باتوجه به میزان شیوع و نرخ مرگ و میر ناشی از بیماری سرطان، نیاز به توسعه ابزارهایی جهت تشخیص به موقع و زودرس این بیماری یکی از مسایل اساسی درتحقیقات اخیر بشمار می آید. تحقیقات حوزه علوم پزشکی نشان داده است که تغییرات پاتولوژیک درون یک عضو یا سلول بصورت الگوهای پروتیینی در نمونه های بیولوژیک نظیر خون، بافت، و یا ادرار انعکاس می یابد. پروتیین شناسی بعنوان دانش مقایسه کمی و کیفی و تمایز پروتیین ها تحت شرایط سالم برحسب سرطانی برای درک فرایندهای بیولوژیک شناخته می شود. طیف سنجی جرمی بعنوان یک ابزار اندازه گیری قدرتمند در تولید الگوهای پروتیینی جهت تشخیص بیماری ها و کشف نشانگرهای حیاتی شناخته شده است. دادگان حاصل از این تکنیک بعنوان داده هایی با ابعاد و همبستگی بالا حاوی افزونگی اطلاعات و اغتشاشات درنظر گرفته می شوند. چالش های اساسی تحقیقات اخیر ابعادبالا-نمونه کم، تکرارپذیری، تعمیم پذیری، و انتخاب نشانگرهای حیاتی مشترک می باشند. پیش پردازش و اتخاذ روش انتخاب ویژگی مناسب در تفسیر صحیح داده طیف جرمی و حل چالش های آن می تواند نقش حیاتی ایفا نماید. دراین تحقیق، یک روش پیش پردازش موثر در حوزه تبدیل موجک گسسته باتنظیم ضرایب تقریب با تخمین گرمحلی (rbe) جهت حذف خط زمینه و یک روش مبتنی بر آمارگان مرتبه بالا باتنظیم ضرایب جزییات جهت حذف نویز معرفی شده است. بامروری بر روش های پیشین آماری و نوین داده کاوی در تحلیل طیف جرمی، این روش ها پیاده سازی و مقایسه گردیده اند. ازبین روش های پیشین، آمارگان t، آزمون رتبه بندی ویلکاسون، حداکثرارتباط-حداقل وابستگی (mrmr)، انتخاب متغیر بیزین (bvs)، و تحلیل حداقل مربعات جزیی (pls) انتخاب شده اند. روش های مذکور برروی مجموعه دادگان سرطان های تخمدان، پروستات، و پستان اجرا شده و نتایج بدست آمده حاکی از ضعف این شیوه ها در استخراج نشانگرهای حیاتی تکرارپذیر با نرخ تشخیص بالا در مجموعه دادگان طیف جرمی می باشد. در این رساله، الگوریتم های حداکثرتمایز-آمارگانt (mdts)، حداکثرتمایز-حداقل همبستگی (mdmc) درفضای اصلی و تبدیل موجک ایستان گسسته پیشنهاد گردیدند. کلیه الگوریتم های پیشنهادی موفق به استخراج پروتیین های نامزد با قدرت تفکیک پذیری بالا و تشخیص کامل نمونه های سالم از سرطانی در سه مجموعه داده سرطان های تخمدان و پستان شده اند. همچنین، با اعمال معیار امتیازدهی پیک الگوریتم های پیشنهادی موفق به افزایش نرخ تکرارپذیری شده اند. یکی از معایب روش های پیشین تحلیل طیف جرمی پروتیینی خون و چالش اساسی حوزه داده شناسی حیاتی، بحث تعمیم پذیری تکنیک های انتخاب ویژگی با تغییر نمونه های جامعه آماری یک بیماری معین بوده است. الگوریتم های پیشنهادی نشان داده اند که تا حدزیادی مشکل تعمیم پذیری را حل می نمایند. نتایج بدست آمده حاکی از آن است که روش های پیشنهادی این رساله در مقایسه با روش های پیشین موفق به کاهش قابل ملاحظه تعداد نشانگرهای حیاتی علی الخصوص دستیابی به 5 نشانگرحیاتی مشترک در حوزه تبدیل موجک ایستان گسسته با توابع مادر مختلف برای دو مجموعه دادگان سرطان تخمدان شده اند. این نشانگرهای حیاتی مشترک موفق به تشخیص نمونه های سالم و سرطانی با قدرت تفکیک پذیری 80.40% در مجموعه دادگان سرطان تخمدان شده اند. این نرخ تفکیک بهبودی باندازه 35.45% نسبت به روش های پیشین در نرخ تشخیص ایجاد نموده است. درخاتمه، روش های پیشنهادی نشان داده اند که استفاده از رهیافتهای ترکیبی علاوهبر استخراج بهترین ویژگی ها از پروفایل پروتیینی می توانند منجر به افزایش قابلیت تکرارپذیری و تعمیم پذیری در انتخاب نشانگرهای حیاتی واحد گردند.

