استفاده از شبکه های سنسوری در سالهای اخیر با استقبال زیادی در بخشهای مختلف روبرو شده است یکی از اصلی ترین دعدعه های موجود در این شبکه ها افزایش زمان بر پا ماندن شبکه است. عدم استفاده از پروتکل های مسیریابی مناسب که توانایی حمایت از گروههای کم انرژی را داشته باشند موجب شده است که تعدادی از گرهها پس از مدت زمانی انرژی خود را از دست داده و موچب گسستگی در شبکه شوند. برای جلوگیری از این مساله باید تمهیداتی برای حمایت از گرههای کم انرژی در شبکه اندیشید. این تمهیدات درکنار الگوریتم هاتی که موجب یکنواختی مصرف انرژی در شبکه می شوند می تواند بسیار مفید واقع شود و موچب رسیدن به حداکثر طول عمر در یک شبکه سنسوری با منابع محدود انرژی شود. برای رسیدن به این فدف در این پایان نامه روشی ساده ولی بسیار کارامد ارایه شده است. در این پایان نامه در ابتدا با ایجاد مسیرهای زیر ساخت به صورت متناوب و ارایه بر چسب متناسب با انرژی باقی مانده به هر مسیر شبکه به نواحی بر چسبی متقاوت تقسیم می شود در ادامه کار با ایجاد مکانیزم تاخیری مناسبی در لایه mac برای ارسال بسته ها از ارسال جند باره بسته ها تا حد امکان جلوگیری می شود و بدین ترتیب از گرههایی با انرژی پایین حمایت می شود

درونیابی نماها و بازسازی سه بعدی با استفاده از اطلاعات نحوه ی تناظر تصاویر استریو میسر می شود برای این کار ابتدا باید دوربین ها کالیبره شوند. با استفاده از اطلاعات کالیبراسیون دو نقطه معادل از دو تصویر می توانند به یک نقطه مشخص در فضای سه بعدی نگاشته شوند. بنابراین مهمترین بخش این پروژه تعیین تطابق استریو است. در این پایان نامه برای کم کردن مشکل تطابق نقاط بدون بافت، کاهش پیچیدگی محاسباتی و افزایش مقاومت در برابر نویز از نوعی خاص از قطعه بندی (فرا- قطعه بندی) استفاده شده است سپس با استفاده از برنامه نویسی پویا تابع هزینه ی تطابق را کمینه می کنیم. برنامه نویسی پویا، نسبت به روش های بهینه سازی کلی، یک رویه ی بهینه سازی سریع است ضرایب همواری بین فرا - قطعه ها در تابع هدف، به صورت تطبیقی و بر اساس میزان شباهت فرا - قطعه ها به هم تعیین می شوند. به این ترتیب فرا- قطعه های همسایه ای که شباهت زیادی به هم دارند از طریق ضرایب همواری بزرگ، بر روی یکدیگر اثر زیادی خواهند داشت. استفاده از فرا-قطعه ها حجم محاسبات را کاهش می دهد. مقاومت در برابر نویز را افزایش می دهد و با در نظر گرفتن ضرایب همواری بزرگ بین فرا - قطعه های مشابه، ابهام موجود در نواحی بدون بافت را کاهش می دهد. همینطور برای کاهش بیشتر محاسبات به جای بررسی تمام دیسپریتی های مجاز در برنامه نویسی پویا، تنها برخی از آنها - که دیسپریتی های کاندید خوانده می شوند. را بررسی می کنیم با داشتن نقشه ی دیسپریتی که خروجی مرحله ی تطابق استریو است و با استفاده از داده های کالیبراسیون می توان هندسه ی سه بعدی چهره را بازسازی کرد. همینطور با معلوم بودن نقاط معادل از دو تصویر، می توان با جابه جا کردن فراقطعه ها به اندازه کسری از دیسپریتی، نماهای میانی را به دست آورد. الگوریتم ارایه شده بر روی دادگان استریوی استاندارد middlebury و بر روی