فشرده سازي سيگنال با نرخ بيت متغير در کاربردهای مخابراتی که در آنها زمان تأخير پردازش دارای محدوديت جدی نبوده و يا ميزان آسيب پذيری پارامترهای ارسالی در کانال مخابراتی کم ميباشد، استفاده فراوان يافته است. روشهای به کارگرفته شده در اين خصوص عموماً بر استفاده بهينه از اف چکیده کامل
فشرده سازي سيگنال با نرخ بيت متغير در کاربردهای مخابراتی که در آنها زمان تأخير پردازش دارای محدوديت جدی نبوده و يا ميزان آسيب پذيری پارامترهای ارسالی در کانال مخابراتی کم ميباشد، استفاده فراوان يافته است. روشهای به کارگرفته شده در اين خصوص عموماً بر استفاده بهينه از افزونگیهای موجود در سيگنال متکی بوده و تمايز آنها در نرخ بيت نهايی، کيفيت سيگنال باز سازی شده و نياز محاسباتی روش ميباشد. اين مقاله روشی را برای فشرده سازی سيگنال گفتار با استفاده از مدل شناخته شده تخمين خطی ارائه ميدهد و با استفاده از مفهوم جديد ارائه شده در طبقه بندی سيکلها و استخراج بخشهای آوايی با طول متغير، روش ساده و موثری برای استفاده بهينه از تشابه سيگنال در کاهش نرخ ارسال اطلاعات ارائه میگردد.
پرونده مقاله
با توجه به کاربردهاي سيستمهاي حرکت از راه دور که طيف وسيعي از صنعت را به خود تخصيص داده است، در اين مقاله با پرداختن به آن و طراحي کنترلکننده مناسب، سعي در بهبود عملکرد اينگونه سيستمها با توجه به تأخیر زمان خط اينترنت شده است. به همين منظور با ارائه روشي جديد ابتدا چکیده کامل
با توجه به کاربردهاي سيستمهاي حرکت از راه دور که طيف وسيعي از صنعت را به خود تخصيص داده است، در اين مقاله با پرداختن به آن و طراحي کنترلکننده مناسب، سعي در بهبود عملکرد اينگونه سيستمها با توجه به تأخیر زمان خط اينترنت شده است. به همين منظور با ارائه روشي جديد ابتدا زمان تأخیر خط به طور مناسب شناسايی ميشود و از آن در پيش بيني خروجي فرآيند استفاده ميگردد. سپس از اين خروجي در طراحي کنترلکننده تطبيقي مدل مرجع در سمت فرمانده استفاده ميشود. در سمت فرمانبر نيز با طراحي کنترلکننده تطبيقي مستقل از ربات فرمانده، رديابي بسيار مناسبي براي سيگنالهاي موقعيت/سرعت ربات فرمانبر حاصل ميگردد.
پرونده مقاله
در سالهاي اخير به منظور کاهش بيشتر نرخ بيت و از آنجا پهناي باند توجه روزافزوني به استفاده از مدلها و تکنيکهاي غير خطي پيشبيني در کدگذاري گفتار شده است. معمولاً شبکههاي عصبي براي اين هدف به کار ميروند که منجر به تا dB3 کاهش بيشتر در انرژي سيگنال تحريک ميشوند. پيش چکیده کامل
در سالهاي اخير به منظور کاهش بيشتر نرخ بيت و از آنجا پهناي باند توجه روزافزوني به استفاده از مدلها و تکنيکهاي غير خطي پيشبيني در کدگذاري گفتار شده است. معمولاً شبکههاي عصبي براي اين هدف به کار ميروند که منجر به تا dB3 کاهش بيشتر در انرژي سيگنال تحريک ميشوند. پيشبيني غير خطي همچنين ميتواند بر پايه بسط سريهاي ولترا انجام گيرد که در آن براي سادگي معمولاً بسط به بخشهاي نخست و دوم محدود ميشود (پيشبيني درجه دو). مطالعات اوليه نشان دادند که در مقايسه با شبکههاي عصبي استفاده از فيلترهاي ولترا منجر به يک کاهش بسيار بيشتر در انرژي سيگنال تحريک ميشود (6 تا dB10). با اين وجود به دليل ناپايداري اين کاهش نميتواند منجر به کاهش نرخ بيت يا بهبود نسبت سيگنال به نويز شود. اين ناپايداري در دکدکننده به دليل وجود خطاي محاسباتي (براي نمونه ناشي از چنديکردن سيگنال تحريک) و حساسيت بالاي محاسبات به اين خطا ايجاد ميشود.
