مقاله در مورد تغییر شدت روشنایی با صوت به روش plc

اختصاصی از اس فایل مقاله در مورد تغییر شدت روشنایی با صوت به روش plc دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه101

بخشی از فهرست مطالب

فهرست

چکیده 1

بخش 1 : 57

1-1 ارتباط PLC , مشکلات , تکنیکهای مدرن 57

1-2 مصارف PLC 57

1-3 مشکلات ارتباط از طریق خط برق 58

1-3-1 امپدانس و تضعیف کانال خط برق 58

1-4 مدلهای کانال خط برق 60

1-5 پهنای باند 61

1-5-1 استانداردها برای ارتباط از طریق خط برق 62

1-6  نتیجه گیری 62

بخش 2 : نکات عملی 64

2-1  خلاصه 64

2-2 روشهای مدولاسیون 64

Frequency Shift keying 64

Phase shift keying 67

2-3 شبکه کوپلینگ 70

2-4 روشهای کنترل خطا 74

2-4-1 روش ردیابی خطا 74

2-4-2 روشها اصلاح خطا 75

2-5 توصیه هایی برای کنترل خطا در PLC 76

2-6  نتیجه گیری 76

بخش 3 : تحقیق عملی سیستم 77

3-1 خلاصه 77

3-2 اهداف 77

3-3 از تئوری به عملی 77

3-3-1 سیستم مدولاسیون Spread – Spectrum 77

3-3-2 شبکه کوپلینگ 81

3-4 اجرای سیستم 2 لایه ای 82

3-4-1 طرح FSK 83

3-4-2 شبکه کوپلینگ 85

3-5 تست کردن لایه اول 86

3-6 اجرای لایه دوم و ارتقاء عملکرد لایه اول 88

3-6-1 طرح Spread – Spectrum 88

3-6-2 اجرای پرشهای فرکانسی 90

3-6-3 چک کردن خطا و اصلاح آن 91

3-7 92

بخش 4 : مدار طراحی شده در این پروژه 94

4-1 خلاصه 94

4-2 شرحی جامع بر نحوه عملکرد سیستم 94

4-3 شرح کاملی بر تک تک قسمتهای مدار 95

فهرست مطالب بخش PLC                                   چکیده:

مقدمه:

فصل اول

مروری بر بازشناسی گفتار

1-1) پردازش بر روی گفتار به دو دسته کلی تقسیم می شود:

1-2) مقدمه ای بر بازشناسی گفتار:

1-3) پارامترهایی که در کارایی یک سیستم بازشناسی گفتار موثرند و تعیین کننده میزان پیچیدگی سیستم می باشند عبارتند از:

1-3-1) بازشناسی وابسته به گوینده و مستقل از گوینده:

1-3-2) باز شناسی لغات مجزا و گفتار پیوسته:

1-3-3) اندازه دایره لغات:

1-3-4) تشخیص حدود کلام:

1-3-5) نویز محیط:

1-3-6) محدودیتهای زبانی:

1-4) روش های متداول بازشناسی :

1-5) فرایند تولید گفتار:

1-6) انواع نواحی پایدار:

1-7) Spectrogram

1-8) ساختار فایلهای Wave

فصل دوم

تئوریDTW

2-1)مقدمه:

2-2) اصول روش DTW

2-3) محاسبه فاصله محلی

2-4) محاسبه فاصله عمومی(فاصله کلی)

2-5)ناحیه محدود شده

3-5)الگوریتم DTW

فصل سوم

استخراج بردار ویژگیها

3-1)مقدمه:

3-2) روشهای استخراج بردار ویژگیها

3-3) LPC

3-3-1) روابط تحلیلLPC

3-4)ضرایب Cepstral:

3-5) وزن دهی ضرایب

فصل 4 :

4-1 استخراج مشخصات و پردازش سیگنال :

4-2 pre – emphasis

4-3 Frameblocking  windowing

4-4 autocorrelation

4-5 فرمول Lpc

4-6 Parameter  weighting

فصل 5

ایجاد الگوی اولیه :

• کوانتیزه کردن برداری : (VQ)
• ایجاد پایگاه اطلاعاتی
• ایجاد پایگاه اطلاعاتی
• ایجاد پایگاه اطلاعاتی

5-3 الگوریتم     K – means

فلوچا

  چکیده  

امروزه با پیشرفت علوم کامپیوتر و استفاده از کامپیوترهای شخصی و ذخیره کردن اطلاعات شخصی وجود سیستمی که تنها به آن شخص اجازه دسترسی به اطلاعات را بدهد لازم به نظر می رسد. علاوه بر این استفاده از پردازش سیگنال صوت در پزشکی و تشخیص از طریق سیگنال صوت می تواند بسیار مفید باشد. روش های بسیاری برای تشخیص صوت به کار می روند و مراحل زیادی برای تشخیص، تجزیه و تحلیل صوت وجود دارد. تشخیص صوت ها معمولاً با ایجاد نمونه های دیجیتال از صوت انجام می گیرد که این روش های ایجاد طیف می تواند

M FCC (MCL frequency cepstral  coefficients)

LPC (linear predictive coding)

 و یا روشی coch lea باشد و در مرحله بعد نمونه های صوت کوانتیزه می شوند و در دسته بندی های مشخص قرار می گیرند و بعد هم سیگنال های آماده شده مقایسه می شوند تا کمترین فاصله بین آنها به عنوان نمونه مورد قبول انتخاب شود و سیگنال  ورودی تشخیص داده شود. این مرحله تشخیص نیز می تواند با استفاده از روش های گوناگون از جمله:

DTW (Dynamic time warping )

HMM (Hidden Markov Models)

NNS (Neural Network )

به طور جداگانه یا مجموعه ای از این روش ها انجام شود که در این پروژه علاوه بر همه روش ها از DTW به عنوان روش مقایسه ای استفاده می کنیم و با کمک نرم افزار C برنامه ای را برای انجام مقایسه و انجام کلیه مراحل پردازش سیگنال در اختیار خوانندگان قرار می دهیم. البته در این پروژه هدف از تشخیص صوت دریافت دستور و پردازش و تشخیص آن صوت برای تغیر شدت روشنایی میباشد.

