با توجه به اینکه پیش بینی درست مصرف گاز، کمک زیادی به تصمیم گیران در سطوح بالای سیاسی و اقتصادی کشور می کند، تلاش برای افزایش دقت پیش بینی همچنان یک موضوع قابل پژوهش و ضروری است. این مقاله از یک شبکه عصبی مصنوعی که توسط الگوریتم ژنتیک مقداردهی اولیه شده برای پیش بینی مصرف گاز ایران تا 12 ماه آینده به کمک داده سالهای 1384 تا 1391، استفاده می کند. رویکرد پیشنهادی از ورودی های کل مصرف گاز، مصرف گاز دربخش خانگی و تجاری و دما، برای پیش بینی استفاده می کند. مشارکت اصلی این تحقیق آماده سازی اولیه وزن های شبکه های عصبی به کمک الگوریتم ژنتیک می باشد که دلیل آن محدب نبودن تابع و فضای جستجوی شبکه عصبی می باشد و برای حصول نتیجه مناسب، بهتر است که وزن های آماده سازی شده تا حد ممکن نزدیک به بهینه سراسری یا حداقل به یک کمینه محلی مناسب باشد. به منظور مقایسه کارایی الگوریتم پیشنهادی، این رویکرد با سیستم استنتاج فازی عصبی تطبیقی، شبکه عصبی مصنوعی و ترکیب شبکه عصبی با الگوریتم ژنتیک متداول با استفاده از معیارهایmape، rmseو mseمقایسه می شود. نتایج حاصله حاکی از قدرت همگرایی بالا و دقت بالای پیش بینی رویکرد پیشنهادی در مقایسه با سایر الگوریتمها دارد. از آنجاییکه روش پیشنهادی به خوبی می تواند از عهده پیچیدگی، غیرخطی بودن و عدم قطعیت موجود در داده ها (به دلیل خطای اندازه گیری و پاسخ های غیرقابل پیش بینی) برآید، این رویکرد می تواند به عنوان ابزار مناسبی برای پیش بینی مصرف گاز در اختیار تصمیم گیران قرار بگیرد.

امروزه در بسیاری از شرکتها، پایگاه عظیمی از اطلاعات مشتریان براساس محصولات مختلف، کانال های فروش و مناطق مختلف جغرافیایی وجود دارد که میتوان از آنها برای رسیدن به دانش مناسب و تعامل با مشتری استفاده نمود. در این جهت بهترین روش استفاده از بازاریابی مستقیم است که معمولاً مشتریانی که انتخاب میشوند به وسیله تماس مستقیم پستی از محصولات جدید یا خدمات مطلع میشوند که در عمل این نوع بازاریابی باعث افزایش سرمایه و صرفه جویی در هزینه مالی و زمانی برای موسسات می شود. در این پایان نامه سعی شده مسئله توسط یکی از بهترین تکنیکهای طبقه بندی یعنی نزدیکترین همسایه ( 1-nn) حل شود. ما در اینجا سعی در وزن دهی نمونه های آموزشی کرده ایم؛ در این روش نمونه ها بر اساس اینکه کدام یک درطبقه بندی موثرتر است وزن بیشتری میگیرند اما به این نکته باید توجه داشت که در بازاریابی مستقیم تابع هدف با تابع مورد استفاده در سیستمهای طبقه بندی فرق میکند. در بازاریابی مستقیم هدف کاهش خطا در تشخیص کلاس موردنظر برای هر نمونه تست نیست بلکه کاهش هزینه و افزایش سود و سرمایه موسسه مدنظر است.

امروزه در بسیاری از کاربرد ها، جریان داده به سرعت و در حجم زیاد تولید می شود. یکی از روش های با اهمیت در کاوش داده، دسته بندی آن است. از چالش های مهم دسته بندی جریان داده، تغییر مفهوم داده با گذشت زمان است که نیاز به، به روز رسانی مدل دسته بندی را مطرح می کند. تاکنون بسیاری از روش های سنتی دسته بندی داده برای تعامل با جریان داده بهبود داده شده اند. یکی از این الگوریتم های سنتی یادگیری، الگوریتم نزدیکترین همسایه است که یکی از الگوریتم های جذاب حوزه داده کاوی است. الگوریتم نزدیکترین همسایه با توجه به مکانیزم ساده تصمیم گیری در تحقیقات گذشته بسیار مورد توجه قرار گرفته است. این الگوریتم برای دسته بندی داده های جریانی با مشکلاتی مواجه خواهد شد که یکی از این مشکلات حجم نمونه ها است. ضمنا تعیین تعداد همسایه ها نیز برای تصمیم گیری این الگوریتم چالش برانگیز است. در این رساله دسته بندی جدیدی مبتنی بر الگوریتم نزدیکترین همسایه پیشنهاد شده است. مدل افزایشی این دسته بندی کننده، برای دسته بندی جریان داده بکار رفته است. سرعت مناسب یادگیری، انعطاف پذیری در زمان پاسخ و پایداری در برابر اغتشاش از مزایای این روش افزایشی هستند. دقت روش پیشنهادی با روش-های شناخته شده در این حوزه روی مجموعه داده های استاندارد واقعی و مصنوعی مقایسه شده است. نتایج بدست آمده حاکی از بهبود دقت، زمان و حافظه در روش افزایشی پیشنهادی است

در گذشته های نه چندان دور اینترنت و میزان استفاده از آن در بین مردم چندان زیاد نبوده است. ولی با توجه با اینکه در کشورهای مختلف جهان نیاز به توسعه و گسترش فن آوری اطلاعات به دلایل مختلفی همچون بهره وری اقتصادی، افزایش سرعت خدمات دهی، کاهش هزینه ها و. .. احساس شد، مسوولان مربوطه و دولتمردان سیاست های کوتاه مدت و بلند مدتی را برای فراهم آوردن زیرساخت های لازم اتخاذ نمودند. با توجه به گستردگی بحث ایجاد دولت الکترونیک و لزوم گسترش فرهنگ استفاده از خدمات الکترونیک در ایران، قصد داریم تا رهیافت های مختلف رسیدن به دولت الکترونیک از طریق ایجاد یک سیستم یکپارچه بین سازمانی را بررسی کرده و نقاط قوت و ضعف هریک را بررسی نموده و در نهایت الگویی مناسب برای نیل به این هدف ارائه دهیم. امید است گامی در جهت رسیدن به این هدف نهاده باشیم.

امروزه الگوریتم های خوشه بندی چند هدفه جهت کاربری های مختلفی به کار گرفته می شوند. این کاربردها در تمامی زمینه ها از فرآیندهای تصمیم گیری گرفته تا یادگیری ماشین و تشخیص الگو می باشد. خوشه بندی چند هدفه عناصر مشابه را بر اساس چندین معیار مختلف که می توانند متناقض هم باشند، به گروه های مختلفی تقسیم می کند. یکی از روش هایی که اخیرا جهت این نوع خوشه بندی مورد توجه قرار گرفته است، خوشه بندی بر اساس نظریه بازی ها می باشد. نظریه بازی ها علاوه بر توانایی در بهینه سازی معیارهای متناقض، توانایی منحصر به فردی در حل کردن مسائل به صورت توزیع شده دارد. اولین روش پیشنهادی در این پایان نامه روشی مبتنی بر الگوریتم k-means و نظریه بازی ها می باشد. در این الگوریتم که egtkmeans نام دارد، یک تابع پرداخت نوین ارائه گردیده است. علاوه بر این، الگوریتم پیشنهادی توانایی حل کردن بازی هایی با تعادل نش مختلط را نیز دارد. بدین ترتیب با اعمال کردن این الگوریتم خوشه هایی به مراتب بهتر با کارایی بالاتری خواهیم داشت. الگوریتم پیشنهادی دوم که egtmoc یک روش استنتاج جمعی بوده که در آن نظریه بازی ها بر اساس پارامترهای ارائه شده در الگوریتم egtkmeans می باشد. این روش با حذف k-means و تقسیم فضای مسئله به چندین قسمت مجزا کارایی بسیار خوبی را از خود نشان داده است. نکته ی مهم در نظریه ی بازی ها، افزایش پیچیدگی محاسباتی و زمانی با افزایش تعداد نمونه های پایگاه داده می باشد. جهت رفع این مشکل الگوریتم سومی پیشنهاد شده است که بر روی اندازه ی مجموعه ی استراتژی ها، اندازه ی ماتریس پرداخت و به همین ترتیب سایز مسئله تاثیر ویژه ای دارد. این الگوریتم که با روش انتخاب استراتژی خوانده می شود از بین استراتژی های هر بازیکن تعدادی را انتخاب می کند. این عمل به صورت یک خوشه بندی محلی در داخل هر خوشه در نظر گرفته می شود. بدین ترتیب به جای انتقال تنها یک نمونه در بین خوشه، مجموعه ای از نمونه ها جا به جا می شوند.الگوریتم های پیشنهادی بر روی مجموعه داده های واقعی و ساختگی آزمایش شده است و کارایی خوب آن توسط معیارهای مختلفی از جمله شاخص های انصاف، معیار های پیجیدگی محاسباتی و زمانی و در نهایت معیارهای خوشه بندی بررسی و تحلیل شده است.

در این پایان نامه سعی در ارائه ی یک مدل آماری برای خوشه بندی متون داشته ایم. هر خوشه به منزله ی جزئی از یک مدل ترکیبی در نظر گرفته می شود که شامل پارامترهای عدد اولویت جزء، بردار میانگین و ماتریس کواریانس جزء می باشد. هدف از ارائه ی یک مدل آماری، در نظر گرفتن پخشش های متفاوت برای مجموعه داده هایی که لزوماً پخشش آنها کروی نیست، می باشد. الگوریتمهای خوشه بندی مانند k-means و مشتقات آن که با یک پارامتر-که معمولاً مراکز خوشه هاست- کار می کنند، سعی دارند خوشه هایی با پخشش کروی را ایجاد کنند که این در مورد همه ی مجموعه داده های دنیای واقعی صدق نمی کند. هدف دیگر این پایان نامه، به مقدار دهی اولیه ی پارامترهای مدل بر می گردد. بسیاری از کارهای انجام شده در زمینه ی خوشه بندی بدون نظارت متون، ساخت چندین مدل مختلف با مقداردهی های اولیه ی تصادفی بوده است و نهایتاً مدل برتر را بر اساس یک معیار خاص انتخاب می کردند. از آنجائیکه مقداردهی تصادفی در همه ی اجراها نتایج قابل اعتماد و منظمی ارائه نمی دهد، ما با ارائه ی یک رویه ی چند مرحله ای و بدون کمک از هرگونه ناظر خارجی و با استفاده از الگوریتمهای سلسله مراتبی که پیچیدگی محاسباتی آن را با انتخاب یک مجموعه کوچک از نمونه های برتر و همچنین کاهش فضای ابعاد، کاهش دادیم موفق شدیم برای هر خوشه بهترین متون مربوطه را بیابیم و بوسیله ی آنها پارامترهای مذکور را مقداردهی کنیم. نتایج آزمایشگاهی و نمودارهای مقایسه ای به صورت کاملاً واضح نشان می دهند که روش های پیشنهاد شده در این پایان نامه از عملکرد بالاتری نسبت به روشهای ارائه شده ی مشابه داشته اند.

