بطور کلی در مدل سازی استحکام نخ، بر اساس ارتباط بین خواص لیف و نخ، استحکام نخ نهایی با استفاده از مدل پیش بینی می شود. این پایان نامه به مدل سازی استحکام نخ و مسأله تولید نخ رینگ با استحکام مطلوب با کمترین هزینه بر اساس به کارگیری سیستم های هوشمند می پردازد. مسأله استحکام نخ و اهمیت آن در صنعت نساجی، همچنین پارامترهای موثر بر آن ارائه می گردد. برخی از روش های مدل سازی استحکام نخ از جمله سیستم های هوشمند مثل شبکه های عصبی و روش های مدل سازی دیگر مثل مدل سازی آماری (رگرسیون)، مکانیکی و ریاضی بیان می گردد. نتایج مطالعات نشان می دهد که شبکه های عصبی مصنوعی یکی از مناسب ترین ساختار ها برای مدل سازی هستند. لذا در این پروژه برای مدل سازی از شبکه های عصبی استفاده شده است. ابتدا داده های مربوط به نخ صد درصد پنبه ای با نمره سی انگلیسی جمع آوری می شود. برای این منظور، یک دسته آزمایشات در رنج های متفاوت انجام شد. پس از جمع آوری داده ها، ساختار شبکه تعیین و به مبحث مدل سازی پرداخته شده است. جهت آموزش شبکه، از روش آموزش پس انتشار خطا در جهت حداقل کردن خطا استفاده شده است. خطای کم خروجی های مدل (شبکه عصبی آموزش داده شده) برای داده های تست، نشانگر دقت بالای مدل می باشد. پس از بدست آوردن مدل مطلوب، یک راهکار جدید برای تعیین بهینه مقادیر موثر در تولید نخ به منظور رسیدن به استحکام مطلوب نخ با استفاده از الگوریتم ژنتیک ارائه می گردد. آزمایشات متعددی در رنج ها و با توابع هزینه تولید متفاوت انجام می شود و جواب مطلوب از لحاظ دستمزد، انرژی، و هزینه مواد با حفظ استحکام مطلوب تعیین می گردد.

یکی از مسائل مطرح در رباتیک و هندسه ی محاسباتی، مسئله برنامه ریزی حرکت برای یک مجموعه از ربات ها است. یک مجموعه از ربات ها را در نظر بگیرید که در یک فضای کاری مشترک در حال حرکت هستند. وظایف یک ربات ممکن است آن را از یک نقطه به نقطه دیگر منتقل کنند. هدف، انتقال ربات ها از یک پیکربندی به پیکربندی دیگر با حداقل تعداد حرکت های ممکن است، به طوری که هیچ دو رباتی در حین انتقال با هم برخورد نداشته باشند. ‎در این پایان نامه، مسائل ترکیبیاتی و محاسباتی مربوط به مسئله برنامه ریزی حرکت برای ربات ها با رد پاهای خاص در صفحه، با فرض این که حرکت ها، انتقال های بدون برخورد در صفحه هستند، مورد مطالعه قرار می گیرند. مسئله برنامه ریزی حرکت برای ربات ها با رد پاهای دیسک مانند (یا مستطیل شکل) در صفحه در نظر گرفته می شود و کران های ترکیبیاتی روی تعداد حرکت های لازم ویا کافی برای انتقال این ربات ها از مکان های شروع به مکان های هدف در حالت های مختلف بررسی می شود. در آخر، مسئله برنامه ریزی حرکت برای ربات ها با رد پاهای محدب در صفحه در نظر گرفته می شود و ثابت می شود که 2n‎ حرکت برای تغییر پیکربندی این ربات ها همواره کافی و گاهی لازم است.