Plc (Power Line Carrier)

مقدمه:

گفتار راه طبیعی و مفید برای رد و بدل کردن اطلاعات بین انسان هاست. برای ساختن یک کامپیوتر هوشمند این مسأله مهم است که ماشین می تواند "بفهمد" و به اطلاعات داده شده "عمل کند" و همچنین برای تکمیل اطلاعات صحبت کند.

بنابراین تشخیص صوت برای یک کامپیوتر جهت دستیابی به هدف ارتباط کامپیوترها با انسان لازم است. با بیش از چهل سال تحقیق و الگوریتم های زیادی برای تشخیص صوت اتوماتیک ایجاد شد. روش " مقایسه نمونه" یکی از بهترین دستاوردها می باشد. در این روش سیستم یک یا چند نسخه اصلی برای هر واژه ذخیره می کند و سیگنال صوت وارد شده را با هر کدام از آنها برای پیدا کردن نزدیکترین گزینه مقایسه می کند. این فرایند شامل دو مرحله است:

1. آماده کردن نمونه های اولیه
2. تشخیص سیگنال ورودی از طریق روش های مقایسه نمونه

ابتدا فرایند پردازش این الگو را برای هر حرف در واژه ایجاد می کند. سیگنال صوت در قسمت پردازش به فرم هایی با طول مساوی تقسیم می شود سپس واحد acoustic front – end هرفریم را به یک نمودار مشخصه تبدیل می کند که تمام خصوصیات سیگنال آن فریم خاص را در بر دارد. این نمودارهای مشخصه به گروه هایی توسط بلوک طبقه بندی نمونه) تقسیم می شوند تا مدل هایی از یک کلمه را ایجاد کنند. این فرایند برای تمام حروف در یک واژه تکرار می شوند. تصور کلی چنین است که اگر از یک نمونه اندازه کافی نسخه داشته باشیم مرحله پردازش باید بتواند مشخصات صوتی نمونه را به اندازه کافی بیان کند. فرایند تشخیص ابتدا سیگنال ناشناس را به کمک همان acoustic front – end که در فرایند سیگنال اولیه استفاده شد به نمودار مشخصه تبدیل می کند. سپس این نمودار مشخصه با هر کدام از نمونه های آماده شده سیگنال اولیه مقایسه می شوند که این مقایسه در بلوک pattern – matching  انجام می شود.

یک فرایند تشخیصی بر پایه بهترین مقایسه است که این مقایسه بر اساس یک عملکرد فاصله بین دو نقطه از نمودار مشخصه تعریف می شود که یکی از این نقاط روی نمودار مشخصه سیگنال ورودی و دیگری روی نمودار سیگنال ذخیره شده است.

هدف این پروژه این است که با معرفی یک تصویر کلی از تشخیص صوت برای دانشجویان مهندسی که بتوانند یک برنامه تشخیص C بنویسند که از روش DTW استفاده کنند. یکی از مشکلات اساسی در پردازش سیگنال ها به عینیت در آوردن مسائل تئوری و دیدگاههای کلی است. این پروژه به توانایی مهم زیر دست خواهد یافت:

1. گزینش DTW : یک سیگنال ورودی و یک الگو را می دهد. این واحد باید بتواند بهترین مسیر گزینشی را پیدا کند و همچنین باید بتواند سیگنال را تشخیص بدهد و بهترین گزینه را ارائه دهد.

به طور کلی در بخش های مختلف به مطالب زیر می رسیم:

1. به بحث Lpc می پردازد که یک نمودار مشخصه را برای سیگنال ها ایجاد می کند.

روش های مختلف محاسبه DF:

1. روش هایی را نشان می دهد که سیگنال اولیه تا پردازش می کند و الگو را ایجاد می کند و این سیگنال را ذخیره می کند.
2. معرفی الگوریتم (DP) و کاربرد آن در تشخیص صوت (DTW) که آن یک الگوریتم است برای محاسبه فاصله بین دو نمودار مشخصه.
3. خلاصه و نتیجه گیری و در نهایت هم مراجع و منابع معرفی شده اند.

فصل اول

مروری بر بازشناسی گفتار

1-1) پردازش بر روی گفتار به دو دسته کلی تقسیم می شود:

1) تبدیل متن به گفتار (Text. To. Speech): تبدیل متن به گفتار به این صورت است که ورودی، صفحه کلید است و متنی را که می خواهیم به گفتار تبدیل شود تایپ می کنیم و در خروجی که بلندگو می باشد، متن تایپ شده را بصورت صوتی (صدای انسان) خواهیم داشت.

(Windows xp speech properties)

2) تبدیل گفتار به متن (Speech . to. Text): تبدیل گفتار به متن به این صورت است که ورودی میکروفون می باشد. کافی است متنی را که می خواهیم تایپ شود، بخوانیم و در خروجی که پرینتر یا مانیتور می باشد متن مورد نظر را بصورت تایپ شده خواهیم داشت.(Windows XP speech properties)

1-2) مقدمه ای بر بازشناسی گفتار:

        سیستمهای بازشناسی گفتار فعلی با کارایی قابل قبول در یکی از سه دسته زیر قرار می گیرند:

• سیستمهای با دایره لغات کوچک(10 تا 100 لغت). Isolated Words
• سیستمهایی که در آنها لغات جدا از هم ادا می شوند(دایره لغات تا 1000 لغت نیز می تواند افزایش یابد).Connected Words
• سیستمهایی که گفتار پیوسته را می پذیرند اما با کاربردهای محدود سرو کار دارند. به عنوان مثال پیامهای مرتبط با کارهای اداری در یک شرکت خاص(که در این حالت دایره لغات معمولاً بین 1000 تا 5000 لغت را شامل می شود.(Continuous Words)

در کاربردهای عملی اکثراً سیستمهای با دایره لغات کوچک و گفتار گسسته مورد استفاده قرار می گیرند. این سیستمها می توانند در بسیاری از کاربردهای نسبتاً ساده برای تسهیل و افزایش راندمان در ورود اطلاعات به دستگاه (خصوصاً در جاهایی که استفاده از دست بطور مستقیم ساده نبوده و خطرناک باشد) به کار گرفته شوند.