عوامل زیادی باعث گردیده است که بشر به سمت استفاده از منابع تولید پراکنده برود. این عوامل عبارتند از: نیاز بشر به برق با کیفیت و قابلیت اطمینان بالا، رو به زوال رفتن سوخت های فسیلی، آلودگی زیاد ناشی از مصرف این سوخت ها و... . جمع آوری منابع انرژی نو در کنار یکدیگر باعث به وجود آمدن مفهوم میکروگرید شده است. میکروگرید مدنظر در این پایان-نامه از پیل سوختی به عنوان تولیدکننده انرژی استفاده نموده است. هر میکروگرید می‏تواند در دو مد عملکردی قرار بگیرد: 1–مدعملکردیاتصالبهشبکه2- مد عملکردی جزیره‏ای. برای عملکرد اتصال به شبکه، نیاز به کنترلر توان برای کنترل توان انتقالی به شبکه وجود دارد. در عملکرد جزیره ای علاوه بر کنترل توان، نیاز به کنترل ولتاژ نیز احساس می گردد. برای کنترل متغیرهای مدنظر به 2 صورت می توان عمل نمود. در روش اول، با کنترل سوخت ورودی به منبع تولید پراکنده، به کنترل متغیر پرداخته می شود. در روش دوم با کنترل پالس گیت مبدل و تنظیم سویچ زنی برای مبدل، کنترل ولتاژ، فرکانس و توان انجام می گردد. در این پایان نامه از طریق تنظیم پالس گیت مبدل، بر روی توان تولیدی توسط منابع، کنترل وجود دارد. جهت کنترل توان و تنظیم پالس، کنترل pi-nn، پیشنهاد شده است. عملکرد هیبرید پیل سوختی به همراه توربین بادی در حالت جزیره ای، در فصل 4 مدنظر قرارگرفته شده است. جهت کنترل ولتاژ، با استفاده از کنترل pi، یک باس ac طراحی شده است که بار بتواند توان را تحت ولتاژ ثابت تحویل بگیرد. نتایج انجام شده در محیط مطلب/سیمولینک نشان از کارایی این کنترلرها دارد.

هدف یک سیستم واسطه مغز با رایانه برقراری ارتباط یک جانبه میان انسان و رایانه است، بطوریکه از این طریق امکان کنترل محیط خارج برای انسان تنها با استفاده از سیگنالهای مغزی او فراهم شود. بیشتر مطالعات انجام شده در زمینه bci تنها به تفکیک انواع فعالیتهای ذهنی کاربر می پردازند. در اینگونه سیستمها، اجازه کنترل سیستم تنها در فواصل زمانی تعیین شده و توسط سیستم به کاربر می پردازند. در اینگونه سیستمها، اجازه کنترل سیستم تنها در فواصل زمانی تعیین شده و توسط سیستم به کاربر داده می شود و بنابراین پردازش در بازه های زمانی از قبل تعیین شده و به هدف تفکیک انواع فرمانهای کاربر انجام می شود. این سیستمها، سیستمهای سنکرون نام دارند. این در حالیست که برای اینکه یک سیستم bci عملا کاربردی باشد، در مرحله نخست می بایست امکان کنترل سیستم و صدور فرمان کاملا در اختیار کاربر قرار گیرد. به این منظور سیستم باید قادر باشد نیت کاربر در صدور فرمان را در سیگنال مغزی وی تشخیص دهد. اینگونه سیستم، سیستم واسطه مغز با راینه کاربر فرما نامیده می شود و دارای دو ویژگی متمایز است. اول آنکه همیشه امکان کنترل آن توسط کاربر وجود دارد و دوم آنکه بازه هایی که کاربر در آنها قصد کنترل سیستم را ندارد تشخیص می دهد و در این بازه ها خروجی خنثی تولید می کند. در این سیستم، کل سیگنال مغزی به منظور یافتن بازه های وقوع فعالیت ذهنی پردازش می شود. نوع فعالیت ذهنی نیز در این سیستمها غالبا انجام تصورات حرکتی است. مسأله تشخیص بازه های تصور حرکتی از سیگنال مغزی خودبخودی، مهمترین چالش سیستمهای کاربر فرماست. هدف در این پروژه بررسی کلیه راهکارهای ممکن در طراحی سیستم واسطه مغز با رایانه کاربرفرما می باشد. در این راستا دو رویکرد کلی مورد بررسی قرار گرفته اند. در رویکرد نخست، الگوریتمی ارایه شده است که به تفکیک تصورات حرکتی از هم و همچنین از سیگنال خودبخودی تواما می پردازد. در این راستا، موثرترین روشهای تفکیک انواع تصورات حرکتی با نام روش الگوهای مکانی مشترک و نسخه های بهبود یافته آن و توسیع چند کلاسه آنها روی 2 دسته دادگان مربوط به رقابت bci ii پیاده شده است. متوسط اختلافهای نرخ تشخیص درست و نادرست مثبت روی تمام افراد و مربوط به 2 دسته دادگان برابر 97/52 درصد و 33/65 درصد بدست آمده اند. در رویکرد دوم نیز روی روشهای جداسازی بازه های تصور حرکتی از بازه های غیر رخداد آنها تمرکز شده است. علاوه بر بررسی روش مبتنی بر ویژگی و یک روش مبتنی بر مدل خود بازگشتی ، روشهای نوین ترکیب همبستگی با قالب متوسط با روش مبتنی بر ویژگی و یک الگوریتم یادگیری با سرپرستی خودکار ارایه شده است، که بصورت موفقی می توانند الگوهای erd/ers را که نشانه وقوع تصورات حرکتی هستند از سیگنال eeg بازشناسی کنند. این روشها روی دادگان گراتز پیاده شده اند و متوسط اختلافهای نرخ تشخیص درت و نادرست مثبت روی تمام افراد برابر 33/93 درصد و 9/63 درصد به ترتیب به ازای دادگان حرکت واقعی و تصوری بدست آمده اند.

