ماهیت روابط تشریح کننده بسیاری از فرآیندها و روندهای واقعی زندگی اغلب غیر خطی هستند.لذا پیش بینی رفتار چنین فرآیندها و روندها نیازمند ابزارهای پیش بینی دقیق و اثر بخش است. لذا در این پایان نامه کاربرد شبکه های عصبی در پیش بینی سری های زمانی غیر خطی و مزیت آن بر مدل های پیش بینی معمول مورد مطالعه قرار گرفته است. بدین منظور داده های مربوط به صنعت چوب ایران را از سالهای 1961 تا 2007 میلادی مورد مطالعه قرار می دهیم. وسپس نتایج حاصل از اعمال شبکه های عصبی را با مدل های غیر خطی بدست آمده از نرم افزار matlab با توجه به شاخص میانگین مطلق درصدی خطا مورد مقایسه قرار می دهیم . مقایسه نتایج نشان می دهد عملکرد شبکه عصبی طراحی شده در مقایسه با روش های رگرسیونی در مطالعه اول 63/96 درصد، در مطالعه دوم 57/23 درصد و در مطالعه سوم 94/74 درصد داده های آزمون را بهتر پیش بینی کرده است.

یکی از عوامل تاثیرگذار بر سرمایه گذاری در بورس اوراق بهادار، افشای به موقع و قابل اتکای اطلاعات شرکت ها ست. معیارهای متعددی بر میزان شفافیت و افشای اطلاعات شرکت ها اثر گذارند اما شناخت و درصد تاثیر این عوامل بر میزان افشا، کار پیچیده ای بوده و از محدوده ی زمان و هزینه سرمایه گذار خارج است. سازمان بورس و اوراق بهادار، با توجه به معیارهای مندرج در دستورالعمل افشای اطلاعات شرکت ها و دقت اطلاعات ارائه شده، رتبه افشای اطلاعاتی شرکت ها را در دوره های 3 ماهه منتشر می کند تا از این طریق به سرمایه گذاری آگاهانه کمک کرده باشد. در این پژوهش، اهم مقالاتی که عوامل موثر بر افشای اطلاعات در بورس اوراق بهادار را در سطح ملی و بین المللی بررسی نموده اند مورد مطالعه قرار گرفت و 19 عامل با توجه به شرایط حاکم بر بازار سرمایه ایران انتخاب گردید. سپس با جمع آوری اطلاعات شرکت های بورس اوراق بهادار تهران در سال های مالی 85 ، 86 و 87 و استفاده از رویکرد داده کاوی و به طور اخص الگوریتم c5.0، عواملی که بیشترین تکرار را در مجموعه قوانین تولید شده به خود اختصاص داده اند را استخراج نمودیم که شامل : "سازمان حسابرسی کننده شرکت"، "بازده دارایی"، "نسبت بدهی" و "موظف یا غیر موظف بودن رئیس هیئت مدیره" می باشند. مرتب سازی این قوانین براساس رویکرد acs انجام شده و با بررسی عوامل چهارگانه فوق در قوانین مرتب شده می توان به عنوان یک سیستم خبره تصمیم گیری به سرمایه گذاران در تشخیص میزان شفافیت اطلاعاتی شرکت ها کمک نمود.

هدف از انجام این تحقیق مطالعه ی نحوه ی تاثیرگذاری رویکرد کارآفرینانه ی مالکان و مدیران کسب و کارهای کوچک بر رابطه میان عوامل آمادگی سازمانی، منافع درک شده، فشار بیرونی و پیاده سازی تجارت الکترونیک بوده است. جهت تجزیه و تحلیل داده ها و آزمون فرضیه ها، از آزمون تحلیل رگرسیون لجستیک استفاده شد. نتایج تجزیه و تحلیل داده ها با استفاده از روش رگرسیون لجستیک دوگانه تایید می کند که متغیرهای فشار بیرونی و منافع درک شده بر پیاده سازی تجارت الکترونیک تاثیر مثبتی می گذارند. همچنین رویکرد کارآفرینانه ی مالکان و مدیران تاثیر تعدیل دهنده ای بر رابطه میان آمادگی سازمانی و پیاده سازی تجارت الکترونیک دارد.

با توجه به گستردگی استفاده از اینترنت و شبکه های ارتباطی، شبکه های بی سیم، از جمله شبکه بی سیم حسگر مورد توجه قرار گرفتند. قابلیت استفاده در هر محیط و بدون نیاز به نظارت و مهندسی محیط این شبکه ها، باعث کاربرد روزافزون آنها در زمینه های مختلف شده است، افزایش کاربرد آنها باعث مطرح شدن مسئله های امنیتی در زمینه ارسال و دریافت اطلاعات شده است. امنیت به عنوان مهمترین مسئله مطرح شده و بدون امنیت مناسب، گره های حسگر به راحتی توسط گره متخاصم تصرف شده، سازش شده و ربوده می گردد. قبل از اینکه شبکه بی سیم حسگر به طور موفق آرایش داده شود، باید مسائل امنیتی مدنظر قرار گیرند. حملات متعددی می توانند امنیت شبکه ها را به خطر بیندازند که از نظر نوع فعالیت به حملات فعال و حملات غیر فعال قابل دسته بندی هستند. در این پژوهش هر دو دسته حمله در نظر گرفته شده است. در دسته حملات غیرفعال حمله شنود به عنوان یکی از حملات مهم در شبکه های بی سیم حسگر با توجه به خصوصیات شبکه، انتخاب گردیده است که در جهت مقابله با این حملات الگوریتم رمزنگاری با حداقل بار محاسباتی مد نظر است. همچنین این الگوریتم در صورت پیاده سازی بر روی سخت افزار پرسرعت، سربار محاسباتی را کاهش می دهد. در راستای این اهداف و نیازها الگوریتم رمزنگاری داده های بین المللی*(idea) انتخاب شده که به صورت چندعاملی بر روی دروازه آرایه قابل برنامه ریزی (fpga) قابل نصب بر روی گره حسگر ارائه گردیده است. دلیل انتخاب این الگوریتم عملگرهای جمع پیمانه ای، ضرب پیمانه ای و xor، موجود در آن به عنوان تنها عملگرهای بکارگرفته شده است که نیاز به توان محاسباتی اندک این عملگرهای ناسازگار* باعث افزایش سازگاری با محدودیت های شبکه بی سیم حسگر شده است. در این پژوهش عامل ها در نظر گرفته شده و تأثیر آن بر پیاده سازی بررسی گردیده و افزایش سرعت رمزنگاری را به دنبال داشته است. در زمینه مقابله حملات فعال، بهترین روش بکارگیری سیستم تشخیص نفوذ است. سیستم تشخیص نفوذ با فراهم کردن قابلیت تشخیص حمله و نفوذ در شبکه برای مدیر شبکه در انواع شبکه کاربرد دارند. سیستم تشخیص نفوذ ارائه شده با استفاده از روش های داده کاوی به انتخاب خصیصه های تاثیرگذار پرداخته و سپس با ترکیب روش های هوش مصنوعی شامل شبکه عصبی و الگوریتم ژنتیک وضعیت ارتباط را به صورت نرمال یا یکی از کلاس های حمله تعیین شده، مشخص می کند. ترکیب شبکه عصبی و الگوریتم ژنتیک در راستای کاهش بار محاسباتی تشحیص الگو، قدرت تشخیص حملات را در سیستم تشحیص نفوذ پبشنهادی افزایش داده است، به طوری که دقت مدل، نرخ تشخیص خطا و نرخ خطای مثبت به ترتیب برابر با 99.08%، 99.20% و 0.014% خواهد بود و همچنین با انتخاب خصیصه های ضروری حجم حافظه مورد نیاز را کاهش داده تا قابلیت بکارگیری این سیستم را در شبکه های بی سیم حسگر با توجه به محدودیت آنها افزایش دهد.

