اولین هدف مطالعه این است که در داخل یک فانتوم آب دوز را در اطراف یک چشمه براکی¬تراپی که در مکان¬های مختلف و یا در حال چرخش است را به روش جمع ماتریس محاسبه کنیم. کد مونت¬کارلو (mcnp) که به¬طور گسترده¬ای برای انجام محاسبات تابش و ارزیابی دوز در براکی¬تراپی استفاده می¬شود، برای موقعیت¬های پیچیده، مثل زمانی¬که از چند چشمه استفاده می¬کنیم، یا وقتی که یک چشمه در حال حرکت و یا در حال چرخش باشد ، روش مونت¬کارلو برای محاسبه دوز، بسیار طولانی خواهد شد. از کد mcnp برای محاسبه دوز اشعه در اطراف یک منبع براکی¬تراپی ایریدیوم-192 استفاده شده است و نتایج بدست¬آمده در یک ماتریس سه¬بعدی ذخیره شد. ما با استفاده از روش جمع ماتریسی با توجه به تعداد چشمه¬ها، مقدار جابجایی و مقدار دوران چشمه¬ها، دوز جذب شده در هر نقطه را بررسی کرده¬ایم. سپس منحنی¬های سه¬بعدی دوز در یک فانتوم کروی آب برای چشمه ایریدیوم-192 با 10 مرحله انتقال و دوران¬های 45 و 90 درجه را رسم کرده¬ایم همچنین، ما این روش را برای مجموعه¬ای از چشمه¬ها نیز به¬کار برده¬ایم . روش جمع ماتریس می-تواند برای محاسبات دوز سه¬بعدی برای هر نوع منبع براکی¬تراپی که تغیر مکان و یا چرخش داشته باشد، استفاده شود. این روش ساده¬تر و خیلی سریع¬تر از روش معمول مونت¬کارلو است. علاوه بر این، می¬توان آن را برای مطالعه¬ی بهینه¬سازی دوز نیز به¬کار برد. دومین هدف دراین تحقیق این است که با استفاده ازالگوریتم ژنتیک مناسب ترین مکان و مناسب ترین زمان باقی¬ماندن چشمه¬های ید-125 را در چند هدف دو¬بعدی به¬گونه¬ای تعیین کنیم که بیشتر نقاط واقع بر روی مرز آن هدف، یک دوز دلخواه را داشته باشند. در این پژوهش، ابتدا مکان اولیه چشمه¬های براکی¬تراپی را درون هدف مشخص می¬کنیم؛ و سپس با بهره¬گیری از کد نوشته شده به زبان مطلب مبتنی بر الگوریتم ژنتیک سعی می¬کنیم بهینه¬ترین شرایط مکانی و زمان درنگ را برای چشمه¬هارا بدست آوریم. نتایج حاصل از این تحقیق می¬تواند در بهینه¬سازی طرح درمانی براکی-تراپی بسیار مفید باشد.

علم مخفی کردن اطلاعات دریک دسته¬بندی کلی به سه شاخه رمزنگاری ، واترمارکینگ و نهان نگاری تقسیم می شود. نهان نگاری برای پنهان کردن اطلاعات به کار می رود و در مقابل آن نهان کاوی قرار دارد که برای کشف اطلاعات کاربرد دارد. سیگنال میزبانی که برای نهان¬نگاری انتخاب می شود معمولا به یکی از سه صورت تصویر، صوت و یا ویدئو می باشد. یک بررسی ساده نشان می¬دهد بیشترین تحقیق صورت گرفته تا به حال در حوزه تصویر بوده، کار انجام شده در زمینه صوت و ویدئو قابل مقایسه با تصویر نیست. در تمامی تحقیقاتی که پیش از این در حوزه ویدئو برای نهان کاوی اطلاعات صورت گرفته از روش های یادگیری باناظر برای طبقه بندی استفاده شده است. مشکل این روش نیاز آن به نمونه های برچسب دار برای آموزش طبقه بند می باشد، زیرا کد الگوریتم هایی که برای نهان نگاری به کار برده می شود به طور معمول در دسترس نبوده و این موضوع مخصوصا برای الگوریتم های نهان کاوی کور که باید برای محدوده ی وسیعی از الگوریتم های نهان نگاری جوابگو باشد، مشکل آفرین است. برای حل مشکل استفاده از داده های برچسب دار، در یک مورد از روش یادگیری شبه ناظر برای آموزش طبقه بند استفاده شده است. در این مرجع برای آموزش طبقه بند از تعدادی نمونه برچسب دار و تعداد بیشتری نمونه بدون برچسب استفاده شده است. هرچند نتایج شبیه سازی نشان دهنده ی دست یافتن به دقتی مشابه با روش های یادگیری با ناظر با تعداد کمتر داده های برچسب دار می باشد، اما اگر میزان نمونه های برچسب دار از 40 درصد کل نمونه ها کمتر شود دقت نهان کاو پیشنهادی به شدت افت می کند. در این تحقیق با ایجاد تغییر در ساختار طبقه بند مورد استفاده برای آموزش شبه ناظر و همچنین با استفاده از روش های یادگیری فعال حداقل داده ی برچسب دار برای فرآیند آموزش نهان کاو پیشنهادی به شرط افت غیر محسوس دقت نهان کاو انتخاب می شود.

