مخزن معماری سرویس گرا که با نام uddi شناخته می شود در اکثر معماری های توزیع شده بر پایه سرویس مورد استفاده قرار می گیرد. استفاده از این مخزن به مصرف کنندگان سرویس کمک می کند تا به راحتی سرویسی که نیاز دارند را پیدا کنند. اما این مخزن یک مخزن منفعل است بدین معنی که بعد از پیدا کردن سرویس، مصرف کننده دیگر هیچ تعاملی را با مخزن ندارد و این عدم تعامل باعث بروز مشکلاتی برای مصرف کنندگان خواهد شد. ما در این تحقیق قصد داریم تا تمرکز اصلی را بر روی مخزن سرویس گذاشته و عیب منفعل بودن آن را بوسیله تکنیک پایگاه داده فعال مرتفع کنیم. از جمله مشکلاتی که ممکن است برای مصرف کنندگان سرویس اتفاق بیافتد اینست که در صورتی که تولید کننده ای آدرس سرویس خودش را تغییر دهد مصرف کننده از این تغییر مطلع نمی شود و یا اگر اطلاعات مربوط به سرویسی ویرایش شود باز هم مصرف کننده از آن مطلع نمی شود مگر اینکه به مخزن سرکشی کند. برای برقراری ارتباط بین مصرف کننده و مخزن ما از محرک های پایگاه داده استفاده می کنیم تا مشکل منفعل بودن مخزن را برطرف کنیم و بعد از فعال سازی مخزن کارایی مخزن فعال را ارزیابی کنیم. به منظور ارائه عملی بودن مدل پیشنهادی، ما آن را برای یک سیستم اطلاعاتی بیمارستانی نمونه با بیست ایستگاه کاری به کار گرفتیم و کارایی آن را ارزیابی کردیم. مدل پیشنهادی ما از تعدادی سرویسگر ناظر و تعدادی متقاضی تشکیل شده است که در آن سرویسگر ناظر وظیفه اطلاع رسانی در خصوص تغییرات مخزن به متقاضی یا مصرف کنندگان سرویس را به عهده دارد. علاوه بر این، مدل طراحی شده اجازه افزودن قابلیت هایی مانند تحمل پذیری خطا، آمارگیری و دسته بندی مصرف کنندگان سرویس وکنترل متمرکز و تعامل بین مصرف کنندگان سرویس را به مخزن می-دهد. کلمات کلیدی: معماری سرویس گرا – ثبات سرویس – پایگاه داده فعال - اطلاع رسانی به مصرف کننده سرویس .

گرایش به سمت استفاده از سیستم های سرویس گرا رو به افزایش است؛ اگرچه ذات بسیار پویای این سیستم ها فرایند راستی آزمایی آنها را در عمل با مشکلات زیادی روبه رو کرده است. راستی آزمایی زمان اجرا اگرچه بیشتر به منظور استفاده در سیستم های حساس به ایمنی طراحی شده است، اما می توان از آن به عنوان روشی جدید در فرایند راستی آزمایی سیستم های سرویس گرا هم بهره برد. در این پروژه فرایند راستی آزمایی زمان اجرای سیستم سرویس گرای حساس به ایمنی به کمک زبان توصیفی asm شرح داده شده است. بدین منظور ابتدا سرویس های سیستم نمونه بر اساس نیازهای کاربر استخراج شده و مطابق با جریانِ کارِ مورد نظر او ارتباطات آنها مشخص می شود. سپس هر یک از این سرویس ها به صورت جداگانه به زبان asm توصیف شده و در هر مورد نیز ارتباط آن با دیگر سرویس ها تعیین می شود. پس از آن که توصیف سیستم به زبان asm مهیا شد، با استفاده از میان افزار padres که بر اساس ساختار شبکه ای توزیع شده با الگوی ناشر/مشترک طراحی شده است، مدل سرویس گرا به صورت انتزاعی پیاده سازی می شود. هر یک سرویس ها روی یکی از عامل های اصلی padres یعنی ناشر و مشترک، نگاشت می شود و آنگاه ویژگی های مورد نظر توسط ناظرهای از پیش تعریف شده و بر اساس قیود و توصیفات asm، وارسی می شوند. قیود مورد نیاز سیستم می تواند در دوسطح حالات سرویس ها و یا داده های تبادلی بین سرویس ها تعریف شود. نتایج اجرای عملی مدل پیشنهادی نشان می دهد که ساختار پویای شبک? ناشر/مشترک منطبق با معماری سرویس گرا می باشد و اضافه و کم کردن ناظرها (و به طور کلی سرویس ها) توسط کاربر به سادگی امکان پذیر است. از نظر کارایی، این مدل زمان یافتن نقض قیود را تغییری نمی دهد هر چند که تعداد سرویس ها به طور قابل توجهی افزایش یافته باشد. با این حال padres مشکل استفاد? از حافظه بدون آزاد کردن آن را دارد که طراح را مجبور می کند تا به طور دقیقی تعداد کاربران را روی یک ماشین فیزیکی بر اساس میزان حافظ? در دسترس آن مشخص نماید.

