امپراتور همکاری در فروش فایل
  • بازدید : 78 views
  • بدون نظر

خرید و دانلود
با قیمت 14,000 تومان
با سلام گرم خدمت تمام دانشجویان عزیز و گرامی . در این پست دانلود پروژه پایان نامه کارشناسی ارشد برق الکترونیک با عنوان ارتقاي فشرده سازي سيگنال گفتار با استفاده از چندي كننده هاي برداري عصبي رو برای عزیزان دانشجوی رشته برق گرایش الکترونیک قرار دادیم .
دانلود پروژه پایان نامه کارشناسی ارشد برق الکترونیک ارتقاي فشرده سازي سيگنال گفتار با استفاده از چندي كننده هاي برداري عصبي,پایان نامه کارشناسی ارشد برق,پروژه کارشناسی ارشد رشته برق,دانلود رایگان پروژه کارشناسی ارشد برق,دانلود رایگان پایان نامه word رشته برق,دانلود پایان نامه و پروژه pdf و word کارشناسی ارشد برق,خرید و فروش و انجام پایان نامه و پروژه کارشناسی ارشد برق,دانلود پروژه پایان نامه مهندسی ارشد رشته برق گرایش الکترونیک,پروژه و پایان نامه ارشد برق گرایش الکترونیک,دانلود تحقیق و مقاله کارشناسی ارشد مهندسی برق الکترونیک ,دانلود پایان نامه درباره ارتقاي فشرده سازي سيگنال گفتار با استفاده از چندي كننده هاي برداري عصبي,دانلود پروپوزال کارشناسی ارشد رشته مهندسی برق گرایش الکترونیک,دانلود پروژه و پایان نامه آماده دانشجویی رشته برق الکترونیک,دانلود پایان نامه رشته برق,دانلود پروژه رشته برق


با سلام گرم خدمت تمام دانشجویان عزیز و گرامی . در این پست دانلود پروژه پایان نامه کارشناسی ارشد برق الکترونیک ارتقاي فشرده سازي سيگنال گفتار با استفاده از چندي كننده هاي برداري عصبي رو برای عزیزان دانشجوی رشته برق گرایش الکترونیک قرار دادیم . این پروژه پایان نامه در قالب ۱۰۲ صفحه به زبان فارسی میباشد . فرمت پایان نامه به صورت پی دی اف PDF هست و قیمت پایان نامه نیز با تخفیف ۵۰ درصدی فقط ۱۴ هزار تومان میباشد …

از این پروژه و پایان نامه آماده میتوانید در نگارش متن پایان نامه خودتون استفاده کرده و یک پایان نامه خوب رو تحویل استاد دهید .

توجه : برای خرید این پروژه و پایان نامه با فرمت تمام متنی word و قابل ویرایش با شماره ۰۹۳۳۹۶۴۱۷۰۲ تماس بگیرید .

دانشگاه آزاد اسلامی
واحد تهران جنوب
دانشکده تحصیلات تکمیلی
پایان نامه جهت دریافت درجه کارشناسی ارشد
رشته برق – گرایش الکترونیک
عنوان پایان نامه: ارتقاي فشرده سازي سيگنال گفتار با استفاده از چندي كننده هاي برداري عصبي