در کار اصيلي که در اينجا ارائه ميشود ناپايداري در کدک در هر دو نوع پيشبيني پيشرو و پسرو به ترتيب با استفاده از الگوريتمهاي کمترين مربعها (LS) و کمترين ميانگين مربعهاي (LMS) سيگنال خطا بررسي ميشود. نشان داده ميشود که پايداري در عوض فداکردن بخش عمدهاي از صرفهجويي به دست آمده در انرژي سيگنال تحريک به دست ميآيد به گونهاي که سطح کاهش نهايي اغلب همانند شبکههاي عصبي ميباشد. در پيشبيني پيشرو پس از پايدارسازي و با وجود اندکي افزايش در پيچيدگي عملياتي در 20 تا 45٪ قالبها افزودن بخش درجه دو سودمند خواهد بود. بر اين اساس الگوريتمي توسعه مييابد که پيشبيني غير خطي تنها بر روي اين قالبها انجام گيرد. اين الگوريتم باعث بهبود تا dB4 در نسبت سيگنال به نويز نهايي ميشود. پيشبيني غير خطي پسرو متوالي با وجودي که از نقطه نظر پيادهسازي بسيار مناسبتر است در مقايسه با پيشبيني خطي کارايي بهتري را نتيجه نميدهد.
پرونده مقاله
تفکر اصلی در روش کدگذاری ADPCM حذف افزونگیهای موجود در سیگنال صحبت قبل از چندیکردن آن است. علیرغم سطح پایین خطای بازسازی، یک ویژگی مهم این کدگذار صافبودن شکل طیفی سیگنال خطای بازسازی است. در پژوهش جاری سعی میشود که با اعمال یک فیلتر تمامصفر به کدگذار ADPCM با پیش چکیده کامل
تفکر اصلی در روش کدگذاری ADPCM حذف افزونگیهای موجود در سیگنال صحبت قبل از چندیکردن آن است. علیرغم سطح پایین خطای بازسازی، یک ویژگی مهم این کدگذار صافبودن شکل طیفی سیگنال خطای بازسازی است. در پژوهش جاری سعی میشود که با اعمال یک فیلتر تمامصفر به کدگذار ADPCM با پیشبینی پسرو، جهت شکلدهی طیفی نویز بازسازی، کیفیت ادراکی سیگنال بازسازیشده را افزایش داد. این عمل منجر به ایجاد یک تعامل مناسب میان سطح انرژی و شکل طیفی این سیگنال خطا میشود. نتایج حاصل بیانگر افزایش کیفیت ادراکی سیگنال بازسازیشده (بر اساس معیار PESQ) در عوض افزایش انرژی خطای بازسازی (بر اساس معیار SNR) است.
