در این رساله روشهای جدید ی برای ساخت سیستمهایی با چند طبقه بند ارائه شده است. برای ساخت چنین سیستمهایی روشهایی برای مدلسازی رفتار طبقه بندهای پایه معرفی گردیده اند تا ضمن توجه به گوناگونی این طبقه بندها، با افزایش میزان گوناگونی کارایی سیستم مبتنی برچند طبقه بند تا حد امکان افزایش یابد. وجود گستردگی درکاربردهای طبقه بندی از یک سو و تنوع داده ها از سوی دیگر باعث می شود نتوان از یک طبقه بند جامع با کارایی بالا برای محدوده ای وسیع از کاربردها استفاده نمود. بنابراین ضرورت بکارگیری سیستمهایی با چند طبقه بند به چند دلیل احساس می شود از جمله استفاده از طبقه بندهای ساده بجای یک طبقه بند پیچیده، پوشش دهی بهتر فضای ورودی، افزایش قابلیت اطمینان تصمیم گیری، و کاهش ریسک انتخاب طبقه بند نادرست. در تحقیقات انجام شده در این رساله برای ساخت سیستمی با چند طبقه بند سه گام اساسی درنظر گرفته شده است. در گام اول مدل سازی رفتار طبقه بندهای پایه مورد توجه است. برای این منظور ابزارهایی معرفی می شوند که به شکل مناسبی مدل سازی رفتار طبقه بندها را انجام دهند. با توجه به اینکه طبقه بندهای پایه در این تحقیقات شبکه ی عصبی چند لایه هستند، به عنوان یکی از ابزارها ی مدل سازی، الگوی تصمیم چندلایه(edt) معرفی می گردد. این ابزار رفتار لایه های داخلی طبقه بندهای پایه را مدل سازی می نماید. ابزار دیگری که برای مدل سازی رفتار طبقه بندهای پایه معرفی گردیده، بر توصیف داده با بردار پشتیبان مبتنی است. این ابزار که الگوی تصمیم مبتنی بر بردار پشتیبان (svdt) نام دارد مدل رفتار طبقه بندها را با استفاده از ساخت svdd در خروجی طبقه بندهای پایه انجام می دهد. این ابزارها در مراحل بعدی ساخت سیستمی با چند طبقه بند استفاده می شوند. گام دوم در راه ایجاد سیستمی با چند طبقه بند توجه به گوناگونی طبقه بندهای پایه است. واضح است که از ترکیب چند طبقه بند مشابه نمی توان انتظار بهبود قابل توجه در کارایی را داشت. در نتیجه لازم است در فرایند ساخت چنین سیستمهایی تا حد امکان گوناگونی بین طبقه بندها افزایش یابد. از طرف دیگر تقابل آن با کارایی سیستم ایجاب می نماید تعادلی بین کارایی و گوناگونی ایجاد گردد. در نتیجه در گام دوم دو روش برای ایجاد گوناگونی معرفی می گردد. در روش اول گوناگونی با تغییر وزنهای طبقه بندهای پایه بر مبنای معیار گوناگونی تعریف شده با استفاده از confusion matrix ایجاد می گردد. روش دوم، از ابزار svdt و معیار گوناگونی تعریف شده بر مبنای آن استفاده می نماید که فاصله ی svdd های ساخته شده در خروجی طبقه بندهای پایه را ملاک قرار می دهد. در همه ی این روشها افزایش گوناگونی با اختصاص دادن هر طبقه بند به یکی از کلاسهای داده ی ورودی انجام می شود. در گام سوم ساخت سیستم چند طبقه بند با استفاده از ابزارها و روشهای ایجاد گوناگونی معرفی شده است. برای این منظور نیاز به روشهای ترکیبی است که با روشها و ابزارهای معرفی شده در گامهای اول و دوم سازگار باشند. در نتیجه روش ترکیب مبتنی بر svdd بر مبنای معیار گوناگونی تعریف شده با استفاده از آن ایجاد شده است. چند روش ترکیب دیگر نیز در این گام معرفی شده است. در ضمن معرفی روشها و ابزارهای لازم برای ساخت سیستمهایی با چند طبقه بند، روشهایی نیز برای نمایش کارایی آنها ارائه می گردد. همچنین از مجموعه داده های استانداردی نیز برای ارزیابی روشها استفاده شده است.