کاوش در جریان داده فرایندی است که منجر به استخراج دانش از جریانی سریع از داده های پیوسته می شود. در سالهای اخیر، به دلیل اهمیت کاربردهای آن و پیشرفت در تکنولوژی سخت افزاری بسیار مورد توجه قرار گرفته شده است. در بسیاری از زمینه های کاربردی مانند شبکه های کامپیوتری، بازارهای مالی و مبادلات ارزی، مکالمات تلفنی، کارت های اعتباری، مراکز داده و سرورها، تصاویر ویدئویی، شبکه حسگرها، رادارها، ماهواره ها و ...، حجم جریان های داده به قدری زیاد است که ذخیره آن تقریبا غیر ممکن است. بعلاوه، حتی اگر ذخیره داده ها ممکن باشد، نرخ داده های ورودی بقدری زیاد است که انجام عملیات بیش از یک بار بر روی هر داده امکان پذیر نمی باشد. از طرفی در بسیاری از موارد توزیع داده ها متأثر از عوامل بیرونی، پیوسته با زمان تغییر میکند. در نتیجه طراحی الگوریتم های برخط و کارا به منظور کاوش در ساختار متغیر جریان های داده ضرورت می یابد. روش های غیر خطی بر پایه آنالیز مولفه های اصلی کرنلی (kpca) در داده کاوی به منظور استخراج ساختار های غیر خطی از داده ها بسیار مورد استفاده قرار گرفته شده و کارایی بالایی نسبت به روش های خطی از خود نشان داده اند. اما پیاده سازی این روش ها که بر پایه تجزیه مقدار تکین کرنلی (ksvd) دسته ای ماتریس داده ها است، مناسب کاربرد هایی که نیازمند پردازش برخط می باشند، نمی باشد. در این پایان نامه ما sksvd را که یک الگوریتم جدید به روز رسانی ksvd می باشد را به منظور یافتن کارای الگوهای غیر خطی از داده های جریانی ارائه کرده ایم. الگوریتم ارائه شده به کمک ایده توابع کرنل ، یک انتقال متعامد خطی را از داده های اخیر در فضایی با ابعاد بسیار بالاتر ( شاید بی نهایت) که به آن فضای ویژگی یا فضای کرنل می گویند، یاد می گیرد و هرگاه داده ی جدیدی تولید شود این الگوریتم آن را به صورت غیر خطی به آن فضا نگاشت کرده و بعد از استخراج الگوهای آن، انتقال متعامد را به صورت افزایشی و با کمترین میزان مصرف منابع به روز می کند. از آنجا که فضای اولیه و فضای ویژگی به صورت غیر خطی به هم وابسته هستند، الگوهای بدست آمده غیر خطی خواهند بود. الگوهای بدست آمده را سپس می توان به منظور کشف تغییر در مفهوم و توزیع داده ها و یا شناسایی ناهنجاری مورد استفاده قرار داد. نتایج حاصل از آزمایش هایی گوناگون بر روی داده های واقعی و ساختگی تاثیر گذاری و کارایی روش ما را نشان میدهد.

یافتن دسته داده های تکراری در جریان پیوسته تراکنشها یکی از مسائل حیاتی در کاربردهایی نظیر تحلیل سبد خرید، مانیتورینگ شبکه و پیش‎بینی فروش انبار می باشد. پنجره لغزان یکی از مدلهایی است که به دلیل مدیریت تغییر محتوا، مصرف حافظه محدود و سرعت پردازش کم به شکل گسترده در یافتن دسته داده های تکراری در جریانهای داده استفاده شده است. یک الگوریتم مبتنی بر مدل پنجره ای لغزان به یک ساختمان داده کارا احتیاج دارد که به سریعترین شکل ممکن با حذف و درج تراکنشها خود را به روز کند. به علاوه یک روش محاسباتی ابداعی نیز لازم است تا با تاخیر اندکی بعد از درخواست کاربر جهت مشاهده نتایج کاوش در یک پنجره، مجموعه دسته داده های تکراری را تولید کند. در این پایان نامه یک ساختمان داده کارا با نام دنباله بیتی بلوک بندی شده برای ذخیره و نگهداری محتویات پنجره معرفی شده است. به علاوه با یک تکنیک جدید این پنجره مورد پویش قرار گرفته تا مجموعه دسته داده های تکراری در پنجره جاری به شکلی کارا استخراج شوند. نتایج آزمایشات روی جریان داده های واقعی و مصنوعی نشان می دهد که این الگوریتم سریعتر از الگوریتمهایی است که اخیرا در زمینه کاوش جریانهای داده ارائه شده اند.

از جمله دستاوردهای تجارت الکترونیک حضور عرضه کنندگان در یک بازار جهانی قابل رویت برای کلیه خریداران است که در کنار مزایای فراوانی که هم برای خریدار و هم برای فروشنده به همراه دارد ، امکان مقایسه محصول با محصولات مشابه را نیز برای تقاضا کننده به وجود آورده و عرضه کننده را از انحصار خارج می کند. از سوی دیگر در دنیای رقابتی امروز با گسترش قابل توجه حجم داد و ستد اینترنتی و افزونگی اطلاعات و تنوع محصولات در دسترس، نیاز به سیستم هایی جهت پیشتیبانی تصمیم گیری در فضای کسب و کار مجازی و ابزارهایی بمنظور فیلتر اطلاعات با توجه به احتیاجات و علایق مشتریان بنگاه های مجازی و راهنمایی آنها در انتخاب محصولات مناسب بیش از پیش احساس می شود . ازسیستم های توصیه گر به عنوان یکی از راه حل های رویارویی با مسئله سرباری اطلاعات در تجارت الکترونیک یاد می شود. از یک سو کسب و کارهای فعال در زمینه تجارت الکترونیک برای جذب مشتری بیشتر در بازار پر رقابت مذکور نیازمند این سیستم ها هستند و از سوی دیگر مشتری نیازمند یاری رسانی در خیل عظیم و رو به رشد کالا و به همان نسبت اطلاعات مربوط به آنها است تا بتواند از میان تعداد زیاد گزینه های پیش رو مناسبترین آنها را بر گزیند در این تحقیق قصد داریم با استفاده از منطق فازی چارچوبی برای توسعه ی نوعی خاص از سیستم های توصیه گر در سایت های تجارت الکترونیک ارائه دهیم که علاوه بر محصولات با تواتر خرید بالا ، جهت توصیه ی محصولاتی با تواتر خرید پایین که سیستم و فروشنده اطلاعات زیادی از سابقه ی مشتری ندارند هم کارایی دارد . چنین کالاهایی علی رغم اینکه در بازار کالا مشمول قاعده ی سرباری اطلاعات هستند ، ولی تا کنون در طراحی سیستم های توصیه گر فعالیت چندانی در زمینه ی توصیه ی انها انجام نپذیرفته است .

سیستم توصیه گر، بر اساس مدلی که بدست می آورد، سعی در تخمین میزان علاقه کاربر ویا ارائه اقلام مناسب به وی می کند تا بسبب حجم عظیم اطلاعات موجود، و عدم توانایی پیداکردن اقلام مناسب، کاربردچار سردرگمی و انتخاب اشتباه نگردد. اقلام مورد نظر می تواند فیلم، موسیقی، کتاب و ... باشد. صافی سازتجمعی، یکی از تکنیک های موفق در حوزه سیستم های توصیه گر می باشد که براساس علایق کاربران در گذشته، سعی در پیشنهاد اقلامی به سایر کاربران دارد. بیشتر الگوریتم های موجود در حوزه صافی سازتجمعی، یا فقط از شباهت بین کاربران و یا فقط از شباهت بین اقلام برای توصیه، بهره می گیرند که بدنبال آن، دوگانی بین کاربران- اقلام نادیده گرفته می شود. ما برای حل این موضوع، از خوشه بندی دوطرفه که امکان خوشه بندی همزمان کاربران(سطرها) و اقلام(ستون ها) در ماتریس کاربران – اقلام را فراهم می کند استفاده کرده ایم. از آنجاییکه خوشه بندی دوطرفه بسیار دشوار (np-hard) می باشد، از بستر الگوریتم ژنتیک برای افزایش قدرت جستجو در فضای مساله بهره گرفته و همچنین، از تکنیک های برنامه نویسی موازی استفاده گردیده است تا ضمن افزایش سرعت اجرا، استفاده بهینه از سخت افزار موجود بعمل آید. در نهایت، الگوریتم ارائه شده (ebcf) را بر دو پایگاه داده ی رایج movielens و jester که حاوی اطلاعات علایق کاربران در حوزه فیلم و جک می باشد، مورد بررسی قرار داده ایم که نتایج حاصله، نشان دهنده دقت و کارایی مطلوب ebcf می باشد.

هدف از این تحقیق ارائه مدلی از خزنده وب در صنعت آب و فاضلاب می باشد که با استفاده از انتقال موازی به صورت سریعتر و کارامدتر، عمل می کند. خزنده وب یک ماژول از موتورهای جستجو است که واکشی داده ها از سرویس دهنده های مختلف را انجام می دهد. خزنده وب یک جزء ضروری برای موتورهای جستجومی باشد و عملیات خزنده وب، یک کار چالش برانگیز در عملیات موتورهای جستجو می باشد. این فرایندی زمانبر برای جمع آوری اطلاعات از منابع مختلف در سراسر جهان است.چنین پروسه ای به صورت منفرد با محدودیت در قدرت پردازش بر روی یک ماشین و اتصال به شبکه مواجه می باشد. این ماژول به توان پردازشی بالا و مصرف پهنای باند شبکه نیازمند است.هدف از این پایان نامه، طراحی و اجرای چنین خزنده منتقل شونده موازی است که در آن کار خزیدن، در بین تعدادی از خزنده های مستقل و موازی تقسیم شده است که قابلیت مهاجرت به ماشین های مختلف، به منظور بهبود افزایش بهره وری شبکه و بالا بردن سرعت دانلود را دارند.