فصل اول : كليات ………………………………………………………………………………………………………………………………………………..
۱) هدف . ……………………………………………………………………………………………………………………………………………….. ۴ -۱
۲) پيشينه تحقيق ………………………………………………………………………………………………………………………………….. ۵ -۱
۳) روش كار و تحقيق …………………………………………………………………………………………………………………………….. ۵ -۱
فصل دوم : توليد گفتار و كد كننده هاي گفتار مبتني بر پيشبيني خطي . ………………………………………………………
۱-۲ ) توليد گفتار ……………………………………………………………………………………………………………………………………….. ۸
۲-۲ ) چندی سازی ……………………………………………………………………………………………………………………………………. ۱۳
۳-۲ ) چندی سازی برداري …………………………………………………………………………………………………………………………. ۱۴
۴-۲ ) كدكننده هاي گفتار ………………………………………………………………………………………………………………………….. ۱۷
۱) دستهبندي عمومي كدكنندههاي گفتار …………………………………………………………………………. ١٨ -۴-۲
۲) وكودرها ………………………………………………………………………………………………………….. ١٩ -۴-۲
۵-۲ ) تحليل براساس پيش بيني خطي ………………………………………………………………………………………………………… ۱۹
٢١……………………………………………………………………………………………. LPC 1) محاسبه ضرايب -۵-۲
٢٣……………………………………………………………………………… LSP به ضرايب LPC 2) تبديل ضرايب -۵-۲
…………………………………………………………………………………………………….. . LPC- فصل سوم: معرفي كدكننده گفتار ۱۰
ز
۱) دسته بندي كدكننده هاي گفتار ………………………………………………………………………………………………………….. ۲۷ -۳
۲۷ ………………………………………………………………………………………………………….. LPC- 2) ويژگيهاي كدكننده ۱۰ -۳
۳۱ ……………………………………………………………………………………………………………….. LPC 3) چندی کردن برداري -۳
۳۱ ……………………………………………………………………………………… LPC- 4) روش كد كردن و تخصيص بيت در ۱۰ -۳
۳۳ ……………………………………………………………………………………………. LPC- 5) محاسبه پارامترهاي كدكننده ۱۰ -۳
۱) روش ضرايب خودهمبستگي …………………………………………………………………………………….. ٣٣ -۵-۳
۲) روش كوواريانس …………………………………………………………………………………………………. ٣٥ -۵-۳
فصل چهارم : شبكههاي عصبي رقابتي با قابليت خود سازماندهي …………………………………………………………………….
۱) شبكههاي عصبي مصنوعي . ………………………………………………………………………………………………………………. ۳۹ -۴
۲) شبكههاي عصبي رقابتي …………………………………………………………………………………………………………………… ۴۱ -۴
۳) آموزش رقابتي ………………………………………………………………………………………………………………………………… ۴۲ -۴
۱) خوشه بندي ………………………………………………………………………………………………………. ٤٢ -۳-۴
٤٤…………………………………………………… (SOM) 2) الگوريتم يادگيري الگوهاي با قابليت خودسازماندهي -۳-۴
۴) شبكه عصبي كوهنن ……………………………………………………………………………………………………………………….. ۴۵ -۴
۴۸………………………………………………………………………………………………. ARTMAP و ART 5) شبكههاي عصبي -۴
٤٨…………………………………………………………………………………………………. ART 1) الگوريتم ۱ -۵-۴
۵۵ ………………………………………………………………………………………………………………….. Fuzzy ART 6) الگوريتم -۴
۵۹ …………………………………………………………………………………………………… (LVQ) 7) چندی سازی بردار يادگيري -۴
