ترکیب سنی و برآورد سن از طریق چهره…

چکیده

سن انسان، به عنوان یکی از خصوصیات فردی مهم، که می تواند مستقیما توسط طرح های متمایزی که از حالت چهره ناشی می گردد، تشخیص داده شود. به دلیل پیشرفت های سریع در گرافیک کامپیوتر و دید ماشینی، ترکیب سنی مبتنی بر کامپیوتر و برآورد آن از طریق چهره ها، اخیرا به عنوان موضوع رایج خاصی تبدیل شده که این به دلیل ظهور برنامه های کاربردی حقیقی زیادی در همانند هنرهای بدیعی، مدیریتارتباط با مشتری الکترونیکی، کنترل امنیتی و نظارت بر نظارت، زیست سنجی، سرگرمی و هنر بدیعی می باشد. ترکیب سنی به معنی بازتفسیر تصویرچهره از نظر زیباشناختی به همراه روند پیری طبیعی و تاثیرات جوان سازی بر روی چهره فرد می باشد. برآورد سن بر مبنای دسته بندی تصویرچهره به صورت اتوماتیک با در نظر گرفتن سن دقیق (سال) یا گروه سنی (محدوده سنی) چهره افراد، تعریف می گردد. به دلیل جزییان و پیچیدگی، هر دو مسئله دارای جذابیت بوده، با این وچود برای طراحان سیستم برنامه های کاربردی بر مبنای کامپیوتر را به چالش می کشد. تلاش های زیادی در بخش های علمی و صنعتی در طی چند دهه گذشته به این موضوع اختصاص داده شده است. در این مقاله، به بررسی تکنیک های امروزی در ترکیب سنی بر مبنای تصویرو موضوعات برآورد می پردازیم. مدل های موجود، الگوریتم های رایج، عملکردهای سیستم، مشکلات فنی، پایگاه داده عمومی پیر شدن چهره، پروتکل های ارزیابی، و مسیرهای های نوید بخش آینده، با بحث های نظامند مد نظر قرار می گیرد.

کلیدواژه: پیری چهره، برآورد سن، ترکیب سنی، توالی سن، بررسی

مقدمه

به عنوان «پنجره ای به سمت روح بشر» چهره انسان اطلاعات قابل قبول مهمی را در ارتباط با خصوصیات فردی منتقل می کند. خصوصیات انسانی توسط مشخصه های چهره همانند هویت فردی، حالت چهره، جنسیت، سن، اصالت نژاد، و ژست، توجه زیادی را در دهه های گذشته از بخش های آکادمیکی و صنعتی به سمت خود معطوف داشته، از این رو تکنیک پردازش نمای چهره کاربردهای زیادی را در حوزه تصویر و گرافیک کامپیوتری ایجاد کرده است. دو مشکل اساسی در ارتباط با پیشرفت این تکنیک ها، الهام دهنده می باشد.

خرید

مطالب مرتبط

طبقه بندی سری زمانی با با مدل ترکیب گاوس از فضای مراحل بازسازی شده…

چکیده

روش جدید از طبقه بندی جدید سیگنال ارائه شده که بر مبنای مدل سازی دینامیک سیستم بوده که در فضای مراحل بازسازی مورد محاسبه قرار می گیرد. این مدل سازی ها با استفاده از مدل ترکیبی کوواریانس گاوس در ارتباط با حوزه زمانی در مقایسه با تحقیقات های حال حاضر و گذشته در طبقه بندی سیگنال ها انجام می گیرد که معمولا تمرکز آن بر روی تحلیل سیستم های خطی با استفاده از مقدار بسامد یا مدل های یادگیری ماشینی غیر خطی ساده همانند شبکه های عصبی مصنوعی می باشد. روش مطرح شده دارای پایه نظری قوی بر مبنای سیستم های دینامیکی و قضایای توپولوژی می باشند که منجر به بازسازی سیگنال شده که با در نظر گرفتن پارامترهای انتخابی مناسب، به طور جانبی نماینده سیستم زیرین می باشد. این الگوریتم ها به طور اتوماتیک این پارامترها را محاسبه کرده تا فضاهای مراحل بازسازی شده را بازسازی را شکل داده وتنها نیازمند تعدادی از آمیزه ها، سیگنال ها و تیکت دسته ها به عنوان توان ورودی می باشد. سه مجموعه داده مجزا برای تایید مورد استفاده قرار می گیرند که شامل شبیه سازی جریان موتوری، دستگاه ثبت ضربان قلب و شکل امواج گفتار می باشد. نتایج نشان می دهد که روش های مطرح شده در حوزه های مختلف اثرگذار بوده و به طور قابل توجهی در مسسیر شبکه های عصبی بر مبنای وقفه زمانی بکار گرفته شده که به عنوان مبنا می باشد.

