در این پژوهش روشی برای تشخیص خودرو در صحنه های ترافیکی ارائه می دهیم. تشخیص خودرو در صحنه های ترافیکی از موضوعات مهم در سیستم های همکار راننده و خودروهای بدون راننده محسوب می شود و شامل دو مرحله ی ساخت فرضیه و وارسی فرضیه است که هر دو مرحله دارای اهمیت هستند. در اولین مرحله، مکان های محتمل حضور خودرو به عنوان فرضیه در نظر گرفته می شوند و در مرحله دوم همه ی فرضیه ها وارسی می شوند و به دو دسته خودرو و غیر خودرو دسته بندی می-شوند. در مرحله ی ساخت فرضیه ابتدا به کمک سایه ی زیر خودرو مکان حدودی خودرو مشخص می گردد سپس آنتروپی مکان مذکور مورد بررسی قرار می گیرد و در صورت دارا بودن آنتروپی کافی، قرینگی افقی مکان مورد نظر محاسبه می شود و در صورت قرینگی کافی آن، محدوده ی مکان مذکور اصلاح و به عنوان فرضیه در نظر گرفته می شود. در مرحله ی وارسی فرضیه از تصاویر دیتاست و همچنین تصاویر حاصل از اعمال فیلتر گوسی روی تصاویر دیتاست، ویژگی های هیستوگرام های هرمی گرادیان های جهت دار را به عنوان ویژگی های اولیه استخراج می کنیم. سپس تکنیک تحلیل اجزای اصلی را به عنوان ابزاری برای کاهش ابعاد ویژگی ها روی این ویژگی ها اعمال می کنیم. در گام بعد با استفاده از الگوریتم ژنتیک و ماشین بردار پشتیبان خطی، وزن های بهینه را برای ویژگی های حاصل از گام قبل می یابیم تا کارایی و تعمیم آنها را افزایش دهیم. در مرحله ی وارسی فرضیه، از تصویر فرضیه و همچنین تصویر فیلتر شده ی آن، ویژگی های هیستوگرام های هرمی گرادیان های جهت دار را استخراج می کنیم. سپس تحلیل اجزای اصلی را روی این ویژگی ها اعمال می کنیم و سرانجام فرضیه مذکور را با توجه به وزن-های ویژگی ها دسته بندی می کنیم و محدوده خودرو را در تصویر مشخص می نماییم. آزمایش های ما نشان دادند مرحله ی ساخت فرضیه پیشنهادی قابلیت تشخیص مکان حدودی خودروها را با دقت مطلوبی داراست و همچنین مرحله ی وارسی فرضیه پیشنهادی به دقت دسته بندی % 76/97 بر روی تصاویر تست دست یافت.

تشخیص حرکت سه بعدی از یک سیستم استریوی متحرک یکی از مسائل مهم در بینائی کامپیوتر می باشد. این مسئله از یک طرف نیازمند مطالعه ی حرکت اشیاء در محیط، و از طرف دیگر، تخمین عمق صحنه می باشد. بینائی استریو توانایی درک عمق از صحنه مشاهده شده بر اساس دو دوربین می باشد که روی یک خط افقی به نام خط مبنا قرار گرفته اند. مسئله ی اساسی در بینائی استریو تطبیق می باشد. کاهش پیچیدگی مرحله ی تطبیق در الگوریتم های استریو به طور موثری زمان اجرا را کاهش می دهد. تطبیق شامل دو مرحله است: استخراج نقاط ویژگی از تصاویر و سپس تعیین اینکه کدام نقطه در تصویر چپ متناظر کدام نقطه در تصویر راست می باشد. تطبیق یک مسئله ی جستجو است، بنابراین کاهش فضای جستجو، سرعت اجرا و دقت را افزایش خواهد داد. در این پایان نامه، یک روش برای تشخیص حرکت اشیاء در توالی تصاویر استریو با دوربین های متحرک ارائه شده است. به منظور کاهش زمان تطبیق استریو، در ابتدا اشیاء متحرک تشخیص داده می شوند و سپس، با تکنیک بینایی استریو تخمین عمق برای اشیاء متحرک انجام می شود.به منظور محاسبه ی عمق از یک الگوریتم ترکیبی استفاده شده است که از نقاط حرکت بدست آمده از مرحله ی قبل، به عنوان دانه های اولیه برای تطبیق استفاده می کند و سپس عملیات رشد حول این نقاط اولیه انجام می شود. نتایج اجرا روی توالی تصاویر استریو نشان می دهد که سرعت اجرا و دقت تطبیق استریو و تخمین عمق افزایش یافته است.

