کنترل پیش بین براساس مدل، مجموعه روشهایی را شامل می شود که با استفاده از مدلی از فرایند و با داشتن اطلاعات مربوط به ورودیها و خروجیهای فرایند، سیگنال مناسب کنترلی جهت بهینه سازی تابع هدف (در حوزه زمان) را محاسبه می نمایند. قوانین کنترلی که از این ساختار ساده بدست می آید از قابلیتهای بسیار بالایی برخوردار بوده و امکان استفاده از آن را در بسیاری زمینه ها فراهم ساخته است . خاصیت اصلی این کنترل کننده ها این است که امکان گذاشتن قید بر متغیرهای سیستم را به ما می دهند. از این خاصیت می توان در تعریف تابع هدف استفاده بسیار نمود زیرا در بسیاری از اوقات هدف دنبال روی یک سیگنال خاص نیست به عنوان مثال حفظ کیفیت با حداقل هزینه. با وجود این قابلیتها، این سیستمها در کنترل فرایندهای غیرخطی که تغییر مدل در آنها به سرعت انجام می پذیرد ناتوان هستند. برای رفع این مشکل اساسی می توان از مدلهای غیرخطی مانند شبکه عصبی استفاده نمود که در این صورت باید از الگوریتمهای بهینه سازی غیرخطی بهره جست . با توجه به سرعت پایی الگوریتمهای بهینه سازی غیرخطی، نیاز به ساختاری داریم که هم قابلیت مدل کردن سیستمهای غیرخطی را داشته باشد و هم بتواند از الگوریتمهای بهینه سازی خطی یا مربعی استفاده نماید. برای این منظور استفاده از سیستمهای چند مدله می تواند کمک بسیاری به ما بنماید. در این رساله سعی شده کلیه اطلاعات لازم جهت استفاده از کنترل پیش بین به صورت کلاسه بندی شده، همراه با شرح تواناییها و قابلیتهای این روش ارائه شود. سپس به بررسی چگونگی استفاده از شبکه های عصبی برای کنترل سیستمهای غیرخطی پرداخته می شود و چگونگی استفاده از الگوریتمهای چند مدلی برای پیش بینی مورد بررسی قرار می گیرد و روشی جهت تطبیقی کردن ارائه می شود و نشان داده می شود که این الگوریتم برای کنترل گروه خاصی از مسائل توانایی بالایی دارد. در نهایت هم به نکات عملی در طراحی کنترل کننده های پیش بین اشاره شده است .

در این پروژه هدف دستیابی به روش مناسبی جهت بازشناسی چهره می باشد. سیستم بازشناسی انتخاب شده مبتنی بر بردار ویژگی استخراج شده از چهره می باشد. اکثر پروژه های موجود در زمینه بازشناسی چهره مبتنی بر بردار ویژگی یا بر روی روشهای استخراج ویژگی چهره و یا بر روی روشهای بازشناسی چهره کار کرده اند. این پروژه از این نظر حائز اهمیت است که هر دو این ارزیابیها، با هم انجام گرفته است . بدلیل اینکه نتایج عملکرد سیستم بازشناسی قابل مقایسه با کارهای بعدی باشد، کلیه آزمایشها بر روی بانک تصاویر orl که از طریق اینترنت بدست آمده است انجام گرفته است . در این پروژه از بردار ویژگی ظاهری و بردار ویژگی جبری که خود بر دو نوع مقادیر منفرد (singular value) و مولفه های اساسی (principal component) چهره می باشند، جهت مشخص کردن بردار ویژگی چهره استفاده شده اند. سیستمهای بازشناسی ما اقلیدسی و آماری و عصبی و عصبی فازی می باشد. ما به ارزیابی اثر انتخاب هر نوع بردار ویژگی و سیستم بازشناسی در نرخ بازشناسی و میزان حافظه مصرفی و سرعت بازشناخت ، می پردازیم. بدلیل وجود ریش و مو و حالتهای مختلف (باز بودن دهان، شادی، حزن و...) در تصاویر چهره بانک orl، الگوریتمهای یافتن ویژگیهای ظاهری در اینجا کارا نمی باشند، به همین دلیل این ویژگیها به صورت دستی استخراج گردیده اند و ارزیابی سیستمهای بازشناسی روی این ویژگیها انجام شده است . نتایج نشان می دهد که روش مبتنی بر ویژگیهای ظاهری بالاترین نرخ بازشناسی