امنیت، یکی از مهم ترین چالش هایی است که سازمان ها و شرکت های استفاده کننده از شبکه با آن روبرو می باشند. سیستم های تشخیص نفوذ، یکی از راهکارهای موجود برای نظارت بر وضعیت امنیتی شبکه‎ها و تحلیل آن ها می باشند. این سیستم ها با کنترل بسته های ارسالی بر روی شبکه، در صورت بروز ناهنجاری، هشدارهای متناسب با مشکل تشخیص داده شده صادر می کنند. متاسفانه تعداد این هشدارها آنقدر زیاد و سطح انتزاع آن ها آنقدر پایین می باشد که تحلیل آن ها در عمل برای مدیر شبکه امکان پذیر نمی باشد. پژوهشگران تلاش کرده اند تا به کمک رویکردهای مبتی بر قانون، مبتنی بر سناریو، آماری و زمانی، این هشدارها را با یکدیگر همبسته کنند. در این پژوهش نیز روشی برای همبسته کردن هشدارها ارائه شده است تا بتوان تعداد هشدارها را کاهش داده و همچنین هشدارهایی با سطح انتزاع بالاتر تولید کرد. در اولین گام از این تحقیق، روشی ارائه می شود تا با تخمین احتمال همبستگی بر اساس شباهت بین خصیصه های هشدارها، روابط همبستگی بین آن ها را کشف نماییم. در این روش، از پنجره های زمانی به منظور افزایش سرعت و دقت روش بهره می بریم. این روش قادر به همبسته کردن هشدارهای مربوط به حملات ناشناخته نیز می باشد. در گام دوم، مدلی ترکیبی ارائه می شود تا در دو پیمانه تعاملی، دو گونه از روش های موجود را در کنار هم به کار گیریم. در پیمانه اول، از روشی استفاده می کنیم تا روابط بین هشدارها را بر اساس روابط سببی بین سوء استفاده های متناظر با آن ها در گراف حمله، کشف نماییم. در صورتی که این پیمانه نتواند همبستگی بین هشدارها را کشف نماید، از پیمانه دوم استفاده می شود که از روش معرفی شده در گام اول استفاده می کند. یکی از مهم ترین ویژگی های مدل ارائه شده، توانایی آن در کشف و اصلاح نواقص موجود در گراف حمله به کمک پیمانه دوم است. همچنین برای افزایش کارایی پیمانه دوم، روشی به نام پنجره های زمانی نمایی ارائه شده است. برای حذف بیشتر اطلاعات اضافی نمایش داده شده توسط هشدارهای همبسته شده، روشی به نام alerts bisimulation ارائه شده است تا هشدارهای همبسته شده ای که ارتباط آن ها با دیگر هشدارها، مشابه یکدیگر می باشد را با یکدیگر ادغام کنیم.

با توجه به گسترش اسناد دیجیتالی متنی، دسته بندی آنها بیش از پیش نیاز می باشد. همچنین برای انتساب متناسب مقالات به دسته های از پیش تعیین شده، نیاز به یک نقشه علمی از علوم کامپیوتر می باشد. در ابتدا، یک نقشه علمی جامع علوم کامپیوتر با استفاده از نقشه علمی علوم کامپیوتر acm و ieee و نشست های کنفرانس ایران تهیه شد.در این پایان نامه از رویکرد دسته بندی متون برای انتخاب دسته مناسب هر مقاله ارائه شد. در این رویکرد از روش یادگیری svm جهت تشخیص سریع، درست و مناسب هر مقاله استفاده می شود. فرایند روش پیشنهادی برای انتساب سیستماتیک مقالات به دسته های از پیش تعیین شده در طی سه مرحله :1) پیش پردازش 2) یادگیری دسته بندهای تشخیص مقالات به عنوان سازماندهی نمودن تشخیص مقالات 3) تشخیص و تخصیص دسته متناسب با مقاله، به عنوان بازیابی اطلاعات انجام می گیرد. در ارزیابی روش پیشنهادی، توانایی های روش، تعیین بهترین روش یادگیری متناسب با مقالات، تعیین بهترین روشهای وزن دهی برای هر روش یادگیری و ارزیابی سازگاری و نرمال سازی ناهنجاری های دسته بندی های انجام شده بصورت دستی توسط متخصصین، انجام شد و مشخص شد که روش یادگیری svm به همراه روش وزن دهی tfc با معیار دقت برابر 97% و fp برابر 005/. % بهترین روش و knn با نرخ دقت برابر 71% و fp برابر 07/. % بدترین روش جهت این کار پس از نرمال سازی ناهنجاری می باشد و هم چنین نتایج ارزیابی خوشه بندی قبل از نرمال سازی،شامل روش بیزین ساده با دقت برابر 39% و fp برابر 10% بهترین روش و روش knn با دقت برابر 12% و fp برابر 13% بدترین روش شناخته شدند. از دیگر نتایج این پایان نامه نشان دادن روند پیشرفت علوم کامپیوتر در طی 10 سال اخیر با استفاده از کنفرانسهای برگزار شده می باشد که نتایج آن نشان می دهد که سه شاخه سطح اول علوم کامپیوتر (هوش مصنوعی و fuzzy ، امنیت و بینایی ماشین ) با وجود تخصصی شدن این حوزه ها و داشتن کنفرانسهای سالیانه، در کنفرانسهای انجمن کامپیوتر هم دارای رشد خوبی می باشند. شاخه مهندسی نرم افزار و ارتباطات رشد صعودی دارد. شاخه معماری سیستم رشد نزولی دارد .در این پایان نامه استفاده از رویکرد دسته بندی متون در انتساب مقالات کنفرانس انجمن کامپیوتر به دسته های از پیش تعیین شده به منظور افزایش دقت و سیستماتیک بودن آن می باشد .مزایای استفاده از این رویکرد نسبت به کارهای مشابه عبارت از : استقرار مقالات در زمینه متناسب با موضوع مقاله، قابل اعمال برای بقیه موضوعات علمی کنفرانس ها در ایران، هزینه کمتر و قابل گسترش برای تعداد زیادی از مقالات . تهیه نقشه علمی به ما در تشخیص ایده های جدید، میزان فعالیت در حوزه های علوم نو ظهور، ایجاد بهبود در هر شاخه، شناخت متخصصین هر حوزه ، شناخت سازمانهای حمایت کننده از طرحهای جدید، تشکیل قطبهای علمی، مشخص شدن حوزه تحقیقاتی دانشگاهها و اختصاص بودجه در همین حوزه ها ، شناسایی مشتریان و علائق آنها جهت در دست گرفتن بازار و ... کمک می کند

امروزه شبکه های حسگر بی سیم کاربردهای گوناگونی در صنعت، امور پزشکی، نظامی و نظارت بر محیط دارند. از آنجا که هر گره حسگر مجهز به یک منبع تغذیه با توان محدود می باشد، لذا کاهش مصرف انرژی در این شبکه ها اهمیت بسیاری دارد. مدیریت توان یکی از تکنیک های رایج در کاهش مصرف انرژی در گره های حسگر می باشد. در این پایان نامه دو رویکرد متمرکز و توزیع شده جهت مدیریت توان در گره های حسگر ارائه شده است. در رویکرد متمرکز مساله زمان بندی خواب در شبکه های حسگر با هدف ماکزیمم کردن طول عمر شبکه به صورت یک فرایند تصمیم گیری مارکف در دو سطح حسگر و خوشه مدل و با برنامه نویسی پویا حل می شود. نتایج تحلیل نشان می دهد روش پیشنهادی در سطح حسگر دارای پیچیدگی نمایی و در سطح خوشه دارای پیچیدگی مستقل از تعداد حسگرها می باشد. این روش با سه رویکرد انتخاب تصادفی، انتخاب بر مبنای فاصله و انتخاب بر مبنای انرژی مقایسه شده است. نتایج شبیه سازی نشان می دهد طول عمر شبکه در روش پیشنهادی بیشتر از سه رویکرد دیگر است. از آنجا که این روش ماهیاتا نمایی بوده و مبتنی بر مدل و مختص شبکه های با یک گام می باشد، لذا در صدد رفع این محدودیت ها بر آمده و رویکردی توزیع شده جهت مدیریت توان در این شبکه ها ارائه می دهیم. در رویکرد توزیع شده از وضعیت های توانی مختلف در گره های حسگر و تکنیک بافر کردن استفاده می شود. مساله مدیریت توان در گره حسگر به صورت یک فرایند تصمیم گیری مارکف با متوسط جوایز مدل می شود. با تعریف توان عمیاتی برای هر وضعیت، تابع هدف را به صورت متوسط توان عملیاتی به انرژی مصرفی در طول اجرای طولانی مدت تعریف می کنیم. هدف یافتن سیاستی است که این تابع هدف را ماکزیمم کند. برای دست یافتن به این سیاست دو روش پیشنهاد می شود. روش اول که dpm نام دارد روشی مبتنی بر مدل می باشد. در این روش سیاست بهینه فرایند مارکف با استفاده از برنامه نویسی پویا محاسبه می شود. ماهیت این روش طوری است که به کارگیری آن در شبکه های حسگر با چندین گام گرچه ممکن است اما نیاز به محاسبات پیچیده دارد. روش دوم که rlpm نام دارد روشی مستقل از مدل می باشد و در عین حال در شبکه های حسگر با چندین گام به راحتی قابل به کارگیری می باشد. در این روش سیاست بهینه فرایند مارکف با استفاده از روش یادگیری تقویتی تخمین زده می شود. نتایج شبیه سازی در توپولوژی ستاره نشان می دهد روش dpm در مقایسه با simple policy که یک سیاست پایه ای در مدیریت توان محسوب می شود، منجر به کاهش مصرف انرژی به میزان تقریبی 20 الی 35 درصد می شود و در عین حال توان عملیاتی تقریبا یکسان با simple policy کسب می کند. روش rlpm پس از همگرایی بسیار مشابه و نزدیک به dpm عمل می کند. در توپولوژی خطی، روش rlpm پس از همگرایی در مقایسه با simple policy منجر به کاهش مصرف انرژی به میزان 3/20 در صد می شود. در حالی که نرخ گزارش رخداد ها تنها 2 درصد کاهش می یابد. به طور خلاصه در شبکه های یک گام چنانچه مدل وقوع رخداد در محیط مشخص باشد روش dpm و در غیر این صورت روش rlpm توصیه شده این پایان نامه می باشد.