ماشین بردار پشتیبان (svm) به عنوان یکی از روش های مبتنی بر هسته از مهمترین روش های یادگیری ماشینی می باشد که در رگرسیون و بازشناخت الگوی داده ها به کار برده می شود. در سالهای اخیر مطالعه برای بکارگیری و ارزیابی ترکیب تبدیل ویولت با svm مورد توجه قرار گرفته است. یک هسته قابل قبول برای svm به عنوان هسته ویولت معرفی شده و ماشین بردار پشتیبان ویولت (wsvm) ایجاد شده است. هسته ویولت یک تابع ویولت چند بعدی می باشد که به علت خصوصیت تعامد می تواند توابع غیر خطی دلخواه را تخمین بزند. از آنجا که ماشین های بردار پشتیبان بطور وسیع در کاربردهای مختلف طبقه بندی داده های پزشکی، با موفقیت بکار رفته اند. در این پروژه نیز کارایی ماشین های بردار پشتیبان ویولت با چندین ویولت مادر مختلف در طبقه بندی سه مجموعه داده دیابت، سرطان سینه و دروغ سنجی بررسی شده است. ابتدا دو مجموعه داده دیابت و سرطان سینه که در تحقیقات متعدد برای سنجش کارایی الگوریتم های طبقه بندی مختلف مورد استفاده قرار گرفته اند، برای ارزیابی wsvmها بکار برده شدند. برای مقایسه، طبقه بندی توسط روش های مهم دیگر مانند k نزدیکترین همسایه (knn)، آنالیز تمایز خطی (lda) و svm با هسته های دیگر انجام شده و بطور کلی نقاط قوت و ضعف این روش نسبت به سایر روشها بررسی شده است. نتایج اعتبار wsvm ها را در طبقه بندی این دو مجموعه داده نشان می دهند. برای مجموعه داده دیابت بیشترین صحت طبقه بندی 51/87? توسط wsvm با هسته ویولت mexican hat با هسته ویولت morlet به دست آمده است. پس از ارزیابی های مذکور، ماشین های بردار پشتیبان ویولت برای تصمیم گیری در مورد خطاکار بودن یا بی گناهی سوژه، روی دادگان دروغ سنجی مبتنی بر مولفه شناختی p300 طراحی و بررسی شده، جمع آوری گشته است. در اینجا نیز کارایی wsvmها با روش های دیگر طبقه بندی مانند lda و svm با هسته های دیگر مقایسه شده است. بر اساس نتایج به دست آمده، از لحاظ دقت تفکیک افراد خطاکار و بی گناه، روش طبقه بندی کننده ماشین بردار پشتیبان با هسته ویولت morlet با صحت طبقه بندی 80%، کارایی بهتری در مقایسه با روش های دیگر نشان داده است. در این پروژه علاوه بر پیاده سازی روش های طبقه بندی مذکور، به انتخاب دسته ویژگی بهینه مجموعه داده دروغ سنجی برای این طبقه بندها نیز پرداخته شده که این امر به افزایش چشمگیر درصد صحت طبقه بندی توسط ماشین بردار پشتیبان با هسته ویولت morlet به 90% منجر شده است.

