سیستم های رابط مغز-رایانه (bci) به عنوان ابزاری جهت ایجاد ارتباط مستقیم بین مغز و دنیای خارج شناخته می شوند. برای دستیابی به چنین ارتباطی، یک سیستم bci باید قادر به تبدیل سیگنال های مغزی به دستورات کنترلی باشد. اگر سیستم bci به عنوان یک سیستم شناسایی الگو در نظر گرفته شود، مهمترین مسئله در چنین سیستمی شامل استخراج ویژگی و طبقه بندی سیگنال های مغزی خواهد بود. کارایی یک سیستم شناسایی الگو، وابستگی زیادی به ویژگی های استخراج شده و همچنین قدرت تعمیم الگوریتم طبقه بندی مورد استفاده دارد. یکی از روش های دستیابی به طبقه بندی دقیق و قدرتمند، تنظیم پارامترهای طبقه بندها می باشد. بر همین اساس با استفاده از روش پیشنهادی اول در این تحقیق، میزان تأثیرگذاری تنظیم پارامترهای طبقه بند در خروجی یک سیستم bci مورد آزمایش قرار گرفته است؛ بدین منظور با استفاده از یک الگوریتم فرا-اکتشافی کارا (r3pso)، که از خانواده ی الگوریتم های بهینه سازی ازدحام ذرات می باشد، به تنظیم پارامترهای طبقه بندها پرداخته شده است. برای ارزیابی روش های پیشنهادی در این تحقیق، از دیتاست هایی از نوع تصورات حرکتی استفاده شده است؛ این دیتاست ها توسط گروه graz برای مسابقات جهانی bci تدارک دیده شده اند. نتایج آزمایش ها نشان داد که روش پیشنهادی اول کارایی مطلوبی دارد، به طوری که طبقه بند های تنظیم شده با آن توانستند نتایجی برتر از نتایج برندگان مسابقات bci و نتایج دیگر مطالعات انجام شده بر روی دیتاست های مذکور، داشته باشند. در آزمایش های بعدی این تحقیق، با استفاده از یک روش پیشنهادی مبتنی بر معیار gain-ratio به ارزیابی ویژگی های استخراج شده از سیگنال های خام eeg دیتاست های مذکور پرداخته شد. همچنین در گروه دیگری از آزمایش ها، با استفاده از دو روش انتخاب ویژگی از نوع فیلتر و رپر، ویژگی های برتر انتخاب شده و مورد تحلیل قرار گرفتند.

امروزه حجم قابل توجهی از اطلاعات موجود در قالب متن ذخیره شده اند؛ بنابراین استفاده از ابزار هایی که به استخراج دانش از میان این دریای عظیم داده های بپردازد اهمیت زیادی پیدا کرده است. ذات غیر ساخت یافته ی متون باعث شده که متنکاوی نیاز به مرحله ای مهم به نام پیش پردازش داشته باشد؛ هرچه پیش پردازش قوی تری داشته باشیم نتایج بهتری را در سایر مراحل خواهیم داشت. در این پایان نامه سعی شده به حل چالش ها و مسائل حوزه پیش پردازش و در نهایت طبقه بندی متون بپردازیم؛ از جمله دستاورد های این پایان نامه می توان به موارد زیر اشاره کرد:یک روش جدید وزن دهی ویژگی، مخصوص طبقه بندی مستندات ارائه شده است. مقایسه ی این روش با روش های وزن دهیtfidf، tfrf، tfcrf نشان دهنده ی کارایی خوب این روش نسبت به سایر روش ها می باشد. از روش ارائه شده برای ارائه یک روش حذف خودکار کلمات زائد متن، استفاده گردیده است؛ سپس تاثیر حذف کلمات زائد با استفاده از روش پیشنهادی و با استفاده از لیست از قبل تهیه شده را بر روی طبقه بندی مقایسه نموده ایم،که نتایج گویای بهبود کارطبقه بند در هنگام استفاده از روش پیشنهادی بوده است. با توجه به اهمیت وجود دیکشنری برای طبقات مستندات، الگوریتمی جدید برای استخراج دیکشنری ارائه و سپس ارزیابی شده است. در پایان الگوریتمی جدید برای طبقه بندی مستندات ارائه نموده ایم، که این الگوریتم را با روش های متفاوت وزن دهی مورد بررسی قرار دادیم. در ادامه با طبقه بندی تصادفی اولیه ی متفاوت نیز الگوریتم پیشنهادی را بررسی کردیم که تمامی نتایج به دست آمده گویای کارایی بالای این الگوریتم می باشد. همچنین در انتها نیز به ارزیابی عملکرد الگوریتم پیشنهادی نسبت به سایر الگوریتم ها پرداختیم، که الگوریتم پیشنهادی دارای بهترین کارایی در بین سایر الگوریتم ها بود.تمامی موارد ذکر شده را پیاده سازی و در قالب سیستمی نرم افزاری ارائه نموده ایم.

