با توجه به نقش اصلی بال در تولید نیروی برآ و پسای هواپیما بهینه سازی عملکرد ایرفویلهای گذر صوتی یکی از مهمترین موضوعات تحقیقاتی در علوم هوافضا و به خصوص ایرودینامیک می باشد. یکی از اهداف بهینه سازی مذکور کاهش هزینه عملیاتی است که عمدتا از طریق کاهش مصرف سوخت انجام می گیرد. از زمان ابداع موتورهای جت که عمده وسایل نقلیه هوایی تجاری در محدوده سرعتهای گذرصوتی پرواز می کنند میزان سوخت مصرفی این هواپیماها نیز با نرخ قابل توجهی در حال افزایش است. طراحی ایرفویل بهینه باعث کاهش میزان سوخت و انرژی مصرفی هواپیماهای تجاری شده که از سوی شرکتها و صنایع هوایی خواهان سود بیشتر مورد استقبال قرار گرفته است. طراحی بهینه علاوه بر وسایل پرنده غیرنظامی در هواپیماهای جنگنده نیز به منظور افزایش قدرت مانور به شدت مورد توجه می باشد. از دیدگاه ریاضی بهینه سازی دستیابی به مقدار اکسترمم برای تابعی است که اصطلاحا تابع هدف نامیده می شود. از طرفی بهینه سازی نیازمند وجود روشهای محاسباتی مناسب برای گسترش هرچه بیشتر روشهای بهینه سازی در ایرودینامیک فراهم آورده است.

رفتارهای آشوب گونه به صورت میکروسکوپیک در نورون ها و ماکروسکوپیک در عملکرد مغز گزارش شده اند. این شواهد باعث شدند تا بسیاری از محققین به دنبال وارد کردن نظریه آشوب در شبکه های عصبی کلاسیک باشند تا با طراحی شبکه های عصبی آشوب گونه به ابزار پردازشی قوی تری دست یابند. در این پروژه به منظور بررسی تأثیر آشوب در افزایش کارایی پردازش اطلاعات توسط شبکه های عصبی دو نوع شبکه آشوب گونه طراحی شده است. نوع اول براساس نظریه انتخاب طبیعی عمل می کند. طبق این نظریه یک حل کننده مناسب مسیله باید دارای دو ویژگی مهم باشد. اول اینکه توانایی خلق راه حل های احتمالی مسیله را دارا باشد. دوم اینکه دارای یک قانون یا هوش باشد که این تنوعات را در جهت نزدیک شدن به جواب اصلی هدایت نماید. برای ایجاد تنوعات از گره های آشوبی با تابع لجستیک و برای طراحی هوش هدایت کننده تنوعات از شبکه عصبی کلاسیک استفاده نموده ایم. با استفاده از این تکنیک توانستیم در شرایطی که صحت بازشناسی شبکه ndram ( یک شبکه بازگشتی کلاسیک) 40% می باشد به صحت بازشناسی 80% برسیم. از این تکنیک استفاده کرده و صحت بازشناسی یک شبکه بازگشتی برای باز شناسی ارقام دست نوشتار مجزای انگلیسی را از 4/91% به 5/94% رساندیم. در نوع دوم از شبکه عصبی آشوب گونه ی طراحی شده در این پروژه روشی برای پویا سازی وزن های شبکه های جلوسوی کلاسیک که ایستا می باشند ارایه شده است. در این شبکه وزن های آشوب گونه را طوری سنکرون کردیم که خطای شبکه کاهش یابد. این روش به یک شبکه عصبی جلوسو که دارای صحت بازشناسی 9/96% ارقام دست نوشتار مجزای انگلیسی می باشد اعمال شد و توانست تمامی اشتباهات این شبکه را تشخیص دهد.