pca و lda دو روش شناخته شده و اساسی در استخراج ویژگی و کاهش ابعاد فضای مشخصه سیگنال هستند و به طور گسترده ای در مسائل با ابعاد بالا مانند تشخیص چهره به کار گرفته می شوند. ولی نقاط ضعف این دو روش در مواجهه با تعداد کم نمونه ها و ابعاد زیاد تصاویر چهره، محققان را بر آن داشت تا تمهیداتی در زمینه بهبود این نقاط ضعف انجام دهند. روش هایی همچون 2dpca، 2dlda، ?(2d)?^2 pca و ?(2d)?^2 lda حاصل این تمهیدات در جهت بهبود روش های pca و lda کلاسیک بوده اند. ما در این تحقیق، ابتدا به بررسی و مقایسه بیشتر این روش ها ازنظر کارآیی و سرعت خواهیم پرداخت. به همین منظور کلیه این روش ها را روی سه مجموعه داده ای orl، yale و ar اِعمال کرده و میزان دقت و سرعت هریک از آن ها را با درنظر گرفتن تعداد نمونه های تعلیم متفاوت، محاسبه و مقایسه می نماییم. نتایج این آزمون ها حاکی از آن است که پیشنهاد روش ?(2d)?^2 pca از میان این متدها به عنوان روشی قابل اطمینان و با زمان اجرایی مناسب در زمینه استخراج مشخصه های تصاویر چهره، منطقی به نظر می رسد. در ادامه با تکیه بر نتایج قبلی، روشی جدید بر مبنای روش های pca و lda پیشنهاد کردیم و به تحلیل و بررسی نتایج حاصل از به کارگیری آن بر روی سه مجموعه مذکور پرداختیم. نتایج حاصله گویای کارآیی و سرعت بیشتر استفاده از روش ?(2d)?^2 pca به عنوان پیش پردازش lda، نسبت به دیگر روش های مبتنی بر pca و lda می باشد. استفاده از این روش در برخی موارد تا 20% بهبود به دنبال داشته است. در نهایت، با توجه به گسترش روزافزون کاربردهای عملیِ فیلترهای گابور و شبکه های عصبی مصنوعی در مباحث پردازش تصاویر و تشخیص الگو، برآن شدیم تا تأثیرات این دو مبحث مطرح در دنیای کنونی را بر متد پیشنهادی خود بیازماییم. با توجه به کارآیی و زمان های اجرای حاصله، استفاده صِرف از روش پیشنهادی همراه با یک عملگر فاصله اقلیدسی به منظور کلاس بندی، مطلوب تر و منطقی تر به نظر می رسد.

درماندگی مالی و ورشکستگی شرکت‏ها به عنوان یکی از مهمترین موضوعات در مدیریت و سرمایه گذاری مالی محسوب می شود. پیش بینی ورشکستگی شرکت ها پدیده ای است که سرمایه گذاران، اعتباردهندگان،شرکت های استقراض کننده،و دولت به صورت فزاینده به آن علاقه مند شده اند. مدل‏های تشخیص درماندگی مالی یکی از مهمترین ابزارها در تعیین وضعیت مالی شرکت‏ها می‏باشد لذا در نظر تحلیل گران مالی بسیار با اهمیت هستند. هدف از انجام این پژوهش، مقایسه قدرت پیش بینی کنندگی دو مدل هوش مصنوعی در تشخیص درماندگی مالی شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران می‏باشد. در سال های اخیر، تکنیک های هوش مصنوعی بیشترین توجه را در حوزه های دانشگاهی و تجربی، در جهت حل مسائل بسیار پیچیده به خود جلب کرده است. به این منظور دو مدل شبکه عصبی مصنوعی و شبکه عصبی فازی برای نمونه انتخاب شده از شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران ارائه شده است. مدل شبکه عصبی مصنوعی و مدل شبکه عصبی فازی که مبتنی بر نسبت‏های مالی طراحی شده است به ترتیب با دقت 75% و 80% شرکت‏های سالم و درمانده را درست پیش بینی نمود. بصورت خلاصه نتایج حاصل از این پژوهش بیان می‏کند که مدل شبکه عصبی فازی نسبت به مدل شبکه عصبی مصنوعی دقت بالاتری در تشخیص درماندگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران دارد.

