تشخیص عیب فرآیندی است که براساس آن داده ها و ویژگی های بدست آمده از فضای داده ها به فضای عیوب سیستم نگاشت می شوند.این نگاشت می تواند به صورت گرافیکی و با استفاده از افراد خبره انجام گیرد. در رویکردی دیگر می توان از روش های مختلف تشخیص عیب خودکار مانند روش های آماری، هوش مصنوعی (شبکه های عصبی، منطق فازی) و روش های مبتنی بر مدل استفاده نمود. استفاده از این روش ها امروزه به طرز چشمگیری در حال گسترش است.در این پایان نامه عیب موجود در ترانسفورماتور را با استفاده از اطلاعات واقعی بوسیله روش هوشمند تشخیص دهیم.نگاهی به مقالات مختلف در مورد تشخیص خطاهای ترانسفورماتور ما را به این مطلب می رساند که استفاده مستقیم از روشهای مرسوم آنالیز گاز مانند روش نسبت گازها(دورننبرگ، مثلث وiec ) دارای مشکلاتی از جمله عدم قدرت تصمیم گیری در همه حالات می باشند. تکنیک های مختلف هوش مصنوعی می تواند به حل این مشکل کمک کند. در این پایان نامه یک مطالعه اصولی از کاربرد هوش مصنوعی در تشخیص مراحل اولیه شکل گیری خطاهای ترانسفورماتور قدرت انجام می گیرد بدین منظور از شبکه عصبی برای تشخیص عیب استفاده شده است. مقادیر استفاده شده در دیتای ورودی از موسسه تحقیقات ایران ترانسفو گرفته شده است. خطایابی توسط شبکه عصبی با استفاده از شبکه عصبی پس انتشار خطا و شبکه عصبی rbf انجام شد.

بیماری صرع یکی از شاخصترین اختلالات عصبی است که حدود یک درصد از مردم جهان از آن رنج می برند. با وجود پیشرفت های فراوان در درمان انواع بیماریها، برای یک چهارم از بیماران هیچ راه حل درمانی و دارویی برای کنترل تشنج های صرعی وجود ندارد. بروز این حملات می تواند باعث قرار گرفتن شخص در شرایط خطرناک شود. در صورتی که بیمار یا اطرافیان او از زمان تشنج خبر داشته باشند امکان قرار گرفتن بیمار در شرایط خطرناک می تواند کاهش یابد (به عنوال مثال شخص میتواند از اجسام تیز دور شود). روشهای متعددی تا کنون در زمینه تشخیص و پیش بینی حملات صرعی با استفاده از سیگنال eeg ارائه گردیده است. یکی از مجموعه روش هایی که توانسته است نتایج قابل قبولی ارائه دهد استفاده از اندیس های شباهت سنجی است. در این پروژه ابتدا روش های مبتنی بر اندیس شباهت سنجی که تا کنون در زمینه پیش بینی یا تشخیص حملات صرعی در سیگنال eeg، مورد استفاده قرار گرفته است بررسی می گردد. در ادامه سه روش جدید که برای اولین بار در این پروژه طراحی و پیاده سازی شده اند ارائه می شود. روش نخست بر مبنای استخراج ویژگی از دینامیک رفتاری اکسترمم های محلی در سیگنال eeg اندیس شباهت سنجی ارائه می دهد که با توجه به نتایجی که ارائه خواهد شد توانسته است در 8 مریض با میانگین نرخ پیش بینی اشتباه 0.19 حمله بر ساعت حملات صرعی را با میانگین 36 دقیقه با حساسیت 68.75 درصد پیش بینی کند. در روش دوم با الهام از نحوه استخراج نقشه بازگشتی روشی ارائه گردیده است که مبنای استخراج ویژگی در آن فشردشدن یا گسترش ترژکتوری در فضای گسترش یافته حالت می باشد. این روش در 9 مریض توانسته است با میانگین نرخ پیش بینی اشتباه 0.1 حمله بر ساعت به میانگین زمان پیش بینی 32 دقیقه با حساسیت 70.5 درصد برسد. در روش سوم با توجه به اینکه نقشه بازگشتی نمودی از رفتار ترژکتوری می باشد، با یک نگاه کلی به مقایسه این نقشه پرداخته شده است. در این روش نقشه بازگشتی به عنوان یک تصویر در نظر گرفته شده، بافت آن با نقشه دیگر مقایسه شده و اندیس شباهت سنجی بر این پایه ارائه شده است. با پیاده سازی این روش به نتیجه میانگین نرخ پیش بینی اشتباه 0.25 حمله بر ساعت با حساسیت 59 در صد و میانگین زمان پیش بینی 27.8 دقیقه رسیده ایم.

