اکتشاف کرومیت یکی از مهم ترین مسائل در زمینه ی اکتشاف مواد معدنی تاکنون بوده است. بسیاری از روش های معمول در اکتشاف مواد معدنی از جمله روش های ژئوفیزیکی و ژئوشیمیایی به دلیل وجود محدودیت های ساختاری و نداشتن زونالیته ی عناصر ژئوشیمیائی در کانسارهای کرومیت نتایج رضایت بخشی نداشته اند. برای اولین بار در این تحقیق روش آنالیز تصویر برای اکتشاف رگه-های کرومیت در کانسار کرومیت فاریاب واقع در 120 کیلومتری جنوب شرق بندر عباس مورد استفاده قرار گرفت. اساس این روش بر پایه ی مطالعه ی جهت یافتگی کانیهای کرومیت در تصاویر میکروسکوپی مقاطع صیقلی است. نمونه برداری از معادن در مقیاس محلی و ناحیه ای با مختصات و جهت امتداد و شیب معین توسط دستگاه مغزه گیر قابل حمل بصورت سیستماتیک اجرا شد. سپس مغزه های جهت دار را برای برش و تهیه ی مقاطع صیقلی مورد استفاده قرار گرفته و از آنها مقطع صیقلی با حفظ جهت و شیب جغرافیایی تهیه گردیده است. در مرحله ی بعد با توجه به جهت جغرافیایی نمونه های مورد نظر از مقاطع مورد نظر تصاویر میکروسکوپی با بزرگ نمایی مناسب تهیه گردیده است. یک نرم افزار بر حسب الگوریتم قطعه بندی تصاویر طراحی و پیاده سازی شد. پردازش تصاویر بر حسب این الگوریتم صورت گرفت. در نرم افزار طراحی شده ابتدا تصویر را به یک تصویر خاکستری تبدیل و سپس با استفاده از توابع و فیلتر های مخصوص تصویر به یک تصویر باینری دیگر تبدیل می گردد و با جدا نمودن دانه های کرومیت از زمینه، دانه های کرومیت مجزا از زمینه مورد آنالیز قرار می گیرند. خروجی نرم افزار جهت یافتگی کانی های کرومیت را در مقیاس میکروسکوپی از مقاطع صیقلی ارائه می نماید و کل نتایج در مقیاس محلی و ناحیه ای بصورت یک لایه ی رقومی در محیط gis قابل ارائه می باشد. نتایج به دست آمده را با نتایج سایر روش ها از جمله زمین شناسی ساختاری، کانی شناسی، روش-های فابریک مغناطیسی (ams) و آنالیز فرای مقایسه نموده که نتیجه ی حاصل حاکی از انطباق این روش های مطالعاتی می باشد. روش آنالیز تصویر در مقیاس میکروسکوپی نسبت به دیگر روش-های اکتشافی با حداقل زمان و حداکثر دقت عمل نموده و با ایجاد بانک اطلاعاتی گسترده قابل پیاده سازی و طراحی در پروژه های اکتشافی کانی ها می باشد. لازم به تذکر است که این روش به-عنوان یک روش تکمیلی با سایر لایه های اطلاعاتی زمین شناسی ساختاری، کانی شناسی، ژئوفیزیک و ژئوشیمی اکتشاقی قابل تلفیق است و نتایج مفیدی از شکل و گسترش کانسارهای عمیق و پنهان به ما می دهد.

با توجه به این که 90 درصد ذخایر نفتی در سنگ های کربناته قرار گرفته اند، شناسایی بافتی سنگ های کربناته یکی از مراحل ضروری و اجتناب ناپذیر برای اکتشافات نفتی در مخازن هیدروکربوری آهکی به شمار می رود. در روش های سنتی روال کار برای شناسایی بافتی سنگ ها بدین صورت می باشد که پس از نمونه برداری از اعماق مشخص در چاه، از نمونه های سنگی بدست آمده مقاطع نازک تهیه می شود. در مرحله بعد متخصصین سنگ شناسی مقاطع نازک را تک تک مورد بررسی قرار می دهند و نام گذاری می کنند که این کار بسیار وقت گیر و پرهزینه می باشد و به دلیل زمان بر بودن و سختی کار احتمال اشتباه انسانی بسیار بالا می باشد. به دلیل وقت گیر بودن این مرحله، هزینه های مربوط به نیروی انسانی متخصص بسیار بالا می باشد. استفاده از یک روش بر پایه کامپیوتر و روش های هوش مصنوعی می تواند مشکلات ناشی از زمان و هزینه را تا حد چشمگیری کاهش دهد. در این مطالعه نرم افزاری بر پایه روش های شبکه عصبی و پردازش تصویر تهیه شد که با گرفتن یک تصویر میکروسکوپی دیجیتال به عنوان ورودی از سطح مقطع نازک با بزرگ نمایی 25 برابر نوع سنگ کربناته را مشخص می کند. برای آموزش شبکه عصبی نرم افزار از 400 مقطع نازک استفاده شد که از این تعداد مقطع نازک به تعداد مساوی(100 عدد) مربوط به یکی از گروه های مادستون، وکستون، پکستون و گرینستون می باشد. همچنین از 400 تصویر دیجیتالی دیگر از مقاطع نازک برای تست نرم افزار استفاده شد. با توجه به نتایج تست نرم افزار دقت نرم افزار برای شناسایی هر یک از گروه های مادستون، وکستون، پکستون و گرینستون به ترتیب برابر 100، 76، 71 و 87 درصد می باشد.

