در اين روش فرضهای زير در نظر گرفته شده‌اند:  الف– نويز زمينه با سيگنال صحبت جمع پذير است.  ب-  نويز محيطی به طور محلی ايستان باقی مي‎ماند، يعنی متوسط آماری اندازة طيفی نويز در غياب صحبت، با متوسط آماری اندازة طيفی نويز در حضور صحبت مساوی مي‎باشد. اگر محيط به يک محيط ايستان جديد تغيير يابد، بايد زمان کافی ( حدود 300 ميلی ثانيه ) سکوت وجود داشته باشد تا بتوان متوسط آماری اندازة طيفی نويز زمينه جديد را تخمين زد و بايد صحبت جديد بعد از اين زمان ارائه گردد[3]. با توجّه به فرضهای مزبور، مراحل انجام الگوريتم به ترتيب زير است:  ابتدا سيگنال صحبت توسط ميکروفون ضبط مي‎شود. سپس نمونه‌ها با همپوشانی 50% (نوعاً) پنجره مي‎شوند. اندازة طيف داده‌های پنجره شده، محاسبه گرديده و در لحظاتی که صحبت وجود ندارد، طيف اندازه يا توان نويز تخمين زده مي‎شود. پس از تفريق طيف، نمونه‌های حاصل به حوزة زمان آورده شده و پنجرههای زمانی حاصل شده با استفاده از تکنيک همپوشانی و افزودن (OLA)[2] کنار هم قرار گرفته و صحبت بهبود يافته قابل دسترس خواهد بود[51]. بلوک دياگرام ساده شده سيستم در شکل (3-1) ديده مي‌شود.

توجّه شود که اگر سيگنال ايستان باشد، برای محاسبه طيف آن مي‎توان از تبديل فوريه معمولی در يک محدوده زمانی وسيع استفاده کرد. اما اگر سيگنال ايستان نباشد، تنها در صورتی مي‎توان طيف آنرا محاسبه کرد که در فواصل کوتاه زمانی بتوان آنرا ايستان فرض نمود و در آن فواصل کوتاه بايد از تبديل فوريه کوتاه مدت استفاده کرد. سيگنال صحبت را مي‎توان حدود 20 ميلی ثانيه ايستان فرض نمود[52]. (به اين بازة زمانی قاب مي‎گويند.) سرعت بيان گوينده باعث تغييرات طول قاب ايستان بودن صحبت مي‎شود. فرض کنيد در يک قاب 10 ميلی ثانيهای طيف صحبت که در پنجره مستطيلی ضرب شده، محاسبه شود. در اين صورت طيف صحبت با طيف پنجره تداخل کرده و مشخّصه طيفی را خراب مي‎کند. برای رفع اين مشکل بايد نمونه‌های زمانی صحبت را در پنجرهای غيرمستطيلی ضرب کرد، به طوری که در حوزة فرکانس توان گلبرگهای فرعی ناچيز باشد تا طيف صحبت را خراب نکند. برای سيگنال صحبت پنجره‌های قابل استفاده بيشتر همينگ[3] و هنينگ[4] مي‎باشد[51]. مسئله ديگر انتخاب طول پنجره است. طبق تحقيقات به عمل آمده، طول پنجره بايد بيش از دو برابر بالاترين دورة تناوب گام صحبت باشد[53]. دورة تناوب گام بسته به افراد مختلف متفاوت است و تا حدود 16 ميلی ثانيه تغيير مي‎کند. اين محدوده تغييرات دورة تناوب گام به فرکانس صحبت افراد، نوع جنسيت و حالات روحی گوينده بستگی دارد. با توجّه به تغييرات دورة تناوب گام، به طور متوسط طول پنجره را بين 24 تا 40 ميلی ثانيه مي‎توان در نظر گرفت. تبديل فوريه در قابها انجام مي‎گيرد و از آنجا که محاسبه طيفی بايد روی نمونه‌های بيش از دو برابر دورة تناوب گام صحبت صورت پذيرد از پنجره استفاده مي‎کنيم. در واقع پنجره باعث مي‎شود نمونه‌های قابهای مجاور در محاسبه طيف قاب مورد نظر دخالت کرده و در نتيجه طيف بهتری از سيگنال صحبت را شامل شود. با توجّه به اينکه طول پنجره 40 ميلی ثانيه و طول قاب 20 ميلی ثانيه در نظر گرفته مي‎شود، اگر پنجره‌ها با هم 50% تداخل داشته باشند، مشخّصه طيفی هر قاب به طور قابل قبولی محاسبه مي‎شود[3].  شکل (3-2) نحوة پنجره کردن را نشان مي‎دهد[51][54].

