چکیده در روش های مبتنی بر بینایی استریو، همانند عملکرد چشم، دو تصویر از دو نقطه نظر مختلف از یک صحنه گرفته می شود و سپس با ترکیب این دو و اعمال الگوریتم های مربوطه، تصویر سه بُعدی از صحنه ایجاد می گردد. مهم ترین نکته در این راستا محاسبه ی عمق از طریق سیستم استریو می باشد. در این پایان نامه برای تشخیص مانع و تعیین عمق آن از بینایی استریو استفاده شده است. موانع مورد بررسی در این پایان نامه به دو دسته ی عمده تقسیم می گردد. دسته اول موانع مثبت است که به دو گروه موانع مثبت معمولی و پلکان گروه بندی شده و دسته ی دوم موانع منفی می باشد. در راستای تشخیص موانع مثبت، دو الگوریتم پیشنهادی مطرح شده است. اصلی ترین ایده ی الگوریتم پیشنهادی دوم آستانه گیری وفقی است که طرح زمینه، جزئیات و پیچیدگی های غیر ضروری تصویر را حدف کرده و حجم محاسبات در مرحله ی تطابق استریو کاهش داده، درنتیجه سرعت اجرای الگوریتم افزایش می یابد. تمرکز این پژوهش بر تشخیص مانع برای افراد نابینا و کم بینا می باشد در این راستا الگوریتمی برای تمریز دادن سایه از مانع ارائه شده است که مبتنی بر فضای hsi می باشد. موانع منفی از اهمیت بیشتری برخوردار است زیرا خطر رویارویی با آن ها بیشتر می باشد. برای تشخیص این دسته از موانع از تطابق استریو بهره گرفته شد که مبتنی بر تغییرات ناگهانی نگاشت اختلاف مکانی است. در نتیجه نگاشت اختلاف مکانی به دست آمده در این مرحله باید از دقت بالایی برخوردار باشد. در این راستا الگوریتم تطابق استریویی از ترکیب روش، برمبنای ویژگی و سطح پیشنهاد شده است که از دقت و سرعت لازم برخوردار می باشد. در نهایت الگوریتم پیشنهادی دوم برای موانع مثبت و الگوریتم پیشنهادی موانع منفی توأما روی تصاویر استریو اجرا شده و محدوده ی موانع، نوع و فاصله ی آن از دوربین تعیین گردیده است. الگوریتم های پیشنهادی روی 20 جفت تصویر استریو اجرا گردیده که 16 نمونه ی آن در فصل نتایج نشان داده شده و نتایج قابل قبولی به دست آمده است. نتایج الگوریتم های پیشنهادی با الگوریتم های مختلف و به روز دنیا از جهت کیفی و کمی مقایسه گردیده است. این پایان نامه می تواند گامی در جهت بهبود و افزایش استقلال در زندگی افراد نابینا و کم بینا باشد.

ضربان بالای گشتاور و پایین بودن مقدار ضریب برجستگی موتورهای رلوکتانسی سنکرون همواره از مهمترین معایب این موتورها به شمار می آید و در بیشتر تحقیقات سعی شده به بررسی راه های بهبود معایب مذکور پرداخته شود. از جمله راه های کاهش میزان ضربان گشتاور تعیین بهینه موقعیت زاویه ای شیارهای روتور و مورب سازی شیارهای روتور می باشد. هدف از تعیین موقعیت زاویه ای شیارهای روتور، تعداد شیارها و ضخامت این شیارها است. بدین منظور در این پایان نامه تعداد شیارهای روتور، گام قطبی روتور و ضخامت شیارهای روتور به عنوان متغیر برای این کار در نظر گرفته شده است. محدودیت های مکانیکی این شیارها باعث شده که فضای جستجوی بزرگی به وجود آید و موجب پیچیده شدن کارشود: بنابراین در این پایان نامه سعی شده است تا از روش مستقیم و غیر مستقیم برای پیدا کردن موقعیت بهینه شیارها استفاده شود. در روش مستقیم از الگوریتم جستجوی ذرات استفاده شده است و در روش غیر مستقیم از چندین مدل نمونه استفاده شده است. لازم به ذکر است که این مدل ها در محدوده های مجازی که بر اساس محدودیت های مکانیکی تعیین شده است، قرار دارند و در تحلیل آنها از روش المان محدود استفاده شده است.

