در سال ‏های اخیر با رشد محتواهای الکترونیکی تولید ‏شده توسط کاربر در فضای وب، منبع غنی از اطلاعات و نظرات در اختیار شرکت‏ ها قرار داده شده است. با گسترش منابع داده یکی از چالش ‏های شرکت ‏های بزرگ، استخراج اطلاعات به صورت خودکار از این داده‏ ها است. بنابراین نظرکاوی برمبنای ویژگی ‏ها وخلاصه‏ سازی آنها به یکی از مسائل مهم تبدیل شده است. هدف ما در این پژوهش استخراج ویژگی ‏های محصول و نظرات بیان ‏شده در زمینه ‏ی آنها به صورت خودکار می‏ باشد. در این پژوهش استخراج ویژگی‏ های محصول و صفات نظر به عنوان یک فرایند همزمان انجام می‏ گیرد. برخلاف کارهای انجام ‏شده‏ ی پیشین در یک فرایند پیش ‏پردازش، ابتدا ضمایر موجود در متن شفاف ‏سازی می‏ گردند. استخراج ویژگی ‏ها و صفات نظر به صورت یک مساله ‏ی برچسب‏ زنی دنباله در نظر گرفته شده است. و ازحوزه ‏های تصادفی شرطی برای استخراج آنها استفاده می‏ گردد. پس از استخراج ویژگی‏ های محصول و صفات نظر، با استفاده از هستان‏ شناسی ویژگی‏ هایی که یکسان می‏ باشند، در یک خوشه قرار می‏ گیرند. در مرحله‏ ی آخر نیز جهت‏ گیری صفات نظر مشخص می‏ گردد. به دلیل عدم وجود یک فرهنگ لغت جامع مانند wordnet در زبان فارسی و همچنین دشواری یافتن ادات سخن و مرجع ضمایر برای زبان فارسی، روش پیشنهادی بر روی متون انگلیسی مورد بررسی قرار گرفته است.

پایان نامه حاضر به بررسی سیستم اطلاعاتی موجود در بیمه بدنه خودرو در ایران می پردازد. با استفاده از روشهای انتخاب ویژگی از بین فیلدهای موجود در سیستمهای اطلاعاتی بیمه، ویژگیهای بهینه که شامل بیشترین اطلاعات سودمند هستند را انتخاب می نمائیم. سپس با استفاده از این فیلدهای منتخب و شبکه های عصبی مصنوعی به پیش بینی سوددهی می پردازیم. بنابراین با توجه به هر بیمه نامه و پارامترهای موجود می توان تخمین زد که آیا این بیمه نامه منجر به سوددهی شرکت بیمه می شود یا خیر. در انجام این پایان نامه شبکه عصبی چند لایه با الگوریتم پس انتشارخطا (bpnn) به عنوان ابزاری برای پیش بینی هزینه/ سود برای شرکتهای بیمه پیشنهاد شده است. با استفاده از روشهای انتخاب ویژگی تعداد مطلوب و موثر ورودیها برای پیش بینی سود یا زیان انتخاب شدند. نهایتاً کابر با توجه به نتایج شبیه سازی با اطمینان 65% به خروجی شبکه اطمینان خواهد کرد. پیش بینی انجام شده روی داده های موجود برای بیمه بدنه خودرو نشان دهنده کارآمد بودن روش پیشنهادی است.