مسئله شناسایی الگوهای نامتعارف، به خصوص به صورت بدون سرپرست، یکی از چالش های حایز اهمیت در فعالیت های انسانی است که محدوده وسیعی از کاربرد ها همچون نظارت بر ترافیک شبکه تا تحیل های بیومتریکال را شامل می شود. چالش عمده ای که به صورت ارثی در چنین زمینه ای حضور دارد، عدم وجود نمونه از کلاس نامتعارف می باشد. بر اساس چنین محدودیتی بسیاری از روش های واقع بینانه شناسایی نمونه های نامتعارف فرض می کنند تنها داده های آموزشی نرمال در اختیار دارند. علاوه بر این در بسیاری از مسائل ما به دنبال یافتن نمونه های نامتعارف معنادار می باشیم. نمونه هایی که بتوان عدم تبعیت رفتار آن ها را از یک رفتار نرمال توسط تعداد قابل قبولی نمونه توجیه کرد. با توجه به نکات ذکر شده، رهیافت های پیشنهادی ما در مطالعات انجام شده، شامل چهار مزیت نسبت به روندهای مشابه خود می باشند. اولین مزیت بهره جویی از دو معیار هوشمندانه جمله تنظیم و تغییر نسبت غیر معین برای شناسایی ناهنجاری های معنادار می باشد. دومین برتری روند های پیشنهادی، ارائه چهارچوبی برای حل مسئله با در نظر گرفتن شرایط واقع گرایانه می باشد. در این رهیافت ها، داده های آموزشی نرمال فرض شده اند و مسئله برای مجموعه داده هایی که دارای صفات عددی و غیر عددی هستند، تعریف شده است. مزیت دیگر این روش ها، استفاده از شبکه بیزین برای تعیین کوچکترین مجموعه قوانین و امتیاز دهی به نمونه های تست است. آخرین برتری مربوط به یک ساختار درختی به نام ad tree است که به منظور ذخیره و بازیابی موثر اطلاعات، در رهیافت های پیشنهادی استفاده شده است. نتایج تجربی به دست آمده بر روی چندین مجموعه داده نمایانگر برتری الگوریتم های پیشنهادی نسبت به سایر روش های پایه ای است که در گذشته پیشنهاد شده است.

پروتئین ها مواد مغذی اصلی هر سلول زنده و مسئول انجام اعمال گوناگون آن هستند. هنگامی که پروتئین ها در دمای معمول و در حالت عادی در محیط آبی قرار می گیرند از آن ها شکلی سه بعدی به دست می آید که در قسمتی از بدن قرار گرفته و ویژگی های کاربردی آن ها وابسته به این ساختار می باشد. به همین دلیل تعیین ساختار سوم پروتئین ها به منظور تشخیص عملکردی که در بدن دارند حائز اهمیت می باشد. پیش بینی ساختار سه بعدی پروتئین ها به روش های آزمایشگاهی زمان بر و پر هزینه بوده و روی همه ی رشته های پروتئینی قابل اعمال نیستند. از این رو در دهه های اخیر تلاش های بسیاری به منظور استفاده از روش های محاسباتی برای پیش بینی ساختار دوم پروتئین ها به عنوان یک گام میانی در جهت تعیین ساختار سه بعدی آن ها و در نتیجه عملکرد آن ها صورت گرفته است. آنچه در این پایان نامه ارائه می شود استفاده از روش هایی برای پیش بینی ساختار دوم پروتئین ها از جمله استفاده از یک شبکه عصبی دو مرحله ای، استفاده از روش های گروهی و ترکیب نتایج چند کلاسه بند (که در هر کدام از آن ها یکی از تکنیک های یادگیری ماشین برای حل مشکل نامتوازن بودن داده ها استفاده شده است)، شبکه عصبی بازگشتی و همچنین استفاده از یک کلاسه بند عصبی-ژنتیکی که در آن از الگوریتم ژنتیک به منظور به دست آوردن مقدار بهینه ی یکی از پارامترها برای رسیدن به دقت بالاتر استفاده شده است. نتایج حاصله نشان می دهد که روش های فوق باعث افزایش دقت کل، بهبود کیفیت پیش بینی و حل مشکل غیرمتوازن بودن داده ها می شود.

در دنیای امروزی فناوری اطلاعات و ارتباطات بصورت انکار ناپذیری صنعت گردشگری را تحت تاثیر قرار داده است و باعث شده پدیده هایی مثل گردشگری الکترونیک تحقق پیدا کند. در این پژوهش ابتدا یک مدل هوشمند توصیه گر مبتنی بر شبکه عصبی جهت توسعه گردشگری الکترونیک ارائه شده است، سپس با استفاده از داده های نمونه ای که بر اساس مدل از طریق شرکتها و آژانسهای گردشگری شهر اصفهان جمع آوری شده است عملیات داده کاوی از نوع کلاس بندی مبتنی بر شبکه عصبی طراحی می شود .کلاس بندی یکی از متداولترین فعالیتها در حوزه های مرتبط با تصمیم گیری هوشمند است و شبکه های عصبی راه حلی مناسب برای حل مسائل داده کاوی بویژه کلاس بندی می باشد. بطور معمول، برای حل مسائل کلاس بندی که خروجی مطلوب از آنها موجود است، نوع آموزش شبکه عصبی از نوع با ناظر انتخاب می شود.در این پژوهش یک مطالعه مقایسه ای در رابطه با کلاس بندی داده های گردشگری الکترونیک با استفاده از دو روش یادگیری با ناظر و بدون ناظر انجام گرفت که مقدار خروجی مطلوب برای همه داده های ورودی مشخص بود.این خروجی شامل چند بسته تور مسافرتی مناسب گردشگران است که بر اساس مقادیر ورودی به آنها پیشنهاد می شود. نتیجه نشان داد که علیرغم داشتن مقادیرخروجی هدف، خروجی شبکه عصبی با روش یادگیری بدون ناظر و معماری som درصد پیش بینی دقیق تری را نسبت به روش یادگیری با ناظر داردوبسته های پیشنهادی شبکه با روش یادگیری بدون ناظر ،منطبق تر با انتخاب گردشگران میباشد.جهت ارزیابی نهایی نتایج، نمونه داده های تست، در اختیار کارشناسان خبره تور قرار گرفت ودقت پیش بینی آنها نیز بسیار نزدیک به نتایج بدست آمده از روش یادگیری بدون ناظر بود.در پایان نیز مقایسه ای روی نتایج استفاده از دو متد مذکور ارائه شده است.

داده کاوی علم استخراج اطلاعات ضمنی، از قبل ناشناخته و به صورت بالقوه مفید از داده های خام است. کاربرد داده کاوی در توالی ها و ساختارهای بیولوژیکی و تفسیر اطلاعات از آن ها به علم بیوانفورماتیک شهرت دارد. امروزه، حجم بالای داده در پزشکی و ژنتیک به منظور به دست آوردن نتایج و الگوهای مفید در رابطه با بیماری ها جمع آوری می شود. آنفولانزا یک بیماری شدیدا مسری، حاد و تب زای تنفسی است. این بیماری توسط ویروس آنفولانزا ایجاد می شود که یک ویروس هشت قسمتی است. آنفولانزا نوع a با توجه به آنتی ژن های سطحی آن هماگلوتینین و نورامینیداس به زیرگروه هایی تقسیم می شود. آزمایشات آنتی ژنی مرسوم در این زمینه زمانبر و پر هزینه بوده و اغلب کاملا دقیق نیستند. آنفولانزا در میزبان انسانی اش شیوع بسیار زیادی داشته است. با اندک تغییری در هر یک از آنتی ژن ها ویروس جدیدی به وجود می آید که واکسن فعلی کارائی خوبی در برابر آن نخواهد داشت، لذا سالانه نیاز به بازنگری در ترکیب واکسن وجود دارد تا ترکیب واکسن در نقاط متغیر بروزرسانی شود. استخراج دقیق نقاط متغیر و ثابت از اهمیت بسزایی برخوردار است. در این تحقیق، ابتدا با استفاده از تکنیک طبقه بندی الگوی دقیق پیش بینی زیرگروه ویروس جدید و میزبان آن بر اساس توالی های نوکلئتیدی و پروتئینی هماگلوتینین و نورامینیداس به دست آمد. سپس با استفاده از تکنیک طبقه بندی بر مبنای قوانین انجمنی، قوانین دقیق حاکم بر زیرگروه ویروس استخراج شد. در ادامه تحقیق، نقاط متغیر ویروس در اثر جهش-های آنتی ژنی رخداده در پاندامی های گذشته و نقاط تاثیرگذار در ظهور زیرگروه های جدید استخراج شد. این نقاط در طراحی واکسن آنفولانزا و به منظور بالا بردن کارایی آن قابل استفاده است.

انتخاب یک زیر مجموعه ی مناسب از ویژگیهای داده ها که به منظوری خاص مانند طبقه بندی صورت پذیرد، یک امر بسیار مهم در تمامی مسائل می باشد. در این پایان نامه روشی عملی برای انتخاب ویژگی پیشنهاد شده که روی انواع داده ها به جوابهای مناسبی می رسد. بدین منظور محیط مسأله به صورت یک بازی تک نفره معرفی شده است و با استفاده از روش های مونت کارلو و تفاوت زمانی که از روشهای بسیار کارای الگوریتم یادگیری تقویتی می باشد، پیمایش محیط را پیش می برد و در نهایت زیرمجموعه هایی بهینه یا نیمه بهینه از ویژگیها انتخاب می کند. در این راه ابتدا محیط را به صورت تصادفی می پیماید و از محیط یاد می گیرد و در تکرارهای بعدی بهترین نواحی را برای پیمایش انتخاب می کند.

پروتئین ها نقش کلیدی در بسیاری از فعالیت های حیاتی موجودات زنده بر عهده دارند، با توجه به این اهمیت، تولید پروتئین و تغییر ساختار آن برای نیل به اهدافی از قبیل طراحی داروها، ارسال دارو به بافت هدف تولید جایگزین های زیستی برای از بین بردن ترکیبات شیمیایی خطرناک محیط و غیره، از اهداف مطالع? پروتئین ها در علوم انفورماتیک و مهندسی پروتئین می باشد. در راه رسیدن به این هدف آگاهی از عملکرد و طرز کار یک پروتئین با توالی اسیدهای آمینه کشف شده، اهمیت فوق العاده ای می یابد. از آنجایی که پروتئین ها در ساختار سوم دارای عملکرد می باشند، لذا پیش بینی ساختار دوم دارای اهمیت است که روش هایی مختلفی از جمله شبکه های عصبی در این زمینه ارائه شده است، لذا در این رساله سعی شده است تا با ارائه ی روشی جدید مجموعه ای از شبکه های عصبی پیش رو، دقت پیش بینی ساختار دوم پروتئین را نسبت به روش های موجود بهبود بخشیده شود. شبکه های عصبی مورد استفاده قرار گرفته در این رساله، بر اساس پنجره های زمانی و همچنین روش های متفاوت جهت استنباط سه حالت مارپیچ آلفا، صفحات بتا و پیچه از نتایج dssp ایجاد شده و تحت آموزش قرار گرفته شده اند و در نتیجه این 5 شبکه به عنصر ادغام کننده انتقال پیدا نموده و نتیجه نهایی، دقتq_3 به ترتیب برای مجموعه داده ای cb513 و rs126 به ترتیب 76و 78 درصد می باشد. لازم به ذکر است در این رساله از مجموعه داده هایcb513 و rs126 که به عنوان مجموعه داده هایی معتبر در راستای ارزیابی روش های پیش بینی ساختار دوم پروتئین در پژوهش های تحقیقاتی در این حوزه مطرح می باشند جهت آموزش و ارزیابی روش پیشنهادی استفاده شده است.