هدف اصلی این پایان نامه ایجاد سیستمی کاربردی برای خواندن و شناسایی حروف دستنویس فارسی توسط رایانه است. بدیهی است در چنین سیستمی بهبود صحت شناسایی بسیار ضروری می باشد. بنابراین در این مستند ابتدا به بررسی روش های مختلف پرداخته و صحت تشخیص آن ها مورد بررسی قرار گرفته است. سپس جهت افزایش صحت به ترکیب این روش ها پرداخته شده است. قسمت اصلی این پایان نامه به بررسی روش های مختلف استخراج ویژگی برای مسئله شناسایی حروف می پردازد. در هر روش پارامترها و پیش پردازش های مختلف و همچنین سه کلاسه بند شبکه عصبی، نزدیک ترین همسایگی و ماشین بردار پشتیبانی مورد استفاده قرار گرفته و مقایسه می شوند و در پایان بهترین حالت هر روش انتخاب می شود. پس از این مرحله با استفاده از روش های رای گیری به ترکیب سیستم های موجود پرداخته می شود. جهت سرعت بخشیدن به سیستم مورد نظر در هر روش، بخش استخراج ویژگی به صورت موازی و با استفاده از توان پردازنده های چند هسته ای پیاده سازی شده است. برای ارزیابی این روش ها از بزرگترین پایگاه داده حروف مقطع فارسی، حدف (حروف دستنویس فارسی) استفاده شد. نتایج تجربی نشان می دهد که بالاترین درصد بازشناسی پیش از ترکیب متعلق به عملگر کرش (kirsch) با صحت 97.44% و پس از ترکیب این روش ها با استفاده از رای گیری 97.73% بوده است.

شناسایی اشیاء حالت خاصی از شناسایی الگو می باشد. شناسایی الگو به مجموعه ای از متدها گفته می شود که هدف آن ها طبقه بندی اشیاء در کلاس های مختلف است. بر حسب کاربرد مورد نظر اشیاء می توانند تصاویر، سیگنال های صوتی و یا هر مقداری که نیاز به طبقه بندی دارد باشند. در "شناسایی اشیاء در تصاویر" پردازش روی تصویر شئ مورد نظر صورت می پذیرد. به طور کلی مراحل شناسایی الگو و به تبع آن مراحل شناسایی اشیاء را می توان به دو بخش استخراج ویژگی ها و طبقه بندی آن ها تقسیم کرد. استخراج ویژگی ها به منظور کم کردن حجم اطلاعات مورد پردازش و استخراج الگو صورت می پذیرد. برای مثال در شناسایی اشیاء به جای این که کل عکس در پایگاه داده ها ذخیره شده و هنگام بازشناسی مورد پردازش قرار گیرد، تنها تعدادی ویژگی از آن استخراج شده و پردازش روی این ویژگی ها صورت می پذیرد. به علاوه با استخراج ویژگی های مناسب تنها با آموزش تعداد محدودی از داده ها کل اشیاء موجود در تصاویر پایگاه داده ها را شناسایی کرد. در این پروژه تمرکز بر روی موازی سازی استخراج ویژگی ها از تصویر به منظور شناسایی اشیاء درون آن است. با وجود انجام تحقیقات فراوان در زمینه ی تشخیص اشیاء مشاهده می شود که هنوز درصد شناسایی سیستم های تشخیص اشیاء به حدی نرسیده است که بتوان از این سیستم ها در کاربردهای واقعی بهره جست. یک دلیل این امر زمانگیر بودن پردازش های انجام شده بر روی تصاویر می باشد که از یک سو باعث شده که نتوان از ویژگی های با دقت بالا اما زمانبر، در سیستم های تشخیص اشیاء استفاده کرد و از سوی دیگر استفاده از اینگونه سیستم ها را در کاربردهای بلادرنگ ناممکن ساخته است. برای غلبه بر این مشکل می توان از الگوریتم های موازی استفاده کرد. موازی سازی سیستم های تشخیص اشیاء را می توان در دو سطح بررسی کرد. در سطح اول می توان موازی سازی را برای پردازشی که بر روی یک تصویر به منظور استخراج ویژگی ها صورت می پذیرد انجام داد. و در سطح بعد می توان از الگوریتم های موازی برای طبقه بندی و تست داده ها استفاده کرد. برای موازی سازی مرحله استخراج ویژگی ها از تصاویر ابتدا الگوریتم انتخاب شده برای استخراج ویژگی ها را به صورت