شبکه های عصبی فازی مین-ماکس (fmm) روش جدیدی در حوزه یادگیری ماشین هستند که با توجه به کارایی بالای این شبکه ها، می توان در کاربرد های مختلف یادگیری ماشین از آن ها بهره جست. از مهم ترین ویژگی های این روش ها می توان به تک گذار بودن، برخط بودن و ناپارمتریک بودن مرحله یادگیری آن ها اشاره کرد. این ویژگی ها باعث سرعت و دقت بالای این شبکه ها در مقایسه با سایر روش های یادگیری می شود. ورودی ها و خروجی های این شبکه ها می توانند به صورت فازی یا غیرفازی باشند. فازی بودن ورودی و خروجی در شبکه های fmm، قابلیت تعمیم این شبکه ها را افزایش می دهد، طوری که می-توان در حوزه های مختلف یادگیری ماشین از این شبکه ها استفاده کرد. با توجه به مطالعات انجام شده، روش fmcn، نسبت به سایر روش های fmm موجود از کارایی بهتری برخوردار است. در اولین روش پیشنهاد شده در این رساله، با ایجاد تغییراتی در روش fmcn، روش جدیدی به نام m-fmcn ارائه شده است. در روش m-fmcn، برای حل مشکل نواحی همپوشان از یک تابع "شعاع محور" استفاده شده است. همچنین، تغییراتی در فرایند یادگیری داده شده تا این فرایند سریع تر انجام شود. با توجه به نتایج بدست آمده، در اکثر موارد روش m-fmcn نسبت به روش fmcn، از سرعت و دقت بالاتری برخوردار بوده و فضای کمتری اشغال می کند. بعد از روش m-fmcn، روش شبکه فازی مین-ماکس وزن دار یا wfmm ارائه شده است. در این روش چگالی نمونه-های واقع شده در نواحی مختلف فضای نمونه، در خروجی شبکه تاثیر گذار هستند. در روش wfmm از محدود سازی هایپرباکس ها استفاده نشده و نمونه هایی که در نواحی همپوشان قرار می گیرند با توجه به فاصله تا مرکز هایپرباکس ها و همچنین چگالی نمونه های هایپرباکس ها، طبقه بندی می شوند. نتایج بدست آمده از پیاده سازی این روش بیان گر افزایش دقت طبقه بندی این روش در مقایسه با روش های قبلی fmm است. روش دیگری که در این رساله پیشنهاد شده، روش شبکه های فازی-مین ماکس چند سطحی یا mlf است. این روش از یک ساختار درختی استفاده می کند و نمونه هایی که در نواحی همپوشان قرار می گیرند در سطوح بعدی درخت با دقت بیشتری طبقه بندی می شوند. روش mlf از دقت بالایی در طبقه بندی برخوردار بوده و از ویژگی های بارز آن می توان به کارایی بالا و حساسیت پایین آن نسبت به " ضریب گسترش هایپرباکس ها" (?) اشاره کرد. همچنین در مواردی که از داده های یکسانی برای آموزش و آزمایش استفاده می شود، تقریبا در همه موارد، قادر به یادگیری و طبقه بندی صحیحِ تمامی نمونه هاست.

استخراج اطلاعات یکی از زمینه های رایج پردازش زبان های طبیعی است که فعالیت خود را از همان ابتدای پیدایش پردازش هایی روی زبان های طبیعی آغاز کرده است. هدف از استخراج اطلاعات بدست آوردن اطلاعات مفیدی از منابع وسیع و غیر ساخت یافته موجود در فضای مجازی است. استخراج روابط معنایی یکی از شاخه های رایج در زمینه استخراج اطلاعات است. روابط معنایی زیادی را می توان تعریف کرد که از جمله مهمترین آنها رابطه های عام- خاص، کل-جزء، تضاد و ترادف است. رابطه عام-خاص بیانگر وجود نوعی شمول معنایی میان دو مفهوم است. یعنی مفهوم عام از نظر معنایی شامل مفهوم خاص می شود. بطور مثال "اتومبیل" نوعی "خودرو" است در نتیجه در این رابطه "خودرو" عام و "اتومبیل" خاص است. رابطه کل-جزء نشان دهنده ی نوعی عضویت است. بطور مثال یک بازیکن جزئی از یک تیم است در نتیجه در رابطه ی بین "بازیکن" و "تیم" کلمه ی "بازیکن" جزء و کلمه ی "تیم" کل است. در این پایان نامه سه روش مختلف برای استخراج روابط معنایی پیشنهاد شده است. روش اول بر پایه الگوهای متنی استوار است و برای استخراج روابط معنایی از یک برچسب گذار نقش دستوری کلمات فارسی استفاده می کند. طریقه ی کار این روش بدین صورت است که ابتدا با استفاده از جفت نمونه های اولیه، برای هر رابطه معنایی الگو های متنی را از پیکره استخراج کرده و سپس با توجه به نقش دستوری کلماتی که می توانند در کنار الگوی مورد نظر قرار بگیرند کلمات مرتبط معنایی را استخراج می کنیم. موفقیت این روش بطور متوسط برای الگوهای مختلف 65 درصد است. روش دوم یک روش بر پایه n-gramها است. در این روش هر دو کلمه که در یک n-gram قرار می گیرند همسایه نامیده می شوند. فرض بر این است که دو کلمه با هم رابطه معنایی دارند اگر تعداد همسایگان مشترک آنها بیش از حد آستانه باشد. میزان موفقیت این روش 42 درصد بوده است. روش سوم به منظور استخراج رابطه تضاد استفاده شده و برخلاف دو روش قبلی که از ویژگی های نحوی زبان استفاده می-کنند این روش از ویژگی های معنایی زبان استفاده می کند. در این روش دو کلمه به عنوان ورودی دریافت شده و برای تشخیص متضاد بودن آنها جملاتی از پیکره که شامل کلمه اول هستند استخراج شده و در آن جمله ها کلمه دوم را با کلمه اول جابجا کرده سپس فعل جمله را معکوس می کنیم. حال بررسی می کنیم اگر جمله بدست آمده از نظر معنایی درست باشد آنگاه آن دو کلمه با هم متضاد هستند. برای تعیین صحت جمله بدست آمده از دو روش دستی و خودکار استفاد شده که در روش دستی نتایج بسیار خوبی بدست آمده است.