درعرصه کسب و کار قرن جدید، رویکرد مشتری مداری جای خود را به رویکرد تولید انبوه در ایجاد مزیت رقابتی داده است و سازمانهایی که نسبت به رقبای خود ارزش بیشتری برای مشتریان می آفرینند در مقایسه با سازمانهایی که در این خصوص عملکرد نامناسب دارند، به موفقیت و کامیابی بیشتری دست می یابند تا جایی که احتمال شکست آنها را می کاهد. برای عرضه موفقیت آمیز هر فرآورده به بازار، باید مسیری وجود داشته باشد تا از آن طریق شرکت سازنده بتواند به مصرف کننده دست رسی پیداکند. بدون تشکیلات مناسب بازاریابی و توزیع، حتی بهترین محصولات هم محکوم به شکست هستند(شوکف 1371). درواقع کانال توزیع و روش خاص بازاریابی موقعیتی است که تولید کننده از طریق آن می تواند بیشترین ارتباط را با مشتری برقرار کند و بازخورد های لازم را برای بهبود عملکرد خود دریافت کند. مدیران بازاریابی، کالاها با خدمات مورد عرضه را که ممکن است، اتومبیل، موادغذایی، اثاثیه منزل، خدمات پلیس، مشاوره حقوقی، و یا مراقبت های درمانی و بهداشتی باشند، با مناسب ترین روش بازاریابی و سپس با بهترین روش انتقال کالا و خدمت از تولید کننده به مصرف کننده بالقوه می رسانند. از این رو تصمیم مناسب دراین زمینه به افزایش سرعت انتقال محصول، راحتی مصرف کننده و هزینه کمتر منجر خواهد شد که این امر خود تکرار خرید و حفظ مشتریان را به دنبال خواهد داشت. به عبارت بهتر، ثمره تلاش و فعالیت تمام بخش های در گیر در یک سیستم فروش را می توان در مرحله بازاریابی آن جستجو کرد. البته از دیدگاه سیستمی تک تک عناصر باید به صورتی کارا و موثر درکنارهم قرار گیرند، لیکن با مطالعه عملکرد شرکت های موفقی چون مایکروسافت، اپل، دل و ... نقش تاثیرگذار بازاریابی در موفقیت آنها کاملا مشهود می باشد. شروع فعایت های تولیدی و سرمایه گذاری همیشه با مطالعه و برنامه ریزی علمی همراه است. در شرکتهای بزرگ قبل از شروع عملیات تولید، گروه تحقیقات و بازاریابی برای امکان سنجی درمورد مقبولیت کالا و نیاز بازار فعالیت های خود را آغاز می کنند. همچنین در شرایطی که کالاهای تولید شده فروش نمی روند و یا محصول جدید و یا محصول فرعی در فرآیند تولید بدست می آید که بازار آن ناشناخته است لازم است تاگروه تحقیقات و بازاریابی وارد عرصه شده و برنامه ریزیها و مطالعات لازم را با ابزارهای دراختیار برای دست یابی به اطلاعاتی درمورد موقعیت بازار و کالا انجام دهد. تمامی فعالیت های گروهی و انفرادی برای بازاریابی یک کالا باید حساب شده و درقالب های مشخصی تدوین شود. برای این منظور در بازاریابی هر کالا باید برنامه مربوط به آن کالا را بادقت و مطالعه فراوان و با شناخت کامل از روشهای نوین بازاریابی تهیه کرد و در اختیاز مدیران گذاشت تا تصمیم گیری های مناسب را بر اساس آن انجام دهند. شناخت ابزارهای مختلف بازاریابی و بهره گیری از ابزارهای نوین آن یکی از موثرترین روشها جهت ایجاد طرح بازاریابی مناسب برای یک سازمان می باشد. بر این اساس طرح بازاریابی اهداف بازاریابی را به همراه روشهای انجام آن و ابزار آن تعیین و راهبردهای دستیابی به آنها را پیشنهاد می دهد. البته نباید فراموش کرد که این طرح تمام اهداف و راهبردهای سازمان را دربر نمی گیرد. ازسوی دیگر، به منظور رونق و تداوم رشد اقتصادی و افزایش رفاه ملی کشور، توسعه صنعت فولاد می تواند به طور جدی به عنوان یک استراتژی رهایی از اقتصاد تک محصولی صادرات نفت و تنوع بخشیدن به اقتصاد ملی و تخصیص بهینه منابع محدود اقتصادی مورد توجه قرارگیرد. ایران اسلامی، بالقوه می تواند با استفاده از روشها و تکنولوژی های جدید تولید فولاد، به افزایش ظرفیت تولید و صادرات خود بیفزاید. برای افزایش سهم ایران در بازار جهانی، شناخت ابزارها و روشهای نوین بازاریابی و طراحی الگوی مناسب بازاریابی صنعتی و شناخت آن در رابطه با بازار فولاد و محیط بازاریابی بین المللی از مسائل اصل و مهمی است. فولاد یکی از محصولات اصلی در ساختار صنعتی کشورها است به طوری که مقدار تولید و مصرف آن یکی از معیارهای قطعی ارزیابی موفقیت اقتصادی و درجه توسعه اقتصادی هر کشور به شمار می رود. علت امر نیز معلوم است و آن جایگاهی است که فولاد در تولید بسیاری از محصولات دیگر صنعتی و کشاورزی از ساده ترین ابزار تا پیچیده ترین آنها دارد، و با توجه به وجود یک کارخانه بزرگ تولید فولاد یعنی ذوب آهن اصفهان در کشور، باید تلاش نمود تا با اجرای کامل طرح پروژه توازن که در بخش های بعدی با آن بطور کامل آشنا خواهیم شد، و افزایش تولید و ایجاد یک طرح بازاریابی صحیح با بهره گیری از روشهای نوین بازاریابی متناسب با محصولات اصلی و فرعی این کارخانه حضور موثر این کارخانه را در بازار جهانی پررنگ تر نمود. از ابزارهای نوین و کمتر شناخته شده و کمتر مورد استفاده قرار گرفته در کشور، بازاریابی رسانه های اجتماعی است که از ابزارهای نوین و موثر جهانی پس از بازاریابی اینترنتی و درپی ایجاد موج وب2 در اینترنت بوجود آمده است.

رشد روز افزون شبکه های اجتماعی در سیستم های مدرن اطلاعاتی امروزی، امکان همکاری خبرگان را به میزان فراوان و بیش از آنچه پیش از این وجود داشته، فراهم آورده است. با یک وظیفه داده شده و یک گراف از خبرگان به عنوان نمونه ای از یک شبکه اجتماعی، به طوری که هر یک از خبرگان دارای تعدادی مهارت باشند، هدف ما، پیدا کردن گروهی موثر از خبرگان است که قادر به انجام موفق آن وظیفه در قالب یک تیم باشند. در راستای انجام موثر وظیفه و تعامل مناسب خبرگان، مطلوب است کارایی تیم انتساب یافته نیز به گونه ای در نظر گرفته شود که هر خبره کمینه سطح توانایی موردنیاز برای هر مهارت را داشته باشد. در این پایان نامه، ما تلاش نمودیم تا مساله سازمان دهی تیم خبرگان را از چند جنبه بهبود و تعمیم دهیم: نخست، یک روش برای اندازه گیری سطح توانایی هر خبره بر مبنای مهارت ها و نیز توانایی تعامل با همسایگان برای انجام هر مهارت داده شده، ارایه شده است. دوم، گراف اصلی خبرگان به صورت مجموعه ای از چندین گروه شامل افراد ماهر برای هر مهارت که دارای ارتباطات قوی با یکدیگر هستند، تجمیع می شود و از میان این گروه ها، گروه های موثر برای ادامه کار استخراج می شوند. در این گام، با در نظر گرفتن تنها این گروه های موثر، فضای جست و جو به نحو چشمگیری کاسته می شود و افزون بر آن، این امر موجب پیشگیری از افزایش غیرمنطقی هزینه ی ارتباطی و اندازه تیم در هنگام انتساب افراد کاندید به تیم انتخابی می گردد. سوم، الگوریتم rarestfirst موجود ارتقاء داده شده و یک نسخه ی تعمیم یافته از آن برای انجام وظایف عمومی-رقابتی ارایه می شود. در پایان، به منظور بهبود کارایی تیم انتخابی، تعریف سازگار یافته ای از هزینه ی ارتباطی ارایه می گردد. آزمایش ها بر روی گراف تالیفی-همکاری نویسندگان در دیتاست dblp نشان می دهد که در زمینه ی کارایی و موثر بودن، چارچوب کاری پیشنهادی ما توانسته است به نتایج خوبی در کاربردهای عملی دست یابد.

سازماندهی تیم موثر از خبرگان در جهت پوشش وظیفه ای تعیین شده در شبکه های اجتماعی در بسیاری از پروژه های دنیای واقعی مورد توجه و حائز اهمیت است. هزینه ارتباطی، و وجود همکاری مناسب بین اعضای تیم، و همچنین انتخاب تیمی کوچک و در عین حال کارا، ما را در انجام هرچه موفق تر پروژه هدایت می کند. در این پایان-نامه سه رهیافت در جهت تعمیم و بهبود کارهای پیشین انجام شده است: اول، بررسی عملکرد توابع شباهت مختلف برروی کارایی سازماندهی تیم. مسأله سازماندهی تیم را در محیط شباهتی بین رئوس هم به طور مستقیم با توجه به میزان مقاله های اشتراکی-تألیفی بین دو رأس، و هم شباهت ضمنی بین رئوس با توجه به میزان همسایه های مشترک و از طریق واسط های بین شان بررسی می کنیم. همچنین، شباهت مهارتی برای هر نویسنده را با در نظر داشتن سطح توانایی بالقوه او و میزان همکاری و اشتراکش با دیگر نویسندگان در زمینه مهارت مورد نیاز، در روند انتخاب، وارد عمل خواهیم کرد تا در انتخاب هر چه موثرتر اعضای تیم تأکید داشته باشیم. استفاده از ترکیب این معیارهای شباهت در فرمول تابع هزینه الگویتم، ما را در جستجوی هرچه کاراتر تیم نهایی در شرایط یکسان یاری خواهد کرد. علاوه براین، می توان از طریق توابع شباهت ضمنی بین رئوس، افرادی که قابلیت بالایی برای همکاری با هم دارند، در چهارچوب تیم نهایی که حاوی بهترین افراد موثر در شبکه اجتماعی موجود می باشند، طبق ساختار روابط بین شان به هم پیشنهاد داد، زیرا این افراد در ساختار قبلی شبکه تنها از طریق واسط ها به هم متصل بوده و می توانند با همکاری هم، ساختار کاراتری در گراف جدید شبکه اجتماعی ایجاد نمایند. دوم، سازماندهی k تیم برتر با استفاده از نظریه بازی ها است. پیدایش k تیم برتر زمانی اهمیت می یابد که تیم برتر نهایی به هر دلیلی منحل شود و مجبور به اجرای پروژه توسط تیم بهتر بعدی باشیم و یا با چندین پروژه و موضوع پروژه یکسان مواجه باشیم، در چنین شرایطی می توانیم پروژه ها را بر حسب اولویت به تیم های بدست آمده اختصاص دهیم. در جریان بازی، با توجه به تابع سودمندی برای هر خبره و روند عضویت در گروه های مختلف، در نهایت، هنگامی که به تعادل نش محلی دست یابیم همه ی تیم های موجود بدست خواهند آمد. سوم، سازماندهی تیم خبرگان با در نظر داشتن وظایف تعمیم یافته و گروه بندی گراف. در این رهیافت هر مهارت مورد نیاز در وظیفه شامل حداقل تعداد خبره مورد نیاز و حداقل سطح مهارتی هر خبره جهت پوشش آن می باشد. گروه بندی گراف اصلی نیز با توجه به مهارت های مورد نیاز و در اختیار داشتن آنها توسط خبرگان موجود، با توجه به اتصالات قوی بین شان انجام خواهد شد. این روش فضای جستجو را تا حد زیادی کاهش داده و مانع از انتخاب گره های غیر ضروری و افزایش بی رویه ی هزینه ارتباط و اندازه تیم می گردد. آزمایشات بر روی گراف همکاری dblp نشان دهنده کارایی بالا و موثر بودن روش های پیشنهادی می باشد.

