سنجش از دور تامین کننده اطلاعات ارزشمندی در ارتباط با نقشه برداری، پایش های محیطی، مدیریت بلایا و سایر مسائل عمرانی است. با این وجود، استفاده شایسته از حجم وسیع اطلاعات تولید شده در سنجش از دور، مستلزم استخراج اطلاعات مناسب از داده ها، ارائه آن در یک قالب استاندارد و ورود آن به سامانه اطلاعات مکانی می باشد. در این بین استخراج اتوماتیک عارضه ساختمان از تصاویر ماهواره ای، یک بحث تحقیقاتی فعال درحوزه ی سنجش از دور و ماشین بینایی است که بعضی از کاربردهای مفید آن، اتوماسیون فرآیند استخراج اطلاعات از تصاویر و بروز رسانی پایگاه های داده سیستم اطلاعات مکانی می باشد. در حالیکه آلگوریتمهای بسیاری برای استخراج ساختمانها ارائه شده اند، هیچ یک از آنها نمی توانند مسئله را بطور کامل حل کنند. امروزه با ظهور تصاویر ماهواره ای با قدرت تفکیک مکانی بالا و از آنجا که مجموعه ای از پیکسل ها نمایش دهنده ی عوارضی چون ساختمان می باشد استفاده از آنالیزهایی غیر از روش های پیکسل مبنا ضروری است، به همین دلیل طی سال های اخیر آنالیزهای شیء مبنا مطرح گردیده است. آنالیزهای شیء مبنا با در نظر گرفتن اشیاء تصویری حاصل از فرآیند تقطیع به عنوان واحد پردازش، امکان دسترسی به اطلاعات طیفی دیگری چون مقدار میانگین در هر باند، مقدار کمینه و بیشینه، واریانس و غیره را فراهم آورده و از آن مهم تر امکان در نظر گرفتن اطلاعات مکانی چون فاصله، همسایگی ها و توپولوژی را میسر می سازد. در این تحقیق از طبقه بندی شیء گرا جهت استخراج ساختمان استفاده شده است. این روش امکان استفاده از اطلاعات شکل، مجاورت و مفهومی را علاوه بر اطلاعات طیفی می دهد. در این تحقیق در ابتدا با استفاده از یک آلگوریتم مناسب، اشیاء تصویری تولید شده و در ادامه با استفاده از روش جدا سازی و آستانه گذاری ویژگی هایی که منجر به آشکار سازی عارضه ساختمان می شود، تعیین می گردد. تصویر ماهواره ای استفاده شده در این تحقیق، تصاویر pan و multispectral سنجنده quickbird از منطقه شهری اصفهان می باشد. در بخش ارزیابی نتایج، نشان داده می شود که روش مذکور می تواند بیش از 85 درصد ساختمانهای موجود در تصویر مورد مطالعه را تشخیص دهد. همچنین در بخش دیگری از پژوهش سعی شده است تا با آنالیز شیء مبنای داده های لیدار و تصویر ماهواره ای بزرگ مقیاس و امکان استفاده از ویژگی های طیفی، هندسی، آماری و مفهومی نتایج کار به نحو قابل توجهی بهبود یابد.

خانه های هوشمند امروزه به عنوان یکی از بخش های مهم سیستم های مدیریت جامع ساختمان مورد توجه واقع شده اند. خانه های هوشمند با هدف ایجاد آسایش و امنیت برای ساکنان به سرعت در حال توسعه می باشند. امروزه تکنیک های مختلفی برای اتوماسیون ساختمان های بزرگ به کار گرفته می شود از قبیل: کنترل نور، کنترل دما، کنترل درها و پنجره ها و سیستم های امنیتی. در خانه های هوشمند نور توسط سیستم های کنترلی همیشه در حال کنترل است و تغییرات شدید نوری کمتر در آن اتفاق می افتد. در این تحقیق سعی شده است که روشی برای تشخیص جهت اشاره دست در تصاویر دوبعدی که از دوربین موجود در اتاق گرفته می شود، ارائه شود. لازم به ذکر است که تصاویر به صورت جریانی از فریم ها می باشد و به صورت یک عکس جدا و خارج از جریان نیست. لذا برای انجام این امر، مراحل زیر در این پژوهش انجام شده است: حذف زمینه : در این مرحله، زمینه از تصویر حذف می شود. تشخیص صورت: در این مرحله با جستجوی تصویر حاصل از مرحله قبل، صورت پیدا می شود و حذف می شود. تشخیص پوست: در این مرحله نواحی پوستی باقی مانده از مرحله قبل شناسایی می شود. تشخیص دست در حالت اشاره: در تصویر حاصل از مرحله قبل، باید به دنبال نوک انگشت گشت. در صورتی که فقط یک نوک انگشت پیدا شد، در قدم های بعدی، حالت های مشابه اشاره از حالت اشاره تمایز داده میشوند. تشخیص جهت اشاره: برای انجام این امر، نقطه ثقل دست(o) و نزدیک ترین نقطه روی دست به مرکز ثقل(p) و نوک انگشت (f) محاسبه می شود، حال بردار (pf) ? جهت اشاره دست را نشان میدهد. نتایج حاصل از اجرای 50 دور آزمایشات با زوایای مختلف و در ساعات مختلف روز در محیط منزل، نشان داد روش نسبت به تغییرات ملایم نور محیط دارای تحمل مناسبی است. متوسط میزان تشخیص های درست حالت های اشاره این روش در شرایط مختلف 91% است و دارای 85% تشخیص های درست حالات غیر اشاره میباشد. میزان تشخیص های های درست کلی، حدود 90% بود. در طی آزمایشات بیش از 80% نمونه های تست، نمونه های صحیح از اشاره دست بود.

