امروزه پیشرفت امکانات نرم افزاری و سخت افزاری، موجب آسانی ذخیره شدن مقادیر زیادی داده شده است. تعداد مستندات متنی روز به روز در حال افزایش است، نامه های الکترونیکی، صفحات وب، متون خبری و مقالات تنها بخشی از این گستره رو به افزایش هستند. بنابراین نیاز به تکنیک های متن کاوی همانند روش های خودکار برای رده بندی متون احساس می شود. در امر رده بندی خودکار متون، انتخاب ویژگی از درون متن جزء مهم ترین مراحل می باشد. انتخاب ویژگی برای کاهش ابعاد فضای ویژگی استفاده می شود، چرا که فضای ویژگی برای متون شامل ده ها هزار کلمه خواهد بود که پردازش های بعدی سیستم را امکان ناپذیر می کند. تاکنون روش های مختلفی برای انتخاب ویژگی برای داده های متنی طراحی شده اند که هر یک دارای معایب و مزایایی هستند، ولی روشی کلی که اکثر سیستم های رده بندی متون از آن استفاده کنند و میزان کارایی بالایی نیز داشته باشد معرفی نشده است. برای بهبود کارایی سیستم رده بندی متون در این پایان نامه دو روش جدید برای انتخاب ویژگی ارائه شده است. روش اول بر پایه الگوریتم مبتنی بر احتمال سرد شدن شبیه سازی شده پیاده سازی شده است. در الگوریتم سرد شدن شبیه سازی شده نیاز به استفاده از تابع برازندگی مناسب وجود دارد. بنابراین از روش بسامد سند برای ارزیابی راه حل در هر تکرار الگوریتم سرد شدن شبیه سازی شده استفاده شده است. روش بسامد سند به عنوان تابع برازندگی دارای هزینه محاسباتی کمی است. روش دومی که برای انتخاب ویژگی در این کار ارائه شده است روش بهبود یافته اطلاعات متقابل است که آن را اطلاعات متقابل اصلاح شده نام نهادیم. در نهایت کارایی روش-های پیشنهادی با کارایی روش های مربع چی، ضریب همبستگی، مربع چی ساده، بهره اطلاعاتی، اطلاعات متقابل، بسامد سند و انحراف معیار بسامد کلمه بر روی مجموعه ای از متون فارسی مقایسه شده است و به این نتیجه رسیدیم که هر دو روش پیشنهادی دارای کارایی بهتری در اکثر موارد می باشند. در بین روش های بررسی شده روش های مربع چی و ضریب همبستگی نسبت به روش-های پیشنهادی قابل مقایسه هستند. همچنین پس از بررسی نتایج به این نکته رسیدیم که در اکثر مقایسه ها روش پیشنهادی مبتنی بر الگوریتم سرد شدن شبیه سازی شده ، به روش اطلاعات متقابل اصلاح شده چیره خواهد شد. همچنین الگوریتم های پیشنهادی در رده سیاسی پایین ترین و رده ورزشی بالاترین کارایی دارند.

در این پایان نامه، سه مسئله نزدیکترین رشته، دورترین رشته، و دور از بیشترین رشته مورد بررسی قرار می گیرند. این مسائل، در گروه مسائل رشته مورد توافق در حوزه بیوانفورماتیک دسته بندی می شوند. کاربرد اصلی این مسائل در بیوانفورماتیک در تولید دارو، به ویژه داروهای آنتی بیوتیک و ضد حساسیت، یافتن نقطه اثر داروها، و یافتن کاوشگر برای طراحی داروهای جدید می باشد. مسئله نزدیکترین رشته دارای کاربردهایی در نظریه کدینگ نیز می باشد. الگوریتم های مختلفی برای این مسائل ارائه شده اند. از آنجا که این مسائل به گروه مسائل np-سخت تعلق دارند و الگوریتم های ارائه شده برای این مسائل دارای پیچیدگی زمانی بالایی هستند، الگوریتمی که قادر به دستیابی به پاسخ دقیق آنها در زمان چندجمله ای باشد ارائه نشده است. الگوریتم های حل دقیق این مسائل همگی دارای زمان نمایی هستند. بنابراین، محققین برای ارائه الگوریتم هایی که قادر به دستیابی به پاسخ های نزدیک به بهینه در زمان قابل قبول باشند تلاش کرده اند. دو روش عمده برای یافتن راه حل های تقریبی برای مسائل پیچیده وجود دارد: تخمین و روش های مکاشفه ای. الگوریتم های تخمین، تضمینی از حد بالای خطای ممکن در پاسخ حاصل، ارائه می دهند و الگوریتم های مکاشفه ای، فاقد چنین تضمینی هستند. در عمل نشان داده شده است که الگوریتم های مکاشفه ای، علیرغم عدم ارائه حد بالای خطا در پاسخ، بهتر از الگوریتم های تخمین عمل می کنند. در این تحقیق، دو الگوریتم مکاشفه ای ممتیک و گرسپ، برای حل هر یک از مسائل ذکر شده، ارائه می شود. الگوریتم ممتیک، الگوریتمی است که با افزودن جستجوی محلی به الگوریتم های تکاملی سعی در بهبود عملکرد این الگوریتم ها دارد. الگوریتم های تکاملی نظیر ژنتیک به علت دانش محلی اندکی که دارند، ممکن است قادر به دستیابی به برخی پاسخهای خوب در نزدیکی پاسخهای موجود نباشند. افزودن جستجوی محلی، قابلیت دستیابی به این پاسخها را در الگوریتم ایجاد می کند. دومین روش مکاشفه ای ارائه شده، الگوریتم گرسپ می باشد که با استفاده از تولید اعداد تصادفی طی روند تولید پاسخ به روش حریصانه، با ایجاد تنوع در پاسخ های حاصل، احتمال دستیابی به پاسخ بهینه را افزایش می دهد. نتایج به دست آمده از اجرای این دو الگوریتم روی مسائل نزدیکترین رشته و مسئله دور از بیشترین رشته های ممکن با آخرین الگوریتم های مکاشفه ای ارائه شده برای حل این دو مسئله مقایسه شده و نشان داده شده است که الگوریتم های پیشنهادی برتری قابل توجهی نسبت به آنها دارند. برای حل مسئله دورترین رشته تا کنون الگوریتم مکاشفه ای مستقلی ارائه نشده است و دو الگوریتم ارائه شده در این پایان نامه اولین روش های مکاشفه ای پیشنهاد شده برای حل این مسئله می باشند. الگوریتم های ممتیک و گرسپ با یکدیگر مقایسه شده و نشان داده شده است که برای مسئله نزدیکترین رشته و مسئله دورترین رشته الگوریتم گرسپ و برای مسئله دور از بیشترین رشته، الگوریتم ممتیک به پاسخهای بهتری دست پیدا می کند. در هر سه مسئله، الگوریتم گرسپ زمان اجرای کمتری دارد.

در علم ریاضیات و علوم کامپیوتر، بهینه سازی به انتخاب بهترین گزینه از میان گزینه های موجود اطلاق می شود. بهینه سازی عددی، ابزاری بسیار کاربردی و سودمند در زندگی امروز بشر است. امروزه رد پای بهینه سازی در بسیاری از ابعاد زندگی بشر خود را نمایان می سازد. به عنوان نمونه، بسیاری از مسائل طراحی در علوم مهندسی در قالب مسائل بهینه سازی مطرح می شوند. همچنین علم اقتصاد نیز تا حدود زیادی بر پایه بهینه سازی استوار است. علاوه بر این، بهینه سازی کاربردهای فراوان دیگری در پزشکی، مهندسی، کشاورزی و دیگر علوم دارد. با توجه به افزایش روزافزون مسائل بهینه سازی و همچنین افزایش دشواری آن ها نیاز به توسعه و تقویت روش های نظری و عملی بهینه سازی احساس می گردد. الگوریتم بهینه سازی دسته ذرات(pso) یک روش حل مسائل بهینه سازی است که برای بسیاری از مسائل دارای پیاده سازی آسان و بار محاسباتی کمی است. این الگوریتم با توجه به سرعت و کارایی اش در مواجهه با مسائل، در سال های اخیر توجهات زیادی را به خود جلب نموده است. اما به هر حال این الگوریتم به ویژه در توابع پیچیده ای که دارای چندین بهینه هستند، از مشکل همگرایی نابالغ رنج می برد. در این پایان نامه دو روش جدید برای تقویت الگوریتم بهینه سازی دسته ذرات پیشنهاد شده است. روش پیشنهادی اول از عملگری جدید به نام شخم زدن برای تقویت قابلیت کاوش الگوریتم در مراحل ابتدایی بهره می گیرد و روش دوم که بهینه سازی دسته ذرات تطابقی سبک نام دارد، علاوه بر استفاده از عملگر شخم زدن، از دو عملگر انتخاب الگوریتم ژنتیک و عملگری جدید به نام عملگر جهش تطبیقی به منظور تقویت کارایی الگوریتم استفاده می کند. ضمن این که برای افزایش کارایی، در روش پیشنهادی دوم از یک سیستم تطابقی فازی برای کنترل زمان اجرای عملگرها در الگوریتم استفاده شده است. در نهایت کارایی الگوریتم های پیشنهادی در برابر الگوریتم بهینه سازی دسته ذرات پایه، الگوریتم ژنتیک و نه نسخه بهبود یافته دیگر از بهینه سازی دسته ذرات پایه مورد سنجش قرار گرفته اند و نتایج حاصل مورد تحلیل واقع شده اند. در این پایان نامه از چندین تابع محک متداول در این زمینه برای مقایسه کارایی الگوریتم ها استفاده شده است. نتایج شبیه سازی های صورت گرفته موید این امر است که دو الگوریتم پیشنهادی توانسته اند کارایی الگوریتم پایه را بهبود بخشند.

مسأله دسته بندی یکی از مسائل مهم جامعه امروزی است. با توجه به نقش حساس این مسأله در صنعت، پزشکی و سایر علوم بهبود روشهای دسته بندی با هدف دقیق تر انجام شدن ین امر مهم مسأله ای است که همواره مورد توجه بوده است. به عنوان مثال بسیار اهمیت دارد که وجود بیماری سرطان به طور صحیح تشخیص داده شود. مسدله تشخیص سرطان یک مسأله دسته بندی است که طی آن بیمار در یکی از دو دسته افراد سرطانی و افراد غیرسرطانی قرار می گیرد. یکی از روش های دسته بندی که به طور وسیع به کار گرفته می شود، رگرسیون لجستیک چندگانه است. این روش در عین سادگی و مفید بودنش در زمان حضور اثرات غیرخطی و متقابل بین متغیرهای توضیحی دچار ضعف می شود و دقت آن در دسته بندی کاهش می یابد. به منظور رفع این مشکل می توان توابع غیر خطی مناسبی از متغیرهای توضیحی را در مدل وارد کرد. در این پایان نامه توابع غیرخطی مورد نظر به صورت حاصل ضرب متغیرهای توضیحی که هر کدام به یک توان حقیقی دلخواه رسیده اند، تعریف می شوند. در جهت تعیین تعداد توابع غیرخطی که در مدل حضور پیدا می کنند، همچنین برآورد توان های مربوط به متغیرهای توضیحی از شبکه های عصبی و الگوریتم های تکاملی استفاده می شود. در نهایت طی چند بررسی تجربی مدل ساخته شده به وسیله شبکه های عصبی و الگوریتم های تکاملی با مدل رگرسیون لجستیک چندگانه مورد مقایسه قرار می گیرد، نتایج حاصل از آزمون های آماری افزایش معنی دار دقت دسته بندی را نشان می دهد.

