حل تمرین دروس الکترونیک، مدارهای الکتریکی،کنترل خطی، نانوالکترونیک، فناوری ساخت مدارهای دیجیتال، ریاضیات مهندسی، معادلات دیفرانسیل، و.....

رشته مهندسی برق گرایش های الکترونیک، قدرت، کنترل، مخابرات، کامپیوتر

کاردانی، کارشناسی، کارشناسی ارشد، دکتری

از طریق تماس، واتساپ، تلگرام با شماره تلفن09372002091 وهمچنین از طریق دایرکت پیج اینستاگرام project_tehran درخواست خود را ارسال فرمایید 

در سریعترین زمان و با بهترین کیفیت توسط تیم متخصص دکتری انجام می شود

*****************************************************************************

شبیه سازی پروژه و مقاله درتمام سطوح دانشگاهی پذیرفته می شود

*****************************************************************************

*****************************************************************************

مامي توانيم با كمترين هزينه ودر كوتاهترين زمان ممكن در تهيه پروپزال ، پروژه ، مقاله ، پايان نامه ، گزارش كارآموزي ،به شما كمك كنيم. در صورت تمايل عنوان ومشخصات كامل مطلب درخواستي و رشته و مقطع تحصيلي و شماره همراه خود را جهت اعلام نتيجه در قسمت نظرات ثبت کنید .

ضمناْ اگر از نظر وقت عجله دارید به ایمیل یا تلگرام زیر اعلام فرمائید

ایمیل ‏com.dr@yahoo.com‏ ‏‎ ‎‎ ‎‏ ‏‎ ‎‏ ‏‎‎

از طریق تلگرام یا واتساپ با این شماره درخواست خود را اعلام فرمایید : ‏09372002091‏ ‏‎ ‎‎ ‎‏ ‏‎ ‎‏ ‏‎‎

• 1
• 2
• 3
• 4
• 5

پروژه : پردازش صوت و مدلسازي سيگنال 

چكيده

پيش از هر چيز تأکيد بر اين مطلب ضروری به نظر می رسد که اين پروژه نه به عنوان يک مرجع برای موضوع طراحی سيستمهای تشخيص گوينده بلکه به عنوان راهنمايی برای افراد علاقمند به ادامه ی اين کار فراهم آمده است و از اين لحاظ سعی شده که به جای پوشش تمامی روشهای ممکن و ارائه ی الگوريتمهايی که در پروژه ی عملی کاربردی نداشته اند از آنها به صورت اشاره وار ياد شود و در عوض زمين ههای تئوری و روشهای برنامه نويسیِ عملاً استفاده شده، به صورت مشروح تر بيان شده اند. ذکر فهرست منابع هر فصل در پايان آن، توضيح کد توابع استفاده شده و ارائه ی پيش زمينه های نظری و روشهای برنام هنويسی برای پردازش صوت به صورت ابزارهايی برای تحقق اين هدف به کار گرفته شده اند که به نظر می رسد نمی توانند جايی در بين مطالب يک مرجع برای مطلب ياد شده داشته باشند.

بدنه ی اصلی نوشتار از سه بخش تشکيل شده است. بخش اول مقدمه ای است بر اهميت و کاربردهای سيستمهای زيست سنجی و به طور خاص سيستمهای تشخيص گوينده. اين بخش شامل دو فصل است و مطالب آن عمدتاً مقدمات لازم برای بخش سوم نوشتار را فراهم می آورد. در بخش دوم پردازش صوت را به صورت نظری مورد بررسی قرار خواهيم داد و سپس مطالب نظری ياد شده را در قالب يک کتابخانه برای پردازش صوت از ديدگاه برنامه نويسی پياده سازی خواهيم نمود. اين بخش تا حد زيادی مستقل از دو بخش ديگر نوشتار می باشد ولی به لحاظ نوع مخاطب و هدف اين نوشتار پرداختن به آن ضروری به نظر م یرسد. بخش ياد شده نيز شامل دو فصل می باشد. بخش آخر که مرتبط ترين بخش نوشتار با سيستم عملی است و دربردارنده ی چهار فصل است پردازش صحبت را از ديدگاه تئوری و برنامه نويسی مورد بحث قرار می دهد. بحث با فصلی در مورد پردازش سيگنال صحبت که در واقع به نوعی می تواند ادامه ی بخش قبل تلقی گردد آغاز می گردد و در ادامه مدلسازی سيگنال به عنوان شيوه ای برای استخراج الگوهای قابل مقايسه از سيگنال صحبت مطرح می شود و در فصل نظری اين نوشتار روشهای مختلف معمول برای طراحی سيستمهای تشخيص گوينده و در نهايت در فصي ششم تشخيص گوينده بررسی می شوند.

