طی سالیان اخیر موج استفاده و بهره گیری از سیستمهای داشبوردهای مدیریتی هوشمند کشور مارافراگرفته است وبسیاری از سازمانها ، تمایل زیادی برای بهره گیری و استفاده از این سیستمها از خود نشان می دهند و حاضرند مبالغ کلانی را جهت استقرار و بکارگیری این سیستمها صرف نمایند اما باید بررسی نمود که چنین سیستمها ی اطلاعاتی تاچه اندازه توانسته به مدیران سازمانها در بهبود تصمیم گیری کمک نماید وآیا توانسته چنین سیستمهایی انتظارات مدیران را در تصمیم گیری ها برآورده نماید . هدف اصلی ازاین تحقیق بررسی اثرات سیستم داشبورد های مدیریتی بر بهبود تصمیم گیری مدیران (شهرداری کرج) و شامل اهداف فرعی مانند شناسایی یک سیستم اتوماسیون جامع شهری مناسب جهت اطلاع رسانی به مدیران می باشد. تحقیق حاضر ، تحقیق میدانی محسوب می شود و روش گردآوری اطلاعات نیز از طریق مشاهده و مصاحبه صورت پذیرفته است. جامعه آماری تحقیق ، مدیران ارشد و میانی شهرداری کرج(ستاد مرکز) می باشند که جمعاً 40 نفر بعنوان نمونه در نظر گرفته شده است.جهت تهیه سوالات پرسشنامه از مدل اثر بخشی سیستم های اطلاعاتی الایس و نورفزیده و پاسخ سوالات پرسشنامه از مقیاس لیکرت و برای آزمون فرضیها از روش آماری آزمون میانگین استفاده شده است. نتایج حاصل از تحقیق نشان داد که سیستمهای داشبوردها مدیریتی هوشمند بر افزایش صحت ، دقت ، بهنگام بودن و اقتصادی بودن تصمیم گیری مدیران تاثیر مثبت دارد.

امروزه با گسترش سیستم های پایگاه داده و حجم بالای داده های ذخیره شده در آنها، به داده کاوی نیاز است تا بتوان الگوهای مفید در داده ها را شناسایی کرد و با در اختیار قرار دادن اطلاعات به کاربران و جستجوگران به آنها در اتخاذ تصمیمات مهم و حیاتی کمک نمود. یکی از شاخه های مهم داده کاوی، دنباله کاوی است که در پی آن است که الگوهای متوالی را که بین رویدادهای مختلف وجود دارد، بیابد. الگوریتم های کلاسیک دنباله کاوی برای پردازش داده های عددی کاربرد ندارند و تنها داده های باینری را پردازش می کنند، لذا در مواجهه با داده های عددی، آنها را به صورت باینری تحت پردازش قرار خواهند داد که منجر به از دست رفتن اطلاعات خواهد شد. به کمک مجموعه-های فازی می توان از این مشکل جلوگیری کرد. امروزه با بوجود آمدن مسائلی همچون کنترل ترافیک شبکه، نوع جدیدی از داده بنام جریان داده بوجود آمده است که الگوریتم های کاوش در این نوع مسائل با محدودیت های سرعت و حافظه روبرو هستند. لذا در این پایان نامه بر آن هستیم تا با ارائه الگوریتمی عمومی که قابلیت کاوش الگوهای دنباله ای در جریان داده های عددی و غیرعددی داراست و مجموعه دقیق الگوهای دنباله ای را با سرعت بیشتر نسبت به الگوریتم های موجود مورد کاوش قرار می دهد، مشکلات الگوریتم های پیشین در این زمینه را حل کنیم. در فصل مربوط به معرفی الگوریتم، با مقایسه این الگوریتم با روش های موجود و بررسی الگوریتم ارائه شده در حالات مختلف تحقق این امر را نشان خواهیم داد.

چکیده: از آنجا که نقش مشتری درمدیریت ارتباط با مشتری فقط دریافت کننده خدمات و یا محصولات می باشد واز طرف دیگر نیزتمرکزمدیریت دانش بر کارکنان، تیمهای کاری، گروه های تخصصی(cop) و .... می باشد بطوریکه هدف اصلی مدیریت دانش،اشتراک دانش بین کارکنان می باشد که در اینصورت نیز نقش مشتری در این فرآیند منفعل است. بنابراین یک مشتری فقط دریافت کننده محصول ویا خدمت می باشد و اصل اساسی در اینجا تنها حفظ مشتری می باشد و تجربه مشتری که در فرآیند نوآوری ورشد، سهم بسزایی دارد نادیده گرفته می شود. همچنین سازمان های بیمه گر ایرانی مشتاقند تا از دانش مشتری و تجارب انباشته شده او بواسطه استفاده از خدمات بیمه بعنوان بازخورد نهایی خدمات ارائه شده مشتری بهره برداری کنند. بنابراین کاربرد استراتژی های مدیریت دانش در استراتژی های ارزش crm به ندرت بعنوان عاملی برای تفسیر اینکه چگونه فعالیتهای مدیریت دانش می تواند عملکرد مدیریت ارتباط با مشتری را بهبود بخشد در نظر گرفته شده است. در این تحقیق با استفاده از یک چارچوب نظری (cksm) به بررسی مقولات تأثیر گذار بر اشتراک دانش مشتری پرداخته و عواملی چون زیر ساخت فناوری اطلاعات، جو و فرهنگ دانش، سیستم پاداش و انگیزش، اعتماد و مراقبت وتجربه مشتری را به عنوان ساختارهایی معرفی کرده که بر اشتراک دانش مشتری تأثیر مثبت دارند. سپس استراتژی های ارزش مدیریت ارتباط با مشتری ( برتری عملیاتی، فرآیند نو آوری و صمیمیت مشتری ) را توصیف کرده و نهایتاً با استفاذه ازنرم افزارهای spss و eqs تأثیر اشتراک دانش مشتری را بر مدیریت ارتباط با مشتری مورد بررسی قرار داده ایم.

