung Y., and Bae C., 2008, "Dynamic multi-mode switching error concealment algorithm for H.264/AVC video applications", IEEE Trans. Consumer Electronics, Vol. 54, No. 1, pp. 683-695.##Chien J., Li G., and Chen M., 2010, "Effective error concealment algorithm of whole frame loss for H.264 video coding standard by recursive motion vector refinement", IEEE Trans. Consumer Electronics, Vol. 56, No. 3, pp. 1689-1698.##Gao Z., and Lie W., 2004, "Video error concealment by using kalman-filtering technique", IEEE Int. Symp. Circuits and Systems, pp. 69-72.##Ghanbari M., and Seferidis V., 1993, "Cell-loss concealment in ATM video codecs", IEEE Trans. Circuits and Systems for Video Technology, Vol. 3, No.3, pp. 238-247.##Ghanei-Yakhdan H., 2013, "A novel dynamic temporal error concealment technique for video sequences using a competitive neural network", 1st Iranian Conf. Pattern Recognition and Image Analysis, pp. 843-847.##Haskell P., and Messerschmitt D., 1992, "Resy-nchronization of motion compensated video affected by ATM cell loss", IEEE Int. Conf. Acoustics, Speech, and Signal Processing, Vol. 3, pp. 545-548.##Huang Y.L., and Lien H.Y., 2006, "Temporal error concealment for MPEG-4 coded video using a self- organizing map", IEEE Trans. Consumer Electronics, Vol. 52, No. 3, pp. 676-681.##Kim M., Lee H., and Sull S., 2008, "Spatial error concealment for H.264 using sequential directional interpolation", IEEE Trans. Consumer Electronics, Vol. 54, No. 4, pp. 1811-1818.##Kolkeri V.S., 2009, "Error concealment techniques in H.264/AVC for video transmission over wireless networks", M.Sc. Thesis, University of Texas.##Lai Ch., Hao Ch., and Shen X., 2006, "Temporal error concealment algorithm using fuzzy metric", Int. Conf. Intelligent Computing (ICIC), Vol. 4114, pp. 171-176.##Lam W.M., Reibman A., and Liu R.B., 1993, "Recovery of lost or erroneously received motion vectors", IEEE Int. Conf. Acoustics, Speech, and Sig-nal Processing, Vol. 5, pp. 417-420.##Ma M., Gary Chan S.H., and Sun M.T., 2010, "Edge-directed error concealment", IEEE Trans. Circuits and Systems for Video Technology, Vol. 20, No. 3, pp. 382-395.##Marvasti-Zadeh S.M., Ghanei-Yakhdan H., and Kasaei S., 2013, "Dynamic temporal error conc-ealment for video data in error-prone environments", 8th Iranian Conf. Machine Vision & Image Proc-essing (MVIP), pp. 729-733.##Park J.W., Kim J.W., and Lee S.U., 1997, "DCT coefficients recovery-based error concealment techn-ique and its application to the MPEG-2 bit stream error", IEEE Trans. Circuits Syst. Video Technol., Vol. 7, pp. 845–854.##Suh J.W., and Ho Y.S., 1997, "Error concealment based on directional interpolation", IEEE Trans. Consumer Electronics, Vol. 43, No. 3, pp. 295-302.##Sun Y., Sun S., Jing X., and Zhao L., 2010, "A directional temporal error concealment algorithm for H.264", 2nd IEEE Int. Conf. Network Infrastructure and Digital Content, pp. 275-279.##Thaipanich T., Wu P.H., and Jay Kuo C.C., 2007, "Video error concealment with outer and inner boundary matching algorithms", Proceedings of the SPIE, Vol. 6696, pp. 6696-6707.##Thaipanich T., Wu P.H., and Jay Kuo C.C., 2008, "low-complexity video error concealment for mobile applications using OBMA", IEEE Trans. Consumer Electronics, Vol. 54, No. 2, pp. 753-761.##Tsiligianni E., Kondi L.P., and Katsaggelos A.K., 2012, "Shape error concealment based on a shape-preserving boundary approximation", IEEE Trans. Image Processing, Vol. 21, No. 8, pp. 3573-3585.##Vazquez M.G., Garcia-Ramirez A.F., and Ramirez-Acosta A.A., 1997, "Image processing for error concealment", 10th Mexican Int. Conf. Artificial Intelligence (MICAI), pp. 133-138.##Wang C.C., Chuang C.Y., Fu K.R., and Lin S.D., 2011, "An integrated temporal error concealment for H.264/AVC based on spatial evaluation criteria", Journal of Visual Communication and Image Representation (JVCIR), Vol. 22, No. 6, pp. 522-528.##Wang Y., and Zhu Q.F., 1998, "Error control and concealment for video communication: A review", IEEE, Vol. 86, No. 5, pp. 974-997.##Xiang Y., Feng L., Xie S., and Zhou Zh., 2011, "An efficient spatio-temporal boundary matching algor-ithm for video error concealment", Multimedia Tools and Applications Journal, Vol. 52, No. 1, pp. 91-103.##Xuefeng Zh., and Xiuchang Zh., 2010, "A novel tem-poral error concealment method based on fuzzy reasoning for H.264", Journal of Electronics (China), Vol. 27, No. 2, pp. 197-205.##Zheng J., and Chau L.P., 2004, "A temporal error concealment algorithm for H.264 using Lagrange interpolation", Int. Symp. Circuits and Systems (IS-CAS), Vol. 2, pp. 133-136. ##

آشکارسازی افتادن با استفاده از روش نوین ردیابی بر پایۀ الگوریتم اصلاح شدۀ کانتور Fall Detection Using Novel Tracking Method Based on Modified Contour Algorithm 1 1 در جوامع توسعه یافته یا در حال توسعه تعداد افراد سالمند رو به افزایش است. این افراد به علت کهولت سن و ناتوانی‏ جسمی معمولاً در معرض اتفاقات خطرناکی از جمله‏ افتادن هستند که این امر لزوم مراقبت از این افراد را نشان می‏‌دهد. یکی از روش‌های مراقبت، نظارت هوشمند ویدئویی است که قادر است در هنگام وقوع حادثه مراقبین را با سرعت زیادی مطّلع نماید. این مقاله با استفاده از روش ردیابی نوینی بر پایۀ الگوریتم اصلاح شدۀ کانتور، افراد را ردیابی و افتادنِ آن‌ها را در دنباله‌های ویدئویی آشکار می‏نماید. از مزایای روش ارائه شده، آشکار سازی افتادن در شرایط نسبتاً واقعی و در حضور چندین شئ می‏باشد. شبیه‏سازی‌ها نشان میدهد که الگوریتم ارائه شده با دقّت و سرعت بالایی قادر است افتادن را در دنباله‏های ویدئویی شناسایی و آشکار نماید. 2 The population of elderly people has growing trend in the developed or developing countries. Since the elderly are mainly associated with disability, this group of people exposed to dangerous events such as falling down. It is therefore needed to take care of these people against dangerous events. Intelligent video monitoring is a approach that may be able to give quick notification to the caregivers. For this purpose, in this paper, an approach using a novel tracking method based on modified contour algorithm is presented. The new method is able to conduct tracking and falling down detection in a realistic conditions in the presence of multiple motions. Simulations indicate that the proposed algorithm is able to identify the fall-down event with high accuracy and speed. 17 31 2013/10/72013/11/24 1392/9/3 2016/01/52015/09/12 1394/6/21 حمید رجبی Hamid Rajabi دانشگاه گیلان hamidrajabi2010@yahoo.com منوچهر نحوی Manoochehr Nahvi دانشگاه گیلان , nahvi@guilan.ac.ir fall detection algorithm contour machine vision tracking intelligent surveillance systems. آشکارسازی افتادن الگوریتم کانتور بینایی ماشین ردیابی سیستم‌های هوشمند مراقبت. رضایی خ، حدادنیا ج، دلبری الف.، "سیستم پایش زمین خوردن سالمندان بر مبنای مدل ترکیبی گوسی و تغییرات آناتومیکی بدن در تصاویر ویدئویی،" مجله ماشین بینائی و پردازش تصویر، زمستان 1392، سال یکم، شماره 2، صص: 77-67.##Anderson D. "Introduction to Stochastic Processes with Applications in the Biosciences", University of Wisconsin at Madison, 2013.##Anderson D, Luke R.H, Keller J.M, Skubic M, Rantz M, Aud M, "Linguistic Summarization of Video for Fall Detection Using Voxel Person and Fuzzy Logic," Comput. Vis. Image Understand, 2009, vol. 113, PP. 80–89.##Austria S. Familien und Haushaltsstatistik: Erge-bnisse des Mikrozensus: Statistik Austria, 2009.##Bianchi F, Redmond S.J, Narayanan M.R, N.H.Lovell SC. "Barometric Pressure and Triaxial Accelerometry Ba-sed Falls Event Detection". IEEETrans Neural Syst Rehabil Eng, 2010, vol. 18, PP. 619–627.##Butler J, "Report on seniors’s falls in Canada", Public Health Agency of Canada, Ottawa Ontario Canada, Division of Aging and Seniors, 2005.##Debard G, Karsmakers P, Deschodt M, Vlaeyen E, Van den Bergh J, Dejaeger E, Milisen K, Goedemé T, Tuytelaars T, Vanrumste B. "Camera Based Fall Detection Using Multiple Features Validated with Real Life Video". Workshop Proceedings of the 7th International Conference on Intelligent Environments, 2011, vol. 10, PP. 441-450.##Diraco G, Leone A, Siciliano P. "An active vision system for fall detection and posture recognition in elderly healthcare". Design, Automation & Test in Europe Conference & Exhibition (DATE), 2010, vol. 4, PP. 8-12.##Doukas C, Maglogiannis I, Tragkas F, Yovanof D. "Patient Fall Detection Using Support Vector Machines". International Federationfor Information Processing(IFIP), 2007, vol. 9, PP. 147–156.##Foroughi H, Aski BS, Pourreza H." Intelligent video surveillance for monitoring fall detection of elderly in home environments" Computer and Information Technology, ICCIT 2008. 11th International Conf-erence on. 2008, PP. 24-27.##Fu Z, Delbruck T, Lichtsteiner P, Culurciello E. "An Address-Event Fall Detector for Assisted Living Applications". Biomedical Circuits and Systems, IEEE Transactions on. 2008, vol. 2, PP. 88-96.##Gonzalez RC, Wood RE. "Digital Image Processing". Prentice Hall, New Jersey, 2001.##Hindmarsh JJ, Estes E. "Falls in older persons: Causes and interventions". Archives of Internal Medicine 149, 1989, vol. 149, PP. 2217-2222.##Huimin Q, Yaobin M, Wenbo X, Zhiquan W. "Home environment fall detection system based on a cascaded multi-SVM classifier" Control, Automation, Robotics and Vision, ICARCV 2008. 10th Inter-national Conference on. 2008, PP. 17-20.##Jansen B, Deklerck R. "Context Aware Inactivity Recognition for Visual Fall Detection".IEEE Perv-asive HealthConference and Workshops, 2006, PP. 1-4.##Jouneja M, Sandhu P.S. " Performance Valuation of Edge Detection Techniques for Images in Spatial Domain", International Journal of Computer Theory and Engineering, 2009, vol. 1, no. 5, PP. 1793-8201.##Liu C-L, Lee C-H, Lin P-M. "A fall detection system using k-nearest neighbor classifier. Expert Systems with Applications", 2006, PP. 7174-7181.##Lushen W, Zhen L, Yuwen L, "Moving Objects Detection Based on Embedded Video Surveillance", in Systems and Informatics (ICSAI), International Conference on, 2012, PP. 2042-2045.##Matteoli S, Acito N, Diani M, Corsini G. "An Autom-atic Approach to Adaptive Local Background Estimation and Suppression in Hyperspectral Target Detection", Geoscience and Remote Sensing, IEEE Transactions on, 2011, vol. 49, PP.790-800.##Nations U. World Population Prospects: The 2008 Revision - Comprehensive Tables, 2008.##Rougier C, Meunier J, Saint-Arnaud A, Rousseau J. "Monocular 3D Head Tracking to Detect Falls of Elderly People". Eng Med Biol Soc. (EMBS), Conf. IEEE, 2006, PP. 6384–6387.##Rougier C, Meunier J, St-Arnaud A, Rousseau J. "Fall Detection from Human Shape and Motion History Using Video Surveillance". Advanced Infor-mation Networking and Applications Workshops, 21st International Conference on, 2007, vol. 2, PP. 875-880.##Rougier C, Meunier J, St-Arnaud A, Rousseau J. "Robust Video Surveillance for Fall Detection Based on Human Shape Deformation". Circuits and Systems for Video Technology, IEEE Transactions on, 2011, vol. 21, PP. 611-622.##Rougier C, Auvinet E, Rousseau J, Mignotte M aMJ." Fall Detection from Depth Map Video Sequences", 2011, PP. 121-128.##Shieh W-Y, Huang J-C. "Falling-incidentdetection and Throughput Enhancement in a Multi-camera Video-Surveillance System". Medical Engineering & Physics, 2011, PP. 954-963.##Sixsmith A, Johnson N. "A Smart Sensor to Detect the Falls of the Elderly". Pervasive Computing IEEE, 2004, vol. 3, PP. 42-47.##Stauffer C, W.E.L G. "Adaptive Background Mixture Models for Real-Time Tracking". Computer Vision and Pattern Recognition, 1999, PP. 246-252.##Suhuai L, Qingmao H. "A dynamic motion pattern analysis approach to fall detection". Biomedical Circuits and Systems, IEEE International Workshop on, 2004, PP. 1-5.##Tamura T, Yoshimura T, M.Sekine, O.Tanaka MUa. "A Wearable Airbag to Prevent Fall Injuries". IEEE Trans Inf Technol Biomed, 2009, vol. 13, PP. 910–914.##Vaidehi V, Ganapathy K, Mohan K, Aldrin A, Nirmal K. "Video based automatic fall detection in indoor environment". Recent Trends in Information Technology (ICRTIT), International Conference on, 2011, PP. 1016-1020.##Vinay V, Chittaranjan M. "Automatic detection of human fall in video". In. Proceedings of the 2nd international conference on Pattern recognition and machine intelligence, 2007, PP. 616-623.##Wang L. "From blob metrics to posture classification to activity profiling". 18th International Conference on Pattern Recognition, 2006, vol. 4, PP. 736-739.