امروزه مردم نیازمند آن هستند که در هر مکان و در هر زمان با یکدیگر ارتباط برقرار کنند. از این رو، شبکه های سلولی بدون سیم برای سرویس دهی به مشترکان توسعه یافته اند. با توجّه به افزایش تعداد کاربران شبکه ها ی سلولی، پژوهشگران به دنبال روش هایی به منظور بهبود سرویس های این شبکه ها هستند.همچنین، ضرورت تأمین سرویس های شبکه با کیفیت مناسب به شدّت احساس می شود. به عبارت دیگر، مشترکان انتظار دارند که سرویس های خود را بدون هیچ نقصی دریافت کنند. به منظور کاهش تأخیر برقراری ارتباط و بهبود بازدهی طیف فرکانسی، تکنولوژی lte پیشنهاد شد. همچنین، اهمّیت تأمین سرویس های شبکه در حضور خرابی نیز مورد تأکید قرار گرفت. با این هدف، تاکنون روش های مختلفی برای مقابله با خرابی های شبکه و تأمین سرویس های شبکه در حضور خرابی معرّفی شده اند. برخی از روش-های پیشین، راهکار مناسب را افزایش متوسّط زمان بین خرابی ها (mtbf) و کاهش زمان بازگشت از خرابی (mttr) می دانستند. در این پایان نامه،ابتدا یک نوع خرابی در معماریlte به صورت ریاضی مدل می شود و تأثیر این خرابی بر روی عملکرد شبکه بررسی می گردد. نتایج نشان می دهند که با تنظیم نرخ های خرابی و تعمیر آن، می توان زمان متوسّط انتظار برای دریافت سرویس را کنترل کرد. سپس، به منظور تأمین تحمّل پذیری خرابی در شبکه های سلولی از دو روش استفاده می شود. یکی از روش ها از امداد اقتضایی برای کمک به کاربران در شبکه در لحظه ی وقوع خرابی استفاده می کند. روش دیگر، از افت پهنای باند در سلول های مجاور سلول خراب کمک می گیرد تا احتمال قطعی های نابهنگام مکالمات را کاهش دهد. همچنین، از این روش افت پهنای باند می توان در فرآیند تخصیص پهنای باند استفاده نمود. نتایج بررسی نشان می دهند که روش پیشنهادی، احتمال عدم پذیرش درخواست های جدید و احتمال قطعی های نامطلوب شبکه را کاهش می دهند

با رشد روزافزون داده ها (از قبیل متن، صوت و تصویر) نیاز به نمایه گذاری، جستجو، سازمان دهی و دسته بندی خودکار داده ها افزایش یافته است. بیشتر این داده ها، داده های چندرسانه ای، شامل صوت و تصویر هستند. یکی از مهمترین مسائل در سال های اخیر، تشخیص مفاهیم معنایی است. هدف اصلی در تشخیص مفاهیم معنایی تعیین حضور مفهوم معنایی خاصی مانند «خارج ساختمان»، « هواپیما»، »خودرو» و «انسان» در قاب های ویدئویی است. در گذشته، پیشرفت هایی در تشخیص مفاهیم معنایی در دامنه های مختلف گزارش شده است. رده بندی یکی از روش های متداول در حوزه تشخیص مفاهیم معنایی است. در حالیکه بسیاری از رده بندها می توانند برای این منظور استفاده شوند، svm متداول ترین آنهاست. رده بند های svm در مسائل رده بندی پیچیده خوب عمل می کنند. با اینحال، فاز یادگیری آنها مخصوصاً در مواردی که تعداد خصیصه ها زیاد است، فرآیندی زمان بر محسوب می شود. هر خصیصه اضافی، هزینه، حافظه مورد نیاز و زمان سیستم رده بندی را افزایش میدهد. به همین دلیل، محققان پردازش تصویر، تمایل دارند تا برای طراحی و پیاده سازی رده بندها از مجموعه خصیصه های کوچک استفاده کنند. با اینحال، به مجموعه ای مناسب از خصیصه ها برای بدست آوردن نرخ بازشناسی قابل قبول نیاز است. بنابراین، جستجو برای یافتن زیرمجموعه ای بهینه از خصیصه ها از میان مجموعه خصیصه های موجود، دارای اهمیت ویژه ای است. در تشخیص مفاهیم معنایی از طریق رویکردهای یادگیری ماشین، تعداد زیادی از خصیصه ها در کارهای گذشتگان در نظر گرفته می شد. اما، رده بندی بر اساس این تعداد زیاد از خصیصه ها نه تنها زمان رده بندی را افزایش می دهد بلکه می تواند باعث کاهش کارایی سیستم رده بند گردد. بنابراین، انتخاب خصیصه می تواند به عنوان راه حلی مناسب برای کم کردن تعداد خصیصه ها باشد. هدف این پایان نامه، بهبود رفتار رده بند از دیدگاه زمان و کارایی است. در این پایان نامه، قالب کاری جدیدی برای انتخاب مهمترین خصیصه ها از میان خصیصه های سطح پایین، که در رده بند های موجود استفاده می شوند، ارائه می گردد. این کار منجر به کاهش زمان یادگیری و رده بندی توسط خصیصه های انتخاب شده میشود. علاوه بر بهبود زمان رده بند، کارایی رده بند نیز قابل قبول خواهد بود. بدین منظور از الگوریتم ژنتیک برای انتخاب خصیصه استفاده می شود. بعد از انتخاب خصیصه، رده بندهای پایه برای تشخیص وجود مفاهیم معنایی در ویدئو آموزش داده می شوند. به علاوه، از ترکیب برای بهبود کارایی رده بندهای پایه استفاده می شود. در مرحله ترکیب، از خصیصه های انتخاب شده (توسط روش ارائه شده) استفاده می شود و با روش های ترکیب پیشین مقایسه می گردد. نتایج شبیه سازی ها نشان می دهند که با پالایش خصیصه های نا مربوط، معیارهای ارزیابی کارایی رده بند مخصوصا میانگین ظرافت (ap) بهبود می یابند. ظرافت، فراخوانی، دقت، f-score و ویژگی معیارهای کارایی دیگری هستند که در شبیه سازی ها اندازه گیری شده اند.

اگرچه امروزه بسیاری از پردازش های سیگنال در حوزه دیجیتال انجام می گیرد، کماکان بکارگیری مدارهای آنالوگ به عنوان پایه ای برای بسیاری از سیستم های پیچیده امروزی ضروری می باشد. یکی از روش های طراحی مدارهای آنالوگ، استفاده از سخت افزار تکامل پذیر می باشد. در این روش به جای طراحی مستقیم، مدار مورد نظر در یک روند تکاملی طراحی می شود. برای تحقق این امر از یک سخت افزار قابل پیکربندی مجدد و یک الگوریتم تکاملی استفاده می شود. کار حاضر به بررسی و پیاده سازی سیستم فوق پرداخته است. به این منظور از آرایه آنالوگ قابل برنامه ریزی به عنوان سخت افزار قابل پیکربندی مجدد آنالوگ و از الگوریتم ژنتیک به عنوان متداولترین الگوریتم تکاملی استفاده شده در سخت افزار تکامل پذیر استفاده شده است. آرایه های آنالوگ قابل برنامه ریزی یا fpaa ها مدارهای آنالوگ با ویژگی بازپیکربندی توسط برنامه ریزی می باشند. این مدارها بسیار شبیه به همتای دیجیتال خود یعنی fpga ها می باشند، با این تفاوت که به جای گیت از بلوک های محاسباتی آنالوگ استفاده می کنند. الگوریتم های ژنتیک، روش های جستجو بر پایه مفاهیم انتخاب طبیعی و ژنتیک می باشند. این الگوریتم ها کاربرد گسترده ای در حل مسائل مختلف جستجو و بهینه سازی برای رسیدن به پاسخی مطلوب (و نه الزاماً بهینه) در زمانی قابل قبول را دارند. در این تحقیق از سخت افزار تکامل پذیر هم برای بهینه سازی یک مدار آنالوگ و هم برای طراحی بخشی از یک مدار آنالوگ استفاده شده است. در مورد اول، استفاده از این روش برای یافتن ضرایب نزدیک به ایده آل یک کنترل کننده برای یک فرآیند مرتبه دوم انجام شده است. بدین منظور، کنترل کننده بر روی fpaa و سیستم مرتبه دوم نیز با استفاده از مقاومت، خازن و تقویت کننده عملیاتی پیاده سازی شده است. پاسخ به دست آمده از این روش با نتایج روش زیگلر- نیکولز به عنوان روشی متداول در این زمینه مقایسه شده است، که بیانگر عملکرد بهتر روش پیشنهادی می باشد. در قسمت دیگر، از این روش برای تکامل بخشی از مدار مدولاسیون دامنه که بر روی fpaa پیاده سازی شده است، استفاده شده است.

مشارکت کلید اصلی رسیدن به موفقیت در سیستم های طبیعی و مصنوعی به شمار می رود و از این رو مشارکت در سیستم های چندعامله به منظور رسیدن به راه حل های بهتر ضروری به نظر می رسد. انتظار می رود که یادگیری مشارکتی چندعامله در مقایسه با یادگیری مستقل عامل ها، به دلیل دارا بودن دانش و منابع اطلاعاتی بیشتر به نتایج بهتری از نظر کیفی و سرعت یادگیری دست یابد. استفاده از استراتژی های مشارکت بهتر منجر به افزایش سرعت و کیفیت یادگیری می شود. یادگیری مشارکتی نوعی فعالیت یادگیری گروهی سازمان دهی شده است که در آن یادگیری به مبادله اطلاعات ساختار یافته ازنظر اجتماعی ببین یادگیرنده ها بستگی دارد در حالی که هر یادگیرنده به تنهایی مسئول یادگیری خود نیز هست. هدف این پایان نامه ارائه روشی نوین برای پاسخ به این سوال است که "چگونه عامل ها می توانند از مبادله اطلاعات در طول فرآیند یادگیری مشارکتی به منظور دستیابی به عملکرد بهتر از نظر فردی و از نظر عملکرد کلی گروه استفاده کنند؟" تحقیقات در حوزه یادگیری مشارکتی نشان داده اند که در این حوزه دو سوال کلی مطرح است: "چه اطلاعاتی باید بین عامل ها مبادله شود؟" و "اطلاعات به اشتراک گذاشته شده، چگونه باید استفاده شوند؟" . امروزه بیشتر تحقیقات در حوزه یادگیری مشارکتی چندعامله از یادگیری تقویتی به عنوان روش یادگیری پایه خود استفاده می کنند. یادگیری تقویتی به دلیل ساختار یادگیری فاقد نظارت و قابلیت یادگیری پیوسته اش حتی در محیط های پویا، یکی از معتبرترین تکنیک های یادگیری ماشین به شمار می رود. استفاده از این نوع یادگیری در سیستم های چندعامله مشارکتی به هر عامل مستقل این اجازه را می دهد که علاوه بر این که از تجربیات خود می آموزد، از سایر عامل های حاضر در سیستم نیز بیاموزد و بدین ترتیب سرعت یادگیری افزایش یابد. انسان در طول دوره زندگی تجربیات مختلفی را در بازه های زمانی متفاوتی از زندگی اش می آموزد. گاهی تجربیات فرد به طور کامل موفقیت آمیز هستند و گاهی شکستی کامل محسوب می شوند. شخصیت یک فرد بر اساس در نظر گرفتن همه تجربیاتش در کنار هم شکل می گیرد. در واقع تصمیم های هر فرد بر اساس شخصیت شکل گرفته اش اتخاذ می شود. در این پایان نامه سعی بر این است که چنین مفهومی به حوزه یادگیری در سیستم های چندعامله منتقل شود. برای رسیدن به این هدف، در این مطالعه مفهوم جدیدی به نام خبرگی چندمعیاره معرفی شده است که اطلاعات ارزشمندی درباره تجربیات مختلف عامل ها در یک سیستم چندعامله مشارکتی را در بردارد. هم چنین در این پایان نامه الگوریتم یادگیری مشارکتی جدیدی پیشنهاد داده شده است که به منظور رسیدن به مشارکت بهتر از مفهوم خبرگی چندمعیاره استفاده می کند. روش پیشنهادی در مقایسه با سایر روش های موجود توانایی بالایی در استفاده از اطلاعات و دانش موجود دارد که همین امر نیز منجر به عملکرد بالای آن می شود. بیشتر تحقیقات مرتبط در حوزه یادگیری مشارکتی بر روی بهبود یادگیری گروهی به واسطه تغییر جداول q عامل ها با استفاده از اطلاعات انتقال داده شده تمرکز دارند در حالی که در روش پیشنهادی اطلاعات انتقال داده شده بین عامل ها به عنوان راهنما در انتخاب عمل همه عامل ها در نظر گرفته می شود. به عبارت دیگر هر عامل در حالی که دانش جزیی خود را حفظ می کند بوسیله دانش جمعی که در جدول مشارکتی q وجود دارد، هدایت می شود. استفاده از روش پیشنهادی هدایت عامل ها را پایدارتر ساخته است. در واقع یک جدول مشارکتی q مناسب، فرآیند یادگیری را تسریع می کند و در صورتی که مناسب نباشد، جدول q عامل قادر خواهد بود که ناکامل بودن آن را جبران کند. برای ارزیابی روش پیشنهادی از دو محیط آموزشی معتبر پلکان مارپیچ و صید و صیاد استفاده شده است. نتایج آزمایش ها پتانسیل بالای روش پیشنهادی در یادگیری مشارکتی بهتر را تایید می کنند.

