نشانه گذاری چندگانه ی تصاویر پزشکی به فرایند درج چند نشانه ی مختلف، به منظور برآوردن همزمان نیازهای اعتبارسنجی، حفظ جامعیت و درج اطلاعات پزشکی بیمار درون تصویر پزشکی اطلاق می گردد. در این پایان نامه سه الگوریتم نشانه گذاری چندگانه با هدف برآوردن نیازهای مذکور در حوزه تبدیل موجک ارائه شده است. در الگوریتم های پیشنهادی، سه نشانه شامل امضای دیجیتالی پزشک، عنوان و مرجع در ضرایب تبدیل موجک تصویر درج می گردند. در هر سه الگوریتم، تصویر به چند بخش تقسیم شده و میزان داده ای که در هر بخش درج می گردد، به میزان ناهمواری آن بخش بستگی دارد. توجه به ناحیه ی مورد توجه تصویر در فرایند درج نشانه و استفاده از دنباله های شبه تصادفی اعداد به منظور انتخاب مکان های درج، از دیگر نکات مشترک الگوریتم های پیشنهادی محسوب می گردند. در الگوریتم اول به منظور پایدارکردن امضای دیجیتالی پزشک از تجزیه ی مقادیر تکین ضرایب زیرباندهای فرکانسی تبدیل موجک تصویر استفاده می گردد. در این الگوریتم هرگونه تغییر در ناحیه ی مورد توجه تصویر، توسط نشانه ی مرجع تشخیص داده می شود، ولی نمی توان مکانی که تغییر در آن اتفاق افتاده است را مشخص نمود. در الگوریتم دوم پایداری امضای دیجیتالی پزشک با درج آن در زیرباندهای فرکانسی پایدارتر برآورده می شود. همچنین الگوریتم دوم با تقسیم ناحیه ی مورد توجه تصویر به نواحی مختلف و استفاده از معادل تبدیل یافته این بخش ها توسط تابع درهم ساز، به عنوان نشانه ی مرجع، مکان تغییرات اتفاق افتاده را به صورت ناحیه ای (و نه به صورت دقیق) تشخیص می دهد. الگوریتم سوم با استفاده از معادل چندی سازی شده یکی از زیرباندهای ناحیه ی مورد توجه تصویر، به عنوان نشانه ی مرجع، مکان یابی تغییرات ناحیه ی مورد توجه تصویر را به صورت دقیق تری انجام می دهد. کیفیت بصری تصاویر نشانه گذاری شده توسط هر سه الگوریتم بالاتر از db 45 بوده و نیاز شفافیت تصاویر پزشکی را به خوبی برآورده می سازد. الگوریتم های سه گانه پیشنهادی در تکامل یکدیگر بوده و به ترتیب نیاز پایداری امضای دیجیتالی پزشک را بهبود می بخشند. این بهبود متوالی الگوریتم ها در مورد میزان شکنندگی نشانه مرجع هم صدق می کند. به منظور استفاده ی آسان از الگوریتم های پیشنهادی، یک واسط گرافیکی کاربری مناسب برای الگوریتم های مذکور طراحی و پیاده سازی شده است، یعنی الگوریتم ها به صورت یک بسته نرم افزاری تکمیل شده اند و می تواند با اعمال تغییراتی اندک در بیمارستان ها مورد استفاده پزشکان و بیماران محترم قرار گیرند.

با رشد سریع دستگاههای تصویربرداری، حجم تصاویر دیجیتال و پایگاه دادههای تصویری به سرعت رو به افزایش است، و از طرفی دسترسی کاربران به این تصاویر به سهولت صورت میگیرد. در نتیجه نیاز به سیستمهای بازیابی تصویر که بتواند به صورت موثر بازیابی تصویر را انجام دهد بیشتر شده است. در این پایان نامه، ساختاری برای پیاده سازی یک سیستم بازیابی تصاویر ارائه شده است که می تواند بر اساس محتویات بصری تصاویر و با استفاده از یادگیری نظرات کاربران عمل بازیابی را انجام دهد. برای توصیف شباهت تصاویر در این پایان نامه از دو ویژگی رنگ و بافت تصاویر استفاده گردیده است. برای توصیف ویژگی رنگ از دو روش هیستوگرام سراسری رنگ و اتوکرلوگرام رنگ تصویر ناحیه بندی شده استفاده شده است. محاسبه اتوکرلوگرام رنگ در روش پیشنهادی باعث موثرتر شدن و مقاوم شدن این توصیفگر نسبت به دوران و انتقال تصاویر میشود. اتوکرلوگرام ذاتاً یک روش توصیف محلی است؛ محاسبه اتوکرلوگرام رنگ در تصویر ناحیه بندی شده محلی بودن این اطلاعات را افزایش می دهد. برای اضافه نمودن اطلاعات سراسری رنگ، از هیستوگرام رنگ که یک توصیفگر کاملاً سراسری است در ترکیب با اتوکرلوگرام استفاده گردیده است. نتیجه این ترکیب، یک توصیفگر رنگ موثر است که می تواند بخوبی برای بازیابی تصاویر مورد استفاده قرار گیرد. مشکل عمده همه سیستم های مبتنی بر رنگ، ضعف در بازیابی تصاویر با محتوای مشابه و رنگ های متفاوت است. به منظور رفع این مسأله و بهبود روش مبتنی بر رنگ بیان شده از موجک گابور به عنوان ویژگی بافت در ترکیب با ویژگی های رنگ استفاده شد. برای ترکیب این سه ویژگی و محاسبه فاصله نهایی هر دو تصویر موجود، از یک سیستم مبتنی بر قواعد فازی استفاده شده است، که می تواند ترکیب بسیار موثرتری را ارئه نماید، و به تبع آن دقت نتایج نهایی بازیابی شده را نیز بهبود بخشد. تمامی مراحل ذکر شده به صورت برون خطی و تنها یکبار صورت می گیرند. در مرحله بازیابی تصاویر، سیستم با استفاده از بازخورد کاربران در پاسخ به تصاویر بازیابی شده برای پرس وجوی انجام شده، عمل یادگیری و بهبود نتایج را با استفاده از اتوماتای یادگیر توزیع شده، انجام می دهد. پایگاه داده مورد استفاده، مشتق شده از پایگاه داده corel می باشد، که تصاویر آن بر اساس شباهت مفهومی در 10 رده طبقه بندی شده اند. نتایج بدست آمده از روش های معرفی شده در این پایان نامه بسیار خوب و موثر است، و این روش ها میتوانند به عنوان یک روش عملی در بسیاری از کاربردها از جمله بازیابی تصاویر موجود در وب مورد استفاده قرار گیرند.

اساسی ترین مشکل در کنترل روباتهای انسان نما، وجود تعداد درجات آزادی زیاد در مکانیزم آنها است. اکثر کارهای انجام شده در این زمینه بر مبنای مدلسازی دقیق روبات و محیط اطراف آن صورت گرفته است. چنین روشهایی به علت تطبیقی نبودنشان توانایی خود را با تغییر محیط از دست می دهند. این در حالی است که ویژگی اصلی حرکت انسان و مهره داران دیگر، تطبیقی بودن حرکات آنها است. مطالعات بیولوژیکی نشان می دهد که قسمت اعظم کنترل حرکات ریتمیک در مهره داران در سطح پایین تر از مغز و توسط شبکه های عصبی ای به نام مولدهای مرکزی الگو ایجاد میشود. در این پایان نامه، از الگوها و الگوریتم های تطبیقی حرکت مهره داران برای کنترل حرکت راه رفتن روبات انسان نمای نائو استفاده شده است. برای مدلسازی ریاضی مولدهای مرکزی الگو نیز از مدل اسیلاتور عصبی ماتسواکا که شامل دو نرون مخالف هم با نامهای نرون انبساطی و انقباضی است استفاده شده است. برای بدشت آوردن هر حرکت پارامترهای تولید کننده باید تنظیم شوند. بدین منظور از گونه خاصی از الگوریتمهای تکاملی ذرات بنام clpso کمک گرفته شده است. با تنظیم پارامترهای شبکه مولد الگوی مرکزی دو عمل راه رفتن و چرخش به روبات یاد داده شده و روبات در وضعیتهای خاصی میتواند بین دو عمل سوئیچ کند. مولد الگوی مرکزی در هر لحظه دارای یک وضعیت منحصر بفرد می باشد و سوئیچ بین اعمال تنها در وضعیت خاصی که وضعیت امن نامیده میشود میتواند امکان پذیر است. از ترکیب این دو عمل برای رفتن روبات به هر مکان در محیط استفاده شده است.

