در این پروژه، الگوریتمی را برای بررسی عنبیه چشم انسان معرفی می کنیم. الگوریتم های تشخیص عنبیه در فاصله ها ی طولانی به دلیل کاربرپسندانه بودن و ایجاد یک روش اقتصادی برای شناسایی، گسترش یافته اند. الگوریتم ما، روی تشخیص مردمک متمرکز شده است؛ و با استفاده از محدوده های تخمین زده شده، مناطق دیگر را برای جستجوی فضای کارآمد حذف می کنیم. در این آزمایش 3 تصویر از هر شرکت کننده برای ثبت نام سیستم و 16 تصویر دیگر به عنوان مجموعه ای از داده ها برای تشخیص عنبیه استفاده شده است. در برخی موارد هنگامی که فرم کامل مردمک در دسترس نیست، عملکرد سیستم کاهش پیدا می کند. صحت تشخیص معمولاً توسط دو اندازه گیری، آهنگ تایید vr (verification rate) و آهنگ پذیرش نادرست far ( false acceptance rate) تعریف می شود. تصمیم نهایی روی تشخیص عنبیه توسط تبدیل هاف انجام شده است. بعد از تشخیص ناحیه عنبیه به تبدیل ناحیه دایروی به برخی از قسمت هایی که می تواند به آسانی تحلیل شود، نیاز داریم. برای این کار از تبدیل مختصات کارتزین به قطبی استفاده شده است .بعد از این بهنجارسازی یک ماتریس 10*40 بعدی خواهیم داشت که منطقه عنبیه صافی نشده را نشان می دهد. در این مرحله ماتریس، نوفه های مختلفی دارد که در مرحله پالایش حذف خواهند شد. ما از یک روش گاوسی برای ایجاد ماسک پالایشی که نقش مهمی در فرآیند تطابق دارد، استفاده می کنیم. برای استخراج ویژگی های موثر منطقه عنبیه و تطابق، از الگوریتم sift (تبدیل ویژگی مقیاس ثابت ) استفاده می کنیم. نتایج روی، {casia-v4- at distance}نرخ تایید %93 را نشان می دهند.

در این تحقیق، روشی برای پیش بینی افت و خیز سطح پوشیده شده با نانو ذرات نقره ارائه می شود. با استفاده از فرآیند تصادفی، افت و خیز ارتفاع سطح مورد بررسی قرار میگیرد. تصویر مورد بررسی با استفاده از میکروسکوپ نیروی اتمی تهیه شده است. خاصیت مارکوف سطح با استفاده از معادله ی چپمن- کولموگروف در گام های 21.9 ، ‎ 43.8 و 175.2 نانومتر برای اختلاف ارتفاع های مختلف بررسی می شود. طول مارکوف برای داده های تصویر مورد بررسی، ‎43.8نانومتر به دست می آید، که معادل دو پیکسل است. طول مارکوف، کوچک ترین طول یا گامی است که در معادله ی چپمن صدق می کند. با شرط مارکوف بودن سطح، نتیجه می گیریم که تابع توزیع ارتفاع در معادله ی کرامرز-مویال صدق می کند. بنابراین ضرایب کرامرز مویال را می توان به دست آورد. طبق قضیه ی پائولا، چون ضریب مرتبه ی چهارم در مقایسه با ضریب مرتبه ی دوم کوچک است، از ضرایب بالاتر از مرتبه ی دوم صرف نظر می کنیم و این معادله به معادله ی فوکر پلانک خلاصه می شود. برای حل معادله ی فوکر پلانک، باید تغییرات ضرایب سوق و پخش برحسب تغییرات ارتفاع سطح و گام (مقیاس طولی) به دست آورده شود. با استفاده از ضرایب سوق و پخش، معادله ی فوکر پلانک را حل کرده و تابع توزیع به دست آمده از این معادله را با تابع توزیع داده های سطح نانو ذرات نقره در گام های مختلف مقایسه می شود. نتایج به دست آمده نشان می دهند که تابع توزیع به دست آمده از معادله ی فوکر پلانک با تابع توزیع داده های نانو ذرات نقره تطابق خوبی دارند. برای بازسازی سطح از معادله ی لانژون استفاده شده و نمای زبری سطح مشاهده شده با میکروسکوپ نیروی اتمی و سطح تولید شده که از قسمت خطی نمودار گشتاور مرتبه ی دوم به دست می آید، را مقایسه می کنیم.