تعاملات بین ژن ها، پروتیین ها و مواد دیگر در سلول، تشکیل یک شبکه ی پیچیده می دهند که نقش مهمی در عملکرد درست سلول بازی می-کند. مدلسازی شبکه های ژنی می تواند در زمینه های مختلف مانند شناسایی بیماری های ژنتیکی، انتخاب کاندیداهای ژن درمانی و به دست آوردن ایده هایی در مورد عملکرد ژن های ناشناخته کاربرد داشته باشد. روش آزمایشگاهی میکروآرایه های dna امکان اندازه گیری همزمان بیان هزاران ژن را فراهم می کنند. به دلیل نویزی بودن داده های میکروآرایه و طبیعت احتمالاتی شبکه های بیزین و بیزین دینامیک و لذا توانایی آنها در کار با این گونه داده ها، در مطالعه ی حاضر از آنها برای مدلسازی روابط علّی میان ژن ها استفاده شده است. یک مسأله ی اساسی در مورد یادگیری این شبکه ها، افزایش فوق نمایی تعداد ساختارهای ممکن شبکه، با افزایش تعداد گره های آن است. به علاوه تعداد زیاد ژن ها (ویژگی) و تعداد کم نقاط زمانی (نمونه) در داده های میکروآرایه، مساله ی یادگیری را مشکل تر می سازد. برای حل این مساله، در مطالعه ی حاضر از خوشه بندی ژن ها استفاده شده است؛ به این صورت که در ابتدا ژن ها، بر اساس اطلاعات بیولوژیکی موجود در مورد آنها (اُنتولوژی ژن) به گروه هایی تقسیم شده و سپس از مدل های bn و dbn برای مدلسازی روابط علّی ژن ها در هر خوشه استفاده شد. با توجه به همپوشانی بین خوشه ها، از ترکیب زیرشبکه های حاصل، یک شبکه ی سراسری از ژن های موردبررسی ایجاد می شود. مزایای این روش خوشه بندی، استفاده از اطلاعات بیولوژیکی به جای معیارهای آماری که لزوماً از نظر زیستی معنادار نیستند، ایجاد خوشه هایی از ژن هایی که واقعاً با هم همکارند و تعیین خودکار تعداد خوشه ها بر اساس اطلاعات بیولوژیکی، می باشد. با این تکنیک، امکان مدلسازی روابط بین تعداد زیادی ژن فراهم می-شود؛ در حالی که در اکثر کارهای انجام شده، ارتباطات بین تعداد کمی از ژن ها مدلسازی می شوند. با توجه به این که داده های مورد استفاده، سری زمانی اند و در bn اطلاعات زمان وجود ندارد، در این پایان نامه با استفاده از همبستگی بین پروفایل های بیان ژن ها و شیفت آنها، به نحوی اطلاعات زمانی در این شبکه وارد شد. مقایسه ی نتایج حاصل از مدل bn با و بدون استفاده از اطلاعات همبستگی، نشان می دهد که این کار نتایج حاصل را بهبود می دهد (افزایش صحت بازسازی ارتباطات از %66 به %72 و بهبود حساسیت با افزایش تعداد ارتباطات بازسازی شده در مدل از 70 به 101). در مدل dbn مرتبه ی r مورد استفاده، علاوه بر ارتباطات بین ژن-ها، تاخیر زمانی متناظر با هریک (از صفر تا r) نیز ایجاد میگردد.

استفاده از ترکیب نتایج چند طبقه بندی کننده یکی از روشهای افزایش کارایی سیستم های بازشناسی الگو است که در سالهای اخیر محققین زیادی به آن پرداخته اند. برای آن که ترکیب نتایج طبقه بندی کننده ها مفید واقع شود باید طبقه بندی کننده های پایه ضمن برخورداری از کارایی قابل قبول، با یکدیگر متفاوت بوده و قاعده ترکیب مناسبی برای تلفیق نتایج آنها به کار گرفته شود. قاعده ترکیب باید به گونه ای انتخاب شود که طبقه بندی کننده ها نقاط ضعف یکدیگر را بپوشانند. تنها با شناخت قواعد مختلف ترکیب و ویژگی های آنها ست که می توان قاعده ترکیب مناسب را برای حل مساله مورد نظر انتخاب کرد. در این پروژه قسمت اصلی کار بر روی بررسی قواعد مختلف ترکیب و روشهای ایجاد گوناگنی در طبقه بندی کننده های یک سیستم مرکب می باشد. طبقه بندی کننده های پایه به کار رفته در این پژوهش شامل آنالیز تفکیک خطی (lda) ، ماشین بردار پشتیبان (svm)، نزدیکترین همسایه (k-nn) و درخت تصمیم بودند که بر روی دادگان دروغ سنجی مربوط به رساله دکتری آقای ابوطالبی اعمال شدند و نتایج آنها توسط انواع روشهای ترکیبی حساس به کلاس و مستقل از کلاس با هم ترکیب گردیدند.