در این پایان نامه به ارائه سه روش جدید برای بهبود الگوریتم های احراز اصالت و اعتبار تصاویر می?پردازیم. روش پیشنهادی اول با استفاده از الگوی نویز سنسور و اطلاعات محلی تصویر به تشخیص منبع که یکی از زیرشاخه های اصلی در احراز اصالت و اعتبار تصویر است می پردازد. در این روش بر اساس مشخصه های محلی تصویر و توجه به این نکته که توان نویز در همه نواحی تصویر یکسان نیست، بهترین نواحی برای استخراج الگوی نویز انتخاب می شود. سپس بر اساس میزان همبستگی الگوی نویز مناطق انتخاب شده ی تصویر با الگوی نویز دوربین های موجود، منبع مولد تصویر تعیین می شود. روش دوم با هدف مرتفع نمودن ضعف اصلی الگوریتم اول، که ضعیف بودن الگوی نویز و وابسته بودن آن به نواحی تصویر است، ارائه شده است. در این روش با توجه به اینکه همه پیکسل های سنسور در شرایط یکسان دارای واکنش یکسانی به نور نیستند یک مدل جدید برای دوربین معرفی می شود که رفتار پیکسل های سنسور در برابر نور های مختلف را مدل می کند. در این روش ابتدا مدل مقادیر که بیانگر رفتار متعارف سنسورها است استخراج شده و سپس مدل دوربین بر اساس مدل مقادیر و موقعیت پیکسل ها بدست می آید. دوربین منبع با توجه به میزان هبستگی مدل تصویر با مدل دوربین های موجود تعیین می شود. روش سوم به ارایه یک راهکار جدید برای تشخیص جعل کپی نواحی می پردازد. در جعل کپی نواحی واقعیتی در تصویر توسط نواحی از همان تصویر پوشانده می شود بنابراین در تشخیص این نوع جعل باید بدنبال نواحی مشابه در تصویر بود. برای این کار در روش پیشنهادی ابتدا اطلاعات بافت نواحی با استفاده از فیلتر گابور استخراج، سپس برای کاهش پیچیدگی زمانی و محاسباتی الگوریتم، مولفه های اصلی بردار مشخصه ی نواحی توسط الگوریتم pca تعیین می شود. در نهایت با مقایسه بردارهای مشخصه ی نواحی مختلف و اعمال یک مرحله پس پردازش جهت افزایش دقت تشخیص، نواحی کپی شده تعیین می شوند. نتایج آزمون های انجام شده نشان دهنده ی کارایی الگوریتم های پیشنهادی در زمینه احراز اصالت و اعتبار تصاویر می باشد. افزایش 40 درصدی دقت تشخیص منبع د رمقایسه با روش فردریش و توان تشخیص جعل کپی نواحی در برابر فشرده سازی تا نرخ 65% موید این ادعاست.?

گسترش چشم گیر داده های چند رسانه ای در دنیای الکترونیک ما، الزام به وجود رهیافت جدیدی برای برقراری ارتباط، به نام نهان نگاری دیجیتال دارد. از طرف دیگر تصاویر به دلیل داشتن افزونگی بالا و درک دیداری محدود انسان به تغییرات ایجاد شده در آن ها، و نیز گسترش استفاده در اینترنت، سیگنال های پوشش مناسبی به شمار می روند. در نقطه مقابل نهان نگاری، روش های تحلیل نهان نگاری وجود دارند که سعی در پی بردن به وجود ارتباط سری دارند. یک سیستم نهان-نگاری بایستی داده پیام را به صورت غیرقابل مشاهده و غیر قابل شناسایی در سیگنال پوشش جایگذاری نماید. در این پایان نامه درصدد ارائه روش های نهان نگاری ای هستیم که این دو مهم را برآورده سازند. در پایان نامه حاضر، سه روش نهان نگاری ارائه شده است. روش اول، داده پیام را در ضرایب کانتورلت تصویر جایگذاری می نماید. روش ارائه شده از دو جهت مورد توجه است: اول آن که تبدیل کانتورلت تحلیل دقیق تری از تصویر به دست می دهد و تغییر در یک ضریب، تاثیر کم تری در ضرایب دیگر دارد. دوم آن که روش های تحلیل نهان نگاری موجود، محدود به دامنه dct و موجک هستند و در شناسایی تصاویر نهان نگاری شده در حوزه کانتورلت با مشکل مواجه می شوند. روش پیشنهادی دوم، پیام را در دامنه موجک تصویر به نحوی جایگذاری می کند که کم ترین تغییرات متوجه تصویر پوشش شود و نیز روش های تحلیل نهان نگاری مختلف نیز قادر به تشخیص وجود پیام سری نشوند. ایده روش سوم از متد تجزیه به وسیله ترکیب در ووکودر celp گرفته شده است و آن را "نهان نگاری به وسیله نهان کاوی" نامیده ایم. در این روش ابتدا پیام مخفی توسط روشی نوین مبتنی بر تبدیل موجک صحیح، در تصویر پوشش جایگذاری می شود و به واحد تحلیل نهان نگاری داده می-شود تا امنیت آن توسط نهان کاوهای مختلف مورد ارزیابی قرار گیرد. خروجی واحد تحلیل فیدبکی برای واحد نهان نگاری محسوب می شود. کنترل این حلقه را الگوریتم ژنتیک به عهده می گیرد. نتایج به دست آمده از این روش، حاکی از تولید تصاویر نهان نگاری شده ای با psnr بالاتر از 70 db و مقاوم در برابر روش های تحلیل آماری است، و نیز روش های تحلیل نهان نگاری فراگیری مانند نهان-کاو 274 بعدی و wbs نتوانسته اند با دقتی بیشتر از 60 درصد، وجود پیام را تشخیص دهند.

شبکه ‏های عصبی مصنوعی یکی از ابزارهای مهم یادگیری ماشین است که کاربردهای فراوان آن در دنیای امروز مشهود است. عملکرد شبکه ‏های عصبی به نحوه‏ ی آموزش شبکه و طرح معماری آن وابسته است. طراحی معماری شبکه‏ ی عصبی معمولاً توسط فرد خبره انجام می‏شود. در این پژوهش سه الگوریتم برای طراحی معماری و آموزش وزن‏های شبکه توسعه داده شده است. الگوریتم اول قادر به تولید و آموزش شبکه ‏های عصبی پیش‏رو با یک لایه ‏ی مخفی است. این الگوریتم در طراحی معماری، تعداد عصب‏های میانی را تعیین می‏کند و بین لایه‏ های مجاور شبکه ارتباط کامل برقرار می‏کند. الگوریتم ارائه شده دوم، علاوه بر تعیین تعداد عصب‏های لایه‏ ی میانی، ویژگی‏های ورودی مرتبط را انتخاب می‏کند. همچنین نحوه‎‏ی ارتباط بین ورودی‏ها و عصب‏های میانی را تعیین کرده و اوزان شبکه را تنظیم می‏کند. البته این الگوریتم‏ها کاملا از دانش فرد خبره بی‏نیاز نیستند. اما الگوریتم سوم با هدف عدم وابستگی طراحی و آموزش شبکه ‏های عصبی به فرد خبره توسعه داده شده است. معماری شبکه ‏های تولید شده توسط این الگوریتم لزوما دارای ساختار لایه‏ ای مرسوم نیست و عصب‏های میانی می‏توانند دارای هر نوع ارتباطی از جمله ارتباطات بازگشتی باشند. برای ارزیابی الگوریتم‏های ارائه شده از مسائل دسته‏ بندی استاندارد و مقایسه‏ ی نتایج این الگوریتم‏ها با دیگر سیستم‏های تکامل شبکه‏ عصبی استفاده شده است. نتایج آزمایشات، برتری الگوریتم‏های ارائه شده بر الگوریتم مورد مقایسه‏ را در بسیاری از موارد نشان می‏دهد. سهم اجزای الگوریتم‏ها در عملکرد آن‏ها مورد بررسی قرار گرفته و نتایج مشاهدات و تحلیلها در این گزارش آمده است.

