مدل سازی و پیش بینی سری های زمانی یک مسئله بسیار مهم در چند دهه اخیر بوده و کاربرد وسیعی در زمینه های مختلف علوم و مهندسی از جمله هیدرولوژی دارد. در این راستا تخمین پارامترهای مدل های مختلف سری های زمانی یکی از مراحل اساسی در مدل سازی سری های زمانی است. روش های ارائه شده در این زمینه از جمله روش گشتاورها، دارای روابطی پیچیده و تقریبی به خصوص در مدل های چندمتغیره زمانی و مکانی می باشندکه مستلزم صرف وقت زیاد و بررسی روابط مختلف برای هر مدل می باشد. در این تحقیق با استفاده از سیستم های استنتاج فازی بر پایه شبکه عصبی تطبیقی، روشی جدید و موثر جهت تخمین پارامترهای مدل های مختلف سری های زمانی تک متغیره و چند متغیره ارائه شده است. جهت بررسی کارآیی این روش از داده های هیدرولوژیکی حوضه آبریز سد زاینده رود استفاده شده و پارامترهای مدل های مختلف سری های زمانی تخمین زده شده است. همچنین مدل هایی که پارامترهای آن ها از روش گشتاورها حاصل شده است، تشکیل شده اند. سپس پیش بینی سری های زمانی با استفاده از این مدل ها انجام شده است. جهت بررسی بهتر، پیش بینی ها با سیستم استنتاج فازی بر پایه شبکه عصبی تطبیقی و شبکه پرسپترون چندلایه نیز انجام شده است و نتایج حاصل با نتایج قبلی مقایسه شده اند. جهت مقایسه نتایج، از معیار میانگین قدرمطلق تفاوت(mae) استفاده شده است. نتایج شبیه سازی ها نشان می دهد روش ارائه شده از کارآیی بالایی برخوردار می باشد و می توان از آن به عنوان مدلی هوشمند جهت مدل سازی سری های زمانی تک متغیره و چندمتغیره استفاده نمود.

عملکرد بسیاری از سیستم های فیزیکی ذاتاً غیرخطی می باشد و بایستی توسط مدلهای ریاضی غیرخطی توصیف شوند. اما برخی از این نوع سیستم ها دارای ساختار نامشخصی می باشند و ارائه مدل ریاضی دقیقی برای آنها امکان پذیر نیست. بنابراین برای کنترل این نوع سیستم ها نمی توان از روش های کنترل متعارف استفاده نمود. به همین منظور، اخیراً روش های محاسبات هوشمند مانند منطق فازی، شبکه های عصبی، الگوریتم های ژنتیک و ... برای حل مسائل کنترل مربوط به سیستم های دینامیکی با ساختار نامشخص یا سیستم های دارای عدم قطعیت در ساختار و پارامترها، استفاده می شوند. از طرف دیگر، در سال های اخیر براساس ترکیب محاسبات هوشمند و تئوری موجک، روشهای جدیدی مانند شبکه های عصبی موجک(wnns) و شبکه های موجک فازی(fwns) مطرح شده است. این شبکه ها بدلیل ترکیب قابلیت یادگیری شبکه های عصبی و خواص تابع موجک، نه تنها خاصیت آنالیز با دقت چندگانه موجک را حفظ نموده، بلکه دارای مزایایی مانند ساختار ساده، صحت تقریب زنی بالا و قابلیت تعمیم پذیری خوب به سیستم های غیرخطی می باشند. در این پایان نامه، یک کنترل کننده فازی تطبیقی به روش غیرمستقیم برای کنترل گروه خاصی از سیستم های غیرخطی، براساس شبکه های موجک فازی ارائه می شود. کنترل کننده پیشنهادی از دو شبکه موجک فازی جهت تقریب دینامیک نامشخص سیستم به صورت غیربهنگام، استفاده می نماید. به این صورت که ابتدا براساس داده های آموزشی و با تشکیل توری موجک، مجموعه موجک های کاندید انتخاب می-شوند. سپس با استفاده از الگوریتم ols موجک های موثر و پرنفوذ از میان موجک های کاندید برای ساخت زیر-شبکه های عصبی موجک (sub-wnns) تعیین می گردند. هر قانون فازی در ساختار شبکه موجک فازی، متناظر با یک زیر- شبکه عصبی موجک و یک پارامتر تطبیق می باشد. هر زیر- شبکه عصبی موجک نیز، شامل موجک هایی با یک پارامتر مقیاس مجزا می باشد. به این ترتیب، با تعیین تعداد قوانین فازی و زیر- شبکه های عصبی موجک، ساختار هر شبکه موجک فازی برای تقریب دینامیک سیستم تعیین می شود. در مرحله بعد، الگوریتم های فیلتر کالمن توسعه یافته(ekf) و تخمین حداقل مربعات بازگشتی(rlse) جهت تنظیم پارامترهای شبکه به گونه ای بکار می روند که شبکه موجک فازی دارای صحت تقریب زنی بالا و همگرایی سریع گردد. به این ترتیب به صورت غیربهنگام، ساختار هر شبکه موجک فازی برای تقریب دینامیک سیستم به دست می-آید. در مرحله بعد، این ساختارها، به صورت بهنگام برای تقریب توابع نامشخص سیستم در ساختار کنترل کننده، بکار می روند و قوانین تطبیقی برای بهنگام سازی پارامتر تطبیق در هر قانون فازی با استفاده از روش ترکیب لیاپانف به نحوی طراحی می شوند که سیستم حلقه بسته پایدار باقی بماند و خطای ردیابی به سمت صفر همگرا شود. به منظور نشان دادن کارایی و توانایی الگوریتم کنترل پیشنهادی، شبیه سازیهایی بر روی سیستم غیرخطی سرومکانیزم و پاندول معکوس انجام گرفته است.

مسئله ردیابی و تعقیب یک مسیر معین و مطلوب با خطای تعقیب ناچیز توسط ربات یکی از موضوعات مهم و باز تحقیقاتی می باشد. دینامیک غیر خطی و به شدت کوپل شده ربات و وجود نامعینی های مدلسازی از قبیل مشخص نبودن دقیق بار، ممان اینرسی مفاصل و مدل اصطکاک، از جمله مواردی هستند که می توانند پایداری یا عملکرد سیستم کنترل ربات را تقلیل دهند. کنترل با ساختار متغیر که به کنترل لغزشی نیز موسوم است، یکی از روش های بسیار مناسب جهت مقابله با خطای تعقیب مسیر و نامعینی های ساختاری و غیر ساختاری در سیستم ربات می باشد، با این وجود یکی از مشکلات اساسی که در کنترل لغزشی ممکن است ایجاد شود، پدیده چترینگ یا نوسانات ناخواسته حول سطح لغزش است. برای رفع این مشکل روش های مختلفی ارائه شده است که استفاده از لایه مرزی یکی از آن ها می باشد، لکن در روش مذکور علیرغم کاهش چترینگ، معمولا خطای تعقیب افزایش می یابد. در این پایان نامه یک کنترل کننده لغزشی با ساختار چند متغیره برای ربات ها، ارائه می شود که علاوه بر کاهش نوسانات ناخواسته سیگنال کنترل یا چترینگ، خطای تعقیب مسیر را نیز در حضور نامعینی های ساختاری ربات به خوبی کاهش داده و در عین حال سرعت پاسخ را هم افزون تر می نماید، نتایج شبیه سازی به خوبی موید این موضوع می باشند. همچنین ضمن ارائه قانون جدید کنترل، پایداری سیستم حلقه بسته نیز با استفاده از قضیه لیاپانوف تعمیم یافته برای سیستم های غیرخودگردان بررسی و تضمین می گردد. شایان ذکر است که اثبات پایداری سیستم کنترل پیشنهادی با معرفی یک تابع لیاپانوف جدید صورت می پذیرد. همگرائی مسیر حالت سیستم به سطح لغزش نیز با کمک قضیه لیاپانوف بررسی و بحثی پیرامون نحوه و زمان رسیدن به این سطح و ارتباط آن با چترینگ انجام خواهد شد. سایر رهیافت های کلاسیک کنترل ربات از جمله pd توسعه یافته، خطی سازی با فیدبک، pid متداول، pd با جاذبه و نیز کنترل کننده لغزشی معمولی و کنترل کننده قانون رسیدن، همگی با روش پیشنهادی مقایسه و شبیه سازی های لازم بر روی ربات با 6 درجه آزادی puma 560 انجام می شود. نتایج شبیه سازی حاکی از برتری قانون لغزشی پیشنهادی از لحاظ کم کردن چترینگ ، افزایش سرعت پاسخ و نیز کاهش خطای تعقیب نسبت به سایر روش ها می باشد.