هدف از این پایان نامه، بررسی کارآیی فواصل متفاوت در بازیابی و طبقه بندی تصویر بر اساس ویژگی های مبتنی بر رنگ و بافت می باشد. این ویژگی ها در دو کلاسه بندیk همسایه نزدیکتر و ماشین بردار پشتیبان مورد ارزیابی قرار می گیرند. بازیابی تصویر بر اساس محتوا یکی از حوزه های تحقیقاتی بسیار مهم در زمینه ی پردازش تصویر و پایگاه داده ی چند رسانه ا ی است. هدف محققان در بازیابی تصویر بر اساس محتوا پیدا کردن ویژگی ها و تمایزهایی در تصاویر است که بتوان در تشخیص شباهت تصاویر از آن بهره برد و به نحو مناسب پرس وجوی تصویر را هدایت کرد. در یک سیستم بازیابی تصویر بر اساس محتوا،کاربر تصویر مورد نظر خود موسوم به تصویر پرس وجو را انتخاب نموده و سیستم کلیه تصاویر مشابه با آن را ازپایگاه تصاویر، شناسایی و بازیابی می کند.کلاسه بندی ماشین بردار پشتیبان یک سیستم یادگیری است و در هر سیستم یادگیری احتمال بروز خطا وجود دارد. بنابراین در این پژوهش روشی در تعامل با کاربر پیشنهاد شده است تا در صورتی که در اولین اجرای کلاسه بندی خطایی رخ دهد و یا تصویر نادرستی نمایش داده شود، در اجراهای بعدی یا تصاویر مشابه را به او نشان دهد و یا اینکه او را از عدم وجود تصویر در پایگاه داده مطمئن سازد. نتایج ارزیابی بر روی پایگاه داده کورل با دو هزار تصویر نشان می دهند بالاترین کارایی بازیابی تصویربر اساس رنگ در ماشین بردار پشتیبان به ترتیب متعلق به ویژگی های هیستوگرام رنگ، ممان رنگ و همبستگی نگار- رنگ می باشد. بهترین نتایج در بازیابی تصویر بر اساس بافت به ترتیب به ویژگی گابور، عملگرlbp و ویژگی تبدیل موجک تعلق دارد. همچنین بالاترین کارایی بر اساس رنگ در k همسایه نزدیکتر به ترتیب متعلق به ویژگی ممان رنگ، هیستوگرام رنگ و همبستگی نگار رنگ می باشد و نتایج بهتر برای بازیابی تصویر بر اساس بافت به ترتیب متعلق به عملگر lbp، ویژگی گابور و ویژگی تبدیل موجک می باشد. در نهایت با نتایج آزمایش ها می توان چنین استنباط کرد، زمانی که همه ویژگی های رنگ و بافت در تعیین شباهت تصاویر موثر بوده، سیستم قوی تر عمل کرده و نتایج بهتری را به دنبال داشته است. همچنین نتایج نشان می دهند کلاسه بندی ماشین بردار پشتیبان دارای کارایی بالاتری از k همسایه نزدیکتر است.

نظارت مستمر به منظور تامین امنیت هر چه بهتر همیشه مورد توجه بوده است. با توسعه تکنولوژی، سیستم های نظارتی مبتنی بر ویدئو برای نیل به این منظور به کار گرفته شدند. نسل جدید این سیستم ها تحت عنوان شبکه های نظارتی بی سیم، شاخه ای جدید در مبحث شبکه های حسگر چندرسانه ای بی سیم است. جریان های ویدئویی در شبکه های حسگر به دلیل بالا بودن نرخ انتقال و محدودیت منابع در این شبکه ها، با چالش های زیادی از جمله وقوع ازدحام روبرو است. از این رو، وقوع ازدحام خود یکی از اصلی ترین و مهم ترین دلایل گم شدگی بسته در این نوع شبکه ها است. از سوی دیگر، کیفیت خدمات در شبکه های نظارتی بی سیم رابطه تنگاتنگی با نرخ گم شدگی بسته ها دارد؛ زیرا نوعِ بسته گم شده می تواند موجب پایین آمدن کیفیت ویدئوی دریافتی گردد. با توجه به اثرات نامطلوب ازدحام در انتقال جریان های ویدئویی و نبودن روش هایی که ویژگی داده های ویدئویی را در نظر بگیرد، معرفی روش های جدید می تواند در انتقال جریان های ویدئویی موثر باشد. در روش پیشنهادی پس از کشف هر گونه ازدحام در هر گره، درجه ازدحام محاسبه شده و به صورت ضمنی به تمامی فرزندان آن گره اعلام می گردد. در ادامه برای تنظیم نرخ، از سیاست افزودن صف در گره های والد و همچنین اولویت میان فریم های ویدئویی استفاده شده است. به این ترتیب در هر گره والد، درجه ازدحام برای هر فرزند بر اساس طول صف متناظر با آن فرزند محاسبه می شود. در مرحله تنظیم نرخ، هر فرزند با دریافت پیام هشدار از گره والد، نرخ خروجی خود را به میزانِ درجه ازدحام محاسبه شده تنظیم خواهد کرد. استفاده از روش پیشنهادی، پارامترهای کیفیت خدمت مانند نرخ از دست دادن فریم ویدئویی و کیفیت ویدئوی دریافتی را بهبود می بخشد. نتایج ارزیابی که با استفاده از شبیه ساز ns2 و ابزار evalvid انجام شده، نشان می دهد که روش پیشنهادی در کیفیت ویدئوی دریافتی و از دست رفتن بسته ها به ترتیب به میزان 10 درصد و 3 دسی بل نسبت به روش های مشابه عملکرد بهتری دارد. این بهبودها در قبال تحمل یک سربار پردازشیِ قابل قبول، حاصل شده است.