تمرکز الگوریتم اول بر روی استخراج نشانه خاکستری توسط متد آنالیز مولفه های مستقل است. در فرایند جاسازی نشانه، ابتدا از تصویر میزبان چند مرحله تبدیل موجک گسسته گرفته می شود. از زیرباندهای فرکانسی مرحله ی آخر، زیرباند فرکانسی تخمینی به عنوان تصویر مرجع انتخاب می شود؛ و سپس با اعمال تجزیه مقادیر تکین به زیرباندهای فرکانسی تصویر مرجع و تصویر نشانه، مقادیر تکین زیرباندهای فرکانسی تصویر نشانه در مقادیر تکین زیرباندهای فرکانسی متناظر تصویر مرجع جاسازی می شوند. استخراج نشانه توسط متد آنالیز مولفه های مستقل و با استفاده از تصویر مرجع مرحله ی جاسازی، انجام می شود. نتایج پیاده سازی، شفافیت و پایداری مطلوب الگوریتم اول پیشنهادی را نشان می دهند. نتایج استخراج روش پیشنهادی به میزان چشمگیری نتایج روش های مشابه در مرحله ی جاسازی را بهبود بخشیده است. در الگوریتم پیشنهادی دوم، از متد آنالیز مولفه های مستقل به عنوان یک حوزه ی تبدیل چند سطحی برای تبدیل تصویر میزبان و تصویر نشانه به یکسری زیرباندهای فرکانسی مستقل استفاده می شود. برای جاسازی نشانه ی خاکستری بعد از اعمال چند مرحله تبدیل آنالیز مولفه های مستقل به تصویر اصلی، زیرباند مستقل پرانرژی به عنوان تصویر مرجع انتخاب می شود و سپس مقادیر تکین زیرباندهای مستقل نشانه در مقادیر تکین زیرباندهای مستقل متناظر تصویر مرجع جاسازی می شوند. سیستم پیشنهادی، نتایج بسیار قابل قبولی از لحاظ شفافیت و پایداری در برابر حملات مختلف ارائه می کند. انگیزه ی الگوریتم پیشنهادی سوم، نتایج حاصل از تحلیل و بررسی مجموعه ای انتخابی از روش-های نشانه گذاری است که این مجموعه با محور مشترک جاسازی مقادیر تکین نشانه و استخراج نشانه با ماتریس های تکین چپ و راست نشانه انتخاب شده اند. با بررسی تئوری شیوه ی جاسازی و استخراج نشانه و هم چنین پیاده سازی تعدادی از این روش ها، ادعای نیمه کور یا کور بودن، نتایج پایداری و در کل اعتبار این مجموعه روش ها زیر سوال برده می شود. نسبت به این مجموعه روش-های نشانه گذاری، الگوریتم پیشنهادی سوم یک روش نشانه گذاری کاملا کور است؛ برای جاسازی بیت های نشانه ی، ابتدا زیرباند مستقل پرانرژی تصویر با متد آنالیز مولفه های مستقل به دست می آید. سپس چند مرحله تبدیل موجک گسسته به زیرباند مستقل انتخابی اعمال می شود و مقادیر تکین زیرباندهای فرکانسی بلاک شده محاسبه می شوند. برای جاسازی بیت های نشانه، تعدادی از مقادیر تکین با توجه به مقادیر تکین همسایه ی خود و ضرایب جاسازی، تغییر می کنند. در مرحله ی استخراج نشانه، یکسری مقادیر آستانه با توجه به معیار های جاسازی برای مقادیر تکین محاسبه می-شوند و سپس مقادیر تکین با این مقادیر آستانه مقایسه می شوند. این الگوریتم پیشنهادی واقعا کور، نسبت به بیشتر حملات مقاومت قابل قبولی از خود نشان می دهد؛ البته نسبت به نویز و حمله ی هندسی چرخش واکنشی بسیار شکننده دارد.

برنج از مهمترین غلات و اقلام غذایی جهان می باشد. نیمی از مردم جهان به برنج به عنوان یک غذای اصلی وابسته هستند. برنج غذای اصلی مردم آسیا و منبع اصلی پروتئین است. تنها در آسیای جنوبی، غذای اصلی 80% مردم ،برنج می باشد. پردازش تصویر، تکنولوژی تهیه و آنالیز تصاویر یک صحنه واقعی به وسیله کامپیوتر در راستای کسب اطلاعات یا کنترل یک پروسه است. نمونه بارز کاربرد پردازش تصویر، صنایع غذایی است. می توان با کمک بینایی ماشین، خصوصیات تصویر را استخراج نمود و از آن برای تشخیص و شناسایی کیفیت انواع محصولات استفاده کرد.روش های سنتی ارزیابی حسی در تعیین کیفیت مواد غذایی کاربرد زیادی دارند ولی این روش ها زمانبر و پرهزینه هستند. همچنین شرایط فیزیکی انسان مثل خستگی یا حتی شرایط روحی می تواند بر نتیجه کار تاثیرگذار باشد این عوامل سبب ایجاد انگیزه برای توسعه روش های جانشین است که در زمان کمتر و با دقت بیشتر خصوصیات کلیدی محصول را ارزیابی کنند. در سال های اخیر پژوهش های محدودی به منظور کیفیت سنجی و درجه بندی برنج با استفاده از فناوری بینایی ماشین انجام شده است. هدف از این پایان نامه، ارائه یک سیستم تشخیص ارقام و اصالت برنج با دقت بالا و کارامد می باشد. این پایان نامه به سه بخش اصلی تقسیم شده است. در بخش اول و دوم، تشخیص ارقام برنج به صورت دانه ای و توده ای مورد بررسی قرار گرفته اند. بخش سوم پایان نامه نیز، به بحث اصالت سنجی برنج می پردازد. منظور از اصالت سنجی برنج، تشخیص برنج اصل از ترکیبی می باشد. گام های تشخیص دانه ای ارقام برنج شامل تصویربرداری، قطعه بندی، استخراج ویژگی، انتخاب ویژگی و طبقه بندی می باشد. بعد از قطعه بندی، از هر دانه ی برنج سه نوع ویژگی شکلی، رنگی و بافتی استخراج شده است. با استفاده از چهار الگوریتم انتخاب ویژگی، ویژگی های برتر پیدا شدند. این ویژگی ها، ورودی شش طبقه بندی کننده بودند. بهترین ترکیب بین روش های انتخاب ویژگی و طبقه بندی کننده ها، مربوط به ویژگی های انتخاب شده توسط الگوریتم رقابت استعماری و ماشین بردار پشتیبان بود که به دقت بیش از 95 درصد رسید. سپس با استفاده از ویژگی های انتخاب شده توسط الگوریتم رقابت استعماری و چهار طبقه بندی کننده، یک طبقه کننده ی ترکیبی مورد استفاده قرار گرفت. تکیه اصلی در تشخیص توده ای ارقام برنج،بر اساس استخراج ویژگی های بافتی استوار است. شش مجموعه ویژگی شامل ماتریس هیستوگرام، هم رویدادی، طول گام، موجک، گبور و الگوی دودویی باینری از تصاویر توده ای برنج استخراج گردید. با استفاده از الگوریتم رقابت استعماری، برترین ویژگی ها پیدا شده و از چهار طبقه کننده، جهت طبقه بندی استفاده شده است. بهترین نتایج، با استفاده از ماتریس طول گام و ماشین بردار پشتیبان به دست آمد. برای بالابردن کارایی سیستم تشخیص توده ای ارقام برنج، با استفاده از رای گیری وزن دار، روشی ترکیبی ارائه شده است. ممکن است یک رقم برنج با خواص کیفی مطلوب با اهدافی مثل سودجویی، با ارقام با کیفیت پایین که از نظر ظاهری مشابهت فراوانی دارند مخلوط شود. تشخیص درست برنج اصل از ترکیبی و تعیین میزان ناخالصی در رقم اصلی، یکی از چالش های مطرح می باشد. جهت تشخیص برنج اصل از ترکیبی، از ویژگی های بافتی و رگرسیون استفاده شده است. برای کم کردن خطا، از یک شبکه عصبی درمرحله بعد جهت ترکیب نتایج استفاده شده است.