آموزش الکترونیکی نظامی شامل آموزش، اطلاعات، ارتباطات، دانش مدیریت و مدیریت عملکرد می باشد. این نظام به عنوان یک مزیت رقابتی توان ایجاد فرصت برای توسعه دانش افراد و تولید دارایی برای مالکان آن را دارد. مدیریت و برنامه ریزی نظام های الکترونیکی از اهمیت ویژه ای برخوردار است، به بیان دیگر موفقیت از برنامه ریزی و اجرای دقیق نشأت می گیرد. به همین منظور باید توجه ویژه ای به مدیریت انتظارات، تضمین تعهد مدیریتی و سایر ذینفعان معطوف گردد. تعریف اهداف و چگونگی تحقق آن یکی از نقاط قابل توجه در برنامه ریزی و مدیریت آموزش الکترونیکی می باشد به همین منظور وجود یک برنامه استراتژیک و التزام به پیاده سازی آن کمک شایانی به ظهور یک نظام موفق آموزش الکترونیکی خواهد نمود. در این تحقیق، دو سیستم مجازی نمونه از نظر تدریس دوره، از نظر وضعیت محتوا، شیوه تعامل، میزان پشتیبانی از دانشجو، میزان دستیابی به نتایج پیش بینی شده مورد بررسی قرار گرفته اند. ابزار بکار رفته در این تحقیق، پرسشنامه محقق ساخته می باشد. پرسشنامه های تکمیل شده با روش های آماری و ابزار داده کاوی مورد بررسی قرار گرفته و در چند محور اساسی، ارزیابی راهبردی از وضعیت سیستم نمونه ارائه شده است، که می تواند برای اصلاح سیستم موجود و نیز طراحی بهینه سیستم جدید مراکز آموزش مورد توجه قرار گیرد. یافته ها نشان می دهند که رضایت دانشجویان در زمینه متغییرهای مورد پرسش، حداکثر در حد متوسط می باشد. هدف، بیان استراتژی هایی است که باید توسط مدیران اجرایی سیستم، برای راه اندازی، توسعه موفقیت آمیز یادگیری الکترونیکی و افزایش رضایت دانشجویان در نظر گرفته شوند، و همچنین بررسی استراتژی تجاری مربوط به آموزش الکترونیکی برای دست یافتن به مزیت های رقابتی در بازار جهانی از اهداف می باشد. هر یک از این استراتژی ها باید مدیریت شوند تا ما را به اهداف کلان سازمان برسانند.

درخت تصمیم فازی، دسته بندی است که درخت تصمیم و مجموعه های فازی را به گونه ای باهم ترکیب کرده است که بتواند عدم قطعیت های ناشی از اندازه گیری و عدم قطعیت های زبانی را مدیریت کند. در این پایان نامه معیارهای توقف و روش های ساخت توابع عضویت فازی برای درخت تصمیم فازی، به طور مستقل مورد بررسی قرار گرفته اند. در بخش اول، الگوریتم جدیدی به نام idfid3، برای ساخت درخت تصمیم فازی با استفاده از یک معیار توقف، به همراه یک معیار توقف جدید به نام nmgni ارائه شده است. همچنین با استفاده از الگوریتم idfid3 روشی برای مقایسه معیارهای توقف ارائه شده است که دقت و پیچیدگی درخت های تولید شده با استفاده از آن ها را، مستقل از مقدار آستانه تعریف شده بر روی آن ها مقایسه می کند. نتایج به دست آمده از شبیه سازی ها نشان می دهد که معیار توقف nmgni بهتر از معیارهای توقف دیگر عمل کرده و استفاده از آن باعث ساخته شدن درخت های ساده تر و دقیق تری می شود. در ادامه بخش اول معیاری به نام gcc، برای اندازه گیری توانایی هر معیار توقف در کنترل رشد درخت تصمیم فازی معرفی شده است. نتایج به دست آمده از شبیه سازی ها نشان می دهد که معیار توقف «تعداد نمونه های گره» بیشترین توانایی در کنترل رشد درخت را دارد. در بخش دوم پایان نامه، از روش های گسسته سازی برای تولید توابع عضویت فازی استفاده شده است. به این صورت که ابتدا گسسته ساز، دامنه تغییرات ویژگی را به ناحیه های کوچک تر افراز می کند، سپس این ناحیه ها با چهار الگوریتم پیشنهادی که مبتنی بر طول ناحیه، مبتنی بر انحراف معیار، مبتنی بر نرخ پوشش ناحیه همسایه و مبتنی بر نرخ پوشش ناحیه می باشند به توابع عضویت تبدیل می شوند. علاوه بر این، گسسته ساز مبتنی بر آنتروپی نیز به گونه ای تغییر داده شده است که مستقیماً توابع عضویت فازی را تولید کند و در فرآیند تولید آن ها شکل و پارامترهای توابع عضویت را دخالت دهد. از نتایج به دست آمده از شبیه سازی ها، گسسته سازهای مناسب برای تولید توابع عضویت و همچنین الگوریتم های مناسب برای تبدیل ناحیه های تولید شده توسط گسسته ساز به توابع عضویت مشخص شده اند.

پیش بینی آینده همواره به صورت یک ضرورت در زندگی روزمره و به عنوان یک حوزه مشترک در بسیاری از علوم مطرح بوده است.یکی از حوزه هایی که در آن پیش بینی از اهمیت خاصی برخوردار است مسایل مربوط به حوزه های مالی و اقتصادی است. اخیرا مساله ای که توجه زیادی را به خود جلب کرده، پیشرفت فزاینده بازار های مالی پولی و مالی می باشد. هم اکنون یکی از اهداف اصلی گردانندگان بازارهای پولی ومالی این است که همه افراد بتواند وارد این بازار ها شده و فرصت ها مناسب سرمایه گذاری را تشخیص داده و در صورت تشخیص صحیح بتواند سود مناسبی کسب نمایند. دراین پژوهش به پیش بینی بازده سهام در بورس اوراق بهادار تهران به وسیله مدل های خطی و غیر خطی در بازه زمانی 1382 تا 1386 پرداخته و جهت پیش بینی از بازده روزانه سهام شرکت های فعال در صنعت پتروشیمی و متغیر های مستقل قیمت نفت و نرخ ارز(دلار) استفاده شده است. برای مدل خطی از روش رگرسیون خطی چند متغیره وبرای مدل شبکه عصبی از معماری چند لایه پیش خور با الگوریتم پس انتشار خطا استفاده شده است.هدف اصلی این تحقیق پیش بینی بازده سهام شرکت های پتروشیمی مورد مطالعه براساس تغییرات در متغیر های قیمت نفت و نرخ ارز و بعد از آن مقایسه نتایج بدست آمده و پیدا کردن دقیق ترین مدل برای پیش بینی است. نتایج حاصل از تحقیق نشان می دهد که هر دو روش خطی و غیر خطی قادر به پیش بینی بازده سهام هستند اما دقت شبکه عصبی دراین پیش بینی بالاتر بوده و این امر نشان از برتری شبکه عصبی مصنوعی در برابر مدل رگرسیون خطی چند متغیره می باشد و قابلیت شبکه های عصبی مصنوعی را در این پیش بینی تایید می کند.

در سال های اخیر، استفاده از دسته بندی توسط قوانین همبستگی بیشتر مورد توجه قرار گرفته است. تحقیقات نشان می دهند که استفاده از این روش عملکرد بهتری نسبت به سایر الگوریتم های دسته بندی دارد. در این پایان نامه، هدف از دسته بندی با استفاده از قوانین همبستگی تنها حل مسائل دسته بندی نبوده است، بلکه به دنبال راهی هستیم تا بتوانیم روش های مختلف استخراج قوانین همبستگی را مقایسه کنیم. هدف کلی از دسته بندی انجمنی، یافتن قوانین همبستگی است که بتواند کار دسته بندی را انجام دهد. این الگوریتم دارای سه مرحله اصلی است. ابتدا، قوانین با توجه به داده های آموزشی اکتشاف می شوند. روش جدیدی برای تولید قوانین مفید ارائه شده است که در این گزارش ذکر شده است. در قدم دوم، قوانین ایجاد شده، مرتب و هرس سازی می شوند که این امر توسط معیارهای سودمندی انجام می گیرد. در رابطه با این معیارها در پایان نامه بحث شده است. در فاز آخر، کار دسته بندی بر روی قوانین باقی مانده انجام می شود. در این گزارش چند الگوریتم دسته بندی انجمنی، معرفی شده اند و آن ها با روش پیشنهادی که msar نام دارد، مقایسه شده اند. در الگوریتم جدید، مقدار آستانه پشتیبانی در طول اجرای الگوریتم، به روز می شود. الگوریتم پیشنهادی بر روی داده های شناخته شده uci ، بررسی شده است تا کار دسته بندی آن باسایر الگوریتم ها مقایسه شود.