استفاده از دوربین های با وضوح کم از یکسو و تصویر برداری از یک جسم از فاصله دور منجر به ایجاد تصاویری کم کیفیت با تفکیک پذیری کم می گردد. برای جبران این کاستی می توان از جبرانسازی های نرم افزاری که هزینه بسیار کمتر و کاربرد بسیار بیشتری را نسبت به تغییرات در سخت افزار دارند، بهره برد. اگر دامنه مورد تصویر برداری چهره انسان باشد، می توان با توجه به شباهت های ساختاری موجود و ویژگی های خاص این دامنه بهبود وضوح کاراتری انجام داد. روشهای معمول افزایش تفکیک پذیری نظیر انواع روشهای تخمین اطلاعات و الگوریتم های مختلف درونیابی از روی تک تصویرِ ورودی منجر به تصویری مات بدون افزودن اطلاعاتی اضافه به تصویر می شوند. ضعف این الگوریتم ها عدم توانایی تولید اطلاعات اضافی که همان جزئیات و ویژگیهای چهره هستند، در قالب فرکانسهای بالای تصویر می باشد. این رساله روشی جدید در افزایش تفکیک پذیری تصاویر چهره (ابر وضوح ) به کمک وصله های موقعیتی؛ و برگرفته از زوج تصاویر چهره کیفیت بالا – کیفیت پایین را ارائه می دهد. از تصویر کیفیت پایین ورودی وصله ای جدا می شود. این وصله با معادل آن وصله در تصاویر پایگاه داده آموزش یافته با کیفیت پایین مقایسه می گردد. سپس به هر وصله کیفیت پایین وزنی اختصاص داده می شود. پس از تخمین مقدار وزن مناسب، از معادل کیفیت بالای آن وصله در بهبود وضوح و هالوسینه کردن تصویر کیفیت بالا استفاده می گردد. تصویر کیفیت بالای چهره نهایی از تجمع وصله های کیفیت بالای تخمین زده (هالوسینه شده) تشکیل می گردد. از یک طرف مقایسه عددی از طریق روش های نرخ پیک سیگنال به نویز و شباهت ساختاری؛ و از طرف دیگر مقایسه از طریق چشم انسان از نتایج تجربی، نشان دهنده بهبود وضوح و بهبود تفکیک پذیری تصاویر چهره در حدی فراتر از انتظار و قابل رقابت با روشهای موجود می باشد.

موتورهای سنکرون مغناطیس دائم سطحی معمولاً در محدوده های قدرت پایین - برای درایوهای عملکرد بالای خاص - در نتیجه راندمان بالایشان، آسانی کنترل سرعت و موقعیت، قابلیت دینامیک گشتاور، بکار می روند. به طوری که اخیراً یک مزیت تعیین شده از این موتورها نسبت گشتاور به اینرسی بالا می باشد، این پیکربندی به دلیل محدودیتی که آهنرباها در طول عملکردهای سرعت بالا در گریز از سطح روتور دارند؛ برای کاربردهای سرعت پایین استفاده می شود. گشتاور اثر دندانه یکی از عوامل مهم برای تحقیق پیرآمون عملکرد این ماشین ها است. در این تحقیق یک موتور سنکرون مغناطیس دائم سطحی طراحی شده، و سپس گشتاور اثر دندانه با روش تحلیلی محاسبه می شود و نتایج بدست آمده با نتایج حاصل از روش المان محدود مقایسه می گردد. محاسبه گشتاور اثر دندانه مبتنی بر روش انرژی مغناطیسی ذخیره شده در فاصله هوایی است. با توجه به نتایج بدست آمده؛ مشاهده می گردد که محاسبه گشتاور اثر دندانه بر اساس روش انرژی دارای شکل موج مشابه در مقایسه با روش المان محدود است و در نهایت از این روش برای طراحی پارامترها و بهینه سازی موتور سنکرون مغناطیس دائم سطحی طراحی شده استفاده شده است. برای کاهش گشتاور اثر دندانه نسبت دهانه شیار بر پهنای دندانه استاتور، طول فاصله هوایی، ضخامت آهنربا و نسبت پهنای آهنربا بر گام قطب بررسی می شوند. با در نظر گرفتن این پارامترها و روش تحلیلی، در بهینه سازی گشتاور اثر دندانه از الگوریتم pso برای بدست آوردن پارامترهای بهینه استفاده شده است. در نهایت، اثر هر یک از این پارامترها در کاهش گشتاور اثر دندانه با روش تحلیلی ارزیابی شده و نتایج با نتایج حاصل از روش المان محدود مقایسه می گردند