یک سیستم پیشنهاددهنده وب، سعی در تخمین علایق و ترجیحات کاربر، بر مبنای داده های جمع آوری شده از کاربر به صورت صریح یا ضمنی دارد. یکی از رویکردهای متداول در سیستم های پیشنهاددهنده وب، استفاده از روش های وب کاوی جهت ارائه توصیه به کاربر است. اکثر سیستم های ارائه شده در این زمینه، مبتنی بر ترکیب کاوش استفاده وب و کاوش محتوای وب هستند. در این پایان نامه، به دنبال یافتن روش ترکیبی بدیعی برای ارائه توصیه اقلام، جهت بهبود روش های موجود، هستیم. مسئله اصلی در این پایان نامه، ارائه رویکردی جدید برای پیشنهاد اقلام مختلف به کاربران، بر اساس ترکیب دانش استخراج شده از منابع مختلف اطلاعاتی وب (داده های استفاد کاربران و محتوای صفحات وب) است که با هدف تلفیقی از علایق فعلی و مشاهدات گذشته کاربر و با تکیه بر نظریه حرکت مفهوم تغییر علاقه کاربران انجام می شود. فرض ما در این تحقیق بر این اصل استوار است که تاریخچه مشاهدات کاربر، دربردارنده سیر تدریجی و تکامل نیاز های اطلاعاتی وی می باشد و نباید نادیده گرفته شود. با بهادادن به این فرضیه در این تحقیق، در مرحله پیش گویی، پیشنهاد به کاربر بر اساس یکپارچگی رفتار های حال و گذشته او صورت می پذیرد. اما بنا به نظریه حرکت مفهوم، علایق کاربران پایدار نبوده و ممکن است در طول زمان تغییر کند. این اصل ثابت می کند که کل تاریخچه رفتاری کاربر نمی تواند دربردارنده علاقه فعلی او باشد. بنابراین، روش پیشنهادی در تلفیق مشاهدات فعلی و قبلی کاربر برای ارائه پیشنهاد به وی، بر مبنای روش های موجود در نظریه حرکت مفهوم و با رویکردی جدید انجام می شود. از طرفی، یکی از مشکلات و نارسایی های ذاتی سیستم های پیشنهاد دهنده مبتنی بر حرکت مفهوم، این است که سیستم های قبلی بر این فرض استوار اند که کاربران مختلف تغییر علایق خرید مشابهی برای اقلام مشابه دارند. حال آن که هر کاربر رفتار خرید مختص به خود را دارد و روند تغییرات در هر یک متفاوت است. در این تحقیق بر خلاف تحقیقات گذشته، سعی شده تغییرات رفتاری هر کاربر به صورت فردی شناسایی شود. نتایج پیاده سازی روش پیشنهادی بر روی مجموعه داده های eachmovie نشان می دهد که این روش در مقایسه با روش مشابه مبتنی بر حرکت مفهوم در ادبیات و نیز روش سنتی که تغییر علایق کاربر را نادیده می-گیرند، به ترتیب 1/6 % و 42/1% درصد بهبود یافته است. کلمات کلیدی: سیستم پیشنهاد دهنده ترکیبی، کاربرد کاوی وب، محتوا کاوی وب، حرکت مفهوم، تغییر علاقه کاربر

هدف از این پایان نامه مدل سازی رفتار کاربران در وب به منظور پیش بینی رفتار آن هاست. پیش بینی صفحات وب در سال های اخیر مورد توجه پژوهشگران و شرکت های تجاری بزرگ قرار گرفته است و به منظور شخصی سازی صفحات وب، راهنمایی و هدایت کاربر و همچنین پیش واکشی صفحات وب بکار می رود. با پیش بینی رفتار کاربر می توان، صفحات وب را با نیاز وی تطبیق داد و اطلاعات بهتری در اختیار کاربر نهاد. پیش واکشی اطلاعات نیز از مواردی است که بر پایه پیش بینی صفحات وب کار می کند. مدل ما بصورت برخط ساخته می شود و نیازی به پیش پردازش اطلاعات ندارد. الگوریتم های lzw و lz78 برای مدل سازی استفاده شده اند. برای کوچک سازی هر بیشتر مدل های ساخته شده، دو الگوریتم حرص نیز ارائه شده است. روش های ارائه شده بر روی داده های سایت nasa آزمایش شدند. نتایج نشان می دهد که lzw ضمن داشتن دقت مناسب در پیش بینی رفتار کاربر، دارای اندازه بسیار کوچکتری است و زمان صرف شده برای ساختن مدل نیز از روش های پیشین کمتر است. بیشتر مدل های پیش بینی از ساختار درخت برای مدل سازی رفتار کاربر استفاده می کنند. وقتی اندازه درخت مربوط به روش lzw با روش های دیگر برابر باشد، دقت در پیش بینی حدود 10 درصد بهتر خواهد. این درحالی است که با توجه به کوچک تر بودن مدل lzw، سرعت اجرای آن نیز بیشتر است. lz78 کوچک ترین مدل را می سازد ولی دقت پیش بینی را اندکی کاهش می دهد. مهمترین ویژگی الگوریتم های ارائه شده، کوچک بودن مدل نسبت به سایر مدل ها است. آزمایشات نشان داده است که مدل ساخته شده با lzw بین 40 تا 80 در صد از سایر روش ها کوچک تر است. برای کنترل بیشتر حجم مدل ها، می توان از روش های حرص ارائه شده استفاده کرد.

مذاکرات در کسب و کارهای الکترونیکی با فرایند تصمیم گیری همراه است در این گونه مذاکرات سعی می شود تا طرفین شرکت کننده در مذاکره با وجود محدودیت های اطلاعاتی از یکدیگر و بعضاً نیازها و اولویت های متعارض با یکدیگر به توافق دوجانبه ای دست یابند. در این راستا سیستم های مذاکره الکترونیکی کارایی فوق العاده ای خواهند داشت. علاوه بر این با توجه به رشد فوق العاده بازارهای الکترونیکی استفاده از سیستم مذاکره الکترونیکی جهت کاهش ترافیک، زمان و هزینه تراکنش های تجارت الکترونیک بسیار موثر بوده و موجب افزایش کارایی فرایند معاملات الکترونیکی خواهد شد. بنابرین با طراحی و پیاده سازی یک چنین سیستمی مبتنی بر سیستم های چندعامله با توجه به شرایط واقعی کسب وکارهای الکترونیکی و آنالیز طرح ارائه شده همراه با پیاده سازی آن در شرایط واقعی گامی موثر در این حوزه محسوب می شود. هدف از این پژوهش نیز طراحی یک سیستم مذاکره مبتنی بر چندین عامل است که علاوه بر موضوع قیمت، سایر معیارهای محصول و وابستگی بین موضوعات مورد مذاکره نیز در آن مطرح است. در طراحی این سیستم با توجه به واقعیت های موجود در کسب و کارهای الکترونیکی از ترکیب دو بخش سیستم توصیه گر و استرات‍ژی های مذاکره الکترونیکی استفاده شده و سعی شده تا طرح فوق از پشتوانه قوی مباحث تئوری تصمیم گیری چندمعیاره فازی و مذاکرات الکترونیکی برخوردار باشد. در انتهای این پژوهش نیز برای اعتبار بخشیدن به طرح پیشنهادی و آنالیز امکان پذیری طرح فوق در دنیای واقعی تجارت الکترونیک یک سیستم نمونه اولیه با داده های معتبر بر روی پلتفرم c#.net و پایگاه داده microsoft sqlserver2005 پیاده سازی شده است.