در این پایان نامه تلاش شده است یک سیستم امتحان آنلاین هوشمند با قابلیت تشخیص و ردیابی کاربر از طریق خصوصیات بیومتریک فرد امتحان دهنده مورد بررسی قرار گیرد.بدین منظور روش های مختلف برنامه نویسی جهت کنترل رایانه و استفاده از وب کم فرد امتحان دهنده از جمله delphi ،c# و flex مورد بررسی قرار گرفتند و در نهایت از engine flex با توجه به قابلیت های بسیار خوب آن استفاده گردید.روش های مختلف تشخیص چهره و ردیابی بررسی گردیدند. با توجه به زیرساخت های مخابراتی، انتظارات و عملکرد روش های مختلف ، جهت آشکار سازی چهره، ابتدا مناطقی که حاوی رنگ پوست می باشد در تصویر جداسازی می گردند و سپس با روش آشکارسازی لبه، لبه ها مشخص می شوند. درمرحله بعد با استفاده از الگوی چهره، که این الگو از ترکیب چهره 20 شخص بدست آمده است،و روش تطبیق الگو مناطق حاوی چهره را در تصویر مشخص می کنیم. سپس لبه های موجود در آن مناطق با لبه های تصویری که از قبل در پایگاه داده ذخیره نموده ایم مقایسه می شونددر صورتیکه شباهت تا 80 درصد باشد در مرحله بعد اختلاف رنگ پیکسل های مجاور تصویر نمونه گرفته شده از فرد، با اختلاف رنگ پیکسل های مجاور تصویر ذخیره شده در پایگاه داده مقایسه می شوند در صورتیکه شباهت تا 80 درصد باشد هویت فرد مورد تائید قرار می گیرد. برای ردیابی کاربر در حین امتحان نیز به جهت اهمیت بررسی هویت کاربر از آَشکارسازی چهره در فواصل زمانی 5 ثانیه استفاده شده است.

کلاس ساختاری(ساختار سوم) پروتئین اطلاعات مفیدی برای مشخص کردن ساختار کلی پروتئین فراهم می کند ، همچنین نقش اساسی در طراحی داروها، داروشناسی و کاربردهای دیگر دارد. عملکرد پروتئین به ساختار 3 بعدی آن مرتبط است و می تواند به طور موثر بر اساس آنالیز ساختار و توالی پروتئین تعیین گردد، همچنین توالی های پروتئینی کشف شده زیادی در دسترس است ولی نسبت به آن تعداد ساختار های کشف شده پروتئین ها کم می باشد. بنابراین پیش بینی ساختار سوم پروتئین برای زیست شناسان از اهمیت زیادی برخوردار است. همچنین روش های کامپیوتری ارائه شده برای زیست شناسان به صورت مبهم می باشد و با روش دسته بندی آن ها نمی توانند ارتباط برقرار کنند. بر این اساس در این پایان نامه مجموعه ویژگی هایی برای دسته بندی استفاده شده که توصیف پذیر باشند و همچنین بر دقت پیش بینی نیز تأثیر بگذارند. علاوه بر این روش های دسته بندی فازی را برای پیش بینی ساختار سوم پروتئین ها ارائه داده ایم. که بر اساس نتایج به دست آمده نشان داده شده است که قابلیت توصیف پذیری را به دست بندی اضافه می کنند، چون قوانینی را بر اساس ویژگی های پروتئین ها در دسترس زیست شناس قرار می دهند. بنابراین احتمالاً مورد قبول زیست شناسان قرار خواهد گرفت و بهتر می توانند با الگوریتم دسته بندی ارتباط بر قرار کنند. مقایسه روش های پیشنهادی نسبت به روش های ارائه شده مشابه، نشان داد که دقت پیش بینی بسیار مناسبی را این روش ها به دست آورده اند. علاوه بر این از مجموعه داده هایی استفاده کرده ایم که بسیار پر کاربرد باشند و شباهت توالی پایینی داشته باشند.

امروزه مبحث "بافت تصویر" نقش بسیار مهمی در روند پردازش تصویر وکاربردهای بینایی ماشین ایفا می کند. یکی از مهمترین زمینه های تحقیقاتی این حوزه، طراحی یک سیستم اتوماتیک به منظور طبقه بندی بافت تصویر می باشد. بدین منظور، تاکنون روش های بسیار زیاد و بر اساس ویژگی های مختلف ارائه شده است. از میان روش های موجود، روش الگوهای باینری محلی، در شکل اصلی و بهبود یافته خود، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی، هرچند از نظر پیاده سازی بسیار ساده است، اما پیچیدگی محاسباتی بالایی دارد. شکل بهبود یافته الگوهای باینری محلی نیز در مواجه با بافت های غیر همگن عملکرد چندان رضایت بخشی ندارد. در این پژوهش، یک طبقه بندی کننده جدید مبتنی بر روش الگوهای باینری محلی ارائه شده است که می کوشد تا ویژگی های سودمندی از ساختارهای میکروسکوپی بافت ارائه دهد. روش ارائه شده نسبت به شکل اصلی الگوهای باینری محلی پیچیدگی محاسباتی کمتری دارد و دقت طبقه بندی آن نیز از شکل اصلی و بهبود یافته الگوهای باینری محلی بیشتر می باشد. نتایج حاکی از آن است که روش ارائه شده نه تنها تصاویر با بافت همگن را به خوبی طبقه بندی می کند، بلکه در مورد تصاویر با بافت غیر همگن نیز به خوبی عمل می کند. همچنین در روش ارائه شده تباین تصویر نیز به نحوی در ماتریس حاصل از ویژگی ها گنجانده شده است که شکل اصلی و بهبود یافته الگوهای باینری محلی، از آن چشم پوشی می کنند. سه معیار دقت طبقه بندی، حساسیت و صحت کارایی روش ارائه شده را نشان می دهد.

رشد روز افزون تصاویر دیجیتالی و نیاز به ابزارهای بازیابی تصویر، همراه با دقت و سرعت مناسب موضوع بازیابی تصویر را جزء مباحث اصلی پردازش تصویر و تشخیص الگو قرار داده است. در بحث بازیابی تصویر هدف ذخیره بردارهای ویژگی به جای تصاویر اصلی می باشد تا پرس و جوی تصاویر با سرعت و دقت بهتر صورت گیرد. دو روش که علاوه بر محاسبات کم ویژگی های مناسبی برای آنالیز بافت تصویر ارائه می دهند، الگوی دودوئی محلی و واریانس محلی می باشد. با توجه به اینکه تصاویر در بحث بازیابی تصویر به صورت رنگی می باشند، شکل بهبود یافته ای از الگوی دودویی محلی که ویژگی های رنگ را در نظر می گیرد ارائه و استفاده می شود. روش ارائه شده در این پایان نامه مشتمل بر سه مرحله می باشد. در مرحله اول اجزاء اصلی درون تصویر بریده می شوند. این مرحله توسط روش های لبه یابی با استفاده از عملگر های ریخت شناسی انجام می شود. در مرحله دوم و سوم دو دسته بردار ویژگی از روی اجزاء اصلی بریده شده بدست خواهد آمد که دسته اول این بردار ها توسط عملگر الگوی دودویی محلی ایجاد می شود و دسته دوم این بردار ها به وسیله واریانس محلی بدست خواهد آمد. بردار های ویژگی برای کلیه تصاویر مدل(تصاویر ذخیره شده) و همچنین هر تصویر پرس و جو بدست خواهد آمد و در نهایت به وسیله طبقه بندی بردار های ویژگی با یک معیار درستنمایی(معیار درستنمایی لگاریتمی)، تصاویر بازیابی ارائه خواهند شد. همچنین در این پایان نامه برای کاهش پیچیدگی محاسباتی یک روش کاملا نوین ارائه شده است که در آن فاصله تصویر پرس و جو با کلیه تصاویر مدل محاسبه نمی شود و با استفاده از یک روش میانگین گیری فاصله تصویر پرس و جو تنها با گروه تصاویری محاسبه می شود که اجزاء درون آن شباهت بیشتری به گروه تصویر مدل دارند. دقت و سرعت بالا، عدم حساسیت به چرخش تصویر، پیچیدگی محاسباتی کم، روی خط بودن از جمله ویژگی های این روش می باشد.

پیچیدگی شبکه های زیستی و تعداد زیاد ژ ن ها در مجموعه داده های ریز آرایه منجر به چالش های فراوان در زمینه تحلیل داده های بیان ژنی شده است. الگوریتم های خوشه بندی که ژن های مشابه یکدیگر را به هدف تحلیل عملکرد ژن ها گروه بندی می نماید اولین قدم برای رویارویی با این چالش ها می باشد. بطور کلی روش های خوشه بندی فازی برای تحلیل داده های بیان ژنی مناسب تر می باشند زیرا گروه های زیستی به طور ذاتی دارای هم پوشانی بوده و به میزان قابل توجهی نویز در آن ها مشاهده می شود. در همین راستا در این رساله از الگوریتم تولید قوانین فازی جهت خوشه بندی داده های بیان ژنی استفاده شده است که به صورت خودکار خوشه های نهفته در داده های بیان ژنی را بدون نیاز به دانش قبلی کشف کرده و با تولید قوانین فازی قابل تفسیر خوشه های کشف شده را به صورت قابل فهم برای انسان نشان می دهد. در پایان نیز میزان دقت الگوریتم پیشنهادی بر روی چند مجموعه داده ریز آرایه توسط چند معیار درستی بررسی شده و با چند روش خوشه بندی فازی شناخته شده مقایسه گردیده است.

