اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدطريقة لضغط بيانات الصوت باستخدام الخوارزمية الوراثية (الجينية)
Sound Data Compression Method Using Genetic Algorithm
1380
0 18
0
(
0
)
نشر من قبل
جامعة دمشق ورقة بحثية
تاريخ النشر
2005
مجال البحث
الهندسة المعلوماتية
والبحث باللغة
العربية
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
هدف هذا البحث هو تبني الخوارزمية الوراثية (الجينية) لدراستها أولاً، ثم التوقـف عنـد العمليات التي تقدم من قبل تلك الخوارزمية الوراثية. الحقـل المرشـح فـي هـذا البحـث لاستخدام وسائل الخوارزمية الوراثية و تطبيقاتها هو حقل ضغط بيانـات ملفـات الـصوت. يستخدم هذا البحث عمليات الخوارزمية الوراثية لتحسين عمل إحدى طرائق ضغط البيانـات الشائعة الاستخدام (VQ (Method Quantization Vector . بعد إجراء الدراسة علـى عمل الخوارزمية الوراثية، تم اقتراح خوارزمية لإجراء عملية المزج بـين طريقـة ضـغط البيانات ( VQ ) و مبدأ عمل الخوارزمية الوراثية. ثم اختبرت الخوارزمية المقترحـة مـن خلال كتابة البرامج الضرورية لذلك و تطبيقها على بعض بيانات ملفات الصوت، و قد أظهرت النتائج المسجلة إمكانية اعتماد خوارزمية المزج المقترحة لتحقيق أداء جيد لطريقة ( VQ ) في مجال ضغط بيانات ملفات الصوت.
The principal objective of this research is an adoption of the Genetic Algorithm (GA) for studying it firstly, and to stop over the operations which are introduced from the genetic algorithm.The candidate field for applying the operations of the genetic algorithm is the sound data compression field. This research uses the operations of the genetic algorithm for the enhancement of the performance of one of the popular compression method. Vector Quantization (VQ) method is selected in this work. After studying this method, new proposed algorithm for mixing the (GA) with this method was constructed and then the required programs for testing this algorithm was written. A good enhancement was recorded for the performance of the (VQ) method when mixed with the (GA). The proposed algorithm was tested by applying it on some sound data files. Some fidelity measures are calculated to evaluate the performance of the new proposed algorithm.
مراجعة الذكاء الصنعي:
ملخص البحث
الهدف الرئيسي من هذا البحث هو تبني خوارزمية جينية (GA) لدراسة وتحسين أداء إحدى طرق الضغط الشائعة للبيانات الصوتية. تم اختيار طريقة التكميم المتجهي (VQ) في هذا العمل. بعد دراسة هذه الطريقة، تم بناء خوارزمية جديدة لدمج (GA) مع هذه الطريقة، وتم كتابة البرامج اللازمة لاختبار هذه الخوارزمية. تم تسجيل تحسين جيد في أداء طريقة (VQ) عند دمجها مع (GA). تم اختبار الخوارزمية المقترحة بتطبيقها على بعض ملفات البيانات الصوتية. تم حساب بعض مقاييس الدقة لتقييم أداء الخوارزمية الجديدة المقترحة. تتضمن الخطوات الرئيسية للخوارزمية المقترحة تمثيل المشكلة، التجميع، العمليات الجينية (التزاوج والتحور)، الدمج، وتقييم الأداء ومعايير الإنهاء. أظهرت النتائج المسجلة أن فكرة دمج الخوارزمية الجينية مع طريقة التكميم المتجهي تعزز أداء طريقة (VQ) بمفردها. يمكن استنتاج أن دمج (GA) مع طريقة التكميم المتجهي (VQ) يمكن أن يحقق تحسينًا جيدًا في أداء هذه الطريقة من حيث زيادة نسبة الضغط والحفاظ على نسبة الإشارة إلى الضوضاء (SNR) في المستوى المقبول.
قراءة نقدية
دراسة نقدية: يعتبر البحث مساهمة قيمة في مجال ضغط البيانات الصوتية باستخدام الخوارزميات الجينية. ومع ذلك، هناك بعض النقاط التي يمكن تحسينها. أولاً، لم يتم توضيح بشكل كافٍ كيفية تأثير الضوضاء الناتجة عن عملية الضغط على جودة الصوت المسموع، وهو جانب مهم يجب مراعاته في التطبيقات العملية. ثانيًا، الوقت الطويل المطلوب لتنفيذ الخوارزمية الجينية قد يكون غير مناسب للتطبيقات في الزمن الحقيقي، وهو ما يتطلب البحث عن تحسينات لتسريع العملية. أخيرًا، كان من الممكن تقديم مقارنة أكثر تفصيلاً بين الخوارزمية المقترحة والخوارزميات التقليدية الأخرى لتحليل الأداء بشكل أعمق.
أسئلة حول البحث
-
ما هي الطريقة المستخدمة لتحسين أداء ضغط البيانات الصوتية في هذا البحث؟
تم استخدام خوارزمية جينية (GA) لتحسين أداء طريقة التكميم المتجهي (VQ) لضغط البيانات الصوتية.
-
ما هي الخطوات الرئيسية للخوارزمية المقترحة في البحث؟
الخطوات الرئيسية تشمل تمثيل المشكلة، التجميع، العمليات الجينية (التزاوج والتحور)، الدمج، وتقييم الأداء ومعايير الإنهاء.
-
ما هي الفائدة الرئيسية من دمج الخوارزمية الجينية مع طريقة التكميم المتجهي؟
الفائدة الرئيسية هي تحسين نسبة الضغط وزيادة نسبة الإشارة إلى الضوضاء (SNR) في المستوى المقبول.
