فراتفکیک¬پذیری تصویر یکی از فرآیند¬های مهم پردازش تصویر جهت افزایش وضوح تصاویر و ویدئو¬ها می¬باشد. در سال¬های اخیر، روش¬های مبتنی بر شبکه¬های عصبی عمیق جهت فراتفکیک¬پذیری شاهد پیشرفت قابل توجهی بوده است. هدف این مقاله ارائه یک بررسی جامع در مورد پیشرفت¬های اخیر فراتفکیک¬پذیری تصویر با استفاده از رویکرد¬های یادگیری عمیق است. در اين مقاله، ضمن معرفي مفاهیم فراتفکیک¬پذیری تصویر، به بررسی الگوریتم¬های رایج یادگیری عمیق جهت فراتفکیک¬پذیری، و کاربردهای فراتفکیک¬پذیری پرداخته شده¬است. علاوه بر این، مجموعه پایگاه¬های داده و معیارهای ارزیابی تشریح داده می¬شود. اين مقاله مي¬تواند راهگشاي محققان پردازش تصوير در فرآیند فراتفکیک¬پذیری باشد. اهتمام نويسندگان بر اين بوده است که همه جنبه¬هاي اين فرآیند مورد کاوش قرار گيرد. تفاصيل المقالة

موقعیت‌یابی خودرو به عنوان یکی از شاخه‌های مهم اینترنت وسایل نقلیه، توجه زیادی را به خود جلب کرده است. سیستم‌های موقعیت‌یابی سنتی بر پایه سیستم موقعیت‌یابی جهانی با تاخیرهای طولانی همراه هستند و ممکن است به دلیل موانع مختلف از کار بیفتند. در این مقاله، یک ساختار موقعیت‌یابی کمکی پیشنهاد می‌شود، که هسته اصلی آن تخمین زاویه ورود سیگنال‌ها (DOA) از نقاط مشخص، مانند نقاط دسترسی بیسیم، با استفاده از یک آرایه حسگر در خودرو است. به دلیل محدودیت فضا، آرایه ممکن است در یک هندسه دلخواه قرار گیرد و ممکن است اثر تزویج متقابل بین عناصر آرایه به شدت خاصیت استقلال عناصر آرایه را کاهش دهد و این اثر شامل برهمکنش هریک از عناصر با اشیاء نزدیک خود می‌شود. در آنتن‌های آرایه ای تزویج متقابل بین عناصر آرایه یک اثر نامطلوب بوده که عملکرد الگوریتم‌های پردازش سیگنال را بشدت خراب می‌کند. در این مقاله یک شکل جدید و دقیق از ماتریس امپدانس متقابل (MIM) جهت جبرانسازی اثر تزویج متقابل در آرایه‌های خطی (ULA) بوسیله یک روش جدید بر اساس حل مسئله مقادیر مرزی برای همه عناصر آرایه به کار می‌رود. با بکار گیری ماتریس امپدانس متقابل در الگوریتم‌های تخمین زاویه ورود باعث مقاوم سازی این الگوریتم‌ها نسبت به اثر تزویج متقابل خواهد شد. نتایج شبیه‌سازی، بهبود عملکرد الگوریتم تخمین DOA پیشنهادی را تأیید می‌کند. ساختار پیشنهادی می‌تواند موقعیت خودرو را بین شبکه‌های موقت موجود بصورت دقیق به دست آورد و می‌تواند با سایر سیستم‌های موقعیت‌یابی برای ایجاد یک محیط رانندگی ایمن همکاری کند. تفاصيل المقالة

Epilepsy is a chronic disorder and outbreak of brain function, caused by the abnormal and intermittent electric discharge of brain neurons. Electroencephalogram signals represent brain activities, and one of the methods of diagnosing epilepsy is using EEG brain signals. In this article, a new method for diagnosing epilepsy using EEG signal processing is presented. At first, the EEG signal is divided into five frequency sub-bands using Discrete Wavelet Transformation (DWT). Then, the features are extracted from five frequency sub-bands, and the best features are selected by the analysis of variance (ANOVA) method. Finally, by using the Support Vector Machine (SVM) algorithm, these features are used to classify seizure and non-seizure EEG signals. The simulation results from the Bonn university dataset affirm the suggested approach's advantage in comparison with some other basic classical methods in terms of accuracy, sensitivity, and specificit. تفاصيل المقالة