در این پایان نامه به پیاده سازی یک سیستم جهت استخراج چهره های حاضر در صحنه خواهیم پرداخت. سپس عمل شناسایی چهره را بر روی چهره استخراج شده ی حاضر در صحنه انجام دادیم. بطور کلی یک سیستم تشخیص چهره از سه بخش تشکیل شده است: استخراج چهره از روی ویدئوی ورودی، استخراج ویژگی برای مشخص نمودن هویت چهره در ویدئو، و مقایسه آنها با تصاویر ثبت شده در پایگاه داده به منظور کلاسبندی و شناسایی چهره. اگر چه مدول های استخراج ویژگی و کلاسبندی، دو مدولی هستند که وجه تمایز بین بیشتر سیستمهای تشخیص چهره را باعث می-شوند، اما مدول استخراج چهره نقش اساسی در عملکرد سیستم تشخیص چهره دارد، به طوری که استخراج درست و دقیق چهره باعث افزایش کارایی و بهبود عملکرد بخش تشخیص خواهد شد. بر همین اساس در این پروژه سعی ما بر آن بود تا مسائلی مانند تغییر زاویه چهره، تغییر روشنایی چهره، حالتهای صورت، پس زمینه تصاویر و پوشیدگی که از جمله عوامل محدود کننده محیطی بر روی کار تشخیص چهره می باشند و تاثیر بسزایی بر کارایی سیستم می گذارند مورد بررسی و توجه قرار دهیم تا با ارائه راه حلی مناسب در این زمینه بتوانیم سیستمی مطمئن و کارا در زمینه شناسایی چهره عرضه کنیم. بدین ترتیب برای پیاده سازی پروژه روشهای مختلفی را در نظر گرفتیم. در بخش استخراج چهره چهار روش را پیاده سازی و با یکدیگر مقایسه کردیم. در نهایت به این نتیجه رسیدیم که، ابتدا از روشskin-color استفاده کرده تا نواحی پوست را که کاندید چهره می باشند استخراج کنیم. سپس با استفاده از الگوریتم adaboost از بین نواحی کاندید، چهره ها را استخراج می کنیم. استفاده از این روش این مزایا را دارد که هم تا حد قابل قبولی سریع و برای پردازش ویدئویی مناسب می باشد و هم از مزایای هر دو روش رنگ پوست و adaboost بهره می برد. از طرفی از آنجا که در بسیاری از کاربردهای واقعی معمولا دوربین و در نتیجه پس زمینه ثابت است می توانیم از روشی دیگر که برای کاربردهای ویدئویی و زمان- واقعی مناسب می باشد استفاده کنیم. در این روش از تفاضل پس زمینه استفاده کرده و منطقه پیش زمینه را جدا، سپس بر روی نتیجه حاصل الگوریتم adaboost را اعمال می کنیم. در بخش استخراج ویژگی- شناسایی چهره نیز چهار روش را پیاده سازی کردیم. در نهایت بهتر دیدیم که، ابتدا با استفاده از pca ابعاد فضای ویژگی را کاهش دهیم و سپس از روی آن و بکمک روش lda ویژگی های مورد نظر را استخراج کنیم. و در نهایت از ویژگی های بدست آمده از این روش برای کلاس بندی و شناسایی چهره استفاده کنیم. نتایج آزمایش ها نشان می دهد که سیستم قادر به شنایایی چهره های انسان در شرایط نوری متفاوت، مقیاس، جهت، پوشیدگی، و رنگ پوست ها از نژادهای مختلف می باشد.