امروزه تشخیص هویت فردی مبتنی بر سیستم های بیومتریک، نقش مهمی را در زندگی روزمره انسان ها ایفا می کند. از میان رویکردهای مبتنی بر شناسایی بیومتریک، روش های مبتنی بر بیومتریک دست توجه بسیاری را به خود جلب نموده اند. به طور کلی، سیستم های بیومتریک دست شامل دو دسته کلی هستند: بیومتریک های مبتنی بر هندسه دست و کف دست. از میان رویکردهای مبتنی بر کف دست، رویکردهای مبتنی بر بافت به دلیل دارا بودن ویژگی هایی مانند انعطاف پذیری، پایه های قوی ریاضی، الگوریتم های کاربردی و پیاده سازی های سخت افزاری، تلاش های زیادی را به خود جلب نموده اند. در زمینه روش های تشخیص مبتنی بر هندسه دست، رویکردهای مبتنی بر قالب دست در مقالات اندکی مورد توجه قرار گرفته اند، این در حالی است که این رویکردها می توانند ویژگی های متمایزکننده و غیر همبسته دست را به صورت موثری استخراج نمایند. از سوی دیگر، روش های ارائه شده در حوزه سیستم های بیومتریک چندوجهی دست، قابلیت های قابل توجهی را به منظور تشخیص فردی نشان داده اند. با این وجود، تعداد رویکردهای پیشنهاد شده در این حوزه با رویکردهای ارائه شده در سیستم های تک وجهی دست، قابل مقایسه نمی باشد. در این پژوهش، هدف پیشنهاد یک سیستم بیومتریک چندوجهی دست است که اطلاعات کف دست و هندسه دست را به منظور افزایش دقت در سیستم های بیومتریک دست، با یکدیگر ترکیب می کند. فازهای اصلی سیستم پیشنهادی شامل استخراج ویژگی های کف دست، استخراج ویژگی های هندسه دست و هم جوشی ویژگی های کف دست و هندسه دست است. در فاز نخست، به منظور تشخیص بافت کف دست، یک رویکرد جدید و موثر مبتنی بر s-transform گسسته متعامد به نام 2d-dost ارائه شده است. 2d-dost یک ابزار قوی جدید در زمینه آنالیز بافت می باشد که می تواند به صورت موثری توزیع فرکانسی بافت تصویر در باندهای فرکانسی مختلف را توصیف کند. در فاز استخراج ویژگی های هندسی دست، طیف الگوی ریخت شناسی جهت استخراج ویژگی های قالب دست به کار رفته است. این عملگر، تصویر مورد نظر را براساس اندازه و قالب مولفه ساختاری در مولفه های ریخت شناختی تجزیه نموده و یک آنالیز کمی از محتوای ریخت شناختی تصویر ایجاد می کند. در فاز پایانی نیز، ویژگی های استخراج شده قالب دست و بافت کف دست در سطح امتیاز تطابق ترکیب شده اند. در این پژوهش، سه پایگاه داده مختلف به نام های polyu ، casia و iitd به منظور ارزیابی روش پیشنهادی کف دست مبتنی بر dost به کار رفته اند. علاوه بر این، کارایی رویکرد براساس پنج معیار تشابه/عدم تشابه ارزیابی شده است. نتایج آزمایشات نشان دهنده خطای eer برابر %09/0، %97/0 و %92/0 و دقت crr برابر %100 ، %36/99 و %45/99، به ترتیب برای پایگاه داده های polyu ، casia و iitd می باشند. از سوی دیگر، به منظور ارزیابی رویکرد چندوجهی پیشنهاد شده، چهار روش نرمال سازی و پنج قانون هم جوشی جهت ترکیب ویژگی های قالب دست و بافت کف دست به کار رفته است. براساس نتایج آزمایشات بر روی پایگاه داده iitd ، ترکیب روش نرمال سازی min-max و قانون وزندهی تطابق دهنده بهترین نتایج %05/0 = eer و %100 = crr را ارائه نمودند که رویکرد پیشنهادی را جهت استفاده در سیستم های بیومتریک با امنیت بالا مناسب می سازد.

دیابت یکی از بیماری های رایج در جوامع امروزی است که دارای عوارض خطرناکی می باشد. این بیماری اگر چه گونه ای از بیماری های قلبی محسوب نمی شود ولی اغلب سبب بیماری های قلبی می شود. شخص زمانی به بیماری دیابت مبتلا می شود که بدن قادر به تامین انسولین مورد نیاز برای موازنه کردن گلوکز خون نباشد یا سلول های بدن توان استفاده از انسولین تولید شده را نداشته باشند.تشخیص بیماری دیابت و یا آگاهی یافتن از احتمال بالای ابتلاء به این بیماری همواره کار آسانی نخواهد بود. چرا که این بیماری علائم متعددی را بروز می-دهد که بعضی از این علائم در سایر بیماری ها نیز وجود دارند. بنابراین پزشک برای اتخاذ یک تصمیم مناسب، باید نتیجه ی آزمایش های بیمار و تصمیم های که در گذشته برای بیماران با وضیعت مشابه گرفته است، را بررسی کند. با توجه به حجم انبوه تعداد بیماران، می توان از یک ابزار داده کاوی برای شناخت الگوی بیماران قبلی استفاده کرد. در این پایان نامه قصد داریم از یک الگوریتم دسته بندی مبتنی بر قانون برای دسته بندی بیماران دیابتی استفاده کنیم. برای استخراج قوانین فازی از یک الگوریتم کلونی مورچه ها استفاده شده است. این الگوریتم دارای ویژگی-هایی است که آن را از سایر الگوریتم مورد استفاده متمایز می کند. از جمله ی این ویژگی ها می توان به تابع به روز رسانی جدید، استفاده از تابع آنتروپی برای اندازه گیری اطلاعات اکتشافی و مقادیر بی اهمیت، پیاده سازی نسخه ی موازی الگوریتم و روال هرس کردن جدید اشاره کرد. به منظور دسته بندی نمونه های آزمون نیز یک موتور استنتاج فازی مبتنی بر میانگین گیری پیشنهاد شده است. برای ارزیابی کارایی الگوریتم از دو مجموعه داده ی دیابت شده است. نتایج ارزیابی ها نشان می دهد که الگوریتم برای مجموعه داده ی دیابت دارای کارایی بسیار بالایی می باشد. همچنین کارایی الگوریتم پیشنهادی با چندین مجموعه داده ی پزشکی دیگر ارزیابی شده است که نتایج به دست آمده برای این مجموعه داده ها نیز بسیار مناسب می باشد.

امروزه از معماری سرویس گرا ، به عنوان محیطی مناسب جهت فعالیت های تجارت الکترونیک نام برده می شود که بر اساس آن، این فعالیت ها، به شکلی انعطاف پذیر و اقتصادی پیاده سازی شود. وب سرویس ها و معماری سرویس گرا، تجارت الکترونیک را کاراتر، پویاتر و از لحاظ اقتصادی به صرفه تر ارائه می نماید و به عنوان یکی از پرکاربردترین محیط ها جهت تولید خدمات مناسب در سازمان ها، مطرح می باشد. مدل فناوری اطلاعات در معماری سازمانی، جهت متناسب نمودن معماری های فناوری با کسب و کارهای الکترونیکی سازمان ایجاد می گردد، اهمیت این موضوع و افزایش بهره وری یک سازمان، چارچوب ها و متدولوژی های مختلف سازمانی همچون زکمن، fea ، togaf ارائه گردیده است. از آنرو که این چارچوب ها کلی و عام بوده لذا هر سازمان براساس دیدگاه و نیازهای کسب و کارش رابطه مناسبی بین فناوری اطلاعات و تجارت خود برقرار می سازد. اغلب شکاف هایی بین دیدگاه معماری و توانمندسازهای فناوری وجود دارد. اما با بررسی ارزش های معماری و فناوری های پشتیبانی کننده می توان پلی بر روی این شکاف ها به وجود آورد. در این تحقیق سعی می گردد در راستای تحقق دولت الکترونیک با انتخاب یک مدل مرجع مناسب، و با توجه به اسناد بالادستی سازمان مدلی متناسب با اهداف سازمان ارائه گردد. اهداف اصلی، حرکت به سمت دولت الکترونیک و سعی در برون سپاری خدمات به دفاتر خدماتی پیشخوان دولت است، به همین دلیل از راهنمای اجرای fea با نام hr lob استفاده گردید که ضمن تاکید در تامین سرویس گرایی در چارچوب fea، رویکرد برون سپاری خدمات و مدیریت منابع انسانی غیر دولتی مورد استفاده را دنبال می نماید. بنابراین مدل فنی پیشنهادی مطابق با ابعاد و قابلیت های فناوری اطلاعات شامل لایه های دسترسی و ارائه خدمات، سکو و زیرساخت خدمت، چارچوب مولفه ها، واسط و یکپارچه سازی خدمت های ویژه hr lob و در بیست و یک شاخص برای شرکت های گاز استانی طراحی گردیده است. این مدل در ادامه با اخذ نظر خبرگان و روش های آماری ارزیابی، اصلاح و نهایتاً تایید گردید. در پایان نیز پشته خدمت گرای متناسب با مدل فنی و با هدف برون سپاری ارائه می گردد.

بسیاری از مسائل دنیای واقعی دارای پیچیدگی از مرتبه ی نمایی می باشند. اگرچه تلاش های بسیاری برای حل کارای این مسائل انجام شده است اما، تاکنون با روش های سنتی و رایج، راه حلی دقیق با پیچیدگی مصرف منابع چندجمله ای برای این مسائل ارائه نشده است. از این رو محققان، سایر رویکردهای محاسبات (محاسبات نامتداول) را مورد توجه قرار داده اند. از این نوع محاسبات می توان به محاسبات دی ان ای، محاسبات کوانتومی و محاسبات نورمبنا اشاره کرد. حل برخی از مسائل ان پی-کامل و ان پی-سخت همانند مسئله ی مسیر همیلتونی و فروشنده ی دوره گرد، قدرت محاسبات نورمبنا را به اثبات رسانده است. این رویکرد با استفاده از برخی از ویژگی های نور همانند توازی، قادر به حل مسائل با پیچیدگی محاسباتی بالا در زمانی چند جمله ای می باشد. گرچه تاکنون چندین مدل محاسباتی برای محاسبات نورمبنا ارائه شده است اما عمدتا، این مدل ها از لحاظ پیاده سازی با محدودیت های بسیاری روبرو هستند. علاوه براین در برخی از این مدل ها، زمان اجرایی حل مسائل ان پی-کامل و ان پی سخت به زمانی چندجمله ای کاهش نیافته است. در این تحقیق، مدلی برای حل تعدادی از مسائل ان پی-کامل، ان پی سخت و الگوریتم des، و پیاده سازی آن با استفاده از ابزارهای نوری پیشنهاد شده است. در مدل ارائه شده ابتدا تمامی حالات پاسخ مسئله تولید می شود و سپس با استفاده از فیلترهای نوری طراحی شده و عملیات پایه ی تعریف شده روی فیلترها، پاسخ های نامعتبر از فضای پاسخ مسئله حذف می گردند. در این مدل هر پاسخ از مسئله در قالب دنباله های دودویی بیان شده است که این دنباله ها توسط سلول های ایجاد شده بر روی فیلترها بیان می شوند. با تولید تمام حالات دنباله ی دودویی مورد نظر، فضای پاسخ مسئله ایجاد می شود. در این تحقیق مسائل مجموعه چیرگی، زیرگراف ایزومورفیسم، مسیر همیلتونی، 3-sat، فروشنده ی دوره گرد و کشف کلید در رمزنگاری des با استفاده از مدل پیشنهادی حل شده اند. پیچیدگی اجرایی تمامی را ه حل های ارائه شده از مرتبه ی چندجمله ای و پیچیدگی مصرف مواد و انرژی آن ها از مرتبه ی نمایی می باشند. از این بین، حل مسئله 3-sat با 22 متغیر که بزرگترین مقیاس حل شده ی این مسئله در محاسبات نامتداول می باشد، به صورت فیزیکی پیاده سازی شده است.

