سوئیچ های با بافر ورودی، ساختاری مناسب برای شبکه های پرسرعت هستند، زیرا در این سوئیچ ها کافی است سوئیچ و حافظه ها فقط با سرعتی برابر با سرعت لینکهای ورودی کار کنند. اما در این سوئیچ ها به یک الگوریتم زمان بندی نیاز است تا مشخص کند در هر شیار زمانی کدام سلول ها باید به پورت های مقصدشان ارسال شوند. الگوریتم های زمان بندی ترافیک تک پخشی و ترافیک چند پخشی بسیار مورد مطالعه قرار گرفته اند. اما زمان بندی یکپارچه هر دو نوع ترافیک، همچنان به صورت یک مسأله باز بافی مانده است. در این پروژه، دو روش جدید برای زمان بندی یکپارچه هر دو نوع ترافیک تک پخشی و چند پخشی پیشنهاد شده است. این دو روش ais و isbol نامید شده اند. ایده اصلی الگوریتم ais، انتخاب اولویت زمان بندی بر اساس مقدار تاخیر سلول ها می باشد. اما در الگوریتم isbol، اولویت زمان بندی در هر شیار زمانی بر اساس مقدار تخمین زده شده بار خروجی سوئیچ مشخص می شود. نتایج شبیه سازی های ما نشان می دهد که این دو الگوریتم پیشنهادی، گذردهی بالا و متوسط تاخیر کمی را فراهم می کنند. الگوریتم ais، با وجود سادگی، تا بار خروجی 98/0 از گرسنگی هر دو نوع ترافیک تک پخشی و چند پخشی جلوگیری می کند زیرا در این الگوریتم سلول هایی که تاخیر بیشتری دارند، در اولویت ارسال قرار می گیرند. در الگوریتم isbol، اختلاف کمی بین متوسط تاخیر سلول های تک پخشی با متوسط تاخیر سلول های چند پخشی وجود دارد که این به معنی عادلانه رفتار کردن این الگوریتم با دو نوع ترافیک می باشد.

طبقه¬بندی کلمات در متون تایپی برحسب نوع قلم، کاربردهای فراوانی در پردازش اتوماتیک اسناد و نوشته¬ها دارد که در دنیای امروز هم رایج شده و هم ضروری به نظر می¬رسد. در این میان، نفس عمل طبقه¬بندی از هر نوع که باشد در افزایش دقت و بهبود عملکرد کل مسأله به شدت موثر خواهد بود. مثالی از این دست می¬تواند طبقه¬بندی کلمات یک صفحه از لعت¬نامه¬ای باشد که هر نوع قلم، اطلاعات جانبی مختلفی را در مورد کلمه مذکور نمایان سازد: قلم ضخیم نشانه شروع یک مدخل جدید باشد و قلم مایل جایگاه دستور زبانی کلمه. قلم عادی با فونت کوچک اطلاحات را مشخص می¬کند و قلم عادی با فونت بزرگتر، معنی را. آنچه در این پروژه بدان پرداخته شده است، پیاده سازی الگوریتمی در طبقه¬بندی کلمات یک متن تایپی، برحسب نوع قلم نگارش آن است. بنابراین فرض می¬شود که کلمات متن مورد نظر با یکی از چهار نوع قلم عادی، مایل، ضخیم، و مایل ضخیم، نوشته شده¬اند و هدف، طبقه¬بندی آنهاست. از دیدگاه کلی، هدف پروژه، یافتن یک توزیع احتمال است که پارامترهای آن، توصیف کننده کلاس¬های مورد نظر در مسأله فیزیکی¬اند. کل روند تحقیق در سه بخش قابل پردازش است. بخش اول، توصیف فیزیک مسأله به فضای ریاضی ویژگی¬هاست. بخش دوم، انتخاب توزیع احتمالی برای مدل کردن فضای به دست آمده است، و بالاخره بخش سوم، به کارگیری روشی برای تخمین پارامترهای مدل احتمال مذکور. پیداست که از نظر موضوعی، در دسته تخمین¬ مدل¬های احتمال پارامتری جای داریم. به این موضوع، قالب بیزی هم اضافه می¬شود، و پارامترهای مدل احتمال، متغیرهای تصادفی با توزیع احتمال پیشین فرض می¬شوند. با این زمینه، تکیه اصلی بر الگوریتمی تکرارشونده در زمینه تقریب¬های توزیعی است که همراه با یک مدل توزیع احتمال جدید، زیربنای تحلیلی پروژه را تشکیل می¬دهند. منظری که از ابتدا تا انتهای این نوشته، سعی در توصیف آن داریم، در واقع ارتباط این دو مورد است، «تا که قبول افتد و که در نظر آید».

