بهینه سازی در واقع شامل حل یک مساله تصمیم گیری، شامل انتخاب مقادیر برای متغیر های مساله با در نظر گرفتن یک هدف است. روشها و الگوریتم های متفاوتی برای حل مسایل بهینه سازی ابداع شده اند. به کار بردن دو یا چند روش برای حل یک مساله بهینه سازی به شکلی که همکاری بین روشها نتیجه بهتر و سریعتری را عاید ما سازد همیشه مورد توجه بوده است. این ایده به خصوص با ورود روش های جدید به حیطه بهینه سازی تقویت شد. برای ترکیب الگوریتم های مختلف با یکدیگر روشهای متفاوتی به کار برده شده است استفاده از عمگرهای یک الگوریتم در دل الگوریتم دیگر، اجرای موازی بر روی زیر جمعیت های مختلف و اجرای نوبتی آن ها بر روی یک جمعیت مشترک. در حالتی که الگوریتم های مختلف بر روی زیر جمعیت ها جدا از هم اجرا می شود معمولا از یک عملگر برای تعویض برخی اعضای زیر جمعیت ها استفاده می شود. در الگوریتم های بهینه سازی همیشه باید به گونه ای بین جستجوی محلی و سراسری تعادل ایجاد نمود. چرا که جستجوی محلی بیشتر منجر به افتادن در دام بهینه های محلی و تمرکز بیشتر بر روی جستجوی سراسری باعث کاهش سرعت همگرایی و بعضا به دست نیامدن جواب قابل قبول می باشد. در این رساله چندین الگوریتم بهینه سازی مختلف با خواص متفاوت ترکیب شده است جواب های دست آمده نسبت به هر کدام از الگوریتمهای قبلی بهتر می باشد.الگوریتمهایی که برای این منظور استفاده شده الگوریتم ژنتیک و ترکیب های مختلف آن با دیگر الگوریتم ها ، الگوریتم بهینه سازی تجمعی ذرات و ترکیب های مختلف و ارتقا یافته آن و همچنین الگوریتم ژنتیک چند عاملی می باشد الگوریتم های ذکر شده به روشهای مختلفی با یکدیگر ترکیب شده و روش حاصل با توابع محک گوناگون و مسایل با ابعاد بالا تست شده است در اغلب موارد پایداری الگوریتم ترکیبی نسبت به فضاهای گو ناگون و ابعاد بالا بیشتر شده است ترکیب الگوریتم های مختلف با خصوصیات مکمل باعث شده تا نقاط ضعف یک الگوریتم در یک فضا توسط الگوریتم های دیگر پوشش داده شود.

میدان های تصادفی شرطی یکی از مدل های گرافیکی قدرتمند هستند که در دسته مدل های تفکیکی جای می گیرند. این مدل ها توزیع احتمال برچسب به شرط مشاهدات را به صورت مستقیم مدل سازی کرده و بنابراین، نواقص مدل های مولد را، که توزیع مشترک برچسب و مشاهدات را با فرض مستقل بودن مشاهدات به شرط برچسب محاسبه می کنند، دارا نمی باشند. از آنجایی که میدان های تصادفی شرطی بدون جهت هستند، در حالت دوبعدی با توجه به ماهیت بدون جهت ارتباط پیکسل ها در تصویر به خوبی می توانند مسائل پردازش تصویر و بینایی ماشین را مدل سازی کنند. در این پایان نامه بر اساس فرضیه توانایی یادگیری دینامیک های حرکتی توسط میدان های تصادفی شرطی، یک الگوریتم ردیابی ارائه می گردد. در ابتدا با بررسی میدان های تصادفی شرطی و توابع ویژگی مختلف نشان داده می شود که در صورتی که توابع ویژگی به خوبی انتخاب گردند، این میدان ها می توانند دینامیک های حرکتی را فراگیرند. اثبات فرضیه توانایی یادگیری دینامیک های حرکتی در مرحله اول با فرض ثابت بودن سرعت هدف انجام می گیرد. با مشخص شدن قابلیت میدان تصادفی شرطی در یادگیری دینامیک های سرعت ثابت، این میدان تصادفی که دراین جا میدان تصادفی شرطی زمانی نام گذاری می گردد، توسط دینامیک های حرکتی دیگر مانند دینامیک های شتاب ثابت بررسی شده و توانایی یادگیری آن در دینامیک های مختلف به صورت عام نشان داده شده و اثبات می گردد. با نشان دادن قدرت و توانایی یادگیری میدان تصادفی شرطی زمانی در یادگیری دینامیک های حرکتی، الگوریتمی بر مبنای این میدان تصادفی شرطی بسط داده شده جهت ردیابی اهداف مختلف ارائه می گردد. الگوریتم ارائه شده با دنباله دادگان مختلف تصویر مورد آزمایش قرار گرفته و قدرت آن در ردیابی اهداف نمایش داده می شود. این میدان تصادفی شرطی زمانی جدید را می توان به منظور ردیابی تک هدف و یا چند هدف به صورت هم زمان مورد استفاده قرار داد. الگوریتم mean-shift جهت مقایسه بکار گرفته شده است. با توجه به این که الگوریتم shift mean- تنها توانایی ردیابی یک هدف را دارا می باشد، میدان تصادفی شرطی زمانی ارائه شده در حالت ردیابی تک هدف با این الگوریتم مقایسه شده است.

چکیده

چکیده ندارد.

مبحث "بافت" در سال های اخیر برای کاربردهای عملی حوزه بینایی ماشین مورد توجه بسیاری قرار گرفته است. یکی از مهم ترین زمینه های تحقیقاتی این حوزه طراحی سیستم های ارزیابی بصری اتوماتیک محصولاتی است که دارای سطح بافتی یکنواخت هستند. از جمله این محصولات، تولیدات صنایع نساجی است. تاکنون بدین منظور روش های مختلفی با تکیه بر ویژگی های گوناگون استخراج شده از نواحی معیوب ارائه شده است که به علل متعدد از دقت رضایت بخشی برخوردار نبوده اند. در این پژوهش یک طبقه بندی کننده جدید مبتنی بر تکستون ها به منظور آشکارسازی و تشخیص انواع مختلف عیوب بافتی پارچه های طرح دار و بدون طرح ارائه شده است که می کوشد ویژگی های سودمندی را از ساختارهای میکروسکوپی بافت با استفاده از مجموعه ای از فیلترها حاصل کند. در اولین روش ارائه شده، در ابتدا نواحی معیوب تصویر با استفاده از عملگر الگوهای باینری محلی بهبود یافته شناسایی شده و سپس توسط الگوریتم جدید، نوع عیب آنها تشخیص داده می شود. در دومین روش، عمل مکان یابی و تشخیص نوع آنها به صورت همزمان با استفاده از الگوریتم پیشنهادی انجام خواهد شد. در آزمایش انجام شده، این روش توانسته است تمام نواحی معیوب را به صورت کامل از یکدیگر تشخیص دهد. دو معیار حساسیت و صحت که به ترتیب 9412/0 و 9702/0 محاسبه شده است دقت بالای روش را نشان می دهد.