با توجه به اهمیت ترانسفورماتورها در سیستمهای قدرت و لزوم وجود حفاظت مناسب در حین کار بر روی آنها، در این پایان نامه به بیان روش حفاظت از ترانسفورماتورهای قدرت با استفاده از تلفیق روش اجزاء محدود و سیستمهای هوش مصنوعی پرداخته شده است. با انتخاب یک ترانسفورماتور نمونه، ابتدا تحلیل اجزاء محدود بر روی آن صورت گرفته است و پارامترهای مغناطیسی و الکتریکی آن شبیه سازی شده است. سپس با انتخاب دو خطای فاز به زمین و فاز به فاز و اعمال آنها به ترانسفورماتور، تحلیل اجزاء محدود بر روی این خرابی ها صورت گرفته است. با استخراج جریانهای اولیه سه فاز در هر حالت به عنوان پارامترهای خروجی سیستم اجزاء محدود؛ تحلیل موجک بر روی سیگنالهای جریان انجام گرفته است تا اطلاعات دقیق ترانسفورماتورها در حوزه زمان و فرکانس با توجه به هارمونیکها و وقوع خرابی استخراج شود. چهار موجک مناسب انتخاب شده و مقدار متوسط آنها به عنوان پارامترهای ورودی به سیستم هوش مصنوعی داده شده است. سپس با انتخاب دو سیستم هوشمند شبکه عصبی پرسپترون چند لایه با یک لایه مخفی و شبکه فازی-عصبی، شبکه های هوشمند طراحی و مدل شده اند. با آموزش مناسب این دو شبکه با داده های کافی و مناسب که از ایجاد تغییرات در پارامترهای منبع ورودی ترانسفورماتور و مشخصه مغناطیسی هسته صورت گرفته است، شبکه عصبی و همین طور فازی-عصبی کامل شده اند و نهایتاً با استفاده از سیگنالهای تست مقدار خطا در هر حالت برای تشخیص وضعیت کار ترانسفورماتور به دست آمده است.

عروق کرونر از انواع رگ‏هایی هستند که به احتمال زیاد دچار تصلب شریان می شوند. تصلب شریان یک بیماری دیواره رگ است که در آئورت، شاهرگ، کرونر و عروق جانبی می تواند رخ دهد. مهم‏ترین پیامد‏های تصلب شریان حمله قلبی، سکته و از بین رفتن عضو در اثر نرسیدن خون است. تصویربرداری فراصوت داخل رگی (ivus) یک روش تصویربرداری است که با تجزیه و تحلیل آن می توان اطلاعات بافت شناسی رگ های تغذیه کننده قلبی را استخراج نمود. یکی از معایب روش تصویربرداری ivus نیاز به حضور کارشناس و یا کاردیولوژیستی است که در تصویر برداری آنژیوگرافی و تشخیص بیماری های درون رگی تجربه و تخصص لازم را دارا باشد تا بتواند لایه های رگ و جنس و میزان پلاک های رسوبی را تشخیص دهد. از طرفی تشخیص لایه ها و پلاک‏های رسوبی در تمامی فریم ها به شکل دستی برای کارشناس مربوطه کاری خسته کننده و زمان بر است. یکی از مشکلات تحلیل این تصاویر، سایه های کلسیمی موجود در این تصاویر است. این سایه ها به دلیل انعکاس زیاد موج اولتراسوند در برخورد با پلاک های کلسیمی ایجاد می شوند، به صورتی که امواج به بافت های عمیق تر نفوذ نمی کنند و باعث ایجاد مناطقی با شدت روشنایی خیلی پایین می شوند که این مناطق ، سایه نام دارند.این نواحی باعث اختلال در تجزیه و تحلیل درست در تصویر می شوند. هدف در این پایان نامه تشخیص محل سایه ها و اصلاح این مناطق است. قبل از اعمال الگوریتم، پیش پردازش هایی به منظور حذف درست نماها، توسط الگوریتم هاف و آستانه گذاری اتسو بر روی تصاویر انجام می گیرد و در ادامه، الگوریتمی به کمک کانتور های فعال جهت تشخیص و مرزهای نواحی سایه دار به کار گرفته می شود و در آخر توسط دو روش نگاشت خطی و تطبیق هیستوگرام این مناطق را بهبود داده می شوند. الگوریتم پیشنهادی بر روی 100 تصویر از 2 بیمار مختلف آزمایش شد و حساسیتی برابر با 86% را دربرداشت.