به کارگیری دینامیک های جاذب نقطه ای به عنوان حافظه های انجمنی به دهه ی هشتاد میلادی و معرفی شبکه ی هاپفیلد باز می گردد بازیابی حافظه در این سیستم ها با استفاده از شبکه های بازگشتی صورت می گیرد. در کنار این دینامیک های جاذب وجود فعالیت ماندگار در سلول های مغز به همراه ساختارهای بازگشتی در نواحی قشری مغز، ما را به سمت تکامل دینامیک های جدیدتری به نام شبکه های عصبی یا جاذب های پیوسته سوق می دهد. در این رساله ضمن تعریف دقیق جاذب ها و جاذب های پیوسته، سامانه ای با استفاده از این مفاهیم برای کاربرد بازشناخت الگو طرح ریزی شده است مفهوم جاذب های پیوسته با مفهوم مانیفولدها گره خورده است بنابراین در این رساله این دو مفهوم به صورت توامان به کار گرفته شده اند. بدین منظور ابتدا استخراج مانیفولدها و کاهش بعد غیر خطی دادگان را معرفی کرده و سپس روشی برای پیاده سازی آن با استفاده از شبکه های اتوانکودر و روش پیش تعلیم ماشین های بولنزمان محدود شده، ارایه شده است کارایی این روش با پیاده سازی بر روی یک مجموعه از الگوهای تصویری سطح - خاکستری قابل قبول ارزیابی شده است. سپس با معرفی مدلی جدید بر اساس تک نورون های جاذب، شبکه ای تحت عنوان «شبکه ی نورون های رقابتی» برای پیاده سازی دینامیک جاذب ها ارایه شده است پس از معرفی گام به گام مدل توانایی های مدل طی چند شبیه سازی و مقایسه، بررسی شده است از ویژگی های مدل ارایه شده عدم وجود جاذب های جعلی و همچنین سرعت بالای تعلیم آن است. در انتها با ترکیب شبکه ی جاذب با شبکه ی اتوانکودر برای کاهش بعد غیر خطی دادگان، سامانه ی نهایی برای وظیفه ی بازشناسی الگو بر روی پایگاه داده ی ارقام دست نوشته ی usps پیاده سازی شده است. نتیجه نهایی بازشناسی برای این پایگاه داده 96.94 بدست آمد که با آخرین نتایج بدست آمده از روش های مشابه قابل رقابت است.

شناخت عملکرد پروتئین ها با توجه به گستره فعالیت آنها از مسائل مهم زیست شناسی محسوب می شود. ساختار سه بعدی یک پروتئین در نحوه عملکرد آن نقش اساسی دارد. با توجه با رشد روز افزون رشته های پروتئین شناخته شده و مشکلات تعیین ساختار آنها به صورت آزمایشگاهی، روشهای محاسباتی برای پیش بینی ساختار پروتئین از توالی آمینواسیدهای سازنده آن مورد استفاده قرار می گیرند. پیش بینی مطمئن ساختار دوم علاوه بر ارائه اطلاعات ارزشمند در مورد رشته پروتئین می تواند به عنوان سنگ بنای سایر پیش بینی های پیچیده تر ساختار سه بعدی به کار گرفته شود. شبکه های عصبی به عنوان ابزاری قدرتمند در طبقه بندی الگوهای رشته ای در این حوزه کاربرد وسیعی پیدا کرده اند. تعیین اندازه و طراحی ساختار مناسب شبکه با توجه به ویژگیهای الگوهای ورودی، نقش مهمی در بهبود کارایی آن ایفا می کنند. در این کار از روش قاعده مند هرس شبکه های عصبی برای تعیین اندازه مناسب یک شبکه جلوسو با دو لایه پنهان به عنوان شبکه پایه و حفظ قدرت تعمیم دهی آن استفاده شده است. یک شبکه بازگشتی لایه ای با دو لایه زمینه که اطلاعات برهمکنش ساختارهای دوم را در طبقه بندی وارد می کند، برای افزایش صحت پیش بینی با الهام از شبکه های استفاده شده در بازشناخت گفتار، ارائه شده است. بر این مبنا سه مدل که طول همسایگی مختلفی از خروجی را در شبکه بازگشتی وارد می کنند، طراحی شده اند که نسبت به شبکه پایه افزایش صحت پیش بینی حاصل شده است. سه مدل دیگر بر اساس استفاده از اطلاعات بر همکنش سراسری آمینواسیدها در طول زنجیره پروتئین توسعه یافته اند. اتصالات بازگشتی در این مدلها در لایه های پنهان حافظه ای پویا ایجاد می کنند که در دو سوی رشته پروتئین گسترش یافته و اثر همجواری کل زنجیره را برای هر آمینواسید در نظر می گیرند. به این ترتیب کارایی شبکه در بازشناسی ساختار دوم رشته ورودی افزایش می یابد. در نهایت مدلی ترکیبی از شبکه بازگشتی لایه ای و بازگشتی دو طرفه ارائه شده است. این شبکه قادر است اطلاعات همبستگی ساختارهای دوم و همسایگی محلی و سراسری آمینواسیدها را در کل طول رشته پروتئین در نظر گیرد. صحت پیش بینی ساختار دوم با استفاده از ساختار جدید ارائه شده افزایش قابل توجهی دارد و به 66/78? رسیده است که نسبت به شبکه پایه 6? و نسبت به پیش بینی کننده های معروف 3/4 ? بهبود کارایی مشاهده می شود.