پایگاه داده چهره که خودمان آن را تهیه کردیم آزموده شد. نتایج نشان می دهد که الگوریتم ارایه شده نسبت به الگوریتم های تطابق استریوی kim و zitnick از جهت دقت در جایگاه قابل قبولی قرار دارد. و از جهت سرعت نیز نسبت به آن ها بهتر است همینطور نماهای میانی بازسازی شده با این روش به تصویر واقعی بسیار شبیه بوندن این نماهای مصنوعی با تصاویر واقعی گرفته شده مقایسه شدند که با دقتی برابر 6/97./. با آن ها مطابق بودند

امروزه روش های تشخیص هویت بر پایه ویژگی های بیومتریک از اهمیت فراوانی برخوردار شده اند. از جمله این روش ها می توان به شناسایی چهره، شناسایی اثر انگشت، شناسایی صدای گوینده و شناسایی عنبیه اشاره نمود. در این میان تشخیص هویت بر اساس بافت عنبیه به علت دقت بالا و امنیت بسیار مطلوبی که توسط آن بدست می آید، از اهمیت خاصی برخوردار است. شناسایی هویت بر اساس عنبیه، اخیرا در سیستم های امنیتی مانند امنیت پرواز، کاربردهای فراوانی یافته است. در این پایان نامه جهت افزایش سرعت در سیستم های تشخیص هویت بر اساس عنبیه، یک روش جدید در تعیین مرزهای عنبیه ارایه شده است. در روش های پیشین برای تقطیع عنبیه غالبا از الگوریتم های گردشی و یا تکراری برای تعیین مرزهای عنبیه استفاده شده است. از این قبیل می توان به اپراتور دیفرانسیلی-انتگرالی داگمن و روش هاف در تعیین دایره اشاره کرد. این گونه روش ها با وجود برخورداری از دقت نسبتا بالا، باعث کاهش سرعت سیستم تشخیص هویت می شوند. در روش پیشنهادی برای مکان یابی عنبیه در این پایان نامه، با پرهیز از بکارگیری الگوریتم های گردشی و تکراری، از نگاشت انعکاس و قاعده برازش خط به روش کمترین مربعات خطا استفاده شده است. برای تعیین مرز داخلی عنبیه، ابتدا با آستانه سازی تصویر چشم و استفاده از عملگر های مورفولوژیکی محل تقریبی مردمک بدست می آید. سپس مجموعه ای از نقاط مرزی مردمک را تحت نگاشت انعکاس به یک فضای جدید تصویر می کنیم. در این فضا خطی که کمترین مجموع مربعات فاصله تا نقاط تصویر شده را دارد، بر این مجموعه نقاط برازش می کنیم. سپس با تصویر مجدد خط بدست آمده به فضای اولیه، معادله پارامتریک مرز مردمک و عنبیه را بدست می آوریم. در تعیین مرز خارجی عنبیه، ابتدا با استفاده از فیلتر میانه و عملگر مشتق گیر پرویت مرز تقریبی عنبیه تقریب زده می شود و سپس با طی مراحلی مشابه آنچه برای تعیین مرز مردمک انجام شده است، معادله پارامتریک مرز خارجی عنبیه را بدست می آوریم. در مرحله شناسایی از فیلتر گابور لگاریتمی تک بعدی و کوانتیزاسیون فاز برای کد کردن داده های تصویر استخراج شده استفاده شده است. همچنین در مرحله تطبیق فاصله همینگ به عنوان ملاکی برای سنجش میزان شباهت و یا عدم شباهت الگو های بدست آمده، بکار گرفته شده است. در این پایان نامه، پایگاه داده casia برای سنجش میزان دقت روش پیشنهادی استفاده شده است. این پایگاه داده دارای 756 تصویر چشم از 108 فرد مختلف است و از هر فرد به طور متوسط 7 تصویر گرفته شده است. تصاویر موجود در پایگاه casia با نور غیر مریی (با طول موج های مادون قرمز نزدیک ) برداشته شده اند. از اینرو آثار بازتاب و لکه