در این پروژه یک سیستم کامل جهت شناسایی کدپستی های دست نویس فارسی بر روی پاکت های پستی با استفاده از شبکه های عصبی مصنوعی پیاده سازی شده است. در حال حاضر در کشور، دسته بندی پاکت ها در اداره ی پست به صورت دستی انجام می گیرد. بنابراین ارایه ی سیستم خودکاری با دقت و سرعت بالا برای جایگزینی سیستم های دستی، به نظر ضروری و مفید می رسد. با تشخیص کدهای پستی توسط کامپیوتر، دسته بندی پاکت ها بسیار ساده تر و سریعتر خواهد شد و این امر موجب بهبود عملکرد اداره پست می شود. در این سیستم دو نوع پاکت مورد بررسی قرار می گیرند: پاکت های پستی حاوی کادر برای درج کدپستی و پاکت های پستی فاقد کادر. ابتدا کشف محل کدپستی و جداسازی ارقام آن در هر دو نوع پاکت انجام می شود. در این مرحله، برای پاکت های حاوی کادر، گام های باینری کردن، جداسازی مولفه های همبندی و کشف کادر، جداسازی ارقام داخل کادر، تغییر ابعاد و حذف نویز انجام می شود. این مرحله در پاکت های فاقد کادر، با یافتن خطوط زمینه، جداسازی مولفه های همبندی، استخراج ویژگی از مولفه ها، کلاس بندی و ارایه ی الگوریتمی جهت تعیین محل درج کدپستی صورت می گیرد. در این جا استخراج ویژگی برای تمایز مولفه های رقمی و غیر رقمی انجام می شود. این ویژگی ها عبارتند از: نسبت ارتفاع به پهنا، جهت و نسبت ارتفاع/ پهنا به ارتفاع/ پهنای مولفه های همسایه. پس از جداسازی ارقام کدپستی، مرحله ی استخراج ویژگی صورت می گیرد. در این مرحله دو روش استخراج ویژگی ارایه شده است: استخراج ویژگی های آماری و استفاده از ویژگی های تطبیق قالب. ویژگی های آماری عبارتند از: جثه، نسبت ارتفاع به پهنا، نسبت پهنای بالا به پایین، نسبت ارتفاع چپ به راست، تقارن افقی و عمودی، تعداد گذر، وجود حفرهو فاصله تا پیکسل ابتدایی. در مرحله ی بعد تصاویر ارقام بر اساس ویژگی های استخراج شده کلاس بندی می شوند. در کلاس بندی، شبکه های عصبی سه لایه ی پس انتشار خطا مورد استفاده قرار گرفته اند. سه شبکه ی عصبی برای کلاس بندی ایجاد شده است. شبکه ی عصبی اول مبتنی بر ویژگی های آماری، شبکه ی عصبی دوم مبتنی بر ویژگی های تطبیق قالب و شبکه ی عصبی سوم مبتنی بر ترکیب ویژگی های آماری و تطبیق قالب است. سپس یک الگوریتم رأی گیری برای افزایش نرخ شناسایی پیشنهاد شده است. میانگین دقت این سیستم بر روی 2100 نمونه ی آزمایشی در پاکت های حاوی کادر، 97/5% است. همچنین دقت شناسایی این سیستم بر روی 420 نمونه ی آزمایشی در پاکت های فاقد کادر به میزان 92/2% می باشد.

فن آوری بازشناسی چهره یکی از معدود روش های بیومتریک می باشد که با دارا بودن مزایایی از جمله دقت بالا و تهاجم پایین، در مواردی مانند امنیت اطلاعات، کنترل دستیابی به منابع و غیره مورد استفاده قرار می گیرد. به همین دلیل این فنآوری در طی بیست سال گذشته در عرصه های صنعتی و علمی مورد توجه بسیار قرار گرفته است. از دیگر دلایلی که استفاده از تصویر چهره را همچنان حائز اهمیت نگاه داشته است استفاده معمول از عکس چهره افراد در سیستم های غیرخودکار فعلی می باشد. گرچه سیستم های کنونی به سمت خودکار شدن پیش می روند ولی این تغییرات در سیستم های کنونی باید به گونه ای باشد که بیشترین همخوانی را با سیستم-های غیرخودکار قبلی داشته باشد. از آنجایی که در کاربردهای عملی معمولاً تنها یک تصویر نرمال با نمای روبرو از کارت شناسایی افراد در دسترس می باشد حل مسأله بازشناسی چهره مبتنی بر یک تصویر مرجع نرمال از هر فرد، تبدیل به یکی از چالش های اخیر بازشناسی چهره شده است. ، از طرفی دیگر هزینه نگهداری داده های سیستم شناسایی چهره، هزینه انجام الگوریتم ها برای کاربردهایی با مقیاس بالا می تواند به طور قابل توجهی کاهش یابد، زیرا تعداد نمونه های آموزش برای هر فرد، تاثیر مستقیم بر روی هزینه عملیات بازشناسی چهره (پیش پردازش، استخراج ویژگی ها، شناسایی) دارد. در این تحقیق تلاش شده است با جداسازی اطلاعات فرد از اطلاعات حالت به کمک آنالیز مشخصه های کلی و جزئی چهره، همچنین با تولید تصاویر مجازی به کمک ماسک های حالت، تصاویر تعلیم موجود از هر فرد افزایش یابد. در ابتدا به بررسی روش های کلی تشخیص چهره پرداخته، سپس روشی کارا مبتنی بر اِعمال آنالیز مولفه های اساسی بر روی بخش های مختلف چهره در راستای استخراج ویژگی های پایدارتر، برای حل مسأله ارائه شده است. در ادامه با تعمیم فضای تصمیم به کمک تولید تصاویر مجازی، بازده روش پیشنهادی را بر روی سه مجموعه استاندارد چهره yale، arو orl مورد بررسی قرار گرفت. با توجه به نتایج حاصل از ارزیابیِ کارآیی و زمان اجرای روش پیشنهادی نسبت به روش معمول آنالیز مولفه های اساسی، استفاده از روش ارائه شده مطلوب تر و منطقی تر به نظر می رسد.

