تشخیص حالت چهره می تواند به بهبود ارتباط دو سویه ی بین انسان و ماشین کمک کند، به این صورت که ماشین می تواند با توجه به احساس انسان رفتار مناسبتری را انجام دهد. در این تحقیق به منظور تشخیص حالت چهره از ترکیب قوانین اگر-آنگاه و منطق فازی نوع دوم استفاده شده است. قوانین اگر-آنگاه به ماشین کمک می کند تا فرایند تشخیص حالت چهره را به فرمی مشابه عملکرد انسان انجام دهد. چهره ی انسان می تواند در یک زمان ترکیبی از چند حالت چهره را دارا باشد. به دلیل این عدم قطعیت و توانایی منطق فازی برای استدلال دانش نادقیق از منطق فازی استفاده می کنیم. در فرایند تشخیص حالت چهره با دو عدم قطعیت درون-فردی و بین-فردی نیز مواجه هستیم. عدم قطعیت درون-فردی به این معناست که اگر یک شخص، یک حالت چهره را چندین بار تکرار کند، ویژگی های به دست آمده از چهره ی او در هر بار یکسان نخواهد بود. همچنین ویژگی های به دست آمده از چهره برای افراد مختلفی که یک حالت چهره را نمایش می دهند نیز متفاوت خواهد بود. به این عدم قطعیت بین-فردی می گوییم. به نظر می رسد استفاده از مجموعه های فازی نوع دوم بتواند به مدل سازی این دو عدم قطعیت کمک کند و موجب افزایش دقت در تشخیص حالت چهره شود. در این پایان نامه دو مدل برای تشخیص حالت چهره ارائه شده است. مدل اول یک سیستم استنتاج فازی از نوع ممدانی است که توابع عضویت آن از نوع فازی فاصله ای نوع دوم هستند. در این مرحله ابتدا یک سیستم استنتاج فازی نوع اول از نوع ممدانی طراحی و سپس توابع عضویت این سیستم را به مجموعه های فازی فاصله ای نوع دوم تبدیل کردیم تا سیستم استنتاج فازی نوع دوم متناظر با آن حاصل شود. قوانین به کار رفته در این دو سیستم با هم یکسان هستند. برای بهینه سازی پارامترهای توابع عضویت این دو سیستم از الگوریتم ژنتیک استفاده شده است. دومین مدل پیشنهادی یک سیستم استنتاج فازی سوگنو می باشد که توابع عضویت برای ورودی های این سیستم مجموعه های فازی فاصله ای نوع دوم هستند. سیستم فازی نوع اول متناظر با این سیستم را نیز طراحی و در آن از قوانین یکسان با سیستم سوگنوی نوع دوم استفاده کردیم. در دو سیستم سوگنو برای بهینه سازی پارامترهای توابع عضویت ورودی از الگوریتم بهینه سازی پس انتشار خطا استفاده شده است. کلیه قوانین فازی در این دو مدل بر اساس مقادیر ویژگی به دست آمده از پایگاه های داده استخراج شده اند. در نهایت بین این دو مدل و سیستم های فازی نوع اول متناظر با هر کدام مقایسه ای صورت گرفته است. برای مدل اول آزمایش های خود را بر روی دو پایگاه داده cohn-kanade و jaffe و برای مدل دوم بر روی پایگاه داده jaffe انجام دادیم. نتایج به دست آمده برای هر دو مدل نشان داد که سیستم های استنتاج فازی نوع دوم در تشخیص حالت چهره نسبت به سیستم های استنتاج فازی نوع اول متناظر با خود دقت بیشتری دارند.