##Wenshuo G, Xiaoguang Z, Y. Lei. "An improved Sobel edge detection". Computer Science and Information Technology (ICCSIT), 3rd IEEE International Conference, 2010, vol. 5, PP. 67-71.##Yilmaz A, Li X, Shah M. " Contour-Based Object Tracking with Occlusion Handling in Video Acquired Using Mobile Cameras". IEEE Trans on Pattern Analysis and Machine Intelligence, 2004, vol. 26, no. 11, PP. 1531-1536.##رضایی خ، حدادنیا ج، دلبری الف.، "سیستم پایش زمین خوردن سالمندان بر مبنای مدل ترکیبی گوسی و تغییرات آناتومیکی بدن در تصاویر ویدئویی،" مجله ماشین بینائی و پردازش تصویر، زمستان 1392، سال یکم، شماره 2، صص: 77-67.##Anderson D. "Introduction to Stochastic Processes with Applications in the Biosciences", University of Wisconsin at Madison, 2013.##Anderson D, Luke R.H, Keller J.M, Skubic M, Rantz M, Aud M, "Linguistic Summarization of Video for Fall Detection Using Voxel Person and Fuzzy Logic," Comput. Vis. Image Understand, 2009, vol. 113, PP. 80–89.##Austria S. Familien und Haushaltsstatistik: Erge-bnisse des Mikrozensus: Statistik Austria, 2009.##Bianchi F, Redmond S.J, Narayanan M.R, N.H.Lovell SC. "Barometric Pressure and Triaxial Accelerometry Ba-sed Falls Event Detection". IEEETrans Neural Syst Rehabil Eng, 2010, vol. 18, PP. 619–627.##Butler J, "Report on seniors’s falls in Canada", Public Health Agency of Canada, Ottawa Ontario Canada, Division of Aging and Seniors, 2005.##Debard G, Karsmakers P, Deschodt M, Vlaeyen E, Van den Bergh J, Dejaeger E, Milisen K, Goedemé T, Tuytelaars T, Vanrumste B. "Camera Based Fall Detection Using Multiple Features Validated with Real Life Video". Workshop Proceedings of the 7th International Conference on Intelligent Environments, 2011, vol. 10, PP. 441-450.##Diraco G, Leone A, Siciliano P. "An active vision system for fall detection and posture recognition in elderly healthcare". Design, Automation & Test in Europe Conference & Exhibition (DATE), 2010, vol. 4, PP. 8-12.##Doukas C, Maglogiannis I, Tragkas F, Yovanof D. "Patient Fall Detection Using Support Vector Machines". International Federationfor Information Processing(IFIP), 2007, vol. 9, PP. 147–156.##Foroughi H, Aski BS, Pourreza H." Intelligent video surveillance for monitoring fall detection of elderly in home environments" Computer and Information Technology, ICCIT 2008. 11th International Conf-erence on. 2008, PP. 24-27.##Fu Z, Delbruck T, Lichtsteiner P, Culurciello E. "An Address-Event Fall Detector for Assisted Living Applications". Biomedical Circuits and Systems, IEEE Transactions on. 2008, vol. 2, PP. 88-96.##Gonzalez RC, Wood RE. "Digital Image Processing". Prentice Hall, New Jersey, 2001.##Hindmarsh JJ, Estes E. "Falls in older persons: Causes and interventions". Archives of Internal Medicine 149, 1989, vol. 149, PP. 2217-2222.##Huimin Q, Yaobin M, Wenbo X, Zhiquan W. "Home environment fall detection system based on a cascaded multi-SVM classifier" Control, Automation, Robotics and Vision, ICARCV 2008. 10th Inter-national Conference on. 2008, PP. 17-20.##Jansen B, Deklerck R. "Context Aware Inactivity Recognition for Visual Fall Detection".IEEE Perv-asive HealthConference and Workshops, 2006, PP. 1-4.##Jouneja M, Sandhu P.S. " Performance Valuation of Edge Detection Techniques for Images in Spatial Domain", International Journal of Computer Theory and Engineering, 2009, vol. 1, no. 5, PP. 1793-8201.##Liu C-L, Lee C-H, Lin P-M. "A fall detection system using k-nearest neighbor classifier. Expert Systems with Applications", 2006, PP. 7174-7181.##Lushen W, Zhen L, Yuwen L, "Moving Objects Detection Based on Embedded Video Surveillance", in Systems and Informatics (ICSAI), International Conference on, 2012, PP. 2042-2045.##Matteoli S, Acito N, Diani M, Corsini G. "An Autom-atic Approach to Adaptive Local Background Estimation and Suppression in Hyperspectral Target Detection", Geoscience and Remote Sensing, IEEE Transactions on, 2011, vol. 49, PP.790-800.##Nations U. World Population Prospects: The 2008 Revision - Comprehensive Tables, 2008.##Rougier C, Meunier J, Saint-Arnaud A, Rousseau J. "Monocular 3D Head Tracking to Detect Falls of Elderly People". Eng Med Biol Soc. (EMBS), Conf. IEEE, 2006, PP. 6384–6387.##Rougier C, Meunier J, St-Arnaud A, Rousseau J. "Fall Detection from Human Shape and Motion History Using Video Surveillance". Advanced Infor-mation Networking and Applications Workshops, 21st International Conference on, 2007, vol. 2, PP. 875-880.##Rougier C, Meunier J, St-Arnaud A, Rousseau J. "Robust Video Surveillance for Fall Detection Based on Human Shape Deformation". Circuits and Systems for Video Technology, IEEE Transactions on, 2011, vol. 21, PP. 611-622.##Rougier C, Auvinet E, Rousseau J, Mignotte M aMJ." Fall Detection from Depth Map Video Sequences", 2011, PP. 121-128.##Shieh W-Y, Huang J-C. "Falling-incidentdetection and Throughput Enhancement in a Multi-camera Video-Surveillance System". Medical Engineering & Physics, 2011, PP. 954-963.##Sixsmith A, Johnson N. "A Smart Sensor to Detect the Falls of the Elderly". Pervasive Computing IEEE, 2004, vol. 3, PP. 42-47.##Stauffer C, W.E.L G. "Adaptive Background Mixture Models for Real-Time Tracking". Computer Vision and Pattern Recognition, 1999, PP. 246-252.##Suhuai L, Qingmao H. "A dynamic motion pattern analysis approach to fall detection". Biomedical Circuits and Systems, IEEE International Workshop on, 2004, PP. 1-5.##Tamura T, Yoshimura T, M.Sekine, O.Tanaka MUa. "A Wearable Airbag to Prevent Fall Injuries". IEEE Trans Inf Technol Biomed, 2009, vol. 13, PP. 910–914.##Vaidehi V, Ganapathy K, Mohan K, Aldrin A, Nirmal K. "Video based automatic fall detection in indoor environment". Recent Trends in Information Technology (ICRTIT), International Conference on, 2011, PP. 1016-1020.##Vinay V, Chittaranjan M. "Automatic detection of human fall in video". In. Proceedings of the 2nd international conference on Pattern recognition and machine intelligence, 2007, PP. 616-623.##Wang L. "From blob metrics to posture classification to activity profiling". 18th International Conference on Pattern Recognition, 2006, vol. 4, PP. 736-739.##Wenshuo G, Xiaoguang Z, Y. Lei. "An improved Sobel edge detection". Computer Science and Information Technology (ICCSIT), 3rd IEEE International Conference, 2010, vol. 5, PP. 67-71.##Yilmaz A, Li X, Shah M. " Contour-Based Object Tracking with Occlusion Handling in Video Acquired Using Mobile Cameras". IEEE Trans on Pattern Analysis and Machine Intelligence, 2004, vol. 26, no. 11, PP. 1531-1536. ##

بهبود حمله حدس و تعیین اکتشافی به سامانه های رمز جریانی TIPSY و SNOW1.0 Improving Heuristic Guess and Determine Attack on TIPSY and SNOW 1.0 Stream Ciphers 1 1 حملات حدس و تعیین از جمله حملات عام به سامانه های رمز جریانی است. این حملات به دو دسته ی حملات حدس و تعیین اقتضایی و اکتشافی تقسیم بندی می‌شوند. مزیت روش اکتشافی نسبت به روش اقتضایی در قدرت تحلیل و ارائه ی الگوریتمی برای دسته بزرگی از رمزهای جریانی با فرض یکسان بودن اندازه متغیرها است. در این مقاله از معادلات فرعی علاوه بر معادلات اصلی به عنوان ورودی حمله ی حدس و تعیین اکتشافی برای حمله به سامانه های رمز جریانیTIPSY و SNOW 1.0 استفاده شده است. براساس مفهوم پایه ی حدس تعداد حدس ها در حمله اکتشافی و بهبودیافته به سامانه یTIPSY شش مورد است، لیکن پیچیدگی حمله حدس و تعیین اکتشافی بهبود یافته از O(2102) به O(296) کاهش یافته است. این پیچیدگی با پیچیدگی حمله ی اقتضایی برابر است، اما حمله پیشنهادی، اندازه ی پایه ی حدس را از 7 به 6 بهبود داده است. همچنین، در حمله ی حدس و تعیین به SNOW 1.0 پیچیدگی حمله اکتشافی با پایه ی حدس با اندازه ی 6 و اقتضایی با اندازه ی 7 به ترتیب O(2202) و بوده O(2224) است که در حمله ی پیشنهادی به پایه ی حدس با اندازه ی 5 و پیچیدگی از مرتبه ی O(2160) کاهش یافته است. 2 Guess and determine attacks are general attacks on stream ciphers. These attacks are classified into ad-hoc and Heuristic Guess and Determine (HGD) attacks. One of the Advantages of HGD attack algorithm over ad-hoc attack is that it is designed algorithmically for a large class of stream ciphers while being powerful. In this paper, we use auxiliary polynomials in addition to the original equations as the inputs to the HGD attack on TIPSY and SNOW 1.0 stream ciphers. Based on the concept of guessed basis, the number of guesses in both HGD attack and the improved one on TIPSY is six, however the attack complexity is reduced from O(2102)to O(296). This amount is equal to that of ad-hoc attack, but the size of the guessed basis is improved from seven to six. Also, the complexity of GD attack on SNOW 1.0 of heuristic one with the guessed basis of size 6 and ad-hoc attack with the guessed basis of size 7areO(2202) and O(2224), respectively. However, the complexity and the size of guessed basis of the improved HGD attack are reduced to O(2160) and 5, respectively. 33 42 2013/10/72013/11/242014/07/21 1393/4/30 2016/01/52015/09/122015/05/4 1394/2/14 محمد صادق نعمتی نیا Mohammad Sadegh Nemati Nia مجتمع فن آوری اطلاعات، ارتباطات و امنیت، دانشگاه صنعتی مالک اشتر، تهران، ایران r.t1390razavie@chmail.ir ترانه اقلیدس مجتمع فن آوری اطلاعات، ارتباطات و امنیت، دانشگاه صنعتی مالک اشتر، تهران، ایران علی پاینده مجتمع فن آوری اطلاعات، ارتباطات و امنیت، دانشگاه صنعتی مالک اشتر، تهران، ایران Stream Cipher Guess and Determine attack TIPSY SNOW 1.0 Computational Complexity رمز جریانی حمله‌ی حدس و تعیین رمز جریانیSNOW 1.0 رمزجریانیTIPSY پیچیدگی محاسباتی حمله احمدی هادی (1384)، بررسی حملات حدس وتعیین به سیستم‌های رمز دنباله‌ای استانداردNESSIE و ارائۀ یک طرح بهبود‌یافته برای رمزهای دنباله‌ای با انتقال کلمه‌‌به‌کلمه، پایان‌نامه کارشناسی ارشد، دانشگاه صنعتی شریف، آبان ماه 1384.##Ahmadi H., Eghlidos T. (2005), “Advanced Guess and Determine Attacks on Stream Ciphers" Inte-rnational Symposium on Telecommunications (IST 2005), pp. 87-91, Sept. 10-12, 2005, Shiraz, Iran.##Ahmadi H., Eghlidos T., Khazaei S. (2006), Impr-oved guess and determine Attack on SOS-EMANUK, SASC 2006- Stream Cipher Revisited, Special Workshop hosted by the ECRYPT Network of Excellence, Leuven, Belgium, Feb. 2-3, 2006. ww-w.ecrypt.eu.org/stream/sosemanukp3.html.Accessed on 15June 2014.##Ahmadi H., Eghlidos T. (2009), heuristic guess-and-determine attacks on stream ciphers, IET information security, 2009, Vol. 3, lss. 2, pp. 66-73, 2009.##Bervain C., Billet O., Canteaut A (2005), “SOSE-MANUK, a fast software-oriented stream cipher”, eSTREAM, ECRYPT Stream Cipher Project Report 2005/027, 2005, http://www.ecrypt.eu.org/stream/, accessed on June 2013.##DE CANNIERE C. (2001), Guess and determine attack on SOBER’.NESSIE Public Document, NES/DOC/KUL/WP5/010/a, 2001, http://www-cryptonessie.org, accessed on June 2013.##DE CANNIERE C. (2001), Guess and determine attack on SNOW, NESSIE Public Document, NES/DOC/KUL/WP5/011/a, 2001, http://www-.cryptonessie.org, accessed on June 2013.##EKDAHL P., JOHANSSON T. (2000), SNOW – a new stream cipher, Proc. First NESSIE Workshop, 2000, Heverlee, Belgium, https://www-.cosic.-esat.k-uleuven.be/nessie/worksho/, accessed on June 2013.##EKDAHL P., JOHANSSON T. (2002), “A new version of the stream cipher SNOW”. SAC 2002, 2002, (LNCS, 2595), pp. 47–61. New European Schemes for Signature, Integrity and Encryption, https://www.cosic.esat.kuleuven.be/nessie/, accessed June 2013.##EKDAHL P. (2003), ‘On LFSR based stream ciphers analysis and design’, PhD Thesis, Department of Information Technology, Lund University, Sweden, 2003.##England H., Johansson T., Turan M.S. (2007), A Framework for Chosen IV Statistical Analysis of Stream Cipher"; INDOCRYPT 2007; Springer-Verla-ge; LNCS 4859, 2007, pp. 268-281.##Feng Xiutao, Liu Jun, Zhou Zhaocun, Wu Chuankun, Feng Dengguo (2010), A Byte-Based Guess and Determine Attack on SOSEMANUK, In Proceedings of Asiacrypt \'10, LNCS 6477, PP.146-157, Springer-Verlage, 2010.##GOLIC´ J. (1997), Cryptanalysis of alleged A5 stream cipher, Proc. EUROCRYPT’97, 1997, (LNCS, 1233), pp. 239–255.##Hawkes, P., Rose, G. (2000). Exploiting multiplies of the connection polynomial in word-oriented stream ciphers, ASIACRYPT2000, LNCS1976, pp.302-316.##Hawkes P., Rose G. (2002), Guess and determine attacks on SNOW, In Selected Area of Crypto-graphy–SAC2002, LNCS 2595, pp.37-46. ##Lin D., Jie G. (2009), Guess and Determine Attack on SOSEMANUK’, 2009 Fifth International Conference on Information Assurance and Security, vol.1, pp.658-661.