بسیاری از مسائل بهینه¬سازی دنیای واقعی نیاز به هدف¬های متضاد چندگانه دارند. ثابت شده است که الگوریتم¬های تکاملی یکی از بهترین بهینه سازها در حل مسائل بهینه¬سازی چندهدفه می¬باشند. در این روش¬ها هدف، یافتن مجموعه جواب¬های مغلوب نشده¬ای است که کم¬ترین فاصله را تا جبهه پرتو دارند. با این وجود اغلب این روش¬ها به حجم عظیمی از محاسبات توابع هدف نیاز دارند. در این پژوهش به منظور رفع این مشکل روشی مبتنی بر فرا-مدل در فاز جستجوی محلی الگوریتم ممتیک، به خدمت گرفته شده است. فرا-مدل¬ها تقریب ساده¬تر و ارزان تری از توابع هدف اصلی می¬باشند، و به جای توابع هدف اصلی به کار برده می¬شوند. استفاده از فرا-مدل¬ها تعداد ارزیابی توابع هدف را به مراتب کمتر نموده و موجب همگرایی زودتر در به دست آوردن راه¬حل نهایی می¬شوند. در این کار تحقیقاتی، از تئوری فازی، الگوریتم ممتیک و فرا-مدل استفاده شده است. استفاده نمودن از آن¬ها سه روش پیشنهادی برای بهینه¬سازی مسائل چندهدفه به دنبال داشته است. از میان روش¬های ارائه شده روش¬های اول و دوم به ساخت مجموعه¬های آموزشی مختلف برای یادگیری فرا-مدل می¬پردازند؛ و در روش پیشنهادی سوم سعی شده تعداد ارزیابی¬های توابع هدف در الگوریتم nsgsa کاهش داده شود. این کار با به کارگیری فرا-مدل در فاز جستجوی محلی الگوریتم ممتیک صورت گرفته است. همچنین در این روش فرا-مدل به صورت کلی و محلی نیز به کار برده شده است. نتایج بدست آمده از توابع محک استاندارد و مقایسه با الگوریتم¬های مطرح شده در این زمینه، نشان¬دهنده مناسب بودن روش¬های پیشنهادی در حل بهینه¬سازی مسائل چند هدفه می¬باشد.

انتخاب ویژگی یکی از مهمترین عملیات بر روی داده ها می باشد. به وسیله ی انتخاب ویژگی، ویژگی های کم¬ اهمیت حذف می شوند و باعث درک بهتر از داده ها می شود. داده های بزرگ به دلیل داشتن ابعاد زیاد، نیاز به زمان طولانی برای انجام محاسبات دارند. از طرفی روش های سنتی نمی¬توانند در زمان قابل قبولی داده های بزرگ را پردازش کنند. اخیراً، با پیشرفت تکنولوژی کارت گرافیک ها، استفاده از این ابزار در موازی سازی الگوریتم های تکاملی فراگیر شده است. یکی از الگوهای موازی سازی الگوریتم های تکاملی الگوی پایه-پیرو می باشد. در این نوشتار، دو نسخه ی موازی الگوریتم ژنتیک روی واحدهای پردازش گرافیکی با استفاده از برنامه نویسی cuda و مبتنی بر الگوی پایه-پیرو برای انتخاب ویژگی در داده های بزرگ پیاده سازی می شوند. محاسبه ی تابع برازندگی الگوریتم ژنتیک بر روی gpu پیاده سازی شده است. در هر دو نسخه ی پیاده سازی شده، به کمک وابستگی بین ویژگی های مجموعه ی داده، مجموعه ی داده به بخش هایی متناسب با تعداد نخ های درون بلاک کارت گرافیک تقسیم می شود. در نسخه ی اول، الگوریتم تنها یک دور اجرا می شود و در نسخه ی دوم، به دلیل وجود یک شرط توقف، الگوریتم می تواند بیش از یک بار اجرا شود. شرط توقف ارائه شده در نسخه ی دوم، برمبنای مقدار وابستگی بین ویژگی ها طراحی شده است. هدف از ارائه ی نسخه ی دوم، افزایش دقت الگوریتم موازی شده به وسیله ی تکرارهای مجدد می باشد. آزمایش ها بر روی 8 مجموعه ی داده با ابعاد متفاوت و بزرگ انجام شده است. نتایج با حرکت از مجموعه ها با ابعاد کمتر به سوی مجموعه های بزرگ، بین پیاده سازی سری و نسخه های موازی شده، سرعت قابل قبولی را گزارش داده اند. هر چند در روش¬های پیشنهادی سرعت بالاتر است؛ اما با توجه به اهمیت دقت در انتخاب ویژگی لازم است در کارهای آینده به بالا بردن دقت نیز توجه شود.

