Advanced Signal Processing

This paper presents a novel software-defined radio (SDR) platform designed to measure the bit error rate (BER) in vehicle-to-vehicle visible light communication (V2V VLC) technology under real-world conditions. Unlike previous studies that have primarily relied on simulations or static tests, this research provides empirical evidence from both stationary and dynamic vehicular scenarios. The proposed system functions as an orthogonal frequency division multiplexing (OFDM) transceiver, employing multistate quadrature amplitude modulation (M-QAM) to modulate individual subcarriers. Extensive experiments were conducted to evaluate the system's performance, including the effects of varying headlight beam angles and vehicle distances on BER. Notably, stable communication was achieved using 64-QAM modulation at distances up to 10 meters, maintaining a BER below the critical threshold of 10^-5. These findings demonstrate the feasibility and robustness of integrating VLC with standard vehicle headlight systems, offering a viable solution for enhancing vehicular communication in dynamic traffic environments.

Counting the number of soil particles in grain size studies is of great importance, especially in geological, agricultural, environmental, and engineering sciences. It can be used for detailed analysis of soil properties, determining soil structure, and environmental analysis. The main goal of this research is to evaluate the grain size and shape recognition of soil particles using image processing techniques. In this study, initially, color images of soil grain size were acquired. Then, they were processed using Python programming language and the Scikit-Image library. Finally, for model validation, 17 rice grains and 8 coins were used. The results demonstrated that this method was able to accurately detect the number and shape of these particles. It also performed well in identifying the number and shape of soil particles. Furthermore, when compared to several other software tools in the same field, it provided better results. This approach can be utilized to plot the soil grain size curve, ultimately leading to reduced computational costs and time.

In recent years, modeling uncertainties through natural language has attracted growing attention, with Z-numbers, introduced by Zadeh in 2011, being a key concept. A Znumber consists of two fuzzy components: the first represents the possibility of an event's occurrence, while the second expresses the probability of that occurrence. A major challenge in applying Z-numbers lies in properly structuring these two components; inappropriate strategies can lead to inaccurate results, especially in group decision-making contexts with large data volumes. To address this, the paper proposes an optimal clustering approach for structuring the components of Z-numbers more systematically and purposefully. This method enhances the accuracy of Znumber modeling by reducing errors in component formation. The effectiveness of the proposed approach is validated through a comparison with conventional fuzzy methods, demonstrating improved performance in handling uncertainty.

هلاقم تاعلاطا هدیکچ لماک یشهوژپ هلاقم تفایرد : 12 رذآ 1392 شریذپ : 16 رذآ 1392 تیاس رد هئارا : 02 ریت 1393 لدم هئارا هب طاقن هیاپ رب يدعب هس ياه هتفرگ رارق هجوت دروم نآ یگداس لیلد تسا . لیلحت زا يرایسب هیاپ ،طاقن ربا رد هتفریذپ تروص ياه یگیاسمه ندرک صخشم تسا طاقن ربا رد هطقن ره ياه . یگیاسمه نییعت يارب هلاقم نیا رد مان اب دیدج یشور زا طاقن ربا رد هطقن کی ياه تسا هدش هدافتسا نگمه یگیاسمه . ر دوبهب هب مادقا ،یگیاسمه نییعت يارب شور نیا رد کیدزن شو نیرت k ات دش یگیاسمه هولاع کیدزن رب یگیاسمه ندوب نآ عیزوت ،اه دوش ظاحل زین یسررب دروم هطقن فارطا رد اه . یگیاسمه باختنا ریثأت شهوژپ نیا رد لامرن رادرب نیمخت رب اه تفرگ رارق یسررب دروم حطس و ه تسا هدش هبساحم نگمه یگیاسمه زا هدافتسا اب حطس لامرن رادرب . رادرب ،يداهنشیپ شور ییآراک یبایزرا يارب یگیاسمه زا هدافتسا اب حطس لامرن هب ياه کیدزن شور زا هدمآ تسد نیرت k لصاح لامرن رادرب اب و هبساحم زین یگیاسمه هدش شور زا دش هسیاقم نگمه یگیاسمه . تسا رادروخرب يرتهب تقد زا لامرن رادرب نیمخت رد نگمه یگیاسمه هک داد ناشن هلصاح جیاتن . يارب نینچمه نگمه یگیاسمه ...