##Lin D., Liu Shu-kai, Zhang Zhong-ya, Jie G. (2011), Guess and Determine Attack on ZUC Based on Solving Nonlinear Equations"; First Workshop on ZUC; 2011. Accessed on 2012.##Tsunoo Y., Saito T., Shigeri M., Suzaki T., Ahmadi H., Eghlidos T., Khazaei S. (2006), ‘Evaluation of SOSEMANUK with regard to guess-and-determine attacks’, In Proceedings of SASC 2006, http://ww-w.ecrypt.eu.org/stream/sosemanukp3.html, accessed on 15 July 2014.##احمدی هادی (1384)، بررسی حملات حدس وتعیین به سیستم‌های رمز دنباله‌ای استانداردNESSIE و ارائۀ یک طرح بهبود‌یافته برای رمزهای دنباله‌ای با انتقال کلمه‌‌به‌کلمه، پایان‌نامه کارشناسی ارشد، دانشگاه صنعتی شریف، آبان ماه 1384.##Ahmadi H., Eghlidos T. (2005), “Advanced Guess and Determine Attacks on Stream Ciphers" Inte-rnational Symposium on Telecommunications (IST 2005), pp. 87-91, Sept. 10-12, 2005, Shiraz, Iran.##Ahmadi H., Eghlidos T., Khazaei S. (2006), Impr-oved guess and determine Attack on SOS-EMANUK, SASC 2006- Stream Cipher Revisited, Special Workshop hosted by the ECRYPT Network of Excellence, Leuven, Belgium, Feb. 2-3, 2006. ww-w.ecrypt.eu.org/stream/sosemanukp3.html.Accessed on 15June 2014.##Ahmadi H., Eghlidos T. (2009), heuristic guess-and-determine attacks on stream ciphers, IET information security, 2009, Vol. 3, lss. 2, pp. 66-73, 2009.##Bervain C., Billet O., Canteaut A (2005), “SOSE-MANUK, a fast software-oriented stream cipher”, eSTREAM, ECRYPT Stream Cipher Project Report 2005/027, 2005, http://www.ecrypt.eu.org/stream/, accessed on June 2013.##DE CANNIERE C. (2001), Guess and determine attack on SOBER’.NESSIE Public Document, NES/DOC/KUL/WP5/010/a, 2001, http://www-cryptonessie.org, accessed on June 2013.##DE CANNIERE C. (2001), Guess and determine attack on SNOW, NESSIE Public Document, NES/DOC/KUL/WP5/011/a, 2001, http://www-.cryptonessie.org, accessed on June 2013.##EKDAHL P., JOHANSSON T. (2000), SNOW – a new stream cipher, Proc. First NESSIE Workshop, 2000, Heverlee, Belgium, https://www-.cosic.-esat.k-uleuven.be/nessie/worksho/, accessed on June 2013.##EKDAHL P., JOHANSSON T. (2002), “A new version of the stream cipher SNOW”. SAC 2002, 2002, (LNCS, 2595), pp. 47–61. New European Schemes for Signature, Integrity and Encryption, https://www.cosic.esat.kuleuven.be/nessie/, accessed June 2013.##EKDAHL P. (2003), ‘On LFSR based stream ciphers analysis and design’, PhD Thesis, Department of Information Technology, Lund University, Sweden, 2003.##England H., Johansson T., Turan M.S. (2007), A Framework for Chosen IV Statistical Analysis of Stream Cipher"; INDOCRYPT 2007; Springer-Verla-ge; LNCS 4859, 2007, pp. 268-281.##Feng Xiutao, Liu Jun, Zhou Zhaocun, Wu Chuankun, Feng Dengguo (2010), A Byte-Based Guess and Determine Attack on SOSEMANUK, In Proceedings of Asiacrypt \'10, LNCS 6477, PP.146-157, Springer-Verlage, 2010.##GOLIC´ J. (1997), Cryptanalysis of alleged A5 stream cipher, Proc. EUROCRYPT’97, 1997, (LNCS, 1233), pp. 239–255.##Hawkes, P., Rose, G. (2000). Exploiting multiplies of the connection polynomial in word-oriented stream ciphers, ASIACRYPT2000, LNCS1976, pp.302-316.##Hawkes P., Rose G. (2002), Guess and determine attacks on SNOW, In Selected Area of Crypto-graphy–SAC2002, LNCS 2595, pp.37-46. ##Lin D., Jie G. (2009), Guess and Determine Attack on SOSEMANUK’, 2009 Fifth International Conference on Information Assurance and Security, vol.1, pp.658-661.##Lin D., Liu Shu-kai, Zhang Zhong-ya, Jie G. (2011), Guess and Determine Attack on ZUC Based on Solving Nonlinear Equations"; First Workshop on ZUC; 2011. Accessed on 2012.##Tsunoo Y., Saito T., Shigeri M., Suzaki T., Ahmadi H., Eghlidos T., Khazaei S. (2006), ‘Evaluation of SOSEMANUK with regard to guess-and-determine attacks’, In Proceedings of SASC 2006, http://ww-w.ecrypt.eu.org/stream/sosemanukp3.html, accessed on 15 July 2014. ##

ویرایش‌گر متن شریف: سامانۀ ویرایش و خطایابی املایی زبان فارسی Sharif Text Editor: A Persian Editor and Spell Checker System 1 1 در مقالۀ حاضر سامانه‌ای هوشمند جهت ویرایش و خطایابی املایی متون فارسی معرفی شده‌است. هدف از طراحی و ایجاد این سامانه، ویرایش متون فارسی برای کاربردهای پردازش زبان طبیعی است. این سامانه بر مبنای یک رویکرد مهندسی قابل توسعه، از سه زیرسامانه تشکیل شده‌است: ویرایش‌گر متن فارسی معیار، خطایاب املایی خودکار زبان فارسی و ستاک‌یاب واژگان زبان فارسی. این سه بخش با یکدیگر در تعاملند؛ بدین شکل که ابتدا ستاک واژه‌های متن شناسایی می‌شود و در صورت عدم وجود ستاک در فهرست واژه‌های زبان، واژۀ مذکور به عنوان واژه‌ای نادرست شناسایی خواهد‌شد و سپس خطایاب خودکار فهرستی از واژه‌های جایگزین را پیشنهاد خواهد‌کرد. در زیرسامانۀ ویرایش‌گر، متن موجود ویرایش شده و متنی یکپارچه که منطبق بر معیارهای مصوب فرهنگستان زبان و ادب فارسی است، به کاربر ارائه خواهد شد. نتایج ارزیابی نشان‌دهندۀ دقتی بسیار خوب در حدود 95% در ستاک‌یابی کلمات، 92% در ویرایش و 96% در خطایابی املایی زبان فارسی است. 2 In this paper, we will introduce an intelligent system to edit and spell check Persian texts. The goal is editing and preprocessing Persian texts for natural language processing tasks. This system is based on an expandable and engineering approach and is composed of three subsystems: Persian text editor, spell checker and stemmer. These parts interact with each other to edit texts. To do this, the stemmer subsystem process each word in the text if the subsystem could not find a stem in the lexicon, the word will be recognized as an incorrect word. Then, the spell checker provides a list of suggestions to correct the wrong word. Subsequently, the editor subsystem edits the text based on the standards of the Academy of Persian Language and Literature. Our evaluation shows nearly 92%, 95% and 96% precision numbers for editor, stemmer and spell checker subsystems, respectively. 43 52 2013/10/72013/11/242014/07/212014/06/14 1393/3/24 2016/01/52015/09/122015/05/42015/04/3 1394/1/14 بهرام وزیرنژاد دانشگاه صنعتی شریف bahram@sharif.edu فاطمه سلطانزاده دانشگاه صنعتی شریف محسن مهدوی دانشگاه صنعتی شریف مهدی مرادی دانشگاه صنعتی شریف Key words: Natural Language Processing automatic spell checking text editor stemmer واژگان کلیدی: پردازش زبان طبیعی خطایاب املایی خودکار ویرایشگر متن فارسی معیار ستاک‌یاب اسلامی، محرم، شریفی آتشگاه، مسعود، علیزاده لمجیری، صدیقه، زندی، طاهره. "واژگان زایای زبان فارسی"، مجموعه مقالات نخستین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1383.##اسلامی، محرم و علیزاده، صدیقه. "ساخت تصریفی کلمه در زبان فارسی، زبان و ادب فارسی"، نشریۀ دانشکدۀ ادبیات و علوم انسانی دانشگاه تبریز، 1388، شمارۀ مسلسل 211، ایران.##حسامی فرد، رضا، قاسم ثانی، غلامرضا. "طراحی یک الگوریتم ریشه یابی برای زبان فارسی"، مجموعه مقالات نخستین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1383.##دبیرخانه شورای عالی اطلاع رسانی."فاز اول طرح جامع پیکره زبان فارسی با موضوع فاز اول مطالعاتی ایجاد پیکره متنی زبان فارسی: اﺳﺘﺨﺮاج ﻧﯿﺎزﻣﻨﺪیﻫﺎی اﺑﺰار خطایاب املایی در لایۀ نحو زبان فارسی به پیکره‌های فارسی مورد نیاز"، کد زیر پروژه: پیک متن فارسی-2- ث، 1388، ویراست اول.##رسولی، محمد صادق، مینایی بیدگلی، بهروز . "روشی جدید در خطایابی املایی زبان فارسی"، دومین همایش داده‌کاوی ایران، دانشگاه صنعتی امیرکبیر، ایران، 1387.##شاهمیری، امیر شهاب، صفابخش، رضا و دژکام، رسول. "تعیین ریشه زبانی واژگان فارسی و عربی به کمک شبکه عصبی مصنوعی"، مجموعه مقالات نخستین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1383.##شقاقی، ویدا. "مبانی صرف". چاپ چهارم، تهران، سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها (سمت)، 1389.##صبوریان، محسن، دری نوگورانی، صادق. "طراحی و پیاده‌سازی یک خطایاب فارسی"، مجموعه مقالات دومین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1385.##فولادی، کاظم، ارومچیان، فرهاد. "یادگیری بدون سرپرست ساخت واژۀ زبان فارسی به کمک بستر توصیف با طول بهینه"، مجموعه مقالات دومین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1385.##کاشفی، امید، نصری، میترا، کنعانی، کامیار. "خطایابی املایی خودکار در زبان فارسی"، تهران، شورای عالی اطلاع‌رسانی، دبیرخانه، 1389.##محمدی نصیری، مجتبی، شیخ اسماعیلی، کیومرث و ابوالحسنی. حسن، "ریشه یاب آماری برای زبان فارسی"، مجموعه مقالات نخستین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1383.##مواجی، وحید، اسلامی، محرم، وزیرنژاد، بهرام. "پارس مورف: تحلیلگر صرفی زبان فارسی"، پردازش داده ها و علائم، 1390، شمارۀ 1، پیاپی15.##یوسفیان، احمد، صالحی زارعی، سمیه، مینایی بیدگلی، بهروز. "دشواری‌های ریشه‌یابی فارسی و روشی برای ریشه‌یابی فعل‌های سادۀ فارسی"، مجموعه مقالات دومین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1385.##Brill, E., and Moore, R. C., “An Improved Error Model for Noisy Channel Spelling Correction”, In Proceedings of ACL, 2000, pp. 286-293.##Faili, H., “Detection and Correction of Real-Word Spelling Errors in Persian Language”, In the 6th IEEE International Conference on Natural Language Proce-ssing and Knowledge Engineering (IEEE NLP-KE\'-10), August, 2010, pp. 533-536.##Faili, H., Ehsan, N., Montazery, M., and Pilehvar, M. T., "Vafa spell-checker for detecting spelling, gram-matical, and real-word errors of Persian language", Literary and Linguistic Computing, 2014.##Jurafsky, Daniel, Martin, James H., Speech and Language Processing: An introduction to natural language processing, computational linguistics, and speech recognition, Prentice-Hall, 2007.##Shamsfard, M., Jafari, H.S. and Ilbeygi, M., “STEP-1: A Set of Fundamental Tools for Persian Text Processing”, In 8th Language Resources and Ev-aluation Conference, 2010.##Sheykholeslam, M. H., Minaei-Bidgoli, B., and Juzi, H., “A Framework for Spelling Correction in Persian Language Using Noisy Channel Model”, In Proce-edings of the Eight International Conference on Lang-uage Resources and Evaluation (LREC\'12), 2012.##اسلامی، محرم، شریفی آتشگاه، مسعود، علیزاده لمجیری، صدیقه، زندی، طاهره. "واژگان زایای زبان فارسی"، مجموعه مقالات نخستین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1383.##اسلامی، محرم و علیزاده، صدیقه. "ساخت تصریفی کلمه در زبان فارسی، زبان و ادب فارسی"، نشریۀ دانشکدۀ ادبیات و علوم انسانی دانشگاه تبریز، 1388، شمارۀ مسلسل 211، ایران.##حسامی فرد، رضا، قاسم ثانی، غلامرضا. "طراحی یک الگوریتم ریشه یابی برای زبان فارسی"، مجموعه مقالات نخستین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1383.##دبیرخانه شورای عالی اطلاع رسانی."فاز اول طرح جامع پیکره زبان فارسی با موضوع فاز اول مطالعاتی ایجاد پیکره متنی زبان فارسی: اﺳﺘﺨﺮاج ﻧﯿﺎزﻣﻨﺪیﻫﺎی اﺑﺰار خطایاب املایی در لایۀ نحو زبان فارسی به پیکره‌های فارسی مورد نیاز"، کد زیر پروژه: پیک متن فارسی-2- ث، 1388، ویراست اول.##رسولی، محمد صادق، مینایی بیدگلی، بهروز . "روشی جدید در خطایابی املایی زبان فارسی"، دومین همایش داده‌کاوی ایران، دانشگاه صنعتی امیرکبیر، ایران، 1387.##شاهمیری، امیر شهاب، صفابخش، رضا و دژکام، رسول. "تعیین ریشه زبانی واژگان فارسی و عربی به کمک شبکه عصبی مصنوعی"، مجموعه مقالات نخستین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1383.##شقاقی، ویدا. "مبانی صرف". چاپ چهارم، تهران، سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها (سمت)، 1389.##صبوریان، محسن، دری نوگورانی، صادق. "طراحی و پیاده‌سازی یک خطایاب فارسی"، مجموعه مقالات دومین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1385.##فولادی، کاظم، ارومچیان، فرهاد. "یادگیری بدون سرپرست ساخت واژۀ زبان فارسی به کمک بستر توصیف با طول بهینه"، مجموعه مقالات دومین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1385.##کاشفی، امید، نصری، میترا، کنعانی، کامیار. "خطایابی املایی خودکار در زبان فارسی"، تهران، شورای عالی اطلاع‌رسانی، دبیرخانه، 1389.##محمدی نصیری، مجتبی، شیخ اسماعیلی، کیومرث و ابوالحسنی. حسن، "ریشه یاب آماری برای زبان فارسی"، مجموعه مقالات نخستین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1383.##مواجی، وحید، اسلامی، محرم، وزیرنژاد، بهرام. "پارس مورف: تحلیلگر صرفی زبان فارسی"، پردازش داده ها و علائم، 1390، شمارۀ 1، پیاپی15.##یوسفیان، احمد، صالحی زارعی، سمیه، مینایی بیدگلی، بهروز. "دشواری‌های ریشه‌یابی فارسی و روشی برای ریشه‌یابی فعل‌های سادۀ فارسی"، مجموعه مقالات دومین کارگاه پژوهشی زبان فارسی و رایانه، دانشگاه تهران، تهران، 1385.##Brill, E., and Moore, R. C., “An Improved Error Model for Noisy Channel Spelling Correction”, In Proceedings of ACL, 2000, pp. 286-293.##Faili, H., “Detection and Correction of Real-Word Spelling Errors in Persian Language”, In the 6th IEEE International Conference on Natural Language Proce-ssing and Knowledge Engineering (IEEE NLP-KE\'-10), August, 2010, pp. 533-536.##Faili, H., Ehsan, N., Montazery, M., and Pilehvar, M. T., "Vafa spell-checker for detecting spelling, gram-matical, and real-word errors of Persian language", Literary and Linguistic Computing, 2014.##Jurafsky, Daniel, Martin, James H., Speech and Language Processing: An introduction to natural language processing, computational linguistics, and speech recognition, Prentice-Hall, 2007.##Shamsfard, M., Jafari, H.S. and Ilbeygi, M., “STEP-1: A Set of Fundamental Tools for Persian Text Processing”, In 8th Language Resources and Ev-aluation Conference, 2010.##Sheykholeslam, M. H., Minaei-Bidgoli, B., and Juzi, H., “A Framework for Spelling Correction in Persian Language Using Noisy Channel Model”, In Proce-edings of the Eight International Conference on Lang-uage Resources and Evaluation (LREC\'12), 2012. ##