فصل پنجم: شبيهسازي و نتايج تجربي ……………………………………………………………………………………………………………….
۱-۵ ) روش بهبود كدكننده گفتار ………………………………………………………………………………………………………………. ۶۲
۲-۵ ) مدل پيشنهادي ………………………………………………………………………………………………………………………………. ۶۳
۳-۵ ) شبيهسازي و نتايج تجربي ………………………………………………………………………………………………………………. ۶۷
ح
۴-۵ ) اندازه گيري كيفيت گفتارهاي بازسازي شده و مقايسه زمان كد كردن گفتار …………………………………………. ۷۵
۵-۵ ) فلوچارت برنامه شبيه سازي ……………………………………………………………………………………………………………. ۷۸
فصل ششم: نتيجه گيري و پيشنهادات ………………………………………………………………………………………………………….. ۸۱
۱) نتيجهگيري ……………………………………………………………………………………………………………………………………… ۸۱ -۶
۲) پيشنهادات ……………………………………………………………………………………………………………………………………. ۸۳ -۶
خذ . ………………………………………………………………………………………………………………………………………………… ۸۴ Ĥ منابع و م
فهرست منابع فارسي ……………………………………………………………………………………………………………………………….. ۸۴
فهرست منابع لاتين ………………………………………………………………………………………………………………………………… ۸۵
سايتهاي اطلاعرساني …………………………………………………………………………………………………………………………… ۸۸
چكيده انگليسي ………………………………………………………………………………………………………………………………………. ۸۹
ط
فهرست جدولها
عنوان جدول شماره صفحه
۵۸ ……………………………………………………………………………………………… . FUZZY ART و ART 1. مقايسه – جدول ۴
۶۶ ………………………………………….. . LPC 1. مقايسه تعداد بيتهاي مورد نياز براي كد كردن پارامترهاي – جدول ۵
۸۲………………………………………………………………………………………………………………..MOS 2. سطوح مختلف – جدول ۵
۳٫ مقايسه زمان اجراي عمليات كد كردن گفتار با روشهاي مختلف……………………………………………. ۸۴ – جدول ۵
ي
فهرست شكلها
عنوان شكل شماره صفحه
۱٫ نمونهاي از سيگنال گفتار ………………………………………………………………………………………………………………. ۸ – شكل ۲
۲٫ نمونهاي از شكل موج يك صوت واكدار …………………………………………………………………………………………. ۹ – شكل ۲
۳٫ نمونهاي از شكل موج يك صوت بيواك ………………………………………………………………………………………. ۱۰ – شكل ۲
۴٫ نمونهاي از طيف سيگنال گفتار واكدار با فركانسهاي تشديد ………………………………………………….. ۱۲ – شكل ۲
۵٫ نمونهاي از طيف سيگنال گفتار بيواك……………………………………………………………………………………….. ۱۳ – شكل ۲
۶٫ عملكرد چندي سازي برداري ……………………………………………………………………………………………………….. ۱۶ – شكل ۲
۱۷ ………………………………………………….. . (FSVQ) 7. شكل كلي يك چندی کننده برداري حالت- محدود – شكل ۲
۸٫ مدل كلي يك كدكننده منبع گفتار مبتني بر پيشبيني خطي ……………………………………………….. ۲۰ – شكل ۲
LPC- ب)گيرنده ۱۰ ) LPC- الف) فرستنده ۱۰ ) FS 1. كدكننده استاندارد ائتلافي ايالات متحده ۱۰۱۵ – شكل ۳
۲۹ ……………………………………………………………………………………………………………………………………………………………………….
۲٫ ساختاركلي واكدكننده ………………………………………………………………………………………………………………… ۳۲ – شكل ۳
۳۴ ………………