رتینوپاتی دیابتی یا بیماری شبکیه در افراد دیابتی که به دنبال تغییرات روی ساختار عروقی و نشت خون و مایع از رگ ها ایجاد می شود از علل اصلی نابینایی در افراد می باشد. از این رو با توجه به اهمیت تشخیص این بیماری در مراحل اولیه، طراحی سیستمی که بتواند در تشخیص این بیماری به پزشک کمک کند دارای اهمیت حیاتی می-باشد. این بیماری به بافت شبکیه آسیب زیادی وارد می کند، اما بر اساس جستجوی انجام شده در این پژوهش مشاهده می شود که تاکنون تحقیقی برای شناسایی اتوماتیک رتینوپاتی دیابتی مبتنی بر تغییرات بافت شبکیه انجام نشده است. برای بررسی بافت شبکیه باید از تصاویر مقطع نگاری همدوسی نوری (oct) استفاده کنیم. هدف از این تحقیق، شناسایی آسیب های شبکیه در مراحل اولیه بیماری رتینوپاتی در تصاویر oct می باشد. در این تحقیق برای تعیین محدوده شبکیه روشی مبتنی بر ویژگی های ساختاری شبکیه ارائه شده است. از آنجا که اجرای این روش ملزم به حذف نویز تصاویر oct می باشد، پس از بررسی چند روش حذف نویز، روش معادله انتشار برای حذف نویز این تصاویر پیشنهاد می شود. نتایج با دو معیار ارزیابی کیفی و کمی مورد ارزیابی قرار گرفته اند. در مرحله بعد برای بررسی تغییرات شبکیه در بیماری رتینوپاتی، تصاویرoct شبکیه مطابق با نظر پزشک از سه دیدگاه مختلف مورد بررسی قرارگرفته اند. دیدگاه اول، بررسی تغییرات ضخامت شبکیه پس از ابتلا به رتینوپاتی می باشد. تعیین ضخامت شبکیه در قسمت های مختلف آن در واقع به دنبال مشخص کردن محدوده ی شبکیه به طور دقیق انجام پذیر می باشد. در مرحله بعد، روشی برای شناسایی مکان و مقدار نشت مایع که از آسیب های اولیه ی بیماری رتینوپاتی می باشد ارائه شده است. الگوریتم پیشنهادی مبتنی بر مشخصه های بافت تصویر می باشد، بدین منظور پس از بررسی های انجام شده از ویژگی-های ماتریس هم رخداد تصویر و هم چنین روش کلاس بندی ماشین بردار پشتیبان استفاده شده است. با توجه به نتایج آماری به دست آمده و مهم تر از آن، تائید میزان دقت روش توسط پزشک متخصص می توان روش مذکور را به عنوان روشی مناسب برای یافتن آسیب های بافت شبکیه در مراحل اولیه بیماری مطرح کرد. ایده ی دیگری که در این تحقیق مورد بررسی قرارگرفت مبتنی بر تفاوت لایه های شبکیه در فرد سالم و دیابتی می باشد. در این روش نیز از ویژگی های بافت تصویراستفاده شده است. نتیجه حاصل از این روش به خوبی بیان می کند که روش به کار گرفته شده برای تفکیک و تشخیص دو مجموعه لایه ی اصلی شبکیه در تصاویر شبکیه ی سالم مناسب و مفید می باشد ولی به کاربردن این روش بر روی تصاویر شبکیه بیمار نتایج قابل قبولی را به ما نمی دهد. در نهایت با ارزیابی نتایج حاصل از روش های به کار گرفته شده می توان گفت که روش های پیشنهادی که برای بررسی تغییرات ضخامت شبکیه و جزئیات آسیب های بافت ارائه شده است می تواند ابتلا به رتینوپاتی و میزان آن را در مراحل اولیه بیماری تشخیص داده و اطلاعات دقیق تری از بیماری را برای ادامه مسیر درمان فراهم کند.