مدل ترکیبی تحلیل مؤلفه اصلی احتمالاتی بانظارت در چارچوب کاهش بعد بدون اتلاف برای شناسایی چهره Supervised Probabilistic Principal Component Analysis Mixture Model in a Lossless Dimensionality Reduction Framework for Face Recognition 1 1 در این مقاله ابتدا مدل بانظارت روش ترکیبی تحلیل مؤلفه اصلی احتمالاتی (SPPCAMM) ارائه شده است. سپس با در نظر گرفتن جریمه نگاشت در یادگیری مدل پیشگو روشی برای شناسایی چهره با استفاده از یک رویکرد کاهش بعد بدون اتلاف ارائه شده است. در روش پیشنهادی ابتدا یک منیفولد زیربنایی محلی خطی با استفاده از مدل ترکیبی تحلیل مؤلفه اصلی احتمالاتی بانظارت از نمونه داده ها به دست می آید. سپس دسته بند ماشین بردار پشتیبان با اعمال جریمه نگاشت به عنوان مدل پیشگوی مذکور با استفاده از این منیفولد محلی خطی آموزش داده میشود. بدین ترتیب از مزایای کاهش بعد در مدل پیشگو استفاده میشود، و در عین حال جلوی از دست رفتن اطلاعات مفید گرفته میشود. برای آموزش و ارزیابی روش پیشنهادی، از پایگاه داده های چهره شناخته شده استفاده شده است. روش استخراج ویژگی گابور بر روی تصاویر به کار گرفته شده است. نتایج آزمایشها نشان میدهد که روش پیشنهادی نسبت به بسیاری از روشهای معمول که کاهش بعد را انجام داده و سپس دسته بند را آموزش میدهند، و همچنین نسبت به روش جریمه نگاشت مبتنی بر مدلهای کاهش بعد خطی و غیرخطی دقت بیشتری دارد. 2 In this paper, we first proposed the supervised version of probabilistic principal component analysis mixture model. Then, we consider a learning predictive model with projection penalties, as an approach for dimensionality reduction without loss of information for face recognition. In the proposed method, first a local linear underlying manifold of data samples is obtained using the supervised probabilistic principal component analysis mixture model. Then, a support vector machine classifier with projection penalty is trained as a predictive model using this local linear manifold. Thus, the predictive model benefits from dimensionality reduction, while it loses minimum amount of useful information. To evaluate the proposed method, we used well-known face recognition databases. Gabor feature extraction method have been applied to these images. The experimental results show that the proposed method has a higher classification accuracy than many of the traditional methods which use predictive models after dimensionality reduction. It also works better than the projection penalty method with linear or nonlinear based dimensionality reduction models. 53 65 2013/10/72013/11/242014/07/212014/06/142014/07/13 1393/4/22 2016/01/52015/09/122015/05/42015/04/32015/09/8 1394/6/17 سمیه احمدخانی Somayeh Ahmadkhani دانشگاه اصفهان s.ahmadkhani@eng.ui.ac.ir پیمان ادیبی Peyman Adibi دانشگاه اصفهان adibi@eng.ui.ac.ir Lossless Dimensionality Reduction Mixture Model Probabilistic Principal Component Analysis Supervised Projection Penalty کاهش بعد بدون اتلاف مدل ترکیبی تحلیل مؤلفه اصلی احتمالی بانظارت جریمه نگاشت C. Chen, J. Zhang, and R. Fleischer, "Distance approx-imating dimension reduction of Riemannian manifolds," Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, vol. 40, pp. 208-217, 2010.##C.-G. Li and J. Guo, "Supervised isomap with explicit mapping," in Innovative Computing, Information and Control, 2006. ICICIC\'06. First International Conf-erence on, 2006, pp. 345-348.##C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.##F. Han, T. Zhao, and H. Liu, "Coda: High dimen-sional copula discriminant analysis," Journal of Mac-hine Learning Research, vol. 14, pp. 629-671, 2013.##J. Chen and Y. Liu, "Locally linear embedding: a sur-vey," Artificial Intelligence Review, vol. 36, pp. 29-48, 2011.##K. Pearson, "LIII. On lines and planes of closest fit to systems of points in space," The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, vol. 2, pp. 559-572, 1901.##L. Van der Maaten, E. Postma, and H. Van Den Her-ik, "Dimensionality reduction: A comparative review," Journal of Machine Learning Research, vol. 10, pp. 1-41, 2009.##M. E. Tipping and C. M. Bishop, "Mixtures of probabilistic principal component analyzers," Neural computation, vol. 11, pp. 443-482, 1999.##M. E. Tipping and C. M. Bishop, "Probabilistic principal component analysis," Journal of the Royal Statistical Society: Series B (Statistical Meth-odology), vol. 61, pp. 611-622, 1999.##http://vismod.media.mit.edu/vismod/classes/mas622-00/datasets/ ##M. Haghighat, S. Zonouz, and M. Abdel-Mottaleb, "Identification Using Encrypted Biometrics," in Comp-uter Analysis of Images and Patterns, 2013, pp. 440-448.##M. Zhu and A. M. Martinez, "Subclass discriminant analysis," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 28, pp. 1274-1286, 2006.##N. Gkalelis, V. Mezaris, I. Kompatsiaris, and T. Stat-haki, "Mixture subclass discriminant analysis link to restricted Gaussian model and other gener-aliza-tions," Neural Networks and Learning Systems, IEEE Transactions on, vol. 24, pp. 8-21, 2013.##R.A. Fisher, “The Statistical Utilization of Multiple Measurements,” Annals of Eugenics, vol. 8, pp. 376-386, 1938.##S. Mika, G. Ratsch, J. Weston, B. Scholkopf, and K. Muller, “Fisher Discriminant Analysis with Kernels,” Proc. IEEE Signal Processing Soc. Workshop Neural Networks for Signal Processing IX, pp. 41-48, 1999. ##S. Yan, D. Xu, B. Zhang, H.-J. Zhang, Q. Yang, and S. Lin, "Graph embedding and extensions: a general framework for dimensionality reduction," Pattern Analysis and Machine Intelligence, IEEE Tran-sactions on, vol. 29, pp. 40-51, 2007.##S. Yu, K. Yu, V. Tresp, H.-P. Kriegel, and M. Wu, "Supervised probabilistic principal component ana-lysis," in Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, 2006, pp. 464-473.##Y. Zhang and J. G. Schneider, "Projection penalties: Dimension reduction without loss," in Proceedings of the 27th International Conference on Machine Lear-ning (ICML-10), 2010, pp. 1223-1230.##Y.-D. Lan, H. Deng, and T. Chen, "Dimensionality Reduction Based on Neighborhood Preserving and Marginal Discriminant Embedding," Procedia Engin-eering, vol. 29, pp. 494-498, 2012.##C. Chen, J. Zhang, and R. Fleischer, "Distance approx-imating dimension reduction of Riemannian manifolds," Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, vol. 40, pp. 208-217, 2010.##C.-G. Li and J. Guo, "Supervised isomap with explicit mapping," in Innovative Computing, Information and Control, 2006. ICICIC\'06. First International Conf-erence on, 2006, pp. 345-348.##C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.##F. Han, T. Zhao, and H. Liu, "Coda: High dimen-sional copula discriminant analysis," Journal of Mac-hine Learning Research, vol. 14, pp. 629-671, 2013.##J. Chen and Y. Liu, "Locally linear embedding: a sur-vey," Artificial Intelligence Review, vol. 36, pp. 29-48, 2011.##K. Pearson, "LIII. On lines and planes of closest fit to systems of points in space," The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, vol. 2, pp. 559-572, 1901.##L. Van der Maaten, E. Postma, and H. Van Den Her-ik, "Dimensionality reduction: A comparative review," Journal of Machine Learning Research, vol. 10, pp. 1-41, 2009.##M. E. Tipping and C. M. Bishop, "Mixtures of probabilistic principal component analyzers," Neural computation, vol. 11, pp. 443-482, 1999.##M. E. Tipping and C. M. Bishop, "Probabilistic principal component analysis," Journal of the Royal Statistical Society: Series B (Statistical Meth-odology), vol. 61, pp. 611-622, 1999.##http://vismod.media.mit.edu/vismod/classes/mas622-00/datasets/ ##M. Haghighat, S. Zonouz, and M. Abdel-Mottaleb, "Identification Using Encrypted Biometrics," in Comp-uter Analysis of Images and Patterns, 2013, pp. 440-448.##M. Zhu and A. M. Martinez, "Subclass discriminant analysis," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 28, pp. 1274-1286, 2006.##N. Gkalelis, V. Mezaris, I. Kompatsiaris, and T. Stat-haki, "Mixture subclass discriminant analysis link to restricted Gaussian model and other gener-aliza-tions," Neural Networks and Learning Systems, IEEE Transactions on, vol. 24, pp. 8-21, 2013.##R.A. Fisher, “The Statistical Utilization of Multiple Measurements,” Annals of Eugenics, vol. 8, pp. 376-386, 1938.##S. Mika, G. Ratsch, J. Weston, B. Scholkopf, and K. Muller, “Fisher Discriminant Analysis with Kernels,” Proc. IEEE Signal Processing Soc. Workshop Neural Networks for Signal Processing IX, pp. 41-48, 1999. ##S. Yan, D. Xu, B. Zhang, H.-J. Zhang, Q. Yang, and S. Lin, "Graph embedding and extensions: a general framework for dimensionality reduction," Pattern Analysis and Machine Intelligence, IEEE Tran-sactions on, vol. 29, pp. 40-51, 2007.##S. Yu, K. Yu, V. Tresp, H.-P. Kriegel, and M. Wu, "Supervised probabilistic principal component ana-lysis," in Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, 2006, pp. 464-473.##Y. Zhang and J. G. Schneider, "Projection penalties: Dimension reduction without loss," in Proceedings of the 27th International Conference on Machine Lear-ning (ICML-10), 2010, pp. 1223-1230.##Y.-D. Lan, H. Deng, and T. Chen, "Dimensionality Reduction Based on Neighborhood Preserving and Marginal Discriminant Embedding," Procedia Engin-eering, vol. 29, pp. 494-498, 2012. ##

استخراج پارامترهای ساختاری منسوج تاری و پودی با استفاده از روش موجک- فازی و الگوریتم ژنتیک Structural parameter extraction of warp and weft woven fabric using wavelet-fuzzy method and genetic algorithm 1 1 به علت منعطف‌بودن ساختار منسوج، تعیین موقعیت نخ در تصویر آن با استفاده از روش‌های معمول در پردازش تصویر با خطای زیادی همراه بوده است و در این زمینه، ارائه یک روش انطباق‌پذیر با خصوصیات تصویر منسوج جهت استخراج پارامترهای آن مورد توجه می‌باشد. در این راستا استفاده از الگوریتم‌های فرا ابتکاری جهت تطبیق الگوریتم استخراج پارامترهای ساختاری با شرایط تصویر، کاربردی به نظر می رسد. در این مطالعه، با کاربرد ترکیبی از روش‌های پردازش سیگنال، خوشه‌بندی فازی و الگوریتم ژنتیک، یک روش نوین برای پیش‌پردازش و تشخیص بافت ساختاری تصاویر منسوجات ارائه شده است. نتایج نشان می‌دهد که روش پیشنهادی قادر به تشخیص صحیح موقعیت نخ در تصاویر منسوجات دولایه با طرح رنگ نایکنواخت با دقت میانگین بیش از 73 درصد می‌باشد. در تصاویر منسوجات تک‌لایه با بافت نامتراکم و طرح رنگ یکنواخت، این میزان به طور میانگین بیش از 84 درصد می‌باشد. 2 Flexibility of woven fabric structure has caused many errors in yarn location detection using customary methods of image processing. On this line, proposing an adaptive method with fabric image properties is concentrated to extract its parameters. In this regards, using meta-heuristic algorithms seems applicable to correspond extraction algorithm of structural parameters to the image conditions. In this study, a new method is proposed for woven fabric image preprocessing and structural texture detection applying compound methods of signal processing, fuzzy clustering and genetic algorithm. Results indicate that proposed method is capable of detecting exact yarn location with mean precision of more than 73 percent in double-layered fabric images with uneven color pattern. In one-layered fabric images with low density weave and invariable color pattern, the mean precision is more than 84 percent. 67 81 2013/10/72013/11/242014/07/212014/06/142014/07/132014/08/2 1393/5/11 2016/01/52015/09/122015/05/42015/04/32015/09/82015/04/21 1394/2/1 فروزان فصاحت Foruzan Fasahat دانشگاه یزد ffesahat@yahoo.com پدرام پیوندی Pedram Payvandy دانشگاه یزد peivandi@yazd.ac.ir Genetic Algorithm Wavelet Transform Fuzzy c-means (FCM) clustering Image Processing Fabric Image Yarn Location. الگوریتم ژنتیک تبدیل موجک الگوریتم خوشه‌بندی فازی (FCM) پردازش تصویر تصویر پارچه موقعیت نخ زارع‌نژاد زهره، پیوندی پدرام، خوشه‌بندی تصاویر پوشاک با استفاده از پردازش تصویر و الگوریتم K_means، مجله علوم و فناوری نساجی، 1392، سال 3، ش. 1، ص. 3-10.##فصاحت فروزان، پیوندی پدرام، استخراج پارامترهای پارچه از تصویر شبیه‌سازی شده با استفاده از روش الگوریتم ژنتیک، مجله علوم و فناوری نساجی، 1392، سال 3، ش. 2، ص. 47-56. ##گونزالس رافائل‌سی، وودز ریچارد‌ای، ادینز استیون‌ال، پردازش تصویر دیجیتال با زبان MATLAB، جعفرنژاد قمی عین‌الله، چاپ اول، تهران، انتشارات علوم رایانه، 1389.