سرطان پستان یکی از شایع ترین سرطان ها در میان زنان بوده و دومین علت مرگ در میان آن-ها است. با این حال اگر این بیماری به موقع تشخیص داده شود، در درمان آن تاثیر بسزایی دارد. برای تشخیص این بیماری روش هایی وجود دارد که متداول ترین روش بررسی این بیماری، استفاده از تصاویر ماموگرافی است. به دلیل این که ضایعه های سرطان پستان در مراحل اولیه قابل دیدن نیستند و به صورت ناگهانی ظاهر می شود، سیستم های تشخیص به کمک کامپیوتر می توانند رادیولوژیست ها را در شناسایی و کشف این ضایعه ها یاری نمایند. شناسایی بهترین ویژگی ها برای بهبود قدرت تشخیص توسط سیستم های تشخیص به کمک کامپیوتر از اهداف این پژوهش است. برای انجام این پژوهش سه مرحله در نظر گرفته شده است. مرحله اول که پیش پردازش نام دارد ضایعه های خوش خیم و بدخیم از تصاویر ماموگرام استخراج می شود. مرحله دوم که تحلیل نام دارد، شامل استخراج و انتخاب ویژگی است. ویژگی های ناحیه-های مورد نظر بر اساس ماتریس هم اتفاقی، تبدیل موجک و تبدیل کانتورلت استخراج می شوند. سپس از الگوریتم relieff برای انتخاب و کاهش تعداد ویژگی ها بهره برده ایم به قسمی که ویژگی های نامربوط را حذف کرده و مجموعه بهینه از ویژگی ها که مفیدترین اطلاعات از میان ویژگی ها هستند را به دست آورده تا در مرحله سوم که شناخت نام دارد، استفاده شوند. از آن جایی که انتخاب ویژگی تعداد ویژگی ها را کاهش داده و ویژگی های با بیشترین بهره اطلاعاتی را انتخاب می کند، بنابراین کارایی مرحله شناخت بهبود می یابد. مجموعه بهینه ویژگی ها ورودی-های مرحله شناخت می باشند. در این پژوهش برای مرحله شناخت از دسته بند ماشین بردار پشتیبان برای تشخیص نواحی سرطانی و تعیین ماهیت آن ها استفاده شده است. نتایج و بررسی-ها نشان می دهد که استفاده از الگوریتم relieff برای انتخاب ویژگی ها و استفاده از دسته بند ذکرشده تاثیر بسزایی در تشخیص و کشف ضایعه های سرطان پستان دارد.

افزایش روزافرون مبادلات پولی الکترونیکی و نقش پررنگ کارت های پرداخت الکترونیکی در تسهیل این مبادلات و نوپابودن نحوه ی استفاده از این روش تبادل پولی، زمینه هایی را برای افراد متقلب و سودجو فراهم می آورد تا با استفاده از آشنایی کمتر کاربران با راهکارهای صحیح تبادل الکترونیک، اقدام به کلاهبرداری از مشتریان بانک ها و موسسات مالی کنند. در این تحقیق سعی شده است تا با استفاده از روش های استخراج الگو، رفتار مشتری در تعامل با بانک بررسی شده و نحوه خرج کردن مشتری و چگونگی عملیات برداشت از حساب وی با توجه به پارامترهای متفاوت استخراج شود و از الگوی استخراج شده برای هر مشتری، جهت بررسی صحت و تطابق تراکنش های جدید وی با الگوی رفتاری او استفاده شود. برای استخراج الگوی رفتاری مشتری، کاشف رفتاری هر مشتری از ترکیب مدل های مارکوف پنهان که هریک وظیفه ی تصمیم گیری براساس شرایط خاصی را دارند تشکیل شده است. به ازای هریک از مدل های مارکوف پنهان موجود در کاشفِ مختصِِ یک مشتری، میزان قابل اتکا بودن احتمال خروجی از آن به عنوان عاملی جهت بهبود دقت احتمال کل ( احتمال حاصل از ادغام نتایج) به کار می روند. با استفاده از این تقسیم بندی اختیارات و وظایف، میزان خطای کاشف کاهش پیداکرده همچنین صحت تطابق تراکنش جدید با تمامی حالات ممکن رفتاری مشتری مقایسه شده و درنهایت احتمال خروجی از کاشف به ازای تراکنش دارای میزان بالایی از قابلیت اتکا نسبت به سایر روش ها است.