ایده اصلی یادگیری تجمعی به منظور ترکیب پیش بینی یادگیرنده های چندگانه مطرح شده است. روش های یادگیری تجمعی در زمینه ی الگوریتم های یادگیری با ناظر و بدون ناظر، معمولاً نتایج بهتری در مقایسه با روش های واحد ایجاد می کنند. روش های طبقه بندی چندگانه، طبقه بندها را برای رسیدن به طبقه بندی با دقت پیش بینی بالاتر با یکدیگر ترکیب می کنند. به طور مشابه، روش های خوشه بندی چندگانه با ترکیب خوشه بندها، خوشه بندی هایی با کیفیت بالاتر ایجاد می کنند. رایج ترین روش های تجمعی قدرتمند اخیر روش بگینگ و روش تقویت هستند. روش تقویت یک مسأله عمومی در یادگیری ماشین است که یک الگوریتم یادگیری ضعیف را به الگوریتم قدرتمندتری با دقت بالاتر تبدیل می کند. الگوریتم های موفق بسیاری در زمینه سیستم های طبقه بند چندگانه بر مبنای روش بگینگ و روش تقویت ارائه شده اند، همچنین تعدادی الگوریتم خوشه بند چندگانه بر مبنای بگینگ و روش تقویت بر روی خوشه بندی های مسطح طراحی شده اند که در مقایسه با خوشه بندهای واحد دارای کیفیت بالاتری هستند. بر این اساس می توان انتظار داشت با استفاده از تجمع خوشه بندها در زمینه ی خوشه بندی ای سلسله مراتبی نیز بتوان به کیفیت بالاتری در ایجاد خوشه بندی های سلسله مراتبی دست یافت. بر اساس آخرین مطالعات انجام شده، مسأله تجمع خوشه بندهای سلسله مراتبی تاکنون چندان مورد توجه قرار نگرفته است. در این پایان نامه، دو راهکار چندگانه ارائه شده است که تجمعی از خوشه بندی های سلسله مراتبی را تولید و با یکدیگر ترکیب می کند. در راهکار اول یک روش میانگین گیری وزندار برای ترکیب خوشه بندی های موجود در تجمع پیشنهاد شده است که در آن وزن های ترکیب بر اساس الگوریتم وراثتی تعیین می گردند. در این الگوریتم، ابتدا دندروگرام های خوشه بندی های پایه ی موجود در تجمع به ماتریس توصیف عدم شباهت تبدیل شده و توسط الگوریتم وراثتی وزن دهی می شوند. سپس ماتریس های توصیف توسط عملگر جمع ماتریس ها به صورت وزن دار با یکدیگر ترکیب شده و ماتریس تجمیع نهایی را ایجاد می کنند. خوشه بندی نهایی به صورت دندروگرام حاصل از این ماتریس تجمیع خواهد بود. این الگوریتم می تواند دارای ورودی هایی از چند نوع خوشه بند اولیه متفاوت باشد. تحلیل نتایج تجربی بیانگر برتری کیفیت خوشه بندی ایجاد شده توسط روش پیشنهادی در مقایسه با الگوریتم های خوشه بندی عمومی است. در راهکار دوم، یک روش جدید خوشه بندی تجمعی بر مبنای تئوری تقویت به منظور افزایش دقت خوشه بندی معرفی شده است. الگوریتم پیشنهادی شامل چندین حلقه ی تکراری تقویت است که در هر حلقه ی تکرار یک زیر مجموعه الگوی آموزشی توسط نمونه برداری وزندار تصادفی از میان مجموعه داده ها انتخاب می شود و سپس یک خوشه بندی سلسله مراتبی بر روی این زیرمجموعه الگوها ایجاد می گردد. خوشه بندی تجمیعی نهایی به صورت ترکیب خوشه بندی های ایجاد شده در هر حلقه ی تکرار خواهد بود. در این الگوریتم عملیات ترکیب بر روی ماتریس های توصیف دندروگرام مرتبط با خوشه بندی سلسله مراتبی انجام می گیرد، به این صورت که ابتدا برای هر خوشه بندی سلسله مراتبی یک ماتریس توصیف استخراج می شود، سپس با تجمیع ماتریس های توصیف خوشه بندی های پایه با یکدیگر یک ماتریس تجمیعی به دست می آید که خوشه بندی نهایی از روی آن بازیابی می شود. تحلیل نتایج آزمایشهای انجام شده بر روی مجموعه داده های شناخته شده و همچنین نمایش بصری اعمال الگوریتم بر روی مجموعه داده های دو بعدی بصری برتری خوشه بندی های حاصل از این روش را بر روشهای خوشه بندی عمومی نشان می دهد.

تشخیص شیء در تصاویر یکی از زمینه های تحقیقاتی مهم در حوزه ی بینایی کامپیوتر است. منظور از تشخیص شیء، تشخیص اشیای متعلق به یک رده ی خاص (مانند بطری، انسان یا هواپیما) در تصویر می باشد. هدف طراحی سیستمی است که قادر باشد با دریافت نمونه های آموزشی (ویا مدلی) از یک رده شیء، اشیای متعلق به آن رده را در تصاویر جدید تشخیص دهد. از جمله کاربردهای این زمینه می توان به سیستم های امنیتی، سیستم های دستیار راننده، جستجو و سازمان دهی حجم بسیار زیاد تصاویر و فیلم های ویدئویی موجود، کمک به افراد دارای مشکل بینایی جهت درک محیط و بهبود کارآیی موتورهای جستجوی تصاویر اشاره کرد. تاکنون روش های متعددی برای تشخیص شیء در تصاویر ارائه شده است ولی کارآیی روش های موجود با کارآیی انسان فاصله ی بسیار زیادی دارد. یکی از رویکردهای متداول و موفق در تشخیص شیء، استفاده از تبدیل هاف تعمیم یافته است. روش مذکور شامل دو مرحله ی کلی است: 1) اعمال تبدیل هاف، رأی گیری در فضای سه بُعدی مکان-اندازه و تولید فرضیه های اولیه برای مکان قرارگیری و اندازه ی شیء. 2) تصدیق فرضیه ها و انتخاب فرضیه های معتبر. اعمال تبدیل هاف با توجه به ویژگی-های محلی انجام می شود. در این پایان نامه از ویژگی های k-بخش مجاور (kas) که نوعی ویژگی های مبتنی بر کانتور هستند، جهت توصیف و تشخیص شیء استفاده شده است. ویژگی های مبتنی بر کانتور نسبت به تغییرات رنگ، بافت و روشنایی محیط مقاومند و ابزار مناسبی برای توصیف شکل شیء هستند. در بخش اول این پایان نامه روش تشخیص مبتنی بر کانتوری ارائه می شود که نسبت به دوران در صفحه مقاوم است. برای این کار معیار شباهت ویژگی های 2as، چگونگی اعمال تبدیل هاف و فضای رأی گیری هاف به گونه ای تغییر داده شده اند که زاویه ی دوران شیء به عنوان بُعد چهارم فضای رأی گیری (به همراه سه بُعد مربوط به مکان و اندازه) تخمین زده شود. سپس برای بهبود نتایج حاصل از رأی گیری ، روشی مبتنی بر تبدیل هاف حاشیه-بیشینه پیشنهاد شده است. برای بررسی کارآیی روش پیشنهادی از تصاویر دوران یافته ی مجموعه ی مرجع "گاوهای tud" استفاده شده است. نتایج به دست آمده نشان می دهد که روش پیشنهادی قادر است با دقت قابل قبولی مکان و زاویه ی دوران شیء را تخمین بزند. در بخش دوم این پایان نامه روشی برای یافتن ویژگی های متناظر بین مدل و فرضیه و تصدیق فرضیه های حاصل از تبدیل هاف ارائه شده است. در روش های مبتنی بر تبدیل هاف، ساختار شیء با توجه به محل قرارگیری هر ویژگی نسبت به مرکز شیء مدل می شود. ضعف مدل مذکور آن است که مکان هر ویژگی مستقل از سایر ویژگی ها در نظر گرفته می شود و از محل نسبی هر ویژگی نسبت به سایر ویژگی ها صرف نظر می شود. در این پایان نامه برای حل این مشکل، مسئله ی یافتن تناظر ویژگی های مدل و فرضیه، در قالب مسئله ی یافتن طولانی ترین زیردنباله ی مشترک مدل شده است. تصاویر فرضیه و مدل به صورت رشته هایی از ویژگی های محلی ارائه می شوند و طولانی ترین زیررشته ی بین آن ها محاسبه می شود. بنابراین با مد نظر قرار دادن ترتیب قرارگیری ویژگی های محلی نسبت به یکدیگر، ویژگی های متناظر بین مدل و فرضیه به دست می آیند. در نهایت میزان شباهت ویژگی های متناظر به دست آمده با استفاده از روش انطباق زمینه ی شکل محاسبه می شود. جهت بررسی کارآیی روش تصدیق پیشنهادی، از دو زیرمجموعه از مجموعه داده ی مرجع ethz استفاده شده است. نتایج به دست آمده نشان می دهد که روش تصدیق پیشنهادی، باعث بهبود چشم گیر کارآیی تبدیل هاف می گردد و در مقایسه با سایر روش های مرتبط، نتایج بهتر و یا قابل مقایسه ای ارائه می نماید.

