خلاصه سازی یک فرآیند تصمیم گیری است که در آن برای هر جمله چندین معیار در نظر گرفته می شود و ارزش هر جمله در معیارها سنجیده می شود. سپس با سبک و سنگین کردن نتایج ارزیابی ها جملات برای حضور در خلاصه انتخاب می شوند. در این پایان نامه معماری جدیدی برای سیستم های خلاصه ساز ارائه شده است. در این معماری یک لایه ی تصمیم گیرنده به عنوان آخرین لایه در سیستم، مسئولیت امتیازدهی به جملات بر اساس امتیاز هر جمله در ویژگی های مجزا را بر عهده دارد. در واقع این لایه، عمل سبک و سنگین کردن جملات را انجام می دهد. وجود این لایه ی تصمیم گیر نیاز به داده های آموزشی برای محاسبه ی وزن های هر کدام از ویژگی های مورد بررسی را مرتفع می سازد. گرچه می توان دقت این لایه را بر اساس داده های آموزشی افزایش داد و یا اینکه با آموزش آن، سیستم های خلاصه ساز شخصی ساخت. ماتریس تصمیم به عنوان جز اصلی در تصمیم گیری چندمعیاره مورد استفاده قرار می گیرد. در ساخت ماتریس تصمیم هر جمله به عنوان یک سطر و هر یک از ویژگی های مورد بررسی نیز به عنوان یک ستون در نظر گرفته می شوند. در این پایان نامه روش آماری-زبان شناسی جدیدی نیز برای خلاصه سازی خودکار متن ارائه شده است. در این روش بر اساس ماتریس ارتباط، موضوعات مختلف در متن کشف و جملات متن در هر یک از این موضوعات کلاس بندی می شوند. سپس به روشی که در قسمت مربوطه آورده شده است امتیاز هر کدام از جملات و موضوعات تعیین می شوند. با توجه به امتیازها و روند به روز کردن امتیازها در چند گام خلاصه تولید می شود. در این پایان نامه تولید خلاصه های از نوع گزینشی تک سندی مد نظر بوده است. واحد خلاصه سازی، جمله در نظر گرفته شده است و تولید خلاصه های عمومی از مقالات علمی به زبان انگلیسی مورد بررسی قرار گرفته اند. روش های پیشنهادی نیز بر اساس همین پارامترها ایجاد شده اند.

چون رفتار ساکنین در ساختمان ها بر روی سرویس درخواستی تأثیر می گذارد بنابراین یک عنصر کلیدی در کنترل و مدیریت تجهیزات ساختمان به حساب می آید . در زمینه ساختمان هوشمند انرژی برای مدیریت مصرف و آسایش هم استفاده از این عنصر کلیدی بسیار مهم است . ما در این پروژه سعی کردیم با استفاده از وضعیت تجهیزات ( فعلی و قبلی) ساختمان که شامل اطلاعاتی در رابطه با خاموش یا روشن بودن کلیه تجهیزات اعم از روشنایی ، سیستم hvac و لوازم برقی است ، وضعیت بعدی و زمان تغییر وضعیت را برای سیستم hvac پیش بینی کنیم . در حقیقت وضعیت تجهیزات در حالت فعلی و قبلی معرف رفتار ساکنین است که حضور یا عدم حضور و شکل استفاده ازنقاط ساختمان را نشان می دهد . به همین منظور از دو شبکه عصبی ، یکی برای پیش بینی وضعیت بعدی و دیگری برای تشخیص زمان تغییر وضعیت ، استفاده کردیم . برای تشخیص خطا هم از داده های بی درنگ بدست آمده از حسگر ها استفاده کردیم .بدین صورت که اگر حضور شخص درساختمان به وسیله ی حسگر ها تشخیص داده شود و سیستم هم حضور را پیش بینی نکرده باشد آنگاه خطا رخ داده است و سیستم وضعیت خود را به وضعیت صحیح تغییر می دهد و دوباره تصمیم گیری می کند .در پایان هم ساختمان مورد نظر را در نرم افزار شبیه سازی کردیم که از میزان صرفه جویی انرژی اطمینان حاصل کنیم . واژه های کلیدی: رفتار ساکنین ، ساختمان هوشمند ، انرژی ، سیستم hvac ، وضعیت تجهیزات ، شبکه عصبی

در این تحقیق با استفاده از روش خوشه بندی آماری و دومرحله ای به شناسایی و کشف ناهنجاری های موجود در داده های حمل ونقل فرآورده های نفتی در بخش ریلی پرداختیم . در این تحقیق با استفاده از درخت ویژگی ها در دو مرحله داده ها را ابتدا پیش خوشه بندی و سپس خوشه بندی نمودیم. برای خوشه بندی از میانه داده های هر خوشه استفاده کرده و سپس بعد از کشف ناهنجاری ها و کاهش ابعاد داده ای جهت کاهش پیچیدگی مدل با یک شبکه عصبی به بررسی صحت عملکرد طراحی شده پرداختیم. در نهایت مدل شبکه عصبی بعد از رفع ناهنجاری ها بسیار واضح تر از مدل شبکه قبل از رفع ناهنجاری ها پرداخت.