به طور معمول، تصاویر حاصله از اطلاعات تصویربرداری دیجیتالی مانند دوربین ها و پویشگرها، کم و بیش همراه مقداری نویز است که موجب کاهش وضوح تصویر دریافتی می گردند. نویز تناوبی، به عنوان یکی از انواع نویزهای مطرح در تصویر، سیگنال ناخواسته ای است که به دلایل مختلف باعث ایجاد ساختارهای متناوب و تکرارشونده و کاهش کیفیت تصاویر می گردد. عوامل مختلفی از جمله تداخلات الکترومغناطیسی و الکتریکی در حین اخذ تصویر، ناپایداری حرارتی عناصر اپتیکی و بهره مدارات الکترونیکی در حسگرهای نوری وفرایند پویش در مرورگرهای الکترواپتیکی، می تواند باعث به وجود آمدن این نویز گردد. در این تحقیق الگوریتم های موجود برای کاهش نویز تناوبی مورد بررسی قرار گرفته، سپس در محیط نرم افزار matlab شبیه سازی و با یکدیگر مقایسه شده است. در ادامه روش های جدیدی برای آشکارسازی و کاهش این نویز در حوزه فرکانس، پیشنهاد شده است. در روش پیشنهادی اول، ابتدا بخش مربوط به فرکانس های نویز با اعمال الگوریتم تقطیع به روش آستانه گذاری بر روی طیف تصویر آلوده به نویز مشخص می شود. سپس الگوریتم رشد ناحیه تلاش می کند که پهنای باند مربوط به هر یک از فرکانس های نویز را به طور جداگانه تعیین کند. در نهایت فقط برای فرکانس های تخریب شده به وسیله نویز تناوبی، فیلتر برشی گوسی مناسب که روشی قدرتمند برای کاهش اثر نویز تناوبی است، اعمال می شود. در روش بعدی با چند بار اعمال یکی از الگوریتمها امکان تشخیص و کاهش نویزهای تناوبی با شدت کم فراهم می شود. در ادامه، بخش مربوط به فرکانس های نویز، با الگو گرفتن از روش های تشخیص نویز فلفل نمکی که یکی دیگر از نویزهای تصویری است، به طریق جدیدی، شناسایی می شود. الگوریتم های پیشنهادی از نظر کیفی، کمی و یا پیچیدگی محاسباتی با روش های موجود مقایسه شده است. نتیجه مقایسه بیانگر عملکرد بهتر روش های پیشنهادی می باشد.

ردیابی هدف در طول زمان مستلزم انطباق اشیا در قاب های متوالی با استفاده از توصیف کننده هایی مثل نقاط، خطوط و یا ‏نواحی تصویر است. در یک سیستم ردیاب، متغیرهایی چون مکان هدف، شکل شی، سرعت، اندازه و جهت حرکت شی و سایر ‏اطلاعات مربوط به یک شی می توانند به عنوان خروجی های سیستم تلقی شوند. این اطلاعات، حالت های هدف نیز گفته می-‏شود و بر اساس اندازه گیری ها و مشاهدات، بوسیله سیستم ردیاب تخمین زده می شوند. معادله حالت مناسب باید به بهترین ‏شکل رفتار سیستم را مدل کند. حرکت شی می تواند دستخوش اختلال های تصادفی شود. روش های ردیابی تصادفی مانند ‏فیلترهای ذره ای این مسائل را در طول تخمین حالت شی با در نظر گرفتن دقیق نبودن مدل و اندازه‎ ‎گیری ها حل می کند. ‏تقریب و استفاده از یک تابع توزیع پیشنهادی نزدیک به چگالی توزیع مجهول، منجر به عملکرد قوی فیلتر ذره ای می شود. ‏انتخاب مناسب ویژگی های هدف نیز در ردیابی از اهمیت خاصی برخوردار است؛ به طوری که ویژگی ها هدف را به شکل یکتا ‏در تصویر توصیف کنند. ویژگی رنگ به دلیل تغییرناپذیر بودن با جابجایی ، چرخش و تغییرات اندازه ی هدف، به مراتب در ‏الگوریتم های ردیابی مورد استفاده قرار گرفته است. در این تحقیق براساس ویژگی رنگ دو روش پیشنهاد شده است. ‏خصوصیت رنگ شی می تواند با هیستوگرام رنگ استخراج شود که اساس کار روش اول است. انتخاب فضای رنگ مناسب در ‏توصیف هدف با ویژگی رنگ نقش بسیار مهمی دارد که پایه ی روش دوم را تشکیل می دهد. شبیه سازی با نرم افزار ‏matlab‏ نشان می دهد استفاده از روش بهینه سازی‎ (particle swarm optimization) pso ‎برای طراحی ‏فضای رنگ مناسب نتایج بسیار خوبی در ردیابی تصویری بدست می دهد.‏

