دانلودهای دانشگاهی

شبکه های سنسوری بین خودرویی  را می توان یک جریان شبکه ای جدید و نوظهور دانست، که برای اپلیکیشن های متعددی در محیط های خودرویی مطلوب بوده و در آن می توان از سنسور های خودرویی به عنوان منابع داده ای و سیستم های ارتباطی بین خودرویی برای انتقالات استفاده کرد. در این مقاله قصد داریم راه حلی را برای جمع آوری داده ها از یک موقعیت جغرافیایی خاص ارائه دهیم که مبتنی بر شبکه های سنسوری خودرویی می باشد. متد پیشنهادی ما، بازه ی زمانی ای را که در طول آن می توان پروسه ی جمع آوری داده ها را ادامه داد ترفیع و بهبود داده و استراتژی های ارسال بسته های داده ای به سمت جلو از طریق هاپ های چند گانه را، مشابه با پروتکل های مسیر یابی محدود به تأخیر، تغییر می دهد. شبیه سازی ها نشان می دهند که راه حل پیشنهادی ما، از نظر کارائی در جمع آوری داده ها، نسبت به سایر راه حل ها بهتر عمل کرده است.

واژگان کلیدی: 

1.مقدمه

پژوهش ها و فعالیت های مرتبط با محاورات داده ای خودرویی، در طی سالیان اخیر در حوزه ی صنعت خودرو و جامعه ی پژوهشی با شتاب بیشتری در حال حرکت بوده است. در  چند سال اخیر، خودروها قادر بوده اند با استفاده از نقاط دسترسی در کنار جاده ها با سایر خودرو ها به محاوره و مبادله ی داده ها بپردازند. ارتباطات خودرویی، باعث فراهم شده سرویس های ایمنی و مفیدی برای رانندگان و مسافرین شده است. تکنولوژی ها و استاندارد هایی که این مسیر را نیز تسهیل ساخته اند، به زودی به ابزارهایی واقعی و ضروری مبدل گشتند: تا زمان نوشتن این مقاله، تکنولوژی رادیویی  IEEE 802.11p که برای ارتباطات خودرویی طراحی گردیده است، اخیراٌ مورد پذیرش قرار گرفته است[1].

 سیستم های ارتباطی بین خودرویی(IVC) ، مبتنی بر ارتباطات مستقیم بین خودروها می باشند و از این رو باعث بروز شبکه های بین خودرویی (VANET)  گردیده اند تا بتوانند پاسخگوی نیازهای کلاس عمده ای از اپلیکیشن های ارتباطی مانند اپلیکیشن های مرتبط با امنیت خودرو و جاده، مدیریت ترافیک، سرگرمی[4]، جمع آوری و انتشار داده ها[5] و غیره باشند.

در این مقاله قصد داریم استفاده از هندسه ی فراکتال  را برای تقسیم بندی سیگنال های دیجیتال مورد بررسی قرار دهیم. یک متد تقسیم بندی بافت را معرفی خواهیم کرد که بر مبنای بعد فراکتال  خواهد بود. با استفاده از این روش، تغییرات صورت گرفته در بافت موجود در امتداد یک سیگنال یا تصویر را میتوان بر حسب تغییرات در بعد فراکتال توصیف کرد.

با استفاده از تحلیل نوسانات فضایی  در بعد فراکتال بدست آمده با استفاده از روش پنجره ی حرکتی مرسوم، یک سیگنال دیجیتال یا تصویری را میتوان بر اساس بافت بخش بندی کرد؛ این همان اصل بخش بندی بعد فراکتال (FDS)    میباشد.

در این مقاله،  ما از این نوع بخش بندی بافت بر روی سیگنال های گفتار ایزوله شده استفاده خواهیم کرد.

متد های مربوط به محاسبه ی بعد فراکتال را نیز با هدف تمرکز بر روی روشی که از تابع چگالی انرژی(FSDF) مربوط به سیگنال فراکتال مقیاس بندی تصادفی استفاده میکند، مورد بازبینی قرار خواهیم داد.

