با توجه به ارتباط موثر بین سیگنال الکتروکاردیوگرام و فعالیت الکتریکی قلب، همچنین کم هزینه و غیرتهاجمی بودن آن، استفاده از این سیگنال در زمینه تشخیص بیماری های قلبی – عروقی توسط پزشکان متخصص افزایش یافته است. در این میان تشخیص به موقع ایسکمی میوکارد به عنوان یکی از عوامل اصلی سکته قلبی، از اهمیت ویژه ای برخوردار می باشد. دو دیدگاه اساسی در زمینه روشهای تشخیص ایسکمی وجود دارد که دیدگاه اول به تفکیک اپیزودهای ایسکمیک در سیگنال و دیدگاه دوم به تفکیک ضربان های ایسکمیک می پردازد. از آن جهت که تفکیک ضربان به ضربان پیش زمینه ای برای تفکیک اپیزود به اپیزود ایسکمی می باشد، دست یابی به روشی با دقت بالا در این مرحله بسیار حائز اهمیت است. همچنین با توجه به وجود عدم قطعیتهای زبانی، استفاده از روشهای تعبیرپذیر در زمینه تشخیص های پزشکی، نسبت به سایر روشها ارجحیت بالاتری خواهد داشت. در این پروژه، سیستمی اتوماتیک با دقت نسبی بالا، دارای قابلیت تعبیر پذیری به منظور دسته بندی و تفکیک ضربان های ایسکمیک از ضربان های سالم پیشنهاد شده است. در این الگوریتم، پس از حذف نویز و استخراج اطلاعات شکلی از سیگنال با استفاده از روش تبدیل موجک چند مقیاسی، دسته بندی این اطلاعات و استخراج دانش در زمینه تشخیص بیماری توسط سیستم فازی ممدانی انجام شده است. ارزیابی این الگوریتم بر روی سی ثبت ازسیگنال های پایگاه داده esc(st-t) انجام شده است. به منظور بررسی کارایی این سیستم در مقایسه با روشهای دیگر، دسته بندی این اطلاعات با دو دسته بندی کننده دیگر – شبکه های عصبی- احتمالاتی و ماشینهای بردار پشتیبان- نیز انجام شده است. نتایج بدست آمده بیانگر حساسیت و خصوصیت نسبی بالا این روش در مقایسه با روشهای عصبی – احتمالاتی و ماشینهای بردار پشتیبان بوده است در کنار این واقعیت که این الگوریتم قابلیت تعبیر پذیری را نیز داراست. پس از بررسی تعبیر پذیری سیستم، تعدادی از قواعد زبانی موثر در تشخیص ایسکمی از پایگاه قواعد استخراج و به قواعد موجود در زمینه تشخیص ایسکمی افزوده گردید که این عمل باعث بهبود الگوریتم شده است.

شیوع روز افزون سرطان سینه از یک طرف و اهمیت تشخیص به موقع و زودهنگام آن از طرف دیگر، لزوم تصویربرداری دقیق را برای شناسایی سرطان سینه، بیان می کند. به همین منظور تاکنون روش های تصویربرداری مختلفی از جمله ماموگرافی، ترموگرافی، سونوگرافی سینه و ام.آر.آی مورد مطالعه قرار گرفته است. در این میان، mri به دلیل حساسیت بالا، عدم استفاده از پرتو یونیزه، غیرتهاجمی بودن و غیره، یک روش تشخیصی ارزشمند به حساب می آید. یافته های بسیاری وجود دارد که نشان می دهد روش mri با تزریق ماده حاجب، برای تشخیص زودهنگام سرطان در زنان با ریسک ابتلای بالا، بسیار مفید و موثر می باشد. از آنجائیکه، تشخیص بیماری سرطان از جمله سرطان سینه و طبقه بندی نوع آن وابسته به تجربه و مهارت پزشک می باشد لزوم ارائه روشی که از طریق آن بتوان طبقه بندی را به روشی هوشمند انجام داد، احساس می شود. این نوشتار، به بررسی طبقه بندی داده های حاصل از تصاویر mri سینه، به دو گروه خوش خیم و بدخیم در دو بخش می پردازد. بخش اول بر روی داده های عددی مربوط به دانشگا کالیفرنیا در سال های 2006-2004 اعمال شده است که پس از انتخاب ویژگی با الگوریتم ژنتیک، شبکه های عصبی مختلف و نیز طبقه بندی کننده ماشین های بردار پشتیبان برای طبقه بندی به کار می رود. در نهایت با انتخاب سه طبقه بندی کننده برتر، توانستیم صحت 94%، 99% و 91% برای سه گروه داده mass non-mass,و تمام داده ها را بدست آوریم. در بخش دوم این پایان نامه، تصاویر جمع آوری شده از بیمارستان میلاد تهران برای این منظور به کار رفته است. دراین بخش برای استخراج ویژگی، پس از افزایش کنتراست تصویر، روش جستجوی پیکسل به پیکسل به تصویر اعمال می شود تا محدوده ای از ناحیه ای که تومور در بر گرفته است، مشخص شود. پس از تعیین ناحیه تومور، برای شناسایی دقیق مرز تومور از روش فازی استفاده می شود. روش های استخراج ویژگی بر روی ناحیه مورد نظر اعمال می شود. با به کارگیری ویژگی های بدست آمده و اعمال شبکه های عصبی مختلف، طبقه بندی داده ها به دو گروه خوش خیم و بدخیم انجام می شود. در این پایگاه داده، بااستفاده از بردار ماشین های پشتیبان خطی و سیگوئید توانستیم تفکیک داده ها را به طور کامل انجام دهیم.

با توجه به نرخ بالای مرگ و میر ناشی از بیماری سرطان سینه در میان زنان، آشکارسازی زودهنگام روشی موثر در تشخیص سریع و هدایت این بیماری و امکان معالجه به موقع و در نتیجه کاهش مرگ و میر می باشد. بسیاری از روش های هوشمند مانند دسته بندی کننده های عصبی که قابلیت یادگیری بر اساس داده های آموزشی را دارند دارای این مشکل اساسی هستند که نحوه و روند دسته بندی در هنگام ارزیابی نا مشخص و گنگ می باشد. به این منظور از دسته بندی کننده های فازی-عصبی به عنوان جایگزینی مناسب می توان نام برد. ولی سیستم های فازی-عصبی با داده هایی با ابعاد بالا مشکل دارند. این مشکل از اینجا ناشی می شود که تعداد قواعد فازی به صورت نمایی نسبت به تعداد ورودی ها افزایش می یابد. در این تحقیق دو سیستم فازی-عصبی سلسله مراتبی و فازی-عصبی پتانسیل گوسین برای حل این مشکل پیشنهاد شده است. کارایی این سیستم ها هم از نظر معیارهای ارزیابی و هم تعداد قواعد و پارامترها با دسته بندی کننده فازی-عصبی مورد مقایسه قرار گرفته است. ارزیابی تمامی الگوریتم ها روی پایگاه داده wbcd انجام شده است. نتایج بدست آمده علاوه بر کاهش تعداد قوانین و پارامترها بیانگر حساسیت، خصوصیت و صحت بالای دسته بندی کننده های پیشنهادی در آشکارسازی سرطان سینه می باشد.

شکی نیست که موتورهای سوئیچ رلوکتانس از نظر کارآیی، قیمت تمام شده و مقاوم بودن در بسیاری از موارد از انواع دیگر موتورهای الکتریکی برتر هستند.اما ایجاد ریپل در گشتاور و همچنین نویز صوتی موجب شده است که با استقبال مناسبی در صنعت رو به رو نشوند. به همین علت تلاش های بسیاری در جهت بهبود طراحی و کنترل آنها انجام گرفته است. در این نوشتاربا استفاده از ترکیب روش های کنترل هوشمند مانند سیستم های فازی نوع دو و استفاده از بهینه سازیهای چند هدفه تکاملی و برخط، توانسته ایم یک کنترل ساده، مقاوم و منعطف را طراحی نماییم. برای طراحی این کنترل کننده تنها کافیست با انجام چند آزمون ساده بر روی مدل شبیه سازی شده ی موتور، تجربه ی یک کنترل نسبتا مناسب را بدست آورده و سپس تجارب محدود و پر از نایقینی خود را به یک سیستم فازی نوع دو که دارای توانایی مدل کردن ابهامات است؛ منتقل کنیم. سپس با پیاده سازی آن بر روی موتور واقعی (یا شبیه ساز در اینجا) و استفاده از سنسورهای مناسب،می توانیم عملکرد کنترل کنندهی طراحی شده را توسط یک الگوریتم تکاملی ژنتیکی چند هدفه بهبود می بخشیم.دو نوع روش سوئیچینگ در این تحقیق پیشنهاد شده اندکه هر یک دارای ویژگی های منحصر به فردی هستند و هر دو از کنترل مد لغزشی برای ثابت نگاه داشتن گشتاور استفاده میکنند. با مقایسه ی این روش با روش های موجود در می یابیم که علی رغم سادگی در طراحی، عملکرد آن همردیف روشهای بسیار خوب قرار می گیرد. به این معنا که می تواند نوسانات گشتاور را به حداقل مقدار ممکن برساند و در ضمن به خاطر استفاده از بهینه سازی برخط، بدون داشتن حساسیت به پارامترهای موتور، هرگونه تغییری را در مدل موتور دنبال کرده و در نهایت بهترین کنترل را تحت هر شرایطی بیابد. ویژگی خوب ساختار پیشنهاد شده آنست که می توانیم به سادگی بهینه سازهای چندهدفه را با آن ترکیب کنیم. یعنی مثلا با قرار دادن سنسورهای مناسب، کاهش نویز صوتی یا کاهش میزان مصرف یا هر ترکیب دلخواهی از معیارها را در نظر گرفته و عملکرد موتور را برای آنها بهینه نماییم. ترکیب سیستم های فازی نوع دو که توانایی مدل کردن ابهامات را دارند با بهینه سازها که به نوعی وظیفه ی رفع ابهامات را بر عهده دارند ترکیب مناسبی به نظر می رسد که می تواند فرآیند تولید کنترل کننده های پیچیده را ساده و سریع نماید.

