آن چه که اکنون به عنوان چکیده این پایان نامه می توان به آن اشاره کرد، دو نکته مهم و جداگانه خلاصه می شود. نکته اول لزوم استفاده از آزمون غیر مخرب در ارزیابی غیر تهاجمی یک قطعه صنعتی است. نکته دوم طراحی الگوریتمی هوشمند جهت شناسایی عیوب است. لازم به ذکر است که این تلاش علمی بر استفاده از روش آزمون غیر مخرب به کمک سیگنال های حاصل از نشت شار مغناطیسی تکیه دارد که به تفصیل درباره این روش، مزایا و معایب آن در قیاس با سایر روش ها بحث گردیده است. استفاده از یک الگوریتم تصمیم گیری هوشمند برای یافتن عیوب از سیگنال های دریافتی، هدف این تلاش عملی است. برای این منظور استفاده از شبکه های عصبی چند لایه به عنوان طبقه بند پیشنهاد شده است. برای این منظور استفاده از شبکه های عصبی چند لایه به عنوان طبقه بندی پیشنهاد شده است. هر چند که در یک مرحله پیش از آن، یعنی قبل از اعمال داده ها به طبقه بند، می توان از یک مرحله فشرده سازی و استخراج ویژگی نیز بهره برد که اطلاعات آن ها نیز به تفصیل مورد بحث واقع شده اند. سه الگوریتم تشخیص عیوب بر مبنای استخراج ویژگی از سیگنال های حاصل از حسگرهای mfl طراحی شده اند که بر مبنای توابع استخراج ویژگی dct,pca، شبکه های عصبی و تابع جداساز خطی lda، استوار گردیده اند. الگوریتم اول با حد اکثر 10% خطا و الگوریتم هار دوم و سوم به طور کامل موفق به شناسایی عیوب شده اند. در نهایت الگوریتم تصمیم گیری بر مبنای سیستم یادگیری عاطفی مغز نیز به عنوان ابزاری ارزشمند در تصمیم گیری سریع، برای استفاده به عنوان طبقه بندی معرفی شده است.

شناسایی (تعیین هویت) تشخیص حالت یکی از مهمترین خصوصیاتی است که هوش ماشینی را نشان داده و همچنین کم کم به زندگی افراد معمولی وارد می شود. از تمام ویژگی های بیومتریک چهره بسیار عمومی و قابل دسترسی است که تشخیص چهره به عنوان یکی از فعال ترین موضوعات تحقیقاتی در زمینه تشخیص دهی و پردازش تصویر باقی مانده است. در دهه های گذشته اغلب تحقیقات روی استخراج قابلیت ها از تصاویر با فرم 2 بعدی یا تصاویر رنگی تمرکز داشته اند. تا کنون ساختن یک سیستم اتوماتیک تشخیص حالت چهره دقیق بسیار سخت بوده است. داده های سه بعدی چهره می توانند اطلاعات بیشتری را برای تشخیص چهره نسبت به تصاویر 2 بعدی فراهم کنند. در این پروژه پیاده سازی 3 بعدی مش چهره و تحلیل حالات چهره به کمک شبکه عصبی انجام گردیده است. کارهای انجام شده در این پروژه جمع آوری مطالب و مقالات مرتبط با شناسایی حالات چهره-مطالعه و بررسی مقالات موجود در رابطه با شناسایی حالات چهره به صورت 2 بعدی- مطالعه و بررسی پیاده سازی 3 بعدی چهره اسکن شده صورت - مطالعه و بررسی روشهای مختلف استخراج اطلاعات از چهره - استخراج اطلاعات و ماده سازی یک شبکه عصبی آماده سازی داده های آموزشی و آموزش شبکه بر مبنای روش پس از انتشار خطا- طبقه بندی تصاویر بر منبای شبکه آموزش داده شده