درک معنایی صحنه های دنیای واقعی، در حالی که برای انسان کاملا روشن و واضح است، چالشی است که هنوز در بینایی ماشین بطور کامل حل نشده است. شناسایی اشیای موجود در محیط و درک موقعیت آنها، بخشی از روش های تحلیل صحنه توسط ماشین می باشد. روش های قدیمی تر شناسایی و تشخیص اشیاء معمولا بر اساس تصاویر دوبعدی، که نگاشت دنیای سه بعد در دوبعد هستند، می باشد. اطلاعات مربوط به فاصله اشیای صحنه در اینگونه تصاویر مهیا نبوده و همچنین تاثرپذیری زیاد تصاویر دوبعدی از تغیرات نوری و سایه ها کار را مشکل تر کرده است. از آنجا که روش های دریافت اطلاعات سه بعدی سطوح توسط سخت-افزارهایی مانند اسکنرهای سه بعدی و لیزرها محبوبیت پیدا کرده اند، روش های جدید به سمت استفاده از داده هندسی سه بعدی در تشخیص شئ برای غلبه بر مشکلات روش های تحلیل تصاویر دوبعدی حرکت کرده-اند. علیرغم اینکه هم اطلاعات نوری و رنگ و هم اطلاعات هندسه سطوح در درک صحنه انسان را کمک می-کنند، غالب روش ها تنها از یک نوع داده دو یا سه بعدی استفاده می کنند که وجود مشکلاتی در هر یک از آنها بدیهی بنظر می رسد. لذا در این پایان نامه سعی شده است از هر دو نوع اطلاعات مربوط به رنگ و هندسه سه بعدی سطوح اشیای موجود بمنظور درک صحنه استفاده گردد. در این پایان نامه دو روش جدید بر اساس ترکیب اطلاعات دوبعدی و سه بعدی بمنظور در نظر گرفتن همه اطلاعات مهم دوبعدی و سه بعدی ارائه شده است. در روش پیشنهادی اول با در نظر گرفتن اهمیت اطلاعات روشنایی و رنگ اشیای صحنه و اهمیت زمان پردازش در سیستم های بلادرنگ، اساس کار برپایه تصاویر دوبعدی انجام شده است. در این روش بمنظور تحلیل صحنه و درک معنایی آن ناگزیر به استخراج ویژگی ها و یافتن تطبیق با ویژگی های مستخرج از مدل شی می باشیم. ویژگی های اولیه بر اساس شباهت نوری با هم تطبیق داده شده و بدلیل امکان وجود اشتباهات تطبیقی میان ویژگی هایی بر اساس نور و رنگ، سطح هندسی آنها نیز بررسی شده و درصورت تشابه هندسی نیز تایید صحت تطبیق ها انجام می شود. نتایج ایجاد شده ا ز این روش، نسبت به نتایج حاصل از الگوریتم های دوبعدی از دقت بیشتری برخوردار می باشد. در روش دوم با درنظر گرفتن قدرت بیشتر هندسه فضایی سطوح در تحلیل و درک صحنه در برابر اطلاعات رنگ و روشنایی، از اطلاعات سه بعدی بعنوان اساس کار استفاده شده است. در این روش بر اساس ارتباط هندسی نقاط سه بعدی و زاویه دید شئ ویژگی عمومی استخراج شده و بر اساس آن اشیاء با درجه شباهت بیشتر بعنوان کاندید منطبق با شئ مورد نظر استخراج شده اند. همچنین بمنظور افزایش دقت سیستم، ویژگی های محلی دوبعدی شی نیز استخراج شده و در مرحله دوم پس از انتخاب کاندیدها بر اساس اطلاعات سه بعدی، انتخاب نهایی شئ بر اساس اطلاعات دوبعدی انجام می شود.

طبیعت انواع متنوعی از بینایی دیدگسترده را در برخی از موجودات زنده ارایه نموده است. قابلیت‎های این نوع از بینایی و افزایش قدرت پردازش رایانه‎ها و کاهش هزینه تجهیزات ویدئویی باعث شده که این موضوع در بینایی ماشین مورد توجه قرار گیرد. جذابیت و توانایی‎های منحصر به فرد این نوع از بینایی باعث شده که محققین زیادی در این زمینه فعالیت کنند و هر کدام به جنبه‎ای خاص از این نوع بینایی بپردازند. از سوی دیگر به دلیل مشکلات ذاتی که این نوع از بینایی با آن مواجه است باعث شده که تصاویر خروجی سیستم های دیدگسترده ایدال نباشند. از جمله این مشکلات می‎توان به رزولوشن موثر کمتر و اعوجاج جانبی اشاره نمود. از سوی دیگر بسیاری از محققان بینایی کامپیوتر به سیستم‎های تصویر برداری پرسپکتیو معمولی با زاویه دید محدود و رزولوشن نقطه‎ای بالا روی آورده‎اند. این سنسورهای نوری اطلاعات زیادی را از بخش محدودی از فضای صحنه فراهم می‎کنند و به دلیل رزولوشن بالا و نبودن اعوجاج در تصویر می‎توانند برای بسیاری از الگوریتم‎های بینایی ماشین همانند شناسایی و تعقیب اشیاء در تصویر، عالی عمل کنند. اما محدود بودن زاویه دید و کسب اطلاعات فضای زاویه‎ای کوچک صحنه در هر لحظه از زمان باعث شده که این نوع از بینایی در بسیاری از کاربردها نتواند بصورت مطلوب عمل نمایند. هدف اصلی این پایان نامه طراحی و ساخت یک سیستم تصویربرداری ایدآل است که علاوه بر پوشش فضای زاویه ای 360 درجه‎ای محیط، بتواند به صورت هماهنگ و کنترل شده یک تصویر با رزولوشن بالا از ناحیه مورد نظر از فضای کاری سیستم تصویر برداری را تهیه نماید. به همین منظور ایده استفاده از یک سیستم ترکیبی شامل یک سیستم تصویر برداری کاتادیوپتریک ویژه متشکل از یک دوربین و آینه هذلولی برای ایجاد تصویر دیدگسترده، و یک دوربین پرسپکتیو متحرک مطرح شده است. سیستم بینایی دیدگسترده پیشنهاد شده دارای بخش‎های سخت افزاری و نرم افزاری مختلفی برای سنکرون کردن هر دو نوع بینایی می‏باشد. در این پایان‎نامه روند طراحی، ساخت، و کالیبراسیون و سنکرون کردن این سیستم بینایی پیشنهادی بررسی خواهد شد و راهکارهای مناسب در هر حوزه ارائه می‏شود. بینایی دیدگسترده ترکیبی پیشنهادی، یک روش جدید بینایی است. این سیستم بینایی می‎تواند سنسور‎ ارزشمندی در زمینه روبات‏های متحرک باشد، چرا که این سنسور می‎توانند در یک فریم، یک تصویر گسترده از اطراف روبات را تهیه کنند و در عین حال بر روی یک موضوع در صحنه تمرکز نماید و تحلیل های نهایی را اعمال کند. برای نمایش بعضی از خصوصیت‏های کاربردی این سیستم بینایی تصمیم گرفته شد تا سیستم تصویر برداری پیشنهادی در قالب یک روبات متحرک ارائه شود. برای نمایش توانمندی این سیستم از مثال ‎ردیابی و تعقیب یک شی رنگی در صحنه استفاده شده است. نتایج حاصل نشان می‎دهد که سیستم تصویر برداری دیدگسترده ترکیبی می‎تواند به خوبی در زمینه روبات‎های متحرک استفاده شود. از دیدگاه دیگر به منظورتشخیص و ارزیابی دقیق اشیای موجود درصحنه، نیاز به تحلیل مناسبی از داده‎های صحنه می‎باشد. به دلیل کم هزینه بودن و در دسترس بودن تصاویر دوبعدی، تا مدت‎ها استفاده از اینگونه تصاویر مرسوم بوده است. پیشرفت‎های اخیر درتصویر برداری سه‎بعدی زمینه‎های جدیدی را برای شناسایی اشیاء ایجاد کرده است. تصاویر فاصله یا همان تصاویر سه‎بعدی، ساختار اشیاء را بهتر از شدت نوری که ازخود منعکس می‎کنند، نشان می‎دهد. یکی از مشکلات الگوریتم‎های سه‎بعدی، درک ماهیت هندسی اشیاء بدون درنظر گرفتن رنگ و بافت رنگی آنها می‎باشد. بعنوان مثال در چنین سیستم‎هایی تشخیص جسمی قرمز رنگ در میان اجسام مشابه عملاً امکانپذیر نمی‎باشد. همچنین بسته به دقت سخت‎افزار مورداستفاده، ممکن است اطلاعات هندسه سه‎بعدی برخی اجسام بخوبی استخراج نشده و باعث کاهش دقت سیستم گردد. از جمله اهداف دیگر پایان‎نامه، برای غلبه بر مشکلات روش های تحلیل دو و همچنین سه‎بعدی ساخت یک سیستم فاصله سنجی لیزری مبتنی بر بینایی پرسپکتیو است. یکی از ویژگی‎های مهم این فاصله‎سنج آن است که می‏تواند تصاویر رنگ و فاصله منطبق بر هم ایجاد نماید تا از این اطلاعات به منظور افزایش دقت شناسایی شئ و تحلیل صحنه، برمبنای ترکیب اطلاعات سه‎بعدی باتصاویر رنگی استفاده کرد. در نهایت برای نشان دادن فواید تحلیل صحنه بر اساس ترکیب رنگ و فاصله، روش جدید ناحیه‎بندی چند سطحی تصویر بر مبنای الگوریتم مورفولوژی watershed بیان شد. الگوریتم ارائه شده ناحیه‎بندی چند سطحی با استفاده از چندین تصویر آزمایش گردید و قابلیت و توانایی الگوریتم فوق با مقایسه ناحیه‎بندی تصاویر نسبتا پیچیده مشخص گردید.