در این رساله راهکاری برای کاهش تشخیص های مثبت کاذب و نیز افزایش دقت تشخیص، در سیستم های تشخیص نفوذ مبتنی بر جریان های داده ارائه شده است.

امروزه موسسات مالی به اهمیت، داشتن یک مدل رتبه بندی اعتباری به منظور حفظ توان رقابتی و همچنین کاهش ریسک عملیاتی خود کاملاً آگاه می باشند. نتیجه رتبه بندی بهتر و دقیق تر متقاضیان صرفه جویی در هزینه های عملیاتی موسسات مالی می باشد. تصمیم گیری های نادرست در حوزه اعتباری، سطح بالایی از ریسک را به بانک ها و موسسات مالی تحمیل می کند. به همین علت در چند دهه گذشته اشتیاق زیادی برای ارائه روش های جدید به منظور رتبه بندی اعتباری برای نائل شدن به نتایج بهتر در بین محققان به وجود آمده است. رتبه بندی اعتباری فرایندی به منظور تعیین درجه ریسک پرداخت وام به مشتریان می باشد. که از طریق بررسی شخصیت و ویژگی های متقاضیان مختلف این میزان ریسک مشخص می شود. واضح است که مدل هایی که به منظور رتبه بندی مشتریان طراحی می شوند باید دارای قابلیت تطابق پذیری با زمان، مقاومت و کارایی در مقیاس های بزرگ باشند. با گسترش تکنیک ها و استفاده از روش های پیچیده و دقیق تر مانند روش های آماری و در دهه های اخیر استفاده از مدل های مبتنی بر شبکه های عصبی، و سیستم های خبره و الگوریتم ژنتیک دقت این پیش بینی ها تا حد قابل قبولی افزایش یافته است. در کشور ما فقدان شاخص های ریسک اعتباری و نیز نبود موسسه های رتبه بندی ریسک اعتباری به وضوح احساس می شود. سیستم ایمنی مصنوعی که بر اساس الهام از طبیعت به وجود آمده به علت دارا بودن ویژگی های خاص به منظور استفاده در زمینه رتبه بندی اعتباری مناسب به نظر می رسد. مهم ترین ویژگی این سیستم، ذات پویای آن می باشد. علاوه بر این ویژگی، انگیزه های دیگری نیز برای استفاده از سیستم ایمنی وجود دارد، این انگیزه ها عبارتند از تنوع، حافظه، خود تنظیمی و یادگیری که در سیستم ایمنی وجود دارد. در این پایان نامه به طراحی، پیاده سازی و ارزیابی الگوریتمی بر اساس سیستم ایمنی مصنوعی به منظور رتبه بندی اعتباری متقاضیان خواهیم پرداخت. در این الگوریتم با استفاده از مفهومی به نام energy distance سعی در بهبود نتایج الگوریتم پیشنهادی داریم.

سیستم تشخیص گوینده یکی دیگر از سیستم های امنیتی و کنترل تلفنی از راه دور است ، که در سال های اخیر مورد توجه قرار گرفته است. در این پایان نامه به بررسی رویکردی برای افزایش کارایی سیستم های تشخیص گوینده می پردازیم. یک روش انتخاب ویژگی برای بهبود کارایی این سیستم ها ارائه شده است. این سیستم ها از ویژگی های با ابعاد بالا استفاده می کنند، که بسیاری از این ویژگی ها اضافی و نامرتبطند. حذف ویژگی های نامرتبط و افزونه ،) توسط ( fcbf موجب بهبود کارایی می شود. تاکنون روش های زیادی برای انتخاب ویژگی در این سیستم ها مورد استفاده قرار گرفته است که همه این روش های انتخاب ویژگی، رپر بوده اند و زمان انتخاب ویژگی برای آنها بالاست. در اینجا یک روش برمبنای fcbf +relieff برای کلاس بند ماشین بردار پشتیبان ارائه شده است .این روش از وزن های رلیف استفاده می کند . بنابراین پیچیدگی زمانی کمتری نسبت به دیگر روش های رپر دارد . نتایج بدست آمده نشان می دهد که ، پیچیدگی زمانی روش ارائه شده در مقایسه با روش های ژنتیک و کلونی مورچگان برای کرنل های مختلف ماشین بردار پشتیبان کمتر است. در فاز کلاس بندی پارامتر تعادل را معرفی می کنیم. . اکثر سیستم های تشخیص گوینده به یک پایگاه داده ی خاص با تعداد نفرات مشخص وابسته می باشند که در صورت تغییر در تعداد و کیفیت دیتاست، کارایی شان به شدت کاهش می یابد. بهره گیری از پارامترتعادل ما را به هدف اصلی پایان نامه ، که پیاده سازی یک سیستم تشخیص گوینده پویاست، نزدیکتر می نماید.