بهسازی تصویر یکی از پیش پردازش های مهم در بسیاری از کاربردها ازجمله تصویربرداری پزشکی، نجومی، و کاربردهای عمومی می باشد. بسیاری از دستگاه هایی که برای گرفتن تصویر، چاپ یا نمایش آن به کار می روند، به علت وجود محدودیت های فنی، تغییر غیرخطی بر روی مقدار پیکسل های تصویر اعمال می کنند که موجب کاهش کیفیت تصویر می شوند. بدین معنی که، پیکسل های تصویر به توان مقدار گاما می رسند. علاوه بر این، از آنجایی که دستگاه-های تصویربرداری قادر به نمایش دقیق رنگ، عمق و بافت اشیا مختلف موجود در تصویر نمی باشند، در عمل مقدار گامای اعمال شده به تمام نواحی تصویر به یک میزان نمی‎باشد. فرآیندی که برای تصحیح این پدیده گاما انجام می-گیرد را "اصلاح گاما" می‎‎گویند. اصلاح گاما باید به‎صورت تطابقی (محلی) روی قسمت های مختلف تصویر انجام شود تا بتواند به خوبی، صحنه اصلی را بازسازی کند. در این پایان نامه، سه روش برای بهسازی تصویر توسط اصلاح گاما به‎صورت تطابقی پیشنهاد می شود. منظور از بهسازی تصویر، بهبود روشنایی، وضوح و جزئیات تصویر است. در روش-های موجود اصلاح گاما، اغلب ضریب گاما به طور یکنواخت در تمام قسمت های یک تصویر تغییر می یابد. ولی همان-طور که گفتیم، از آنجایی که تغییرات گاما در تصویر ممکن است به صورت محلی انجام گرفته باشد، در روش های پیشنهاد شده در این تحقیق، اصلاح گاما به صورت تطابقی انجام شده است. روش پیشنهادی اول، مبتنی بر پنجره گذاری و ویژگی همگنی ماتریس هم رخداد می باشد. در این روش، به منظور اصلاح محلی تصویر، تصویر به پنجره های هم پوشان تقسیم شده و سی گامای مشخص (از 1/0 تا 3 با گام 1/0) به هر پنجره اعمال می شود. یکی از این مقادیر اعمال شده، گامای مناسب هر پنجره می باشد، که این گاما با توجه به ویژگی همگنی استخراج شده از ماتریس هم رخداد هر پنجره به دست می آید. ویژگی همگنی ماتریس هم رخداد، بیانگر میزان جزئیات تصویر می باشد. در فصل 5 نشان خواهیم داد، تصویری که سطوح خاکستری آن به شدت تغییر می‎کند (تصویر با جزئیات زیاد)، دارای مینیمم مقدار همگنی است. از اینرو با توجه به مقدار این ویژگی، می توان به کیفیت تصویر پی برد. بنابراین، گامای مرتبط با مینیمم مقدار همگنی، گامای مناسب هر پنجره می باشد. روش دوم، مشابه روش قبل می‎باشد، با این تفاوت که به جای پنجره گذاری تصویر، از بخش بندی تصویر استفاده شده است. در روش سوم از کلاسیفایر svm، جهت اصلاح تطابقی گاما استفاده شده است. در این روش، پایگاه‎داده‎ای از تصاویر آموزشی با گاماهای مشخص ایجاد شده است. به‎منظور اصلاح محلی تصویر، هر یک از این تصاویر آموزشی به پنجره های هم-پوشان تقسیم بندی می‎شوند. نه ویژگی مرتبط با روشنایی، وضوح و میزان جزئیات تصویر، از هیستوگرام، تبدیل کسینوسی و ماتریس هم رخداد هر پنجره استخراج می گردند. این ویژگی ها بیانگر ماهیت تصویر هستند. بردارهای ویژگی به همراه کلاس گامای مربوطه، برای آموزش به svm داده می شوند. این پنجره گذاری و استخراج ویژگی برای تصویر تست نیز انجام می شود و به svm اعمال می گردد، تا گامای مناسب برای هر پنجره از تصویر تست به‎دست آید. هر سه روش پیشنهاد شده، بر روی تصاویر متنوع طبیعت و پزشکی آزمایش شده اند و نتایج مطلوبی حاصل شده است. همچنین برای ارزیابی الگوریتم های پیشنهاد شده در این تحقیق، نسبت به روش های موجود از معیارهای کیفی و کمی استفاده شده است. نتایج حاصل از این معیارها ، نشان می دهند که هر سه روش پیشنهادی در مقایسه با روش های موجود، دارای عملکرد مناسب تری هستند.