دقت سیستم¬های بازشناسی گفتار در محیط¬های آزمایشگاهی و کنترل شده به میزان قابل قبولی افزایش یافته و امروزه شاهد استفاده از این سیستم¬ها در محیط¬های واقعی هستیم. با این حال، کارایی این سیستم¬ها در حضور نویز به دلیل عدم تطابق بین شرایط و محیط آموزشی و آزمون به شدت افت می¬کند. علاوه بر این، تنوع مشخصه¬های گفتاری گویندگان نیز بر کارایی این سیستم¬ها تاثیرگذار است. در سال¬های اخیر، عمده پژوهش¬های صورت گرفته در زمینه بازشناسی گفتار در راستای کاهش عدم تطابق بین شرایط آموزش و آزمون، در نتیجه افزایش کارایی آنها برای کاربردهای عملی است. انتقال بردار ویژگی، معیار آموزش سیستم، تطبیق مدل با گوینده و مهم¬تر از همه کاهش اثر تخریبی نویز بر کارایی سیستم، اصلی-ترین مباحث در مقوله مقاوم¬سازی سیستم بازشناسی گفتار بوده¬اند. از میان دو دسته عمده روش¬های مقاوم¬سازی در برابر نویز، روش¬های مبتنی بر ویژگی و روش¬های مبتنی بر مدل، دسته دوم از انعطاف بیشتری برخوردار بوده و منجر به بهبود بیشتری می¬شوند. محور اصلی این روش¬ها انطباق پارامترهای مدل آکوستیکی با شرایط آزمون است. در این پایان¬نامه روش¬های مختلف مقاوم¬سازی نسبت به نویز مرور شده و از این بین، بردار سری تیلور (vts) مورد مطالعه دقیق و استفاده قرار گرفته است. آموزش تمایزگرایانه نیز، به عنوان جایگزینی برای معیار بیشینه درست¬نمایی (ml)، در سال¬های اخیر کانون توجه برخی از پژوهشگران بوده است. بیشینه-کردن درست¬نمایی داده¬های آموزشی با معیار ارزیابی سیستم، نرخ خطا، ارتباط چندانی ندارد. گذشته از این، در حالتی که توزیع واقعی داده¬های آموزش مشخص نباشد، معیار تمایزگرایانه نرخ خطای کمتری در مقایسه با معیار بیشینه درست¬نمایی دارد. همین امر موجب شد تا از آموزش تمایزگرایانه (به ویژه روش fbmmi+bmmi) همراه با انتقال بردار ویژگی و آموزش تطبیقی با گوینده (sat) برای آموزش سیستم استفاده شود. برای ارزیابی این روش¬ها از نرم¬افزار kaldi و مجموعه دادگان timit استفاده شد. به¬کارگیری روش ترکیبی معرفی شده بر روی دادگان تمیز منجر به بهبود 5 درصدی دقت نسبت به سیستم پایه شد. برای شرایط نویزی، روش vts پیشنهادی مورد استفاده قرار گرفت که نسبت به vts کلاسیک در بهترین شرایط 7 درصد افزایش نسبی کارایی را به همراه داشته است. بکارگیری این روش با روش ترکیبی پیشنهادی برای داده¬های تمیز بر روی داده¬های نویزی شده دقت سیستم را به طور متوسط تا 34 درصد افزایش داد.

یکی از حوزه های فعال و پرکاربرد در هوش مصنوعی و گرافیک کامپیوتری، بازسازی (مدلسازی) سه بعدی است. بی شک علت این امر، کابردهای متنوع و گسترده آن در شاخه های مختلف علوم تا مهندسی است. روش های بسیار زیادی برای بازسازی از مدل های فضای ورودی که نقاط در فضای سه بعدی هستند، معرفی شده اند که هر کدام با توجه کاربردشان دارای نقاط ضعف و قوت مختص به خودشان هستند. ایراد اساسی غالب روش های بازسازی سه بعدی، علاوه بر حساسیت به اغتشاش، عبارتست از به وجود آوردن صفحات همپوشان و نواحی پوشش داده نشده در قسمت-هایی از مدل فضای ورودی که از توابع ضخامت متغیری بهره می برند. در این پایان نامه روشی رویه ای، تعاملی و ضمنی جهت بازسازی سه بعدی برای مدل های فضای ورودی مختلف ارائه می شود. الگوریتم پیشنهادی در این نوشتار مبتنی بر ساخت الگوهای اولیه ای است که teddy-style نامگذاری شده اند. این الگوهای اولیه کاملاً وابسته به مدل فضای ورودی بوده و از این منظر تفاوت مهمی با الگوهای اولیه عمومی هندسی نظیر استوانه دارند. مضافاً این الگوریتم تعاملی است و کاربر می تواند هر نوع کمک یا تغییری را که بخواهد در آن اعمال نماید تا مدل نهایی مطلوب حاصل شود. نتایج پیاده سازی و تحلیل خروجی الگوریتم پیشنهادی برای پایگاه داده معتبر دانشگاه stanford نشان می دهد که کارایی آن برای مدل های فضای ورودی پیچیده ای که توابع ضخامت متغیری دارند بسیار بالاست و منجر به تولید صفحات همپوشان و نواحی پوشش داده نشده کمتری می گردد. از آنجا که الگوریتم پیشنهادی ضمنی است، حساسیت کمتری نسبت به اغتشاش نیز از خود بروز می دهد. در انتها نشان داده می شود که الگوریتم پیشنهادی می تواند به عنوان روشی کمکی برای سه الگوریتم معروف جاروب ایستا، جاروب پویا و چهارربعی که از الگوهای اولیه عمومی هندسی استفاده می کنند، بکار گرفته شود و از این منظر موجب افزایش کیفیت بازسازی آنها گردد.

