در فصل سوم، پارامترهای GSM در مد Idle و مد Dedicated که یکی از مباحث اصلی بهینه سازی است، معرفی و بررسی شده اند.

در فصل چهارم، ویژگی های GSM و کاربردهای آن در بهینه سازی تشریح شده اند که با بکارگیری این ویژگی ها می توان از منابع موجود شبکه، حداکثر استفاده را کرد و شبکه را برای توسعه آماده نمود.

این مطلب را هم بخوانید :

دانشکده تحصیلات تکمیلی

پایان نامه برای دریافت درجه کارشناسی ارشد

الکترونیک – مهندسی برق

عنوان:

به کارگیری ساختار آمیختار عصبی – آماری برای به هنجارسازی اطلاعات فرمنت ها در بازشناسی گفتار

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

چکیده
علیرغم تاثیر مثبت حالت گفتار در انتقال مفهوم درست جمله به شنونده، این تغییر به سبب تحول بنیادینی که در پارامترهای گفتار ایجاد می نماید، موجب افت شدید نرخ بازشناسی گفتار با مدل های عادی می گردد. به منظور رشد نرخ بازشناسی گفتار فارسی با حالت، از چند سال گذشته تحقیقاتی آغاز شده و در نخستین گام با افزودن فرمنت های اول تا سوم – یا شیب آنها – به انتهای بردار ویژگی نرخ بازشناسی گفتار کمی بهبود یافته است.
در این گزارش ابتدا با بهره گرفتن از شبکه های عصبی مصنوعی، فرمنت های گفتار با حالت را به فرمنت گفتار عادی به هنجار نموده و با اضافه نمودن فرمنت به هنجار شده به انتهای بردار ویژگی، رشد نرخ بازشناسی مشاهده شده است. در ادامه با بهره گرفتن از نسبت فرمنت های گفتار با حالت به گفتار عادی در تکنیک های پیچش فرکانسی و به هنجارسازی طول لوله صوتی – به هنجارسازی گوینده – به صورت مستقیم، بلوک های سیستم بازشناسی گفتار را تغییر داده و با استخراج ضرایب جدید کپسترال، درصد جملات

 صحیح شناخته شده افزایش یافته است.

مقدمه
بازشناسی خودکار گفتار (ASR) به فرایندی گفته می شود که گفتار انسان را به متن یا فرمان معادل تبدیل می کند. این مسئله رایانه ها یا ماشین ها را قادر می سازد تا گفتار انسان را بشنوند و در مقابل آن واکنش مناسب نشان دهند، مسئله ای که منجر به برقراری ارتباط سریع و آسان با ماشین های اطراف شده و انسان را از دکمه ها و کلیدها برای برقراری ارتباط بی نیاز می سازد.
در حقیقت بازشناسی گفتار تبدیل یک سیگنال صوتی به رشته ای از لغات می باشد. این کار فرایندی بسیار پیچیده است که علت آن پیچیدگی اندام های تولید کننده و تشخیص دهنده گفتار در انسان و ناشناخته بودن نحوه عملکرد آنهاست. مسائل مختلفی مانند تفاوت صدای کاربران مختلف، نوع بیان کلمات، نویزها و شرایط محیطی، تعداد کلمات مورد نظر و معنی و مفهوم گفتار، پیچیدگی سیستم های تشخیص گفتار را تعیین می کنند.
از میان رویکردهای مختلفی که برای بازشناسی گفتار وجود دارد، رویکرد مبتنی بر بازشناسی الگو موفق ترین آنهاست و تقریبا تمامی سیستم های موفق امروزی براساس آن عمل می

این مطلب را هم بخوانید :