تجزیه و تحلیل رفتار افراد کاربردهای زیادی در حوزه های مختلف دارد که از آن جمله می توان به بررسی رفتار افراد در مراکز خرید و نیز حفظ امنیت اماکنی مانند بانک ها و فرودگاه ها اشاره نمود. ردیابی افراد اولین مرحله در این سیستم ها می باشد. به دلیل محدودیت وسعت دید دوربین، بررسی تمام محیط مورد نظر با استفاده از یک دوربین، در بسیاری از کاربردها امکان پذیر نمی باشد. بر این اساس معمولا شبکه ای از دوربین ها مورد نیاز است. علاوه بر مسائل مطرح در ردیابی با یک دوربین، ردیابی افراد در شبکه ی توزیع شده ای از دوربین ها، از جهات دیگر نیز چالش بر انگیز می باشد. به عنوان مثال ظاهر افراد در دوربین های مختلف، به دلیل عواملی از قبیل شرایط نوری محیط، موقعیت افراد نسبت به دوربین، زاویه ی دید و پارامتر های دوربین متفاوت می باشد. همچنین حضور افراد در زمان و مکان های مختلف در مقابل دید دوربین ها تابع قانون خاصی نبوده و افراد می توانند به صورت غیر یکنواخت در زمان های مختلف، در مکان های متفاوتی قرار گیرند. علاوه بر این ممکن است دوربین های متوالی فضای دید مشترکی نداشته باشند که این موضوع بر پیچیدگی مسئله می افزاید. در این پایان نامه راهکاری برای ردیابی افراد در شبکه ای از دوربین ها بدون فضای دید مشترک، ارائه شده است. در این روش، ردیابی افراد طی دو مرحله انجام می گیرد. در مرحله اول در هر یک از دوربین ها افراد بطور مستقل شناسایی و ردیابی میشوند. در این مرحله اتفاقات رخ داده در هر محیط (دوربین) بر اساس یک ساختمان داده ی استاندارد در پایگاه داده ی مرکزی ذخیره می گردد. در مرحله دوم، تک تک افراد با توجه به اطلاعات ثبت شده در پایگاه داده در کل محیط تحت پوش ردیابی می شوند. به منظور تشخیص افراد در یک دوربین از مدل سازی پس زمینه و محاسبه ی تفاضل فریم فعلی و فریم پس زمینه استفاده شده است. پس از اعمال پیش پردازش هایی برای بهبود کیفیت تصویر اشیاء تشخیص داده شده، و حذف قسمت های زائد مانند سایه، خط سیر افراد با اعمال فیلتر کالمن به دست می آید. الگوریتم ارائه شده، با استفاده از اطلاعات حرکتی، قادر به ردیابی افراد در شرایط نوری مختلف، و همچنین هنگام بروز هم پوشانی های معمول بین افراد می باشد. برای برقراری ارتباط بین مشاهدات دریافت شده در مجموعه ی دوربین ها جهت ردیابی افراد، ویژگی های استخراج شده هر شی با ویژگی های ذخیره شده در پایگاه داده مقایسه شده و در صورت منطبق بودن برچسب آن بروز رسانی می گردد. در این پایان نامه ویژگی جدیدی بر مبنای بافت رنگی تصویر معرفی شده است که نسبت به تغییرات نور دارای ثبات بیشتری بوده و از قابلیت تفکیک بالاتری برخوردار است. این ویژگی از استخراج عناصر واقع بر قطر اصلی ماتریس هم رخداد شی در فضای رنگی ycbcr به دست می آید. به منظور ارزیابی عملکرد الگوریتم ارائه شده، این روش بر روی چند مجموعه ی ویدئویی از جمله ویدئوهای ضبط شده از پنج صحنه مختلف از یک محیط کاری که دارای پیچیدگی بالایی می باشد، اعمال شده است. نتایج نشان می دهد ویژگی ارائه شده دارای دقت بالاتری نسبت به هیستوگرام رنگ و روشهای مشتق شده از آن دارد.

