به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

viterbi algorithm

در نشریات گروه برق
تکرار جستجوی کلیدواژه viterbi algorithm در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه viterbi algorithm در مقالات مجلات علمی
  • مرتضی بابائی*، حبیب علیزاده، محسن رضایی خیرآبادی
    در سال های اخیر، ارتباطات ماهواره ای مبتنی بر فناوری CNC به دلیل استفاده بهینه از پهنای باند بسیار مورد توجه قرار گرفته است. ولی تحلیل این نوع ارتباطات در گیرنده های غیرهمکار، به سبب ماهیت تداخل زمان-فرکانس با چالش های زیادی همراه شده است. به علاوه، در این مسئله اطلاعاتی از پارامترهای سیگنالی در دسترس نیست. تاکنون، روش هایی برای جداسازی این سیگنال های متداخل در گیرنده های غیرهمکار پیشنهاد شده است. اما همه روش های پیشنهادی با آگاهی از پارامترهای سیگنالی نظیر آفست فاز و فرکانس و تاخیر و تضعیف دامنه سیگنال انجام می شوند. در این مقاله پس از مدل سازی ریاضی سیگنال دریافتی در گیرنده غیرهمکار، تخمین پارامترهای سیگنالی با استفاده از آمارگان های مرتبه بالای مدل سیگنال دریافتی محاسبه شده است. در ادامه، فرایند جداسازی توسط ساختاری پیشنهادی به نام "الگوریتم ویتربی توسعه یافته" انجام شده است. در این ساختار از الگوریتم ویتربی با هدف رفع ابهام تخمین آفست‎های فازی به کمک آمارگان های مرتبه بالا و همچنین تخمین نهایی دنباله سمبل های متداخل زمان- فرکانس استفاده شده است. مقایسه و ارزیابی ها برای سیگنال های متداخل با دو مدولاسیون BPSK و QPSK نشان می دهد، تخمین پارامترها تاثیر به سزایی در نرخ خطای دنباله سمبل های آشکارسازی شده دارد به طوری که در نسبت سیگنال به نویزهای بالاتر از صفر نرخ خطای سمبل (SER) با شیب بیشتری در روش پیشنهادی نسبت به الگوریتم پردازش در هر بازمانده (PSP) کاهش می یابد. نتایج شبیه سازی ها نشان می دهد، نرخ خطای سمبل در روش پیشنهادی در سیگنال به نویز 30dB برای مدولاسیون BPSK به میزان 30 درصد و برای مدولاسیون QPSK به میزان 60 درصد کاهش می یابد.
    کلید واژگان: ارتباطات ماهواره ای حامل در حامل (CNC)، آمارگان مرتبه بالا، تداخل زمان-فرکانس، الگوریتم ویتربی
    Morteza Babaei *, Habib Alizadeh, Mohsen Rezaee Kheirabadi
    In recent years, the new technology of satellite communication based on CNC has received much attention due to the optimal bandwidth usage. In this communication, the Cooperative receivers can save up to half of the bandwidth despite co-band interference and without reducing efficiency. However, the analysis of this type of communication in non-cooperative receivers is associated with many challenges due to the nature of time-frequency interference. Additionally, in this problem, no information about signal parameters is not available. So far, methods have been proposed to separate these interfering signals. However, all of the proposed methods are performed with knowledge of signal parameters such as phase and frequency offset, delay, and signal amplitude attenuation. In this article, after the mathematical modeling of the received signal in the non-cooperative receiver, the Signal parameters estimation is conducted using higher-order statistics of the received signal. Next, the separation process is performed by a proposed structure called the "Extended Viterbi algorithm". In this structure, the Viterbi algorithm has been used with the aim of solving the ambiguity of estimating phase offsets as well as the final estimation of two sequences of interfereing time-frequency symbols. The comparison and evaluations for interfering signals with two modulations BPSK and QPSK show that, parameters estimation has a significant impact on the error rate of the detected symbol, such that at signal-to-noise ratios higher than zero, the symbol error rate (SER) decreases more steeply in the proposed method than in the Per-Survivor Processing (PSP) algorithm. The simulation results show that the symbol error rate in the proposed method at a signal-to-noise ratio of 30 dB for BPSK modulation is reduced by 30% and for QPSK modulation by 60%. However, in the proposed method, the complexity of the separation method increases by 2^2L with increasing the modulation order.