Today, the comparison of real images and scenes in virtual reality has become one of the most commonly used issues in daily life. This is because the total goal is to describe these two images in all their aspects. The purpose of this study is to investigate the results of these two images in terms of their effective applications.

According to research, in this field, two algorithms are mentioned for image processing: surf (Herbert) and Bay (2008). One is the algorithm surf, which extracts key points from the image, and the other is the algorithm that performs its own unique extraction.

In this article, we refer to the surf algorithm as a basis, which provides features based on key points and descriptions of images—therefore, we need to study this method today. After reviewing the research and applying some principles for the surf algorithm, we compare its performance to find that surf has reduced the time required for execution significantly.

This indicates that the surf algorithm is faster than traditional methods in some cases

چهره انسان يك شيء ثابت نيست و فاكتورهاي متنوعي که منجر به نمايش‌هاي مختلف چهره مي‌شــوند وجود دارند. در الگوریتم‌های تشخیص چهره، فاكتورهاي ذاتي و تصـادفي که باعث ایجاد اختلاف در ظاهر چهره می‌شوند، وجود داده‌های ناقص در پایگاه داده‌ها، حجم پايگاه داده‌ها، اختلاف در ابعاد تصاوير ذخيره شده و تغيير حالات چهره می‌توانند فرايند تشخیص چهره را با مشكلات مختلفی روبرو سازند. با ارائه روشي كه بتواند اين مشكلات را تا حد قابل توجهي رفع کند، می‌توان گستره‌ي كاربرد تكنيك‌های تشخيص چهره را افزايش داد. در این مطالعه برای بهبود تشخیص چهره با داده‌های ناقص از یک شبکه عصبی کانولوشنی عمیق استفاده شده است. روش پیشنهادی از چند گام مختلف تشکیل شده است. در مرحله اول پس از انتخاب و استخراج داده اولیه از پایگاه داده، پیش پردازش اطلاعات با اعمال فیلتر، تبدیل هیستوگرام و تشخیص لبه انجام می‌شود. در مرحله دوم استخراج نقاط مهم برای هر تصویر انجام می‎‌شود. خروجی این مرحله به عنوان ورودی به الگوریتم بهینه‌سازی زنبور عسل داده شده تا برای انتخاب ویژگی‌های موثر و شناخت آن‌ها در راستای بهینه‌سازی استفاده گردد. در نهایت از یک شبکه عصبی کانولوشنی عمیق در دو گام آموزش و آزمون برای تشخیص چهره استفاده شده است. روش پیشنهادی در محیط متلب شبیه‌سازی شده و توسط معیارهای دقت، صحت و پوشش مورد ارزیابی قرار گرفته است. نتایج بدست آمده با دقت 96.11 % بیانگر بهبود تشخیص چهره نسبت به سایر کارهای انجام شده در سال‌های اخیر و همچنین کاهش هزینه در فرآیند تشخیصِ انجام شده می‌باشد.

- تشخیص چهره یک عمل تشخیص الگو است که به طور خاص بر روی چهره¬ها انجام می¬شود. تشخیص چهره کاربردهای فراوانی در شناسایی کارت¬های اعتباری، سیستم¬های امنیتی و موارد دیگر دارد. ایجاد یک سیستم تشخیص چهره با دقت بالا، یک چالش بزرگ می‌باشد که در سال¬هاي اخیر مورد توجه محققان مختلفی قرار گرفته است. فرآیند استخراج ویژگی و طبقه¬بندی دو مسئله¬ی مهم در سیستم¬های تشخیص هستند که می¬توانند در افزایش دقت تشخیص نقش بسزایی را ایفا کنند. با توجه به این موضوع در این مطالعه با در نظر گرفتن ویژگی¬های ترکیبی و بهینه‌سازی الگوریتم فاخته روشی برای بهبود میزان دقت در تشخیص چهره پیشنهاد شده است. در روش ارائه شده 7 ویژگی از روی تصاویر موجود در پایگاه داده استخراج شده، سپس با بدست آوردن بردار ویژگی مراحل مربوط به انتخاب ویژگی با استفاده از الگوریتم فاخته انجام  می‌شود. روش پیشنهادی با نرم افزار متلب پیاده¬سازی و با روش¬های دیگر مورد مقایسه قرار گرفته است. نتایج مربوط به ارزیابی نشان می‌دهد که روش پیشنهادی توانسته عمل تشخیص بر روی تصاویر بانک داده ORL را با دقت 93% انجام دهد. نتیجه بدست آمده برای این معیار ارزیابی نسبت به سایر روش‌های مقایسه شده از مقدار بالاتری برخوردار است.