فرآیند بیهوشی به عنوان یکی از ارکان اساسی در انجام عمل جراحی محسوب می گردد. این فرآیند را می توان به صورت نبود پاسخ و یا عکس العمل به تحریکات ناخوشایند تعریف نمود که شامل سه رکن اساسی عدم هوشیاری (عمق بیهوشی)، عدم احساس درد و شل شدن عضلات می باشد. با وجود پیشرفت های همه جانبه علوم و فنون پزشکی، هنوز یکی از عمده ترین مشکلات متخصصان بیهوشی، اطمینان نداشتن از انجام صحیح این فرآیند است. از این رو متخصصان هم چنان به دنبال راه حلی برای اطمینان از انجام صحیح بیهوشی هستند. استفاده از روش های کنترل خودکار برای این منظور مناسب می باشد. در واقع هدف سیستم کنترل خودکار بیهوشی، تعیین نرخ داروی تزریقی به بیمار، به منظور دستیابی به عمق مناسبی از بیهوشی است. لذا در چنین سیستمی نیاز به معیاری جهت تعیین عمق بیهوشی می باشد. معیارهای مختلفی به این منظور ارایه شده اند که یکی از مناسب ترین آن ها، آنالیز bis است که در این پایان نامه نیز به عنوان شاخص تعیین عمق بیهوشی مورد استفاده قرار گرفته است. بیهوشی فرآیندی غیرخطی به همراه تأخیر است، یک سری محدودیت ها در روند بیهوشی وجود دارند که در تعیین نرخ داروی تزریقی - سیگنال کنترلی- باید مورد توجه قرار گیرند. به علاوه کنترل کننده مورد استفاده باید از مقاومت کافی برخوردار باشد تا در مقابل تغییر شرایط بیمار در حین عمل جراحی و یا خطای تخمین پارامترهای مدل، دچار نقص در عملکرد نشود. کنترل کننده پیش بین مبتنی بر مدل (mpc ) گزینه ای مناسب برای کنترل این فرآیند است. در کارهای انجام شده تا کنون از مدل جامعی که مشتمل بر محدودیت ها تزریق و تفاوت های فردی بیمار باشد استفاده نگردیده است. در ضمن عموماً از فاز القای بیهوشی صرف نظر شده و صرفاً فاز نگهداری در نظر گرفته شده است. با توجه به این نکات، هدف این پایان نامه آن است که با طراحی کنترل کننده ای پیش بین و استفاده از یک مدل فارماکوکینتیک-فارماکودینامیک که پارامترهای فردی بیمار نیز تا حد امکان در آن لحاظ شده است، بیمار در سطح مطلوب بیهوشی قرار گیرد. در این تحقیق، کنترل کننده هایی با استفاده از روش های مختلف mpc مانند: gpc ، edmc و gipc طراحی گردیده و نتایج آن ها با یکدیگر و نیز با کنترل کننده pid مقایسه شده است. با توجه به تفاوت های موجود میان بیماران و همچنین وجود تأخیر، کنترل کننده pid، عملکرد مناسبی نداشته است. اما با استفاده از روش های کنترل پیش بین مبتنی بر مدل علاوه بر آنکه بهبود مناسبی در میزان مقاوم بودن سیستم کنترل نسبت به تغییرات پارامترهای بیمار مشاهده گردید، میزان داروی مصرفی و مدت زمان لازم برای بیهوش شدن بیمار نیز بهبود یافت. نتایج بدست آمده در این تحقیق نشان داد که کنترل کنندهgpc ، در فاز القای بیهوشی عملکردی مشابه با روشهای رایج که توسط فرد متخصص انجام می گردد، دارد.

اساس این پژوهش استفاده از بررسی امکان استفاده از روشهای پیش بین مبتنی بر مدل محیط دینامیک در شبیه سازی نحوه تولید مسیر حرکات در انسان است.تئوریهایی برای نحوه تولید مسیر در موجودات زنده پیشنهاد شده است. نکته ای که کمتر در این پژوهش به آن توجه شده است پیش بینی آینده با توجه به قیود ( مانند مدل حرکت موانع، دینامیک سیستم و محیط) است.

بحران انرژی و نگرانیهای زیست محیطی مثل آلودگی و اثرات گرمای جهانی محرک هایی هستند که باعث شده اند توجه دولتها به سمت منابع انرژی تجدیدپذیر جلب شود. در این میان سیستم فتوولتاییک(pv) مورد توجه بسیاری قرار گرفته است. برای اینکه سیستم pv در نقطه توان ماکزیممش کار کند بایستی آن را در شرایط مختلف کنترل کرد. این نقطه توان ماکزیمم که به شرایط بار ، دمای سلول(t) وتشعشعات خورشیدی(g) بستگی دارد با استفاده از mppt ردیابی می شود[1]. زمان وصل محاسبه شده(d) توسط کنترلر mppt به تولیدکننده پالسpwm داده می شود که برای تنظیم پهنای پالس تولیدی توسطpwm استفاده می شود و سپس پالس با پهنای کنترل شده به مبدل بوست داده می شود تا بتواند نقطه توان ماکزیمم را دنبال کند. به منظور کاهش هزینه های سیستم هایpv ازاین رو استخراج توان ماکزیمم از یک سلول خورشیدی به یک موضوع حیاتی برای طراحی سیستم بهینه تبدیل شده است. روشهای گوناگونی برای ردیابی نقطه توان ماکزیمم (mppt) ارائه شده اند. این روشها بر اساس ویژگی های مختلف شامل انواع سنسورهای مورد نیاز، سرعت همگرایی، ارزش، رنج اثرگذاری، نیازهای سخت افزاری اجرا و معروفیت متمایزشده اند. به هرحال روشهایmppt را می توان به طورکلی در 3 روش آفلاین، آنلاین و ترکیبی جای داد. روشهای آفلاین که به روشهای وابسته به مدل معروف اند معمولا از دما وتشعشع برای تولید سیگنال کنترل استفاده می کنند. این روشها خود به روشهای ولتاژ مدارباز(ocv)، جریان اتصال کوتاه(scc) و روشهای هوش مصنوعی(ai) دسته بندی می شوند. روشهای آنلاین که به روشهای بدون نیاز به مدل معرف اند معمولا از مقادیر لحظه ای ولتاژ یا جریان خروجیpv برای تولید سیگنال کنترل استفاده می کنند. روشهای آنلاین شامل روشهای p&o، esc وic می باشند. روشهای ترکیبی نیز ترکیبی از روشهای آفلاین و آنلاین می باشند. دراین پایان نامه از روش منطق فازی برای کنترلmppt استفاده شده که ورودی های این کنترلر تشعشع خورشید، دمای اطراف سلول و توان خروجی بار می باشند. به بیان دیگر کنترلر فازی تابش، دما و توان خروجی بار را به عنوان ورودی گرفته و زمان وصل را برای تولید سیگنال کنترلی لازم تولید می کند.نتایج شبیه سازی نشان می دهند که کنترلر منطق فازی درمقایسه با سایر کنترل کننده ها درزیرشرایط مختلف جوی عملکرد بهتری را از خود نشان می دهد.