یکی از مسائل چالش برانگیز در بینایی ماشین شناسایی اشیا است که یکی از متدهای رایج در این زمینه، استفاده از اطلاعات عمق شی در صحنه می باشد. رهیافت های متنوعی به منظور اندازه گیری عمق اشیا در صحنه وجود دارد. روش انتخابی که در این تحقیق مورد توجه قرار گرفته است، روش تصاویر استریو است. در این دسته از متدها با داشتن حداقل دو تصویر از صحنه می توان به شناسایی اشیا پرداخت. از آنجایی که روش های با هزینه پایین ارجحیت دارند، از روش استریو دو دوربینی استفاده می شود که در آن تلاش می شود به آن دسته از نقاط ویژگی دست یافت که در هر دو تصویر بیانگر ناحیه یکسان و خاص از شی باشد. تا بحال الگوریتم های متفاوتی برای یافتن نقاط متناظر در دو تصویر با کمک این روش ارائه شده است. در بدست آوردن این نقاط یکی از مشکلاتی که وجود دارد اینست که در آنها اندازه بلاک ها برای تمامی پیکسل ها ثابت در نظر گرفته می شود که این باعث شده بدست آوردن نتیجه مطلوب براحتی انجام نشود. در این تحقیق سعی شده این مشکل تا جای ممکن بر طرف شود. نوآوری انجام شده در این تحقیق عبارتست از استخراج اندازه مناسب بلاک قبل از جستجو برای یافتن مشابه ترین بلاک برای یک پیکسل، که برای تحقق این هدف از معیارهای وایانس و اطلاعات لبه استفاده شده است. نتایج بدست آمده حاکی از آنست که با صرف زمان اندکی بهبود صورت یافته است. علاوه بر معیارهای گفته شده از تکنیک چند بلاکی نیز برای بهبود این الگوریتم ها استفاده شده است. این تکنیک نیز باعث شده نتایج بهبود یابند ولی این روش از لحاظ زمانی بسیار طولانی تر از روش های دیگر است. برای ارزیابی روش های پیشنهادی ابتدا نتایج به صورت شهودی با چند الگوریتم دیگر مقایسه شده اند. سپس به منظور مقایسه کمی درصد تعداد پیکسل هایی که خطای مطلق آنها بزرگتر از یک هستند برای سه ناحیه متفاوت آورده شده است، که این مقادیر برای سه ناحیه متفاوت به طور متوسط در بهترین الگوریتم پیشنهادی، به 15.68 درصد و در بدترین الگوریتم پیشنهادی به 17.71 درصد کاهش یافته اند. در انتها نیز الگوریتم ها از نظر زمانی با یکدیگر مقایسه شده اند.