هدف اصلی این پژوهش، پیش بینی ورشکستگی مالی شرکت ها در بورس اوراق بهادار تهران به وسیله شبکه های عصبی مصنوعی بازجریانی است. نسبت های مالی سرمایه در گردش به کل دارایی ها، نسبت جاری، نسبت آنی، نسبت بدهی، نسبت p/e، گردش کل دارایی ها، نسبت حاشیه سود خالص و نسبت بازده دارایی ها، به عنوان ورودی شبکه های عصبی انتخاب شدند. وضعیت ورشکستگی شرکت ها نیز به عنوان متغیر خروجی در نظر گرفته شد. شبکه عصبی مورد استفاده در این پژوهش، از نوع بازجریانی سه لایه بوده که به روش الگوریتم پس انتشار خطا آموزش دیده است. در این پژوهش، سه مدل شبکه عصبی توسعه داده شد. مدل اول با استفاده از اطلاعات مالی یک سال قبل از ورشکستگی، با دقت کلی 95 درصد توانست به درستی ورشکستگی یا عدم ورشکستگی شرکت های مورد بررسی را پیش بینی نماید. مدل دوم با استفاده از اطلاعات مالی دو سال قبل از ورشکستگی، با دقت کلی 90 درصد توانست به درستی ورشکستگی یا عدم ورشکستگی شرکت های مورد بررسی را پیش بینی نماید. مدل سوم نیز با استفاده از اطلاعات مالی سه سال قبل از ورشکستگی، توانست به دقت کلی 5/82 دست یابد.

پیشرفت های روزافزون در صنعت فناوری دیجیتال منجر به ایجاد تعداد بسیار زیادی از تصاویر به صورت دیجیتالی شده است. از طرف دیگر با روی کار آمدن و عمومیت یافتن شبکه ی جهانی اینترنت، امکان دسترسی وسیع به این تصاویر فراهم شده است. یکی از انواع مختلف تصاویر دیجیتالی که از اهمیت زیادی برخوردار است، تصاویر پزشکی می باشد. امروزه تصویر برداری پزشکی در تشخیص بسیاری از بیماری ها مورد استفاده ی وسیع قرار می گیرد. همه روزه حجم زیادی از انواع مختلف تصاویر پزشکی مانند اِم آرآی، سونوگرافی، رادیولوژی و غیره، در مراکز پزشکی مختلف تولید می شوند. این تصاویر حاوی اطلاعات مفید و ارزشمندی هستند. از این رو سیستمی که بتواند این حجم تصاویر را مدیریت و بازیابی کند برای کاربردهای تشخیص، آموزش و تحقیق بسیار مفید می باشد. به دلیل اینکه پزشکان به طور ضمنی از یک روال شباهت سنجی برای تشخیص بیماری ها استفاده می کنند، ما را بر آن داشت تا روش خودکاری به منظور تشخیص بیماری ها به کمک بازیابی شبیه ترین تصاویر ارائه دهیم. بازیابی تصاویر بر اساس محتوای تصویر روشی مناسب جهت بازیابی تصاویر بر اساس اطلاعات بصری موجود در تصاویر است. این روش در مقایسه با روش سنتی بازیابی بر اساس متن، نیاز به فرایند زمان بر و پرخطای حاشیه نویسی دستی تصاویر ندارد. بکارگیری بازیابی تصاویر پزشکی بر اساس محتوا در کاربرد تشخیص پزشکی از این جهت دارای اهمیت است، که سوابق و تصاویر حاشیه نویسی شده ی بیماران مختلف موجود در مراکز پزشکی، حاوی اطلاعات ارزشمندی برای استفاده در تشخیص های آتی هستند. پزشک به کمک چنین سیستمی می تواند تصاویر مشابه را بررسی نموده، تشخیص دقیق تری را اتخاذ کند و روش درمان مناسبی را برگزیند. به دلیل شیوع و اهمیت بیماری های چشمی، در این پژوهش روشی برای بازیابی تصاویر شبکیه ی چشم به منظور تشخیص بیماری های چشمی ارائه شده است. در این پژوهش دو روش به این منظور ارائه شده و نتایج آن ها با یکدیگر مقایسه شده اند. روش های پیشنهادی شامل چهار فاز اصلی پیش پردازش تصاویر، استخراج ویژگی ها، انتخاب ویژگی ها و بازیابی تصاویر است. در روش پیشنهادی اول از الگوریتم ژنتیک در فاز انتخاب ویژگی ها استفاده شده و در روش پیشنهادی دوم شبکه ی عصبی مصنوعی به این منظور استفاده شده است. در فاز پیش پردازش تصاویر هدف انجام