چکیده ندارد.

در سال های اخیر نظریه های تقریب رشد بسزایی داشته اند، اما تاکنون پژوهش های معدودی در زمینه بکارگیری آن ها در نظریه محاسبات مطرح شده اند. تقریب عام که یکی از بسط های نظریه مجموعه ناهموار است، ابزار مناسبی برای تخمین سیستم های گسسته بزرگ می باشد، در واقع لحاظ کردن ویژگی خاصی از سیستم ها، تقریب عام را قدرتمند کرده است. در این پایان نامه، روشی برای تقریب ماشین های متناهی حالت معرفی شده است. ابتدا برخی ویژگی های ساختار پیشنهادی برشمرده و سپس چگونگی کاربرد آن، در سیستم های رخداد گسسته نشان داده شده است. ماشین تقریبی پیشنهادی در مساله تشخیص خرابی بکار گرفته و شرایط لازم و کافی تشخیص پذیری بررسی و اثبات شده اند. همچنین مدلی بر اساس نظریه مجموعه، برای تشخیص پذیری سیستم های رخداد گسسته بیان شده است. مدل پیشنهادی شرایط لازم و کافی را برای تشخیص پذیری برآورده می کند. این مدل توسط ساختمان داده zbdd پیاده سازی شده و با اثباتی ریاضی برتری نسبی آن، در پیچیدگی محاسباتی و حافظه نسبت به پیاده سازی های مدل مرجع توسط نمودار دودویی تصمیم کاهش یافته، نشان داده شده است.

هدف اصلی از ایجاد این پایان نامه، بررسی و ارائه نتایج مربوط به تحقیق و طبقه بندی روشهای مکان یابی خطا در شبکه ها بطور کلی و روشهای مربوط به شبکه های بزرگ و بخصوص قسمت ستون فقرات شبکه ها بصورت جزئی تر می باشد. امروزه افزایش بیش از حد حجم و بزرگی شبکه ها و پیوستگی شبکه های مختلف و اینترنت به یکدیگر و نیز پیچیدگی های حاصل از کاربرد تکنولوژی های جدید در شبکه ها، علاوه بر اینکه مساله بروز خطا را در شبکه ها غیر قابل اجتناب نموده است، نیاز به روش های سازمان یافته و جامع را برای محافظت از شبکه ها و رفع خطا بیش از پیش تقویت کرده است. در این پایان نامه نوعی طبقه بندی برای روش های مکان یابی خطا ارائه شده است که اکثر روش های ارائه شده را در برمی گیرد. در این طبقه بندی، ساز و کار روش های مختلف، به اختصار توضیح داده شده است. مزایا و معایب هر بخش از روش های طبقه بندی شده، تا حد امکان شرح داده شده است. میزان کاربرد این روش ها و جنبه های علمی آنها، پیش نیازهای ریاضی آنها و هزینه های محاسباتی، در صورت لزوم و اهمیت توضیح داده شده اند. همچنین زمینه هایی که نسبت به دیگر بخش های حوزه مکان یابی خطا، میزان تحقیقات کمتری برروی آنها صورت گرفته و علت این نارسایی، تا حد لزوم، توضیح داده شده است. معرفی این بخش ها، برای محققینی که در این زمینه کار می کنند، برای جهت دهی به ایده های جدید، مناسب خواهد بود. دو روش جدید مکان یابی خطا که توسط نویسنده، ایجاد و به جامعه علمی جهانی ارائه شده اند، در دو فصل آخر آورده شده اند. هر دوی این روش ها جدید ترین روش ها در نوع خود هستند و توسط نویسنده ابداع و در اختیار محققین و استفاده کنندگان از دانش شبکه قرار گرفته اند. روش ffl، هرچند دارای پایه علمی کلی و فراگیر است، اما بصورت خاص برای مکان یابی خطا در لایه wdm در شبکه های پشتیبان dwdm مناسب سازی شده است.