شناسایی و بازنمایی اعمال انسان یکی از موضوعات مهم و چالش برانگیز در حوزه ی بینایی ماشین می باشد که دارای کاربردهای فراوانی همچون واسط های کاربری پیشرفته، کد کردن ویدئو، آنالیز حرکات بیماران یا ورزشکاران ، سیستم های نظارتی هوشمند و واقعیت مجازی می باشد. تفکیک اعمال مشابه و تشخیص آن ها در بسیاری از کاربردها، دارای اهمیت می باشد. زمان پردازشی نیز ویژگی دیگری است که با توجه به کاربردهای مختلف، از اهمیت ویژه ای برخوردار است. هدف از این پژوهش ارائه ی روشی برای بازنمایی اعمال انسان است که علاوه بر بهبود در نرخ تشخیص اعمال(بویژه اعمال مشابه)، در زمان پردازشی کوتاهی انجام شود. رویکرد پیشنهادی، استفاده از تخمین حالت انسان برای بازنمایی و تشخیص اعمال می باشد. تشخیص عمل در سه فاز مشاهده، بازنمایی و دسته بندی اعمال انجام می شود. مشاهده عمل در دو بخش استخراج شبح و انتخاب فریم های کلیدی انجام می شود. در فاز بازنمایی عمل یا همان استخراج ویژگی، از تخمین حالت استفاده شده است. در این مرحله ، براساس ویژگی های شکلی و هندسی بدن انسان، اعضای بدن شناسایی شده و از نسبت قرار گرفتن آن ها حالت فرد شناسایی می شود. با توجه به موقعیت های پیدا شده از 5 عضو بدن، ویژگی های مورد نیاز برای بازنمایی اعمال، استخراج می شود. بدین منظور ابتدا اطراف بدن انسان، به 8 ناحیه تقسیم شده و سپس بر اساس موقعیت هر کدام از اعضای بدن، تعیین می شود که در کدامیک از این نواحی قرار دارند. در ادامه، ویژگی هایی از نحوه ی تغییرات ناحیه ی این 5 عضو بدن، در طول دنباله ی تصاویر یک عمل، استخراج شده و به عنوان بازنمایی عمل مشاهده شده، در نظر گرفته می شود. بیشترین تکرار اعضای بدن در هر ناحیه، تعداد تغییرات و میانگین زوایای اعضای بدن از جمله این ویژگی ها می باشند. در نهایت ویژگی های استخراج شده از مرحله ی بازنمایی عمل، دسته بندی می شوند. در ادامه ی پژوهش روشی در چند دوربینی ارائه شده که به بهبود کار می انجامد. بر اساس آن، در هر فریم کلیدی دوربین مناسبی که بهترین زاویه دید از شخص را دارد، انتخاب می شود. این کار باعث کاهش مشکل انسداد و افزایش نرخ تشخیص در اعمالی است که در آن ها زاویه شخص نسبت به دوربین تغییر می کند. ارزیابی رویکرد پیشنهادی بر روی دو مجموعه داده ی muhavi و humaneva انجام شده است و نرخ تشخیص بدست-آمده در رویکرد تک دوربینی برای این مجموعه داده ها به ترتیب 8/97 و 25/91 می باشد. نرخ تشخیص بدست آمده در رویکرد چند دوربینی به ترتیب 8/97 و 95 می باشد. این نتایج موفقیت این الگوریتم در تشخیص اعمال مشابه را نشان می دهد. زمان پردازشی برای فاز بازنمایی عمل 30 فریم برثانیه می باشد. این زمان بدون در نظر گرفتن مرحله ی اول یعنی استخراج شبح انسان اندازه گیری شده و دسته بندی اعمال نیز به صورت برخط انجام می شود. این زمان پردازشی در مقایسه با کارهای مشابه بسیار مناسب بوده که موفقیت و کاربردی بودن رویکرد پیشنهادی را نشان می دهد.

هدف از دسته بندی اشیا، مکان یابی و شناسایی نمونه های از یک دسته شی خاص در تصویر است. این حوزه کاربردهای نظیر تشخیص چهره، لوگو و صحنه و غیره را شامل می شود. استفاده از این فن آوری می تواند به افراد کم بینا در تشخیص اشیا مبهم کمک کند. همچنین در موتورهای جست و جوی تصویر برای انجام یک جستجوی مبتنی بر محتوا و دقیق مفید می باشد. با توجه به دامنه وسیع تغییرات دیداری اشیا در تصویر همچون متغیر بودن اندازه، زاویه دید، میزان نور و غیره، استفاده از ویژگی های دیداری در دسته بندی اشیا به تنهایی کافی نمی باشد. بنابراین در این پژوهش، برای غلبه بر این گونه چالش ها دو نوع ویژگی مقاوم محلی رنگی chsift و cwsurf معرفی شده است. این توصیفگرها علاوه بر مقاومت نسبت به تغییرات گفته شده بر خلاف دیگر توصیف گر های موجود مقاوم که با تصاویر سطح خاکستری کار می کنند ویژگی رنگ را نیز مد نظر میگیرند. تمرکز اصلی این پژوهش، به بررسی تاثیر استفاده از ویژگی های مفهومی در افزایش دقت دسته بندی اشیا معطوف شده است. در این پژوهش از دو دسته ویژگی مفهومی معنایی و مکانی استفاده نموده و به منظور استخراج این مفاهیم از دو منبع مجموعه داده آموزشی و مجموعه گوگل بهره می بریم. مجموعه گوگل از طریق وبگاه گوگل قابل دستیابی است. مجموعه گوگل شامل مجموعه کوچک گوگل و مجموعه بزرگ گوگل می باشد. این مجموعه بدلیل اینکه روابط بین دسته های را از نظر دیداری (روش استخراج روابط مبتنی بر تصویر) بیان می کند، در زمینه بازیابی تصویر بسیار کاربردی می باشد. همچنین در کاربردهای مختلفی از داده کاوی همچون پردازش متن و درک صحنه می تواند مورد استفاده قرار گیرد . مهم ترین بخش و نوآوری این پژوهش ارائه روش یادگیری انجمن خبره های زمینه تصادفی شرطی، به منظور به کارگیری ویژگی های مفهومی محلی و سراسری به طور هم زمان، در سامانه دسته بندی اشیا می باشد. در این روش به منظور استفاده از مفهوم سراسری از ویژگی gist در بخش شبکه میانجی استفاده می کنیم. ارزیابی های این پژوهش بر روی داده های استانداردی از جمله مجموعه تصاویر pascal2007 و msrc انجام گرفته و در هر بخش روش خود را با روش های مناسب موجود بر روی همین مجموعه تصاویر مورد مقایسه قرار داده ایم. با انجام آزمایشات گوناگون، بهبود 7% برای مجموعه تصاویر pascal2007 و 6% برای مجموعه تصاویر msrc نسبت به آخرین کارهای انجام شده به دست آمده است. کلمات کلیدی: دسته بندی اشیا در تصویر، زمینه تصادفی شرطی،mcrfe ، انجمن خبره ها.

احساسات نقش بزرگی در زندگی انسان ها ایفا می کنند. احساسات به باور های ما شکل می دهند، روش تفکر ما را تغییر می دهند و اجازه می دهند در اجتماع با یکدیگر تعامل کنیم. در سال های اخیر تلاش های زیادی برای افزایش باور پذیری عامل های مجازی در حوزه هوش مصنوعی و علوم شناختی صورت گرفته است؛ اما عدم وجود احساسات در هوش مصنوعی کلاسیک باعث شد تا محققان به سمت مدلسازی احساسات در هوش مصنوعی حرکت کنند. در این پژوهش یک مدل محاسباتی ابراز احساسات برای عامل های هوشمند مجازی ارائه شده است که از آن می توان در عامل های مجازی، شخصیت های بازی های کامپیوتری، واسط های کاربر تعاملی و ربات ها استفاده کرد. مدل محاسباتی ارائه شده قابلیت تولید احساسات برای محیط های چند عامله را دارد به نحوی که عامل های می توانند روی احساسات یکدیگر تاثیر بگذارند و احساسات اجتماعی تولید کنند. مدل ارائه شده در این پژوهش برای تولید احساسات از یک موتور استنتاجی و منطق فازی برای تولید احساسات استفاده می کند. استفاده از مدل استنتاجی و منطق فازی باعث شده است تا ساختار قوانین، ساده، قابل تطبیق و توسعه با توجه به تغییرات باشد. مدل ارائه شده احساسات را بر پایه مدل تئوری -روان شناختی occ تولید می کند. استفاده از مدل های شخصیتی-روان شناختی برای تحت تاثیر قرار دادن احساسات، به علاوه استفاده از مدل های انگیزشی و مود باعث شده است تا این مدل تاثیر حداکثری را از مدل های شناختی کسب کند و در بین مدل های کامپیوتری احساسات، جایگاه ممتازی داشته باشد. استفاده از نگاشت های شخصیتی به کار ر فته در این پژوهش کمک می کند تا مدل ارائه شده به یک مدل شخصیتی خاص وابستگی نداشته باشد.