یادگیری تقویتی با مسئله یادگیری عامل هوشمند برای انتخاب اعمال به منظور بیشینه کردن کارایی عامل سروکار دارد. استفاده از مهارت ها در یادگیری تقویتی، سبب سرعت بخشیدن به کارکرد عامل می شود. یافتن اهداف میانی و ایجاد مهارت برای دست یابی به آنها، مسئله ای کلیدی در کشف خودکار مهارت می باشد. با کشف اهداف میانی و تعیین تابع سیاست دست یابی به آنها، عامل قادر به اکتشاف موثرتر ویادگیری سریع تر در کارهای دیگر در محیط های یکسان یا مشابه است. در این پژوهش، از رویکرد مبتنی بر گراف برای کشف اهداف میانی استفاده شده است. دو مدل آماری برای خوشه بندی گراف ارائه گشته است. مهارت ها به صورت زیر سیاست هایی تعریف می شوند که انتقال موثر از یک خوشه به خوشه دیگر را برای عامل فراهم می سازند. مجموعه داده های شناخته شده در خوشه بندی گراف و مثال اتاق ها در یادگیری تقویتی مورد استفاده قرار گرفته اند و نتایج بدست آمده نشان دهنده کارایی روش ارائه شده می باشد.

دسترسی آسان به اینترنت به همراه ذخیره سازی و ضبط دیجیتال نسبتاً ارزان، دورانی را ایجاد کرده است که در آن امکان تغییر غیر مجاز داده ها از جمله کپی ، توزیع، استفاده وجعل با سرعت چشمگیری افزایش یافته است لذا حفاظت از داده، یک نیاز حیاتی است و روش های مختلفی برای آن ارائه گردیده است. یکی از این روش ها نشانه گذاری می باشد. نشانه گذاری به فرآیند تعبیه کردن نشانه در داخل تصویر میزبان برای کاربردهایی چون اثبات مالکیت ،شناسایی صاحب اثر، اطمینان از تغییر نیافتن محتوی، کنترل کپی، بایگانی اطلاعات و غیره اطلاق می شود. در این پایان نامه، سه الگوریتم برای نشانه گذاری مقاوم تصاویر رنگی رقمی در حوزه ی تبدیل موجک گسسته با استفاده از تبدیل مقادیر تکین و آنالیز مولفه های مستقل ارائه شده است. در الگوریتم اول که یک روش نیمه کور می باشد، ابتدا تصویر اصلی را از فضای رنگی rgb به فضای رنگی yuv انتقال می دهیم. سپس از هریک از مولفه های رنگی چند مرحله تبدیل موجک گسسته گرفته شده و زیرباند فرکانس پایین هر مولفه به عنوان تصویر مرجع انتخاب می شود. از تصاویر مرجع یک مرحله ی دیگر تبدیل موجک گسسته گرفته می شود و مقادیر تکین تمام زیرباندهای فرکانسی محاسبه می گردد. همچنین از تصویر نشانه نیز یک مرحله تبدیل موجک گسسته گرفته شده و مقادیر تکین زیرباندهای فرکانسی تصویر نشانه نیز به دست آورده می شود. سپس، مقادیر تکین زیرباندهای فرکانسی تصویر نشانه در مقادیر تکین زیرباندهای فرکانسی متناظر تصاویر مرجع به صورت افزونه تعبیه می شود. الگوریتم دوم، برای جاسازی نشانه دقیقاً همانند الگوریتم اول عمل می کند با این تفاوت که در مرحله ی استخراج نشانه از متد آنالیز مولفه های مستقل استفاده می شود. استفاده از آنالیز مولفه های مستقل در مرحله استخراج نشانه نتایج بهتری را از لحاظ کیفیت نشانه ی استخراجی به دست می دهد. نتایج استخراج روش پیشنهادی به میزان زیادی نتایج روش های مشابه در مرحله ی جاسازی را بهبود بخشیده است. در الگوریتم سوم، ضعف اصلی الگوریتم های اول و دوم (نیاز به تصویر مرجع برای بازیابی مقادیر تکین جاسازی شده) برطرف شده است. لذا این روش یک روش کور می باشد. در این روش، زیرباندهای فرکانسی مرحله ی آخر تبدیل موجک مولفه های رنگی تصویر میزبان به بلوک های 2×2 تقسیم شده و بیت های مقادیر تکین به ترتیب در داخل بلوک های زیرباندهای فرکانسی جایگذاری می شوند. در این الگوریتم برای طراحی استخراج کننده ی کور از آرایه های شبه باینری مخصوصی استفاده کرده ایم. شفافیت تمامی الگوریتم های ارائه شده در حد بسیار خوبی بوده به طوری که تصاویر نشانه-گذاری شده توسط این الگوریتم ها هیچ گونه تغییر یا خرابی قابل تشخیص توسط سیستم بینایی انسان را بروز نمی دهند. برای تست پایداری، هجوم های مختلفی از جمله فیلتر میانگین، اضافه کردن نویز، فشرده سازی jpeg، چیدن تصویر، چرخش تصویر، تغییر اندازه و تنظیم کنتراست بر روی تصاویر نشانه گذاری شده امتحان گردید. روش های ارائه شده توانایی پایداری در برابر اکثر این حملات را داشته و قادرند نشانه را با کیفیت خوبی استخراج کنند.

در سالهای اخیر توجه زیادی به سمت کشف خوشه ها در خصوصیات شبکه های مختلف معطوف شده است. شبکه هایی نظیر اینترنت، وب گسترده جهانی، شبکه حمل و نقل، شبکه های ایمیل، شبکه-های اجتماعی و زیستی و... مثال هایی از این نوع شبکه ها هستند. به فرآیند گروه بندی کردن راس های گراف به داخل خوشه ها بطوری که در داخل هر خوشه تراکم یال ها زیاد و بین خوشه ها تراکم نسبتا کم باشد خوشه بندی کردن گراف گفته می شود. در سال های اخیر الگوریتم های زیادی برای شناسایی این ساختارها توسعه داده شده اند. از آنجایی که در کاربردهای واقعی اندازه داده ها با سرعت زیادی افزایش می یابد، کارایی الگـوریتم های کلاسیک برای گراف های بزرگ کاهش پیدا می کند. درچنین وضعیتی الگوریتم های خوشه بندی مبتنی بر مدل، یک جایگزین مناسب برای نوع های کلاسیک هستند. کارایی الگوریتم های خوشه بندی گراف مبتنی بر مدل به مقداردهی اولیه صحیح پارامترهای آن وابسته است. به همین منظور، در این پایان نامه یک الگوریتم تکاملی به منظور پیدا کردن مقادیر مناسب برای الگوریتم های خوشه بندی گراف مبتنی بر مدل ارائه شده است. روش ارائه شده هم بر روی داده-های شبیه سازی شده و هم بر روی داده های واقعی مورد آزمایش قرار گرفته است و نتایج بدست آمده نشان دهنده افزایش کارایی روش پیشنهادی در مقایسه با مقداردهی تصادفی پارامترها است