رایانش ابری یکی از فناوری های جدید دنیای فناوری اطلاعات است. این فناوری دارای ویژگی های جدیدی است که آن را از سایر فناوری های it متمایز می کند. منابع و فضای اطلاعاتی به صورت پویا، میان کاربرهای مختلف، به اشتراک گذاشته می شوند و از حداکثر توان سخت افزار برای خدمت رسانی به کاربرهای مختلف استفاده می شود. به اشتراک گذاری منابع در این فناوری باعث می شود که منابع و اطلاعات کاربرها در معرض سوءاستفاده و خطر باشند. موضوع امنیت در این فناوری، جزء نگرانی های مهم است که حوزه های مختلفی از امنیت را دربر می گیرد. برای بالا بردن امنیت و افزایش دقت فعالیت های امنیتی، باید برنامه ها و روش های خودکاری استفاده شوند که در عین دقیق بودن، بتوانند به سرعت، برنامه ها و کاربرهای حمله کننده به فضای ابر را تشخیص دهند و مانع از ادامه فعالیت آنها شوند. یکی از سیستم های مناسب برای مقابله با حمله ها، سیستم های کشف و جلوگیری از نفوذ هستند که بر اساس رفتار و فعالیت های کاربرها، نسبت به خطرناک بودن آنها تصمیم می گیرند. استفاده از روش های هوشمند در مدیریت امنیت ابرها، می تواند دقت و سرعت مقابله با حمله ها را افزایش دهد. در این تحقیق، یک ساختار امنیتی و کشف نفوذ، متناسب با فضای ابر طراحی شده است که برای شناسایی حمله ها در فضای شبکه و اطلاع رسانی به بخش های مختلف ابر، یک روند خاص را دنبال می کند. داخل این ساختار، به منظور کشف حمله ها و بررسی الگوهای حمله ها، تعدادی از روش های مبتنی بر علم یادگیری ماشین، با هم ترکیب می شوند و یک الگوریتم خاص با نام درخت تصمیم احتمالاتی را برای کشف حمله ها در بستر شبکه به وجود می آورند. نتایج بدست آمده نشان می دهند، درخت تصمیم احتمالاتی توانایی شناسایی حمله ها را دارد و می تواند در چهارچوب ساختار امنیتی تعریف شده، با سرعت و دقت مناسبی، به بالا بردن امنیت ابر کمک کند.

در این پایان نامه، روشی برای پیش بینی خطای نرم افزار با استفاده از الگوریتم ژنتیک ارائه شده است. هدف از ارائه این روش پیش بینی خطای نرم افزار با سرعت و دقت بالاتر است و همچنین ارائه ساختاری که به سادگی قابل پیاده سازی و تعمیم باشد. در روش پیشنهادی یکی از مهمترین عوامل برای تصمیم گیری الگوریتم ژنتیک استفاده از منبع داده مناسب است. مجموعه داده مورد استفاده در این روش شامل تعداد متغیر ها، تعداد عملگر ها، تعداد عملوند های استفاده شده، تعداد حلقه ها، تعداد ماژول ها و تعداد ساختار های شرطی است. تابع برازش الگوریتم به واسطه استفاده از این مجموعه داده، جمعیت تولید شده را در هر مرحله اصلاح کرده و نهایتا تمامی نقاط منجر به عیب نرم افزار شناسایی می گردد. نتایج به دست آمده حاکی از عملکرد مطلوب روش ارائه شده از نقطه نظر مدت زمان پیش بینی خطا و میزان بازده یا تشخیص آن می باشد. نتایج، میزان تشخیص روش پیشنهادی را بالاتر از 95 درصد در بهترین شرایط نشان می دهد.