امروزه با افزایش استفاده از اینترنت و حملات سایبری اهمیت مقاوم سازی شرکت ها و سازمان ها در مقابل حملات احتمالی به سیستم های اطلاعاتی بیشتر مورد توجه قرار می گیرد. یکی از ابزارهای امنیتی که برای این مهم مورد استفاده قرار می گیرد سیستم های تشخیص نفوذ (ids) هستند. هدف این سیستم ها تشخیص حملات یا استفاده غیر مجاز از منابع در شبکه یا یک کامپیوتر می باشد. بمنظور تولید چنین سیستم هایی روش های هوشمند بسیاری پیشنهاد و مورد آزمایش قرار گرفته است. یکی از این روش ها که در سال های اخیر بیشتر مورد توجه قرار گرفته است هوش ازدحامی(swarm intelligence) است، قابلیت خود سازماندهی و رفتار توزیع شده این روشها از جمله خصوصیاتی است که این رویکردها را برای حل مسائل تشخیص نفوذ مناسب می سازند. بهینه سازی کلونی مورچه ها (aco) بعنوان یکی از الگوریتم های موفق در حوزه هوش ازدحامی علاوه بر مسایل بهینه سازی در الگوریتم های داده کاوی نیز مورد استفاده قرار گرفته است. در این پایان نامه پیشنهاد هایی برای بهبود ant-miner که یک الگوریتم استخراج قواعد تصمیم گیری بر پایه کلونی مورچه ها می باشد ارائه شده و برای استفاده در سیستم های تشخیص نفوذ مورد آزمایش قرار گرفته است. نخست یک تابع ارزیابی قواعد جدید بمنظور افزایش دقت تصمیم گیری پیشنهاد و سپس یک روش وزندهی بمنظور مقابله با مشکلات موجود در تولید قواعد در مجموعه داد های نا متعادل (imbalance) بکار گرفته شده است. نتایج آزمایش ها نشان می دهند که پیشنهاد های ارائه شده با تکیه بر انتخاب تابع هدف مناسب و با در نظر گرفتن نا متعادل بودن مجمعوعه داده مورد آزمایش، توانسته است الگوریتم ant-miner را بعنوان یک روش استخراج پایه استخراج قوانین طبقه بندی بر پایه کلونی مورچه، در حوزه داده کاوی و تشخیص نفوذ بهبود بخشد

چکیده در طی چند دهه ی اخیر ،مسئله تولید انرژی از طریق شبکه برق ، یکی از مهمترین مسائل اقتصادی ومورد توجه کشور های در حال توسعه بوده است .در این راستا تجدید ساختار شبکه برق از طریق تولیدات پراکنده بسیار موثر بوده است.یکی از مزیت های عمده اتصال تولیدات پراکنده به شبکه برق ،کاهش تلفات شبکه برق است . که این امر یعنی کاهش تلفات تا حدود زیادی به مقدار و محل اتصال تولید پراکنده به شبکه برق دارد .بدین ترتیب با یافتن مقدار و محل بهینه منبع تولید پراکنده با استفاده از روش مناسب می توان مقدار تلفات شبکه را به کمترین مقدار ممکن رساند. ازجمله روش هایی که درحل این مساله درسال های اخیر مورد توجه قرار گرفته است،استفاده از روش های هوشمند است .در این پایان نامه از الگوریتم bbo برای مکان یابی تولیدات پراکنده روی یک شبکه ieee سیصد باس استفاده شده است و همچنین نتایج حاصل از همگرایی و زمان اجرای الگوریتمbbo با نتایج حاصل از همگرایی و زمان اجرای الگوریتم های pso وaco در حل مسئله مکان یابی شبکه برق مقایسه شده است. لازم به ذکراست ،در این پایان نامه سعی شده است که با تغییر الگوریتمbbo ،نرخ همگرایی وزمان اجرای الگوریتم بهبود یابد. با ارزیابی نتایج، مشاهده می شودکه روش پیشنهادی با توجه به فضای مسئله برق ، نسبت به الگوریتم pso، aco عملکرد بهتری دارد.

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد. از سوی دیگر، امروزه نیز استفاده ی همگانی از وب و اینترنت ما را با حجم زیادی از داده و اطلاعات مواجه می کند. با این رشد انفجاری در داده های ذخیره شده، نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند. داده کاوی یکی از مهمترین این روشها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند. کشف الگوهای مکرر، به عنوان یکی از فرآیندهای مهم در دانش داده کاوی با چالش های مختلفی رو به رو است. استفاده از داده های جریانی جهت فرآیند کاوش- که از حجم و سرعت تولید بالا برخوردار هستند- یکی از این چالش ها است. در سال های اخیر افزایش سرعت ایجاد پایگاه داده های گراف موجب شده است که توجه فراوانی به داده کاوی میان گراف ها یا گراف کاوی جلب شود. در میان الگوهای متفاوتی که در پایگاه داده های گراف وجود دارد، کاوش زیرگراف های تکراری از اهمیت زیادی برخوردار است. زیرگراف تکراری زیرگرافی است که به صورت مکرر در پایگاه داده های گراف دیده می شود. کاوش گراف ها به خودی خود، یک امرمهم و چالش برانگیز است، وحتی این چالش، با پردازش داده های جریانی که در زمان واقعی استنتاج می شوند، پررنگ تر می شود. بیشتر کارهای قبلی در رابطه با کاوش الگوی گراف مکرر به تعیین یک حداقل حد آستانه ی پشتیبانی به منظور انجام کاوش نیاز دارند و در حالت ایستا در نظر گرفته شده اند (مورد کاوش قرار گرفته اند). با این حال بعضی مواقع تعیین مقدار مناسب حداقل پشتیبانی برای کاربران آسان نیست. بر همین اساس در این تحقیق ضمن بررسی کارهای موجود در زمینه ی کاوش زیرگراف های مکرر، یک الگوریتم موثر، به منظور کاوش الگوی گراف با k بیشترین تکرار بدون حداقل پشتیبانی با استفاده از مدل پنجره ی لغزان وزن دار در گراف های جریانی توسعه داده می شود. مطابق دانش کسب شده، این زمینه اولین کار بر روی کاوش زیرگراف های مکرر در گراف های غیرثابت جریانی است.