در این تحقیق یک روش نوین برای شناسایی خودکار هویت با استفاده از تصاویر سه بعدی چهره ارائه می¬شود. سیستم شناسایی مذکور قادر به شناسایی هویت تصاویر چهره با حالت مختلف(شادی، تعجب، خشم و ...) می¬باشد. علاوه بر این از آنجائیکه در تصاویر سه¬بعدی اطلاعات عمق هیچ ارتباطی به نور محیط ندارد و مختصات سوم شبکه سه¬بعدی که همان اطلاعات مربوط به سطح صورت است کاملا نسبت به نور مستقل می¬باشد، دقت شناسایی روش پیشنهادی نسبت به نور محیط حساس نمی¬باشد. این یکی از ویژگی¬های بسیار مهم سیستم¬های شناسائی چهره بر اساس تصاویر سه¬بعدی می¬باشد. در ابتدا تصاویر سه بعدی چهره به منظور انجام یک سری پیش پردازش-های ضروری، مانند حذف نویز سوزنی و پر کردن حفره¬های احتمالی، وارد مرحله پیش پردازش می¬شوند. سپس تصاویر پیش پردازش شده وارد مرحله آشکار¬سازی چهره می¬شوند. تصاویر پایگاه داده شامل نواحی علاوه بر چهره مثل گردن و لباس شخص می¬باشند. این قسمت¬ها اطلاعات مفیدی نداشته و لازم است حذف شوند. بعد از آشکارسازی چهره، تصاویر بدست آمده وارد مرحله پس پردازش می شوند. در این مرحله یک سری پردازش¬ها روی تصاویر چهره انجام می¬گیرد که تاثیر بسیار زیادی روی دقت شناسایی سیستم می¬¬گذارد. همچنین پردازش هایی انجام می¬گیرد که سیستم شناسایی را در مقابل تغییرات حالات چهره مقاوم می¬کند. با استفاده از یک روش ساده و کارامد، مختصات نوک بینی هر تصویر بدست می¬آید و نقطه به دست آمده به عنوان مرجع در نظر گرفته می-شود. در این مرحله هر تصویر سه بعدی به یک ماتریس 100*100 نرمالیزه می¬شود و همردیف سازی تصاویر انجام می¬گیرد. در قسمت استخراج ویژگی¬ها برای بدست آوردن ویژگی¬ها از آنالیز مولفه¬های اساس دو بعدی 2dpca استفاده کرده¬ایم. در مرحله طبقه¬بندی، از طبقه¬بندی کننده نزدیک¬ترین همسایه استفاده کرده¬ایم. کارایی سیستم پیشنهادی را روی پایگاه داده [7] gavab تست کردیم. نتایج تجربی نشان می¬دهد که سیستم پیشنهادی نسبت به تغییرات حالات چهره مقاومت خوبی داشته و با حضور نویزهایی با واریانس بالا دقت سیستم افت زیادی ندارد. دقت سیستم در حالت درجه اول 85% و در حالت درجه چهار94% بدست آمد. در اینجا منظور از درجه، تعداد تصاویر استفاده شده برای آموزش سیستم شناسایی می¬باشد.

آنالیز تصاویر بافتی در ابعاد میکروسکوپی و ماکروسکوپی، از دیرباز در زمینه های چون علوم کشاورزی برای تفکیک علف های هرز در میان مزارع و شناسایی آفات، پردازش تصاویر پزشکی به منظور تشخیص بیماریها، اتوماسیون صنعتی جهت شناسایی محصولات معیوب، سیستم های بازیابی تصویر و ویدئو بر اساس محتوای آنها و ... کاربرد داشته است. پیچیدگی مفهوم بافت به دلیل تنوع در چگونگی تعریف آن، موجب شده است که روش های متعددی برای تقطیع و طبقه بندی آن بوجود آیند. به همین دلیل، همچنان وجود روش جامعی که بتواند ضعف ها و محدودیت های پیشین را جبران کند، مورد سئوال است. در این پروژه بر آن شدیم تا با استفاده از تبدیل موجک دو بعدی، با رویکردی جدید در عرصه مدلسازی آماری، به تقطیع بافت های تصویر بپردازیم. تبدیل موجک تصاویر بافتی به ویژگی هایی می انجامد که مشخصات آماری آنها منجر به تقطیع بافت های تصویر می شود. در این پروژه ضرایب موجک دو زیر باندی که شامل جزییات تصویر هستند، را با تابع توزیع گوسی تعمیم یافته دو بعدی مدل می کنیم. این تابع توزیع، مدل قدرتمندی در شناسایی و تخمین سیگنال ها در حوزه ی موجک به شمار می رود. به علاوه لازم به ذکر است که این مدل در دنیای تقطیع بافت ها به کار گرفته نشده است. به منظور معتبر ساختن تابع توزیع گوسی تعمیم یافته بر اساس تصاویر دریافتی، از روش bootstrap دو بعدی استفاده می نماییم. با توجه به این تابع توزیع که مدل مناسبی برای ضرایب موجک است، تقطیع تصویر از طریق خوشه بندی مقادیر احتمال این ضرایب امکان پذیر می گردد. تصاویر مورد استفاده در تمامی کاربردها از یک فرایند اتفاقی گرفته شده اند، که این فرایند نسخه ی محدود شده ای از نمونه ی واقعی می باشد. این امر موجب شده است تا تصاویری با تعداد پیکسل های متناهی ایجاد شوند. بنابراین تابع چگالی بدست آورده شده، تقریب ناهمواری از تابع چگالی واقعی بوده و باید پیش از خوشه بندی، آن را هموار نمود. پس از خوشه بندی به وسیله روش آستانه گیری چندگانه، در انتها، لبه های جداکننده دو بافت با استفاده از مفهوم آنتروپی پس از یک مرحله نازک سازی، استخراج می شوند. برای پی بردن به قوت روش پیشنهادی ، نتایج بدست آمده با نتایج یک الگوریتم معروف مقایسه شده است.