روش های دروغ سنجی به سه دسته ی روش های کلاسیک، مغزی و تلفیق کلاسیک و مغزی تقسیم بندی می شوند. به دلیل حساسیت موضوع دروغ سنجی تلفیق سیگنال های کلاسیک و پتانسیل های برانگیخته مغزی می تواند صحت بیشتری نسبت به دو روش دیگر در جداسازی بی گناه و گناه کار از خود نشان دهد. سناریوی دزدیدن/ندزدیدن جواهرات، پروتکلی ست که بر روی 30 سوژه اعمال شده است. پردازش¬های انجام¬شده بر روی این تعداد داده (شامل 16 سوژه گناه¬کار و 14 سوژه بی¬گناه) در این تحقیق بر روی سیگنال های مغزی، تنفسی و زمان پاسخگویی (rt) می باشد. جهت طبقه بندی از lda و knn استفاده شده است. هم چنین دو الگوریتم تکاملی بهینه سازی رقابت استعماری و فاخته که به تازگی معرفی شده اند و در توابع پیوسته معرفی شده اند، جهت فرآیند انتخاب ویژگی توسعه یافته اند. الگوریتم های نام برده شده جهت انتخاب دسته ویژگی مناسب جهت طبقه بندی بر روی هر دسته از ویژگی های مغزی، تنفسی و rt و در نهایت تمامی ویژگی استفاده شده است. هر دو الگوریتم انتخاب ویژگی نتایج بهتری را نسبت به طبقه بندی در حالت بدون انتخاب ویژگی نشان می دهد. پردازش های صورت گرفته با استفاده از الگوریتم ها، بر روی دادگان مغزی به صحت آشکارسازی گناه¬کار- بی¬گناه 6/96% و صحت آشکارسازی تک ثبت 8/72% بدست آمد که صحت بیشتری را نسبت به گزارش های قبلی که با الگوریتم ژنتیک محاسبه شده بود را نشان می دهد. با تعریف مفهوم جدیدی از ویژگی های سیگنال تنفسی به صورت پنجره ای و استفاده از الگوریتم های تکاملی بر روی آن به صحت تشخیص گناهکار و بی گناه 6/96% و جداسازی تک ثبت 1/79% رسیدیم. زمان پاسخ گویی (rt) با انتخاب ویژگی درصد 75% برای جداسازی تک ثبت و 100% را برای تشخیص گناهکار و بی گناه گزارش می دهد. در انتها با تلفیق ویژگی-های حاصل از سیگنال¬های مغزی، تنفسی و rt صحت گزارش شده جهت تشخیص گناه¬کار- بی¬گناه 100% می باشد. تلفیق ویژگی ها بهترین نتیجه را که معادل 2/83 % برای جداسازی تک ثبت ارائه می دهد. تمامی نتایج حاصل حاکی از بهبود صحت طبقه بندی با استفاده از تلفیق ویژگی¬های مغزی و کلاسیک نسبت به طبقه¬بندی جداگانه سیگنال¬های مغزی و کلاسیک می¬باشد. به علاوه عملکرد دو الگوریتم رقابت استعماری و فاخته نسبت به الگوریتم ژنتیک در ان تحقیق مطلوب تر بوده است هم چنین نتایج نشان می دهد، الگوریتم فاخته با اختلافی بسیار محدود عملکرد مناسب تری نسبت به الگوریتم رقابت استعماری داشته است. غیر از تفاوت در صحت گزارش شده طبقه بندی توسط دو الگوریتم سرعت الگوریتم فاخته نیز بهتر بوده است.