FDS در یک سری سیگنال گفتار مختلف بکار گرفته شده است و نتایج آن برای واژه ها و مؤلفه های مجزا(مانند سایشی)  که این واژه ها از آن بدست آمده است. به طور خاص، نشان داده شده است که سیگتال های گفتار پیش فیلترینگ با یک فیلتر گذر سطح پایین دارای شکل 1/K خواهند بود. این خصیصه باعث شده تا سطح اطمینانی از این روش در بخش بندی گفتار بدست آید که منجر به ارائه ی شِمای تطابق الگو شده که باید آنرا بر مبنای FDS به صورت انحصاری طراحی کرد.

1.مقدمه

تشخیص گفتار، یک دامنه ی جدیدی از سرویس های محاسباتی را که قابلیت های انسانی را توسعه میدهد معرفی کرده است، که از نیازمندی های اجتماعی آن به منظور افزایش بهره وری آن استفاده میکند.

برای مثال تشخیص واژه مجزا،  میتواند برای ثبت سیستم حمل در  انبار ها و یا تشخیص و شمارش آیتم ها به منظور کنترل دارائی مفید باشد. این امر نیاز به یک وقفه ی کوتاهی در قبل و بعد از گفتار و سخن که باید به صورت کلی تشخیص داده شود، دارد[1]. به عبارت دیگر، این واژه ها به صورت مجزا بیان میشوند. توقف بین واژه ها باعث ساده شدن تشخیص خواهد شد، چرا که تشخیص نقاط نهایی را آسان میسازند.(مثلاٌ شروع و پایان هر کلمه) و باعث کمینه شدن تأثیرات گفتار کلمات به صورت چسبیده پشت سر هم  خواهد شد. علاوه بر این، واژه های مجزا به صورت دقیق تلفظ میشوند، چرا که نیاز برای توقف بین واژه ها باعث شده تا روانی گفتار با اختلال روبرو شده که در غیر اینصورت، باعث ترغییب تلفظ طبیعی تری و با سطح دقت کمتری خواهد شد.

یک شبکه ی سنسوری بی سیم(WSN)  را می توان شبکه ای موردی (Ad-Hoc) دانست. در شبکه ی سنسوری بی سیم، گره ها در داخل یک شبکه ی مشارکتی سازمان دهی میشوند. WSN را میتوان شبکه ای دانست که شامل گره های متصل به منبع باتری بوده و وظیفه ی این گره ها، مسیر یابی داده ها از گره ی منبع به مقصد میباشد. هر گره، برای انتقال یا دریافت داده ها در شعاع دریافت یا ارسال ، انرژی مشخصی را مصرف می کند. بنابراین، مدیریت انرژی در این شبکه ها، یکی از مباحث عمده ای برای شبکه های سنسوری بی سیم مطرح میشود. در این مقاله، مطالعه ای بر روی شِماهای متعددی که مدیریت انرژی را به منظور بیشینه سازی بهره وری در WSN مد نظر دارند، پرداخته شده است.

واژگان کلیدی: مدیریت انرژی ، MLRP،DSDV،DRS،MERP،  مسیریابی، شبکه های سنسوری

1.مقدمه

یک شبکه ی سنسوری بی سیم(WSN) را میتوان به عنوان شبکه ای از گره های کوچک، خودمختار و متصل به منبع انرژی باتری در نظر گرفت که عموماٌ فاقد محدودیت های انرژی هستند. در صورتی که بعضی از منابع،مسیر خود را به سمت مقاصد هماهنگ نسازند، این امکان وجود داشته تا یک یا چند گره در شبکه، به دلیل استفاده ی بیش از حد از منابع انرژی، از نظر انرژی تخلیه شده و شبکه ممکن است دچار وقفه گردد. در صورت بروز این مشکل، انرژی موجود در منابعی که ارتباط خود را با منبع از دست داده اند اتلاف شده و هیچ راهی برای مسیریابی داده ها و ارسال آن به مقصد باقی نمی ماند. شبکه ی نشان داده شده در شکل 1 را در نظر بگیرید. این شبکه شامل ده گره بوده که از بین آنها، سه گره ی منبع و یک گره نیز مقصد را تشکیل داده اند. یک یال بین دو گره،  حاکی از این بوده که با این فرض که ارتباطات دوطرفه می-یاشد،گره ها می توانند با هم محاوره داشته باشند. در داخل شبکه، گره های خاصی وجود داشته که بدیهی است انرژی بیشتری را برای حفظ اتصالات خود، نسبت به سایر گره ها مصرف می کنند.