قواعد استخراج شده از یک مجموعه داده در فرآیند داده کاوی، به دلیل اهمیت در حوزه های کسب و کار همواره نیازمند رتبه بندی هستند تا بهترین و قابل اعتمادترین آنها را بتوان انتخاب نمود . تحلیل پوششی داده ها (data envelopment analysis ? dea) روشی است که برای رتبه بندی عادلانه نامزدها در یک انتخابات ترجیحی مطرح شد؛ و مو-چن چن برای اولین بار این روش را برای رتبه بندی قواعد پیوندی استخراج شده در داده کاوی استفاده کرد. وی همچنین برای تمایز میان قواعد بهینه از روش تمایز اوباتا و ایشی استفاده کرد. داده های موجود در هر مجموعه داده معمولاً به روز می شوند و در نتیجه آن، قواعد جدیدی از آن ها استخراج می گردد. از طرف دیگر الگوریتمهای تحلیل پوششی داده ها و تمایز اوباتا و ایشی پیچیده می باشند . در نتیجه بهنگام سازی امتیازهای قواعد نیازمند محاسبات زمانبر است. در این تحقیق با استفاده از روش های یادگیر و علی الخصوص شبکه های عصبی مصنوعی روشی معرفی شد تا بتوان بدون نیاز به انجام محاسبات ریاضیdea و فقط با استفاده از شبکه عصبی، قواعد جدید را رتبه بندی کرد. برای این منظور، امتیاز ترجیحی کلیه قواعد با استفاده از روش مو-چن چن محاسبه شد و به عنوان دادههای یادگیری به شبکه عصبی داده شد. پس از به روز شدن داده ها و استخراج قواعد جدید، قواعد به شبکه عصبی داده شدند تا امتیازشان بدست آید . این تحقیق نشان داد که شبکه های عصبی می توانند جایگزین خوبی برای محاسبات پیچیده تحلیل پوششی داده ها و قاعده تمایز اوباتا و ایشی باشند.

انتخاب ویژگی یکی از مسائل مورد توجه در چند دهه اخیر بوده است. با پیدایش پایگاه-داده های با تعداد ابعاد بالا و درکنار آن نیاز به روش های یادگیری مناسب مشکلات جدیدی پا به عرصه گذاشته اند که باعث به وجود آمدن راه کارهایی برای انتخاب ویژگی های موثر شده -اند. انتخاب ویژگی، مساله یافتن ویژگی های موثر از میان ویژگی های موجود است، به طوری-که مجموعه ی حاصل باعث افزایش دقت وکاهش پیچیدگی گردد. برای تشخیص این که کدام زیر مجموعه موثرتر است، یک راه حل بررسی تمامی زیر مجموعه های ممکن است که بررسی همه زیرمجموعه ها جزء مسایل سخت و دارای پیچیدگی محاسباتی بالا است. این مشکل باعث شده است تمایل محققان به حل این مسائل از طریق الگوریتم های ابتکاری جلب شود. رویکرد ابرابتکاری یک رویکرد جدید جستجو است که می تواند فضای جستجو را با به-کاربستن جستجوگرهای محلی متعدد به طور کارآمد جستجوکند و در هر زمان جستجوگر محلی مناسبی را انتخاب کندکه این انتخاب به عهده یک ناظر است. دراین پایان نامه از رویکرد ابرابتکاری جهت پیدا کردن ویژگی های موثر برای دسته بندی استفاده شده است. در الگوریتم پیشنهادی، الگوریتم ژنتیک به عنوان یک ناظر به کار گرفته شده و 16 الگوریتم ابتکاری به منظور جستجوی محلی تعریف شده است. نتایج حاصل از اعمال الگوریتم پیشنهادی بر روی پایگاه داده های گرفته شده از uci نشان دهنده کارآمد بودن الگوریتم پیشنهادی در مقایسه با روش های ابتکاری مطرح موجود برای انتخاب ویژگی است.

تکنیک های داده کاوی، استخراج الگو از بانک های اطلاعاتی بزرگ، در دنیای امروزی فراگیر شده است. با استفاده از این تکنیک ها قوانین بسیار زیاد و متفاوتی حاصل خواهد شد اما حداقل تا حدودی به دلیل محدودیت در بودجه و یا منابع، فقط تعداد اندکی از این قوانین ممکن است برای پیاده سازی و اجرایی شدن انتخاب شوند. لذا در داده کاوی ارزیابی و رتبه بندی میزان جذابیت یا مفید بودن قوانین استخراج شده بسیار اهمیت دارد. یکی از اهداف داده کاوی تولید قوانین جذاب با درنظر گرفتن تمام و یابرخی از نقطه نظرات متخصصان همان زمینه می باشد. لذا به منظور ارزیابی هر چه سودمندتر قوانین در هر حیطه ای می توان از دانش زمینه مورد نظر نیز به عنوان یک یا چند کمیت متفاوت در قالب یک مجموعه همکار استفاده کرد و سپس قوانین را ارزیابی کرد. نخست به معرفی داده کاوی و در بین تکنیکهای موجود داده کاوی به شرح روش های استخراج قوانین همبستگی خواهیم پرداخت و روش تحلیل پوششی داده ها را به عنوان یک ابزار کلیدی برای ارزیابی میزان کارامدی قوانین با توجه به چند معیار و ملاک متفاوت معرفی خواهیم کرد و با بهره از یک مدل تحلیل پوششی داده به ارزیابی قوانین خواهیم پرداخت تا مجموعه قوانین کارامد (قوی) معرفی گردند. برای تمایز بیشتر در بین مجموعه قوانین کارآمد معرفی شده، یک مدل خطی جدید ارائه می شود.

با توجه به اهمیت وجود اطلاعات مناسب برای تصمیم گیری و برنامه ریزی مدیران، دانش نوین، پیوسته ابزارها و مدل های گوناگونی را جهت پردازش داده ها و استخراج دانش کاربردی از آن ها، معرفی می کند و در این میان، داده کاوی، به عنوان دانشی که با استفاده از روش ها و الگوریتم های مختلف، به دنبال کشف الگوها و قواعد معنی دار در میان داده هاست، مورد توجه ویژه قرار گرفته است. در این تحقیق، کاربرد روش های داده کاوی، شامل خوشه بندی، شبکه ی عصبی مصنوعی و کاوش قوانین انجمنی در تحلیل داده های مربوط به صادرات و واردات ایران، در فاصله ی سال های 1374 تا 1388، یعنی بازه ی زمانی برنامه های پنج ساله ی دوم تا چهارم توسعه ی اقتصادی، اجتماعی و فرهنگی کشور، به کمک نرم افزارspss clementine 12.0 مورد مطالعه و آزمون قرار گرفته است. خوشه بندی داده ها به کمک الگوریتم خوشه بندی two-step انجام شده است و نتایج به دست آمده نشان می دهد که بیشترین مقدار ارزش دلاری و وزنی صادرات طی سال های 88-74، به صادرات به کشورهای آسیایی و کشورهای اسلامی عربی خاورمیانه تعلق داشته و از سوی دیگر، بیشترین مقدار ارزش دلاری واردات طی سال های 88-74، از کشورهای آسیای شرقی و جنوب شرقی و کشورهای شمال و غرب اروپا انجام گرفته است؛ در حالی که کمترین مقدار ارزش وزنی واردات طی سال های مذکور، مربوط به کشورهای اروپایی است. در مدل سازی پیش بینی، با دو رویکرد، از شبکه ی عصبی mlp با الگوریتم پس انتشار خطا استفاده شده است که نتایج نشان می دهد مدل به دست آمده در رویکرد دوم، که در آن مدل سازی پس از خوشه بندی کشورها انجام شده، پایدارتر است و می تواند در صورت افزودن متغیرهای اقتصادی بیشتر، با دقت بالاتری به کار گرفته شود. نتایج به دست آمده از کاوش قوانین انجمنی نشان می دهد که قواعد ایجاد شده را، به دلیل عدم تأمین مقادیر پشتیبان و اطمینان لازم، نمی توان به عنوان دانش کاربردی مورد توجه قرار داد.