۴٫ نمونهاي از طيف سيگنال گفتار واكدار با فركانسهاي تشديد ………………………………………………….. ۱۲ – شكل ۲
۵٫ نمونهاي از طيف سيگنال گفتار بيواك……………………………………………………………………………………….. ۱۳ – شكل ۲
۶٫ عملكرد چنديسازي برداري ……………………………………………………………………………………………………….. ۱۶ – شكل ۲
۱۷ ………………………………………………….. . (FSVQ) 7. شكل كلي يك چنديكننده برداري حالت- محدود – شكل ۲
۸٫ مدل كلي يك كدكننده منبع گفتار مبتني بر پيشبيني خطي ……………………………………………….. ۲۰ – شكل ۲
LPC- ب)گيرنده ۱۰ ) LPC- الف) فرستنده ۱۰ ) FS 1. كدكننده استاندارد ائتلافيايالاتمتحده ۱۰۱۵ – شكل ۳
۲۹ ……………………………………………………………………………………………………………………………………………………………………….
۲٫ ساختاركلي واكدكننده ………………………………………………………………………………………………………………… ۳۲ – شكل ۳
۳۴ ………………………………… LPC- 3. الگوريتم تعيين واكدار يا بيواك بودن گفتار در كدكننده گفتار ۱۰ – شكل ۳
۳۷ …………………………………………………… FS-1015 (LPC – 4. مقايسه كدكنندههاي گفتار و جايگاه ( ۱۰ – شكل ۳
۱٫ تشابه عملكرد شبكههاي عصبي مصنوعي و مغز انسان . …………………………………………………………….. ۳۹ – شكل ۴
۲٫ نحوه عملكرد هر نورون . ………………………………………………………………………………………………………………. ۴۰ – شكل ۴
ك
۳٫ ساختار يك شبكه رقابتي …………………………………………………………………………………………………………….. ۴۲ – شكل ۴
۴٫ تابع فاصله گاوسي . ……………………………………………………………………………………………………………………… ۴۷ – شكل ۴
۵۰ …………………………………………………………………………………………………………………………….. . ART 5. ساختار – شكل ۴
۵۰ ……………………………………………………………………………………………………… ART 6. ساختار شبكه عصبي ۱ – شكل ۴
درحالت پيشفرض …………………………………………………………………… ۵۳ ARTMAP 7. شكل كلي الگوريتم – شكل ۴
۵۸ ……………………………………………………………………………………………… . FUZZY ART و ART 1. مقايسه – جدول ۴
۵۹ ……………………………………………………………………………………………………… . FUZZY ARTMAP 8.ساختار – شكل ۴
جديد ………………………………………………………………. ۶۴ LPC- 1. بخش مربوط به كدكردن پارامترها در ۱۰ – شكل ۵
۲٫ شماي كلي نحوه اعمال وروديهاي شبكه عصبي و خروجيهاي متناسب . ………………………………… ۶۷ – شكل ۵
اصلي …………………………………………………………….. ۶۸ LPC- 3.يك قاب از گفتار سنتزشده در كدكننده ۱۰ – شكل ۵
جديد در صورت استفاده از شبكه كوهنن براي قسمت LPC- 4. يك قاب از گفتار سنتزشده در ۱۰ – شكل ۵
چنديسازي آن ……………………………………………………………………………………………………………………. ۶۹
FUZZY جديد در صورت استفاده از شبكه LPC- 5. يك قاب از گفتار سنتزشده در ۱۰ – شكل ۵
براي قسمت چنديسازي آن ……………………………………………………………………………………………………. ۷۰ ARTMAP
6. شكل موج يك نمونه سيگنال گفتار فارسي با حالت هيجاني ……………………………………………………. ۷۳ – شكل ۵
اصلي …………………………….. ۷۳ LPC- 7. شكل موج نمونه سيگنال گفتار فوق بعد از فشردهسازي با ۱۰ – شكل ۵
جديد كه از شبكه كوهنن LPC- 8. شكل موج همان نمونه سيگنال گفتار بعد از فشردهسازي با ۱۰ – شكل ۵
استفاده ميكند . …………………………………………………………………………………………………………………………………………….. ۷۴
ل
جديد كه از شبكه LPC- 9. شكل موج همان نمونه سيگنال گفتار بعد از فشردهسازي با ۱۰ – شكل ۵
استفاده ميكند …………………………………………………………………………………………………………. ۷۴ FUZZY ARTMAP
FUZZY ARTMAP بدست آمده در صورت استفاده از شبكه كوهنن و MOS 10 . مقايسه سطوح – شكل ۵
۷۷ ……………………………………………………………………………………………………………………………………………………………………….
FUZZY براي تعداد كلاسهاي دسته بندي مختلف در صورت استفاده از شبكه MOS 11 . سطح – شكل ۵
۷۸ …………………………………………………………………………………………………………………………………………………… ARTMAP
12 . فلوچارت مربوط به مراحل برنامه شبيه سازي …………………………………………………………………………… ۷۹ – شكل ۵
۱
چكيده