در سال های اخیر ادغام محاسبات هوشمند و تئوری موجک، منجر به ارائه راهبردهای جدید و موثری گردیده است. شبکه های موجک فازی که از ترکیب مدل فازی، شبکه های عصبی و تئوری موجک حاصل می شوند، به عنوان یکی از نیرومندترین ابزارها در بسیاری از زمینه های پژوهشی به کار گرفته شده اند. توانایی شبکه موجک فازی و کاربرد وسیع سیستم های چندمتغیره در صنایع مختلف، انگیزه ارائه شبکه موجک فازی چندمتغیره در این تحقیق شد. در این راستا، الگوریتم جدیدی تحت عنوان الگوریتم آموزشی ترکیبی بهبود یافته جهت اعمال به شبکه موجک فازی چندمتغیره طراحی شده، پیشنهاد شده است. شبکه های موجک فازی، یک ساختار رگرسیون غیرخطی می باشند که نگاشت های ورودی خروجی را به وسیله نسخه های بسط و شیفت داده شده از یک موجک مادر ارائه می دهند. همچنین خاصیت مکان یابی زمان- فرکانس تجزیه موجک در خواص مهم شبکه های موجک فازی منعکس می گردد. توانایی این شبکه ها در تقریب تابع و شناسایی سیستم، در بسیاری از تحقیقات نشان داده شده است. علاوه بر ویژگی های ذاتی شبکه موجک فازی، یکی از مهمترین پارامترهای تأثیرگذار در توانایی این شبکه، آموزش و یادگیری آن می باشد. در میان روش های یادگیری مختلفی که برای آموزش شبکه موجک فازی ارائه شده، الگوریتم پس- انتشار خطا بیشترین کاربرد را داشته است. گرچه این الگوریتم دارای توانایی بسیار خوبی در یافتن نقاط بهینه می باشد ، کاستی هایی نیز دارد. یکی از مهمترین کاستی های آن، پایین بودن سرعت همگرایی این الگوریتم می باشد. در صورتی که بتوان این عیب را رفع کرد یا بهبود بخشید، قدرت الگوریتم دوچندان می شود. در این تحقیق، روشی تحت عنوان الگوریتم ترکیبی بهبود یافته جهت آموزش شبکه موجک فازی پیشنهاد شده است. ابتدا این الگوریتم جهت آموزش شبکه موجک فازی تک متغیره استفاده شده است. سپس الگوریتم مذکور جهت یادگیری شبکه موجک فازی چندمتغیره طراحی شده، به حالت چندمتغیره تعمیم یافته و در شناسایی سیستم های چند ورودی چندخروجی غیرخطی به کار گرفته شده است. الگوریتم ارائه شده، ترکیبی از روش های خوشه بندی، حداقل مربعات و پس انتشار خطای تسریع یافته می باشد. در این روش، شبکه موجک فازی طی سه مرحله مقداردهی اولیه، بهینه سازی پارامترهای خطی و بهینه سازی پارامترهای غیرخطی به طور مجزا آموزش می بیند. جهت افزایش سرعت همگرایی، الگوریتم پس انتشارخطای تسریع یافته مبتنی بر بهنگام سازی پارامتر نرخ یادگیری، با روش جدیدی الهام گرفته از روش نصف کردن بازه ها، پیشنهاد شده است. شرایط همگرایی الگوریتم مذکور با بیان قضیه ای به دست آمده است. علاوه بر نتایج رضایتبخش تر روش ارائه شده در مقایسه با سایر روش های استفاده شده، این روش بسیار ساده می باشد. همچنین برخلاف بیشتر کار های انجام شده، هیچ پارامتر یا رابطه اضافه ای را در بر نمی گیرد. ارزیابی الگوریتم پیشنهادی در شناسایی سیستم های غیرخطی ، سرعت همگرایی بسیار بالای آن را در مقایسه با سایر روش های اعمال شده در آموزش شبکه موجک فازی نشان می دهد. پس از ارائه الگوریتم ترکیبی، با توجه به مزایای شبکه موجک فازی و نیاز به شناسایی سیستم های چند متغیره در زمینه های مختلف، شبکه موجک فازی معرفی شده برای سیستم تک ورودی تک خروجی، به حالت چندورودی چندخروجی تعمیم داده شده و شبکه موجک فازی چندمتغیره طراحی شده است. در ادامه، الگوریتم ترکیبی بهبودیافته برای اعمال به شبکه موجک فازی چندمتغیره ارائه شده، به حالت چندمتغیره نیز تعمیم داده شده و توانایی آن در شناسایی سیستم های غیرخطی چند ورودی چند خروجی تست شده است.

امروزه از شبکه های عصبی در زمینه های تحقیقاتی مختلف مانند محاسبات هوشمند، کنترل، شناسایی، پیش بینی سری های زمانی وغیره استفاده می شود. این شبکه ها به دو گروه شبکه های عصبی پیشرو و شبکه های عصبی بازگشتی طبقه بندی می شوند. شبکه های عصبی پیشرو استاتیکی می باشند به این مفهوم که خروجی آنها فقط به ورودی های فعلی شبکه بستگی دارد و این شبکه ها حافظه ندارند. شبکه های عصبی بازگشتی یک تعمیم از شبکه های عصبی پیشرو می باشند که شامل اتصالات پسخور و بلوک های تاخیر می باشند. خروجی این شبکه ها نه تنها به ورودی های فعلی شبکه بلکه به خروجی ها و ورودی های قبلی شبکه نیز بستگی دارد. بنابراین، شبکه های عصبی بازگشتی بسیار قوی تر از شبکه های پیشرو می باشند. از آنجایی که خروجی یک سیستم دینامیکی، تابعی از خروجی های گذشته، ورودی های گذشته یا هر دو آنها می باشد، پس شناسایی وکنترل این سیستم به آسانی یک سیستم استاتیکی نیست. از این رو شبکه های عصبی بازگشتی که نگاشت های دینامیکی هستند، بهترین جایگزین برای سیستم های دینامیکی نسبت به شبکه های عصبی پیشرو می باشند. همچنین شبکه های عصبی در اکثر مواقع، جهت تقریب توابع به تعداد زیادی نرون احتیاج دارند پس ممکن است شبکه در مرحله ی آموزش در یک می نیمم محلی گرفتار شده و سرعت همگرایی شبکه کاهش یابد. یک روش مناسب برای غلبه بر معایب شبکه های عصبی استفاده از توابع موجک در ساختار شبکه می باشد. با توجه به توضیحات فوق، یک شبکه ی عصبی موجک بازگشتی ویژگی های دینامیکی شبکه ی عصبی بازگشتی وعملکرد همگرایی سریع و تقریب زنی بالای شبکه ی عصبی موجک را ترکیب می کند. شبکه ی عصبی موجک بازگشتی به واسطه ی داشتن یک لایه ی موجک مادر متشکل از نرون های بازگشتی، می تواند اطلاعات گذشته ی شبکه را ذخیره کند و برای حفظ پاسخ دینامیکی سیستم از طریق عملیات موقتی خود، با ورودی ها یا خروجی های متغیر با زمان روبرو شود. در این پایان نامه هدف ما طراحی یک کنترل کننده ی بهنگام برای کنترل سیستم های غیرخطی تک ورودی-تک خروجی، بر اساس شبکه ی عصبی موجک بازگشتی می باشد. در این کنترل کننده سیگنال کنترل به صورت بهنگام آموزش داده می شود. بنابراین پارامترهای تطبیق شبکه به گونه ای آموزش می یابند که کنترل کننده ی شبکه ی عصبی موجک بازگشتی پیشنهادی، بتواند سیگنال کنترلی بهنگام را برای کنترل کردن یک سیستم غیرخطی تقریب بزند در حالیکه همگرایی سیستم حلقه بسته نیز تضمین گردد. پایداری سیستم حلقه بسته در حضور کنترل کننده ی پیشنهادی با استفاده از روش لیاپانف اثبات می شود. به منظور نشان دادن توانایی کنترل کننده ی پیشنهادی شبیه سازی هایی روی سیستم سرو مکانیزم غیرخطی و سیستم ربات تک عضو انجام گرفته است و نتایج این شبیه سازی ها با نتایج حاصل از کنترل کننده ی شبکه ی عصبی بازگشتی مقایسه می گردد. همچنین در این پایان نامه، ساختارهای شبکه های عصبی موجک بازگشتی و الگوریتم های یادگیری آنها بررسی می شوند. سپس با استفاده از شبکه ی عصبی موجک بازگشتی شبیه سازی هایی جهت شناسایی یک سیستم دینامیکی غیرخطی پیچیده و پیش بینی سری زمانی معروف mackey glass انجام گرفته است و نتایج حاصل از آن با نتایج به دست آمده از شبکه ی عصبی بازگشتی و شبکه ی انفیس مقایسه می شوند.

هدف از این تحقیق، معرفی سیستم های رده بندی مبتنی بر قانون فازی توسط الگوریتم های تکاملی است. یکی از روش های رایج بیان دانش رده بندی در کاربرد های داده کاوی، استفاده از قوانین اگر- آنگاه می باشد، چنین قوانینی قادر به بیان دانش ضمنی موجود در مجموعه داده به فرمی قابل درک برای انسان هستند. قوانین اگر- آنگاه در سراسر فرایند تصمیم گیری به فرد خبره کمک نموده تا قوانین حاصل از سیستم را با دانش خود ترکیب و تصمیمات آگاهانه تری اتخاذ نماید. با توجه به این که منطق فازی قادر به توصیف روابط غیرخطی بین ورودی و خروجی، مدل سازی ابهام و عدم قطعیت بوده و توانایی استدلال دانش نادقیق و مبهم را دارا می باشد، به نظر می رسد ترکیب آن با قوانین اگر-آنگاه، منجر به استخراج قوانینی مشابه عملکرد انسان شود. به طور کلی سیستم های مبتنی بر قانون از نظر فرایند استنتاج به دو دسته سیستم های مدل ممدانی و تاکاگی سوگنو تقسیم می شوند. استفاده از سیستم های ممدانی و سوگنو به ترتیب منجر به تولید سیستم هایی با قابلیت تفسیر بالا و سیستم هایی با دقت بالا می شود که این دو معیار در ارزیابی سیستم های رده بندی مبتنی بر قانون حائز اهمیت هستند. با توجه به این که حالت ایده آل، تولید قانون های قابل تفسیر با دقت بالا است، در این تحقیق سعی شده که با ارائه ی یک ساختار جدید، دقت حاصل از سیستم های مدل ممدانی تا حد امکان افزایش داده شود. در تمامی روش های بیان شده جهت استخراج قوانین رده بندی فازی، تولید قوانین از طریق داده های ورودی، شامل دو فاز اصلی تقسیم بندی فضای الگو به زیر فضاهای فازی و تعیین قوانین فازی مرتبط با زیر فضاهای موجود است. کارایی سیستم رده بندی فازی وابستگی شدیدی به نحوه ی تقسیم بندی فضای الگو داشته و تقسیم بندی نامناسب منجر به ایجاد قوانین نامناسب خواهد شد. بنابراین در این تحقیق با پیشنهاد یک ساختار سلسله مراتبی جدید، سعی بر این شده است تقسیم بندی به گونه ای انجام شود که زیرفضاهای ریز و درشت به طور همزمان پوشش داده شوند. در این پایان نامه به منظور افزایش دقت قانون های حاصل از سیستم-های مدل ممدانی، دو روش جدید مبتنی بر الگوریتم ژنتیک پیشنهاد شده است. روش پیشنهادی اول با استفاده از الگوریتم ژنتیک مبتنی بر رویه ی میشیگان، به کارگیری روش adaboostو اعمال ساختار سلسله مراتبی پیشنهاد شده، به معرفی یک رده بند مبتنی بر قانون فازی سلسله مراتبی جدید می پردازد. رده بند پیشنهادی دوم نیز با بهره گیری از الگوریتم ژنتیک مبتنی بر رویه ی پیتسبرگ و اعمال ساختار سلسله مراتبی پیشنهاد شده، قوانین فازی تولید می کند. الگوریتم های پیشنهادی بر روی تعدادی از مجموعه داده های معروف رده بندی آزمایش شده و مقایسه ای بین الگوریتم پیشنهادی و برخی از رده بندهای فازی و غیر فازی صورت گرفته است. نتایج حاصل در اغلب موارد برتری روش های پیشنهادی را نشان می دهد.