مطالعات بر روی نحوه ادراک گفتار انسان نشان می دهد که مغز انسان به وقایع خاصی در سیگنال گفتار حساسیت بیشتری نشان می دهد و این نواحی حاوی اطلاعات متمایزکننده مفیدی برای واحدهای صوتی پایه است. ماهیت این وقایع بعنوان واحدهای پایه واقعی حاوی اطلاعات غنی و مهم گفتار، از نظر زبان شناسی و مهندسی در دست بررسی است. از سوی دیگر در بررسی جنبه های زیستی ادراک گفتار توسط مغز انسان دیدگاههایی وجود دارد که نشان دهنده آن است که اطلاعات دریافتی مغز، خلاصه شده و چکیده هایی از آن بصورت مولفه های اساسی ادراک به نواحی بالاتر مغز ارسال می شوند و برخی از قوانین محلی آنالیز مولفه های مستقل در تحلیل آنها بکار گرفته می شود. این مطالب موید ایده روش استفاده از مولفه های اساسی و مستقل است که بتواند اطلاعات نواحی پراهمیت سیگنال گفتار را استخراج کند. در این تحقیق بر خلاف سایر روش هایی که بصورت باسرپرستی و بر مبنای دانش افراد خبره مثلاً نواحی گذرا و ایستان و یا وقایع و حالات گفتار را بعنوان نشانه های گفتار در نظر می گیرند، با استفاده از شبکه های عصبی بصورت بدون سرپرستی به شبکه این امکان را می دهیم تا نواحی پراطلاعات سیگنال گفتار را بطور خودکار استخراج کند. پس از استخراج مولفه ها با بهره گیری از راهکارهای مختلف به بررسی ماهیت این مولفه ها می پردازیم تا روشن شود که این مولفه ها بیان کننده چه اطلاعاتی از سیگنال گفتار هستند. ابتدا با کمک روشهای pca آماری ، مولفه های متعامد گفتار و سپس با استفاده از شبکه عصبی جلوسوی سه لایه پنهان با لایه گلوگاه، مولفه های اساسی خطی و غیرخطی در حالت استاتیک (تک فریم در ورودی ) استخراج شده اند. همچنین جهت بررسی مولفه های حالت دینامیک گفتار، استخراج مولفه ها با ورودی 15 فریم نیز انجام شده است.در هر دو حالت استاتیک و دینامیک تعداد واحدهای لایه پنهان متغیر انتخاب شده اند. سپس جهت بررسی ماهیت این مولفه ها و میزان انطباق آنها با واحدهای نشأت گرفته از دانش زبان شناختی نظیر آواها آنالیزهای مختلفی انجام شده و میزان کارآیی مولفه ها بررسی شده است. راهکارهای بکار گرفته در این قسمت عبارتند از : بازسازی پارامترها در خروجی و شنیدن سیگنال گفتار بازسازی شده از آن، محاسبه درصد صحت بازشناسی آوا به ازای تعداد مولفه های مختلف استخراج شده ، رسم فضای پارامترهای بازنمایی ورودی و مانیفولد تصویرشده آن در فضای خروجی، بررسی مقادیر آنالوگ کدهای لایه پنهان و یافتن ارتباط بین مقادیر استخراج شده و مفاهیم آشنای گفتار فارسی. بررسی ها نشان می دهد که در روش pca غیرخطی مولفه اول استخراج شده نشان دهنده ویژگی واکدار یا بی واک بودن گفتار است و مولفه دوم سعی دارد که بین واکه ها تمایز قرار دهد. همچنین بعلت شکل گیری مانیفولد غیرخطی، میزان اطلاعات عبوری به ازای یک نورون در