بطور گسترده در فشردهسازي سيگنال گفتار LPC پارامترهاي كدكردن براساس پيشبيني خطي يا ضرايب
مورد استفاده قرار ميگيرد. از سوي ديگر، شبكههاي عصبي مصنوعي به عنوان سيستم هوشمندي هستند
كه ميتوانند در سيستمهاي خطي و غيرخطي مانند كدينگ گفتار و تصوير بكار روند. در اين تحقيق دو
ARTMAP نمونه از شبكههاي عصبي مبتني بر تكنيك چندي سازي برداري به نامهاي شبكه كوهنن و
معرفي ميشوند، كه ازآنها براي دستهبندي بردارهاي حاصل ازپردازش سيگنال گفتارورودي استفاده ميشود،
۱ بعنوان يك پارامتر قابل جايگزيني بجاي ضرايب (LSP) در اين تكنيك با استفاده از زوجهاي خط طيفي
ميتوان نرخ بيت را كاهش داد درحاليكه كيفيت گفتار سنتز شده تقريباً حفظ ميشود و اين بدليل LPC
خوبي بدست ميآيد (Formant) استفاده ميشود، فركانسهاي فرمنت LSP ايناست كه وقتي ازپارامترهاي
كه مشابه فركانسهاي اصلي سيگنال گفتار ميباشد. بااين روش، نرخ بيت با توجه به واكدار يا بيواك بودن
قاب گفتار مربوطه بين ۲ تا ۳۳ درصد كاهش مييابد. همچنين در اين تحقيق شبكههاي عصبي كوهنن و
نظريه تشديد تطبيقي ۲ به عنوان دو شبكه عصبي بدون سرپرست ۳ و روش چنديسازي بردارهاي يادگيري ۴
به عنوان يك شبكه عصبي با سرپرست ۵ معرفي و نتايج حاصل از هريك با هم مقايسه ميشوند. نمونههاي
صوتي بكار رفته نيز به زبان فارسي ميباشند.
۱ -Line Spectral Pairs
2-Adaptive Resonance Theory(ART)
3- Unsupervised
4- Learning Vector Quantization
5- Supervised
2
مقدمه
اخيراً اكثر تكنيكهايي كه براي فشرده سازي سيگنال گفتار بكار ميروند، براساس پيشبيني خطي ساختار
يافته اند. سيگنال گفتار بعنوان يك ابزار مهم در ارتباطات انسان در فناوريهاي ديجيتالي مورد توجه خاص
قرار گرفته است. نرخ بيت سيگنال گفتار ارسال شده بايد كاهش يابد. سيگنال گفتار يك سيگنال پيوسته و
غيرخطي بوده كه بصورت فيزيكي توسط لوله صوتي انسان توليد و شكل داده ميشود، بنابراين ويژگيهاي
سيگنال گفتار به حركات لولة صوتي در طول زمان و همچنين مشخصات گوينده بستگي دارد. تبديل
كارايي كدكنندههاي با نرخ بيت كم را بهبود ميبخشد. LSP به LPC پارامترهاي
فركانسهاي فرمنت لوله صوتي را بصورت رياضي مدلسازي ميكنند. ازسويديگر شبكههاي LSP پارامترهاي
عصبي به عنوان ابزاري موفق تاكنون در كاربردهاي گوناگوني از پردازش گفتار و زبان مورد استفاده قرار
[ ۵و ۴۰ – ۳۸- و ۴]، سنتز گفتار طبيعي[ ۶ ۳۹](ASR) گرفته اند. دراين راستا كاربردهاي بازشناسي خودكار گفتار ۱
۷-۸ و ۴۱ ] به عنوان نمونه هايي كه توسط مؤلف براي زبان فارسي تجربه ](NLP) و پردازش زبان طبيعي ۲
شده اند، قابل ذكر است. براي كدكننده هاي گفتار نيز شبكه هاي عصبي در حوزه كاري مورد استفاده قرار
۴۲ ] و كاهش پيچيدگي محاسباتي در كدكننده ها – گرفته اند: پيشبيني كننده هاي نوروني براي بهبود كيفيت[ ۴۶
۴۷-۵۲ ]. دراين تحقيق يك روش جديد براي كد كردن گفتار با نرخ بيت كم معرفي ميشود كه از ]
براي استخراج و نگاشت ويژگيهاي سيگنال گفتار با استفاده از نوعي شبكة عصبي LSP پارامترهاي
۳ استفاده ميكند. استفاده از اينروش نرخ بيتگفتار بازسازيشده (SOM) مصنوعي بنام شبكة خودسازمانده
را كاهش ميدهد، درحاليكه كيفيت سيگنال تفاوت آشكاري با گفتار اصلي ندارد. براي اندازه گيري كيفيت-
استفاده ميشود. (MOS) گفتار سنتزشده از معيار ميانگين امتياز آرا داده شده ۴
۱- Automatic Speech Recognition
2- Natural Language Processing
3- Self-Organizing Map
4- Mean Opinion Score
3
فصل اول
كليات
۴
فصل اول : كليات
۱-۱ ) هدف
يكي از ابزارهاي ارتباطي انسان،گفتار است. سيستمهاي ارتباطي نوين و پيشرفته بطور گستردهاي براساس