مدل سازی اکثر فرایندهای هیدرولوژیکی امری مشکل ولی حائز اهمیت است زیرا این فرایندها نتیجه تاثیرات متقابل پارامترهای بسیار زیادی می باشند که منجر به یک سیستم پیچیده می شود. در این میان به دلیل نیاز روز افزون به ذخایر آبی قابل استحصال، رواناب ورودی به مخازن از اهمیت بسیاری برخوردار است. بهدلیل عدم قطعیت ذاتی رواناب، پیش بینی جریان های آتی ورودی به مخزن، در اتخاذ تصمیمات کاربردی و موثر، بسیار مفید و لازم می باشد. در این پژوهش با استفاده از مدل های سیستم استنتاج عصبی-فازی تطبیقی (anfis) که از پایگاه داده ی کاملی برخوردار است، به مدل سازی فرایند بارش-رواناب پرداخته می شود. ازآنجایی که مدل anfis در مواجهه با فرایندهای پیچیده با تعداد پارامترهای زیاد، قوانین زیادی تولید می کند و دچار نفرین ابعادی می شود، با پیش پردازش خوشه بندی فازی به افزایش کارایی مدل anfis پرداخته می شود. در این پژوهش خوشه بندی فازی با دو روش subclust و fcm انجام می شود. خوشه بندی فازی با دسته بندی داده های ورودی به دسته هایی مستقل، ضمن کاهش تعداد ورودی ها به مدل anfis، به علت استقلال دسته ها، هیچ نگاشتی بین دسته ها ایجاد نمی کند و تنها به تعداد دسته های ورودی قانون تشکیل می دهد. با استفاده از خوشه بندی فازی به عنوان پیش پردازش مدل anfis با کاهش قابل توجه تعداد قوانین، علاوه بر اینکه سیستم دچار نفرین ابعادی نمی شود سرعت مدل نیز بسیار افزایش می یابد. در راستای اهداف پایا ن نامه با استفاده از تکنیک های ذکرشده، دو مدل پیش بینی روزانه و ماهانه رواناب توسعه داده شده است که روش anfis با پیش پردازش خوشه بندی فازی fcm بهترین نتایج را دو پیش بینی ارائه نمود. جهت ارزیابی کارایی مدل های معرفی شده، عملکرد مدل fcm در بهره برداری از مخزن جهت شبیه سازی استفاده شده است. نتایج در مقایسه با نتایج حاصل از منحنی فرمان، حکایت از برتری مدل توسعه داده شده در این تحقیق دارد. به طوریکه توانسته است تغییرات نسبت عدم تامین نیاز آبی را در طول سال به میزان قابل قبولی کاهش دهد.

چکیده راه رفتن انسان یکی از مهمترین و پیچیده ترین فعالیت هایی است که توسط مغز انسان سازماندهی می گردد. در حین راه رفتن ، سیستم عصبی و سیستم اسکلتی-عضلانی به صورت هماهنگ با یکدیگر عمل می کنند. مطالعه این حرکت پیچیده و شناخت وبژگی های مرتبط با آن می تواند اطلاعات مفیدی در خصوص الگوهای راه رفتن و تعادل انسان در حین حرکت ، ارائه نماید. شناسایی الگوهای نامتعادل در حین راه رفتن در افراد سالمند از اهمیت ویژه ای برخوردار می باشد .در این افراد با افزایش سن الگوهای حرکت به تدریج دچار تغییر شده و می تواند به عدم تعادل فرد و در نتیجه زمین خوردن در حین راه رفتن منتهی گردد.این در حالی است که در افراد سالمند به دلیل بروز مشکلاتی از جمله پوکی استخوان و ضعف عمومی بدن ، زمین خوردن عموماً به شکستگی های جدی در ناحیه مفاصل اندام تحتانی منجر می گردد.در روش های متداول تشخیص تعادل و یا عدم تعادل فرد در حین راه رفتن ، سیگنال های کینماتیکی با فرکانس 200 هرتز ثبت شده و سپس محاسبات آماری مشخصی بر روی داده های جمع آوری شده انجام می گردد. در این محاسبات آماری ، شاخص هایی همچون میانگین داده ها و یا میزان چولگی به راست و چپ فضای داده ها محاسبه می گردد و سپس مقادیر به دست آمده با مقادیر مربوط به افراد سالم مقایسه می شود. با در نظر گیری شرایط جسمی فرد و تکیه بر مهارت تجربی پزشک ، سعی می گردد تا افراد سالمند مستعد زمین خوردن ، شناسایی گردند.اگرچه در چند دهه اخیر مطالعات بسیار زیادی با هدف شناخت الگوهای نامتعادل حرکت و مدلسازی روابط غیر خطی میان پارامترهای توصیف کننده حرکت ، با استفاده از شبکه های فازی و نروفازی ، شبکه های عصبی و ویولت انجام شده است ولی اکثر این مطالعات از سیگنال های کینماتیکی برای توصیف و مدلسازی راه رفتن استفاده می کنند . این در حالی است که تجهیزات مربوط به ثبت و اندازه گیری این سیگنال ها نسبتاً گران قیمت و در بیشتر مراکز تحقیقات ایران موجود نمی باشد ، از این رو در این پایان نامه از داده های کینتیکی برای آنالیز حرکت استفاده می شود.در این تحقیق دو مساله اساسی در حوزه راه رفتن مورد بررسی قرار می گیرد . مساله اول به بررسی فرکانس موثر نمونه برداری برای ثبت سیگنال های کینتیکی می پردازد. این فرکانس به طور معمول بین 166 تا 200 هرتز انتخاب می گردد . در حالیکه استفاده از این نرخ نمونه برداری به ایجاد حجم بسیار بزرگی از داده ها می انجامد که خود نیاز مند صرف وقت و انجام حجم زیادی از محاسبات برای پردازش می باشد.در مساله اول سعی می گردد تا با تکیه بر قدرت تطبیق شبکه های عصبی و مدل آنفیس در مواجه با ورودی های جدید ، فرکانس نمونه برداری کاهش داده شود و حجم کمتری از داده ها به عنوان فضای نمونه مورد استفاده قرار گیرد.در مساله دوم پس از انتخاب حجم کوچکتری از فضای داده ، طبقه بندی الگوهای کینتیکی بررسی می گردد. در این پایان نامه سعی می گردد تا با استفاده اط شبکه های عصبی و نیز الگوریتم های طبقه بندی نروفازی ، روش مناسبی جهت تفکیک الگوهای راه رفتن افراد سالم و افراد بیمار استفاده گردد به گونه ای که الگوهای کینتکی ثبت شده در حین حرکت افراد به عنوان ورودی به شبکه اعمال گردد و در خروجی شبکه الگوهای مربوط به حرکت افراد سالم و افراد مستعد زمین خوردن از یکدیگر تفکیک گردد. در انتها تایج به دست آمده از اعمال شبکه عصبی و مدل آنفیس با یکدیگر مقایسه می گردد. کلمات کلیدی : راه رفتن ، تعادل،پارامترهای کینتیکی، طبقه بندی الگوها، شبکه عصبی ، مدل آنفیس

خطرناکتر?ن نوع سرطان پوست، م?نومای بدخ?م است که در اثر رشد ب?رو?هی رنگدانههای پوستی ا?جاد میگردد و افزا?ش? 50 درصدی در هر دهه دارد. قطعی تر?ن راه برای تشخ?ص ا?ن سرطان مهلک?، نمونهبرداری از پوست است. نمونهبرداری که یک ?روش تهاجمی برای تشخ?ص ب?ماری است، دارای معا?ب عمده ای میباشد. از طرف دیگر چون شکل ظاهری م?نوما شب?ه به? ?شکل ظاهری دیگر امراض پوستی مانند خال می باشد؛ در بس?اری موارد ن?ازی به انجام عمل نمونهبرداری برای تشخ?ص ضا?عهی? ?ا?جاد شده روی پوست ن?ست. بههم?ن جهت استفاده از روشهای غ?رتهاجمی برای تشخ?ص ا?ن ب?ماری جایگز?ن مناسب?? ?برای حل ا?ن معضل میباشند. بهتر?ن روش موجود برای تشخ?ص ب?ماری م?نومای بدخ?م، روش تصو?ربرداری درماتوسکوپ?? ?میباشد. در ا?ن روش از ضا?عهی موردنظر بهوس?لهی دستگاه درماتوسکوپی عکسبرداری میشود و سپس ا?ن عکس توسط? ?متخصص پوست مورد تجز?ه و تحل?ل قرار می گیرد. اگرچه تصاو?ر درماتوسکوپی قابل?ت ز?ادی در تشخ?ص سر?ع م?نومای? ?بدخ?م دارند ولی تفس?ر آنها بس?ار وقتگ?ر بوده و وابسته به تبحر فرد متخصص است. بههم?ن دل?ل ع?قهمندی ز?ادی در استفاده? از س?ستمهای تشخ?ص به کمک کامپ?وتر و روشهای هوشمند برای تفس?ر تصاو?ر درماتوسکوپ? و تشخ?ص ب?ماری از روی ??آنها بهخصوص در سالهای اخ?ر بهوجود آمده است. در ا?ن تحق?ق، شبکه ی موجک? ?بهعنوان یک س?ستم هوشمند و براساس یک ?الگور?تم پ?شنهادی، بها?ن منظور مورد استفاده قرار می گیرد. این شبکه از خانواده ی شبکه های موجک رشته ثابت می باشد ?که برای تشکیل آن احت?اجی به آموزش شبکه نمیباشد. برای تشکیل شبکه، پس از نرمال?زاس?ون ورودیها، با انتخاب موجک ?مادر و ضرا?ب ش?فت و مق?اس آن توری موجک ?تشکیل میشود و سپس با دو مرحله غربالگری، موجک های پرنفوذ انتخاب ?میگردند. در نها?ت با اجرای الگور?تم حداقل مربعات متعامد تعداد و?ولونهای ??هی مخفی شبکه بههمراه وزن آنها تع??ن? میگردند. از ا?ن شبکه در سه مرحلهی حذف نو?ز، بخشبندی و تشخ?ص ب?ماری از تصاو?ر درماتوسکوپی استفاده میشود.? نو?زی که معمو? برروی تصاو?ر درماتوسکوپی ا?جاد میشود از نوع نو?ز ضربهای است که الگور?تم پ?شنهادی نتا?ج مناسب? در? حذف آن ارائه می دهد. پس از حذف نو?ز که به نوعی یک ?مرحلهی پ?شپردازش محسوب میشود، به بخشبندی و تع??ن مرز? ?ضا?عه پرداخته میشود که ا?ن کار ن?ز با شبکه ی موجک ?پ?شنهادی انجام میگ?رد. به منظور ارز?اب?، نتا?ج روش پشنهادی با? نتا?ج یک ?متخصص آس?بشناسی مقا?سه میشوند. در مرحلهی بعد با توجه به قانون ? ،abcd?تعدادی و?ژگی استخراج میگردد،? ?سپس بهمنظور کاهش زمان محاسبات و همچن?ن افزا?ش دقت نتا?ج، تعداد و?ژگیها کاهش می?ابد. مرحلهی کاهش و?ژگی با? ?سه روش pca،sfs ?و مشورت با متخصص پوست انجام میگ?رد که بهتر?ن نت?جه با روش sfs? حاصل میگردد. در نها?ت به? ?طبقهبندی? و تشخ?ص م?نوما پرداخته میشود که ا?ن مرحله ن?ز با بهرهگ?ری از شبکه ی موجک ?ارائه شده بهعنوان یک ?طبقهبندیکننده، انجام میگ?رد. م?زان دقت و حساس?ت الگور?تم پ?شنهادی در تشخ?ص سرطان م?نوما بهترت?ب برابر 93 و 94 درصد? ???میباشد. ?زم به ذکر است، در ا?ن تحق?ق از یک پایگاه داده ی معتبر برای جمع آوری تصاو?ر درماتوسکوپی استفاده گرد?ده و ?همچن?ن ا?ن پا?اننامه در قالب یک طرح پژوهشی برای مرکز تحق?قات پردازش سیگنال و تصو?ر پزشکی دانشگاه علوم پزشکی? ?اصفهان، انجام گرفته است.?