کلیدواژه: طبقه بندی سیگنال ها، مراحل بازسازی، مدل ترکیبی گاوس.

مقدمه

اکثر فعالیت ها در ارتباط با طبقه بندی و تعیین سیگنال ها بر مبنای تجزیه و تحلیل سیستم های خطی می باشد و از ویژگی هایی براساس ارائه بسامدها استفاده می کنند. همچنین فعالیت های گسترده ای بر مبنای آشکار کردن سیگنال ها و طبقه بندی آن ها در حوزه ارتباطی وجود دارد که بر مبنای نظریات آماری می باشد. گزینه های مربوط به این روش ها شامل طبقه بندی های غیر خطی همانند شبکه های عصبی و یا دستگاه های حامی بردارها و همچنین تکنیک های طبقه بندی شده و مشابه در ارتباط با سری های اطلاعاتی جدید می باشد.

خرید

مطالب مرتبط

دسته بندی سیگنالهای الکترومیوگرافی با شبکه عصبی موجک…

چکیده

یک وسیله دقیق و محاسباتی کارآمد برای دسته بندی الگوی سیگنال های الکترومیوگرافی، موضوع بحث بسیاری از پژوهشگران در سال های اخیر بوده است. تجزیه تحلیل های کمیتی سیگنال های EMG، منبع اطلاعاتی مهمی برای تشخیص اختلالات عصبی-عضلانی می باشد. با پیگیری توسعه های اخیر تجهیزات EMG کامپیوتری، روش های مختلفی در حوزه زمان و حوزه فرکانس برای تحلیل های کمیتی، انجام گرفته است. در این بررسی، دسته بندی کننده های مبنی بر شبکه های عصبی مصنوعی پس-انتشار خطای پیشخور (FEBANN) و شبکه های عصبی موجک (WNN) در دقت در دسته بندی سیگنال های EMG با هم مقایسه شده اند. در این روش ها، ما از یک مدل خودبازگشت (اتورگرسیو) (AR) سیگنال های EMG، به عنوان ورودی سیستم دسته بندی، استفاده کردیم. مقدار کل 1200 MUP که از 7 مورد طبیعی، 7 مورد دارای بیماری میوپاتی، و 13 مورد دارای بیماری های با ریشه عصبی به دست آمدند، آنالیز شده اند. میزان موفقیت برای روش WNN 90.7% و برای روش FEBANN 88% بوده است. مقایسه بین دسته بندی کننده های توسعه یافته، نخست بر مبنای تعدادی اندازه گیری های عددی مربوط به دسته بندی می باشد. دسته بندی کننده مبنی بر WNN، بر همتای FEBANN خود برتری دارد. دسته بندی WNN ارایه شده، می تواند تصمیم گیری های کارشناسانه را پشتیبانی کرده و به تشخیص افتراقی EMG کمک کند.

کلیدواژه: الکترومیوگرافی، پتانسیل واحد موتور، روش اتورگرسیو، شبکه عصبی موجک

مقدمه

بیش از 100 اختلال عصبی و ماهیچه ای وجود دارد که بر روی نخاع، عصب، و ماهیچه اثر می گذارد. تشخیص بموقع این بیماری ها توسط معاینه های درمانگاهی و تست های آزمایشگاهی، برای مدیریتکردن آنها و نیز پیشبینی آنها با استفاده از تشخیص پیش از تولد و مشاوره های ژنتیکی، حیاتی می باشد. این اطلاعات همچنین در ازوهش موجود می باشد، که می تواند منجر به فهم طبیعت این بیماری ها، و سرانجام بیماری آنها گردد. مورفولوژی (ریخت شناسی) واحد موتور، را می توان با ثبت فعالیت های الکتریکی معروف به الکترومیوگرافی (EMG) بررسی کرد. در EMG درمانگاهی، پتانسیل های واحد موتور (MUP) با استفاده از یک الکترود سوزنی در اقباض ارادی کم، ثبت می شود.