تمام سیستمهای بازشناسی، در حالتی که نیاز به تشخیص گفتار یک یا چند گوینده خاص باشد، بهتر عمل می کنند. همچنین بیانهای واضح به بازشناسی بهتر، کمک می کنند. در کاربردهای واقعی بازشناسی گفتار، سیستم باید بتواند گفتار چندین گوینده با لهجه های مختلف و طرق مختلف صحبت را که چندان نیز واضح نیستند، در محیط های نویزی تشخیص دهد. در حال حاضر هستند(HMM). سیستمهای جدید در واقع جبران کمبود اطلاعات مدلسازی دقیق را می نمایند. اما در ازای آن دارای محاسبات زیادی چه در فاز یادگیری و چه در فاز تشخیص می باشند.

1-3) پارامترهایی که در کارایی یک سیستم بازشناسی گفتار موثرند و تعیین کننده میزان پیچیدگی سیستم می باشند عبارتند از:

1. بازشناسی وابسته به گوینده و مستقل از گوینده.

1. بازشناسی لغات مجزا و گفتار پیوسته.
2. وسعت دایره لغات.
3. تشخیص حدود کلام
4. تشخیص گفتار در محیط نویزی و نوع نویز محیط.
5. محدودیت های زبانی گفتار(لهجه یا گویش)

در قسمت بعدی بصورت اختصار موارد بالا را مورد بررسی می گیرد.

1-3-1) بازشناسی وابسته به گوینده و مستقل از گوینده:

در سیستم وابسته به گوینده در هنگام بازشناسی از همان گوینده ای استفاده می شود که در هنگام آموزش نیز از او استفاده شده است. در سیستمهای مستقل از گوینده چندین نفر برای آموزش استفاده کرده ایم، استفاده کنیم.

در سیستمهای وابسته به گوینده این مشکل وجود دارد که هر بار که نیاز به گفتار گوینده جدیدی باشد، لازم است که سیستم دوباره بوسیله گوینده جدید آموزش داده شود. ولی مزیتی که این روش دارد این است که این سیستم به نتایج بهتری در بازشناسی در مقایسه با یک سیستم مستقل از گوینده دست می یابد.

1-3-2) باز شناسی لغات مجزا و گفتار پیوسته

در سیستم بازشناسی لغات مجزا از بیانهای مجزای گفتار برای آموزش استفاده می شود. چون بیانهای مجزا اغلب لغات هستند، این نوع بازشناسی گفتار معمولاً بازشناسی  " لغات مجزا" نامیده می شود. در فاز تشخیص فرض بر این است که گوینده جملاتی را با فواصل به اندازه کافی طولانی بین لغات ادا می کند. معمولاً حداقل زمان چند دهم ثانیه لازم است تا سکوت با اصوات ضعیف اشتباه نشود.

در سیستم بازشناسی گفتار پیوسته که پیچیده ترین سیستم بازشناسی است، گوینده پیغام خود را به صورت یک جمله عادی بیان  می کند. در مرحله اول سیستم باید بتواند مرزهای متغیر ناشناخته در گفتار را تشخیص دهد. در مرحله بعد اثرات  هم ادایی که شامل اثرات اصوات بر یکدیگر و نیز افزودن یا حذف برخی اصوات است توسط سیستم در نظر گرفته می شود.

در این حالت در مدلسازی ، واحدهای زیر لغوی (سیلاب، فونم، فون و ... ) همبستگی های بین کلمه ای و داخل کلمه ای اصوات مد نظر قرار می گیرند.

در بازشناسی گفتار پیوسته با دایره لغات کوچک ، تکنیک دیگری به نام بازشناسی گفتار متصل(connected word)مورد استفاده قرار می گیرد. در این روش یک جمله توسط سر هم کردن مدل های ساخته شده برای لغات مجزا تشخیص داده می شود. در این روش مدل کردن اثرات ناشی از پشت سر هم قرار گرفتن کلمات یا اثرات همبستگی بین کلمه ای و داخل کلمه ای مورد نظر نمی باشد.

1-3-3) اندازه دایره لغات:

با افزایش اندازه دایره لغات، هم کارایی و هم سرعت سیستم بازشناسی گفتار کاهش یافته و میزان حافظه لازم در سیستم افزایش می یابد.

به طور معمول سیستمهای با اندازه دایره لغات100-1 کلمه ، سیستمهای با اندازه لغات "کوچک" 1000-100 کلمه ، اندازه" متوسط" و بیشتر از 1000 کلمه ، اندازه " بزرگ" خوانده می شوند.

سیستمهای با دایره لغات کوچک در کاربردهایی نظیر تشخیص کارت اعتباری و شماره تلفن مورد استفاده قرار می گیرند. مانند شماره گیرهای  صوتی در گوشیهای تلفن همراه. تمرکزسیستمهای با دایره لغات متوسط در سیستمهای آزمایشگاهی تحقیقاتی روی تشخیص گفتار پیوسته می باشد و سیستمهای با دایره لغات بزرگ نیز در تولیدات تجاری و در کاربردهای گوناگون به کار گرفته شده اند. مانند فرهنگ لغات گویا و مترجمهای جیبی.

برای کاربردهای با دایره لغات کوچک (به عنوان مثال تشخیص رشته های عددی) اغلب روشهای بازشناسی لغت مجزا استفاده میشوند. در این موارد مدلی برای هر کلمه از دایره لغات در سیستم موجود است و برای تشخیص هر کلمه ، کلیه مدلها تست می شوند. هر جه دایره لغات بزرگتر شود آموزش و ذخیره سازی مدل برای هر کلمه و نیز بازشناسی مشکلتر می گردد. معمولاً در این حالت مدلهایی با اجزای زیر لغوی در نظر گرفته می شود و الگوریتم های جستجو برای تشخیص ، پیچیده تر می شوند و در عین حال برای حذف اجزای بی معنی و نامناسب در جملات باید از محدودیت های زبانی ( نظیر محدودیت های گرامی و معنایی) نیز بهره جست.