در دو دهه اخیر نظریه ویولت ها برای آنالیز سیستم های مهندسی بکار گرفته شده اند و در این مدت کوتاه توانایی این ابزار ریاضی آشکار شده است. استفاده از ویولت ها در پردازش سیگنال و تصویر، پردازش صوت، فشرده سازی داده ها ، تئوری تقریب، کاربردهای عددی و … مورد استفاده قرار گرفته و منجر به نتایج جالب و مطلوبی گردیده است. خصوصیاتی نظیر محمل فشرده و کوتاه، تعامد، تقارن، ممانهای صفر و غیره، منجر به کارآیی ویولت ها در آنالیز سیستم ها می گردد. اما تمامی خصوصیات فوق کاملا در ویولت های اسکالر برآورده نمی شوند. لذا توسیعی از ویولت ها موسوم به مالتی ویولتی ویولت ارائه و استفاده می گردد. ایده مالتی ویولت حالت کلی تر ویولت های اسکالر می باشد به این صورت که به جای استفاده از یک تابع مقیاس و ویولت از چندین تابع مقیاس، موسوم به توابع مقیاس چندگانه و به همان تعداد تابع ویولت، موسوم به مالتی ویولت استفاده می شود. در ساخت مالتی ویولت درجه آزادی بیشتری برای برآورده کردن خواص مطلوب بصورت توام وجود دارد. لذا استفاده از مالتی ویولت برای آنالیز و حل مسائل پیشنهاد می شود. در این رساله، خانواده مالتی ویولت های مختلف معرفی و خواص آنها ارائه می گردد و در ادامه مناسبترین مالتی ویولت برای فشرده سازی سیگنال ecg به صورت تجربی و تحلیلی مشخص شده و در ادامه فشرده سازی سیگنال بر اساس تبدیل مالتی ویولت با استفاده از الگوریتم تقسیم بندی مجموعه ها در درخت های سلسله مراتبی انجام شد و در پایان روشی کارآمد برای فشرده سازی سیگنال ecg مبتنی بر تبدیل مالتی ویولت دو بعدی و الگوریتم spiht ارائه شد.

سیگنال تغییرپذیری نرخ ضربان قلب (hrv) یک ابزار غیرتهاجمی مشهور برای ارزیابی وضعیت سیستم قلبی- عروقی و نیز اعصاب خودمختار می?باشد. تحقیقات اخیر نشان داده?اند که ساختار مولد این سیگنال، یک ساختار خطی ساده نیست بلکه شامل مولفه?های غیرخطی می?باشد که به عوامل هورمونی و نورونی وابسته است. لذا از آنجاییکه تحلیلهای کلاسیک، تنها رفتارهای خطی و پریودیک موجود در سیگنال را بررسی می?کنند، ارتباطات پیچیده?تر از طریق آنها قابل شناسایی نمی?باشد. با پیشرفت تئوریهای غیرخطی و آشوب، روشهای جدیدی برای تشخیص تعین در سیگنالهای غیرخطی نظیر hrv و ارزیابی پیچیدگی موجود در آنها ارائه شد. هدف ما در این تحقیق، طبقه?بندی انواع مختلف بیماریهای قلبی تنها بر اساس ویژگیهای استخراج شده از سیگنال hrv می?باشد. بنابراین، انواع ویژگیهای خطی (از حوزه زمان و حوزه فرکانس) و غیرخطی را از سیگنال hrv افراد سالم و بیمار استخراج نمودیم. ما توانستیم انواع آریتمی?های قلبی را با استفاده از ثبتهای کوتاه مدت با sensitivity و specificity بالاتر از به ترتیب 91% و 97% شناسایی کنیم. برخی بیماریهای قلبی در ثبتهای کوتاه مدت هیچگونه علائمی نشان نمی?دهند ولی در همبستگی های بلندمدت hrv، تغییراتی ایجاد می?کنند. بنابراین، ما بیماریهای مهلکی از قبیل chf، af و cad را در ثبتهای بلندمدت مورد بررسی قرار دادیم و با استخراج ویژگیهای غیرخطی آنها، دینامیک غیرخطی و رفتار آشوبگونه آنها را نمایان ساختیم. به علاوه، با ترکیب ویژگیهای خطی و غیرخطی توانستیم افراد بیمار و سالم را با دقت خوبی از یکدیگر تفکیک کنیم.