زیرا می توان آن را به عنوان یک مدل شمع در نظر گرفت. مقاومت اندازه گیری شده مخروط نفوذ استاندارد qc و مقاومت اندازه گیری شده غلاف اصطکاکی qs به ترتیب برای محاسبه مقاومت اتکایی و مقاومت جداری شمع به کار می روند. استفاده از شبکه عصبی مصنوعی در مدل سازی رفتار شمع به عنوان یک ابزار مکمل در بررسی نتایج به دست آمده از آزمایشات بارگذاری و با استفاده از نتایج آزمایش cpt در طول دهه گذشته مد نظر محققین ژئوتکنیک قرار گرفته است. مدل های گوناگونی از شبکه عصبی مورد بررسی قرار گرفته و نتایج به دست آمده از آنها با یکدیگر مقایسه گردیده است، اما مدلی که قابلیت افزایش دقت پیش بینی نتایج را تا حد مطلوب با استفاده از داده های آموزشی محدود داشته باشد تا کنون معرفی نگردیده است. مدل سازی با استفاده از شبکه عصبی مصنوعی نیازمند در اختیار داشتن مجموعه داده های مناسب می باشد، از اینرو پنجاه و هشت مطالعه موردی روی شمع های با مشخصات متفاوت، شامل آزمایش بارگذاری استاتیکی شمع و داده های آزمایش نفوذ مخروط روی خاک محیط شمع های مورد بررسی، از نقاط مختلف دنیا گردآوری شده است. شبکه عصبی مصنوعی از نوع انتشار برگشتی برای مدل-سازی ظرفیت باربری کلی شمع با استفاده از سطح مقطع موثر شمع، عمق مدفون شمع، مقاومت اندازه گیری شده مخروط نفوذ استاندارد qc و مقاومت اندازه گیری شده غلاف اصطکاکی qs به عنوان ورودی مورد استفاده قرار گرفته اند. برای مرتفع نمودن مشکلات رایج در شبکه های عصبی نظیر بیش پوشش در مدل سازی توابع مختلف، از تکنیک توقف زود هنگام و تایید چندگانه استفاده گردیده است، ضمنا در جهت رفع مشکل اثرگذاری ابعاد پارامتر های ورودی بر خواص شبکه، تکنیک پیش پردازش و پس پردازش داده های ورودی و خروجی شبکه به کار گرفته شده است. در تحقیق حاضر بررسی توصیه های محققین برای ساخت مدل شبکه عصبی مناسب، انتخاب پارامتر های اولیه در ساخت مدل شبکه عصبی را برای کاربر راحتتر و زمان مورد نیاز سعی و خطا در یافتن شبکه بهینه را کاهش داده است. بدلیل اینکه هدف این تحقیق بررسی توانایی مدل شبکه عصبی بوده است صرفا از ورودی هایی استفاده گردیده که روش های سنتی تعیین ظرفیت باربری نظیر اشمرتمن و نوتینگ هام، دو رویتر و برینگن(روش اروپایی) و روش مستقیم از cpt از این پارامتر ها استفاده کرده اند. مقادیر ضریب همبستگی بین نتایج پیش بینی شده و اندازه گیری شده ظرفیت باربری برای این روش های سنتی به ترتیب 2/81، 3/73، 4/65 می باشد، در حالی که برای مدل شبکه عصبی منفرد برابر 88، در مقابل مقادیر 91 و 95 برای نتایج حاصل از شبکه عصبی با یادگیری دسته جمعی است، در نتیجه این نکته مشخص می گردد که این روش موفق تر از شبکه عصبی مصنوعی منفرد در پیش بینی ظرفیت باربری نهایی شمع ها در شرایط مختلف مجموعه داده های آموزشی، عمل کرده و پیش بینی نتایج را با دقت بالاتری انجام می دهد. در مقایسه کارایی روش یادگیری دسته جمعی در پیش بینی مقادیر ظرفیت باربری کلی شمع ها با روش های سنتی تعیین ظرفیت باربری از نتایج آزمایش cpt مشخص می گردد که پیشرفت قابل توجهی در پیش بینی ظرفیت باربری نهایی شمع با استفاده از روش پیشنهادی به دست آمده است. همچنین، برای بررسی توانایی روش پیشنهادی در شرایطی که مجموعه داده کوچکتری در اختیار می باشد، مدل سازی ظرفیت باربری اتکایی سی و یک سری داده شمع، با استفاده از مقاومت اندازه گیری شده مخروط نفوذ استاندارد qc و سطح مقطع موثر به عنوان ورودی و ظرفیت نهایی باربری اتکایی شمع به عنوان خروجی صورت گرفته است. ضمنا جهت مقایسه توانایی مدلی که مستقیما ظرفیت باربری کل را تعیین می کند، نتایج این مدل با حالتی که ظرفیت باربری اتکایی و اصطکاکی به صورت جداگانه از دو مدل شبکه عصبی تعیین می گردند، برای مجموعه داده ای شامل چهل و دو آزمایش بارگذاری شمع مقایسه شده است که نتایج توانایی مدلی که مستقیما ظرفیت باربری کل را پیش بینی می کند، تایید می نمایند. به علاوه سهولت مدل سازی مستقیم ظرفیت باربری کل انتخاب این روش را ارجح بر مدل های مجزا می سازد.

یکی از علاقه مندی های مهم در علم رباتیک، پیاده سازی رباتی دوپا و شبیه به انسان است که قادر باشد همانند انسان رفتار نماید. از میان همه رفتارهای مکانیکی بدن انسان، شاخص ترین آنها راه رفتن است. راه رفتن یک ربات انسان نما، موضوعی است که دامنه های مختلفی از علوم پایه و مهندسی را در بر می گیرد که از آن جمله می توان به زیست شناسی، فیزیولوژی، مهندسی مکانیک، مهندسی کنترل ، هوش مصنوعی و رباتیک اشاره نمود. از منظر هوش مصنوعی، یادگیری تقویتی در محیط پیوسته یک روش کنترلی مناسب برای یادگیری رفتارهایی است که نیاز دارند تا به صورتی نرم، یکنواخت و پیوسته تحت کنترل قرار گیرند. این روش یادگیری در سالهای اخیر بسیار مورد توجه دانشمندان علم کنترل و هوش مصنوعی واقع شده است و در بسیاری از آزمون های کنترلی از جمله راه رفتن یک ربات دوپا ، به عنوان یک روش مبتنی برآزمون و خطا که تجربه کردن را از طریق تعامل و محاوره با محیط پیرامون می اندوزد، استفاده گردیده است. آنچه در این پژوهش به انجام رسیده است، ارائه روشی مبتنی بر یکی از روشهای یادگیری تقویتی تحت عنوان روش گرادیان سیاست است که برای یادگیری گام برداشتن به عنوان عمل پایه در فرآیند راه رفتن برای یک ربات انسان نما تعریف می شود. در روش ارائه شده، طرح ریزی حرکت با استفاده از تفکیک یک گام به دو زیر رفتار اعمال می شود. از طرفی فرآیند یادگیری به دو زیر فرآیند یادگیری تعادل ویادگیری کاهش خطای ژیرسکوپ، تفکیک می شود. فرآیند اول یادگیری با استفاده از روش سریع مبتنی بر گرادیان سیاست اعمال می گردد و در فرآیند دوم یادگیری، استفاده از یک جستجوی تپه نوردی ساده همراه با روش گرادیانی برای همگرایی به رفتاری پایدار جهت گام برداشتن، کارگشا خواهد بود. در نهایت، نتایج یادگیری حاکی از آن است که ربات در هر دو فاز حرکتی علاوه بر تعادل توانسته است، میزان "لق خوردن" که مبتنی بر خطای ژیرسکوپ تعریف می شود را کاهش دهد و سرعت حرکت موتورهایش را در کنار یادگیری توابع حرکتی تنظیم نماید تا در نهایت علاوه بر سرعت همگرایی، سرعت راه رفتن خود را نیز افزایش دهد. کلمات کلیدی: 1- ربات انسان نما 2-یادگیری تقویتی پیوسته 3-گرادیان سیاست 4-ژیرسکوپ 5- تپه نوردی

طراحی سیستمی که قادر به شناسایی انسان در تصویر باشد از جمله کاربردهای مهم هوش مصنوعی و بینایی ماشین است. تشخیص انسان کاربردهای بسیاری دارد. از جمله ی آنها می توان به کاربردهای امنیتی در سیستم های نظارتی ساختمان ها و مراکز اداری که ورود و خروج اشخاص را کنترل می کنند؛ سیستم های دستیار راننده و ماشین های خودکار هوشمند که موانع انسانی را در مسیر تشخیص می دهند؛ رباتیک، حقیقت مجازی، ارتباط کامپیوتر و انسان، تحلیل خودکار تصاویر و غیره اشاره کرد. تاکنون راه حل های متعددی برای شناسایی انسان در تصاویر ارائه شده است، اما هیچ کدام از این روش ها قادر به حل کامل مسئله نبوده اند. روش های ارائه شده به طور کلی شامل دو مرحله هستند: 1) نمایش اطلاعات تصاویر و توصیف آن 2) دسته بندی. از جمله ی این روش ها، روش استفاده از هیستوگرام گرادیان جهت دار است که کارآیی خوبی در مقایسه با سایر روش ها داشته است. در این روش تصاویر با بردارهایی توصیف می شوند که می توانند بسیار بزرگ باشند و در نتیجه حجم اطلاعاتی که برای آموزش رده بند لازم است بسیار زیاد شود. جهت بهبود این روش و کاهش اندازه ی بردارهای توصیفگر، در این پایان نامه از مدل کیف ویژگی ها بهره گرفته شده است. ویژگی مورد استفاده تکه های تصویر است که به صورت متراکم از تصویر استخراج شده اند و توسط هیستوگرام گرادیان جهت دار توصیف شده است. از ویژگی های متراکم استخراج شده جهت تشکیل کلمات بصری و ساخت کیف ویژگی ها استفاده می شود. پس از به دست آوردن کلمات بصری تصاویر از روش وزن دهی tf_idf استفاده می شود. مزیت استفاده از روش وزن دهی در این است که کلمات بصری ای که نقش مهم تری در توصیف شیء موردنظر دارند وزن بیشتری می گیرند. برای بررسی کارآیی روش پیشنهادی، از مجموعه داده هایmit و inria استفاده شده است. نتایج به دست آمده از آزمایش ها گویای بهبود کارآیی روش پیشنهادی در مقایسه با روش دلال و تریگز است.

یکی از مهم ترین اهدافی که در حوزه هوش مصنوعی و رباتیک به آن پرداخته می شود ایجاد ماشینی است که بتواند مانند انسان عمل کند. در مسیر نیل به این هدف ابتدا ماشین باید بتواند درک درستی از محیط اطراف خود داشته باشد. شاید یکی از اساسی ترین اطلاعاتی که ماشین باید در مورد محیط خود داشته باشد این باشد که چه کسی، در کجا و در حال انجام چه کاری است؟ رهیافت هایی که برای حل این مسئله مطرح شده اند عمدتاً در حوزه بینایی ماشین بوده اند، که این موضوع حاکی از اهمیت این حوزه در حل این مسئله دارد. در این پژوهش روشی برای پاسخ به قسمتی از این سوال که مربوط به شناسایی انسان در تصاویر می شود ارائه شده است. رهیافت طرح شده از روش های مبتنی بر پنجره بندی است که در آن تصویر توسط پنجره های لغزان پویش می گردد. بعد از هر بار پنجره گذاری، پنجره جاری به سلول هایی تقسیم می شود که ویژگی های استخراج شده از آن ها در کنار هم قرار گرفته و بردار ویژگی پنجره را تشکیل می دهند. به منظور توصیف سلول ها، ویژگی جدیدی ارائه شده است که مبتنی بر توزیع گرادیان سلول است. این ویژگی توزیع گرادیان را با استفاده از تحلیل مولفه های اصلی توصیف می کند. بردارهای ویژگی بدست آمده از پنجره در نهایت توسط ماشین بردار پشتیبان به منظور آموزش و دسته بندی استفاده می شوند. نتایج بدست آمده نشان می دهد که روش مطرح شده علاوه دقت بالا در مقابل اختلالاتی مانند اغتشاش نیز مقاوم تر از هیستوگرام گرادیان جهت دار است. در ادامه این تحقیق، روش ارائه شده با کمی تغییر برای قطعه بندی تصاویر هوایی نیز استفاده شد. نتایج این کاربرد نیز نشان می دهند که این رهیافت با دقت و سرعت بسیار بالا می تواند نواحی مسکونی و غیر مسکونی را از هم تشخیص دهد.

