در سال های اخیر، کارایی سیستم های تایید چهره در محیط های کنترل شده به طور قابل توجهی بهبود یافته است. با این وجود چنین سیستم هایی در محیط های غیر کنترل شده، دارای قابلیت اطمینان پایینی هستند. از جمله عواملی که کیفیت سیستم های تایید چهره را دستخوش تغییر می کند عبارتند از: تغییر در شرایط نورپردازی، حالات چهره و طرز قرار گرفتن چهره. شرایط مختلف نوری تغییرات شدیدی در چهره افراد ایجاد می کند، به نحوی که ممکن است تفاوت تصاویر چهره یک فرد در شرایط نورپردازی مختلف، بیشتر از تفاوت بین تصاویر چهره افراد مختلف در شرایط نورپردازی یکسان باشد. بنابراین برای طراحی یک سیستم تایید چهره مطمئن، بایستی بر چنین مشکلاتی غلبه کرد. یکی از روش های پیشنهادی، بهره گیری از تصاویر اخذ شده در باند خارج از طیف مرئی (مانند باند مادون قرمز) می باشد. در این تحقیق، با به کارگیری تصاویر مرئی و مادون قرمز نزدیک، سیستم تایید هویت چندطیفی طراحی شده است. معیار همبستگی نرمالیزه شده به عنوان معیار شباهت سنجی جهت مقایسه هر نمونه ورودی با مدل کاربر مورد ادعا بکار گرفته می شود و به هر نمونه ی ورودی نمره ای نسبت داده می شود. نمرات حاصل از طبقه بندی کننده های چندطیفی با استفاده از الگوریتم های ادغام بدون مربی و بامربی جهت تصمیم گیری نهایی ترکیب می شوند. در فاز دیگری از این تحقیق، مسئله سنتز تصاویر مادون قرمز نزدیک از روی تصاویر متناظر باند مرئی بررسی شده است. سیستم بازسازی پیشنهاد شده مبتنی بر الگوریتم آنالیز همبستگی کانونی(cca) می باشد. با بکارگیری رگرسیون خطی چندمتغیره مبتنی بر الگوریتم cca، سیستم سنتز تصاویر مادون قرمز نزدیک ایجاد می گردد. در ادامه نشان داده شده است که با ادغام اطلاعات باند مرئی و مادون قرمز نزدیک سنتز شده، کارایی سیستم تایید چهره بطور قابل ملاحظه ای افزایش می یابد.

امروزه مسأله تأیید هویت به یکی از مهم ترین بخش های زندگی بشر تبدیل شده است. با ظهور دانش بیومتریک روش های متداول تأیید هویت دچار دگرگونی شده و در حال جایگزینی با روش های بر پایه علائم حیاتی می باشند. سیستم های بیومتریکی مبتنی بر تصاویر چهره و یا سیگنال گفتار عملکرد موثری در این زمینه از خود نشان داده اند ولی کیفیت عملکرد آن ها به سادگی با به وجود آمدن عدم تطابق میان شرایط آموزش و آزمایش به مخاطره می افتد. سیستم های تأیید هویت بیومتریکی چندگانه به علت استفاده از چندین خصیصه بیومتریکی و تأثیر پذیری کمتر از شرایط جانبی بسیار مقاوم ترند. در این پژوهش با درنظر گرفتن بیومتریک های تصویر چهره و سیگنال گفتار به بررسی روش های مختلف انتخاب و ادغام طبقه بندی کننده ها در قالب یک سیستم بیومتریکی چندگانه می پردازیم. در سیستم بیومتریکی مبتنی بر سیگنال گفتار روش های mfcc و rasta-plp به منظور استخراج ویژگی و از طبقه بندی کننده های کدینگ منبع و مدل سازی با استفاده از مخلوط گوسی ها برای تصمیم گیری استفاده شده است. همچنین در سیستم تأیید چهره با استفاده از روش های استخراج ویژگی مبتنی بر ظاهر pca و lda ویژگی های تصاویر استخراج شده و با استفاده از طبقه بندی کننده های مبتنی بر معیارهای شباهت سنجی در مورد هویت مورد ادعا تصمیم گیری می شود. به منظور بهبود عملکرد سیستم تأیید هویت، ادغام در دو سطح امتیاز و تصمیم گیری مورد بررسی قرار گرفته و همچنین امکان به کارگیری روش های انتخاب جستجوی ترتیبی و الگوریتم بهینه سازی انبوه ذرات در کنار روش های ادغام ماشین بردار پشتیبان و متوسط گیری وزن دار مورد مطالعه قرار گرفت. نتایج آزمایش های ما بر روی پایگاه داده banca بیانگر این موضوع است که با ترکیب الگوریتم بهینه سازی انبوه ذرات و روش ادغام ماشین بردار پشتیبان عملکرد سیستم نسبت به سایر روش ها به نحو چشم گیری بهبود می یابد.