در این رساله راهکار جدیدی به منظور ردگیری حرکت نقاط دیوار، بطن چپ lv و اصلاح میدان حرکتی آن ارائه شده است این راهکار، رویکرد جدیدی برای تجزیه و تحلیل دینامیک بطن چپ قلب مبتنی بر مدل مش فعال بر روی توالی از تصاویر آناتومیکی تشدید مغناطیسی قلب مطرح می نماید مدل مش فعال بیان فشرده ای از مجموعه نقاط تصویر سه بعدی بدست می دهد که نتیجه تلفیق توپولوژی و هندسه هدف می باشد. و با خواص الاستیک قلب تزویج می شود طرح اولیه مدل، مستقیما بر اساس اطلاعات بدست آمده از تصویر سه بعدی دیواره lv در انتهای مرحله دیاستول ساخته می شود و از هیچ پیش فرضی استفاده نشده است تغییر فرم دیواره lv از پرازش مندل به میدان پراکنده جابجایی اخذ شده توسط روند پیشنهادی تناظریابی تخمین زده می شود. به منظور توسعه مدل پیشنهادی قبلی، برشهای میانی (بین برشی)و کانتورهای داخل و خارج قلبی آنها، توسط الگوریتم درون یابی مبتنی بر شکل پیشنهادی ایجاد شده است رویکرد پیشنهادی قادر به تخمین میدان جابجایی هر نقطه از دیواره قلبی است و لذا از آنجا قادر به تخمین میدان متراکم و محاسبه شاخص های دینامیکی محلی مانند کرنش طول مسیر می باشیم ارزیابی با استفاده از اعمال الگوریتم بر روی سیزده مجموعه توالی تصاویر (دو مجموعه توالی تصاویر مصنوعی و یازده مجموعه حقیقی) انجام شده است و نتایج بدست آمده با کارهای محققین دیگر مقایسه شده است دقت این روش نیز بر روی تصاویر مصنوعی که به عنوان درستی زمینه در این تجزیه تحلیل ها شناخته شده تخمین زده شده است. میانگین مربعات اندازه بردار خطا تفاضل دو بردار میدان حرکت تخمینی و تحلیلی کمتر از یک میلی متر می باشد نتایج نشان می دهد. عملکرد این الگوریتم مقاوم دقیقتر و بسیار سریعتر از الگوریتمهای پیشنهادی معرفی شده در این مطالعه است، به طوریکه زمان اجرا الگوریتم تقریبا به میزان کمتر از نصف کاهش یافته است. برای توالی تصاویر حقیقی،پارامترهای کلی قلب با دقت خوبی اخذ شده است، بطوریکه میانگین خطا برای محاسبه حفره بطنی کمتر از 4./. می باشد و نتایج تخمین کرنش های نرمال بر روی تصاویر واقعی با نتایج بدست آمده از تجزیه و تحلیل چاپ شده از محققان دیگر، و همچنین نتایج آنالیز توالی تصاویر بیماران با مشاهدات کلینکی آنها مطابقت دارد. لذا نتایج الگوریتم پیشنهادی با روشهای مطرح روز قابل رقابت می باشد.

ظهور اخیر تکنیک میکرو آرایه dna قابلیت نشان دادن همزمان بیان هزاران ژن را ایجاد کرده است. آرایه های dna شامل شمار زیادی از ملکول های dna نقطه گذاری شده در یک ترتیب منظم روی یک زمینه جامد (غشا های نا یلونی , اسلاید های شیشه ای یا تراشه های سیلیکونی) می باشد. این ساختار پس از عبور از مراحل آماده¬سازی مختلف که شامل فرآیندهای شیمیائی و فیزیکی است، در آخرین مرحله توسط سیستمی متشکل از دو پرتو لیزر با طول موج مختلف پیمایش میشود و در نتیجه این پیمایش دو تصویر در دو طیف مختلف حاصل میشود. اطلاعات مورد نیاز در درون این تصاویر نهفته است و هدف، از پردازش تصاویر میکروآرایه استخراج این اطلاعات از تصویر است. این اطلاعات در شدت لکه های تشکیل¬دهنده تصاویر میکروآرایه نهفته است. در این پروژه هدف ما بهبود و تقطیع تصاویر میکروآرایه جهت استخراج نقاط لکه ها است. در ابتدا ما به بهبود تصاویر، جهت حذف نویزهای موجود در آنها بررسی میشود. تصاویر میکروآرایه به سبب شرایط پیچیده شکل گیریشان با انواعی از نویزها میتوانند همراه باشند که از آن جمله نویز گوسی، فلفل نمکی، ضربه و بصورتی محدودتر نویز اسپکل را میتوان نام برد. مرحله حذف نویز بطور در روشهای موجود در پردازش تصاویر میکروآرایه بسیار کم مورد توجه قرار گرفته است که دلیل آن را میتوان در عمومی نبودن الگوریتمهای موجود دانست که هر یک برای بانک دادگان مخصوصی طراحی شده اند. در این پروژه در مرحله بهبود