بين طول پنجره و مشخّصه طيفی سيگنال يک بده-بستان[5] وجود دارد. با بزرگ شدن طول پنجره فرض ايستان بودن صحبت غير واقعی تر شده و دقّت زمانی سيگنال کاهش مي‎يابد و اگر طول پنجره کوچک شود، دقّت در حوزة فرکانس کم مي‎شود. نکته ديگر اينکه عمل تفريق طيفی در واقع تفريق دامنه‎هاست و با فاز کاری ندارد. معمولاً فاز اوّليه يعنی فاز طيف آغشته به نويز به عنوان فاز تفريق طيفی در نظر گرفته مي‎شود. اين روال به منظور سادگی محاسبات و پيچيده نشدن فرمولهاست، چرا که گوش انسان به فاز حساسيت چندانی ندارد. توجّه شود که تفريق طيفی را مي‎توان هم بر روی “طيف توان” و هم “طيف اندازه” انجام داد که دو روش تفاوت چندانی با هم ندارند. محاسبات و فرمولهای بکار رفته در بخش سوم آورده شده است[8][18][51].

3-2-1   خطای طيفي

خطای طيف سيگنال حذف نويز شده نسبت به طيف سيگنال صحبت خالص در هر پنجره را خطای طيفی مي‎ناميم. خطای طيفی به دليل وجود خطا در تخمين نويز بوجود مي‎آيد و اشکالی که بوجود مي‎آورد اينست که اندازة طيف تخمينی نويز لزوما از اندازة طيف سيگنال نويزی کوچکتر نمي‎باشد (در حالی که در واقع اينگونه است؛ زيرا سيگنال نويزی حاصلجمع سيگنال خالص و نويز مي‎باشد.) بنابراين پس از تفريق ممکن است طيف دامنه هميشه دارای مقادير مثبت نبوده و دارای مقادير منفی نيز باشد. در بسياری از سيستمها اين مسئله توسط انجام تصحيح‌های نيم موجی يا تمام موجی اصلاح مي‎شود؛ يعنی بخشهای منفی را صفر در نظر مي‎گيرند و يا فقط مقدار قدر مطلق آنرا در نظر مي‎گيرند. اين فرآيند يکسوسازی غيرخطي، در توزيع سيگنال بازيابی شده، اعوجاج بوجود مي‎آورد. هر چه نسبت سيگنال به نويز (SNR) کمتر باشد، ميزان اعوجاج بيشتر مي‎شود[8]. روشهای برطرف کردن اين اشکال در بخشهای بعد مورد بررسی قرار گرفته است.

[1] Additive

[2] Overlap & Add

[3] Hamming

[4] Hanning

[5] Trade-off

لینک دانلود فایل کامل

نوشته بهبود صحبت با روش تفريق طيفي- شرح روش، فرضها و محدوديتها اولین بار در ايران متلب. پدیدار شد.

کتاب حاضر به بررسی پردازش تصادفی و سیگنال دیجیتالی که در ارتباطات بی سیم مانند مدل سازی ریاضی، نظریه تشخیص، نظریه برآورد و تکنیک های مدولاسیون ایجاد می شوند می پردازد. همچنین، برای فهم بیشتر، مباحثی مانند زمان منسجم، فرکانس منسجم، گسترش داپلر، گسترش تاخیر، بیز (Bays)، مینی حداکثر، نیمن-پیرسون (Neyman-Pearson)، MMSE, MMAE, MAP، فیلتر وینر (Wiener)، فیلتر کالمن (Kalman)، MIMO، OFDM، و تکنیک های تنوع با استفاده از Matlab به صورت تصویری بکار رفته اند. کتاب به نحوی نگاشته شده است تا برای مبتدیان علاقمند به تحقیق در زمینه ی ارتباطات بی سیم مناسب باشد.

لینک دانلود

نوشته پردازش سیگنال های دیجیتال برای ارتباطات بی سیم با استفاده از Matlab اولین بار در ايران متلب. پدیدار شد.

آنالیز رگرسیون کمک می کند تا چگونگی تغییر متغییرهای وابسته همزمان با تغییر یکی از متغییرهای مستقل را بتوانیم به خوبی داشته باشیم.