موازی، طراحی خواهیم کرد و سپس آن را بر روی یک پلت فرم موازی پیاده سازی کرده و اجرا خواهیم نمود. اخیراً واحدهای پردازنده ی گرافیکی به سبب کارایی بالا، قیمت مناسب و در دسترس بودن، بسیار مورد توجه قرار گفته اند. این واحدها پردازنده های ساده ای هستند که به منظور انجام محاسبات گرافیکی در کارت های گرافیکی قرار گرفته اند. هر کارت گرافیکی شامل تعداد زیادی از این پردازنده های ساده است که هر یک وظیفه ی پردازش تصویر در قسمتی از صفحه ی نمایش را بر عهده دارد. اخیراً شرکت های سازنده ی کارت های گرافیکی، به کاربران اجازه ی بکارگیری قدرت محاسباتی این پردازنده ها را در برنامه های خود داده اند. اجرای همزمان چندین نخ به صورت همزمان باعث می شود که یک کارت گرافیکی ساده قادر باشد تا چند برابر سریعتر از یک کامپیوتر قدرتمند، عملیات حسابی را انجام دهد. به این ترتیب می توان از این کارت های گرافیکی به عنوان پلت فرمی برای پیاده سازی الگوریتم های موازی استفاده نمود. محدودیت این پلت فرم را می توان در حافظه ی کم آن دانست. به همین دلیل برای کارهایی که نیازمند حافظه ی زیاد هستند، مانند جستجو در پایگاه داده، استفاده از پردازنده ی گرافیکی تسریع چندانی را در پی نخواهد داشت. اما در کارهای محاسباتی استفاده از این پلت فرم بسیار مناسب می باشد. در این پژوهش شناسایی اشیاء مربوط به وسایل نقلیه که عبارتند از ماشین، اتوبوس، دوچرخه، موتور سیکلت و هواپیما مد نظر می باشد. برای این منظور از تصاویر پایگاه داده ی پاسکال 2007 استفاده شده است.

پردازش تصویر و بینایی ماشین از علوم پرکاربرد در شاخه علوم رایانه می باشد. سامانه بینایی ماشین تصاویری از محیط اطراف خود گرفته و با تحلیل آن ها تعیین می کند که چه می بیند. یکی از معروف ترین روش های بازشناسی اشیا، هسته تطبیق هرمی مکانی است. هسته تطبیق هرمی مکانی به همراه ماشین بردار پشتیبان از دقت خوبی در بازشناسی اشیا برخوردار است. این روش علاوه بر دقت، مطلوبیت بالایی در بین محققان در این زمینه دارد. اما مراحلی که معمولا در سامانه های بازشناسی اشیا از جمله ایجاد هسته تطبیق هرمی مکانی انجام می گیرد زمان گیر و دارای محاسبات زیاد هستند. تلاش در استخراج ویژگی هایی از کل تصاویر یک پایگاه داده و تحلیل این ویژگی ها برای به کار بردن آن در این سامانه می تواند بسیار زمان گیر باشد. بنابراین موازی سازی الگوریتم کمک زیادی به کارایی آن خواهد کرد. جعبه ابزار محاسبات موازی matlab یکی از مفیدترین ابزار در این زمینه خواهد بود. در این پایان نامه بعد از تحقیق روی روش های مختلف بازشناسی اشیا سعی شده است با استفاده از این ابزار، الگوریتم های تشکیل هسته تطبیق هرمی مکانی و الگوریتم تشخیص اشیا در تصاویر بر اساس روش معروف وایولا- جونز به صورت موازی پیاده سازی شوند. اجرای موازی الگوریتم روی کلاستری از رایانه‏ها انجام شده است و بسته به تعداد پردازنده ها و هسته های هر پردازنده تا چندین برابر سرعت را در پی خواهد داشت که ما در این پیاده سازی به حداکثر 15 برابر سرعت در محاسبه هسته تطبیق هرمی مکانی و 19 برابر در الگوریتم تشخیص اشیا با استفاده از 5 رایانه با پردازنده های quad دست یافتیم. در این پیاده سازی به جای اجرای کل الگوریتم توسط یک رایانه هر یک از آن ها وظیفه اجرای بخشی از الگوریتم را بر عهده خواهند داشت. همچنین با ارائه راه حل هایی سعی شده است ارتباطات بین نودهای کلاستر-که همواره یکی از مشکلات روش های موازی سازی است- کمترین هزینه را برای انتقال داده در پی داشته باشد.