رسانه های ویدیویی معمولا حجم زیادی از داده ها را تولید می کنند. این حجم عظیم اطلاعات مشکلاتی از قبیل عدم وجود فضای لازم برای ذخیره کردن اطلاعات و پهنای باند کافی برای انتقال آنها به همراه دارد. برای مقابله با این مشکلات از سیستم های فشرده سازی برای ذخیره کردن تصاویر ویدیویی استفاده می شود. این سیستم ها با بهره گرفتن از افزونگی بین فریم ها، سعی در بالا بردن درصد فشرده سازی دارند. برای یافتن افزونگی، فریم تصاویر به بلوک هایی تقسیم می شود سپس این بلوک ها با هم مقایسه می گردند تا از ذخیره سازی بلوک های تکراری جلوگیری شود. مولفه انطباق بلوک علاوه برآنکه یکی از زمانبرترین مولفه ها در سیستم های فشرده سازی است اگر از نظر دقت دارای عملکرد مناسبی نباشد، درصد فشرده سازی کاهش می یابد. در روش های موجود نظیر mpeg2 در فرایند انطباق بلوک، تمام بلوک ها مورد بررسی قرار می گیرند. به همین دلیل این گونه روش ها بار محاسباتی بالایی دارند. در این پایان نامه با استفاده از روش های مدل سازی پس زمینه، نواحی که در آن تغییرات قابل توجه اتفاق می افتد را تعیین، و عملیات انطباق بلوک را به این ناحیه محدود می کنیم. برای تعیین نواحی که در آن تغییر قابل توجه به وجود آمده، ابتدا پس زمینه را مدل کرده و بعد از حذف نویز، خروجی را به مولفه دیگر ارسال می کنیم. در این مولفه، پیکسل ها به یکی از سه کلاس پس زمینه، شی یا سایه تقسیم می شوند با بهره گرفتن از این اطلاعات بلوک هایی که در آن تغییر قابل توجهی اتفاق افتاده است تعیین می شود و عملیات انطباق بلوک به این نواحی محدود می گردد. مقایسه نتایج این الگوریتم جدید با چهار الگوریتم جستجو دیگر(2-d logarithm search، ucbd،4ss و csd) نشان می دهد زمان الگوریتم پیشنهادی تقریبا یک دهم زمان محاسبات الگوریتم های یاد شده می-باشد. نتایج ز همچنین نشان می دهد درصد فشرده سازی نیز به نسبت الگوریتم های یاد شده بهبود قابل توجهی پیدا می کند. در نمونه های مورد بررسی حجم خروجی سیستم ارائه شده، به نسبت سیستم غیر بهینه تقریبا 50% کاهش می یابد.

با توجه به فراهم آمدن و در دسترس بودن سیستم های عکس برداری دیجیتال و الگوریتم های مرتبط با آنها، آنالیزهای پزشکی پیشرفت قابل توجهی داشته اند. علاوه بر آن، فعالیتهای بسیاری در زمینه ی خودکار سازی فرآیند تشخیص در پزشکی انجام گرفته است. یکی از این فرآیندها، آنالیز سفالومتری است که شامل تشخیص لندمارک های سفالومتری و آنالیز روابط خطی و زاویه ای بین آنهاست. این لندمارک ها در حقیقت نقاط از پیش تعیین شده ای هستند که بر روی ساختارهای استخوانی و بافت نرم قراردارند. انجام فرآیند تشخیص لندمارک ها و آنالیز روابط بین آنها به صورت دستی کاری خسته کننده است. اگرچه، نرم افزارهایی کامپیوتری وجود دارند که می توانند آنالیزهای مختلفی را بعد از تعیین محل لندمارک ها بر روی تصویر ورودی انجام دهند، ولی قادر به تشخیص خودکار محل دقیق لندمارک ها بر روی تصویر ورودی نمی باشند. در این نرم افزارها این مرحله بر عهده ی کاربر گذاشته می شود تا آن را به صورت دستی با ابزارهایی که برنامه در اختیارش قرار می دهد انجام دهد. در این تحقیق، به ارائه روشی مبتنی بر تکنیک های پردازش تصویر و یادگیری ماشین می پردازیم که هدف از آن اتوماتیک کردن فرآیند تشخیص محل لندمارک ها می باشد. اگر نقاط مذکور با دقت مناسبی تعیین شوند، انجام بقیه ی آنالیز به راحتی امکان پذیر است. قدم