ایران متلب

شناسایی علایم ترافیکی بخشی از موضوع گسترده تری تحت نام ” شناسایی الگو“[1] است.مشکل اصلی در شناسایی الگو،  دشواری شناسایی مشخصه الگو(templates) است. بعنوان مثال برنامه ای را در نظر بگیرید که  […]

الگوريتم هاي آموزشي متنوعي جهت آموزش شبكه هاي عصبي به كار گرفته شده است. از مهم ترين الگوريتم هاي آموزشي مي توان از الگوريتم پس انتشار(back propagation)نام برد. در الگوريتم پس انتشار

یکی از مشکلات اساسی، که در شناخت اشیا وجود دارد ، این است که شکلها از نظر موقعیت قرارگیری ، چرخش ، بازتاب و غیره در حالت های مختلفی قرار میگیرند. •

در این رویکرد، مشکلاتی از قبیل رنگ و شکل علامت ترافیکی با استفاده از کدگذاری دستی حل شده است. این دانش با استفاده از یادگیری ماشین ، عمل اکتشاف را انجام میدهد.پژوهشی

واضح است که ترکیب اطلاعات رنگ وشکل،اطلاعات خوبی را در اختیار سیستم آشکارسازی علایم ترافیکی مهیا می کند. اطلاعاتی که از شکل به دست می آید، بهمان اندازه اطلاعاتی که از رنگ

رنگها نقش پررنگی را در سیستمهای آشکارسازی علامت ترافیکی را ایفا میکنند، با این حال شناسایی اشکال نیز مورد استفاده گروههای تحقیقاتی فراوانی می باشد.معمولا تکنیکهای آشکارسازی علامت ترافیکی بر اساس شکل،

برای درک اینکه بدانیم چرا بعضی از فضاهی رنگی به نور حساس است و برخی دیگر خیر؛ باید بطور خلاصه نظریه فضاهای رنگی را توضیح دهیم. فضای رنگی با استفاده از یک

همانطور که قبلا گفتیم شناسایی علایم ترافیکی در دومرحله آشکارسازی علامت وشناخت علامت انجام می شود.محققانی که در مرحله آشکارسازی علایم ترافیکی فعالیت میکنند به چهار گروه تقسیم میشوند:  گروه اول

اکثریت قریب به اتفاق روشهایی که برای شناسایی علایم ترافیکی مورد استفاده قرار میگیرند حداقل شامل دو مرحله میباشند.که یکی از آنها بمنظور آشکارسازی علایم ودیگری کلاس بندی علایم میباشد.در کل وظیفه

در مرحله آشکارسازی علامت روی تصویر پیش پردازش انجام می گیرد و بخش بندی تصویر با توجه به خصوصیات رنگ واشکال ، انجام می گیرد. هر کدام از این بخش ها حاوی

آشکارسازی وشناسایی علایم ترافیکی در سال های اخیر بیش تر مورد استقبال محققان قرار گرفته است وتحقیقات زیادی در این زمینه صورت گرفته است،این علاقه ناشی از محدوده وسیع برنامه های کاربردی

در اين بخش با مفاهيم موجود در فرآيندهاي کسب و کار و موضوعات مطرح در آن آشنا خواهيم شد. اخیراً یکی از دغدغه های اساسی سازمان ها، دستیابی به روش هایی برای

در این بخش ابتدا به بیان مفاهیم بنیادی امنیت با ارائه چند تعریف عام و خاص از آن می­پردازیم و پس از کسب شناخت کافی از مفهوم امنیت مجدداً به معماری سرویس­گرا

در سال هاي اخير سه فناوري اصلي به عنوان استانداردهاي معماری سرویس گرا پديدار شدند كه هسته ي سرويس هاي وب امروزي را می‌سازند، اين فناوري ها عبارتند از UDDI، WSDL، SOAP

مفاهيم مربوط به معماري سرويس­گرا[1] اوايل سال 1990 مطرح شد، مفاهيمي که بر روي اصولي همچون اتصال سست[2]، توزيع­شدگي و استفاده مجدد[3] تاکيد دارند. معماري سرويس­گرا يکي از  روش­هايي است که در

ماشین بردار پشتیبان یکی از جدیدترین روش ها جهت طبقه بندی داده ها می باشد که نسبت به روش های قدیمی تر مانند شبکه عصبی کارایی بهتری دارد. این تکنیک یک روش

هر سيگنال شامل دو قسمت است. Entropy Redundancy Entropy : قسمت غير قابل پيش بيني سيگنال – تصادفي – غير منظم- قسمت اصلي اطلاعات Redundancy: قسمت قابل پيش بيني – منظم –

همانطور که قبلا بیان شد تبدیل والش بیشتر در زمینه های حذف نویز، فشرده سازی و … کاربرد دارد. در این پایان نامه برای حذف نویز از تبدیل والش و روش ترکیبی

تبدیل موجک کاربرد های زیادی از جمله استخراج ویژگی، فشرده سازی و حذف نویز و … دارد. حذف نویز با استفاده از تبدیل موجک شامل سه مرحله اساسی است. تجزیه – یک

به منظور حذف نویز از سیگنال های مغزی، ICA به سیگنال مورد نظر اعمال می شود. مولفه یا مولفه های نویزی و آرتیفیکی مورد نظر شناسایی و حذف می شوند. سپس سیگنال

توابع والش در سال 1923 توسط والش با ارائه توابع متعامد معرفی شد[41]. اما در سال 1969 از توابع والش برای تبدیل والش استفاده شد. تبدیل والش یک تبدیل بهینه موضعی و

کمبودهای تبدیل فوریه در آنالیز سیگنال های با خصوصیات غیر ایستایی، منجر به ارائه تحلیل فرکانس –زمان توسط Gabor در سال 1946 گردید. این تبدیل اگر چه توانایی ارائه اطلاعاتی در مورد