خطوط لوله به عنوان شاهرگ های اصلی انتقال انرژی در جهان به شمار می آیند. بر اساس تحقیقات و پیش بینی های صورت گرفته تا افزون بر 50 سال آینده نیز خطوط لوله به عنوان مهم ترین و اصلی ترین وسیله انتقال انرژی های فسیلی در جهان مورد استفاده قرار خواهد گرفت. خطوط لوله اگر بطور مناسب و قابل قبولی طراحی و بخوبی نگهدار شوند، وسیله بسیار مناسب و کارآمدی برای انتقال انرژی خواهند بود. گسترش روز به روز خطوط لوله در جهان و اهمیت نگهداری و ایمنی آن بخصوص لزوم تعمیر و نگهداری و بازرسی های پیوسته خطوط لوله با قدمت بالا، باعث شده است که به تازگی توجه بیشتری به مبحث پیگ و پیگ رانی معطوف شود، با توجه به بیشترین خطری که پیوستگی خطوط لوله را تهدید می کند نازک شدن دیواره خط لوله بر اثر خوردگی فلزی و یا صدمات مکانیکی است بهر حال این اشکالات بر روی سطح داخلی و چه بر روی سطح خارجی لوله وجود داشته باشد با سیگنال mfl6 در برخورد با این اشکالات (طبق مواردی که در متن پروژه آورده شده است) تغییر خواهد کرد که این تغییرات با افزایش میزان mfl همراه خواهد بود. این استنتاجی است که از تحلیل های مدل سازی و ریاضی نیز بدست می آید و آزمایشات این تحلیل ها را قویاً تائید میکند به بیان روش اجرای پروژه بر اساس یک شبکه عصبی چند لایه پرسپترون با الگوریتم پس انتشاز خطا آورده شده است همانطور که می دانید معمولا الگوریتم پس انتشار خطا پیش خاتمه هزاران بار با استفاده همان داده های آموزشی تکرار می گردد شروط مختلفی را میتوان برای خاتمه الگوریتم بکاربرد توقف بعد از تکرار دفعات معین، توقف وقتی که خطا از یک مقدار تعیین شده کمتر شود. و توقف وقتی که خطا در مثال های مجموعه تائید از قاعده خاصی پیروی نماید مه اگر دفعات تکرار کم باشد خطا خواهیم داشت و اگر زیاد باشد مسئله فوق آموزش رخ خواهد داد این الگوریتم یک جستجوی گرادیان نزولی در فضای وزن ها انجام میدهد. ممکن است در یک مینیمم محلی گیر بیافتد برای پرهیز از مینیمم محلی روش های مختلفی وجود دارد مانند ازودن ممنتم، استفاده از گرادیان نزولی تصادفی، استفاده از شبکه های مختلف با مقادیر متفاوتی برای وزن های اولیه استفاده از تغییر نرخ یادگیری بر اساس روش قائده دلتای تعمیم یافته gdr (روش که در این پروژه بکار گرفته شده است) که توسط یک سیستم فازی از نوع تابع خطی ذو ذنقه ای mf استفاده شده است که از این رو "trapmf" برای مپ کردن ورودی ها استفاده شده است همچنین برای mf های خروجی همین تابع استفاده شده است. دیگر mf ها (مانند ... gaussmf, gbllmf, zmf) در این الگوریتم نیز تست شدند وزن های در این روش ها نیز تصحیح در انجام عملیات تسریع می گردد اما بهترین نتیجه با "trapmf" بدست آمد

در سالهای اخیر بعلت پیشرفت طراحی، استفاده همزمان از سیگنالهای دیجیتال و آنالوگ در تراشه ها به صورت امری اجتناب ناپذیر درآمده است. مبحث دیگری که می بایست در طراحی در نظر گرفته شود لزوم عملکرد صحیح مدار است که مساله آزمون تراشه را مطرح می سازد. از مهمترین مدارهای سیگنال مختلط مبدلهای دیجیتال به آنالوگ می باشد. مدارهای آزمون طراحی شده برای اینگونه مبدلها بیشتر غیرهمزمان بوده و تحت عنوان bist مطرح شده اند. این مدارهای آزمون تنها وجود نقص در مدار را تشخیص می دهند و قادر به شناسایی محل وقوع آن در مدار نمی باشند. همچنین آزمون مدار هنگامی صورت می گیرد که سیستم در حالت بیکار باشد. شبکه های عصبی متکی به داده آموزش به پیشرفت رسیدند و افق جدیدی را در عرصه تشخیص خطا بوجود آوردند. در این پروژه یک مبدل 4 بیتی دیجیتال به آنالوگ از نوع نردبان-مقاومتی مورد بررسی قرار می گیرد. روش آزمون با استفاده از نرم افزار matlab پیاده سازی شده است. مدلهای نقص عبارتند از: اتصال به زمین، اتصال به منبع، مدار باز، عملکرد ناصحیح سوئیچها و پل. بانک داده ها با استفاده از نرم افزار orcad 9 ایجاد گردیده است. در طراحی 2 نکته کاهش زمان آموزش و افزایش پوشش نقص مد نظر قرار گرفته است. شبکه های عصبی مورد استفاده از نوع mlp، rbf و حالت بهبود یافته آنها شامل شبکه عصبی lvq می باشد. همچنین در روشی جداگانه از قوانین فازی در آزمون استفاده شد. پیاده سازی این قوانین توسط شبکه های عصبی صورت گرفته است. این شبکه ها تحت عنوان شبکه های فازی-عصبی مورد بررسی قرار می گیرند.