1-3-4) تشخیص حدود کلام:

تعیین صحیح نقاط ابتدا و انتهای گفتار در بسیاری از تکنیک های بازشناسی لغات مجزا سبب بالا رفتن کارایی سیستم خواهد شدو مسئله تعیین حدود کلام در عمل مسئله مشکلی میباشد. لغت هایی که با فونمنهای کم انرژی شروع می شوند یا لغاتی  که به انفجار غیر مصوت ختم می شوند، مشکل زا خواهند بود. علاوه بر این برخی گویندگان عادت دارند که کلمات را کشیده ادا کنند. برخی دیگر در انتهای لغات نویز انفجاری ناشی از نفس کشیدن را اضافه می کنند. به علاوه مشخص است که نویز زمینه نیز میتواند باعث اشتباه در تعیین حدود کلام گردد. به خصوص در حالتی  که نویز غیر ایستان باشد با توجه به اینکه نمی توان آنرا درست مدل کرد، مسئله دشوارتر خواهد بود.

روشهای قدیمی تر تعیین ابتدا و انتهای گفتار، مبتنی بر معیار انرژی و معیار عبور از سطح صفر بوده اند. این روشها در کاربردهای ساده قابل اجرا می باشد. به عنوان مثال در مواقعی که گفتار دارای پهنای باند محدود(کمتر از 3 کیلو هرتز) باشد میتوان معیار انرژی را به تنهایی مورد استفاده قرار داد.

با توجه به مسائلی که در بالا برای تعیین حدود کلام مطرح گردید، معیار انرژی بجز در برخی کاربردهای محدود، دچار مشکل خواهد شد. یکی از اساسی ترین مشکلات ، طبیعت غیر ایستادن انرژی صوت در طول کلمه می باشد. آستانه های تعیین شده در روش های مذکور ، برای یک لغت با صدای بلند ممکن است برای فون ضعیفتر دیگری (حتی در خود کلمه) مناسب نباشد. بنابراین دو کار می توان انجام داد. یا آستانه های انرژی مناسب با انرژی سیگنال را در آن زمان مرتباً تغییر داد یا آستانه را ثابت قرار داده و انرژی سیگنال را در زمانهای مختلف نرمالیزه نمود. این روش نرمالیزه کردن از دو جهت مفید می باشد. اولاً کلماتی که پشت سر هم ادا شده و یک جمله را تشکیل داده اند به طور معمول از ابتدا تا انتهای جمله دارای کاهش انرژی هستند که روش نرمالیزه کردن فوق این مسئله را جبران می کند. ثانیاً مشکل دیگری در مورد اصوات ضعیف ابتدا و انتهای کلمات وجود دارد که با اعمال این روش تا حد زیادی کاهش می یابد.

مشکل اصوات انفجاری انتهای کلام به این صورت حل می شود که تعیین انتهای کلمه منوط به مشاهده  حداقل تعدادی فریم سکوت باشد. به طرز  مشابه مسئله صداهای زمینه گذرا که به عنوان کلام شناسایی میشوند، بدین طریق مرتفع  می گردد که تعیین کلمه منوط به مشاهده حداقل تعدادی فریم گفتار باشد.

روش دیگری نرمالیزه کردن سیگنال ، روش نرمالیزه کردن زمانی است که در شکل  1 به نمایش در آمده است.

پروژه بررسی بیومتریک های رفتاری در شدت ضربه انگشت روی صفحه کلید. doc

اختصاصی از اس فایل پروژه بررسی بیومتریک های رفتاری در شدت ضربه انگشت روی صفحه کلید. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 155 صفحه

مقدمه:

با تکثیر و ازدیاد کامپیوتر ها در زندگی روزمره، ما به افزایش مداوم امنیت معتبر کامپیوترها نیاز داریم. تکنولوژیهای بیومتریک، متدولوژی کنترل معتبر و کاربر پسندانه ای برای دسترسی به سیستمهای کامپیوتری، شبکه ها و ایستگاههای کاربر فراهم می آورند.

اکثر محققین در مورد بیومتریکهای فیزیکی مانند اثر انگشت یا اسکن عنبیه تحقیق کرده اند. سیستمهای بیومتریک حرکتی و رفتاری معمولا کمتر مورد بررسی قرار گرفته اند و تنها در بخش بزرگی بر پایه کنترل حرکتی مانند ضربه زدن، امضا یا قدم به خوبی آنالیز شده اند.

بیومتریک حرکتی بر تکنولوژیهای بیومتریک سنتی ارجحیت دارند. آنها می توانند بدون دخالت یا حتی دانش کاربر جمع آوری شوند. مجموعه داده حرکتی اغلب نیازی به هیچ سخت افزار خاص ندارند و همچنین هزینه بسیار مناسبی را دارند. تا زمانی که بیومتریک های رفتاری یا همان حرکتی منحصر به فرد نیستند برای تهیه تعیین هویت معتبر انسان کافی اند و برای تایید هویت با اعتبار بالا نشان داده شده اند. این بخش بر مبنای "بیومتریکهای رفتاری: بررسی و دسته بندی"است. یامپولسکی و گوینداراجودر مجله بین المللی بیومتریک این موضوع را بررسی کرده اند. این بخش یک مرور کلی و جامع جدید را نشان می دهد و تحقیقات منتشر شده قبلی را که در مجلات منتشر شده اند را بهبود می بخشد.

برای انجام کارهای روزمره انسان استراتژی های مختلفی به کاربرده شده است، از سبکهای متفاوتی استفاده شده و مهارتهای و دانشهای منحصر به فردی به کاربرده می شود. یکی از مشخصات تعریف شده در بیومتریک رفتاری ترکیب بعد زمان به عنوان بخشی از نشانه و اثر حرکتی و رفتاری است. رفتار و حرکت اندازه گیری شده یک شروع، طول، و پایان دارد. محققین بیومتریک های رفتاری سعی می کنند تا ویژگی ها ی رفتاری نشان داده شده توسط کاربران را تعیین کنند و از نتایج پروفایل ها برای بررسی بهتر شناسه ها استفاده کنند. در این بخش نویسندگان بیومتریکهای رفتاری برقرار شده را نشان می دهند.