در سال های اخیر، اثرانگشت به دلیل خواص انحصاری، نظیر سادگی در دریافت، جامعیت، پایداری و امنیت در کانون توجه بسیاری از پژوهشگران علم بیومتریک بوده است. در پایگاه داده های حجیم، ابتدا اثرانگشت ها به تعدادی کلاس تقسیم شده و سپس عمل انطباق صورت می گیرد. دسته بندی اثرانگشت بر اساس الگوی حرکت لبه ها و یا ویژگی های فرکانسی آن انجام می شود. پس از دسته بندی، داده ی ورودی فقط با داده های کلاس مشابه مقایسه می گردد. در این تحقیق، پس از دریافت و پیش پردازش تصویر، با عمل بهبود، کیفیت و وضوح تصویر را ارتقا دادیم. عمل بهبود تصویر به صورت مرکب و با استفاده از جهت و فرکانس محلی تصویر انجام می شود. پس از این مرحله، نقاط یکتای تصویر (ویژگی های سطح اول) استخراج شده و برای مرحله ی دسته بندی ارسال می شوند. برای استخراج نقاط یکتا از روش فیلتر مختلط اصلاح شده، استفاده شده است. در مرحله ی دسته بندی نیز، روش دسته بندی مبتنی بر قانون و قوانین اصلاح شده ی هنری به کار گرفته شده است. دسته بندی در این تحقیق، به صورت مطلق صورت نمی گیرد. با استفاده از رتبه بندی احتمالی کلاس های موجود، فهرستی از کلاس های ممکن به عنوان خروجی این مرحله اعلام می شود. در صورتی که تصویر معادل با تصویر ورودی، در کلاسی با بیش ترین احتمال موجود نباشد، کلاسی با دومین بزرگترین احتمال، مورد جستجو قرار می گیرد. مرحله ی انطباق با استفاده از ویژگی مینوشیا و روش مثلثی پیشنهادی صورت گرفته است. در این روش، مثلث های تشکیل شده از مینوشیاهای معتبر، مقایسه می شوند. این روش بی نیاز از جهت مینوشیا و هم جهت کردن تصاویر بوده و نسبت به جابه جایی نیز مقاوم است. پس از تکمیل سیستم شناسایی اثرانگشت، مراحل زمانبر تعیین گشته و بسته به نیاز، توسط cpu و gpu موازی شدند؛ موازی سازی gpu توسط سکوی کودا انجام گرفت. نتایج موفقیت آمیز موازی سازی در کنار دقت مطلوب سیستم پیشنهادی حاکی از کاربردی بودن آن در سیستم های برخط است. به شکلی که زمان اجرای سیستم پس از موازی سازی، افزایش سرعت 9 برابری را نشان می دهد.