رشد سریع و پیوسته تولید محتوای ویدئویی ، نیاز به مدیریت هوشمند ویدئوها را ایجاد کرده است. از طرفی حجم بالای داده در یک ویدئو مانع بزرگی برای بسیاری از کاربردهای عملی مانند جستجو و بازیابی ویدئو می باشد. بنابراین به مکانیزمی برای درک مفهوم یک ویدئو بدون تماشای کل آن نیاز داریم . این مکانیزم خلاصه سازی ویدئو نامیده می شود. منظور از خلاصه سازی ویدئو، حذف افزونگی های بصری و فریم های تکراری از ویدئو و بدست آوردن یک خلاصه ی کوتاه از کل ویدئو است، بطوریکه خلاصه ی بدست آمده با ویدئوی اصلی محتوای بصری یکسانی داشته باشد . حجم انبوه تصاویر ویدئویی مختلف و همچنین رشد فزاینده آن ها، ایجاد و استفاده از روش های خودکار کامپیوتری برای تولید خلاصه های ویدئویی را موجب شده است. برای این منظور روش های مختلفی ارائه شده اند که از ویژگی های مختلف سطح پایین و سطح بالا استفاده نموده اند. روش های مبتنی بر ویژگی های سطح پایین نمی توانند به خوبی مفاهیم موجود در ویدئو را نمایان کنند. روش های مبتنی بر ویژگی های سطح بالا سعی در استخراج مفاهیم با استفاده از الگوریتم های پیچیده و زمان بر دارند. در تحقیقات پیشین به نگاشت فضای ویژگی ها به فضای مفهوم پرداخته نشده است. در این پایان نامه جهت نزدیک کردن فضای ویژگی به فضای مفهوم در استخراج فریم های کلیدی، از رویکرد کاهش ابعاد بردارهای ویژگی به صورت غیر خطی استفاده می شود. کاهش ابعاد به صورت غیرخطی به معنای استخراج ساختارهایی با ابعاد کم است که به صورت ذاتی و غیرخطی در مشاهدات با ابعاد بالا وجود دارند. هدف ما در این پایان نامه کاهش شکاف مفهومی در خلاصه سازی ویدئو ، مبتنی بر روش های غیر خطی کاهش ابعاد بردار ویژگی می باشد. برای سیستم خلاصه سازی ویدئو، رویکرد مبتنی بر بهینه سازی (pso) و همچنین رویکرد خوشه بندی ارائه شده است. برای الگوریتم pso تابع برازندگی جدیدی بر اساس اهداف خلاصه سازی ویدئو طراحی شده است. کارایی هر یک از این روش های پیشنهادی، روی مجموعه داده ی استاندارد open video و مجموعه داده های متفرقه جمع آوری شده از وب مطالعه شده است. نتایج بدست آمده، کارایی سیستم پیشنهادی را نسبت به سیستم های موجود تأیید می کنند.

امروزه با فراگیر شدن اینترنت و دسترسی آسان وسایل ضبط تصاویر رقمی، حجم تصاویر رقمی به شدت افزایش پیدا کرده است و در حال رشد است. بنابراین چگونگی بازیابی و جستجوی تصاویر مسئله ی مهمی است که تحقیقات زیادی در مورد آن انجام شده است. یک راه حل مناسب برای این مسئله حاشیه نویسی خودکار تصاویر است که در سال های اخیر مورد توجه بسیاری از محققان قرار گرفته است. حاشیه نویسی خودکار تصاویر فرایند انتساب خودکار کلمات به تصاویر است. در این پژوهش یک چارچوب بر مبنای روش های یادگیری ماشین برای این مسئله پیشنهاد کرده ایم. حاشیه نویسی خودکار تصاویر به عنوان یک مسئله ی دسته بندی چند برچسبی مدل شده است و با توسعه ی الگوریتم knn وزن دار و knn فازی به ترتیب دو دسته بند چند برچسبی dwml-knn و fuzzyml-knn ارائه شده است. خروجی این دسته بندها برای هر تصویر یک بردار امتیاز است که برای ترکیب دسته بندها مناسب است. همچنین این دسته بندها تصاویر مربوط به هر کلمه را رتبه بندی می کنند، همبستگی بین کلمات را نادیده نمی گیرند، نسبت به پارامتر k حساسیت کمی دارند و می توان برای کاربردهای دیگر دسته بندی چند برچسبی از آن ها استفاده کرد. در این پایان نامه بر آنیم تا از هر دو نوع ویژگی های محلی و سراسری به منظور بهره بردن از مزایای آن ها استفاده کنیم. بنابراین چندین بردار ویژگی شامل ویژگی های محلی و ویژگی های سراسری از تصاویر استخراج شده است. برای هر بردار ویژگی یک دسته بند استفاده شده و خروجی دسته بندها با هم ترکیب می شوند. همچنین برای حذف ویژگی های اضافی و بهبود کارایی روش، الگوریتم ژنتیک را برای انتخاب ویژگی بکار برده ایم. برای ارزیابی روش، دو مجموعه داده ی شناخته شده corel5k و iapr tc-12 انتخاب شده اند. در ارزیابی عملکرد حاشیه نویسی (معیار f1) روی مجموعه داده corel5k بهبودی نسبت به بهترین روش نداشته ایم و روی مجموعه داده iapr tc-12 ، 5 درصد بهبود حاصل شده است. همچنین از نظر کیفیت رتبه بندی تصاویر (معیار میانگین دقت متوسط) روی مجموعه داده corel5k و iapr tc-12 به ترتیب 9 و 38 درصد بهبود نسبت به بهترین روش حاصل شده است.

در طی سالیان اخیر شبکه های حسگر بی سیم به واسطه ی کاربردهای متنوعشان توجه بسیاری را در صنعت و دانشگاه به خود جلب کرده اند. با توجه به این که مهمترین مسئله در شبکه های حسگر، کاهش مصرف انرژی است در این پژوهش برآنیم تا روشی برای کاهش مصرف انرژی در شبکه های حسگر ارائه کنیم. این پایان نامه به مسئله خوشه بندی در شبکه های حسگر عامل زیرآبی با گره های حسگر متحرک و گره های عامل ثابت می پردازد. در سناریوی پیشنهادی با توجه به سه پارامتر میزان باقیمانده انرژی، میزان تحرک و فاصله از گره عامل، سرخوشه انتخاب می شود. گره های عامل واسطه ی ارتباطی بین سرخوشه ها و سینک می باشد. گره های حسگر به دلیل این که در زیر آب واقع شده اند از کانال های صوتی برای ایجاد ارتباط با سرخوشه ها و گره های عامل استفاده می کنند. گاهی گره های حسگر سرخوشه را گم می کنند در این مواقع می توانند قبل از دست دادن اطلاعات خود آن را به یکی از گره های عامل با توجه به فاصله خود تا آن ها ارسال کنند. گره های حسگر که در آب قرار دارند با توجه به جریان آب، مدل های حرکتی مختلفی دارند. در این پژوهش چهار نوع حرکت برای گره ها پیش بینی می شود که شامل حرکت زیگزاگی، مستقیم، دایره ای و بدون حرکت می باشد. با توجه به نتایج شبیه سازی که با فرض های مختلف در مورد حرکت گره ها انجام شد 21? مصرف انرژی نسبت به پروتکل پایه leach-mobile کاهش پیدا کرد. هم چنین 12? میزان گم شدن بسته ها کاهش پیداکرد. در پایان با کمک شبکه های پتری به مدلسازی روش پیشنهادی پرداختیم و توانستیم صحت روش را تایید کنیم. دراین پایان نامه از شبکه های پتری تصادفی بهره جستیم. کلید واژه: شبکه های حسگر عامل زیر آبی، مدل های حرکتی، شبکه های پتری