بیومتریکهای رفتاری می توانند به پنج گروه بر مبنای نوع اطلاعات که در مورد کاربر جمع می کنند دسته بندی شوند. گروه اول از نویسندگی بر مبنای بیومتریک ها ساخته می شود، که بر مبنای آزمایش یک بخش از نوشته یا یک طرح و رسم ایجاد شده توسط انسان است. تایید و تحقیق با مشاهده نوع کار و مختصات کار نویسنده مانند لغت مورد استفاده، نقطه گذاری یا ضربه های قلم انجام می شود.

گروه دوم شامل فعل و انفعال کامپیوتر انسان (HCI ) بر مبنای بیومتریک هاست. در کار روزمره انسان با کامپیوتر استراتژی های مختلفی به کار برده می شود، از سبکهای متفاوتی استفاده می شود و دانش و قابلیتهای منحصر به فردی به کار برده می شود. محققین سعی می کنند تا ویژگی ها و صفات را تعیین کنند و از نتیجه پروفایلهای ویژگی برای تشخیص موفق استفاده کنند. بیومتریکهای مبتنی بر (HCI) می توانند به زیرگروههای زیادتری تقسیم شوند، اولی شامل کارانسان با دستگاههای ورودی مانند کیبورد،موس کامپیوتر و لمس است که می توانند به صورت مشخص و اصلی ثبت شوند و شامل فعالیتهای عضلانی هستند. گروه دوم بیومتریکهای حرکتی مبتنی بر (HCI) شامل اندازه گیری پیشرفته رفتار و حرکت انسان به عنوان استراتژی، دانش یا مهارت نمایش داده شده توسط کاربر در طول کار با نرم افزار مختلف می باشد.

سومین گروه در ارتباط با گروه دوم است و مجموعه ای از بیومتریکهای مبتنی بر(HCI) غیر مستقیم است که رویدادهایی هستند که می توانند با مونیتور رفتارهای (HCI) کاربر را به صورت غیر مستقیم از طریق فعالیتهای سطح پایین قابل مشاهده نرم افزار برقرار کنند. آنها شامل log های بررسی، پیگیری اجرای برنامه، دسترسی ثبات، فعالیت ذخیره سازی، تجزیه داده فراخوانی پشته و فراخوانی های سیستم است. بعضی از رویدادهای سطح پایین به طور ناخواسته توسط کاربر در طول کار با نرم افزار متفاوت تولیدشده اند.

بیومتریکهای (HCI) یکسان در بعضی اوقات با نامهای متفاوتی توسط محققین معرفی می شوند. IDS مبتنی بر فراخوانی های سیستم یا log های بررسی اغلب به عنوان پیگیری های اجرای برنامه دسته بندی می شوند و بر مبنای داده فراخوانی پشته به عنوان فراخوان سیستم هستند. آشفتگی شاید به علت وابستگی زیاد موجود مابین بیومتریکهای رفتاری غیر مستقیم متفاوت باشد و آنها به صورت پیوسته در ترکیبات استفاده شوند تا درستی سیستم در حال توسعه را بهبود ببخشند. برای مثال سیستم فراخوانی می کند و داده شمارنده برنامه در نشانه حرکتی مشابه ترکیب می شود یا log های بررسی شاید شامل اطلاعاتی در مورد فراخوانی سیستم ها باشند. همچنین می توان فراموش کرد که انسان به طور غیر مستقیم بعد از یکی از بازتابهای رفتار واکنش نشان می دهد.

چهارمین و احتمالا بهترین گروه پژوهشی در بیومتریک رفتاری بر مهارتهای محرک کاربران تکیه می کند که برای انجام دادن اعتبار و درستی است. مهارت محرک یک توانایی از انسان است که از عضلات بهره می گیرد. حرکات عضلات بر عملکرد صحیح مغز، اسکلت، مفاصل، و سیستم عصبی تکیه می کند و همچنین مهارتهای حرکتی مستقیما کیفیت عملکرد چنین سیستمهایی را منعکس می کند، تایید شخص را امکان پذیر می کند. بیشتر مهارتهای حرکتی یاد گرفتنی اند، به ارث برده نمی شوند، دارا بودن ناتوانایی های بالقوه بر توسعه مهارتها تاثیر می گذارد. نویسندگان تعریف برای مهارتهای محرک بر مبنای بیومتریک رفتاری را می پذیرند.

پنجمین و آخرین گروه شامل بیومتریکهای رفتاری کلی است. این گروه کسانی هستند که مستقیما رفتار انسانی را نه با تمرکز روی اندازه گیری از قسمتهایی از بدن یا به صورت ذاتی بررسی می کنند و فعالیتهای عضلانی مانند راه رفتن در یک پیاده روی فردی، انواع یا حتی درک یک ابزار را اندازه گیری می کنند. بشر از استراتژیهای مختلف، مهارتها و دانش گوناگون در طول اجرا و عملکرد ذهنی کارهای خواسته شده استفاده می کند. بیومتریکهای رفتاری کل صفات رفتاری و موفقیت تایید هویت امکان پذیر را تعیین می کنند.

همه بیومتریکهای رفتاری که در این بخش بررسی شده اند تعدادی از مشخصات مشترک را دارند و می توانند به عنوان یک گروه با استفاده از هفت خصوصیت تحلیل شوند. این ایده خوبی است که آنها را قبل از اعلام برخی ویژگی های مناسب برای شناسایی خودکار چک کنیم.