امروزه محدودیت های تست و توسعه بر روی ربات های واقعی، محققان این عرصه را به توسعه بر روی بستر های نرم افزاری سوق داده است. شبیه سازهای رایانه ای به عنوان بستری مناسب برای توسعه سریع الگوریتم های هوش مصنوعی، بدون نیاز به ربات های فیزیکی از محبوبیت زیادی در میان دانشمندان این رشته برخوردار می باشند [1]. در این پایان نامه مسابقات شبیه سازی فوتبال دو بعدی بین ربات ها را به عنوان بستری برای انجام تحقیقات بر روی طراحی یک کنترل کننده تصمیم گیری رفتار های تیمی در فوتبال انتخاب نموده ایم. مبحث کنترل رفتار هماهنگ تیمی و آرایش بندی مناسب برای رویارویی با حریف از پیش شناخته نشده، یکی از چالش های بارز در محیط های رقابتی است. از آنجایی که در یک بازی فوتبال (به عنوان یک محیط رقابتی)، فضای حالات ممکن بسیار بزرگ است، استفاده از یک روش یکنواخت امکان پذیر نمی باشد و لذا طراحی استراتژی های قابل تغییر، رکن ضروری در دستیابی به موفقیت می باشد. از این رو هدف این پایان نامه طراحی یک کنترل کننده به نامex-tfc با استفاده از سیستم خبره برای تصمیم گیری آرایش بندی تیمی در ربات های فوتبالیست شبیه ساز دو بعدی می باشد. ex-tfc بر گرفته از کلمات (expert team formation controller) می باشد که با استفاده از مدل شناسایی شده ی حریف عمل می کند. بدین منظور روش های مختلف یادگیری ماشین برای مدل سازی آرایش بندی حریف به صورت کامل مورد بررسی قرار گرفته و در نهایت الگوریتم هایی برای تطبیق آرایش بندی حریف به مدل های از پیش تعیین شده، توسعه داده شده اند. این ساختار به تصمیم منسجم تر و با سرعت بالاتر و با هزینه ی محاسباتی پائین تری دست خواهد یافت. بدین صورت تصمیم گیری وابسته به یک بازی مشخص از یک تیم نخواهد بود و به راحتی قادر خواهد بود در مقابل تیم های مختلف رفتاری مناسب از خود ارائه دهند. تصمیم گیری سیستم ex-tfc بر اساس دانش فرد خبره در زمینه ی مربیگری فوتبال می باشد. برای تعریف مدل حریف، رویکرد های مختلفی ارائه گردیده است. به طور مثال می توان بازی های انفرادی و یا رفتار های دروازه بان هنگامی که بازیکن مهاجم نزدیک به دروازه می شود را مدل کرد و یا در سطحی بالاتر، رفتار هماهنگ تیمی را به عنوان مدلی از حریف تعریف نمود. سیستم ex-tfc آرایش بندی بازیکنان در سطح زمین را به عنوان یک مدل از حریف مورد بررسی قرار می دهد. در این گزارش، ابتدا در فصل ? به بررسی محیط شبیه سازی و تعاریف اولیه خواهیم پرداخت. در همین فصل نگاهی خواهیم داشت به روش های یادگیری ماشین که برای تشخیص آرایش بندی حریف در این پایان نامه مورد استفاده قرار گرفته اند. به طور دقیق تر روش های مبتنی بر شبکه های عصبی، الگوریتم k-نزدیک ترین همسایه و روش های مبتنی بر ماشین های بردار پشتیبان معرفی شده اند. در بخش پایانی همچنین مفهوم سیستم های خبره و اجزای تشکیل دهنده آن مورد بحث قرار گرفته اند. در فصل ? رویکرد ها و روش های معرفی شده توسط محققین در زمینه مدل سازی حریف، چه از منظر انفرادی و چه از منظر تیمی در بستر مسابقات شبیه ساز فوتبال به طور دقیق مورد بررسی قرار گرفته اند. لازم به ذکر است نتایج این بررسی به صورت مقاله ای تحت عنوان «an overview on opponent modeling in robocup soccer simulation 2d» در «robocup 2011: robot soccer world cup xv, 2011» منتشر گردیده است. در فصل سوم به بررسی روش های پیشنهادی در این پایان نامه تحت عنوان سیستم ex-tfc به عنوان کنترل کننده تصمیم گیری رفتار های تیمی پرداخته و روش محاسباتی و نحوه کنترل سیستم ex-tfc را مورد بررسی قرار داده ایم. سپس نتایج حاصل از آن را با روش های متداول بیان شده در فصل اول مقایسه نموده و نمونه ی پیاده سازی شده از سیستم را در انتهای فصل مشاهده خواهید نمود.

روبات های انسان نما سیستم های روباتیک انسان گونه ای هستند که به واسطه شکل و ساختار خاصی که دارند، دارای قابلیت های فراوانی هستند و لذا مورد توجه محققین قرار گرفته اند. از این رو برای موفقیت در بعضی محیط های جهان واقعی روبات های انسان نما نیاز به داشتن حرکت های دوپایی دینامیکی پایدار دارند و این در حالی است که سطح تحرک پایداری دینامیکی آن ها در محیط های واقعی، غیر کافی می باشد. رویکرد های متفاوتی در طول چند دهه اخیر معرفی شده اند که شامل روش های دینامیکی و هوشمند می باشند. دو مورد از عمده ترین مفاهیم مورد استفاده در روش های کنترل روبات های انسان نما و دوپا مولد الگوی مرکزی و نقطه گشتاور صفر می باشد. هر کدام از این مفاهیم نقاط ضعف و قوتی به همراه دارند. روش های بر مبنای مفهوم نقطه گشتاور صفر دارای پیچیدگی دینامیکی بالایی هستند ولی به سادگی قابل پیاده سازی هستند. در مقابل عمده روش های بر مبنای مولد الگوی مرکزی ساده تر هستند ولی جهت پیاده سازی، بسیار زمانبر و پرهزینه می باشند. در این پایان نامه سعی شده است طی دو رویکرد، دو مفهوم مذکور ترکیب شده و یک سیستم کنترل ترکیبی برای کنترل رفتار راه رفتن روبات انسان نمای نائو در شرایط محیطی مختلف، ارائه شود. در رویکرد اول یک شبکه مولد الگوی مرکزی وظیفه تولید خط سیر های حرکتی پایدار را بر عهده دارد و سپس با اعمال بازخورد زمان واقعی نقطه گشتاور صفر به شبکه موجود، سعی در حفظ پایداری روبات در برخورد با اغتشاشات شده است. در رویکرد دوم فرایند تولید خط سیر های حرکتی بر مبنای یک ماژول تولید مسیر بر مبنای روش جبران سازی در فضای مفصلی می باشد و سپس با استفاده از یک شبکه ساده تر و اعمال نقطه گشتاور صفر به آن فرایند کنترل روبات صورت می پذیرد. در نهایت کارایی سیستم مذکور در نرم افزار شبیه سازی روباتیک وبتز مورد ارزیابی قرار گرفته و نتایج اعلام شده است. نتایج بیانگر عملکرد مناسب و قابل قبول ساختار پیشنهادی کنترل کننده می باشد.

زلزله 31 خرداد ماه 1369 منجیل از نظر وسعت و تنوع خرابی ها کم نظیر و شاید در سده های اخیر بی نظیر بوده است. این زلزله موجب وارد آمدن خسارات جانی و مالی فراوانی گردید و بر اساس آمار موجود، سبب کشته شدن نزدیک به 35 هزارنفر، مجروح شدن 60 هزار نفر و بی خانمانی بیش از500 هزار نفر شد. دلیل خرابیها و خسارات فراوان زلزله به منطقه آسیب دیده منحصر به ساخت و ساز بی رویه و غیرمهندسی نبوده است، بلکه زمین لغزشهای ناشی از زلزله به نوبه خود یکی از عوامل افزایش این آسیب ها بوده است. زمین لغزشها با قطع راههای مواصلاتی موجب تاخیر در کمک رسانی به مناطق آسیب دیده (که عمدتاً در مناطق کوهستانی واقع شده بودند) و به تبع آن افزایش تلفات شده اند. شناسایی نقاط مستعد لغزش پیش از وقوع زلزله، در به حداقل رساندن خسارات جانی و مالی این پدیده مخرب، کمک شایان توجهی می نماید. تهیه نقشه فازی پهنه بندی خطر زمین لغزش های ناشی از زلزله در چهارگوش توتکابن(اسطلخ جان) با مقیاس 1:50.000 هدف تحقیق حاضر بوده است. ایده اصلی، برای تهیه نقشه پهنه بندی خطر، پیش بینی میزان جابجایی های نیومارک دامنه ها در اثر وقوع زلزله بوده است؛ به این ترتیب که ابتدا با استفاده از خصوصیات دامنه ها و پارامترهای ژئوتکنیکی مصالح، ضریب اطمینان استاتیکی آنها محاسبه شده، سپس شتاب بحرانی این دامنه ها توسط ضریب اطمینان استاتیکی بدست آمده است. با استفاده از رابطه کاهندگی، شدت آریاس موثر بر هر دامنه با توجه به بزرگای زلزله و فاصله دامنه تا کانون زلزله، محاسبه شده و درنهایت با تلفیق شدت آریاس و شتاب بحرانی ، میزان جابجایی نیومارک هر دامنه تعیین گردیده است. در مرحله بعد منطق فازی به عنوان یک ابزار کلیدی و راه گشا در تهیه نقشه فازی پهنه بندی خطر زمین لغزش های ناشی از زلزله مورد استفاده قرار گرفته است؛ به این ترتیب که ابتدا خصوصیات دامنه ها مثل شیب و پارامترهای مقاومتی مصالح-یعنی چسبندگی (c) و ضریب اصطکاک داخلی (?)- فازی سازی شده و ضریب اطمینان استاتیکی فازی و شتاب بحرانی محاسبه شده است؛ سپس مانند روال قبلی شدت آریاس در هر دامنه محاسبه شده و در نهایت میزان جابجایی نیومارک محاسبه شده دامنه ها-که تابعی از شدت آریاس و شتاب بحرانی است- به عنوان معیاری جهت تعیین میزان خطر زمین لغزشهای ناشی از زلزله در دامنه ها مورد استفاده قرار گرفته است. تهیه نقشه پهنه بندی به کمک نرم افزار arcgis9.3 انجام شده است. همچنین جهت فازی سازی از نرم افزار matlab استفاده شده است. در نهایت جهت ارزیابی نقشه های پهنه بندی خطر زمین لغزش های ناشی از زلزله، با استفاده از نقشه فهرست زمین لغزش های منطقه مطالعاتی، شاخص نسبت تراکمی (dr) و شاخص مجموع کیفیت (qs) برای هر یک از نقشه ها محاسبه شده و نتیجه گرفته شده است که استفاده از مجموعه های فازی می تواند نتایج به مراتب بهتری در تهیه نقشه پهنه بندی خطر زمین لغزش های ناشی از زلزله حاصل نماید. کلمات کلیدی: پهنه بندی خطر زمین لغزش ناشی از زلزله، منطق فازی، زلزله منجیل، پارامترهای مقاومتی، جابجایی نیومارک.

در این پایان نامه، ضمن نگاهی گذرا به تاریخچهgame ai و معرفی متداولترین روش های هوش مصنوعی و یادگیری ماشین در بازی های کامپیوتری، اقدام به طراحی و پیاده سازی یک بازی مبارزه ای به عنوان بستری برای اعمال روش های مختلف هوش مصنوعی و اصول برنامه نویسی شده است. برای این منظور، یک مسابقه بوکس دو بعدی با نمای دوربین از بالا - بر مبنای بازی قدیمی بوکس آتاری - به شکلی شبیه سازی شده است که افراد مختلف می توانند هوش مصنوعی های متفاوت برای عامل خود نوشته و با یکدیگر به رقابت بپردازند. همچنین پیاده سازی بازی، که با زبان c#.net است، به نحوی صورت گرفته است که به راحتی قابل ارتقاء و توسعه است. برای مثال بخش نمایش انمیشین بازی را می توان بدون دستکاری سایر قسمت ها، از gdi+ به xna تغییر داد. در ادامه دو هوش مصنوعی کاملا مجزا برای بازی، یکی بر مبنای ایده سنتی و متداول هوش مصنوعی اسکریپت شده و دیگری بر مبنای منطق فازی پیاده سازی شده است. نهایتا با استفاده از یک الگوریتم هوش جمعی جدید بر مبنای الگوریتم زنبورها، پارامترهای هوش اسکریپت شده بهینه شده است. در الگوریتم هوش جمعی جدید ارائه شده، زنبورها به گروه های مختلف تقسیم می شوند. گروه های دورتر از بهترین جواب پیدا شده، شعاع جستجو و تعداد جستجوگر بیشتری دارند. برعکس گروه های نزدیک به بهترین جواب پیدا شده شعاع جستجو و تعداد جستجو گر کمتر و در عوض تعداد زنبور جمع آوری بیشتری دارند. نشان داده شده است که الگوریتم پیشنهادی از سرعت بسیار بالا و دقت قابل قبولی برخوردار است. در قلب هوش مصنوعی فازی طراحی شده برای بازی یک سیستم فازی سلسله مراتبی با مدل سوگنو وجود دارد. به موجب وجود این سیستم خاص، تفکر انسانی به راحتی در بازی پیاده سازی شده است. در پایان مشاهده می شود که هوش فازی یک بازی روان تری را ارائه می دهد؛ تنوع رفتاری هوش فازی بسیار بیشتر از تنوع حرکات هوش اسکریپت شده است. این تنوع باعث افزایش میزان جذابیت و واقعیت پذیری بازی شده است به نحوی که بازیکن انسانی از بازی در مقابل هوش فازی خسته و دل زده نمی شود

