تبدیل گفتار از جمله شاخه های جدید تحقیقات گفتاری است. هدف سامانه های تبدیل گفتار تغییر سیگنال گفتار گوینده ی مرجع است به نحوی که خروجی آن همانند گفتار فرد هدف به نظر برسد. روش-های مختلفی از جمله نگاشت کدبوک ها، روش های آماری و ... در این زمینه ارایه شده است، اما کیفیت صوت تولیدی از این سامانه ها هنوز کاملا مطلوب نیست. در این پروژه برای تبدیل گفتار، سیگنال گفتار یک گوینده (گوینده ی مرجع) به دو دسته اطلاعات "پیام گفتار" و "هویت گوینده" تجزیه شده و سپس با تغییر هویت گوینده ی مرجع به هویت فردی دیگر (گوینده ی هدف) و ترکیب آن با اطلاعات پیام گفتار، صوت فرد هدف بازسازی می شود. به این منظور روش جدیدی بر پایه ی شبکه های عصبی برای جداسازی اطلاعات غیر خطی هویت گوینده از سیگنال گفتار پیشنهاد شده است. فرض مطرح در این روش مستقل بودن هویت گوینده از پیام گفتار و تلاش برای جداسازی این دو دسته اطلاعات است. مقادیر لگاریتم مجذور بانک فیلترها در مقیاس بارک (lhcb) از سیگنال گفتار گویندگان به عنوان بردار ویژگی استخراج شده و برای تعلیم شبکه ها مورد استفاده قرار می گیرد. وزن های شبکه به نحوی تعلیم می بیند که فضای ویژگی گوینده ی مرجع را به فضای ویژگی گوینده ی هدف نگاشت کند. ویژگی های دو گوینده مرجع و هدف برای تعلیم به این شبکه باید از آواهای متناظر دو گوینده و به بیان دیگر از سیگنال گفتارهای همزمان شده ی دو گوینده باشند. از این رو در این پروژه از روشی بر پایه ی الگوریتم ژنتیک برای همزمان سازی فریم های سیگنال گفتار گویندگان استفاده شده است. ارزیابی شنیداری نشان می دهد که گفتار خروجی شبکه تا حدودی به گفتار گوینده ی هدف شبیه شده است. کارآیی سامانه حاصله همچنین توسط روش های عددی و مقایسه ی دو فضای ویژگی ارزیابی شده است.

هدف از انجام این پروژه ارایه یک مدل دینامیکی با قابلیت تطابق بالا در شرایط پروازی مختلف برای یک بالگرد بدون سرنشین با کمک شبکه های عصبی مصنوعی است که در آن تا حد امکان از فرضیات ساده کننده روابط تحلیلی و عدم قطعیت ها پرهیز شده و از این مدل دقیق بتوان جهت طراحی خلبان خودکار استفاده نمود. در حالت کلی جهت مدلسازی سیستمهای پیچیده با کمک شبکه های عصبی نیاز چندانی به دانش قبلی راجع به سیستم نیست و با داشتن مجموعه ای از ورودی – خروجیهای آن سیستم و انتخاب معماری مناسب شبکه عصبی و چیدمان موثر متغیرهای ورودی و خروجی شبکه، می توان ارتباط بین ورودی و خروجیهای سیستم را شناسایی نمود. مدل ارایه شده در این پروژه، از شیوه دینامیک خارجی (external dynamic) برای ارایه خواص دینامیکی بالگرد به شبکه عصبی استفاده کرده است و شبکه عصبی بکار رفته برای مدلسازی با پس انتشار خطا در طول زمان و روش سری- موازی آموزش دیده است. بالگرد بدون سرنشین xcell-60 در این پروژه مورد بررسی و مدلسازی قرار گرفته است و از داده های ورودی و خروجی شبیه سازی تحلیلی این بالگرد برای آموزش شبکه استفاده شده است. در این پروژه، روش کاملی برای مدلسازی و شبیه سازی یک بالگرد بدون سرنشین با کمک شبکه های عصبی چند لایه پرسپترون ارایه شده است. مدل ارایه شده قابلیت تعمیم دهی خوبی دارد و این در حالی است که برای آموزش آن از داده های ثبت شده از یک پرواز عمومی نیز می توان استفاده نمود. واژه های کلیدی: بالگرد کنترل از دور (بالگرد بدون سرنشین)، شناسایی سیستم، مدلسازی دینامیکی، شبکه های عصبی چند لایه جلوسو، مدل سری – موازی