های نور بر روی تصاویر آن موجود نمی-باشد. همچنین کلیه آزمایشات توسط یک کامپیوتر پنتیوم چهار با سرعت cpu 2.66 مگا هرتز و با 512mb ram صورت گرفته و کلیه پیاده سازی ها با نرم افزار7 matlab انجام شده است. برای ارزیابی میزان دقت روش پیشنهادی در مکان یابی عنبیه، یک روش نیمه خودکار برای استخراج مشخصات داده پایگاه مورد استفاده طراحی و پیاده سازی شده است. نتایج حاصل از مقایسه الگوریتم پیشنهادی با روش نیمه خودکار طراحی شده حاکی از دقت %98.86، %99.95، %98.78 و %99.55 الگوریتم پیشنهادی در تعیین هر یک از چهار پارامتر مرکز مردمک، شعاع مردمک، مرکز عنبیه و شعاع عنبیه است. همچنین دقت بدست آمده در دو بخش تصدیق و تشخیص در مرحله شناسایی، برابر %99.3 است. روش پیشنهاد شده در مقایسه با روش های رایج موجود بطور میانگین 2.8 ثانیه و در مقایسه با سریع ترین روش بررسی شده 0.2 ثانیه افزایش سرعت را نشان می دهد. همچنین بطور میانگین از 0.3% افزایش دقت در تعیین مرز های عنبیه نسبت به روش های موجود بررسی شده برخوردار است.

شناسایی اتوماتیک چهره انسان به عنوان یکی از فعالترین زمینه های تحقیقاتی بازشناسی الگو و بینایی کامپیوتر بدلیل کاربردهای فراوان آن در عرصه های مختلف مانند تشخیص هویت، جرم شناسی، تصدیق هویت کارتهای اعتباری، سیستمهای نظارت اتوماتیک و تعامل هوشمند انسان و کامپیوتر، با سرعت زیادی در حال توسعه می باشد. با وجود اینکه رویکردهای مختلف و متعددی برای شناسایی چهره پیشنهاد شده، همچنان مبحث عمومی شناسایی چهره به دلیل مشکلات مربوط به آن و مرتبط با تغییرات شرایط محیط (تغییرات جهت تابش نور و میزان روشنایی)، تغییرات رفتار شخص (تغییر حالات چهره و تغییرات زاویه دید)، پوشیدگی و پیر شدن (گذشت زمان)، یک مساله حل نشده است. با وجود اینکه سیستمهای مختلفی برای شناسایی چهره پیشنهاد شده، توجه اندکی به روشهای شناسایی چهره مبتنی بر گشتاورها شده است. در این رساله، یک رویکرد شناسایی چهره جدید مبتنی بر "آرایه گشتاور شبه زرنیک قطعه ای وزندار شده وفقی" به منظور غلبه بر مشکلات فوق برای شناسایی تصاویر چهره تمام رخ در یک محیط بدون قید و محدودیت، هنگامیکه فقط یک نمونه از تصویر هر شخص در دسترس می باشد، پیشنهاد شده است. در این رویکرد هر تصویر چهره بصورت آرایه ای از گشتاورهای شبه زرنیک استخراج شده از تصویر چهره ناحیه بندی شده توصیف می شود که شامل اطلاعات گشتاور مربوط به نواحی محلی می باشد. همچنین یک روش وزندهی وفقی برای تخصیص وزنهای مناسب به هر گشتاور شبه زرنیک قطعه ای، بمنظور تعیین سهم هر ناحیه محلی چهره در شناسایی، در قالب میزان اطلاعات هویتی که هر ناحیه دارد و شباهت آن ناحیه به ناحیه با پوشیدگی، استفاده شده است. آزمایشهای وسیعی با استفاده از پایگاههای داده تصاویر چهره ar و yale، در شناسایی چهره تحت شرایط ایده آل (کنترل شده)، روشنایی مختلف، حالات متفاوت چهره و پوشیدگی موضعی انجام شده و کارایی سیستم پیشنهادی با کارایی چهار سیستم محک (benchmark) مقایسه شده است. نتایج تجربی امیدبخش بدست آمده بیان کننده این مطلب است که رویکرد پیشنهادی نسبت به روش گشتاور شبه زرنیک سراسری