پرونده مقاله
به دلیل گسترش روزافزون استفاده از گوشیهای هوشمند، ترافیک داده شبکه سلولی به صورت انفجاری افزایش یافته و باعث ازدحام در شبکههای سلولی شده است. برونسپاری داده به یک شبکه مکمل مانند WiFi به عنوان یک راه حل منطقی و مقرون به صرفه برای مقابله با ازدحام شبکه سلولی، مطرح شده چکیده کامل
به دلیل گسترش روزافزون استفاده از گوشیهای هوشمند، ترافیک داده شبکه سلولی به صورت انفجاری افزایش یافته و باعث ازدحام در شبکههای سلولی شده است. برونسپاری داده به یک شبکه مکمل مانند WiFi به عنوان یک راه حل منطقی و مقرون به صرفه برای مقابله با ازدحام شبکه سلولی، مطرح شده است. در این مقاله، یک مکانیزم برونسپاری داده با نام MCO ارائه شده که با استفاده از روش تصمیمگیری چندمعیاره TOPSIS و با بهرهگیری از یک مدل پیشبینی الگوی اتصال به شبکه WiFi، مناسبترین روش را از میان سه روش 1) تبادل داده از طریق خود شبکه سلولی، 2) برونسپاری با تحمل تأخیر (DTO) به شبکه مکمل و 3) برونسپاری با کمک گرههای واسط (PAO) انتخاب میکند. معیارهای استفادهشده در تصمیمگیری شامل درصد ترافیک قابل برونسپاری (از کل درخواست کاربر)، هزینه تبادل داده اپراتور سلولی و کاربر، پهنای باند تبادل داده کاربر (در دو شبکه سلولی و مکمل) و مصرف انرژی کاربر میباشند. به منظور ارزیابی روش MCO سناریوهای متعددی از نقطه نظر ویژگیهای کاربران و ترافیک آنها، نرخ پوشش شبکه مکمل و نسبت هزینه تبادل داده شبکه سلولی به شبکه مکمل، شبیهسازی شدهاند. نتایج حاصل از این شبیهسازیها نشان میدهد مکانیزم MCO قادر به در نظر گرفتن ترجیحات اپراتور سلولی و کاربرانش بوده و در نتیجه از لحاظ ایجاد تعادل بار در شبکه، کاهش هزینههای اپراتور سلولی و کاهش مصرف انرژی کاربران، نسبت به روشهای پیشنهادی پیشین عملکرد بهتری دارد.
پرونده مقاله
با گسترش روزافزون شبکههای اجتماعی، علوم شبکه مورد توجه بسیاری از پژوهشگران در زمینههای مختلف قرار گرفته است. علاوه بر آن بسیاری از مسایل کاربردی مهندسی با استفاده از ابزار شبکههای اجتماعی مدلسازی شدهاند. پیشبینی تغییر و تحول در ساختار شبکههای اجتماعی یکی از مسایل چکیده کامل
با گسترش روزافزون شبکههای اجتماعی، علوم شبکه مورد توجه بسیاری از پژوهشگران در زمینههای مختلف قرار گرفته است. علاوه بر آن بسیاری از مسایل کاربردی مهندسی با استفاده از ابزار شبکههای اجتماعی مدلسازی شدهاند. پیشبینی تغییر و تحول در ساختار شبکههای اجتماعی یکی از مسایل اساسی در تحلیل شبکههای اجتماعی است که با عنوان مسأله پیشبینی ارتباط در علوم شبکه شناخته میشود. امروزه با گسترش استفاده از شبکههای اجتماعی، فعالیت افراد در قالب چندین شبکه با عنوان شبکههای اجتماعی ناهمگن رواج پیدا کرده است. پیشبینی ارتباط در شبکههای اجتماعی ناهمگن را میتوان بر اساس اطلاعات اضافی موجود نسبت به روشهای قبلی مورد بهبود قرار داد. در رویکرد پیشنهادی این مقاله، ابتدا یک معیار شباهت جدید برای کاربران در شبکههای ناهمگن بر اساس توسعه روشهای مطرح پیشین و با در نظر گرفتن ارتباط بین لایههای مختلف معرفی میشود، سپس با استفاده از رویکرد یادگیری باناظر و بهرهگیری از ویژگیهای تولیدشده بر مبنای معیار شباهت معرفیشده، الگوریتم پیشنهادی مورد تشریح قرار میگیرد. برای ارزیابی روش پیشنهادی از معیارهای استاندارد همانند دقت و صحت بهره گرفتهایم. مقایسه روش پیشنهادی با روشهای شناختهشده پیشین بر روی مجموعه دادههای مختلف نشان میدهد که روش پیشنهادی ما برای پیشبینی ارتباط از عملکرد بهتر و مطلوبتری برخوردار است به طوری که از نظر صحت تا ۲۰ درصد موجب بهبود عملکرد شده است.