دسته بندی یکی از مهمترین فرآیندهای مورد مطالعه در حوزه یادگیری ماشین و داده کاوی است که در برنامه های کاربردی فراوانی از جمله دسته بندی متن، تشخیص پزشکی، بیوانفورماتیک و... مورد استفاده قرار می گیرد. مسائل دسته بندی را می توان براساس تعداد برچسب های منتسب به هر یک از داده ها به دو دسته کلی مسائل دسته بندی تک برچسبی و مسائل دسته بندی چند برچسبی تقسیم کرد. در مسائل دسته بندی تک برچسبی، هر داده دارای یک برچسب منحصر به فرد است. اکثر مطالعات صورت گرفته در حوزه یادگیری ماشین مربوط به این نوع مسائل دسته بندی بوده است. اما مسائل مهم زیادی وجود دارد که حل آنها مستلزم انجام دسته بندی چند برچسبی است. در این مسائل، هر داده ممکن است به بیش از یک برچسب منتسب شود. سامانه های دسته بندی یادگیرنده (lcs) یک اسلوب ایجاد و استنتاج قوانین هستند که از الگوریتم ژنتیک به عنوان ساز و کار اولیه جستجو استفاده می کنند. این اسلوب ها به دنبال یک مجموعه از قوانین قابل اطمینان و با درجه صحت بالا هستند. اگرچه فعالیت های مختلفی برای انجام دسته بندی توسط سامانه های دسته بندی یادگیرنده انجام شده است اما اکثر این فعالیت ها نیز برای دسته بندی داده های تک برچسبی بوده و در مورد دسته بندی چند برچسبی این تحقیقات در اول راه قرار دارد. هدف اصلی این تحقیق، ایجاد یک مجموعه قوانین با استفاده از lcs برای دسته بندی داده های چند برچسبی است که نتایجی کارآمد و قابل مقایسه با سایر روش های دسته بندی چند برچسبی داشته باشد. در این تحقیق از xcs به عنوان سامانه پایه استفاده شده و بخش های عمده آن برای ایجاد امکان مواجهه با داده های چند برچسبی مورد تغییر قرار گرفته است. برای این منظور دو روش مختلف بازنمایی دانش برای مسائل دسته بندی چند برچسبی، روش پاداش دهی متناسب با این مسائل و یک ساز و کار کشف قوانین که با استفاده از یک مکانیزم رای گیری برای lcs و با بهره گیری از تجربیات قبلی سامانه ی کشف را هدایت می کند معرفی شده است.

هدف از استخراج خودکار عبارات کلیدی، انتخاب مجموعه ای از کلمات موجود در متن است که میتوانند موضوع اصلی متن مورد نظر را بیان کنند. استخراج خودکار عبارات کلیدی می تواند به یک کاربر کمک کند تا در میان تعداد زیادی از اسناد متنی کاوش کند، در حالی که کمترین زمان ممکن را سپری می کند. این فعالیت همچنین برای موتورهای جستجو و در وب معنایی به عنوان تولید متادیتا برای صفحات متنی مورد استفاده می باشد. در دهه اخیر، فعالیت های زیادی در زمینه استخراج خودکار عبارات کلیدی صورت گرفته است. کارهای ارائه شده را می توان از جنبه های مختلفی با هم مقایسه کرد، در اینجا بمنظور تشریح هدف این تحقیق، کارها را به دو دسته تقسیم می کنیم. دسته اول روشهایی هستند که برای شناسایی عبارات کلیدی موجود در یک متن به مجموعه ای از اسناد مرتبط با سند مورد پردازش نیاز دارند تا بتوانند با اطلاعاتی که از کل مجموعه اسناد بدست می آورند، عبارات کلیدی متن مورد نظر را شناسایی کنند. این وابستگی به مجموعه اسناد و دامنه ای خاص، دارای دو ایراد می باشد: اول اینکه، دسترسی به مجموعه ای از اسناد مرتبط با سند مورد پردازش در همه جا مقدور نیست. دوم اینکه، از آنجا که تمام اسناد موجود در یک مجموعه باید پردازش شوند، زمان زیادی طول می کشد تا عبارات کلیدی یک متن شناسایی شوند. دسته دوم از سیستمهای ارائه شده سیستمهایی هستند که با استفاده از خود سند اقدام به شناسایی و استخراج عبارات کلیدی می کنند. این سیستمها و روشها را اصطلاحا مستقل از مجموعه اسناد و مستقل از دامنه می نامند. تعداد کارهای ارائه شده در دسته دوم به مراتب کمتر از دسته اول می باشد. روش ارائه شده در این رساله نیز جزء روشهای مستقل از مجموعه اسناد و دامنه میباشد.مشکلی که روشهای دسته دوم با آن روبرو هستند کمبود اطلاعات موجود می باشد. این روشها عمدتاً با روشهای آماری مثل فراوانی کلمات و تعداد همرخدادی کلمات با همدیگر و یا بازنمایی متن به صورت گراف سعی در شناسایی کلمات مهم موجود در متن دارند. به دلیل کمبود اطلاعات، عملکرد سیستمهایی که تنها با استفاده از سند تکی عبارات کلیدی را شناسایی می کنند پایین تر از سیستمهای مبتنی بر مجموعه اسناد می باشد. در این رساله برای جبران کمبود اطلاعات از هستان شناسی وردنت استفاده شده است و سیستم در حالی که روی تک سند بکارگرفته می شود، کارایی قابل قبولی دارد. وردنت یک پایگاه لغت می باشد که در آن رابطه های مختلفی بین اسامی مثل تعمیم به خوبی بازنمایی شده است. بکارگیری وردنت هیچ محدودیتی را برای سیستم ایجاد نمیکند و تنها زمان پردازش را نسبت به حالتی که فقط از داده های آماری استفاده می شود، افزایش می دهد و در مقابل دقت و کارایی سیستم را افزایش می دهد. در این رساله برای بدست آوردن اطلاعات بیشتر از متن، از تشابه بین اسامی استفاده شده است و بمنظور محاسبه میزان تشابه بین دو اسم فرمولی ارائه شده است که فرمولی اقتباسی از محاسبه فاصله در گراف می باشد. برای آموزش ماشین از یک ویژگی آماری و دو ویژگی مبتنی بر وردنت استفاده شده است.

در این پایان نامه تعدادی پیش بهبوددهنده مثلثی جدید برای مسائل نقطه زینی بر اساس تجزیه متقارن و مثلثی $st$ را مورد مطالعه و بررسی قرار می دهیم. علاوه بر این, تخمین هایی برای اعداد شرطی دستگاه های پیش بهبودشده به دست خواهد آمد و پارامترهای شبه بهینه را ارائه می کنیم. آزمایش های عددی ویژگی های پیش بهبوددهنده ها را نمایان و تأثیر آن ها بر همگرایی روش گرادیان مزدوج در حل دستگاه های پیش بهبودشده را تائید می کنند.

حس ششم یک رابط پوشیدنی حرکتی است، که اطلاعات دیجیتالی را به جهان فیزیکی اطراف ما می افزاید و به ما اجازه می دهد که از حرکات طبیعی دست برای تعامل با آن اطلاعات استفاده کنیم. فهمیدن حرکات انسان می تواند به عنوان یک مسئله شناسایی الگو، بیان شود. انسان در زمان های مختلف الگوهای حرکتی متفاوتی را برای رساندن یک پیغام به دریافت کننده، نشان می دهد. اگر یک کامپیوتر می توانست این الگو های حرکت انسان را شناسایی کرده و تشخیص دهد آنگاه پیام مورد نظر نیز می توانست دوباره ساخته شود و کامپیوتر نیز پاسخ مناسبی دهد. یکی از اهداف این پایان نامه ارائه یک سیستم شناسایی حرکت بر پایه مدل مخفی مارکف است تا بتواند شکاف ارتباطی بین کامپیوتر و انسان را پر کند. چهارچوب مدل مخفی مارکف رفتار حرکت را مدل می کند و با دریافتن شباهت ها و تفاوت های بین حرکات مختلف به فهمیدن حرکت کمک می کند. از طریق چندین آزمایش با حرکات دو بعدی موس، رفتار یادگیری مدل تجزیه و تحلیل شده و دیدگاه های مهمی در جهت بهبود کارایی آن ارائه می گردد. هدف دوم، ارائه یک رابط پوشیدنی حرکتی است که یک روش جدید برای ردیابی نشانگرهای روی انگشتان دست را پیشنهاد می دهد. این روش با قسمت تشخیص حرکت ترکیب شده و نتایج خوبی را به ارمغان آورده است. در این سیستم حرکاتی برای کاربر تعریف شده و به سیستم آموزش داده می شود تا کاربر به راحتی بتواند با آن تعامل برقرار کند ضمن اینکه حرکات کاربر دسته بندی شده و سیستم آن ها را به خوبی تشخیص می دهد. در این سیستم شش حرکت برای تشخیص تعریف شده که نتایج حاصل از یادگیری سیستم توسط مدل مخفی مارکف به دقت 48/95% در آموزش و 75/93% در آزمایش رسیده است.

سیستم های خودگستر فازی روش هایی قدرتمند در جهت دسته بندی جریان های داده می باشند. در این سیستم ها، قوانین فازی به صورت خودکار تولید، به روز رسانی و حذف می گردند. با این حال، الگوریتم های معرفی شده تا این زمان نمی توانند به خوبی با مشکلات تغییر ناگهانی و تغییر تدریجی در مفهوم داده ها مقابله نماید. در این پایان نامه دو روش خودگستر آن لاین جهت دسته بندی جریان های داده معرفی شده اند، که بر خلاف روش های آف لاین ساختار خود را براساس تغییرات جدید در داده ها به روز رسانی می نمایند. روش های پیشنهادی بر روی تعدادی از مجموعه داده های استاندارد آزمایش شده و نتایج بدست آمده نشان می دهند که این روش ها در اغلب موارد بهتر از الگوریتم های پیشین عمل نموده و نتایج بهتری دارند.