در ضميمه ی اول اين نوشتار شيو ه ی نصب و روش استفاده از سيستم پياده سازی شده مطرح گرديده است و ضميمه ی دوم آن ارائه دهنده ی فهرست کاملی از منابع متفرقه ی اينترنتی يافت شده که بسياری از آنها به دلايل مختلف در اين پروژه مورد استفاده قرار نگرفته اند برای خوانندگانی که قصد انجام کاری مشابه با اين پروژه را دارند می باشند.

با توجه به آن که منابع عمده ی اين نوشتار، عمدتاً انگليسی زبان می باشند ارائه ی معادلهای مناسبِ حتی الامکان فارسی برای اصطلاحات علمی که در منابع فارسی معادلی برای آنها يافت نشده سرلوحه ی کار فراه مآورنده ی اين نوشتار قرار داشته و به منظور انتقال هر چه بهتر مطلب سعی شده با ارائه ی پاورقيها يا توضيحات اضافی، مخاطب نوشتار با اصل اصطلاحات آشنا شود. علاوه بر آن در مواردی که ارائه ی واژه به صورت انگليسی مناسب تر تشخيص داده شده واژه با حروف فارسی در متن اصلی به کار برده شده تا تناسب متن حفظ گردد. اغلبِ اصطلاحات مخفف شده به صورت اخير آورده شده اند. البته در فصلهای مرتبط با برنامه نويسی به لحاظ نوع مطلب شيو هی ديگری متناسب با محتوای آنها به کار گرفته شده است. در مجموع ضمن آن که تلاش شده مطلب به صورت واضح بيان گردد فراهم آورنده ی اين نوشتار تلاش برای ارائه ی اصطلاحات درست فارسی و رعايت قوانين اين زبان توانمند را همواره در نظر داشته است

 با وجود آن که طراحی سيستمهای تشخيص گوينده مدتهاست مد نظر کارشناسان قرار دارد و با وجود ارائه ی نتايج بسياری از اين تحقيقات به صورت سيستمهای تجاری، هنوز سيستمی که بتواند مستقل از محيط و نوع آموزش کاربران عملکرد مناسبی داشته باشد ارائه نشده و اين زمينه هنوز هم به عنوان يک افق علمی باز و دارای زمينه ی تحقيقاتی فراوان مطرح می باشد. با وجود آن که محدوديتهای زمانی و … مانع از ارائه ی يک کار دلخواه فراه مآورنده ی اين نوشتار و استاد راهنمای محترم شد اميدواريم اين نوشتار بتواند مقدمه ای برای انجام کارهای کامل تر فراهم آورد ضمن آن که علاوه بر موضوع طراحی سيستمهای تشخيص گوينده بسياری از مطالب اين نوشتار می توانند مقدمه ای کاملاً ارضا کننده و مناسب برای افراد علاقمند به طراحی سيستمهای تشخيص صحبت فراهم آورد

• 1
• 2
• 3
• 4
• 5

پروژه : بررسي مراحل پردازش تصویر ( Image processing )

چکیده:

پنج کاربرد عمده پردازش تصویر را می توان رباتیک ، سیستم های دفاعی ، مهندسی پزشکی ، کنترل  صنعتی و گرافیک کامپیوتری عنوان کرد. در سیستم های رباتیک معمولا از پردازش تصویر برای هدایت ربات و تشخیص اشیا استفاده می شود. در سیستم های دفاعی برای یافتن هدف و یا رهگیری یک هدف متحرک پردازش تصویر یکی از قابل اعتمادترین روش های موجود می باشد. در مورد کاربردهای گرافیکی نیز یکی از معروفترین نرم افزارهای مبتنی بر پردازش تصویر فتوشاپ می باشد که همگی با کاربردهای این نرم افزار آشنا هستیم. تشخیص نوع بیماری نیز رایج ترین کاربرد پردازش تصاویر پزشکی است. در نهایت ، امروزه خطوط تولید صنعتی برای کنترل کیفیت محصولات تولید شده و همچنین کنترل حرکات خط تولید از سیستم های مبتنی بر پردازش تصویر بهره جسته اند.  یک تصویر از لحظه ورود به سیستم پردازش تصویر تا تولید تصویر خروجی، به ترتیب مراحل زیر را طی می کند........