مطالعه تصاویر علمی نقش بسیار اساسی را در تحقیقات علمی ایفا می کند. تکنیک های زیادی در هوش مصنوعی و به خصوص در پردازش تصویر و بینایی ماشین بوجود آمده اند تا مسایل و نیازهای مطالعات علمی در مورد تصاویر را حل کنند. یکی از زمینه هایی که نیاز به روش های کامپیوتری برای تحلیل تصاویر دارد علم مربوط به محیط های متخلخل می باشد. برای تحلیل خواص ماکروسکوپی این محیط ها با استفاده از تصاویر نیاز است که این تصاویر دارای رزولوشن بالا باشند. تهیه ی تصاویر رزولوشن بالا از این محیط ها دارای محدودیت هایی از قبیل تغییر ماهیت نمونه در اثر برش و در معرض هوا قرار گرفتن و غیره می باشد. لذا این نیاز وجود دارد که برای تحلیل جامع تر، تصاویر رزولوشن بالایی از این محیط ها به صورت مصنوعی تولید شود. به این منظور در کارهای قبلی موجود در این زمینه، روش هایی ارائه شده است که در بیشتر آن ها مدل هایی از تصاویر رزولوشن بالا ساخته شده و سپس از آن ها نمونه گیری می کنند. از آن جا که معمولا تصاویر رزولوشن پایینی از این محیط ها نیز وجود دارند که دارای اطلاعات ارزشمندی از وضعیت تخلخل می باشند روش های دیگری نیز پیشنهاد شده اند که از اطلاعات هر دو نوع تصویر برای ساخت تصاویر جدید استفاده می کنند. ضعف این گونه روش ها در این هست که همانند روش های قبلی مدل از روی تصاویر رزولوشن بالا ساخته می شود، تنها به هنگام نمونه گیری سعی می شود نمونه ای تولید شود که هم از مدل پیروی کند و هم به نمونه ی رزولوشن پایین نزدیک باشد که در واقع نمونه ی تولیدی به تصویر رزولوشن پایین بایاس می شود. در این رساله مدل آماری بر اساس میدان های تصادفی شرطی ارائه شده است که در آن ماهیت محیط متخلخل به گونه ای واقعی تر توصیف می شود. در واقع مدل تصاویر رزولوشن بالا از محیط مورد نظر به شرط وجود تصاویر رزولوشن پایین ساخته شده، سپس از مدل نمونه گیری می شود و تصاویر رزولوشن بالای جدید ساخته می شوند. نتایج آزمایشات نشان از موفقیت روش پیشنهادی دارد به طوری که هم از اطلاعات تصاویر رزولوشن بالا و پایین با هم استفاده شده است و هم بایاسی در مدل وجود ندارد.

حالت صورت اشخاص نقش مهمی را در روابط اجتماعی بازی می کند. بازشناسی حالت چهره به صورت اتوماتیک، یک فرآیند بسیار پیچیده و دشوار است زیرا این فرآیند، بسیار تحت تاثیر تغییرات روشنایی محیط و نوع چهره است. علاوه براین شباهت بین حالات مختلف باعث تشخیص اشتباه حالات چهره می شود. برای مثال چون در هر دو حالات خوشحالی و تعجب، دهان شخص باز است، امکان دارد این دو حالات به اشتباه به جای یکدیگر تشخیص داده شوند. lbp به دلیل ثابت بودن نسبت به تغییرات روشنایی، یک توصیف گر خوب برای شناسایی حالت چهره در شرایط روشنایی متغیر است. vlbp و lbp-top دو روش lbp توسعه یافته هستند که بطور گسترده به منظور ترکیب ویژگی های بر مبنای ظاهر و حرکت به کار می روند. به منظور سادگی در محاسبات و عمومیت بخشی از lbp-top استفاده کرده ایم که انسداد در سه صفحه ی متعامد را در نظر می گیرد. ما از lbp-top برای استخراج ویژگی های مفید استفاده کرده ایم. از آنجا که برخی نواحی چهره مانند چشم ها، دهان و غیره، به علت تغییر زیاد تاثیر بیشتری در تعیین حالت چهره دارند، ما این نواحی را استخراج کرده و متناسب با اهمیت و تاثیر هر ناحیه در تعیین حالت چهره، یک وزن برای آن در نظر گرفته ایم. در این پایان نامه یک روش جدید تمام اتوماتیک بر اساس الگوی پویای باینری محلی برای تشخیص حالت چهره در ویدیو ارائه شده است. ابتدا نقاط و نواحی اصلی صورت که در تشخیص حالت چهره موثرند استخراج شده، سپس این نقاط اصلی از فریم اول تا آخر بصورت کاملا اتوماتیک توسط الگوریتم لوکاس-کانید ردیابی می شوند و الگوی پویای باینری محلی روی تمام فریم ها اعمال می شود و به نواحی موثر در تشخیص حالت چهره وزن بیشتری داده می شود. در نهایت از بردار ماشین پشتیبان برای طبقه بندی حالات چهره استفاده می شود. آزمایشات روی پایگاه داده ی cohn-kanade انجام شده است و برای روش پیشنهادیمان با استفاده از ارزیابی 10 فولد به نرخ بالای 98.48 دست یافتیم که در مقایسه با lbp-top معمولی به میزان 1.13 درصد بهبود داشته است. روش ما در برابر چرخش تصاویر چهره مقاوم است و نیازی به قطعه بندی تصاویر برای استخراج ویژگی و همچنین نرمال سازی سطوح خاکستری قبل از اعمال عملگر ندارد.

وبلاگ ها یکی از مهم ترین پدیده های نوظهور در شبکه اینترنت هستند که در ابعاد فرهنگی، اجتماعی، سیاسی و اقتصادی در سطح دنیا تأثیرات انکار ناپذیری بر جای گذاشته اند. کشور ما یکی از معدود کشورهایی است که رشد وبلاگ نویسی در آن چشمگیر بوده و سرویس های وبلاگ زیادی عهده دار این خدمت به صورت رایگان هستند. رتبه بندی سایت های ایرانی بر اساس تعداد بازدید نشان می دهد بخش قابل توجهی از ترافیک مصرفی کشور ایران مربوط به این سرویس هاست. از دیگر سو تجاری سازی سایت هایی که خدمات رایگان ارائه می دهند به خودی خود پیچیده است و فرهنگ کاربری اینترنت در ایران و نیز شرایط سیاسی اجتماعی کشور و قوانین حاکم بر امور رایانه ای و اینترنتی این پیچیدگی را دو چندان می کند. هدف این پژوهش بررسی روش های کسب درآمد و طراحی مدل های مناسب برای کسب و کار سرویس های وبلاگ با توجه به مقتضیات و شرایط جدید فناوری و کاربری اینترنت است که در طی آن به شرایط حاکم بر وبلاگ نویسی در ایران و راه های کسب درآمد در این فضا پرداخته خواهد شد. در نهایت بعضی از مدل های جدید پیشنهادی بر روی سرویس پارسی بلاگ پیاده سازی و نتایج آن در این پژوهش ارائه خواهد شد. این پایان نامه می تواند به تجاری سازی فعالیت های سایت های مبتنی بر وب 2 و شبکه های اجتماعی که وبلاگ نیز یکی از آن هاست کمک شایانی نماید و در ارتقای کمی و کیفی تجارت الکترونیک در کشور موثر افتد.