فرایند آشکارسازی چهره ، وجود چهره انسان در یک تصویر دلخواه را بررسی کرده و در صورت وجود آن، مکان چهره را می یابد. روشهای گوناگونی برای آشکارسازی چهره با استفاده از تحلیل ویژگی ها و روشهای مبتنی بر یادگیری ماشین ارائه شده است. علی رغم روشهای متعدد ارائه شده برای مسئله ی آشکارسازی چهره، این مسئله همچنان یک مسئله ی حل نشده تلقی می گردد و همچنین امکان بهبود کارایی روشهای ارائه شده برای آن وجود دارد. در این پژوهش، دو روش نوین برای مسئله ی آشکارسازی چهره برای تصاویر رنگی با استفاده از روشها و سیستمهای فازی ارائه می شود. در روش اول رویکرد نظری نوینی مبتنی بر مفهوم دانه دانه سازی فازی برای مسئله ی آشکارسازی چهره مطرح می شود. در این روش ابتدا قطعات همرنگ پوست انسان از پس زمینه جدا می شوند سپس هر یک از این قطعات توسط یک ابزار نوین طبقه بندی مبتنی بر دانه دانه سازی فازی به کلاسهای چهره و غیر چهره طبقه بندی می شوند. در روش دوم پس از استخراج قطعات همرنگ پوست انسان، منطقه ی لب درون آنها با استفاده از یک روش نوین قطعه بندی مبتنی بر رنگ لب تعیین می شود. سپس منطقه ی چشم و نوع وضعیت چهره براساس مکان منطقه ی لب با استفاده از یک سیستم استنتاج فازی تعیین می شود. در نهایت براساس میزان شباهت منطقه ی چشم بدست آمده با الگوهای چشم متناظر با وضعیت چهره، صحت کاندیدای چهره تعیین می شود. نتایج حاصل از شبیه سازی روشهای پیشنهادی و اعمال آنها برروی مجموعه تصاویر مختلف حاکی از کارامدی و دقت بالای آنها در آشکارسازی چهره در تصاویر رنگی می باشد.

سیستم های الکترونیکی مانند دولت الکترونیکی، تجارت الکترونیکی، پرداخت الکترونیکی و اخیرا رای گیری الکترونیکی روز به روز در حال نفوذ در زندگی روزمره مردم هستند، اصطلاح رای گیری الکترونیکی طیف وسیعی از نوآوری در نحوه رای گیری را شامل می شود. با توجه به این که سمت و سوی فناوری درجه ات پیشرفت در فناوری های سیار و قابل حمل می باشد، در مقوله رای گیری الکترونیکی، رای گیری مبتنی بر تلفن همراه اهمیت ویژه ای می یابد. در حال حاضر رای گیری های مبتنی بر تلفن همراه در ایران بیشتر به عنوان نظرسنجی برگزار می شوند. در صورت انجام تحقیقات بیشتر و ارزیابی فاکتورهای موثری همچون اعتماد و ریسک بر این نوع از رای گیری، می توان در سطوح بالاتر نیز چنین رای گیری هایی را به کاربرد. در این پژوهش تاثیر دو فاکتور اعتماد و ریسک بر پذیرش رای گیری مبتنی بر تلفن همراه ارزیابی می شود و مدلی متشکل از فاکتورهای تمایل به اعتماد، اعتماد به فناوری تلفن همراه، اعتماد به برگزارکننده رای گیری، اعتماد به رای گیری الکترونیکی، معرفی می شود. برای تحلیل داده ها از ابزارهای آماری استفاده می شود. روش مفروض در جامعه آماری اعمال شده و به منظور شناسایی شاخص های موثر در مدل از روش تحلیل همبستگی استفاده می شود و در نهایت به دلیل عدم قطعیت عقاید افراد در جامعه آماری، به منظور سنجش تاثیر اعتماد و ریسک افراد سیستم فازی بکار برده می شود. نتایج نشان می دهد که افراد به طور متوسط و تا حدودی زیاد تمایل به پذیرش رای گیری مبتنی بر تلفن همراه دارند.

