در این پایان نامه دو روش جدید برای واترمارکینگ صوتی در حوزه ی تبدیل بسته ی موجک ارائه می شود. به دلیل مبتنی بودن روش بر مدل سازی روان شنیداری، حضور سیگنال واترمارک به لحاظ ادراکی قابل تشخیص نیست. همچنین به منظور افزایش مقاومت در برابر حملات، روشی برای جاسازی واترمارک، ارائه خواهد شد که سیگنال واترمارک را در بخش عمده ای از ضرائب حوزه ی تبدیل جاسازی می کند. استفاده از تبدیل بسته ی موجک علاوه بر کاهش بار محاسباتی الگوریتم، هماهنگی بیش تری با مدل روان شنیداری نسبت به تبدیل موجک معمولی، در استخراج آستانه های مجاز برای جاسازی واترمارک خواهد داشت. در پایان نتایج شبیه سازی، دلالت بر عدم ایجاد اعوجاج ادراکی قابل توجه، در سیگنال میزبان در اثر تزریق واترمارک و همچنین مقاومت در برابر حملاتی از قبیل افزودن نویز سفید گوسی، فشرده سازی، فیلترکردن پایین گذر، بازنمونه برداری، افزودن پژواک، کوانتیزه شدن مجدد و فشرده سازی mp3 دارد. به گونه ای که روش اول در مقایسه با 24 روش قبلی، با نسبت سیگنال به نویز واترمارک بالای 50 دسی بل جایگاه اول از نقطه نظر شفافیت صوتی و روش دوم با حدود نسبت سیگنال به نویز واترمارک بالای 30 دسی بل جایگاه اول از نقطه نظر مقاومت، و جایگاه چهارم از نظر بار مفید واترمارکینگ را داراست.

شبکه های حسگر بیسیم به دلیل کاربردهای فراوان آن ها در سال های اخیر بسیار مورد توجه قرار گرفته اند. یکی از مهم ترین چالش های این نوع از شبکه ها محدودیت انرژی در باتری های تغذیه کننده ی اجزای شبکه (گره) می باشد. در این پایان نامه سعی شده است با ارائه ی یک پروتکل خوشه بندی سلسله مراتبی، مصرف انرژی شبکه کاهش یابد به نحوی که بتواند باعث افزایش طول عمر عملیاتی آن گردد. در پروتکل ارائه شده سرخوشه ها از گره های با سطح انرژی بالا و درجه ی بالا انتخاب و جهت جمع آوری و فشرده سازی داده های خوشه استفاده می شوند. در مقابل از بین گره های پرانرژی و درجه ی پایین گره هایی جهت ارسال اطلاعات مذکور به مرکز اصلی انتخاب و بکار گرفته می شوند. هدف از این کار توزیع متوازن مصرف انرژی بین گره های درجه بالا و درجه پایین می باشد. ضمناً پروتکل ارائه شده، توزیع سرخوشه ها را با روشی متفاوت با روش های موجود و به شکلی مطلوب انجام می دهد. ساختار استفاده شده برای ارسال اطلاعات به مرکز اصلی باعث مصرف متعادل انرژی در ناحیه های دور و نزدیک به مرکز اصلی می گردد.

در این پایان نامه دو روش جدید برای واترمارکینگ صوتی در حوزه ی تبدیل بسته ی موجک ارائه می شود. به دلیل مبتنی بودن روش بر مدل سازی روان شنیداری، حضور سیگنال واترمارک به لحاظ ادراکی قابل تشخیص نیست. همچنین به منظور افزایش مقاومت در برابر حملات، روشی برای جاسازی واترمارک، ارائه خواهد شد که سیگنال واترمارک را در بخش عمده ای از ضرائب حوزه ی تبدیل جاسازی می کند. استفاده از تبدیل بسته ی موجک علاوه بر کاهش بار محاسباتی الگوریتم، هماهنگی بیش تری با مدل روان شنیداری نسبت به تبدیل موجک معمولی، در استخراج آستانه های مجاز برای جاسازی واترمارک خواهد داشت. در پایان نتایج شبیه سازی، دلالت بر عدم ایجاد اعوجاج ادراکی قابل توجه، در سیگنال میزبان در اثر تزریق واترمارک و همچنین مقاومت در برابر حملاتی از قبیل افزودن نویز سفید گوسی، فشرده سازی، فیلترکردن پایین گذر، بازنمونه برداری، افزودن پژواک، کوانتیزه شدن مجدد و فشرده سازی mp3 دارد. به گونه ای که روش اول در مقایسه با 24 روش قبلی، با نسبت سیگنال به نویز واترمارک بالای 50 دسی بل جایگاه اول از نقطه نظر شفافیت صوتی و روش دوم با حدود نسبت سیگنال به نویز واترمارک بالای 30 دسی بل جایگاه اول از نقطه نظر مقاومت، و جایگاه چهارم از نظر بار مفید واترمارکینگ را داراست.