نرم افزار خود تطبیق نرم افزاریست که قادر است خودش را در زمان اجرا به منظور پاسخگویی به تغییر نیازها، اهداف سیستم و محیط، تغییر داده تا با شرایط جدید تطیبق پیدا کند. یکی از مهم ترین مواردی که در نرم افزارهای خود تطبیق باید مورد بررسی قرار گیرد و مدیریت شود، عدم قطعیت است. مدیریت عدم قطعیت به معنی تلاش برای شناخت نتیجه و حاصل سیستم است، در شرایطی که تمام جنبه های سیستم کاملا شناخته شده نباشد. به عبارت دیگر "در حقیقت ما نمی توانیم در مورد رخداد یا نتیجه یک رویداد یا تصمیم اطمینان داشته باشیم". منظور از عدم قطعیت در نرم افزار خود تطبیق، شرایط و اهداف متغیر سیستم می باشد که ممکن است در زمان اجرا تغییر کنند. در صورت بررسی و مدیریت عدم قطعیت، تطبیق بهینه تری انجام شده و در نتیجه سیستم با سودمندی بیشتری به حیات خود ادامه می دهد. در مهندسی نرم افزار، عدم قطعیت می تواند با درجات متفاوتی رخ دهد و در مراحل تولید نرم افزار همچون مهندسی نیازها، توصیف، طراحی و پیاده سازی مشاهده شود. عدم قطعیت در نرم افزارهای خود تطبیق دارای منابع متفاوتی است، که برای مقابله و رویارویی با آنها روش های خاصی توسعه داده شده است. بدین منظور روش های مقابله با عدم قطعیت در نرم افزارهای خود تطبیق را در هر دسته از منابع شناخته شده عدم قطعیت به صورت مجزا مورد بررسی قرار می دهند. یکی از منابع عدم قطعیت ساده سازی فرضیات است، که در این پایان نامه بر روی آن متمرکز شده‎ایم. ساده سازی فرضیات به معنی بررسی مسئله بدون در نظر گرفتن تمام جزئیات یا به عبارت دیگر، چشم پوشی از جزئیات مسئله است. ساده سازی فرضیات در نرم‎افزارهای خود تطبیق به دلیل عدم دقت و ناصحیح بودن مدل های تحلیلی بوجود می آید. مدل های تحلیلی به منظور استدلال در مورد تاثیر انتخاب های تطبیق بر ویژگی های کیفی سیستم، مورد استفاده قرار می گیرند. در واقع، مدل‎های تحلیلی با استفاده از تخمین‎های انجام شده به منظور تعیین تاثیر پیکربندی بر ویژگی‎های کیفی سیستم، باعث بوجود آمدن ساده‎سازی فرضیات و در نتیجه تولید عدم قطعیت در سیستم می‎شود. یکی از مهم ترین قسمت های نرم افزار خودتطبیق که نیازمند مدیریت عدم قطعیت است، قسمت تصمیم گیری در انتخاب پیکربندی مناسب، در شرایط متفاوت زمان اجرا است. با توجه به استفاده تمامی روش های موجود از مدل های تحلیلی به منظور تخمین اثر پیکربندی بر ویژگی های کیفی و همچنین استفاده از این تخمین ها در تحلیل ها یشان، این روش ها با ساده سازی فرضیات، خود منبعی برای عدم قطعیت به حساب می آیند. در پایان نامه ارائه شده، ابتدا به منظور یافتن پیکربندی بهینه از روش جستجوی کامل استفاده می کنیم. در این روش با توجه به شرایط موجود، تمامی پیکربندی های ممکن مورد بررسی قرار گرفته و بهینه ترین پیکربندی با توجه به قیود سیستم و اولویت های کاربران انتخاب می شود. با توجه به اینکه استفاده از محدوده عدم قطعیت(نظریه امکان) نسبت به نقطه تخمین(نظریه احتمال) نماینده بهتری برای نمایش رفتار سیستم است، در روش پیشنهادی رفتار سیستم بر پایه نظریه امکان نشان داده می شود. نقطه ضعف این روش هزینه زمانی بالا به دلیل بررسی تمام پیکربندی های ممکن و بررسی تمام ویژگی های کیفی است، به همین دلیل برای یافتن پیکربندی بهینه از الگوریتم ژنتیک استفاده می کنیم که در این صورت، هزینه زمانی در بهترین حالت به بیش از 4.5 برابر کاهش دادیم. همچنین محدوده عدم قطعیت سیستم در مرتفع کردن نیازهای کاربران در این روش در مقایسه با روش های موجود، در هر سه نقطه حداقل، میانگین و حداکثر بهبود یافت.

افزایش روزافزان استفاده از برنامه نویسی همروند به دلیل بهبودهایی که در زمان پاسخ گویی، راندمان و استفاده بهینه از منابع مهیا می کند، در نرم افزارهای امروزی مشهود است. با وجود همه ی خواست گاهی که برای برنامه نویسی همروند وجود دارد، پیامدهای منفی حاصل از برنامه نویسی همروند، اتکاپذیری سیستم های همروند را به چالش می کشد. از طرفی رفع این پیامدها با روش های معمول وارسی و تست، در اغلب موارد منجر به کسب نتیجه بهینه و کارا نمی گردد. این امر به این خاطر است که عدم قطعیت و تعداد حالت های ممکن، در این گونه برنامه ها نسبت به برنامه های متوالی بسیار بیشتر است و با افزایش تعداد واحدهای همروند این عدم قطعیت به صورت نمایی افزایش پیدا می کند. در راهکار پیشنهادی، نخست با نگاشت رفتارهای زمان اجرای واحدهای همروند به سری های زمانی، ساختار اطلاعاتی را ایجاد کرده ایم، که قابل پردازش باشد و در ادامه این ساختار اطلاعاتی را در شبکه های عصبی، که مبتنی بر نیازمندی های دامنه پیکربندی می شوند، برای پیش بینی بن بست مورد استفاده قرار دادیم. به منظور ارزیابی دقت راهکار پیشنهادی در پیش بینی بن بست، این راهکار را بر روی یک برنامه ی چندنخی نوشته شده به زبان جاوا ارزیابی کردیم. نتایج حاصل از این ارزیابی بیان گر کارایی راهکار ما با دقتی معادل 73.29 درصد بود که این دقت با در نظر داشتن ساختار تصادفی برنامه ی چندنخی مورد آزمون، عملکرد قابل توجهی می باشد.