در این پایان نامه ما قصد داریم با به کارگیری شکل منظومه سیگنال دریافتی به عنوان ویژگی، به تشخیص نوع مدولاسیون های دیجیتال خطی در یک شبکه رادیوشناختی بپردازیم. رویکرد ما استفاده از خوشه بندی سیمبل های باند پایه سیگنال و ارزیابی نتایج خوشه بندی توسط معیارهای تأیید صحت خوشه بندی برای بازشناسی نوع منظومه سیگنال می باشد. به همین منظور تعدادی از معروف ترین الگوریتم های خوشه بندی و معیارهای ارزیابی خوشه بندی مطالعه شده اند و از میان آن ها الگوریتم k-means، یکی از سریع ترین و ساده ترین روش های خوشه بندی، و fhv، یک معیار معروف، ساده و سریع برای ارزیابی خوشه بندی های انجام شده توسط fuzzy k-means، به کار گرفته شده اند. الگوریتم ارائه شده کاملاً بی نیاز از داده های آموزشی بوده و در شرایط «کانال فیدینگ رایلی مسطح با تغییرات آهسته» و بدون اطلاع از مقادیر پارامترهایی نظیر نسبت سیگنال به نویز و فاز حامل به خوبی انجام وظیفه می کند. استفاده از این جفت الگوریتم-معیار سریع و دقیق و ارائه یک روش بدیع برای انتخاب مقادیر اولیه مناسب برای الگوریتم k-means، که دقت آن را به طرز قابل ملاحظه ای افزایش می دهد و تعداد تکرارهای لازم برای همگرایی را بسیار کم می کند، کیفیت بالا و پیچیدگی محاسباتی کم الگوریتم مورد نظر را تضمین می کند. از طریق شبیه سازی نشان داده شده است که برای پرکاربردترین مدولاسیون های دیجیتال خطی، برای نسبت سیگنال به نویزهای بالای db10 و در حضور نویز سفید جمع شونده، الگوریتم ارائه شده نوع مدولاسیون را کاملاً به درستی تشخیص می دهد.