در این پژوهش چهارچوبی جهت طراحی و پیاده سازی سایتهای شبکه اجتماعی علمی پیشنهاد میگردد. روش تحقیق مورد استفاده، روش عملی- تحقیقی میباشد که با معرفی یک متدولوژی جهت طراحی و پیاده سازی سایتهای شبکه اجتماعی همراه شده است. این رساله گامی است در جهت استفاده از پتانسیل سایتهای شبکه اجتماعی، برای انجام فعالیتهای علمی. در دنیای امروز و با گسترش مقبولیت سایتهای شبکه اجتماعی از سوی کاربران اینترنت، فقدان چنین بسترهایی در محافل علمی و آکادمیک احساس میگردد. در حال حاضر بسیاری از مردم از سایتهای شبکه اجتماعی با موضوعات اجتماعی غیر علمی، برای انجام فعالیتهای علمی و آکادمیک استفاده مینمایند که این امر موجب توزیع دانش و تبادل افکارِعلمی در بسترهای غیر قابل کنترل و غیرمنسجم میگردد و باعث بروزمشکلات متعددی از جمله دشواریِ مدیریت دانش در شبکه های اجتماعی علمی میگردد. در حال حاضر نیز راهکارها و چهارچوبهای اندکی مختص توسعه و طراحی سایتهای شبکه اجتماعی وجود دارند و اندک مطالعات در دسترس نیز، به صورت بررسی موردی و غیر مهندسی میباشند. در این تحقیق سایتهای شبکه اجتماعی نوعی از سیستمهای اطلاعاتی تحت وب در نظر گرفته شده اند که دارای پیچیدگیها، مفروضات و ویژگیهای مخصوص به خود میباشند. از آنجا که امکانات، ویژگیها و ابزارهایی که چنین سایتی برای کاربران فراهم خواهد نمود، بنابر ویژگیهای محیط عملکرد آن، قوانین و ارتباطات رسمی و یا غیر رسمی موجود بین کاربران و خصوصیات آنها متغیر خواهد بود، متدولوژیِ نرم پیشنهادی درسطح بالایی از انتزاع و به صورت لایه ای پیشنهاد گردیده است. این متدولوژی بر مبنای شش کارکرد عمومی یافت شده برای سایتهای شبکه اجتماعی بنا شده که شامل مدیریت هویت، مدیریت ارتباطات، یافتن متخصص، آگاهی از محتوی، آگاهی از شبکه و تبادل میباشند. سپس، این متدولوژی پیشنهادی برای ارائه مدلی جامع جهت طراحی سایت های شبکه اجتماعی برای سازمانهای اجتماعی علمی که کاربران آنها اساتید، دانشجویان و کارمندان واحد تحقیق و توسعه (سه عامل عمده تولید علم در جامعه) میباشند، بکار گرفته شده است. طی بررسی صورت گرفته بر روی جامعه آماریِ پژوهش، کاربران چنین سایتی بیشتر تأکید بر نقش تبادلی سایت و یافتن متخصص از طریق سایت تأکید داشته اند و اعمال مکانیزمهایی جهت افزایش اعتماد در سایت را امری بسیار ضروری دانسته اند.

در این پایان نامه روشی جدید برای ثبت تصویر دو بعدی-سه بعدی ارائه شده است که در تعیین موقعیت بیمار در رادیوتراپی مورد استفاده قرار می گیرد. در این روش برای سرعت دادن به ثبت تصویر به جای استفاده از تمام المان های حجمی تصویر سی.تی، ابتدا با استفاده از آشکارساز canny تنها المان هایی که دارای اطلاعات با ارزشتر تصویر هستند، استخراج می کنیم و سپس با استفاده از آنها تصویر drr را بازسازی می کنیم. با این عمل تعداد داده های مورد استفاده به کمتر از 4 درصد داده های اولیه کاهش داده شده است. علاوه بر این برای افزایش همبستگی میان تصویر drr تولید شده از این طریق با تصویر دو بعدی گرفته شده در حین درمان، فیلتر log به تصویر دو بعدی گرفته شده در حین درمان اعمال داده شد. برای ارزیابی نتایج، این روش بر روی داده های شبیه سازی شده و داده های بانک اطلاعاتی دارای استاندارد طلایی مورد آزمایش قرار گرفته است. نتایج به دست آمده از اعمال این روش به داده های شبیه سازی شده نشان می دهد بازه ی همگرایی این روش برابر با mm6 بوده و میانگین خطای هدف ثبت تصویر (mtre) برای این روش در بازه ی همگرایی کمتر از mm5/0 می باشد. نتایج به دست آمده از اعمال این روش به داده های بانک اطلاعاتی دارای استاندارد طلایی نیز نشان دهنده ی بازه ی همگرایی mm6 و خطای mm34/0 در بازه ی همگرایی می باشد. این نتایج بهبود نسبت به سایر روش هایی که به وسیله ی این بانک اطلاعاتی مورد ارزیابی قرار گرفته اند را نشان می دهد.

بسیاری از سیستم های پیچیده طبیعی و اجتماعی را می توان در قالب یک شبکه یا گراف نشان داد، مجموعه ای از رأس ها و یال هایی که این رأس ها را به هم متصل می کنند. به عنوان نمونه هایی از شبکه ها، می توان به شبکه های اجتماعی، شبکه های فنی (مانند اینترنت) و شبکه های زیستی (مانند شبکه های عصبی) اشاره کرد. رأس ها در این شبکه ها، موجودیت ها و یال ها، ارتباط بین آن ها را نشان می دهند. مثلاً در شبکه اجتماعی، مردم را با رأس ها، و ارتباط های داده ای بین کامپیوترها و یا روابط دوستی بین مردم را با یال ها نمایش می دهیم. شبکه ها دارای ویژگی های آماری مشترکی هستند. یکی از این ویژگی ها، ویژگی پدیده دنیای کوچک بوده که به 6 درجه جدایی نیز معروف است و بیان می کند که در یک شبکه، فاصله متوسط بین رأس ها، کوتاه و معمولا تابعی لگاریتمی از تعداد آن هاست. ویژگی بعدی، ویژگی خوشه بندی یا انتقال پذیری شبکه است و بیان می کند که دو رأس مجاور با رأس سوم، با احتمال زیادی با یکدیگر مجاور بوده و با ضریب خوشه بندی مقداردهی می شود. جدا از ویژگی های آماری مشترک میان شبکه های اجتماعی ، ویژگی دیگری را نیز می توان در نظر گرفت که به تازگی کانون توجهات را به خود جلب کرده و از آن به عنوان راه حلی برای بسیاری از مشکلات موجود در شبکه های اجتماعی استفاده می شود. این ویژگی فرآیند انتشار در شبکه های اجتماعی نام دارد. انتشار اطلاعات را می توان به عنوان یکی از نمونه های فرآیند انتشار نام برد. انتشار اطلاعات یک تعریف عمومی است که شامل هر چیزی که در یک شبکه گسترش می یابد می شود. بیشینه کردن گسترش اعتبار مانند یک ایده ی برتر و یا حتی تشخیص سریع یک فاجعه مانند دزدی. همه ی اینها نمونه هایی از انتشار اطلاعات هستند. در نهایت از فرایند انتشاری که در شبکه های اجتماعی رخ می دهد، از جمله انتشار اطلاعات، جهت ارائه ی مدلی برای دسته ای از پدیده ها در این شبکه ها استفاده می شود. پدیده هایی مانند گسترش ویروس ها و بد افزارها در کامپیوتر ها، گسترش اطلاعات مربوط به کالاها در میان مردم و غیره. ارائه این مدل های آماری می تواند راهنمایی باشد جهت بررسی بیشتر ساختار شبکه های اجتماعی ، نحوه گسترش و انتشار اطلاعات در آنها و همچنین تشخیص تاثیرگذارترین رئوس در این شبکه ها ؛ مبحثی که به تازگی مورد توجه بسیاری از محققین قرار گرفته است.