بازنمایی‏های مبتنی‏بر گراف به دلیل نمایش هم‏زمان خصوصیات موجودیت‏ها و روابط دوتایی، استفاده‏ی کاربردی و گسترده‏ای در زمینه‏ی تشخیص الگو دارند. با این حال مشکل اصلی گراف‏ها فقدان عملیات ریاضی پایه‏ای مورد نیاز بسیاری از الگوریتم‏های تشخیص الگو است. به‏منظور غلبه بر این محدودیت، جاسازی گراف در فضای برداری با فراهم آوردن یک نمایش بردار ویژگی برای هر گراف باعث توانمندی در به‏کارگیری ابزارهای یادگیری آماری برای الگوهای ورودی به شکل گراف می‏شود. با این‏حال یافتن نمایش‏های برداری مناسب برای گراف‏ها با پیچیدگی‏هایی همراه است. با وجود روش‏های مختلف جاسازی گراف مشتمل بر سه خانواده‏ی بزرگ کاوش گراف، طیف گراف و عدم شباهت، دو مسئله‏ی متقابل در رابطه با استفاده از آن‏ها وجود دارد، از یک طرف روال‏های جاسازی نباید شامل عملیات هزینه‏بر باشند و از طرف دیگر ویژگی‏های استخراج‏شده از گراف می‏بایست تا جای ممکن اطلاعات گراف به‏ویژه اطلاعات ساختاری را حفظ کنند. این پایان‏نامه، با ارائه‏ی دو چارچوب به برقرای اعتدالی میان زمان جاسازی و حفظ اطلاعات در روند جاسازی می‏پردازد. ایده‏ی اصلی، بهره‏مندی از مزایای معماری سلسله‏مراتبی در حوزه‏ی گراف است. چارچوب اول با معرفی یک الگوریتم خلاصه‏سازی، هرمی از سطوح دقت مختلف گراف ورودی ایجاد می‏کند. جاسازی سطوح مختلف این هرم در فضای برداری، ویژگی‏های سراسری از کل گراف را در کنار ویژگی‏های محلی آن فراهم می‏آورد. این امر باعث تکمیل ویژگی‏های ازدست‏رفته‏ی گراف در فرایند جاسازی می‏شود. علاوه‏براین، جاسازی سطوح دقت پایین گراف، زمان جاسازی گراف را کاهش می‏دهد. چارچوب دوم برای تحلیل بهتر اجزای سازنده‏ی گراف، به تفکیک گراف ورودی می‏پردازد. برای این منظور اطلاعات ازدست‏رفته‏ی گراف در طی خلاصه‏سازی در قالب دو گراف جزئیات نگه‏داری می‏شود. این رویه به‏گونه‏ای انجام می‏شود که بتوان گراف اصلی را با استفاده از گراف خلاصه و گراف‏های جزئیات متناظر با آن بازسازی کرد. سپس جاسازی با استخراج ویژگی از هر یک از سطوح دقت و جزئیات صورت می‏گیرد. همچنین به‏منظورکاهش زمان اجرای جاسازی و براساس ایده‏ی تقسیم و غلبه، درخت تفکیک معرفی می‏شود. ارزیابی‏های انجام‏شده به بررسی روش انتخاب‏شده از هر یک از خانواده‏ها برای جاسازی سطوح مختلف گراف تحت چارچوب‏های سلسله‏مراتبی پیشنهادی می‏پردازند.‏ اصلی‏ترین دستاورد ارزیابی‏های انجام‏شده این است که این چارچوب‏ها مستقل از روش انتخاب‏شده، قابلیت زیادی در بهبود دقت و زمان رده‏بندی دارند.