بخش های تولید، انتقال و توزیع سه قسمت اصلی یک سیستم قدرت را تشکیل می دهند. در این سیستم ژنراتور های سنکرون انرژی الکتریکی را تولید و از طریق خطوط انتقال به توزیع منتقل می نمایند. روند رو به اتمام ذخیره های سوخت فسیلی، ظرفیت محدود خطوط، کاهش تلفات و آلودگی محیط زیست و توجه به مسائل اقتصادی از عوامل رویکرد به سمت منابع انرژی نو از جمله توربین های بادی می باشد. در این توربین ها انرژی باد پره های توربین را می چرخاند و باعث چرخش محور ژنراتور متصل به آن می شود. تغییرات انرژی باد و نامعینی های مرتبط با آن موجب تغییر توان خروجی الکتریکی توربین بادی می گردد و موجب بروز مشکلاتی از قبیل نوسان ولتاژ و فلیکر و تغییرات مربوطه و نوسان توان در کیفیت توان می گردد. در این راستا پیش بینی سرعت باد و توان خروجی توربین بادی به منظور هماهنگی با وضعیت تولید شبکه و همچنین بهبود کیفیت توان شبکه که می تواند به وسیله جبران کننده های توان صورت پذیرد از اهمیت خاصی بر خوردار می باشد. در این پایان نامه از الگوریتم های داده کاوی به منظور ساخت یک مدل برای پیش بینی کوتاه مدت سرعت باد و پیش بینی توان دریافتی توربین بادی استفاده شده است. الگوریتم استفاده شده بر اساس سیستم استنتاج عصبی فازی تطبیقی (anfis) بوده که با الگوریتم های موجود دیگر مقایسه گردیده است. در ادامه همچنین روشی برای پیش بینی توان خروجی توربین بادی مبتنی بر خوشه بندی ارائه گردیده است. مقایسه روش های مختلف داده کاوی و نقاط قوت وضعف هر یک از روش ها مورد بررسی قرار گرفته است.

چکیده با توجه به پیشرفت های اخیر دانشمندان در زمینه تشخیص چهره و بهبود سیستم های مربوطه، چه در زمینه بررسی حالات فرد و چه در بخش شناسایی، درمی یابیم که رسیدن به چنین جایگاهی بدون اطلاع از طریقه کار کرد این سیستم در نمونه بشری، ممکن نخواهد بود . یکی از اهداف اساسی محققان در زمینه بینایی ماشین، ایجاد سیستم هایی است که بتواند با کارایی های بشر برابری کند و در آخر بتوان از آن نیز پا را فراتر گذاشت. مقدمه رسیدن به این مقصود شناسایی کامل اکتشافات و تحقیقات در بخش تجربی مربوط به این عنصر با ارزش است که شاید بدون شک یکی و با کمی اغراق پر کاربرد ترین و پیچیده ترین بخش بدن آدمی باشد. باید گفت که با وجود گستردگی تلاش ها در زمینه الگوریتم های تشخیص چهره، ما هنوز در انتظار ظهور سیستمی هستیم که بتواند در شرایط غیر قابل پیش بینی و اوضاع نابسامان و با وجود تغییرات در پارامترهای تصویر از جمله وجود نویزها و اختلالات مربوط به سنسور، فاصله دید، نورزدگی تصویر (سفید شدن و یا تیره شدن تصویر به علت شدت نور) و ... به خوبی با این چالش ها مواجه شود و مانند سیستم ها ی بصری بشری، سربلند از این آزمایشات بیرون آید. آشکار است که تلاش در جهت درک استراتژی عملکرد این سیستم بیولوژیکی، اولین قدم در راستای این هدف است تا سرآخر آن را به الگوریتم های ماشینی ترجمه کنیم. با این مقصود در ذهن، در اینجا به برخی از نتایج بدست آمده اشاره خواهیم کرد. البته به یاد داشته باشیم که تنها تقلید کورکورانه از همتای بیولوژیکی متضمن رسیدن به موفقیت نخواهد بود اما آگاهی از این سیستم به طور بالقوه یکی از نقاط و چراغ های روشن در این جاده تاریک و دراز خواهد بود و امید است با جمع آوردن این نتایج در یک مقاله و یک نتیجه گیری درست بتوانیم درک صحیحی را از طریقه عملکرد آن عنصر به نمایش بگذاریم.