تصاویر میکروآرایه از حذف نویز با استفاده از آستانه گذاری بر روی ضرائب ویولت بر اساس حد آستانه فراگیر پرداخته¬ایم و سپس سعی کرده¬ایم تا با ارائه یک تابع آستانه گذار جدید کیفیت روشهای پیشین را ارتقاء ببخشیم و در نهایت روش پیشنهادی خود را با روشهای مرسوم مقایسه کرده¬ایم. پس از مرحله بهبود تصاویر میکروآرایه نوبت به تقطیع لکه ها از میان تصویر میرسد. برای این مرحله در ابتدا با استفاده از روشی خودکار به شبکه گذاری تصویر در دو مرحله پرداخته¬ایم تا بلوکهای تشکیل¬دهنده اسلاید میکروآرایه و سپس لکه های درون هر بلوک درون خانه¬های شبکه قرار بگیرند. با این کار ما به خانه¬هایی دست پیدا میکنیم که درون هر یک باید یک لکه وجود داشته باشد. سپس با استفاده از اعمال ویولت biorthogonal و بازسازی تصویر اولیه با استفاده از ضرائب تقریب ، میزان سیگنال به نویز را در هر خانه از شبکه افزایش داده و با استفاده از آستانه گذاری نقاط نامزد انتخاب به عنوان نقاط لکه مربوط به خانه مورد نظر را استخراج میکنیم و تصویری دودویی از نقاط نامزد و دیگر نقاط میسازیم و در ادامه با استفاده از برچسب¬زنی اشیاء درون این تصویر دودویی را شناسایی کرده وبا استفاده از قوانین اعتبار سنجی نقاط متعلق به لکه را از دیگر نقاط جدا میکنیم. روشی که ما مورد استفاده قرار گرفته است از لحاظ سرعت و دقت از کارایی بسیار خوبی برخوردار است. در انتها ما روش خود را با روشهای مطرحی چون genepix و scanalyze مقایسه کردیم که دقت تشخیص در روش پیاده سازی شده بر روشهای فوق برتری محسوسی نشان میدهد و این برتری با افزایش میزان نویز تصاویر ورودی بصورت تصاعدی افزایش پیدا میکند.

پیشرفت های سریع در طیف سنجی جرمی نمونه های بیولوژیک این حوزه را به عنوان بستری قدرتمند جهت تشخیص بیماری ها و اکتشاف نشانگرهای حیاتی معرفی کرده است. در عین حال مشکل ابعاد بالای فضای دادگان ود رمقابل تعداد اندک نمونه ها در مجموعه دادگان پروتئینی سرطان، گرایش این حوزه به سمت استراتژی های داده کاوی را بیشرت کرده است. یادگیری ماشینی و یا به عبارتی استخراج اتوماتیک یک مدل پیشگو از مجموعه تعلیم، قلب یک فرآیند داده کاوری است که شناسایی الگوهای مورد نظر براساس تجربه را برای کامپیوتر ممکن می سازد. درمطالعه حاضر ضمن بررسی و مقایسه روش های پردازشی و الگوریتم های یادگیری ماشینی به کار رفته و با قابل استفاده در حوزه طیف سنجی جرمی پروتئین های خون به ارائه رویکردی براساس ترکیب طفقه بندی کننده ها و به منظور ارتقاء نرخ تشخیص صحیح الگوریتم های موجود پرداخته شه و به این منظور از سه مجموعه داده مربوط به سرطان های تخمدان و پروستات استفاده شده است. در این راستا پس از اعمال مراحل پیش پردازش شامل حذف نویز و نرمالیزاسیون روش های اسخراج و انتخاب ویژگی مختلف با یکدیگر مورد مقایسه قرار گرفته و در نهایت استفاده از کل فضا با (اعمال وزن منفی برای نقاط همسایه و یا دارای همبستگی) به عنوان ویژگی های نهایی پیشنهاد شده اند. در ادامه با استفاده از ویژگی های انتخابی به مقایسه عملکرد هشت گروه از الگوریتم های یادگیری ماشینی شامل روش های بیزین، نزدیکترین همسایگی، رگرسیون لگاریتمی، درخت های تصمیم، ماشین های بردار پشتیبا، شبکه های عصبی، سیستم قاعده پایه فازی و نیز روش های ترکیبی پرداخته شده است و در پایان استراتژی پیشنهادی در این پروژه براساس استفاده همزمان از نمونه برداری تصادفی از مجموعه تعلیم و ویژگی های رتبه بالا و همچنین اعمال الگوریتم های یادگیری مختلف به منظور ساخت یک تیم از طبقه بندی کننده ها با حداکثر تنوع در خروجی مورد ارزیابی قرار گرفته است. نتایج حاصل نوید دهندعملکرد بسیار مناسب استرتژی پیشنهادی در ارتقای نرخ تشخیص طبقه بندی کننده های پایه می باشند.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.