• 1
• 2
• 3
• 4
• 5

مقاله : جريان سازی ويدئو در اينترنت

در طی چندين دهه گذشته ويدئو به عنوان يک رسانه مهم در ارتباطات و سرگرمی ها مورد استفاده قرار گرفته است. در اوايل، ويدئو به صورت سيگنال های آنالوگ تهيه و منتقل می شد. پيشرفت مدارهای فشرده ديجيتال و کامپيوترها منجر به ديجيتالی شدن ويدئو گرديد. مسائل مربوط به ويدئوی ديجيتال در طی ساليان گذشته از موضوعات مهم تحقيقاتی در دنيا بوده است. در دهه ۱۹۸۰ بيشتر تلاش ها روی فشرده سازی ويدئو بود، که در نهايت منجر به تعدادی استاندارد فشرده سازی ويدئو گرديد. در دهه ۱۹۹۰ با عمومی شدن شبکه اينترنت و پيشرفت روز افزون آن انگيزه انتقال ويدئو در شبکه های مبتنی بر سوئيچ بسته را ايجاد کرد. ولی انتقال ويدئو در شبکه های مبتنی بر سوئيچ بسته از قبيل شبکه اينترنت با مشکلات و چالش های متعددی روبرو است. چرا که سرويسی که شبکه اينترنت فراهم می سازد، تنها يک نوع سرويس است که اصطلاحا به آن سرويس Best-Effort گفته می شود. در اين سرويس نه تنها هيچ گونه تضمينی در مورد پهنای باند، تاخير و نرخ خطا ارائه نمی شود، بلکه اين پارامترها نامشخص بوده و به صورت پويا تغيير می کند. علاوه بر اينها مسائل ديگری از قبيل چند پخشی بهينه ويدئو دراينترنت و تقسي جمله مسائل موجود در جريان سازی ١ ويدئو در اينترنت می باشد. در اين گزارش، چالش ها و مسائل مهم در جريان سازی ويدئو در اينترنت مورد بررسی قرار گرفته و راه حل های موجود در اين زمينه ارائه گرديده است. درادامه اين گزارش ابتدا مروری خواهيم داشت در مورد يک سری مفاهيم اوليه در زمينه انتقال ويدئو در شبکه، و سپس چالش های اساسی در جريان سازی ويدئو در اينترنت مورد بررسی قرار خواهد گرفت.

• 1
• 2
• 3
• 4
• 5

تحقيق : تعیین سطح پوشش برف  در مقیاس Subpixel  با استفاده از تصاویر MODIS

چكيده :

در این تحقیق تصاویر سنجنده MODIS به دلیل قابلیت بالا در مطالعات برفسنجی مورد استفاده قرار گرفت. در ابتدا این تصاویر که به صورت خام می باشند تا سطح L1B تصحیح گردید. سپس میزان انعکاس طیفی و انعکاس تابشی باندها تعیین و جداسازی طیفی خطی صورت پذیرفت که برای این منظور  باندهای مناسب انتخاب  و با استفاده از الگوریتم MNF، میزان نویز در باندها کاهش یافت. سپس به تعیین EM  پرداخته شد که در این مرحله علاوه بر آنکه از تصویر MODIS استفاده گردید، تعیین EM با استفاده از تصویر IRS-P6 نیز انجام پذیرفت. سپس بر اساس منحنی طیفی پدیده های موجود در منطقه، کتابخانه طیفی تهیه و در نهایت با بکارگیری الگوریتم Linear Spectral Unmixing به جداسازی طیفی پرداخته شد. به این ترتیب دقت نقشه پوشش برف در مقیاس Subpixel  پس از ارزیابی با تصویر IRS-P6، 86% بدست آمد و میزان سطح پوشش برف در منطقه، 1008.793   کیلومتر مربع تخمین زده شد در حالی که روش Pixelbase که تنها قادر به شناسایی پیکسل هایی با بیش از 50% برف می باشد، میزان برف را در همین زمان 1323 کیلومتر مربع تخمین زد. تعیین سطح پوشش برف در حوضه های آبریز به عنوان یکی از پارامترهای مهم برفسنجی، نقش مهمی در مطالعات هیدرولوژی و اقلیمی دارد. تصاویر ماهواره ای با توان بسیار بالایی قدرت تعیین این سطوح برفگیر را با کمترین هزینه و در کوتاه ترین زمان دارند. در طی 4 دهه گذشته تکنیک ها و الگوریتم های مختلفی برای بررسی هرچه دقیق تر سطح پوشش برف مورد ارزیابی قرار گرفته است که در این بین تکنیک Subpixel به دلیل توانایی تعیین میزان درصد برف در هر پیکسل یک رویکرد جدید بشمار می رود.