سیستم های توصیه گر، سیستم هایی هستند که برای پیشنهاد کردن آیتم هایی بکار برده می شوند که انتظار می رود این آیتم ها مورد علاقه کاربر قرار گیرند. در سیستم های توصیه گر یک تکنیک پر کاربرد به نام سیستم های پالایش گروهی وجود دارد. این سیستم ها بر این فرضیه استوارند که می-توان اولویت های تعریف شده برای آیتم ها از سوی تعدادی از کاربران را برای سایر کاربران هم به اشتراک گذاشت. بنابراین، در این سیستم ها، هدف اصلی، یافتن یک گروه از شبیه ترین کاربران به کاربر فعال است. معیارهای شباهت، یکی از رایج ترین روش ها برای یافتن کاربران مشابه به کاربر فعال است. با استفاده از این روش، میزان شباهت کاربران نسبت به هم اندازه گیری شده و نهایتاً بر اساس این معیار ها، شبیه ترین کاربران به کاربر فعال به عنوان کاربران همسایه انتخاب می شوند. در این روش ها، برای انتخاب کاربران همسایه، محاسبات بر اساس ماتریس امتیازات کاربران به آیتم ها انجام می شود. اما این روش با چالش هایی مانند خلوت بودن ماتریس امتیازات، محاسبات اضافه و همچنین مشخص نبودن تعداد بهینه کاربران همسایه روبرو است. بعلاوه، در توصیه کردن آیتم ها روش هایی وجود دارند که خیلی از اطلاعات آماری امتیازات استفاده نمی کنند. یک راهکار دیگر برای یافتن کاربران مشابه به کاربر فعال، استفاده از روش های خوشه بندی است. از روش های خوشه بندی برای دسته بندی کردن کاربران در قالب خوشه هایی استفاده می شود که کاربران یک خوشه دارای بیشترین شباهت به هم هستند. در این پایان نامه دو راهکار مبتنی بر خوشه بندی، برای یافتن کاربران شبیه به هم در سیستم های پالایش گروهی پیشنهاد شده است. در راهکار اول، سعی شده است که با استفاده از روش های پیش پردازش مانند انتخاب ویژگی، تعدادی از آیتم های غیر موثر از مجموعه آیتم ها قبل از اعمال روش های خوشه بندی جهت یافتن کاربران همسایه، حذف شوند. نتایج آزمایشات نشان دهنده بهبود کارایی این روش است. در راهکار پیشنهادی دوم، یک روش جدید برای یافتن کاربران ارائه شده است که در این روش نیاز به مشخص نمودن تعداد خوشه ها برای خوشه بندی نیست. در این روش با استفاده از زیر مجموعه ای از آیتم های مورد علاقه کاربران که توسط چند کاربر امتیاز بالایی دریافت کرده اند، کاربران شبیه بدون در نظر گرفتن اینکه دارای امتیازات داده شده به آیتم های مشترکی باشند، در یک درخت همسایگی جای می گیرند. نتایج آزمایشات نشان می دهد که این روش بدون داشتن پارامتر نامشخصی مانند تعداد خوشه توانسته است که به بهترین نتایج روش خوشه بندی قبل به ازای تعداد خوشه های مختلف و حتی نتایجی بهتر از آنها دست یابد.

امروزه کاربردهای واقعی طبقه بندی که مجموعه های داده ای با حجم زیاد تولید می کنند به سرعت در حال افزایش هستند. بسیاری از این مجموعه های داده ای دارای تعداد زیادی ویژگی به نسبت تعداد کم الگوها هستند. بسیاری از این ویژگی ها، اغلب نامناسب و دارای افزونگی می باشند. این ویژگی ها می توانند تاثیر منفی بر روی عملکرد سیستم طبقه بندی داشته باشند. یک تکنیک مهم برای غلبه بر این مشکل، انتخاب ویژگی است. هدف انتخاب ویژگی، انتخاب زیرمجموعه ای از ویژگی های مناسب از بین مجموعه ویژگی های اولیه، برای بهبود دقت طبقه بندی است. معمولاً جستجوی جامع برای پیدا کردن زیرمجموعه ویژگی بهینه به لحاظ هزینه محاسباتی غیر ممکن است. بنابراین انتخاب ویژگی تبدیل به یک چالش عمده در شناسایی الگو و یادگیری ماشین شده است. در این پایان نامه، چهار روش انتخاب ویژگی جدید مبتنی بر راهکار فیلتر ارائه می شود. در روش اول، فضای جستجو به صورت گراف بازنمایی شده و سپس با استفاده از الگوریتم بهینه سازی کلونی مورچه ها مناسب بودن هر ویژگی تعیین خواهد شد. مزیت عمده روش پیشنهادی، استفاده از الگوریتم مبتنی بر هوش جمعی در راهکار فیلتر است که از هیچ طبقه بندی کننده ای در فرآیند انتخاب ویژگی استفاده نمی کند. همچنین شباهت مابین ویژگی ها در تعیین مناسب بودن آنها درنظر گرفته می شود که منجر به کاهش افزونگی خواهد شد. روش های پیشنهادی دیگر بر اساس روش پیشنهادی اول ارائه شده است. در روش پیشنهادی دوم، مناسب بودن هر ویژگی به تنهایی محاسبه شده و در فرآیند انتخاب ویژگی در نظر گرفته می شود. در روش پیشنهادی سوم، انتخاب ویژگی افزایشی معرفی می شود که در آن شباهت ویژگی جدید با زیرمجموعه ویژگی های انتخاب شده قبلی محاسبه می شود. در نهایت، مفهوم سرد شدن تدریجی برای کنترل تصادفی بودن الگوریتم بهینه سازی کلونی مورچه ها در روش پیشنهادی چهارم بکار برده شده است. عملکرد روش های پیشنهادی با 11 روش انتخاب ویژگی شناخته شده تک متغیره و چند متغیره، با استفاده از طبقه بندی کننده های مختلف مقایسه شده است. نتایج آزمایشات کارایی روش های پیشنهادی و بهبود روش های انتخاب ویژگی قبلی را نشان می دهد. همچنین روش های پیشنهادی زیرمجموعه ویژگی های کوچکتری را نسبت به روش های دیگر پیدا می کنند.

زبان کردی که در دسته زبان های هندواروپایی می باشد، توسط ساکنان مناطق وسیعی در کشورهای ایران، عراق، ترکیه و سوریه مورد تکلم قرار می گیرد. علی رغم جمعیت بالای متکلمان زبان کردی، این زبان در دسته زبان های کم منبع قرار دارد و چندان مورد توجه پژوهشگران حوزه پردازش زبان به ویژه بازیابی اطلاعات و پردازش زبان طبیعی قرار نگرفته است. بر همین اساس، با هدف ارائه راه حل و رفع مشکل تنک بودن منابع، اخیرا پروژه پردازش زبان کردی (klpp) در دانشگاه کردستان شروع به کار کرده است. هدف اصلی پروژه، ارائه منابع و ابزارهای ضروری برای پردازش متون زبان کردی می باشد. این گزارش، خروجی های یک پایان نامه ارشد را که در چارچوب klpp به انجام رسیده است، گزارش می کند. اولین خروجی این پروژه، مجموعه پ?وان است، که شامل تعداد زیادی از اسناد نوشته شده به سورانی و کرمانجی –دوگویش اصلی زبان کردی- می باشد. این مجموعه یک منبع زبان شناسی غنی محسوب می شود و بصورت گسترده در تمامی بخش های این پایان نامه برای تسهیل توسعه سایر ابزاها مورد استفاده قرار گرفته است. به دنبال ساخت این مجموعه اسناد، ما مجموعه آزمون پ?وان را به عنوان یک سنگ محک برای سیستم های بازیابی اطلاعات کردی، ایجاد می کنیم. پس از تولید این پیش نیاز ضروری، ما بر روی اهداف اصلی این پایان نامه، که شامل ساخت یک ریشه یاب، یک هسته یاب و یک غلط گیر، برای زبان کردی به طور عام و برای گویش سورانی به طور خاص می باشد، تمرکز می کنیم. برای این هدف، ابتدا ژ?ده ر، یک ریشه یاب مبتنی برقاعده (پشتیبانی کننده از هر دو گویش سورانی و کرمانجی) ایجاد و تاثیر آن را بر بهبود کارایی موتورهای جستجوی کردی نشان می دهیم. سپس، په ی?، یک هسته یاب مستقل از فرهنگ لغت را ارائه می کنیم، که توانایی استخراج هسته کلمات مشتق (افعال یا اسامی) را دارد. په ی?، مبتنی بر مجموعه ای از قواعد ساخت واژه می باشد، که آن ها را از گویش سورانی گردآوری کرده ایم. در نهایت، ??نووس را که یک ابزار غلط گیر متون سورانی می باشد، ارائه می کنیم. غلط گیر از روش های آماری، مبتنی برقاعده و فرهنگ لغت بهره می برد. ??نووس تنها برای تشخیص کلمات اشتباه ارائه نشده است، بلکه می تواند یک لیست از جایگزین های بالقوه را به کاربر پیشنهاد کند. بسیار علاقه مندیم به این نکته اشاره شود که تمامی راه حل های ارائه شده در این پایان نامه، پیاده سازی و کارایی آن ها به صورت تجربی از طریق مطالعات آزمایشی مختلف بررسی شده است. اضافه بر آن، تمامی منابع زبان شناسی و ابزارهای نرم افزاری ارائه شده در طول این پایان نامه، به صورت دسترسی آزاد، در اختیار جامعه پژوهشی قرار گرفته است. امیدواریم که این کار، پژوهش های بیشتر در حوزه پردازش زبان کردی را موجب شود.