حجم داده ها در سال های اخیر نه تنها در تعداد نمونه ها، بلکه در تعداد ویژگی ها رشد چشمگیری داشته است. در بسیاری از کاربرد ها مانند انتخاب ژن در داده های میکرو-آرایه و طبقه بندی خودکار متون تعداد ویژگی ها در داده های اولیه بالغ بر 100 تا 10000 ویژگی می باشد. وجود ابعاد بالا در داده ها یک مشکل بزرگ برای داده کاوی، شناسایی الگو و یادگیری ماشین می باشد. بنابر این کاهش داده ها به عنوان یکی از مهمترین قسمت های پیش پردازش است. با رشد علم در سایر زمینه ها و آشکار شدن بسیاری از نادانسته های موجود در هستی و قابلیت تفسیر پدیده های عالم با استفاده از مفاهیم کسب شده، استفاده از این مفاهیم می تواند در علم کامپیوتر و در حل مسائل موجود در این شاخه کمک شایانی بنماید. یکی از زمینه های پر کاربرد، استفاده از مکانیک کوانتوم و مفاهیم موجود در آن در راستای ایجاد الگوریتم های کارآمد می باشد. با توجه به اهمیت مسئله کاهش داده ها، با بررسی مفاهیم موجود در مکانیک کوانتومی و بررسی مدل های اتمی، در نهایت یک مدل کوانتومی پیشنهادی در جهت حل مسئله انتخاب ویژگی استفاده و این مسئله با استفاده از آن مدل گردید. در این مدل ویژگی ها به مانند الکترون های اطراف هسته اتم بوده و در اطراف هسته اتم توزیع می گردند و همانند الکترون ها قابلیت حرکت اطراف هسته اتم را دارا می باشند. در نهایت بهترین مکانی که ویژگی ها می توانند اطراف هسته اتم داشته باشند در حین اجرای الگوریتم بدست می آید و از ویژگی های نزدیک هسته اتم چشم پوشی می شود. با توجه به استفاده از خوشه بندی به صورت نظارت شده در متن الگوریتم پیشنهادی مسئله انتخاب ویژگی به صورت همزمان توانایی تولید مراکزی برای خوشه ها در راستای کلاس بندی نمونه های جدید را خواهد داشت . هر مرکز خوشه به عنوان نماینده ای از نمونه های کلاس خود می باشد. بررسی های صورت گرفته نشان دهنده توانایی بالای این مراکز در پیش بینی کلاس نمونه های جدید می باشد. به منظور بررسی میزان کارایی مدل ارائه شده برای انتخاب ویژگی ها ، الگوریتم پیشنهادی با تعداد مناسبی از الگوریتم های شناخته شده در این زمینه مقایسه شد. نتایج ارزیابی نشان دهنده برتری قابل ملاحظه الگوریتم پیشنهادی و مناسب بودن مدل کوانتومی پیشنهادی برای مسئله انتخاب ویژگی می باشد.

تخمین فرکانس یکی از مسائل اساسی در تئوری سیستمها و پردازش سیگنال است و کاربردهایی در زمینه های مختلف مهندسی برق مانند کنترل و شناسایی سیستمها، مهندسی پزشکی، کنترل و حفاظت سیستمهای قدرت، مخابرات و رادار دارد. در یک دهه اخیر یک الگوریتم تخمین فرکانس سیگنالهای سینوسی مبتنی بر فیلتر شکاف دار وفقی مورد توجه محققین قرار گرفته است. این الگوریتم که anf چندتایی نامیده می شود از n زیر فیلتر موازی تشکیل شده است که هر زیر فیلتر پارامترهای یکی از مولفه های یک سیگنال شبه تناوبی شامل مجموع k سیگنال سینوسی را تخمین می زند. برای این ساختار سه حالت مختلف پایداری در حالتهای n>k,n=k,n<k می تواند مورد بررسی قرار گیرد. در حالت n=k، فرکانسهای سیگنال شبه تناوبی ورودی نقاط تعادل مجزای anf چندتایی هستند و پایداری نمایی این نقاط تعادل بررسی و اثبات می شود. در حالت n>k ، anf چندتایی دارای پیوستاری از نقاط تعادل است. در این حالت از مفهوم شبه پایداری استفاده شده و ثابت می شود فرکانس تخمینی k تا از زیر فیلترها به فرکانسهای سیگنال شبه تناوبی میل کرده و فرکانس تخمینی بقیه زیر فیلترها به کندی تغییر می کنند و به نزدیکترین فرکانس سیگنال ورودی بعد از یک مدت زمان نسبتا طولانی همگرا می شوند. در حالت n<k ، فرکانسهای تخمینی دارای بایاس و واریانس بوده و کرانداری نهایی مقادیر تخمینی در حضور اغتشاش مطرح می باشد. بویژه n=1 و موقعی که ورودی سیگنال سینوسی همراه با سیگنالهای نامطلوب است در کاربردهای عملی از اهمیت بیشتری برخوردار است. این سیگنالهای نامطلوب می تواند مولفه های هارمونیکی و یا غیر هارمونیکی سیگنال سینوسی، و یا نویز سفید یا رنگی باشد. در این پایان نامه، ضمن معرفی anf چندتایی و بررسی ویژگی های آن، حالات بیان شده در قبل برای anf چندتایی مورد تحقیق قرار می گیرد. به منظور بهبود عملکرد anf در حضور سیگنالهای نامطلوب راهکارهایی ارائه خواهد شد. مهمترین راهکاری که در این پایان نامه مطرح می شود استفاده از تابع پنجره در حلقه تخمین فرکانس anf است. سابقه استفاده از تابع پنجره به تبدیل فوریه گسسته و شکلهای اصلاح شده آن باز می گردد که باعث بهبود این الگوریتم در پردازش سیگنالها می شود. بررسی های انجام شده در این پایان نامه نشان می دهد که تابع پنجره اثرات مطلوبی در تخمین پارامترهای سیگنال سینوسی توسط anf در حضور مولفه های ناخواسته دارد.

روش های مختلفی برای کنترل تطبیقی سیستم های غیرخطی با پارامترهای نامعلوم و ناشناخته مطرح گردیده است. البته این نامعینی ها ثابت و یا با تغییرات آرام در نظر گرفته می شوند. گاهی این نامعینی ها ثابت نیستند که می توانند ناشی از پارامترهای متغیر با زمان سیستم و یا اختلال های وارد شده به سیستم باشد. روش های متعارف کنترل تطبیقی در کنترل این نوع سیستم ها، محدودیت هایی دارند. در نتیجه بررسی سیستم های متغیر با زمان می تواند مورد اهمیت ویژه واقع گردد. هدف اصلی این تحقیق، بررسی کنترل تطبیقی سیستم های غیرخطی آفاین و غیرآفاین متغیر با زمان با استفاده از شبکه های عصبی می باشد که عبارت متغیر با زمان متناوب می تواند به صورت غیرخطی وارد دینامیک سیستم شود. تنها اطلاعات موجود از سیستم، تناوب عبارت متغیر با زمان است. از شبکه عصبی به منظور تخمین نامعینی ها استفاده می شود. قوانین تطبیق پیشنهادی، وزن های شبکه عصبی را به گونه ای به روزرسانی می کند که پایداری سیستم و همگرایی مجانبی خطای تعقیب به سمت صفر تضمین گردد. در ابتدا سیستم های غیرخطی آفاین در نظر گرفته می شود و برای تخمین توابع نامعین سیستم از شبکه های توابع پایه ای شعاعی استفاده می شود. برای غلبه بر خطای تقریب شبکه عصبی از عبارت مقاوم در قانون کنترل استفاده می گردد. قانون کنترل و قوانین تطبیق پیشنهادی، اهداف کنترلی را برآورده می کند. به بیان دیگر، سیستم، پایدار است و همگرایی مجانبی خطای تعقیب به سمت صفر تضمین می گردد. در ادامه کار، روش پیشنهادی را به کلاسی از سیستم های غیرخطی غیرآفاین متغیر با زمان توسعه می دهیم. در این راستا، در ابتدا با استفاده از قضایای مطرح شده وجود یک کنترل کننده که باعث پایداری سیستم حلقه بسته می شود نشان داده می شود و سپس این کنترل کننده طبق قوانین تطبیقی پیشنهادی به گونه ای طراحی می گردد که اهداف کنترلی تضمین گردد. در ادامه، طرح پیشنهادی را با استفاده از شبکه های عصبی موجک با پارامتر های متغیر نیز برای تخمین نامعینی ها، توسعه می دهیم و با تعداد نرون کمتر به نتایج مطلوب می-رسیم.