شبکه ی عصبی تپشی نوع خاصی از شبکه های عصبی می باشد که داده های ورودی و خروجی آن از جنس زمان است. این شبکه ها برای مدل سازی دقیـق تر نرون های واقعی و رفتار آن ها ایجاد شده اند. در این پژوهش مسئله ی یادگیری در شبکه های عصبی تپشی مورد بررسی قرار گرفته است. نرخ همگرایی پایین و نیز کندی سرعت یادگیری از جمله مشکلاتی است که تاکنون شبکه های عصبی تپشی با آن مواجه بوده است؛ این در حالی است که به دلیل وجود ماهیت زمانی در این شبکه ها، هزینه ی محاسباتی این شبکه ها به خودی خود بسیار بیشتر از شبکه های سیگموئیدی متعارف می باشد. در آخرین تحقیقات و پژوهش های انجام شده در مورد یادگیری در شبکه های عصبی تپشی، از الگوریتم "تندترین کاهش گرادیانی بهبود یافته با مومنتوم با نرخ یادگیری خود انطباقی پویا" استفاده شده است. در همین راستا، در این پژوهش با هدف ایجاد بهینه سازی هایی در نرخ و سرعت همگرایی شبکه عصبی تپشی، از روش "تندترین کاهش گرادیانی بهبود یافته با تانژانت موازی با نرخ یادگیری خود انطباقی پویا" استفاده شده است. آزمون های xor، توازن، چرخش، کدکننده-کدبردار و ایریس به سه روش "تندترین کاهش گرادیانی با نرخ یادگیری خود انطباقی پویا"، "تندترین کاهش گرادیانی با نرخ یادگیری خود انطباقی پویا همراه با بخش مومنتوم" و روش پیشنهادی یعنی "تندترین کاهش گرادیانی بهبود یافته با تانژانت موازی با نرخ یادگیری خود انطباقی پویا" در دو حالت "شبکه عصبی تک تپشی" و "شبکه عصبی چند تپشی" اجرا شده است. همچنین برای هر یک از آزمون ها، در شرایط یکسان مقایسه ای بین یادگیری در شبکه عصبی چند تپشی و شبکه عصبی تک تپشی به روش تندترین کاهش گرادیانی با نرخ یادگیری ثابت انجام شده است. نتایج بدست آمده نشان می دهد که در همه ی آزمون ها روش تندترین کاهش گرادیانی بهبود یافته با تانژانت موازی با نرخ یادگیری خود انطباقی پویا، بیشترین درصد همگریی را به خود اختصاص داده است. پس از آن روش تندترین کاهش گرادیانی بهبود یافته با مومنتوم با نرخ یادگیری خود انطباقی پویا قرار دارد و روش تندترین کاهش گرادیانی با نرخ یادگیری خود انطباقی پویا کمترین نرخ همگرایی را دارد. روش پیشنهادی در حالی بیشترین درصد همگرایی را به خود اختصاص داده است که در مقایسه با دو روش دیگر، دارای هزینه محاسباتی کمتری است. همچنین نتایج بدست آمده نشان می دهد که در شرایط یکسان در صد همگرایی شبکه ی عصبی چند تپشی بیشتر از شبکه ی عصبی تک تپشی است؛ اما هزینه ی محاسباتی شبکه ی چند تپشی بیشتر از شبکه ی تک تپشی است، بنابراین مصالحه ای بین درصد همگرایی و هزینه ی محاسباتی در این دو نوع شبکه برقرار است.