در طول ربع قرن اخیر، مطالعات و تحقیقات در مورد درک احساسات انسان افزایش یافته است. احساسات بخشی از زندگی انسان است که بیشتر از چیزهای دیگر بر روی تصمیم گیری تأثیر می گذارد. زبان یک ابزار قدرتمند برای برقراری ارتباط و انتقال اطلاعات است، همچنین وسیله ی ست برای ابراز احساسات. عاطفه جنبه بسیار مهّمی از رفتار انسان است که از طریق آن مردم در جامعه روی هم تأثیر میگذارند. تشخیص احساسات برای ارائه نشانه و تعامل بیشتر بین انسان و کامپیوتر می باشد. علاوه بر تشخیص احساسات از روی چهره، حرکات، گفتار می توانیم احساسات را از روی متون نوشته شده تشخیص دهیم. متون اغلب نمایانگر حالت عاطفی نویسنده یا تداعی احساسات در خواننده است. ماهیت احساسات عاطفی مانند خواندن و نوشتن را می توان به راه های مختلف تفسیر کرد و آن ها را با مدل های مختلف محاسباتی نشان داد.احساسات یک فرآیند شناختی و یکی از ویژگی های مهم انسان است. به طور عمده، هیچ تبادل عاطفی بین انسان و ماشین (به عنوان مثال کامپیوتر) وجود ندارد. اگر ما بتوانیم سیستمی ارائه کنیم که به اندازه کافی هوشمند باشد و به تعامل با انسان از جمله احساسات بپردازد، می تواند احساسات کاربر و در نتیجه تغییر رفتار کاربر را براساس احساساتش با استفاده از این ماشین تشخیص بدهد. روش های زیادی برای تشخیص احساسات کاربر در نظر گرفته شده است. محاسبات عاطفی، تشخیص احساسات کاربر در یک لحظ? خاص است.موارد استفاده از تشخیص احساس از متن در روانشناسی، علوم اجتماعی و ارتباطات است. تشخیص احساسات از متن می تواند موردعلاقه سیاستگذاران، اقتصاددانان، محققان بازار، تحلیلگران سیاست و دانشمندان علوم اجتماعی قرار گیرد. سیستم تشخیص احساس از متون می تواند حس عاطفی ورودی را درک کرده که حایز اهمیت در سیستم هایی است که حالت عاطفی در آن ها مهّم است مثل بازی و آموزش آنلاین، احراز هویت کاربران، ارتباطات آنلاین برای ساخت ربات های هوشمند، بررسی محصول و توسعه برنامه کاربردی احساسات. مردم از طریق وبلاگ احساسات خودشان را با عموم مردمی که ناشناس هستند به اشتراک میگذارند مثلاً برای نظرسنجی در مورد فیلم یا بررسی انواع محصولات، که خلاصه ویژگی محصول می تواند در تصمیم گیری آگاهانه مشتری در مورد محصول کمک کند؛ همچنین می تواند بر تولیدکنندگان برای داشتن نظرات مشتریان در مورد ویژگی های ساختن محصول کمک کند. به طور کلی نظرسنجی هم برای افراد و هم برای سازمان ها و کسب و کار مهّم می باشد.محاسبات عاطفی محققان اغلب از طریق استفاده از یک مدل طبقه بندی که در آن داده های متنی با برچسب عاطفی مشخص شده در ارتباط است. پیشرفت در تجزیه و تحلیل متنی اجازه دادند که حوزه تشخیص احساسات به علاقه در زباشناسی تبدیل شود. در این پایان نامه با استفاده از مجموعه داده استاندارد isear و چهار دسته بند نایوبیز چندجمله ای، نایوبیز چندجمله ای جداکننده، ماشین بردار پشتیبانی و جنگل تصادفی در دو روش پیشنهادی سعی در بهبود نتایج داشته و به میانگین %91.4 برای روش پیشنهادی اول و میانگین %91.2 برای روش پیشنهادی دوم رسیدیم.