در طی دو دهه گذشته تشخیص وردگیری انسان در فریمهای متوالی ویدئو، بازنمایی و تحلیل فعالیتهای وی و در آخر شناسایی رفتار سر زده از او یکی از پر چالشترین مباحث در زمینه مطالعات بینایی ماشین و هوش مصنوعی بوده و توجه گروههای تحقیقاتی دانشگاههای معتبر فراوانی را به خود معطوف نمودهاست. از طرف دیگر افزایش آمار ارتکاب جرایم عمومی در سالهای اخیر لزوم برقراری امنیت بیشتر را تشدید نموده و این مهم، روند استفاده از دوربینهای نظارتی را سرعت بخشیدهاست. دوربینهای نظارتی کنونی به دلیل وابستگی به کاربران انسانی با محدودیتهایی روبرو هستند که از آنجمله میتوان به خستگی، خوابآلودگی و عدم تمرکز اشاره نمود. بنابراین اگر قادر باشیم سیستم دوربینهای نظارتی را به هوشی داخلی تجهیز نماییم تا به طور خودکار و برخط به تحلیل رفتار انسانهای ردیابی شده در حوزه دید خویش بپردازد، اعمال غیرعادی و مشکوک را شناسایی نموده و علامت هشدار یا زنگ خطر را فعال کند، به پیشرفتی قابل توجه در زمینه فنآوریهای امنیتی دست یافتهایم. هدف ما در این پایاننامه ارائه راه حلی مناسب برای مساله فوق و متمایز ساختن رفتارهای عادی از رفتارهای غیرعادی و مشکوک است. در حال حاضر دو رویکرد عمده در شناسایی رفتارهای مشکوک وجود دارند که عبارتند از روشهای تشخیص بدرفتاری و روشهای تشخیص ناهنجاری. در اینجا مساله شناسایی رفتارهای مشکوک را از سه منظر تحلیل مسیر حرکت، تحلیل مکانهای اشغالی و تحلیل موقعیت اعضای بدن نسبت بهم مورد بررسی قرار دادهایم. دو مورد نخست را از هر دو رویکرد تشخیص بدرفتاری و تشخیص ناهنجاری مطالعه نمودهایم. در رویکرد نخست به ارائه مدلهایی از مسیرهای حرکتی مشکوک و نیز تعریف نواحی خاص در مکانهای اشغالی افراد پرداختهایم و در رویکرد دوم با دستهبندی رفتارها و رتبه بندی پویای آنها بر اساس فراوانی رخدادشان به شناسایی رفتارهای غیرعادی و مشکوک که درصد وقوع کمتری دارند پرداختهایم. در تحلیل موقعیت اعضای بدن نیز با توجه به مکان قرار گیری اعضا نسبت بهم و برقراری شروط لازم در بروز رفتارهای مشکوک تعریف شده، در فضایی احتمالاتی به تعیین احتمال رخداد آن اعمال پرداختیم. توجه همزمان به سه جنبه فوق آنهم از دو رویکرد، تعریف پارامتر "سطح غیرعادی بودن" و تاثیر احتمالات، تمایز قائل شدن میان حالات غیرعادی و مشکوک، اعمال خاصیت پویایی و بهروزرسانی بعلاوه عملکرد برخط از نقاط قوت سیستم نظارتی هوشمند تعریفشده هستند. بررسیهایی که روی مجموعه داده caviar صورت گرفته نشان میدهد که با درصدی بالغ بر 90% قادر به شناسایی رفتارهای مشکوک هستیم.

پردازش تصاویر ویدئویی به منظور ایجاد توانایی شناسایی خودکار صحنه ها، اشیاء ثابت و متحرک موجود و تحلیل رخدادها، یکی از مباحث مورد توجه علم بینایی ماشین است. کاربردهای فراوان این حوزه، چالش های متعدد حل نشده ی موجود، وجود بخش های متعدد مورد توجه و فراهم شدن بستر سخت افزاری مناسب، موجب توجه بیش از پیش به این شاخه در چند سال اخیر بوده است. یکی از تحقیقات مورد توجه در این حوزه، شناسایی رفتارهای انسانی در دنباله تصاویر ویدئویی است. این رفتارها اغلب به چند دسته ی رفتارهای اولیه، ساده و پیچیده دسته بندی می شوند که برای شناسایی هر یک روش های مختلفی پیشنهاد شده است. در بحث شناسایی رفتارهای پیچیده که از ترکیب زمانی- مکانی رفتارهای ساده و اشیاء درگیر حاصل می شوند، می توان روش ها را در چهار رویکرد کلی آماری، نحوی، مبتنی بر دانش و منطق و توصیفی طبقه بندی نمود. تمامی این رویکردها سلسله مراتبی بوده و هر یک محاسن و معایب مختلفی دارند. به همین دلیل هنوز به طور قطعی برتری یکی بر دیگری محرز نشده است. با این وجود رویکردهای مبتنی بر توصیف به دلیل همخوانی ذاتی با مسئله و توانایی توسعه به منظور رفع نواقص اولیه در آن ها، در تحقیقات اخیر بیشتر مورد توجه بوده اند. در این پژوهش، به ارائه ی روشی مبتنی بر رویکردهای توصیفی گرافی برای شناسایی رفتارهای پیچیده پرداخته شده است. با استفاده از گراف، یک بازنمایی از رفتار پیچیده ی رخ داده در ویدئو ایجاد می شود. در این پژوهش از دو گونه گراف ارتباط ویژگی و توصیفی جهت دار برای بازنمایی رفتارهای پیچیده استفاده شده است. در روشی دیگر با ورود احتمال مشاهده و وقوع رفتارهای ساده ای که یک رفتار پیچیده را تشکیل می دهند به گراف، گراف توصیفی جهت دار احتمالاتی را برای بازنمایی بهتر رفتارهای پیچیده تشکیل داده و با انجام انطباق گراف به شناسایی رفتارها پرداخته شده است. احتمال مشاهده و وقوع رفتارهای ساده ای که یک رفتار پیچیده را تشکیل می دهند به شناسایی بهتر آن رفتار پیچیده کمک خواهد نمود. به همین خاطر در این روش احتمال وقوع و مشاهده ی رفتارهای ساده در یک رفتار پیچیده برای زمان و مکان رخداد رفتارهای ساده و همچنین مدت زمان رخداد آن ها به عنوان ضریب تاثیری محاسبه شده و در گراف مدل می شوند. با داشتن یک بازنمایی از رفتارهای پیچیده با انجام عمل انطباق گراف بین گراف های رفتارهای شناخته شده و رفتار ناشناخته می توان رفتار پیچیده ی رخ داده در یک ویدئو را شناسایی نمود. از آنجاییکه انطباق گراف جزو مسائل ان پی- کامل بوده از معیار مشابهت کمک گرفته تا بتوان این عمل را انجام داد. معیار شباهتی که در این پژوهش مورد استفاده بوده معیار emd می باشد که امکان انطباق چند به چند و همچنین انطباق جزئی را فراهم می سازد. روش پیشنهادی را بر روی دو مجموعه داده ی rochester و hollywood2 اعمال نموده که نتایج حاصل بهبود مناسبی را نشان می دهند. برای مجموعه داده ی rochester، با استفاده از گراف ارتباط ویژگی به میانگین دقت 6/90 درصد و با گراف توصیفی جهت دار 7/96 درصد دست یافته ایم. برای مجموعه داده ی hollywood2 میانگین دقت 8/59 درصد با استفاده از گراف توصیفی جهت دار حاصل گردید. همچنین آزمایشی برای بازنمایی با گراف توصیفی جهت دار احتمالاتی انجام داده که میانگین دقت برای مجموعه داده-ی rochester، 22/97 و 43/97 درصد و برای مجموعه داده ی hollywood2، 8/60 و 2/61 درصد بوده است.

جریان سازی ویدیو با ترکیب شبکه های نظیر به نظیر و شبکه های تحویل محتوا بر روی اینترنت به عنوان یک تکنولوژی در حال توسعه، اخیراً طرفداران زیادی به دست آورده است. یکی از محدودیت های این شبکه ها، کمبود منابع کافی مانند پهنای باند آپلود برای جریان سازی می باشد که این کمبود منابع باعث می گردد کیفیت سرویس دریافتی توسط کاربران کاهش پیدا کند. به دلیل پدیده churn در شبکه های نظیر به نظیر، اجاره کردن تعداد ثابتی سرویس دهنده از فراهم کنندگان محتوا می تواند هزینه بر باشد. با ظهور و توسعه سرویس ابر توسط فراهم کنندگان ابر عمومی به نظر می رسد اجاره کردن سرویس دهندگان جریان سازی به صورت پویا از نقطه نظر کارایی و هزینه، کاراتر باشد. در این پایان نامه، یک معماری جریان سازی ترکیبی بر اساس شبکه نظیر به نظیر و محیط ابری، برای جریان سازی زنده ویدیو ارائه شده است که در آن ماشین های مجازی به صورت پویا برای فراهم کردن سطح کیفیت سرویس مورد نیاز، به شبکه روئین اضافه و یا از شبکه روئین حذف می گردند. عمده مشارکت این مطالعه یک سیستم جریان سازی نظیر به نظیر ویدیو زنده به نام cac-p2plive می باشد که از منابع ابری تحت عنوان ماشین مجازی در صورتی که منابع نظیرها کافی نباشد جهت بهبود کیفیت سرویس با در نظر گرفتن هزینه پایین، استفاده می کند. نتایج شبیه سازی حاکی از کارایی سیستم پیشنهادی در بهبود کیفیت سرویس دریافتی توسط هر یک از نظیرها می باشد.