بیماری مالاریا با تهدید تقریبا نیمی از جمعیت کره ی زمین، از مهم ترین مشکلات بهداشتی جهان محسوب می شود. روش قطعی در تشخیص مالاریا، مشاهدات میکروسکوپی گسترش های خونی بیماران است. گسترش های خونی، روش هایی برای تثبیت موقعیت انگل بر روی لام خون می باشند. تشخیص مالاریا با استفاده از مشاهدات میکروسکوپی، وظیفه ی زمان بر و خسته کننده ای برای تکنسین محسوب می شود. علاوه بر این ، به دلیل واگذاری تصمیم نهایی به چشم و نظر انسان، احتمال بروز خطا در تصمیم گیری بویژه در مراحل ابتدایی شکل گیری انگل در خون وجود دارد. بکارگیری روش های کامپیوتری به منظور اتوماتیک نمودن روند تشخیص، می-تواند در رفع برخی از مشکلات موجود مفید واقع شود. با توجه به این مسئله در این تحقیق، شکل و یا محدوده ی آلوده به انگل به صورت اتوماتیک استخراج می گردد. نحوه ی دست یابی به این محدوده، با ارائه ی یک روند جستجوی کامل انجام شده است که بخش اصلی الگوریتم پیشنهادی در تشخیص اتوماتیک مالاریا را به خود اختصاص می دهد. به صورت کلی، الگوریتم پیشنهادی شامل مراحل پیش پردازش، بخش بندی، استخراج ویژگی ها و طبقه بندی می باشد. مرحله ی پیش پردازش با استفاده از الگوریتم فیلترگذاری انتشار غیر خطی به منظور حذف نویزهای موجود در تصویر انجام می شود. وظیفه ی مرحله ی بخش بندی، جداسازی اشیاء رنگ شده در تصویر، که کاندیدهایی برای حضور انگل هستند، بوده و هر شیء استخراجی ورودی الگوریتم جستجو در نظر گرفته می شود. الگوریتم جستجو پیشنهادی بر پایه ی الگوریتم برازش بیضی به روش حداقل مربعات می باشد و شکل انگل را در طی چند مرحله جستجو شامل جستجوی هسته، جستجوی دایره ای و جستجوی بیضوی کامل می نماید. جستجوی هسته در واقع یک آستانه-گذاری بر مبنای شدت روشنایی است. با اعمال جستجوی دایره ای، موقعیت و نقاط اولیه حضور انگل در اطراف هسته ی استخراجی تعیین می گردد. بعداز این مرحله، الگوریتم برازش بیضی به نقاط اولیه برازش شده تا پارامترهای جستجوی بیضوی بدست آید. جستجوی بیضوی با استفاده از پارامترهای بیضی اعمال شده، جستجو را در حوالی بیضی برازش شده متمرکز کرده و شکل انگل را کامل می کند. پیشنهاد این مرحله در تشخیص اتوماتیک مالاریا، علاوه بر این که مراحل استخراج ویژگی ها و طبقه بندی را ساده و سریع نموده است، الگوریتم پیشنهادی را در برخورد با گلبول های هم پوشان بدون نیاز به روش های جداسازی چنین گلبول هایی توانمندکرده است. الگوریتم پیشنهادی با استفاده از ویژگی های هندسی استخراجی و قوانین تصمیم گیری، تصمیم گیری لازم مبنی بر سالم یا آلوده بودن گلبول را اتخاذ می نماید. اعمال الگوریتم پیشنهادی به تصاویر تهیه شده از گسترش نازک خون، در گروه آسیب-شناسی دانشگاه علوم پزشکی اصفهان زیر نظر دکتر طالبی،حساسیت %21/ 82 و خصوصیت %02/98 را نتیجه داده است.

منطق فازی زیر مجموعه ای از محاسبات نَرم است که توانایی تصمیم گیری در شرایط نامعینی و عدم قطعیت را به سیستم های کامپیوتری می دهد. سیستم های خُبره فازی، امروزه حضوری موفق در برخی امور از جمله تصمیم گیری در شرایط عدم قطعیت و کنترل سیستم های پیچیده دارند. اما تعیین دقیق درجه عضویت دریک سیستم فازی بسیار مشکل می باشد، خصوصاً در سیستم های ناشناخته و یا به شدت غیرخطی و دارای عدم قطعیت، این امر بسیار مشکل ساز است. این مشکل با استفاده از منطق فازی نوع-2 و سیستم های فازی نوع-2 مرتفع گردیده است. در منطق فازی نوع-2، درجه عضویت یک عدد فازی است و در نتیجه سیستم های فازی نوع-2 با قدرت انعطاف پذیری بیشتر و توانایی بالاتر در مدلسازی سیستم های با عدم قطعیت بالا، در سال های اخیر بیشتر مورد توجه قرار گرفته اند. شبکه های عصبی فازی، یک نوع از سیستم های هوشمند ترکیبی هستند که بر اساس محاسبات عصبی فازی بنا شده و از ترکیب سیستم های فازی و شبکه های عصبی حاصل شده اند. این ساختارها توانایی یادگیری شبکه های عصبی و قدرت استنتاج سیستم های فازی را دارا می باشند. لذا می توان شبکه های عصبی فازی را که مزایای سیستم های فازی و شبکه های عصبی را بطور یکجا دارا هستند، برای کاربردهای مختلف به کار برد. همچنین در سال های اخیر با تعمیم منطق فازی نوع-1 به منطق فازی نوع-2، شبکه های عصبی فازی نوع-1 به شبکه های عصبی فازی نوع-2 گسترش یافته اند. این پایان نامه به معرفی منطق فازی نوع-2، سیستم های فازی نوع-2، بررسی ساختار های مختلف شبکه های عصبی فازی نوع-2 و الگوریتم آموزش آنها جهت کنترل سیستم های دینامیکی غیرخطی می پردازد. با توجه به پیچیده بودن مدل های عصبی فازی نوع-2 نسبت به مدل های چند جمله ای، برای گسترش استفاده از مدل های عصبی فازی نوع-2 بایستی این مدل ها هرچه بیشتر ساده شوند. در این پایان نامه روش پیشنهادی جهت ساده سازی شبکه های عصبی فازی نوع-2، کاهش تعداد قواعد فازی است. با کاهش تعداد قواعد فازی با روش دستی و خودکار، تعداد پارامتر های مدل بسیار کم خواهد شد و مدت زمان آموزش شبکه نیز کاهش خواهد یافت. کاهش تعداد قواعد در موارد استفاده برخط از شبکه های عصبی فازی نوع-2 در شناسایی و کنترل بسیار کمک خواهد کرد. همچنین دو روش طراحی کنترل کننده که عبارتند از کنترل معکوس تطبیقی وکنترل تطبیقی به روش غیرمستقیم، با استفاده از شبکه های عصبی فازی نوع-2 بیان می شوند. این کنترل کننده ها به ترتیب برای سیستم کنترل دمای آب و سیستم دو تانک طراحی شده و نتایج شبیه سازی آنها مورد بررسی قرار گرفته است.

در سیستم های کنترلی امروزی، پردازش بهنگام سیگنال ها از اهمیت ویژه ای برخوردار است. زیرا این سیگنال ها حاوی اطلاعاتی از سیستم و بنابراین عملکرد آن هستند. هر چه بتوان اطلاعات بیشتری از سیگنال های در دسترس استخراج کرد، طبیعتا توصیف دقیق تری از خصوصیات سیستم در اختیار داریم و در نتیجه توانایی کنترلی بالاتری خواهیم داشت. بنابراین پژوهش های بسیاری جهت رویارویی با سیگنال هایی که وجودشان از قبل قابل پیش بینی می باشد انجام گرفته است. یک دسته از این سیگنال ها که در کاربردهای گوناگون ظاهر می شوند سیگنال های سینوسی و در حالت کلی تر سیگنال های سینوسی میرا هستند. سیگنال های سینوسی میرا در گستره وسیعی از کاربردها ظاهر می شوند. چه به منظور کاربردهای کنترلی (همچون حذف اغتشاش) و چه به قصد پردازش سیگنال، یافتن الگوریتمی که توانایی استخراج و تعقیب پارامترهای این سیگنال را داشته باشد، حائز اهمیت می باشد. این موضوع پژوهشگران را بر آن داشته تا به دنبال راهکارهایی مناسب جهت استخراج پارامترهای این نوع سیگنال به منظور کاربردهای بهنگام باشند. تخمین پارامتر در سیگنال های سینوسی میرا می تواند شامل تخمین دامنه، ضریب میرایی، فرکانس و فاز باشد. با توجه به این موضوعات، در این پایان نامه ابتدا الگوریتم جدیدی مبتنی بر استفاده از شبکه های عصبی آدالاین تک ورودی و دو ورودی برای تخمین بهنگام فرکانس و ضریب میرایی یک سیگنال سینوسی میرای مختلط ارائه شده است.