عملیات پیش پردازشی مناسب روی تصاویر است به نحوی که نتایج بازیابی را بهبود بخشد. در این فاز سه عمل اصلی تشخیص ناحیه ی مورد علاقه، بهبود تصاویر و تشخیص مرکز ماکولا، توسط روش های مختلفی که عموماً مبتنی بر روش های ریخت شناسی می باشند، صورت می گیرد. در فاز استخراج ویژگی ها، بانک فیلترهای گابور به عنوان توصیف کننده ی تصویر، روی تصویر اعمال شده و بردار ویژگی تصویر ایجاد می شود. پس از انتخاب ویژگی ها، در فاز آخر یعنی بازیابی تصاویر، با استفاده از یک معیار فاصله ی مناسب تصاویر مشابه از یک مجموعه داده ی استاندارد شبکیه بازیایی می شوند. نتایج این بررسی نشان دهنده ی برتری شبکه های عصبی مصنوعی در انتخاب ویژگی ها برای بازیابی تصاویر شبکیه است. در این روش میانگین حساسیت 85/88% و میانگین دقت 93/82% روی مجموعه تصاویر مسیدور که دارای بیماری ماکولار اِدما در سه سطح هستند، بدست آمده است. علاوه بر دو روش ذکر شده، به منظور نمایش و بررسی قابلیت عمومی بودن روش های پیشنهادی، روش ارائه شده با کمی تغییر در فاز پیش پردازش روی کل مجموعه داده که شامل رتینوپاتی دیابتی در چهار سطح و ماکولار اِدما در سه سطح است، بررسی شده است. ارزیابی این روش نیز روی کل مجموعه داده ی مسیدور به میانگین حساسیت، ویژگی و صحت به ترتیب 95%، 29/89% و 86/91% رسیده است. نتایج بدست آمده نشان دهنده ی قابلیت عمومی بودن این روش در تشخیص حوزه ی وسیعی از بیماری های چشمی است.

برای دسته بندی متن از تکنیک های استخراج اطلاعات، پردازش زبان طبیعی و یادگیری ماشین به طور وسیع استفاده می شود. به طور کلی هدف یک دسته بند متون، دسته بندی اسناد در قالب تعداد معینی از دسته های از پیش تعیین شده می باشد. هر سند می تواند در یک، چند و یا هیچ دسته ای قرار بگیرد. در مورد هر سند به این سوال پاسخ داده خواهد شد که این سند در کدام یک از دسته ها قرار می گیرد. این موضوع می تواند در قالب یک یادگیری خودکار قرار گیرد تا با استفاده از آن بتوان هر سند را به طور خودکار به دسته ای نسبت داد. در این تحقیق، از روش دسته بندی بر مبنای قواعد انجمنی که از روی فرایند کاوش الگوهای مکرر مجموعه داده های آموزشی تولید شده اند، برای دسته بندی متون فارسی استفاده می شود. این فرآیند با فرآیندی که در داده کاوی داده های بزرگ پایگاه داده ها استفاده می شود یکسان می باشد. یکی از مهم ترین الگوریتم هایی که برای تولید قواعد انجمنی بکار می رود الگوریتم apriori می باشد. در این تحقیق از الگوریتم cba که برای این کاربرد مناسب تشخیص داده شد، استفاده شده است. پیکره ی مورد استفاده برای انجام آزمایشات، پیکره متون فارسی همشهری 2 می باشد، که مقالات آن کامل و حجیم بوده و به 8 دسته خبری تقسیم شده اند. پس از انجام پیش پردازش های لازم بر روی پیکره همشهری 2 و تبدیل آن به فرمت مناسب، کلمات کلیدی متون آموزشی با استفاده از تکنیک tfidf و نرم افزار قدرتمند weka استخراج می شوند. سپس قواعد انجمنی دسته بندی از روی داده های آموزشی (کلمات کلیدی بدست آمده از مرحله قبل)، با استفاده از نرم افزار dmii cba که الگوریتم cba را پیاده سازی کرده است استخراج شده و دسته بند نهایی تولید و ذخیره می شود. در ادامه از این دسته بند برای دسته بندی متون آزمایشی استفاده می شود. آزمایشات انجام شده و ارزیابی آن ها نشان می دهد با افزایش تعداد متون آزمایشی و انتخاب مناسب کلمات کلیدی مرتبط با موضوع متن، دقت دسته بند به طور چشمگیری افزایش می یابد.