تصوير برداري پزشكي يك تكنيك غير تهاجمي ميباشد كه باعث توسعه قابل توجه در تشخيص و شناسايي بيماريهاي انسان شده است. در ميان تمامي تكنيكهاي تصوير برداري پزشكي، روش تصويربرداري تشديد مغناطيسي داراي محبوبيت بيشتري است. اين روش، براي سلامت انسان مضر نيست و همچنين توانايي تصوير برداري از جزئيات مغز انسان را با كيفيت بالايي انجام
مغز اطلاعاتي ارزشمند در مورد بافت و قسمتهاي مختلف مغز بدست مي- MR ميدهد. راديولوژيستها با استفاده از تصاوير عدم كنتراست بالاي تصوير و پيچيدگي بالاي يك ،MR آورند. راديولوژيستها و پزشكان در مواردي از جمله نويزي بودن تصاوير ضايعه در درون مغز، ممكن است در تشخيص با مشكل مواجه شوند. همچنين خستگي راديولوژيست و پزشك نيز ميتواند يكي
از دلايل عدم تشخيص صحيح در درمان باشد. بنابراين ميتوان نتيجه گرفت استفاده از يك الگوريتم هوشمند قدرتمند در كنار مغز ميتواند قابليت دقت تشخيص راديولوژيست و پزشك را در شناسايي بيماري مغزي افزايش دهد. با توجه به اين MR تصاوير مغزي استفاده شده MR و استخراج ويژگيهاي محلي جهت طبقهبندي تصاوير Ripplet مورد در اين پاياننامه از تركيب تبديل
ميباشد. روش MR است كه هدف از ارائه روش معرفي شده افزايش معيارهاي دقت، حساسيت و ويژگي براي طبقهبندي تصاوير پيشنهادي با استفاده از نرم افزار متلب پيادهسازي گرديده است. نتايج حاصل از پيادهسازي با دقت ٩٧ % و خطاي كم، طبقه بندي مغزي را انجام داده به طوري كه باعث عملكرد بهتر نسبت به ساير روشها شده است.

In this paper, based on resampling particle filter algorithm, a new method to track moving object is proposed. Determining the number of levels needed for resampling in particle filter algorithm, plays an important role in the time duration of each video frame processing. By estimating the Gaussian kernel density the weighted histogram of the target model is obtained and by considering random noise variance at target place the position of candidate particles for the next frame will be predicted. In the current work, the candidate particles are weighted using Bhattacharyya distance, while the number of resampling levels is determined in accordance with the particle weights, adaptively. The radius of the kernel will be matched on moving target variations by using edge detection. Comparison of the result of proposed algorithm with the result of fixed level resampling particle filter algorithm, shows the increasing of moving target detection accuracy up to 88% without excess changes in ...