یکی از مهمترین مسائل مهم در روبات های فوتبالیست مسئله مکان یابی نیز می باشد. برای حرکت ربات در زمین فوتبال همچنین حمله کردن به سمت دروازه حریف، دفاع کردن، شوت زدن، فرار از تله آفساید و غیره نیاز به تعیین موقعیت ربات در زمین فوتبال هستیم.از آنجایی که اطلاعات دریافتی از سرور گاهی اوقات همراه با نویز می باشد و همچنین روبات ها در زمین ممکن است گاهی اوقات با محدودیت دید مواجه شوند در این مقاله به مسئله مکان یابی روبات های فوتبالیست شبیه سازی دو بعدی با استفاده از روش های مارکف بر اساس شبکه بندی و کالمن فیلتر توسعه یافته و همچنین ترکیبی از این دو روش نیز می پردازیم با توجه به این اینکه روش مارکف بر اساس شبکه بندی نسبت به نویز پایدارتر از روش کامن فیلتر توسعه یافته می باشد و همچنین روش کالمن فیلتر توسعه یافته دقیق تر از روش مارکف بر اساس شبکه بندی می باشد همواره تلفیقی از این دو روش برای موقعیت یابی روبات های فوتبالیست شبیه سازی دو بعدی در این مقاله با استفاده از استراتیژی جدیدی برای موقعیت یابی روبات ها ارائه کرده ایم تا همواره زمانی که اطلاعات دریافتی از سرور همراه با نویز و همجنین زمانی که روبات ها با محدویت دید مواجه شوند موقعیت یابی روبات ها با استفاده از روش های های مارکف بر اساس شبکه بندی و کالمن فیلتر تو سعه یافته دارای کمترین خطا نیز باشند.

پردازش مجموعه داده های نامتوازن در بسیاری از کاربردهای دنیای واقعی، گسترده شده اند. این مسئله زمانی به وقوع می پیوندد که تعداد نمونه های یک یا چندین کلاس موجود در مجموعه داده، نسبت به تعداد نمونه های سایر کلاس ها کمتر باشند. این مشکل به وجود چولگی و عدم توازن در توزیع مجموعه داده ای مربوط شده و باعث ایجاد مشکلات برای بسیاری الگوریتم های معمول یادگیری ماشین می شود. در حقیقت، هدف اصلی یادگیری، به دست آوردن الگوریتم های مناسبی است که علاوه بر حفظ عملکرد خود در یادگیری داده های کلاس اکثریت، قابلیت یادگیری از داده های کلاس اقلیت را نیز بهبود ببخشند. مشکل عدم توازن در حالت چندکلاسه بسیار مشهودتر بوده و پیچیدگی آن بیشتر است. راه حل های ارائه شده برای مواجهه با این گونه داده ها، روش های در سطح داده و در سطح الگوریتم می-باشند. در این مطالعه، یک روش افزایش داده نوین به نامmdo ، که بر پایه فاصله mahalanobis یا فاصله آماری بنا شده است، ارائه شده تا یادگیری از مجموعه داده های نامتوازن چندکلاسه را بهبود بخشد. به بیان دیگر، در این روش نمونه های ترکیبی به شکلی ایجاد می شوند که تقریباً ویژگی های نمونه های کلاس اقلیت اصلی را حفظ کنند. در گام بعدی، یک روش تلفیقی از افزایش داده و الگوریتم boosting ارائه شده است. در واقع mdoboost، دو تکنیک افزایش داده mdo و الگوریتم adaboost.m2 را با یکدیگر ترکیب می کند. این روش باعث افزایش کارایی کلاسه بندی، برای معیارهای ارزیابی کارایی mauc، g-mean و recall کلاس اقلیت شده و از سایر روش ها به صورت معناداری بهتر عمل می کند. در آخر نیز یک نوع تغییریافته از الگوریتم feating که توسط ting و همکاران ارائه شده، برای بهبود یادگیری از مجموعه داده های چندکلاسه به کار گرفته شده است. feating یک الگوریتم یادگیری جمعی است که با ساختن مدل های محلی کارایی کلاسه بند ها را به صورت معناداری افزایش می دهد. الگوریتم پیشنهادی که feating adaboost.m1 نام دارد، با کلاسه بندهای پایه svm و c4.5 نتایج بسیار معناداری بر روی مسائل نامتوازن چندکلاسه داشته و از سایر الگوریتم های چندکلاسه ارائه شده در این زمینه بهتر عمل کرده است. واژه های کلیدی: مجموعه داده های نامتوازن چندکلاسه، الگوریتم های یادگیری جمعی، فاصله آماری، الگوریتم boosting، مدل محلی، یادگیری ماشین، داده کاوی.

در این پایان نامه، روشی نوین برای تنظیم پارامتر در سیستم های طبقه بندی مبتنی بر مدل های بهینه سازی ارائه شده است. بسیاری از توابع معروف ارائه شده در این زمینه، توابعی مبتنی بر نتیجه طبقه بندی سیستم بر روی نمونه های آموزشی هستند. این توابع کاملاً گسسته و پله ای هستند و اندازه بردار گرادیان آن ها در تمام نقاط پیوستگی صفر است. عمده ترین روش های بهینه سازی، بر اساس بردار گرادیان عمل می کنند و قابل اعمال بر روی این گونه توابع پله ای نیستند. به همین دلیل، عمدتاً این توابع را با روش های متفاوت توسط توابع مشابه و تحلیل پذیر تخمین می زنند که از معایبی از جمله جابه جایی نقطه بهینه، تعمیم پذیر نبودن به توابع مشابه و متعدد بودن (درنتیجه وابسته بودن به) پیاده سازی ها برخوردارند. روش پیشنهادی در این پایان نامه بدون نیاز به تخمین توابع اصلی، با استخراج نقاط گسستگی در راستای بردارهای جهت پایه و حتی غیر پایه، قابلیت تنظیم پارامترهای سیستم و بهینه سازی توابع اصلی را فراهم می کند. در انتهای این پایان نامه، به بررسی برخی از مدل های جدید پرداخته می شود که برای اولین بار در این تحقیق و مقالات مرتبط با آن منتشر می شود. این مدل ها عبارتند از وزن دهی به ویژگی ها در طبقه بندی نزدیک ترین همسایه، وزن دهی به قوانین فازی در راستای بردارهای غیرپایه و آموزش الگوهای طبقه بندی در k نزدیک ترین همسایه. نتایج تجربی، نشان دهنده بهبود معنادار سیستم طبقه بندی بعد از تنظیم پارامترها توسط روش پیشنهادی این پایان نامه نسبت به باقی روش های مرتبط است.

پیش بینی ساختار دوم آر ان ای نقش اساسی در پی بردن به عملکرد آن دارد. پیوند هیدروژنی میان اسید های نوکلیوتید سازنده یک رشته آر ان ای که زوج های پیوندی نامیده می شوند ساختار دوم آر ان ای را تشکیل می دهد. از آنجا که روش های تجربی برای تعیین این ساختار بسیار پرهزینه و زمان بر هستند، به کمک علم کامپیوتر ابزارهای گوناگونی برای پیش بینی آن طراحی شده است. در پنج سال اخیر تحقیقات گسترده ای جهت بهبود عملکرد ابزار های موجود انجام شده است اما با این وجود، نتیجه حاصل از آن ها چنان جامع و قابل قبول نبوده است. از این رو نظریه تازه ای در این زمینه مطرح شد که به اعتقاد آن می توان از نقاط قوت هر یک از این ابزارها استفاده نموده و یک پیش بینی کننده ترکیبی برای تعیین ساختار دوم آر ان ای ارائه داد. روال کار تنها روش ترکیبی ارائه شده مطابق با نظریه فوق به این صورت است که ساختار دوم یک رشته آر ان ای توسط همه ابزار های پیش بینی انتخاب شده جهت ترکیب، پیش بینی میشود. سپس با ترکیب نظر همه ابزار ها یک نتیجه گیری کلی مبنی بر چگونگی ساختار رشته مورد نظر به دست می آید. همچنین در روش فوق یک بردار وزن در نظر گرفته می شود که هر مولفه آن میزان تاثیر هر یک از ابزار ها بر نتیجه نهایی را مشخص می کند. روش پیشنهادی ارائه شده در این پایان نامه مشابه روش ترکیبی موجود عمل می کند با این تفاوت که نحوه ی وزن دهی در آن به گونه ی دیگری صورت می گیرد. در روش پیشنهادی به ازای هر رشته یک بردار وزن متناسب با همان رشته در نظر گرفته می شود. علاوه بر این برای محاسبه بردار وزن در روش پیشنهادی ویژگی های هر رشته نیز شرکت داده شده اند نکته ای که در ابزار های پیشین مورد توجه قرار نگرفته بود. نتایج حاصل از روش پیشنهادی این پایان نامه با روش ترکیبی موجود و همچنین بهترین ابزار های پیش بینی ساختار دوم آر ان ای به وسیله روش های آماری مورد مقایسه قرار گرفته است. مقایسات بیانگر برتری روش پیشنهادی در زمینه های مختلف نسبت به دیگر روش های موجود است.

برخلاف کلاسه بندی سنتی داده های تک برچسبی که در آن هر نمونه ورودی تنها با یک برچسب کلاس مشارکت داشت، در کلاسه بندی داده های چند برچسبی هر نمونه ورودی با مجموعه ای از برچسب ها مشارکت دارد. به دلیل وجود چندین برچسب کلاس، فرآیند یادگیری تحت تأثیر قرار می گیرد و کلاسه بندهای پایه ی مورد استفاده در داده های تک برچسبی، قابل استفاده نمی باشند. برای رفع این مشکل روش های تغییر مسئله معرفی شده اند. این دسته از روش ها مجموعه ی داده ها را به گونه ای تغییر می دهند تا بتوان کلاسه بندهای معمول را مورد استفاده قرار داد. با وجود آسانی استفاده از این دسته از روش ها، دو چالش کارایی و ارتباط بین برچسب ها از مباحث بحث برانگیز در تحقیقات اخیر می باشند. با توجه به کارایی بسیار خوب و قابلیت انعطاف بالای الگوریتم های یادگیری جمعی در زمینه های مختلف یادگیری ماشین، به کارگیری این گونه الگوریتم ها روش مناسب و موثری برای بهبود یادگیری از مجموعه داده های چندبرچسبی به نظر می رسد. در این مطالعه، الگوریتم جدیدی به نام lbr معرفی شده است که در دسته ی روش های یادگیری جمعی قرار دارد و در مقایسه با روش rakel که از مفهوم الگوریتم های یادگیری جمعی استفاده می کند، به نتایج بهتری رسیده است. روش lbr از کلاسه بندی محلی نمونه ها استفاده می کند. همچنین، اخیرا مسئله ارتباط بین برچسب ها در روش دیگری با نام cc مورد بررسی قرار گرفته است. این روش از کارایی پیش بینی بالایی برخوردار است. مشکل اصلی این روش عدم در نظر گرفتن ترتیب مشخصی از برچسب ها در زنجیره ی خود است. در گام بعدی در این رساله، دو روش fbcc و wbcc به منظور ارائه ی ترتیبی از برچسب ها با بیشترین میزان وابستگی به مجموعه ی ویژگی ها، معرفی شده اند. ارزیابی های تجربی روی طیف وسیعی از مجموعه های داده ای چند برچسبی حاکی از بهبود کارایی کلاسه بندی در روش های پیشنهادی نسبت به روش های پیشین می باشد.