مدلهای رگرسیون ارتباط بین یک متغییر پاسخ (response) و یک یا چند متغییر ورودی را بیان می کنند. تولباکس یادگیری ماشین و آمار متلب (Statistics and Machine Learning Toolbox) به شما این اجازه را می دهد که مدلهای رگرسیون خطی و غیرخطی (شامل مدلهای stepwise و مدلهای ترکیبی) و خطی عمومی را برای داده های دلخواه استفاده کنید. شما همچنین با این تولباکس می توانید تست های فرضیه (hypothesis) را انجام دهید و نمودارهای مختلف برای آنالیز باقیمانده و مدل رگرسیون خود رسم کنید.

آنالیز رگرسیون به طور گسترده ای در پیش بینی استفاده می شود. در این کاربرد با یادگیری ماشین هم پوشانی دارد.

دانلود

تصاویری از محیط این فیلم آموزشی :

نوشته فیلم آموزش فارسی رگرسیون regression اولین بار در ايران متلب. پدیدار شد.

.

.

.

.

.

.

بعد از مدتها ایران متلب تصمیم گرفت فیلم آموزشی تهیه شده توسط مهندس قیصری مدیر گروه ایران متلب را برای استفاده کاربران ایران متلب جهت دانلود قرار دهد.

این فیلم آموزشی یک محصول منحصربفرد از ایران متلب می باشد که هیچ جای دیگری مشابه آن را پیدا نخواهید کرد. آموزش های متلب زیاد هستند اما آموزشی که توسط متخصص با تجربه و با سابقه متلب تهیه شده است ، کمیاب است.

مهندس قیصری دارای سابقه نه ساله در کدنویسی متلب در پروژه های مختلف دانشجویی و صنعتی می باشد. ایشان تاکنون بیش از چند میلیون خط کد متلب را نوشته است و با بیشتر قسمت ها و دستورات متلب آشنایی دارند.

این مجموعه فیلم آموزشی بیش از 100 قسمت یا 200 قسمت شاید هم بیشتر خواهد بود که به مرور برای خریداران این محصول ایمیل خواهد شد. کاربران محترمی که می خواهند بقیه قسمت ها را به مرور دریافت کنند ، می توانند هزینه این آموزش را پرداخت کنند.

مهندس قیصری قصد دارند در این محموعه بزرگ فیلم آموزشی ، همه چیزهایی که از متلب بلد هستند را به دیگران یاد بدهند. 

چرا این آموزش به مرور برای کاربران ایمیل می شود؟

یادگیری یک نرم افزار برنامه نویسی مانند متلب یک شبه اتفاق نمی افتد و نیاز به تمرین و ممارست دارد. لذا ایران متلب تصمیم گرفت قسمت های آموزش را به مرور برای کاربران خود ارسال کند تا زمان داشته باشند با تمرین های مختلف آموزش را در ذهن خود نهادینه کنند.

هر چند مدت یک بار قسمتی از این آموزش ایمیل خواهد شد؟

به طور متوسط هر هفته ، سه تا چهار قسمت ایمیل خواهد شد.