پایدارسازی ویدئو، تلاش در جهت حذف نوسانات و لرزش های ناخواسته از داده های ویدئویی است. روش های حلّ مسأله به دو گروه سخت افزاری و نرم افزاری تقسیم می شود که روش های نرم افزاری شامل سه مرحله ی "تخمین حرکت" ، "هموارسازی و تصحیح حرکت" و "تکمیل فریم ها" می باشد. در تخمین حرکت مبتنی بر ویژگی، ابتدا در هر فریم نقاط ویژگی استخراج می شود. سپس تطبیق خطّ سیر ویژگی ها به یک مدل حرکت کلّی صورت می گیرد. مدل حرکت را می توان به صورت دو بعدی و یا سه بعدی در نظر گرفت. مدل حرکت سه بعدی کامل بوده و تغییرات صحنه در راستای عمق را نیز توصیف می کند، ولی حلّ آن پیچیدگی هایی دارد. مدل دو بعدی ساده بوده و در بسیاری از موارد نیازهای حلّ مسأله را برطرف می نماید. برای یافتن پارامترهای حرکت از روی نقاط ویژگی نیازمند تخمین پایداری هستیم که بتواند در مقابل اشیاء متحرک در صحنه (outlierها) مقاوم بوده و با حضور آنها، مدل حرکت را با دقّت کافی محاسبه کند. پس از تخمین حرکت، برای هموارسازی حرکت و حذف فرکانس های بالا که مربوط به نوسانات ناخواسته می باشد، از فیلتر پایین گذر مکانی -زمانی مناسب بهره برداری می شود. همچنین، برای پر کردن نواحی خالی و تعریف نشده ی ایجادشده در فریم ها دراثر تصحیح حرکت و انحراف فریم ها مطابق با پارامترهای هموارشده، تکمیل ویدئو تحت روشی مناسب صورت می گیرد. برای این منظور از روش mosaicing استفاده شده است. درکارهای پیشین در این زمینه، الگوریتم mosaicing با در نظر گرفتن فریم های تصحیح شده به عنوان فریم های همسایه ی فریم تحت فرآیند تکمیل، پیاده سازی شده است. در این پژوهش، نشان داده شده است که با استفاده از فریم های اوّلیه، قبل از اعمال فرآیند تصحیح حرکت و با در نظرگرفتن نگاشت های مربوطه نتایج بهتری حاصل می شود. پیاده سازی سیستم مورد نظر به صورت offline صورت می گیرد و برای پایدارسازی ویدئوی ضبط شده مناسب می باشد.

سیستم های تأیید هویت مبتنی بر چهره از جمله سیستم های زیست سنجی هستند که بدلیل نامحسوس بودن و قابلیت های بالا از جایگاه ویژه ای برخوردار هستند و کاربرد آنها در حال افزایش است. یکی از مهم ترین مراحل، در سیستم های تأیید چهره، مرحله استخراج ویژگی است که بر عملکرد سایر قسمت های سیستم های تایید چهره تاثیر بسزایی دارد. از این دیدگاه، سیستم های تائید چهره را می توان به دو دسته عمده تقسیم نمود: استخراج ویژگی های کلی و طبقه بندی بر اساس ویژگی های مستخرج شده کل چهره و استخراج ویژگی های محلی چهره و تصمیم گیری بر مبنای این ویژگی ها. روش های تحلیل محلی چهره، نسبت به تغییرات ظاهری چهره مقاوم تر هستند، زیرا تغییرات محیطی معمولا برروی بخش هایی از توصیف تاثیر می گذارند. اما این روش ها عموما به خطای ثبت تصاویر حساسیت بیشتری دارند. در این پژوهش عملکرد الگوریتم های استخراج ویژگی کلی و محلی چهره برروی تصاویر سطح خاکستری مورد بررسی قرار گرفته است. بدین منظور از الگوریتم های متداول استخراج ویژگی کلی pca ، lda، kpca و gda به انضمام دو الگوریتم دیگر global dct و فیلتر gaborاستفاده شده است. همچنین الگوریتم های استخراج ویژگی محلی الگوی باینری محلی lbp ، که اخیرا بسیار مورد توجه واقع شده است همراه با سه الگوریتم محلی local dct ، local pca و فیلتر gaborمحلی نیز مورد استفاده واقع شده است. در این پژوهش ضمن بررسی عملکرد هریک از این روش های استخراج ویژگی، ادغام الگوریتم های استخراج ویژگی محلی و کلی چهره در دو سطح مختلف ویژگی و تصمیم گیری مورد توجه واقع شده است. آزمایش های انجام شده نشان می دهند که ادغام ویژگی های محلی و کلی چهره در سطح ویژگی بهبود بیشتری در کارکرد سیستم بوجود می آورد و در مقایسه با بهترین طبقه بندی کننده بکارگرفته شده مبتنی بر روش های استخراج ویژگی کلی یا محلی چهره متوسط کل خطا را به میزان 7/37% کاهش می دهد.

