در این رساله، یک مدل بازشناسی مستقل از دید چهره، بر مبنای اختلاط خبره های سلسله مراتبی ارائه شده است. در شکل پایه اختلاط خبره های سلسله مراتبی، فضای مساله به صورت خودکار به چند زیر فضا برای اختلاط خبره ها تقسیم می شود. سپس این زیرفضاها خود نیز به چندین زیرفضا برای خبره ها تقسیم می شوند و خروجی اختلاط خبره ها توسط یک شبکه میانجی ترکیب می شود، نتیجه هر کدام از این ترکیبها خروجی یک سیستم اختلاط خبره ها می باشد که سرانجام خروجی اختلاط خبره ها نیز توسط یک شبکه میانجی با هم ترکیب شده و خروجی نهایی را تشکیل می دهد. شواهدی از نروفیزیولوژی مبنی بر وجود یک سازوکار ترکیب مطرح است که طی آن خروجی چندین واحد وابسته به زاویه دید برای بازشناسی مستقل از دید چهره با هم ترکیب می شوند. این شواهد با مدل پیشنهادی ما همخوانی دارد. نتایج آزمایشات نشان می دهد که روش پیشنهادی ما در مقایسه با خیلی از روشهای نوین و متدوال، دارای نرخ بازشناسی بهتری می باشد. همچنین این روش دارای پیچیدگی محاسباتی کمتری نسبت به روشهای اختلاط خبره های مرسوم دارد.

سیستم های رتیکلی، یک روش کلاسیک برای تخمین موقعیت هدف هستند و به طور گسترده ای در جستجوگرهای فروسرخ مورد استفاده قرار می گیرند. بزرگترین عیب جستجوگرهای رتیکلی، حساسیت آنها به اقدامات متقابل فروسرخ مانند فلیرها است. برای حل این مشکل روشهای مختلفی ارائه شده است که شامل روش جداسازی هدف و فلیر با استفاده از خواص توزیع طیفی آنها و استفاده از الگوریتمهای خوشه بندی مانند روش k-means است. هدف این پایان نامه حل مشکل حساسیت جستجوگرهای رتیکلی یعنی بازیابی سیگنالهای هدف و فلیر از سیگنال های مشاهده شده در خروجی جستجوگر رتیکلی بهبود یافته با استفاده از الگوریتمهای جداسازی کور منابع است. برای استفاده از الگوریتمهای جداسازی کور منابع، با استفاده از جدا کننده پرتو، ساختار جستجوگر نسبت به جستجوگر معمولی بهبود یافته و با استفاده از این الگوریتمها، در دو حالت منابع همدوس و ناهمدوس، سیگنال های اصلی از سیگنال های مخلوط که در خروجی جستجوگر رتیکلی بهبود یافته تولید می شوند، بازیابی می شوند. در این مساله، سیگنال های مشاهده شده ترکیب کانولوتیو سیگنال های منبع هستند، یعنی این که ما با یک مخلوط کانولوتیو روبرو هستیم. دراین پایان نامه با استفاده از سه الگوریتم ارائه شده برای مخلوطهای کانولوتیو، دو الگوریتم حوزه زمان و یک الگوریتم حوزه فرکانس، سیگنال های اصلی از سیگنال های مخلوط بازیابی می شوند. همچنین الگوریتمهای حوزه زمان با یکدیگر و با الگوریتم حوزه فرکانس مقایسه می شوند و مزایا و معایب این الگوریتمها بررسی می شود. مزیت استفاده از الگوریتمهای جداسازی کور منابع نسبت به روش جداسازی هدف و فلیر با استفاده از خواص توزیع طیفی آنها، پیاده سازی ساده تر و نسبت به استفاده از الگوریتمهای خوشه بندی سرعت همگرایی بیشتر است.

فیلترهای تطبیقی نزدیک به چهار دهه به عنوان یک ابزار ضروری در بسیاری از کاربردهای پردازش سیگنال مورد استفاده قرارمی گیرند، به طوری که هم اکنون نیز به عنوان یکی از موضوعات تکامل یافته در زمینه پردازش سیگنالهای دیجیتال از نقطه نظر پایه های تئوری هستند. الگوریتم های فیلترهای تطبیقی متعددی در طول چند دهه گذشته پیشنهاد شده اند که در بین آنها الگوریتم حداقل میانگین مربعات، حداقل میانگین مربعات نرمالیزه شده، و الگوریتم های تصویر افاین جزو مهمترین و مشهورترین الگوریتم های فیلترهای تطبیقی هستند. شناسائی سیستم یکی از کاربردهای مهم در پردازش سیگنال فیلترهای تطبیقی است. یکی از پارامترهای مهم در فیلترهای تطبیقی اندازه گام است که سرعت همگرایی و مقدار خطای حالت ماندگار را کنترل می کند. اندازه گام بزرگ باعث افزایش سرعت همگرائی ولی افزایش خطای ماندگار می شود، از طرف دیگر اندازه گام کوچک باعث کاهش خطای ماندگار اما کاهش سرعت همگرائی می شود. با تغییر گام به صورت بهینه در حین تنظیم ضرایب فیلتر می توان هم به سرعت همگرائی بالا و هم به خطای ماندگارکم دست یافت. ما در این پایان نامه یک خانواده از فیلتر های تطبیقی تصویر افاین با اندازه گام متغیر به منظور شناسایی سیستم ارائه خواهیم داد. در این کلاس از فیلترهای تطبیقی، اندازه گام طوری تغییر می کندکه سرعت همگرایی بالا و متوسط مربعات خطای حالت ماندگار پایین حاصل گردد. در ادامه جهت کاهش پیچیدگی محاسبات، الگوریتم تصویر افاین با اصلاح جزئی ضرایب و با اندازه گام متغیر محقق می گردد. همچنین این ایده روی خانواده تصویر افاین با انتخاب دنباله ورودی اعمال و الگوریتم تصویر افاین با انتخاب دنباله ورودی و با اندازه گام متغیر پیشنهاد گردید. در ادامه با ترکیب الگوریتم های تصویر افاین با اصلاح جزئی ضرایب و با انتخاب دنباله ورودی، الگوریتم تصویر افاین با اصلاح جزئی ضرایب و با انتخاب دنباله ورودی با اندازه گام متغیر ارائه شد. همچنین باندهای پایداری الگوریتم هایsr , spu و spu-sr بر پایه رابطه بقای انرژی مورد بررسی و تحلیل قرار گرفته و روابط جامعی برای پایداری در متوسط و متوسط مربعات ارائه خواهد شد. در انتها، عملکرد مناسب الگوریتم های ارائه شده بر روی کاربرد شناسایی سیستم مورد بررسی و تحلیل قرار گرفت.

سیستمهای ضبط پتانسیل فعالیت عصبی به سرعت در حال توسعه هستند. یکی از بلوک های مهم در این سیستم ها، آشکارساز پتانسیل فعالیت می باشد. آشکار ساز های پتانسیل فعالیت رایج عموماً توسط کاربر کنترل می شود. حذف کاربر سیستمهای ضبط عصبی از موارد مورد توجه در توسعه این سیستم ها است. یکی از راه حل های مورد استفاده برای خودکار کردن آشکار ساز پتانسیل فعالیت، استفاده از ویژگیهای آماری سیگنال عصبی است. در این تحقیق دو مدار جهت آشکارساز خودکار پتانسیل فعالیت پیشنهاد و پیاده سازی شده است. مدار اول آشکار سازی با استفاده ازاخذ مقدار واریانس سیگنال است. مدار اخذ مقدار واریانس سیگنال شامل یک سلول ضرب کننده و آرایه های خازنی است. این مدار بر اساس تکنولوژی cmos 5/0 میکرو متری طراحی شده و توان مصرفی آن در حدود 270 میکرو وات است. درمداردوم آشکار سازی با استفاده از اخذ مقدار rms سیگنال است. مدار اخذ مقدار rms شامل سلول ضرب کننده، میانگین گیر گسسته و مجذور گیر می باشد. این مدار با تکنولولوژی cmos 18/0 میکرو متری طراحی شده و توان مصرفی آن 47 میکرو وات است. عملکرد مدار اول با شبیه سازی مورد بررسی و مورد تایید قرار گرفته است و مدار دوم ضمن شبیه سازی، پیاده سازی شده و نتایج حاصل از شبیه سازی به صورت عملی تایید شده است. سیگنال مورد استفاده در شبیه سازی و پیاده سازی عملی، سیگنال عصبی واقعی ضبط شده ازقشر شنوای مغز خوکچه گینه ای می باشد که با نرخ20 ksamples/s و رزولوشن 8 اخذ شده است. این سیگنال حدود 40~60 دسی بل تقویت و فرکانس های پایین (1~hz10) و بالای ( 7~khz10) آن فیلتر شده است.

در این مطالعه ابتدا روشهای مستقیم تشخیص پایداری گذار و سپس روش استفاده از شبکه های عصبی مصنوعی ترکیبی برای تشخیص پایداری گذرای سیستم های قدرت معرفی شده است. برای بهبود ناپایداری گذرای سیستم های قدرت می توان از ادوات facts استفاده نمود. در این مطالعه از upfc برای بهبود پایداری گذرا استفاده شده است. اثر upfc بر پایداری گذرا به طور کامل تشریح شده و مدل های مناسب upfc در پایداری گذرا مورد بحث قرار گرفته است. برای کنترل upfc و برای پیش بینی وضعیت پایداری سیستم قدرت دارای upfc از شبکه های عصبی مصنوعی ترکیبی استفاده شده است. در انتها، مدل ها و سیستم های کنترلی ارائه شده، شبیه سازی شده و پس از تحلیل نتایج شبیه سازی، نتایج به دست آمده در سایر مراجع با آنها مقایسه شده اند. لازم به ذکر است که شبیه سازی در محیط simulink از نرم افزار matlab و نرم افزار psat انجام شده است. نتایج حاصل از شبیه سازی، عملکرد مناسب upfc را در بهبود پایداری گذرا نشان می دهد. سیستم های قدرت ieee 9bus و ieee 14bus در این مطالعه مورد استفاده قرار گرفته است. واژه های کلیدی- پایداری گذرا، شبکه های عصبی مصنوعی ترکیبی، ادوات facts، upfc

بازشناسی ارقام دست نویس یکی از مسائل مهم در بازشناسی الگو است. در زمینهی تشخیص ارقام دست نویس فارسی در دو حوزه ی روش های استخراج ویژگی و استفاده از طبقه بندها تحقیقات زیادی صورت گرفته است. انتخاب روش استخراج ویژگی به عنوان مهم ترین عامل در بازشناسی الگو و به منظورکاهش ابعاد داده های ورودی مطرح است. برای بازشناسی الگو، در تحقیقات متعددی به منظور بهبود کارایی طبقه بندی، افزایش نرخ بازشناسی و افزایش قابلیت اعتماد در سیستم از ترکیب طبقه بند ها استفاده شده است. ترکیب طبقه بند ها راهکاری برای بهبود کارایی در مسائل پیچیده طبقه بندی است. این پیچیدگی میتواند ناشی از محدود بودن تعداد الگوها، همپوشانی کلاس ها، بالا بودن بعد ویژگی ها و وجود نویز قابل ملاحظه در نمونه ها باشد. تاکنون روش های ترکیب متعددی در بازشناسی ارقام دست نویس پیشنهاد شده است که از بین آنها می توان به روش های ترکیب میانگین، بیشینه، کمینه و حاصلضرب اشاره نمود. طبقه بندهای موجود با یک الگوریتم تکراری، سعی در بازشناسی الگو دارند. در این رساله هدف این است که با استفاده از یک روش ترکیب با نام اختلاط خبره ها به نرخ بازشناسی بالاتری نسبت به روش های ترکیب ارائه شده در زمینه بازشناسی ارقام دست نویس فارسی دست یافت. در این مدل، مسأله پیچیدهی محاسباتی به تعدادی مسأله ساده تر تقسیم شده و در نهایت حل مسأله اصلی با ترکیب حل مسائل کوچکتر امکانپذیر می شود. به عبارت دیگر این مدل، با توزیع وظیفه یادگیری بین تعدادی طبقه بند و تقسیم فضای ورودی به مجموعه ای از زیر فضاها، قدرت تعمیم طبقه بندها را افزایش می دهد. سپس با ترکیب وزن دار خروجی طبقه بند ها به خروجی نهایی بهینه دست می یابد. برای کاهش احتمال به دام افتادن طبقه بندها در کمینه های محلی نیز تغییراتی اعمال شده است. از جمله این تغییرات افزودن ضریب ممنتم در روابط اصلاح وزن های طبقه بندها و تغییر ساختار طبقه بندها از پرسپترون چند لایه به تابع پایه شعاعی است. با اعمال این تغییرات سعی در افزایش سرعت همگرایی و نرخ بازشناسی بوده است، و نتایج آزمایشات نیز حاکی از حصول این امر است.