در این پایان نامه آشکارسازی صورت به کمک فیلترهای هارمانند بهبود یافته بررسی شده است. یکی از مشکلات سیستم های آشکارسازی صورت مبتنی بر ویژگی های هارمانند، استفاده از دو مقدار 1+ و 1- برای بخش های مستطیلی شکل ویژگی ها و تأکید بر مستطیلی بودن ویژگی هاست که انعطاف پذیری و کارایی این ویژگی ها را کاهش می دهد. در این پایان نامه سه روش جدید برای طراحی ویژگی های هارمانند ارائه شده است. در اولین روش، که منجر به تولید فیلترهای هارمانند شکل پذیر دلخواه شد، با شبکه بندی ناحیه داخلی فیلتر هارمانند و ایجاد چندین ناحیه، علاوه بر استفاده از مقادیر 1+ و 1- برای نواحی مختلف فیلتر، از مقدار 0 نیز استفاده شد. مقدار 0 با ایفای نقش خنثی کنندگی ناحیه، قابلیت شکل پذیری و انعطاف پذیری فیلترها را افزایش می دهد. استفاده از این فیلترها دقت الگوریتم را به میزان 0.54 درصد نسبت به فیلترهای هارمانند معمول بهبود بخشید. البته انتظار می رود با اجرای بهینه الگوریتم و با افزایش ابعاد فیلتر دقت فیلترهای ارائه شده به میزان زیادی افزایش یابد. در دومین روش که منجر به تولید فیلترهای هارمانند چندمقداره شد به جزء مقادیر 1+ و 1- و 0 برای نواحی مختلف فیلتر، از مقدارهای مختلف متقارن نظیر 05+ و 0.5- و یا 0.25+ و 0.25- نیز استفاده شد که قابلیت شکل پذیری و انعطاف پذیری فیلترها را نسبت به فیلترهای قبل افزایش داد. استفاده از این فیلترها نیز دقت الگوریتم را به میزان 9.02 درصد نسبت به فیلترهای هارمانند معمول و به میزان 8.48 درصد نسبت به فیلترهای هارمانند شکل پذیر دلخواه بهبود بخشید. با افزایش تعداد مقادیر متقارن استفاده شده در فیلترها و نیز افزایش ابعاد فیلترها، می توان دقت این فیلترها را نیز به میزان زیادی بهبود داد. در سومین روش که منجر به تولید فیلترهای هارمانند فازی شد می توان از مقادیر پیوسته در بازه ] 1+, 1-[ برای نواحی مختلف فیلتر استفاده کرد که علاوه بر قابلیت شکل پذیری و انعطاف پذیری فیلترها، تطبیق بهتر فیلترها بر الگوهای مختلف صورت را نیز افزایش می دهند. با استفاده از این فیلترها در مسأله آشکارسازی صورت دقت 66.33 درصد به دست آمد. با وجود اینکه فیلترهای فازی ارائه شده در حالت تئوری بسیار مناسب تر از فیلترهای هارمانند قبلی هستند ولی دقت عملی الگوریتم بسیار پایین بوده است که این امر به دلیل عدم آموزش مناسب سیستم بوده است، زیرا آموزش این سیستم به ازای 100 هزار فیلتر فازی به مدت2 ماه طول کشید، در نتیجه به دلیل عدم دسترسی به کامپیوترهای قوی تر، امکان اجرای طولانی تر الگوریتم و دستیابی به نتایج عملی بهتر امکان پذیر نشد. کلید واژه- آشکارسازی صورت، فیلترهای هارمانند، سیستم فازی، الگوریتم یادگیری تطبیقی تقویتی، طبقه بندهای ضعیف، الگوریتم viola & jones، تشخیص الگو.

در یادگیری ماشین، داده های آموزشی نقش مهمی را در تعیین کارایی الگوریتم یادگیری ایفا می کنند. تعداد این داده های آموزشی در طول زمان افزایش می یابد وداده های جدیدی از راه می رسد. این داده های جدید، ممکن است دید جدیدی از داده های قبلی را ارائه دهند یا توزیع آماری داده ها را تغییر دهند. از این رو، فهمیدن اهمیت داده های جدید و اجازه به این داده ها، برای نقش داشتن در آموزش، به منظور افزایش کارایی سیستم یادگیر، کاری بس زیرکانه است. آموزش دوباره ی سیستم یادگیر با همه ی داده ها، و کنار گذاشتن همه ی تجربه ی یادگیری گذشته، یکی از راه حل ها برای این مسئله است ولی این روش دارای نقص هایی می باشد ازجمله اینکه این روش نا کارآمد است و همچنین، این روش قادر به نگه داری دانش قبلی نمی باشد. در این پایان نامه، ما چهار روش ارائه نمودیم. در روش اول، ما سیستم یادگیری افزایشی برای دسته بندی متن ارائه نمودیم، که در این سیستم، برای هر دسته ی آموزشی از یک دسته بند ماشین بردار پشتیبان برای یادگیری آن استفاده نمودیم و سپس، برای دسته بند بعدی علاوه بر دسته ی آموزشی آن دسته، از بردارهای پشتیبان دسته های آموزشی قبلی به اضافه ی داده های غلط دسته بندی شده ی مجموعه های تصدیق دسته های آموزشی قبلی استفاده نمودیم. در روش دوم برای اینکه بتوانیم میزان معیارهای ارزیابی کارایی را افزایش و خطای دسته بندی را کاهش دهیم به جای استفاده از تنها یک دسته بند برای هر دسته ی آموزشی، از چند دسته بند برای هر دسته ی آموزشی استفاده نمودیم و همچنین، به جای در نظر گرفتن وزن یکسان به هر دسته بند برای تاثیر در ترکیب خروجی ها، از روش اول پایان نامه ی آقای علی دانش استفاده نمودیم که ایشان به ازای ترکیب هر دسته و دسته بند از وزن مستقلی استفاده نموده اند. در روش سوم، به منظور کامل کردن روش قبلی، برای هر دسته ی آموزشی از میان مجموعه ی دسته بندها، چندین دسته بند قابل قبول را انتخاب نمودیم هدف از ارائه این روش کنارگذاشتن دسته بندهای ضعیف و جایگزین کردن آنها با دسته بندهای قویی بود که با داده های آموزشی بیشتری آموزش دیده بودند بود که این امر اشاره به قابلیت خود تطبیقی سیستم پیشنهادی دارد. در روش چهارم با بسط روش سوم در هنگام گرفتن خروجی نهایی، نودهای ایجاد کننده ی نویز را حذف و نودهایی، برای افزایش کارایی دسته بندی اضافه نمودیم. عملکرد روش های پیشنهادی با پنج روش دیگر مقایسه شد. نتایج آزمایشات، کارایی روش های پیشنهادی و بهبود کارایی دسته بندی متن را نشان می دهد.

با توسعه ی سریع محیط جهانی وب، افراد می توانند دانش و اطلاعات خود را از طریق مجموعه ای از ابزارهای انتشار برخط نظیر سیستم های اشتراک گذاری برخط و یا سایت های تجارت الکترونیک، به اشتراک بگذارند. تاکنون ابزارهای زیادی جهت کنترل و سازماندهی این اطلاعات ارائه شده اند. سیستم های توصیه گر، نمونه ای از موفق ترین ابزارهای شخصی سازی وب هستند. مهم ترین وظیفه ی یک سیستم توصیه گر، شناسایی و معرفی آیتم های مورد علاقه ی کاربر در یک فضای بسیار بزرگ از آیتم های قابل انتخاب (مثل موسیقی، فیلم، کتاب، صفحه وب و ...) است. یکی از معروف ترین و پرکاربردترین سیستم¬های توصیه¬گر، روش پالایش گروهی می باشد که از شباهت بین کاربران برای انتخاب همسایگی و ایجاد توصیه استفاده می کند. با وجود اینکه این روش ها دقت بالایی در تولید پیشنهاد دارند، اما اغلب دارای ضعف هایی نیز می باشند. این روش ها برای محاسبه ی شباهت بین کاربران نیاز دارند که هر کاربر به تعداد زیادی از آیتم ها رتبه داده باشد که در دنیای واقعی به ندرت این اتفاق می افتد. یک راهکار برای برطرف کردن این مشکل استفاده از مفهوم اعتماد در کنار رتبه های ارائه شده توسط کاربر است که منجر به معرفی سیستم های توصیه گر مبتنی بر اعتماد شده است.