امروزه تکنیک های داده کاوی برای کشف روابط پنهانی بین داده ها بکار می روند. یکی از مسائل مهم، استخراج الگوهایی از مجموعه داده ها می باشد که یک نوع از این الگوها، قوانین تصمیمی یا قوانین دسته بندی هستند. بعد از اجرای الگوریتم های استخراج قانون از مجموعه داده های بزرگ، قوانین زیادی تولید می شود که دارای اهمیت یکسانی نیستند و باید بر اساس معیارهایی مرتب شوند تا موثرترین آن ها مشخص شوند. روش های رتبه بندی تکی بر اساس معیارهای جذابیت هر قانون، مقدار جذابیت آن ها را بدست می آورند و آن ها رتبه بندی می کنند. در این پژوهش از منطق فازی برای رتبه بندی قوانین استخراج شده از داده کاوی استفاده شده است. برای این امر یک سیستم استنتاج فازی طراحی شد. به عنوان مطالعه موردی از مجموعه داده های شرکت های پذیرفته شده در بورس اوراق بهادار تهران برای ایجاد قوانین استفاده کردیم و قوانین بدست آمده را توسط مدل فازی طراحی شده رتبه بندی کردیم. نتایج بدست آمده با چندین روش دیگر از جمله روش تحلیل پوششی داده ها (dea) مقایسه شد و مشخص شد که روش فازی دقت بهتری را برای رتبه بندی تامین کرده است. روش رتبه بندی چندتایی قوانین، یک روش رتبه بندی جدید است که بعد از روش های رتبه بندی تکی معرفی شد. این روش قوانین را با هم مورد ارزیابی قرار می دهد و انتخاب قوانین بستگی به قوانین انتخاب شده ی قبلی دارد. در ادامه ی این پژوهش بهبودی بر روی این روش، با تغییر امتیاز های داده شده به قوانین در هر مرحله، انجام شد، که باعث می شود به قوانین موثرتر و کاراتر امتیاز بالاتری داده شود و رتبه ی بهتری کسب کنند. برای مقایسه بین این روش ها نیز از همان مجموعه داده ی ذکر شده و قوانین استخراج شده از آن استفاده کردیم. نتایج نشان می دهد که روش بهبود یافته نسبت به روش قبلی رتبه بندی دقیق تری را تامین کرده است.

پیشرفت های اخیر در فناوری بی سیم و الکترونیک امکان ایجاد شبکه های حسگر کم هزینه با توانایی حس کردن انواع مختلفی از شرایط محیطی و فیزیکی را فراهم کرده است. محدودیت های شبکه های حسگر بی سیم مانند محدودیت پهنای باند، حافظه، توانایی محاسباتی و افزونگی داده این شبکه ها را از انواع دیگر شبکه ها متمایز می کند و بنابراین به روش های موثرتری برای انتقال، مسیریابی و ذخیره سازی داده نیاز دارد. در این شبکه ها به دلیل کاربرد-خاص بودن آنچه مهم است خود داده می باشد، نه گره ای که داده را تولید کرده است. بنابراین نیاز است که داده ها با توجه به نوع خود مسیریابی و ذخیره سازی شوند. با توجه به خصوصیات ذکر شده، روش های داده محور قابلیت کاربرد زیادی در این شبکه ها دارد. ما در این تحقیق به بررسی و مقایسه ی روش های مختلف ذخیره سازی داده محور می پردازیم و یک روش جدید ذخیره سازی داده محور را معرفی می کنیم که در ذخیره سازی داده به فاکتورهای مصرف انرژی و توازن بار در ذخیره سازی توجه دارد. در این روش شبکه به ناحیه هایی تقسیم شده و بهترین ناحیه برای ذخیره سازی داده را انتخاب می شود و با ذخیره سازی داده در بین گره های ناحیه انتخابی، توازن بار در شبکه به وجود می آید. نتایج نشان می دهد که روش جدید در مقایسه با دیگر روش ها از نظر مصرف انرژی و استفاده از حافظه کاراتر بوده و تعداد بسته های رها شده در شبکه کمتر می باشد، درحالیکه تعداد رخدادهای واقع شده در شبکه حسگر می تواند بسیار زیاد باشد.

مسئله طراحی محصول، یک مسئله بهینه سازی چند هدفه است که تیم توسعه خط تولید با آن روبرو می شوند و در آن به دنبال پیدا کردن محصولی هستند که، اهدافی همچون قیمت تمام شده محصول، ترجیحات مشتری ، سهم بازار و زمان تولید و ... را درحد بهینه خود تامین کند . مسئله طراحی محصول یک مسئله بهینه سازی در فضای تصمیم گیری گسسته است، این مسائل با الگوریتم کلونی مورچه بهتر حل می شوند، تاکنون کارهای زیادی با الگوریتم کلونی مورچه برای تولید مرز کارایی در مسائل بهینه سازی چند هدفه انجام شده است که برای حل مسائل با دو یا سه تابع هدف، موثر است اما نمی تواند یک تخمین خوب، از مرز کارایی در زمان و جمعیت اولیه کم در فضای اهداف با ابعاد بالا بوجود آورد. ما یک روش ترکیبی الگوریتم بهینه سازی کلونی مورچه و تحلیل پوششی داده برای حل مسائل بهینه سازی چند هدفه ارائه می دهیم. در این روش ابتدا از الگوریتم کلونی مورچه برای یافتن راه حل های مسئله استفاده می کنیم، سپس در هرمرحله راه حل های بهینه را با روش تحلیل پوششی داده پیدا کرده، مسیر مربوط به این راه حل ها را بروز رسانی می کنیم و به مرحله بعد می رویم. در این روش هر کدام از جواب های مسئله را به عنوان یک واحد تصمیم گیری در روش تحلیل پوششی داده در نظر گرفتیم و به این دلیل که در روش تحلیل پوششی داده واحد های کارا، واحد هایی هستند که کمترین ورودی را مصرف و بیشترین خروجی را تولید می کنند، ما اهدافی را که باید کمینه شوند به عنوان ورودی های هر واحد و اهدافی که باید بیشینه شوند را به عنوان خروجی-های هر واحد در نظر گرفتیم. معیار های کارایی الگوریتم های چند هدفه را بررسی، سپس به مقایسه نتایج در دو دسته از مسائل چند هدفه می پردازیم، دسته اول مسائل با فضای اهداف با ابعاد کم و دسته دوم مسائل با فضای اهداف با ابعاد زیاد، در هر کدام از این مسائل بهبود هایی که روش جدید به وجود آورده مطرح می شود. نتایج بدست آمده نشان می دهد که این روش با توجه به در نظر گرفتن فاصله جواب ها برای یافتن جواب های کارا، بهتر عمل می کند و فاصله جبهه جواب بدست آمده تا جبهه بهینه پرتو کمتر می شود. همچنین به علت در نظر گرفتن وزن های غیر تصادفی و بر اساس قوانین تعیین وزن، از روش های براساس مجموع وزنی نیز عادلانه تر رفتار کرده و میزان شایستگی هر جواب را با توجه به سایر جواب ها و به صورت عادلانه پیدا می کند. بر خلاف روش های مجموع وزنی مدل هایی از تحلیل پوششی داده وجود دارد که می تواند در فضای اهداف غیر محدب، جواب-های موجود در فرورفتگی ها را نیز پیدا کند. روش تحلیل پوششی هیچ محدودیتی در تعداد ورودی و خروجی های هر واحد ندارد، به همین دلیل، این روش علاوه بر بهبود هایی برای حل مسائل بهینه سازی در فضای اهداف دو بعدی ، توانست تخمین خوبی از مرز کارایی در زمان و منابع محدود در فضای اهداف بالا بوجود آورد.

زعفران یکی از پرارزشترین محصولات کشاورزی می باشد. تاکنون کارهایی جهت جداسازی کلاله از گل زعفران انجام شده است ولی به دلیل تنوع انواع گل زعفران این کارها در سطح آزمایشگاهی باقی مانده است. در این پایان نامه به بررسی گل زعفران با استفاده از تکنیک های هوشمند می پردازیم. این بررسی از دو جهت مهم می باشد، اول اینکه، از آنجایی که گل زعفران روی کیفیت کلاله زعفران تاثیر می گذارد این بررسی می تواند معیاری جهت طبقه بندی زعفران استفاده شود؛ دوم اینکه این بررسی می تواند جهت بهبود پیدا کردن نقطه برش گل زعفران جهت جداسازی کلاله از گل استفاده شود. در اینجا ابتدا با استفاده از روش های پردازش تصویر، تصویر باینری مناسب از گل زعفران بدست می آوریم؛ در ادامه به انتخاب و استخراج ویژگی های گل و مقایسه تاثیر ویژگی های مختلف می پردازیم.سپس با ذخیره آن ها مجموعه داده ای بدست می آوریم و به اعمال و مقایسه روش های یادگیری ماشین روی این مجموعه داده می پردازیم. در انتها با استفاده از تشخیص میزان بلوغ گل و ترکیب آن با روش های قبلی، نقطه برش گل زعفران جهت جداسازی کلاله مشخص می شود. بررسی ها انجام شده نشان دهنده دقت بالای رویکرد پیشنهادی می باشد.