به علت پیچیدگی و حساسیت نرم افزار، به چند پارامتر در نرم افزار توجه ویژه ای می شود که یکی از این موارد کیفیت نرم افزار می باشد، قابلیت اطمینان نرم افزار بعنوان یکی از زیر مجموعه های کیفیت نرم افزار می باشد، در کیفیت نرم افزار، قابلیت اطمینان نرم افزار از جایگاه ویژه و اهمیت خاصی برخوردار است. بدون تردید، قابلیت اطمینان یک نرم افزار کامپیوتری، عنصر مهمی از کیفیت کلی به شمار می رود. اگر برنامه ای به کرات از اجرا باز بماند، عوامل کیفی دیگر نرم افزار، اهمیت خود را از دست می دهند. بنابرین ارزیابی زود هنگام قابلیت اطمینان یک برنامه در چرخه حیات، که اطلاعات معماری، تست و قابلیت اطمینان مولفه هایش می باشند، ضروری است. در این پژوهش روشی برای ارزیابی قابلیت اطمینان نرم افزار با استفاده از تئوری شواهد ( دمپستر- شافر) برای کاهش عدم قطعیت در قابلیت اطمینان نرم افزار و نزدیکتر شدن به عملکرد واقعی نرم افزار ارائه خواهد شد. بطور کلی تئوری دمپستر- شافر بر روی فرضیه نقص نسبت به بخشی از شواهد (شکست ها) که جزئی از یک سیستم هستند عمل می کند. در این تحقیق با استفاده از تئوری شواهد سعی شده که عدم قطعیت را کاهش و همراه با کاهش عدم قطعیت به افزایش قابلیت اطمینان نرم افزار برسیم. که این امر جز با تشخیص دقیقتر زمان وقوع خطا امکان پذیرنیست.پس از انجام محاسبات و محاسبه جرم هر یک از خطاها و میزان باور و امکان ،اگر خطا ها دارای عدم قطعیت بیشتر و باور کمتر باشند نتیجه می گیریم که احتمال رخ دادن آن بسیار ناچیز خواهد بود و افزایش تابع امکان و نزدیک شدن به تابع باور و افزایش تابع باور وکاهش امکان باعث کاهش عدم قطعیت و کاهش شکست نرم افزار و افزایش قابلیت اطمینان نرم افزار می گردد . با استفاده از این خطا ها و تبدیل خطا از جرم به احتمال به محاسبه قابلیت اطمینان می پردازیم.

خلاصه سازی یک فرآیند تصمیم گیری است که در آن برای هر جمله چندین معیار در نظر گرفته می شود و ارزش هر جمله در معیارها سنجیده می شود. سپس با سبک و سنگین کردن نتایج ارزیابی ها جملات برای حضور در خلاصه انتخاب می شوند. در این پایان نامه معماری جدیدی برای سیستم های خلاصه ساز ارائه شده است. در این معماری یک لایه ی تصمیم گیرنده به عنوان آخرین لایه در سیستم، مسئولیت امتیازدهی به جملات بر اساس امتیاز هر جمله در ویژگی های مجزا را بر عهده دارد. در واقع این لایه، عمل سبک و سنگین کردن جملات را انجام می دهد. وجود این لایه ی تصمیم گیر نیاز به داده های آموزشی برای محاسبه ی وزن های هر کدام از ویژگی های مورد بررسی را مرتفع می سازد. گرچه می توان دقت این لایه را بر اساس داده های آموزشی افزایش داد و یا اینکه با آموزش آن، سیستم های خلاصه ساز شخصی ساخت. ماتریس تصمیم به عنوان جز اصلی در تصمیم گیری چندمعیاره مورد استفاده قرار می گیرد. در ساخت ماتریس تصمیم هر جمله به عنوان یک سطر و هر یک از ویژگی های مورد بررسی نیز به عنوان یک ستون در نظر گرفته می شوند. در این پایان نامه روش آماری-زبان شناسی جدیدی نیز برای خلاصه سازی خودکار متن ارائه شده است. در این روش بر اساس ماتریس ارتباط، موضوعات مختلف در متن کشف و جملات متن در هر یک از این موضوعات کلاس بندی می شوند. سپس به روشی که در قسمت مربوطه آورده شده است امتیاز هر کدام از جملات و موضوعات تعیین می شوند. با توجه به امتیازها و روند به روز کردن امتیازها در چند گام خلاصه تولید می شود. در این پایان نامه تولید خلاصه های از نوع گزینشی تک سندی مد نظر بوده است. واحد خلاصه سازی، جمله در نظر گرفته شده است و تولید خلاصه های عمومی از مقالات علمی به زبان انگلیسی مورد بررسی قرار گرفته اند. روش های پیشنهادی نیز بر اساس همین پارامترها ایجاد شده اند.

چون رفتار ساکنین در ساختمان ها بر روی سرویس درخواستی تأثیر می گذارد بنابراین یک عنصر کلیدی در کنترل و مدیریت تجهیزات ساختمان به حساب می آید . در زمینه ساختمان هوشمند انرژی برای مدیریت مصرف و آسایش هم استفاده از این عنصر کلیدی بسیار مهم است . ما در این پروژه سعی کردیم با استفاده از وضعیت تجهیزات ( فعلی و قبلی) ساختمان که شامل اطلاعاتی در رابطه با خاموش یا روشن بودن کلیه تجهیزات اعم از روشنایی ، سیستم hvac و لوازم برقی است ، وضعیت بعدی و زمان تغییر وضعیت را برای سیستم hvac پیش بینی کنیم . در حقیقت وضعیت تجهیزات در حالت فعلی و قبلی معرف رفتار ساکنین است که حضور یا عدم حضور و شکل استفاده ازنقاط ساختمان را نشان می دهد . به همین منظور از دو شبکه عصبی ، یکی برای پیش بینی وضعیت بعدی و دیگری برای تشخیص زمان تغییر وضعیت ، استفاده کردیم . برای تشخیص خطا هم از داده های بی درنگ بدست آمده از حسگر ها استفاده کردیم .بدین صورت که اگر حضور شخص درساختمان به وسیله ی حسگر ها تشخیص داده شود و سیستم هم حضور را پیش بینی نکرده باشد آنگاه خطا رخ داده است و سیستم وضعیت خود را به وضعیت صحیح تغییر می دهد و دوباره تصمیم گیری می کند .در پایان هم ساختمان مورد نظر را در نرم افزار شبیه سازی کردیم که از میزان صرفه جویی انرژی اطمینان حاصل کنیم . واژه های کلیدی: رفتار ساکنین ، ساختمان هوشمند ، انرژی ، سیستم hvac ، وضعیت تجهیزات ، شبکه عصبی