یکی از مسائل مهم در بینایی ماشین، ردیابی اهداف در تصویر می باشد. تخمین وضعیت تعدادی نامعلوم از اهداف به منظور ردیابی اهداف چندگانه، بر مبنای مشاهدات دریافت شده در طول زمان انجام می شود. در بین مشاهدات دریافت شده، مشاهدات کاذب نیز وجود دارند. به منظور ردیابی اهداف در تصویر، معمولا از روش تخصیص مشاهدات به اهداف متناظر آنها به همراه یک فیلتر ردیاب اهداف استفاده می شود. از فیلتر کالمن به منظور ردیابی یک تک هدف در تصویر استفاده می شود. این در حالی است که ردیابی زمانی پیچیده می گردد که تعداد اهداف تصویری افزایش یافته و مشکلاتی مانند تصادم و ترسیم درست خط سیر اهداف به وجود می آیند. فیلتر های بسیاری به منظور ردیابی چندین هدف ارائه شده اند که هر کدام مشکلاتی مانند حفظ درست خط سیر اهداف، از دست رفتن خط سیر اهداف بعد از تصادم، پیچیدگی بالا، محدودیت در تعداد اهداف و غیره را شامل می شوند. یکی از جدیدترین روش های ارائه شده، استفاده از فیلتر probability hypothesis density (phd) می باشد که با داشتن پیچیدگی محاسباتی کمتر، توانایی بالایی در تخمین موقعیت اهداف و ردیابی همزمان آنها در شرایط نویزی دارد. یکی از مشکلات این فیلتر در زمان وجود ابهام و تصادم است. از دیگر مشکلات این فیلتر می توان به عدم تخصیص مشاهدات به اهداف در مرحله تخمین اشاره نمود. لذا در این روش، خط سیر اهداف تعیین نمی شود که این ضعف باعث می گردد که بعد از مرحله تخمین نیاز به استفاده از یک روش تخصیص تخمین به هدف درنظر گرفته شود. به منظور بهبود پیچیدگی محاسباتی این فیلتر، روش gaussian mixture phd (gm-phd) ارائه شد اما هنوز مشکل تخصیص مشاهدات به اهداف موجود بود. به همین منظور، یک روش تخصیص به نام gm-phd tracker پیشنهاد گردید که برای هر یک از اهداف، یک برچسب واحد تعیین می شود. کارایی این فیلتر در زمان تصادم به شدت کاهش می یابد. به بیان دیگر، اولین مشکل این فیلتر، معیار تشخیص تصادم آن است که این معیار زمانی تصادم را تشخیص می دهد که دو هدف کاملاً روی هم قرار گرفته باشند که در این صورت احتمال از دست رفتن مشاهدات هدف پشت سری افزایش یافته و در بسیاری از حالات تصادم تشخیص داده نمی شود و در این صورت خط سیر اهداف بعد از تصادم از بین می رود. علاوه بر این، تکنیک ارائه شده در این فیلتر به منظور تعیین برچسب اهداف در زمان تصادم عملکرد ضعیفی را نشان می دهد. در این پایان نامه معیار تشخیص تصادم بدین صورت بهبود یافته است که در هر زمان احتمال تصادم محاسبه می شود و به نسبت احتمال تصادم وزن هدف پشت سری افزایش می یابد که در این صورت مشاهده هدف پشت سری حفظ می شود. به منظور بهبود معیار تعیین برچسب در زمان تصادم، روش پیشنهادی بر مبنای استفاده از تاریخچه برچسب اهداف در گذشته ارائه شده است. علاوه بر این تکینیکی ارائه شده است که برچسب اهداف در زمان تصادم بر مبنای سرعت اهداف تعیین شود. نتایج آزمایشگاهی بر روی تعدادی داده تست واقعی و شبیه سازی نشان می دهد که روش پیشنهادی عملکرد بهتری نسبت به فیلترgm-phd tracker دارد و این روش قابل استفاده در کاربردهای نظارتی مانند کنترل عابرین پیاده، می باشد.

چکیده ارائه یک سیستم cad برای تشخیص بیمار ی های ستون فقرات با استفاده از پردازش تصاویر پزشکی به کوشش مهران نیک روان دیسک کمر (herniation) یکی از بیماری های شایع در ناحیه ی کمر است و معمولا باعث ایجاد درد های شدیدی در بیمار می-شود. در این بیماری مایع داخلی دیسک از آن بیرون آمده و به ریشه های عصبی فشار وارد می کند، که با توجه به میزان بیرون زدگی، مرحله ی بیماری مشخص می شود: در مرحله-ی اول که بالجینگ (buldging) نامیده می شود، مایع داخلی دیسک فشار بسیار کمی را به ریشه های عصبی مجاور خود می-آورد و بیرون زدگی کمی محسوس است. در مرحله ی دوم، که پروتروژن (protrusion) نامیده می شود، بیرون زدگی لیگامنت های داخلی را شکسته و به ریشه های عصبی فشار وارد می کند. مرحله ی سوم که همان اکستروژن (extrusion) می باشد، بیرون-زدگی تمامی لیگامنت ها، به جز لایه ی خارجی را شکسته و فشار سنگینی به ریشه های عصبی وارد می کند. در مرحله ی چهارم نیز مایع داخلی دیسک پس از شکستن تمامی لیگامنت-ها به طور کامل خارج شده است که اصطلاحا (migration) نامیده می شود. در این پایان نامه با استفاده از روش های پردازش تصویر و شناسایی آماری الگو، به تشخیص خودکار بیماری دیسک کمر با استفاده از طراحی یک سیستم cad پرداخته شده است. آشکار سازی ساختار آناتومی ستون فقرات و علامت گذاری دیسک ها یک مرحله ضروری برای انجام آنالیزهای مختلف روی ستون فقرات است. شکل و اندازه گیری-های هندسی برای آشکارسازی حالت های غیرطبیعی در هر دیسک بسیار مهم است، (مانند بیماری تنگی کانال نخاعی) که محدود به محل های خاصی از تصویر است. در مرحله ی اول طراحی این سیستم cad، با استفاده از گنجاندن یک منحنی درجه ی سوم روی ناحیه ی کانال نخاعی و با بکارگیری از روش های پردازش تصویر، روشی جهت استخراج دیسک ها (roi) ارائه می کنیم و سپس با استفاده از روش های شبکه ی عصبی و svm به دسته بندی دیسک های سالم و بیمار می پردازیم.