چهره را دارا می باشد و بعد از آن روش pca و در انتها روش svd کمترین نرخ بازشناسی را دارا می باشد. چون بردار ویژگی ظاهری از بردار ویژگی جبری کوچکتر می باشد لذا سرعت بازشناسی چهره نیز در آن سریعتر است . بعد بردار ویژگیهای جبری بزرگتر می باشد، لذا حجم بانک در این روشها افزایش سرعت بازشناسی آن کاهش می یابند. در روشهای مبتنی بر ویژگیهای جبری، روش svd نسبت به روش pca زمان استخراج و آموزش کمتری دارد و حجم بردار ویژگی جاصل از آن هم کمتر می باشد، بنابر این زمان بازشناخت آن خیلی کمتر از روش pca می باشد. انتخاب نوع سیستم بازشناسی مناسب ، می تواند نرخ بازشناسی سیستم را اندکی افزایش دهد. بعنوان مثال متوسط نرخ بازشناسی مبتنی بر ویژگیهای ظاهری چهره را برای سیستم بازشناسی اقلیدسی معمولی، روش آماری، روش عصبی و روش عصبی فازی آورده شده است . نتایج نشان می دهد که روش آماری بدلیل جداپذیری بیشتر کلاسها نرخ بازشناسی بیشتری دارد. در ضمن به دلیل ماهیت فازی ویژگیهای ظاهری نرخ شناسایی در روش عصبی فازی بالاتر از روش عصبی می باشد. در حالت کلی سیستمهای که بازشناسی آنها مبتنی بر مقایسه با تک تک بردارهای ویژگی تصاویر آموزش می باشند به قیمت افزایش حجم بانک و پایین آمدن سرعت بازشناسی، نرخ بازشناسی بالاتری نسبت به روشهای بازشناسی که مبتنی بر مقایسه با میانگین بردارهای ویژگی تصاویر هر شخص است ، دارا می باشند.

در این پروژه هدف دستیابی به روشی مناسب جهت تشخیص حالات حسی چهره می باشد. بیشتر سیستم های شناخت حالات بر روی شش حالت اصلی در چهره تمرکز می کنند. تفسیر حالات چهره تمرکز می کنند. تفسیر حالات چهره معمولا یا از روی تصاویر ساکن و یا از روی یک رشته از فریم های متوالی چهره انجام می پذیرد. در این پروژه، به هر دو این موارد پرداخته می شود. برای استخراج مشخصه های چهره تاکید اصلی بر روش های هندسی و ترکیب کلی چهره است . در این قسمت دو روش مورد بررسی قرار می گیرد. در اولین روش برای بدست آوردن مشخصه های چهره با در نظر گرفتن شکل خاص از گرادیان نقاط، در کل تصویر به جستجوی چشم می پردازیم. در این بین از مفاهیمی همچون شیارهای چهره نیز برای کاهش حجم محاسبات استفاده می شود. اما در دومین روش ، با استفاده از نگاشت افقی و عمودی تصویر چهره و تصویر لبه های افقی و عمودی چهره، موقعیت دهان، بینی، پیشانی و محدوده چشم ها و سپس بر اساس مفهوم میدان اشاره، موقعیت دقیق چشم ها بدست می آید. بر اساس نقاط ضعفی که روش اول از خود نشان می دهد، روش دوم برگزیده می شود و برای مراحل بعدی مورد استفاده قرار می گیرد. در بخش های مربوط به تحلیل و تفسیر حالات چهره از روی تصاویر ساکن، یک شبکه هاپلفید (hopfield) و خاصیت حافظه شرکت پذیر آن مورد توجه قرار گرفته است . پس از بررسی نتایج حاصل از این شبکه، از سری کردن دو شبکه هاپفیلد با مجموعه های آموزش متفاوت برای عمل تشخیص استفاه شد، که نتایج را بصورت محسوسی بهبود بخشید. برای تحلیل حالات چهره از روی یک رشته تصویر، چندین شبکه ref بکارگرفته شده است . روش آموزش این شبکه، معماری کلی آن، نحوه تنظیم و پردازش ورودی ها و خروجی ها از نکات مهم این روش می باشد که در نوع خود حائز اهمیت است . چارچوب ارائه شده برای تشخیص حالات چهره در این پایان نامه، در مقایسه با دیگر روش های موجود، ضریب اطمینان و همچنین سرعت بیشتری دارد و این بیشتر ناشی از عدم استفاده از مدل های مبتنی بر آناتوموی چهره واستفاده از شاره نوری برای تشخیص حرکت ها می باشد.