چکیده در سال های اخیر، ادغام محاسبات هوشمند و تیوری موجک منجر به ارایه راهبردهای جدید و موثر گردیده است که از آن جمله می توان به شبکه های عصبی موجک و شبکه های موجک فازی اشاره کرد. در شبکه های موجک خاصیت تقریب زنی عمومی تضمین شده و یک ارتباط روشن بین ضرایب شبکه و تبدیل موجک جهت حدس مقادیراولیه پارامترهای شبکه برقرار می شود. همچنین اندازه شبکه در مقایسه با سایر شبکه ها با بدست آوردن سطح تقریب زنی یکسان کاهش می یابد. از طرف دیگر شبکه های موجک تقریب زنهای بهینه می باشند. این بدان مفهوم است که این شبکه ها جهت تقریب یک تابع با دقت دلخواه کمترین تعداد بیت را نیاز دارند. خاصیت مکان یابی زمان- فرکانس تجزیه موجک در خواص مهم شبکه های موجک منعکس می شود طوری که شبکه های عصبی موجک قادر هستند هر تابعی را با دقت دلخواه به وسیله جمع محدودی از موجکها تقریب بزنند و رفتارهای متفاوت تابع مورد تقریب (رفتارهای مکانی و سراسری) را استخراج نمایند. همچنین از طریق انتخاب موجک های پرنفوذ و موثر بر اساس مجموعه داده های آموزشی در شبکه موجک، یک گسسته سازی وفقی از تبدیل موجک فراهم می شود ودر نتیجه شبکه موجک را می توان برای ابعاد بزرگ ورودی بکار برد . بر این اساس ما در این رساله یک کنترل کننده شبکه موجک فازی تطبیقی برای کنترل سیستمهای غیرخطی affine، بر اساس ادغام تیوری آنالیز با دقت چندگانه تبدیل موجک و قوانین فازی پیشنهاد کرده ایم. کنترل کننده بهره تطبیقی که بر اساس روش مستقیم تطبیقی ساخته می شود، توانایی تنظیم پارامتر تطبیق در هر قانون فازی را در زمان حقیقی عملکرد سیستم، دارا می باشد. هر قانون فازی در ارتباط با یک زیر-شبکه عصبی موجک و یک پارامتر تطبیق است. هر زیر-شبکه عصبی موجک شامل موجکهایی با یک پارامتر مقیاس بخصوص می باشد طوری که میزان شرکت هر زیر-شبکه عصبی موجک قابل انعطاف است. از روش ols جهت تعیین اندازه شبکه شامل تعداد قوانین فازی و تعداد موجکها در هر قانون فازی و غربال کردن موجکها در هر زیر-شبکه عصبی موجک استفاده می شود. از آنجایی که روش موثر انتخاب موجکهای موثر در الگوریتم ols به ابعاد ورودی حساس نمی باشد، ابعاد تابع مورد تقریب نمی تواند مانعی در جهت ساختن شبکه فازی موجک ایجاد نماید. شبکه موجک فازی بر اساس مجموعه داده های آموزشی از سیستم نامی ساخته می شود و قوانین فازی ساخته شده با استفاده از آموزش پارامترهای شیفت موجکهای انتخابی و شکل توابع عضویت فازی تنظیم می گردند. سپس تنظیم پارامترهای تطبیق بصورت بهنگام طوری انجام می گیرد که کنترل کننده شبکه موجک فازی تطبیقی پیشنهادی بتواند فرمان کنترل خطی سازی با فیدبک را تقریب بزند و سیستم حلقه بسته پایدار باقی بماند. به منظور نشان دادن کارآیی و توانایی طرح کنترل پیشنهادی شبیه سازیهایی بر روی سیستم پاندول معکوس انجام گرفته است. نتایج شبیه سازیها قابلیتهای مهم طرح کنترل پیشنهادی را منعکس می سازند و نشان می دهند که مشخصات پاسخ گذرا بهبود یافته وهمچنین تعداد قوانین فازی و پارامترهای تطبیق قابل تنظیم به صورت بهنگام کاهش یافته اند.

بیماری دیابت یکی از جدی ترین، شایع ترین و پرهزینه ترین بیماری های غدد در جهان است که کنترل آن نیازمند تنظیم و کنترل مصنوعی سطح غلظت گلوکز خون می باشد. جدیدترین آمار سازمان سلامت جهانی، افزایش جمعیت بیماران دیابتی بزرگسال را از % 4 (180 میلیون) در سال 2008 به % 4/5 (350 میلیون) در سال 2030 پیش بینی کرده است. در این میان، در حال حاضر کشور ایران حدود 7 میلیون نفر (9/8 درصد) بیمار مبتلا به دیابت دارد. بیماری دیابت، یک اختلال در سوخت و ساز بدن است که به طور عمده به دو دسته ی دیابت نوع اول و دیابت نوع دوم تقسیم بندی می شود. در دیابت نوع اول عکس العمل خودایمنی بدن منجر به نابودی سلول های بتا در لوزالمعده می گردد که عدم تولید انسولین را در پی دارد. در دیابت نوع دوم، بدن فرد در برابر انسولین مقاومت نشان می دهد. به طور کلی در بیماری دیابت از هر نوع، سلول ها قادر به تبدیل کربوهیدرات ها به انرژی مورد نیاز بدن نیستند و این امر باعث غلظت بالای گلوکز خون (بالاتر از 180 میلی گرم در دسی لیتر) یا هایپرگلایسمی می شود. غلظت بالای گلوکز خون برای مدت طولانی منجر به عواقب مزمن از جمله بیماری های قلبی، نارسایی کلیه، نابینایی، سکته ی مغزی و قطع عضو خواهد شد. از طرف دیگر، بر اثر تزریق دوز زیاد انسولین در بیمار دیابتی، افت شدید غلظت گلوکز خون (پایین تر از 60 میلی گرم در دسی لیتر) یا هایپوگلایسمی ایجاد می شود که منجر به بیهوشی، کما و حتی مرگ بیمار دیابتی خواهد شد. طبق دلایل ذکر شده، کنترل دقیق غلظت گلوکز خون در بیماران دیابتی نوع اول از اهمیت زیادی برخوردار بوده و در چند دهه ی اخیر، تحقیقات گسترده ای در این زمینه صورت گرفته است. این پایان نامه سعی در ارائه ی کنترل کننده ی مناسب برای کنترل سطح گلوکز خون در بیمار دیابتی نوع اول با توجه به مدل انتخاب شده برای سیستم گلوکز- انسولین دارد. به این منظور، در ابتدا برای طراحی کنترل کننده، یک مدل غیرخطی از فرد دیابتی نوع اول (مدل مینیمال) در نظر گرفته می شود. سپس جهت بررسی صحت مدل مذکور برای سیستم گلوکز- انسولین، این مدل به ازای پارامترها و فرضیه های مختلف ارائه شده در مقالات مختلف شبیه سازی می شود تا از این طریق، مقادیر درست برای پارامترهای مدل در نظر گرفته شود. در مرحله ی بعدی، کنترل کننده ی فیدبک خطی ساز به منظور کنترل سطح غلظت گلوکز خون، پیشنهاد می شود و پایداری آن بررسی می گردد. به منظور نشان دادن قابلیت های کنترل کننده ی مذکور عملکرد آن در برابر اغتشاش غذا و تغییر پارامترها بررسی شده است. براساس نتایج به دست آمده، این کنترل کننده، دارای سرعت خوبی برای همگرایی گلوکز به مقدار مرجع است و به خوبی اختلال غذا را حذف می کند. در مرحله ی بعدی، با توجه به عملکرد مطلوب کنترل کننده های مد لغزشی مرتبه اول و مرتبه بالا در برابر دینامیک های مدل نشده، در راستای بهبود این روش ها و حذف پدیده ی لرزش در آن ها، این دو روش با منطق فازی ترکیب شده اند و حاصل این امر دو کنترل کننده ی مد لغزشی مرتبه بالای فازی و کنترل مد لغزشی مرتبه اول فازی می باشد. به منظور نشان دادن قابلیت های کنترل کننده ها ی مذکور عملکرد این دو کنترل کننده نیز در برابر اغتشاش غذا و تغییر پارامترها مورد بررسی قرار می گردد. نتایج شبیه سازی توانایی کنترل کننده های پیشنهادی را در کنترل سطح غلظت گلوکز خون و حذف پدیده ی لرزش در سیگنال کنترلی نشان می دهد.

بیماری دیابت ناشی از اختلال در سوخت و ساز بدن است و به دلیل قطع تولید انسولین و یا عدم ترشح کافی آن توسط لوزالمعده در بدن بوجود می آید و باعث می شود تا سطح گلوکز خون خارج از حد نرمال قرار گیرد. با توجه به گزارش سازمان سلامت جهانی هم اکنون حدود 180 میلیون نفر از افراد در سراسر جهان از بیماری دیابت رنج می برند و این تعداد به سرعت در حال افزایش است و پیش بینی می شود در سال 2030 این تعداد به بیشتر از 350 میلیون نفر برسد. در حال حاضردرمان قطعی برای بیماری دیابت وجود ندارد وافراد مبتلا به دیابت برای جلوگیری از عوارض ناشی از این بیماری باید به مدیریت و کنترل آن بپردازند تا از این طریق بتوانند سطح گلوکز خود را در سطح مطلوب نگه دارند. در واقع می توان سیستم کنترلی را در نظر گرفت که هدف آن نگه داشتن سطح گلوکز خون در حد مطلوب است. همانند سایر سیستم های کنترل، در کنترل و مدیریت بیماری دیابت نیز، یکی ازمهم ترین قسمت ها، اندازه گیری سطح گلوکز خون به عنوان خروجی سیستم می باشد. به بیان دیگر، کنترل این بیماری بدون آگاهی از سطح گلوکز خون مانند رانندگی در جاده با چشمان بسته می باشد. در حال حاضر دستگاه های بسیاری برای اندازه گیری سطح گلوکز خون وجود دارند اما تمامی آنها تهاجمی هستند، یعنی برای اندازه گیری سطح گلوکز خون نیاز به قطره ای از خون دارند که این امر مستلزم سوراخ نمودن بافت است و معمولا توام با درد و رعایت سایر موارد بهداشتی است و در طولانی مدت هزینه بالایی را به بیمار تحمیل می کند. با توجه به مشکلات ذکر شده، در دو دهه اخیر تلاش های بسیاری برای ساخت دستگاه غیر تهاجمی برای اندازه گیری سطح گلوکز خون به صورت اپتیکی در ناحیه مادون قرمز شده است، اما به دلیل ضریب جذب بسیار کوچک توسط مولکول های گلوکز در این ناحیه وسیگنال بسیار ضعیف تولید شده توسط گلوکز، این تلاش با شکست روبرو شده است. دیدگاه دیگری که وجود دارد استفاده از اثرات گلوکز در پراکندگی نور است. با توجه به اینکه اثر گلوکز به صورت مستقیم روی پراکندگی نور همچنان کوچک است، از پارامتر های مختلفی برای بزرگ نمایی این اثر استفاده می شود. هدف این پایان نامه بررسی اثر گلوکز روی نور عبوری از بافت با در نظر گرفت اثر پراکندگی جهت تخمین سطح گلوکز خون در بدن می باشد. به این منظور، ابتدا به بررسی دو نظریه مهم توصیف پراکندگی نور در بافت می پردازیم و با استفاده از نظریه mie و تقریب wkb ، پراکندگی نور توسط بافت به کمک این دو نظریه تحلیل و شبیه سازی می شود. سپس از این دو نظریه برای مدل سازی و مشاهده اثر تغییرات سطح گلوکز خون در ضرایب پراکندگی، نور عبوری از بافت و سایر پارامترهای مربوط به پراکندگی نور در بافت بیولوژیک استفاده می شود. همچنین پارامتر های به کار گرفته شده برای مشاهده اثر گلوکز دارای حساسیت کافی نسبت به گلوکز نمی باشد، به همین دلیل در این پایان نامه با پیشنهاد پارامترهای جدید s و mgsp به منظور افزایش حساسیت پارامترهای پیشنهادی نسبت به گلوکز، شبیه سازی ها تکرار شده و با نتایج قبلی مقایسه می شود، و شاهد افزایش حساسیت این پارامتر ها نسبت به گلوکز خواهیم بود. همچنین یک نمودار کالیبراسیون برای اندازه گیری غیر تهاجمی گلوکز به صورت اپتیکی به کمک این پارامترها بدست می آید. در پایان کلیاتی در مورد ساخت نمونه اولیه دستگاه غیر تهاجمی اندازه گیری قند خون به صورت اپتیکی ارائه خواهد شد.