##Bezdek J. C., Pattern Recognition with Fuzzy Obje-ctive Function Algorithm, Plenum Press, New York, 1981.##Dawson R.M., Enumeration and Identification by Elimination of Weave Families of Given Repeat Size, Textile Research Journal, 2000, Vol. 70, No. 4, pp. 304-310.##Di Zh., Luoqing Zh., Jun S., A novel feedback error-correcting algorithm for automatic recognition of the color and weave pattern of yarn-dyed fabrics, Textile Research Journal, 2013, Vol. 0, No. 0, pp. 1-17.##Escofet J., Millan M. S., Rallo M., Modeling of woven fabric structures based on Fourier image anal-ysis, Applied Optics, 2001, Vol. 40, No. 34, pp. 6170- 6176.##Jeon B., Bae J., and W. Suh M., Automatic Reco-gnition of Woven Fabric Patterns by an Artifi-cial Neural Network, Textile Research Journal, 2003, Vol. 73, No. 1, pp. 645-650.##Jing J., Wang J., Jia J. Kang X., Automatic Reco-gnition of Woven Fabric by Using Gray Level Co-occurrence Matrix, Journal of Computational Inform-ation Systems, 2012, Vol. 9, No. 11, pp. 3181-3188.##Jing J., Wang J., Jia J., Automatic Recognition of Woven Fabric Based on Local Binary Pattern, Journal of Computational Information Systems, 2012, Vol. 8, No. 21, pp. 8901-8909.##Kang T. J., Kim Ch. H., Oh K. W., Automatic Reco-gnition of Fabric Weave Patterns by Digital Image Analysis, Textile Research Journal, 1999, Vol. 69, No. 2, pp. 77-83.##Kim S. Ch., Kang T. J., Image Analysis of Standard Pilling Photographs Using Wavelet Reconstruction, Textile Research Journal, 2005, Vol. 75, No. 12, pp. 801-811.##Kuo Ch. F. J., Shih Ch. Y., Ho Ch. E., Peng K. Ch., Application of computer vision in the automatic identification and classification of woven fabric we-ave patterns, Textile Research Journal, 2010, Vol. 80, No. 20, pp. 2144-2157.##Kuo Ch. F. J., Shih Ch. Y., Lee J. Y., Automatic Recognition of Fabric Weave Patterns by a Fuzzy C-Means Clustering Method, Textile Research Journal, 2004, Vol. 74, No. 2, pp. 107-111.##Kuo Ch. F. J., Tsai Ch., Automatic Recognition of Fabric Nature by Using the Approach of Texture Analysis, Textile Research Journal, 2006, Vol. 76, No. 5, pp. 375-382.##Lachkar A., Benslimane R., D\'Orazio L., Martuscelli E., Textile woven fabric recognition using Fourier image analysis techniques: Part II - texture analysis for crossed-states detection, Journal of the Textile Institute, 2005, Vol. 96, No.3, pp. 179-183.##Pan R., Gao W., Liu J., Wang H., Zhang X., Auto-matic Detection of Structure Parameters of Yarn-dyed Fabric, Textile Research Journal, 2010, Vol. 80, No. 17, pp. 1819-1832.##Qingfu L., Ye Y., Junxia Ch., Segmentation for Fabric Weave Pattern using Empirical Mode Deco-mposition based Histogram, Telkomnika, 2013, Vol. 11, No. 4, pp. 1996-2001.##Rallo M., Escofet J., Millan M. S., Weave-repeat identification by structural analysis of fabric images, Applied Optics, 2003, Vol. 42, No. 17, pp. 3361-3372.##Shen J., Li G., Zou X., Li Y., Fabric Weave Pattern’s Recognition Based on Texture Orientation Features, Applied Mechanics and Materials, 2013, Vol. 423-426, pp. 2404-2408. ##Shen J., Zou X., Xu F., and Xian Zh, Intelligent recognition of fabric weave patterns using texture orientation features, Springer-Verlag Berlin Heide-lberg, 2010, Vol. 106, pp. 8-15.##Wang X., Georganas N., Fabric Texture Analysis Using Computer Vision Techniques, 2011, IEEE Transactions on Instrumentations and Measurement, 2011, Vol. 60, No. 1, pp. 44-56.##Xiao Zh., Nie X., Zhang F. and Geng L., Recognition for woven fabric pattern based on gradient histogram, Journal of the Textile Institute, 2014, Vol. 105, No. 7, pp. 744-75.##Xin B., Hu J., Baciu G., and Yu X., Investigation on the Classification of Weave Pattern Based on an Active Grid Model, Journal of the Textile Institute, 2009, Vol. 79, No. 12, pp. 1123-1134.##Zhang J., Wang X., Palmer S., Objective Grading of Fabric Pilling with Wavelet Texture Analysis, Textile Research Journal, 2007, Vol. 77, No. 11, pp. 871-879. ##Zheng D., A new method for the detection and class-ification of weave pattern repeat, Textile Rese-rch Journal, 2014, Vol. 0, No. 0, pp. 1-14.##Zheng D., Han Y., Hu J. L., A new method for classi-fication of woven structure for yarn-dyed fabric, Textile Research Journal, 2013, Vol. 0, No. 0, pp. 1-18.##Zhong P., Ye T., Shi Y., Tu X., Research on comp-uter-aided analysis and reverse reconstruction for the weave pattern of fabric, Textile Research Journal, 2012, Vol. 83, No. 3, pp. 298-310.##زارع‌نژاد زهره، پیوندی پدرام، خوشه‌بندی تصاویر پوشاک با استفاده از پردازش تصویر و الگوریتم K_means، مجله علوم و فناوری نساجی، 1392، سال 3، ش. 1، ص. 3-10.##فصاحت فروزان، پیوندی پدرام، استخراج پارامترهای پارچه از تصویر شبیه‌سازی شده با استفاده از روش الگوریتم ژنتیک، مجله علوم و فناوری نساجی، 1392، سال 3، ش. 2، ص. 47-56. ##گونزالس رافائل‌سی، وودز ریچارد‌ای، ادینز استیون‌ال، پردازش تصویر دیجیتال با زبان MATLAB، جعفرنژاد قمی عین‌الله، چاپ اول، تهران، انتشارات علوم رایانه، 1389.##Bezdek J. C., Pattern Recognition with Fuzzy Obje-ctive Function Algorithm, Plenum Press, New York, 1981.##Dawson R.M., Enumeration and Identification by Elimination of Weave Families of Given Repeat Size, Textile Research Journal, 2000, Vol. 70, No. 4, pp. 304-310.##Di Zh., Luoqing Zh., Jun S., A novel feedback error-correcting algorithm for automatic recognition of the color and weave pattern of yarn-dyed fabrics, Textile Research Journal, 2013, Vol. 0, No. 0, pp. 1-17.##Escofet J., Millan M. S., Rallo M., Modeling of woven fabric structures based on Fourier image anal-ysis, Applied Optics, 2001, Vol. 40, No. 34, pp. 6170- 6176.##Jeon B., Bae J., and W. Suh M., Automatic Reco-gnition of Woven Fabric Patterns by an Artifi-cial Neural Network, Textile Research Journal, 2003, Vol. 73, No. 1, pp. 645-650.##Jing J., Wang J., Jia J. Kang X., Automatic Reco-gnition of Woven Fabric by Using Gray Level Co-occurrence Matrix, Journal of Computational Inform-ation Systems, 2012, Vol. 9, No. 11, pp. 3181-3188.##Jing J., Wang J., Jia J., Automatic Recognition of Woven Fabric Based on Local Binary Pattern, Journal of Computational Information Systems, 2012, Vol. 8, No. 21, pp. 8901-8909.##Kang T. J., Kim Ch. H., Oh K. W., Automatic Reco-gnition of Fabric Weave Patterns by Digital Image Analysis, Textile Research Journal, 1999, Vol. 69, No. 2, pp. 77-83.##Kim S. Ch., Kang T. J., Image Analysis of Standard Pilling Photographs Using Wavelet Reconstruction, Textile Research Journal, 2005, Vol. 75, No. 12, pp. 801-811.##Kuo Ch. F. J., Shih Ch. Y., Ho Ch. E., Peng K. Ch., Application of computer vision in the automatic identification and classification of woven fabric we-ave patterns, Textile Research Journal, 2010, Vol. 80, No. 20, pp. 2144-2157.##Kuo Ch. F. J., Shih Ch. Y., Lee J. Y., Automatic Recognition of Fabric Weave Patterns by a Fuzzy C-Means Clustering Method, Textile Research Journal, 2004, Vol. 74, No. 2, pp. 107-111.##Kuo Ch. F. J., Tsai Ch., Automatic Recognition of Fabric Nature by Using the Approach of Texture Analysis, Textile Research Journal, 2006, Vol. 76, No. 5, pp. 375-382.##Lachkar A., Benslimane R., D\'Orazio L., Martuscelli E., Textile woven fabric recognition using Fourier image analysis techniques: Part II - texture analysis for crossed-states detection, Journal of the Textile Institute, 2005, Vol. 96, No.3, pp. 179-183.##Pan R., Gao W., Liu J., Wang H., Zhang X., Auto-matic Detection of Structure Parameters of Yarn-dyed Fabric, Textile Research Journal, 2010, Vol. 80, No. 17, pp. 1819-1832.##Qingfu L., Ye Y., Junxia Ch., Segmentation for Fabric Weave Pattern using Empirical Mode Deco-mposition based Histogram, Telkomnika, 2013, Vol. 11, No. 4, pp. 1996-2001.##Rallo M., Escofet J., Millan M. S., Weave-repeat identification by structural analysis of fabric images, Applied Optics, 2003, Vol. 42, No. 17, pp. 3361-3372.##Shen J., Li G., Zou X., Li Y., Fabric Weave Pattern’s Recognition Based on Texture Orientation Features, Applied Mechanics and Materials, 2013, Vol. 423-426, pp. 2404-2408. ##Shen J., Zou X., Xu F., and Xian Zh, Intelligent recognition of fabric weave patterns using texture orientation features, Springer-Verlag Berlin Heide-lberg, 2010, Vol. 106, pp. 8-15.##Wang X., Georganas N., Fabric Texture Analysis Using Computer Vision Techniques, 2011, IEEE Transactions on Instrumentations and Measurement, 2011, Vol. 60, No. 1, pp. 44-56.##Xiao Zh., Nie X., Zhang F. and Geng L., Recognition for woven fabric pattern based on gradient histogram, Journal of the Textile Institute, 2014, Vol. 105, No. 7, pp. 744-75.##Xin B., Hu J., Baciu G., and Yu X., Investigation on the Classification of Weave Pattern Based on an Active Grid Model, Journal of the Textile Institute, 2009, Vol. 79, No. 12, pp. 1123-1134.##Zhang J., Wang X., Palmer S., Objective Grading of Fabric Pilling with Wavelet Texture Analysis, Textile Research Journal, 2007, Vol. 77, No. 11, pp. 871-879. ##Zheng D., A new method for the detection and class-ification of weave pattern repeat, Textile Rese-rch Journal, 2014, Vol. 0, No. 0, pp. 1-14.##Zheng D., Han Y., Hu J. L., A new method for classi-fication of woven structure for yarn-dyed fabric, Textile Research Journal, 2013, Vol. 0, No. 0, pp. 1-18.##Zhong P., Ye T., Shi Y., Tu X., Research on comp-uter-aided analysis and reverse reconstruction for the weave pattern of fabric, Textile Research Journal, 2012, Vol. 83, No. 3, pp. 298-310. ##

تشخیص خودکار جنسیت نویسنده در متون فارسی automatic gender identification in persian text 1 1 با گسترش روز افزون استفاده از اینترنت، شاهد تبادل هزاران گیگابایت اطلاعات متنی در فضای مجازی هستیم. فضای سایبر این امکان را به اشخاص می‌دهد که هویت حقیقی خود را مخفی کنند و با هویت ساختگی جدیدی وارد آن شوند. از این‌رو اهمیت حفظ امنیت این فضا، کنترل بر محتوای تولید شده توسط کاربران و شناسایی مشخصات تولیدکنندگان محتوا هر روز پررنگتر می‌شود. موضوع مورد بررسی در این تحقیق که مربوط به حوزه‌ شناسایی نویسنده می‌باشد، شناسایی خودکار جنسیت نویسنده متن فارسی است. به منظور شناسایی جنسیت، با توجه به مطالعات زبان-روانشناختی صورت گرفته، 48 ویژگی روان‌شناختی و سبک شناسی تعریف شد. دو پیکره متنی جهت آموزش طبقه بندها تهیه شد و سپس برای شناسایی جنسیت، سه الگوریتم یادگیری ماشینی مختلف (ماشین بردار پشتیبان، بیز ساده و درخت تصمیم) طراحی شد. نتایج اعتبارسنجی متقابل10تایی نشان داد که بیشترین دقت مربوط به طبقهبند درخت تصمیم با دقت %73.8 است. 2 Gigantic amount of textual data being transfers in web everyday. like other communities,cyberspace is vulnerable to attacks, false information and deception.it becomes increasingly important to design an efficient method to trace identity in this community.to investigate the problem of gender identification,we propose 48 feature,and design three machine learning algorithms.the results of study showed that ADtree classifier had accuracy up to 73.8%. 83 94 2013/10/72013/11/242014/07/212014/06/142014/07/132014/08/22013/06/7 1392/3/17 2016/01/52015/09/122015/05/42015/04/32015/09/82015/04/212014/01/26 1392/11/6 مهدی مرادی مرکز زبان ها و زبان شناسی، دانشگاه صنعتی شریف، تهران، ایران meh_mor2003@yahoo.com محمد بحرانی دانشگاه صنعتی شریف bahrani@sharif.edu gender identification author identification text mining تشخیص جنسیت شناسایی نویسنده متن کاوی داوری اردکانی، نگار؛ عیار، عطیه. کنکاشی در پژوهش‌های زبان‌شناسی جنسیت ، مجله مطالعات راهبردی زنان، 1387، 42-162 درگاه ملی آمار . 1391، http: www.amar.org.ir.##زینب فرهمند پور وهمکاران. طراحی و پیاده‌سازی یک سامانه هوشمند تشخیص هویت نویسنده‌ی فارسی زبان ، 7مین کنفراس ملی سالانه انجمن کامپیوتر ایران، اسفند 90.##سعیده شجاع رضوی. جنسیت و شمول معنایی، فصلنامه پازند. 1386. 10 : سال سوم.##محرم اسلامی، مسعود شریفی آتشگاه، صدیقه علیزاده لمجیری، و طاهره زندی. واژگان زایای زبان فارسی , مجموعه مقالات اولین کارگاه پژوهشی زبان فارسی و رایانه، تهران ،۱۳۸۳.##محمدرضا فارسیان. جنسیت در واژگان، دانشگاه تهران، 1378.##محمود بیجنخان. پیکره متنی زبان فارسی ، پژوهشکده پردازش هوشمند علایم, 1386.##Apte C, Damerau F, Weiss SM, Apte C, Damerau F, Weiss S Text mining with decision trees and decision rules, The conference on automated learning and discorery, workshop 6: learning from text and the web, 1998.##Baayen H, van Halteren H, Neijt A, Tweedie F. An experiment in authorship attribution ,The 6th intern-ational conference on the statistical analysis of textual data. St. Malo, France ,2002.