در حال حاضر ارزیابی کیفیت در تصاویر یکی از با اهمیت ترین بخش های مورد پژوهش در دنیای پردازش تصاویر می باشد. زیرا تقریبا در تمامی عملیات پردازش تصویر این نیاز وجود دارد که میزان کیفیت خروجی حاصل از پردازش اندازه گیری شود. در بسیاری از موارد کاربر تصویری را دریافت می کند که نسبت به تصویر اصلی تخریب شده است. بنابراین، این نیاز وجود دارد که میزان خرابی بوجود آمده که توسط انسان قابل درک است، اندازه گیری شود. بر این اساس، روش های بسیاری برای ارزیابی کیفیت تصاویر پیشنهاد شده اند. در این پایان نامه ابتدا به بررسی روش های ذهنی و عینی پرداختیم. از آنجایی که چشم انسان روی لبه تصاویر حساس می باشد در دسته بندی روش های عینی یک روش بر اساس تخریب لبه ارایه دادیم. همانطور که مشاهده می شود روش های عینی نمی توانند جوابگوی نیاز ما برای تشخیص کیفیت واقعی تصاویر باشند. بنابراین روشی جدید مابین روش های عینی و ذهنی ارایه دادیم تا هم از نظرات انسان استفاده کند تا به روش های ذهنی نزدیکتر شود هم مشکلات روش های ذهنی مانند ایجاد شرایط استاندارد و غیره را نداشته باشد.

اخیراً سیستم دسته بند فازی مبتنی بر قانون به طور گسترده ای در مسائل دسته بندی مورد استفاده قرار گرفته است. به طور اساسی? طراحی این سیستم ها شامل پیدا کردن یک مجموعه فشرده از قوانین دسته بندی فازی اگر-آن گاه است که بتوانند رفتار ورودی- خروجی سیستم را مدل کنند. روش های زیادی برای تولید قوانین دسته بندی فازی ارائه شده است که عبارتند از: روش های شهودی? روش های بر مبنای خوشه بندی? روش های بر مبنای الگوریتم های ژنتیک? روش های عصبی- فازی و ... . در این پایان نامه? روش های شهودی و روش های بر مبنای خوشه بندی به طور مستقل مورد بررسی قرار گرفته اند. در قسمت اول از روش های پیشنهادی? الگوریتم جدیدی برای مدل کردن سیستم دسته بند فازی مبتنی بر قانون با دقت بالا پیشنهاد شده است. این الگوریتم جدید? ترکیبی از یک الگوریتم نگاشت داده های مبتنی بر منیفلد و یک الگوریتم شهودی استخراج قوانین است. همچنین برای افزایش دقت دسته بندی? یک روش تکاملی جدید برای وزن دهی قوانین ارائه شده است. در ادامه? تأثیر نُه تی- نرم مختلف در دقت دسته بندی مورد بررسی قرار گرفته است. در قسمت دوم? یک الگوریتم جدید مبتنی بر خوشه بندی برای استخراج قوانین دسته بندی فازی پیشنهاد شده است. این الگوریتم جدید? ترکیبی از یک الگوریتم نگاشت داده ها? الگوریتم خوشه بندی تفاضلی و یک الگوریتم بهینه گرادیان نزولی است. نتایج حاصل از انجام آزمایش بر روی 21 مجموعه داده محک (uci) نشان دهنده کارایی روش های پیشنهادی در مقایسه با بعضی تحقیقات قبلی از نظر دقت دسته بندی می باشد. نتایج به دست آمده توسط آزمون های غیرپارامتری آماری مورد تحلیل قرار گرفت و نتیجه این آزمون ها نیز کارایی روش های پیشنهادی را به صورت کلی (میانگین روی 21 مجموعه داده) تأیید می کند.

یکی از اصلی ترین محدودیت ها در شبکه های حسگر بی سیم، انرژی حسگرها می باشد. انرژی حسگرها از باتری تامین می شود که شارژ مجدد یا جایگزینی آن در شبکه های حسگر مشکل می باشد. خوشه بندی یکی از روش های کاهش مصرف انرژی در این شبکه ها است. از طرف دیگر با توجه به استقرار هم-پوشانه نودهای حسگر در محیط شبکه، ارتباطات مبتنی بر آدرس در این شبکه ها مناسب نمی باشد و به جای آن مسیریابی داده محور که بر داده تمرکز دارد در این شبکه ها کارایی بیشتری دارد. در این تحقیق پروتکل جدید مسیریابی داده محور چندلایه (multilayer data centric) که مبتنی بر خوشه بندی و داده محوری می باشد ارائه شده است. در این پروتکل مصرف انرژی در شبکه موازنه شده و درنتیجه کارایی بهتری در کاهش مصرف انرژی به دست آمده است. پروتکل mdc شامل دو نوع خوشه بندی ایستا و پویا می باشد و در فاز انتقال داده از روش داده محور استفاده می کند. نتایج شبیه سازی با شبیه ساز ns2 نشان می دهد که الگوریتم پیشنهادی انرژی کمتری نسبت به الگوریتم های مقایسه شده spin* و leach* مصرف می کند و طول عمر شبکه را افزایش می دهد.

در سال های اخیر، بازشناسی چهره توجه زیادی را به خود جلب نموده است. بیان کلی مسئله بازشناسی چهره به صورت زیر می تواند توصیف شود که با داشتن یک عکس از فرد، هویت فرد با استفاده از پایگاه داده ذخیره شده از چهره ها شناسایی شود. روش بازشناسی چهره مبتنی بر ظاهر به طور گسترده ای از سال 1990 مورد مطالعه قرار گرفته است . دو مسئله ی مهم در بازشناسی چهره مبتنی بر ظاهر، استخراج ویژگی (کاهش بعد) برای نمایش چهره و دسته بندی عکس چهره جدید براساس ویژگی های استخراج شده می باشد. تمرکز این تحقیق بر روی استخراج ویژگی می باشد. در بازشناسی چهره، هدف استخراج ویژگی، نگاشت داده های ورودی بر روی فضای ویژگی است که ساختار ذاتی داده های اصلی را منعکس نموده و اطلاعات مفید را به اندازه ممکن حفظ کند. اکثر الگوریتم های کاهش بعد در چارچوب نشاندن گراف قرار می گیرند. در این تحقیق با بهره گیری از این چارچوب، الگوریتم های کاهش بعد جدیدی را ارائه می کنیم. الگوریتم های کاهش بعد پیشنهادی از ترکیب الگوریتم های منیفلدی با معیارهای تمیز، درجه عضویت همسایگی فازی، معیار تشابه نمایش تنک نامنفی و اصلاح توزیع داده ها ارائه می شوند. نتایج حاصل بر روی تعدادی پایگاه داده های چهره نشان می دهند که روش های پیشنهادی در مقایسه با سایر روش های استخراج ویژگی دقت بازشناسی بهتری را به دست می آورند.