هواپیما بدون سرنشین (پهپاد) به وسایل پرنده ای اطلاق می گردد که از راه دور و یا توسط خلبان خودکار داخلی هدایت و کنترل می گردد. آن ها می توانند انواع مختلف از لوازم جانبی از قبیل دوربین ها، سنسورها و تجهیزات ارتباطی را حمل کنند این پرنده-ها قادر به انجام عملیاتی از قبیل ره گیری هوایی، تصویربرداری از میدان نبرد، ردیابی اهداف زمینی، هدف هوایی، جنگ الکترونیک، عملیات انتحاری و غیره هستند. این پرنده ها نسبت به هواپیماهای باسرنشین دارای هزینه ساخت و هزینه تعمیرات و نگهداری پائین تری می باشند. فنّاوری های امروزه برای پهپادهایی که در محیط های نسبتاً ساختاربندی شده قرار دارند کفایت می کند؛ اما این روش ها برای محیط های دارای نامعینی دارای مشکلاتی هستند. ازاین رو کنترل خودکار برای پهپادها پیشنهاد داده شده است. سیستم های کنترل خودکار به گونه ای طراحی شده اند که قادر باشند در حضور نامعینی های قابل توجه در سیستم و محیط واکنش خوبی نشان دهند؛ این سیستم ها باید بتوانند بدون دخالت عوامل بیرونی بر مشکلات ناشی از خرابی ها فائق آیند. سیستم های کنترل خودکار از تکنیک های هوش مصنوعی برای دست یابی به این سطح از خودکاوی استفاده می کنند. در این تحقیق از کنترل کننده فازی تطبیقی غیرمستقیم برای کنترل موقعیت پهپاد استفاده شده است. پارامترهای شناساگر فازی بهنگام و با استفاده از خطای بین خروجی مدل و خروجی شناساگر به روز می شوند. حساسیت (تغییرات خروجی نسبت به ورودی) پهپاد تقریباً با حساسیت شناساگر برابر است. با استفاده از حساسیت شناساگر و اختلاف بین ورودی مطلوب و خروجی سیستم پارامترهای کنترل کننده فازی تطبیق می یابند که این عامل باعث افزایش همگرایی سیستم می شود

ارزیابی ریسک به عنوان یکی از اجزای اصلی سیستم مدیریت بهداشت، ایمنی و محیط زیست، تکنیکی برای شناسایی و ارزیابی مولفه ها و عواملی است که ممکن است موفقیت یک پروژه یا دستیابی به یک هدف را به مخاطره بیندازند. این فرایند، روشی برای تعیین اندازه کمّی و کیفی خطرات و بررسی پیامدهای بالقوه ناشی از حوادث احتمالی بر روی افراد، مواد، تجهیزات و محیط زیست است. روش های مختلفی برای ارزیابی ریسک مورد استفاده قرار می گیرد که روش های hazop، fmea، pha، fta و eta از جمله مهم ترین این روش ها به شمار می آیند. با توجه به این که اکثر روش های مدل سازی، استدلال و محاسبات سیستم های معمول به صورت مشخص، قطعی و صریح است، توانایی ما برای بررسی صریح، دقیق و همه جانبه سیستم ها بسیار پرهزینه و زمان بر خواهد بود. در چنین شرایطی نتایج روش های معمول ارزیابی ریسک با توجه به پیوسته بودن دامنه تغییرات مولفه های شاخص جهت استفاده در مدل های ارزیابی جهت تسهیل در فرایند تصمیم گیری نمی تواند نتایج باارزشی را به همراه داشته باشد. با توجه به این که کاربرد اساسی منطق فازی تشخیص حوزه-ی متغیرهای پیوسته است، هدف اصلی این مطالعه توسعه یک روش جدید برای ارزیابی ریسک های hse با تأکید بر پتانسیل آسیب رسانی بر کارکنان، محیط زیست شغلی و تجهیزات فرایندی با استفاده از دانش نوظهور منطق فازی است. در این مطالعه اهمیت ریسک خطای hse با توجه به سه شاخص شدت اثر، احتمال وقوع و احتمال کشف به وسیله¬ی تکمیل پرسشنامه توسط متخصصان و کارشناسان پالایشگاه اول پارس جنوبی تعیین گردید. سپس مقادیر سه مولفه اصلی توسط فاکتوری به نام ضریب مشارکت پردازش و پس از فازی سازی و تبیین قواعد فازی، شاخص سطح ریسک به عنوان خروجی مدل محاسبه گردید و جهت اولویت دهی گزینه های مدیریتی و تسهیل در فرایند تصمیم گیری در چهار طبقه (غیرقابل تحمل، شدید، قابل تحمل، خفیف) دسته بندی و راهکارهایی جهت کاهش سطح ریسک به صورت جزءبه جزء پیشنهاد گردید. نتایج حاصل از این مطالعه نشان داد که حدود 0.4 درصد ریسکهای پالایشگاه اول در سطح "غیرقابل تحمل"، 79 درصد در سطح "شدید"، 20 درصد در سطح "قابل تحمل" و حدود 0.7 درصدر در سطح "خفیف" قرار دارند. این نتایج نشان¬دهنده¬ی آن است که اکثر غالب ریسکها (حدود 99 درصد) بالاتر از سطح "شدید" بوده و بنابراین بایستی در برنامه های مدیریت محیط زیست پالایشگاه اول نسبت به کنترل و کاهش سطح آنها به حد قابل قبول اقدام نمود. این مطالعه نشان داد که منطق فازی به عنوان دانش تجزیه و تحلیل عدم قطعیت ها می تواند به عنوان ابزاری ارزشمند برای بیان انتقال تدریجی درجه وابستگی عناصر از عضویت به عدم عضویت به کار رود و باعث افزایش کارایی و قابلیت استفاده از سیستم های مورد ارزیابی گردد وکمک های ارزشمندی را به سطوح کارشناسی و مدیریتی در شناسایی و کنترل ریسک ارائه دهد.

تاکنون روند رو به رشد توسعه به گونه ای بوده که حفاظت محیط زیست را تحت تاثیر قرار داده است.صنعت سیمان یکی از صنایعی است که در سال های اخیر افزایش پیدا کرده است. صنعت سیمان به دلیل انواع آلودگی های مخرب محیط زیست، مطابق با مصوبات شورای عالی حفاظت محیط زیست نیاز به تهیه گزارش ارزیابی اثرات دارد. قرارگرفتن کارخانه سیمان سبزوار در منطقه حفاظت شده پروند نیاز به انجام ارزیابی اثرات زیست محیطی را بیش از پیش ضرورت بخشیده است. هدف ارزیابی اثرات زیست محیطی کمینه کردن مقدار معنی داری اثرات طرح توسعه می باشد. معنی داری یک متغیر غیر قابل اندازه گیری است که به راحتی نمی توان آن را در سمت راست یک معادله قرار داد. از این رو لازم است تا آن را به متغیر های قابل اندازه گیری یا معیار های اثر شکسته و با محاسبه آنها مقدار معنی داری اثرات محاسبه شود. به دلیل ذهنی بودن متغیر معنی داری اندازه گیری آن با روش هایی که دارای آستانه های صریح هستند، باعث می شود که مقادیر اندازه گیری شده دارای عدم قطعیت باشند. بنابراین در این پژوهش از منطق و مجموعه های فازی که در آن ها مرز بین مجموعه ها نامشخص و پیوسته است، استفاده شد. در این پژوهش ابتدا برای ساده کردن فرایند ارزیابی سطوح مختلف محیط زیست به صورت مدل سلسله مراتبی مشخص شد. سپس با استفاده از ماتریس لئوپولد اثرات در سطح زیرمجموعه های محیط زیست شناسایی شد. در مرحله بعد متغیر های زبانشناختی ورودی در سامانه فازی بر اساس فاکتور های محیط زیست و فعالیت های طرح توسعه برای هر اثر معرفی شد. پس از اجرای سامانه فازی، مقدار معیار های مربوط به هر اثرشامل بزرگی، جهت، احتمال وقوع، مدت زمان و گستره مکانی محاسبه شد. به منظور تعیین میزان معنی داری هر اثر، معیار ها و مقادیر محاسبه شده مربوط به هر معیار در سامانه فازی مرحله اول، به عنوان متغیر ورودی و مقادیر ورودی در سامانه فازی مرحله دوم معرفی و پس از اجرای سامانه فازی، مقدار معنی داری مربوط به هر اثردر سطح زیر مجموعه محیط زیست محاسبه شد. در نهایت مقادیر معنی داری محاسبه شده در سطح زیر مجموعه محیط زیست به عنوان مقادیر ورودی در سطح مجموعه محیط زیست و معنی داری در سطح مجموعه محیط زیست برای هر اثر محاسبه شد. با توجه به نتایج سیستم های فازی، مقدار معنی داری اثرات احداث کارخانه سیمان بر مجموعه های فیزیکی، بیولوژیکی، زیبایی شناسی و اقتصادی- اجتماعی به ترتیب برابر با 50، 3/54، 9/49 و 50 درصد می باشد. بنابراین احداث کارخانه بیشترین اثر منفی را برمجموعه بیولوژیکی درمرحله بعدی، فیزیکی و زیبایی شناسی منطقه و اثرات مثبت در بخش اقتصادی – اجتماعی می باشد.