بازشناسی چهره در طی چند دهه ی اخیر به طور گسترده ای مورد مطالعه قرار گرفته است و همچنان نیز، یکی از زمینه های فعال در بینایی ماشین می باشد. بسیاری از سیستم های بازشناسی چهره وابسته به مجموعه تصاویر ذخیره شده از هر فرد هستند. کارائی اینگونه سیستم ها، وقتی تعداد نمونه های آموزشی کمی ذخیره می شود، به شدت کاهش می یابد. . برای حل مشکل فوق روش زیرنمونه برداری برای افزایش داده های آموزشی ارائه شده است. در این روش، ابتدا پنجره به اندازه ی 2×2 انتخاب شده، ضمن حرکت دادن این پنجره روی تصویر، هر کدام از عنصرهای آن به ماتریس تصویر جدید داده می شود. بنابراین چهار تصویر جدید از تصویر اصلی با ربع اندازه ی تصویر اصلی بوجود می آید. هر کدام ازتصاویر تولید شده به طبقه بند پرسپترون های چند لایه داده شده، در آخر با روش های مختلف ترکیب، آنها را باهم ترکیب می کنیم که در بین آنها روش ترکیب میانگین وزن دار عملکرد بهتری از خود نشان می دهد. زیرا در حوزه آموزش طبقه بندی که بهتر آموزش می بیند وزن بیشتری می گیرد. سپس برای استخراج ویژگیهای مفیدتر از یک نمونه ی آموزشی، بیان های مختلف تصویر چهره با فیلترهای گابور مختلف ساخته می شود. بنابراین ابتدا فیلترهای گابور با فرکانس یکسان و زوایای مختلف روی تصویر اصلی حرکت داده می شود تا چهار بیان متفاوت از تصویر بدست آید. هرکدام از این بیان ها، همراه با تصویر اصلی، با روش رای اکثریت بهبود یافته باهم ترکیب می شوند. روش رای اکثریت بهبود یافته همانند رای اکثریت عمل می کند ولی وقتی رای دو یا چند کلاس یکسان می شود، رای طبقه بند تصویر اصلی به عنوان رای نهائی انتخاب می شود. نتایج آزمایشات برتری روش پیشنهادی نشان می دهد و دلیل آن پوشش اکثر فضای ویژگی ورودی با استفاده از تولید بیان های جدید توسط فیلترهای گبور می باشد. در گام آخر، برای غلبه بر مشکل تعداد نمونه ی کم، تصاویر مجازی با زوایای مختلف ساخته شده است. در این روش، ابتدا با تخمین ماتریس فاصله چهره، مدل سه بعدی تصویر چهره ساخته می شود. سپس با چرخش تصویر سه بعدی در زاوایای مختلف، تصاویر مجازی با زوایای مختلف ساخته می شود. با زیاد کردن تعداد نمونه های آموزش توسط نمونه های مجازی تولید شده بدیهی است نرخ بازشناسی نیز افزایش خواهد یافت. به این دلیل که نمونه های مجازی در زوایای مختلف تولید شده است و سیستم بازشناسی ما نسبت به تغییرات زاویه مقاوم می شود

بحث عیب یابی ماشین آلات دوار یکی از موضوعات مهم و کاربردی در صنایع می باشد. تحلیل ارتعاشی قسمت های مختلف یک ماشین به عنوان ورودی یکی از روش های غیر مخرب و قابل اجرا در حین کار ماشین، روش مطمئن و ساده ای است که در بسیاری از موارد توصیه می شود. در این تحقیق پس از ساخت مدل ماشین دوّار چهار عیب متداول یعنی 1) نابالانسی 2) ناهمراستایی 3) خرابی یاتاقان 4) لقی مکانیکی را بطور جداگانه برروی دستگاه ایجادشده است. سپس توسط نصب پیکاپ برروی محفظه یاتاقان ها سیگنال های ارتعاشی را در فرکانس های مختلف جمع آوری نموده ایم. جهت استخراج مشخصه ها و داده های آماری، سیگنال ها بوسیله تابع تبدیل فوریه fft مورد پردازش قرار گرفته است. پس از بدست آوردن 11 داده آماری، نتایج بوسیله یک شبکه عصبی پرسپترون چند لایه( mlp ) مورد تجزیه و تحلیل قرار گرفت. کل داده های استخراج شده به صورت یک ماتریس 84×11 می باشند. از 3/2 داده ها جهت آموزش شبکه استفاده شده و از 3/1 آنها برای تست شبکه استفاده شده است. نتایج بدست آمده ازآموزش شبکه پرسپترون سه لایه نشان می دهد که این شبکه با تقریب بیش از 75 درصد، بدرستی تشخیص عیب می دهد. داده ها بوسیله شبکه عصبی rbf نیز مورد تجزیه و تحلیل قرار گرفت که از مقایسه نتایج حاصل از دو شبکه مشخص گردید که شبکه عصبی mlp از شبکه عصبی rbf در این تحقیق قوی تر است

در بسیاری از کاربردهای امنیتی، تصویر چهره ی انسان نقشی اساسی را به عنوان یک منبع اطلاعات زیستی ایفا می کند. تصویر چهره به راحتی قابل دستیابی است و یک راهکار مستقیم و راحت را برای شناسایی افراد فراهم می آورد. با این وجود، بازشناسی چهره کماکان با برخی چالش ها مواجه است و از تغییرات ظاهری چهره ی افراد که ناشی از تغییرات زاویه ی دید، شدت روشنایی، حالات چهره و ... است دچار آسیب می شود. در این پایان نامه یک ساختار طبقه بندی مرکب جدید که بر اساس ایده ی زیرفضاهای تصادفی عمل می کند برای حل مسئله ی "بازشناسی چهره مستقل از حالات چهره" ارائه شده است. در بسیاری از موارد، روش های یادگیری آماری که برای حل مسئله ی بازشناسی چهره مورد استفاده قرار می گیرند به داده های آموزش بیش از حد منطبق می شوند. علت این امر تعداد اندک تصاویر چهره ی افراد و بُعد زیاد تصاویر چهره درفضای ویژگی است. استفاده از تنها یک زیرفضا برای حل مسئله ی بازشناسی چهره باعث می شود که روش های سنتی آماری نتوانند تغییرات مختلف چهره ی افراد را نیز به خوبی فرا گیرند. این تحقیق از ویژگی های به دست آمده با استفاده از راهکار چهره های فیشر بهره می برد و از ایده ی انتخاب طبقه بند برای بهبود راهکار زیرفضاهای تصادفی استفاده می کند. تعداد محدودی از طبقه بندهای مکمل از میان دسته ی طبقه بندهای تولید شده ی تصادفی انتخاب می شوند و تصمیم آنها با استفاده یک راهکار ترکیب آموزش پذیر و پویا (اختلاط خبره ها) ادغام می شوند. بدین روش، پیچیدگی پیاده سازی کاهش یافته و نتایج بازشناسی افزایش می یابند. نتایج شبیه سازی روی یک مجموعه از داده های حالت چهره نشان می دهند که روش پیشنهادی می تواند نتایج مطلوب تری از برخی از روش های آماری رایج و روش زیرفضای تصادفی ارائه دهد.

فیلترهای تطبیقی به عنوان یکی از ابزار مهم در بسیاری از کاربردهای پردازش سیگنال از جمله شناسایی کانال مورد استفاده قرار می گیرند. هنگامی که پاسخ ضربه کانال ناشناخته پراکنده باشد، الگوریتم های کلاسیک فیلترهای تطبیقی عملکرد مطلوبی نخواهند داشت. جهت رفع این مشکل الگوریتم های تطبیقی متناسب پیشنهاد گردیدند. در این پایان نامه، مفهوم متناسب به ساختار الگوریتم زیرباند تطبیقی نرمالیزه شده تعمیم داده شده و هفت الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب محقق گردیده است. الگوریتم های پیشنهادی شامل، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب با قانون ، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته، الگوریتم پیشرفته زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته با اصلاح جزئی ضرایب، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته عضویت مجموعه و الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته عضویت مجموعه با اصلاح جزئی ضرایب هستند که همگی روش های مناسبی جهت شناسایی کانال هایی با پاسخ ضربه پراکنده مانند پاسخ ضربه اکوی صوتی می باشند. هرگاه پاسخ ضربه کانال ناشناخته به صورت پراکنده باشد، سرعت همگرایی الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بیشتر از الگوریتم زیرباند تطبیقی نرمالیزه شده خواهد بود. اما پس از تکرارهای اولیه شاهد کاهش نرخ همگرایی در الگوریتم خواهیم بود. فیلتر زیرباند تطبیقی نرمالیزه شده متناسب با قانون سرعت اولیه بالای خود را در تمام طول فرآیند همگرایی حفظ خواهد کرد. الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته روشی مناسب در محیط هایی با پاسخ ضربه پراکنده و نیز غیرپراکنده خواهد بود. الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته عضویت مجموعه عملکرد مناسبی را به همراه کاهش پیچیدگی محاسبات در مقایسه با الگوریتم زیر باند تطبیقی نرمالیزه شده متناسب بهبود یافته، از خود نشان داده است. در الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته با اصلاح جزئی ضرایب تنها بخشی از ضرایب به جای تمامی ضرایب فیلتر در هر بار تکرار اصلاح می شوند. در الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته عضویت مجموعه با اصلاح جزئی ضرایب، مفهوم عضویت مجموعه و نیز اصلاح جزئی ضرایب، ترکیب شده و منجر به کاهش بیشتر پیچیدگی محاسبات ریاضی خواهد شد. نتایج شبیه سازی، عملکرد مناسب الگوریتم های پیشنهادی را در شناسایی کانال هایی با پاسخ ضربه پراکنده در نرخ همگرایی، خطای حالت ماندگار و همچنن کاهش پیچیدگی محاسبات نشان می دهد.

فن آوری بازشناسی چهره یکی از معدود روش های بیومتریک می باشد که با دارا بودن مزایای دقت بالا و تهاجم پایین، در مواردی مانند امنیت اطلاعات، اجرا و نظارت بر قانون، کارت های هوشمند، کنترل دست یابی و غیره مورد استفاده قرار می گیرد. به همین دلیل این فن آوری در طی بیست سال گذشته در عرصه های صنعتی و علمی مورد توجه قرار گرفته است. کیفیت تصاویر یکی از چالش های مهم این عرصه می باشد. عملکرد سیستم های بازشناسی متاثر از کیفیت داده های ورودی است. داده های کیفیت پایین منجر به محدودیت در عملکرد سیستم های بازشناسی خواهند شد. این تصاویر کیفیت پایین ممکن است به دلایل مختلفی از جمله مناسب نبودن فاصله بین دوربین تصویر برداری و شخص، لرزش دستی که دوربین توسط آن نگاه داشته شده است یا تحرک فردی که دوربین روی او متمرکز شده است و یا بسیاری از عوامل دیگر، ایجاد شوند. برای رفع این مشکل دو راه حل عمده وجود دارد: اول، بالا بردن کیفیت تصاویر از روش های مختلف و سپس اعمال سیستم های رایج جهت بازشناسی چهره و دوم، طراحی شبکه ای که روی این تصاویر کیفیت پایین، بدون بالا بردن کیفیت عملکرد خوبی را داشته باشد. یک راهکار موثر برای حل مشکل بازشناسی تصاویر کیفیت پایین استفاده از ترکیب طبقه بند ها به جای استفاده از یک طبقه بند منفرد است. بیشتر روش های توسعه یافته برای بازشناسی تصاویر کیفیت پایین بر روی بهبود رزولوشن تصاویر یا استفاده از استخراج ویژگی که برای این تصاویر از کارایی قابل قبولی برخورداراست، متمرکز شده اند. در حالی که در این پایان نامه ما روی مرحله ی طبقه بندی تمرکز کردیم و سه روش طبقه بندی ترکیبی جدید که قادر به حل این مسئله می باشد، ارائه کرده ایم. سه روش ترکیبی جدید عبارتند از 1-استفاده از ترکیب طبقه بندهای متفاوت، 2- استفاده از اختلاط خبره ها به کمک نمایش های متفاوت و 3- استفاده از ارزش دهی اولیه ی معقول اختلاط خبره ها توسط روش های تقویتی در بازشناسی تصاویر کیفیت پایین. مبنای این روش ها استفاده از ساختار های تعمیم پشته، اختلاط خبره ها، تقویت بوسیله ی پالایش و ترکیبی از این ساختار ها است. ساختار تجمعی اختلاط خبره ها از یک روش پویا برای ترکیب طبقه بند ها بهره می برد. در عمل هم نشان داده شده است که استفاده از این روش ها نتایج بهتری را در مقایسه با روش های قبلی فراهم می کند.

امروزه بتن خودتراکم به علت مزیت هایی همچون کارایی، دوام و مقاومت بالا، پیوستگی بهتر بتن با آرماتور، صرفه جویی کلی در هزینه و زمان ساخت ازجمله بتن های پرکاربرد می باشد. اما معایبی مانند نبودن طرح اختلاط ثابت، وابستگی طرح اختلاط به نتایج آزمایشات روانی و هزینه بر و مشکل بودن این آزمایشات، پیمانکاران را در استفاده از این بتن سست کرده است. به منظور تسهیل در استفاده اجرایی از بتن خودتراکم، محققان به فکر مدلسازی آن افتادند. یکی از روش های جدید مدلسازی، شبکه های عصبی مصنوعی می باشند. برای تهیه این پایان نامه ابتدا با مصالح ساده و در دسترس پیمانکاران و همچنین روش سعی و خطا چهار طرح اختلاط برای بتن خودتراکم ارایه شد. سپس با استفاده از نرم افزار matlab و با کمک توابع رگرسیون، برای هر طرح اختلاط، شبکه عصبی مناسب تهیه گردید و در نهایت چهار شبکه عصبی موجود را با یکدیگر ترکیب شده اند. اهداف انجام این کار عبارتند از: بدست آوردن تخمینی مناسب برای جواب آزمایشات نسبتاً مشکل بتن خودتراکم از روی جواب های آزمایشات ساده تر توسط شبکه های عصبی مصنوعی، بدست آوردن تخمینی مناسب برای نتایج آزمایشات مقاومت فشاری طولانی مدت بتن خودتراکم از روی مقاومت فشاری 7 روزه و مقایسه آن با مبحث نهم مقررات ملی ایران، بدست آوردن تخمینی مناسب برای نتایج مقاومت کششی 28 روزه بتن خودتراکم از روی نتایج مقاومت فشاری 28روزه و مقایسه آن با آیین نامه aci و مبحث نهم مقررات ملی ایران؛ که با رسیدن به این اهداف استفاده از بتن خودتراکم عمومی تر می شود.