در این رساله در ابتدا تحلیلی بر خاصیت کاهش نویز سیستمهای فازی نوع دوم ارائه می گردد. در تلاش برای نشان دادن خاصیت کاهش نویز سیستمهای فازی نوع دوم یک سیستم فازی نوع دوم با یک تابع عضویت جدید در نظر گرفته می شود. خاصیت جالب تابع عضویت ارائه شده نسبت به سایر توابع عضویت موجود این است که در تابع عضویت معرفی شده پارامترهای مربوط به تعیین عرض عدم قطعیت، از پارامترهای مربوط به مرکز و گسترش تابع عضویت جدا می باشند. بنابراین با استفاده از آن می توان به صورت عددی با تغییر در عرض عدم قطعیت تابع بدون دست زدن به مرکز دسته و گسترش آن یکسری تحلیلهای عددی انجام داد. دیگر خصوصیت این تابع تعلق این است که می توان پارامترهای آن را به گونه ای برگزید که اثر تغییرات نامطلوب سیگنال تصادفی در ورودی به صورت نویز در قوانین سیستم فازی را کاهش دهد. در ادامه این تابع عضویت با توابع عضویت فازی نوع دوم دیگر مقایسه و با روشهای آموزشی مختلف سیستمهای فازی برای کاربردهای شناسایی، پیش بینی و کنترل آزمایش می گردد. همچنین سیستم فازی بر اساس این تابع عضویت جدید روی سیستم ترمز ضد قفل پیاده سازی می شود. از سیستم فازی نوع دوم ساخته شده بر اساس تابع عضویت پیشنهادی برای طراحی کنترل کننده فازی مدل مرجع استفاده می شود. در ابتدا به کنترل کننده فازی نوع اول تطبیقی مدل مرجع غیرمستقیم قابلیت حذف اغتشاش اضافه می شود. سپس کنترل کننده فازی نوع اول تطبیقی مدل مرجع مستقیم براساس جبران سازی تک تک قوانین سیستم فازی تاکاگی-سوگنو طراحی و به آن قابلیت حذف اغتشاش اضافه می شود. از این مقدمات برای طراحی کنترل کننده فازی نوع دوم مدل مرجع مستقیم و غیرمستقیم استفاده می شود. کنترل کننده فازی مدل مرجع مستقیم وغیرمستقیم پیشنهادی روی سیستمهای متفاوتی آزمایش می گردد. همچنین کنترل کننده فازی نوع اول مدل مرجع مستقیم روی سیستم موتور dc با بار غیرخطی پیاده سازی می گردد. در نهایت برای سیستمهای کنترل فازی مدل مرجع براساس جبران سازی هر یک از قوانین سیستم فازی تاکاگی-سوگنو رویتگر طراحی می شود. رویتگر طراحی شده در حالت غیرمستقیم قابلیت حذف اغتشاش و ردیابی را دارا می باشد. همچنین رویتگر طراحی شده در حالت مستقیم نیازی به شناساگر نداشته، پارامترهای سیستم به صورت مستقیم بدست می آیند. در ادامه رویتگر غیرمستقیم با قانون آموزش براساس کمترین مربعات خطای بازگشتی نیز ارائه می گردد. رویتگر بهینه طراحی شده برای مواجهه با نویز به سیستم فازی نوع دوم مجهز می شود. نشان داده می شود که سیستم طراحی شده براساس سیستم فازی نوع دوم رفتار مناسب تری در حضور نویز از خود به نمایش می گذارد.

امروزه بیشتر مسائل بهینه سازی که بشر در دنیای واقعی با آن ها سروکار دارد بیش از یک هدف را در بر می گیرند. بهطوری که پاسخ بهینه مسئله هنگامی حاصل می شود که کلیه اهداف به یک مرز خاص از بهینگی رسیده باشند، این گونه مسائل را مسائل بهینه سازی چندهدفه می نامیم . از آنجایی که در مسائل بهینه سازی چندهدفه، باید چند هدف هم زمان بهینه گردند و ممکن است این اهداف با هم در تضاد باشند لذا با مجموعه ای از پاسخ های بهینه مواجه هستیم. بنابراین در اینجا یک مفهوم عمومی پذیرفته شده به نام پاسخ بهینه، مانند آنچه که در مسائل بهینه سازی تک هدفه وجود دارد دیده نمیشود، بلکه با مجموعه ای از پاسخ های بهینه مواجه هستیم. امروزه الگوریتم های تکاملی ابزار مناسبی برای حل مسائل بهینه سازی چندهدفه در نظرگرفته می شوند چراکه همواره با مجموعه ای از راه حل ها مواجه هستند. روش های کلاسیک در هر مرحله از اجرا تنها یک پاسخ را می توانند بیابند از اینرو نمی توانند برای یافتن مجموعه ای از پاسخ های بهینه مناسب باشند. از آنجاییکه الگوریتم های تکاملی بر اساس جمعیت هستند، یافتن یک مجموعه از پاسخهای بهینه در یکبار اجرای الگوریتم امکانپذیر میباشد. در این پایان نامه روش جدیدی برای حل مسائل بهینهسازی چندهدفه با ترکیب الگوریتم تکاملی بهینهسازی جغرافیای زیستی ، الگوریتم تکاملتفاضلی و الگوریتم تکاملفرهنگی ، معرفی شده است . برای این منظور در الگوریتم پیشنهادی اول، قابلیت استخراج bbo با قابلیت اکتشاف de ترکیب شده است. در الگوریتم پیشنهادی دوم علاوه بر استفاده ازالگوریتم هایbbo و de از فضای اعتقاد الگوریتم ca نیز برای هدایت فرآیند جستجو استفاده شده است. در نهایت کارایی الگوریتم های پیشنهادی با استفاده از چندین تابع آزمون و معیارهای همگرایی و پراکندگی، مطرح در مسائل بهینه سازی چندهدفه تکاملی، مورد ارزیابی قرار گرفته و با الگوریتم های مطرح در این زمینه مقایسه شده است. نتایج حاصل بیانگرکارایی مطلوب الگوریتم پیشنهادی در رقابت با سایر الگوریتمهای مطرح می باشد.

در این پایان نامه مسأله مسیریابی بهینه رباتها را در محیط هایی با چند هدف در تناقض باهم با استفاده از الگوریتم های یادگیری تقویتی چندهدفه مورد تحلیل و بررسی قرار می گیرد. اخیرا تحقیقات گسترده ای در زمینه بهینه سازی چندهدفه توسط محققین انجام شده است، نه تنها به علت ماهیت چندهدفه بودن اکثر مسائل دنیای واقعی، بلکه به علت اینکه هنوز بسیاری از سوال های بی جواب در این زمینه وجود دارد. به همین دلایل در زمینه چندهدفه کردن الگوریتم های یادگیری تقویتی نیز اخیرا تحقیقاتی صورت گرفته و الگوریتم های اندکی در این زمینه ارائه شده است. الگوریتم های یادگیری تقویتی چندهدفه شامل دو دسته الگوریتم های تک سیاسته و چندسیاسته هستند که الگوریتم های چندسیاسته از این حیث که نیاز به مقداردهی اولیه برای تعیین اولویت برای اهداف ندارند و راه حل های کلی را ارائه می دهند برای حل مسأله مورد توجه قرار گرفتند و از بین معدود الگوریتم های چندسیاسته الگوریتم chvi برای مسأله مسیریابی مناسب تشخیص داده شد و برای حل مسأله انتخاب شد. سپس یک محیط با چاله هایی در مسیر برای مسأله مسیریابی ربات تعریف شد بدین صورت که اهداف ربات ،به صورت دو هدف در تناقض باهم، یکی رسیدن به نقطه هدف در کوتاهترین زمان ممکن و دیگری اجتناب از چاله ها، در نظر گرفته شدند و مسأله با استفاده از الگوریتم chvi شبیه سازی و حل گردید. اما الگوریتم chvi دارای پیچیدگی محاسباتی بالایی می باشد لذا با الهام از الگوریتم chvi و با تغییر قسمت به روزرسانی مقادیر q یک الگوریتم جدید در زمینه یادگیری تقویتی چندهدفه پیشنهاد می گردد. سپس این الگوریتم روی مسأله ی مسیریابی ربات ها آزمایش گردیده و ثابت می شود که نتایجی مشابه الگوریتم chvi به دست می دهد با این تفاوت که فرآیند آموزش را تقریبا پنج برابر سریعتر طی می کند. در پایان پیچیدگی محاسباتی الگوریتم پیشنهادی محاسبه شده و با پیچیدگی محاسباتی الگوریتم chvi مقایسه گردیده و نشان داده شده است الگوریتم پیشنهادی دارای پیچیدگی محاسباتی کمتری است.

در این نوشتار یک سیستم کنترل پسیو برای تحمل پذیری خطای سنسور جهت سیستم پاندول معکوس چرخشی طراحی می شود. بدین منظور از یک مدل فازی تاکاگی-سوگنو برای مدل سازی رفتار فیزیکی پاندول معکوس چرخشی استفاده شده است. بر اساس مدل به دست آمده، کنترل کننده ای بر پایه ی روش جبران سازی توزیع شده موازی طراحی می شود. سپس با تعمیم روابط پریتی که برای تشخیص خطا در سیستم های خطی استفاده می شود، به سیستم های غیرخطی با کمک مدل فازی تاکاگی-سوگنو به تشخیص خطا پرداخته شده است. سیستم طراحی شده در شبیه سازی و پیاده سازی عملی، عملکرد بسیار خوبی در تشخیص و تحمل پذیری خطا از خود نشان داده است.

در این پایان نامه سعی بر آن بوده است تا عملکرد سیستم های فازی را در طبقه بندی چهار نوع تفکر حرکت در سیگنال eeg بررسی نماییم. با توجه به اینکه تفکرات، احساسات و حتی حالات روحی مختلف یک شخص به راحتی بر روی سیگنال مغزی او اثر می گذارد نیاز به طبقه بندی کننده ای که بتوان به کمک آن عدم قطعیت و ابهام در سیگنال مغزی را مدل کند دور از ذهن نخواهد بود. داده های مورد استفاده از چهارمین مسابقه جهانی bci انتخاب شده اند که سیگنال های مربوط به چهار تصور حرکت دست چپ، دست راست، هر دو پا و زبان است. در ادامه انواع روش های استخراج ویژگی بر روی این داده ها اعمال شد و توسط روش های pca ، ga و روش های آماری به کاهش بعد و انتخاب ویژگی پرداختیم. مشاهده شد که روش های آماری قابلیت بهتری در انتخاب ویژگی دارند چرا که این فرض وجود دارد اگر روش های آماری نتوانند قابلیت تفکیک پذیری خوبی بین دسته داده ها ایجاد کنند به احتمال زیاد طبقه بندی کننده مورد نظر نیز قادر به این کار نخواهد بود. همچنین ترکیبات خطی ایجاد شده توسط روش های آماری anova و manova قدرت تفکیک پذیری زیادی را بین ویژگی ها به وجود آورد. در نهایت از طبقه بندی کننده?های فازی نوع اول و فازی نوع دوم بازه ای جهت مقایسه و بدست آوردن میزان صحت استفاده شد. به دلیل حذف بیشتر نویز اندازه گیری در زمان ثبت داده ها و همچنین استفاده از محدوده فرکانسی مناسب بررسی داده های bci که در باند فرکانسی میو و بتا می باشد، عدم قطعیت مربوط به ثبت سیگنال از بین می رود. اما همچنان نوع دیگر عدم قطعیت که در استنتاج طبقه بندی کننده مدل می شود، وجود دارد. نتایج نشان داد که سیستم فازی نوع دوم بازه ای قابلیت بیشتری را برای مدل کردن این نوع عدم قطعیت از خود نشان می دهد و این امر در میزان صحت بدست آمده قابل مشاهده است. همچنین الگوریتم بهینه سازی ای پیشنهاد شد که با استفاده از چند الگوریتم بهینه ?سازی سراسری و با به کارگیری مزایا و حذف معایب آن ها به آموزش پارامترهای سیستم فازی بپردازد.

در این تحقیق با ترکیب الگوریتم های بهینه سازی چندهدفه ی تکاملی و خاصیت انعطاف پذیری در توابع فعال سازی نرون های شبکه عصبی، تعداد نرون های شبکه عصبی را برای رسیدن به خطای کمتر کاهش دهیم و در نتیجه ساختار شبکه عصبی را بهینه می کنیم. در واقع با استفاده از توانایی الگوریتم های بهینه سازی چندهدفه ی تکاملی و انعطاف پذیری در نرونهای شبکه عصبی، الگوریتمی با حجم محاسبات کم و زمان اجرای پایین جهت تخمین توابع غیرخطی و مسائل دسته بندی معرفی می شود و سپس کارایی آن با الگوریتم پیشنهادی و الگوریتم های پیشین ارائه شده در این زمینه مقایسه می شود. نتایج بیانگر این است که الگوریتم ارائه شده کارایی مناسبتری نسبت به کارهای قبل دارد.