##BijanKhan M. The role of the corpus in writing a gra-mmar: An introduction to a software , IranianJ-ournal of Linguistics, 2004.##Burrows J. F, Word-Patterns and Story-Shapes: the Statis-tical Analysis of Narrative Style , Literary and Lingu-istic Computing, 1987, p. 61-70.##Chakani Sarvar Language and Gender: A Contrastive View on Farsi and English DiscourseIslamic Azad University of Tabriz, 2000.##Cortes C, Vapnik V. Support-vector networks , Machine learning, 1995, p. 273-97.##De Vel, O., Anderson, A., Corney, M., and Mohay, G. Mining E-mail content for author identification fore-nsics , SIGMOD Record,2001 4 : 30. , p. 55-64.##Diederich J, Kinder Mann J, Leopold E, Paass G. Authorship attribution with support vector machine , Applied Intelligence ;19, 2000. p. 109-23.##Diederich, J., Kindermann, J., Leopold, E., and Paass, G. Authorship attribution with support vector mac-hines , Applied Intelligence. 2003. 19. p. 109–23.##Gottschalk LA Gleser GC. The measurement of psychological states through the content analysis of verbal behavior. Berkeley ,University of California Press, 1969.##Hall, Mark, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, and Ian H. Witten. "The WEKA data mining software: an update." ACM SIG-KDD explorations newsletter 11, no. 1 (2009): 10-18.##Hello kish. 2012. www.hellokish.org.##Holmes D. I ,A stylometric analysis oformon script-ure and related texts , Royal Statistical Society, 155, p-.91-120.##Internet World Usage Statistics, 2012,http: www.in-ternetworldstats.com/stats.htm.##Jeremy K, Zach G, David K, Machine Learning and Feature Based Approaches to Gender Classification of Facebook Statuses. 2010. http: thekeesh.-com/c-s224n/final_writ.##Koppel, M., Schler, J., and Argamon, S. Comput-ational methods in authorship attribution , Journal of American Society Information Science Tech-nology. 2009. 1 , 60. .p9-26.##Lai Chao-Yue Author Gender Analysis , Applied Natural Language Processing. 2010.##Lakoff, R. Language and woman’s place . New Yor-k : Harper and Row, 1975.##Mason Yoav Freund and Llew The Alternating Decision Tree Algorithm , the 16th International Conference on Machine Learning. 1999. p. 124-133.##Mendenhall T. C. A mechanical solution of a literary problem , Popular Science Monthly. ##Mendenhall T. C. The characteristic curves of composition , Science. 1887. 214 , 9 . p.237-248.##Merriam T. Marlowe’s hand in Edward III revisited. , Literary and Linguistic. 1996. 1 , 11. .p. ##Miller Z. , Dickinson B, Wei H. Gender Prediction on Twitter Using Stream Algorithms with N-Gram Char-acter Features , International Journal of Intelligence Science. 2012. 2. P.143-148.##Mosteller F. and Wallace D. L. Inference and Disp-uted Authorship: The Federalist ,Addison-Wesley, 1964.##Mosteller F, Wallace DL. Applied Bayesian and Classical Inference: the case of the federalist papers , Springer series in statistic: Springer, 1984.##Mukherjee A. , Liu B. Improving Gender Classif-ication of Blog Authors , Empirical Methods in Natural Language Processing, 2010 p. 207–217.##Mulac A. , Wiemann, J. M., Widenmann, S. J., &Gib-son, T. W. Male/female language differencesand effects in same-sex and mixed-sex dyads: The gender-linked language effect , Communication Monographs. 1988. 55. p. 315-335.##Mulac A. Studley LB, Blau S. The gender-linked language effect in primary and secondary stud-ents’impromptu essays , Sex Roles. 1990. 23. p. 9-10.##Na Cheng, R. Chandramouli, K.P. Subbalakshmi Author gender identification from text , digitalin vestigation. 2011. p. 77-88.##Nacip F.A using information gain as feature weight , The 8th Turkish Symposium on Artificial Intelligence and Nural Networks IAINN’99). Istanbul, Turk-ey( 1999.##Pennebaker J. W., Mehl, M. R., &Niederhoffer, K. G. Psychological aspects of natural language use: Our words, our selves. ,Annual Review of Psychology, ‎2003 ##Pennebaker JW, Chung CK, Ireland M, Gonzales A, Booth RJ. The development and psychometric prope-rties of LIWC2007. Austin, Texas : LIWC Inc, 2007.##Pennebaker, J. W., &King, L. A. Linguistic styles: Language use as an individualdifference. Personality and Social Psychology, 1999. P. 6-14.##Safavian SR, Landgrebe D. A survey of decision tree classifier methodology , Cybernetics. 1991. 3 , 21. p. 660-674.##Stirman, S.W., &Pennebaker, J.W. Word use in the poetry of suicidal and non-suicidal poets. , 63,. Psychosomatic Medicine, 2001. - 63. - p. 517-522.##Symantec Internet Security Threat Report, Trends for 2010. Security Response Publications, 2011.##Talbot MM Language and gender: an introd-uction. ,Wiley-Blackwell, 1998.##Tweedie FJ, Singh S, Holmes DI. Neural network applications in stylometry: the federalist papers , Computers and the Humanities . 1996. 1 , 30.##Unger R. K Toward a redefinition of sex and gender , American Psychologist. 1979. 34. p. 1085-1094.##Üstün, Bülent, Willem J. Melssen, and Lutgarde MC Buydens. "Facilitating the application of Support Vector Regression by using a universal Pearson VII function based kernel." Chemometrics and Intelligent Laboratory Systems 81, no. 1 .2006. 29-40.##Wodak, Ruth & Benke, Gertrud" Gender as a Variation in Sociolinguistics ” in The Handbook of Sociol-ingistics, Cambridge : Blackwell, 2007.##Yule GU. The statistical study of literary voca-bulary ,Cambridge University Press, 1944.##Zheng R, Li J, Chen H, Huang Z .A framework for ##authorship identification of online messages: writing-style features and classification techniques. Journal of the American Society for Information Science and Technology, 2006.##داوری اردکانی، نگار؛ عیار، عطیه. کنکاشی در پژوهش‌های زبان‌شناسی جنسیت ، مجله مطالعات راهبردی زنان، 1387، 42-162 درگاه ملی آمار . 1391، http: www.amar.org.ir.##زینب فرهمند پور وهمکاران. طراحی و پیاده‌سازی یک سامانه هوشمند تشخیص هویت نویسنده‌ی فارسی زبان ، 7مین کنفراس ملی سالانه انجمن کامپیوتر ایران، اسفند 90.##سعیده شجاع رضوی. جنسیت و شمول معنایی، فصلنامه پازند. 1386. 10 : سال سوم.##محرم اسلامی، مسعود شریفی آتشگاه، صدیقه علیزاده لمجیری، و طاهره زندی. واژگان زایای زبان فارسی , مجموعه مقالات اولین کارگاه پژوهشی زبان فارسی و رایانه، تهران ،۱۳۸۳.##محمدرضا فارسیان. جنسیت در واژگان، دانشگاه تهران، 1378.##محمود بیجنخان. پیکره متنی زبان فارسی ، پژوهشکده پردازش هوشمند علایم, 1386.##Apte C, Damerau F, Weiss SM, Apte C, Damerau F, Weiss S Text mining with decision trees and decision rules, The conference on automated learning and discorery, workshop 6: learning from text and the web, 1998.##Baayen H, van Halteren H, Neijt A, Tweedie F. An experiment in authorship attribution ,The 6th intern-ational conference on the statistical analysis of textual data. St. Malo, France ,2002.##BijanKhan M. The role of the corpus in writing a gra-mmar: An introduction to a software , IranianJ-ournal of Linguistics, 2004.##Burrows J. F, Word-Patterns and Story-Shapes: the Statis-tical Analysis of Narrative Style , Literary and Lingu-istic Computing, 1987, p. 61-70.##Chakani Sarvar Language and Gender: A Contrastive View on Farsi and English DiscourseIslamic Azad University of Tabriz, 2000.##Cortes C, Vapnik V. Support-vector networks , Machine learning, 1995, p. 273-97.##De Vel, O., Anderson, A., Corney, M., and Mohay, G. Mining E-mail content for author identification fore-nsics , SIGMOD Record,2001 4 : 30. , p. 55-64.##Diederich J, Kinder Mann J, Leopold E, Paass G. Authorship attribution with support vector machine , Applied Intelligence ;19, 2000. p. 109-23.##Diederich, J., Kindermann, J., Leopold, E., and Paass, G. Authorship attribution with support vector mac-hines , Applied Intelligence. 2003. 19. p. 109–23.##Gottschalk LA Gleser GC. The measurement of psychological states through the content analysis of verbal behavior. Berkeley ,University of California Press, 1969.##Hall, Mark, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, and Ian H. Witten. "The WEKA data mining software: an update." ACM SIG-KDD explorations newsletter 11, no. 1 (2009): 10-18.##Hello kish. 2012. www.hellokish.org.##Holmes D. I ,A stylometric analysis oformon script-ure and related texts , Royal Statistical Society, 155, p-.91-120.##Internet World Usage Statistics, 2012,http: www.in-ternetworldstats.com/stats.htm.##Jeremy K, Zach G, David K, Machine Learning and Feature Based Approaches to Gender Classification of Facebook Statuses. 2010. http: thekeesh.-com/c-s224n/final_writ.##Koppel, M., Schler, J., and Argamon, S. Comput-ational methods in authorship attribution , Journal of American Society Information Science Tech-nology. 2009. 1 , 60. .p9-26.##Lai Chao-Yue Author Gender Analysis , Applied Natural Language Processing. 2010.##Lakoff, R. Language and woman’s place . New Yor-k : Harper and Row, 1975.##Mason Yoav Freund and Llew The Alternating Decision Tree Algorithm , the 16th International Conference on Machine Learning. 1999. p. 124-133.##Mendenhall T. C. A mechanical solution of a literary problem , Popular Science Monthly. ##Mendenhall T. C. The characteristic curves of composition , Science. 1887. 214 , 9 . p.237-248.##Merriam T. Marlowe’s hand in Edward III revisited. , Literary and Linguistic. 1996. 1 , 11. .p. ##Miller Z. , Dickinson B, Wei H. Gender Prediction on Twitter Using Stream Algorithms with N-Gram Char-acter Features , International Journal of Intelligence Science. 2012. 2. P.143-148.##Mosteller F. and Wallace D. L. Inference and Disp-uted Authorship: The Federalist ,Addison-Wesley, 1964.##Mosteller F, Wallace DL. Applied Bayesian and Classical Inference: the case of the federalist papers , Springer series in statistic: Springer, 1984.##Mukherjee A. , Liu B. Improving Gender Classif-ication of Blog Authors , Empirical Methods in Natural Language Processing, 2010 p. 207–217.##Mulac A. , Wiemann, J. M., Widenmann, S. J., &Gib-son, T. W. Male/female language differencesand effects in same-sex and mixed-sex dyads: The gender-linked language effect , Communication Monographs. 1988. 55. p. 315-335.##Mulac A. Studley LB, Blau S. The gender-linked language effect in primary and secondary stud-ents’impromptu essays , Sex Roles. 1990. 23. p. 9-10.##Na Cheng, R. Chandramouli, K.P. Subbalakshmi Author gender identification from text , digitalin vestigation. 2011. p. 77-88.##Nacip F.A using information gain as feature weight , The 8th Turkish Symposium on Artificial Intelligence and Nural Networks IAINN’99). Istanbul, Turk-ey( 1999.##Pennebaker J. W., Mehl, M. R., &Niederhoffer, K. G. Psychological aspects of natural language use: Our words, our selves. ,Annual Review of Psychology, ‎2003 ##Pennebaker JW, Chung CK, Ireland M, Gonzales A, Booth RJ. The development and psychometric prope-rties of LIWC2007. Austin, Texas : LIWC Inc, 2007.##Pennebaker, J. W., &King, L. A. Linguistic styles: Language use as an individualdifference. Personality and Social Psychology, 1999. P. 6-14.##Safavian SR, Landgrebe D. A survey of decision tree classifier methodology , Cybernetics. 1991. 3 , 21. p. 660-674.##Stirman, S.W., &Pennebaker, J.W. Word use in the poetry of suicidal and non-suicidal poets. , 63,. Psychosomatic Medicine, 2001. - 63. - p. 517-522.##Symantec Internet Security Threat Report, Trends for 2010. Security Response Publications, 2011.##Talbot MM Language and gender: an introd-uction. ,Wiley-Blackwell, 1998.##Tweedie FJ, Singh S, Holmes DI. Neural network applications in stylometry: the federalist papers , Computers and the Humanities . 1996. 1 , 30.##Unger R. K Toward a redefinition of sex and gender , American Psychologist. 1979. 34. p. 1085-1094.##Üstün, Bülent, Willem J. Melssen, and Lutgarde MC Buydens. "Facilitating the application of Support Vector Regression by using a universal Pearson VII function based kernel." Chemometrics and Intelligent Laboratory Systems 81, no. 1 .2006. 29-40.##Wodak, Ruth & Benke, Gertrud" Gender as a Variation in Sociolinguistics ” in The Handbook of Sociol-ingistics, Cambridge : Blackwell, 2007.##Yule GU. The statistical study of literary voca-bulary ,Cambridge University Press, 1944.##Zheng R, Li J, Chen H, Huang Z .A framework for ##authorship identification of online messages: writing-style features and classification techniques. Journal of the American Society for Information Science and Technology, 2006. ##