در دنیای صنعتی امروز، شرکت ها برای حفظ توان رقابتی خود ملزم به تولید محصولات با کیفیت و از طرف دیگر ارزان می باشند. این امر با کاهش تلفات، بهینه کردن زمان تولید و عرضه بهنگام محصولات میسر می گردد. بعلاوه محدودیت امکانات موجود و افزایش تقاضا، تولید کنندگان را بر آن می دارد تا از منابع بصورت بهینه استفاده کرده و تلفات را به حداقل برسانند. سیستم تولید بهنگام تا حد قابل توجهی خواسته های فوق را برآورده می سازد. برای نزدیک شدن به این سیستم تولید، به کار بردن بیش از یک معیار ضروری است. حداقل کردن همزمان شمار قطعات دارای دیرکرد و حد اکثر زود هنگامی با سیستم تولید بهنگام تطابق دارد. در این تحقیق، مساله زمانبندی تولید دو معیاره تک ماشین به منظور کمینه کردن معیارهای حداقل زودهنگامی و شمار کارهای دارای دیرکرد بررسی گردیده است. از آنجا که این مساله جزء مسایل دشوار غیر خطی است، حل آن به وسیله روش های تحلیلی بهینه سازی امکان پذیر نبوده و از تکنیک های ابتکاری یا فرا ابتکاری برای حل آن استفاده می گردد. در اینجا چند الگوریتم ژنتیک و چند الگوریتم پرندگان برای حل مساله مورد بررسی، ارائه شده و نتایج حاصل از حل مساله با این الگوریتم ها، مقایسه شده است.

عیب یابی ماشین آلات دوار، ارزیابی وضعیت ماشین، تشخیص علائم شروع و رشد عیب، شناسایی علت و قطعات آسیب دیده و پیشگویی میزان عمرکاری باقیمانده ماشین را ممکن می سازد. به همین دلیل از آسیب دیدگی شدید ماشین و هزینه های بالای تعمیرات جلوگیری می کند. استفاده از ارتعاشات مکانیکی ماشین ها و آنالیز فرکانسی و زمانی آنها، یکی از متداول ترین و کاربردی ترین روش ها در تعیین عیوب ماشین های دوار می باشد. از آنجایی که سیستم های هوشمند در شرایط وجود عدم قطعیت و نادقیقی عملکرد قابل قبولی دارند و با توجه به خاصیت های اصلی شبکه های عصبی، یعنی؛ تخمین قدرتمند توابع غیر خطی و قابلیت یادگیری تطبیقی و نیز خاصیت اصلی سیستم های فازی، یعنی؛ استفاده از دانش خبره در به دست آوردن رابطه بین ورودی و خروجی، از روش های هوشمند برای عیب یابی ماشین های دوار استفاده می گردد. هدف این تحقیق استفاده از ساختار هوشمند شبکه فازی- عصبی (anfis) در تشخیص عیوب اصلی ماشین های دوار از جمله، نابالانسی، ناهمراستایی، خرابی بالبیرینگ و لقی مکانیکی است. بنابراین در این تحقیق علاوه بر ایجاد مکانیزم خودکار برای تشخیص عیب، در جهت افزایش دقت و سرعت این شبکه نیز تلاش شده است. لذا در این راستا سعی شده، با استفاده از تکنیک های آنالیز اجزای اصلی (pca) ابعاد ماتریس ورودی را در حد مطلوب کاهش داده و نیز کارآیی دو شبکه anfis و شبکه عصبی چند لایه mlp در تشخیص عیوب با یکدیگر مقایسه گردید. جهت دست یابی به هدف فوق شبکه های مذکور با استفاده از بردارهای ویژگی و مشخصات استخراج شده از طیف های فرکانسی بدست آمده آموزش دیده شدند. تعداد این بردارهای ویژگی 12 عدد بود، که هر مورد طیف فرکانسی اندازه گیری شده به بازه های 100 تایی تقسیم گردید و در هر بازه ویژگی های مذکور به صورت جداگانه استخراج -شدند. نتایج نشان داد که برای 84 مورد اندازه گیری نهایی، شبکه های anfis و mlp به ترتیب دارای میانگین 91 و 78 درصد موفقیت در تشخیص درست عیوب بودند. همچنین در این تحقیق نشان داده شد که استفاده از روش pca در کاهش ابعاد داده ها، کاهش حجم محاسبات و افزایش سرعت سیستم موثر می باشد. بنابراین با توجه به نتایج بدست آمده، یکی از نکات بسیار مهم و اساسی در صنایع مختلف به خصوص صنایع سنگین را می توان، نیاز به داشتن یک سیستم عیب یاب به صورت اتوماتیک و هوشمند دانست، و از آنجایی که شبکه anfis ارائه شده در مقایسه با شبکه mlp در طبقه بندی عیوب نتایج بهتر و قابل قبول تری را ارائه می دهد، می تواند به عنوان روشی مناسب در جهت تشخیص هوشمند عیوب به کار برده شود.

امروزه رله های اضافه جریان نقش بسیار مهمی را در حفاظت سیستم های قدرت ایفا می کنند و وجود رله های دیستانس در کنار رله های اضافه جریان، باعث افزایش لایه های حفاظتی و پیچیده تر شدن هماهنگی بین این رله ها خواهد شد. در سالهای اخیر، روشهای بهینه هوشمند به دلیل داشتن مزیت هایی چون حل مسائل غیرخطی، سرعت بالا، استفاده نکردن از مسائل پیچیده ریاضی و ... نسبت به روشهای بهنیه ریاضی، بیشتر مورد استفاده قرار گرفته است. برای هماهنگی رله ها ابتدا با تعیین نقاط بحرانی، اتصال کوتاه در آن نقاط صورت می گیرد و سپس قیود مسئله تشکیل داده شده و به کمک روش جدید، مسئله حل می شود. حل مساله در واقع به دست آوردن مقدار تابع هدف است که مینیموم شدن آن هدف این تحقیق می باشد. تابع هدف زمان عملکرد رله های اصلی به ازای خطا جلوی آن ها می باشد. در این تحقیق ترکیب جدیدی با نام lp-pso برای هماهنگی رله های دیستانس و اضافه جریان پیشنهاد شده است که ترکیبی از برنامه ریزی خطی و بهینه ساز دسته جمعی ذرات می باشد. هدف اصلی برنامه ریز خطی کاهش فضای جستجو و برقراری موازنه بین فرایند جستجوی سراسری و جستجوی محلی می باشد. بهینه ساز pso از مدل حرکت دسته جمعی ذرات برگرفته شده است و نسبت به روشهای هوش مصنوعی دیگر دو ویژگی اساسی دارد : سرعت زیاد در همگرایی به جواب بهینه و آسان بودن الگوریتم و کدنویسی. بررسی های صورت گرفته و مقایسه نتایج با دیگر روشهای بهینه و هوشمند نظیرالگوریتم ژنتیک، ga، نشان می دهد که هماهنگی بین رله ها به نحو مطلوب صورت گرفته است و زمان هماهنگی مینیموم تر شده است .

انسان به سرعت و به طور موثر می تواند اشیا متفاوت را در صحنه های طبیعی و پیچیده شناسایی کند. این توانایی برجسته الهام بخش بسیاری از مدل های محاسباتی شناسایی اشیا بوده است. بسیاری از این مدل ها سعی به تقلید رفتار این دستگاه تحسین برانگیز دارند. دستگاه بینایی انسان اشیا را در یک سلسله مراتب از چندین مرحله پردازش شناسایی می کند. در طول این مراحل مجموعه ای از ویژگی ها با پیچیدگی فزاینده ای توسط بخش های مختلف دستگاه بینایی استخراج می گردد. ویژگی های ساده تر و ابتدایی مانند میله ها و لبه ها در سطوح اولیه مسیر بینایی پردازش شده و همچنان که در این مسیر بالا می رویم ویژگی های پیچیده تر مورد توجه و پردازش قرار می گیرند. این که چه ویژگی هایی از شی انتخاب می گردند و مورد پردازش قرار می گیرند همیشه مسئله ی مهمی در پردازش اشیا توسط قشر بینایی بوده است. برای پرداختن به این مساله، ما یک مدل سلسله مراتبی، که با یافته های بیولوژیکی سازگار است را گسترش داده و سپس آنرا در آزمایش های متفاوت شناسایی اشیا مورد ارزیابی قرار دادیم. در این مدل، مجموعه ای از بخش های شی، که با نام تکه های تصویر شناخته می شوند، در مراحل میانی استخراج می گردند. این تکه های تصویر برای آموزش در این مدل استفاده می شود و نقش مهمی در شناسایی شی ایفا می کنند. این تکه های تصویر بدون هدف و کورکورانه از مواضع مختلف از یک تصویر انتخاب شده که این موضوع می تواند منجر به استخراج تکه های غیر تبعیض آمیز گردد که در نهایت ممکن است عملکرد مدل را کاهش دهد. در روش پیشنهادی، از الگوریتم تکاملی برای انتخاب مجموعه ای از تکه های تصویر با اطلاعات مفید برای شناسایی اشیا گوناگون استفاده گردید. نتایج نشان می دهد که این تکه ها حاوی اطلاعات بیشتر و مفیدتری نسبت به تکه های معمول که به روش کورکورانه و تصادفی انتخاب می شوند هستند. همچنین نشان داده خواهد شد که قدرت مدل ارایه شده بر روی طیف وسیعی از تصاویر از پایگاه داده های مختلف قابل توجه بوده است. نتایج آزمایش ها نشان می دهد که ویژگی های انتخاب شده به طور کلی بخش های خاصی از تصاویر هدف هستند. این ویژگی های انتخاب شده که بخش هایی از اشیا هدف را ارایه می دهند مجموعه-ای کارآمد برای تشخیص اشیا می باشند. کلمات کلیدی: مدل بازشناسی اشیا، قشر بینایی، مدل سلسله مراتبی، الگوریتم های تکاملی، انتخاب ویژگی.

تشخیص چهره یک کار محاسباتی است که به وسیله سیستم های بینایی ماشین اجرا می‏شود. تشخیص سریع چهره یکی از ویژگی های اصلی سیستم ادراک انسان است که به یکی از اهداف اصلی در سیستم های مصنوعی تبدیل شده است. از آنجا که متناسب با زاویه دید و حالات چهره تصاویر متفاوتی می‏تواند ایجاد گردد، بنابراین سیستم بینایی انسان باید توانایی تشخیص این تغییرها را داشته باشد، بطوریکه انسان می‏تواند تغییرات زاویه بیشتر از 50 درجه را تشخیص دهد و بین دیدهای از روبرو و چپ و راست تفاوت قائل شود. شواهدی از نروفیزیولوژی مبنی بر وجود یک سازوکار ترکیب مطرح است که طی آن خروجی چندین واحد وابسته به زاویه دید برای بازشناسی مستقل از زاویه دید چهره با هم ترکیب می‏شوند. در این پایان نامه ضمن بررسی روش‏های پیشین تشخیص چهره مستقل از زاویه دید، بهترین آنها نیز معرفی گردیده بطوریکه ابتدا به روش‏هایی از قبیل مدل های سه بعدی، روش ویژگیهای هندسی، فاصله اقلیدسی، گراف خوشه ای کشسان اشاره شده و مزایا و معایب آنها ذکر گردیده و بعد از آن مزایای روش‏های ترکیبی و دلایل برتری آنها بر روش‏های پیشین بیان گردیده و در ادامه روش‏های بر مبنای ترکیب که تا کنون وجود داشته اند، از قبیل روش‏های اختلاط خبره ها با استفاده از فضاهای ویژگی کلی، با استفاده از فضاهای ویژه با زاویه دید واحد و با استفاده از فضاهای ویژه همپوشانی شده به طور کامل معرفی می‏گردند و در نهایت روش پیشنهادی که روش جدیدی در مرحله استخراج ویژگی مربوط به آماده سازی داده در ساختار اختلاط خبره ها می‏باشد، ارائه می‏دهد، بطوریکه در مرحله استخراج ویژگی از روش دیگری به جز روش مرسوم و همیشگی، به ‏صورت ترکیبی با هم استفاده می‏کند و بهبود چشم گیری در درصد تشخیصی حاصل می‏شود.