پرونده مقاله
بازشناسی خودکار فعالیتهای انسان، بخشی جداییناپذیر از هر برنامه تعاملی با انسان است. یکی از چالشهای عمده برای شناخت فعالیت، تنوع در نحوه فعالیت افراد است. همچنین بعضی از فعالیتها ساده، سریع و کوتاه هستند، در حالی که بسیاری دیگر پیچیده و دارای جزئیات هستند و در مدت زم چکیده کامل
بازشناسی خودکار فعالیتهای انسان، بخشی جداییناپذیر از هر برنامه تعاملی با انسان است. یکی از چالشهای عمده برای شناخت فعالیت، تنوع در نحوه فعالیت افراد است. همچنین بعضی از فعالیتها ساده، سریع و کوتاه هستند، در حالی که بسیاری دیگر پیچیده و دارای جزئیات هستند و در مدت زمان طولانی انجام میشوند. در این مقاله، ما از دادههای اسکلت که از توالی تصاویر RGB-D استخراج میشوند استفاده میکنیم. ما مدل گرافی را پیشنهاد میدهیم که قادر است فعالیتهای پیچیده و ساده را بازشناسی کند. برای بهینهسازی پارامترهای مدل گرافی احتمالی از روش پیشبینی ساختاری توزیعشده استفاده میکنیم. این روش در سه مجموعه داده به طور گسترده مورد آزمایش (60- CAD، UT-Kinect و D3 Florence) قرار میگیرد که هر دو نوع فعالیت را پوشش میدهند. نتایج نشان میدهد که روش ما میتواند هر دو نوع فعالیت ساده و پیچیده را به طور مؤثر تشخیص دهد، در حالی که اکثر آثار قبلی تنها بر یکی از این دو نوع تمرکز میکنند. همچنین ما نشان میدهیم استفاده از روشهای خوشهبندی برای مقداردهی اولیه تأثیر زیادی در نتایج دارد.
پرونده مقاله
شبکههای نرمافزارمحور یک معماری جدید در شبکه است که لایه کنترل را از لایه داده جدا میسازد. در این رویکرد مسئولیت لایه کنترل به نرمافزار کنترلر واگذار میشود تا رفتار کل شبکه را به طور پویا تعیین نماید. نتیجه این امر، ایجاد یک شبکه بسیار منعطف با مدیریت متمرکز است که چکیده کامل
شبکههای نرمافزارمحور یک معماری جدید در شبکه است که لایه کنترل را از لایه داده جدا میسازد. در این رویکرد مسئولیت لایه کنترل به نرمافزار کنترلر واگذار میشود تا رفتار کل شبکه را به طور پویا تعیین نماید. نتیجه این امر، ایجاد یک شبکه بسیار منعطف با مدیریت متمرکز است که در آن میتوان پارامترهای شبکه را به خوبی کنترل کرد. با توجه به افزایش روزافزون کاربران، ظهور فناوریهای جدید، رشد انفجاری ترافیک در شبکه، برآوردهسازی الزامات کیفیت خدمات و جلوگیری از کمباری یا پرباری منابع، تعادل بار در شبکههای نرمافزارمحور ضروری میباشد. عدم تعادل بار باعث بالارفتن هزینه، کاهش مقیاسپذیری، انعطافپذیری، بهرهوری و تأخیر در سرویسدهی شبکه میشود. تا کنون الگوریتمهای مختلفی برای بهبود عملکرد و تعادل بار در شبکه ارائه شدهاند که معیارهای متفاوتی مانند انرژی مصرفی و زمان پاسخ سرور را مد نظر قرار دادهاند، اما اغلب آنها از ورود سیستم به حالت عدم تعادل بار جلوگیری نمیکنند و خطرات ناشی از عدم تعادل بار را کاهش نمیدهند. در این مقاله، یک روش تعادل بار مبتنی بر پیشبینی برای جلوگیری از ورود سیستم به حالت عدم تعادل بار با بهرهگیری از الگوریتم ماشین یادگیری افراطی پیشنهاد میشود. نتایج ارزیابی روش پیشنهادی نشان میدهد که از نظر تأخیر پردازش کنترلکننده، میزان تعادل بار و زمان پاسخگویی به علت تعادل بار بهینه نسبت به روشهای CDAA و PSOAP عملکرد بهتری دارد.
