بینایی کامپیوتر بر پایه بازشناسی ژست، کاربردهای بالقوه¬ای در حوزه تعامل انسان-کامپیوتر مانند بازشناسی زبان اشاره دارد. بازشناسی خودکار زبان اشاره¬ فارسی به دلیل عامل¬هایی مانند تعداد وسیع ژست¬های مشابه هم، جهت¬گیری دست¬ها، پس زمینه¬ی پیچیده و تغییرات روشنایی نور محیط، یکی از پر چالش¬ترین حوزه¬های تحقیقاتی می¬باشد. در این پایان¬نامه دو نوع سیستم متفاوت بازشناسی خودکار زبان اشاره فارسی بر پایه بینایی کامپیوتر با اهدافی چون پردازش بلادرنگ ژست¬ها، مستقل¬سازی سیستم بازشناسی در برابر افراد مختلف و همچنین عدم استفاده اجـراکننده ژست¬ها از دستکش یا مارکر پیشنهاد شده است. در سیستم پیشنهادی اول، پس از تقطیع دست¬ها از فریم¬های ویدویی، با تصحیح زاویه جهت گیری دست و برش زدن ناحیه مچ دست از مابقی ناحیه دست، مرز ناحیه دست استخراج می¬گردد و در جهت بازنمایی آن، محاسبه تابع زاویه¬ای تجمعی صورت می¬گیرد و در ادامه با محاسبه دامنه ضرایب فوریه گسسته و یک سری عملیات ریاضی در جهت مقاوم سازی آنها نسبت به انتقال، چرخش و تغییر مقیاس، ویژگی¬های مطلوب در حوزه¬ی فرکانس استخراج می¬گردد و این ویژگی¬های استخراجی جهت بازشناسی ژست¬ها به ورودی¬های یک شبکه عصبی پرسپترون چند لایه پیشرو اعمال می¬گردد اما در سیستم پیشنهادی دوم تمام عملیات پیش¬پردازش تا مرحله استخراج ناحیه کف دست و انگشتان مشابه سیستم اول انجام می¬پذیرد ولی پس از این مرحله، محاسبه ثابت-های گشتاور در جهت بازنمایی ناحیه دست صورت می¬گیرد که این ثابت¬های گشتاور تغییرناپذیر مشابه با سیستم اول جهت بازشناسی ژست¬ها به ورودی¬های یک شبکه عصبی چند لایه اعمال می¬گردد البته طبقه¬بندی داده¬ها توسط سه طبقه¬بند بیز، k-nn و شبکه عصبی در جهت مقایسه عملکرد طبقه-بندهای مختلف انجام شده است و همچنین این دو سیستم پیشنهادی با یکدیگر مقایسه شده¬اند. مجموعه آموزشی ژست¬ها از250 نمونه به ازای 10 ژست در پنج موقعیت وجهت¬گیری متفاوت به وسیله پنج نفر بدست آمده است و نتایج بازشناسی این سیستم¬ها، نرخ بازشناسی 100% را برای سیستم اول و 95% را برای سیستم دوم نشان می¬دهد.

تشنج مهمترین علامت بیماری صرع بوده و آنالیز دقیق آن نیز از طریق انجام الکتروانسفالوگرافی(eeg) امکان پذیر است. به دلیل ماهیت این سیگنالها، مطالعه و تجزیه و تحلیل بصری آنها حتی برای یک نورولوژیست مجرب نیز مشکل است. به همین منظور روشهای مختلفی جهت تشخیص خودکار صرع بوسیله تحلیل سیگنال eeg ارائه شده است. در این تحقیق برآنیم تا مروری مختصر بر روشهای تشخیص و جداسازی سیگنالهای صرعی از سیگنالهای سالم و نرمال داشته باشیم. به دلیل خواص ناایستای سیگنال eeg، استفاده از روشهای غیر خطی نتایج بسیار بهتری را به دست میدهند. به طور مثال استفاده از تبدیل ویولت جهت استخراج ویژگیها، استفاده از الگوریتمهای ابتکاری جهت انتخاب ویژگیها و همچنین به کار بردن شبکه های عصبی جهت طبقه بندی سیگنالها، به امری مرسوم در این زمینه تبدیل شده است. در نهایت سیستمی را پیشنهاد میدهیم که بر پایه الگوریتم هوشمند ipo طراحی شده و توانایی بالایی در تشخیص صحیح صرع دارا میباشد.