بهبود درجه تفکیک مکانی تصاویر ماهواره ای در سالیان اخیر و نیز افزایش تعداد ماهواره های سنجش از دور (rs) باعث افزایش فوق العاده ی حجم اطلاعات شده است. امروزه پردازش و بهره برداری دقیق، سریع و کامل از این حجم وسیع اطلاعات به صورت خودکار و بدون دخالت انسان بیش از پیش مورد توجه قرار گرفته است. یکی از مهمترین پردازش هایی که برای بسیاری از تحلیل ها و کاربردها بر روی تصاویر سنجش از دور پنکروماتیک با توان تفکیک مکانی بالا (hr-prs) انجام می پذیرد، بخش بندی آنها به نواحی همگن (ناحیه بندی) است. از جمله چالش های پیش رو در ناحیه بندی تصاویر hr-prs می توان به عدم امکان استفاده همزمان از تمامی اطلاعات موجود (که می تواند از طریق یک یا حتی بیش از یک ماهواره فراهم گردد) و نیز عدم امکان مدل نمودن و حذف اثرات عدم قطعیت تصاویر در خروجی ناحیه بندی اشاره نمود. در این رساله جهت مقابله با چالش های فوق، استفاده از ویژگی های فازی به عنوان اولین راهکار پیشنهاد می شود. نشان داده می شود که استفاده از ویژگی های فازی در زمان وجود چندین تصویر hr-prs از یک منطقه جغرافیایی، نسبت به روش های موجود و رایج ارجعیت داشته و ویژگی های فازی نوع نرمال (گوسی)، بهترین نوع ویژگی ها جهت ناحیه بندی می باشند. با توجه به خواص مطلوب روش های خوشه بندی فازی از جمله مقاومت در برابر نویز و داده های دور افتاده، راهکار دوم جهت مقابله با چالش های مذکور استفاده از چهار روش خوشه بندی فازی پیشنهادی در این رساله است که همگی مبتنی بر روش خوشه بندی fuzzy c-means (fcm) می باشند. در روش اول خوشه بندی پیشنهادی، یکی از تعمیم های رایج و پرکاربرد fcm یعنی gath-geva (که تا کنون فقط برای خوشه بندی اعداد سخت ارائه شده و از آن به عنوان خوشه بندی فازی بهینه یاد می شود) به حوزه اعداد فازی گسترش می یابد. در سه روش دیگر خوشه بندی پیشنهادی، با فازی سازی پارامترهای فاصله، درجه عضویت و هر دو با یکدیگر، گامی جهت رسیدن به خوشه بندی مقاوم تر برداشته می شود؛ چرا که با توجه به وجود ابهام در اعداد ورودی، بهتر است سایر پارامترهای موثر در خوشه بندی نیز فازی بوده و ابهام داشته باشند. علاوه بر تحلیل های ریاضی و توابع هزینه پیشنهادی، نتایج شبیه سازی نیز مزایای روش های ناحیه بندی پیشنهادی را از حیث سرعت و دقت تایید می نمایند.