از زمان ساخت اولین رایانه ها، همواره تلاش متخصصان این حوزه بر این موضوع معطوف بوده است که چگونه می توان با استفاده از الگوریتم های مختلف، کارایی رایانه ها را در پردازش حجم وسیع داده ها افزایش داد به گونه ای که با صرف زمان و منابع کمتر، بتوان داده ها را با دقت مناسبی پردازش کرد. با افزایش روز افزون حجم داده ها و نیز حجم نویز موجود در آن ها، متخصصان به این نتیجه رسیدند که لازم است داده ها نیز برای ورود به الگوریتم ها پردازش شوند. این مرحله را پیش پردازش داده ها می نامند. یکی از مهم ترین پیش پردازش هایی که امروزه در حوزه های مختلف علوم مورد استفاده قرار می گیرد، کاهش ابعاد داده ها است. استخراج ویژگی یکی از روش های کاهش ابعاد داده است و به مجموعه روش هایی اطلاق می شود که با انتخاب ترکیبی از ویژگی های موثر در داده ها، سعی در کاهش تعداد آن ها و در نتیجه کاهش پیچیدگی داده ها دارند. به منظور استخراج ویژگی از داده ها، روش های متنوعی وجود دارد که به دو دسته کلی روش های آماری و روش های مبتنی بر احتمالات طبقه بندی می شوند. در روش های آماری تنها از معادلات جبری برای به دست آوردن یک فضای جدید استفاده می شود که حجم داده ها با نگاشت به این فضای جدید کاهش می یابد. روش های مبتنی بر احتمال با اضافه کردن نویز به مدل و با در نظر گرفتن توزیع های احتمال برای پارامترها، سعی می کنند تا فضای جدید را به دست آورند. یکی از روش های استخراج ویژگی آماری پرکاربرد روش تحلیل همبستگی های پایه است. در این تحقیق به بررسی روش های استخراج ویژگی و به خصوص روش تحلیل همبستگی های پایه و نسخه های مختلف آن شامل تحلیل همبستگی های پایه مبتنی بر احتمال و تحلیل همبستگی های پایه دو بعدی پرداخته می شود و یک نسخه مبتنی بر احتمال به همراه مدل ترکیبی آن برای روش تحلیل همبستگی های پایه دو بعدی ارائه می شود. با مقایسه روش استخراج ویژگی ارائه شده با روش های مورد بررسی در این پایان نامه در کاربرد شناسایی چهره، دقت کاربرد با استفاده از روش پیشنهادی افزایش یافته است.

جعل کپی-انتقال رایج ترین و ساده ترین روش دستکاری تصاویر است. در این نوع جعل یک ناحیه از تصویر کپی شده، سپس پس پردازش هایی از جمله چرخش و مقیاس روی آن انجام شده و در نهایت در مقصد قرار داده می شود. هدف از جعل کپی-انتقال پنهان کردن یا تکثیر یک یا چندین شی در تصویر است. روش های تشخیص جعل کپی-انتقال شامل 5 مرحله اصلی هستند: پیش پردازش، استخراج ویژگی، تطبیق، تخمین تبدیل و پس پردازش که دو مرحله تطبیق و تخمین تبدیل نقش مهمی در تشخیص دارند. در بعضی مراحل به دلیل وجود نویز ممکن است خطا رخ دهد. روش های موجود این مراحل را به صورت مستقل از هم انجام می دهند و در صورت وجود خطا در یک مرحله، آن خطا به سایر مراحل بعدی منتشر می شود و نتیجه تشخیص را تحت تاثیر قرار می دهد. در این پایان نامه، جهت رفع این مشکل مراحل مهم سیستم تشخیص با هم در تعامل هستند و در صورتی که خطایی در یک مرحله اتفاق افتد در مراحل بعدی تشخیص داده شده و اصلاح می شود. ما این تعامل را با تعریف یک تابع هزینه و بهینه سازی آن فرموله بندی کرده ایم که این تابع مراحل تطبیق و تخمین تبدیل را شامل می شود. سپس در یک روال تکراری مراحل اجرا می شوند و در صورت تشخیص خطا، آن خطا اصلاح می شود. کارایی روش پیشنهادی بر اسا دقت سطح تصویر و پیکسل ، مقاومت در برابر چرخش و مقیاس و دقت ماتریس تبدیل تخمین زده شده بررسی شده است. در آزمایشات دو مجموعه داده تصاویر جعل ساده و حرفه ای به کار رفته است. نتایج، کارایی بهتر روش پیشنهادی را نشان می دهد.