در دنیای واقعی، بهترین مدل برای ایجاد یک سیستم بینائی قدرتمند، سیستم بینائی انسان می باشد. بدون شک این سیستم قابلیت بسیار بالائی در شناسائی، دسته بندی و تشخیص هویت اشیاء واقع شده در شرایط مختلف همانند زوایای دید مختلف، شدت روشنائی های متفاوت و نیز در صحنه های ترکیبی را دارد. در این بررسی، نمونه ای از سیستم های بازشناسی اشیاء، به صورت سلسله مراتبی و پیش رو بررسی می شود که در مقایسه با انسان از عملکرد بسیار مناسبی برخوردار است. با توجه به بار محاسباتی بالای سلول های عصبی قشر بینائی مغز، مدل محاسباتی آن بسیار گسترده و شبیه سازی این مدل با استفاده از سیستم های محاسباتی مرسوم، بسیار پیچیده و زمان بر خواهد بود اما مدل سلسله مراتبی مورد بررسی می تواند به خوبی به نتایج قابل توجهی برسد. به منظور به دست آوردن بالاترین نرخ بازشناسی، ویژگی های به دست آمده از طریق قشر بینائی با استفاده از مراحل استخراج ویژگی کمکی بهینه شده و در نهایت تصاویر اشیاء، با به کار بردن طبقه بندهای ساده و کارا دسته بندی می شوند. تئوری که در این پروژه مطرح شده است قادر به توجیه عملکرد نورون های قشر بینائی در سطوح پائین می باشد و مدل پیاده سازی شده بر اساس این تئوری می تواند خصوصیات نورون های قشر بینائی مغز را شبیه سازی کند. از این رو با استفاده از روش های استخراج ویژگی مناسب و طبقه بندهای نسبتاً ساده بر روی بازشناسی اشیاء مختلف از جمله در بازشناسی امضاء های فارسی، بازشناسی علائم راهنمائی و رانندگی، توانسته ایم به دقت بالائی در آزمایشهای مختلف دست پیدا کنیم. نتایج آزمایشها نشان می دهد که در بازشناسی اشیاء، مدل ارائه شده نسبت به تغییر زاویه دید، شدت روشنایی و مقیاس، پایدار است و دقت بازشناسی آن به طور مثال در بازشناسی امضاء، بر روی پایگاه داده آزمایشی تصاویر امضاء، به 6/97% رسید که این نرخ بازشناسی در مقایسه با نرخ بازشناسی امضاء با مدل های محاسباتی مرسوم از جمله آنالیز مولفه های اساسی، بر روی پایگاه داده مشابه، بسیار بالاتر می باشد.

در این پژوهش از مرز پایداری ولتاژ به عنوان شاخص استفاده شده است. اندازه و زاویه ولتاژ شین های بار به عنوان ورودی و مرز پا یداری ولتاژ به عنوان خروجی مطلوب شبکه عصبی در نظر گرفته شده اند. در سیستم 14 شینه استاندارد با تغییر تصادفی توان های اکتیو و راکتیو شین های بار و تغییر تصادفی ولتاژ شین های ژنراتور و انجام پخش بار مداوم به کمک نرم افزار psat ،مرز پایداری ولتاژ برای بارگذاری های مختلف محاسبه شده است. به کمک داده های تولید شده آموزش شبکه های عصبی پرسپترون چند لایه و ترکیبی انجام گرفته است. با تغییر الگوریتم های آموزشی و توابع آموزشی مختلف در جعبه ابزار شبکه عصبی متلب، ساختار های مختلفی از شبکه عصبی پیاده شد که نتیجه نشان داد شبکه عصبی logsig-purelin-trainlm ، کمترین خطا و بهترین رگرسیون را داشته است. که با آموزش های پی در پی در این ساختار، پارامتر های بهینه به دست آمدند. با مقایسه از نظر زمان پاسخ، تعداد تکرار، عملکرد و رگرسیون نتیجه مشخص شد مدل می نیمم در ترکیب، بهترین پاسخ را نسبت به دیگر مدل های ترکیب به دست می دهد. همچنین مشخص شد که استفاده از مکانیزم یادگیری با پارامترهای یادگیری مختلف، منجر به نتایج بهتری نسبت به سایر مکانیزم های یادگیری و یا تکنیک های نمایش الگو می گردد. و استفاده از تکنیک توقف زودرس منجر به نتایج بهتری نسبت به اعمال تکنیک اصلاح توابع کارایی می گردد.

سیگنال های زیستی علائمی هستند که بسته به نوعشان برای تشخیص وضعیت سلامتی از قسمت های مختلف بدن به کار می روند. بنابراین پردازش این سیگنال ها و تعیین علت وقوع آن ها و اینکه به کدام کلاس تعلق دارند مسئله ای بسیار مهم در امر پزشکی محسوب می شود. اما به دلیل ویژگی حجیم بودن داده های سیگنال های زیستی که می تواند منجر به خطای انسانی گردد و پیچیده بودن این سیگنال ها که نیاز به تحلیل های محاسباتی پیچیده دارد، ضرورت استفاده از تحلیل رایانه ای برای طبقه بندی این سیگنال ها احساس شد. به طور کلی فرآیند طبقه بندی سیگنال های زیستی سه مرحله اساسی دارد که مرحله اول شامل پیش پردازش، حذف نویز و آماده سازی داده است. مرحله دوم شامل استخراج ویژگی و گزینش ویژگی های موثر و مرحله سوم طبقه بندی است. هدف یک سیستم طبقه بندی، قرار دادن الگوها با کمترین خطا، در کلاس مربوط به خودشان است. در سیستم های معمولی بازشناسی الگو از یک طبقه بند استفاده می شد که لازمه آن، به کارگیری یک مدل طبقه بندی پیچیده یا استفاده از ویژگی های پیچیده است که زمان پردازش را طولانی می کند. در اوایل دهه 90 میلادی، ایده استفاده از چند طبقه بند ساده تر بجای یک طبقه بند پیچیده مطرح شد. در این ایده، ایجاد طبقه بندهای پایه و انتخاب قاعده ترکیب مناسب، دو موضوع اساسی برای طراحی سیستم بازشناسی الگو هستند. در این تحقیق افزایش نرخ بازشناسی به کمک ارائه چارچوبی از شبکه های عصبی ترکیبی صورت گرفته است. روش پیشنهادی بر مبنای روش ترکیبی تعمیم پشته است. در روش تعمیم پشته نگاشت بین خروجی طبقه بندهای پایه و خروجی مطلوب کشف می شود. تغییری که با افزودن بردار ویژگی ورودی به خروجی های طبقه بندهای پایه در ورود به طبقه بند ترکیب کننده صورت گرفته سبب توانمندی این سیستم در کشف نگاشت بین ورودی و خروجی مطلوبشان شده است. به این ترتیب نرخ بازشناسی افزایش می یابد. همچنین با توجه به بالا بودن ابعاد ویژگی های سیگنال های زیستی یک روش پیشنهادی با استفاده از الگوریتم ژنتیک و تابع ارزیابی k نزدیک ترین همسایه برای انتخاب ویژگی های موثر معرفی و آزمایش شد. این روش افزایش قابل توجهی در نرخ بازشناسی ایجاد نمود.

در طول روند تحولات حوزه نگهداری و تعمیرات استراتژی های مختلفی پیشنهاد و اجرا شده است. اما مهمترین تجربه حاصل این است که برای افزایش قابلیت اطمینان عملکردی یک سیستم اتخاذ استراتژی نت واحد نمی تواند موفقیت کاملی داشته باشد و بایستی برای علل خرابی یک سیستم از استراتژی متفاوت استفاده کرد. استراتژی یا فرایندی که بدنبال استراتژی های چندگانه نت است، استراتژی نت مبتنی بر قابلیت اطمینان (rcm) می باشد. rcm فرایندی است به منظور شناسایی استراتژی های اجرایی جهت مدیریت علل ازکارافتادگی که منجر به ازکارافتادگی وظیفه ای هر دارایی فیزیکی در شرایط عملیاتی می ‍ شود. با توجه به این که جهت اجرای rcmبه زمان و منابع زیادی(جهت آنالیزدقیق) نیاز است و کیفیت برنامه های rcm به تجربه ومهارت آنالیز کننده ها بستگی دارد بسیاری صنایع در اجرای آن موفق نیستند، بنابراین برای افزایش نقش تجربیات افراد با سطح معلومات متفاوت، جهت آنالیز در rcm و برخورداری از تصمیم گیری گروهی برای انتخاب استراتژی بهینه، در این تحقیق یک مدل فازی(محاوره ای) در نت مبتنی بر قابلیت اطمینان (rcm-fuzzy) بر اساس استاندارد جامعه مهندسی خودرو آمریکا (sae) برای شرکت خودروساز داخلی ارائه شده است، که از 3مرحله تشکیل گردیده: 1- انتخاب ربات رنگ شرکت سایپا دیزل به عنوان تجهیز بحرانی به کمک تیم خبره و روش سلسله مراتبی(ahp).2- آنالیز و اولویت بندی علل خرابی ربات رنگ با روش فازی -سلسله مراتبی.3- انتخاب استراتژی بهینه برای هر علت خرابی ربات رنگ با مدل فازی، در این مرحله به کمک نظرات تیم خبره حوزه نت شرکت سایپا دیزل و مشخص کردن آیتم های مورد نظر شرکت در بخش نت و جمع آوری نتایج مراحل 1و2 ، برنامه فازی در مطلب (.fis) طراحی گردید، این برنامه از 5 ورودی (درجه ریسک ، اثر ایمنی و محیط زیست، اثر برکسری تولید، اثر بر کیفیت محصول نهایی ، اثر بر هزینه تعمیرات) با شدت محاوره ای(خیلی زیاد، زیاد، متوسط، کم، خیلی کم) و یک خروجی که استراتژی بهینه نت(پایش مداوم، پایش برنامه ریزی شده، تعویض و تعمیر برنامه ریزی شده و نت اصلاحی) می باشد تشکیل شده و 100قانون رابطه ورودی ها و خروجی را با اوزان متفاوت مشخص می کند. فرایند انتخاب استراتژی بهینه درrcm یک فرایند پرواکتیو است، بنابراین پس از اجرای مدل rcm-fuzzy و پایش شاخص های نت، تیم خبره به سادگی می تواند تغییرات لازم را در تحلیل ها ، آیتم های ورودی ، خروجی ، قوانین و اوزان آن ها در فضای محاوره ای اعمال کند، این نکته را می ‍ توان ویژگی ممتاز این مدل بر شمرد. در ادامه تحقیق مدلی جهت تخمین سیکل بهینه بازرسی (جهت پایش گسسته) از نظر کمترین هزینه نگهداشت با روش الگوریتم ژنتیک ارائه شده است، که 550 درصد کاهش هزینه نگهداشت را در مورد کاوی انجام شده نشان می دهد.

ترکیب طبقه بند ها رویکردی است جهت بهبود عملکرد طبقه بندی خصوصاً برای مسایل پیچیده ای از قبیل مسایلی که محدودیت تعداد الگو، مجموعه ویژگی با بعد بزرگ و کلاس های همپوشان دارند. در روش های ترکیب، ثابت شده است که قاعده تقسیم و غلبه در بسیاری از این وضعیت های پیچیده موثر است. اختلاط خبره ها یکی از شناخته شده ترین روش هاست که بر اساس قاعده تقسیم و غلبه پایه گذاری شده است. در این روش فضای مسأله بین تعدادی از شبکه های عصبی با نظارت یک شبکه میانجی تقسیم می شود. بر اساس نوع استراتژی تقسیم فضای ورودی، پیاده سازی روش های اختلاط خبره ها به دو دسته تقسیم می شود: اختلاط خبره های محلی شده ضمنی و اختلاط خبره های محلی شده صریح. بررسی و مقایسه این دو روش و بحث بر روی مزایا و معایب هر یک از آنها نشان می دهد که دو رویکرد ویژگی های مکملی دارند. لذا در این پایان نامه، یک روش اختلاط خبره های ترکیبی پیشنهاد می شود تا در یک ساختار آموزشی ترکیبی، تجزیه صریح فضای مسأله در الگوریتم آموزش ضمنی اختلاط خبره ها شرکت داده شود. تجزیه و تحلیل تئوری و نتایج آزمایشی روی یک داده مصنوعی و چند مسأله طبقه بندی معیار نشان می دهد که ترکیب رویکرد های پایه مطرح شده در یک سیستم ترکیبی می تواند مزایای آنها را حفظ و معایب آنها را رفع نماید. یکی از موثرترین رویکرد ها برای تولید خبره هایی با همبستگی منفی، آموزش شبکه های عصبی با استفاده از مجموعه آموزشی متفاوت است. آموزش با همبستگی منفی (ncl) و اختلاط خبره ها (me)، دو روش پرکاربرد هستند که هر یک تابع خطای خاص خود را برای آموزش همزمان شبکه های عصبی به کار می گیرند تا شبکه های عصبی با همبستگی منفی تولید نمایند. روش های ncl و me از طریه تشویق خبره ها به بخش ها یا جنبه های مختلف داده های آموزشی، به صورت ضمنی دسته های آموزشی متفاوتی ایجاد می نمایند. در این پایان نامه ویژگی های روش های ncl و me مرور شده و مزایا و معایب هر دو بررسی می شود. ویژگی های هر دو روش نشان می دهد که ویژگی های متفاوت ولی مکمل دارند، طوری که اگر یک سیستم ترکیبی طراحی شود که شامل ویژگی های ncl و me شوند، می تواند بهتر از رویکردهای پایه اش باشد. در این پایان نامه دو رویکرد جهت ترکیب ویژگی های این روش ها پیشنهاد شده است که عباتند از: به کارگیری شبکه میانجی جهت ترکیب شبکه هایی با همبستگی منفی و اختلاط خبره هایی با همبستگی منفی.