مدلسازی رفتارهای انسان امروزه نه تنها در علوم شناختی و هوش مصنوعی بلکه در علوم اجتماعی، روانشناسی و تربیتی کاربردهای زیادی پیدا کرده است. مدلهای شناختیِ محاسباتی به عنوان شاخه ای از هوش مصنوعی می توانند به درک و شناخت انسان از خود و حل بسیاری از مشکلات انسانی کمک کنند. از طرف دیگر محیط های پویا بواسطه خصوصیات غیر قابل پیش بینی و پیچیده شان کمتر توجه محققان را به خود جلب کرده اند. اما با پیشرفت تکنولوژی و توانایی های برنامه های شبیه ساز کامپیوتری، امکان اجرا و تحلیل اینگونه از محیط ها فراهم شده است. در این تحقیق مدلسازی تصمیم گیری انسان در محیط های پویا بررسی شده است. روش استفاده در مدلسازی، تصمیم گیریِ «نمونه محور»، بر اساس نظریه یادگیری نمونه محور (iblt) می باشد. طبق این نظریه با گذشت زمان و افزایش مهارت تصمیم گیرنده در تصمیم گیری، آنها به طور گسترده تری از دانش اندوخته ی خود استفاده می کنند و کم کم به جای استفاده از الگوریتم های حریصانه و محاسبه گرانه به بازیابی نمونه های اندوخته شده و تصمیم گیری بر اساس آنها می پردازند. این نظریه بر اساس نظریه های تصمیم گیری قبلی و آزمایشها و مشاهدات بسیاری از محققان می باشد. روش پیشنهادی تحقیق سعی بر بهبود و تصحیح نحوه بازیابی نمونه های ذخیره شده در حافظه هنگام تصمیم گیری را دارد. همچنین از معماری شناختی act-r به عنوان چارچوب مدلسازی استفاده شده است. نتایج و آزمایشهای ارائه شده در انتهای این تحقیق بیانگر بهبود عملکرد این روش نسبت به مدلهای قبلی می باشد.

تشخیص و باز شناسی اشیاء و اشکال نقشی اساسی در پردازش تصویر دارند. تا کنون روش های گوناگونی برای این منظور ارائه گردیده است. ویژگی های نامتغیر مقیاسی یکی از پرکاربردترین تکنیک ها در حوزه پردازش تصویر می باشد که می تواند در بسیاری از اهداف این حوزه از جمله تشخیص شیء و شکل مربوط به آن ها مورد استفاده قرار گیرد. در این پایان نامه، روشی جدید برای تشخیص اشیاء و اشکال ارائه گردیده است. این روش، الگوریتمی بهبود یافته از ویژگی های نامتغیر مقیاسی و ترکیب آن ها با الگوریتم قطعه بندی تصاویر بر اساس مرز و نواحی اشکال در تصویر می باشد. روش ارئه شده بر پایه سه مرحله اصلی می باشد. در مرحله اول، تصاویری از مجموعه داده مورد نظر به گونه ای آموزش داده می شوند که ویژگی های نامتغیر مقیاسی آن ها تحت عنوان نقاط کلیدی، از تصاویر استخراج شوند. این ویژگی ها نسبت به تغییرات مقیاس، چرخش، جایجایی، روشنایی و نقطه نظر دوربین نامتغیر می باشند. با یافتن این ویژگی ها، نقاط کلیدی اشیا در تصاویر مختلف قابل شناسایی خواهند بود. در مرحله دوم با اعمال ویژگی های به دست آمده از مرحله قبل در الگوریتم قطعه بندی تصویر ، مرز مربوط به شیء استخراج می گردد. این هدف با استفاده از نقاط کلیدی و ادغام نواحی موجود در تصویر به دست می آید. در پایان این مرحله، مرز شیء که به صورت یک منحنی و نشان دهنده شکل آن می باشد، به دست آمده است. در مرحله آخر شکل اشیاء مورد نظر با شکستن منحنی مرز اشکال به زیر منحنی های کوچکتر به صورت درختی و تحت عنوان درخت شکل ذخیره می گردند. به وسیله درخت شکل به دست آمده از اشکال مختلف و بر پایه معیار شباهت بین آن ها می توان به راحتی اشکال مشابه را در تصاویر مختلف را تشخیص داد. نتایج به دست آمده نشان دهنده قدرت بالای الگوریتم به منظور تشخیص اشیاء و شکل آن ها می باشد. بخش عمده ای از این کارآیی مدیون نقاط کلیدی بسیار قوی به دست آمده از تصاویر است که نسبت به پارامترهای مختلف نامتغیر می باشند.

بر اساس گزارش های تحلیلی در مورد چشم انداز آینده مطالعات اقلیمی سه بازوی اقلیم شناسی همدید ( اقلیم شناسی همدید سنتی، ریزگردانی تجربی و مدل سازی اقلیم منطقه ای) به پیشرفت خود ادامه خواهند داد ولی مطالعات از طبقه بندی های جوی به مدل سازی و شبیه سازی کشیده خواهند شد و کاربردهای آنها در زمینه حل مشکلات کنونی و آتی محیط های سطحی رواج خواهد یافت. آنچه در این مقاله به آن پرداخته خواهد شد امکان سنجی کاربرد روش داده کاوی در پهنه بندی اقلیمی است. پهنه بندی اقلیمی یعنی شناسائی پهنه هائی که از آب و هوای یکسانی برخوردارند .در این پژوهش برای ارائه مدل و پهنه بندی اقلیمی استان اصفهان 20 متغییر اقلیمی در بازه زمانی حداقل ده ساله (از بدو تاسیس ایستگاه تا سال 2005 میلادی ) از ایستگاه های سینوپتیک و اقلیمی انتخاب و سپس قوانین پهنه بندی اقلیمی را استخراج نموده و با ورود مقادیر اقلیمی از یک نقطه جغرافیایی جدید، اقلیم آن تعیین خواهد شد. در این پژوهش امکان سنجی را با مطالعه موردی داده های اقلیمی استان اصفهان پیش برده ایم و مدل سازی های انجام شده را با سه نوع از پرکاربردترین الگوریتم های داده کاوی شامل: درخت های تصمیم گیری، شبکه بیزیان و شبکه عصبی به انجام خواهیم رساند. با طی مراحل داده کاوی بر اساس معیارهای اعتبار سنجی به ارزیابی مدل های تولید شده خواهیم پرداخت. در پایان عوامل تاثیر گذار بر پهنه بندی اقلیمی استان که توسط مدل پیشنهادی بدست آمده اند، به عنوان نتایج تحقیق ارائه خواهند گردید.