یکی از مهمترین موانع برای استفاده و ترویج بانکداری الکترونیکی عدم امنیت تراکنش ها و بروز تقلب در مسیر انجام مبادلات مالی است. لذا، تشخیص تقلب الکترونیکی از مسائل مهم در موسسات مالی و بانک ها است. یکی از شاخه های بانکداری الکترونیکی، بانکداری مبتنی بر کارت های اعتباری است. علی رغم تحقیقات زیادی که در زمینه کشف تقلب در این حوزه خاص انجام گرفته است، روشی مطمئن با میزان کشف بالا جهت تشخیص تقلب در کارت های اعتباری هنوز وجود ندارد. سیستم ایمنی مصنوعی از سیستم ایمنی بدن انسان الهام گرفته شده است. در این پایان نامه کشف تقلب کارت های اعتباری با استفاده از سیستم ایمنی مصنوعی هدف قرار داده شده است. شباهت موجود بین سیستم کشف تقلب و سیستم ایمنی مصنوعی ما را بر آن داشت تا از این روش به عنوان روش کشف استفاده نماییم. الگوریتم های سیستم ایمنی مصنوعی بر پنج دسته مغز استخوان، الگوریتم انتخاب منفی، الگوریتم انتخاب کلونال، شبکه ایمنی مصنوعی و الگوریتم سلول های دندریتیک (مبتنی بر تئوری خطر) استوار هستند. در این پایان نامه از ترکیب الگوریتم انتخاب منفی با الگوریتم سلول های دندریتیک جهت تشخیص تقلب در تراکنش های کارت های اعتباری بهره گرفته شده است. این روش دارای نقاط قوتی از جمله تعدیل عدم تعادل پایگاه داده تقلب و همچنین افزایش نرخ کشف و کاهش میزان تشخیص نادرست رکورد های نرمال به عنوان تقلب می باشد. به علاوه در الگوریتم انتخاب منفی، آموزش فقط بر اساس سلول های خودی (رکوردهای نرمال) می باشد. بنابراین نیازی به سلول های غیرخودی (رکورد های تقلب) در تعلیم سیستم نداریم. قابل ذکر است که، در زمینه کشف تقلب دو رویکرد کلی مبتنی بر تحلیل رفتار کاربر و مبتنی بر تحلیل تقلبات قبلی وجود دارد. در این پایان نامه از هر دو رویکرد در کنار هم استفاده شده است. نتایج حاصل از اعمال مدل ترکیبی (مبتنی بر الگوریتم های انتخاب منفی و سلول های دندریتیک) در مقایسه با اعمال تک تک الگوریتم های انتخاب منفی و سلول های دندریتیک از نرخ کشف بیشتری برخوردار هستند.