یکی از مراحل بسیار مهم در سیستم های تایید چهره، استخراج ویژگی های توصیف کننده و متمایز کننده کاربران است. الگوی دودویی محلی (lbp) یکی از موثرترین روش های شناخته شده برای این منظور است که ضمن توصیف مناسب داده های تصویری بر ویژگی های متمایز کننده افراد متفاوت تاکید نموده و اثر شرایط نورپردازی محیط را کاهش می دهد. از سوی دیگر نشان داده شده است که به کارگیری روش تجزیه به مدهای تجربی (emd)، نیز شیوه ای موثر برای توصیف داده ها و حذف افزونگی داده ها می باشد. هدف از این پژوهش در گام نخست، بهبود سیستم تایید چهره با ترکیب این دو روش استخراج ویژگی است. برای این منظور الگوریتم های مختلف پیاده سازی این روش ها و همچنین حالت های مختلف ترکیب این دو روش مورد بررسی و تجزیه و تحلیل واقع می شود. در گام دوم این پژوهش، روشی جدید و کارامدتر نسبت به lbp، با عنوان الگوی مشتق به هم پیچیده اصلاح شده (midp) ارائه می شود. ترکیب روش پیشنهادی با فرایند تجزیه به مدهای تجربی نیز مورد بررسی قرار می گیرد. نتایج بدست آمده از آزمایش ها نشان می دهد، استفاده هم زمان از lbp و emd باعث بهبود کارایی سیستم تایید چهره می گردد. البته مشکلی که برای استفاده از emd وجود دارد زمان بر بودن الگوریتم استخراج توابع حالت ذاتی در آن می باشد. همچنین نتایج بدست آمده توانایی midp را جهت توصیف مناسب تر داده های تصویری نسبت به lbp نشان می دهد.

در این پایان نامه روش پردازش تصویر دیجیتالی برای تعیین مقادیر پارامترهای هندسی ناپیوستگی ها و مدل سازی آنها در سه بعد در رخساره سنگ بکار گرفته شده است. از مزایای این روش نسبت به روش های دستی می توان به ایمن بودن، کم هزینه بودن، کم وقت گیر بودن، داشتن توانایی برداشت تمامی درزه ها، رخ دادن خطای کمتر و حذف خطای انسانی در بدست آوردن داده ها اشاره کرد. در این پایان نامه ابتدا با توجه به میزان اختلاف سطح خاکستری ناپیوستگی ها با زمینه رخساره، ناپیوستگی های موجود در رخساره سنگ آشکارسازی شده و بعضی از پارامترهای درزه ها نظیر مقدار زاویه اثر، فاصله داری، تعداد دسته درزه ها، تداوم و مقدار rqd بدست می آید. از روی مقدار زاویه اثر درزه ها و روابط ریاضی بین جهت داری صفحه ناپیوستگی ها و سطح رخساره، شیب و جهت شیب درزه ها با روش بهینه سازی دسته عامل ها (pso) بدست می آید. در ادامه با توجه به داده های بدست آمده، درزه ها با روش دیسک های تصادفی در فضای سه بعدی مدل سازی می شوند. در اثر قطع کردن دیسک ها با یک صفحه می توان در هر جهتی مقطع زده و اثر درزه ها را در صفحه مزبور بدست آورد. روش پردازش تصویر دیجیتالی بر روی یک رخساره ضلع شرقی معدن چاه گز، بعنوان مورد مطالعاتی، پیاده شده است. نتایج این روش نشان می دهد که این رخساره دارای دو دسته درزه غالب بترتیب با شیب 45 و 40 و جهت شیب 180 و 315 درجه است. تابع چگالی احتمال جهت داری، فاصله داری و طول اثر درزه ها بترتیب نرمال، نمایی منفی و لاگ نرمال می باشد و این نتایج با کارهای آقایان بشر، زانگ و اینشتین و کولاتیلاک هم خوانی دارد.