آب های زیرزمینی یکی از منابع مهم تأمین آب در تمام دنیا به ویژه اقلیم های خشک و نیمه خشک به شمار می آید. بهره برداری بی رویه از منابع آب زیرزمینی در سال های اخیر باعث برهم خوردن تعادل طبیعی آن شده و تراز آب زیرزمینی در بسیاری از نقاط کشور منفی شده است. لذا با توجه به مشکل کمبود منابع آبی، استفاده و مدیریت بهینه از منابع آب اهمیت خاصی دارد. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه آن ها، ابتدا لازم است که پیش بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. در این تحقیق از شبکه عصبی مصنوعی برای پیش بینی سطح ایستابی آب های زیرزمینی در آبخوان نجف آباد استفاده شده است. زیرحوضه نجف آباد به عنوان یکی از مهم ترین آبخوان های حوضه ی بزرگ زاینده رود می باشد، که پتانسیل بالای کشاورزی و استفاده بیش از اندازه از منابع آب زیرزمینی این آبخوان را با مشکلات بیلان منفی و افت کمی و کیفی آب های زیرزمینی مواجه نموده است. برای شبیه سازی سیستم از شبکه عصبی مصنوعی استفاده شده، با این تفاوت که برای آموزش شبکه عصبی از الگوریتم بهبود یافته گروهی ذرات استفاده شده است. در آموزش شبکه عصبی وزن ها و بایاس های شبکه همان متغیر تصمیم هستند و خطای شبکه نیز به عنوان تابعی است که باید آن را مینیمم کرد. مقایسه مقادیر مشاهداتی میانگین عمق سطح ایستابی بیست ساله با استفاده از 58 پیزومتر با گام های زمانی ماهانه با مقادیر پیش بینی شده توسط شبکه عصبی آموزش دیده با الگوریتم بهبود یافته گروهی ذرات نشان می دهد که شبکه عصبی طراحی شده توانایی خوبی در پیش بینی نوسانات سطح آب زیرزمینی در شرایط مختلف این آبخوان داشته و می توان از آن به طور قابل اعتمادی جهت بررسی سناریوهای مدیریتی منابع آب در این زیرحوضه استفاده کرد. در ادامه سه سناریو مدیریتی تحت دو سناریو اقلیمی a2 b1 تعریف و اثرات آن بر حوضه بررسی گردید. سناریو اول با هدف ادامه روند کنونی بهره برداری از منابع آب در طی 5 سال آینده، سناریو دوم با هدف کاهش پمپاژ و سناریو سوم تحت عنوان افزایش دبی ورودی به کانال های آبیاری در جهت حفظ کشاورزی منطقه تعریف و اثرات آن بر سطح آب زیرزمینی منطقه نجف آباد بررسی گردید. تغییرات میانگین عمق سطح ایستابی در دو دشت چپ و راست نکوآباد تحت دو سناریو اقلیمی a2 b1 , و نیز سه سناریو مدیریتی اشاره شده نشان داد که جهت کاهش افت منابع آب زیرزمینی در طی 5 سال آینده بایستی ضمن کاهش پمپاژ از این آبخوان، افزایش آورد کانال های آبیاری را نیز در نظر داشت.

جریان دوفازی در سازه های گوناگون از جمله سیستم های انتقال آب و خطوط لوله ی دریایی انتقال نفت و در سازه های هیدرولیکی از جمله سرریز های نیلوفری، شفت های قائم، کالورت ها و تون ها و مجاری بسته اتفاق می افتد. وقوع گردابه ها در سازه های هیدرولیکی باعث ورود هوا و تشکیل جریان دوفازی می شود. موضوع بسیار مهم در این نوع جریان ها طبیعت نوسانی و وابسته به زمان آن هاست که بر فشار و افت فشار تأثیر می گذارد. بنابراین پیش¬بینی فشار و افت فشار در جریان های دوفازی جهت طراحی بهینه و مناسب و جلوگیری از وقوع مشکلات ناخواسته در اثر ایجاد جریان های دوفازی امری ضروری است. علی رغم تمامی مطالعات انجام شده، اکثر تحقیقات پیشین در ارتباط با مجاری با قطر کم صورت گرفته است و در ارتباط با مجاری با اقطار بالا نظیر آن¬چه در مهندسی هیدرولیک به عنوان مجرای انتقال آب مورد نظر است، مطالعات بسیار اندکی وجود دارد. لذا در این تحقیق مدل هایی جامع جهت پیش بینی فشار و افت فشار در جریان های دوفازی آب و هوا با استفاده از شبکه های عصبی و سیستم عصبی-فازی تطبیقی (انفیس) ارائه می شود. امروزه استفاده از این مدل ها به دلیل قابلیت آن ها در پیش¬بینی رفتار توابع غیرخطی پیچیده مورد استقبال محققین در علوم مختلف قرار گرفته است. از آن جایی که مدل انفیس در مواجهه با فرآیند های پیچیده با تعداد پارامترهای زیاد، قوانین زیادی تولید می کند و حجم محاسبات را بیش تر می کند، استفاده از پیش پردازش خوشه بندی فازی کارآیی مدل انفیس را بیش تر و حجم محاسبات را کمتر می کند. در روش خوشه بندی فازی، داده های ورودی به دسته هایی مستقل تقسیم بندی شده و در نتیجه به ازای هر دسته یک قانون تشکیل می¬شود و در نتیجه تعداد قوانین بسیار کاهش می یابد. در این پژوهش روش خوشه بندی فازی مورد نظر، روش subclust است که در مورد مدل پیش¬بینی فشار متوسط استفاده شده است. استفاده از الگوریتم بهینه سازی ازدحام ذرات یکی دیگر از تکنیک های بهبود نتایج در این تحقیق است. رایج ترین الگوریتم برای آموزش شبکه های عصبی، الگوریتم استاندارد پس انتشار خطا است که بر اساس روش گرادیان کاهشی در بهینه سازی در برخورد با اولین بهینه ی محلی متوقف می شود. بنابراین در این پژوهش برای تنظیم وزن ها و بایاس های شبکه های عصبی از الگوریتم ازدحام ذرات استفاده شده است. در مدل های انفیس نیز در رابطه با تنظیم پارامترها الگوریتم ترکیبی ازدحام ذرات و حداقل مربعات که الگوریتم ترکیبی انفیس-pso نام دارد به کار رفته است. نتایج تحقیق در مورد ضریب افت فشار نشان می دهد که مدل های شبکه عصبی و عصبی فازی تطبیقی هر دو توانسته اند نسبت به روابط تجربی نتایج بهتری ارائه کنند و مدل های انفیس همراه با الگوریتم ازدحام ذرات در پیش بینی ضریب افت فشار نسبت به مدل های شبکه عصبی دقت بسیار بالاتری دارند. همچنین نتایج در مورد فشار متوسط نشان می دهد که نتایج حاصل از مدل های انفیس همراه با پیش پردازش خوشه بندی فازی و الگوریتم بهینه سازی ازدحام ذرات داری دقت بالاتری هستند.

با توجه به اهمیت کنترل دیابت، در این پایان نامه کنترل حلقه بسته و تطبیقی سیستم گلوکز_انسولین در بیماران دیابتی نوع 1 مورد بحث قرار می گیرد. کنترل حلقه بسته ارائه شده در این پایان نامه شامل سه قسمت فرد بیمار، شناسایی سیستم و کنترل کننده است. در این تحقیق، از یکی از مدل های فیزیولوژیک ارائه شده برای فرد دیابتی به نام مدل hovorka به عنوان بیمار مجازی استفاده می شود. در قسمت شناسایی سیستم با استفاده از شناسایی بر خط سعی می شود تأثیرعوامل خارجی بر دینامیک گلوکز _ انسولین را وارد کار کرده که البته تطبیقی بودن سیستم نیز از همین قسمت ناشی می شود. در واقع در این مرحله با استفاده از روش حداقل مربعات بازگشتی از داده های دریافت شده از بیمار مجازی، مدلی ریاضی (arx و hammerstein) ارائه می شود که این مدل هر ده دقیقه به روز می شود. در قسمت کنترل کننده با استفاده از کنترل پیش بین سعی می شود با وجود تأخیر، کنترل مناسبی روی سیستم اعمال کرده و گلوکز خون در محدوده ی مطلوب تنظیم شود. در این مرحله با اعمال کنترل کننده هایی چون gpc و nmpc بر مدل هایی که در مرحله ی قبل شناسایی شده است، مشخص می شود کنترل پیش بین غیرخطی عملکرد بهتری دارد، لکن گلوکز خون برای مدتی وارد ناحیه هایپوگلایسمی می شود. در نهایت بر خلاف روش رایج که با اضافه کردن کنترل پیش خور سعی در بهبود عملکرد کنترل کننده در دفع اختلال غذا دارد و مستلزم وارد کردن مقدار غذای مصرفی به صورت دستی است، ما با اضافه کردن گلوکز به عنوان یک ورودی کنترل جدید که معادل با تزریق سرم قندی است و چند متغیره کردن کنترل کننده سعی می کنیم عملکرد سیستم کنترل را بهبود دهیم. در این حالت هر چند مشکل هایپوگلایسمی بعد از اعمال اختلال غذا به کلی مرتفع می شود اما مشاهده می شود که کنترل کننده ی nmpc دو ورودی عملکرد بهتری نسبت به gpc دو ورودی دارد و به عنوان کنترل کننده ی ایده آل معرفی می شود.

در این پژوهش یک شبکه عصبی موجک بهبود یافته ی فازی با فیدبک داخلی برای شناسایی سازه طراحی و پیشنهاد خواهد شد و جهت شناسایی سازه ها مورد استفاده قرار می گیرد. فیدبک داخلی با افزودن بازخورد در لایه دوم از شبکه های موجک عصبی در حقیقت المان حافظه را به شبکه اضافه کرده و باعث می شود سیستم رفتار زمانی مناسبی از خود نشان دهد.برای تنظیم پارامترهای شبکه، الگوریتم لونبرگ- مارکواردت بهبود یافته به همراه روش حداقل مربعات معمولی به کار گرفته شده و برای بهبود عملکرد این الگوریتم از یک ناظر فازی برای تنظیم پارامترهای آموزش استفاده می شود. همچنین یکی از فاکتورهای مهم در آموزش شبکه مقدار دهی اولیه ی پارامترهای شبکه می باشد. مقدار دهی اولیه پارامترهای قابل تنظیم شبکه، تأثیر بسزایی در روند همگرایی و تضمین همگرایی شبکه دارد. از این رو در این پژوهش از یک الگوریتم دسته بندی فازی برای مقدار دهی اولیه ی پارامتر انتقال موجک و از روش حداقل مربعات برای مقداردهی اولیه ی وزن های شبکه استفاده خواهد شد. مقداردهی اولیه بقیه ی پارامترهای متغیر شبکه از قبیل پارامتر بسط موجک و ضریب مسیر بازگشتی گره موجک، به صورت تصادفی است.