• 1
• 2
• 3
• 4
• 5

پايان نامه : روش های استخراج ویژگی های چهره

• 1
• 2
• 3
• 4
• 5

پايان نامه : شناسايي چهره از طريق يادگيري پايه هاي محلي بهينه

چكيده

شايد اگر چند سال قبل مي خواستم رساله خود را بنويسم - چنان كه در مستندات پيش دفاع خود نوشتم- بايد مقدمه را چنين آغاز مي نمودم : شناسايي چهره چيست؟ اهميت شناسايي چهره در چيست؟ مزايا و معايب سيستمهاي شناسايي چهره در مقايسه با ديگر روشهاي بيومتريك تشخيص چيست؟ و شايد اگر چند سال پيش مي خواستم در يك مدرسه در مورد شناسايي چهره صحبت كنم صحبتهايم شبيه كتابهاي ژول ورن تخيلي و مربوط به آينده قلمداد مي شد ولي هنگامي كه كودكان امروزي هنگام عكاسي از دوربين هاي ديجيتال با توانايي يافتن چهره  استفاده مي نمايند ..................

در اين رساله با نگاه موشكافانه به نقصانهاي روشهاي خودكار شناسايي چهره و الهام از رفتار فرصت طلبانه سيستم شناسايي انسان، يك راهكار جديد براي مدلسازي محلي منيفولد چهره با نام پايه هاي محلي بهينه ارائه خواهد شد. امروزه روشهاي يادگيري آماري متداول ترين راهكارهاي شناسايي چهره به شمار مي آيند. در يك نگاه كلان اين روشها از يك نقصان بزرگ رنج م يبرند. ثابت شده است كه با انتخاب هوشمندانه زيرمجموعه اي از فضاي چهره توليد شده توسط الگوريتمهاي يادگيري آماري، مي توان به توصيف هاي مناسبتري براي منيفولد چهره رسيد. اما نقصان بزرگ آن است كه در تمامي روشهاي ارائه شده تنها يك زيرفضاي ثابت (مجموعه ويژگي) براي توصيف تمام منيفولد چهره معرفي ميشد و راهكاري پيشنهاد نشده است تا بتوان تعدادي زيرفضاي مناسب براي تكه هاي مختلف منيفولد چهره انتخاب نمود. از سويي ديگر ارائه توصيفهاي محلي از منيفولد چهره مسير تحقيقاتي ديگري است كه مورد توجه برخي از پژوهشگران قرار گرفته است. راهكارهاي ارائه شده در اين زمينه با استفاده از روشهاي خوشه بندي، تصاوير چهره را به دسته هايي تقسيم مي كنند و سپس براي براي هر خوشه از تصاوير، يك فضاي چهره طراحي ميشود. ايراد اساسي كه به اين

روشها وارد است عدم وجود مكانيزم مناسب و مستدل براي خوشه بندي تصاوير است. به عنوان مثال قرار دادن تصاوير اخذ شده از يك زاويه سر الزاماً نميتواند به توليد فضايي مناسب براي شناسايي توسط ماشين منجر شود. مجموعه اين آگاهيها انگيزه اي شد براي تأمل و تفكر و در نهايت طراحي يك ماشين يادگيري براي شناسايي چهره و رسيدن به نقطه كنوني.