با توجه به اهمیت روزافزون امنیت اطلاعات و نیاز افراد و سازمان‍ها به امنیت بیشتر به خصوص در فناوری های ارتباطاتی و اطلاعاتی، ابزارهای قدیمی مانند رمز عبور به تنهایی جوابگو و قابل اعتماد نمی باشند. با ظهور دانش بیومتریک روش های متداول تأیید هویت در سیستم های بیومتریک دچار دگرگونی شده و در حال جایگزینی با روش هایی بر پایه ی علایم حیاتی می باشند. اخیراً کاربرد سیگنال الکتریکی مغز(eeg) در سیستم های بیومتریک به عنوان یک شاخه پژوهشی جذاب و کاربردی مورد توجه محققین قرار گرفته است. در این پژوهش با در نظر گرفتن بیومتریک سیگنال الکتریکی مغز، مجموعه ای از روش های مختلف استخراج، انتخاب ویژگی و همچنین طبقه بندی کننده های متفاوت در قالب یک سیستم بیومتریک تأیید هویت بررسی می شود. در سیستم بیومتریک معرفی شده ی نهایی از سیگنال الکتریکی بیست کاربر در حین انجام فعالیت ذهنی استفاده شده است. ترکیبی از ضرایب مدل خود بازگشتی(ar) ، توان باندهای فرکانسی سیگنال مغز، چگالی طیف توان، آنتروپی انرژی و آنتروپی نمونه به عنوان ویژگی های مستخرج از سیگنال مغز و k نزدیک ترین همسایه و مدل مخلوط گوسی به عنوان طبقه بندی کننده، مورد استفاده قرار گرفته است. به منظور بهبود عملکرد سیستم تأیید هویت، علاوه بر بررسی ادغام در سطح حسگر و فضای ویژگی، امکان به کارگیری روش های انتخاب ویژگی به کمک الگوریتم ژنتیک نیز مورد مطالعه قرار گرفته است. نتایج آزمایش های ما بر روی پایگاه داده shalk و همکارانش بیانگر این موضوع است که با ترکیب ویژگی های متفاوت و استفاده از الگوریتم ژنتیک با به کارگیری سیگنال مغزی تک کاناله، عملکرد سیستم در دو روش تک بلوک و چند بلوک نسبت به سایر سیستم های تأیید هویت مبتنی بر سیگنال الکتریکی مغز به نحو چشمگیری بهبود می یابد و چشم انداز روشنی از استفاده ی عملی و تجاری سیگنال الکتریکی مغز در سیستم های تأیید هویت آینده را نشان می دهد.

با توجه به کاربرد روزافزون سیستم های بازشناسی چهره در زندگی روزمره، بهبود عملکرد این سیستم ها مورد توجه بسیاری از پژوهش گران قرار گرفته است. در سیستم های بازشناسی الگو و کاربرد خاص آن یعنی سیستم های تایید چهره، به منظور افزایش کیفیت و کاهش پیچیدگی سیستم، با هدف کاهش بعد داده ها و حفظ هرچه بیشتر اطلاعات جداکننده دسته های مختلف، داده ها به یک فضای ویژگی مناسب نگاشت پیدا می کنند. اخیراً با ورود مفاهیم جدیدی چون تنک بودن سیگنال ها و نمایش آن ها براساس تعداد نمونه کمتر، مسئله بکارگیری تکنیک های نمایش تنک در سیستم های شناسایی آماری الگو و بینایی ماشین مطرح شده است. در این پژوهش، چگونگی بهره گیری از این تکنیک ها در مراحل استخراج ویژگی و طبقه بندی داده ها در قالب یک سیستم بازشناسی چهره مورد بررسی قرار می گیرد. برای این منظور، ابتدا عملکرد طبقه بندی کننده مبتنی بر نمایش تنک (src)با طبقه بندی کننده های پایه مبتنی بر معیارهای سنجش فاصله مقایسه شده و برتری قابل ملاحظه src در کاربرد مورد نظر اثبات می شود. سپس، عملکرد سیستم بازشناسی چهره در فضاهای مختلف ویژگی مبتنی بر تکنیک های نمایش تنک ارزیابی شده و نشان داده می شود که در سیستم تائید چهره مورد بحث، روش استخراج ویژگی«نگاشت با حفظ تنکی سیگنال محلی» در مجموع به نتایج بهتری منجر می شود. در بخش دیگری از این پژوهش، مسئله ی تعمیم طبقه بندی کننده مبتنی بر نمایش تنک، در کاربرد جداسازی زوج تصاویر سازگار و ناسازگار مورد توجه قرار گرفته و روشی نوین ارائه می شود. با بکارگیری روش پیشنهادی، داده های سازگار و ناسازگار پایگاه داده ی lfw (که تصاویر آن در شرایط کنترل نشده جمع آوری شده است) با درصد صحت قابل قبولی طبقه بندی می شوند.