ارائۀ راهکاری قاعده‌مند جهت تبدیل خودکار درخت تجزیۀ نحوی وابستگی به درخت تجزیۀ نحوی ساخت‌سازه‌ای برای زبان فارسی A Rule-Based Approach in Converting a Dependency Parse Tree into Phrase Structure Parse Tree for Persian 1 1 هدف مقاله حاضر ارائۀ روشی خودکار جهت تبدیل درخت تجزیه نحوی وابستگی به درخت تجزیه نحوی مبتنی بر دستور ساخت‌سازه‌ای معادل در زبان فارسی است. برای نیل بدین هدف، الگوریتمی قاعده‌مند جهت این نوع تبدیل طراحی شده‌است. به منظور دستیابی به درخت تجزیۀ نحوی ساخت‌سازه‌ای مناسب برای جملات زبان فارسی، دستور زبان فارسی مورد مطالعه قرار گرفته و قوانین خاص زبان فارسی استخراج و به الگوریتم مذکور افزوده شده‌است. نتایج حاصل از ارزیابی پژوهش بیانگر این است که الگوریتم طراحی‌شده برای تبدیل ساختارها به F1 معادل با 96.05 درصد دست‌ یافته‌است. سپس، الگوریتم مذکور بر روی پیکرۀ وابستگی زبان فارسی با حدود 30000 جمله اعمال و دادگان درخت نحوی ساخت‌سازه‌ای معادل حاصل شده‌است. علاوه بر این، تجزیه‌گر نحوی استنفورد برروی پیکرۀ ساخت‌سازه‌ای حاصل آموزش داده شده و تجزیه‌گر نحوی ترکیبی زبان فارسی با F1 معادل با 86.01 درصد به دست آمده‌است. 2 In this paper, an automatic method in converting a dependency parse tree into an equivalent phrase structure one, is introduced for the Persian language. In first step, a rule-based algorithm was designed. Then, Persian specific dependency-to-phrase structure conversion rules merged to the algorithm. Subsequently, the Persian dependency treebank with about 30,000 sentences was used as an input for the algorithm and an equivalent phrase structure treebank was extracted. Finally, the statistical Stanford parser was trained using the developed treebank. Experimental results show a F1 of 96.05% for the conversion algorithm and an F1 of 86.01% for Persian factored model parser. 95 115 2013/10/72013/11/242014/07/212014/06/142014/07/132014/08/22013/06/72014/09/25 1393/7/3 2016/01/52015/09/122015/05/42015/04/32015/09/82015/04/212014/01/262015/09/8 1394/6/17 فاطمه سلطان زاده Fatemeh Soltanzadeh دانشگاه صنعتی شریف fatemeh.slt@gmail.com محمد بحرانی Mohammad Bahrani دانشگاه صنعتی شریف bahrani@sharif.edu محرم اسلامی Moharram Eslami دانشگاه زنجان meslami@znu.ac.ir Conversion Dependency Grammar Phrase Structure Grammar Natural Language Processing Treebank Persian. تبدیل دستور وابستگی دستور ساخت‌سازه‌ای پردازش زبان طبیعی دادگان درخت نحوی زبان فارسی. انوری، حسن و احمدی گیوی، حسن، "دستور زبان فارسی 2". تهران، انتشارات فاطمی، 1385.##دبیرخانه شورای عالی اطلاع رسانی،"فاز اول طرح جامع پیکره زبان فارسی با موضوع فاز اول مطالعاتی ایجاد پیکره متنی زبان فارسی، بررسی ابعاد و تفاوت‌های پیکره‌های برچسب داده‌ای و پیکره‌های خام در زبان فارسی"، کد زیر پروژه: پیک متن فارسی-2- ح، 1388، ویراست اول.##رسولی، محمد صادق؛ کوهستانی، منوچهر؛ مولودی، امیرسعید؛ "پیکرۀ نحوی زبان فارسی – پژوهشی بر اساس دستور وابستگی"، تهران، ایران: دبیرخانۀ شورای عالی اطلاع‌رسانی، 1393.##صادق‌زاده، محمد باقر؛ رزازی، محمدرضا؛ قیومی، مسعود؛ "بررسی روش‌های موثر بر عملکرد تجزیه‌گر آماری زبان فارسی"، سومین همایش ملی زبان‌شناسی رایانشی، تهران، دانشگاه شریف، 1393.##طبیب‌زاده، امید، "دستور زبان فارسی براساس نظریه گروه‌های خودگردان در دستور وابستگی". چاپ اول، تهران، ایران: نشر مرکز، 1390.##طبیب‌زاده، امید، "وابسته‌های فعل در زبان فارسی براساس نظریه وابستگی"، دستور، ویژه نامه فرهنگستان، 1383، شماره 1، صص 13-28.##غلامعلی‌زاده، خسرو، "ساخت زبان فارسی". تهران، انتشارات احیا کتاب، چاپ ششم، 1390.##فیلی، هشام، "استفاده از تجزیه‌گرهای احتمالاتی زبان طبیعی جهت بهبود ترجمه افعال گروهی انگلیسی به فارسی"، پردازش علایم و داده‌ها، 1389، شماره 1 (پیاپی 13)، صص 65-76.##قریب، عبدالعظیم، "دستور زبان فارسی". تهران، ایران: انتشارات اشراقی، 1368.##قیومی، مسعود، "معرفی دادگان درختی و تجزیه‌گر خودکار فارسی"، ارائه شده در هشتمین همایش زبان‌شناسی ایران، تهران، دانشگاه علامه‌طباطبایی، 1391.##مشکوه ‌الدینی، مهدی، "دستور زبان فارسی برپایه نظریه گشتاری". چاپ دوم، مشهد، انتشارات دانشگاه فردوسی مشهد، 1389.##Alabbas, M. and Ramsay, A., “Arabic Treebank: from Phrase-Structure Trees to Dependency Trees”, in META-RESEARCH Workshop on Advanced Treebanking, Language Resources and Evaluation Conference, Istanbul, Tutkey, 2012, pp. 61-68.##Aldezabal, I., Aranzabe, M. J., Diaz de Ilarraza, A., and Fernández, K., “From Dependencies to Consti-tuents in the Reference Corpus for the processing of Basque”, in SEPLN, Madril, 2008, pp. 147-154.##Atkins, S., Clear, J. H., and Ostler, N., “Corpus design criteria”, Journal of Literary and Linguistic Computing, Gordon Dixon. Oxford: Oxford Unive-rsity Press, 1992, vol.7, pp. 1-16.##Bhatt R., and Xia, F., “Challenges in Converting between Treebanks: a Case Study from the HUTB”, in Proceedings of META-RESEARCH Workshop on Advanced Treebanking Held in conjunction with LREC-2012, Istanbul, Turkey, 2012, pp. 53-60.##Böhmova, A., Hajic, J., Hajicova, E., and Hladka, B., “The prague dependency treebank: Three-level anno-tation scenario”, in Treebanks: Building and using syntactically annotated corpora, Dordrencht: Kluwer Academic Publishers, 2003, pp. 103-127.##Bohnet, B., “Mapping Phrase Structures to Depen-dency structures in the Case of Free Word Order Languages”, in Proceedings of The First International Conference on Meaning-Text Theory, Paris, , 2003, pp. 239-249.##Buchholz, S. and Marsi, E., “CoNLL-X shared task on multilingual dependency parsing”. In Proceeding of the Tenth Conforence on Computational Natural Language Learning (CoNLL), 2006, pp. 149-164.##Collins, M., “Three generative, lexicalised models for statistical parsing”, in Proceedings of the 35th ACL, 1997, pp.16-23.##Daum, M., Foth, K.A., Menzel, W., “Automatic Transformation of Phrase Treebanks to Dependency Trees”, in Proceedings LREC-04, Lisbon, Portugal, 2004, pp. 1149-1152.##Farkas, R. and Bohnet, B., “Stacking of Dependency and Phrase Structure Parsers”, In Proceedings of COLING 2012: Technical Papers, COLING 2012, Mumbai, 2012, pp. 849–866.##Gaifman, H., “Dependency Systems and Phrase-Structure Systems”, Information and Control, 1965, pp. 304–337.##Gelbukh, A., Torres, S., Calvo, H., “Transforming a constituency treebank into a dependency treebank”, in Procesamiento de Lenguaje Natural, No. 34, Spain, 2005.##Ghayoomi, M., “Bootstrapping the development of an HPSG-based treebank for Persian”. Linguistics Issues in Language Technology, CSLI Pub‌li‌ca‌tions, 2012a, 7 (1).##Ghayoomi, M., “Word clustering for Persian statist-ical parsing”, In Proceedings of 8th International Conference On NLP, Kanazawa, Japan, pp. 126-137, 2012b.##Ghay‌oo‌mi, M. and Kuhn, J., “Con‌vert‌ing an HPSG-based tree‌bank into its par‌al‌lel de‌penden‌cy-based tree‌bank”, In Pro‌ceed‌ings of the 9th In‌ter‌na‌tion‌al Con‌fer‌ence on Lan‌guage Re‌sources and Eval‌u‌a‌tion. May 26-31, 2014, Reyk‌javik, Ice‌land, pp. 802-809. ##Huang, L. and Chiang, D. “Better k-best parsing”, In Proceedings of the 9th International Workshop on Parsing Technologies, Vancouver, BC, 2005, pp. 53–64.##Johansson, R. and Nugues, P., “Extended constituent-to-dependency conversion for English”, in the Proce-edings of the 16th Nordic Conference of Com-putational Linguistics NODALIDA, 2007, pp.105-112.##Klein, A., “From dependency to constituency: Automatic generation of Penn Treebank trees from LFG f-structures”, M.S. Thesis , University of Heid-elberg, Germany, 2009.##Klein, D., and Manning. C. D., “Fast Exact Inference with a Factored Model for Natural Language Pars-ing”, Advances in Neural Information Processing Systems 15 (NIPS 2002), Cambridge, MA: MIT Press, 2003, pp. 3-10.##Le Roux, J., Favre, B., Nasr, A., and Mirroshandel, S. A., “Generative Constituent Parsing and Discrim-inative Dependency Reranking: Experiments on English and French”, In ACL Joint Workshop on Statistical Parsing and Semantic Processing of Morphologically Rich Languages, Jeju, South Korea, 2012.##Li, X., Wang, X., and Yao, L., “Conversion between Dependency Structures and Phrase Structures Using a Head Finder Algorithm”, in International Conference on Natural Language Processing and Knowledge Engineering, Beijing , 2010, pp. 1-6.##Manning, C. and Schütze, H., “Foundations of Statist-ical Natural Language Processing”, Cambridge: The MIT Press, 1999.##Nivre, J. and McDonald, R., “Integrating graph-based and transition-based dependency parsers”, In Procee-dings of ACL-08: HLT, 2008, pp. 950–958.##Palmer, M., Bhatt, R., Narasimhan, B., Rambow, O., Sharma, D. M., Xia, F., “Hindi Syntax: Annotating Dependency, Lexical Predicate-Argument Structure, and Phrase Structure”, in Proceeding of ICON, Heydarabad, 2009.##Rasooli, M. S., Kouhestani, M., and Moloodi, A., “Development of a Persian Syntactic Dependency Treebank”, in The 2013 Conference of the North American Chapter of the Association for Compu-tational Linguistics: Human Language Technologies (NAACL HLT), Atlanta, USA, 2013, pp. 306-314.##Ren, X., Chen, X., Kit, C., “Combine constituent and dependency parsing via reranking”, in the Proce-edings of the 23th Joint Conference on Artificial Intelligence, 2013, pp. 2155-2161.##Seraji M., Beáta M., and Joakim N., “Bootstrapping a Persian Dependency Treebank”. Linguistic Issues in Language Technology 7(18), 2012, pp. 1-10.##Schneid, G., “A Linguistic Comparison Constituency, Dependency and Link Grammar”, M. A. Thesis, University of Zurich ,1998.##Taylor, A., Marcus, M. and Santorini, B., “The Penn treebank: an overview”. Treebanks: Building and using parsed corpora, Kluwer Academic Publishers, The Netherlands, 2003, pp. 5-22.##Wang, Z., and Zong, C., “Phrae Structure Parsing with Dependency Structure”, in COLING 2010: posters, Beijing, China, 2010, pp. 1292-1300, ##Xia, F., and Palmer, M., “Converting Dependency Structures to Phrase Structures”, in the Proceedings of the 1st Human Language Technology Conference (HLT-2001), San Diego, CA, 2001.##Xia, F., Bhatt, R., Rambow, O., Palmer, M. and Sharma, D., “Towards a multi-representational Treebank”, in the Proceedings of The 7th Inter-national Workshop on Treebanks and Linguistic The-ories, TLT-7, Groningen, the Netherlands, 2009, pp. 159-170.##Žabortsky, Z. and Kučerová, I., “Transforming Penn Treebank Phrase Trees into (Praguian) Tectogra-mmatical Dependency Trees”, The Prague Bulletin of Mathematical Linguistics, 2002, pp. 77-94.##انوری، حسن و احمدی گیوی، حسن، "دستور زبان فارسی 2". تهران، انتشارات فاطمی، 1385.##دبیرخانه شورای عالی اطلاع رسانی،"فاز اول طرح جامع پیکره زبان فارسی با موضوع فاز اول مطالعاتی ایجاد پیکره متنی زبان فارسی، بررسی ابعاد و تفاوت‌های پیکره‌های برچسب داده‌ای و پیکره‌های خام در زبان فارسی"، کد زیر پروژه: پیک متن فارسی-2- ح، 1388، ویراست اول.##رسولی، محمد صادق؛ کوهستانی، منوچهر؛ مولودی، امیرسعید؛ "پیکرۀ نحوی زبان فارسی – پژوهشی بر اساس دستور وابستگی"، تهران، ایران: دبیرخانۀ شورای عالی اطلاع‌رسانی، 1393.##صادق‌زاده، محمد باقر؛ رزازی، محمدرضا؛ قیومی، مسعود؛ "بررسی روش‌های موثر بر عملکرد تجزیه‌گر آماری زبان فارسی"، سومین همایش ملی زبان‌شناسی رایانشی، تهران، دانشگاه شریف، 1393.##طبیب‌زاده، امید، "دستور زبان فارسی براساس نظریه گروه‌های خودگردان در دستور وابستگی". چاپ اول، تهران، ایران: نشر مرکز، 1390.##طبیب‌زاده، امید، "وابسته‌های فعل در زبان فارسی براساس نظریه وابستگی"، دستور، ویژه نامه فرهنگستان، 1383، شماره 1، صص 13-28.##غلامعلی‌زاده، خسرو، "ساخت زبان فارسی". تهران، انتشارات احیا کتاب، چاپ ششم، 1390.##فیلی، هشام، "استفاده از تجزیه‌گرهای احتمالاتی زبان طبیعی جهت بهبود ترجمه افعال گروهی انگلیسی به فارسی"، پردازش علایم و داده‌ها، 1389، شماره 1 (پیاپی 13)، صص 65-76.##قریب، عبدالعظیم، "دستور زبان فارسی". تهران، ایران: انتشارات اشراقی، 1368.##قیومی، مسعود، "معرفی دادگان درختی و تجزیه‌گر خودکار فارسی"، ارائه شده در هشتمین همایش زبان‌شناسی ایران، تهران، دانشگاه علامه‌طباطبایی، 1391.##مشکوه ‌الدینی، مهدی، "دستور زبان فارسی برپایه نظریه گشتاری". چاپ دوم، مشهد، انتشارات دانشگاه فردوسی مشهد، 1389.##Alabbas, M. and Ramsay, A., “Arabic Treebank: from Phrase-Structure Trees to Dependency Trees”, in META-RESEARCH Workshop on Advanced Treebanking, Language Resources and Evaluation Conference, Istanbul, Tutkey, 2012, pp. 61-68.##Aldezabal, I., Aranzabe, M. J., Diaz de Ilarraza, A., and Fernández, K., “From Dependencies to Consti-tuents in the Reference Corpus for the processing of Basque”, in SEPLN, Madril, 2008, pp. 147-154.##Atkins, S., Clear, J. H., and Ostler, N., “Corpus design criteria”, Journal of Literary and Linguistic Computing, Gordon Dixon. Oxford: Oxford Unive-rsity Press, 1992, vol.7, pp. 1-16.##Bhatt R., and Xia, F., “Challenges in Converting between Treebanks: a Case Study from the HUTB”, in Proceedings of META-RESEARCH Workshop on Advanced Treebanking Held in conjunction with LREC-2012, Istanbul, Turkey, 2012, pp. 53-60.