سیستم های الکترونیکی مانند دولت الکترونیکی، تجارت الکترونیکی، پرداخت الکترونیکی و اخیرا رای گیری الکترونیکی روز به روز در حال نفوذ در زندگی روزمره مردم هستند، اصطلاح رای گیری الکترونیکی طیف وسیعی از نوآوری در نحوه رای گیری را شامل می شود. با توجه به این که سمت و سوی فناوری درجه ات پیشرفت در فناوری های سیار و قابل حمل می باشد، در مقوله رای گیری الکترونیکی، رای گیری مبتنی بر تلفن همراه اهمیت ویژه ای می یابد. در حال حاضر رای گیری های مبتنی بر تلفن همراه در ایران بیشتر به عنوان نظرسنجی برگزار می شوند. در صورت انجام تحقیقات بیشتر و ارزیابی فاکتورهای موثری همچون اعتماد و ریسک بر این نوع از رای گیری، می توان در سطوح بالاتر نیز چنین رای گیری هایی را به کاربرد. در این پژوهش تاثیر دو فاکتور اعتماد و ریسک بر پذیرش رای گیری مبتنی بر تلفن همراه ارزیابی می شود و مدلی متشکل از فاکتورهای تمایل به اعتماد، اعتماد به فناوری تلفن همراه، اعتماد به برگزارکننده رای گیری، اعتماد به رای گیری الکترونیکی، معرفی می شود. برای تحلیل داده ها از ابزارهای آماری استفاده می شود. روش مفروض در جامعه آماری اعمال شده و به منظور شناسایی شاخص های موثر در مدل از روش تحلیل همبستگی استفاده می شود و در نهایت به دلیل عدم قطعیت عقاید افراد در جامعه آماری، به منظور سنجش تاثیر اعتماد و ریسک افراد سیستم فازی بکار برده می شود. نتایج نشان می دهد که افراد به طور متوسط و تا حدودی زیاد تمایل به پذیرش رای گیری مبتنی بر تلفن همراه دارند.

هدف فعالان بازار بورس کسب سود مناسب از سرمایه گذاری خود در سهام شرکت های مورد معامله می باشد. برای سرمایه گذاری مناسب، فرد بایستی ابتدا شرایط کلی بازار، شرایط صنعتی که سهم در آن قرار دارد و در نهایت وضعیت سهم مورد نظر را بررسی کند. وضعیت کلی بازار بورس را می توان از شاخصی تحت عنوان قیمت شاخص کل که ترکیبی از تمام سهام موجود در بازار است فهمید. روش های گوناگونی برای پیش بینی قیمت شاخص کل بازار استفاده شده است. در اغلب این روش ها از داده های عددی بازار از جمله قیمت شاخص، حجم معاملات و تعداد معاملات استفاده شده است. در روش های جدید پیش بینی با استفاده از اطلاعات کیفی یعنی اخبار و گزارشات اقتصادی انجام می شود. در این تحقیق ابتدا سیستمی طراحی شده است تا اخبار بازار بورس ایران را از تارنماهای مختلف جمع آ وری کند. سپس این اخبار طوری دسته بندی می شوند که مسائل داخلی و خارجی کشور از جمله نفت، طلا، ارز، فلزات و بازار های جهانی را تحت پوشش قرار دهند. در این مرحله اخبار پیش پردازش شده و به داده هایی مناسب برای ورود به یک سیستم آموزشی تبـدیل می شوند. الگوریتم مورد استفاده برای آموزش و ساخت مدل، جنگل تصادفی نام دارد که در سال 2001 توسط briemen پیشنهاد شده است. در نهایت مدل طراحی شده برای پیشگویی جهت حرکت قیمت شاخص کل بازار استفاده می شود. در این تحقیق با استفاده از مدل جنگل تصادفی توانستیم با 62% دقت، جهت قیمت شاخص کل بازار بورس ایران را پیش بینی نماییم که نتیجه ای بسیار امیدوار کننده است. همچنین جنگل تصادفی را با مدل های naive bayes و شبکه عصبی مقایسه کردیم که این مدل از دو مدل مذکور نتیجه ی بهتری به همراه داشت.