سیستم شناسایی خودکار آتش، سیستمی است که آتش را هنگام وقوع و یا حتی قبل از وقوع شناسایی و آژیر هشدار را به صدا در می آورد. شناسایی آتش را می توان به دو دسته شناسایی آتش جنگل و شناسایی آتش در مناطق مسکونی و تجاری تقسیم نمود. شناسایی خودکار آتش بدلیل نقش مهمی که در کاهش صدمات جانی و خسارات مالی ایفا می کند از اهمیت خاصی برخوردار است. با توجه به اینکه برای شناسایی آتش در هر دو محیط باز و بسته باید از حسگرهای ترکیبی استفاده نمود که بسیار هزینه بر هستند؛ کارهای محققین معمولا بر روی شناسایی آتش در یکی از دو محیط باز یا بسته متمرکز می شوند. از این رو هدف این پایان نامه ارائه سیستمی مبتنی بر دانش جهت شناسایی آتش در کلیه محیط ها می-باشد. با توجه به بررسی های انجام شده بر روی کارهای محققین از سال 2000 به بعد، مدل پیشنهادی در این پایان نامه از دو فناوری الگوریتم های ژنتیک و شبکه های عصبی برای شناسایی آتش در مناطق باز و از فناوری های یادگیری ماشین برای شناسایی آتش در مناطق مسکونی و تجاری استفاده می کند. برای تست کارایی شناسایی آتش در محیط باز از مجموعه داده آتش جنگل های کانادا و در مناطق مسکونی از مجموعه داده های آتش در سایت nist استفاده شده است. نتایج حاصل از شبیه سازی روش ترکیبی پیشنهادی gann در محیط matlab با سایر روش های موجود مقایسه و مشخص گردید که روش پیشنهادی قادر است با میانگین مربع خطای 0.00562 و بدون اینکه از دقت شناسایی آن کاسته شود، تعداد ویژگی ها را کاهش دهد. همچنین سیستم پیشنهادی قادر است که جهت بهبود شناسایی آتش در مناطق مسکونی، روش های دسته بندی مختلفی را با توجه به عوامل شناساگر دریافتی از محیط با استفاده از نرم افزار weka شبیه سازی نموده و برای شناسایی آتش در محیط های بسته بهترین روش را اخذ و اجرا نماید. بررسی این نتایج نشان می دهد که روش دسته بندی شبکه های بیزین از سرعت و دقت خوبی برای شناسایی آتش در محیط بسته برخوردار است.

امروزه استفاده از بینایی ماشین و به تبع آن پردازش تصویر، از موثرترین راه کار ها برای ارتباط ربات با محیط اطراف خود است تا ربات بتواند درک بهتری از محیط داشته باشد و تصمیمات بهتری بگیرد. معمولا برای کار ربات با تصویر، اولین قدم تشخیص لبه های اجسام موجود در تصویر است. در این پایان نامه سعی شد تا، از روش هوشمند عصبی – فازی به همراه روش کلاسیک sobel برای تشخیص لبه های جسم استفاده شود و در نهایت از این اطلاعات (لبه های استخراج شده) برای تشخیص شئ موجود در تصویر و تولید دستورات و عکس العمل های مناسب رباتی، که مراحل بعدی پردازش محسوب می شوند، استفاده کردیم. از آنجایی که لبه و مرز تصاویر یک مفهوم فازی به حساب می آید، استفاده از منطق فازی در کنار خاصیت آموزش پذیری شبکه عصبی، تاثیری مثبتی در دقت و کاهش خطا داشته است. برای سرعت بخشیدن به پردازش و ارتقای لبه های به دست آمده در فاز اول کار، از فیلتر sobel هم استفاده کردیم. سپس نوع جسم جلوی دوربین در سه دسته ی کلی دایره شکل ها، مثلثی ها و مربع شکل ها طبقه بندی شد؛ تا در استفاده های بعدی ربات بتواند تصمیم مورد نظر را بگیرد و اشیا را مرتب کند.

بیماری ام اس یک بیماری رایج در اعصاب مرکزی بوده (مغز و نخاع) که در اثر تخریب غلاف میلین، سبب ایجاد لکه های سفید یا پلاک های متعددی در مغز فرد می گردد. شیوع روز افزون بیماری ام اس از یک سو و تشخیص به موقع آن از سویی دیگر، لزوم به تصویربرداری دقیق را برای شناسایی ام اس بیان می کند. از میان روش های تصویربرداری موجود mri به دلیل حساسیت بالا، عدم استفاده از پرتو یونیزه، غیر تهاجمی بودن، یک روش موثر در تشخیص می باشد. با توجه به اینکه تشخیص بیماری ام اس و طبقه بندی نوع آن به مهارت پزشک وابسته می باشد استفاده از روش های هوشمند می تواند در تشخیص و طبقه بندی به پزشک کمک کند. این پایان نامه، به بررسی طبقه بندی داده های حاصل از mri مغز، به دو گروه نرمال و دارای ام اس یا مستعد ام اس، با استفاده از روش های هوشمند و به ویژه شبکه های عصبی کانولوشن می پردازد.. تصاویر مورد بررسی در این پایان نامه از مرکز تصویر برداری حقیقت جمع آوری گردیده است که شامل تصاویر mri، 150 بیمار،108 زن و 42 مرد می باشد. این مجموعه تصاویر شامل 81 بیمار ام اس یا مشکوک به ام اس و 69 نرمال است. در کار های گذشته عمدتا از الگوریتم های بخش بندی شده است اما به دلیل ساختار پیچیده مغز و وجود نواحی مشابه ضایعات، عمدتا دچار مشکل می شوند. در این نوشتار برای اولین بار به ارائه شبکه عصبی کانولوشن به منظور تشخیص بیماری ام اس پرداخته شده است. این شبکه به دلیل استخراج اتوماتیک ویژگی های محلی تصاویر توان بالایی در تشخیص این بیماری، بدون اعمال پیش پردازش دارد. پس از استخراج بردار ویژگی، برای طبقه بندی ویژگی ها با شبکه های عصبی پرسپترون، در دو حالت آموزش لایه آخر کانولوشن و آموزش کل ساختار به تریب حساسیت 96% و 100 %، دقت 76% و 86 % را بدست آوریم. کلید واژه: بیماری ام اس، تصویربرداری mri، شبکه عصبی کانولوشن و استخراج ویژگی.

در این پایان نامه، یک شبکه عصبی کانولوشن با ساختار سلسله مراتبی برای تقویت پردازش اطلاعات ارائه شده است. توانایی اشتراک وزن شبکه های عصبی کانولوشن بطور قابل توجهی سبب کاهش تعداد پارامترهای آزاد آموزش پذیر شبکه و در نتیجه افزایش تعمیم پذیری می شود. در ساختار ارائه شده یک شبکه کانولوشن کوچک که برای استخراج ویژگی استفاده می شود بین کل پیکسل های تصویر ورودی به اشتراک گذاشته می شود. استفاده از شبکه های آموزش پذیر کوچک تر و بخش بندی شده برای حل یک مساله بزرگ و پیچیده، یک معماری مقیاس پذیر برای پیاده سازی شبکه های بزرگ ارائه می دهد. ساختار ارائه شده سبب کاهش زمان آموزش، کاهش تعداد پارامترهای آموزش پذیر و افزایش دقت دسته بندی شده است. دقت دسته بندی نمونه های دیده نشده در آزمایشات نشان دهنده پیشرفت در تعمیم پذیری است. مثال های کاربردی در این تحقیق برای شناسایی چهره ارائه شده است. آزمایشات جامع بر روی مجموعه داده های رایج orl، yale و jaffe نشان دهنده پیشرفت در نرخ دسته بندی صحیح و کاهش زمان آموزش و همچنین کاهش تعداد پارامترهای آموزش پذیر است. علاوه بر این، دسته بندی کننده های مختلف با استفاده از نرم افزار weka بر روی خروجی شبکه hscnn اعمال شده است. انجام آزمایشات متعدد نشانگر این است که دسته بندی کننده لوجستیک ساده دارای بالاترین دقت دسته بندی در کوتاه ترین زمان در مقایسه با دیگر الگوریتم ها است.

سرطان سینه دومین علت عمده ی مرگ و میر ناشی از سرطان در زنان امروز است. تشخیص زودهنگام سرطان سینه یکی از مهم ترین عوامل در تعیین مراحل درمان برای زنان مبتلا به تومورهای بدخیم می باشد. تحقیقات نشان داده است که در بین روش های مختلف تصویربرداری پزشکی از جمله ماموگرافی، توموگرافی، سونوگرافی و غیره، تصویربرداری رزونانس مغناطیسی با کنتراست بهبودیافته، حساس ترین روش برای غربالگری زنان در معرض خطر بالا می باشد. امروزه سیستم های تشخیص به کمک کامپیوتر، برای کمک به رادیولوژیست ها و پزشکان در تشخیص زود هنگام سرطان، طراحی و استفاده می شوند. از آنجا که تشخیص بیماری های سرطان و طبقه بندی آن ها وابسته به دانش و تجربه ی پزشک است، در این پژوهش سعی شده است تا با توجه به دقت و حساسیت بالای تصویربرداری dce-mri از یک سو و مدلسازی دانش و مهارت پزشکان از سوی دیگر، یک سیستم cad بر اساس شبکه های عصبی کانولوشن سلسله مراتبی (cnn) برای ایجاد تمایز بین تومورهای بدخیم و خوش خیم در تصاویر dce-mr سینه پیشنهاد گردد. cnn یک شبکه ی سلسله مراتبی عصبی است که بر روی تصاویر دو بعدی اعمال می شود و فرآیندهای استخراج ویژگی و طبقه بندی را در یک ساختار واحد و کاملاً تطبیقی ادغام می کند. این ساختار می تواند ویژگی های دو بعدی ضروری و کلیدی را به صورت خودکار استخراج نموده و نسبت به اعوجاجات هندسی و محلی در تصاویر ورودی مقاوم است. بکارگیری شبکه ی عصبی کانولوشن و همچنین طراحی و استفاده از ساختار ترکیب خبره های کانولوشن(mixture of cnn experts) در تصاویر dce-mr سینه جهت تشخیص نوع تومور، جزء نوآوری های این تحقیق به شمار می آیند. شبیه سازی شبکه ی عصبی کانولوشن پیشنهادی برای 1200 عدد roi حاوی تومور خوش خیم و بدخیم، بهترین نتایج را در مرحله تست برای حساسیت 96/67%، برای خصوصیت 100% و برای صحت 98/33%، رقم زد. سیستم پیشنهادی با استفاده از ساختار ترکیب خبره ها(me)ی کانولوشن، توانست علی رغم کاهش زمان آموزش ساختار عصبی برای رسیدن به عملکردهای قابل قبول، از سویی به نرخ طبقه بندی 100% دست یابد. بر این اساس، نتیجه عملکرد طبقه بند me کانولوشن پیشنهادی در مرحله تست برای حساسیت، خصوصیت و صحت برابر 100% شد.

تا کنون روش های زیادی برای حل مسئل? مکان یابی و تهیه نقشه همزمان (slam) با استفاده از ربات متحرک مطرح شده است. یکی از رایج ترین این روش ها استفاده از فیلتر کالمن توسعه یافته (ekf) می باشد. برای این که ekf عملکرد بهینه داشته باشد باید ماتریس های کواریانس نویز فرآیند (q) و کواریانس نویز اندازه گیری (r) را به درستی مقداردهی کرد. در اغلب مسائل اطلاع دقیقی از این دو ماتریس در دست نیست و مقدار دهی اشتباه این ماتریس ها باعث خطای زیادی در تخمین می شود. در این پروژه روشی پیشنهاد می شود که با استفاده از یک شبکه عصبی-فازی، در هر گام فیلتر ماتریس های q و r تصحیح می شوند تا تخمین دقیق تری از وضعیت ربات و نقشه محیط داشته باشیم. نتایج شبیه سازی این الگوریتم در نرم افزار شبیه ساز kiks و همچنین پیاده سازی این الگوریتم برای حل مسئل? slam بر روی ربات kheperaii نشان می دهد که استفاده از این روش در دنیای واقعی می تواند تاثیر زیادی در عملکرد بهینه ekf داشته باشد و فیلتر دقت بهتری در تخمین پیدا کند.