مسأله طبقه بندی داده های نامتعادل یکی از مسائلی است که اخیراً توجه زیادی از مهندسین و محققین را به خود جذب کرده است. داده¬های نامتعادل در واقع نوعی از داده¬هاست که در آن تعداد نمونه¬های یک کلاس نسبت به دیگر کلاس¬ها بسیار بیشتر (یا بسیار کمتر) است. در نتیجه الگوریتم¬های طبقه¬بندی¬کننده به کلاس اکثریت بایاس شده و در بیشتر موارد کلاس نمونه¬های ورودی جدید را از نوع اکثریت تشخیص می¬دهد که این امر منجر به کاهش کارایی آنها در مواجهه با این نوع داده می¬شود. یکی از پرکاربردترین تکنیک هایی که جهت برخورد با داده های نامتعادل به کار می رود، تغییر توزیع کلاس ها با روش های رایجی چون تکنیک های افزایش نمونه یا کاهش نمونه و همچنین سازگار کردن طبقه¬بندی¬کننده¬ها است. در این پایان¬نامه دو راهکار برای افزایش کارایی طبقه¬بندی کننده¬ها در مواجهه با داده¬های نامتعادل ارائه شده است. ایده اصلی در روش پیشنهادی اول استفاده از دو معیار تنوع و تفکیک پذیری در افزایش نمونه ی کلاس اقلیت است که معیار تنوع در جهت کاهش بیش یادگیری و معیار تفکیک پذیری با جلوگیری از تولید نمونه های ریسک پذیر، تأثیر مثبتی در متعادل سازی توزیع کلاس ها داشته است. روش پیشنهادی اول بر روی 11 مجموعه داده ای با سه نوع طبقه¬بندی¬کننده بر اساس شش معیار ارزیابی با چهار روش پیشین مورد مقایسه و ارزیابی قرار گرفته است. در روش پیشنهادی دوم طبقه¬بندی بیز ساده، به گونه¬ای تغییر داده شده است که در طبقه¬بندی کلاسهای اکثریت و اقلیت هزینه¬های متفاوتی را اعمال نماید. در این روش از ماتریس جریمه مناسب، به منظور کاهش بایاس طبقه-بندی¬کننده به سمت کلاس اکثریت استفاده شده است. نتایج کار بر روی نه مجموعه داده ای و با بهره گیری از شش معیار ارزیابی داده های نامتعادل و با استفاده از منحنی هزینه نهایی، دقت و عملکرد طبقه¬بندی¬کننده بیزین ساده با طبقه¬بندی¬کننده استاندارد مورد ارزیابی قرار گرفته است. طبق نتایج به دست آمده دقت روش پیشنهادی در بیشتر موارد افزایش یافته و یا قابل مقایسه با طبقه¬بندی¬کننده استاندارد می باشد و از طرفی با اعمال ماتریس جریمه، هزینه نهایی طبقه¬بندی¬کننده حساس به هزینه در بیشتر موارد، پایین تر از طبقه¬بندی¬کننده بیزین ساده استاندارد می باشد.

هدف از این پایان نامه ارائه سامانه ای هوشمند برای مشاوره تحصیلی و معرفی سبد انتخاب واحد تحصیلی بهینه بر اساس سابقه تحصیلی پیش بینی نمرات دانشجویان و همچنین الگوی رفتاری دانشجویان قبلی است. از این سیستم می توان در فرایندهای اتوماسیونی انتخاب واحد درسی برای اهداف مختلفی ازجمله انتخاب واحد صحیح تر، بهبود نتایج و کیفیت آموزش و همچنین افزایش انگیزش تحصیلی دانشجویان استفاده کرد. در روش ارائه شده، سوابق آموزشی دانشجویان رشته فناوری اطلاعات دانشگاه کردستان مربوط به نیمسال های تحصیلی اول تا پنجم و در طول 6 سال متوالی جمع آوری و با استفاده از روش های داده کاوی آموزشی تحلیل گردیده است. روش های خوشه بندی ساده و فازی در هنگام آموزش برنامه با استفاده از شبکه عصبی برای بهینه سازی نتایج پیش بینی نمرات مورداستفاده قرارگرفته است. پیش بینی نمرات با استفاده از طبقه بندی داده های ورودی و همچنین استفاده از خوشه بندی و اعلام دسته ایی نتایج خروجی برای بهینه سازی فرآیند و در جهت بهبود کیفیت مشاوره و همچنین معرفی سبد تحصیلی بهینه بر مبنای چارت تحصیلی و دروس ارائه شده توسط دانشکده ازجمله کارهای جدیدی است که در این پایان نامه انجام گردیده است. با توجه به پیش بینی های انجام شده در دروس اخذ نشده توسط دانشجو، سیستم به ارائه بهترین پیشنهاد بر اساس معیارهای مختلفی از قبیل وزن دروس، تعداد دروسی که درس موردنظر پیش نیاز آن هاست و همچنین بر اساس معیارهای موردنظر دانشجو (حداکثر معدل و یا اخذ بیشینه بهترین دروس ممکن) می پردازد تا دانشجو بتواند با دیدی روشن تصمیمات مناسب را در راستای انتخاب دروس در نیمسال جدید اتخاذ نماید. عمل به توصیه های این سیستم می تواند منجر به بهبود کیفیت تحصیلی دانشجو گردد. این پایان نامه ازلحاظ اینکه ترکیبی از فرایندهای مختلف از قبیل داده کاوی آموزشی و پیش بینی و مشاوره تحصیلی با توجه به سوابق تحصیلی دانشجو و دانشجویان قبلی و همچنین معرفی سبد بهینه انتخاب واحد تحصیلی است، در نوع خود جدید و در فرآیندهای آموزشی بسیار پرکاربرد می باشد.

امروزه با گسترش روز افزون استفاده از کامپیوتر و اینترنت در سراسر جهان، دسترسی و استفاده از اطلاعات دیجیتال به امری ساده تبدیل شده است. در همین راستا افراد می توانند داده های موردنیاز خود را به سادگی مبادله، پردازش و ذخیره نمایند. در مقابل این مزایا، یک مجموعه مشکلات جدید در ارتباط با حفاظت و امنیت داده ها و اطلاعات مانند نسخه برداری نامحدود، دست کاری و توزیع غیرمجاز داده ها، به وجود آمده است. بنابراین، محافظت از داده، یک نیاز اساسی است که روش های مختلفی برای آن ارائه شده است. یکی از روش های مهم و مورد توجه در زمینه حفاظت اطلاعات دیجیتال، روش نشانه گذاری است. نشانه گذاری به فرایند درج داده ی دیجیتال (نشانه) در یک سیگنال میزبان مانند تصویر، ویدئو، صوت و یا متن اطلاق می شود و برای کاربرد هایی چون تأیید محتوا، شناسایی صاحب اثر، کنترل کپی، جامعیت داده و اثبات مالکیت مورد استفاده قرار می گیرد. در سال های اخیر، روش های نشانه گذاری مبتنی بر رمزنگاری بصری مورد توجه پژوهش گران قرار گرفته است. مزیت اصلی این روش ها این است که داده ی نشانه بدون دست کاری داده ی میزبان، پنهان می شود و برای کاربردهایی که در آن ها اجازه هیچ گونه تغییری در داده ی میزبان وجود ندارد، بسیار مناسب هستند. لذا، در این تحقیق تلاش شده است تا با بررسی این روش ها، جهت بهبود کارایی و رفع ضعف های موجود راهکار هایی ارائه شود. در این پایان نامه، الگوریتمی برای بهبود پایداری روش های نشانه گذاری تصاویر مبتنی بر رمزنگاری بصری ارائه می شود. تمرکز اصلی الگوریتم پیشنهادی بر حوزه ی مکان روش های نشانه گذاری و به ویژه توجه به خصوصیات محلی و مقاوم هر پیکسل یا ناحیه از تصویر است. در واقع یک الگوریتم نشانه گذاری تصاویر مبتنی بر دسته بندی بلاک های تصویر و رمزنگاری بصری معرفی شده است که بر اساس آن بلاک های تصویر به دو کلاس هموار و ناهموار دسته بندی می شوند. در ادامه، با توجه به نتیجه ی دسته بندی بلاک ها و تکنیک رمزنگاری بصری دو تصویر اشتراکی تولید می شود و بازیابی نشانه تنها با استفاده از روی هم قرار گرفتن تصاویر اشتراکی اول و دوم، صورت می گیرد. در مرحله بازیابی نشانه در روش پیشنهادی، کلاس بعضی از بلاک های تصویر توسط طبقه بند به درستی تشخیص داده نمی شود که باعث استخراج همراه با خطای نشانه می شود. بنابراین در روش پیشنهادی دوم که بهبودی بر الگوریتم پیشنهادی اول است، به خصوصیات روش های نشانه گذاری بلوکی تصویر مبتنی بر رمزنگاری بصری بیشتر توجه می شود. به این صورت که با نادیده گرفتن بلاک های غیر پایدار تصویر و عدم استفاده از آن ها در فرایند نشانه گذاری، می توان پایداری الگوریتم نشانه گذاری را به میزان قابل توجهی افزایش داد.