• جامعیت: بیومتریکهای رفتاری به تواناییهای خاصی وابسته هستند که توسط افراد مختلف با یک درجه متفاوت پردازش می شوند و همچنین در کل جامعیت بیومتریکهای رفتاری بسیار کم است. اما از آنجا که بیومتریکهای رفتاری تنها در یک دامنه خاص به کار برده می شوند، جامعیت واقعی 100% است.
• یکتایی:از آنجا که تنها یک مجموعه کوچک از روشهای متفاوت برای اجرای هر کار وجود دارد یکتایی و منحصر به فرد بودن بیومتریکهای رفتاری نسبتا کم است. تعداد سبکهای نوشتاری موجود، استراتژیهای بازی های متفاوت و تنظیمات مختلف تنها برای تایید هویت کاربر کافی نیست مگر اینکه مجموعه ی کاربران بسیار کوچک باشد.
• پایداری: بیومتریک های رفتاری درجه کمی از کارایی را نشان می دهند آنها رفتار را اندازه گیری می کنند طوری که با زمان تغییر کند به عنوان فردی که تکنیکهای پیشرفته و روشهای سریعتر برای انجام کارها را یاد بگیرد. با این همه، این مشکل مفهوم جریان در رفتار بر مبنای پژوهش شناسایی نفوذ نشان داده شده است و سیستمها به گونه ای توسعه یافته اند که قادر به تنظیم تغییر رفتار کاربران باشند.
• قابلیت جمع آوری: جمع آوری بیومتریک های رفتاری برای کاربر نسبتا آسان و پوشیده است. در برخی موارد شاید کاربر اطلاع نداشته باشد که جمع آوری داده اتفاق نیافتاده است. فرایند جمع آوری داده کاملا اتوماتیک و بسیار کم هزینه است.
• کارایی: دقت شناسایی بسیاری از بیومتریکهای رفتاری کم است مخصوصا وقتی که تعداد کاربران در پایگاه داده بزرگ می شود. با این حال دقت و درستی تایید برای برخی از بیومتریکهای رفتاری بسیار خوب است.
• مقبولیت: از آنجا که ویژگی های بیومتریک رفتاری می تواند بدون مشارکت کاربر جمع آوری شده باشد آنها از یک درجه بالای مقبولیت و پذیرش لذت می برند، اما ممکن است به دلایل اخلاقی و خصوصی اعتراض گردد.
• دور زدن: در سیستمهای بیومتریک رفتاری نسبتا دشوار است که بتوان به راحتی از دانش دیگری استفاده نمود. به همین علت بسیار مهم است که پروفایلهای رفتاری جمع آوری شده را به طور امن و رمزنگاری شده نگهداری نمود.

فهرست مطالب:

فصل اول: طبقه بندی و بررسی بیومتریک های حرکتی

1-1 مقدمه ای بر بیومتریکهای حرکتی

2-1 پیش زمینه پژوهش رفتاری و حرکتی

3-1 توصیف بیومتریکهای رفتاری

4-1 فایلهای لاگی رسیدگی

5-1 طرح های بیومتریک

1-5-1Blinking(نگاه مختصر)

2-5-1 پشته فراخوان

3-5-1 رفتار فراخوان

4-5-1 سبک رانندگی ماشین

5-5-1 واژگان خط فرمان

6-5-1 استفاده از کارت اعتباری

7-5-1 ویژگی های صوری پویا

8-5-1 رفتار ایمیل

9-5-1 راه رفتن/قدم زدن

10-5-1 استراتژی بازی

11-5-1 تعامل GUI

12-5-1 گرفتن دست

13-5-1 لمسی

14-5-1 پویایی ضربه زدن

15-5-1 حرکت لب

16-5-1 پویایی ماوس

17-5-1 ترافیک شبکه

18-5-1 سبک نقاشی

19-5-1 سبک برنامه نویسی

20-5-1 دسترسی به رجیستری

21-5-1 امضا / دست نوشته

6-1 بیومتریکهای رفتاری نرم

7-1 فعالیت ذخیره سازی

8-1 فراخوانی های سیستم

9-1 بهره برداری

10-1 نویسنده متن

11-1 صوت / صحبت / صدا

12-1 روشهای بیومتریک رفتاری جدید

13-1 صدای ضربان قلب

14-1 ECG به عنوان بیومتریک رفتاری

15-1 امواج مغزی: EEG به عنوان یک بیومتریک رفتاری

16-1 افکار و اندیشه

17-1 تعامل نرم افزاری تکنولوژی های بیومتریک

18-1 بیومتریکهای نظارت تصویری

19-1 رفتار خواص عمومی

20-1 تاثیر محیط زیست بر رفتار

21-1 الگوریتم تعمیم یافته برای بیومتریکهای رفتاری محض

22-1 مقایسه و تحلیل

23-1 نتیجه

فصل دوم: دینامیک ضربه زدن به کلید، مرحله تائید و شناسائی

1-2 ویژگی های مورد استفاده با دینامیک ضربه زدن به کلید

2-2 تایید و شناسایی کاربر

3-2 سیستمهای تجاری

فصل سوم: دینامیک های ضربه کلید به عنوان بیومتریکی برای احرازهویت

1-3بیومتریک ها

1-1-3 اجازه بدهید دستان، چشمها و صورت شما را ببینیم

2-3 تشخیص الگو: نمایش، استخراج، و طبقه بندی

3-3 دینامیک های ضربه کلید: نه اینکه شما چه چیزی تایپ می کنید،بلکه شما چقدر تایپ می کنید