چکیده اکثر نقاط کشور عزیز ما ایران از نظر اقلیمی به گونه ای است که پتانسیل استفاده از انرژی خورشید جهت تولید برق را دارا می باشد. یکی از مهمترین محدودیت های سیستم های فتوولتائیک برای استفاده از انرژی خورشیدی پایین بودن راندمان (بازده) آنها است. هدف از این تحقیق یافتن محدوده حداکثر توان خروجی یک پنل فتوولتائیک برای افزایش راندمان خروجی می باشد. جهت نیل به این مقصود، از یک پنل فتوولتائیک 45 واتی ساخت شرکت فیبرنوری و برق خورشیدی استفاده شده است. توان خروجی این پنل در دو شهر تهران و اصفهان در ساعات مختلف روز و شرایط آفتابی، در فصل های مختلف اندازه گیری شد. به منظور یافتن بهترین زاویه ی قرار گرفتن پنل خورشیدی فوق با توجه به ساعات مختلف روز و شرایط تابش خورشید در فصل های مختلف یک دستگاه تغییر دهنده ی زاویه ی پنل خورشیدی طراحی و ساخته شد. در هر آزمایش توان خروجی پنل بر حسب زاویه ی نصب پنل و دما، اندازه گیری شد. سپس به منظور تعیین زاویه پنل خورشیدی جهت دریافت توان در محدوده ی ماکزیمم، از شبکه ی عصبی استفاده شد. 60% از داده های تجربی فوق برای آموزش شبکه ی عصبی و %40 از داده های فوق به منظور آزمایش شبکه ی عصبی مورد استفاده قرار گرفت. نتایج حاصل نشان داد که مناسب ترین زاویه ی قرار گرفتن پنل خورشیدی در دو شهر اصفهان و تهران برای دستیابی به توان خروجی در محدوده ی ماکزیمم توان، زوایای 45 تا 64 درجه با توجه به فصل های مختلف می باشد. واژگان کلیدی: فتوولتائیک، نقطه ماکزیمم توان، انرژی خورشیدی، شبکه عصبی

تطابق تصاویری که از منابع مختلف به دست آمده است از مسائل پیچیده در پردازش تصاویر دیجیتال است. در این بین، تطابق تصاویر هوائی و ماهواره ای به علت وجود مشکلاتی مانند تصویربرداری توسط دو منبع متفاوت با مشخصات متفاوت و در دو زمان مختلف، وجود نویزهای گوناگون، تار شدگی تصاویر، تغییر مقیاس، چرخش، تبدیل افاین، کجی و تغییر روشنایی بر پیچیدگی مسئله افزوده است. از طرفی در کاربردهای بلادرنگ، کاهش پیچیدگی های محاسباتی نقش مهمی در امکان پذیر بودن تحقق سیستم ایفا می کند. در برخی از کاربردهای تطابق تصاویر هوائی و ماهواره ای که در آن مشخصات هندسی تصویربردار، تا حدودی از قبل مشخص است، مقدار تقریبی دو پارامتر مقیاس و چرخش تصاویر، موجود است. هدف این پایان نامه، طراحی الگوریتم هایی با پیچیدگی محاسباتی کم برای تطابق سریع تصاویر هوائی و ماهواره ای است که با دانستن تقریبی این دو پارامتر سرعت اجرای روش مناسب بوده و از دقت خوبی جهت تطابق برخوردار باشد. بنابراین دو روش پیشنهاد شده است، روش اول روش مبتنی بر توصیف گر فریک (freak) نامیده شده است. این روش ابتدا الگوی نمونه برداری را مطابق با تصویر هدف تغییر اندازه می دهد و الگو که به صورت دایره ای است بر روی تصویر مرجع حرکت داده و بردار توصیف گر برای پیکسل ها به دست می آید و از این بردارها جهت تطابق استفاده می شود. با توجه به اینکه در مقیاس های کم می توان برای پیکسل های کمتری بردار توصیف گر ایجاد نمود روش پیشنهادی دارای سرعت خوبی است. این روش تا مقیاس 6 از سرعت بهتری نسبت به بقیه روش ها برخوردار است. روش دوم که روش آشکارساز کپی است تاکنون جهت یافتن کپی در ویدئو استفاده شده است. در این تحقیق با اعمال تغییراتی در ساختار این روش برای تطابق تصاویر به کار برده شده است. نحوه ی جستجوی این روش با پنجره ی مربعی انجام می شود و میزان جابجایی این پنجره به اندازه 20 پیکسل است. نتایج این روش نشان می دهد که نسبت به روش سیفت (sift) دارای سرعت بهتری است. تعداد تصاویر مورد آزمایش 65 تصویر ماهواره ای، 30 تصویر هوائی و 95 تصویر با دوربین گرفته شده هستند. نتایج شبیه سازی با استفاده از کتابخانه ی opencv در محیط visual studio انجام شده است.