با توجه به افزایش اهمیت و حساسیت داده های انتقال داده شده بین اجزای موجود در شبکه، حفاظت شبکه های کامپیوتری از تهدیدات داخلی و خارجی اولویت بسیار بالایی پیدا کرده است. با توجه به عدم قطعیت در بیان امنیت یک جز در یک شبکه، در این پژوهش از منطق فازی به عنوان رایانش نرم استفاده شده است. حملات در شبکه های کامپیوتری به 4 دسته dos، probe، u2r و r2l تفکیک شده اند، بر همین اساس برای هر دسته حمله بعلاوه رفتار نرمال شبکه، یک عامل سیستم کنترل فازی مجزا طراحی شده است. هر سیستم فازی تنها مسئول انتساب میزان امنیت جریان ورودی شبکه، (مقداری بین 0 و 1)، به آن دسته است. با توجه به بزرگترین مقدار بین خروجی سیستم های فازی در مورد نرمال یا حمله بودن جریان ورودی تصمیم گیری می شود. بدین ترتیب یک سیستم کشف نفوذ چندعاملی کنترل فازی برای تصمیم گیری در مورد میزان امنیت جریان ورودی شبکه طراحی می گردد. در یک سیستم کشف نفوذ نیاز است که سیستم دقت بالایی را داشته باشد همچنین نسبت به تغییرات محیط پایدار باشد. به منظور افزودن ویژگی پویایی به سیستم چندعاملی کنترل فازی، عامل مدل استدلال مبتنی بر مورد* به کار گرفته می شود، تا تغییرات محیط در سیستم کشف نفوذ اعمال گردد و سیستم نسبت به فعالیت های اخیر در شبکه حساسیت بیشتری داشته باشد. در پیاده سازی این سیستم از زبان برنامه نویسی جاوا استفاده شده است. کارایی سیستم های کشف نفوذ عموما با مجموعه داده kdd cup 99 سنجیده می شود. این پژوهش با مجموعه داده nsl kdd، زیرمجموعه ای از kdd cup 99، ارزیابی شده است. با توجه به نتایج استخراج شده، بهبود قدرت کشف نفوذ و همچنین پایداری سیستم در برابر تغییرات، در طرح ارائه شده، قابل توجه است.

واترمارکینگ به معنای پنهان کردن داده ها در یک رسانه مانند تصویر، صدا یا ویدئو می باشد. واترمارکینگ تصاویر دیجیتال، عمل پنهان کردن داده ها در تصاویر دیجیتال را با اهداف متفاوتی مانند حفاظت حق کپی رایت، تصدیق اصالت محتوا، اثر انگشت و... انجام می دهد. واترمارکینگ برگشت پذیر گونه ای از واترمارکینگ است که در آن امکان بازیابی محتوای اصلی پس از استخراج واترمارک وجود دارد. یکی از کاربردهای مهم واترمارکینگ، تصدیق اصالت محتوا است. برای این هدف از روشهای واترمارکینگ شکننده استفاده می شود که واترمارک جاسازی شده در آن ها باید در برابر دستکاری در تصویر، تخریب شود. در این پایان نامه از طریق رفع اشکالات برخی از روشهای موجود، استفاده از معیارهای جدید و استفاده از روشهای هوشمند همچون مجموعه های فازی و شبکه های عصبی مصنوعی به بهبود روشهای پیشین می پردازیم. از میان پنج روش پیشنهادی، سه روش پیشنهادی اول در زمینه ی روش های مبتنی بر عملیات پیش بینی هستند، روش پیشنهادی چهارم در زمینه ی روش های گسترش اختلاف و روش پیشنهادی پنجم نیز در زمینه ی روش های گسترش اختلاف دو بعدی در دامنه ی تبدیل می باشد. روش پیشنهادی اول، مشکل موجود در یک روش مرتب سازی را کشف نموده و به ارائه ی معیاری جدید و کارامد برای مرتب سازی می پردازد. روش پیشنهادی دوم و سوم عملیات پیش بینی از طریق شبکه های عصبی را به ترتیب، جایگزین استفاده از روش های پیش بینی از طریق میانگین گیری و عملیات منطقی مختصاتی می نماید. روش پیشنهادی چهارم با ارائه ی یک پیش پردازش در روش جاسازی چند لایه ی گسترش اختلاف در تصاویر رنگی، منجر به بهبود نتایج می شود. روش پیشنهادی پنجم، ابتدا به ارائه ی یک طرح جدید از جاسازی می پردازد و سپس از مجموعه های فازی برای انجام عملیات کنترل تحریف استفاده می نماید.

امروزه همه فعالیت های صنعتی به سمت خودکار شدن فرآیندها پیش می روند. هدف از خودکار کردن، کاهش هزینه ها و بهینه ساختن منابع هست. این خودکار کردن فرآیندها باید بتواند کیفیت محصولات را نیز تضمین نماید. بدین منظور روش های داده کاوی استفاده می گردد تا بتوان کیفیت محصول را بهبود بخشید. یکی از کارهایی که داده کاوی برای بهبود کیفیت و بالا بردن قابلیت نگهداری انجام می دهد، تشخیص و یا پیش بینی خطای سیستم های صنعتی است

the application of e-learning systems - as one of the solutions to the issue of anywhere and anytime learning – is increasingly spreading in the area of education. content management - one of the most important parts of any e-learning system- is in the concern of tutors and teachers through which they can obtain means and paths to achieve the goals of the course and learning objectives. e-learning recommender systems are designed and developed to improve the quality and effectiveness of learning experience for the students in these systems. personalization has been done and implemented in various forms, particularly based on static features of the learners or dynamic activities of him/her. this shortage of attention to learning style is important to be concerned because of the importance of pedagogical influences on learning experience outcomes. as well as applying the user‘s characteristics in recommendation through using his/her profile, applying the pedagogy of learning is important for the system and this could not take place unless a description of the pedagogy is identified by the system. in this research a method of how to apply and introduce the learners learning style to the recommender system is suggested using data mining techniques. the importance of this study is in the effect of ?applying the leaner‘s learning style in personalization, n the degree of personalization of the e-learning system. in this research we have tried to find out that the possibility of mapping learner‘s behavior in the e-learning system to his/her personality characteristics from learning style perspective or their learning styles.

در دنیای امروز با افزایش چشمگیر حجم داده‏ها و اطلاعات تمایل زیادی به توسعه روش‏های سریعتر در مسائل تحلیل داده و نیز رویکردهای داده کاوی بوجود آمده است.کامپیوترهای سیلیکونی علی رغم پیشرفتی که در سرعت پردازشگرها داشته‏اند کماکان در مقابل حل مسائل پیچیده و نیز در مواجهه با حجم داده‏های بسیار زیاد سرعت محدودی را ارائه می‏کنند. در این راستا در سال‏های اخیر رویکرد جدیدی برای حل مسائل ان.پی و کار با داده‏های حجیم فراهم شده است و آن استفاده از روش‏های محاسبات مولکولی است. در این تحقیق روشی بر پایه محاسبات مولکولی برای خوشه بندی داده ها که در حوزه داده کاوی مطرح می شوند پیشنهاد می کنیم. در این روش نشان داده شده است که چگونه می توان داده ها را با استفاده از رشته های دی ان ای تولید کرد و با اعمال توالی از عملگرهای بیولوژیکی روی مدل ایجادشده، خوشه بندی داده ها را انجام داد. لازم به ذکر است که خوشه بندی در کامپیوترهای سیلیکونی در بدترین حالت دارای پیچیدگی زمانی نمایی است، در حالی که روش پیشنهادی پیچیدگی زمانی چندجمله ای دارد و برخلاف بعضی از روش ها نیاز به دانستن تعداد خوشه ها از قبل نیست، با توجه به موارد ذکر شده مزیت روش پیشنهادی آشکار شده است.

با افزایش حجم اطلاعات متنی، کاوش داده های متنی اهمیت پیدا کرده است. همچنین از آن جا که منابع متنی فارسی نیز حجم زیادی را دربر گرفته اند نیاز به کاوش متون فارسی نیز بسیار احساس شده است. اصطلاح متن کاوی به معنای تحلیل حجم عظیمی از متون به زبان طبیعی است که الگوهای زبانی یا لغوی متون را تشخیص می دهد تا اطلاعات مفید احتمالی آن را استخراج کند. یکی از قدیمی ترین و سخت ترین مسائل در هوش مصنوعی، پردازش زبان طبیعی است تا کامپیوتر هم مانند انسان قادر به تحلیل زبان طبیعی باشد.در این تحقیق، داده های متنی غزلیات مولانا هستند که دسته بندی شده اند و براساس این دسته بندی و با استخراج کلمات به عنوان ویژگی، قوانینی استخراج می شوند. این قوانین ما را در پی بردن به مفاهیم عمیق غزلیات یاری خواهند کرد. برای استخراج ویژگی ها از متدهای متن کاوی و الگوریتم های داده کاوی استفاده شده است. به طور کلی در میان روش ها و تکنیک های متن کاوی و با توجه به قوانین استخراجی از این تکنیک ها و با استفاده از سیستم استنتاج فازی، ماشینی ایجاد می شود که قادر به دسته بندی غزلیات فارسی می باشد. در بخش های آخر دو روش برای خوشه بندی ارائه شده است که نسبت به الگوریتم خوشه بندی k-means دارای برتری هایی می باشند. این روش ها برای خوشه بندی غزلیات نیز به کار گرفته شدند.