با توجه به استفاده وسیع از سیستم ها و شبکه های کامپیوتری، تعداد حملات به شیوه های مختلف، به آنها نیز در حال افزایش است و همه روزه خیلی روش های جدید و ابزارهای هک و نفوذ بوجود می آیند. استفاده از سیستم تشخیص نفوذ یکی از روشهای تشخیص فعالیت های مشکوک در شبکه است. یک سیستم تشخیص نفوذ، همه فعالیت های شبکه را مونیتور می کند و تصمیم می گیرد که آیا فعالیتی مشکوک است یا نرمال. سیستم تشخیص نفوذ، اطلاعات در مورد سیستم یا شبکه ای که باید رصد شود، را جمع آوری می کند، این اطلاعات جمع آوری شده پردازش می شوند، اطلاعات غیرضروری حذف می شوند و سپس در مورد احتمال اینکه این فعالیت ها می توانند علامت یک نفوذ باشند یا نه، تصمیم گیری می کند. منطق فازی، به مانند یک روش قوی محاسبات نرم، قدرتش در سیستم های تشخیص نفوذ اثبات شده است. علاوه بر این سیستم های فازی چندین مشخصه مهم دارند که آنها را برای تشخیص نفوذ مناسب می کند. بیشتر سیستم های فازی از روی دانش فرد خبره ساخته می شوند و به همین دلیل نیاز به تطبیق دارند. روش هایی که برای تطبیق و یادگیری ارائه شده اند زیاد هستند. روش های زیادی نیز برای تولید اتوماتیک قوانین بدون نیاز به اطلاعات فرد خبره ارائه شده اند که روش عصبی-فازی و فازی–ژنتیک از روش های مناسب هستند. ویژگی های روش های هوش محاسباتی، مانند تطبیق، تحمل خطا ، سرعت بالای محاسباتی و مقاومت در برابر خطا در مواجهه با نویز، باعث توانمندی هوش محاسباتی در تولید مدل های تشخیص نفوذ می باشد. در اینجا، با ترکیب قدرت تفسیرپذیری سیستم های فازی و قدرت پیدا کردن بهینه سراسری الگوریتم های هوش جمعی، سعی در تولید قواعد بهینه و تفسیرپذیر شده است. در مقایسه با نتایج کارهای مشابه انجام شده، دیده می شود که روش ارائه شده روش خوبی است.

در این تحقیق دو نوع کنترل کننده مد لغزشی فازی- عصبی برای بازوی انعطاف پذیر ارائه شده است. در طراحی کنترل کننده اول از دو سطح لغزش خطی برای انجام ردیابی مفصل و تنظیم ارتعاشات نوک بازو استفاده شده است، سه روش مختلف برای این نوع کنترل کننده طراحی شده است. در روش اول ابتدا شرط رسیدن به نزدیکی سطح لغزش اول – که برای ردیابی مفصل بازو طراحی شده است- را فراهم کرده و سپس با نگه داشتن مسیر فاز اول در محدوده سطح لغزش، مسیر فاز دوم را به سطح لغزش دوم می رسانیم. در روش دوم مدل بازوی صلبی را بعنوان مدل محلی در نظر گرفته و کنترل کننده مد لغزشی برای آن طراحی شده است. همچنین یک کنترل کننده مد لغزشی دیگر برای برقراری شرایط اعتبار مدل محلی استفاده شده و یک سیستم فازی تاکاگی سوگنو با استفاده از دو کنترل کننده بیان شده و بر اساس میزان اعتبار مدل محلی سیگنال کنترل مناسب را تعیین می کند. در روش سوم طراحی کنترل کننده مد لغزشی بر اساس مدل صلبی انجام شده و تنها دامنه سیگنال کنترل بر اساس توابع کلید زنی اول و دوم تعیین می شود بطوری که فاصله مسیر فاز ارتعاشات نوک بازو از سطح لغزش دوم زیاد شود بهره سیگنال کنترل مد لغزشی کاهش می یابد. در کنترل کننده نوع دوم از یک سطح لغزش غیر خطی برای دستیابی به دو هدف ردیابی و تنظیم ارتعاشات بازو استفاده شده است. ابتدا یک تابع لیاپانوف از خطای ردیابی و ارتعاشات نوک بازو در نظر گرفته شده و بر اساس آن یک سطح لغزش غیر خطی تعریف شده است، بطوری که با رسیدن به این سطح لغزش، شرایط پایداری تابع لیاپانوف بیان شده تضمین خواهد شد. در هر چهار کنترل کننده بیان شده، پارامترهای بخش تالی سیستم فازی، بر اساس تابع هزینه ای که از شرط وجود مد لغزش به دست آمده است، تطبیق یافته اند، در تطبیق پارامترهای کنترل کننده از مدل سیستم استفاده شده و برای بدست آوردن قانون تطبیق نیازی به محاسبه ژاکوبین سیستم نیست. در انتها هر چهار کنترل کننده بروی سیستم واقعی بازوی انعطاف پذیر کوانزر پیاده سازی شده است.

تحقیقات وسیعی جهت تشخیص بیماری سرطان با بکارگیری داده‏ های بیان ژنی از طریق کاربرد روش‏های مهندسی از جمله هوش مصنوعی در دو دهه اخیر انجام شده است. یکی از مشکلات مهم در بکارگیری داده‏های بیولوژیکی وجود نویز بر روی این داده‏ها است. این امر بر اثر وجود خطا در هنگام جمع آوری این داده‏ها ممکن است رخ دهد. می‏توان با کمک روش‏های هوش مصنوعی این بیماری را در مراحل اولیه که هنوز بصورت غیر قابل کنترل بروز نکرده است تشخیص داده و اقدامات لازم را جهت جلوگیری از رشد آن انجام داد. تشخیص بیماری سرطان در مراحل اولیه به کاهش مرگ و میر و کاهش هزینه های ناشی از درمان کمک شایانی خواهد کرد. در این نوشتار ابندا به کمک روش بردارهای ویژه و روش ترکیبی خوشه‏بندی و استخراج بردارهای مستقل به نویززدایی این داده‏ها پرداخته شده است، سپس ویژگی های برتر به روش pca انتخاب گردیده اند. انواع مدل های هوشمند و کلاسیک از جمله شبکه های عصبی مختلف، بردار ماشین پشتیبان، knn و mmd بر روی داده ها با روش اعتبارسنجی ضربدری 10تایی تست و نتایج آنها با یکدیگر مقایسه و تحلیل شده است.

محققان در روشهای کنترلی، همیشه دنبال ایده های جدید با پیچیدگیهای جالب که در دنیای واقعی با آن روبرو هستند می باشند. یکی از این سیستم های مطرح در مهندسی کنترل، سیستم گوی معلق مغناطیسی می باشد. سیستم گوی معلق مغناطیسی با توجه به عملکرد غیرخطی، سیستمی ایده آل با ویژگیهای خاص برای اعمال کنترل کننده های مختلف می باشد. در این پایان نامه بعد از طراحی کامل سیستم شامل سیم پیچ و مدار الکترونیکی اقدام به ساخت سیستم گوی معلق مغناطیسی گردید. از سنسور مادون قرمز برای اندازه گیری موقعیت استفاده شده است و خروجی کنترل کننده نیز با یک طبقه ترانزیستوری به سیستم اعمال شد. در بخش طراحی کنترل کننده نیز کنترل کننده های pid و svfc مورد شبیه سازی قرار گرفت. در قسمت پیاده سازی عملی کنترل کننده نیز کنترل کننده pid و کنترل کننده تناسبی با بهره متغیر پیاده سازی شد که جواب آن تقریباً قابل قبول می باشد.

مسئله موقعیت یابی و نقشه یابی همزمان (slam) یکی از نیازهای ضروری برای ربات های متحرکی است که در محیط های ناشناخته حرکت می کنند. حل مسئله slam بر اساس فیلتر کالمن توسعه یافته (ekf-slam) یکی از قدیمی ترین و محبوبترین روشها است. با وجود این، ekf-slam از دو مشکل عمده رنج می برد:پیچیدگی محاسبات و تناظر داده. برای حل این مشکلات روش های حل مسئله slam مبتنی بر فیلتر های ذره ای مطرح شده اند. عمومی ترین و موثرترین روش بر این اساس، الگوریتم fastslam است. علی رغم موفقیت های این روش، کاربرد آن برای نقشه های استاتیک دارای مشکلاتی می باشد که مهمترین آنها عدم سازگاری و تباهیدگی است .سابقه پژوهشی کارهای انجام شده نشان می دهد که تاکنون موفقیت نسبی این روش به دلیل نوع سنسورهای بکاربرده شده و نوع محیط های کار شده بوده است که تحت همین شرایط هم روش مذبور ناسازگار است.در این رساله راه حل هایی برای بهبود حل slam مبتنی بر فیلتر ذره ای پیشنهاد شده است. برای بهینه سازی از ویژگی های مشترک فیلتر های ذره ای و الگوریتم های تکاملی و همچنین سابقهخوب الگوریتم های تکاملی و سیستم های هوشمند در حوزه فیلترینک استفاده شده است. روش های ارایه شده به دو دسته کلی تقسیم می شوند: بهینه سازی روش های موجود و تجدید نظر در ساختار فعلی حل مسئله slam مبتنی بر فیلتر ذره ای. در اولین دسته، بهبود الگوریتم با بهینه سازی نمونه برداری، نمونه برداری مجدد، تخمین موقعیت نشانه ها و سازگاری فیلترهای پارامتریک محقق شده است. با توجه به اینکه یکی از مشکلات عمده الگوریتم های fastslam مربوط به ساختار این الگوریتم ها است، در دومین دسته به حل مسئله slam مبتنی بر فیلتر ذره ای با دیدگاه متفاوت نگریسته شده و نحوه حل آن مورد تجدید نظر قرار گرفته است. برای این منظور ابتدا مسئله slam از دیدگاه موقعیت یابی مطالعه شده و سپس مسئله slam به یک مسئله بهینه سازی تبدیل شده است. روش های پیشنهاد شده با استفاده از محیط های شبیه سازی شده و همچنین داده های تست های واقعی ارزیابی شده است. نتایج نشان دهنده موثر بودن روش های پیشنهاد شده می باشند.

تاثیر آلاینده های هوا بر سلامتی افراد، بسیار واضح است و لذا در این بین، بیمارانی با زمینه های مشکلات قلبی و عروقی در معرض خطر بیشتری نسبت به افراد سالم هستند. با وجود این مشکل، نیاز به داشتن راه کارهای مناسب برای مقابله با این خطرات احساس می شود. استفاده از مدل ریاضی در پیش بینی تعداد افرادی که در روزهای آینده به علت مشکلات تنفسی و یا قلبی به بیمارستان ها و مراکز درمانی مراجعه می کنند، می تواند در خدمات رسانی بهتر و جلوگیری از پیش آمدن شرایط بحرانی مفید باشد. به این منظور در این پایان نامه، جهت پیش بینی تعداد مراجعین بیماران قلبی و تنفسی به بخش اورژانس، با توجه به شرایط هواشناسی و غلظت هر یک از آلاینده ها در روزهای گذشته، ابتدا از یک مدل رگرسیون خطی استفاده شده است، ولی با توجه به مطلوب نبودن پیش بینی ها در این مدل، سعی بر این شده است تا از مدلی استفاده شود که رابطه ای غیر خطی، میان اثرات کوتاه مدت آلودگی هوا و سلامتی انسان برقرار کند. بدین منظور در این تحقیق، از دو مدل شبکه عصبی استفاده گردیده است. اولین مدل، شبکه عصبی پرسپترون چند لایه می باشد و در نهایت با توجه به حافظه دار بودن سیستم مورد مطالعه، از مدل شبکه عصبی دیگری به نام شبکه عصبی المن، که یک شبکه حافظه دار بازگشتی است استفاده شده است. در ضمن عملکرد شبکه عصبی المن استفاده شده در این تحقیق، با شبکه عصبی پرسپترون چند لایه و مدل رگرسیون خطی نیز مقایسه شده است که نتایج برتری این روش را نسبت به دیگر روش ها نشان می دهد. همچنین در این پایان نامه آلاینده های مهم در پیش بینی تعداد مراجعین قلبی و تنفسی برجسته شده است.