##Böhmova, A., Hajic, J., Hajicova, E., and Hladka, B., “The prague dependency treebank: Three-level anno-tation scenario”, in Treebanks: Building and using syntactically annotated corpora, Dordrencht: Kluwer Academic Publishers, 2003, pp. 103-127.##Bohnet, B., “Mapping Phrase Structures to Depen-dency structures in the Case of Free Word Order Languages”, in Proceedings of The First International Conference on Meaning-Text Theory, Paris, , 2003, pp. 239-249.##Buchholz, S. and Marsi, E., “CoNLL-X shared task on multilingual dependency parsing”. In Proceeding of the Tenth Conforence on Computational Natural Language Learning (CoNLL), 2006, pp. 149-164.##Collins, M., “Three generative, lexicalised models for statistical parsing”, in Proceedings of the 35th ACL, 1997, pp.16-23.##Daum, M., Foth, K.A., Menzel, W., “Automatic Transformation of Phrase Treebanks to Dependency Trees”, in Proceedings LREC-04, Lisbon, Portugal, 2004, pp. 1149-1152.##Farkas, R. and Bohnet, B., “Stacking of Dependency and Phrase Structure Parsers”, In Proceedings of COLING 2012: Technical Papers, COLING 2012, Mumbai, 2012, pp. 849–866.##Gaifman, H., “Dependency Systems and Phrase-Structure Systems”, Information and Control, 1965, pp. 304–337.##Gelbukh, A., Torres, S., Calvo, H., “Transforming a constituency treebank into a dependency treebank”, in Procesamiento de Lenguaje Natural, No. 34, Spain, 2005.##Ghayoomi, M., “Bootstrapping the development of an HPSG-based treebank for Persian”. Linguistics Issues in Language Technology, CSLI Pub‌li‌ca‌tions, 2012a, 7 (1).##Ghayoomi, M., “Word clustering for Persian statist-ical parsing”, In Proceedings of 8th International Conference On NLP, Kanazawa, Japan, pp. 126-137, 2012b.##Ghay‌oo‌mi, M. and Kuhn, J., “Con‌vert‌ing an HPSG-based tree‌bank into its par‌al‌lel de‌penden‌cy-based tree‌bank”, In Pro‌ceed‌ings of the 9th In‌ter‌na‌tion‌al Con‌fer‌ence on Lan‌guage Re‌sources and Eval‌u‌a‌tion. May 26-31, 2014, Reyk‌javik, Ice‌land, pp. 802-809. ##Huang, L. and Chiang, D. “Better k-best parsing”, In Proceedings of the 9th International Workshop on Parsing Technologies, Vancouver, BC, 2005, pp. 53–64.##Johansson, R. and Nugues, P., “Extended constituent-to-dependency conversion for English”, in the Proce-edings of the 16th Nordic Conference of Com-putational Linguistics NODALIDA, 2007, pp.105-112.##Klein, A., “From dependency to constituency: Automatic generation of Penn Treebank trees from LFG f-structures”, M.S. Thesis , University of Heid-elberg, Germany, 2009.##Klein, D., and Manning. C. D., “Fast Exact Inference with a Factored Model for Natural Language Pars-ing”, Advances in Neural Information Processing Systems 15 (NIPS 2002), Cambridge, MA: MIT Press, 2003, pp. 3-10.##Le Roux, J., Favre, B., Nasr, A., and Mirroshandel, S. A., “Generative Constituent Parsing and Discrim-inative Dependency Reranking: Experiments on English and French”, In ACL Joint Workshop on Statistical Parsing and Semantic Processing of Morphologically Rich Languages, Jeju, South Korea, 2012.##Li, X., Wang, X., and Yao, L., “Conversion between Dependency Structures and Phrase Structures Using a Head Finder Algorithm”, in International Conference on Natural Language Processing and Knowledge Engineering, Beijing , 2010, pp. 1-6.##Manning, C. and Schütze, H., “Foundations of Statist-ical Natural Language Processing”, Cambridge: The MIT Press, 1999.##Nivre, J. and McDonald, R., “Integrating graph-based and transition-based dependency parsers”, In Procee-dings of ACL-08: HLT, 2008, pp. 950–958.##Palmer, M., Bhatt, R., Narasimhan, B., Rambow, O., Sharma, D. M., Xia, F., “Hindi Syntax: Annotating Dependency, Lexical Predicate-Argument Structure, and Phrase Structure”, in Proceeding of ICON, Heydarabad, 2009.##Rasooli, M. S., Kouhestani, M., and Moloodi, A., “Development of a Persian Syntactic Dependency Treebank”, in The 2013 Conference of the North American Chapter of the Association for Compu-tational Linguistics: Human Language Technologies (NAACL HLT), Atlanta, USA, 2013, pp. 306-314.##Ren, X., Chen, X., Kit, C., “Combine constituent and dependency parsing via reranking”, in the Proce-edings of the 23th Joint Conference on Artificial Intelligence, 2013, pp. 2155-2161.##Seraji M., Beáta M., and Joakim N., “Bootstrapping a Persian Dependency Treebank”. Linguistic Issues in Language Technology 7(18), 2012, pp. 1-10.##Schneid, G., “A Linguistic Comparison Constituency, Dependency and Link Grammar”, M. A. Thesis, University of Zurich ,1998.##Taylor, A., Marcus, M. and Santorini, B., “The Penn treebank: an overview”. Treebanks: Building and using parsed corpora, Kluwer Academic Publishers, The Netherlands, 2003, pp. 5-22.##Wang, Z., and Zong, C., “Phrae Structure Parsing with Dependency Structure”, in COLING 2010: posters, Beijing, China, 2010, pp. 1292-1300, ##Xia, F., and Palmer, M., “Converting Dependency Structures to Phrase Structures”, in the Proceedings of the 1st Human Language Technology Conference (HLT-2001), San Diego, CA, 2001.##Xia, F., Bhatt, R., Rambow, O., Palmer, M. and Sharma, D., “Towards a multi-representational Treebank”, in the Proceedings of The 7th Inter-national Workshop on Treebanks and Linguistic The-ories, TLT-7, Groningen, the Netherlands, 2009, pp. 159-170.##Žabortsky, Z. and Kučerová, I., “Transforming Penn Treebank Phrase Trees into (Praguian) Tectogra-mmatical Dependency Trees”, The Prague Bulletin of Mathematical Linguistics, 2002, pp. 77-94. ##

رفع ابهام معنایی واژگان مبهم فارسی با مدل موضوعی LDA farsi word sense disambiguation with LDA Topic model 1 1 ابهام زدایی از واژگان مبهم و دارای معانی متعدد موضوع مهمی در حوزه ی پردازش زبان های طبیعی می باشد. در این مقاله، مدلی برای رفع ابهام از واژگان مبهم فارسی بر اساس استخراج ویژگی های جدید پیشنهاد شده است. برای ایجاد این مدل دو دسته ویژگی واژگان و نشانه های همراه واژه مبهم و ویژگی هایی که با بکار بردن روش های مدل سازی موضوع بدست می آید، استفاده شده است. یک مدل موضوعی، مدلی آماری برای استخراج چکیده موضوعات موجود در اسناد یک پیکره است. در مقاله حاضر ما از روش بدون سرپرستی تخصیص پنهان دریکله(LDA) برای این منظور استفاده کرده‌ایم. نتایج آزمایشات برای چهار واژه مبهم پر تکرار در زبان فارسی که ازپیکره پژوهشکده پردازش هوشمند علائم استخراج شد، دقّت حدود 97.67% را نشان می‌دهد که بیان‌گر مؤثر بودن این روش در یافتن معنی مناسب واژگان مبهم است.   2 Word sense disambiguation is the task of identifying the correct sense for the word in a given context among a finite set of possible sense. In this paper a model for farsi word sense disambiguation is presented. The model use two group of features: first, all word and stop words around target word and topic models as second features. We extract topics from a farsi corpus with Latent Dirichlet Allocation (LDA) model. The system with a maximum entropy model achieved 97.67% precision for 4 high frequently farsi homograph words 117 125 2013/10/72013/11/242014/07/212014/06/142014/07/132014/08/22013/06/72014/09/252013/06/3 1392/3/13 2016/01/52015/09/122015/05/42015/04/32015/09/82015/04/212014/01/262015/09/82016/01/6 1394/10/16 بابک مسعودی گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور زابل، سیستان و بلوچستان، ایران babakmasoudi282@yahoo.com سعید راحتی saeid rahati ghochani دانشگاه آزاد اسلامی واحد مشهد RahatiMshdiau.ac.ir Latent Dirichlet Allocation(LDA) Topic Model Maximum Entropy Word Sense Disambiguation تخصیص پنهان دریکله چند معنایی رفع ابهام معنایی مدل سازی موضوع Blei D. M. and et al., "Latent Dirichlet allocation", Journal of Machine Learning Research., (2003) , vol. 3, pp. 993-1022.##Boyd-Graber, Jordan. L., "Linguistic Extensions of Topic Models", Princeton University, (2010), pp 2-4.##Decadt B. and et al., "GAMBL, Genetic Algorithm Optimization of Memory-Based WSD", Proceedings of the ThirdInternational Workshop on the Evaluation of Systems for the Semantic Analysis of Text (Sens-eval-3), (2004).##Florian R and, et al., "Combining Classifiers for word sense disambiguation", Natural Language Engin-eering,(2002), vol. 8, pp. 327-341.##Griffiths, T. L., D. M. Blei, et al. "Integrating topics and syntax.", Advances in Neural Information Proce-ssing, (2005), 17: 537-544.##Makki R. and Homayoun pour M. M., "Word Sense Disambiguation of Farsi Homographs Using Thesau-rus and Corpus", presented at the Proceedings of the 6th international conference on Advances in Natural Language Processing, (2008), Gothenburg, Sweden.##McCallum, A. K. (2002). MALLET: A Machine Learning for Language ToolkitPreiss J., Stevenson M., "Unsupervised Domain Tuning to Improve Word Sense Disambiguation", in Proceedings of NAACL-HLT, (2013), pp. 680-684.##Ratnaparkhi, A., "MAXIMUM ENTROPY MODELS FOR NATURAL LANGUAGE AMBIGUITY RESOLUTION", University of Pennsylvania. Doctor of Philosophy, (1998).##Saedi C. and Shamsfard M., "Translating Persian documents into English using knowledge based WSD", in Digital Information Management, ICDIM 2009. Fourth International Conference, (2009), on, pp. 1-6##Steyvers M., Griffiths T., "Probabilistic Topic Models", In Landauer, T., Mcnamara, D., Dennis, S., Kintsch, W., Latent Semantic Analysis: A Road to Meaning. ,(2006).## Stevenson M, Agirre, E and Soroa A, "Exploiting domain information for Word Sense Disambiguation of medical documents", Journal of the American Medical Informatics Association, (2012), vol. 19, pp. 235-240. ##Veenstra J. and et al., "Memory-Based Word Sense Disambiguation", Computers and the Humanities, (2000), vol. 34, pp. 171-177.##Weikum G., "Foundations of statistical natural langu-age processing", SIGMOD Rec, (2002), vol. 31, pp. 37-38.##Walter D., TiMBL: Tilburg Memory-Based Learner, Tilburg University and CNTS Research Gro-up,University of Antwerp (2006). ##YarowskyD., "Hierarchical Decision Lists for Word Sense Disambiguation", Computers and the Humanities, (2000), vol. 34, pp. 179-186.##(http://rahati.mshdiau.ac.ir)##Blei D. M. and et al., "Latent Dirichlet allocation", Journal of Machine Learning Research., (2003) , vol. 3, pp. 993-1022.##Boyd-Graber, Jordan. L., "Linguistic Extensions of Topic Models", Princeton University, (2010), pp 2-4.##Decadt B. and et al., "GAMBL, Genetic Algorithm Optimization of Memory-Based WSD", Proceedings of the ThirdInternational Workshop on the Evaluation of Systems for the Semantic Analysis of Text (Sens-eval-3), (2004).##Florian R and, et al., "Combining Classifiers for word sense disambiguation", Natural Language Engin-eering,(2002), vol. 8, pp. 327-341.##Griffiths, T. L., D. M. Blei, et al. "Integrating topics and syntax.", Advances in Neural Information Proce-ssing, (2005), 17: 537-544.##Makki R. and Homayoun pour M. M., "Word Sense Disambiguation of Farsi Homographs Using Thesau-rus and Corpus", presented at the Proceedings of the 6th international conference on Advances in Natural Language Processing, (2008), Gothenburg, Sweden.##McCallum, A. K. (2002). MALLET: A Machine Learning for Language ToolkitPreiss J., Stevenson M., "Unsupervised Domain Tuning to Improve Word Sense Disambiguation", in Proceedings of NAACL-HLT, (2013), pp. 680-684.##Ratnaparkhi, A., "MAXIMUM ENTROPY MODELS FOR NATURAL LANGUAGE AMBIGUITY RESOLUTION", University of Pennsylvania. Doctor of Philosophy, (1998).##Saedi C. and Shamsfard M., "Translating Persian documents into English using knowledge based WSD", in Digital Information Management, ICDIM 2009. Fourth International Conference, (2009), on, pp. 1-6##Steyvers M., Griffiths T., "Probabilistic Topic Models", In Landauer, T., Mcnamara, D., Dennis, S., Kintsch, W., Latent Semantic Analysis: A Road to Meaning. ,(2006).## Stevenson M, Agirre, E and Soroa A, "Exploiting domain information for Word Sense Disambiguation of medical documents", Journal of the American Medical Informatics Association, (2012), vol. 19, pp. 235-240. ##Veenstra J. and et al., "Memory-Based Word Sense Disambiguation", Computers and the Humanities, (2000), vol. 34, pp. 171-177.##Weikum G., "Foundations of statistical natural langu-age processing", SIGMOD Rec, (2002), vol. 31, pp. 37-38.##Walter D., TiMBL: Tilburg Memory-Based Learner, Tilburg University and CNTS Research Gro-up,University of Antwerp (2006). ##YarowskyD., "Hierarchical Decision Lists for Word Sense Disambiguation", Computers and the Humanities, (2000), vol. 34, pp. 179-186.##(http://rahati.mshdiau.ac.ir) ##