جریان دوفازی در سازه های گوناگون از جمله سیستم های انتقال آب و خطوط لوله ی دریایی انتقال نفت و در سازه های هیدرولیکی از جمله سرریز های نیلوفری، شفت های قائم، کالورت ها و تون ها و مجاری بسته اتفاق می افتد. وقوع گردابه ها در سازه های هیدرولیکی باعث ورود هوا و تشکیل جریان دوفازی می شود. موضوع بسیار مهم در این نوع جریان ها طبیعت نوسانی و وابسته به زمان آن هاست که بر فشار و افت فشار تأثیر می گذارد. بنابراین پیش¬بینی فشار و افت فشار در جریان های دوفازی جهت طراحی بهینه و مناسب و جلوگیری از وقوع مشکلات ناخواسته در اثر ایجاد جریان های دوفازی امری ضروری است. علی رغم تمامی مطالعات انجام شده، اکثر تحقیقات پیشین در ارتباط با مجاری با قطر کم صورت گرفته است و در ارتباط با مجاری با اقطار بالا نظیر آن¬چه در مهندسی هیدرولیک به عنوان مجرای انتقال آب مورد نظر است، مطالعات بسیار اندکی وجود دارد. لذا در این تحقیق مدل هایی جامع جهت پیش بینی فشار و افت فشار در جریان های دوفازی آب و هوا با استفاده از شبکه های عصبی و سیستم عصبی-فازی تطبیقی (انفیس) ارائه می شود. امروزه استفاده از این مدل ها به دلیل قابلیت آن ها در پیش¬بینی رفتار توابع غیرخطی پیچیده مورد استقبال محققین در علوم مختلف قرار گرفته است. از آن جایی که مدل انفیس در مواجهه با فرآیند های پیچیده با تعداد پارامترهای زیاد، قوانین زیادی تولید می کند و حجم محاسبات را بیش تر می کند، استفاده از پیش پردازش خوشه بندی فازی کارآیی مدل انفیس را بیش تر و حجم محاسبات را کمتر می کند. در روش خوشه بندی فازی، داده های ورودی به دسته هایی مستقل تقسیم بندی شده و در نتیجه به ازای هر دسته یک قانون تشکیل می¬شود و در نتیجه تعداد قوانین بسیار کاهش می یابد. در این پژوهش روش خوشه بندی فازی مورد نظر، روش subclust است که در مورد مدل پیش¬بینی فشار متوسط استفاده شده است. استفاده از الگوریتم بهینه سازی ازدحام ذرات یکی دیگر از تکنیک های بهبود نتایج در این تحقیق است. رایج ترین الگوریتم برای آموزش شبکه های عصبی، الگوریتم استاندارد پس انتشار خطا است که بر اساس روش گرادیان کاهشی در بهینه سازی در برخورد با اولین بهینه ی محلی متوقف می شود. بنابراین در این پژوهش برای تنظیم وزن ها و بایاس های شبکه های عصبی از الگوریتم ازدحام ذرات استفاده شده است. در مدل های انفیس نیز در رابطه با تنظیم پارامترها الگوریتم ترکیبی ازدحام ذرات و حداقل مربعات که الگوریتم ترکیبی انفیس-pso نام دارد به کار رفته است. نتایج تحقیق در مورد ضریب افت فشار نشان می دهد که مدل های شبکه عصبی و عصبی فازی تطبیقی هر دو توانسته اند نسبت به روابط تجربی نتایج بهتری ارائه کنند و مدل های انفیس همراه با الگوریتم ازدحام ذرات در پیش بینی ضریب افت فشار نسبت به مدل های شبکه عصبی دقت بسیار بالاتری دارند. همچنین نتایج در مورد فشار متوسط نشان می دهد که نتایج حاصل از مدل های انفیس همراه با پیش پردازش خوشه بندی فازی و الگوریتم بهینه سازی ازدحام ذرات داری دقت بالاتری هستند.