تشخیص خودکار زبان در واقع مساله تشخیص زبان یک نمونه گفتار صحبت شده توسط سخنگوی نامعلوم است. تشخیص خودکار زبان می‏تواند به ارتباط بین مردم نواحی گوناگون کمک کند و کاربردهای مختلفی در توسعه گردشگری، تجارت آزاد، تقویت امنیت ملی از طریق پیش‏پردازش و فیلترنمودن مکالمات مشکوک، خدمات اورژانس، ترجمه همزمان در همایش‏ها و مکالمات بین‏المللی دارد. در این پایان‏نامه با کمک کلاسه‏بندی ویژگی‏های مختلف، سیستم تشخیص خودکار زبان، طراحی و پیاده‏سازی شده است. ویژگی‏های صوتی مورد نظر از فریم‏های متوالی سیگنال گفتار استخراج و ویژگی‏های آماری این فریم‏ها به عنوان بردار ویژگی در نظر گرفته می‏شوند. برای این منظور ویژگی‏های mfcc ، lpc وplp استخراج و مورد تجزیه و تحلیل قرا گرفته است. پس از استخراج این ویژگی‏ها، لیفترهای خطی و غیر خطی به ضرایب اعمال می‏شود. همچنین ترکیب دو به دو این ویژگی‏ها نیز برای تشخیص زبان استفاده شده است. بعد از استخراج ویژگی‏های مورد نظر، توسط کلاس‏بند مدل مخلوط گوسی و همچنین اعمال روشllr به عنوان یک روش پس‏پردازش ساده، برای تصمیم‏گیری مناسب‏تر از روی بردارهای امتیازات بدست آمده، شناسایی زبان مورد نظر انجام می‏گیرد. نتایج آزمایش‏ها نشان می‏دهد که ضرایب mfcc به همراه اعمال لیفتر غیر خطی و نیز ترکیب دو ویژگی می‏تواند کارایی سیستم را افزایش دهد. تاکنون روش‏های مختلفی برای شناسایی زبان گفتاری پیشنهاد شده است، که در بین همه آنها ضرایب کپسترال به درصد صحت بالاتری رسیده است. نتایج نشانگر دقت مناسب اعمال لیفتر سینوسی به ضرایب و نیز ویژگی‏های ترکیبی در تشخیص زبان می‏باشد.

الگوریتم بهینه سازی انتخابات گرا (ei) برای حل مسائل بهینه سازی معرفی شده است. این الگوریتم برای حل مسائلی طراحی گردید که متمرکز برای یافتن چندین جواب بهینه در مسائل مربوط به خودشان می باشند اما قابلیت حل مسائل با یک جواب بهینه را نیز دارد. این الگوریتم از شش سیستم مختلف انتخاباتی استفاده می کند. در الگوریتم پیشنهادی ما، هر فرد واجد شرایط (که می تواند رای دهد) به عنوان یک راه حل بالقوه تفسیر شده است. افراد در فضای باور جامعه نمو دارند و فردی که باور بهتری داشته باشد به عنوان کاندیدا با دیگر کاندیداها به رقابت می پردازد. مردم به کاندیدا/کاندیداهایی که باور بهتری داشته باشند رای می دهند. علاوه بر این، باور هر فرد نرمال شده با توانایی خود، در برابر بهبود اوضاع جامعه می باشد. هم نامزد ها در روز انتخابات با هم به رقابت می پردازند و هم افراد سعی می کنند که نامزد مورد علاقه خود را پیروز نمایند. نامزد/نامزدهای پیروز سعی در بهبود اوضاع جامعه می کنند. الگوریتم پیشنهادی نه تنها دارای پیچیدگی محاسباتی کم است، بلکه به سرعت به راه حل های بهینه اصلی همگرا می شود. باید اضافه کرد که الگوریتم، به مقدار دهی پارامتر های اولیه حساس نیست.

یک الگوریتم جدید مسیریابی فرصت طلبانه با در نظر گرفتن طول جریان، تاخیر دسته، تعداد گام و به طور کلی، کیفیت سرویس در مسیریابی فرصت طلبانه.