روش های تولید تصویر وضوح برتر تک فریمی مبتنی بر نمونه، از جمله مسائل مطرح حوزه پردازش تصویر می باشد که اخیرا به آن توجه زیادی شده است. از جمله ابزارهای بکارگیری این روش ها، پایگاه داده ای متشکل از قطعات وضوح بالا و وضوح پایین تصاویر می باشد. امروزه بیشتر روی روش های اعمال اطلاعات بدست آمده از پایگاه داده به تصویر ورودی، پرداخته شده و نیز در اغلب تحقیقات انجام شده پایگاه داده ای متشکل از تصاویر تصادفی، مورد استفاده قرار گرفته است. هدف این تحقیق، بهبود برخی چالش ها در ابعاد مختلف الگوریتم های وضوح برتر تک فریمی می باشد. در این پایان نامه یک روش وضوح برتر تک فریمی پیشنهاد شده است که در آن به منظور بازسازی اجزای فرکانس بالای تصویر متنی وضوح پایین ورودی از یک پایگاه داده کامل استفاده می گردد. اولین مرحله روش پیشنهادی ساخت پایگاه داده است. در روش پیشنهادی، به منظور دریافت اطلاعات مورد نیاز از پایگاه داده جهت بازسازی اجزای فرکانس بالای تصویر ورودی، از شبکه عصبی پرسپترون چند لایه (mlp) استفاده شده است. در انتها نیز با انجام عملیات مورفولوژی ، تصویر وضوح بالای متناظر با تصویر وضوح پایین ورودی بدست می آید. در روش پیشنهادی علاوه بر کاهش پیچیدگی الگوریتم، به دلیل استفاده از پایگاه داده کامل، دقت و سرعت پردازش افزایش یافته است. زیرا بجای آنالیز اطلاعات موجود در پایگاه داده به ازای هر قطعه از تصویر وضوح پایین ورودی، مناسب ترین قطعه وضوح بالا از پایگاه داده کامل انتخاب می گردد. در ارزیابی سیستم پیشنهادی و مقایسه آن با برخی روش های ارائه شده، از معیار ssim استفاده شده است. این معیار، میزان تشابه ساختاری دو تصویر را محاسبه می نماید و نسبت به معیارهای ساده و متداولی همچون psnr و mse، مفهوم بهتری را از کیفیت بیان می کند.

بررسی سطوح شفاف برای تشخیص خراش¬ها، شکستگی¬ها و سایر معایب، امور رایج در بررسی کیفیت سطح هستند. روشهای بینایی ماشین برای تشخیص خودکار عیوب سطح مزایای بسیاری نسبت به تشخیص انسانی دارند مانند: تشخیص درست، افزایش قابل ملاحظه در سرعت تست، کاهش هزینه هاوکاهش نرخ خطا. با وجود جایگزینی موفق روش تشخیص دستی با سیستم اتوماتیک، بهینه سازی زیادی بر روی سیستم تشخیص لازم است تا نرخ اشتباه مثبت (محصولاتی که به عنوان سالم دسته بندی میشوند اما معیوب هستند) و نرخ اشتباه منفی (محصولاتی که به عنوان معیوب دسته بندی میشوند اما سالم هستند) و همچنین زمان پردازش کاهش یابد. در سالهای اخیر روشهای معدودی برای تشخیص معایب روی شیشه ارائه شده است اما روشی برای تشخیص ذرات ریز شیشه بر روی سطح شیشه وجود ندارد. هدف این پایان نامه ارائه روش تشخیص ذرات ریز شیشه بر روی سطح شیشه می باشد که از چند مرحله تشکیل شده است. ابتدا با استفاده از الگوریتم پخش ناهمسان (anisotropic difusion) تغییر یافته، سعی در کاهش نویز و افزایش کنتراست تصویر شده است. سپس با کمک شبکه عصبی حروف و علائم موجود در تصویر حذف شده تا تصویری یکنواخت حاصل شود. در نهایت با تحلیل مولفه های مستقل مهمترین ویژگی تصویر استخراج شده و در کنار سایر ویژگیهای تصویر مانند میانگین و واریانس به طبقه بند داده می شود تا شیشه سالم از شیشه معیوب (دارای خرده شیشه) تفکیک گردد. باآزمایشات مختلف کارایی سیستم ارائه شده بررسی شده ودر نتیجه مقایسه با روش¬های پیشین مشاهده می شود که روش پیشنهادی علاوه بر دارا بودن قابلیت¬های بیشتر مانند تشخیص علایم و نوشته¬های انتهای شیشه، درصد بهتری از تشخیص را نیز در زمینه ذرات شیشه بر روی شیشه انجام میدهد.