سرطان سینه رایج ترین سرطان در میان زنان و پس از سرطان پوست دومین سرطان رایج در دنیا می باشد. در سال 2009 تقریبا حدود 40610 مرد و زن در اثر ابتلا به این سرطان در ایالات متحده امریکا جان خود را از دست داده اند. لذا تشخیص زودهنگام این سرطان به منظور درمان دارای اهمیت ویژه ای می باشد. به منظور تشخیص سرطان سینه روش های مختلفی از جمله ماموگرافی، اولتراسونوگرافی، تصویربرداری تشدید مغناطیسی mri و مقطع نگاری کامپیوتری ct، وجود دارد. اما در این میان mri به دلیل حساسیت بالا، عدم استفاده از پرتو یونیزه و غیر تهاجمی بودن ارجح می-باشد. در این تحقیق به دسته بندی هوشمند داده های حاصل از تصاویر mr سینه به دو گروه خوش-خیم و بدخیم پرداخته می شود. داده ها بین سال های 2004 تا 2006 در دانشگاه کالیفرنیا جمع آوری شده است. با استفاده از الگوریتم ژنتیک به منظور انتخاب بهترین ویژگی ها از میان کل ویژگی ها و شبکه عصبی-فازی نوع اول و دوم مدل سوگنو به منظور دسته بندی داده ها به اهداف خود خواهیم رسید. در نهایت با استفاده از شبکه عصبی-فازی نوع دوم مدل سوگنو به درستی %41/99، حساسیت %19/99 و خصوصیت %100 رسیدیم.

در این نوشتار، جبران سازی خطا در کنترل مجموعه ربات های متحرک همکار به هنگام رخداد خطاهایی همچون تغییر میزان اصطکاک سطح و یا تغییر پارامترهای تایر مورد تحلیل و بررسی قرار می گیرد. مدل سازی هایی توسط معادلات نیوتن (بر اساس نیرو) و معادلات لاگرانژ از ربات متحرک با فرض غلتش به همراه لغزش صورت می پذیرند تا از طریق انطباق رفتارهای مدل های مذکور صحت و دقت مدل سازی های انجام شده مورد بررسی قرار گیرد. تشخیص پارامترهای مجموعه ربات ها به هنگام وقوع خطا با بهره گیری از معادلات تایر و ربات، همچنین داده های مربوط به سرعت طولی و جانبی و دورانی چرخ صورت می پذیرد. لازم به ذکر است الگوریتم تخمین پارامتر ارائه شده توانایی تشخیص بسیاری از خطاها همچون کاهش ناگهانی ارتفاع موثر تایر، ساییدگی تایر و یا تغییر ضریب اصطکاک جاده-تایر را نیز دارا می باشد. جهت کنترل آرایش گروه، روش ساختار مجازی مورد استفاده قرار گرفته است و به منظور پیروی ربات از مسیر مطلوب در سطوح متفاوت الگوریتم کنترلی بر اساس روش خطی سازی فیدبک پیشنهاد و مورد تحلیل و بررسی قرار گرفته است. از طرفی دیگر نحوه ی قرار گیری هر ربات نسبت به جسم مورد جابجایی نیز، مسئله ای چالش برانگیز در نحوه ی ایجاد آرایش و کنترل آن می باشد، لذا آرایش بهینه توسط روش بهینه سازی الگوریتم ژنتیک و pso به دست می آید.

پیش بینی فرایند دینامیکی یکی از مهمترین اجزای مدیریت و کنترل این فرایندها در بسیاری از زمینه ها در علوم و فن آوری می باشد . از جمله این فرایندها که ارتباط مستقیمی بازندگی بشری که بدون صنعت زیستن برایش ناممکن است، آلودگی هوا می باشد. در این گزارش با استفاده از چهار روش اقدام به پیش بینی آلاینده های هوای شهر اراک نمودیم. در فصل اول به کمک روشهای کلاسیک و بوسیله ابزارهای ریاضی اقدام به بررسی نوع داده ها به صورت سری های زمانی نموده ایم. در ادامه با توجه به دینامیک بالای غیر خطی داده ها با کمک سه نوع شبکه های عصبی که به خوبی می توانند دینامیک غیر خطی داده ها را مدل کنند اقدام به پیش بین نمودیم. دومین روش، شبکه های عصبی پرسپترون چند لایه می باشد. سپس اقدام به حافظه دار نمودن شبکه نمودیم، که حاصل آن دوشبکه عصبی با نامهای tdl و گاما شد.

ازدحام در شبکه های رایانه ای پدیده ای نامطلوب است که طی آن با افزایش بی وقفه ی تقاضای کاربران، عملکرد طبیعی شبکه مختل شده و سرویس دهی مناسب صورت نمی پذیرد. در سال های اخیر تحقیقات وسیعی پیرامون استراتژی های کنترل ازدحام برای افزایش کیفیت سرویس و کارایی شبکه های رایانه ای صورت گرفته است. مسیریاب ها با مدیریت صحیح صف بسته ها، می توانند نقش اساسی در زمینه ی ارتقای کیفیت سرویس برعهده داشته باشند. حفظ عدالت در تقسیم فضای صف میان جریان های مختلف و چگونگی برخورد با ترافیک های بدرفتار، که در صورت رخ دادن تداخل در شبکه، غیرمسئولانه برخورد می نمایند، پارامترهایی موثر در کارایی الگوریتم های مدیریت صف مسیریاب هستند. در این پژوهش ابتدا الگوریتم dynamic balanced red که بر پایه ی الگوریتم balanced red طراحی شده است ارایه گردیده، سپس حدود آستانه ی این الگوریتم به کمک شبکه ی عصبی tdl به صورت پویا تعیین می گردد، الگوریتم نهایی را nndbred می نامیم. هدف اصلی الگوریتم پیشنهادی بهبود کیفیت سرویس و حفظ عدالت میان جریان های مختلف در استفاده از فضای صف، با استفاده از شبکه ی عصبی به عنوان تصمیم گیر می باشد. عملکرد مطلوب شبکه ی عصبی در شناسایی پویای حدود آستانه و مدیریت مناسب بسته های جریان های بدرفتار، موجب گردیده الگوریتم پیشنهادی نسبت به سایر روش ها برتری داشته باشد.

در این پایان نامه کنترل تطبیقی فازی-عصبی نوع دوم جهت سیستم های غیرخطی بررسی شده است. ابتدا مطالبی درمورد پیشینه تاریخی، مزیت ها و اشکالات حل نشده در زمینه کنترل فازی تطبیقی بیان شده، سپس به صورت کلی کار های انجام شده در این زمینه بر اساس روش به کار رفته و نوع سیستم غیرخطی طبقه بندی شده است. در ادامه حالت پیشرفته ای از کنترل فازی تطبیقی غیرمستقیم، ارائه شده است که از سیستم های فازی-عصبی نوع دوم به فرم سلسله مراتبی برای تخمین نامعینی ها، استفاده شده است، و همه پارامترهای بخش تالی و توابع تعلق آن، بر اساس قوانین تطبیقی استنتاج شده بر اساس تجزیه و تحلیل پایداری لیاپانوف آموزش می بینند. در این روش جبرانگر جدیدی برای حذف اثر خطای تخمین، اغتشاش خارجی و نویز ارائه شده است. این کنترل-کننده تطبیقی غیرمستقیم دارای دو مد کاری است: مد یادگیری و مد عملیاتی، در مد یادگیری همه پارامترهای تطبیقی آموزش می بینند اما در مد عملیاتی، پارامترهای سیستم فازی ثابت بوده و فقط پارامتر جبرانگر به روز رسانی می شود. این کار باعث کاهش حجم محاسبات می شود. روش مطرح شده، برای همزمان سازی دسته های مختلفی از سیستم های آشوب به کار برده شده است. سپس کنترل فازی لغزشی جهت همزمان سازی سیستم های آشوب با مرتبه کسری مورد بررسی قرار گرفته است. در روش ارائه شده، بخش سویچینگ در کنترل لغزشی کلاسیک با یک سیستم فازی نوع دوم پیشنهادی به همراه تابع تانژانت هیپربولیک جایگزین شده است، ضمن اینکه یک سیستم فازی نوع دوم پیشنهادی دیگر در فرم سلسله مراتبی برای تخمین نامعینی ها به کار رفته است. همه پارامترهای هر دو سیستم فازی بر اساس پایداری لیاپانوف تنظیم می شوند. کنترل کننده ارائه شده علاوه بر اینکه در برابر خطای تخمین، اغتشاش خارجی و نویز مقاوم می باشد، مسئله لرزش سیگنال کنترل در حالت کلاسیک، را نیز به خوبی حل می کند. در قسمت بعدی، کنترل فازی تطبیقی نوع دوم مستقیم با محدودیت های کمتر روی بهره کنترلی ارائه شده است. این کنترل کننده برخی مشکلات حالت غیر مستقیم را نداشته و به دلیل استفاده از تنها یک سیستم فازی، پیچیدگی کمتری نسبت به حالت غیر مستقیم دارد. در نهایت سیستم فازی نوع دوم حافظه دار سلسله مراتبی مطرح شده و همه پارامترهای آن را بر اساس یک الگوریتم جدید آموزش داده شده است. تخمین گر عمومی بودن سیستم فازی مذکور، اثبات شده و کاربردهای آن در شناسایی و کنترل سیستم های غیرخطی بررسی شده است. نتایج شبیه سازی انجام شده با جدیدترین کارها مقایسه شده است.

در این نوشتار قصد بر آن است که به معرفی نگرشی نوین در استفاده از سیگنال آشوب در سیستم های مکانیکی بپردازیم و با استفاده از مفهوم همزمان سازی که به وفور در سیستم های مخابراتی و به صورت ویژه در مخابرات امن استفاده می شود، سیستم مکانیکی را آمیخته به سیگنال آشوب کرده و نتایج و اثرات حضور این سیگنال را بر عملکرد سیستم مکانیکی مورد بررسی قرار می-دهیم. لذا، برای مقایسه ی حضور و عدم حضور سیگنال آشوب در سیستم مکانیکی و تاثیر آن بر عملکرد سیستم، سیستم لورنز را به عنوان سیستم آشوب ناک انتخاب می کنیم، این سیستم دارای یک پارامتر آزاد است که با تغییر آن وضعیت سیستم غیرخطی تغییر کرده و می توان عملکرد سیستم مکانیکی را در حالت های مختلف باهم مقایسه کرد. تغییر عملکرد را برای کنترل کننده های مختلف بررسی کرده و ناحیه ی با عملکرد بهینه را مشخص می کنیم. به صورت نظریه و عملی نشان می دهیم که عملکرد بهینه ی سیستم در ناحیه ای رخ می دهد که سیگنال همزمان سازی آشوب ناک می باشد. در ادامه پارامتر ضریب تضعیف همزمان سازی را که یکی از پارامترهای موثر در عملکرد سیستم است، تغییر داده و به ازای آن عملکرد سیستم را به ازای این تغییر تحلیل می نماییم

تعریفی که به طور معمول از فرایند یادگیری شده است به دو چرخه ی آموزش و آزمون برمی گردد به این معنی که یادگیرنده ابتدا موضوعی را آموزش دیده و سپس برای ارزیابی میزان یادگیری خود، آزمونی مرتبط با آن می دهد. با توجه به تحقیقاتی که در حوزه ی آموزش و روانشاسی شده است ذهن انسان بسیار فراموش کار بوده و تنها راه مقابله با این حقیقت، تکرار مطالب آموزش دیده در زمان های مشخص می باشد. به عبارت دیگر چرخه ی دیگری به نام مرورهای به موقع به فرایند یادگیری باید اضافه گردد. اما زمان های مناسب برای مرور یک موضوع به پارامترهای متعددی همچون سختی موضوع، قدرت حافظه ی یادگیرنده و نحوه ی آموزش بستگی دارد. تلاش هایی که دانشمندان سال ها پیش در این حوزه انجام داده اند منجر به ارائه ی زمان هایی به صورت کیفی شده است. در این پایان نامه سعی بر این شده است که زمان های مناسب مرور برای یادگیری موضوعات مختلف به صورت کمی نیز محاسبه گردد. از آنجا که انجام مرور از پارامترهای متعددی تاثیر می پذیرد، لازم است که برای پیداکردن زمان های مناسب مرور، از روش های هوشمندی که در حل مسائل چندهدفه استفاده می شوند، بهره ببریم. در این پایان نامه برای پیداکردن زمان های مناسب مرور از مسیریابی استفاده شده است. مسیریابی عموماً با استفاده از روش هایی همچون الگوریتم های تصادفی، پیمایش گراف ها و الگوریتم های تکاملی انجام می شود. لازم به ذکر است که به دلیل تاثیر پارامترهای مختلف در تصمیم گیری، در این مساله نیاز به پیاده سازی الگوریتم های موردنظر به صورت چندهدفه می باشد که در این پایان نامه به انجام رسیده است. نتایج به دست آمده، تحقیقات گذشته را به طور کامل تایید کرده و از طرفی مقایسه ی بسیار مناسبی از نحوه ی عملکرد الگوریتم های هوشمند به صورت چندهدفه در مسیریابی ارائه می کند. بستری که در این پایان نامه ساخته شده است می تواند با تغییرات مشخصی تبدیل به یک سیستم آموزشی، منطبق بر ساختار ذهن انسان گردد که تاثیر بسیار زیادی در یادگیری خواهد داشت.