با پیشرفت های اخیر در تکنولوژی کامپیوتر، بکارگیری سیستم های آموزشی کامپیوتری به شدت رو به افزایش است. سیستم آموزش مجازی هوشمند از جمله سیستم های آموزشی است که در سال های اخیر رشد چشمگیری داشته است. پیاده سازی یک روش یادگیری استاندارد در این سیستم در افزایش سطح یادگیری دانش آموز بسیار موثر بوده و از اهمیت ویژه ای برخوردار است. یک روش یادگیری استاندارد که مورد توجه دانش آموزان قرار گرفته و در پیشرفت درسی آن ها تاثیر بسزایی داشته روش یادگیری pqrst است. هدف ما در این پروژه پیاده سازی مرحله ی پیش مطالعه از روش یادگیری pqrst در سیستم آموزشی هوشمند بمنظور بهبود فرآیند یادگیری در این سیستم می باشد. بدین منظور از ترکیبی از تکنیک های الهام گرفته از ابزار وردنت برای پردازش زبان طبیعی، و روش های آماری استفاده می کنیم. در این پژوهش دو روش به این منظور ارائه شده و روش دوم پیاده سازی شده است. روش پیشنهادی اول استخراج مفاهیم و کلمات کلیدی متن، ترسیم نقشه ی مفاهیم و تهیه ی خلاصه ی مطلب آموزشی می باشد که شامل چهار فاز اصلی پیش پردازش متن، وزندهی به کلمات بر اساس معیار فراوانی بمنظور استخراج مفاهیم کاندید، استخراج ویژگی های مفاهیم کاندید و ترسیم گراف ارتباطی مفاهیم می باشد. در این روش از ابزار پردازش زبان طبیعی در فاز استخراج ویژگی ها استفاده شده است. کارایی سیستم در بهترین حالت 90% قبل از پردازش نهایی و 94% بعد از پردازش نهایی می باشد. روش دوم شامل ارائه پرسش هایی به دانش آموز پس از انجام پیش مطالعه و ارزیابی پاسخ ها با استفاده از تکنیک ارزیابی میزان شباهت بین دو متن می باشد. این روش شامل سه فاز اصلی پیش پردازش متن، ترسیم مدل فضای برداری و ارزیابی تشابه کسینوسی می باشد. در این روش از ابزار وردنت بمنظور ارزیابی تشابه معنایی بین کلمات استفاده می شود. در فاز پیش پردازش متن در هر دو روش، هدف انجام عملیات پیش پردازشی مناسب روی متن است به نحوی که نتایج بازیابی را بهبود بخشد. در این فاز سه عمل اصلی جداسازی کلمات، ریشه یابی کلمات با استفاده از الگوریتم پورتر و حذف کلمات اضافی صورت می گیرد. کارایی سیستم در این روش در بهترین حالت 92% و در بدترین حالت 77% برای مجموعه ی 20 آزمون 5 سوالی در مرحله ی ارزیابی پیش مطالعه می باشد.

شاخص کل قیمت سهام یک سری زمانی غیرخطی و نامانا است که دارای شکست های ساختاری می باشد، رفتار آن آشوبناک است و تحت تأثیر عوامل متعددی قرار دارد. پیش بینی شاخص کل با استفاده از روش های کلاسیک اقتصادسنجی، به دلیل مفروضات محدودکننده و غیرواقعی، دشوار می باشد و قابلیت اتکای بالایی ندارد. به همین منظور با به کارگیری روش های هوشمند و علوم غیرخطی، سعی بر آن است که این مشکلات هموار شود. با ترکیب چارچوب شبکه های عصبی و تبدیل موجک، نوع جدیدی از شبکه های عصبی به نام شبکه عصبی موجک به دست می آید که می توان با استفاده از آن، معضلات مدل های کلاسیک را هموار ساخت و پیش بینی قابل اتکاتری از شاخص کل قیمت بورس به دست آورد. پژوهش حاضر به لحاظ هدف کاربردی و از نوع پژوهش های توصیفی-همبستگی می باشد که در آن توانایی سه نوع شبکه ی عصبی موجک و شبکه عصبی پس انتشار در پیش بینی شاخص کل قیمت، به وسیله ی شش فرضیه مورد مقایسه قرارگرفته است. جامعه ی آماری پژوهش حاضر، شامل شاخص کل قیمت بورس اوراق بهادار برای دوره ی زمانی ده ساله از 1382 تا 1391 می باشد. فرضیه های پژوهش با استفاده از معیارهای مجذور میانگین مربعات خطا و میانگین درصد خطای مطلق مورد آزمون قرار گرفته اند. نتایج حاصل از پژوهش نشان می دهد که شبکه عصبی موجک غیر متراکم و شبکه عصبی موجک ترکیبی دارای دقت پیش بینی بهتری نسبت به شبکه عصبی موجک متراکم و شبکه عصبی پس انتشار خطا می باشند. این دو مدل در داده های آزمون و آموزش دارای خطای پیش بینی کمتری نسبت به شبکه عصبی موجک متراکم و شبکه عصبی پس انتشارخطا می باشند و برای پیش بینی شاخص کل مناسب می باشند.