۱۰ نکته‎ای که بهتر است قبل از تجربه Red Dead Redemption 2 یاد بگیرید

 کنند. در این رویکرد، گفتار به کمک تعدادی واحد آوایی (مانند کلمه، هجا، سه واجی یا واج) مدل می شود و در بازشناسی نیز از تشخیص این واحدها و کنار هم قرار دادن آنها، متن متناسب با گفتار تشخیص داده می شود. سیستم های بازشناسی گفتار با این رویکرد دارای دو فاز آموزش و آزمون می باشند که در فاز آموزش الگوهای مربوط به هر کلاس که همان واحدهای آوایی هستند، با بهره گرفتن از روش هایی مدلسازی می شوند. مقایسه گفتار ورودی با الگوهای آموزش داده شده جهت تشخیص واحدهای آوایی موجود در گفتار ورودی، در فاز آزمون انجام می گردد. در فاز آموزش معمولا دو نوع مدل آوایی و زبانی آماده می شود که در فاز آزمون از آنها استفاده شود. استخراج مدل های آوایی از روی دادگان گفتاری با بهره گرفتن از روش های مختلفی امکانپذیر است که از مهمترین آنها می توان روش های مدل پیچش زمانی پویا یا DTW (که در گوشی های تلفن همراه برای شماره گیری صوتی با بیان نام فرد به کار می رود)، شبکه عصبی مصنوعی و مدل مخفی مارکوف (HMM) را نام برد. از میان این روش ها، مدل مخفی مارکوف به نسبت سایرین موفق تر عمل کرده و عمده سیستم های کاربردی امروزی از آن استفاده می نمایند.

یکی از ویژگی های مهم گفتار، حالت گفتار فرد می باشد. به عبارت دیگر انتقال حالت درونی فرد به شنونده در مکالمات اهمیت بسزایی دارد زیرا اگر حالت بیان یک جمله تغییر کند، آن عبارت می تواند مفهوم متفاوت و یا حتی متناقض پیدا کند. اعمال حالت و یا تاکید به گفتار موجب تغییرات اساسی در پارامترهای استخراج شده از گفتار گردیده و بازشناسی گفتار با حالت را با چالشی بزرگ مواجه نموده و نرخ بازشناسی را کاهش می دهد.
برخلاف زبان انگلیسی که سابقه کار در زمینه بازشناسی گفتار برای آن به حدود پنج دهه پیش برمی گردد، کارهای انجام شده در این زمینه برای زبان فارسی قدمتی به اندازه کمتر از دو دهه دارد. شروع فعالیت های تحقیقاتی در زمینه بازشناسی گفتار روی زبان فارسی در داخل کشور به اوایل دهه 70 شمسی برمی گردد که عمده کارهای انجام شده نیز به صورت تحقیقات دانشگاهی پراکنده بوده است. با تاسیس “پژوهشکده پردازش هوشمند علائم” در اواسط سال 1371 و شکل گیری پردازش گفتار به همراه گروهی جهت تهیه دادگان صوتی، جهشی نسبتا جدی به سوی داشتن چنین تکنولوژی برای زبان فارسی صورت گرفت. تهیه دادگان های گفتاری مختلف از جمله فارس دات (FarsDat) برای محیط عادی در سال 1375 و برای گفتار تلفنی (TFarsDat) در سال 1378 از کارهای اساسی این پژوهشکده در این زمینه بوده است.

دانشكده تحصیلات تكمیلی

“M.Sc” سمینار برای دریافت درجه كارشناسی ارشد

مهندسی برق – الكترونیك

عنوان:

مسیریابی بسته ها در شبكه های كامپیوتری به كمك شبكه عصبی

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

چكیده
تاكنون كاربردهای فراوانی برای شبكه های عصبی مصنوعی ارائه شده است. شبكه های عصبی مصنوعی، اطلاعات را به روشی مشابه با كاری كه مغز انسان انجام میدهد، پردازش میكنند. آنها از تعداد زیادی از عناصر پردازشی كه فوق العاده بهم پیوسته اند، تشكیل شده اند كه این عناصر به صورت موازی باهم برای حل یک مسئله مشخص كار می كنند. امتیاز شبكه عصبی این است كه خودش كشف میكند كه چگونه مسئله را حل كند.
نتایج مثبتی كه استفاده از شبكه های عصبی در حل مسائل بهینه سازی در پی داشته است، راه را برای استفاده از آنها در مسیریابی شبكه های كامپیوتری گشوده است. این امر در شبكه های متداول با بهره گرفتن از شبكه ی هاپفیلد و در شبكه های بسته شناختی با بهره گرفتن از شبكه عصبی رندم صورت می گیرد. علاوه بر بكارگیری مستقیم شبك ههای عصبی بعنوان الگوریتم مسیریاب، شبكه های عصبی همچنین بصورت غیر مستقیم به الگوریتم های مسیریابی كمك میكنند. آنها با تحلیل و پیش بینی شرایط شبكه، ورودی الگوریتم مسیریابی، كه می

این مطلب را هم بخوانید :

عوامل موثر در افزایش نرخ فرار سایت – کاربران را از خود فراری ندهید!