در سال های اخیر استفاده از سیستم های فازی نوع دوم در علوم مهندسی افق جدیدی از کاربرد منطق فازی را به روی محققان گشوده است. قدرت انکارناپذیر این سیستم ها در مقایسه با سیستم های فازی کلاسیک بخصوص در حضور نویز و در فرموله کردن عدم قطعیت ها سبب رشد فزاینده ی آنها شده است. در این پایان نامه یک سیستم تمام خودکار فازی چند مرحله ای که از یک الگوریتم خبره ی فازی نوع دوم سود می برد برای پردازش تصاویر تشدید مغناطیسی مغز و نیز تشخیص نوع تومورهای مغزی ارائه شده است. این سیستم تمام خودکار از مراحل پیش پردازش تصویر (حذف استخوان جمجمه و کاهش نویز)، لبه یابی فازی تصویر با الهام از مفاهیم فازی نوع دوم، استخراج ویژگی با استفاده از روش glcm و الگوریتم خبره ی فازی نوع دوم تشکیل شده است. ورودی این سیستم، تصویر تشدید مغناطیسی دارای تومور و خروجی نهایی آن، تعیین خوش خیم یا بدخیم بودن تومور است. نتایج بدست آمده از این تحقیق گواه کوچکی بر کارایی مطلوب این سیستم ها در پردازش تصاویر پزشکی است. این نتایج برتری سیستم های فازی نوع دوم بر سیستم های فازی کلاسیک در حضور نویز را به خوبی نشان می دهند.

به طور کلی دو رویکرد اصلی در طراحی کنترل کننده فازی در مقالات بیان شده است: مجموعه های فازی نوع اول که در آنها توابع تعلق قطعی و مجموعه های فازی نوع دوم که در آنها توابع تعلق غیرقطعی و فازی می باشند. به عبارت دیگر مجموعه های فازی نوع دوم، گسترش یافته مجموعه های فازی نوع اول می باشند و به علت دارا بودن درجه آزادی بیشتر به منظور مدل کردن و به حداقل رساندن نامعینی ها در سیستم های فازی با کاهش تعداد توابع تعلق و افزایش تعبیرپذیری مورد استفاده قرار می گیرند. بازوی انعطاف پذیر یک سیستم زیرفعال می باشد که کار طراحی کنترل کننده را دشوار می سازد. در این پژوهش از قابلیت سیستم های فازی نوع دوم برای مواجهه با نویز، به منظور کنترل بازوی انعطاف پذیر استفاده می شود. با توجه به نیاز کنترل کننده که می بایست شرط پایداری حفظ شود؛ از کنترل کننده مدلغزشی استفاده می شود. استفاده از کنترل کننده فازی در کنار کنترل کننده مدلغزشی به ما این امکان را می دهد که به صورت همزمان از مزایای این دو روش که عبارتند از انعطاف پذیری و قابلیت تقریب عمومی در سیستم فازی همراه با ویژگی پایداری کنترل کننده های مدلغزشی استفاده نماییم. نتایج نشان می دهد در حضور نویز با واریانس بالا کنترل کننده فازی نوع دوم نسبت به کنترل کننده فازی نوع اول عملکرد مناسب تری خواهد داشت.

دردهه اخیرسرطان به یکی از بیماری های شایع درمیان انسان ها تبدیل شده است. براساس آمار منتشرشده توسط جامعه تومورشناسان آمریکا، نسبت بیماران درمان شده مبتلا به سرطان مغز درطول پنجسال فقط 11% است. انتخاب بهترین نوعدرمان این سرطان به میزان توانایی پزشک در شناسایی نوع ،موقعیت، اندازه و مرز تومور بستگی دارد. یکی از روش های تعیین نوع تومور استفاده از روش های تصویر برداری پزشکی است. متداول ترین روش تصویربرداری از مغز، روش تصویربرداری تشدید مغناطیسی (mri) است. از آنجا که تشخیص بیماری های سرطان وطبقه بندی آنها وابسته به دانش و تجربه پزشک است، دراین مطالعه سعی برآن شد تا با بکار گیری تصاویرmr ازیکسو ودانش ومهارت پزشکان از سوی دیگر، یک سیستم cad براساس مدل سلسله مراتبی مبتنی بر قشر بینایی مغز (hmax) برای ایجاد تمایز بین تومورهای بدخیم و خوش خیم درتصاویرmr مغزی ایجاد نماییم. بکارگیری مدل سلسله مراتبیhmax وهمچنین استفاده از روش انتخاب ویژگی مبتنی بر الگوریتم ژنتیک درتصاویرmrمغزی جهت تشخیص نوع تومور، جزء نوآوری های این تحقیق به شمار می ِآیند. بعه دلیل عدم دسترسی به پایگاه داده استانداردجهت بررسی عملکرد مدل، ساختار پیشنهادی در ابتدا توسط پایگاه داده استاندارد مربوط به سرطان سینه موردارزیابی قرار گرفت. نتایج شبیه سازی برای 1200 عدد roi حاوی تومور خوش خیم و بدخیم مربوط به پایگاه داده سرطان سینه و بدون بکارگیری روش انتخاب ویژگی مبتنی بر الگوریتم ژنتیک، منجر به بدست آمدن میزان صحت 83/99% ومیزان حساسیت 66/99% وخصوصیت 91/99% شد. عملکرد طبقه بند درشبیه سازی مدل پیشنهادی با داده ای شامل 304 عددroiحاوی تومورخوش خیم وبدخیم مغزی، بااستفاده ازساختار اولیه وعدم استفاده از انتخاب ویژگی توسط الگوریتم ژنتیک، درمرحله آزمایش دارای صحت 53/93%،حساسیت 51/94% وخصوصیت 54/92% بود. این مقادیر با بکارگیری انتخاب ویژگی توسط الگوریتم ژنتیک بعد از مدل سلسله مراتبی hmax،به طور میانگین به میزان صحت 68/98% وهمچنین میزان حساسیت 69/97% ومیزان خصوصیت 03/99% منجرشد.

عملکرد مطلوب سیستم ترمز ضد قفل برای هر نوع جاده با کیفیت های خاص خود در مقدار مشخصی لغزش اتفاق می افتد. بنابراین ردیابی لغزش مطلوب چرخ ها منجر به عملکرد بهتر سیستم ترمز ضد قفل شده و خودرو بدون قفل شدن چرخ ها در زمان کوتاه تری پس از ترمز گیری متوقف می شود. سیستم ترمز ضدقفل، سیستمی غیرخطی همراه با عدم قطعیت های فراوان بر اساس کیفیت جاده می باشد که بحث کنترل لغزش چرخ را مشکل می سازد. در این پایان نامه شبیه سازی جامعی از سیستم ترمز ضد قفل ارائه می شود. در این شبیه سازی، طراحی کنترل¬کننده مهمترین بخش پیاده¬سازی می¬باشد. چراکه کنترل-کننده است که عملکرد هر کدام از بخش های سیستم را تعیین می کند. در این تحقیق مدلی از یک خودرو چهارچرخ ارائه و هدف کنترل مستقل لغزش هر چرخ می باشد. از آنجا که ورودی کنترل کننده سرعت چرخ ها می باشند باید سرعت وسیله از روی چرخ¬ها تخمین زده شود که در این پژوهش به خوبی این تخمین زده می شود. در فاز ارزیابی کنترل¬کننده¬هایِ طراحی شده از شبیه ساز کارسیم استفاده شده است، که این شبیه ساز یکی از معتبرترین شبیه سازهای آزمایش می باشد و از مدل واقعی خودرو استفاده می¬کند، علاوه براین از یک مدل کامل و دقیق برای قسمت هیدرولیک و مدل سازی قسمت های مکانیکی سیستم اتومبیل استفاده می کنیم. از آنجایی که برای هر جاده لغزش بهینه، که در آن ماکزیمم نیروی اصطکاک اتفاق می افتد، متفاوت است برای اینکه نیازی به تخمین آن نداشته باشیم یک الگوریتم کنترلی خود تنظیم ارائه کرده که با استفاده از شتاب چرخ ها کار می کند. نتایج شبیه سازی عملکرد مناسب کنترل کننده ی طراحی شده در مقایسه با روش های معتبر ارائه شده را نشان می دهد.

در این تحقیق، دو ساختار کنترلی جدید جهت کنترل سیستمهای غیرخطی که در حضور عدم قطعیتها قرار دارند، ارائه شده است. کنترل کننده های طراحی شده بر اساس روش کنترل تطبیقی مدل مرجع می باشند. در نخستین کنترل کننده طراحی شده، نیروی کنترلی اعمالی به سیستم تحت کنترل، مجموع سه نیروی کنترلی ناشی از کنترل¬کننده¬های فازی نوع دو، کلاسیک و جمله مقاوم در نظر گرفته شده است. با استفاده از تابع لیاپانوف مناسب طراحی شده، قوانین تطابق پایدار پارامترهای کنترل¬کننده فازی نوع دو و جمله مقاوم استخراج و اثبات پایداری انجام گرفته است. همچنین روشی تطبیقی جهت به دست آوردن بهره های مناسب کنترل¬کننده کلاسیکبر اساس تئوری پایداری ارائه شده است. علاوه بر کنترل کننده فازی ترکیبی مدل مرجع طراحی شده در این پایان نامه، کنترل کننده جدید فازی نوع دو مدل مرجع بر اساس طراحی فیدبک حالت با کنترل انتگرالکه توانایی حذف اغتشاشات ثابت در حالت ماندگار را دارد، ارائه گردیده است. کنترل کننده پیشنهادی با اضافه کردن حالت انتگرالی به معادلات حالت سیستم، قابلیت حذف اغتشاشات ثابت را دارد و همچنین، قابل اعمال به کلاس گسترده¬تری از سیستمهای غیرخطی و همچنین سیستمهای چند ورودی- چند خروجی می باشد. به منظور نشان دادن کارایی کنترل کننده های طراحی شده، شبیه سازی بر روی چند سیستم آزمایشگاهی انجام شده است که حاکی از طراحی مناسب کنترل کننده های طراحی شده، است.