تلاش ها برای تحقق پروتزهای بینایی از دهه گذشته آغاز شده است. پروتزهای بینایی جانشینی برای سیستم بینایی معیوب هستند تا بتوانند بینایی را به افراد نابینا بازگردانند. با وجود این تلاش ها، دانشمندان موفق به ساخت پروتز بینایی که بتواند جانشین مناسبی برای سیستم بینایی شود، نشده اند. پردازش تصویر در پروتزهای بینایی برای افزایش درک تصویری فرد نابینا از محیط اطراف هنگام استفاده از پروتز بینایی کاربرد دارد. در این رساله یک روش جدید بر مبنای فیلتر گابور و تبدیل کسینوسی گسسته برای استفاده دریک سیستم پروتز بینایی معرفی شده است. در ادامه الگوریتم های جدید و پردازش تصویر پیشنهاد شده در این رساله ارزیابی و مقایسه شده اند و الگوریتم پیشنهاد شده با 78% نرخ بازشناسی، کارایی بهتری نسبت به دیگر روش ها داشته است. به منظور ارزیابی الگوریتم های پیشنهادی و همچنین برای به کار گیری در نمونه اولیه سیستم پروتز بینایی، این پردازش ها به صورت سخت افزاری پیاده سازی و آزمایش شده اند. برای پیاده سازی سخت افزاری الگوریتم های پردازشی از برد mini2440 استفاده شده است. برای آزمایش های مربوطه، مجموعه ای از انواع مختلف تصاویر ثابت و همچنین تصاویر متحرک دریافت شدهتوسط یک دوربین مورد استفاده قرار گرفته است. تصاویر با نرخ 15 فریم در ثانیه دریافت، پردازش و با پروتکل معرفی شده و کدینگ منچستر به پروتز بینایی ارسال می شوند.

زمان پردازش نواحی مختلف قشر بینایی مغز انسان ابزاری برای مطالعه لایه های مختلف قشر بینایی، و پی بردن به سلسله مراتب نواحی مختلف مغز است. در چند سال اخیر پارامتر های آماری تصاویر طبیعی و بحث وابستگی زمان پردازش در قشر بینایی مغز به آن ها مورد توجه قرار گرفته است. زمان پاسخ دهی نواحی مختلف مغز به نوع محرکی که آنها را تحریک می کند وابسته است. در این پایان نامه، به بررسی اثر ویژگی های آماری تصاویر و اثر آن ها در زمان پاسخ دهی نواحی مختلف قشر بینایی مغز پرداخته خواهد شد. همچنین یک مدل محاسباتی ارائه خواهد شد که در آن با استفاده از اطلاعات آماری تصاویر، به پیش بینی زمان پاسخ دهی مغز پرداخته خواهد شد و نشان داده خواهد شد که با ترکیبی از ویژگی های آماری استخراج شده از تصاویر طبیعی می توان زمان پاسخ دهی به تصاویر طبیعی را تخمین زد. با توجه به نتایج به دست آمده، مدل محاسباتی ارائه شده قادر است با دقت بالایی زمان پاسخ دهی شرکت کننده ها را تخمین بزند. برای بدست آوردن زمان پاسخ دهی یک آزمایش سایکوفیزیک طراحی گردید و تعداد چهل نفر در این آزمایش شرکت کردند. وظیفه آنها این بود که با دیدن تصاویر طبیعی برای مدت زمان کوتاه (5/12 میلی ثانیه) تصمیم بگیرند که تصویر دیده شده حیوان بوده است یا غیر حیوان. شرکت کننده ها با زدن کلید روی صفحه کلید رایانه پاسخ خود را اعلام می کردند. نتایج به دست آمده نشان داد که مدل پیشنهادی قادر است که به طور متوسط زمان پاسخ دهی 72% از تصاویر را با درصد خطای قابل قبول 5% تخمین بزند.

زمان پردازش نواحی مختلف قشر بینایی مغز انسان ابزاری برای مطالعه لایه های مختلف قشر بینایی، و پی بردن به سلسله مراتب نواحی مختلف مغز است. در چند سال اخیر پارامتر های آماری تصاویر طبیعی و بحث وابستگی زمان پردازش در قشر بینایی مغز به آن ها مورد توجه قرار گرفته است. زمان پاسخ دهی نواحی مختلف مغز به نوع محرکی که آنها را تحریک می کند وابسته است. در این پایان نامه، به بررسی اثر ویژگی های آماری تصاویر و اثر آن ها در زمان پاسخ دهی نواحی مختلف قشر بینایی مغز پرداخته خواهد شد. همچنین یک مدل محاسباتی ارائه خواهد شد که در آن با استفاده از اطلاعات آماری تصاویر، به پیش بینی زمان پاسخ دهی مغز پرداخته خواهد شد و نشان داده خواهد شد که با ترکیبی از ویژگی های آماری استخراج شده از تصاویر طبیعی می توان زمان پاسخ دهی به تصاویر طبیعی را تخمین زد. با توجه به نتایج به دست آمده، مدل محاسباتی ارائه شده قادر است با دقت بالایی زمان پاسخ دهی شرکت کننده ها را تخمین بزند. برای بدست آوردن زمان پاسخ دهی یک آزمایش سایکوفیزیک طراحی گردید و تعداد چهل نفر در این آزمایش شرکت کردند. وظیفه آنها این بود که با دیدن تصاویر طبیعی برای مدت زمان کوتاه (5/12 میلی ثانیه) تصمیم بگیرند که تصویر دیده شده حیوان بوده است یا غیر حیوان. شرکت کننده ها با زدن کلید روی صفحه کلید رایانه پاسخ خود را اعلام می کردند. نتایج به دست آمده نشان داد که مدل پیشنهادی قادر است که به طور متوسط زمان پاسخ دهی 72% از تصاویر را با درصد خطای قابل قبول 5% تخمین بزند.

بازشناسی چهره در دو دهه اخیر توجه ویژه ای را به خود جلب کرده است. با این وجود هنوز یکی از مسائل پیچیده ی حل نشده، تلقی می شود. چهره در اصل سه بعدی می باشد ولی به صورت ماتریسی دو بعدی ذخیره می شود و تغییراتی مانند زاویه و شدت نور، حالت چهره، زاویه دوربین نسبت به چهره و تغییرات زمانی، می تواند بازشناسی چهره را بسیار سخت کند. به نظر می رسد که در میان روش های مختلف بازشناسی چهره روش های کلی نگر ، موفقیت بیشتری کسب کرده باشند. امروزه روش های استخراج ویژگی معروفی مانند تحلیل مولفه های اصلی و تحلیل جدا کننده خطی توانسته اند ادبیات این موضوع را به خود اختصاص دهند. با این وجود وقتی که فقط یک نمونه آموزشی از هر فرد وجود دارد، این روش ها کارایی کمتری از خود نشان می دهند. درصد بازشناسی در روش تحلیل مولفه های اصلی کاهش می یابد و امکان استفاده از تحلیل جدا کننده خطی وجود ندارد. در این پایان نامه روش جدیدی برای حل مسئله یک نمونه آموزشی از هر فرد ارائه شده است. ابتدا مکان اجزای چهره استخراج گشته و از آنجایی که تغییرات در چهره غیر خطی می باشد، از مورف برای خطی کردن داده ها استفاده شده است. با توجه به وجود یک نمونه آموزشی از هر فرد و عدم امکان اعمال تحلیل جدا کننده خطی بر روی داده های آموزشی، از مجموعه داده دیگری که مجموعه داده معاون نامیده می شود، برای تعیین چهره های ویژه استفاده شده است. همچنین طبقه بند دیگری که ورودی آن، مکان اجزای چهره می باشد، ایجاد شده است. در پایان دو طبقه بند با یکدیگر ترکیب شده اند. با توجه به گوناگونی بالای دو طبقه بند نتیجه ترکیب آن ها درصد بازشناسی را بصورت قابل ملاحظه ای بالا برده است. نتایج بدست آمده از آزمایش های انجام شده نشان می دهد که روش ارائه شده، نرخ بازشناسی را بیش از 10 درصد نسبت به روش های موفق اخیر، بهبود بخشیده است.

ارتباط مستقیم مغز با دنیای اطراف و یا به عبارت دیگرسیستم مغز-رایانه( ) از جمله موضوع هایی می باشد که طی سال های اخیرمورد توجه بسیاری از گروه های تحقیقاتی قرار گرفته است. برای این منظور اگر سیستمی بتواند سیگنال های ثبت شده از تعدادی فعالیت ذهنی را از یکدیگر تفکیک کند، با یادگیری حاصل از ارتباط ویژگی های موثر در سیگنال و علت به وجود آورنده ی آن، می توان به یک الفبای ساده و بنیادی دست یافت، که فرد می تواند با انجام ترکیب های مختلفی ازآنها، با دنیای اطراف ارتباط برقرار کند. به عبارت بهتر سیستم جایگزین قسمت آسیب دیده ی بدن با مورد مشابه و سالم فرا می گیرد تا در صورت اراده ی فرد آسیب دیده برای انجام همان کار، پردازش و عمل متناسب را شناسایی و فرمان لازم را صادر و کنترل نماید. درحقیقت استفاده از سیستم های شورایی در حوزه ی یادگیری ماشینی، از طبیعت انسان دراستفاده از نظرهای مختلف برای تصمیم گیری های مهم الهام گرفته است. برای افزایش کارایی ترکیب باید از طبقه بندهای پایه متفاوت و با خطای خروجی متمایز استفاده نمود تا تمامی ابعاد مساله پوشش داده شود. هرچه گوناگونی طبقه بندها بیشتر باشد کارایی بهتری بدست خواهد آمد. همچنین نوع ترکیب کننده نهایی در روش های ترکیبی بسیار حائز اهمیت است. در این تحقیق عملکرد روش های ترکیبی کلاسیک ازجمله: بیشینه، میانه، میانگین گیری، حاصل ضرب، اختلاط خبره ها ، تعمیم پشته و تعمیم پشته بهبود یافته با ترکیب کننده پرسپترون چندلایه با روش های پیشنهادی تعمیم پشته و تعمیم پشته بهبود یافته با ترکیب کننده نهایی انتگرال فازی، مقایسه شده اند ودر پایان به بررسی کارائی آنها بر روی داده های صرع پرداخته شده است. نتایج بدست آمده نشان می دهد عملکرد روش های پیشنهادی تعمیم پشته با ترکیب کننده انتگرال فازی و تعمیم پشته بهبود یافته با ترکیب کننده انتگرال فازی نسبت به سایر روش های مورد آزمایش قرار گرفته، با میانگین 10 بار تکرار به مقدار حداکثری 6/79% و 2/80% رسیده اند.

در این پایان نامه هدف طراحی حسگر نرم بر پایه مدل به منظور به کار گیری در فرآیند صنعتی و شیمیایی تنسی ایستمن بوده است. برای این منظور با بررسی و تحلیل عملکرد فرآیند و تشخیص اهداف کنترلی آن از تکنیک های شناسایی سیستم های غیرخطی به طراحی مدلی جهت تخمین رفتار سیستم در شرایط مختلف کاری آن پرداخته شده است. در این راستا به معرفی رویکرد طراحی مدل غیرخطی شبکه های عصبی مصنوعی تطبیقی به کمک ساختار مدل mlp پرداخته شده است. تشخیص ساختار بهینه مدل، بهینه سازی داده های صنعتی و به روز رسانی تطبیقی مدل از نو آوری های بکار رفته در این پژوهش بوده است. موضوع دیگری که در طراحی حسگر های نرم بررسی شده است، ارزیابی عملکرد طراحی در شرایط مختلف کاری سیستم در حضور اغتشاش های فرآیند و تغییرات نقاط مرجع آن است. برای این منظور از تحلیل میانگین مربعات خطای پنجره ای (wmse) و مجموع مربعات خطا در هریک از طراحی ها صورت گرفته است. در این پژوهش نتایج مربوط به طراحی های مختلف با یکدیگر مقایسه و تأثیر حضور حسگر نرم در ساختار کنترلی فرآیند مورد بررسی قرار گرفته است.

