هدف از شناسایی خودکار چهره، شناسایی هویت یک فرد به صورت خودکار توسط یک ماشین بر مبنای ویژگی های استخراج شده از تصاویر چهره آن فرد می باشد. در این رساله، دو الگوریتم جدید برای شناسایی خودکار چهره با استفاده از ماشین های بردار پشتیبان پیشنهاد می گردد. الگوریتم پیشنهادی اول بر مبنای ترکیبی از ویولت های گابور، آنالیز تفکیک کننده خطی مستقیم (dlda) و ماشین بردار پشتیبان (svm) بنا نهاده می شود. در این روش، ابتدا بردارهای ویژگی با استفاده از ویولت های گابور از تصاویر چهره خام استخراج می شوند. این ویژگی های مبتنی بر گابور تا حدودی در مقابل اعوجاج های محلی ناشی از تغییرات در شرایط روشنایی تصاویر، وضعیت قرارگیری و حالات چهره ها مقاوم هستند. سپس، بردارهای ویژگی استخراج شده از تصاویر چهره، با استفاده از الگوریتم dlda به یک زیرفضای با بعد پایین تصویرنگاری می گردند. در نتیجه این نگاشت، ضمن کاهش بعد بردارهای ویژگی، قابلیت تفکیک پذیری آن ها افزایش پیدا می کند که این خاصیت منجر به بیشتر شدن دقت دسته بندی داده ها می گردد. در مرحله بعدی، بردارهای ویژگی dlda مبتنی بر گابور جهت دسته بندی به ماشین بردار پشتیبان اعمال می شوند. هم چنین، در الگوریتم پیشنهادی اول این رساله، یک تابع هسته جدید برای svm به نام تابع هسته چندجمله ای نرمالیزه شده به صورت ابرنیم کروی (hnp) طراحی می گردد. سپس، موثر بودن تابع هسته پیشنهادی hnp در بهبود عمل کرد سیستم شناسایی چهره مبتنی بر svm هم به صورت نظری اثبات می شود و هم در عمل مشاهده می گردد. در نهایت، برای ارزیابی الگوریتم پیشنهادی اول رساله، آزمایش های متنوعی بر روی پایگاه داده های استاندارد feret انجام می گیرد. نتایج حاصل از این آزمایش ها نشان می دهند که سیستم شناسایی چهره پیشنهادی در مقایسه با سایر روش های مشابه عمل کرد بهتری دارد. در الگوریتم پیشنهادی دوم، از ویولت های گابور، آنالیز تفکیک کننده مستقیم هسته (kdda) و ماشین بردار پشتیبان ویولت (wsvm) برای شناسایی چهره استفاده می شود. در این روش، ابتدا با استفاده از ویولت های گابور، ویژگی های مقاوم از تصاویر چهره استخراج می شوند. سپس، الگوریتم غیرخطی kdda برای یادگیری زیرفضا مورد استفاده قرار می گیرد. به عبارت دیگر، بردارهای ویژگی مبتنی بر گابور، که در فضایی با بعد بسیار بالا قرار دارند، توسط الگوریتم kdda به زیرفضایی با بعد پایین تصویرنگاری می گردند. این روش یادگیری زیرفضای مبتنی بر هسته، یک زیرفضای بهینه را از لحاظ میزان بالای قابلیت تفکیک پذیری داده ها تولید می کند. در مرحله آخر، بردارهای ویژگی kdda مبتنی بر گابور توسط ماشین بردار پشتیبان ویولت (wsvm) دسته بندی می شوند. در سیستم شناسایی چهره پیشنهادی دوم این رساله، یک تابع هسته معتبر به نام تابع هسته ویولت در داخل ماشین بردار پشتیبان مورد استفاده قرار می گیرد. با استفاده از تابع هسته ویولت، توانایی تعمیم svm افزایش می یابد و در نتیجه، عمل کرد سیستم شناسایی چهره حاصله بهتر می شود. در نهایت، روش پیشنهادی دوم رساله نیز با انجام آزمایش های مختلفی بر روی پایگاه داده های feret مورد ارزیابی قرار می گیرد. نتایج به دست آمده از این آزمایش ها نشان می دهند که دقت و کارآیی الگوریتم پیشنهادی برای شناسایی چهره، در قیاس با سایر الگوریتم های شناسایی چهره مرتبط بیشتر است.