پايه هاي محلي بهينه يك مجموعه نگاشت غيرايزومتريك براي تقريب محلي منيفولد چهره هستند كه با استفاده از يادگيري تقويتي -كه نوع خاصي از روشهاي يادگيري شبه سرپرستي 1 است- حاصل ميشوند. در پايه هاي محلي بهينه، انتخاب نگاشتهاي غيرايزومتريك با هدف بيشينه كردن قدرت تفكيك پذيري كلاسهاي مجاور در فضاي چهره صورت مي پذيرد. استفاده از يادگيري تقويتي و مدلسازي مسأله انتخاب نگاشتها با فرآيند تصميم گيري ماركف، عمل انتخاب نگاشتهاي غيرايزومتريك را ساده تر مي نمايد و حجم جستجوها را كاهش مي دهد. الگوريتم پايه هاي محلي بهينه نه تنها ويژگيهاي غالب را براي تكه هاي مختلف منيفولد چهره به صورت خودكار مي يابد بلكه مكانيزم مناسبي براي مقايسه شباهت در فضاهايي كه از لحاظ ابعاد و نوع ويژگيها يكسان نمي باشند ارائه مي نمايد.

پس از توصيف الگوريتم پايه هاي محلي بهينه، اين روش شناسايي را از منظر ادبيات و دانش انتخاب ويژگي مورد بررسي قرار خواهيم داد. خواهيم ديديم كه الگوريتم پايه هاي محلي بهينه به مجموعه روشهاي پوشه در انتخاب ويژگي تعلق دارد و قرابت زيادي با روشهاي انتخاب مستقيم در ادبيات انتخاب ويژگي دارد. همچنين شباهتها و تفاوتهاي الگوريتم پايه هاي محلي بهينه با كميته هاي يادگيري و روشهاي محلي يادگيري منيفولد را بررسي خواهيم كرد. با انجام شبيه سازيهاي مختلف به بررسي كارايي الگوريتم پايه هاي محلي بهينه در شرايط مختلف تصويربرداري خواهيم پرداخت. براي آناليز كارايي الگوريتم پايه هاي محلي بهينه از دو معيار نرخ صحيح شناسايي و منحنيهاي امتياز تجمعي شناسايي استفاده خواهيم كرد. با بررسي رفتار الگوريتم پيشنهادي در فضاهاي مختلف چهره خواهيم ديد كه الگوريتم پايه هاي محلي بهينه مستقل از نوع ويژگيهاي ورودي قادر به بهبود كيفيت شناسايي است. سپس با مقايسه الگوريتم پيشنهادي با روشهاي كارا و نوين شناسايي چهره كه از ايده هايي مشابه استفاده مي كنند، نشان خواهيم داد كه الگوريتم پيشنهادي از طيف وسيعي از روشهاي كارا و بروز شناسايي چهره، قابل تر و كاراتر است.

در نهايت نيز خواهيم ديد كه بر خلاف بسياري از الگوريتمهاي كنوني شناسايي چهره، با تعميم الگوريتم پايه هاي محلي بهينه ميتوان از آن در مسائلي كه محيط شناسايي در آن پويا است استفاده نمود. به طور خاص دو منشأ تغيير در محيط را مورد بررسي قرار خواهيم داد، نخست به بررسي تغييرات ناشي از اضافه نمودن كلاسهاي جديد به محيط تحت يادگيري افزايشي مي پردازيم. سپس توجه خود را به حالتي معطوف مي كنيم كه بواسطه كسب دانش جديد، فضاي ويژگي پايه هاي محلي بهينه افزايش پيدا مي كند. در اين حالت با استفاده از يادگيري تدريجي (كه مفهومي جديد در حوزه شناسايي چهره است) ميتوان دانش اكتسابي گذشته را اصلاح نمود