بازشناسی ارقام و کلمات دستنویس یکی از موضوعات مطرح در تشخیص الگو است و کاربردهای فراوانی دارد مانند شناسایی مبلغ چک، خواندن، شناسایی و دسته بندی کد پستی نامه ها و شناسایی متون دستنوشته. معمولا روش هایی که برای شناسایی دستنوشته های انگلیسی بکار می روند برای دستنوشته های فارسی کاربردی ندارند و دلیل آن ویژگی های نوشتاری خط فارسی است، مانند پیوستگی حروف و زیر کلمات، اشکال متفاوت یک حرف، همپوشانی بین حروف، نقطه دار بودن حروف، اندازه متفاوت حروف و همچنین عدم سرمایه گذاری کافی و فقدان پایگاه داده ها و لغتنامه های استاندارد و جامع برای متون فارسی و عربی. این تحقیق یک روش ابتکاری را برای بازشناسی مبلغ چک های دستنویس فارسی ارائه می دهد. مبلغ نوشته شده در چک از دو قسمت حروفی و عددی تشکیل می شود. در قسمت بازشناسی ارقام، هر رقم با استفاده از روش مولفه های همبند استخراج شده و پس از اعمال الگوریتم های پیش پردازش به دسته بند داده می شود، اما در قسمت بازشناسی مبلغ حروفی نمی-توان بطور مستقیم از روش مولفه های همبند برای استخراج هر کلمه استفاده کرد. در روش پیشنهادی الگوریتمی را ارائه داده ایم که می تواند با دقت قابل قبولی کلمات را استخراج کند. در این تحقیق برای شناسایی مبلغ رقمی چک از دسته بندهای شبکه عصبی، ماشین بردار پشتیبان و k نزدیکترین همسایه و برای بازشناسی مبلغ حروفی نیز از دسته بند شبکه عصبی استفاده شده است. همچنین در قسمت بازشناسی ارقام یک روش ابتکاری با استفاده از ترکیب دسته بندها و استفاده آنها در درخت تصمیم ارائه شده است. با توجه به اینکه دامنه لغات موجود در چک محدود است کلمات را بعنوان یک الگوی واحد در نظر گرفته ایم، این فرض باعث می شود که در طی انجام پروژه مجبور به جداسازی حروف از کلمات نشویم و کلمات را بجای حروف به سیستم آموزش دهیم.

در این پایان نامه به بررسی مسئله ی تولید حرکت در ربات های انسان نما می پردازیم. تکنیک اصلی به کار رفته در این تحقیق استفاده از ساختارهای عصبی موسوم به مولد مرکزی الگو می باشد که قادر است الگوی مورد نیاز برای حرکت در یک ربات را بر اساس یک نوع آموزش نمایشی بدست آورد. نحوه ی طراحی سیستماتیک این ساختار عصبی مصنوعی که در علم کنترل کاربرد های فراوانی دارد، اصلی ترین چالش پیش روست که در این پایان نامه به ارائه ی روشی برای آن پرداخته شده است. روش سیستماتیک طراحی و آموزش مولد های مرکزی الگو که از بازخوردهای حسی جهت تطابق خود با شرایط جدید استفاده می کند، در یک مدل سلسله مراتبی مورد بحث و بررسی قرار داده شده است. این مدل چند لایه ای الهام گرفته شده از سیستم عصبی مهره داران و انسان می باشد که شامل لایه ی واحد تصمیم سازی سطح بالا، لایه ی ناحیه ی حرکتی مسن سفالیک، لایه ی مولد های مرکزی الگو و لایه ی سطح پایین مفاصل است. در این مدل سازی فرامین سطح بالای حرکتی که در شکل خاص ویژگی های حرکت منحنی خطی هستند در لایه ی اول تولید می شوند و ناحیه ی حرکتی مسن سفالیک آن ها را به مجموعه ای از سیاست های تحریکی مبدل می سازد و با تحریک لایه ی مولد مرکزی الگو، دنباله های حرکتی برای یک حرکت خاص تولید شده و به لایه ی چهارم ارسال می گردند تا حرکت نهایی تولید گردد. حرکت خاصی که به بررسی تولید آن پرداخته شده است حرکت منحنی خطی است. در این پایان نامه دو مجموعه روش یادگیری جهت آموزش نرون های لایه ی مولد مرکزی الگو و سیاست گذار لایه ی حرکتی مسن سفالیک ارائه شده است که برگرفته از روش های یادگیری گرادیان سیاست در یادگیری تقویتی هستند. مدل ارائه شده یک بستر مناسب جهت ارائه ی آموزش های نمایشی و مبتنی بر تقلید برای ربات های انسان نما محسوب می شود که نیاز به کنترل صریح و برنامه نویسی مستقیم را برطرف می سازد و امکان آموزش غیر مستقیم رفتارهای پیچیده روی انواع ربات ها را مهیا می سازد.