نظارت تصویری که امروزه در اغلب نقاط دنیا مورد توجه قرار گرفته است یکی از اصلی ترین اجزای نظارت و کنترل هوشمند حمل و نقل و ترافیک را تشکیل می دهد و در سیستم های حمل و نقلی متعدد و متنوعی از آن استفاده می شود. سیستم های نظارت تصویری از ابزار اصلی مدیریت ترافیک هستند و مزیت آن ها فراهم کردن اطلاعات تصویری برای تصمیم گیری است. در این تحقیق اصول طراحی سیستم های مراقبت تصویری هوشمند مورد مطالعه و بررسی قرار خواهد گرفت. همچنین در این تحقیق معیارها و شاخص های موثر در انتخاب محل بهینه سیستم های مراقبت تصویری شـناسایی گردیده و اولویت هرکدام در مدلی که در مطالعه مذکور ارائه خواهد شد تعیین می گردد. در این مطالعه، راهنمای به کارگیری نظارت تصویری با توجه به اهداف مورد انتظار از سیستم و با استفاده از روش تحلیل سلسله مراتبی، ارایه و براساس آن سطح نظارت تصویری مورد نیاز در یک مطالعه موردی تعیین می شود. در نهایت مکان های مورد نیاز جهت نصب دوربین های نظارت تصویری در مطالعه موردی مشخص می گردد.

تشخیص مرز صحیح اشیاء یکی از پیچیدهترین مسایل مرتبط با پردازش تصویر محسوب میگردد. در این میان قطعهبندی تصاویر پزشکی با پیشرفت روزافزون علم پزشکی، به دلیل افزایش قدرت تشخیص خودکار بیماریها و ... از اهمیت ویژهای برخوردار میباشد. تاکنون روشهای قطعهبندی مختلفی شامل انواع روشهای ساختاری ،آماری و ترکیبی برای قطعهبندی تصاویر معرفی شدهاند. از جمله استفاده از مدلهای قابل تغییر شکل جهت تشخیص مرز صحیح اشیاء یک موضوع در حال پیشرفت محسوب میگردد. در این رساله روشی بر مبنای یکی از قویترین روشهای جدید مدلهای قابل تغییر شکل برای قطعهبندی به نام کانتور فعال منفصل ارایه گردیده است که توانسته است در شرایط یکسان به نتایج با صحت بالاتر دست پیدا کند. در روش پیشنهادی، در ابتدا با استفاده از تشخیصدهندهی لبهی کانی، کانتور اولیه به طور اتوماتیک انتخاب میگردد. سپس مرز زیر_بهینه با استفاده از مدل مخفی مارکوف و یک جستجوی ویتربی استخراج میشود. در مرحلهی بعد با توجه به انحنای بخشهای مختلف مرز استخراج شده، نمونهبرداری بر اساس انحنا انجام شده و تزریق نقاط اضافه صورت میگیرد. گام بعدی شامل ادغام دادهی آماری با ترکیب دانش پیشین غیر ایستا و گرادیان تصویر میباشد. این روند تا رسیدن به مرز مطلوب در یک اسلایس ادامه مییابد. سپس، قطعهبندی به اسلایسهای مجاور توسعه یافته و در نهایت مرز مورد نظر سه بعدی استخراج میگردد.

هدف این پایان نامه پیاده سازی روش های نوین جستجو بر روی شبکه های اجتماعی با توجه به ساختار گراف این شبکه هاست و شامل دو بخش کلی "جستجوی گراف اجتماعی" و "جستجو بر حسب محتوا" می باشد. در بخش اول پایان نامه سعی می کنیم الگوریتم های موجود را برای پیدا کردن کوتاهترین مسیر بین دو کاربر مختلف آزمایش کنیم و نیز الگوریتمهای بهتری جهت انجام این کار ارائه کنیم. لازم به ذکر است که در الگوریتم های ارائه شده باید اطلاعات درخواستی از شبکه ی اجتماعی حداقل باشد. به عبارت دیگر تعداد درخواست هایی که هر الگوریتم به سرورهای شبکه ی اجتماعی می فرستد و نیز تعداد نودهایی که تولید می شود یا گسترش می یابد باید تا حد امکان کم باشد. همچنین نسخه هایی از الگوریتم های ارائه شده را برای پیدا کردن کوتاهترین مسیر بین یک کاربر و مجموعه ای از کاربران دیگر ارائه می کنیم. در بخش دوم نیز نمونه هایی از کاربردهای الگوریتم های ارائه شده را بررسی می کنیم. اپتدا سیستم پیشنهاد دوست را مورد بررسی قرار می دهیم و سپس از داده های شبکه های اجتماعی در شخصی سازی نتایج جستجوی موتورهای جستجو بر حسب علایق کاربر استفاده می کنیم. کلیه ی الگوریتم های ارائه شده بر روی شبکه ی اجتماعی توییتر به صورت آنلاین پیاده سازی شده و اجرا شده است. همچنین از داده های شبکه ی اجتماعی فرندفید نیز جهت تست برخی از الگوریتم ها استفاده می کنیم. نتایج بدست آمده از اجرای الگوریتم ها نشان می دهد که الگوریتم های ارائه شده نسبت به نمونه های قبلی بسیار سریعتر بوده و می تواند در مدت زمان کم و به صورت آنلاین فاصله ی بین دونفر را در شبکه های اجتماعی پیدا کند. همچنین الگوریتم های ارائه شده به حالت های خاص شبکه ها حساس نیست و بر خلاف الگوریتم های قبلی برای هر جفت کاربری که به صورت تصادفی از شبکه ها ی اجتماعی انتخاب شود? می تواند درجه ی پخشش را در زمان مناسب به دست آورد.

تحلیل خودکار ویدیو امروزه یکی از حوزه های بسیار فعال و چالش برانگیز در بینایی ماشین است. یکی از زمینه های مطرح شده در یادگیری ویدیو تحلیل حرکت انسان است. پردازش ویدیو محدودیت های بسیاری از قبیل بعد زیاد داده، زاویه ی دید متفاوت، روشنایی و پس زمینه ی ناهمگن دارد که در شناسایی عمل مسائل دیگری مانند تفاوت در نحوه ی انجام عمل توسط افراد که ناشی از تفاوت در خصوصیات ظاهری و ویژگی های حرکتی است، مطرح می شود. کارهای بسیاری در حوزه شناسایی خودکار عمل انسان انجام شده است. هدف اصلی اغلب آن ها یادگیری ویژگی های موثرتر از دنباله ها و افزایش دقت کلاس بندی عمل بوده است که به موفقیت های قابل توجهی نیز دست یافته اند. بیشتر روش های مطرح شده از کل دنباله ی ویدیوی برای این منظور بهره جسته اند. در این رساله، ما بر روی آماده سازی ویدیو به عنوان ورودی الگوریتم شناسایی عمل جهت استخراج موثرتر ویژگی های آموخته شده و کلاس بندی تمرکز کرده ایم. هدف از این عملیات برجسته سازی بخش هایی از ویدیو است که حاوی اطلاعات مفیدتر و تمیز دهنده تر هستند و همچنین حذف آن بخش هایی از دنباله ویدیوی که شامل اطلاعات غیرضروری یا تکراری اند. این کار می تواند با توجه به ماهیت داده ی ویدیوی منجر به تسریع یا افزایش دقت الگوریتم گردد.