یکی از تکنیک¬های شناسایی هویت مبتنی بر زیست سنجی که به عنوان یک روش مناسب مورد توجه محققان بوده است، روش مبتنی بر استفاده از گفتار است. سیگنال گفتار حاوی چندین سطح اطلاعاتی است. در سطح نخست حاوی اطلاعات گفتاری شامل واژه ها و پیغام های بیان شده است. ولی در سطح دوم حاوی اطلاعات مربوط به خصوصیات گوینده گفتار شامل ویژگیهای مجرای گفتاری، احساسات و ... است. با توجه به هزینه کم و سهولت انتقال صوت از طریق تلفن، امروزه استفاده از آن در تشخیص هویت افراد مورد توجه قرار گرفته است. به طور کلی سیگنال گفتار شامل دو بخش کلی مفهوم گفتار و هویت گوینده است. زمینه شناخت گوینده مربوط به تکنیک¬هایی برای استخراج مشخصات گوینده از روی سیگنال است .در مغز انسان به راحتی گوینده¬های آشنا از یکدیگر تفکیک و تشخیص داده می¬شوند، ولیکن آنچه که برای تشخیص گوینده در سیستم¬های مصنوعی لازم است، شناخت و استخراج مشخصات گوینده از روی سیگنال گفتار آن¬ها است. هر شخصی یک الگوی صدای منحصر به فرد دارد که او را از دیگران متمایز می سازد. در صورتی که دو شخص صداهای مشابه داشته باشند، شباهت معمولاً ظاهری است و از طریق آنالیز الگوهای صدا، تمایز بین آن¬ها با یک درجه بالایی از دقت امکانپذیر است. با ظهور کامپیوترهای رقومی، آنالیز مشخصات مختلف صدای شخص با استفاده از روش¬هایی امکان پذیر شده است. الگوریتم¬های پردازش سیگنال رقومی قدرتمند برای جداسازی مشخصات ویژه یک الگوی صدا و مقایسه این الگوها با یک نسخه ذخیره شده جهت پی بردن به این که شخص صحبت کننده چه کسی است در دسترس هستند. با این الگوریتم¬ها، شناسایی صحیح یک شخص در صورتی که گفتار او توسط عواملی چون نویز محیطی، نویز حاصل از انتقال گفتار بر روی کانال¬های مخابراتی و مانند آن مخدوش نشده باشد، با یک احتمال خطای کوچک قابل قبول امکان پذیر است . به منظور افزایش دقت سیستم¬های بازشناسی گفتار و گوینده تلاش¬های بسیاری انجام شده است. که در گروهی از آن¬ها سعی شده، مستقیمأ از گفتار ویژگی¬های کاراتری استخراج شوند. در دسته ای دیگر تلاش شده تا از میان ویژگی¬های استخراج شده، ویژگی¬های موثرتری که حاوی اطلاعاتِ مربوط به گوینده بیشتری هستند، انتخاب شوند.

شبکه های حسگربی‎سیم، نسل جدیدی از شبکه‎های بی‎سیم می‎باشند که از تعداد زیادی گره حسگر تشکیل شده اند ، این گره‎‎ها معمولا ارزان قیمت بوده و توانایی ارتباط بی‎سیم، محاسبه و حسگری را دارند. هدف اصلی در این شبکه ها، جمع آوری اطلاعاتی در مورد محیط پیرامون حسگر ها می‎باشد. عملکرد این شبکه‎ها بدین صورت است که اطلاعات توسط گره‎ها جمع‎آوری می‎شود و سپس این اطلاعات به سمت گیرنده فرستاده می‎شود. بنابراین انتقال اطلاعات و مسیریابی از مباحث مهم و پرچالش در این نوع از شبکه‎ها می‎باشد. پروتکل‎های مختلفی در این زمینه ارایه شده‎اند که در نظر گرفتن سطح انرژی و افزایش طول عمر شبکه از مسایل مهم در آن می باشند. هدف ما در این پژوهش این است که علاوه بر در نظر گرفتن سطح انرژی و افزایش طول عمر شبکه برخی از پارامترهای کیفیت سرویس نظیر نرخ انتفال اطلاعت وتاخیر را نیز در نظر بگیریم، و سعی در افزایش نرخ انتقال ، کاهش بسته‎های از دست رفته و کاهش تاخیر با استفاده از ترکیب خوشه‎بندی k-means و روش هوش جمعی را داریم.دراین پژوهش سعی بر این است که این هدف با استفاده ازتغییراتی در روش کلونی مورچگان که یکی از روش‎های هوش جمعی است، حاصل شود. قبل از استفاده از این روش درانتقال داده‎ها، گره‎ها را خوشه‎بندی کرده و بر اساس سطح انرژی، سرخوشه‎ها تعیین می‎شوندوسپس با نظرگرفتن پارامترهای موردنظردر تابع احتمال الگوریتم‎کلونی‎مورچگان به نتیجه مورد نظر دست یافتیم.