تحلیل داده ها زمینه مناسبی را برای بسیاری از کاربرد های محاسباتی فراهم آورده است. تحلیل خوشه بندی، سازمان دهی مجموعه ای از نمونه ها بر اساس شباهت میان آنها درون گروه های مجزا می باشد. نمونه های درون یک خوشه نسبت به نمونه های دیگر خوشه ها بسیار مشابه یکدیگر هستند. یک الگوریتم خوشه بندی سخت، هر نمونه را فقط به یک خوشه نسبت می دهد، در حالی که خوشه بندی فازی هر نمونه را با درجات عضویت متفاوت درون چند خوشه قرار می دهد. در یک مجموعه فازی نوع 2، درجات عضویت به صورت فازی بیان می شوند. لذا این گونه مجموعه ها گاهی به صورت مجموعه های فازی-فازی نامیده می شوند. مجموعه های فازی نوع 2 بعضا برای شرایطی که تعیین یک تابع عضویت دقیق برای یک مجموعه فازی دشوار است بسیار مفید هستند. عدم قطعیت مفهومی است که بعضا با اکثر داده ها همراه است. این موضوع می تواند دلایل متعددی از جمله عدم دقت در اندازه گیری، تفاوت در نمونه گیری های مختلف، به روز نبودن منابع داده ها و سایر خطاها داشته باشد.الگوریتم it2fcm یک الگوریتم قوی فازی نوع 2 است که با استفاده از این منطق، مدیریت عدم قطعیت را به خوبی انجام می دهد. این پایان نامه حاصل تلاش هایی جهت یافتن راه کار هایی برای افزایش بازده الگوریتم it2fcm می باشد.

امروزه سایت های خبری متعددی وجود دارد و باتوجه به رایگان بودن و دسترسی آسان و سریع به اطلاعات این سایت ها، روزانه هزاران نفر اخبار و وقایع جهان را از طریق این سایت ها دنبال می کنند. در سالهای اخیر، با توجه به گسترش روز افزون وب فارسی، سایت های خبری فارسی نیز گسترش زیادی پیدا کرده اند. در وب فارسی بالغ بر هزاران سایت خبری فارسی وجود دارد. حجم اطلاعاتی که از طریق این سایت ها بر روی مراکز داده ذخیره می شود، زمینه مناسبی را برای اجرای بسیاری از الگوریتم های هوش مصنوعی به وجود آورده است. دسته بندی خبرها، مشخص کردن مهمترین خبرها در یک برهه زمانی، جستجو در اخبار، رتبه دهی به اخبار، بررسی پراکندگی خبرها، مشاهده علاقه افراد به گروههای خبری، پیدا کردن اخبار مرتبط و موارد دیگر از جمله پردازش هایی است که بر روی داده های موجود در سایت های خبری می توان انجام داد. در زبان فارسی برخلاف سایر زبان ها، با توجه به ساختار کلمات متون فارسی، بسیاری از الگوریتم های سنتی برای پردازش این متون مناسب نیستند و به الگوریتم های کارامد تری نیاز می باشد. هدف از این پایان نامه، توسعه الگوریتم هوشمند برای طراحی یک سیستم، جهت پردازش خبرهای آنلاین فارسی می باشد. این سیستم داده ها را از حداقل50 سایت خبری فارسی به صورت آنلاین دریافت می کند، که این داده ها بیش از 90 درصد از اخبار فارسی را پوشش می دهند. یکی از الگوریتم هایی که بر روی داده های جمع آوری شده قابل پیاده سازی است، الگوریتم دسته بندی اخبار می باشد. در واقع هدف ما آموزش الگوریتمی است، که بتواند اخبار را در دسته های مختلف سیاسی، اجتماعی و غیره به صورت اتوماتیک دسته بندی کند. سعی ما بر این است که با ارائه راهکاری، جهت کاهش خصیصه ها در خبرها، الگوریتم های دسته بندی اخبار را بهبود بخشیم. از آنجا که هر کدام از خبر های استخراج شده توسط نویسنده ی خبر در یک دسته خاص قرار گرفته اند، مساله ی مورد مطالعه، ارائه یک الگوریتم دسته بندی با نظارت می باشد. در این پایان نامه، روش ارائه شده با روش های قبلی مقایسه شده است. نتایج حاصله نشان می دهد که، با توجه به معیارهای دقت و بازیابی، روش ارائه شده از کارایی قابل قبولی برخوردار است.

امروزه تبدیل متون چاپی به متون دیجیتال قابلیت های زیادی را در اختیار می گذارد. روشهای متفاوتی برای تولید تصاویر متنی دیجیتال وجود دارد که از جمله آنها استفاده از اسکنر ها یا دوربین های دیجیتال است. استفاده از دوربین های دیجیتال به دلیل در دسترس بودن و راحتی استفاده گزینه مناسب تری هستند.در تهیه تصاویر ممکن است قادر به تهیه متن کامل در یک فریم نباشیم . بنابراین نیاز داریم تصاویر را به هم چسبانده و متن کامل را تولید کنیم. در این پایان نامه روشی برای تطابق تصاویر گرفته شده با دوربین پیشنهاد شده است در این روش ابتدا پرسپکتیو احتمالی ایجاد شده بر روی تصویر اصلاح می شود .سپس با استفاده از روش sift تصاویر با هم تطبیق داده خواهند شد.

با توجه به کاربرد روزافزون اینترنت و افزایش حجم اطلاعات مبادله شده، حفظ امنیت و تایید صحت تصاویر مخابره شده که ممکن است کاربردهایی چون کاربرد تجاری ، نظامی و حتی پزشکی داشته باشند نیز روزبه روز اهمیت بیشتری می یابد. یکی از تکنیک های حفاظت از محصولات دیجیتال در برابر کپی های غیر مجاز و نیز حفظ حق انتشار برای داده های صوتی، تصویری و ویدئویی، نهان نگاری می باشد. نهان نگاری دیجیتالی، یکی از روشهایی است که برای حل این مسئله ارائه شده است و نسبت به روشهایی مثل رمزنگاری و امضای دیجیتالی، که در حال حاضر برای رفع این مشکل استفاده می شوند، از امنیت بیشتری برخوردار است. نهان نگاری به فرآیند درج اطلاعات دیجیتالی در هر نوع داده چند رسانه ای از قبیل فایل های تصویری، ویدیوئی و صوتی که به منظور احراز هویت انجام می گیرید، می گویند. در این پایان نامه، یک الگوریتم نهان نگاری سریع و موثر بر اساس تبدیل هادامارد مرتب (oht) ارائه شده است که قابلیت حفظ کیفیت اولیه را دارد. این الگوریتم از مقدار کمی اطلاعات با عنوان کلید مخفی، در مرحله استخراج استفاده می کند به طوری که می تواند تنها با کمک این کلید تصویر جاسازی شده را از تصویر میزبان استخراج کند. در نتیجه روش ما به عنوان نهان نگاری کورکورانه دسته بندی می شود از این جهت که در مرحله بازیابی تصویر جاسازی شده به تصویر اولیه نیازی نداریم. در روش پیشنهادی ما تصویر میزبان به چندین زیر بلاک تقسیم می شود و تعدادی از آنها به ضرائب هادامارد تبدیل می شوند. سپس برخی از ضرائب فرکانس بالای ac بلاک های تبدیل یافته با پیکسل های تصویر واترماک بدون نیاز به فاکتور قدرت، جایگزین می شوند. عدم استفاده از این فاکتور، بازیابی تصویر جاسازی شده با کیفیت اولیه را تضمین می کند. علاوه بر این انتخاب تبدیل هادامارد برای درج واترمارک چندین مزیت با خود به همراه دارد از جمله: کیفیت بالای تصویر، قابلیت اطمینان بالای تشخیص واترمارک، ظرفیت بالای مخفی کردن اطلاعات. نتایج تجربی نشان می دهند که روش پیشنهادی ما در برابر انواع حملات به شدت قوی می باشد به طوری که کیفیت تصویر میزبان را نیز بعد از فرآیند نهان نگاری به خوبی حفظ می کند. در مقایسه با دیگر روش های وابسته به دامنه فرکانسی مانند تبدیل کسینوسی گسسته(dct) ، تبدیل فوریه گسسته (dft) و تبدیل موجک گسسته (dwt) و روش های وابسته به دامنه فضایی مانند کم ارزش ترین بیت (lsb) ، روش ما از مزایای مقاومت بیشتر، زمان پردازش کمتر و اجرای سخت افزاری ساده تر بهره می برد.

امروزه با گسترش استفاده از اینترنت و تبادل فایل های دیجیتالی در بستر آن، امنیت اطلاعات به یکی از عوامل مهم در این زمینه تبدیل شده است. در این زمینه، روش های مختلفی در جهت حفظ محرمانگی پیغام، توسعه یافته اند. تعدادی از این روش ها، روش های رمزنگاری اطلاعات هستند به صورتی که پیغام رمز را به پیغام غیرقابل فهمی برای اشخاص دیگر تبدیل می کنند. در بعضی از موارد نگه داشتن محتوای یک پیغام محرمانه کافی نیست و ممکن است حفظ وجود پیغام رمز نیز لازم باشد. برای این منظور از روش های پنهان نگاری اطلاعات بهره برده می شود.

سیستم های پیشنهادگر ابزارهای نرم افزاری و تکنیک هایی هستند که اقلام را مطابق با نیاز کاربر به او معرفی می کنند. روش های محتوا محور و فیلترینگ اشتراکی از راهکارهای موفق در سیستم های پیشنهادگر می باشند. روش محتوا محور بر اساس ویژگی های اقلام تعریف می شود. این روش بررسی می کند که اقلام مورد علاقه کاربر دارای چه ویژگی هایی بوده اند، سپس اقلام دارای ویژگی های مشابه را به او پیشنهاد می کند. روش فیلترینگ اشتراکی بر اساس تعیین اقلام مشابه یا کاربران مشابه کار می کند که به ترتیب فیلترینگ اشتراکی مبتنی بر اقلام و مبتنی بر کاربران نامیده می شود. در این پایان نامه یک روش تلفیقی از روش های فیلترینگ اشتراکی و محتوا محور ارائه شده است. این روش می تواند به عنوان روش فیلترینگ اشتراکی مبتنی بر کاربر در نظر گرفته شود. به این صورت که به منظور یافتن کاربرانی با سلیقه مشابه با کاربر فعال به عنوان کاربرانی با دقت پیشگویی بالا از ویژگی های مربوط به محتوای اقلام برای افزایش تاثیر امتیاز هایی که توسط کاربران به اقلام مشابه تخصیص داده شده است استفاده می کند. به بیان دیگر دو کاربر مشابه هستند در صورتی که امتیاز هایی که به اقلامی که از نظر محتوا مشابه هستند نسبت داده اند، همسان باشند. برای این منظور در هنگام سنجیدن شباهت دو کاربر، به امتیاز نسبت داده شده به هر قلم، با توجه به میزان شباهت آن به قلم هدف، وزن تخصیص می یابد.