بصورت فوق العاده قابل توجهی تحت شرایط ایده آل (کنترل شده)، تغییرات روشنایی، حالت متفاوت چهره و پوشیدگی موضعی حتی با زمان محاسباتی کمتری، دارای درصد شناسایی بیشتری می باشد. همچنین نشان داده شده است که روش پیشنهادی دارای دقت بیشتری از روش eigenface (روش معیار و مرجع در اغلب مقایسات شناسایی چهره) و روش محلی modular pca، در اغلب آزمایشها، می باشد. ارزیابی کارایی تحت شرایط با پوشیدگی موضعی نیز نشان می دهد که الگوریتم پیشنهادی با روش احتمالاتی محلی، که یکی از بهترین رویکردهای شناسایی چهره تحت شرایط پوشیدگی محلی است، قابل مقایسه می باشد. این تحقیق نشان می دهد که گشتاورها می توانند به صورت موفقیت آمیزی برای شناسایی چهره استفاده شوند و رویکرد پیشنهادی مبتنی بر ناحیه (قطعه) "آرایه گشتاور شبه زرنیک قطعه ای وزندار شده وفقی" یک روش جدید برای توصیف و شناسایی چهره در شرایطی که از هر شخص فقط یک تصویر وجود دارد، فراهم می آورد.

بررسی ها نشان می دهند که مهم ترین و شایع ترین منبع استرس مادر در طول دوران بارداری، نگرانی در مورد شرایط و سلامت جنین می باشد. یکی از راههای آگاهی از شرایط جنین در طول دوران بارداری استفاده از ثبت سیگنال الکتروکاردیوگرام (نوار قلب) جنین به روش غیر تهاجمی است. در این روش بایستی مولفه های سیگنال الکتروکاردیوگرام جنین را از سیگنال ثبت شده در ناحیه شکمی جدا نمود. سیگنال ثبت شده در ناحیه شکمی، ترکیبی از مولفه های سیگنال الکتروکاردیوتوگرام جنین به همراه مولفه های سیگنال الکتروکاردیوتوگرام مادر پس از طی مسیر از قفسه سینه تا شکم و مولفه های ناشی از منابع نویزی می باشد. هدف این پایان نامه ارایه الگوریتمی جهت بهبود در فرآیند استخراج سیگنال الکتروکاردیوگرام جنین می باشد. ابتدا در مبحث پیش پردازش، الگوریتمی نوین با تکیه بر درخت تجزیه ویولت جهت مدلسازی و حذف انحراف خط مبنا، که یکی از منابع اصلی تداخل در هنگام ثبت سیگنال الکتروکاردیوگرام می باشد، ارایه شده است. سپس در ادامه، از سیستم استنتاجی عصبی-فازی وفقی (anfis) با تکیه بر الگوریتم بهینه سازی دسته ای ذرات (pso)، جهت استخراج مولفه های سیگنال نوار قلب جنین بهره گرفته ایم. از سیستم استنتاجی عصبی-فازی وفقی جهت مدلسازی مسیری که مولفه های سیگنال نوار قلب مادر از ناحیه قفسه سینه ای تا شکم طی می کنند، بهره گرفته ایم. با یافتن این مدل، توانسته ایم مولفه های سیگنال نوارقلب مادر موجود در سیگنال ثبت شده در ناحیه شکمی را تشخیص دهیم و با حذف آنها از سیگنال ترکیبی توانسته ایم به تخمین خوبی از سیگنال نوارقلب جنین دست یابیم. الگوریتم نوین پیشنهادی ما در این پایان نامه، از الگوریتم بهینه سازی دسته ای ذرات (pso) جهت آموزش و تنظیم پارامترهای سیستم استنتاجی عصبی-فازی وفقی بهره گرفته است. الگوریتم پیشنهادی خود را به همراه دیگر الگوریتم های مطرح، بر روی سیگنال های شبیه سازی شده و دو پایگاه داده سیگنال های حقیقی daisy و physiobank، پیاده سازی و نتایج را بایکدیگر مقایسه کرده ایم. نتایج حاکی از بهبود استخراج سیگنال نوارقلب جنین با استفاده از الگوریتم پیشنهادی ما در اکثر موارد می باشد.