در این پدو شاخه اصلی محاسبات، محاسبات متداول و محاسبات نامتداول هستند. محاسبات نامتداول به دنبال ارائه مفاهیم جدیدی برای محاسبات است و از ویژگی¬های موجود در طبیعت بهره می¬گیرد. تا به امروز، رویکردهای مختلفی برای محاسبات نامتداول ارائه شده است که می¬توان به محاسبات نورمبنا، محاسبات دی¬ان¬ای، محاسبات غشایی، محاسبات کوانتومی و محاسبات برخوردمبنا اشاره کرد. محاسبات نور مبنا از ویژگی¬های خاص نور بهره گرفته و روش جدیدی را برای محاسبات ارائه می¬کند. برای محاسبات نورمبنا، رویکردهای مختلفی همچون رویکرد سرعت محدود نور، رویکرد پوشش¬های نوری، رویکرد فیلتر کردن طول موج و قطبی کردن نور، رویکرد استنتاج ماتریس دودویی نوری و رویکرد مبتنی بر طول موج، ارائه شده است . محاسبات نورمبنا و به طور کلی محاسبات نامتداول به دنبال افزایش هر چه بیشتر سرعت محاسبات هستند تا جایی که بتوان اکثر محاسبات را به طور موازی انجام داد. در این تحقیق از فیلترهای نوری برای انجام محاسبات استفاده شده است. با توجه به گسترش روزافزون تبادل اطلاعات مهم همچون اطلاعات شخصی و مالی در فضای مجازی، حفظ امنیت داده¬ها در برابر حمله¬های مختلف ضروری می¬نماید. رمزنگاری داده¬ها به شکلی که حمله¬کننده نتواند مفهوم داده رمزی را درک کند، ضروری است. یکی از الگوریتم¬های معروفی که برای رمزنگاری داده¬ها استفاده می¬شود، الگوریتم رمزنگاری des است. حمله به الگوریتم¬های رمزنگاری مختلف به این دلیل انجام می¬شود که نقاط ضعف آنها شناسایی شده و بهبود یابند. در این پایان¬نامه با استفاده از فیلترهای نوری، حمله به الگوریتم رمزنگاری des انجام شده و شناسایی کلید این الگوریتم در مرتبه لگاریتمی انجام می¬شود. همچنین در همین راستا، الگوریتمی برای جستجوی سریع درون اطلاعات نامرتب ارائه شده است. تا کنون، اکثر حمله¬های صورت گرفته به این الگوریتم بر مبنای جستجوی جامع کلید بوده و با استفاده از سخت¬افزارهای خاص یا تعداد زیادی رایانه انجام پذیرفته است.ایان نامه بر روی شکستن الگوریتم متقارن رمزنگاری des و با تاکید بر محاسبات تورمبنا از شاخه های محاسبات نامتداول، کار شده است.

توانایی کامپیوتر در شناخت ژست های متحرک و تحلیل چگونگی حرکت آن ها در محیط های مختلف، کاربردهای فراوانی در امور نظارتی، کنترلی، ورزشی و اجتماعی و... به وجود آورده است. امروزه با ارتقاء توان رایانه ها، امکان استفاده از آنها جهت شناسایی موضوعات پیچیده ای چون ژست های مختلف فراهم شده است. در این پژوهش به بررسی فرآیند شناسایی ژست دست (اعداد و علائم) مبتنی بر باریک سازی پرداخته ایم. تمرکز اصلی این پژوهش بر بخش های قطعه بندی و شناسایی اعداد و علایم ثابت و متحرک زبان اشاره فارسی بوده است هرچند بخش های تشخیص قاب های کلیدی در شناسایی اعداد مبتنی بر ویدیو و به کارگیری روش های مختلف مورفولوژی نیز مورد توجه قرار گرفته اند. در بخش قطعه-بندی، از روش مبتنی بر رنگ دست و ترکیب دو فضای رنگی (rgb و ycrcb) استفاده کرده ایم. برای استخراج قاب های کلیدی، روش بهینه سازی شده تفاضل قاب ها به کار برده ایم. در بخش شناسایی و استخراج ویژگی از متد باریک سازی و استخراج نقاط انتهایی در ناحیه دست استفاده کرده ایم. در بخش شناسایی ، هدف ایجاد یک مترجم یا به عبارت دیگر یک واسط بین افراد سالم از یک طرف و افراد ناشنوا از طرف دیگر است. به علاوه با یک دید کنترلی که مربوط به شناسایی بعضی علائم (حرکت به راست، به چپ، ایست/حرکت، و ...) است نیز به مسئله نگاه کرده ایم. به طور کلی مزیت روش شناسایی پیشنهادی نسبت به روش های مشابه در مقاومت مناسب روش در برابر چرخش و مقیاس است. تحقیق در حوزه اعداد و علایم زبان اشاره فارسی، و همچنین ایده استفاده از متد باریک سازی برای شناسایی ژست های دست متحرک، مهم ترین نوآوری های روش پیشنهادی بوده اند. با توجه به اینکه قبلا کار مشخصی در جهت شناسایی اعداد زبان فارسی گزارش نشده است و همچنین داده های رقمی برای استفاده وجود نداشت، آزمایشات این پژوهش بر روی داده های جمع آوری شده مشتمل بر ژست های اعداد ثابت، علایم کنترلی و اعداد و ژست های متحرک انجام گرفته است. نتایج نشان می دهد که میانگین دقت تشخیص اعداد و علایم کنترلی ثابت 97.13% بوده، در حالی که میانگین تشیخص اعداد و ژست های متحرک 96% بوده است.

با شناسایی کامل دنباله های پروتئینی در برخی از موجودات زنده همچون انسان، دوره جدیدی در علم زیست شناسی و علوم مرتبط آغاز گردید. هدف اصلی در این دوره، شناسایی عملکرد پروتئین های بی-شماری است که دنباله و ساختار آن ها به طور کامل شناسایی شده است، اما از عملکرد قطعی آن ها اطلاعات دقیقی در دسترس نیست. با توجه به نقش وکارکرد حیاتی پروتئین ها در بسیاری از فعالیت های حیاتی موجودات زنده، مطالعه و تعیین عملکرد آن ها در حوزه های گوناگونی حائز اهمیت می باشد. نخستین رویکرد جهت شناسایی عملکرد پروتئین ها، بهره گیری از روش های آزمایشگاهی است. از آن جایی-که این روش ها بسیار زمان بر و پرهزینه می باشند، می توان روش های محاسباتی را جایگزین مناسبی برای آن ها دانست. این روش ها دارای هزینه های به مراتب کمتر و در عین حال دقت عمل معقول و مناسبی هستند. از بین روش های محاسباتی موجود، تکنیک های یادگیری ماشین از جایگاه ویژه ای برای حل این مسأله برخوردارند. در واقع این تکنیک ها با استفاده از منابع داده ای موجود، مدلی را یادگیری می کنند که این مدل قادر به پیش بینی مجموعه عملکردهای یک پروتئین ناشناخته خواهد بود. علی رغم موفقیت های زیادی که در زمینه یادگیری مدل های دسته بندی حاصل شده است، هنوز تا رسیدن به مدل هایی با دقت و بهره وری قابل قبول، راه فراوانی در پیش است. در این پژوهش هدف، ارائه یک الگوریتم یادگیری ماشین، به منظور ارتقای بهره وری پیش بینی عملکرد پروتئین ها و در واقع، نزدیک شدن هر چه بیشتر تصمیم اتخاذ شده توسط ماشین، به تصمیم فرد خبره ی بیولوژیست می باشد. بدین منظور در این پژوهش دو روش ارائه شده است.، در روش اول یک الگوریتم درخت تصمیم فازی مبتنی بر کاهش واریانس پیشنهاد شده است که بدون نیاز به تبدیل ویژگی های عددی به مجموعه های فازی، درحین ساخت درخت و نه قبل از آن، مرزهای تصمیم را فازی می کند و قابلیت تخصیص چندین برچسب به هر نمونه را در کنار حفظ سازگاری رابطه ی سلسله مراتبی بین کلاس-ها، دارا می باشد. همچنین این الگوریتم می تواند بر روی هر دو ساختار درختی و گرافی بین کلاس ها اعمال شود. درحالی که روش دوم یک راه حل دو لایه ای ترکیبی را پیشنهاد می کند؛ که با فرض ناسازگار بودن کلاس های عملکردی نمونه های آموزشی، سعی در پیش بینی کلاس های عملکردی سازگار برای یک نمونه جدید دارد. نتایج ارزیابی الگوریتم بر روی چندین مجموعه داده، برتری روش های پیشنهادی را نسبت به دیگر کارهای ارائه شده در این زمینه، نشان می دهد.

شناسایی حالات چهره، چالشی بزرگ برای ارزیابی ضعف های شماری از بیماران عصبی از جمله بیماران اسکیزوفرنیک می باشد. ارائه رویکردی خودکار جهت ارزیابی حالات چهره هدف اصلی بسیاری از کاربردهای بینایی ماشین است. در این پایان نامه رویکردی خودکار برای شناسایی حالات چهره از داده های ویدئویی ارائه می شود که تفاوت های بروز حالات چهره را مابین بیماران اسکیزوفرنیک و افراد سالم بررسی می کند. حالت چهره مورد بررسی عبارتنداز سه حالت پایه عصبانیت، شادی و غم. ردیابی و استخراج ناحیه چهره و چشم در فریم های ویدئو توسط الگوریتم وایولاجونز صورت می گیرد. شناسایی حالات چهره مبتنی بر ویژگی های استخراجی از ناحیه چشم انجام می پذیرد. ویژگی مبتنی بر بافت نتیجه استخراج ویژگی از پاسخ فیلتر گابور بر ناحیه چشم می باشد. همچنین از ویژگی های مبتنی بر شکل و ویژگی زمانی نیز استفاده می کنیم. به منظور دسته بندی حالات چهره از روش svm با هسته غیر خطی استفاده کرده ایم. از آنجایی که یکی از جنبه های تفاوت حالات چهره بیماران اسکیزوفرنیک با افراد سالم در شدت فعالیت ناحیه چهره در حین بروز حالت می باشد، به منظور تخمین شدت بروز حالت از روش رگرسیون svr استفاده می کنیم. در این پایان نامه رویکردی جدید برای تخمین شدت بروز حالات چهره مبتنی بر روش رگرسیون svr بر ناحیه چشم ارائه می شود. از طریق ارزیابی آماری بر نتایج خروجی حاصل از روش رگرسیون، به اطلاعات تکمیلی در خصوص نحوه بروز هر حالت دست می یابیم. پایگاه های داده مورد بررسی حالات چهره برای افراد سالم در این پایان نامه عبارتنداز: cohn شامل حالت مصنوعی چهره و fgnet شامل حالات طبیعی چهره می باشند. به منظور بررسی حالات چهره بیماران اسکیزوفرنیک به دلیل عدم وجود پایگاه داده، اقدام به ایجاد پایگاه داده ای مبتنی بر مصاحبات انجام شده با بیماران اسکیزوفرنیک نمودیم. در مرحله نهایی، به منظور جداسازی حالات چهره بیماران اسکیزوفرنیک از حالات چهره افراد سالم، از نتایج خروجی تخمین شدت بروز حالت به عنوان ویژگی در کنار سایر ویژگی های استخراج شده استفاده نمودیم. توسط دسته بند svm به دقت 98.76% در جداسازی حالات چهره بیماران اسکیزوفرنیک از افراد سالم دست یافتیم.