شبکه های عصبی مصنوعی (anns)، ایده ای برای پردازش اطلاعات هستند که در آن ها از سیستم عصبی- زیستی الهام گرفته شده است. یکی از مرسوم ترین انواع شبکه های عصبی، شبکه عصبی پرسپترون چندلایه (mlp) است که به طور موفقیت آمیزی در بازه وسیعی از کاربردها از جمله طبقه بندی داده ها مورد استفاده قرار گرفته است. درصورتی که بخواهیم از یک ann استفاده کنیم لازم است مدل و توپولوژی مناسب شبکه را انتخاب کرده که این معمولاً نیاز به هزینه محاسباتی بالا برای آزمایش و فرایند تصمیم گیری دشواری دارد. چون که یک شبکه با تعداد واحد محاسباتی کم، ممکن است به درستی مجموعه ی داده ها را آموزش ندهد. در حالی که یک مجموعه ی بزرگ ممکن است بیش آموزش یا حتی آموزش بد داشته باشد. تعیین پارامترهای مختلف ann، مثل تعداد لایه های پنهان، تعداد نرون در هر لایه پنهان و مقداردهی اولیه وزن ها یک فرایند ساده نیست و پیداکردن تنظیمات بهینه در یک شبکه عصبی یک فرایند زمان بر است. مطالعات متعددی در زمینه ی مسئله ی آموزش و بهینه سازی ساختار شبکه های عصبی مصنوعی وجود دارد. پژوهش های زیادی با استفاده از الگوریتم های بهینه ساز تک هدفه با هدف آموزش شبکه یا سایز شبکه صورت گرفته است. از آن جایی که شاخص های مختلف شبکه عصبی (توپولوژی و آموزش شبکه ی عصبی) به منظور بهینه سازی با یکدیگر در تعارض هستند، طراحی شبکه عصبی را می توان به عنوان یک مسئله چندهدفه در نظر گرفت. در این پایان نامه روش جدیدی در بهینه سازی چندهدفه مبتنی بر الگوریتم بهینه سازی صفحات شیب دار به نام الگوریتم بهینه سازی صفحات شیب دار چندهدفه(moipo) ارائه شده است. از طریق الگوریتم پیشنهادی، به بهینه سازی هم زمان معماری و آموزش شبکه¬ی عصبی پرسپترون چندلایه پرداخته می شود. عملکرد روش moipo، به وسیله ی چندین تابع معتبرِ چندهدفه ی معروف و پیچیده نیز مورد ارزیابی قرار گرفته است و از نظر قابلیت تخمین جبهه پرتو حقیقی با الگوریتم mopso مقایسه شده است. این مطالعه نشان می دهد که شبکه ی عصبی طراحی شده به وسیله ی روش پیشنهادی، در مسئله ی طبقه بندی داده از لحاظ تعادل بین دقت و سادگی شبکه، نسبت به دیگر الگوریتم های در نظر گرفته شده عملکرد بهتری دارد.

تشخیص الگو عبارت است از دسته¬بندی و تفکیک الگو¬های خاص بر اساس ویژگی¬های از پیش تعریف شده، از مجموعه¬ای از داده¬های در دسترس. پیاده¬سازی بسیاری از مهارت¬های انسانی نظیر تشخیص چهره ، تشخیص صحبت ، خواندن حروف دست-نوشته با قابلیت پایداری بسیار بالا در برابر نویز و شرایط محیطی مختلف توسط ماشین، یکی از مشکلات و مسائلی است که در چند دهه اخیر موردتوجه پژوهش¬گران قرارگرفته است. تشخیص الگو دربرگیرنده طیف گسترده¬ای از روش¬های کلاسیک آماری، الگوریتم¬های هوشمند، شبکه¬های عصبی و منطق فازی است. یکی از قسمت¬های مهم در تشخیص و بازشناسی الگو، طبقه¬بندی کردن الگوها می باشد. روش¬های مختلفی برای این منظور معرفی شده است؛ یکی از این روش¬ها که در سال¬های اخیر بیشتر موردتوجه پژوهش¬گران قرارگرفته است طبقه¬بندی کننده¬های فازی می¬باشد. طبقه بندی کننده¬های فازی شامل پارامتر¬هایی ازجمله تعداد قواعد، تعداد ویژگی¬ها، نوع و مکان توابع عضویت و... می¬باشد. مقادیر این پارامتر¬ها تأثیر چشمگیری بر روی عملکرد طبقه بند فازی دارند. تعیین دستی این پارامتر¬ها کاری وقت گیر و دشوار می-باشد. اخیرا از روش¬های هوشمند برای تعیین این پارامتر¬ها استفاده می¬شود. ازجمله این روش¬ها می¬توان به استفاده از الگوریتم¬های زیستی نظیر ga ، gsa ، pso و... اشاره کرد. در این پایان¬نامه از الگوریتم ipo برای طراحی طبقه¬بندی کننده فازی استفاده شده است. نتایج حاصل از اعمال این طبقه-بندی کننده بر روی چند مجموعه داده، کارایی این روش را تائید می¬کند.