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 مناطقی است که احتمال وجود علامت ترافیکی در آن زیاد است.رنگ ها نقش مهمی را در سیستم های آشکارسازی علامت ترافیکی را ایفا […]
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 این حوزه است، معمولا این برنامه ها دارای قابلیت های زیر هستند: • نگهداری بزرگراهها:امروزه برای این که وضعیت ظاهری علایم ترافیکی
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 اتوماسیون و بهبود فرآیندهای کسب وکار است. از این‌رو سازمان ها با استفاده از مدیریت فرآیندهای کسب و کار به بهبود مؤثر فرآیندهای
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 و نیازهای امنیتی آن برخواهیم گشت سپس امنیت و استانداردهای امنیتی را در معماری سرویسگرا مورد بررسی قرار میدهیم. 2-3-1 مفاهیم پایهای امنیت
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 که در ادامه به شرح دو مورد از آن‌ها خواهيم پرداخت و از شرح UDDI به دلیل منسوخ شدنش خودداري مي کنيم. •
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 رابطه با مباحث محاسبات توزيعشده با ويژگيهاي اتصال سست و بر اساس استانداردها و پروتکلهاي مشخص مطرح شد. معماري سرويسگرا با توجه به
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 یادگیری supervised است و جزو شاخه Kernel Methods دریادگیری ماشین محسوب می شود. از SVM هم جهت شناسایی الگو و هم جهت دسته
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 – قسمت زايد اطلاعات. در داده های متغییر مانند سیگنال که دارای تغییرات زیادی است، از این داده ها می توان اطلاعات مفید و
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 والش و روشICA استفاده می کنیم. که در این بخش و بخش آتی این دو روش را بررسی می کنیم. حذف نویز
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 موجک با انتخاب N سطح مشخص می شود. سیگنال به N سطح با استفاده تبدیل گسسته موجک (DWT) تجزیه می شود. با گرفتن