@article { author = {Sardar, Alireza and Zahiri, Seyed-Hamid}, title = {Unsupervised Image Clustering Using Improved Gravitational Search Algorithm}, journal = {Journal of Soft Computing and Information Technology}, volume = {1}, number = {2}, pages = {3-18}, year = {2012}, publisher = {Babol Noshirvani University of Technology}, issn = {2383-1006}, eissn = {2588-4913}, doi = {}, abstract = {Gravitational Search Algorithm (GSA) is a novel searching and optimization algorithm which has been reported recently. GSA was inspired by the gravitational forces between the mechanical objects. The movements of the searching objects in this method are based on the estimated accelerations and velocities of them. In this paper utilizing of GSA is investigated for unsupervised image clustering. At first an improvement for the conventional GSA is presented and then an appropriate fitness function is defined for unsupervised image clustering. Extensive experimental results on various data and images demonstrate the high performance of the proposed method in comparison to other algorithms.}, keywords = {Unsupervised Image Clustering,Swarm Intelligence,Gravitational Search Algorithm,Image Quantization,Image Segmentation}, title_fa = {استفاده از الگوریتم جستجوی گرانشی بهبود یافته در خوشه‌یابی خودکار تصاویر}, abstract_fa = {از نظر عملی مسئله خوشه‌یابی به عنوان یکی از مهم‌ترین مباحث در بازشناسی الگو است و به علت کاربرد فراوان آن در زمینه‌های داده‌کاوی، پردازش تصویر، ماشین بینایی و. . . توجه بسیاری از محققان را به خود جلب کرده است. هرچند تاکنون روش‌های ابتکاری مختلفی به منظور خوشه‌یابی به کار گرفته شده است، ولی در اکثر این روش‌ها، نیاز است که تعداد خوشه‌ها از قبل مشخص گردد (خوشه‌یابی نظارت شده) این مسئله یکی از مهمترین‌ترین معایب این روش‌ها محسوب می‌شود. زیرا در بعضی مسایل خوشه‌یابی، اطلاعی از تعداد خوشه‌ها در دسترس نیست. البته الگوریتم‌های مختلفی برای رفع این مشکل ارائه شده است که از آن جمله می‌توان به DCPSO، VLIGA، GCUKوMEPSO که مبتنی بر روش‌های هوش‌جمعی می‌باشد، اشاره کرد. در این مقاله سعی شده است که یک روش خوشه‌یابی نظارت نشده به منظور خوشه‌یابی تصاویر با استفاده از الگوریتم بهبود یافته جستجوی گرانشی ارائه شود. در ابتدا الگوریتم جستجوی گرانشی که یک الگوریتم جدید در زمینه هوش‌جمعی است معرفی شده و پس از بهبود عملکرد آن، (با الهام از پدیده سیاه‌چاله‌ها در طبیعت) الگوریتم خوشه‌یابی مورد نظر ارائه می‌گردد. در پایان پس از بررسی عملکرد الگوریتم پیشنهادی بر روی تعدادی مجموعه داده آزمایشی، در دو کاربرد کوانتیزه‌سازی و ناحیه‌بندی تصویر مورد بررسی قرار می‌گیرد.}, keywords_fa = {خوشه‌یابی نظارت نشده تصاویر,هوش‌جمعی,الگوریتم جستجوگر گرانشی بهبود یافته,کوانتیزه‌سازی تصویر,ناحیه‌بندی تصویر}, url = {https://jscit.nit.ac.ir/article_67322.html}, eprint = {https://jscit.nit.ac.ir/article_67322_57867e3691259144e2cb55e0cc8cebd0.pdf} } @article { author = {Ebrahimzadeh, Ataollah and Doosti Aref, Abdollah}, title = {Modulation Identification of Satellite Signals Using an Intelligent System}, journal = {Journal of Soft Computing and Information Technology}, volume = {1}, number = {2}, pages = {63-71}, year = {2012}, publisher = {Babol Noshirvani University of Technology}, issn = {2383-1006}, eissn = {2588-4913}, doi = {}, abstract = {Automatic signal type identifier plays an important role for modulation identification of satellite signals. Most of the proposed methods didn’t have good performance in low level