بازیابی محتوایی تصویر (cbir) یک عرصه فعال تحقیق است. در آن با داشتن مجموعه ای از تصاویر، با توجه به درخواست کاربر تصاویر مشابه بر اساس محتوایشان بازیابی می شوند. با توجه به افزایش سریع حجم تصاویر دیجیتال نیاز است تا روش های بازیابی تصویر موثر و کارا وجود داشته باشد. بازیابی محتوایی تصویر (cbir) روشی مناسب برای پردازش داده های تصویری است زیرا بر اساس ویژگی های معنایی و ظاهر دیداری تصاویر، آنها را به صورت خودکار شاخص گذاری می کند. به منظور بهبود دقت بازیابی در سیستم های بازیابی محتوایی تصویر، تمرکز تحقیقات از طراحی الگوریتم های پیچیده استخراج ویژگی سطح پایین به کاهش شکاف معنایی میان ویژگی های دیداری و غنای معانی اداراک انسان تغییر کرده است. اکثر روش های بازیابی تصویر شامل جنبه های مختلف نظیر استخراج ویژگی های سطح پایین تصویر، اندازه گیری شباهت و استخراج ویژگی های معنایی سطح بالا هستند. روش های استخراج ویژگی با استفاده از ویژگی های رنگ، بافت، شکل، طرح بندی و موقعیت فضایی تصاویر را مورد بررسی قرار می دهند. پس از استخراج ویژگی مهمترین کار یافتن روشی برای سنجش شباهت تصاویر برای دستیابی به بازیابی موثر است که این کار با استفاده از معیارهای شباهت امکان پذیر است در این تحقیق استخراج ویژگی اولیه با استفاده از تبدیل dct و مفاهیم فشرده سازی تصویر انجام گرفته است سپس با استفاده از دانه دانه سازی و دانه دانه سازی فازی ویژگی های جدیدی برای تصاویر به دست آمده است که از آن ها برای سنجش شباهت میان تصاویر استفاده شده است. نتایج به دست آمده از به کار گیری این روش ها نشان دادند که شیوه به کار گرفته شده دارای توانایی مناسبی در بازیابی محتوایی تصویر است و می تواند زمینه مناسبی برای تحقیق باشد.

ساختار و عملکرد مغز انسان همواره الهام بخش الگوریتمهای مختلفی در هوش مصنوعی بوده است. انسان در پردازش دادههای حسی بسیار بهتر از برنامه های کامپیوتری عمل می کند. ساختار و عملکرد مغز، نیز میتواند مدل مناسبی برای پردازش دادههای حسی باشد. یکی از عواملی که در شکل گیری و عملکرد قشرهای حسی مغز اهمیت فراوانی دارد، خصوصیات سیگنالهای ورودی به این قسمتها میباشد. در این پروژه، ما با مطالعه خصوصیات آماری تصاویر طبیعی، تابع توزیعی که بیشترین همخوانی با تصویر ورودی را دارد پیدا کرده وتوسط فعالیت نورونهایی که برای کدگذاری آن در نظر گرفته شده اند نمایش می دهیم. قشر بینایی در مغز وظیفه پردازش دادههای تصویری را بر عهده دارد. تصاویر ورودی به این قشر، پس از طی چند مرحله پردازش، به شکلی تغییر مییابند که اطلاعات موجود در تصویر به سادگی از روی فعالیت تعداد کمی نورون مشخص می شوند. یکی از خصوصیات مهم در تصاویر طبیعی، افزونگی موجود در این تصاویر می باشد. مطابق با نظریه کد کردن بهینه، قشرهای حسی در مغز به گونه ای عمل میکنند که افزونگی های موجود در سیگنالهای ورودی را از بین میبرند و تنها اطلاعات مهم این سیگنالها را حفظ میکنند. این مدل از استراتژی های کدگذاری در قشر اولیه بینایی انسان ولایه های بالاتر از آن الهام گرفته است. برای این منظور از مطالعات عصب شناسی بهره گرفته ایم و برخی از خصوصیات نورونهای قشر بینایی اولیه مانند خاصیت اتصالات افقی را شبیه سازی کرده ایم. با استفاده از این مفهوم یک روش آشکارسازی چهره معرفی می شود.

الگوریتم های جستجوی تصادفی برای حل بسیاری از مسائل بهینه سازی کلی با ساختار معیوب با متغیر های گسسته و یا پیوسته مفید هستند. معمولاً الگوریتم های جستجوی تصادفی تضمین یافتن جواب بهینه کلی را قربانی یافتن جوابی خوب در زمانی مناسب می کنند. این الگوریتم ها به دو دسته کلی جستجوی کلی، با هدف اکتشاف نواحی گسترده ای از ناحیه شدنی، و جستجوی محلی، با هدف استخراج اطلاعات محلی تقسیم می شوند اما اشتراک همه این الگوریتم ها استفاده از احتمال جهت جستجوی جواب است. در این پایان نامه پس از مروری بر الگوریتم های جستجوی تصادفی موجود و عملکرد آن ها، یک الگوریتم جدید جهت حل مسائل بهینه سازی کلی با متغیر های پیوسته به نام «روش بهینه سازی تابش آفتاب» پیشنهاد شده است. در حالی که کارایی روش های موجود به شدت تحت تاثیر اندازه ناحیه شدنی است، تاثیر آن بر کارایی الگوریتم پیشنهاد شده قابل چشم پوشی است. نتایج حاکی از آن است که روش پیشنهادی نسبت به روش های موجود سخت تر در جواب های بهینه محلی متوقف شده و از نظر زمان اجرا نیز کاراتر است.