خرید

مطالب مرتبط

روشی جامع برای مدل کردن و شبیه سازی آرایه های فتوولتاییک…

این مقاله یک روش مدل سازی و شبیه سازی آرایه های فتوولتاییک را اریه می دهد. هدف اصلی در اینجا، پیدا کردن پارامترهای معادلات غیرخطی I-V، با تنظیم منحنی در سه نقطه، می باشد: مدار-باز، ماکزیمم توان، اتصال کوتاه. با داشتن این سه نقطه _که توسط همه دیتاشیت های آرایه های تجاری اراایه می شوند_ مدل ارایه شده، بهترین معادلات I-V را برای مدل فتوولتاییک تک-دیود (PV) ، شامل اثر مقاومت های سری و موازی، می یابد و تضمین می کند که ماکزیمم توان مدل با ماکزیمم توان آرایه ی واقعی، مطابق باشد. با داشتن پارامترهای معادلات تنظیم شده I-V، می توان یک مدل مداری PV را با یک شبیه ساز مداری _با استفاده از بلوک های ساده ریاضی_ ساخت. روش مدل کردن و مدل مداری ارایه شده، برای طراحان الکترونیک قدرتی که به یک روش مدل سازی ساده، سریع، دقیق، و آسان برای بکاربری در شبیه سازی سیستم های PV نیاز دارند، سودمند می باشد. در صفحات نخست، خواننده با وسایل PV آشنا می شود و پارامترهایی را که مربوط به مدل PV تک-دیود می شوند را درمی یابد. سپس روش مدل سازی معرفی شده و بصورت دقیق ارایه می شود. این مدل برای اطلاعات تجربی آرایه های PV تجاری، معتبر می باشد.

کلیدواژگان:ه__ آرایه، مدار، معادل، مدل، مدل سازی، فتوولتاییک (PV) ، شبیه سازی.

پروژه کارشناسی ارشد برق

فایل محتوای:

  • اصل مقاله لاتین ۱۱ صفحه IEEE
  • متن ورد ترجمه شده بصورت کاملا تخصصی و قابل ویرایش ۳۶ صفحه

خرید

مطالب مرتبط

افزایش امنیت سیستم نام دامنه با استفاده از فایروال پویا با عوامل شبکه (ترجمه)…

چکیده

در این مقاله ما راه حلی را برای تقویت امنیت سرورهای سیستم نام دامنه (DNS) مطرح می کنیم که در ارتباط با یک یا چند دامنه های سطح بالا (TDL) می باشد. در این روش قادر خواهیم بود تا ریسک امنیتی را زمانی که از خدمات اینترنتی مهم استفاده می کنیم، کاهش دهیم. راه حل پیشنهادی در FCCN، بخش مدیریتدامنه های سطح بالا (TDL) برای دامنه PT، مطرح شده و مورد آزمایش قرار گرفته است. از طریق بکارگیری حسگرهای شبکه که به طور تمام وقت بر شبکه نظارت دارد، قادر می باشیم تا به صورت پویا، تا محدوده نفوذ یا انواع دیگر رخدادهای مربوط به سرویس های نام دامنه (DNS) را شناسایی، محدود و یا از آن جلوگیری کنیم. این پلتفرم به شدت بستگی به پیوند مقطعی داشته که این امکان را برای داده های حسگرهای خاص ایجاد می کند تا با حسگرهای دیگر اشتراک داشته باشند. فعالیت های اجرایی همانند راه اندازی سیستم هشدار یا به اجرا در آوردن تحلیل آماری از طریق رابط مبتنی بر شبکه، ایجاد می گردند.

کلیدواژه: سیستم نام دامنه، ریسک، امنیت، سیستم تشخیص نفوذ، نظارت تمام وقت

مقدمه

با مد نظر قرار دادن کاربرد اینترنت و آمار جمعیت جهانی، که در ماه مارس 2011 بروز شد، با تخمین جمعیت 6.8 میلیارد نفری جهان، 30.2% کاربر اینترنت وجود دارد. اگر ما نگاه دقیق تری به کشورهای اروپایی بیاندازیم، این میزان به 58. 3% افزایش می یابد (با نرخ رشد 353.1% بین سال های 2000 و 2011) و در امریکای شمالی، 78. 3% از کاربران اینترنتی وجود دارند (نرخ رشد 151.7% در همان دوره) ، که این موارد در شکل 1 نشان داده شده است.

خرید

مطالب مرتبط