اکثر مخازن هیدروکربوری ایران کربناته و شکسته اند. شکستگی ها از عوامل توسعه تخلخل در این نوع مخازن هستند. از دیگر عوامل مهم توسعه تخلخل در مخازن هیدروکربوری کربناته، حفره ای شدن است. بر طبق نظر کارشناسان، برخی مخازن نفتی ایران تحت تأثیر تخلخل حفره ای هستند. از میان تخلخل های موجود، تخلخل حفره ای نقش موثری در پارامترهایی چون اشباع آب، تراوایی، بازیابی و میزان تولید مخزن دارد. بنابراین شناخت این نوع تخلخل در مخازن ایران مهم است. در حال حاضر شناسایی این نوع تخلخل توسط روش های پرهزینه ای از قبیل مطالعه مغزه های حفاری و یا چاه نمودارهای تصویری انجام می شود. در این پایان نامه با بکارگیری روش های پردازش سیگنال و تکنیک های طبقه بندی الگو با استفاده از چاه نمودارهای پتروفیزیکی دو میدان نفتی در غرب ایران برای شناسایی تخلخل های حفره ای استفاده و نسبت به تفکیک آن از سایر تخلخل ها اقدام شده است. دقت این تفکیک با بکارگیری طبقه کننده پارزن و استفاده از چاه نمودارهای پتروفیزیکی خام نسبت به روش های مرسوم مطالعه تخلخل حفره ای حداقل 7% افزایش یافته است. پس از اعمال تبدیل موجک و طبقه بندی به روش پارزن دقت بررسی بطورمیانگین 10% بالاتر رفت. در مورد تعمیم پذیری روش پیشنهادی در این پروژه دو بخش بررسی شده است که در بخش اول تعمیم پذیری بین چاهی در یک میدان مطالعه گردید که دقتی در حدود 77% بدست آمد. در بخش دوم قابلیت تعمیم روش بین چاه های دو میدان بررسی و دقتی در حدود 70% نتیجه شد. تمام این نتایج نشان دهنده برتری این روش نسبت به روش های دیگر است. کلمات کلیدی: چاه نمودارهای پتروفیزیکی، طبقه بندی کننده پارزن، موجک، تخلخل حفره ای

طبقه بندی روشی برای جداسازی داده ها است، که این کار با استفاده از محاسبات ریاضی و دانش افراد خبره انجام می گیرد. روش های طبقه بندی عموماً براساس دانش افراد خبره و مرز بندی بین داده ها عمل می کنند. در این پژوهش یک روش طبقه بندی تغییر یافته بر مبنای روش های طبقه بندی بر اساس چگالی ارائه شده است که این روش در برابر وجود نویز مقاوم بوده و از سرعت بالایی برخوردار خواهد بود. طبقه بندی پروتئین ها بمنظور پیش بینی عملکرد آنها و شناسایی خواص پروتئین ها یکی از مسائل بزرگ در حوزه طبقه بندی است. با توجه به پیشرفت علم و دستگاه های توالی یابی پروتئین های بسیاری کشف شده اند که نیازمند یک سیستم طبقه بندی خودکار هستند. این پژوهش روش طبقه بندی خودکاری را برای طبقه بندی پروتئین ها براساس تاخوردگی و اطلاعات مستخرج از توالی ارائه خواهد نمود.

ساختار شبکه های اجتماعی آنلاین در اکثر موارد نمی تواند فقط با ارتباطات بین اعضای آن توصیف شود. با توسعه وب سایت های رسانه های اجتماعی، کاربران بیشتری شروع به نشان دادن نگرش ها و احساسات خود نسبت به دیگر کاربران کرده اند. روابط بین کاربران در سایت های رسانه های اجتماعی اغلب مخلوطی از تعاملات مثبت یا دوستانه همچون اعتماد، علاقه و تعاملات منفی همچون عدم اعتماد و عدم علاقه است. برای مدل کردن این روابط از شبکه های علامت دار استفاده می شود. یکی از مسائل مطرح در زمینه شبکه های علامت دار، مسئله پیش بینی علامت یال هاست. منظور از پیش بینی علامت یال در گراف های شبکه های اجتماعی این هست که، با داشتن یک شبکه اجتماعی و علامت برخی از یال های آنها، علامت یال هایی که ناشناخته یا پنهان هستند را تعیین کنیم. تاکنون تحقیقات فراوانی در این حوزه صورت گرفته است. برخی از جدیدترین تحقیقات سعی کرده اند که با استخراج ویژگی هایی از وضعیت خود کاربران و روابط آنها با همسایگانشان به حل این مسئله بپردازند که نتایج این تحقیقات نشان دهنده موفقیت نسبی این روش ها برای حل این مسئله است. در این پروژه سعی بر این بوده است که رویکرد جدیدی برای حل این مسئله ارائه شود که تاکنون به آن پرداخته نشده است. در این رویکرد تلاش شده است، با استفاده از شبکه عصبی تاخیر زمان توزیع شده به ارائه یک مدل بپردازیم که علامت یک یال پنهان یا ناشناخته را پیش بینی کند. درواقع هدف این است که شبکه عصبی با استفاده از داده های موجود، آموزش داده شود و سپس به ارزیابی کارایی آن شبکه بپردازیم. پیاده سازی های ما بر روی مجموعه داده های واقعی رسانه slashdot نشان می دهد که این الگوریتم ها در کنار سادگی، در مقایسه با روش های موجود دقت بالاتری در پیش بینی علامت دارند.