سرطان سینه یکی از بیماری های شایع و مهلک میان زنان است. تشخیص زود هنگام این بیماری نه تنها درمان آسانتری در پیش دارد بلکه باعث افزایش طول عمر بیمار می¬شود. ترموگرافی بعنوان روش بهتر برای تشخیص زود هنگام این بیماری شناخته شده است. همچنین روش غربالگری ترموگرافی یک روش تشخیص غیرتهاجمی، بدون اشعه، غیرفعال، سریع، کم هزینه، بدون درد و بی¬خطر است و همچنین تماسی با بدن ندارد. روش های جدید در پردازش تصویر و بینایی ماشین موجب شده تا تحقیقات موفقیت آ¬میزی به منظور ایجاد سیستم های تشخیص سرطان سینه با بکارگیری تصاویر حرارتی انجام شود. در این مطالعه یک روش کاملا اتوماتیک و کارا برای بهبود مطالعات تشخیص آبنورمالی در تصاویر حرارتی بافت سینه نمای روبرو بیماران ارائه شده است. روش ارائه شده شامل مراحلی ازجمله استخراج ناحیه سینه از تصاویر حرارتی، استفاده از روش¬های متفاوت برای استخراج خصوصیات بافتی از تبدیل موجک های گابور با دو مقیاس و فرکانس های متفاوت وتحلیل گرادیان¬های تصاویر با استفاده از روش هیستوگرام گرادیان های جهت دار، بکارگیری پنج مدل شناسایی از قبیل lvq، شبکه عصبی احتمالی، k-نزدیکترین همسایه، ماشین بردار پشتیبان با دو هسته متفاوت، استفاده از رویه تحلیل مولفه های اصلی برای کاهش ابعاد و روش یادگیری دسته جمعی برای بهبود نتایج است.نتایج آزمایشات نشان داده اند که خصوصیات بافتی استخراج شده از مقادیر انرژی تصاویر جزئی فیلتر شده با موجک های گابور بهتر از دیگر روش های استخراج خصوصیات مورد بررسی در این مطالعه بوده است. همچنین مدل های طبقه بندی k- نزدیکترین همسایه، شبکه lvq و ماشین بردار پشتیبان دقت بالاتری نسبت به شبکه عصبی احتمالی ارائه می دهند. در این مطالعه، روش های پیشنهاد شده دقت شناسایی بالایی را برای تشخیصناهنجاری در بافت سینه ارائه داده اند.

رباتیک ازدحامی روشی نوین برای مشارکت تعداد زیادی ربات است و به عنوان کاربردی از هوش ازدحامی در سیستم های چند رباتی مطرح می¬گردد. در بین مسائل مطرح شده در رباتیک ازدحامی، مسئله جستجوی غذا به خاطر پوشش چندین وظیفه، جزو شناخته ترین مسائل در این حیطه است. در این پایان نامه با استفاده از الگوریتم های جستجوی غذا در رباتیک ازدحامی و با الهام گرفتن از رفتار کلونی زنبورهای عسل، به ارائه ی الگوریتم های جستجوی غذای مبتنی بر رفتار زنبورهای عسل پرداخته ایم. در این الگوریتم ها ربات ها با الهام گرفتن از تقسیم وظایف زنبورهای عسل و با به کارگیری استراتژی های استخدام نیرو و مسیریابی و تنها با استفاده از تعاملات محلی منابع غذایی را در یک محیط ناشناخته پیدا می کنند و به خانه باز می گردانند. یکی از چالش های موجود در مسئله جستجوی غذا مصرف بالای انرژی توسط ربات هاست. در این پایان نامه نشان داده شده است که الگوریتم های زنبور عسل ارائه شده در مقایسه با الگوریتم جستجوی غذای تطبیقی و الگوریتم فرمون مجازی موجود، اتلاف انرژی کمتر و کارایی بیشتری دارند. همچنین نشان داده ایم که این الگوریتم ها نسبت به افزایش سایز زمین، افزایش تعداد ربات ها و افزایش میزان غذا مقیاس پذیر است و در صورت ایجاد منابع جدید در محیط این الگوریتم ها به خوبی قادر به یافتن آن ها می باشند.