در این تحقیق با استفاده از روش خوشه بندی آماری و دومرحله ای به شناسایی و کشف ناهنجاری های موجود در داده های حمل ونقل فرآورده های نفتی در بخش ریلی پرداختیم . در این تحقیق با استفاده از درخت ویژگی ها در دو مرحله داده ها را ابتدا پیش خوشه بندی و سپس خوشه بندی نمودیم. برای خوشه بندی از میانه داده های هر خوشه استفاده کرده و سپس بعد از کشف ناهنجاری ها و کاهش ابعاد داده ای جهت کاهش پیچیدگی مدل با یک شبکه عصبی به بررسی صحت عملکرد طراحی شده پرداختیم. در نهایت مدل شبکه عصبی بعد از رفع ناهنجاری ها بسیار واضح تر از مدل شبکه قبل از رفع ناهنجاری ها پرداخت.

دقت سیستم¬های بازشناسی گفتار در محیط¬های آزمایشگاهی و کنترل شده به میزان قابل قبولی افزایش یافته و امروزه شاهد استفاده از این سیستم¬ها در محیط¬های واقعی هستیم. با این حال، کارایی این سیستم¬ها در حضور نویز به دلیل عدم تطابق بین شرایط و محیط آموزشی و آزمون به شدت افت می¬کند. علاوه بر این، تنوع مشخصه¬های گفتاری گویندگان نیز بر کارایی این سیستم¬ها تاثیرگذار است. در سال¬های اخیر، عمده پژوهش¬های صورت گرفته در زمینه بازشناسی گفتار در راستای کاهش عدم تطابق بین شرایط آموزش و آزمون، در نتیجه افزایش کارایی آنها برای کاربردهای عملی است. انتقال بردار ویژگی، معیار آموزش سیستم، تطبیق مدل با گوینده و مهم¬تر از همه کاهش اثر تخریبی نویز بر کارایی سیستم، اصلی-ترین مباحث در مقوله مقاوم¬سازی سیستم بازشناسی گفتار بوده¬اند. از میان دو دسته عمده روش¬های مقاوم¬سازی در برابر نویز، روش¬های مبتنی بر ویژگی و روش¬های مبتنی بر مدل، دسته دوم از انعطاف بیشتری برخوردار بوده و منجر به بهبود بیشتری می¬شوند. محور اصلی این روش¬ها انطباق پارامترهای مدل آکوستیکی با شرایط آزمون است. در این پایان¬نامه روش¬های مختلف مقاوم¬سازی نسبت به نویز مرور شده و از این بین، بردار سری تیلور (vts) مورد مطالعه دقیق و استفاده قرار گرفته است. آموزش تمایزگرایانه نیز، به عنوان جایگزینی برای معیار بیشینه درست¬نمایی (ml)، در سال¬های اخیر کانون توجه برخی از پژوهشگران بوده است. بیشینه-کردن درست¬نمایی داده¬های آموزشی با معیار ارزیابی سیستم، نرخ خطا، ارتباط چندانی ندارد. گذشته از این، در حالتی که توزیع واقعی داده¬های آموزش مشخص نباشد، معیار تمایزگرایانه نرخ خطای کمتری در مقایسه با معیار بیشینه درست¬نمایی دارد. همین امر موجب شد تا از آموزش تمایزگرایانه (به ویژه روش fbmmi+bmmi) همراه با انتقال بردار ویژگی و آموزش تطبیقی با گوینده (sat) برای آموزش سیستم استفاده شود. برای ارزیابی این روش¬ها از نرم¬افزار kaldi و مجموعه دادگان timit استفاده شد. به¬کارگیری روش ترکیبی معرفی شده بر روی دادگان تمیز منجر به بهبود 5 درصدی دقت نسبت به سیستم پایه شد. برای شرایط نویزی، روش vts پیشنهادی مورد استفاده قرار گرفت که نسبت به vts کلاسیک در بهترین شرایط 7 درصد افزایش نسبی کارایی را به همراه داشته است. بکارگیری این روش با روش ترکیبی پیشنهادی برای داده¬های تمیز بر روی داده¬های نویزی شده دقت سیستم را به طور متوسط تا 34 درصد افزایش داد.