-
ما هي التحديات التي تواجه استخدام الخوارزمية الجينية في التطبيقات الزمن الحقيقي؟
التحدي الرئيسي هو الوقت الطويل المطلوب لتنفيذ الخوارزمية الجينية، مما يجعلها غير مناسبة للتطبيقات في الزمن الحقيقي.
المراجع المستخدمة
Al-Rawi Hisham, Jane J. Stephan, “Genetic Algorithm Based Image Segmentation”, Proceeding of CATAEE’99, Philadelphia University, Jordan, 1999
Cabral Jim, “3D Vector Quantization of Magnetic Resonance Images”, Internet Paper, http://www.data-compression/vq.html, 1994
Chan Yuk-Hee, Wan-Chi Siu and Kin-Man Lam, “ A Novel VQ Encoding Algorithm Based on Adaptive Searching Sequence”, IEEE International Symposium on Speech, Image Processing and Neural Networks, 13-16 April 1994, Hong Kong
قيم البحث
اقرأ أيضاً
يعتبر إيجاد المسار مسألة هامة في شبكات الانترنت اللاسلكية. ما يحدث بشكل طبيعي هو أن اختيار المسار أو اكتشاف المسار في الشبكة يتم اعتماداً على مبدأ المسار الأقصر. يجب أخذ عدة قضايا بعين الاعتبار من أجل اكتشاف المسار في شبكات الانترنت و ذلك بما أن جري
ان رزم المعطيات معرض للأخطاء و هذا ما يجعل عملية التوجيه فاشلة. تعد الوثوقية أمراً هاماً في مسألة اكتشاف المسار. و يعتبر ضمان نوعية الخدمة (َQoS) أمراً يجب الاهتمام به عند توجيه رزم المعطيات. تم في هذا البحث اقتراح نموذج من أجل اكتشاف المسار الأفضل في شبكات الانترنت المعتمدة على بنية لاسلكية. من بين العديد من المسارات المتاحة في شبكة الانترنت اللاسلكية من البوابة إلى الوجهة النهائية يتم اختيار المسار الذي يحقق نوعية الخدمة المطلوبة. تم أخذ بارامترين من بارامترات نوعية الخدمة بعين الاعتبار و هما فقد المسار و زمن المعالجة في الموجه (المحطة القاعدية). تظهر النتائج التجريبية كفاءة النموذج المقترح.
تستخدم الشبكة العصبية الصنعية طريقة تعلم استقرائي، و تتطلب بشكل عام أمثِلة
لبيانات التدريب، بينما تستخدم الخوارزمية الجينية تعلم اقتطاعي، و تتطلب تابع هدف. لقد تمّ
تنظيم التعاون بين هاتين التقانتين في دراستنا هذه بغرض تعزيز أداء كل تقانة من خلال بن
اء
نظام هجين منهما، عن طريق كتابة برمجيّة عامّة باستخدام برنامج MATLAB بغرض الاختيار الفعّال لمتحولات الدخل لعمليات التنبؤ، و أمثلة أوزان شبكة البيانات قيد الدراسة، و من ثمّ تطبيق هذه البرنامج على بيانات يوميّة، تمّ جمعها من حوض نهر الكبير الجنوبي هي (الهطول، التبخر، الحرارة، الرطوبة النسبية و الجريان النهري بتأخر زمني مقداره يوم واحد) بغرض التنبؤ بالجريان النهري.
يقدّم هذا البحث استراتيجة تحكم بالعنفات الريحية متغيرة السرعة والموصولة مع مولد تزامني ذي مغناطيس دائم، بهدف الحصول على أعظم استطاعة ممكنة من العنفات الريحية. استخدمنا نموذج نظام تحويل طاقة الرياح متغير السرعةVWST(Variable speed Wind turbine conversi
on system) ، والمكون من عنفة ريحية، مولد تزامني ذي مغناطيس دائم PMSG (Permanent magnetic synchronous generator)، مقوم، مقطع رافع-خافض، قالبة، حمل، ومتحكم تقليدي (Proportional Integral Controller) PI لتثبيت الجهد الذي حصلنا عليه من العنفة الريحية والمولد التزامني عند سرعة رياح متغيرة، ومن ثم استخدمنا إحدى تقنيات الذكاء الصنعي والمتمثلة بالخوارزمية الجينيةGA (genetic algorithm) للحصول على مميزات أعظم استطاعة ممكنة من العنفة الريحية. تمت نمذجة المتحكم التقليدي PI والخوارزمية الجينية باستخدام برنامج الماتلابMATLAB R2014a ومنه حصلنا على مميزات الاستطاعة الميكانيكية للعنفة الريحية وحددنا نقاط الاستطاعة الأعظمية عند كل سرعة للرياح.
قمنا في هذا البحث بتلخيص المنهجيات الخاصة بالخوارزمية الجينية و عمليات التقييس، و ناقشنا معايير تقييس السجلات الزمنية الحقيقية. ثم قمنا بتطبيق إجراءات التقييس التقليدية في مجال الزمن و اجراءات التقييس باستخدام الخوارزمية الجينية على عدد من السجلات ال
حقيقية المتوفرة لمطابقة الطيف التصميمي السوري. و أخيرا قمنا بفحص السجلات الزمنية الناتجة و مقارنتها لتبيان مدى مطابقتها لمتطلبات الكود.
يهدف هذا البحث إلى تقليل ضياعات الاستطاعة و الى تحسين مستوى الجهد في نظام
القدرة الكهربائي مع المحافظة على تحليل خطوط النقل ضمن الحدود المسموحة، و ذلك من
خلال تحديد التموضع الأمثل للمتحكم بسريان الاستطاعة الموحد UPFC.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