به صورت ساده در مسیریابی عامل با پرهیز از برخورد با موانع موجود در راه از نقطه ی a به نقطه ی b می رود. مسیریابی یکی از مهم ترین و پرکاربردترین زیرشاخه های علم هوش مصنوعی است. برای مثال الگوریتم های مسیریابی در اکتشاف سیارات ناشناخته از زمینه های مهم و اساسی هستند. محققان ناسا برای جست وجو در سطح کره ی مریخ توسط ربات های مریخ نورد از الگوریتم های مسیریابی استفاده می کنند. بسیاری از بازی های کامپیوتری الگوریتم های مسیریابی را برای شخصیت های خودمختار به کار می برند. از الگوریتم های مسیریابی در شبکه های ارتباطی مانند اینترنت و مخابرات نیز استفاده می شود. همچنین سیستم های هدایت خودرو از الگوریتم های مسیریابی در پیدا کردن مسیر بهینه برای راننده به منظور کمینه کردن فاصله و زمان سفر سود می برند. در علم زیست شناسی برای هم ترازی بهینه ی چندین دنباله ی dna الگوریتم های مسیریابی به کار می آیند. به طور خلاصه هرکجا که نیاز باشد تا عامل در محیط از مکانی به مکان دیگر برود، پیدا کردن کوتاه ترین مسیر اهمیت پیدا می کند. این محیط می تواند فضای حالت بازوی ربات برای برداشتن یک لیوان باشد تا فضای حالت در پیدا کردن بهترین حرکت در بازی شطرنج.بدین منظور الگوریتم های مسیریابی بسیاری ارائه شده است که هر یک با توجه به نوع محیط و یا محدودیت های زمانی و یا حافظه ای که برقرار است کاربرد دارند. الگوریتم های a* و d* lite به ترتیب از پرکاربردترین الگوریتم های مسیریابی در محیط های ایستا و پویا هستند. تمرکز این پایان نامه در استفاده از الگوریتم های مسیریابی در 2 بخش عملی و نظری است. در بخش عملی، الگوریتم های ناوبری برای خودروی هوشمند که در آزمایشگاه هوش مصنوعی دانشگاه صنعتی اصفهان ساخته شده است، نوشته و پیاده سازی شد. ساخت نقشه برای نمایش محیط و پیاده سازی الگوریتم d* lite، برای پیمایش و ناوبری خودروی هوشمند مهم ترین مراحل پژوهش عملی را تشکیل می دهند. در قسمت نظری الگوریتم جدیدی برای محیط های پویا با محدودیت حافظه ی اشغالی ارائه شد. تاکنون برای رفع مشکل حافظه ی الگوریتم های مسیریابی، روش های زیادی طرح گردیده است که می توان به الگوریتم sma* در محیط های ایستا و md* در محیط های پویا اشاره کرد. با اینکه md* به حافظه ی خیلی کمی برای اجرای الگوریتم های مسیریابی در محیط پویا نیاز دارد اما زمان اجرای این الگوریتم زیاد است. چون زمان معیار مهمی در الگوریتم های مسیریابی است الگوریتمی مخصوص محیط های پویا با محدودیت حافظه ی اشغالی ارائه کردیم که مشکل سرعت md* برطرف شود. سرعت اجرای الگوریتم پیشنهادی تقریباً دو برابر md* است. همچنین الگوریتم پیشنهادی با delayed d* از نظر حافظه ی اشغالی مقایسه گردید. الگوریتم پیشنهادی تنها به 0.15 حافظه ی اشغالی delayed d* نیاز دارد و برای حل مسائل در محیط های پویا که محدودیت در حافظه ی اشغالی وجود دارد مناسب می باشد.

با پیشرفت های اخیر در فناوری اطلاعات و ذخیره سازی در کامپیوتر، مقدار داده ذخیره شده در پایگاه های داده فراتر از آن است که بتوان داده ها را بدون استفاده از شیوه های تحلیلی خودکار تحلیل کرد. علیرغم این که اطلاعات زیادی در این مجموعه داده‏ها نهفته است، این اطلاعات مستقیماً در اختیار کاربرها قرار ندارد. داده کاوی فرایندی است که در آن دانش نهفته در میان انبوهی از داده ها استخراج می گردد. دانش مفهومی فراتر از داده و اطلاعات است. دانش استنتاج کردن و شناخت الگوها و روندهای پنهان میان داده ها و اطلاعات است. داده کاوی انواع مختلفی دارد. در این پایان نامه کاوش قوانین وابستگی به عنوان یکی از مورد توجه ترین انواع داده کاوی دنبال می شود. قوانین وابستگی تلاش در کشف الگوهای رخداد همزمان صفت های خاصه در پایگاه داده را دارند. در این نمونه از کاربرد داده کاوی رابطه ها و وابستگی های جالب بالقوه میان داده ها تشخیص داده می شود. در سال های اخیر کشف شده که اطلاعات وابسته به زمان در داده کاوی مهم است و در کشف قانون‏ها و الگوها، زمان نیز باید در نظر گرفته شود. در این پایاننامه بعد زمان در روش های بحث شده برای کاوش مورد توجه قرار گرفته است. جنبه‏های زمانی زیادی وجود دارند که می‏توانند برای تشریح جنبه‏های زمانی دانش با الگوهای به دست آمده مرتبط شوند. از جمله این جنبه‏ها می‏توان فاصله اعتبار برای یک الگو را نام برد. یعنی به همراه قانون وابستگی، فاصله‏ای از زمان آورده می شود که نشان می‏دهد قانون مذکور در چه موقعی از زمان معتبر است. بنابراین با معلوم شدن فاصله زمانی یک الگو، سودمندی دانش به دست آمده افزایش می‏یابد. یکی دیگر از ویژگی‏های زمانی مورد توجه در داده‏کاوی زمانی که می‏تواند برای تشریح جنبه‏های زمانی دانش با الگوی‏های به دست آمده مرتبط شود، دوره یک رویداد است. یک سری از رخ دادهای تکرار شونده از یک نوع رویداد معین در فاصله‏های منظم به عنوان یک رویداد دوره‏ای بیان می‏شود. هنگامی که زمان در کاوش قوانین وابستگی منظور شود، کاوش قوانین وابستگی زمانی مطرح شده است. در این پایان نامه هر دو عامل فاصله زمانی و دوره زمانی در کاوش قوانین وابستگی زمانی مورد توجه قرار گرفته است. به منظور ایجاد طرحی انعطاف پذیر برای بیان زمان اعتبار قانون ها، یکی از سیستم های ارایه شده را توسعه داده ایم. این طرح از زمان های مطابق با تقویم برای کاوش و نمایش قانون ها استفاده می کند، لذا قانون های تولید شده می توانند مفهومی دقیق و مناسب در کاربردهای عملی داشته باشند . طرح مذکور را به گونه‏ای تعمیم داده ایم که توانایی نمایش دوره های زمانی را به صورتی بهتر و کامل ‏تر داشته باشد. دوره های زمان در طرح پیشنهادی دارای انعطاف پذیری بیشتری است و علاوه بر توانایی نمایش دوره های بیان شده در سیستم قبل، قادر به نمایش دوره های پیچیده تر زمان نیز می باشد. علاوه بر توسعه نحوه بیان دوره های زمان، فاصله‏های زمان را نیز در سیستم مذکور اعمال کرده ایم که باعث افزایش بیشتر دقت زمان برقراری قانون ها می شود. بنابراین تغییرات صورت گرفته در سیستم زمان قانون های وابستگی باعث دقیق تر شدن زمان مرتبط با هر قانون می شود که به سودمندی بیستر قانون ها منجر می شود. علاوه بر این نتایج پیاده سازی نشان می دهد که این تغییرات باعث کشف قانون های بیشتری نسبت به قبل از داده های یکسان می شود.

شبکه های کامپیوتری نمونه مهمی از سیستم های پویای توزیع شده هستند که در زندگی روزانه نقش زیادی پیدا نموده اند. اهمیت استراتژیک و محدودیت های ذاتی این گونه سیستم ها منجر به نیاز به کنترل توزیع شده، به خصوص برای مسیریابی، می شود تا رفتار شبکه را قابل تطبیق با تغییرات در توپولوژی، ترافیک داده ها، سرویس ها و غیره نماید. اخیراً، محققین بر روی الگوریتم های مسیر یابی جدیدتری به منظور فراهم آوردن میزان انطباق پذیری بیشتر با تغییر حالات شبکه تحقیق کرده اند که این الگوریتمها بر پایه روش های یادگیری ماشین بنا شده اند. یادگیری تقویتی یک روش یادگیری بدون سرپرست است که هدف از آن یادگیری یک سیاست، نگاشتی از مشاهدات به اعمال، بر مبنای بازخوردی است که از محیط دریافت می شود. این عمل یادگیری را می توان به صورت جستجوی مجموعه ای از سیاست ها نگریست که در هر لحظه در تعامل با محیط ارزیابی می شوند. در میان الگوریتم های مختلفی که برای یادگیری تقویتی تاکنون ارایه شده است الگوریتم یادگیری-q دارای بیشترین کاربرد است. در این پایان نامه به شبکه به عنوان یک سیستم چندعاملی نگریسته شده است که هر گره آن نشان دهنده یک عامل می باشد. سپس بر پایه روش یادگیری تقویتی و با استفاده از الگوریتم یادگیری-q هر یک از عامل ها شروع به یادگیری وضعیت شبکه می نماید تا در هر حالت شبکه بهترین عمل ممکن را از خود بروز دهد. در این روش وضعیت هر گره (عامل) به صورت تابعی از وضعیت گره های مجاور و خطوط ارتباطی مابین آن ها تعریف می شود و بدین صورت هر تغییر در وضعیت یک گره (عامل) در وضعیت و نحوه تصمیم گیری گره های (عاملین) مجاور آن تأثیرگذار است.

بازشناسی برخط نوشتار یکی از دشوارترین زمینه های شناسایی الگو و هوش مصنوعی بوده و همواره مورد توجه خاص محققان قرار گرفته است. پیچیدگی این زمینه, هنگام برخورد با زبان هایی مثل فارسی و عربی که حروف آن ها باتوجه به موقعیت شان در کلمه, شکل های متفاوتی به خود می گیرند, دوچندان می شود. تحلیل دست نوشته ی فارسی یا عربی در مقایسه با زبان های لاتین، به علت حضور اجزای کوچکی ("نقطه", "دونقطه" و ...) بالا یا پایین حروف آن ها دشوارتر است. ورودی یک سیستم بازشناسی دست نوشته برخط, یک قلم و صفحه حساس مانند صفحات کامپیوترهای جیبی است. در زمینه بازشناسی برخط نوشتار عربی یا فارسی تحقیقات چندانی صورت نگرفته است. تعدادی از کارهای گزارش شده در این زمینه, محدود به بازشناسی حروف منفصل بوده و یا در زمینه بازشناسی لغات, شیوه نوشتاری خاصی برای کاربران, از پیش تعریف شده و بازشناسی انجام شده محدود به تعداد لغات موجود در یک فرهنگ لغت از پیش تعیین شده, بوده است. در این پروژه, نرم افزاری طراحی و پیاده سازی شده است که به صورت برخط, عمل بازشناسی کلمات دست نوشته فارسی که هر ترکیبی از حروف فارسی می توانند باشند را, انجام می دهد. علت اصلی درنظر گرفتن لغت نامه برای یک سیستم بازشناسی, کاهش فضای جستجو در مرحله رده بندی و در نتیجه, افزایش درصد موفقیت بازشناسی است. این دو مسیله به گونه ایی دیگر در سیستم پیشنهادی محقق شده اند. در مرحله طراحی سیستم, مشخصات مسیر حروف فارسی به همراه جزء کوچک مخصوص هر یک, ثبت می شوند. برای هریک از حروف و اجزای کوچک, یک نمونه از مدل مخفی مارکوف چپ به راست نیز در نظر گرفته می شود (به جز نقطه). در مرحله بکارگیری سیستم, بازشناسی برای هر کدام از زیرکلمات یک کلمه، مستقلاً انجام می شود. ابتدا پس از دریافت دنباله نقاط نوشته شده توسط کاربر, زیرکلمات به همراه اجزای کوچک شان بر اساس یک سیستم تصمیم گیری فازی، مرتب می شوند. سپس بازشناسی اجزای کوچک, انجام شده و رشته ای از اسامی آن ها ساخته می شود. ایده ی اصلی سیستم پیشنهادی, انجام یک مرحله تولید نامزدهای معتبر زیرکلمه, براساس رمز مسیرهای حروف و انطباق هم زمان رشته اجزای کوچک با اجزای کوچک حروف نامزد است. مرحله تولید نامزد, بر اساس یک الگوریتم پیشنهادی بیش بخش بندی بر مبنای خواص ساختاری حروف فارسی, عمل می کند. بعد از بیش بخش بندی بدنه ی یک زیرکلمه، گرافی از نقاط پیشنهادی آن ساخته و در ریوس آن اطلاعات مفیدی از جمله رمز مسیر و بردار ویژگی تا ریوس بعدی متصل نگهداری می شوند. رده بندی نهایی نیز با انتخاب ترکیب حروفی که احتمال عادی شده نسبی آن بر اساس ویژگی های استخراج شده, بیشینه باشد صورت می گیرد. احتمال عادی شده ی نسبی یک زیرکلمه برابر با مجموع احتمال های حروف آن تقسیم به تعداد حروف مذکور می باشد. احتمال یک حرف نیز بر پایه ی بردار وی‍ژگی آن و مدل مخفی مارکوف آن حرف است. به علت فقدان یک مجموعه آموزشی استاندارد در زمینه بازشناسی برخط کلمات فارسی, مجموعه ای برای ارزیابی سیستم که شامل 200 لغت است و توسط 9 نفر نوشته شده اند, تهیه شده است. نتایج عملکرد سیستم بازشناسی بر اساس نرخ بازشناسی کلمات و زیرکلمات ارایه شده و حاکی از دقت مطلوب آن در هر دو نوع آزمایش وابسته به نویسنده و مستقل از نویسنده می باشد.