شبکه های اجتماعی مجموعه ای از افراد یا گروه ها و فعل و انفعالات بین آن ها هستند. این فعل و انفعالات می توانند فعالیت های دوستی و یا روابط تجاری باشند. شبکه های اجتماعی نقش مهمی را در انتشار اطلاعات و حداکثرسازی نفوذ روی کاربران ایفا می کنند. مسأله حداکثر‏سازی نفوذ، پیدا کردن زیرمجموعه ای از گره ‏هاست که بتوانند انتشار در شبکه را بیشینه کنند. بنابراین انتخاب مجموعه اولیه از کاربران برای حداکثر‏سازی فرآیند انتشار دارای اهمیت بسیار زیادی است و هدف مورد نظر ما است. در این مسأله انتشار اطلاعات در گراف شبکه¬های اجتماعی تحت یک مدل انتشار، رخ می دهد که بر روی یال های ارتباطی میزان تاثیر و نفوذ بر روی یکدیگر در نظر گرفته می شود. در حالیکه در دنیای واقعی گراف اجتماعی افراد فاقد وزن و یا احتمال تاثیر بر روی یال ارتباطی خود می باشد. ایده اصلی این پایان¬نامه، تخمین احتمال نفوذ بین اعضای شبکه از روی داده واقعی به منظور حداکثر کردن میزان انتشار در شبکه می باشد. در این پایان‏نامه برای بدست آوردن میزان نفوذ از معیار تعریف شده در تئوری اطلاعات تحت عنوان انتقال اطلاعات و یا آنتروپی انتقال استفاده شده است. این معیار از طریق محاسبه میزان علّیت بین سری های زمانی گره¬های موجود در شبکه،که از طریق زمان فعالیت آن ها در شبکه حاصل می شود، احتمال نفوذ را تخمین می زند. نتایج آزمایشات نشان می دهد، میزان انتشار در کل شبکه و همچنین مجموعه گره های تاثیرگذار بدست آمده از روش پیشنهادی در مقایسه با سایر روش¬ها متفاوت است و اشتراکی ندارد. علاوه بر این، همانطور که در واقعیت و در شبکه‏ های اجتماعی دیده می¬‏شود، ارسال پیام و دریافت پاسخ با یک تاخیر انجام می‏گیرد. به همین منظور از معیار آنتروپی انتقال تاخیردار جهت تخمین تاخیر در انتقال اطلاعات استفاده کرده ایم. با انجام آزمایشاتی بر روی داده های واقعی و ساختگی اعتبار روش پیشنهادی در مسأله انتشار در شبکه ارزیابی شده است. نتایج نشان می دهد روش پیشنهاد شده نسبت به سایر روش ها قابلیت بیشتری در یادگیری احتمالات نفوذ و همچنین رتبه¬بندی گره های تاثیرگذار را دارد.

داده کاوی با حفظ محرمانگی داده ها زمینه تحقیقاتی جدیدی در دو دهه اخیر می باشد. در حقیقت هدف اصلی الگوریتم های داده کاوی با حفظ محرمانگی تغییر داده های پایگاه داده ورودی به گونه ای است که داده های خصوصی و همچنین دانش های محرمانه، حتی پس از عملیات داده کاوی محرمانه بمانند. کاوش قوانین وابستگی با حفظ محرمانگی یکی از تکنیک های اصلی داده کاوی با حفظ محرمانگی به شمار می آید و هدف آن جلوگیری از استخراج برخی از قوانینی می باشد که به عنوان قوانین حساس شناخته می شوند. اکثر روش های مربوط به پنهان سازی قوانین وابستگی محدود به پایگاه داده های باینری می باشند در صورتی که پایگاه داده ها محدود به داده های باینری نبوده و دامنه این پایگاه داده ها اعداد حقیقی را نیز شامل می شود. در این پایان نامه یک روش جدید به منظور پنهان سازی قوانین وابستگی فازی از طریق فرموله کردن آن به صورت یک مساله بهینه سازی محدب، ارائه شده است.