لینک دانلود

نوشته سیر تا پیاز متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

ردیابی افراد در ویدئو با فیلتر ذره و شار نوری

ردیابی اشیا متحرک یکی از مبحاث  چالش برانگیز در حوزه بینایی ماشین دردهه اخیرمی باشد. دلیل نیاز به ردیابی اشیا متحرک آنالیز و فهم داده های موجود در تصویر و یافتن خودکار یک شی مشابه در فریم متوالی است. یک سیستم ردیابی برای کاربردهای مختلف که توانایی پاسخگویی سریع به رویدادها و توانایی مشاهده اشیا را داشته باشد، مورد نیاز می باشد. به همین دلیل از دهه پیش تاکنون توجه زیادی به موضوع ردیابی اشیای متحرک شده است. به منظور آنالیز داده در صحنه ها و محیط های پیچیده می بایست عملیات ردیابی اشیا را توسعه و گسترش داد که به این منظور تحقیقات گسترده ای در حوزه ردیابی اشیای متحرک صورت گرفته است که این تحقیقات گسترده در نتیجه توسعه و گسترش و پیشرفت علم پردازش تصویر ایجاد شده است. همچنین، ردیابی اشیا متحرک به عنوان یک حوزه تحقیقاتی فعال در زمینه بینایی ماشین در سال های اخیر مطرح می باشد که کاربردهای گسترده ای در حوزه ربات های هوشمند ، نظارت و مراقبت، تعامل بین انسان و کامپیوتر، ساختمان های هوشمند، ردیابی وسایل نقلیه، تصویربرداری پزشکی و …. دارد. سیستم های مراقبتی و نظارتی ویدیویی مقاوم می بایست به محل نصب دوربین وابسته نباشند و همچنین این سیستم ها می بایست در مقابل تغییرات روشنایی محیط مقاوم باشند. به علاوه، این سیستم ها می بایست توانایی انطباق با تغییرات روشنایی و تغییرات ناشی از حرکت اشیا را داشته باشند. تحقیات اخیر تلاش بسیار زیادی برای توسعه سیستم ردیابی قابل تطبیق انجام داده اند به گونه ای که این سیستم ها به اندازه کافی برای کنترل تغییرات بیرونی همچون تغییرات روشنایی و انسداد[1] اشیای چندگانه مفید واقع می شوند. بسیاری از کاربردهای ردیابی اشیای متحرک به وجود آمده اند که به صورت خودکار حوادث اتفاق افتاده را تشخیص دهند. به منظور تشخیص و درک بهتر این رخدادها نیازمند به انجام عملیات بینایی ماشین سطح پایین هستیم. از جمله این عملیات سطح پایین می توان به کنترل و مدیریت انسداد و تشخیص حرکات غیر معمول اشاره نمود[2].  در طی چند سال اخیر تحقیقاتی بر روی تکنولوژی آنالیز ویدئویی هوشمند، مخصوصا در حوزه ردیابی مسیر حرکت شی صورت گرفته است. مسیر حرکت شی در واقع توصیفی بر حرکت فیزیکی اشیای در حال حرکت می باشد که در طول زمان تغییر می کنند. ردیابی مسیر اصولا به تخمین ویژگی های عمومی اهمیت می دهد و ویژگی های محلی همچون چرخش و خمیدگی را نادیده می گیرد. علاوه بر آن می توان شکل لبه و رنگ و توصیف گرهای ویژگی بافتی را با هم ترکیب نمود تا مسیرهای مختلف شی تشخیص داده شود.

ردیابی مسیر شی شامل سه قسمت می باشد : شناسایی جهت شی و پیش بینی آن و در نهایت توصیف مسیر. قبل از انجام عمل ردیابی مسیر شی لازم است که شی از پس زمینه و سایر اشیا تشخیص داده شود.

لینک دانلود فیلم آموزشی

نوشته ردیابی افراد در ویدئو با فیلتر ذره اولین بار در ايران متلب. پدیدار شد.

به موازات گسترش كاربردهاي شبكه عصبي، نياز به فراگيري آن و آشنايي با تواناييها و قابليتهاي آن رخ مي نمايد. در اين راستا، تأليفات زيادي وجود دارد كه مي توان به آن ها استناد نمود اما در اكثر قريب به اتفاق اين خودآموزها، مباني اين شبكه ها با تفاصيل و جزئيات بسيار بيان شده است و کمتر به جنبه کاربردی بودن آن توجه شده است.

لذا گروه برنامه نويسي ايران متلب تصميم گرفت تا يك فيلم آموزشي جامع براي شبكه هاي عصبي تهيه كند تا هم مفاهيم آن به طور كامل توضيح داده شود و هم برنامه نويسي مقدماتي تا پيشرفته شبكه هاي عصبي در متلب MATLAB با مثالهاي گوناگوني آورده شود.
اين فيلم آموزشي حاصل تجربه هاي مختلف ما در پروژه هاي گوناگون شبكه عصبي مي باشد. بيشتر تمركز ما در اين فيلم آموزشي بر روي كدنويسي و پياده سازي در متلب MATLAB ميباشد.

در قسمت هايي هم كه لازم باشد ما كدهاي متلب جديدي معرفي مي كنيم كه در نرم افزار متلب وجود ندارد و به كار پياده سازي شبكه هاي عصبي در متلب كمك بسيار زيادي مي كند.

آشنایی با خطاهای رایج :
در هر قسمت خطاهاي رايج در هنگام كدنويسي هم به طور كامل تشريح مي شود تا كاربران گرامي بتوانند در هنگام كد نويسي به مشكلي برنخورند.

تعداد بالای مثال و نمونه کد :
به جرات ميتوان ادعا كرد كه اين سطح از كدنويسي شبكه هاي عصبي و اين تعداد مثالها در هيچ كتابي قابل دسترس نيست.

مخاطبین :
اين فيلم آموزشي توسط هر فردي كه دوست دارد تا با مفاهیم شبكه هاي عصبي آشنا بشود قابل استفاده است و نياز به هيچ پيش نيازي ندارد و مخاطب آن عموم مي باشد و توسط دانشجويان تمامي رشته ها قابل استفاده است.

بخش های مختلف این مجموعه فیلم آموزشی :

نوشته مجموعه فيلم های آموزش فارسي جامع شبكه هاي عصبي اولین بار در ايران متلب. پدیدار شد.