مقدار و جهت تغییر شکل¬ها در یک نقطه در داخل یا روی تاج سد در طی مراحل مختلف ساخت و بهره¬برداری از مخزن ممکن است تغییر کند. به کمک رفتار نگاری داده¬های ابزار دقیق سد می¬توان جابجایی¬¬های سد در سه جهت قائم، عمود و موازی با محور سد را اندازه¬گیری کرد. با توجه به هزینه¬های هنگفت که برای احداث سدها صرف می¬شود، نیاز به در نظر گرفتن حداکثر تمهیدات لازم است تا از ایجاد هر گونه مشکلی که در پایداری و ایمنی این سازه ایجاد اختلال می¬کند، جلوگیری شود. یکی از این مشکلات، نشست است. اگر بتوان میزان این پدیده را حتی به صورت حدودی پیش-بینی کرد می¬توان از اثرات مخرب آن جلوگیری کرد. در این پژوهش به منظور پیش بینی نشست با استفاده از شبکه¬های عصبی به ازای اطلاعات هر نشست¬سنج و فشارسنجی که در ارتفاع¬های متفاوتی در بدنه سد در دوره¬های زمانی ماهیانه قرائت شده است، از سه مؤلفه فشار، ارتفاع و زمان به عنوان پارامترهای ورودی شبکه عصبی و نشست به عنوان خروجی استفاده شده است. در مجموع از 3312 داده استفاده شده، تعداد 2484 داده در سه دسته 828 تایی به عنوان ورودی و مابقی به عنوان خروجی انتخاب شده است. در این تحقیق، 70 درصد از داده¬ها جهت آموزش، 15 درصد جهت ارزیابی و 15 درصد نیز جهت آزمون در نظر گرفته شده اند. پس از سعی و خطای بیش از 30 مدل بر اساس موارد الگوریتم آموزش، تعداد لایه های مخفی، تعداد نرون ها در لایه پنهان، توابع فعال¬سازی، تعداد تکرارهای آموزش و شروط توقف، مدل شبکه عصبی پرسپترون چند لایه با روش یادگیری پس انتشار خطا با مکانیزم لونبرگ مارکورات، تابع تبدیل لایه مخفی سیگموئدی و تابع تبدیل لایه خروجی خطی به عنوان بهترین مدل با کمترین خطا انتخاب شد. در فرایند ساخت مدل نهایی، پس از ایپاک 250ام میزان میانگین مربعات خطا فاز آزمایش به مقدار کمینه خود رسید، پس از آن به منظور جلوگیری از بیش برازش از ادامه آموزش صرف نظر شد با توجه به نتایج به دست آمده مقادیر پیش بینی شده توسط این مدل در مرحله آموزش (rmse=0.0297) نسبتاً و در فاز آزمایش (rmse=0.0177) بسیار به مقادیر واقعی آن نزدیک هستند. نتایج گرافیکی برای کل داده¬ها نشان می¬دهد که مقدار پیش بینی شده به مقدار واقعی خیلی نزدیک است، ضریب همبستگی دارای مقدار بسیار مناسب (r=0.995) می باشد. میانگین مربعات خطا (rmse=0.0265) برای این داده¬ها نیز مقدار بسیار مطلوبی را نشان می¬دهد بنابراین شبکه¬های عصبی قادرند تا نشست سد را ردیابی کرده و با یک دقت خوب پیش¬بینی نمایند. همچنین با بررسی روش¬های آماری و تجربی نتایج بدست آمده نشان داد که ضرایب تعیین پایین و جذر میانگین مربعات خطای بالا دارند و بنابراین این روابط از دقت پایینی برخوردارند و قابلیت تعمیم ندارند.

سنسورها و روش های هوشمند نمودن آنها امروزه به یکی از زمینه های گسترده تحقیقاتی تبدیل شده است. در این پایان نامه تعریف علمی سنسورهای هوشمند تصحیح و اندازه گیری خطاها مدارات واسط سنسور هوشمند، مجتمع سازی یک تابع کالیبره کننده در مفهوم یک سنسور هوشمند، منابع خطا در مسیر سیگنال سنسور هوشمند، روش های کالیبره کردن و خطی کردن انتقال سنسور هوشمند، کالیبره کردن با استفاده از پردازش سیگنال آنالوگ، کالیبره کننده و نهایتا مورد استفاده قرار دادن شبکه های عصبی جهت کالیبره کردن سنسور هوشمند بررسی و ارائه خواهد شد. همچنین روش گام به گام طراحی یک شبکه عصبی پرسپترون سه لایه دارای ورودی با بعد 4، ولایه پنهان با 9 عصب سیگموئید و یک خروجی خطی به تفصیل ارائه می شود.

خطای سیستم ناوبری اینرسی با گذشت زمان افزایش می یابد در نتیجه برای دستیابی به دقت بالاتر مخصوصا در ناوبری طولانی مدت نیاز به سیستم های کمکی است. سیستم تعیین موقعیت جهانی با توجه به خواص مکمل خود با سیستم ناوبری اینرسی مناسب ترین سیستم کمکی محسوب می شود. در این پروژه پس از شبیه سازی gps و ins خاص، تلفیق متوالی و کامل آنها مورد بررسی و شبیه سازی قرار می گیرد و سپس این دو روش تلفیق با هم مقایسه می شوند. رفتار خطای ناوبری در هر دو روش تلفیق در مقایسه با ins تنها بمراتب بهتر شده است. در ادامه بعد از مرور روش های تطبیق فیلتر کالمن یک فیلتر کالمن تطبیقی فازی برای تلفیق متوالی و کامل gps و ins پیشنهاد شده است که تطبیق با تنظیم تطبیقی ماتریس کواریانس نویز اندازه گیری r و نویز پروسه q صورت می گیرد تنظیم تطبیقی بوسیله سیستم فازی و با بکارگیری تکنیک covarianee-matching صورت می گیرد. نتایج نشان می دهد که تلفیق تطبیقی فازی gps و ins با تنظیم تطبیقی ماتریس های q یا r عملکرد بهتری نسبت به تلفیق معمولی که در آن ماتریس ها q و r دو ثابت دارد.

در این پایان نامه ساختارهای جدیدی بر اساس توابع چبیشف و خانواده ی توابع ویولت بر اساس دیدگاه narmax ارائه شده که برای اهداف شناسایی سیستم و پیش بینی سری های زمانی غیر خطی کاربرد دارند. ساختارهای ارائه شده در این تحقیق شامل ترکیبات مختلف توابع چبیشف، توابع از خانواده ی ویولت، بسط hdmr و روش های آنالیز باقیمانده می باشند. این ساختارها حاصل ترکیب مدل های پارامترخطی و شبکه های عصبی غیرخطی بوده و قابلیت تخمین سریع و بهینه ی پارامترها با استفاده از الگوریتم های کمترین مربعات را دارند. در ساختارهای ارائه شده برای کاهش حجم محاسبات و افزایش مقاومت در مقابل نویز از دیدگاه hdmr استفاده شده است. با استفاده از روش آنالیز باقیمانده، دقت نهایی شبکه ی پیشنهادی افزایش و ابعاد ورودی مورد نیاز کاهش یافته است. برای داده های با نویز کم مشاهده شد که آنالیز باقیمانده نتایجی چشمگیر را ارائه می دهد. برای تخمین پارامترهای مدل های پارامترخطی از الگوریتم ofr استفاده شده که سریع، مقاوم به ماتریس های بدحالت و بسیار انعطاف پذیر است. نتایج شبیه سازی ها همگی بر کاربردی بودن ساختار معرفی شده دلالت دارند. سرعت نسبتا بالا، قابلیت پیاده سازی به هنگام، مقاوم بودن به نویز، قابلیت تقریب سراسری، قابلیت محلی سازی و انعطاف پذیری روش های پیاده سازی از جمله خواص مهم ساختارهای ارائه شده است.

پدیده روانگرایی از جمله حوادثی است که بر اثر زلزله عموما در یک توده خاک سست و اشباع خصوصا خاک ماسه ای و در مواقعی نیز در خاکهای ریزدانه رخ می دهد .پدیده روانگرایی باعث آسیب به سازه های روی خاک می شود، بنابراین ارزیابی پتانسیل روانگرایی برای کاهش این خطرات در همه ایران که پتانسیل لرزه خیزی بالایی دارد، به خصوص در شهرهای بزرگ مانند تهران و اطراف تهران ضروری به نظر می رسد. از آنجایی که ارزیابی روانگرایی خاک های ماسه ای در تحقیق ها و پروژه های گذشته به وفور انجام شده است و نتیجه گیری شده است که خاک ماسه ای بد دانه بندی شده بیشترین احتمال وقوع روانگرایی رادارد، بنابراین برای نوآوری در کار، در این تحقیق ارزیابی پتانسیل روانگرایی خاک های ریزدانه غیر ماسه ای انجام گردید. ارزیابی پتانسیل روانگرایی نیازمند حفر گمانه و انجام آزمایشات متعدد وصرف زمان و هزینه بسیاری است. بنابراین برای کاهش در هزینه ها و صرفه جویی در زمان از روش هایی مانند پیش بینی روانگرایی با استفاده از مجموعه اطلاعات موجود توسط شبکه عصبی استفاده شد. دراین تحقیق ارزیابی پتانسیل روانگرایی خاک ریزدانه غیرماسه ای شهرک مسکونی سیمرغ واقع در شهرستان اسلامشهر، در جنوب غربی تهران با استفاده از نرم افزار matlab و روش شبکه عصبی مصنوعی مورد بررسی قرار گرفت. ابتدا شبکه عصبی مصنوعی با اطلاعات گمانه های حاشیه دریای خزر (رشت و لاهیجان) که روانگرایی بر اثر زلزله منجیل در سال 1369 در این مناطق مشاهده شده است، مورد آموزش و آزمایش قرار گرفته و درپایان اطلاعات نمونه های خاک شهرک مسکونی سیمرغ را در این شبکه وارد کرده و صحت و کارایی شبکه سنجیده شد. نمونه های ورودی به شبکه (نمونه های خاک رشت و لاهیجان) 69 نمونه بوده که 70 درصد داده ها جهت آموزش و 30 درصد آنها جهت تست شبکه در نظر گرفته شد. با روش سعی و خطا مواردی مانند تعداد لایه های مخفی، تعداد نرون ها در لایه پنهان، تعداد تکرارهای فرایند آموزش، نرخ یادگیری تعیین گردید و مدل شبکه عصبی پرسپترون چندلایه با الگوریتم پس انتشار خطا و تابع تبدیل سیگموئدی در لایه پنهان به عنوان بهترین مدل با کمترین خطا انتخاب شد. تعداد تکرار فرایند آموزش 2000 بار است و بعد از این مقدار تکرار میانگین مربعات خطا در مرحله آزمایش به کمترین مقدار خود می رسد. نتایج حاصل از شبکه عصبی نشان می دهد که مقدار پیش بینی شده با مقادیر واقعی بسیار به یکدیگر نزدیک هستند و خاک های ریزدانه غیرماسه ای حاشیه دریای خزر عموما پتانسیل روانگرایی متوسط تا زیاد دارند و خاک های شهرک مسکونی سیمرغ پتانسیل روانگرایی کم و نهایتا پتانسیل روانگرایی در محدوده متوسط دارندو می توان نتیجه گرفت خاک های ریزدانه غیرماسه ای جنوب تهران خطر کمی از نظر پتانسیل این پدیده دارند. بنابراین شبکه های عصبی قادرند پتانسیل روانگرایی خاک ریزدانه غیرماسه ای اشباع را ارزیابی کنند.

در شبکه های کامپیوتری، مشکل ارسال بسته خصوصا در شبکه های با گره های زیاد وجود دارد که بعضی مواقع به علت تبادل حجم بالای اطلاعات باعث هدر رفتن داده ها می شود. در این پژوهش از روش های کنترل هوشمند بر پایه منطق فازی به منظور کنترل موثر ازدحام در شبکه های کامپیوتری استفاده شده است. الگوریتم های مدیریت فعال صف برای پشتیبانی از مسیریاب در کنترل ازدحام شبکه های tcp معرفی شدند، اما اکثر آن ها روی بالابردن گذردهی تمرکز دارند و در کاهش تاخیر موفق نبوده اند. کنترل کننده فازی pid و فازی عصبی پیشنهادی با استفاده از اطلاعات زبانی، کنترل سیستم های غیرخطی شبکه های tcp/ip را برعهده دارد. این روش برای ارائه یک فرآیند ساده و عمومی، توسعه داده شده است و در نتیجه به اندازه کافی در زمینه بهترین تلاش و کیفیت سرویس موفق بوده است. مسیریاب به کمک میانگین طول صف، ازدحام را کشف می کند. دانش زبانی منطق فازی به ما این امکان را می دهد تا با استفاده از میانگین طول صف محاسبه شده، حالت های پویای شبکه را استخراج کرده و تابع احتمال علامت گذاری غیرخطی را در کنترل ترافیک به درستی محاسبه کنیم. شبیه سازی ها در دو استراتژی مختلف و تحت شرایط متفاوت توسط شبیه ساز ns2 انجام شده است. استفاده از کنترل کننده pid خودتنطیم فازی به منظور کنترل اختلاف طول صف مسیریاب و طول صف مطلوب است.

در این پایانامه یک کنترل کننده لغزش برای لکوموتیو gt26cw طراحی شده است . کنترل کننده طراحی شده توانایی کنترل لغزش تک تک چرخها را دارا می باشد.

چکیده ندارد.