در این رساله، چارچوبی برای شناسایی رفتارهای پیچیده که از ترکیب رفتارهای اولیه و ساده مانند راه رفتن، نشستن، خم شدن و... به وجود می آیند، ارائه شده است. در چارچوب پیشنهادی به تمامی مراحل لازم برای شناسایی رفتار، شامل پیش پردازش ها و استخراج ویژگی های حرکتی تا بازنمایی رفتار پیچیده توسط ساختار داده های قابل پردازش، برای ارائه راه حل یک چالش اساسی که وجود شکاف بین مدل های بازنمایی و محاسباتی است، توجه شده است. به عبارت دیگر این چالش به این معناست که مدل بازنمایی ساده توان تحلیلی را کم و مدل بازنمایی پیچیده امکان بازشناسی بی درنگ و قابل فهم را از بین می برد. در کارهای انجام گرفته تا کنون، پژوهشگران سعی کرده اند با استفاده از بهبود مدل های بازنمایی ساده و افزودن مقادیر احتمالاتی به آن ها از جمله مدل های مبتنی بر نحو احتمالاتی، مدل های مبتنی بر آمار احتمالاتی، مدل-های منطقی احتمالاتی و همچنین مدل های توصیف احتمالاتی راه حل هایی برای این چالش ارائه دهند. چارچوب پیشنهادی در این رساله نیز یک مدلسازی مبتنی بر توصیف احتمالاتی است. ایده اصلی، تولید بازنمایی های دقیق احتمالاتی مبتنی بر مدل های گرافیکی در سطوح مختلف رفتار، تبدیل فضای رفتار به فضای توصیف احتمالاتی و بهره گیری از روش های تحلیلی در آن فضا است. برای تولید بازنمایی دقیق، نیاز به بالا بودن دقت شناسایی و استخراج ویژگی ها در سطوح پایین تر است

در زمینه ی نقشاب زنی کارهای ترکیبی متفاوتی بیان شده است، ولی به طور کلی روش های نقشاب زنی که مبتنی بر ترکیب روش های حوزه ی تبدیل هستند در برابر حملات هندسی مقاوم نیستند و کارهای ترکیبی که مبتنی بر ترکیب روش های حوزه ی تبدیل و svd هستند، شفافیت و یا مقاومت مناسبی ندارند. ما در این پایان نامه با انتخاب سطح و زیر باند مناسب از تبدیل dwt، زیر باند مناسب از تبدیل dct، انتخاب بهترین ضرایب از svd و ترکیب این سه روش به مقاومت، شفافیت و ظرفیت مناسب، که در حقیقت سه شاخص اصلی در نقشاب زنی است دست یافتیم. آزمایشات مختلف بر روی شش تصویر پوششی استاندار لنا، قایق، بابون، باربارا، فیلمبردار و فلفل که همگی دارای سایز 512×512 پیکسل، 256 بیتی، در سطح خاکستری هستند و همچنین تصویر پیام که آرم کاراکتر c، به صورت سیاه و سفید با اندازه ی 64×64 پیکسل است، اعمال کردیم، که نتایج نشان دهنده ی ظرفیت، شفافیت و مقاومت مناسب روش پیشنهادی نسبت به روش های دیگر تقشاب زنی است.

در این پایان نامه سیستم کنترل کیسه ی هوای خودرو به صورت بسیار دقیق و جزئی توسط سیستم گذار حالت تعریف می شود. سپس نیازمندی های سیستم، شامل رخدادهایی که باید اتفاق بیفتد و آن هایی که بروزشان در سیستم موجب نقص می شود، با استفاده از مدل سیستم استخراج و توسط منطق درخت محاسباتی به صورت رسمی بیان می شوند. در فاز بعدی، نیازمندی های مدل شده ( ضوابط ایمنی) با منطق درخت محاسباتی و سیستم های گذار ( مدل سیستم) در وارسی کننده مدل پیاده سازی می شوند تا صحت برقراری ضوابط ایمنی در مدل، مورد بررسی قرار بگیرند. وارسی کننده مدل ابتدا همه ی فضای حالات ممکن را ایجاد می کند و سپس در میان فضای حالات به دنبال مسیرهایی می گردد که ضابطه ی ایمنی در آنجا نقض می شود. اگر چنین مسیری یافت نشود، ضابطه ی ایمنی در مدل ارضا شده است و ضابطه ی ایمنی بعدی مورد بررسی قرار می گیرد. اگر ضابطه ی ایمنی ارضا نشود، مثال نقض شامل مسیری که ضابطه ی ایمنی در آن نقض شده است به کاربر تحویل داده می شود. با تحلیل رد برنامه، می توان به علت و مکان بروز نقص در سیستم پی برد و با تحلیل نتایج، مدل سیستم را اصلاح کرد. به این ترتیب مدل سیستم پیش از فاز پیاده سازی ایمن می گردد. از معایب رویکرد وارسی مدل، مسئله ی انفجار فضای حالات و تردید در مورد سطح انتزاعی است که سیستم در آن مدل شده است. هم چنین به دلیل مدل نکردن محیطی که سیستم بعد از پیاده سازی قرار است در آن اجرا شود و خطاهایی که ممکن است به دلیل غیرقابل پیش بینی بودن محیط، در حین اجرا رخ دهد، راستی آزمایی حین اجرا به عنوان مکمل برای وارسی مدل استفاده شده است. در این رویکرد به ضوابط ایمنی شامل بایدها و نبایدهای سیستم، رفتار تحمل پذیری برنامه نسبت به نقض این ضوابط ایمنی، اضافه می شود که وظیفه ی انتقال سیستم در هنگام بروز نقص، به حالتی ایمن را بر عهده دارند. این ضوابط به کد برنامه در نقاط مستعد بروز خطا بافته می شوند و در محیط، همراه با کد برنامه اجرا می شوند. در حین اجرای برنامه، ضوابط ایمنی در نقاط حساس برنامه را با توجه به ویژگی های ایمنی مربوطه مورد بررسی قرار داده و در صورت تشخیص نقض ویژگی، رفتار مشخصی (تحمل پذیری در برابر نقض ویژگی) را از خود نشان داده و برنامه را به وضعیتی ایمن می برند.

با توجه به گسترش روزافزون داده های ویدئویی، تحلیل و فهم خودکار محتوای داده های ویدئویی از اهمیت بیشتری برخودار گشته است. از میان کاربردهای متنوع فهم ویدئو، مواردی که به تحلیل حرکات و اعمال انسان می پردازند از توجه ویژه ای برخوردار شده اند. عوامل گوناگونی مانند تغییرات نوری و انسداد منجر به استخراج ویژگی های نامناسب می شود. از طرف دیگر انجام یک عمل به گونه های متفاوت باعث پدید آمدن نمونه های پَرت برای آن دسته از عمل خواهد شد. جلوگیری از به وجود آمدن نمونه های پرت و نویزی در محیط های واقعی غیرممکن خواهد بود. بنابراین یک رویکرد مناسب جهت یادگیری صحیح اعمال انسان، کم کردن اثر داده های نویزی و پرت در یادگیری دسته بند خواهد بود. در این رساله به صورت مشخص بر روی دسته بند بازشناسی اعمال انسان تمرکز شده است. دسته بندهای تفکیکی با استفاده از نمونه های آموزش، ابرسطحی را به عنوان مرجع تصمیم گیری پیدا می کنند. ماشین بردار پشتیبان دوقلو (twsvm) یک رویکرد جدید از دسته بندهای تفکیکی می باشد که بر خلاف svm بر پایه حاشیه ناموازی استوار است. حساسیت به نمونه های نویزی، مشکل دادگان نامتوازن، ناحیه های بدون تصمیم در مدل چنددسته ای و سرعت یادگیری از جمله چالش هایی است که در دسته بندی بازشناسی اعمال انسان وجود دارد. در این رساله سه دسته بند ماشین بردار پشتیبان دوقلو مبتنی بر انرژی، توسعه ی چند دسته ای ماشین بردار پشتیبان دوقلو مبتنی بر انرژی و دسته بند ذاتا چند دسته ای ماشین بردار پشتیبان دوقلو بر مبنای چالش های موجود در بازشناسی اعمال انسان پیشنهاد شده است. به عبارت دیگر در این رساله دسته بند مقاوم نسبت به بعضی از چالش های گفته شده ارائه شده است. روش های پیشنهادی با مجموعه داده های متفاوتی مانند weizmann ، kth ، hollywood ، ucf101 ، extended yale b ، uci و ndc متناسب با نیاز ارزیابی روش بررسی شده و با روش های مشابه مقایسه گردیده اند. نتایج ازیابی بر روی مجموعه دادگان متفاوت، بیانگیر کارایی دسته بندهای پیشنهادی بوده است. همچنین با توجه به اینکه در مساله بهینه سازی روش های پیشنهادی از ایده کمترین مربعات بهره گرفته شده است، مساله بهینه سازی مرتبه دوم به مساله بهینه سازی خطی تبدیل شده و سرعت آموزش به صورت قابل ملاحظه ای افزایش پیدا کرده است.

چکیده ندارد.

چکیده ندارد.