چکیده تمایل به کاوش در منابع موجود در آب در یاها و اقیانوس ها اصلی ترین دلیل برای میل بشر به توسعه ی ربات های زیرآبی بوده است. فعالیتِ جستجو در محیط زیر آب برای تشخیص و دنبال کردن اهداف از جمله ی کارهایی است که در این حیطه ی علم رباتیک بسیار کاربردی و مفید می باشد. حل این مسأله، در حیطه ی گسترده ای از علوم نظیر مهندسی مکانیک، کنترل، زیست شناسی و هوش مصنوعی کاربرد زیادی خواهد داشت. در دیدگاه هوش مصنوعی و رباتیک، بینایی کامپیوتر به عنوان یکی از راه های درک محیط برای انجام اقدامات هوشمندانه در محیط زیر آب به شمار می رود. حسگرهای فعّالی همچون سونار که قیمت بالا و مصرف انرژی زیادی دارند، اگرچه در ابتدا گزینه ی ایده آلی برای استفاده در محیط زیر آب به شمار می رفتند، اما با در نظر گرفتن معایب و مشکلاتی که دارند ما را به تفکر برای انتخاب گزینه های بهتر رهنمون می سازند. در این پژوهش هدف بررسی نیازمندی های ساخت یک ربات خودمختار زیرآبی با استفاده از حسگر بینایی است. از جمله ی مهم ترین دستاوردهای این پژوهش می توان به هزینه ی بسیار پایین قطعات و اتکا به حسگرهای موجود در بازار داخلی اشاره نمود. همچنین ایده ی استفاده از ترکیب دو روش انطباق نقاط کلیدی surf و الگوریتم تعقیب رنگ camshift برای یافتن شئ در محیط زیرآب یکی دیگر از کارهای جدیدی است که در محیط زیرآب مورد استفاده قرار گرفته است. با استفاده از نتایج موجود می توان گفت هرچند رنگ در محیط زیرآب بهتر محفوظ می ماند اما اتکای صرف به رنگ هم به دلیل تضعیفی که در رسایی رنگ های مختلف در این محیط ایجاد می شود باعث گمراهی ربات خواهد بود و هم در بسیاری از موارد باعث شکست ربات در یافتن هدف خواهد شد و از این حیث کاری که در این پژوهش صورت گرفته به دلیل بهره گیری از ویژگی های محلی (مانند surf) کمتر دچار شکست می گردد. کلمات کلیدی: 1- ربات زیردریایی خودمختار 2-بینایی کامپیوتر 3- surf 4- camshift ?- تشخیص و دنبال کردن هدف.

یافتن جواب بهینه برای بسیاری از مسایل دنیای واقعی مستلزم انجام یک جستجوی کامل در فضای مسیله و بررسی تمام راه حل های ممکن است. تحقیقات بسیاری در این راستا صورت گرفته و الگوریتم های جستجوی مکاشفه ای مختلفی مانند a*، ida*، kbfs و... برای حل این گونه مسایل ارایه شده اند. این الگوریتم های جستجو از یک تابع مکاشفه ای (heuristic) برای ارزیابی حالت های مختلف استفاده می کنند و کارایی آنها به دقت تابع مکاشفه ای مورد استفاده وابسته است. توابع مکاشفه ای در محیط های جستجوی تک عاملی، هزینه ی رسیدن به حالت هدف از حالت جاری مسیله را تخمین می زنند. الگوریتم های a* و مشتقات آن به یک تابع مکاشفه ای قابل قبول نیاز دارند تا یافتن پاسخ بهینه را تضمین کنند. قابل قبول بودن به این معنی است که تابع مکاشفه ای هیچ گاه هزینه ی رسیدن به حالت هدف را بیش از مقدار بهینه تخمین نزند. هر چه تابع مکاشفه ای دقیق تر باشد، الگوریتم جستجو نیز کاراتر خواهد بود. تحقیقات بسیاری در جهت یافتن توابع مکاشفه ای دقیق تر انجام شده است. هدف در این پایان نامه ارایه راه کارهایی برای بهبود دقت توابع مکاشفه ای مبتنی بر حافظه است. پایگاه داده ی الگو از جمله توابع مکاشفه ای مهم قابل قبولی است که تاکنون ارایه شده و بهترین روش موجود برای حل بهینه ی بسیاری از مسایل می باشد. مشکل اصلی پایگاه داده های الگو حافظه ی زیادی است که برای ذخیره سازی نیاز دارند. در این تحقیق ابتدا به کاهش مشکل حافظه در پایگاه داده های الگو می پردازیم. برای حل مشکل حافظه در این توابع، با استفاده از الگوریتم های یادگیری ماشین روشی جدید برای فشرده سازی پایگاه داده ی الگو ارایه می کنیم. نتایج بدست آمده بهبود چشم گیر این روش نسبت به روش های فشرده سازی پیشین از لحاظ کاهش میزان حافظه ی مورد نیاز و تعداد گره های تولید شده در طی جستجو (در نتیجه کاهش زمان اجرا) را نشان می دهند. آزمایش های انجام گرفته بر روی برخی مسایل استاندارد، کاهش 61 برابری حافظه ی مورد نیاز برای ساخت پایگاه داده ی الگو را نشان می دهد. در بخش دوم این پایان نامه از روش جستجوی مرزی به منظور بهبود توابع مکاشفه ای استفاده می کنیم. در این راستا روشی کارآمد برای ترکیب پایگاه داده ها ی الگو و جستجوی مرزی پیشنهاد می دهیم. ترکیب این دو روش در چند سال اخیر مورد توجه محققان قرار گرفته و تلاش هایی در این زمینه صورت گرفته است. ترکیب پایگاه داده ی الگو و جستجوی مرزی به صورت معمول نیازمند حافظه ی بسیار زیادی است که با افزایش عمق به صورت نمایی افزایش می یابد. در این تحقیق روشی جدید برای نگاشت حالت های مختلف مسایل پازل به حالت هدف ارایه گردیده که امکان ترکیب این دو روش را با میزان حافظه ی محدود فراهم می کند. نتایج بدست آمده بهبود روش ارایه شده در مقایسه با روش های ارایه شده ی قبلی را نشان می دهد.

کمبود آب، تغییرات آب و هوایی و عدم قطعیت های هیدرولوژیکی ضرورت وجود مدلسازی و مدیریت هدفمند منابع آب را آشکار می سازند. مهار کردن و استفاده صحیح از منابع آبهای جاری، توسعه منابع آب زیرزمینی، کاهش اثرات منفی ناشی از سیل و یا خشکسالی و تأمین آب آشامیدنی سالم نیازمند مدلهایی با قابلیت انجام پیش بینی های دقیق ومطمین هستند. مدلسازی داده-محور، از جمله روشهای نوینی است که به سرعت در حال گسترش در زمینه های متنوع علمی می باشد. این شیوه ی مدلسازی می تواند در مسایل گوناگونی جایگزین سایر روشهای شبیه سازی نظیر مدلسازی فیزیکی ویا مدلسازی تجربی شود. این مطالعه، اصول روشی جدید و پیشرفته به نام ماشین های بردار پشتیبان را که بر پایه تیوری یادگیری آماری استوار است، مورد بحث قرار خواهد داد. استفاده از این روش یادگیری باعث افزایش قابلیت عمومیت پذیری ماشین خواهد شد که منجر به بهبود یافتن دقت مدل در مقایسه با سایر روشهای داده-محور پیشین شده است. هدف این پژوهش آشنایی با مفهوم ماشین های بردار پشتیبان، به منظور دستیابی به فرایندهای فیزیکی پیچیده و رفتارهای غیر خطی سیستم های هیدرولوژیکی می باشد. در این پایان نامه عملکرد روش یادگیری مذکور در قالب سه کاربرد مختلف از مدلسازی منابع آب شامل 1) پیش بینی کوتاه مدت رواناب، 2) تخمین سطح تراز آب در چاه مشاهده ای و 3) پیش بینی زمانی-مکانی بارندگی، مورد بررسی قرار گرفته است. بدین جهت ترکیبهای مختلفی از داده ها برای پیش بینی رفتار سیستم های هیدرولوژیکی گفته شده، معرفی می گردند. مقایسه نتایج روش پیشنهادی با نتایج مدل شبکه های عصبی مصنوعی جهت ارزیابی کارایی آن، قابلیت پیش بینی بالای ماشین های بردار پشتیبان را در کاربردهای فوق، روشن می سازد. به عنوان نمونه استفاده از این نوع ماشین یادگیر در تخمین رواناب موجب شده تا جذر مربع میانگین خطا در دو مدل ساخته شده به مقدار 16 و 27 درصد نسبت به روش شبکه های عصبی مصنوعی کاهش یابد. در پنج مدل ارایه شده در کاربرد دوم و همچنین سه مدل پیش بینی بارندگی در کاربرد سوم نیز این کاهش خطا مقدار متوسطی به ترتیب برابر با 12 و72 درصد داشته است. عملکرد موفقیت آمیز این نوع ماشین یادگیر در این تحقیق، امکان توسعه و استفاده از آن را در کاربردهای دیگری از مدلساز ی منابع آب نشان می دهد.

سیستم های چندعاملی شاخه ای از هوش مصنوعی توزیع شده می باشد که به مطالعه و بررسی رفتار مجموعه ای از عاملها و پیچیدگیهایی که از تعاملات آنها پیش می آید، می پردازد. یافتن، طراحی و پیاده سازی استراتژیهایی برای هماهنگ سازی و همکاریی عاملهای موجود در یک سیستم چند عاملی یکی از مسایل بنیادی در این گونه سیستمها به شمار می رود. شناسایی و حتی اثبات وجود بهترین استراتژی هماهنگ سازی، کاری تقریباً غیر ممکن است. در بسیاری از موارد، یک استراتژی هماهنگ سازی برای یک دامنه، هنگامی به کارگرفته می شود که به اندازه قابل قبولی، سودمند و کارا باشد.کدکردن دستی رفتارهای همه عاملهای موجود دریک سیستم چند عاملی، برای رسیدن به هماهنگی و کار تیمی مطلوب، اگر نگوییم غیر ممکن، بسیار پیچیده و دشوار است. از طرف دیگر این پیچیدگی، با افزایش تعداد عاملها و پیچپده شدن رفتـارهای آنها، می تواند افزایش یابد. زمینه یادگیری چند عاملی مشارکتی، با سعی در یافتن رفتار عاملها، نوید راه کارهایی جدید برای حل این گونه مسایل می دهد و از این رو در سالهای اخیر،کانون توجه بسیاری از تحقیقات قرار گرفته است. برنامه نویسی ژنتیک شبکه ای یکی از تکنیکهای یادگیری چند عاملی مشارکتی می باشد که اخیراً با الهام از برنامه نویسی ژنتیک ارایه شده است. در حالی که برنامه نویسی ژنتیک از یک ساختار درختی برای نمایش راه حلها استفاده می کند، برنامه نویسی ژنتیک شبکه ای از یک معماری شبکه ای بهره می گیرد که این امر می تواند باعث بهبود نحوه نمایش راه حلها و توانایی جستجو شود. برنامه نویسی ژنتیک شبکه ای، روش جدیدی برای جستجو می باشد و بنابراین تاکنون تنها در چند دامنه خاص به صورت موفق، آزمایش شده است و از این رو باید کارایی آن در دامنه های مختلف دیگری نیز مورد بررسی قرار گیرد. در این رساله برای دست یافتن به دانش استفاده از برنامه نویسی ژنتیک شبکه ای و آزمایش موثر بودن آن، از این روش در تولید استراتژی هماهنگ سازی و مکانیزم رفع برخورد در یک مساله معروف، به نـام دامنـه تـعقیب (صیاد-صید) که در هوش مصنوعی توزیع شده به عنوان یک دامنه آسان در توصیف و مشکل در حل شناخته می شود، استفاده کرده ایم و نتایج را با روشهای برنامه نویسی ژنتیک و برنامه نویسی ژنتیک قویاً نوع دار شده مقایسه کردیم. نتایج آزمایشها نشان از موفقیت این روش در تولید استراتژی هماهنگ سازی میان عاملها در دامنه تعقیب دارد و کارایی آن در این دامنه از روش برنامه نویسی ژنتیک بسیار بالاتر بوده و قابل رقابت با برنامه نویسی ژنتیک قویاً نوع دار شده می باشد، همچنین هزینه محاسباتی آن کمتر و سرعت یادگیری آن بالاتر از این دو روش می باشد.