پرونده مقاله
پیشبینی رفتار آینده بازار سهام به عنوان یک چالش حائز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکردهای یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آوردهاند. مطالعات پیشین، اهمیت درنظرگرفتن دادههای سهام مرتبط را در خلال عملکرد پیشبینی اث چکیده کامل
پیشبینی رفتار آینده بازار سهام به عنوان یک چالش حائز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکردهای یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آوردهاند. مطالعات پیشین، اهمیت درنظرگرفتن دادههای سهام مرتبط را در خلال عملکرد پیشبینی اثبات کردهاند. با وجود این، مدلسازی روابط بین سهام به عنوان یک گراف جهتدار و ساخت بازنمایی گرههای این گراف به کمک مکانیزم توجه تا کنون مورد استفاده قرار نگرفته است. ما در این کار، چهارچوبی به نام DeepNet را معرفی میکنیم که یک شبکه جهتدار دودویی را از تأثیرات دادههای سهام در بهبود دقت پیشبینی یکدیگر ایجاد میکند و با استفاده از شبکه توجه گراف، اهمیت گرههای همسایه برای ساخت بازنماییها را در حین عملیات آموزش، کشف مینماید. ما مدل جدیدی از شبکه توجه گراف را برای استفاده در گرافهای جهتدار توسعه دادیم که قادر است اهمیت بردار ویژگی گرهها برای ساخت بازنمایی را به صورت یکطرفه در نظر بگیرد. نهایتاً ارزیابیهای ما بر روی دادههای بازار سهام تهران نشان میدهد که مدل معرفیشده از دقت و MCC بالاتری نسبت به مدلهای رقیب برخوردار است.
پرونده مقاله
در این مقاله، طرح حفاظتی هوشمند بهمنظور پیشبینی برخط ناپایداری گذرای ناحیه گسترده در سیستمهای قدرت بر اساس تئوری درخت تصمیم معرفی میشود. برای این منظور با بررسی نوسان توان شبکه و شرایط معادلات دینامیک ژنراتور سنکرون در دو حالت پایدار و شرایط خروج از همگامی، شاخصهای چکیده کامل
در این مقاله، طرح حفاظتی هوشمند بهمنظور پیشبینی برخط ناپایداری گذرای ناحیه گسترده در سیستمهای قدرت بر اساس تئوری درخت تصمیم معرفی میشود. برای این منظور با بررسی نوسان توان شبکه و شرایط معادلات دینامیک ژنراتور سنکرون در دو حالت پایدار و شرایط خروج از همگامی، شاخصهای برخط مبتنی بر واحدهای اندازهگیری فازوری معرفی و تحت شرایط متفاوت بهرهبرداری و توپولوژیکی شبکه در زمانهای وقوع خطا و برطرفشدن خطا بهمنظور عملکرد سریع طرح پیشنهادی اندازهگیری میشوند. در ادامه، شاخصهای پیشنهادی بهصورت جفتداده ورودی- خروجی برای آموزش درخت تصمیم در محیط برونخط مورد استفاده قرار میگیرند. نمونههای آموزشی شامل یک سری اندازهگیریها تحت خطاهای متفاوت شامل نوع و مکان خطا هستند. توانایی حفاظتی طرح پیشنهادی بر روی یک شبکه 39باسه با پتانسیل ناپایداری گذرای ناحیه گسترده ژنراتورهای سنکرون، پیادهسازی و عملکرد درخت تصمیم تحت سناریوهای از پیش آموزش دادهنشده صحتسنجی میشود. نتایج شبیهسازی نشاندهنده توانایی طرح پیشنهادی درخت تصمیم در زمینه پیشبینی صحیح خروج از همگامی ناحیه گسترده سیستم قدرت تحت طیف وسیعی از شرایط دینامبک شبکه است.
پرونده مقاله