در این مرحله اعمال پنجره، فیلتر کردن اطلاعات و … انجام می شود. برای بررسی سیگنال، ابتدا سیگنال قاب- بندی[1] می شود. در اکثر الگوریتم های پردازش گفتار برای کمترکردن تاثیر لبه ها در طیف، از پنجره های همینگ یا هنینگ بجای پنجره مستطیلی و بطور هم پوشان استفاده می شود. شکل (2-2) نمایش یک […]

سیگنال گفتار از دو ناحیه سکوت و غیرسکوت تشکیل می شود. آشکارسازی گفتار در حضور وقایع آکوستیکی غیرگفتاری و نویزهای زمینه، تشخیص گفتار از غیر گفتار نامیده می شود و با نام های[1]VAD، [2]PDT و یا EDT[3] بکار می رود. این عمل یکی از اجزاء مهم در برخی از کاربردهای پردازش گفتار نظیر تشخیص گفتار[4]،

تاکنون روش های مختلفی برای بخش بندی و خوشه بندی گویندگان در یک جریان صوتی پیشنهاد شده است. روش های بکارگرفته شده را میتوان در سه دسته طبقه بندی نمود: روش های بر اساس فاصله[1] [7][11] روش های بر اساس مدل[2] [12-14] روش های هیبرید یا ترکیبی[3] [15-17] 1-3-1-روش بر اساس فاصله در این روش

بطور کلی مراحل مختلف یک سیستم بازشناسی گوینده، بصورت زیر خلاصه می گردد: 1-قطعه بندی آکوستیکی[1] 2-تشخیص گفتار از غیر گفتار[2] 3-تشخیص جنسیت گوینده 4-تشخیص تغییر گوینده 5-جمع زدن گوینده های مشابه این سیستم دارای بلوک های کاری مستقل از هم می باشد که هر بلوک ورودی خود را از خروجی بلوک قبلی دریافت می

شبیه سازی نرم افزار شبیه ساز که اصطلاحا به آن سرور شبیه سازی می گویند در حقیقت مسئول شبیه سازی تمامی عوامل دخیل در یک مسابقه فوتبال واقعی مانند وزن توپ، وزن بازیکنان، شرایط محیطی مانند وزش باد و… است. این نرم افزار مسئول شبیه سازی یک محیط زمان حقیقی و خطادار است به نحوی

روبوکاپ عنوان مسابقاتی درزمینه دانش روباتیک وهوش مصنوعی است که بصورت سالیانه توسط فدراسیون بین‌المللی روبوکاپ[1] برگزار می شود. روبوکاپ بزرگترین اقدام بشر در جهت عملیاتی شدن تحقیقات در حوزه هوش مصنوعی و روباتیک است. این مسابقات با فراهم آوردن چارچوب های مشخص و استاندارد، زمینه مناسبی جهت طراحی، پیاده سازی و ارتقای الگوریتم های

از میان تقسیم بندی­های گوناگون ارائه شده در حیطه روباتیک، یکی از پرکاربردترین و مهمترین روبات­ها، روبات انسان­نما می­باشد که از نظر تقسیم­بندی در دسته روبات های پادار دوپا قرار می­گیرد. این روبات­ها یکی از جذاب­ترین و در عین حال پیچیده­ترین حوزه­های تحقیق در علوم روباتیک هستند [1-3]. درجه آزادی[2] بالا، دینامیک پیچیده و مسائل

این معیارهای شباهت تنها از اطلاعات هر میزبان استفاده می کند و نیازی به اطلاعات مرتبط یا همسایگی گره ندارد. این معیارها به سادگی از گراف دوسویه شبکه استخراج می شوند. به گراف یک سویه به دست آمده از گراف دوسویه نیازی ندارد. در نتیجه استخراج آن به سادگی و با سرعت بیشتر صورت می

معیارهای شباهت مبتنی بر گراف، معیارهایی هستند که از اطلاعات ارتباط همبندی گراف در محاسبات خود استفاده می کنند. به عبارتی به اطلاعاتی فراتر از اطلاعات یک تک گره نیاز دارند. در ادامه به بررسی این معیارها می پردازیم. ضریب خوشه بندی محلی[1] در سال های اخیر معیار ضریب خوشه بندی محلی چه در حوزه

سیستم های شناسایی نفوذ مبتنی بر شبکه از دو رویکرد کلی جهت شناسایی ترافیک مشکوک استفاده می کنند. هر بسته داده عبوری در شبکه دارای دو بخش عنوان و محتوا می باشد.  بر مبنای این که روش شناسایی از کدام بخش از داده شبکه استفاده می کند، روش ها را به دو دسته تقسیم بندی