    Keywords: CNC Satellite Communication, High-Order Statistics, Time-Frequency Interference, Viterbi Algorithm
  • Ladan Khosravani Pour, Ali Farrokhi *
    The goal is to create a speech recognition system that is able to recognize Persian speech. Pro-sodic speech is attributed to the hierarchical structure from speech rhythm and tonal expression to the smallest syllable components and provides important information about trans segmental features such as F0 (fundamental frequency), intensity, and duration, which are crucial for natu-ral sound. Prosodic features are highly language dependent, however, the relationship between linguistic features and prosodic data is not well understood in some languages. While relatively high-performance prosodic generators have been developed for many languages, very limited work has been done on prosodic generators in Farsi. In this article, we first use a simple four-layer RNN to extract prosodic information, then we investigate the hybrid ANN/HMM model for Persian speech recognition. 210 samples of the speech of a male person were collected and after removing the noise, 47 of the samples were manually labeled phonetically. Then, the remaining training samples were automatically labeled and new neural networks (ANN) were created for the final recognition of the three-layer MLP type. Four methods including MEL, MEL derivative, energy, and energy derivative were used to extract features, and the values of each of these four methods were combined and given to the neural network. Then we use the neural network to classify these feature vectors and get the most similar vowels. We give the order of vowels as "observations" to HMMs (which are created based on pronunciations) and then find the most probable HMM (or in other words, the most words) to the input sound and output it. By applying recognition on 99.4% of test data, we even reached 100% accuracy in one case, which is a very favorable result considering the small number of speech data
    Keywords: Artificial Neural Networks, hidden Markov models, Discrete Fourier transform, Vector Digitizer, Linear predictive coding, Viterbi Algorithm, Fuzzy Expectation Maximization, probabilistic neural networks, recurrent neural networks
  • مرضیه نجار، سیدمحمدحسین معطر*
    با رشد فناوری اطلاعات، امنیت شبکه به عنوان یکی از مباحث چالش برانگیز مطرح است. تکنیک های تشخیص نفوذ مبتنی بر ناهنجاری یک فناوری ارزشمند برای حفاظت از شبکه ها در برابر فعالیت های مخرب است. در این مقاله رویکردی جدید مبتنی بر مدل مخفی مارکوف (HMM) و ماشین یادگیری مفرط (ELM) جهت تشخیص نفوذ ارائه شده است. در مدل پیشنهادی، داده هایی که از ترافیک شبکه جمع آوری شده اند، ابتدا پیش پردازش می شوند. سپس دنباله مشاهدات، به HMM داده می شود و مدل با الگوریتم بام-ولچ آموزش می بیند. در مرحله شناسایی نفوذ با اعمال الگوریتم ویتربی بر روی مشاهدات به دست آمده، محتمل ترین دنباله حالات استخراج می شوند. در مرحله بعد، دنباله حالات به عنوان ورودی برای شبکه ELM در نظر گرفته می شوند و دسته بند داده های جدید را با توجه به آنچه آموزش دیده به یکی از کلاس های نرمال یا حمله نسبت می دهد. مجموعه داده مورداستفاده Darpa98 می باشد که داده های ترافیک شبکه است. مشکلاتی همچون ناکافی بودن داده های آموزش و اثر کاهش نمونه های آموزشی بر صحت نهایی در این مجموعه داده مورد آزمایش قرار گرفته است، که مدل پیشنهادی نتایج بهتری نسبت به روش های پیشین ارائه کرده است. آزمایش ها نشان می دهد که این رویکرد توانسته نسبت به سایر روش ها نرخ صحت بالاتر و نرخ مثبت کاذب کمتری را حاصل نماید و کارایی تشخیص نفوذ را بهبود بخشد.
    کلید واژگان: سیستم تشخیص نفوذ، مدل مخفی مارکوف، الگوریتم ویتربی، شبکه عصبی پیش خور، ماشین یادگیری مفرط
    M. Najjar, * M. H. Moattar
    With the growth of information technology, network security is raised as one of the most important issues and challenges. Anomaly-based intrusion detection system is a valuable technology for network protection against malicious activities. In this paper a new approach is proposed based on hidden Markov model (HMM) and extreme learning machine (ELM) for intrusion detection. In the proposed model, the data that have been collected from network traffic are preprocessed at first. Then, the sequence of observations, are fed into HMM and the model is trained using Baum-Welch algorithm. In the recognition phase, Viterbi algorithm is used and the optimal state sequences are extracted from the input observations. Then, the sequence of states is considered as the input of ELM network and classified to normal or attack classes. Darpa98 dataset which is network trafic data is used to evaluate the approach. We evaluated the approach on this data set for challenges such as insufficient training data and the effect of training samples insufficiency, for which the proposed model provided satisfacory results. Experiments show that our approach has higher accuracy and lower false positive as compared with other methods and the accuracy of the proposed intrusion detection system is 98 percent.
    Keywords: Intrusion detection systems, Hidden markov model, Viterbi algorithm, Feedforward neural network, Extreme learning machine
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال