چکیده عمده ترین کاربرد منسوجات، پوشاک می باشد. علاوه بر اهداف کلی که باید به وسیله منسوجات پس از تبدیل شدن به پوشاک تامین شود، منسوجات اهداف خاص دیگری را نیز بایستی تامین نمایند. این اهداف خاص در زمره خواص راحتی منسوجات شناخته می-شود. از جمله عوامل راحتی منسوج، صدای پارچه است که به هنگام پوشش توسط مصرف کننده به وسیله پارچه ایجاد می شود. پارچه ها صفحات انعطاف پذیر دارای صدای منحصربفرد که می تواند به عنوان یک شاخص مستقل بیانگر خصوصیات پارچه باشد، می باشند. برای مثال، تفاوت در زیر دست پارچه می تواند با صدای پارچه در ارتباط باشد. صدای منحصربفرد پارچه می تواند معرف پاره ای از خصوصیات پنهان پارچه باشد. بنابراین صدا جهت تولید پارچه با خصوصیات خاص مورد استفاده قرار می گیرد. صدای پارچه ممکن است تاثیر روانی زیادی بر پوشنده لباس و دیگر افراد در زندگی روزمره و یا در شرایط خاص داشته باشد. صدای پارچه ممکن است خوشایند باشد و یا احساس ناراحتی برای افراد ایجاد نماید. بر حسب نوع پوشاک صدای پارچه می تواند منبع ایجاد عدم راحتی باشد. بنابراین میزان صدای ایجاد شده به وسیله پارچه می تواند یکی از شاخص های راحتی پوشاک در نظر گرفته شود. این شاخص می تواند تعیین کننده نوع کاربرد در نظر گرفته شود. در این تحقیق، صدای ایجاد شده به وسیله نمونه پارچه های بافته شده توسط نخ های پلی استر و پنبه-پلی استر بررسی گردید. مشخصات نمونه های مقایسه شده با یکدیگر در جهت تار یکسان می باشد. جهت شبیه سازی صدای ایجاد شده به وسیله نمونه ها، دستگاه القا کننده صدای پارچه طراحی و ساخته شد. سیگنال صدای ضبط شده با استفاده از تبدیل فوریه گسسته و تبدیل موجک گسسته تجزیه و تحلیل گردید. انرژی در زیر باندهای فرکانسی طیف fft و انرژی ضرایب زیر باند تبدیل موجک محاسبه گردید. به علاوه روش رگرسیون چند متغیره گام به گام به کار گرفته شد. نتایج نشان داد که صدای ایجاد شده به وسیله پارچه تحت تاثیر تراکم نخ پود و ظرافت نخ پود می باشد. صدای پارچه های پنبه-پلی استر با افزایش تراکم پودی افزایش می یابد. در حالیکه پارچه های پلی استر در اکثر زیر باندهای فرکانسی با افزایش تراکم پودی کاهش میزان انرژی را نشان می دهند. در رابطه با ظرافت نخ پود با توجه به نمونه های پنبه-پلی استر نشان داده شد که افزایش در ظرافت نخ پود، صدای ایجاد شده توسط پارچه را به صورت معکوس تحت تاثیر قرار می دهد. این پدیده با افزایش مشاهده شده در انرژی زیر باندهای فرکانسی صدا تائید گردید. مشخص شد که، صدای القا شده به وسیله پارچه تحت تاثیر خصوصیات فیزیکی-مکانیکی پارچه می باشد. در این رابطه، خصوصیات کششی، برشی، خمشی، سطحی و همچنین پوشش جزئی پارچه بر میزان صدای القا شده تاثیر گذار می باشند. تاثیر عوامل ذکر شده بر روی ویژگی های صدای نمونه ها با استفاده از شبکه عصبی چندلایه پیشخور با الگوریتم آموزشی پس انتشار خطا پیش بینی گردید. نتایج حاصل از شبکه نشان داد که، زبری سطح بیشترین تاثیر و ضریب آویزش کمترین تاثیر را بر میزان انرژی صدا دارند. نمونه ها براساس