تخمین و ردیابی وضعیت یک ساختار مفصل‎دار بر اساس اطلاعات چند دوربین، از موضوعاتی است که در سال های اخیر کاربردهای متعددی داشته است. روش های ارائه شده برای این منظور، به دو دسته ی روش های مبتنی بر مارکر و بدون مارکر دسته بندی می شوند. روش های بدون مارکر از تصاویر ویدئویی به عنوان وروردی الگوریتم های خود استفاده می کنند. در حالیکه در روش های مبتنی بر مارکر، تعدادی مارکر بر قسمت های مختلف بدن فرد مورد ردیابی قرار گرفته و با استفاده از تعدادی دوربین کالیبره شده و به صورت همزمان از صحنه تصویربرداری می شود. هدف این پایان نامه، طراحی و پیاده سازی یک الگوریتم مبتنی بر مارکر است، که در آن ردیابی وضعیت بدن انسان از طریق بهینه سازی 45 پارامتر که بیانگر وضعیت بدن است صورت می گیرد. هدف این بهینه سازی، ماکزیمم کردن یک تابع کارایی است که میزان مطابقت وضعیت بدن و مکان دوبعدی مارکرها در تصاویر را، محاسبه می کند. در روش پیشنهادی، از یک نسخه ی تغییریافته ی الگوریتم pso به منظور جستجو در فضای پارامترهای وضعیت استفاده شده است. برخی از مهمترین چالش های این حوزه مربوط به مسئله ی انسداد اعضای بدن در مقابل یکدیگر، ابهام ناشی از نگاشت فضای سه‎بعدی به تصاویر دوبعدی و نیز تعداد زیاد پارامترهایی است که برای تعیین وضعیت صحیح بدن بایستی تعیین شوند. در روش پیشنهادی به منظور کاهش مشکل انسداد و ابهام از تصاویر چند دوربین، و برای کاهش مشکل ابعاد بالای فضای پارامترها، از تجزیه ی فضای جستجو استفاده شده است. به منظور ارزیابی از پایگاه داده ی pearاستفاده شده است. مقادیر میانگین و انحراف معیار و نیز معیارهای mmta و mmtp خطای تخمین برای حرکات موجود در پایگا ه داده ی فوق به ترتیب 12.23 میلی متر، 6.41 میلی متر، 98.17% و 10.06 میلی متر می باشد.

تشخیص و ردیابی عابر پیاده یکی از وظایف اساسی سیستم های نظارت تصویری هوشمند می باشد. در سال های اخیر، روش های متعددی به منظور شناسایی، ردیابی و تشخیص فعالیت های انسانی ارائه شده است. با این حال، به علت وجود مشکلاتی از قبیل تنوع ظواهر افراد، ساختار زمینه، انسداد و شرایط نوری، تشخیص و ردیابی عابرپیاده همچنان به عنوان یک زمینه فعال تحقیقاتی در بینایی ماشین مطرح بوده، و طراحی و ساخت یک روش دقیق، مقاوم و موثر در این زمینه به صورت یک نیاز باقی مانده است. تنوع روش های ارائه شده به چگونگی تعاریفی که از شی مورد تشخیص و ردیابی صورت می گیرد، وابسته است. تحقیقات انجام شده در این زمینه بر روی توالی تصاویر مرئی و مادون قرمز، هر کدام نقاط قوت و ضعف مربوط به خود را دارند. علاوه براین، استفاده از یک یا تعداد کمی از ویژگی های تصویر، منجر به محدود شدن سیستم به شرایط خاص می گردد. در راهکار پیشنهادی، انجام پردازش ها بر روی تلفیق توالی تصاویر مرئی و مادون قرمز، امکان استفاده از اطلاعات هر دو طیف را فراهم آورده و نقاط ضعف موجود در روش های تک طیفی را برطرف می نماید . علاوه براین، تلفیق ویژگی های متعدد استخراج شده از هر دو طیف در تمام مراحل فرایند تشخیص و ردیابی، مقاومت سیستم در شرایط مختلف را بهبود می بخشد. در این روش از الگوریتم adaboost که از جمله روش های تلفیق طبقه بندها به منظور بهبود دقت و کارایی الگوریتم های یادگیری است، جهت تلفیق و وزن دهی ویژگی ها استفاده می شود. طبیعت مکمل این روش در فراهم آوردن اطلاعات حرارتی و رنگ صحنه و تلفیق ویژگی های متعدد، افزایش قابلیت اطمینان، دقت و مقاومت سیستم را درپی خواهد داشت.