تشخیص پوست انسان یک فرآیند آنالیزی مهم در سیستم های نظارتی هوشمند است و در برنامه های کاربردی زیادی بویژه در نظارت های ویدئویی مورد توجه قرارگرفته است.تشخیص رنگ پوست به عنوان یک پروسه مهم در سیستم های بینایی مانند تشخیص حرکات و اشارات ، دنبال کردن حرکات دست ، تشخیص صورت ، شناسایی چهره وغیره می باشد. فرآیند پیدا کردن پیکسل و نواحی رنگ پوست در تصویر یا ویدئو را تشخیص رنگ پوست می گویند. به دلیل اینکه پردازش براساس رنگ پوست نسبت به پردازش براساس ویژگی های دیگر صورت سریعتر است، رنگ پوست یک ویژگی مهم در تشخیص صورت می باشد.روش های مختلفی برای تشخیص پوست ارائه شده است که در بیشتر آنها از اطلاعات رنگ و فضاهای رنگی مختلف استفاده شده است. روش های مبتنی بر اطلاعات رنگ اگرچه سرعت خوبی دارند، اما در بعضی موارد دقت بالایی ندارند. برای بهبود این روش ها، تکنیک های مبتنی برناحیه یا بافت ارائه شده اند. طبقه بند های مختلفی برای عمل تشخیص پوست پیشنهاد شده اند که دراکثر آنها پیکسل های تصویر را بصورت انحصاری و بدون در نظر گرفتن ارتباط فضایی پیکسل های همسایه طبقه بندی می کنند.روش های زیادی برای تشخیص پوست ارائه شده است. دراغلب این روش ها از اطلاعات رنگ پیکسل برای طبقه بندی پوست استفاده کرده اند. این روش ها اگرچه سرعت بالا و درجه تشخیص درستی (tpr) بالای دارند اما دربسیاری موارد درجه تشخیص نادرستی (fpr) آن ها نیز بالا می باشد. که این امر موجب پایین آمدن دقت این مدل ها می شود. یکی از دلایل پایین آمدن دقت مدل های تشخیص پوست وجود عناصر زیادی در دنیای واقعی است که از نظر رنگی شباهت زیادی با پوست انسان دارد مثل کویر، شن و ماسه، چوب، بعضی حیوانات حیات وحش و غیره. زمانی که فقط از اطلاعات رنگ برای تشخیص پوست استفاده شود این عناصر به علت شباهت با رنگ پوست انسان، بطور اشتباه به عنوان پوست طبقه بندی می شوند. یکی دیگر از عواملی که روی تشخیص پوست تاثیر زیادی دارد، شرایط و نوع نورپردازی می باشد که موجب ایجاد سایه و تغییر رنگ درعناصر موجود درتصویر می شود.دراین رساله، یک مدل ترکیبی آماری برای تشخیص پوست پیشنهاد شده است و برای بهبود عمل تشخیص پوست از ویژگی های رنگ و بافت استفاده کرده ایم. میدان های تصادفی شرطی(crf) را بعنوان طبقه بند پیشنهادکرده ایم که بوسیله آن ویژگی های مختلف رنگ و بافت را بطور آماری باهم ترکیب کنیم و ارتباط بین پیکسل ها را برای طبقه بندی مدنظر قرار دهیم، درنهایت توزیع احتمال شرطی برچسب کلاس(پوست وغیرپوست) رابه شرط ترکیبی از ویژگی های داده شده مدل کنیم. این امر منجر به یک مدل تشخیص پوست دقیق می شود، نتایج و آزمایشات انجام شده روی پایگاه داده های مختلف نشان دهنده موفقیت مدل پیشنهادی برای تشخیص پوست بوده است.

مطالعه ویدئو، ردیابی اهداف و استخراج اطلاعات مختلف از آن نقش بسیار اساسی در تحقیقات علمی و کاربردهای صنعتی دارد. روش های متعددی در هوش مصنوعی و پردازش تصویر و بینایی ماشین به وجود آمده است تا نیازهای مطالعاتی در این زمینه را برطرف نماید. یکی از زمینه هایی که در بینایی ماشین مطرح است علم مربوط به ردیابی اهداف یا شناسایی و دنبال کردن اهداف در تصویر است. برای انجام ردیابی اهداف متحرک در تصویر نیاز به ابزارهای قدرتمند و پیدا کردن ویژه گی هایی است که بتواند این کار را به خوبی انجام دهد. پردازش برروی ویدئو دارای محدودیت هایی از قبیل پیچیدگی وضعیت های تصویربرداری، انواع مختلف و زیاد حرکات موجود و همچنین مشکلات احتمالی از قبیل نور نامناسب و یا پویا بودن و پویا نبودن پس زمینه محل تصویر برداری خواهد بود. در کارهای گذشته موجود در این زمینه ، روش هایی مطرح گردیده که از ابزارهای متداول در حوزه ردیابی اهداف استفاده شده است. از آنجا که تنوع در حوزه ردیابی اهداف، بسیار بالاست نیاز به ابزار هایی است که قدرت بسیار بالایی در شناسایی اهداف و همچنین پایداری در تشخیص هدف موردنظر در طول زمان را داشته باشد. در این رساله از هر دو مدل ظاهر مولفه با استفاده از الگوریتم gmm و شکل مولفه با استفاده از الگوریتم hmm ، در راستای تحقق این خواسته استفاده شده است ، که الگوی شکل یک الگوی مناسب و قوی در کنار الگوی ظاهری اهداف مطرح شده است. ترکیب این دو مدل دارای پیچیدگی زمانی کمی بالاتر نسبت به روشهای قبلی است اما دارای دقتی به مراتب بالاتر در شناسایی اهداف و همچنین دنبال کردن قاطع آنها در طول مدت زمانی نسبت به روشهای گذشته است. به بیان دیگر روش ارائه شده در این رساله میتواند با توجه به محدودیت های موجود در داده ها، کارایی و قدرتمندی لازم برای ردیابی اهداف را دارا باشند. بنابراین میتوان از این ابزار برای پردازش ویدئو، با توجه به محدود بودن ویژه گیها در داده ها استفاده کرد.

امروزه با افزایش رو به رشد دوربین های دیجیتال، روزانه حجم عظیمی از داده های ویدئویی تولید می شوند که بر روی وب و پایگاه های داده ی بزرگ قابل دسترس هستند. دسته بندی این داده ها بر اساس محتوایشان به صورت اتوماتیک و با دقت بالا هدف غایی بسیاری از کاربردها در این زمینه است. در این پایان نامه ما سیستمی طراحی کرده ایم که بتواند داده های ویدئویی حاوی عمل انسان را با دقت خوب و در زمان نسبتا کوتاهی برچسب گذاری کرده و دسته بندی کند. در این پایان نامه از روش های دیداری بهره گرفته شده است. روش های دیداری برای تشخیص فعالیت انسان در واقع فرایند تشخیص انسان در ویدئو و عملی که انجام می دهد با بهره گیری از تکنیک های بینایی ماشین می باشد. در این راستا سیستم طراحی شده از روش یادگیری بدون نظارت برای استخراج ویژگی و کد کردن آن ها استفاده کرده است. روش های یادگیری ویژگی نه تنها به راحتی قابل تعمیم به حوزه ه های دیگر هستند بلکه کارایی قابل توجهی بر روی داده های ویدئویی جمع آوری شده از دنیای واقعی دارند. در پایان برای ارزیابی این سیستم به دسته بندی داده های ویدئویی پایگاه های داده ی kth، ucf و youtube پرداخته ایم و به نتایج قابل توجهی دست پیدا کرده ایم.