 تواند هركدام از الگوریتم های مسیریابی متداول باشد، را فراهم می كند. در این سمینار، هر دو كاربرد شبكه های عصبی در امر مسیریابی بررسی و نتایج استفاده از آن و نیز پارامترهای

موثر در عملكرد و بازدهی انها مورد بررسی قرار گرفته است.
مقدمه
شبكه های عصبی نسبت به كامپیوترهای معمولی مسیر متفاوتی را برای حل مسئله طی میكنند. كامپیوترهای معمولی یک مسیر الگوریتمی را استفاده میكنند به این معنی كه كامپیوتر یک مجموعه از دستورالعمل ها

دانشکده تحصیلات تکمیلی

سمینار برای دریافت درجه کارشناسی ارشد

مهندسی برق – مخابرات

عنوان:

امنیت در شبکه های نسل آینده (IPsec)

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

چکیده:
همانطور که تعداد کاربران به شدت در حال افزایش می باشد و راه های استفاده از اینترنت هم متفاوت و گوناگون خواهد شد، بحث امنیت خیلی مهمتر از آنچه که قبلا بوده است،

 خواهد شد. اینترنت با مجموعه پروتکل اصلی خود در ابتدا برای ارتباطات نظامی طراحی شد ولی امروزه راه های مختلف استفاده از اینترنت نامحدود می باشد. اخیرا، پدیده تجارت الکترونیکی رشد کرده است، تعداد شرکت های ارائه دهنده سرویس های تجاری و خرید online از طریق وب سایت های آنها هر روزه افزایش می یابد و بانکداری  online هرچه بیشتر در بین مردم معمولی در حال رواج می باشد.

با این نوع از فعالیت ها، نیاز به امنیت افزایش می یابد. برای استفاده از سرویس online تجاری به طریقی آسان، شما باید کاملا مطمئن باشید که هیچ کس نمی تواند نقل و انتقالات شما را ببیند، نمی تواند رمز عبور و شماره کارت اعتباری شما را بردارد تا از آن سوء استفاده نماید، در عین حال که نمی خواهید مجبور باشد رمز عبورها و PIN-code های زیادی را به خاطر بسپارید.
در این سمینار ساختار و عملکرد IPsec بیان خواهد شد و راه هایی که استفاده از IPsec منجر به افزایش امنیت شبکه می شود.
مقدمه:
از آنجا که بهره گیری از شبکه های عظیم اطلاع رسانی و بانک های وسیع اطلاعاتی یک ضرورت در عصر حاضر می باشد، امنیت شبکه و تبادل اطلاعات امری مهم می باشد. با

این مطلب را هم بخوانید :

منابع تحقیق با موضوع ۱۳۱

 پیشرفت روزافزون شبکه های اطلاعاتی بحث امنیت و حفاظت از آنها نیز برجسته تر می گردد. برای امنیت شبکه های نسل آینده راه حلی به نام IPsec معرفی شده است که یک پروتکل در لایه شبکه است تا خدمات امنیتی رمزنگاری را تأمین کند. خدماتی که به صورت منعطفی به پشتیبانی ترکیبی از تأیید هویت، جامعیت، کنترل دسترسی و محرمانگی می پردازد که در این سمینار آن را به تفصیل بیان می کنیم.

در فصل اول به بیان کلیاتی درباره مدل مرجع OSI و لایه های آن می پردازیم، سپس در فصل دوم توضیح می دهیم که IPsec در کدام لایه انجام می شود. در فصل سوم IPsec به طور کامل شرح داده شده و

پهنای باند مشترك و تعداد زیر حامل مشابهی تخصیص یافته اما بهره پردازش كاربران نرخ بالا كوچكتر از كاربران نرخ پایین بوده و لذا نسبت به كاربران نرخ بالا توان ارسال سمبلهای كمتری را در یک سمبل OFDM دارند.

با توجه به محدودیت آشكار ساز ML، انواع مختلفی از آشکار سازهای خطی MMSE تحقیق شده اند. همچنین گیرنده های دارای حذف تداخل متوالی (SIC) یا موازی (PIC) نیز تاکنون مطالعه شده اند. علاوه بر

این مطلب را هم بخوانید :