چکیده الگوریتم های ردیابی بصری در زمینه های گوناگون کاربردهای زیادی دارند. آن دسته از الگوریتم ها که روی دوربین متحرک اجرا می شوند باید نسبت به حرکت دوربین مقاوم و در عین حال ساده و سریع باشند تا برای کاربردهای بلادرنگ قابل استفاده باشند. الگوریتم camshift ، یک الگوریتم ردیابی بصری مبتنی بر رنگ است که با وجود سادگی وسرعت، هنگام عبور شئ از پس زمینه ای که حاوی رنگی از شئ باشد با مشکل مواجه می شود. برای حل این مشکل چند روش ارائه شده است که اغلب این روش ها سعی کرده اند با اضافه کردن محدودیت هایی به مدل شئ، مشکل را کمتر کنند. یعنی علاوه بر استفاده از فام برای مدل کردن شئ از اطلاعات اشباع و مقدار مربوط به آن نیز استفاده کنند. با اضافه کردن این محدودیت ها مشکل کمتر می شود و رد شدن شئ از پس زمینه ای که سه جزء رنگ آن مشابه شئ باشد، کمتر اتفاق می افتد، اما اضافه کردن این محدودیت ها کافی نیست چرا که ممکن است در پس زمینه رنگ هایی باشد که کاملا مشابه رنگ شئ باشند. تمام روش های پیشنهاد شده یک احتمالِ تعلق هر پیکسل به شئ را محاسبه واز آن استفاده می کنند. حال اگر به جای یک پیکسل به ناحیه ای از پیکسل ها احتمالی اختصاص دهیم، می توان بسیاری از مشکلات تشابه رنگ را حل کرد. تخصیص احتمال به ناحیه ای از پیکسل ها باعث افزایش دقت الگوریتم ردیابی شده و می توان از اطلاعات هر ناحیه، مانند مساحت یا ارتباط بین پیکسل ها استفاده کرد. در این پایان نامه یک الگوریتم camshift مبتنی بر ناحیه ارائه شده است که الگوریتم camshift را بخصوص در پس زمینه هایی که حاوی رنگ های کاملا مشابه با رنگ های شئ است، بهبود می دهد.

امروزه زمینه های کاربردی برای ربات های متحرک خودمختار رو به افزایش است. از جمله کاربردهای این ربات ها می توان به اکتشاف سیاره های ناشناخته (مانند مریخ)، یافتن مجروح های زلزله زده و امداد رسانی به آن ها و ... اشاره کرد. مهم ترین خصوصیت این دسته از ربات ها، توانایی ناوبری در محیط به صورت خودمختار برای رسیدن به نقطه هدف می باشد. به طور کل می توان محیط عملیاتی ربات متحرک را به دو دسته 1-شناخته شده و 2-ناشناخته تقسیم کرد. در صورتی که محیط شناخته شده باشد، ربات با در اختیار داشتن نقشه محیط و با بهره گیری از الگوریتم های طرح ریز مسیر سراسری، می تواند مسیر بهینه برای رسیدن به هدف را محاسبه کند. اما داشتن شناخت از محیط همیشه میسر نمی باشد. از طرف دیگر با افزایش وسعت محیط، میزان حافظه و توان پردازشی مورد نیاز جهت نگهداری و به روز رسانی (در صورت نیاز) نقشه آن افزایش می یابد. از این روست که طرح ریزهای حسگر-مبنا مورد توجه قرار می گیرند. این دسته از طرح ریزها فرض می کنند که محیط کاملاً ناشناخته است و صرفاً با تکیه بر داده های حاصل از حسگرهای نصب شده بر روی ربات، آن را به سمت هدف هدایت می کنند. از آنجا که برد حسگرهای ربات محدود می باشد، طرح ریزهای حسگر-مبنا قادر به محاسبه مسیر بهینه سراسری نمی باشند و طرح ریزی مسیر را به صورت افزایشی انجام می دهند؛ به این صورت که در هر گام، محیط پیرامون ربات را با استفاده از حسگرهای آن به صورت محلی درک می کنند و با توجه به داده های به دست آمده، برای حرکت ربات به سمت هدف و اجتناب از موانع موجود در محیط، تصمیم مناسب می گیرند. ویژگی مهم این دسته از طرح ریزها توانایی همگرا شدن به هدف علی رغم ناشناخته بودن محیط می باشد. خانواده الگوریتم های باگ از دسته طرح ریزهای حسگر-مبنا می باشند که به خاطر کارایی مناسب در عین داشتن ساختاری ساده، معروف هستند. در این پایان نامه هدف، تغییر الگوریتم تنژنت باگ برای سازگار شدن با ربات متحرک از نوع آکرمن می باشد. محیط عملیاتی ربات مذکور، از نوع ناشناخته و خارج از جاده است. منظور از خارج از جاده بودن محیط این است که نمی توان در مورد ساختار محیط فرض خاصی مانند وجود جاده و یا علائم هدایت کننده در نظر گرفت. سیستم ناوبری ارائه شده در این پایان نامه بر پایه الگوریتم تنژنت باگ (یکی از معروف ترین الگوریتم های باگ) بنا شده است. تنژنت باگ علی رغم قدرتمند بودنش، کاستی هایی دارد. به عنوان مثال تنژنت باگ، ربات را به صورت نقطه ای (بدون طول و عرض) فرض می کند و محدودیت های حرکتی آن را در نظر نمی گیرد. در این پایان نامه به ارائه تدابیری برای رفع کاستی های مذکور پرداخته می شود. در این راستا از مدل سینماتیک ربات آکرمن و الگوریتم های اجتناب از مانع میدان پتانسیل و هیستوگرام میدان برداری بهره گرفته می شود. برای بررسی صحت روش ارائه شده، نتایج آن با نتایج الگوریتم تنژنت باگ به صورت شبیه سازی مقایسه شده است. علاوه بر شبیه سازی، روش ارائه شده بر روی یک ربات آکرمن واقعی به صورت عملی پیاده سازی و تست گردیده است.

در این پژوهش، ابتدا به بررسی پیاده‎سازی این معماری در محیطی چند عاملی پرداخته و سپس به بررسی یکی از نقص‎های این معماری که نداشتن «شخصیت» است، می‎پردازیم. پیش از این، برای پیاده‎سازی شخصیت عامل، از روش‎های مختلفی استفاده شده است که هرکدام از این روش‎ها تأثیر شخصیت را تنها بر روی یکی از دامنه‎های احساسی، اهداف یا انگیزه‎ها بررسی می‎کنند. در این پژوهش با پیاده‎سازی شخصیت در معماری سه لایه که از پنج دامنه‎ی درک، احساس، انگیزه، شناخت و رفتار پشتیبانی می‎کند، زمینه را برای پیاده‎سازی‎های فراتری شخصیت باز می کنیم. در این پژوهش، برای پیاده‎سازی شخصیت از مدل معروف پنج پارامتری استفاده می‎کنیم. نشان می‎دهیم که این پنج پارامتر می‎توانند بر دامنه‎های متفاوتی مانند احساس، انگیزه و شناخت اثرگذار باشند. برای این منظور از زمینه‎های روانشناسی و عصب‎شناسی این پارامترها بهره می‎گیریم و محل اثرگذاری مناسب آن‎ها را در معماری نشان می‎دهیم. در نهایت، تغییرات و تفاوت‎های رفتاری عامل‎ها با شخصیت‎های مختلف و نیز بازدهی بالاتر برخی محیط‎های ناهمگون نسبت به محیط‎های متقارن را نشان می‎دهیم.

ایجاد مدل سه بعدی از محیط و اشیای موجود در آن، یکی از مسائل اساسی در حوزه ی بینایی کامپیوتر است. این امر در عین حال که ممکن است خود یک هدف غایی باشد، می تواند مقدمه ای برای حل مسایل دیگر به شمار رود. در روش های موجود، معمولاً از حسگرهایی مانند لیزر یا دوربین استریو برای استخراج نقاطی از سطوح خارجی اشیای محیط استفاده می شود. به مجموعه ی نقاط بدست آمده در اصطلاح، ابر نقطه می گویند. به دلیل ماهیت این حسگرها، برای استخراج ابرهای نقطه باید به دفعات و در مکان ها و زوایای مختلف از این حسگرها استفاده نمود. در این حالت، چندین ابر نقطه بدست می آید که هر یک از آن ها در یک دستگاه مختصات متفاوت قرار داشته و همه باید به یک دستگاه مختصات واحد منتقل شوند. به این کار در اصطلاح انطباق ابرهای نقطه گفته می شود. با داشتن حداقل سه تناظر میان هر دو ابر نقطه می توان تبدیل مورد نیاز برای انطباق آن ها را بدست آورد. از آن جایی که یافتن تناظرهای دقیق میسر نیست، معمولاً تعداد زیادی تناظر محاسبه شده و سپس با استفاده از الگوریتم نمونه برداری تصادفی و اجماع، تبدیل مورد نیاز تخمین زده می شود. برای یافتن تناظرها معمولاً از توصیفگرهای سه بعدی محلی استفاده می شود. هدف این توصیفگرها که برای هر نقطه از ابر ساخته می شوند، توصیف موقعیت نقاط موجود در همسایگی آن نقطه است. با داشتن توصیفگرهای نقاط هر دو ابر نقطه و مقایسه ی آن ها می توان نقاط متناظر ابرها را یافت. توصیفگرهای موجود اما مشکلات فراوانی دارند. از جمله این مشکلات می توان به عدم مقاومت کامل نسبت به تغییر مقیاس، پیچیدگی محاسباتی و مکانی بالا و پارامتری بودن آن ها اشاره کرد. در این پایان نامه یک توصیفگر سه بعدی محلی جدید مبتنی بر ماتریس کواریانس ارایه شده است. دلیل استفاده از ماتریس کواریانس به عنوان توصیفگر، توانایی توصیفگری بالای آن ها، وجود معیارهای فاصله با ویژگی های نظری مناسب برای این دسته از ماتریس ها و نیاز کم آن ها به حافظه بوده است. علاوه بر این در این پایان نامه از یک روش جدید برای تعیین نقاط همسایه و مقاوم ساختن توصیفگر نسبت به تغییر مقیاس استفاده شده است. آزمایش ها نشان می دهد که توصیفگر پیشنهادی نسبت به دیگر توصیفگرهای سه بعدی مطرح قدرت توصیفگری مناسبی داشته و از نظر پیچیدگی زمانی و مکانی بر آن ها برتری دارد. علاوه بر این، مقاومت توصیفگر پیشنهادی به گونه ای است که تقریباً می توان گفت در مقابل هر تغییر مقیاسی مقاوم است.