پیشرفت سریع دستگاه های مکان یابی و تکنولوژی های ارتباطی، باعث ایجاد حجم انبوهی از داده های اشیاء متحرک در کاربردهای مختلف شده است. برای استخراج دانش از این حجم انبوه داده، نیاز به روش های ویژه ای است. به این ترتیب داده کاوی اشیاء متحرک حوز? مهمی در داده کاوی است. خوشه بندی داده های مسیر، موضوع مورد توجهی در این حوزه است. در این پایان نامه، چارچوب جدیدی برای خوشه بندی داده-های مسیر ارائه می شود. این چارچوب شامل سه مرحله است: پیش پردازش، کاهش و خوشه بندی. در فاز پیش پردازش، مسیرها با استفاده از یک روش تخمین منحنی ساده سازی و سپس قطعه مسیرها از مسیرهای ساده شده استخراج می شوند. در نمایش قطعه مسیرها از یک کد جهت استفاده می شود. در فاز کاهش مجموع? قطعه مسیرها، با استفاده از روشی که برای میانگین گیری از قطعه مسیرها پیشنهاد شده است، کاهش می یابد. نقش اصلی مرحل? کاهش، افزایش کارایی فاز خوشه بندی است.در فاز خوشه بندی، قطعه مسیرها با استفاده از روش پیشنهادی خوشه بندی مبتنی بر چگالی محلّی، خوشه بندی می شوند. در کنار چارچوب پیشنهادی، تابع فاصله ای برای قطعه مسیرها تعریف شده است که در فاز خوشه بندی به کار می رود. ارزیابی تجربی نشان می-دهد که چارچوب پیشنهادی، کیفیت خوشه بندی را بهبود می دهد.

از آنجا که نظارت بر فضاهای عمومی و خصوصی بطور گسترده جلوگیری از جرم و یا حملات تروریستی می نماید، تحقیق برروی مانیتورینگ آتش بصورت خودکار اهمیت ویژه ای در حوادث و تصادفات مربوط به آن دارد چراکه در بسیاری از موارد آتش تمایل به گسترش داشته و موجبات خسارات زیادی را به بار می آورد. همچنین امکان بهبود کارایی روشهای ارائه شده برای آن وجود دارد. در این پژوهش، برای مسئله ی آشکارسازی آتش از روشهای هوش محاسباتی استفاده شده است. برای تشخیص آتش نواحی کاندید در حال حرکت با استفاده از روش تخمین پشت زمینه مبتنی بر یک مدل گوسی استخراج می شود، سپس روشی بر پایه مدلهای تصاویر ویدئویی رنگی با استفاده از ابزارهای تحلیل انرژی و جهت حرکت بهره برده می شود و با استفاده از شبکه بیزین فازی صحت وجود آتش و دامنه آن تعیین می گردد. نتایج حاصل از شبیه سازی روش پیشنهادی و اعمال آن بر روی مجموعه تصاویر ویدئویی مختلف حاکی از کارامدی و دقت بالای این روش در آشکارسازی وقوع حریق می باشد.