امروزه در مناطق با لرزه خیزی شدید استفاده از سیستم هایی با شکل پذیری بالا گسترش چشمگیری نموده است. در این میان قاب خمش به علت شکل پذیری زیادی که دارد حائز اهمیت بیشتری می باشد. دو عامل اتصالات و اعضای قاب (تیرها وستون ها) در شکل پذیری قاب های خمشی موثر می باشد در این پژوهش بر روی اعضای قاب ها تمرکز شده است و عوامل زیر برای شکل پذیری قاب های خمشی درنظر گرفته شده است: تعداد دهانه ها، طول دهانه ها، تعداد طبقات، ارتفاع طبقه، ممان اینرسی تیر، ممان اینرسی ستون و موقعیت مفصل پلاستیک از بر ستون. هر یک از این متغیرها با دامنه های 15 تا 20 عضوی در نظر گرفته شد که مجموع همه ی این قاب ها نزدیک به هجده میلیون قاب می باشد. برای محاسبه ی شکل پذیری قاب های خمشی از نرم افزار etabsاستفاده گردید. تعداد 500 قاب از میان میلیون-ها قاب به طور تصادفی انتخاب گردید و به کمک این نرم افزار برروی آن ها تحلیل استاتیکی غیرخطی (پوش آور) انجام و شکل پذیری آن ها محاسبه گردید. و با مقایسه ی نتایج، ارتباط بین متغیرهای ذکرشده و شکل پذیری قاب ها به شرح ذیل بدست آمد: نسبت ممان اینرسی ستون به تیر بیشترین نقش را در شکل پذیری قاب های خمشی دارد به طوری که با افزایش این نسبت شکل پذیری نیز افزایش می یابد؛ و دو عامل تعداد دهانه وتعداد طبقه کمترین نقش را در شکل پذیری قاب های خمشی دارد به طوری که می توان از اثر آن چشم پوشی نمود و دو عامل طول دهانه و ارتفاع طبقه نیز در شکل پذیری قاب ها موثر بوده ولی تأثیر آن منظم نیست یعنی با افزایش این مقادیر شکل پذیری قاب ها زیاد و کم می شود و هر چه مفصل پلاستیک ایجاد شده در تیر به ستون نزدیک تر باشد شکل پذیری قاب افزایش می یابد؛ و نیز مشخص گردید که اگر نسبت ممان اینرسی ستون به تیر در قاب های خمشی بیشتر از عدد 8/2 باشد رابطه ی ارائه شده در مبحث دهم مقررات ملی (کنترل شکل پذیری قاب های خمشی ویژه) جوابگو خواهد بود. برای بدست آوردن شکل پذیرترین قاب ها در این بازه از الگوریتم ژنتیک استفاده گردید و جهت ایجاد رابطه بین متغیرها به منظور استفاده در تابع برازش از شبکه ی عصبی استفاده گردید و در پایان نیز تعدادی از شکل پذیرترین قاب ها معرفی شد؛ که با بررسی این قاب ها نیز مشخص می گردد که ممان اینرسی ستون به تیر بیشترین تأثیر را در شکل پذیری قاب های خمشی دارد.

چکیده در بسیاری از کاربردهای امنیتی، تصویر چهره ی انسان نقشی اساسی را به عنوان یک منبع اطلاعات زیستی ایفا می کند. تصویر چهره به راحتی قابل دستیابی است و یک راهکار مستقیم و راحت را برای شناسایی افراد فراهم می آورد. با این وجود، بازشناسی چهره کماکان با برخی چالش ها مواجه است ازجمله تغییرات ظاهری چهره ی افراد که ناشی از تغییرات زاویه ی دید، شدت روشنایی و حالات چهره می باشد. در این پایان نامه، سعی شده است، روشی مبتنی بر استفاده ازیک ساختار مناسب شبکه های عصبی ترکیبی برای بازشناسی چهره مستقل از حالت های چهره، با کارآیی بهتری در مقایسه با روشهای رایج ارائه گردد. در این راستا، جهت نیل به نتیجه مطلوب، ابتدا بر روی یک پایگاه داده استاندارد (jaffe)،جهت کاهش بعد اطلاعات ورودی، برخی از روشهای موجود استخراج ویژگی را اعمال نموده و سپس ازساختار های مختلف شبکه های عصبی ترکیبی به عنوان طبقه بند، استفاده شده است. نتایج به دست آمده دراین پایان نامه، بیانگر آن است که در صورتی که از ساختار شبکه های عصبی ترکیبی مبتنی بر اختلاط خبره ها(moe)، استفاده شود، این ساختارپویا از بقیه روش های ترکیب طبقه بندها، کارآیی بهتری ارائه می کند. در آزمایش های انجام شده، ضمن استفاده از طبقه بند مناسب، روشهای استخراج ویژگی مورد استفاده نیز با یکدیگر مقایسه شده و بهترین آنها، در مساله مطرح از نظر کارآیی مشخص شده است.

در این پایان نامه مدل محاسباتی مطابق با اتصالات و الگوی اثر گذاری ورودی های مختلف برای هسته زانویی جانبی تالاموس، lgn، ارائه می شود که ویژگی پاسخ نرون های آن مشابه یافته های ثبت شده از نرون های lgn است. به علاوه مدل ارائه شده برخی کارکرد های lgn که در ادبیات موضوع آن هنوز مورد ابهام است را روشن می سازد. ابتدا پس از تشریح نواحی مختلف مغز، به بررسی برخی مدل های محاسباتی بینایی که توسط سره و همکارانش و همچنین رولز و استرینگر ارائه شده، پرداخته می شود. نقطه مشترک این مدل ها صرف نظر کردن از لایه ی lgn است. فقدان مدل محاسباتی برای lgn باعث شده این واحد در اکثر مدل های محاسباتی به همراه سلول های گانگلیون در یک واحد محاسباتی معادل با فیلترهای dog در نظر گرفته شوند. جهت مرور مطالعات گذشته در زمینه lgn این مطالعات در چهار دسته مختلف بررسی می شوند: مطالعات کارکردی، مطالعات ساختاری، مطالعات مدل های محاسباتی و مطالعات تئوری مدل lgn پیشنهاد شده با شبیه سازی الگوی معکوس ورودی های v1 (که توسط ونگ و همکارانش پیشنهاد شد) بر حوزه ی دید ساده مرکز و حاشیه ای نرون های lgn در نظر گرفته شده است. خروجی مدل از نظر معیارهای کدینگ بهینه همانند: تابع خودهمبستگی، طیف توان، آنتروپی و تنکی تطابق خوبی با پاسخ های ثبت شده از نرون های lgn دارد. مقایسه تصویر ورودی و خروجی مدل نشان می دهد که این الگوی اثر گذاری ورودی ها، همراه با تاخیر زمانی که در مسیر lgn-v1-lgn به وجود می آید، منجر به حذف اطلاعات زمانی تکراری محرک ورودی می شود. به منظور بررسی تاثیر این کارکرد lgn یعنی حذف اطلاعات اضافی در بازه زمانی مشخص بر مسئله بازشناسی اشیا، مدل پیشنهاد شده به مدل بازشناسی اشیا استانداردی به عنوان نمونه اضافه شده و کارایی آن با نتایج به دست آمده از آزمایش روان فیزیک مقایسه می شود. مجموعه داده خاصی جمع آوری شده است که در مدل و آزمایش روان فیزیک به طور مشابه استفاده می شود. دنبال کردن الگوی کارایی انسان توسط مدل در آزمایشات مشابه موید کارکرد پیشنهاد شده برای این لایه از مسیر بینایی است.

بالا بردن کارایی درایو در کنترل گشتاور و سرعت به خصوص در سرعت های پایین یکی از خواسته های محرکه ی صنعتی می باشد. کنترل کننده های فازی بدون نیاز به داشتن مدل دقیق سیستم می توانند تجربیات انسانی را در فرآیند کنترل دخیل کرده و در سیستمهای غیر خطی و پیچیده، کارایی سیستم کنترل را بهبود دهند. همچنین تغییر پارامترهای سیستم تاثیر کمتری بر روی عملکرد آنها دارد. در این پایان نامه از منطق فازی در طراحی کنترل کننده های pid فازی استفاده شده است. این کنترل کننده ها جایگزین کنترل کننده های کلاسیک مرسوم شده و کارایی درایو را بهبود بخشیده-اند. شبکه های عصبی به عنوان تقریب زننده های توابع و تخمینگرهای مختلف به کار می روند. در این پژوهش یک مدل مرجع وفقی(mras) بر اساس معادلات جریان استاتور و شار روتور در ماشین القایی پیشنهاد و از خطای سرعت، در خروجی آن برای آموزش شبکه عصبی مصنوعی استفاده شده است. شبکه عصبی، برای حالتهای مختلف سرعت و گشتاور آموزش دیده، و سپس به عنوان تخمینگر سرعت، در درایو کنترل برداری بدون حسگر سرعت استفاده شده است. به منظور استفاده از مزایای شبکه عصبی و منطق فازی در تحلیل، تخمین و کنترل سیستمهای پیچیده و غیر خطی، سیستمهای فازی-عصبی پیشنهاد شده است. در این تحقیق شبکه عصبی-فازی تطبیقی (anfis) طراحی شده است تا جایگزین حسگر سرعت شود. نتایج شبیه سازی نشان دهنده آن است که این تخمینگر در مقابل تغییرات مقاومت استاتور در سرعت-های پایین مقاوم است. واژه های کلیدی: تخمین گر شار، تخمین گر سرعت، شبکه عصبی مصنوعی، شبکه فازی-عصبی تطبیقی، کنترل برداری ،کنترل کننده فازی، مدل مرجع وفقی

فرآیند لجن فعال یکی از روش های بیولوژیک هوازی برای تصفیه فاضلاب شهری و صنعتی است . کنترل میزان لجن برگشتی یکی از مهم ترین پارامترهای بهره برداری از تصفیه خانه های فاضلاب به روش لجن فعال می باشد. بین پارامترهای مختلف فاضلاب و لجن برگشتی ارتباط علت و معلولی پیچیده و غیر خطی وجود دارد و انجام آزمایش های مربوطه برای تعیین میزان لجن برگشتی بسیار زمان بر و پر هزینه است. شبکه های عصبی مصنوعی دارای مزایایی از قبیل: قدرت یافتن روابط علت و معلولی پیچیده و غیر خطی توسط ابزارهای محاسباتی ساده ریاضی، داشتن قدرت تعمیم بالا و همچنین سرعت بالا در مرحله آزمایش می باشند و می توانند به صورت یک ابزار نرم افزاری در بهره برداری از تصفیه خانه فاضلاب مورد استفاده قرار گیرند. در نتیجه می توان با اعمال دیتاهای مختلف پروسه لجن فعال در تصفیه خانه فاضلاب به شبکه های عصبی مصنوعی، ابتدا آنها را آموزش داده و سپس از آن جهت پیش بینی میزان لجن فعال برگشتی، استفاده کرد و به این ترتیب بخشی از مشکلات بهره برداری تصفیه خانه فاضلاب را کاهش داد. در این مطالعه امکان سنجی کاربرد شبکه عصبی مصنوعی در پیش بینی میزان لجن برگشتی مورد نیاز در تصفیه خانه فاضلاب شهر تربت حیدریه (فرآیند لجن فعال به روش هوادهی گسترده) مورد بررسی قرار گرفته است. دو نوع شبکه عصبی مصنوعی نظارت شده که بوسیله الگوریتم انتشار به عقب آموزش دیده شده اند برای پیش بینی تعداد پمپ های مورد نیاز لجن برگشتی، با استفاده از متغیر های ورودی که شامل برخی از خصوصیات فاضلاب ورودی و لجن تشکیل شده هستند مورد بررسی قرار گرفتند. مدل شبکه عصبی مصنوعی نهایی با موفقیت رابطه بین داده های ورودی و خروجی را یاد گرفت. همچنین شبکه پرسپترون چند لایه در مقایسه با شبکه شعاع پایه توانایی بیشتری در فرآیند پیش بینی داشت. نتایج نشان داد که شبکه پرسپترون چند لایه می تواند با دقت بیش از 88 درصد تغییرات میزان لجن برگشتی را در شرایط مختلف پیش بینی نمایند. می توان گفت شبکه های عصبی مصنوعی ابزار مناسبی برای پیش بینی میزان لجن برگشتی مورد نیاز در سیستم های لجن فعال می باشند.

در این پایان نامه، امنیت رمز های قالبی سبک وزن در برابر حمله القای تفاضلی خطا مورد ارزیابی قرار می گیرد. رمز های قالبی سبک وزن present، mibs، printcipher و led ارائه می شوند. حمله القای تفاضلی خطا جدیدی به رمز های سبک وزن present، mibs و printcipher اعمال می شود. برای رمز present، یک حمله القای تفاضلی خطا اعمال می شود که شامل حمله پایه و حمله گسترش یافته است. در حمله پایه با القای یک بیت خطا بر روی ورودی لایه جانشینی دور 31 می توان کلید اصلی رمز را با 96 متن رمز شده معیوب به دست آورد. در حمله گسترش یافته، از حمله پایه استفاده می شود و با القای یک نیبل (4 بیت) خطا بر روی ورودی لایه جانشینی دورهای 29 و 28 می توان کلید اصلی رمز را با 18 متن رمز شده معیوب بهدست آورد. برای رمز printcipher، یک حمله القای خطا برای بدست آوردن بخش دوم کلید ارائه می شود و یک حمله القای تفاضلی خطا برای به دست آوردن بخش اول کلید ارائه می شود. با استفاده از حمله خطا می توان فضای جستجو بخش دوم کلید با استفاده از 36 متن رمز شده معیوب را از 2^32 به 2^14 کاهش داد. همچنین با استفاده از حمله القای تفاضلی خطا می توان 42 بیت از بخش اول کلید را با 24 متن رمز شده معیوب به دست آورد. برای رمز mibs، می توان با القای یک نیبل خطا روی ورودی لایه جایگشتی دور ماقبل آخر، فضای جستجو کلید اصلی را با استفاده از 12 متن رمزشده معیوب به 2^2 کاهش داد.