تشخیص خودکار زبان در واقع مساله تشخیص زبان یک نمونه گفتار صحبت شده توسط سخنگوی نامعلوم است. تشخیص خودکار زبان می‏تواند به ارتباط بین مردم نواحی گوناگون کمک کند و کاربردهای مختلفی در توسعه گردشگری، تجارت آزاد، تقویت امنیت ملی از طریق پیش‏پردازش و فیلترنمودن مکالمات مشکوک، خدمات اورژانس، ترجمه همزمان در همایش‏ها و مکالمات بین‏المللی دارد. در این پایان‏نامه با کمک کلاسه‏بندی ویژگی‏های مختلف، سیستم تشخیص خودکار زبان، طراحی و پیاده‏سازی شده است. ویژگی‏های صوتی مورد نظر از فریم‏های متوالی سیگنال گفتار استخراج و ویژگی‏های آماری این فریم‏ها به عنوان بردار ویژگی در نظر گرفته می‏شوند. برای این منظور ویژگی‏های mfcc ، lpc وplp استخراج و مورد تجزیه و تحلیل قرا گرفته است. پس از استخراج این ویژگی‏ها، لیفترهای خطی و غیر خطی به ضرایب اعمال می‏شود. همچنین ترکیب دو به دو این ویژگی‏ها نیز برای تشخیص زبان استفاده شده است. بعد از استخراج ویژگی‏های مورد نظر، توسط کلاس‏بند مدل مخلوط گوسی و همچنین اعمال روشllr به عنوان یک روش پس‏پردازش ساده، برای تصمیم‏گیری مناسب‏تر از روی بردارهای امتیازات بدست آمده، شناسایی زبان مورد نظر انجام می‏گیرد. نتایج آزمایش‏ها نشان می‏دهد که ضرایب mfcc به همراه اعمال لیفتر غیر خطی و نیز ترکیب دو ویژگی می‏تواند کارایی سیستم را افزایش دهد. تاکنون روش‏های مختلفی برای شناسایی زبان گفتاری پیشنهاد شده است، که در بین همه آنها ضرایب کپسترال به درصد صحت بالاتری رسیده است. نتایج نشانگر دقت مناسب اعمال لیفتر سینوسی به ضرایب و نیز ویژگی‏های ترکیبی در تشخیص زبان می‏باشد.

ترجمه ماشینی یکی از اولین اهداف هوش مصنوعی است که به دلیل نیاز روز افزون به فهم و استفاده از منابع زبان¬های دیگر اهمیت بسیاری دارد. روش¬های مختلفی مانند روش¬های مبتنی بر دستور زبان، مبتنی بر مثال و روش¬های آماری برای ترجمه ماشینی استفاده شده است. در اینجا از روش آماری عبارت بنیان که در سال¬های اخیر بسیار مورد توجه بوده است استفاده شده است. هدف نهایی در ترجمه ماشینی رسیدن به یک سیستم ترجمه ماشینی خودکار با کیفیت است. هم¬اکنون سیستم¬های ترجمه¬ای که خودکار عمل کنند وجود دارند، اما ترجمه سیستم تنها در مواردی خاص کیفیت مناسب را دارد. یکی از این موارد زمانی است که داده¬های آموزشی محدود به زمینه¬ای ¬باشند که ترجمه ماشینی در آن استفاده می شود. به منطبق کردن یک سیستم ترجمه ماشینی با یک زمینه خاص، تطبیق زمینه می¬گویند. داده¬های آموزشی برای زمینه¬های خاص بسیار کمیاب هستند و کیفیت ترجمه ماشینی با اندازه داده¬های آموزشی نیز ارتباط مستقیمی دارد. مشکل کمبود داده در زبان فارسی نیز به شدت وجود دارد. در این پژوهش تلاش می شود این مشکل حل شود. روش پیشنهادی این پژوهش بر پایه¬ی کاهش خطاهای سیستم شکل گرفته است. در این پژوهش خطای عدم مشاهده و خطای امتیاز هدف قرار گرفته شده است. برای حل مشکل عدم مشاهده، جدول ترجمه¬ای که با استفاده از داده¬های هم¬زمینه به دست آمده است را با استفاده از جدول ترجمه¬ای که از داده¬های عمومی به دست آمده غنی می کنیم. این رویکرد پر کردن نام دارد. برای مقابله با خطای امتیاز نیز ابتدا جمله¬هایی از داده¬های عمومی را که به داده¬های هم-زمینه شبیه هستند را با استفاده از مدل زبانی انتخاب می کنیم. سپس با افزودن این جمله¬ها به پیکره هم¬زمینه، آن را غنی¬تر می کنیم. در این انتخاب تلاش می شود که با حذف اسامی خاص بی اهمیت در زمینه، دقت انتخاب جمله¬ها افزایش یابد.

الگوریتم بهینه سازی انتخابات گرا (ei) برای حل مسائل بهینه سازی معرفی شده است. این الگوریتم برای حل مسائلی طراحی گردید که متمرکز برای یافتن چندین جواب بهینه در مسائل مربوط به خودشان می باشند اما قابلیت حل مسائل با یک جواب بهینه را نیز دارد. این الگوریتم از شش سیستم مختلف انتخاباتی استفاده می کند. در الگوریتم پیشنهادی ما، هر فرد واجد شرایط (که می تواند رای دهد) به عنوان یک راه حل بالقوه تفسیر شده است. افراد در فضای باور جامعه نمو دارند و فردی که باور بهتری داشته باشد به عنوان کاندیدا با دیگر کاندیداها به رقابت می پردازد. مردم به کاندیدا/کاندیداهایی که باور بهتری داشته باشند رای می دهند. علاوه بر این، باور هر فرد نرمال شده با توانایی خود، در برابر بهبود اوضاع جامعه می باشد. هم نامزد ها در روز انتخابات با هم به رقابت می پردازند و هم افراد سعی می کنند که نامزد مورد علاقه خود را پیروز نمایند. نامزد/نامزدهای پیروز سعی در بهبود اوضاع جامعه می کنند. الگوریتم پیشنهادی نه تنها دارای پیچیدگی محاسباتی کم است، بلکه به سرعت به راه حل های بهینه اصلی همگرا می شود. باید اضافه کرد که الگوریتم، به مقدار دهی پارامتر های اولیه حساس نیست.

یک الگوریتم جدید مسیریابی فرصت طلبانه با در نظر گرفتن طول جریان، تاخیر دسته، تعداد گام و به طور کلی، کیفیت سرویس در مسیریابی فرصت طلبانه.