صرع یکی از بیماری های شایع مغزی است. از آنجایی که عامل موفقیت در درمان این بیماری تعیین دقیق کانون مولد صرع است، الگوریتم های مختلفی برای مکان یابی منابع مغزی و در نتیجه تعیین دقیق کانون مولد صرع ارائه شده است. استفاده از سیگنال های مغزی deeg به دلیل تفکیک بالای مکانی و زمانی ابزار تشخیصی مناسبی برای بررسی بیماران صرعی است. اما وجود نویز و آرتیفکت ها و به خصوص آرتیفکت های ماهیچه ای، مطالعه ی این داده ها را مشکل می کند. در این پایان نامه، از روش های تفکیک کور منابع برای جداسازی آرتیفکت های ماهیچه ای از داده های صرعی مصنوعی 257-کاناله استفاده شده است. در مرحله ی بعد با استفاده از روش sloreta کانون مولد صرع مشخص می شود. پس از مقایسه ی معیارهای موردنظر مشخص شد، روش های sobi و cca نتایج بهتری نسبت به سایر روش ها دارند. همچنین ثابت شده است که با استفاده از این روش ها به عنوان یک مرحله ی پیش پردازش، می توان محل دقیق منبع مولد صرع در مغز را یافت.

امروزه ادوات و تجهیزات پزشکی به منظور سهولت و تسریع در عملکرد و دست¬یابی به دقت های بالا در انجام و پاسخ آزمایش¬¬، همگام با پیشرفت تکنولوژی ارتقا پیدا می¬کنند. اگزوفتالموس یک یا دو طرفه به معنی بیرون¬زدگی چشم، حالتی است که به نظر می¬رسد چشم ها جلوتر از حد عادی هستند. در حال حاضر تجهیزات موجود به صورت دستی جایگذاری و بیرون¬زدگی اندازه¬گیری و محاسبه می گردد؛ بنابراین وقت گیر و احتمال خطا بالا می¬باشد. برای اولین¬بار در این پایان نامه به دنبال تشخیص خود¬کار میزان بیرون زدگی چشم با پردازش تصاویر سه¬بعدی می¬باشیم. نبود پایگاه¬داده مربوط به بیماری، نبود تجربه کافی، تشخیص مکان چهره، تشخیص گوشه¬های چشم، تشخیص قرنیه چشم و سپس تخمین عمق و به عبارتی مقدار بیرون¬زدگی چشم، از مشکلات پیش رو در تصاویر سه بعدی است. با شبیه سازی بیماری در تعدادی از تصاویر مشکل نبود پایگاه¬داده را حل کرده و بوسیله اندازه¬گیری¬های متعدد، توسط افراد خٌبره به میزان استانداردی در بیرون¬زدگی برای چشم انسان رسیده ایم. با ارائه الگوریتمی مناسب که تلفیقی از روش¬های انحنای سطح ، طبقه بندی کننده sc و تبدیل هاف است میزان بیرون¬زدگی چشم محاسبه و به تشخیص صحیحی با احتمال 98/91% دست یافته¬ایم. توسط مقادیر محاسباتی، می¬توان با توجه به الگوی مقادیر به تشخیص حالات غیر¬طبیعی چشم پرداخت. بدلیل نبود روشی مشابه، مقادیر محاسباتی را با نتایج تجربی مقایسه نمودیم که در این مرحله به انحراف معیار 098/2 و 921/1 به ترتیب برای چشم های چپ و راست¬، دست یافته¬ایم.