مکان یابی وتولید نقشه ی همزمان یکی از مسائل مهم در مباحث ربات های متحرک خودمختار می باشد. اینگونه از روش ها برای استخراج نقشه از محیط حرکت ربات به همراه موقعیت های ربات به کار می روند. هدف در این پایان نامه بررسی روش های وابستگی داده ها در مسئله ی مکان یابی و تولید نقشه همزمان و بهبود عملکرد یکی از اینگونه از روش ها به نام الگوریتم jcbb می باشد. بدین منظور مشکلات روش jcbb بررسی گردید و از روشی متشکل از روش های scnn و روش jcbb به همراه تغییراتی در الگوریتمها، استفاده شد. روش پیشنهادی بر روی دو مجموعه داده ی jose neira و dlr spatial cognition بررسی گردید. نتایج نشان داد که استفاده از روش پیشنهادی دقت بهتری را نسبت به روش های jcbb، icnn، scnn ارائه کرده است. یکی دیگر از مشکلات روش های مکان یابی وتولید نقشه همزمان برون خط، درصورت بزرگ بودن نقشه، کند بودن زمان پردازشی می باشد. بدین منظور برای کاستن زمان پردازشی از روش های موازی سازی الگوریتم ها استفاده گردید. برای موازی سازی از دو سیستم مختلف کودا و کندر استفاده گردید. با پیادسازی موازی روش های jcbb، icnn، scnn و روش پیشنهادی، به کمک کودا، سرعت بخش بروزآوری فیلتر کالمن توسعه یافته در روش ها، به میزان 14 برابر و بخش وابستگی داده ها در حدود 6 تا 7 برابر افزایش پیداکرد. درادامه بخش وابستگی داده های icnn وscnn نیز به کمک کلاستر کندر توزیع و موازی شد. نتایج، افزایش سرعت حدود 4 برابر را برای هر دو روش ارائه کرد.

در دنیای امروز، تصاویر پزشکی به عنوان ابزاری قدرتمند در تشخیص بیماری ها استفاده می-شوند، که یکی از متداول ترین آنها برای تشخیص تومورهای مغزی توسط رادیولوژیست، تصاویر تشدید مغناطیسی می باشند. قطعه بندی خودکار تومور به پزشک کمک می کند که محل دقیق تومور، رشد و یا عدم رشد تومور را در بیمار تشخیص دهد. در این پایان نامه، ما از تصاویر تشدید مغناطیسی مغزی برای جداسازی تومور مغزی از بافت سالم استفاده می-کنیم. همچنین ما برای شناسایی نوع تومور کار دسته بندی انواع تومورهای مغزی و شناسایی مغز سالم و غیر سالم را انجام می دهیم. قطعه بندی را بر اساس روش های قطعه-بندی ناحیه محور، لبه محور و خوشه بندی پیاده سازی کرده ایم. همچنین روش جدیدی برای قطعه بندی تصاویر تشدید مغناطیسی مغزی و جداسازی تومور ارائه دادیم، که در آن کار آستانه گذاری روی تصویر با استفاده از ویژگی های بافتی انجام می گیرد، که دقت روش پیشنهادی از الگوریتم های قطعه بندی قبلی بهتر است. در دسته بندی تصاویر mr مغزی از الگوریتم های شناسایی آماری الگو و شبکه عصبی برای دسته بندی و تشخیص سه نوع تومور و همچنین تشخیص تصاویر مغزی سالم و غیر سالم تومور دار استفاده کردیم. برای آزمایش از تعداد 127 تصویر که شامل تصاویر نرمال و دارای سه نوع تومور مختلف استفاده کرده ایم. یکی از مزایای این روش نسبت به روش های ناحیه محور، عدم نیاز به انتخاب هسته توسط کاربر است و کار قطعه بندی بدون تعامل با کاربر و به طور کاملا خودکار انجام می شود. همچنین به دلیل نامنظم بودن شکل تومور در تصاویر مغزی، استفاده تنها از روش های قطعه بندی بر پایه لبه یا ناحیه کافی نیست. قطعه بندی به وسیله روش خوشه بندی نیز به دلیل انتخاب پارامتر پهنای باند، امری دشوار است. با توجه به نتایج بدست آمده، روش قطعه بندی به وسیله آستانه گذاری روی ویژگی های بافتی تصویر نتایج بهتری می دهد، علاوه بر این که این روش کاملا خودکار است و از جهت سرعت انجام کار، زمان کمی برای اجرا نیاز دارد.