کنترل مداوم علائم حیاتی بیماران قلبی، که یکی از مهمترین آنها سیگنال ecg می باشد، از اهمیت ویژه ای برخوردار است. ارسال سیگنال ecg در شبکه یا ذخیره سازی آن، با چالش هایی نظیر محدودیت حافظه و پهنای باند مواجه می گردد. مهم ترین راهکار این چالش، فشرده سازی سیگنال ecg است. cs یک پروتکل بسیار ساده وکارآمد است، که از سیگنال در یک نرخ پایین نمونه برداری کرده و سپس به کمک محاسباتی قدرتمند، سیگنال اصلی را بازسازی می کند. افزایش تنکی و انتخاب درست نمونه ها توسط ماتریس نمونه گیری، منجر به بازسازی بهتر سیگنال بااستفاده از تعداد نمونه ی کمتر خواهد شد. هدف این پایان نامه، افزایش نرخ فشرده سازی سیگنال 15 کاناله قلب بااستفاده از cs است. در روش پیشنهادی برای تنک سازی، از روش pca استفاده شده است. همچنین برای تنک سازی بیشتر از، موجک bior4.4 استفاده شده است. در الگوریتم cs برای نمونه گیری از سیگنال به جای استفاده از ماتریس تصادفی گوسی معمولی، از یک ماتریس تصادفی گوسی وزن دار، استفاده شده است. درنهایت سیگنال ها بااستفاده از روش somp بازسازی شده اند. در روش پیشنهادی برای نرخ فشرده سازی 33، به طور میانگین برای 15 کانال، به prd معادل با 4 دست یافتیم.

چکیده ندارد.

در سیستمهای ویدئو بر اساس تقاضا، انتظار میرود که سرویسهای متنوعی از برنامه های چند رسانهای مانند آموزش از راه دور، کنفرانس از راه دور ، انجام کار از راه دور، تلفن ویدئویی و غیره برای کاربران ارائه شوند. این کاربردها، پهنای باند بالا و فضای بافر زیادی را نیاز دارند تا به خوبی نرم افزار و سخت افزار را برای به کار گیری موثر منابع شبکه اختصاص دهند. در این پایان نامه ما یک الگوریتم جدید برای زمانبندی سیستمهای توزیع شده ویدئو بر اساس تقاضا معرفی می نماییم که از پهنایباند و فضای بافرینگ موجود برای سرویس دهی کلاس متنوعی از برنامههای ویدئویی از پیش ضبط شده بهره برداری مینماید. دو معیار بسیار مهم در یک الگوریتم زمانبندی در چنین سیستمهایی برقراری عدالت در سرویس دهی به کاربران و به حداکثر رساندن بهره وری سیستم می باشد. الگوریتم زمانبندی پیشنهادی ما علاوه بر در نظر گرفتن دو معیار فوق و برآورده کردن آنها، معیار جدیدی را نیز به آن افزوده است که در الگوریتمهای مشابه وجود ندارد و آن هم ارائه سطوح اولویت در سرویس دهی به کاربران می باشد. در حقیقت ما به گونه ای جریانهای ویدئویی را زمانبندی می نماییم که اولا بهره وری سیستم به حداکثر برسد، ثانیا عدالت در سرویس دهی و کیفیت سرویس دریافتی توسط کاربران رعایت گردد و ثالثا کاربران را بر اساس سطوح اولویتشان سرویس دهی نماید. ما نتایج شبیه سازی این الگوریتم را که بر روی یک معماری درختی در شبکه توزیع شده ویدئو بر اساس تقاضا به کار گرفته شده است را عرضه می نماییم، که این توپولوژی درختی موجود، در سیستمهای تلویزیونی کابلی امروزی به کار برده میشود. اعمال بررسی شده از طریق شبیه سازی عبارتند از: بهرهوری سیستم، عادلانه بودن مکانیزم زمانبندی و تاثیر سطوح اولویت بر روی کیفیت سرویس ارائه شده برای تحویل ویدئو به مقصد.