وقوع اتصال کوتاه در خطوط انتقال ممکن است منجر به قطع برق برخی مصرف کنندگان شود. جهت تداوم سرویس دهی لازم است محل خطا بر روی خطوط انتقال سریعاً مشخص شده، و برای تعمیر و باز گرداندن مجدد آن به سیستم اقدامات لازم به عمل آید. به منظور سرعت بخشیدن در تعمیر خطوط انتقال، مکان یابی دقیق خطا ضروری می باشد. مکان یابی خطا به دقت طبقه بندی نوع خطا بسیار وابسته است، بطوری که اکثراً تشخیص نوع خطا قبل از شناسایی مکان خطا بررسی می شود. به عبارت دیگر شناسایی نوع خطا برای الگوریتم های مکان یابی خطا به عنوان پیش نیاز محسوب می گردد و بدون اطلاع از نوع خطا احتیاج به صرف زمان و انجام محاسبات بیشتری برای تعیین محل خطا می باشد. تشخیص، مکان یابی و طبقه بندی خطا در خطوط انتقال جبران شده سری با چالش های بیشتری نسبت به خطوط جبران نشده همراه است. در این پایان نامه، یک چهارچوب ترکیبی نوین که می تواند به سرعت خطا را بر روی خطوط انتقال جبران شده سری شناسایی، طبقه بندی و تعیین مکان کند، پیشنهاد شده است. ابتدا از ولتاژهای هر سه فاز تبدیل موجک گسسته (dwt) گرفته شده و از مقادیر حاصل برای تشخیص سریع خطا در سیستم استفاده می شود. در صورت وجود خطا در سیستم، الگوریتم های مربوط به طبقه بندی و تعیین مکان خطا فعال می گردند. برای طبقه بندی خطا از یک سیکلِ جریان های خطا در یک انتهای خط نمونه برداری می شود. سپس ویژگی های مناسب از سیگنال های بدست آمده استخراج شده و به عنوانِ ورودیِ ماشین بردار پشتیبان (svm) مورد استفاده قرار می گیرند. برای مکان یابی خطا از ولتاژهای خط انتقال در دو انتهای خط نمونه برداری شده، و از این نمونه ها تبدیل موجک گسسته گرفته و اختلاف زمانی بین دو پیشانی موجک در هر دو طرف خط به عنوان ویژگی مورد نظر به رگرسیون بردار پشتیبان (svr) جهت تشخیص مکان خطا داده می شود. طرح پیشنهادی برای مکان یابی خطا بسیار جامع بوده و تغییرات شرایط سیستم و خطا به هیچ عنوان تاثیری در دقت الگوریتم ندارد. کارایی الگوریتم پیشنهادی بر روی یک خط انتقال جبران شده سری 300 km, 400 kv در محیط نرم افزار pscad/emtdc آزمایش شده و نتایج حاصل نشان می دهد که روش پیشنهادی با سرعت و دقت بالا وظایف تشخیص، طبقه بندی و مکان یابی خطا را تحت شرایط وسیعی از تغییرات سیستم انجام می دهد.

تصویر برداری ابر طیفی به ما این امکان را می دهد که سطح زمین را با ابزاری پیشرفته بررسی کنیم.برای تجزیه وتحلیل سطح زمین،تصویر برداری هایپراسپکترال فضایی با ابعاد بالاو گسترده با صدها باند فرکانسی در اختیار ما می گذارد .که فرصت تحلیل دقیق را برای پردازش گر ها فراهم می کند.به دلیل وجود فضای با ابعاد بالا و پیچدگی های آن و همچنین کم بودن تصاویر هایپراسپکترال آزمایشگاهی دقیق از مواد مختلف توجه به شیوه های نیمه نظارتی در صورت نیاز الزامی می باشد.