در دنیای امروز مسئله کلاس بندی داده های نا متوازن از اهمیت خاصی برخوردار است . کلاس بندی این داده ها به گونه ای است که ، کلاسی که از نظر دامنه کاربرد اهمیت زیادی دارد (کلاس اقلیت ) شامل تعداد حالات کمتری نسبت به کلاسی است که از اهمیت خاصی برخوردار نیست (کلاس اکثریت). به این مجموعه داده ها داده های نامتوازن می گویند. روش های مختلفی برای کلاس بندی این نوع داده ها ارائه شده است .در کلاس بندی این داده ها می کوشیم تا تعداد حالات کلاس اقلیت را نسبت به کلاس اکثریت افزایش دهیم .در این تحقیق به بررسی رویکرد های مختلف برای بهبود مسئله دسته بندی داده های نامتوازن با استفاده از الگوریتم های یادگیری ماشین پرداخته شده است. برای بهبود این مسئله به بررسی سه رویکرد اساسی در سطح داده ها ، الگوریتم ها و هزینه ها(ترکیب سطح داده ها و الگوریتم ها) پرداخته شده است. در این سه سطح از الگوریتم های تکاملی ، یادگیری ماشین و نمونه برداری و... استفاده شده و همچنین در این تحقیق یک روش جدید نمونه برداری برپایه الگوریتم رقابت استعماری و الگوریتم افزایش نمونه ها توسط نمونه های مصنوعی پیشنهاد گردیده است. در روش پیشنهادی از الگوریتم smote و الگوریتم رقابت استعماری برای نمونه برداری در دو سطح داده ها و الگوریتم ها استفاده شده است. به نوعی ترکیبی از دو سطح می باشد .این روش بر روی ده مجموعه داده پیاده سازی گردیده است . نتایج نشان می دهد که روش پیشنهادی با استفاده از الگوریتم های کلاس بندی درخت تصمیم و شبکه عصبی می تواند یک رویکرد مفید و موثر در حل مشکل دسته بندی داده های نامتوازن باشد . به نوعی خطای دسته بندی کلاس اقلیت را کاهش می دهند و دسته بندی آنها با دقت بالاتری انجام می شود.

در سال های اخیر روش های بهینه سازی مبتنی بر الگوریتم های تکاملی مورد توجه گسترده محققین قرار داشته است. پس از مشخص شدن قدرت این الگوریتم ها در حل مسائل بهینه سازی، امروزه کاربرد عملی این الگوریتم ها در صنعت نیز مورد علاقه بسیاری قرار گرفته است. در این تحقیق سعی شده، توانایی این الگوریتم ها برای حل یک مسئله عملی و بسیار پیچیده و حساس در محک آزمون قرار گیرد. مسئله انتخاب شده، تنظیم کنترل کننده pid حلقه های کنترلی نیروگاهی می باشد که علاوه بر پیچیده بودن مسئله تنظیم کنترل کننده برای این حلقه ها، یک کاربرد عملی مناسب بوده که از حساس ترین حلقه های کنترلی صنعتی نیز محسوب می شوند. ابتدا حلقه های کنترلی مدل شده اند و سپس بر اساس مدل بدست آمده، کنترل کننده ها تنظیم شده اند. رویکرد حل مسئله به صورت تک هدفه و چند هدفه بوده والگوریتم های مختلفی نیز در هر دو رویکرد مورد بررسی قرار گرفته است. الگوریتم های بکار رفته در هر دو رویکرد از لحاظ کارایی با یکدیگر مقایسه شده اند و نقاط ضعف و قوت آنها بررسی گردیده است. دو روش پیشنهادی جدید نیز در حل مسئله به صورت چند هدفه ارائه شده است وبا مقایسه روش های مختلف، نشان داده شده است که روش های پیشنهادی قدرت کاوش الگوریتم های استاندارد را بهبود داده اند.

یکی از حوزه های مهم در داده کاوی طراحی الگوریتم های کلاس بندی با دقت بالا است. این امر به ویژه در شرایطی که داده ها دارای پراکندگی نامتوازن باشند، پیچیدگی بیشتری پیدا می کند. یادگیری کلاس نامتوازن به یادگیری از مجموعه داده های نامتوازن اشاره دارد که در آن تعداد نمونه های کلاس گروه اقلیت به طور قابل توجه ای کمتر از نمونه های کلاس گروه اکثریت است. به توجه به اینکه اکثر الگوریتم های یادگیری، طبقه بند را براساس این فرض که تعداد نمونه های آموزش از هرکلاس با هم برابر است، آموزش می دهند، زمانی که این الگوریتم ها را به مجموعه داده های نامتوازن اعمال می کنیم، طبقه بند یادگرفته شده غالباً از کلاس اکثریت منتج می شود که این موضوع باعث پیش بینی بسیار ضعیف کلاس اقلیت می شود، زیرا آموزش کلاس اقلیت به درستی انجام نشده است. در اغلب موارد، کاربر تمایل بیشتری به پیش بینی نمونه های کلاس اقلیت دارد، بنابراین کنترل و حل مسأله داده ی نامتوازن برای بهبود کارآیی امری ضروری است. طبقه بند ترکیب جمعی به عنوان یک راه حل ممکن رفع مشکل داده های نامتوازن، توجه بسیاری از محققان را جلب کرده است. هدف اصلی از روش ترکیب جمعی، بهبود عملکرد یک طبقه بند با ایجاد چند طبقه بند پایه و ترکیب آن ها برای به دست آوردن طبقه بندی جدید است که بهتر از هر یک از طبقه بندهای پایه، عمل می کند. در این پایان نامه دو الگوریتم ترکیب جمعی ناب و جدید، برای طبقه بندی داده های نامتوازن معرفی شده است. در الگوریتم های پیشنهادی، مجموعه داده های آموزش بعد از اعمال یک مرحله پیش پردازش داده ها، با استفاده از تکنیک خوشه بندی، به تعدادی خوشه در لایه های مختلف شکسته می شوند و طبقه بندهای پایه، روی نمونه های هر خوشه آموزش می بینند. در روش پیشنهادی اول از الگوریتم خوشه بندی سلسله مراتبی و در روش پیشنهادی دوم از الگوریتم خوشه بندی کاهشی استفاده شده است. پیاده سازی روش های پیشنهادی روی مجموعه داده های مشهور و مقایسه ی آن با روش های معروفی مانند smotebaggingو smoteboost نشان می دهد که روش های پیشنهادی عملکرد قابل قبولی دارند.

طراحی کنترل کننده های فازی با استفاده از الگوریتم های تکاملی و یادگیری تقویتی q - فازی موضوعی است که در کنترل ربات ها نقش مهمی ایفا می کند. در این پایان نامه سه روش پیشنهادی برای حل مسائل کنترلی فازی تقویتی ارائه گردیده است و هر سه این روش ها روی یک مسئله فازی تقویتی به نام، ماشین عقب رونده به سمت بالا، شبیه سازی شده اند و همه ی این روش ها از ترکیب یادگیری q-فازی با یک الگوریتم بهینه سازی ایجاد شده اند. اولین روش پیشنهادی، روش بهینه سازی کلونی زنبور عسل-q-فازی است که نتایج شبیه سازی رضایتمندی به همراه داشت. روش دوم، روش فازی سازی پاداش هابه همراه بهینه سازی کلونی مورچگان –q- فازی ،که این روش هم در هدایت عامل به سمت هدف به نتایج بسیار خوبی رسید ودر نهایت روش کلونی زنبور عسل مصنوعی –q –فازی است که با بکارگیری الگوریتم کلونی زنبور عسل مصنوعی در ترکیب با روش -q فازی یک تغییر شگرف در نتایج شبیه سازی ایجاد کرد و نتایج بسیار عالی را به ارمغان آورد. برای بررسی قدرت عملکرد الگوریتم ها از معیارهای دقت، میانگین تعداد تلاش ها، تعداد شکست هاومیانگین زمان اجرا cpu استفاده شده است. همچنین معیارهایی به نام معیار سودمندی و معیار سودمندی کل در روش دوم مورد استفاده قرار گرفت. درکل نتایج نشان داد که هر سه روش پیشنهادی از مزایای قابل قبولی برخوردارند و سومین روش بهترین کیفیت را نسبت به سایر روش ها داراست.