امروزه با هدف بالا بردن کیفیت محصولات نهایی، در خطوط تولید، از سیستمهای بازبینی خودکار بهره گرفته میشود. این امر با افزایش سرعت و دقت بازبینی محصولات، توسط این سیستمها انجام میشود. در این تحقیق یک روش جدید آشکار سازی عیوب، برای پارچه های طرحدار و بدون طرح با استفاده از تبدیلات حوزه مکان و فرکانس، و روشهای شناسایی آماری الگو و همچنین یک دسته بندی جدید، که کلیه روشهای تشخیص خودکار عیوب را به دو دسته "برجسته ساز عیوب" و "جستجوگر عیوب " تقسیم می کند، ارائه مشود. روش مورد استفاده در این تحقیق مربوط به دسته جستجوگر عیوب است، که بر خلاف روشهای پیشین بر روی تصاویر مربوط به پارچه های طرح دار و بدون طرح به خوبی عمل میکند. در این روش با داشتن دانش قبلی در مورد نوع عیوب، در مرحله استخراج ویژگی با استفاده از تبدیل موجک بسته ای و یا فیلتر گابور، ضرایبی که مربوط به ویژگی عیوب می باشند را جدا میکنیم و سپس به این فضای ویژگی جهت کاهش ابعاد و طبقه بندی بهتر، pca و lda اعمال میکنیم. در نهایت در مرحله طبقه بندی با استفاده از روش knn، تصاویر را به دو دسته عیب دار و بدون عیب تقسیم میکنیم. این روش، خطای آشکارسازی را برای پارچه های طرح دار به شدت کاهش میدهد. با به کار گیری این روشها خطای طبقه بندی بین ?? تا ?? درصد، نسبت به روش مشابه کاهش پیدا کرده و در برخی موارد خطا به صفر رسیده است. همچنین به دلیل کاهش مرتبه محاسباتی سرعت پردازش تصاویر به مراتب بیشتر از روشهای قبلی میباشد.

بیماری دوقطبی از جمله بیماری هایی است که به دلیل داشتن شباهت های زیاد با دیگر بیماری های رفتاری، اغلب روانپزشکان در تشخیص صحیح و به موقع آن با مشکل مواجه اند. با توجه به اینکه تشخیص صحیح بیماری اولین و مهمترین قدم در مسیر درمان است، استفاده از روش های تشخیصی معتبر با درصد خطای کم که وابستگی ناچیزی به شرایط محیطی، فیزیکی و بیان علائم توسط بیمار داشته باشد، قابل اهمیت است. از روش های موثر و قابل اعتماد در زمینه تشخیص بیماری های اعصاب و روان، استفاده از سیگنال های مغزی است که تا کنون بسیار دیده شده است که در اختلالات متفاوت، تغییرات منحصر به فردی در این سیگنال ها ظاهر می شود که با استخراج و طبقه بندی این تغییرات می توان به تشخیص صحیح بیماری دست یافت. در این پروژه سعی شده است که با استخراج ویژگی های مناسب در حوزه زمان و فرکانس و مقایسه طبقه بندی کننده های خطی،svm و شبکه های عصبی، بهترین ویژگی ها و مناسب ترین طبقه بندی کننده ها را جهت تشخیص این اختلال و جدا کردن افراد سالم از بیمار، تعیین شود. ویژگی های، توان باند theta، معیار تحرک و فرکانس ماکزیمم بیشترین تاثیر را در طبقه بندی این سیگنال ها داشته اند. همچنین طبقه بندی کننده خطی ، با دقت تفکیک بالای 95% دارای بهترین درصد تفکیک و کمترین زمان لازم، در بین طبقه بندی کننده ها است.