امروزه با گسترش تکنولوژی بی سیم و نیاز به برقراری امنیت استفاده از رمزنگاری امری اجتناب ناپذیر می نماید. گروه های تحقیقاتی زیادی تلاش می کنند که سیستم های رمزنگاری ایمن طراحی کنند. اما یک پیاده سازی بد می تواند تمامی این تلاش ها را بیهوده سازد. به همین دلیل در کنار طراحی و تحلیل امنیت سیستم های رمزنگاری، بحث پیاده سازی آن ها در دستور کار گروه های تحقیقاتی قرار می گیرد. در پیاده سازی دو موضوع می تواند مد نظر قرار گیرد: ?) پیاده سازی بهینه تابع رمزنگاری که منجر به افزایش سرعت یا کاهش حجم سخت افزار می شود. ?) پیاده سازی الگوریتم رمزنگاری به گونه ای که در برابر حملات کانال جانبی ایمن باشد. با توجه به موضوع کاهش حجم سخت افزار در این پایان نامه به بررسی سه الگوریتم رمزنگاری بلوکی aes، mibs و mmf2 پرداخته می شود و به منظور بهینه سازی این توابع با هدف کاهش حجم سخت افزار و توان مصرفی، معماری های مختلفی برای آن ها پیشنهاد می گردد. با پیاده سازی s_box الگوریتم aes به دو روش polynomial و normal و استفاده از روش های مختلف برای ساده سازی این توابع، سعی می شود میزان تأثیر این روش ها از نظر حجم سخت افزاری مدار در مقایسه با بهترین کار انجام شده نشان داده شود. نتیجه بدست آمده کاهش حجم گیت به میزان ge25/4 در ساختار polynomial و ge19 در ساختار normal می باشد. در کنار این هدف، به وسیله پیاده سازی حلقوی روشی برای کاهش حجم سخت افزاری ساختار polynomial معرفی می شود. روش پیشنهادی قابلیت پیاده سازی s_box الگوریتم را با ge37/220 در ساختار polynomial خواهد داشت. این نتیجه بهبود 54/0% را در پیاده سازی کل الگوریتم نشان می دهد. از دیگر دستاوردهای این پروژه، می توان به پیاده سازی دو الگوریتم رمزنگاری بلوکی mibs و mmf2 اشاره کرد که با ارائه روشی برای این دو الگوریتم مقدارگیت مصرفی به میزان ge5/351 برای کلید 64 بیتی و ge5/446 برای کلید 80 بیتی در الگوریتم mibs صرفه جویی می شود. همچنین در الگوریتمmmf2 کاهش گیت به میزان ge96/463 می باشد. به طور کلی الگوریتم های پیاده سازی شده کارایی بهتری بر روی سیستم های هدف از جمله تگ های rfid، کارت های هوشمند، ocr و ... خواهند داشت.

سیستم های مقیاس بزرگ را در سیستم های مختلفی از قبیل سیستم های الکتریکی، ساختار های فضایی، فرآیند های صنعتی و سیستم های حمل و نقل و ارتباطی می توان یافت. مفهوم کنترل غیر متمرکز در سیستم های ابعاد وسیع و پیچیده بسیار حائز اهمیت است که دلایل آن بر مهندسین و محققین حوزه مهندسی کنترل پوشیده نیست. برای کنترل یک سیستم ابعاد وسیع در روش های مبتنی بر فیدبک متغیرهای حالت، به اطلاعات تمامی متغیرهای حالت نیاز است، این در حالی است که در سیستم های واقعی اندازه گیری تمام متغیرهای حالت امکان پذیر و اقتصادی نیست، بنابراین طراحی رویتگرها در این دسته از سیستم ها از اهمیت و جایگاه ویژه ای برخوردار هستند. نکته قابل توجه که در طراحی و بکارگیری رویتگرها کاربردی حائز اهمیت است حضور ورودی های نامعین از جمله نویز و اغتشاش در سیستم های واقعی است. در این پایان نامه، روش های طراحی رویتگرهای مرتبه کامل و مرتبه کاهش یافته برای سیستم های چند متغیره در حضور ورودی نا معین مورد بررسی و شبیه سازی قرار گرفته است، در واقع سیستم های چند متغیره مقیاس بزرگ به صورت زیر سیستم هایی با تعداد متغیرها و ورودی های کمتر در نظرگرفته شده در تعدادی از روش ها اثر تداخلی بین زیر سیستم ها به عنوان ورودی نا معین در نظر گرفته می شود و یا اینکه با استفاده از تبدیل های ماتریسی مناسب اثر ورودی نا معین حذف می گردد، سپس برای هر زیر سیستم رویتگری غیر متمرکز طراحی می شود، از این رو ابتدا روش های تخمین حالت برای سیستم های دینامیکی خطی تغییر ناپذیر با زمان در حضور هر دو نوع ورودی معین و نا معین مورد بررسی قرار گرفته، سپس روش های طراحی رویتگرهای غیر متمرکز برای سیستم های دینامیکی چند متغیره خطی مقیاس بزرگ (با تعداد زیاد متغیرهای حالت) در حضور ورودی نا معین براساس لیونبرگر و نامساوی های ماتریسی بر مبنای صفر شدن خطای تخمین مرور می شود همچنین شبیه سازی هایی در این زمینه انجام شده است. در پایان روش هایی برای طراحی رویتگر مرتبه کاهش یافته غیر متمرکز بر اساس تبدیل های ماتریسی و بر مبنای صفر شدن خطا با استفاده از معیار پایداری لیاپانوف و مفهوم معکوس تعمیم یافته برای چنین سیستم هایی در حضور ورودی نا معین پیشنهاد شده است.

مهم ترین دغدغه مهندسین برق در بررسی سیستم قدرت، مسئله پایداری آن است. پایداری، رفتار مناسب سیستم در زمانی است که تحت تأثیر یک اغتشاش گذرا قرار می گیرد. تحلیل پایداری به دو نوع استاتیکی و دینامیکی تقسیم می شود. کنترل کننده یکپارچه سیلان توان(upfc) قابلیت این را داراست که پایداری سیستم قدرت را در هر دو زمینه استاتیکی و دینامیکی افزایش دهد. بدین منظور جایابی upfc از اهمیت بالایی برخوردار است. تاکنون روش های مختلفی برای جایابی upfc در هر دو زمینه تحلیل استاتیکی پایداری و تحلیل دینامیکی پایداری ارائه شده است. که البته بیشتر به جایابی در زمینه تحلیل استاتیکی پایداری پرداخته شده است. در آن نیز جایابی یک upfc بررسی شده است و مقالات در زمینه جایابی برای چند upfc بسیار اندک هستند. در زمینه تحلیل دینامیکی پایداری نیز تاکنون روشی برای جایابی چند upfc ارائه نشده است. این تحقیق قصد دارد، جایابی چند upfc را در هر دو زمینه تحلیل استاتیکی و تحلیل دینامیکی انجام داده و تأثیر آن را در افزایش پایداری بررسی نماید. ابتدا جایابی upfc در زمینه تحلیل استاتیکی پایداری با کمک ضریب بارگذاری برای سیستم ieee 5-bus و جایابی با کمک شاخص پایداری ولتاژ برای سیستم ieee 9-bus انجام شده و روشی برای یافتن تعداد upfc و جایابی آنها ارائه شده است. در ادامه جایابی چند upfc در زمینه تحلیل دینامیکی پایداری دنبال شده است. با استفاده از روش ضریب مانده و مدهای بحرانی سیستم تعداد upfc پیش بینی شده و در سیستم های ieee 9-bus و ieee 39-bus با همین روش پیاده سازی صورت گرفته است. نتایج حاکی از تأثیر upfcها در پایداری بهتر دینامیکی است که این امر از بررسی سرعت و زاویه ژنراتورها و تجزیه و تحلیل پایداری سیستم با رسم قطب های سیستم و دیاگرام بود مشخص شده است.

در این پایان نامه، امنیت رمز قالبی سبک وزن klein در برابر حمله ی خطای تفاضلی مورد ارزیابی قرار می گیرد. ابتدا ساختار رمز بیان می شود. سپس حمله ی خطای تفاضلی برای اولین بار (تا اینجا که ما اطلاع داریم) به نسخه ی 64بیتی این رمز اعمال می شود. برای رمز klein، یک حمله ی خطای تفاضلی اعمال می شود که بر اساس آن، یک بایت از متن رمز میانی در دور یازدهم قبل از لایه ی جانشینی معیوب می شود، در نتیجه ی آن و با استفاده از دو جفت متن رمز سالم و معیوب، فضای جستجوی کلیدها از 2به توان 64 به 2 به توان 32 کلید کاهش می یابد. سپس با اعمال یک خطای دیگر در همان متن رمز میانی ولی در مکانی دیگر و با استفاده از دو متن رمز سالم و معیوب دیگر که از خطای دوم به دست آمده اند و هم چنین کلیدهایی که از مرحله ی اول باقیمانده است، کلید دور پایانی به دست می آید. در بعضی از موارد بیش از یک کلید به دست می آید که در این صورت، با استفاده از عکس الگوریتم تولید کلید و سپس رمزگذاری مجدد و مقایسه ی آن با متن رمز اصلی، کلید اصلی به دست می آید. این حمله بر روی یک رایانه ی شخصی با پردازنده ای از نوع اینتل با سرعت 2.13 گیگاهرتز و حافظه ی 4گیگابایت با برنامه ی غیربهینه به زبان برنامه نویسیc اجرا شد که در مدت زمانی حدود 9 دقیقه کلید اصلی به دست آمد.

در این پایان نامه سعی بر آن است که با استفاده از روش الگوریتم ژن شناختی و نوشتن کد مربوطه یک چیدمان بهینهازنظر طول، قطر میل گرد و چال برای دیوارهای مسلح شده به روش مهاربندی ارائه شود. بدین منظور برای بررسی پایداری شیب ها از روش تعادل حدی (بیشاپ ساده شده) استفاده شد. پارامترهایی چون زاویه، طول، اندازه، فاصله میخ ها از یکدیگر و مقدار سربار می‏توانند اثر قابل توجهی بر روی پایداری شیب داشته باشند. همچنین پارامترهای مقاومتی خاک (چسبندگی و زاویه اصطکاک داخلی) نیز می توانند بر روی مقدار مصالح مصرفی اثر داشته باشند. ازاین رو، به منظور رسیدن به یک ضریب اطمینان قابل قبول و درعین حال استفاده از کمترین مقدار طول مهار ممکن، از الگوریتم ژن شناختی استفاده شد. به منظور تشریح اثر پارامترهای مختلف بر روی مجموع مقدار طول مهار مصرفی برای پایداری سازی شیب، نمودارهایی ارائه شد و اثر پارامترهای مختلف در آن ها نشان داده شد. همچنین در آخر سعی شد که با استفاده از الگوریتم ژن شناختی، چیدمان بهینه ای که کمترین مقدار طول مصرفی را دارا بوده و همچنین ضریب اطمینان قابل قبولآیین نامه را ارضاء می کند ارائه شود. سعی شد برنامه نوشته شدهبه صورتکاربرپسند طراحی شود به صورتی که بدون هیچ گونهاطلاعات از الگوریتم ژن شناختیبه سادگی بتوان طول بهینه میخ ها را با توانایی تغییر در انواع متغیرها به دست آورد. این تحقیق برای خاک های واقع در مرکز مشهد یعنی اطراف حرم مطهر امام رضا (ع) انجام شده است. با توجه به بحث های صورت گرفته و محاسبات انجام شده در این پایان نامه، خلاصه نتایج به دست آمده به شرح زیر است: مشاهده شد با افزایش چسبندگی، طول مهار ها کم شده و از طرف دیگر با افزایش چسبندگی اختلاف طول مهار ها نیز کم می شود و باکم شدن چسبندگی طول مهار ها به طور چشمگیری افزایش می یابد. با توجه به نمودارها مشخص شد که در ضریب اصطکاک ?=25? طول هر مهار با افزایش چسبندگی 10 کیلو پاسکال حدود 30%، در ضریب اصطکاک ?=30? طول هر مهار 20% و در ضریب اصطکاک ?=35?طول هر مهار 30% کاهش یافته است. همچنین مشاهده شد با افزایش ضریب اصطکاک شیب نمودار کاهش می یابد. این کاهش در ضریب اصطکاک های بالاتر بیشتر است؛ به عبارت دیگر با افزایش 5 درجه ضریب اصطکاک از 25 تا 30 درجه، شیب نمودار 10% و با افزایش ضریب اصطکاک 5 درجه از 30 تا 35 درجه شیب نمودار حدود 30% کاهش می یابد. همچنین مقدار شیب خط نیز با افزایش مقدار چسبندگی کاهش یافت؛ اما به طور کل شیب خط در تغییرات چسبندگی از شیب در تغییرات ضریب اصطکاک بیشتر است یا به عبارت دیگر افزایش چسبندگی خاک بر روی کاهش طول مهارها تأثیر بیشتری نسبت به افزایش ضریب اصطکاک دارد. ملاحظه شد که تغییر در قطر میل گردها اثر چشمگیری بر روی مجموع طول مهار های موردنیازبه منظور مسلح سازی ندارد به طور مثال با افزایش قطر میل گردها از 28 به 32 طول مهارها حدود 5% کاهش می یابد، حال آنکه با تغییر در قطر چال حفاری، مجموع طول موردنیازبه منظور مسلح سازی تغییر خواهد کرد. بدین صورت که اگر قطر چال از 100 به 127 میلی متر افزایش پیدا کند، مجموع طول مهار موردنیاز حدود 20% کاهش خواهد یافت.دلیل این مورد این است که با افزایش قطر چال مساحت جانبی قسمت باند افزایش می یابد و اتصال آن با خاک بیشتر می شود. نتایج به دست آمده برای دیوار 15 متری، تقریباً مانند نتایج دیوار 10 متری است. بدین صورت که تغییر در قطر میل گردها اثر چشمگیری بر روی مجموع طول مهار های موردنیازبه منظور مسلح سازی ندارد، حال آنکه با تغییر در قطر چال حفاری، مجموع طول موردنیازبه منظور مسلح سازی تغییر خواهد کرد. بدین معنی که اگر قطر چال از 100 به 127 میلی متر افزایش پیدا کند، مجموع طول مهار موردنیاز کاهش خواهد یافت. این تغییر برای فاصله 25/1 متر مهارها بیش از 15% و برای فاصله یک متر بیش از 8% است. با توجه به نتایج به دست آمده برای دیوار 10 متری، مشخص می شود که اگر فاصله بین مهار ها کاهش یابد (تعداد مهار ها افزایش یابد)، مقدار مجموع طول موردنیازمهار ها کاهش خواهد یافت؛ اما این امر برای دیوار 15 متری صادق نیست بلکه مقداربهینه ای وجود دارد. در دیوار 15 متری مشاهده می شود فاصله 25/1 متری بهینه ترین مورد است. افزایش تعداد مهار ها تنها در مواقعی به طراحی کمک می کند که با تعداد مهار کم، نتوان شرط fs=1/5رابرآورده ساخت.