سیستم های امنیتی بر مبنای بیومتریک مسیولیت شناسایی و یا تایید هویت افراد را از روی ویژگی های فیزیولوژیکی و یا ویژگی های رفتاری آن ها دارد. ساختار گوش افراد چندیست که مورد توجه محققان بیومتریک قرار گرفته و سازمان ها و برخی دولت ها نظیر ایالات متحده در زمینه بیومتریک گوش سرمایه گذاری های جدی کرده اند. از مزایای ساختار گوش می توان به ثابت بودن آن در طول زمان، عدم تغییر در ظاهر در حالت هایی مثل شادی، غم و تعجب (برخلاف چهره)، قابلیت نمونه برداری از راه دور، بدون اینکه شخص متوجه شود و همینطور یکنواختی در رنگ را می توان نام برد. در این تحقیق دو روش کلی جهت بهبود شناسایی مبتنی بر ساختار گوش پیشنهاد شده است: 1- استفاده از موجک دو بعدی جهت استخراج ویژگی و اعمال آن به pca جهت بهبود روش مبتنی برpca 2- روش مبتنی بر فیلتر گابور o اعمال فیلتر گابور و بلوک بندی(استخراج نقشه ویژگی) o بررسی ترکیب فیلتر گابور و pcnn در این پروژه از دو پایگاه داده استفاده شده است. یکی پایگاه داده ustb database2که شامل 308 تصویر دو بعدی از 77 فرد مختلف (از هر نفر 4 تصویر) است و دیگری پایگاه داده carreira- perpinan که شامل 102 تصویر از 17 فرد مختلف (هر نفر 6 تصویر)است.. بعد از بررسی کارهای پیشین در امر بیومتریک گوش، روش pca به خاطر دقت بیشتر نسبت به دیگر روش ها، جهت بهینه سازی انتخاب شد. بر خلاف روش های مبتنی بر pca که تا کنون در رابطه با بیومتریک گوش ارایه شده، در روش پیشنهادی،سعی شد تا با اعمال موجک دو بعدی به تصویر و استخراج ویژگی توسط آن ، روش مبتنی بر pca بهبود داده شود. با اعمال این روش بر روی دو پایگاه داده ustb database2 و carreira- perpinan توانستیم به نرخ شناسایی به ترتیب 90.5% و 95.05% دست یابیم که باعث بهبود نرخ شناسایی در روش مبتنی بر pca شد. علاوه بر روش پیشنهاد شده بر مبنای موجک و pca، با توجه به وجود انحناها و شیارهای گوش در جهات مختلف روش دیگری بر مبنای فیلتر گابور ارایه شده است. مهمترین مزیت این روش این است که برخلاف روش مبتنی بر pca و شبکه های عصبی نیاز به آموزش ندارد .اشکال این روش وابسته بودن آن به جهت تصویر است و عملکرد صحیح این روش وابسته به نرمال کردن صحیح تصویر از نظر جهت است. لذا برای مقاوم کردن این روش نسبت به چرخش از pcnn استفاده شد. نرخ شناسایی بدست آمده توسط اعمال این روش بر روی دو پایگاه داده ustb database2 و carreira- perpinan به ترتیب 86.27% و 89.22% است. pcnn نرخ شناسایی را بهبود نبخشید اما توانست مشکل چرخش را حل کند.