با گسترش روزافزون استفاده از تصاویر در دنیای رسانه به حدی که سهم بزرگی از اطلاعات مخابراتی را تشکیل می دهد، مطالعه بر روی تصاویر دیجیتال و ارائه روش های جدید پردازش تصویر اهمیت مضاعفی پیدا کرده است. از مهم ترین مباحث مطرح در پردازش تصویر، بازسازی تصویری است که درگیر انواع نویز شده است. نویز به طور کلی می تواند شامل نویزهای جمع شونده و نویزهایی باشد که در اثر یک فرایند بر تصویر تحمیل شده اند. روش ها و الگوریتم های بسیاری مطابق با هر کدام از نویزهای تحمیلی تاکنون مطرح شده اند که در کاربردهای مختلف مورد استفاده قرار می گیرد[1]. علی رغم ارائه این حجم از روش های پردازش تصویر، لزوم به کارگیری روش های جدید در بهبود کیفیت کار بر هیچ کس پوشیده نیست. در پروژه های مطالعاتی اخیر(پیشین) در حوزه پردازش سیگنال توجه ویژه ای به استفاده از یکی از خواص سیگنالها( تصاویر دیجیتال هم شامل می شود) تحت عنوان "تنک بودن " شده که پیشرفت های بزرگی را به دنبال داشته است. این خاصیت، از وجود نوعی افزونگی در سیگنال بهره می برد که می توان با استخراج آن، به نمونه برداری، بازسازی، حذف نویز، فشرده سازی و یا انواع دیگر پردازش های سیگنال با توانایی پیش از پیش پرداخت[1]. تصاویر در حوزه های مختلفی نظیر dct یا wavelet دارای مولفه هایی هستند که در مقایسه با سایر مولفه ها مقدار ناچیزی داشته و اصطلاحاً "ضرایب غیر مهم" نامیده می شوند. این خاصیت در تصاویر به صورت ذاتی وجود داشته و این امکان را نیز به ما می دهد که با استفاده از آن به ارائه روش های نوینی در حوزه پردازش تصویر بپردازیم.

برای ارتقای امنیت در یک سیستم کامپیوتری، علاوه بر دیواره ی آتش و دیگر تجهیزات جلوگیری از نفوذ، سیستم های دیگری به نام سیستمهای کشف نفوذ (ids) مورد نیاز است تا در صورتی که نفوذگر توانست از دیواره ی آتش، آنتی ویروس و دیگر تجهیزات امنیتی عبور کند و وارد سیستم شود، نفوذ را تشخیص داده و در سطح بالاتر چاره ای برای مقابله با آن بیاندیشد. در سیستم های کشف نفوذ مبتنی بر کشف رفتار غیرعادی مدلی از رفتار عادی سیستم با استفاده از یکی از الگوریتم های موجود در این حوزه ایجاد می گردد و بدین ترتیب بر اساس حالت عادی حملات تشخیص داده می شود. الگوریتم dca یکی از این الگوریتم ها است که از جمله روش های الگوریتم های سیستم ایمنی مصنوعی و برپایه ی تئوری خطر است. در این پژوهش مدل fdca که فازی شده الگوریتم dca است برای کاهش نرخ مثبت کاذب الگوریتم dca عمومی پیشنهاد شد. برای ارزیابی مدل پیشنهادی از مجموعه داده kdd 99 (که یکی از معدود مجموعه داده های موجود برای ارزیابی سیستم های کشف نفوذ است) استفاده گردید.

امروزه با گسترش یافتن وسایل ارتباط جمعی به ویژه اینترنت، نیاز و علاقه به ترجمه خودکار، افزایش یافته است. روش ها و سیستم های مختلفی برای ترجمه ماشینی به وجود آمده است که در سال های اخیر، روش ترجمه ماشینی آماری مطرح ترین آن ها می باشد. پیکره های چندزبانه، یکی از اساسی ترین منابع شاخه های مختلفی از پردازش زبان طبیعی مانند بازیابی اطلاعات چندزبانه و ترجمه ماشینی آماری می باشد. پیکره های چندزبانه انواع مختلفی دارند که پیکره موازی مطلوب ترین آن ها برای ترجمه ماشینی، می باشد. پیکره موازی موردنیاز سیستم ترجمه ماشینی آماری بایستی در سطح جمله تراز شده باشد. روش های مختلفی برای هم ترازی جملات وجود دارد که می توان به روش های مبتنی بر طول، مبتنی بر واژه نامه، ترکیبی و ... اشاره کرد. در این تحقیق، روشی مبتنی بر واژه نامه، برای هم ترازی پیکره های فارسی-عربی که دارای حالات هم ترازی چند به یک و چند به چند زیادی می باشد ارائه شده است. واژه نامه دوزبانه حجیمی با استفاده از پیکره های موازی موجود، تولید شده و با استفاده از ریشه یاب فارسی و عربی این واژه نامه غنی و کامل تر می گردد. در این روش، پس از به دست آوردن ماتریس شباهت جملات، برای یافتن جملات مشابه هر جمله، از گراف دوقسمتی استفاده می شود. این رهیافت علاوه بر حالت های ساده 1-1 و 1-0 موارد پیچیده تر را نیز (حالت های چند به یک و چند به چند) تشخیص داده و ترازبندی می کند.