پردازش تصویر و بینایی ماشین از علوم کاربردی بسیار مهم می باشند که در سالهای اخیر پیشرفت های قابل توجهی در زمینه های مختلف علوم داشته اند. امروزه سیستم های خودکار تشخیص، در زمینه علوم پزشکی می توانند کمک های شایانی به این عرصه بزرگ داشته باشد. در کاربردهای پزشکی به علت حساس بودن ضایعه ی تومور مغزی در حیات بیمار، تشخیص 100% نوع تومور تنها توسط mri امکان پذیر نمی باشد. بنابراین جهت بررسی بیشتر، متخصصان و صاحب نظران با بررسی آزمایش های پاتولوژی و همچنین با بررسی mri، نوع تومور را تشخیص می دهند. متخصصین رادیولوژی به علت حساسیت موضوع بر این باورند که تشخیص نوع تومور مغزی بر اساس mri را می توان احتمال 60% را تخمین بزند. در این پایان نامه با استفاده از تکنیک های بینای ماشین ، سیستمی تحلیل و طراحی می گردد که از روی mri بتوان مکان تومور را شناسایی کرده و آن را در مغز تشخیص دهد و پس از بررسی وجود تومور، بتوان با استفاده از استخراج ویژگی های تعیین نوع تومور مغزی در تشخیص نوع آن استفاده کند. برای انجام این کار ابتدا با استفاده از ویژگی های مکان و شدت توسط الگوریتم k نزدیکترین همسایگی، مکان تومور تشخیص داده می شود. پس از آن طی دو مرحله به کلاسه بندی تومور می پردازیم. در گام اول تشخیص می دهیم که آیا تومور مننژیوما است یا خیر در صورت مننژیوما نبودن در مورد گلیوما یا متاستاز بودن آن تصمیم گیری می شود. کل فرآیند کاری بر روی یک مجموعه داده ی استاندارد]61[تست شده است . نتایج بدست آمده کارایی روش ارائه شده را تایید می نماید.

در سال های گذشته تحقیقات وسیعی در زمینه دسته بندی بصری اشیاء صورت گرفته است و تلاش های فراوانی جهت رفع مشکلات و چالش های مطرح در این شاخه انجام پذیرفته است . هدف از فرآیند دسته بندی بصری ، تشخیص اشیاء مربوط به دسته های مشخص شده ای درون یک تصویر دلخواه است . عمده ترین چالش های موجود در این مسئله ، وجود تنوع بسیار زیاد در تصاویر مربوط به یک دسته واحد است . بیشتر روش های قدیمی دسته بندی بصری اشیاء مبتنی بر ویژگی های بصری تصاویر ، نظیر رنگ ، پاسخ لبه ، شدت نور و ... هستند ، اما استفاده از ویژگی های بصری تصویر به تنهایی در بسیاری از موارد کافی نیست . روش های جدید دسته بندی بصری اشیاء برای افزایش دقت و رفع ابهام در فرآیند دسته بندی از اطلاعات موجود در متن تصویر و روابط معنایی بین اشیاء کمک می گیرند . در این پژوهش برای ارائه یک ساختار یکپارچه به منظور به کارگیری اطلاعات استخراج شده از روابط معنایی بین اشیاء ، تابع کرنلی بر پایه معیار فاصله معنایی طراحی کرده ایم . این معیار فاصله معنایی برای اولین بار جهت استفاده در فرآیند بازیابی اطلاعات متنی معرفی شده است . تابع کرنل ارائه شده از دو بخش بصری و معنایی تشکیل شده است . بخش بصری ، فاصله بصری بین دو تصویر را با استفاده از معیار های فاصله متدوال محاسبه می کند و در بخش معنایی ، فاصله معنایی بین تصویر دو شیء بر اساس مجموعه اشیاء رویت شده در کنار هر شیء با به کار گیری معیار فاصله معنایی به دست می آید .