مرور پیشینه نگاشته ها نشان می دهد که تخریب فراینده، عرصه های منابع طبیعی و از جمله آبخیزها را با مشارکت زیست محیطی بسیاری مواجه ساخته است. با توجه به کمبود شدید اب در کشور، احیا و بهره برداری بهینه از حوزه های آبخیز اجتناب ناپذیر است. بر اساس دیدگاه صاحبنظران، مشارکت مردمی سازه ای مهم و ضروری در احیا و بهره برداری بهینه از منابع طبیعی و از جمله آبخیزها محسوب میشود. در این مطالعه سعی شده است با شناسائی سازه های موثر بر مشارکت در آبخیزدار راهکارهایی بمنظور گسترش مشارکت کشاورزان در فعالیت های آبخیزداری ارائه شود. این مطالعه با روش تحقیق پیمایشی، در 65 روستا از روستاهای استان خراسان در سال 1379 انجام شده است. نمونه های مورد مطالعه در برگیرنده 76 نفر آبخیزدار و 63 نفر غیرآبخیزدار می باشند که با شیوه نمونه گیری تصادفی چند مرحله ای انتخاب شده اند. ابزار جمع آوری اطلاعات شامل دو پرسشنامه بود که پایائی آنها توسط یک مطالعه راهنما تایید گردید. متغیر وابسته این تحقیق مشارکت آنها توسط یک مطالعه راهنا تایید گردید. متغیر وابسته این تحقیق مشارکت کشاورزان در فعالیتهای آبخزداری می باشد و حجم فعالیت های آبخیزداری انجام شده نیز در بین افراد گروه آبخیزدار برآورد شده است. مدل حاصل از تابع ممیزی نشان میدهد که بر اساس هشت متغیر وضعیت سند زمین دیم، سن، سطح دانش فنی حفاظت خاک، مشاهده الگو، افق برنامه ریزی، سطح سواد، مقدار و قیمت زمین دیم مدل قادر است 43/80 درصد کشاورزان را بطور صحیح به آبخیزدار و غیرآبخیزدار طبقه بندی نماید که این میزان از صحت طبقه بندی نشان دهنده توان بالای مدل در تفکیک دو گروه مورد مطالعه می باشد. در مورد میزان مشارکت آبخیزداران در فعالیتهای آبخیزداری مدل رگرسیون قادر به توضیح 5/87 درصد تغییرات متغیر وابسته (میزان فعالیت های آبخیزداری) می باشد که توان بالای مدل در پیش بینی حجم فعالیت آبخیزداری مشارکت کنندگان در طرحهای آبخیزداری را نشان می دهد. بر اساس یافته های این پژوهش پیشنهاد می گردد که برای جلب مشارکت افراد در فعالیت های آبخیزداری ابتدا با استفاده از مدل تابع ممیزی این مطالعه نسبت به شناسائی افرادی که از ظرفیت لازم برای فعالیت های آبخیزداری برخوردار می باشند اقدام شود. فزون بر این، بر اساس مدل رگرسیون حاصل از پژوهش میزان فعالیت های آبخیزداری افراد پس از شروع به آبخیزداری را پیش بینی کرده و نسبت به طراحی برنامه مناسب جهت گسترش فعالیت های آبخیزداری اقدام نمود. با این روش برنامه ریزان می توانند از اتلاف وقت و سرمایه جلوگیری و امکانات محدود موجود را به صورت بهینه بکارگیری نمایند.