مسئله شناسایی جاده از جمله مهم ترین مسائل در زمینه هوشمندی خودرو و سیستم های کمک به راننده محسوب می شود. این مسئله در دو دهه اخیر همواره به عنوان یک موضوع تحقیقاتی مهم مطرح بوده است. امروزه در اثر سوانح رانندگی در جاده ها، روزانه تعداد زیادی جان خود را از دست می دهند؛ بنابراین استفاده از سیستم های هوشمند و کمک به راننده می تواند تا حد قابل توجهی خطرات ناشی از رانندگی را کاهش دهد. علاوه بر موارد ذکر شده، ناوبری موفّق ربات ها در محیط های شهری نیز تا حد زیادی وابسته به شناسایی جاده است. در حقیقت، برای اینکه ربات خودمختار بتواند مسیر بین نقطه شروع و مقصد را با موفّقیت طی کند لازم است که شناخت دقیقی از جاده پیش روی خود داشته باشد و در مسیر حرکت خود تلاش کند از سطح جاده خارج نگردد. در این پایان نامه سعی بر آن داریم که با استفاده از تک دوربین، شناسایی جاده را انجام دهیم. استفاده از این روش نسبت به روش هایی نظیر بینایی استریو، لیزر و رادار از نظر هزینه بسیار مقرون به صرفه تر می باشد. در این پایان نامه، به منظور شناسایی جاده، 5روش مختلف ارائه شده و مورد بررسی قرار گرفته است. در روش اوّل، با فرض تفاوت توزیع رنگ جاده و پس زمینه، با استفاده از الگوریتم آبگیر و اطلاعات مربوط به نقطه محو شدن، قطعه بندی تصویر را انجام می دهیم و به وسیله آن، روشی برای شناسایی و حذف سایه از تصویر معرفی می کنیم که در مرحله پیش پردازش مورد استفاده قرار می گیرد. در روش دوّم، بر اساس اطلاعات رنگی پیکسل های تصویر، به خوشه بندی آن ها پرداخته و با به دست آوردن خوشه شامل سطح جاده، مدل اوّلیه ای برای جاده به دست می آوریم. برای این که روش شناسایی جاده نسبت به شرایط مختلف قدرتمندتر باشد لازم است علاوه بر ویژگی های رنگی، از تفاوت موجود در بافت جاده و پس زمینه تصویر نیز بهره بگیریم. برای این منظور، در روش سوم، با استفاده از توصیفگر بافت هارالیک و ویژگی هایی نظیر تضاد رنگ، بی نظمی و غیره و اعمال آن ها به یادگیر، اقدام به دسته بندی پیکسل ها می کنیم. در روش چهارم، از توصیفگر بافت قطعه بندی بر اساس بعد فراکتال استفاده کرده و دسته بندی پیکسل ها را انجام می دهیم. این روش خودروهای موجود در جاده را به دلیل تفاوت یکنواختی آن ها با سطح جاده به خوبی به عنوان پس زمینه تصویر شناسایی می کند، اما همچنان وجود سایه می تواند این روش را با دشواری هایی رو به رو سازد. برای حل این مشکل، در روش پنجم، از یک یادگیر دیگری بهره گرفته و بر اساس توصیفگر بافت الگوی دوتایی محلی، اقدام به برچسب زنی پیکسل ها می کنیم. این توصیفگر نسبت به تغییرات یکنواخت سطح روشنایی مقاوم بوده و همین امر باعث پایداری بیش تر این روش نسبت به شرایط وجود سایه و یا تابش نور شدید به سطح جاده می شود. علاوه بر موارد ذکر شده، با استفاده از نقطه محو شدن تصویر، تخمینی از صاف یا پیچ دار بودن جاده به دست آورده و در جاده های صاف،کناره های جاده را محاسبه می کنیم. همان طور که بیان شد، هریک از روش های مطرح شده دارای مزایا و معایبی است که آن را نسبت به سایر روش ها متمایز می سازد. تلفیق خروجی های حاصل از این روش ها نشان می دهد که ویژگی های ظاهری تصویر در کنار ویژگی های مربوط به بافت می تواند به صورت موفّقیت آمیزی شناسایی جاده را انجام دهد و دقّت محاسبات را افزایش دهد و در شرایط مختلف از جمله مسیرهای صاف یا دارای پیچ ، محیط های برون شهری یا درون شهری، وجود سایه در تصویر و غیره نیز با موفّقیت سطح جاده را استخراج نماید.

با افزایش پیچیدگی و پیشرفت سیستم های کنترلی و استفاده از آن ها در محیط ها و کاربردهای حساس، تمایل روزافزونی در زمینه تشخیص خطا ایجاد شده است. در گذشته شبکه های عصبی به عنوان ابزاری برای تشخیص مدل یا خرابی در یک سیستم به کار گرفته شده اند. اما مشکل الگوریتم بهینه سازی آن ها برای انتخاب پارامتر و کم کردن خطا در هر مرحله به جای کم کردن خطای کل مدل باعث شده است تا ماشین بردار پشتیبان جایگزین مناسبی برای آن ها شوند. ماشین بردار پشتیبان بر پایه تئوری یادگیری آماری وپنیک از جمله الگوریتم های یادگیری موفق در زمینه تشخیص و ایزوله نمودن خطا در سیستم های دینامیکی می¬باشد. یکی از مدل های مورد استفاده توسط ماشین بردار پشتیبان، سیستم های تائید امضا می باشد. هدف از تایید امضا ، جداسازی امضاهای جعلی از امضاهای اصلی است. استفاده از رگرسیون توسعه یافته، در مقایسه با فاصله اقلیدسی و dtw، معیار بهتری از میزان شباهت دو امضا بدست می¬دهد، برای این منظور باید طول زمانی سیگنال¬های متناظر دو امضا یکسان شود. استفاده از تطابق همه نقاط برای یکسان¬سازی طول زمانی این سیگنال¬ها سبب کاهش تمایز بین امضاهای اصلی و امضاهای جعلی می¬شود. در این پایان-نامه برای حفظ تمایز بین امضاهای اصلی و امضاهای جعلی، روشی بر مبنای تطابق نقاط اکسترمم برای یکسان¬سازی طول زمانی سیگنال¬ها ارائه شده است.همچنین به کمک الگوریتم ماشین بردار پشتیبان اقدام به تشخیص خطا در سیستم سه تانک نموده و میزان دقت این الگوریتم در تشخیص خطا را با چند الگوریتم آموزش شبکه عصبی از جمله rbf و بازگشتی مقایسه می نماییم. در روال کار این پایان نامه قصد داریم پس از انجام مطالعات لازم در مورد روابط و معادلات بهینه سازی ماشین بردار پشتیبان در جهت جداسازی کلاس ها از یکدیگر، به شرح جزئیات ماشین بردار پشتیبان در فرم های خطی و غیر خطی پرداخته وبا یک سری شبیه سازی ها اثر پارامترهای مختلف (ازجمله پارامترهای هسته و پارامترc وبردارهای پشتیبان و..) را در میزان شناسایی و تخمین خطا بررسی کنیم.

ربات ها و وسایل نقلیه خودمختار، به صورت روز افزونی در سال های اخیر جهت انجام ماموریت هایی چون واکاوی مریخ، تجسس از نیروهای دشمن در میدان نبرد، کسب اطلاع از وضعیت آتش سوزی درجنگل ها، کنترل مرزها و پیش بینی وضعیت هوا به کارگرفته شده اند. یکی از اصلی ترین چالش های توسعه پرنده های بدون سرنشین هوشمند، مسیریابی در محیط های متخاصم، تغییرپذیر و ناشناخته است. در روش های موجود مسیریابی جهانی، مساله عدم برخورد با موانع متحرک با دیدی حال نگر مورد بررسی قرار گرفته. در این پایان نامه رویکردی آینده نگر برای مدیریت عدم برخورد با موانع متحرک و مسیریابی جهانی در نظر گرفته شده است. هدف از این پایان نامه، ارائه روشی جهت حل مساله مسیریابی یک پرنده بدون سرنشین در محیطی سه بعدی است. در این محیط موانع به دو دسته فیزیکی و غیرفیزیکی تقسیم شده و تغییرپذیری زمانی و عدم اطلاع کافی از موانع در مورد دسته دوم صدق می کند.

در صورت وقوع حادثه ای مانند زلزله، حضور انسان ها در محیط می تواند خطرآفرین باشد و بهتر است از ربات ها برای امدادرسانی استفاده شود. یک محدودیت زمانی در زمان امدادرسانی به مصدومین و باتری ربات ها وجود دارد؛ ربات های امدادرسان باید بتوانند در یک زمان مشخص مناطق بیشتری از محیط را جستجو کنند تا در نهایت مصدومین بیشتری شناسایی شوند. گروه ربات های امدادرسان برای این منظور و برای هماهنگ کردن جستجوی خود با یکدیگر و جلوگیری از جستجوی مناطق تکراری در محیط، از یک نقشه اشتراکی استفاده می کنند. اطلاعات جمع آوری شده و نمایش بصری آن می تواند یک نقشه شبکه اشغال باشد که نواحی اشغال شده، اشغال نشده و جستجو نشده را نشان دهد. ضمن آنکه می توان مکان مصدومین و راه رسیدن به آنها را نیز در نقشه نشان داد. استفاده از چند ربات به جای یک ربات در جستجوی محیط، مشکلاتی را نیز مانند ناسازگاری در اطلاعات، برخورد ربات ها با هم و چگونگی ادغام نقشه های ربات ها با هم را ایجاد می کند که باید در نظر گرفته شوند. در این پایان نامه، نقشه ای به نام «شبکه تاریخچه پویش» ارائه شده است که همراه با نقشه شبکه اشغال بین ربات ها به اشتراک گذاشته شده و هماهنگی بین ربات های جستجوگر گروه را بهبود می بخشد. این روش معیار مناسب تری نسبت به روش های متداول برای گزینش هدف های میانی ربات ها به کار می گیرد. برتری به کارگیری شبکه تاریخچه پویش به جای روش های متداول که تنها از انتخاب نزدیک ترین پیشگام ها به عنوان هدف میانی ربات ها در نقشه شبکه اشغال برای هماهنگ کردن چند ربات استفاده می کنند، این است که ربات ها تلاش می کنند با نگه داری تاریخچه پویش ربات ها در زمین، نقاط «کمتر پویش شده» در محیط را شناسایی کرده، هر کدام از ربات ها یکی از این نقطه ها را به عنوان هدف برگزیده و طراحی مسیر مناسبی برای رسیدن به آن انجام دهد. هدف های ربات ها مجزا از هم و با فاصله مناسب گزینش می شوند تا در حد امکان همه محیط توسط ربات ها جستجو شود؛ در حالی که در روش های دیگر، اولویت بیشتر در گزینش نزدیک ترین پیشگام به ربات است. این معیار هر چند در راهکار جدید نیز در نظر گرفته شده است، اما در اولویت نیست. هدف اصلی راهکار جدید، جستجوی بهینه ربات ها و غلبه بر محدودیت زمانی و در عین حال حفظ کارآیی روش است. همچنین در حین تولید نقشه شبکه اشغال، یک نقشه گراف گرا شامل «تقاطع» ها در محیط به عنوان گره ها که اجزای ساختاری اصلی محیط هستند ساخته می شود. این نقشه در پیمایش های بعدی ربات ها می تواند به کارگرفته شود تا نیاز به پردازش های دوباره همه اجزای محیط نباشد و جستجو و طراحی مسیر با سرعت بیشتری انجام شود. برای شناسایی تقاطع ها یک روش بهبود یافته معرفی شده است. در این روش، برخلاف روش های متداول که نقشه گراف گرا را از پردازش نقشه شبکه اشغال به دست می آورند، اطلاعات مکان گره ها که همان تقاطع ها در محیط هستند، مستقیماً از محیط به وسیله «شناسایی فضاهای باز» در داده های حسگر پوینده لیزری به دست می آیند.