در تحقیقات صورت گرفته تا کنون استفاده از مدلهای مخفی مارکوف(hmm) جهت تشخیص بد افزارهای دگرگون نتایج خوبی به عمل آورده است. این درحالیست که برخی بدافزارها از جمله mwor و metaphor توانسته اند با استفاده از متدهای دگرگونی خود را همانند فایلهای سالم ساخته و مانع تشخیص خود شوند. روش hmm دوگانه با استفاده از چندین مدل مخفی مارکوف که هر کدام بر اساس یک دسته از فایل های سالم و مخرب آموزش داده شده اند میتواند بدافزارهای نامبرده را تشخیص دهد. در این تحقیق روشی برای تفکیک اهمیت بخش های فایلهای بدافزار ارائه شده که برای آموزش مدل مخفی مارکوف بکار می‎روند. اهمیت این بخش‎ها بر اساس عدم شباهتشان به فایلهای سالم درنظر گرفته شده است و استخراج آنها با استفاده از روشهای مشابه پردازش صدا صورت گرفته است. پس از آن تعدادی فایل نسبت به hmm آموزش داده شده کلاس بندی شده‎اند و دقت نتایج بدست آماده محاسبه گردید. نتایج بدست آماده نشان داد که روش پیشنهادی در تشخیص بدافزارهای کاربردی دارای دقت بهتری نسبت به روشهای کنونی بوده و همچنین دارای سرعت بالاتری در کلاسه بندی می‎باشد.

آنالیز تصویر یک موضوع مهم در بینایی ماشین و پردازش تصویر است. قطعه بندی تصویر، فرایند تقسیم تصویر به قسمت های تشکیل دهنده آن است. به عبارت دیگر اشیاء مختلف در تصویر مطابق با کاربردشان به منظور کمک به آنالیز تصویر از یکدیگر جدا می شوند. در این رساله به مسئله قطعه بندی بافت پرداخته شده است که در آن تصویر ورودی مطابق با ویژگی های بافتی مختلف به قسمت های مختلف تقسیم می شود. ویژگی های بافتی در هر قطعه یکنواخت است، اما در نواحی همسایه کاملا با یکدیگر متفاوت است. بنابر این ویژگی های مناسب که بتوانند میان بافت های مختلف تمایز ایجاد کنند، باید به کار رود.

تشخیص آنومالی در تصاویر ترافیکی، به منظور تشخیص خودکار حرکات نامتعارف در تصویر استفاده می شود. از جمله مزیت های این سیستم می توان به کم کردن نیاز مجموعه نظارتی به افراد متخصص برای تشخیص تخلفات است و می تواند از این طریق هزینه های این نهادها را بسیار کاهش دهد. در این پایان نامه سعی شده است که یک روش عمومی برای حل مسئله تشخیص آنومالی ارائه شود و کاربرد این روش روی تصاویر ترافیکی ارزیابی گردد، در حالی که از ایده استفاده شده در این روش، می توان برای تشخیص آنومالی در تصاویر غیر ترافیکی نیز بهره برد. به دلیل استفاده نکردن از روشهای آشکارسازی و ردیابی، این روش می تواند برای تصاویری که در آنها تعداد زیادی خودرو در حال حرکت هستند هم مورد استفاده قرار گیرد. مشکلات روشهای ردیابی مانند هم پوشانی خودروها با یکدیگر، در این سیستم به میزان بسیار کمی تاثیرگذارند.

در این پایان نامه چارچوبی نوین به منظور انتزاع سازی در طبقه بندی شی ارایه شده است. این پژوهش دو دستاورد اصلی داشته است. نخست، رابطه ای کلی مبتنی بر هندسه تحلیلی استنتاج شده است که با استفاده از آن واژه نامه ای جامع از شکل های هندسه تحلیلی به دست می آید. سپس، روشی برای بهینه سازی پارامتر های شکلی موجود در لبه ی تصویر پیشنهاد شده است. رابطه ی کلی ارایه شده با اعمال دنباله ای از تبدیل های هندسی روی شکل فرا-بیضی به دست آمده است. در انجام این کار برخلاف سامانه های پیشین نیاز به استفاده از کلاسه بندها نیست و از این رو سامانه ارایه شده با کارهای پیشین نیز متفاوت است. یک تابع هدف مشتق پذیر با میانگین مربع های خطا در بهینه سازی پیشنهاد شده است. در این پایان-نامه تمرکز بر روی الگوریتم جستجوی بهینه به منظور گروه بندی بهتر کانتورها نبوده است و از الگوریتم جستجوی ساده ای در مرحله ی گروه بندی کردن کانتورها استفاده شده است. روش پیشنهادی این پایان نامه نسبت به دگرگونی های مقیاس، چرخش و مکان مقاوم است و به سادگی روی لبه ی تصویر اعمال می شود. کارایی روش پیشنهادی از دیدگاه پایداری و زمان اجرا با آزمون هایی سنجیده شده است. نشان داده می شود که روش پیشنهادی نسبت به روش های ارایه شده ی پیشین، پایداری وپیچیدگی زمانی بهتری دارد.

نظرات جعلی، با انواع دیگر اسپم مانند هرزنامه ها تفاوت بسیاری دارد و همچنین روش های تشخیص آنها نیز متفاوت است. علاوه بر این بدلیل پیچیدگی کار، روش های گوناگونی برای شناسایی اسپم و یا اسپمر وجود دارد که هر کدام گروه خاصی از آنها را شناسایی می کنند. برخی از این نظرات جعلی تولید شده در سال های اخیر، شباهت بسیاری به نظرات واقعی دارند. از این رو روش های تشخیص بسیار دشوار و پیچیده شده است. برای شناسایی این گونه نظرات جعلی، نیاز است که نظرات تمامی افراد به دقت بررسی شود. تولیدکنندگان نظرات جعلی را می توان با در نظر گرفتن این که اغلب نظری مخالف دیگر نظرات واقعی دارند، شناسایی کرد. این اختلاف اغلب در برخی از ویژگی های محصول قابل شناسایی است، زیرا ممکن است اختلاف نه در تمام ویژگی ها، بلکه تنها در قسمتی از آنها وجود داشته باشد. در این پایان نامه، روشی نوین برای یافتن نظرات جعلی با استفاده ازنظرات اکثریت در مورد ویژگی های خوب و یا بد محصولات ارائه شده است. در انتها عملکرد روش ارائه شده با دیگر روش های بنیادین در زمینه شناسایی اسپم مقایسه شده است.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.