در این تحقیق ما قصد داریم سری¬های زمانی آشوب¬ناک را با استفاده از مجموعه¬ی داده¬های ورودی- خروجی که داریم پیش¬بینی کنیم. این مسئله با استفاده از داده¬های گذشته و فعلی به پیش¬بینی مقادیر آینده می¬پردازد. ما قصد داریم از روش جدید یادگیری عاطفی مغز پستانداران برای پیش¬بینی استفاده کنیم. اساس این روش برپایه مدل مورن است که در بخش ورودی قسمت تالاموس آن از چند ورودی استفاده کرده¬ایم، زیرا در مدل واقعی مغز پستانداران این ورودی یکتا نیست. با شبیه¬سازی این روش نشان خواهیم داد که مدل تغییریافته در مقایسه با روش¬های قدیمی مانند شبکه¬های عصبی و شبکه فازی- عصبی سوگنو خطای کمتری دارد.

استخراج گرامر که در برخی از منابع تحت عنوان استنتاج گرامر هم به کار می رود، یکی از موضوعات تحقیقاتی بسیار مهم در زمینه پردازش زبان های طبیعی می باشد. می توان استخراج گرامر را بر اساس میزان استفاده از اطلاعات (این اطلاعات از یک پیکره که توسط انسان تهیه شده است، استخراج می شود) در مرحله ی آموزش، به سه نوع بامربی و بی‎مربی و نیمه‎مربی تقسیم بندی نمود.

مدل سازی و پیش بینی سری های زمانی، در حوزه های کاربردی مختلف اهمیت بسزایی دارد. دقت پیش بینی ‏یکی از مهم ترین عوامل موثر در انتخاب روش پیش بینی است. مدل خودرگرسیون میانگین متحرک انباشته ‏‏(‏arima ‏) و شبکه عصبی مصنوعی از پراستفاده ترین مدل های پیش بینی به شمار می آیند. داده های سری ‏زمانی اغلب شامل هر دو الگوی خطی و غیرخطی هستند. مدل ‏arima‏ نمی تواند با رابطه های غیرخطی سروکار ‏داشته باشد، این در حالی است که شبکه عصبی نیز به تنهایی قادر به عملکرد یکسان با هر دو الگوی خطی و ‏غیرخطی نیست. از این رو، هیچ یک از مدل های ‏arima‏ و شبکه عصبی نمی توانند در مدل سازی و پیش بینی ‏داده های سری زمانی مناسب باشند.‏ در مراجع و منابع موضوع مدل های بسیار مهمی به منظور بهبود دقت و کارایی مدل سازی و پیش بینی سری های ‏زمانی پیشنهاد شدند. مدل های ترکیبی که یک سری زمانی را به اجزای خطی و غیرخطی آن تجزیه می کنند، مهم ‏ترین نوع آن ها به حساب می آیند.‏ در این پایان نامه، به منظور به دست آوردن مدلی دقیق تر از شبکه های عصبی مصنوعی برای پیش بینی سری های ‏زمانی، مدل بهبود یافته ای از شبکه های عصبی مصنوعی که از مدل های ‏arima‏ استفاده می کند، پیشنهاد شده ‏است. در مدل پیشنهادی، فواید منحصر به فرد مدل ‏arima‏ در مدل سازی خطی، به منظور پیش پردازش داده ‏های تحت مطالعه برای استفاده در شبکه های عصبی مصنوعی به کار گرفته شده است. این پایان نامه همچنین یک ‏روش ترکیبی پیش بینی را ارائه می دهد که مدل ‏arima‏ فصلی (‏sarima ‏) و شبکه های عصبی را با هم ‏ترکیب می کند. مدل ‏sarima‏ و شبکه های عصبی مصنوعی می توانند داده هایی را که درگیر معضل روند و ‏فصلی بودن هستند، مهار کنند. نتایج تحلیلی به دست آمده از مدل ‏sarima، به عنوان داده های ورودی شبکه ‏عصبی وارد می شوند . سپس این مدل برای پیش بینی داده های سری زمانی فصلی به کار گرفته می شود.‏ ‏