شبکه خود سازمانده پرکاربردترین شبکه عصبی برای انجام خوشه بندی و کوانتیزه نمودن برداری است. از زمان معرفی این شبکه تاکنون، از این روش در مسائل مختلف در حوزه های گوناگون استفاده و توسعه ها و بهبودهای متعددی برای آن ارائه شده است. شبکه خودسازمانده از تعدادی سلول برای تخمین تابع توزیع الگوهای ورودی در فضای چندبعدی استفاده می کند. احتمال وجود سلول مرده مشکلی اساسی در الگوریتم شبکه خودسازمانده به حساب می آید. مقداردهی اولیه نامناسب به بردارهای وزن سلول ها و محدب نبودن شکل توزیع ورودی دلایل اصلی به وجود آمدن سلول های مرده هستند. در این پایان نامه، از مفاهیم نظریه بازی استفاده و یک شبکه جدید خودسازمانده مبتنی بر نظریه بازی، به منظور بهبود تخمین تابع توزیع ورودی و حل مشکل سلول مرده، ارائه شده است. هر سلول به عنوان یک بازیکن با یک مجموعه استراتژی در نظر گرفته می شود. در طول آموزش، بازیکنان بر سر تصاحب تعداد بیشتری از الگوهای ورودی باهم رقابت می کنند. اجرای روش پیشنهادی بر روی مجموعه داده های مختلف، کارا بودن این روش را نشان می دهد.

تشخیص نقص در مورد بازبینی و بررسی یک سیستم ، شناسایی زمانی که یک نقص روی می دهد و مشخص کردن نوع و مکان نقص می باشد. نقص را می توان به عنوان یک پروسه غیر نرمال یا نشانه غیرنرمال در نظر گرفت مانند فشار بیش از اندازه در یک راکتور یا کیفیت پایین قسمتی از یک کالا. برای بهبود اطمینان ، امنیت و کارایی روش های پیشرفته نظارت و کنترل ، تشخیص نقص به صورت فزاینده ای برای عملیات تکنیکی دارای اهمیت شده است. که این موضوع برای تجهیزاتی مانند قطار، هواپیما ، اتومبیل ، پایگاه های انرژی و پایگاه های شیمیایی نقش حیاتی دارد. کشف نقص جزء اولین مرحله تشخیص نقص میباشد که موضوع این تحقیق است. در این مرحله حالت جدید سیستم مورد بررسی قرار میگیرد و تشخیص داده میشود که آیا حالت نرمال است یا غیرنرمال.در این زمینه مطالعات زیادی انجام شده و روش های کلاسیک و مدرن متعددی به کار رفته است. معیار زمان و دقت در این زمینه دارای اهمیت ویژه ای است و مدلی برتر است که بتواند نقص را با دقت بالاتر و سریع تر از مدلهای دیگر کشف کند . در این تحقیق ما روش های آماری و شبکه عصبی را با توجه به این 2 معیار با هم مقایسه می کنیم. مدل آماری بیزین دوبعدی با 2 مدل شبکه عصبی کوانتیزه نمودن برداری و پرسپترون چندلایه مقایسه می-شود .مدل ها با داده های فرآیند tennessee eastman ارزیابی می شوند . با توجه به نتایج مشخص می شود که مدل های شبکه عصبی بهتر از مدل آماری عمل کرده است . در انتها برای بهبود دقت مدل های شبکه عصبی یک روش انتخاب ویژگی به کار می رود.

نظر به اینکه خوشه بندی داده ها یکی از زیرشاخه های مهم و پرکاربرد حوزه یادگیری ماشین بوده و با توجه به کاربرد گسترده خوشه بندی داده ها در حوزه هایی مانند بازاریابی، تحلیل سیستم ها، پزشکی و غیره، در این پژوهش یک رویکرد نوین برای خوشه بندی داده ها با استفاده از نظریه بازی ها و سیستم های چند عاملی پیشنهاد شده است. مولفه اصلی در رویکرد پیشنهادی، عامل هایی هستند که وظیفه خوشه بندی داده ها را بر عهده دارند. در ادبیات سیستم های چندعاملی، رویکردهای مختلفی برای تببین تعامل بین عامل ها وجود دارد. در این پژوهش، تعامل بین عامل ها با استفاده از نظریه بازی ها طراحی و پیاده سازی شده است. در رویکرد پیشنهادی، به ازای هر خوشه، یک عامل مستقل در نظر گرفته شده و در ابتدا یک توزیع تصادفی از داده ها بین عامل ها پخش می شود. هر عامل دارای دو هدف خواهد بود: کم کردن فاصل? درون مجموعه ای بین داده هایی که به آن عامل تعلق دارند و بیشینه کردن فاصل? برون مجموعه ای بین داده های متعلق به عامل و داده های متعلق به سایر عامل ها. پس از تبیین و پیاده سازی مدل، برای سنجش کارایی مدل در عمل، الگوریتم مورد نظر با داده های واقعی نیز آزمایش شده و نتایج گزارش شده است. نتایج حاصل نشان دهنده کارایی رویکرد پیشنهادی و کارایی بهتر الگوریتم در مقایسه با بعضی الگوریتم شناخته شده خوشه بندی است.