در این پایان نامه هدف، بهبود دقت طبقه بندی مرکب در تحلیل سیگنال های مغزی است. تحلیل سیگنال مغزی در زمینه های مختلفی ازجمله واسط مغز رایانه، علوم شناختی و تشخیص بیماری ها نقش مهمی را ایفا می کند. ازآنجاکه طبقه بندی سیگنال های مغزی جز مسائل پیچیده طبقه بندی به شمار می رود از طبقه بندهای مرکب برای دسته بندی این سیگنال ها استفاده می شود. اختلاط خبره ها یکی از روش های ترکیب طبقه بندهاست که در تحلیل سیگنال مغزی استفاده می شود. یکی از نکات مهم در استفاده از طبقه بندهای مرکب ایجاد گوناگونی در طبقه بندهای پایه به کاربرده شده است. در این پروژه ابتدا با شکستن فضای مسئله و سپس با استفاده از الگوریتم فرا ابتکاری ژنتیک چندهدفه در هر یک از زیر فضاهای ایجادشده، ویژگی های مناسب برای طبقه بندی انتخاب می شوند. در حین انتخاب ویژگی ها، پارامترهای طبقه بندهای منفرد نیز بهینه می شوند. در مرحله ترکیب خبره های آموزش دیده شده، از یک شبکه میانجی استفاده می شود که در حین فرآیند آموزش خبره ها، نحوه ی شکستن فضای مسئله بین آن ها را فرا گرفته است. روش پیشنهادی بر روی داده های پرکاربرد فضایی و مدلون آزمایش شده است. همچنین از داده های سیگنال مغزی مربوط به مسابقات برای ارزیابی روش پیشنهادی استفاده شده است. با توجه به نتایج به دست آمده، روش پیشنهادی در این تحقیق هم از نظر کارایی و هم از نظر سرعت در مرحله آزمایش از سایر روش های ترکیب نظیر اختلاط خبره ها، تعمیم پشته ای و غیره برتری دارد.

خودروهای الکتریکی امنیت و کارایی بالایی داشته و سبب کاهش مصرف سوخت و تولید آلودگی می گردند. بنابراین می توان آینده بسیار روشنی را برای ورود خودروهای الکتریکی به سیستم قدرت متصور شد. با ورود این خودروها افق های تازه ای در بهره برداری شبکه بوجود آمده و سیستم قدرت با چالش های جدیدتری رو به رو خواهد شد. بنابراین استفاده از خودروهای الکتریکی در شبکه هوشمند می تواند برروی امنیت و پارامترهای شبکه همانند منحنی بار، پیک بار، تلفات و ولتاژ تاثیر گذار باشد که بررسی این مسایل عموما در قالب سناریوهای مربوط به چگونگی شارژ خودروها بر اساس محدودیت-های شبکه قدرت، الگوهای حرکتی خودرو و تمایل مالکین تجزیه و تحلیل می گردد. نتایج حاصل از آن در قالب بهترین راهبرد برای تامین انرژی خودروها ارائه می شود. البته در شبکه های هوشمند امروزه برنامه های پاسخ تقاضا به منظور کنترل و مدیریت بار در نظر گرفته می شود که با دادن طرح های تشویقی و یا تعرفه های زمانبندی شده انرژی، مصرف کنندگان را تشویق به مدیریت مصرف می کنند. این مسأله خود می تواند برروی استراتژ های شارژ خودروهای الکتریکی تاثیر گذار باشد و باید مورد مطالعه و بررسی قرار گیرد. در این پایان نامه در ابتدا با توجه به حضور تصادفی خودروهای الکتریکی در شبکه هوشمند و شارژ ناهماهنگ آنها توسط شبکه به بررسی پارامترهای امنیتی شبکه پرداخته شده و سپس به منظور کمینه نمودن تلفات و بهبود امنیت شبکه به تعیین راهبرد بهینه شارژ خودروها (شارژ هماهنگ) پرداخته می شود. همچنین تمامی پارامترهای عدم قطعیت خودروها نظیر ساعات ورورد و خروج، میزان شارژ اولیه و محل قرار گیری آن ها در شبکه نیز مدل سازی شده است. نهایتا با توجه به ماهیت مسأله که یک مدل بهینه سازی چند هدفه می باشد، در حضور برنامه های پاسخ تقاضا راهبرد بهینه شارژ خودروهای الکتریکی از دو دیدگاه متفاوت بهره بردار شبکه و مالکان خودروها پیاده سازی شده است. به منظور بررسی و مطالعه عملکرد منابع تولید پراکنده در شبکه و هماهنگی آن ها با خودروهای الکتریکی، اثر این منابع نیز برروی کمینه نمودن توابع هدف مورد بحث قرار گرفته است. در پایان، کارایی مدل پیشنهادی برروی یک شبکه نمونه مورد ارزیابی قرار می گیرد.

امروزه شبکه های عصبی مصنوعی به عنوان یک ابزار سودمند در زمینه های مختلف مهندسی عمران استفاده می شود. این شبکه ها توانایی بسیار بالایی در بازسازی روابط پیچیده و غیر خطی دارند. هدف از این تحقیق پیش بینی مقاومت فشاری 28 و 90 روزه و مقاومت کششی 28 روزه بتن سبک خودتراکم با استفاده از ترکیب شبکه های عصبی است. در این تحقیق دو نوع شبکه عصبی شعایی پایه و پرسپترون چند لایه استفاده شده است. بدین منظور با استفاده از یک نوع سبکدانه مصنوعی، 16 طرح اختلاط با دو نسبت آب به مواد سیمانی 35/0 و 4/0 ساخته شد که در چهار گروه قرار گرفتند. فوق روان کننده مصرفی بر پایه پلی کربوکسیلیک - اتر بوده و در طرح های حاوی دوده سیلیسی مقدار جایگزینی این ماده به میزان ده درصد وزن سیمان می باشد. سپس با در نظرگرفتن آزمایش های بتن تازه و مقاومت فشاری 7 و 14 روزه به عنوان ورودی، از مد ل سازی شبکه عصبی برای پیش بینی مقاومت فشاری 28 و 90 روزه بتن استفاده گردید. همچنین برای پیش بینی مقاومت کششی 28 روزه بتن، آزمایش های بتن تازه و مقاومت فشاری 28 روزه به عنوان ورودی به کار گرفته شد. برای رسیدن به این هدف با استفاده از نرم افزار matlab و با کمک توابع رگرسیون برای جمع آوری داده ها، برای هر گروه طرح اختلاط، شبکه عصبی مناسب تهیه گردید. در نهایت چهار شبکه عصبی موجود با هم ترکیب شدند و مشخص گردید که مدل های شبکه عصبی ترکیبی عملکرد بسیار مناسبی در پیش بینی مقاومت فشاری و کششی بتن دارند.

در این تحقیق هزینه های یک سیستم قاب بتنی مسلح به همراه دیوار برشی دارای شکل پذیری متوسط که در پلان و ارتفاع منظم می باشد، بوسیله ترکیب الگوریتم ژنتیک و شبکه های عصبی بهینه سازی شده است. مدل انتخاب شده برای انجام بهینه سازی یک ساختمان 13 طبقه بتنی با چهار تیپ دیوار برشی که قرار است در شهر تهران احداث گردد می باشد. هزینه هایی که برای انجام این تحقیق مورد ارزیابی قرار گرفته شامل هزینه بتن و میلگرد مصرفی دیوارها می باشد.

در زندگی روزمره ما سیستم های زیادی وجود دارد که از الگوریتم های رمزنگاری جهت افزایش امنیت استفاده می کنند. راهکارهایی نیز وجود دارد که امنیت این سیستم ها را به خطر می اندازند. یکی از این راهکارها حملات تحلیل توان می باشد که با استفاده از تجزیه و تحلیل توان یک سیستم رمزنگاری در حین انجام عمل رمز به اطلاعات مخفی سیستم رمزنگاری از جمله کلید رمزنگاری پی می برد. یکی از روشهای تحلیل توان، استفاده از شبکه های عصبی می باشد. در این تحلیل با نمونه برداری از یک سخت افزار رمزنگاری، با آموزش یک طبقه بند، در مرحله تست یک طبقه بند می توان در مورد کلید مخفی سیستم رمزنگاری تصمصم گیری نمود.

روش اختلاط خبره ها یکی از رایج ترین و جذاب ترین روش های ترکیب است که توانایی زیادی برای بهبود عملکرد در یادگیری ماشین دارد. این روش بر اساس قانون تقسیم و غلبه ایجاد شده که در آن فضای مساله بین خبره های شبکه عصبی با نظارت شبکه میانجی تقسیم می شود. مدل اختلاط خبره ها بر مبنای استراتژی های جداسازی فضای مساله بین خبره ها، به دو گروه 1- اختلاط خبره های محلی شده ضمنی 2- اختلاط خبره های محلی شده صریح، دسته بندی می شوند. در گروه اول فضای مساله با استفاده از تابع هزینه مخصوصی بطور ضمنی به چند زیرفضا بخش بندی و خبره ها در زیرفضاها محلی می شوند. در گروه دوم فضای مساله بوسیله روش های خوشه بندی، قبل از آموزش خبره ها، بطور صریح بخش بندی شده و هر خبره به یک زیرفضا اختصاص داده می شود. بررسی ها نشان می دهد که هر دو گروه خصوصیات مکمل دارند. بنابراین در این تحقیق ابتدا یک مدل اختلاط خبره های ترکیبی برای پیوسته کردن تقسیم صریح فضای مساله در الگوریتم اختلاط خبره های محلی شده ضمنی با یک ساختار یادگیری ترکیبی ارائه شده است. در ادامه یک روش برای بهبود عملکرد روش اختلاط خبره های محلی شده صریح ارائه شده است. در روش اختلاط خبره های محلی شده صریح، هر خبره در یکی از زیر فضاهای از پیش تعیین شده مورد آموزش قرار می گیرد. در روش پیشنهادی برای تعیین زیر فضاها، به تعداد خوشه های بهینه، خوشه بندی انجام می گیرد. یکی از دلایل پایین آمدن کارآیی اختلاط خبره های محلی شده صریح، وجود نمونه هایی در ناحیه هم پوشانی بین خوشه هاست. برای رفع این مشکل ابتدا داده های ناحیه هم پوشانی از سایر داده ها جدا شده و به یک سیستم مرکب دیگر اعمال می شود و هرکدام از زیر فضاهای بدون هم پوشانی به هر یک از خبره ها اعمال می شود. بررسی های تئوری و نتایج آزمایش ها بر روی مجموعه داده های مصنوعی، چندین مساله معیار طبقه بندی واقعی و همچنین سیگنال های مغزی نشان می-دهد که روش های ارائه شده ضمن حفظ ویژگی های مثبت و کاهش نقاط ضعف، کارآیی بهتر و پایداری بیشتر را نسبت به روش های هر دو گروه دارا هستند.

چکیده ندارد.

هدف از انجام پروژه طراحی یک بسته نرم افزاری ، جهت شبیه سازی کامپیوتری تصویربرداری التراسوند از چشم به نام ‏‎biosim‎‏ می باشد. در این بسته نرم افزاری که تحت محیط نرم افزار ‏‎delphi 5‎‏ طراحی شده ، مدل اپتیکی مناسبی برای چشم جهت تعریف آن بعنوان نمونه تحت مطالعه در تکنیک بیومتری ارائه می گردد. نرم افزار ، فواصل اپتیکی اندازه گیری شده از مدل چشم توسط تصویربرداری التراسوند، از جمله عمق محفظه قدامی، ضخامت عدسی و عمق محفظه خلفی را محاسبه و نتایج را نمایش می دهد. بعد از بررسی و پیاده سازی چند فیلتر از جمله فیلتر پائین گذر ‏‎elliptic‎‏ از نوع‏‎iip‎‏ ، فیلتر پائین گذر ‏‎chebyshev typeii‎‏ از نوع ‏‎iip‎‏ ، فیلتر هیلبرت قابل پیاده سازی ، یک فیلتر پیشنهادی و فیلتر هیلبرت ایده آل و ....، تصویر شبیه سازی شده ‏‎a-mode‎‏ چشم که در واقع پوش آشکارسازی شده توسط فیلتر هیلبرت ایده آل برای سیگنال دریافتی توسط پراب و همچنین تصویر ‏‎b-mode‎‏ چشم، قابل مشاهده می باشد.