روش های خودکار آنالیز داده های اخترفیزیک و نجوم، به دلیل حجم بسیار بالای داده های رصدی، امروزه به طور گسترده مورد استقبال فیزیک دانان نجوم قرار گرفته اند و در زمینه های مختلف استفاده می شوند‎.‎ کیهان شناسی یک مطالعه ی علمی از ویژگی های کل جهان در مقیاس بزرگ است که تلاش می کند از روشی علمی برای فهم اساس، تحول، سرانجام و آینده ی کل جهان استفاده کند. تابش ریز موج پس زمینه ی کیهانی ‎ cmb ، یکی از پیش بینی های مدل استاندارد کیهان شناسی است که به طور همگن و تقریبا همسان گرد درسراسر کیهان پراکنده شده است. با توجه به اینکه تابش پس زمینه ی کیهانی باقی مانده ی انفجار بزرگ است، کیهان شناسان می توانند با مطالعه ی آن اطلاعاتی درباره ی سن کیهان، اجزای سازنده، هندسه، نرخ انبساط کل و دمای کیهان به دست آورند. بنابراین مطالعه ی تابش پس زمینه ی کیهانی از اهمیت زیادی برخوردار است. با توجه به خواص آماری تابش زمینه ی کیهان، با استفاده از ابزار "طیف توان" می توان به ویژگی های این تابش پی برد. در این پایان نامه از روش شبکه ی عصبی مصنوعی که یک روش سریع و دقیق است، برای تخمین طیف توان و پارامترهای کیهان شناختی استفاده می شود. یک مولفه ی کلیدی در همه آنالیز ها، محاسبه ی چگالی پسین پارامتر های کیهان شناسی است که داده های در دسترسی را به ما می دهد. این کار به ما اجازه می دهد که مدل های تئوری جهان را بیازماییم. مانع محاسباتی بزرگ در این فرآیند توانایی محاسبه ی سریع و دقیق طیف توان نوسانات تابش پس زمینه ی کیهانی است که به وسیله ی کدهایی مانند camb و cmbeasy انجام می شود. با استفاده از تنظیمات دقیق قراردادی در camb ، محاسبه ی تک طیف توان در مرتبه ای کم تر از یک دقیقه به دست می آید. کاهش زمان مورد نیاز برای محاسبه ی طیف توان تابش زمینه مادامی که دقت زیر خطای کیهانی برقرار است یک نقش مهم در تبدیل داده های خام به اطلاعات کمّی درباره ی تاریخچه و ساختار جهان ایفا می کند. شبکه ی عصبی مصنوعی به عنوان یک روش خودکار می تواند طیف توان تابش پس زمینه ی کیهانی و تابع انتقال ماده را محاسبه کند. در این پایان نامه شبکه ی عصبی احتمالی که یک الگوریتم آموزشی با سرپرست است برای محاسبه ی طیف توان cmb و تخمین پارامترها استفاده شده است. این الگوریتم در حجمِ بزرگ داده ها بسیار سریع و دقیق است و دقت آن وابسته به تعداد نمونه های آموزشی است. در این پایان نامه ما از مدل ‎6‎ پارامتری غیر تخت استفاده کرده و طیف های توان tt ، te و ee را محاسبه نموده ایم. از ‎46291‎ طیف توانِ تولید شده توسط camb استفاده شده است که ‎90‎ درصد آن برای آموزش شبکه ی عصبی مصنوعی و ‎10‎ درصد آن برای تست شبکه، برای استخراج پارامترهای طیف های توان استفاده شده است‎. ما مجموعه ی آموزشی طیف های توان را با استفاده از مولد camb به وسیله ی نمونه برداری یکنواخت برای محاسبه ی طیف توان برای ell های بزرگ تر از ‎2000‎، هم در دما و هم در قطبش تولید کرده ایم. ورودی های camb در یک مدل ‎6‎ پارامتری کیهان شناختی، با تغییر پارامترها به دست می آیند. برای داشتن مجموعه ی آموزشی بزرگ تر که دقت بالاتری را در تخمین نتیجه می دهد، اندازه ی گام برداشته شده برای هر پارامتر بسیار کوچک خواهد بود. ما از روش نمونه برداری متروپولیس در گام تولید داده ها استفاده کرده ایم، که بسیار سریع تر و قابل اطمینان تر از روش های دیگر است، و هم چنین این روش در نسخه ی نهایی cosmomc نیز توصیه شده است.