پیش بینی سرعت باد در مواردی همچون کنترل توربین های بادی، برنامه ریزی جهت قطع و وصل توربین¬های بادی و تضمین عملکرد پایدار سیستم توزیع می¬تواند حائز اهمیت باشد که به طور کلاسیک به روش¬های متعددی صورت می¬گیرد. در این پایان نامه ارائه روشی صرفاً بر اساس آنالیز داده¬های اندازه¬گیری شده قبلی مدنظر می¬باشد. به این منظور ضمن بررسی آشوبناک بودن داده¬های سرعت باد، با ترکیب مفاهیم مربوط به نظریه آشوب و تکنیک¬های موجود در پیش بینی با استفاده از شبکه¬های عصبی، روشی جهت پیش بینی سرعت باد پیشنهاد می¬گردد. در این راستا ابتدا با استفاده از محاسبه بُعد همبستگی و بزرگترین نمای لیاپانوف از روی سری زمانی مفروض، آشوبناک بودن دینامیک سیستم مولد این داده¬ها اثبات می¬گردد. سپس فضای حالت سیستم دینامیکی مولد بازسازی می¬شود. بدین منظور از روش نزدیکترین همسایه¬های کاذب (fnn) برای محاسبه بعد محاط و از روش میانگین اطلاعات متقابل (ami) برای محاسبه زمان تأخیر جهت بازسازی فضای حالت استفاده شده است. در ادامه شبکه عصبی پرسپترون چندلایه (mlp) و شبکه عصبی تابع پایه شعاعی (rbf) جهت پیش بینی سرعت باد پیشنهاد می¬گردند که ساختار آن¬ها با استفاده از اطلاعات بُعد محاط و زمان تأخیر محاسبه شده طراحی شده است. شبیه سازی¬های انجام شده، این نتیجه را حاصل می¬کند که شبکه¬های عصبی تابع پایه شعاعی بخاطر استفاده از توابع شعاعی که دارای خاصیت تقریب زنندگی نیمه محلی هستند، عملکرد مناسب¬تری از لحاظ دقت و پایداری نسبت به شبکه¬های عصبی پرسپترون چندلایه دارند. در ادامه بخاطر حضور مؤلفه های تأخیری در ورودی شبکه¬های عصبی طراحی شده، ایده¬ی استفاده از شبکه¬های عصبی خودتنظیم غیرخطی (narx) مطرح می¬شود که با توجه به برتری شبکه عصبی rbf نسبت به شبکه عصبی mlp ساختار جدیدی از این گونه شبکه¬ها مبتنی بر حضور شبکه عصبی با تابع پایه شعاعی طراحی می¬شود. این شبکه پیشنهادی که آن را تحت عنوان شبکه عصبی narx-rbf نامگذاری نمودیم بخاطر دارا بودن دو مزیت مهم، یکی وجود حافظه استاتیک و دینامیک در ساختارش و دیگری استفاده از توابع پایه شعاعی برای تقریب نگاشت غیرخطی مورد نظر جهت پیش بینی مقادیر آینده سری زمانی سرعت باد از روی فضای فاز بازسازی شده، در مقایسه با هر دو شبکه دیگر نتایج بهتری از لحاظ دقت به دست می دهد. در پایان می توان به این نتیجه رسید که روش ارائه شده در این پژوهش در مقایسه با روش¬های آماری که هر دو جزء روش¬های ریاضی هستند نتایج بهتری در پیش بینی کوتاه مدت سرعت باد حاصل می¬نماید.