کنترل تعادل یکی از اساسی ترین سیستم های حسی حرکتی بدن برای داشتن زندگی با کیفیت است.ضعف تعادل و کنترل پوسچر می تواند در عملکرد روزانه مانند راه رفتن ، دویدن ، خزیدن ، ورزش کردن ، ایستادن و .... تاثیر گذار باشد. سیستم کنترل تعادل یک سیستم چند حسی است که دارای عوامل موثر بسیار می باشد. همچنین مطالعات انجام گرفته در زمینه کنترل تعادل هر کدام به بررسی جزئی از سیستم و یا پاسخ به سوال و موضوع مشخصی در این زمینه پرداخته اند. مدلسازی های انجام گرفته در زمینه کنترل پوسچر بر اساس مدل پاندول معکوس و پارامترهای مطرح در مطالعه مورد نظر طراحی شده اند. در این پژوهش هدف ارائه ی یک سیستم دسته بندی هوشمند داده های سری زمانی کنترل تعادل است. این سیستم هوشمند بر اساس پارامترهایی که با بررسی کلی مطالعات موجود در زمینه کنترل تعادل جمع آوری شده اند طراحی شده و قابلیت دسته بندی هوشمند با استفاده از پارمترهای انتخابی کاربر را ارائه می دهد. ویژگی های مورد استفاده در طراحی سیستم شامل مقدار ماکزیمم و مینیمم ، زمان ماکزیمم و مینیمم ،تعداد قله ها ، پولاریتی ، انتگرال ناحیه ی مثبت و منفی ، مدت زمان ، زمان سکون و میانگین است. همچنین جهت ارزیابی و بررسی نتایج سیستم طراحی شده سه پایگاه داده کنترل پوسچر ، راه رفتن و مفاصل دست مورد استفاده قرار گرفت. در سیستم دسته بندی از الگوریتم معتبر خوشه بندی فازی fcm استفاده شده است. جهت ارزیابی اعتبار و دقت سیستم طراحی شده از روش روایی همزمان و پایایی بازآزمایی استفاده شد. در بررسی نتایج به شیوه ی روایی همزمان آزمون هایی طراحی شده و ویژگی های مورد استفاده در آزمون به طور مشترک به سیستم طراحی شده و الگوریتم های خوشه بندی شبکه عصبی و سلسله مراتبی داده شد. در نهایت میزان مطابقت نتایج خروجی حاصل از اعمال روش ها بر روی این ویژگی های مشترک محاسبه گردید. دامنه ی میزان مطابقت نتایج که نشان دهنده ی میزان اعتبار نتایج سیستم طراحی شده با الگوریتم های خوشه بندی معتبر دیگر است ،در محدوده ی 80- 99 درصد قرار گرفت. این دامنه حاکی از اعتبار نتایج حاصل از این سیستم می باشد. علاوه بر این جهت بررسی میزان دقت و پایایی سیستم با استفاده از روش پایایی بازآزمایی یک مجموعه داده ای با سه توزیع تصادفی مختلف به سیستم داده شد و ضریب همبستگی بین ویژگی های خوشه های حاصل از سه بار اجرای سیستم مورد محاسبه قرار گرفت. میزان پایای به دست آمده از این محاسبات در دامنه ی 0.85 - 1 قرار گرفت که نشان دهنده دقت بالای سیستم طراحی شده می باشد.همچنین میانگین درجه عضویت نتایج خروجی در این آزمون ها محاسبه شد که در دامنه ی 0.62 – 0.97 درصد بود . درصد بالا در مقدار میانگین درجه عضویت حاکی از قابلیت بالای متمایزکنندگی ویژگی های جمع آوری شده در این سیستم است.