لایه گلوگاه قابل توجه است. در تعلیم شبکه pca غیرخطی مولفه های اساسی غیرخطی به ترتیب بزرگی شکل می گیرند و سبب افت پله ای منحنی خطا می شوند. اگر سیگنال گفتار را ترکیبی از منابع و فاکتورهای مجزا در نظر بگیریم، با استفاده از روشهای استخراج مولفه های مستقل می توانیم به منابع اولیه تولید گفتار دست یابیم و آنها را بعنوان مولفه های پایه گفتار برگزینیم. بدین منظور مولفه های مستقل خطی و غیرخطی گفتار با استفاده از روش های شبکه عصبی استخراج شده اند و در هر مرحله مزایا و مشکلات روشها مورد بررسی قرار گرفته است.

انسان در ادراک گفتار روزمره با انواع تنوعات در سیگنال ورودی برخورد می کند و علیرغم آنها وظیفه درک به خوبی انجام می شود. به عنوان نمونه هائی از این تنوعات در بازشناسی گفتار می توان از نویزهای مختلف مانند نویزهای جمعی یا نویز کانال نام برد که به صورت ایستان و یا غیرایستان به سیگنال گفتار اضافه می شوند. مشاهده می شود که کارائی سیستمهای بازشناسی گفتار به عنوان مدلهائی از درک گفتار در انسان با تغییر تنوعات بشدت افت پیدا می کند. در این پروژه از توانائی های شبکه های عصبی با اتصالات بازگشتی برای کاهش میزان نویز ، اعوجاج و تنوعات ناخواسته از سیگنال گفتار استفاده می شود. ساختارهای مختلف شبکه های عصبی بازگشتی که به منظور بازشناسی گفتار در سطح بازشناسی آوا طراحی و پیاده سازی شده اند، برای حذف نویز از سیگنال گفتار مورد بررسی قرار می گیرند و نتایج بدست آمده از آنها با یک شبکه عصبی ساده که اتصالات بازگشتی در آن ملحوظ نشده است، مقایسه می شوند. در آزمایشات اولیه نحوه عملکرد شبکه های بازگشتی و نحوه به قعر رفتن الگوهای نویزی با استفاده از چند نمونه ساده بررسی شده اند. در آزمایشات بعد ساختارهای شبکه عصبی بازگشتی به منظور بازشناسی گفتار در سطح بازشناسی آوا طراحی و پیاده سازی شده است که با هدف بازشناسی سیگنال گفتار نویزی مورد بررسی قرار می گیرد. ساختار این شبکه در طی آزمایشات مختلف بررسی و به تدریج کامل می گردد. در انتها ساختاری از شبکه عصبی بازگشتی طراحی شد که می تواند با استفاده از دور زدن در شبکه و به قعر رفتن الگوها، نمونه های نویزی شده را از روی الگوهای تمیزی که به شبکه تعلیم داده شده است بازیابی کند. در طی آزمایشات از دادگان صحبت یک نفر از گویندگان استفاده شد و پس از به دست آوردن یک ساختار نهائی از شبکه عصبی عملکرد شبکه در مورد دادگان زیاد و افراد مختلف نیز مورد ارزیابی قرار گرفت. بهترین مدل از شبکه های عصبی بازگشتی توانسته است درصد صحت بازشناسی سیگنال نویزی با نویز صفر دسی بل را برای دادگان تعلیم ده جمله از یک نفر 20% و برای 400 جمله از نفرات زیاد 21% نسبت به یک شبکه ساده که در آن اتصالات بازگشتی ملحوظ نشده است و خاصیت حذف نویز را ندارد، بهبود دهد.