1-3-3 حالت فعلی دینامیک های ضربه کلید

2-3-3 انتخاب داده و معرفی

3-3-3 استخراج داده

4-3-3 طبقه بندی و شناسایی

4-3 کاربردها

5-3 نتیجه گیری

فصل چهارم: مطالعه و شناسایی زیست سنجش ضربه کلید، مرحله پیاده سازی

1-4 شناسایی بیومتریک ضربه زدن به کلید و احراز هویت از ورودی متن

2-4 سیستم بیومتریک ضربه به کلید

1-2-4 ضبط داده های خام ضربه زدن به کلید، مرحله پیاده سازی

2-2-4 استخراج ویژگی

3-2-4 طبقه بندی برای شناسایی

4-2-4 طرح آزمایشی و جمع آوری داده ها

3-4 نتایج آزمایشی

1-3-4 نتایج آزمایشی شناسایی

2-3-4 نتایج آزمایش احراز هویت

3-3-4 نتایج مطالعه طولی

4-4 مدل سلسله مراتبی سیستم و آزمایش پارامتر

1-4-4 مدل (Fallback) سلسله مراتبی

2-4-4 پارامترهای بیرونی

3-4-4 تعداد نمونه های ثبت نام

4-4-4 طول متن ورودی

5-4-4 توزیعات احتمالی ویژگی های آماری

5-4 نتیجه گیری و کار آینده

فصل پنجم: بحث ایمنی یکسان در دینامیک ضربه زدن به کلید

1-5 دینامیک ضربه زدن به کلید چیست؟

2-5 تاثیر دینامیک keystroke چگونه است؟

3-5 دینامیک های keystroke در استفاده یکسان

4-5 بازاریابی برای دینامیک های keystroke

5-5 دینامیک ضربه زدن به کلید: تاثیر کم امنیتی بیومتریک

6- 5 نتیجه فاکتورها برای بیومتریک

7-5 دینامیک ضربه زدن به کلید

1-7-5 KD چگونه کار می کند

2-7-5 گسترش تاثیر پایین در KD

3-7-5 دقت در KD

4-7-5 سرعت در KD

5-7-5 مقاومت در برابر تقلب و جعلKD

6-7-5 قابلیت اطمینان

7-7-5 شرایط ذخیره سازی داده ها

8-7-5 زمان ثبت نام

9-7-5 ادراک نفوذی و کاربر قابل قبول

8-5 نتیجه

فصل ششم: بررسی تاخیر و زمان انتقال کلیدها روی کیبرد

1-6 حملات زمانی به ارتباطات امن

2-6 نتیجه گیری و بحث

نتیجه‌گیری

منابع

منابع و مأخذ:

1. Behavioral biometrics for human identification , intelligent applications ( chapter 1 )
2. Keystroke dynamics ( jarmo iionan)
3. Keystroke dynamics as a biometric for authentication ( Fabian monrose)
4. Behavioral biometrics for human identification , Keystroke biometric identification and authentication on long-text input ( chapter 16 )
5. Keystroke dynamics : low impact biometric verification ( tom olzak )
6. Keystroke dynamics ( Lappeenranta university of technology)

تحقیق در مورد تبدیل تضعیف انتشار به شدت میدان دریافتی

اختصاصی از اس فایل تحقیق در مورد تبدیل تضعیف انتشار به شدت میدان دریافتی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:13

 فهرست مطالب

تبدیل تضعیف انتشار به شدت میدان دریافتی

متغیرها

شرایط محیط

کلیات

• پارامترهای طبیعی از جمله ساختار و جنس مسیر امواج
• پارامترهای مصنوعی از قبیل ساختمان ها و سازه ها

عوامل عمده

1. 14. سطح سیگنال دریافتی

مدل های تخمین

مقدمه

تقسیم بندی اصولی مدل ها

1. 15. 3. محدودیت های مدل های پایه

— مدل قطعی

معادله اصلی Hata مقدار انت انتشار(dB) بیان می کند. همچنین معنی های okumura و مدل های بهبود یافته Hata مقدار شدت میدان دریافتی را بیان می کنند. به همین خاطر لازم است که روابط Hata به معادلات شدت میدان تبدیل شود. که این امر به راحتی امکان پذیر است.

معادله Hata برابر است با

LP= …..

رابطه بین قدرت دریافتی از یک آنتن ایزوتروپیک و شدت میدان در ایستگاه گیرنده برابر است با

Pr =

Pr =

تبدیل یک معادله خطی به حالت لگاریتمی با فرکانس در رنج مگا هرتز برابر است با

Pr =

با جمع مقادیر ثابت داریم

Pr =

همیشه قدرت دریافتی برابر است با قدرت فرستنده Pt منهای افت انتشار LP.

Pr = Pt – Lp

با استفاده از رابطه(5) و (6) شدت میدان که وابسته به تضعیف و قدرت فرستنده می باشد محاسبه می شود.

E =

اگر قدرت فرستنده برابر 1KW ERP باشد این مقدار برابر است با KW EIRP 637/1 فرستنده که اگر این Pt به Db تبدیل نشود برابر 32.15Db می شود که رابطه E برابر است با

E = 19

برای تبدیل dB(v/m) به dB(   ) باید 120dB به رابطه(8) اضافه شود.

E =

با جایگزینی افت انتشار(LP) معادله Hata در رابطه(9) داریم

E=

متغیرها

افت انتشار امواج در منطقه شهری کوچک و متوسط بصورت LP:dB

افت انتشار امواج در منطقه حومه شهری بصورت LPs:dB

افت انتشار امواج در منطقه فضای باز بصورت LPO:dB

شدت میدان در فاصله d از فرستنده بصورت E:

فرکانس فرستنده برحسب مگاهرتز: f:

ارتفاع آنتن ایستگاه فرستنده برحسب متر hb:

ارتفاع آنتن ایستگاه گیرنده و سیار برحسب متر hm:

فاصله بین ایستگاه فرستنده و گیرنده برحسب کیلومتر d:

شکل (4) و (5) منحنی هایی برای رنج فرکانس 450MHz و 900MHz را نشان می دهد ارتفاع آنتن ایستگاه سیار 105 متر می باشد و ارتفاع آنتن ایستگاه ثابت بین 30 تا 1000 متر می باشد. (با تغییر مکانی %50  و تغییر زمانی %50)

این معنی ها از آزمایشات و اندازه گیری ها در مناطق شهری ژاپن بدست آمده است.

معادله Hata-okumura که بصورت تقریبی با منحنی های 5,4 تطبیق دارد با روابط زیر بیان می شود.

ارتفاع آنتن گیرنده در رنج 1 تا 10 متر

ارتفاع موثر آنتن فرستنده در رنج 30 تا 200 متر

فرکانس برحسب مگاهرتز

فاصله برحسب کیلومتر

معادله(1) برتا رنج فرکانسی 2GHz برای فاصله های بالای 20 کیلومتر معتبر است.