تفاوت هایی که از بکارگیری سیستم طبقه بندی انجام شده به نمونه بزرگ کافی، نه تنها اطلاعات ما را درباره منابع بهبود می بخشد بلکه پایه و اساسی را برای فهم پارامترهای فیزیکی اجرام فراهم می کندسیستم طبقه بندی mk از سیستم هاروارد استنتاج می شود. این سیستم دو بعدی راهکارهای مورد نیاز برای چرخه زندگی ستاره و ارتباط بین پارامترهای ذاتی مانند جرم و متالیسیتی و ویژگی های قابل مشاهده را مستقیما فراهم می کنددر این پروژه ما تصمیم به طبقه بندی داده های iras به 7 گروه که در زیر آمده است با استفاده از شبکه های عصبی مصنوعی داریم.1) ستاره های لخت 2) ستاره های با گرد و غبار 3) اجرام گرم گرد و خاکی 4) اجرام سرد گرد و خاکی 5) اشیاء بسیار قرمز 6) اجرام آزاد پیوسته اما بدون خطوط نشری 7) طیف هایی که در هیچکدام از این 6 دسته تقسیم بندی نشده اند.

در این پروژه شبکه عصبی احتمالی، الکوریتم k-means و تحلیل مولفه های اصلی برای طبقه بندی خودکار طیف های ستاره ای به کارگرفته شده اند. برای رسیدن به این هدف،ازمجموعه طیف های ستاره ای جمع آوری شده توسط sloandigitalskysurveysegue-dr9 و dr10 استفاده شده است، که شامل 400013 طیف با بازه مشترک طول موجی 3850تا 8900 آنگستروم می باشد. طیف های ستاره ای اغلب شامل مقدار زیادی اطلاعات اضافی یا نوفه می باشند. در این پروژه از تحلیل مولفه های اصلی به منظور کاهش بهینه ابعاد مجموعه داده ها استفاده شده است. همچنین نشان داده ایم که تحلیل مولفه های اصلی می تواند به عنوان از بین برنده نوفه یا تشخیص دهنده داده های غیر طبیعی عمل کند. نتایج خطای طبقه بندی شبکه عصبی احتمالی با استفاده از280،400 و 700 مولفه اصلی به ترتیب 1.921،1.432 و 1.398 بدست آمده است. با مقایسه نتایج بدست آمده از شبکه عصبی احتمالی و الگوریتم k-means، مشاهده می شود که شبکه عصبی نتایج دقیق تری نسبت به الگوریتم k-means ارایه می دهد.

برای پاسخ دادن به سوال های مهم موجود درباره ی ساختار و تحول ستاره ها نیاز به داشتن اطلاعاتی از قبیل فراوانی ستاره ها و نیز سن آن ها داریم.این اطلاعات از طریق پارامترهای جوی ستاره همچون دمای موثر(teff)، گرانش سطحی (logg)وفلزیت (fe/h) حاصل می شوند. بنابراین داشتن اطلاعات معتبر درباره ی ویژگی های فیزیکی ستاره اهمیت فراوانی در شناخت ساختار ستاره ها و نیز کهکشان ها دارد. یکی از اهداف طبقه بندی mk، استخراج این پارامترها می باشد.مشکلی که در این زمینه وجود دارد این است که در بسیاری از موارد این طبقه بندی ها ثابت نیستند و تغییر می کنند. بنابراین توانایی استخراج این پارامترها مستقیما از طریق طیف ستاره ها1 از اهمیت فراوانی برخوردار است. امروزه به طور گستردهای از روشهای اتوماتیک آنالیز، طبقه بندی2 و استخراج پارامتر3 در نواحی مختلف نجوم استفاده میشود. حجم بسیار بالای مقالات چاپ شده و کاربرد گسترده این تکنیکهای اتوماتیک نشان دهنده پذیرش این روشها در بین منجمین می باشد.]5و4و3و2و1 [. در این پروژه از روش شبکه ی عصبی مصنوعی4 که یک روش سریع و دقیق است، برای استخراج این پارامترها استفاده می شود. شبکه ی عصبی با استفاده از داده های طیفی استخراج شده از سایت اس دی اس اس5 آموزش داده می شود (داده های آموزش6) و برای تست آن نیز از تعداد دیگری داده های طیفی که از همین سایت استخراج شده (داده های تست7)، استفاده می شود.از آنجایی که آموزش شبکه ی عصبی بسیار سریع است می توان تعداد بسیار زیادی طیف ستاره ای را در مدت زمان بسیار کوتاه بر اساس این پارامترهای فیزیکی طبقه بندی کرد.