شبکه های عصبی مصنوعی با توانایی قابل توجه خود در استنتاج نتایج از داده های پیچیده می توانند در استخراج ویژگی ها و شناسایی الگوهای مختلفی که برای انسان ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. سادگی، قابلیت یادگیری تطبیقی، تعمیم پذیری، پایداری و انعطاف پذیری از مزایای عمده ی شبکه های عصبی مصنوعی است. شبکه های عصبی مصنوعی پیش خور معمولاً در مواجهه با سیستم های دینامیکی مشکل دارند، شبکه های عصبی بازگشتی برای غلبه بر این مشکل در اواخر قرن بیستم معرفی و پیشنهاد شدند. از روش های کاهش شیب مانند پس انتشار خطا در زمان و الگوریتم های بهینه سازی مانند الگوریتم ژنتیک به وفور برای آموزش شبکه های عصبی بازگشتی استفاده می شود. آموزش شبکه های عصبی بازگشتی فرایندی طولانی است و ممکن است در کمینه های محلی اسیر شود. شبکه ی عصبی حالت انعکاسی که اخیراً توسط هربرت جاگر معرفی شده، یک نوع خاص از شبکه های عصبی بازگشتی است که از یک مخزن دینامیک بزرگ در لایه ی مخفی استفاده می کند، وزن اتصالات داخلی شبکه ی عصبی حالت انعکاسی در فرایند آموزش ثابت است و تنها وزن های قابل آموزش، وزن اتصالات خروجی است، بنابراین آموزش شبکه به یک مسئله ی رگرسیون خطی تبدیل شده و در حالت برون خط به سادگی قابل حل است. در برخی مسایل کاربردی مانند مدل سازی و کنترل روبات ها یا در مسایلی که شبکه شامل اتصالات بازگشتی از خروجی ها به واحدهای مخزن باشد بهتر است از روش های برخط برای آموزش شبکه ی عصبی حالت انعکاسی استفاده شود. الگوریتم حداقل میانگین مربعات یکی از الگوریتم های ساده و پایدار برای آموزش برخط شبکه ی عصبی حالت انعکاسی است، لیکن متاسفانه به دلیل پراکندگی مقادیر ویژه ماتریس همبستگی حالات شبکه، همگرایی این الگوریتم بسیار کند است. تا کنون ساختارهای متفاوتی برای بهینه سازی مخزن شبکه به گونه ای که پراکندگی مقادیر ویژه ماتریس همبستگی حالات شبکه کم شوند بررسی شده اند، لیکن هیچ کدام از این ساختارها تاثیر چندانی بر کاهش پراکندگی مقادیر ویژه ماتریس همبستگی حالات شبکه ندارند. الگوریتم جستجوی هارمونی یک الگوریتم تصادفی است که به خصوص در بهینه سازی مسایلی با فضای جستجوی وسیع عملکرد خوبی دارد، در این پایان نامه از الگوریتم جستجوی هارمونی ابتدا برای آموزش شبکه ی عصبی حالت انعکاسی استفاده کرده و به کمک چند مثال نشان خواهیم داد که در حالیکه دقّت آموزشی این الگوریتم در مقایسه با الگوریتم حداقل مربعات بازگشتی و الگوریتم بهینه سازی حرکت ذرّات قابل قبول است، فرایند آموزش شبکه به کمک الگوریتم جستجوی هارمونی سریعتر از آموزش شبکه با دو الگوریتم دیگر است. سرانجام از الگوریتم جستجوی هارمونی برای تولید بهینه-ی وزن اتصالات داخلی شبکه استفاده خواهیم کرد و نشان خواهیم داد که با این الگوریتم می توان پراکندگی مقادیر ویژه ماتریس همبستگی حالات شبکه را تا چندین میلیون برابر کاهش داد. از الگوریتم حداقل مربعات برای آموزش برخط شبکه ی عصبی حالت انعکاسی ساخته شده به کمک الگوریتم جستجوی هارمونی استفاده شده و نتایج با سایر روش های آموزشی موجود مقایسه خواهند شد. نتایج شبیه سازی-های انجام شده برای پیش بینی سری های زمانی مکی گلاس، لورنز و راسلر به وضوح کارایی روش پیشنهادی را نشان می-دهند.

ضایعه های پوستی دارای دو نوع خوش خیم و بدخیم هستند که نوع خوش خیم آنها به عنوان خال شناخته میشود. مطابق گزارش ثبت موارد سرطانی سال 1385، سرطان پوست شایعترین نوع سرطان در ایران است که در اصفهان نیز به عنوان سرطان اول تشخیص داده شده است. کشنده ترین نوع این سرطان، ملانوم بدخیم میباشد که در دهه های اخیر شیوع رو به افزایشی داشته است. ملانوم، در مراحل پیشرفته غیرقابل درمان است که این امر، اهمیت حیاتی تشخیص و درمان به موقع آن را نشان میدهد. به منظور تشخیص زودهنگام این نوع سرطان، تا به حال روشها و تجهیزات متنوعی به کار رفته اند که به طور تقریبی تمام آنها نیاز به مراجعه به پزشک داشته و در اختیار عموم نبوده اند. در این تحقیق، روندی خودکار و دقیق برای ایجاد تمایز بین انواع ضایعه های خوش خیم رنگدانه ای پوستی و ملانوم بدخیم ارائه شده است، به نحوی که قابل بکارگیری توسط عموم مردم باشد و نیازی به تجهیزات خاص و برقراری شرایط خاص در تصویرگیری نداشته باشد.

چکیده ندارد.

چکیده ندارد.