کاربرد روز افزون بالگردهای بدون سرنشین در عملیات های نظامی، امداد و نجات، عمرانی، بررسی مناطق آلوده و صعب العبور، دلیلی بر توجه خاص به این پرنده ها در طی چند سال اخیر بوده است. تحقیقات کنونی در زمینه بالگردهای بدون سرنشین به سمت خودکار شدن در جهت انجام وظایف معین شده پیش می رود، در جهت رسیدن به این هدف، تغییرات اعمال شده برروی این پرنده ها باید به گونه ای باشد که بیشترین هم خوانی را با سیستم های خودکار قبلی داشته باشند. از طرفی دیگر، استفاده کارآمد و عدم نیاز به تجهیزات پیشرفته از جمله مواردی است که ما را ناگزیر به استفاده از بینایی ماشین در جهت هوشمند سازی می نماید. استفاده از سیستم بینایی تمام جهته در هدایت خودکار پرنده های بدون سرنشین از موضوعات مطرح در تحقیقات امروزه می باشد، مهمتربن مزایای استفاده از این سیستم، عدم نیاز به چرخش دوربین، وسعت بینایی، امکان جهت یابی و فاصله یابی آسان، وزن و توان مصرفی کمتر، پیدا کردن سریع هدف است. در این تحقیق تلاش شده است به کمک پردازش تصویر تمام جهته و تشخیص هدف و موانع در این تصاویر، عملیات هدایت یک بالگرد آزمایشگاهی کوچک تا رسیدن به هدفِ از قبل تعیین شده، به صورت خودکار انجام شود. در ابتدا مقدمه ای بر این موضوع و مروری بر سوابق آورده شده است، پس از آن چگونگی طراحی سیستم و اجزای تشکیل دهنده آن شرح داده شده و سیس روشی برای تشخیص اشیا رنگی در تصویر تمام جهته ارائه شده و با توجه به مشکلات موجود در تشخیص اشیا در این تصاویر، راه حلی در جهت کاهش رنگ و حذف پیچیدگی بافتی اشیاء، انتخاب شده است و در نهایت با توجه به اطلاعات حاصل از تشخیص اشیاء موجود در تصویر، الگوریتمی برای مسیریابی بر پایه بارهای الکتریکی ارائه شده است. با توجه به محدودیت منابع پردازنده ی بالگرد، کلیه الگوریتم ها باید به گونه ای طراحی می شدند که سبک، سریع، کارا و از طرفی تمام منابع سیستمی را اشغال نکند. واژه های کلیدی: ردیابی، هدایت خودکار، پرنده های بدون سرنشین، مسیریابی بر پایه بارهای الکتریکی، پردازش تصویر، بینایی تمام جهته، کاهش رنگ تصاویر .

اگر چه امروزه پیشرفت های زیادی در زمینه شناخت و درمان بیماری های ویروسی صورت گرفته ولی همچنان ماهیت برخی ویروس-ها، نحوه عملکرد، پیشگیری و درمان بیماری های ناشی از آنها، برای بشر ناشناخته مانده است. چه بسا هنوز هم بسیاری ویروس-ها که می توانند در زمانی کوتاه، آثار مخربی بر سلامت انسان داشته باشند. این در حالیست که روز به روز برتعداد افرادی که از بیماری-های ویروسی رنج می برند، افزوده می شود. در این پایان نامه، یک روش جدید برای درمان بیماری-های ویروسی با تزریق جریان الکتریکی بر محیط آلوده به ویروس، معرفی می شود. در این روش، جریان های الکتریکی ضعیف با یک مجموعه پارامترهای مختلف و مخصوص، به محیط ویروسی خارج از بدن موجود زنده در آزمایشگاه، تزریق می شود. در گام بعد، این محلول وارد محیط زنده شد، تا تاثیر جریان الکتریکی بر ویروس ها مشخص شود. مشاهده شد که با تزریق جریان الکتریکی می-توان ویروس های طبیعی را تضعیف کرده و یا حتی از بین برد. در طول آزمایش مدت زمان تزریق را می بایست به حداقل ممکن رسانید تا اثر مخرب بر روی سلول های زنده نداشته باشد. . در نهایت، با آزمون هایی که بر روی محلول سلول های زنده خارج از بدن انسان و حیوان انجام گرفت، نشان دادیم در بیماری های ویروسی، استفاده از تزریق جریان الکتریکی به محیط حاوی ویروس، را می توان جایگزین روش های درمانی مانند استفاده از داروهای شیمیایی، کرد.در آینده به دنبال این هستیم تا چنین آزمون-هایی را در داخل بدن موجود زنده انجام دهیم.

در این تحقیق به عنوان نمونه پیش بینی زمان بندی معاملات سهام 17 شرکت فعال در بورس اوراق بهادار تهران انجام شد. بدین صورت که ابتدا داده های اولیه که شامل 3 متغیر قیمت پایانی، کمترین قیمت و بیشترین قیمت سهام طی دوره زمانی 1388 تا پایان 1391 بصورت روزانه است، از سایت رسمی سازمان بورس اوراق بهادارتهران گردآوری گردید .سپس با استفاده از این داده ها و تعریف توابع مربوطه در نرم افزار excel شاخص های قدرت نسبی((rsi، میانگین متحرک همگرا- واگرا(macd)، میانگین متحرک ساده((sma، نوسانگر تصادفی((so، میانگین متحرک نمایی(ema) و خط سیگنال(sl) محاسبه شدند.