طی دهه اخیر، پردازش تنک سیگنال ها به عنوان ابزاری قدرتمند و جایگزینی کارا برای تبدیل های کلاسیک، توجه زیادی را به خود جلب کرده است. استفاده از نمایش تنک سیگنال ها در مسائل طبقه بندی نیز نتایج موفقیت آمیزی به همراه داشته است. با این حال، کیفیت عملکرد این طبقه بندی کننده ها در شرایط سخت، از جمله در مواردی که داده های هر طبقه تنوع زیادی داشته و یا ابعاد داده ها در مقایسه با تعداد داده های آموزشی زیاد باشد، به شدت افت می کند. علاوه بر این، پیچیدگی محاسباتی بالای برخی از این روش ها، استفاده از آن ها را در بسیاری از کاربردهای عملی با مشکل مواجه می کند. برای کاهش این مشکلات، روش های مختلفی ارائه شده است که از آن جمله می توان به توسعه الگوریتم های آموزش دیکشنری طبقه بندی گرا و همچنین معرفی روش هایی برای انتخاب تعداد کمی از اتم های دیکشنری که نمایش متمایزکننده تری از سیگنال مورد نظر ارائه می دهند، اشاره کرد. در این پژوهش، مسائل پیچیده طبقه بندی دادگان با استفاده از طبقه بندی کننده های مبتنی بر نمایش تنک، با به کارگیری روش های آموزش دیکشنری و همچنین ارائه ی روش جدیدی تحت عنوان طبقه بندی دو مرحله ای مورد توجه قرار گرفته است. برای ارزیابی عملکرد روش ها، از دو پایگاه داده 14-tumors و lfw استفاده شده است. دادگان 14-tumors حاوی مقادیر بیان ژن در 14 نوع تومور مختلف می باشد که ابعاد بسیار بالایی در مقایسه با تعداد نمونه ها دارد. شرایط کنترل نشده تصاویر چهره lfw نیز منجر به عملکرد ضعیف روش های معمول، در تفکیک زوج های سازگار و ناسازگار آن شده است. مقایسه ی نتایج شبیه سازی ها، حاکی از عملکرد بهتر روش طبقه بندی دو مرحله ای پیشنهادی در دادگان 14-tumors، با صحت تقریبی 80 درصد است. همچنین، استفاده از دیکشنری های مجزا برای هر یک از تصاویر زوج ورودی، به دسته بندی نسبتا بهتر زوج های سازگار و ناسازگار در پایگاه داده lfw منجر شده است.

آشکارسازی اشیا متحرک موجود در فریم¬های ضبط شده در یک دنباله¬ی ویدئویی، مرحله¬ای مهم و اساسی در بسیاری از کاربردهای نظارت ویدئویی می¬باشد. یک سیستم آشکارساز شی متحرک، به¬منظور دست¬یابی به روشی مقاوم برای آشکارسازی اجسام در فریم¬های ویدئو، نیاز به تخمین دقیق و قابل اعتماد پس¬زمینه و کاستن آن از تصویر دارد. چالش¬های متعددی در الگوریتم¬های کاستن پس¬زمینه و مدل¬سازی آن وجود دارد. اولا روش¬های انتخابی بایستی در مقابل تغییرات روشنایی مقاوم باشند. دوم این¬که الگوریتم باید از آشکارسازی پس-زمینه¬های غیر ساکن مانند شاخ و برگ متحرک درختان، باران و آب مواج و همچنین سایه¬های تولید شده توسط اشیا مسدود کننده¬ی نور خورشید یا منبع روشنایی جلوگیری نماید. برای این منظور سه رویکرد انتخاب مناسب فرآیند مدل¬سازی، انتخاب بهینه¬ی ویژگی و بهره¬گیری از پردازش¬های اضافی به¬کار گرفته شده است. هدف از این پژوهش، بهبود مدل¬سازی پس¬زمینه به-منظور آشکارسازی اشیا پیش¬زمینه است. برای دست¬یابی به این هدف با توجه به رویکردهای فوق، پنج محور بهبود الگوریتم گوسی مرکب با استفاده از اطلاعات بافت تصویر، بهبود عملکرد الگوریتم مبتنی بر بافت به کمک توصیف بهینه¬ی بافت تصویر، و همچنین استفاده از تکنیک حذف سایه در این الگوریتم، ارائه¬ی یک روش فازی مبتنی بر بافت و رنگ و ارائه¬ی روشی غیر پارامتری مبتنی بر تخمین تابع چگالی احتمال هر پیکسل مورد توجه قرار گرفته است. در نهایت خروجی هر الگوریتم با استفاده از معیارهای معروف در روش کاستن پس¬زمینه سنجیده شد که نشان از کارآیی و دقت روش¬های پیشنهادی دارد.