ارتباط رادیویی بین فرستنده و گیرنده

با توجه به این شکل هنگام انتشار موج از آنتن فرستنده، بفرض آنکه هیچگونه جذبی وجود نداشته، بعلت توزیع توان موج روی سطحی که با مجذور فاصله رابطه دارد چگالی توان موج کاهش خواهد یافت و می توان آن را در حالت بدون بهره آنتن با رابطه زیر بیان نمود:

در رابطه فوق Pt قدرت فرستنده، d فاصله، E0 دامنه میدان الکتریکی موج دریافتی و  امپدانس مشخصه فضای آزاد می باشد. در صورتیکه آنتن فرستنده دارای بهره Gt باشد در اینصورت چگالی توان P در محل گیرنده عبارت است از:

در صورتیکه آنتن گیرنده دارای سطح موثری به اندازه A0 باشد، میزان توان دریافتی در آنتن گیرنده عبارتست از:

با توجه باینکه رابطه سطح موثر با بهره و طول موج بصورت زیر می باشد:                         

بنابراین با توجه به 3 رابطه اخیر نتیجه می شود:

تحقیق در مورد تبدیل تضعیف انتشار به شدت میدان دریافتی

اختصاصی از اس فایل تحقیق در مورد تبدیل تضعیف انتشار به شدت میدان دریافتی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه13

فهرست مطالب

تبدیل تضعیف انتشار به شدت میدان دریافتی

ارتباط رادیویی بین فرستنده و گیرنده

شرایط محیط

کلیات

1. 10. 4. قدرت موثر ارسال

• پارامترهای طبیعی از جمله ساختار و جنس مسیر امواج
• پارامترهای مصنوعی از قبیل ساختمان ها و سازه ها

معادله اصلی Hata مقدار انت انتشار(dB) بیان می کند. همچنین معنی های okumura و مدل های بهبود یافته Hata مقدار شدت میدان دریافتی را بیان می کنند. به همین خاطر لازم است که روابط Hata به معادلات شدت میدان تبدیل شود. که این امر به راحتی امکان پذیر است.

معادله Hata برابر است با

LP= …..

رابطه بین قدرت دریافتی از یک آنتن ایزوتروپیک و شدت میدان در ایستگاه گیرنده برابر است با

Pr =

Pr =

تبدیل یک معادله خطی به حالت لگاریتمی با فرکانس در رنج مگا هرتز برابر است با

Pr =

با جمع مقادیر ثابت داریم

Pr =

همیشه قدرت دریافتی برابر است با قدرت فرستنده Pt منهای افت انتشار LP.

Pr = Pt – Lp

با استفاده از رابطه(5) و (6) شدت میدان که وابسته به تضعیف و قدرت فرستنده می باشد محاسبه می شود.

E =

اگر قدرت فرستنده برابر 1KW ERP باشد این مقدار برابر است با KW EIRP 637/1 فرستنده که اگر این Pt به Db تبدیل نشود برابر 32.15Db می شود که رابطه E برابر است با

E = 19

تحقیق در مورد طبقه بندی اساس شدت

اختصاصی از اس فایل تحقیق در مورد طبقه بندی اساس شدت دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین صفحه*

فرمت فایل : Word(قابل ویرایش و آماده پرینت)

تعداد صفحه :25

فهرست مطالب:

طبقه بندی اساس شدت

الف ) پیشینه تاریخی :

طبقه بندی جرایم بر حسب شدت و ضعف آنها :

الف ) پیشینه تاریخی :

ب ) در ایران :

ج ) در فرانسه

اشکالات طبقه بندی جرایم :

اول - اشکالات نظری :

دوم - مشکلات اجرایی این طبقه بندی :

ه) طبقه بندی جرایم از منظر جرم شناسی :

و) فواید این طبقه بندی :

اول) فواید مربوط به صلاحیت و آیین دادرسی :

دوم) فواید امور ماهوی :

طبقه‏بندى جرایم

الف. طبقه‏بندى بر حسب عنصر قانونى

ب. طبقه‏بندى جرایم از لحاظ عنصر مادى

طبقه‏بندى جرایم در حقوق اسلامى

ج) موضوع جرم

د) حصول نتیجة مجرمانه

منابع:

طبقه بندی اساس شدت

طبقه بندی جرایم بر حسب شدت و ضعف آنها :

الف ) پیشینه تاریخی :

به موجب اوستا ، جرم از جهت ضعف و شدت هفت مرحله دارد و این مراحل عبارتنداز :

1 - اسلحه به دست گرفتن . 2 - زدن . 3 - مجروح

طبقه بندی جرایم بر حسب شدت و ضعف آنها :

الف ) پیشینه تاریخی :

به موجب اوستا ، جرم از جهت ضعف و شدت هفت مرحله دارد و این مراحل عبارتنداز :

1 - اسلحه به دست گرفتن . 2 - زدن . 3 - مجروح کردن . 4- خون ریختن . 5 - استخوان شکستن . 6 و 7 - لطمه به عقل یا احساس وارد آوردن

در ایران باستان تعریف مشخصی از جرم وجود نداشته است ، اما می توان گفت انواع جرایم (بی آنکه طبقه بندی خاصی بتوان ارائه کرد) عبارت بوده از :

1- جرم علیه دین، مانند توهین به اشیاءِ یا اماکن مقدس .

2- جرم علیه پادشاه ، مانند توهین یا سوءِ قصد به شخص شاه و یا حتی به مال او. نظر به اینکه همه چیز در شخص شاه خلاصه می شده و دولت نیز در معنی خاص خود وجود نداشته و شاه خود عین دولت بوده ، می توان اینگونه جرایم را در یک ردیف قرار داد.

3- جرم علیه خانواده پادشاه ، مانند توهین یا سوءِ قصد به هر یک از افراد خانواده شاهی.

4- جرم فرد ، علیه فرد ، مانند رابطه برقرار کردن با زن شوهردار ، گرفتن رشوه ، دزدی حیوانات یا ایراد ضرب  و جرح