By increasing the number of images, it is essential to provide fast search methods and intelligent filtering of images. To handle images in large datasets, some relevant tags are assigned to each image to for describing its content. Automatic Image Annotation (AIA) aims to automatically assign a group of keywords to an image based on visual content of the image. AIA frameworks have two main stages; Feature Extraction and Tag Assignment which are both important in order to reach a proper performance. In the first stage of our proposed method, we utilize deep models to obtain a visual representation of images. We apply different pre-trained architectures of Convolutional Neural Networks (CNN) to the input image including Vgg16, Dense169, and ResNet 101. After passing the image through the layers of CNN, we obtain a single feature vector from the layer before the last layer, resulting into a rich representation for the visual content of the image. One advantage of deep feature extractor is that it substitutes a single feature vector instead of multiple feature vectors and thus, there is no need for combining multiple features. In the second stage, some tags are assigned from training images to a test image which is called "Tag Assignment". Our approach for image annotation belongs to the search-based methods which have high performance in spite of simple structure. Although it is even more time-consuming due to its method of comparing the test image to every training in order to find similar images. Despite the efficiency of automatic Image annotation methods, it is challenging to provide a scalable method for large-scale datasets. In this paper, to solve this challenge, we propose a novel approach to summarize training database (images and their relevant tags) into a small number of

A large number of civil registries are available as analog maps that require georeferencing. Besides the quality of the analog maps and control points, the algorithm used for georeferencing also affects the accuracy of the map and the carried out geometrical calculations which indicates the need to study modern Georeferencing Methods. This requires the adoption of georeferencing optimization models and functions so that the required attention should be paid to the determination of the properties limit. Because of the impossibility of geometrical interpretation, we cannot give fixed values to the parameters of affine function for all images. Therefore, this study attempts to set optimized parameters for Affine function using genetic algorithm and considering the geometrical elements of cadastre maps including the area of the pieces of land, length, angle, and the stretch of their constituent lines. To study the proposed method, two scanned, registered cadastre maps related to a part of Tehran as input data and the control points acquired by GPS have been used. To calculate the accuracy and sensitivity of the method, comparisons like RMSE without applying geometrical elements, RMSE with the application of one of the geometrical elements (level, length, angle, stretch), and RMSE with the application of all geometrical elements have been made. The results of the study suggest that the proposed method with the average RMSE of 2.50205 m has a lower accuracy than the common method with the RMSE of 2.4175. However, in the proposed method, the error rate of geometrical elements of level, length, angle, and stretch has decreased by 40 percent compared to the common method which is a remarkable improvrment.

دنمشوه یاه شور زا هدافتــسا اب هک تسا کیرتمویب متسیس کی ،هرهچ ییاسانش متــسیس :همدقم فده .دنک یم دییات و دهد یم صیخشت یکیژولویزیف یاه یگژیو ساسا رب ار ناسنا تیوه ،کیتاموتا HMAX .تــسا هرهچ یــسانشزاب یارب هتفای دوبهب HMAX لدم زا یریگ هرهب ،شهوژپ نیا زا لدم درکلمع دوبهب یارب هلاقم نیا رد .تــسا ناسنا ییانیب متــسیس زا هتفرگ ماهلا یکیژولویاب لدم ،تسا اتب و افلا دازآ یاهرتماراپ یاراد ،اتاموتا .تسا هدــش هتفرگ هرهب ،ریگدای یاتاموتا زا HMAX هب ،ناسنا هرهچ یــسانشزاب خرن ندرب لااب یارب و دراد ار یعطق ریغ یاه طیحم رد ییوگــشیپ تردق لیزرب لها درف 200 ریواصت لماش ،FEI درادناتسا اب اتید ،یداهنشیپ لدم یدورو :شور .دیآ یم راک هلحرم دراو هدش هدناوخ ریواصت ،MATLAB رازفا مرن تاروتسد اب ریواصت ندناوخ زا سپ .تسا هبساحم یارب .دوش یم ماجنا HMAX لدم یاهرتلیف اب یگژیو جارختسا .دوش یم یگژیو جارختسا یاهرتماراپ .دوش یم یدنب هتسد ،HMAX لدم اب هدش جارختسا یاه یگژیو ،هرهچ یسانشزاب خرن راهچ راتخاس اب یبتارم هلسلس لدم ،HMAX .دوــش یم نییعت ریگدای یاتاموتا اب ،HMAX لدم لدم ییاراک شیامن لیلد هب .تسا ریواصت زیر یاه...