کنترل و نظارت بر فرآیندها یکی از وظایف مهم در کنترل کیفیت آماری به حساب می¬آید و نمودارهای کنترل به عنوان یکی از ابزار مهم در کنترل کیفیت آماری نقش بسزایی در کنترل فرآیند حین تولید دارد. البته باید به این نکته توجه شود که نمودارهای کنترل، فرآیند را کنترل نمی¬کنند بلکه ابزاری برای سنجش فرآیند به شمار می¬آیند که فرآیند تحت کنترل است یا خیر. با توجه به عدم توانایی نمودارهای کنترل برای هشدار هنگام وجود الگوهای غیرطبیعی در این نمودارها، امروزه تشخیص خودکار این الگوها در نمودارهای کنترل در فرآیندهای تولیدی اهمیت فراوانی یافته است. در این پژوهش، مدل پیشنهادی با توجه به چارچوب سه ماژولی سامانه تشخیص الگو که شامل ماژول¬های پیش پردازش داده¬ها، استخراج ویژگی و طبقه¬بندی است، شکل گرفته است. استفاده از روش تجزیه به مدهای تجربی (emd)، به منظور استخراج ویژگی از سیگنال¬های نمودار کنترل در این پژوهش مدنظر قرار گرفته است. emd به عنوان ابزاری برای تجزیه سیگنال به مؤلفه های سازنده¬ی آن¬ها و با توجه به این نکته که درحوزه¬ی زمان باقی می¬ماند، ابزاری مفید برای تجزیه سیگنال¬ در نمودارهای کنترل پیشنهاد شده است. مدل پیشنهادی با توجه به نوع استفاده از emd، شامل دو رویکرد است. در رویکرد نخست از emd به عنوان ابزاری برای استخراج ویژگی استفاده شده است، به این صورت که آخرین imf استخراجی به عنوان ویژگی استخراج شده از سیگنال اصلی در نظر گرفته شده است. هم چنین در این رویکرد از باقی مانده به دست آمده از سیگنال اصلی پس از اعمال emd، به عنوان سیگنالی برای استخراج ویژگی استفاده شده است. در رویکرد دوم از emd به عنوان ابزاری برای فیلترینگ سیگنال¬های کنترل استفاده شده که در نهایت دو imf نخست از سیگنال اصلی حذف شده و سیگنال فیلتر شده به عنوان ویژگی در نظر گرفته شده است. در ماژول طبقه بندی از ماشین بردار پشتیبان و شبکه های عصبی چند لایه استفاده شده است در نهایت پس از ارزیابی عملکرد سیستم، صحت تشخیصی برابر با 52/92 درصد برای رویکرد اول و 875/99 درصد برای رویکرد دوم حاصل شده که نشان از کارایی بالای سیستم پیشنهادی دارد. کلمات کلیدی: نمودارهای کنترل، الگو، استخراج ویژگی، تجزیه به مدهای تجربی (emd)، ماشین بردار پشتیبان (svm)، شبکه¬های عصبی چند لایه (mlp