ویژگی های صدا در پنج گروه با استفاده از شبکه عصبی کوهونن طبقه بندی شدند. بنابراین نشان داده شد که پارچه ها می توانند مطابق با ویژگی های صدا شامل انرژی صدا طبقه بندی شوند، این ویزگی ها در ارتباط با برخی خصوصیات فیزیکی-مکانیکی همانند خصوصیات کششی، برشی و پوشش جزئی پود بودند. کلمات کلیدی: راحتی، صدا، فرکانس، تبدیل موجک، تبدیل فوریه، تراکم پودی، کشش، خمش، برش، زبری سطح، شبکه عصبی مصنوعی

در این پایان نامه یک روش بخش بندی معنایی برای تصاویر هوایی ارائه شده است. بخش بندی معنایی باعث می شود، عمل بخش بندی و طبقه بندی به طور هم زمان در یک گام موثر انجام شود. در حقیقت یک برچسب معنایی برای هر بخش متناظر با کلاس آن (نظیر درخت، جاده، ساختمان، چمن و آب) اختصاص می یابد. این یک جنبه مهم برای سیستم فرود خودکار می باشد. برای فرود هواپیمای خودکار، عمل بخش بندی به تنهایی کافی نمی باشد. علاوه بر آن به یک فهم معنایی از تصویر ورودی برای شناسایی امکان یک فرود امن نیاز است. ترکیب این دو مرحله مهم ترین هدف به کارگیری روش معنایی می باشد. این الگوریتم برپایه توصیف رنگ و بافت می باشد. در مرحله آموزش، ابتدا ناحیه هایی همگن را به طور دستی استخراج کرده و هر ناحیه را به طور معنایی برچسب دادیم. سپس توصیف گرهای بافت و رنگ برای هر ناحیه در تصاویر آموزش محاسبه شدند. ترکیب توصیف گرها و برچسب معنایی آن ها برای ایجاد طبقه بندی کننده –kنزدیک ترین همسایگی استفاده می شود. برای بخش بندی یک تصویر جدید، آن را به تعدادی ابرپیکسل بیش بخش بندی می کنیم. ابرپیکسل ها ناحیه هایی یکنواخت و همگن از تصویر ورودی را به طور خودکار فراهم می کنند. سپس توصیف گرهای بافت و رنگ را برای هر ابرپیکسل محاسبه می کنیم و k- امین همسایگی نزدیک (به این بردار چند بعدی ) از طبقه بندی کننده knn را انتخاب می کنیم. این طبقه بندی کننده ابرپیکسل ها را به طور معنایی برچسب می زند. برچسب زنی همه ابرپیکسل ها طرح بخش بندی را فراهم می کند. از هیستوگرام های lbp-hf و رنگ تصاویر rgb به ترتیب،به عنوان توصیف گرهای بافت و رنگ استفاده می کنیم. این تصمیم مبتنی بر ارزیابی توصیف گرهای بافت مختلفی که در این پایان نامه شرح داده شدند ،می باشد. توصیف گر بافت lbp-hf به طور کلی نسبت به چرخش مقاوم می باشد و اثبات شده است،که نسبت به بسیاری از توصیف گرهای بافت پیشرفته بهتر عمل می کند. این الگوریتم به مجموعه وسیعی از تصاویر هوایی اعمال شد و نشان داده شد که دارای میزان موفقیتی در حدود %96 می باشد. به دلیل آن که مرز ابرپیکسل ها منطبق بر لبه های تصویر است، این الگوریتم قابلیت حفظ مرزها را دارد. ناحیه هایی که به چند قسمت تقسیم شده اند، با موفقیت بخش بندی شده و برچسب مشابه می گیرند. چون این بخش بندی در سطح ابرپیکسل (نه در سطح پیکسل) انجام می شود، مرحله تست بسیار سریع و موثر می باشد. این مزیت بسیار مهمی از این الگوریتم می باشد. همچنین این روش با روش هایی مشابه بر روی پایگاه داده یکسانی مقایسه شد. نتایج مقایسه برتری روش پیشنهادی را تأیید کرد.