of signal to noise ratios (SNRs). Also they can't identify more digital modulations. This study investigates the design of an accurate system for identification of digital modulations. First, it is introduced an efficient system that includes two main modules: the feature extraction module and the classifier module. First module extracts a suitable combination of the higher order moments up to eighth, higher order cumulants up to eighth. In the classifier module, an efficient supervised classifier, i.e. radial basis function neural network is proposed. The results show this system has good performance and recognize a lot of digital modulations. However the performance of system degrades at very low SNRs. Also selection of the parameters of the classifier and feature selection is made by trial and error method. The tradeoff between them is a difficult problem. Then at the second fold we have proposed a hybrid intelligent system which an optimization module, i.e. bees algorithm (BA) is considered in the previous system.This module optimizes the classifier design by searching for the best value of the parameters and the best subset of features that feed the classifier. Simulation results show that the proposed hybrid intelligent system has very high identification accuracy even at very low SNRs. This high efficiency is achieved with little features, which have been selected using BA.}, keywords = {Satellite modulation identification,Bees algorithm,combination of the higher order moment and cumulants,redial basis function}, title_fa = {شناسایی نوع مدولاسیون سیگنال ماهواره توسط یک سیستم ترکیبی هوشمند}, abstract_fa = {شناساگر خودکار نوع سیگنال، عمل تعیین نوع مدولاسیون سیگنال دریافتی را در بین مجموعه ای از مدولاسیون ها به صورت اتوماتیک انجام میدهد و دارای نقش مهمی در تشخیص نوع مدولاسیون (فرمت) سیگنال ماهواره ای دارد. اکثر سیستم های شناساگر خودکار نوع مدولاسیون که تاکنون ارائه شده در شرایط سیگنال به نویز پایین عملکرد مناسبی ندارند و فقط قادرند تا تعداد محدودی از مدولاسیون ها را شناسایی کنند. در این مقاله طراحی یک سیستم بسیار کارا برای تشخیص نوع مدولاسیون تحقیق شده است. در ابتدا یک سیستم موثر پیشنهاد شده است که شامل دو ماژول اساسی می باشد که عبارتند از: ماژول استخراج ویژگی و ماژول طبقه بندی کننده. در ماژول استخراج ویژگی یک ترکیب جدید از ویژگیهای آمارگان مرتبهی بالا(ممانها وکومولانها تا مرتبهی هشتم) به عنوان مشخصات جداساز مدولاسیون پیشنهاد شده است. در ماژول طبقه بندی کننده استفاده از شبکه عصبی تابع پایه شعاعی پیشنهاد شدهاست. نتایج شبیهسازی حاکی از عملکرد خوب سیستم می باشد. اما پارامترهای طبقه بندی کننده و نیز انتخاب ویژگی به روش سعی و خطا انجام می شود که مصالحه بین آنها کار بسیار زمان بر و مشکلی می باشد و نیز درصد موفقیت از یک حدی بیشتر نمی شود. بنابراین در ادامه یک سیستم ترکیبی هوشمند معرفی شده است که یک ماژول بهینه ساز به ماژول های قبلی اضاف می شود. ماژول بهینه ساز، الگوریتم بهینه سازی قوی زنبور عسل می باشد که هم در بهبود عملکرد و هم در کاهش پیچیدگی طبقهبندیکننده استفاده شدهاست. نتایج شبیه سازی ها نشان می دهد که شناساگر ترکیبی هوشمند پیشنهادی ضمن تشخیص انواع مدولاسیون، در SNR های پایین، درصد موفقیت بسیار بالایی را به دست می دهد}, keywords_fa = {تشخیص نوع مدولاسیون,سیگنال ماهواره,ویژگیهای ترکیبی,شبکه عصبی تابع پایه شعاعی,الگوریتم زنبور عسل}, url = {https://jscit.nit.ac.ir/article_77127.html}, eprint = {https://jscit.nit.ac.ir/article_77127_05cd7cff20dae469d31eab12b7ab4024.pdf} }