پردازش و ارسال گفتار بنا نهاده شدهاند. خطوط تلفن ديجيتال، شبكههاي اينترنت، ويديو كنفرانسها و پيام
هاي صوتي تنها تعدادي از كاربردهاي روزمره چنين سيستمهايي است. با وجود چنين كاربردهاي وسيعي،
ناگزير نياز به گفتاري باكيفيت بالا در پهناي باند ارسال كمتر وجود دارد. كار اصلي كدكنندههاي گفتار
پيشرفته، رقميكردن ۱ سيگنال گفتار آنالوگ با استفاده از فرآيند نمونهبرداري است. بنابراين يك كدكننده ۲
براي توليد شكل كدشده از يك سيگنال گفتار، يك دنبالهي عددي را پردازش ميكند. گفتار كد شده بسته
بهكاربرديكه دارد، ارسال يا ذخيره ميشود. كار هر واكدكننده ۳ نيز بازسازي گفتاراصلي از دنبالههاي كدشده
است. كد كردن گفتار يك فشرده سازي همراه با اتلاف است، يعني مقداري از كيفيت سيگنال گفتار اصلي
در طي عمليات فشردهسازي به ازاي كاهش حجم اطلاعات و افزايش سرعت ارسال، كاسته ميشود. براي
بهبود كيفيت گفتار فشرده شده روشهاي مختلفي وجود دارد، در اين تحقيق، از يك شبكة عصبي با قابليت
خودسازماندهي ۴ براي اين كار استفاده شده است. از اين شبكة عصبي مصنوعي ۵ همان گونه كه توضيح داده
خواهد شد، براي دسته بندي بردارهاي حاصل از پردازش گفتار استفاده ميشود. دسته بندي بردارهاي
بدست آمده از پردازش و چنديسازي ۶ گفتار باعث كاهش بيت هاي بكار رفته در گفتار كد شده و در نتيجه
حفظ ميشود. MOS فشردهسازي بيشتر آن ميشود، در حالي كه كيفيت گفتار حاصل بر اساس معيارهاي
۱ -Digitize
2 -Encoder
3 -Decoder
. -Self Organizer Feature Maps(SOFM)
. -Artificial Neural Networks
. -Quantization
5
2-1 ) پيشينه تحقيق
در زمينه فشرده سازي گفتار تاكنون كارهاي زيادي انجام گرفته و نيز روشهاي مختلفي بكار رفته است.
اغلب كدكننده هاي گفتار كه نرخ بيت بسيار پايين دارند، براساس مدلسازي پارامترهاي پيشبيني
ميباشند كه در اين مدل، طيف سيگنال گفتار كوتاه مدت با يك فيلتر تمام قطب مدلسازي (LPC) خطي
براي چندی کردن چندان مفيد نيستند، زيرا محدوده مشخصي ندارند LPC ميشود. با اينحال پارامترهاي
LPC و بنابراين يافتن بازه چنديسازي براي آنها دشوار است. به علاوه، طيف گفتار نسبت به پارامترهاي
بسيار حساس است، بنابراين هر خطاي چنديسازي كوچك ممكن است منجر به ناپايداري فيلتر سنتز شود.
اين عوامل موجب ميشود كه كيفيت گفتار سنتزشده براي استفاده در سيستمهاي مخابراتي رايج مناسب
توسط فردي بنام LSP به LPC نباشد. براي رفع اين معايب، يك مدل رياضي براي تبديل پارامترهاي
ميباشند و استفاده از LPC جانشين مناسبي پارامترهاي LSF يا LSP مطرح شد. پارامترهاي Itakura
فراهم ميسازد. روشي كه در اينكار استفاده شده LPC- آنها نرخ بيت جديدي براي كد كننده گفتار ۱۰
براي SOM است، يكي از جديدترين روشهاي فشردهسازي گفتار است. كه درآن از شبكه هاي عصبي
چندی کردن برداري پارامترهاي پيش بيني خطي استفاده شده است. از نمونه كارهاي مشابه خارجي كه
ميتوان به عنوان مراجع اصلي اين كار نام برد، ميتوان به مقالههاي [ ۹]و[ ۱۰ ]و[ ۱۲ ] اشاره كرد. در مقالات و
تحقيقات داخلي نمونه قابلتوجهي يافته نشد.


راهنمای خرید فایل از سایت :
برای خرید فایل روی دکمه سبز رنگ (خرید و دانلود) کلیک کنید سپس در فیلدهای خالی آدرس ایمیل و سایر اطلاعات خودتون رو بنویسید سپس دکمه ادامه خرید رو کلیک کنید . در این مرحله به صورت آنلاین به بانک متصل خواهید شد و پس از وارد کردن اطلاعات بانک از قبیل شماره کارت و پسورد خرید فایل را انجام خواهد شد . تمام این مراحل به صورت کاملا امن انجام میشود در صورت بروز مشکل با شماره موبایل ۰۹۳۳۹۶۴۱۷۰۲ تماس بگیرید و یا به ایمیل info.sitetafrihi@gmail.com پیام بفرستید .

خرید و دانلود

با قیمت 14,000 تومان

عتیقه زیرخاکی گنج