• 1
• 2
• 3
• 4
• 5

تحقيق :  پردازش تصویر در MATLAB

چكيده

پنج کاربرد عمده پردازش تصویر را می توان رباتیک ، سیستم ھای دفاعی ، مهندسی پزشکی ، کنترل صنعتی و گرافیک کامپیوتری عنوان کرد. در سیستم ھای رباتیک معمولا از پردازش تصویر برای ھدایت ربات و تشخیص اشیا استفاده می شود. در سیستم هاي دفاعی برای یافتن هدف و یا رهگيری یک ھدف متحرک پردازش تصویر یکی از قابل اعتمادترین روش ھای موجود می باشد. در مورد کاربردھای گرافیکی نیز یکی از معروفترین نرم افزارھای مبتنی بر پردازش تصویر فتوشاپ می باشد که ھمگی با کاربردھای این نرم افزار آشنا هستيم. تشخیص نوع بیماری نیز رایج ترین کاربرد پردازش تصاویر پزشکی است. در نھایت ، امروزه خطوط تولید صنعتی برای کنترل کیفیت محصولات تولید شده و ھمچنین کنترل حرکات خط تولید از سیستم ھای مبتنی بر   پردازش تصویر بهره جسته اند. چشم به عنوان یکی از حیاتی ترین حسگرھای انسان نقش بسزایی در زندگی ما دارد. امروزه با پیشرفت چشمگیری که در ساخت پردازنده ھا صورت گرفته است، این امکان نیز برای ما فراھم شده تا در ساخت روبات ھا و سیستم ھای کنترلی از دوربین به عنوان یک چشم مصنوعی استفاده کنیم.

• 1
• 2
• 3
• 4
• 5

• 1
• 2
• 3
• 4
• 5

پروژه  : تشخيص پلاك خودرو با تكنيك پردازش تصوير و با كمك شبكه هاي عصبي

چكيده

هدف توضيح نحوه ايجاد و پياده سازي سيستم تشخيص پلاك خودرو مي باشد .وبا توضيح  هدف اصلي پروژه آغاز شده و به ترتيب به تشريح چگونگي كاركرد آن خواهد پرداخت در هر قسمت دليل انتخاب هر روش را گفته و شرايطي را كه تحت آنها روش مورد نظرشكست خواهد خورد را بيان خواهيم نمود . همچنين توضيح خواهيم داد كه چگونه ميتوان اين روشها  را بهبود بخشيد در آخر نيز گزارش را با توضيح در مورد كارهاي آينده به پايان خواهيم رساند

• 1
• 2
• 3
• 4
• 5

پايان نامه : پياده سازي الگوريتم هاي پردازش تصوير روبات اروند براي محيط شبيه سازي webots

دريافت Download ( Farsi Fonts - Arabic Fonts ) Font

نام فايل	اسم فونت	اسم فونت
ARABICS.TTF	Arabic Style	عربيک استايل
ARSHIA.TTF	Arshia	ارشيا
BADR.TTF	Badr	بدر
BADRB.TTF	Badr Bold	بدر بولد
BSEPEHR.TTF	Sepehr	سپهر
COMPSET.TTF	Compset	کامپ ست
COMPSETB.TTF	Compset Bold	کامپ ست بولد
ELHAM.TTF	Elham	الهام
FANTEZY.TTF	Fantezy	فانتزي
FARNAZ.TTF	Farnaz	فرناز
FERDOSI.TTF	Ferdosi	فردوسي
HOMA.TTF	Homa	هما
IranNastaliq.ttf	Iran Nastaliq	ايران نستعليق
JADIDB.TTF	Jadid Bold	جديد بولد
KAMRAN.TTF	Kamran	کامران
KAMRANB.TTF	Kamran Bold	کامران بولد
KOODAKB.TTF	Koodak Bold	کودک بولد
LOTUS.TTF	Lotus	لوتوس
LOTUSB.TTF	Lotus Bold	لوتوس بولد
MAJIDSH.TTF	Majid shadow	مجيد شدو
MITRA.TTF	Mitra	ميترا
MITRAB.TTF	Mitra Bold	ميترا بولد
NASIMB.TTF	Nasim Bold	نسيم بولد
NAZANIN.TTF	Nazanin	نازنين
NAZANINB.TTF	Nazanin Bold	نازنين بولد
PERSIAN.TTF	Pershian Nimrooz	پرشين نيمروز
Persweb.ttf	Persian Web	پرشين وب
PFONT.TTF	Persian Font	پرشين فونت
ROYA.TTF	Roya	رويا
ROYAB.TTF	Roya Bold	رويا بولد
SEPEHR.TTF	Sepehr	سپهر
SINAB.TTF	Sina Bold	سينا بولد
TABASSOM.TTF	Tabassom	تبسم
TITRB.TTF	Titr Bold	تيتر بولد
TRAFFIC.TTF	Teraffic	ترافيک
TRAFFICB.TTF	Teraffic Bold	ترافيک بولد
YAGUT.TTF	Yagut	ياقوت
YAGUTB.TTF	Yagut Bold	ياقوت بولد
ZAR.TTF	Zar	زر
ZARB.TTF	Zar Bold	زر بولد