رایانش ابری یکی از فناوری های جدید دنیای فناوری اطلاعات است. این فناوری دارای ویژگی های جدیدی است که آن را از سایر فناوری های it متمایز می کند. منابع و فضای اطلاعاتی به صورت پویا، میان کاربرهای مختلف، به اشتراک گذاشته می شوند و از حداکثر توان سخت افزار برای خدمت رسانی به کاربرهای مختلف استفاده می شود. به اشتراک گذاری منابع در این فناوری باعث می شود که منابع و اطلاعات کاربرها در معرض سوءاستفاده و خطر باشند. موضوع امنیت در این فناوری، جزء نگرانی های مهم است که حوزه های مختلفی از امنیت را دربر می گیرد. برای بالا بردن امنیت و افزایش دقت فعالیت های امنیتی، باید برنامه ها و روش های خودکاری استفاده شوند که در عین دقیق بودن، بتوانند به سرعت، برنامه ها و کاربرهای حمله کننده به فضای ابر را تشخیص دهند و مانع از ادامه فعالیت آنها شوند. یکی از سیستم های مناسب برای مقابله با حمله ها، سیستم های کشف و جلوگیری از نفوذ هستند که بر اساس رفتار و فعالیت های کاربرها، نسبت به خطرناک بودن آنها تصمیم می گیرند. استفاده از روش های هوشمند در مدیریت امنیت ابرها، می تواند دقت و سرعت مقابله با حمله ها را افزایش دهد. در این تحقیق، یک ساختار امنیتی و کشف نفوذ، متناسب با فضای ابر طراحی شده است که برای شناسایی حمله ها در فضای شبکه و اطلاع رسانی به بخش های مختلف ابر، یک روند خاص را دنبال می کند. داخل این ساختار، به منظور کشف حمله ها و بررسی الگوهای حمله ها، تعدادی از روش های مبتنی بر علم یادگیری ماشین، با هم ترکیب می شوند و یک الگوریتم خاص با نام درخت تصمیم احتمالاتی را برای کشف حمله ها در بستر شبکه به وجود می آورند. نتایج بدست آمده نشان می دهند، درخت تصمیم احتمالاتی توانایی شناسایی حمله ها را دارد و می تواند در چهارچوب ساختار امنیتی تعریف شده، با سرعت و دقت مناسبی، به بالا بردن امنیت ابر کمک کند.

با توجه به وسعت کاربرد شبکه های حسگر بی سیم و محدودیت منابع انرژی در این شبکه ها همواره نیاز به راهکارهایی برای بهینه سازی مصرف انرژی در این شبکه ها بوده است. امروزه در این شبکه ها، پروتکل های مسیریابی مبتنی بر خوشه بندی، بهترین کارایی را از لحاظ افزایش طول عمر و حفظ پوشش شبکه ای در مقایسه با سایر روش های مسیریابی به دست می آورند. در این پایان نامه یک پروتکل خوشه بندی جدید که از قوانین فازی و الگوریتم ژنتیک برای کاهش مصرف انرژی در شبکه های حسگر بی سیم استفاده می کند، معرفی می شود.روش ارائه شده در این پایان نامه، ابتدا طبق قوانین فازی و براساس میزان انرژی باقیمانده و مکان گره های حسگر، سرخوشه ها را انتخاب می کند. پس از اینکه سرخوشه ها طبق قوانین فازی مشخص شدند، خوشه ها با استفاده از یک روش خوشه بندی توافقی (مبتنی بر الگوریتم ژنتیک) تشکیل می شوند. الگوریتم پیشنهادی به این صورت عمل می کند که ابتدا گره ها با استفاده از الگوریتم k-mean خوشه بندی می شوند. سپس نتایج بدست آمده از خوشه بندی اولیه که بوسیله الگوریتم k-mean خوشه بندی شده اند را با استفاده از الگوریتم ژنتیک پیشنهادی ترکیب می کند. در نهایت روش پیشنهادی با سه الگوریتم دیگر مقایسه شده، و نتایج ارائه شده نشانگر توانایی روش پیشنهادی در بهینه سازی مصرف انرژی شبکه های حسگر بی سیم و افزایش طول عمر و حفظ پوشش شبکه ای در این نوع شبکه ها است.

استفاده از امکانات فناوری اطلاعات در کاربردهای تجاری اهمیت زیادی دارد . یکی از این حوزه های کاربردی طراحی سیستم های توصیه گر و تصمیم گیری می باشد . در این پایان نامه سعی شده است یک سیستم توصیه گر برای تخصیص بلیط هواپیما به مسافران طراحی شود . پایگاه داده با تکیه بر اطلاعاتی که از سایت های هواپیمایی مختلف بدست آمده ، تهیه شده است . مدل های داده کاوی بر اساس استاندارد crisp مورد استفاده قرار گرفته و پس از انجام مراحل درک کسب وکار ، درک داده ها و آماده سازی داده ها به اجرای مدل های مورد نیاز در حیطه ایجاد تصمیم پرداخته شد ، سپس با مقایسه نتایج با دیدگاه های مرجع میزان دقت رویکردهای مختلف ارزیابی شده و نهایتاً پیشنهاد های مناسب به کاربران داده می شود . استفاده از درخت های تصمیم ، گراف های وب و الگوریتم های خوشه بندی نتایج قابل قبولی را ایجاد کردند .

در دنیای امروز افزایش چالش های شهرنشینی و ترافیک سبب نیاز فوری به سیستم های کنترل ترافیک با حداکثر بهره وری شده است. هدر رفتن زمان و افزایش سوخت مصرفی و همچنین آلودگی های هوا و صوتی سبب شده کنترل ترافیک به یکی از مهم ترین بحث های روز دنیا تبدیل شود. یکی از بهترین روش های موجود برای رسیدن به این هدف، پیش بینی مسیر و مقصد نهایی خودرو است. اگر مکان آینده خودروها را بتوان پیش بینی کرد، به راحتی می توان قادر به تخمین ترافیک در یک منطقه شد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

گسترش روز افزون تکنولو‍‍ژی اطلاعات و ارتباطات روز به روز با عث کاهش فاصله ها در جهان گردیده است که این کاهش زمانی و مکانی فاصله ها در زمینه گسترش تجارت بسیار موثر بوده است و جوامع را بر آن داشته تا از پتانسیل عظیم نهفته در این شیوه های نوین تجارت نهایت استفاده را نموده تا از گردونه رقابت خارج نگردند. جامعه ایران و بالطبع استان سیستان و بلوچستان نیز نیازمند استفاده از شیوه های نوین تجارت جهت رشد و گسترش تجارت و زمینه های تجاری می باشد. در پی این نیاز محقق سعی بر آن داشته تا با ارایه مدلی مفهومی به بررسی میزان آمادگی الکترونیکی استان در زمینه استقرارتجارت الکترونیک پرداخته تا ضمن تشخیص موانع و ضعف های موجود سعی در ارتقاء آمادگی الکترونیکی استان جهت استقرار تجارت الکترونیک نموده . در این تحقیق با بررسی مدلهای موجود در خصوص بررسی آمادگی الکترونیکی ابتدا محقق مدلی مفهومی جهت سنجش ارزیابی آمادگی الکترونیکی استان ارایه نموده و سپس مقادیر شاخصهای مدل ارایه شده در استان استخراج گردیده است و در مرحله بعدی مقادیر مورد نیاز هر یک از شاخصها جهت استقرار تجارت الکترونیک در استان بر اساس نظرسنجی از خبرگان محاسبه گردیده است و در نهایت با استفاده از مقادیر موجود شاخصها و مقادیر مورد نیاز هر شاخص میزان آمادگی کسب شده استان در زیمنه استقرار تجارت الکترونیک محاسبه گردیده است و بر اساس نتایج به دست آمده به ارایه پیشنهاداتی در خصوص افزایش آمادگی الکترونیکی در استان پرداخته و در نهایت فرمولی جهت تعیین میزان آمادگی با تغییر هر شاخص ارایه گردیده که درتصمیم گیری در زمینه افزایش میزان آمادگی الکترونیکی استان راهگشای مسولین و سیاستگذاران استانی خواهد بود. کلمات کلیدی: تجارت الکترونیک ، آمادگی الکترونیکی ، ارزیابی آمادگی الکترونیکی