های مورد بررسی در این تحقیق به ترتیب زیر است: در ابتدا، از یک الگوریتم تشخیص شیء به صورت مستقل از دامنه، جهت یافتن تقریبی اولیه از موقعیت لندمارک ها استفاده شد. در این روش توصیف کننده ی hog در کنار دسته بندی کننده ی svmبه کار گرفته شده است. اگرچه، با استفاده از روش مذکور، توانستیم با دقتی بالای هشتاد و یک درصد تقریبی اولیه از موقعیت 16 لندمارک انتخابی را به دست آوریم، ولی همچنان می توان در جهت بهبود آن گام برداشت. در قدم بعدی، جهت بهبود شاخص های انتخابی و دسته بندی کننده، تغییراتی بر روی پارامترهای آنها اعمال شد. همچنین، برخی از روش ها برای انتخاب بهترین تقریب از موقعیت لندمارک بررسی و یک ویژگی جدید برای بهبود نتایج تقریب ها معرفی شد. در قدم سوم، تلاش هایی جهت تعیین موقعیت دقیق لندمارک در اطراف نقطه ی تعیین شده در مرحله ی قبل انجام شد. در قسمت بعد، تغییراتی در جهت افزایش کارایی سیستم صورت گرفت. از جمله این تغییرات، تغییر در کرنل svm و استفاده از روش های بهبود کیفیت تصویر قبل از محاسبه بردار ویژگی بود. با توجه به نتایج خاصل از این تحقیق، سیستم پیشنهادی می تواند موقعیت لندمارک های چون gnathion، menton، sella، porion، pogonion و upper incisor tip را در فاصله ی کمتر از 2 میلیمتری محل اصلی آنها با دقتی بالای 65 درصد بیابد. البته باید در نظر داشت که نتیجه ی سیستم برای سایر لندمارک ها در مقایسه با سایر کارهای انجام شده در این زمینه قابل قبول بوده ولی برای استفاده عملی نیاز به بهبود دارد. نتیجه ی اصلی رساله حاضر، این است که روش ارائه شده در آن را می توان به عنوان پایه ای برای یک سیستم خودکار استفاده کرد. در این سیستم نیاز است که پزشک تعداد کمی از خطا ها را قبل از تکمیل فرآیند آنالیز تصحیح کنند.

کنترل سلامت انسانها در دنیای کنونی و تشخیصهای پزشکی، بدون استفاده از تصاویر گرفته شده از اندامها و بافتهای بدن قابل تصور نیست. در این میان، روشهایی که مبتنی بر اخذ تصویر از مغز انسان هستند از اهمیت ویژه ای برخوردارند زیرا مغز بعنوان مرکز تصمیم گیری و کنترل فعالیتهای خودآگاه و ناخودآگاه انسان عمل می کند و عملکرد نامناسب آن عامل بروز بسیاری از ناتوانیهای جسمی و ناهنجاریهای رفتاری و روحی می باشد. روش mri مبتنی بر عملکرد تابعی (fmri) یک روش نوین و کارآمد برای مطالعه نحوه عملکرد مغز در رفتار، احساسات و واکنشهای انسانی (برای انواع تشخیصهای کلینیکی و کاربردهای تحقیقاتی) در میان روشهای تصویربرداری پزشکی به حساب می آید. آنالیزها و پردازشهای مختلف روی تصاویر fmri، نواحی فعال مغز در پاسخ به تحریکات حسی/حرکتی مختلف را از نواحی غیرفعال متمایز می کنند. این آنالیزها شامل دو گروه کلی روشهای مدل محور (استفاده از یک مدل بعنوان پیش فرض) و روشهای داده محور (آنالیز برپایه ساختار داده های ورودی) می باشند. در این پایان نامه، با تعمیم روش آنالیز مولفه های مستقل (یکی از روشهای داده محور) و استفاده از fastica و infomax بعنوان دو نسخه پرکاربرد از آن، ایده مفیدی را به کمک تبدیلات مورفولوژیکی top-hat برای افزایش کنترل شده کنتراست تصاویر fmriارائه می دهیم. تبدیلات فوق بعد از انجام چند مرحله از پیش پردازش داده های اولیه و قبل از مرحله آنالیز و پردازش داده ها، اعمال می شوند. افزایش کارایی روشهای متعارف با انجام این تبدیلات، روی یک پایگاه داده تصاویر خام fmri مربوط به یک آزمایش احساسی/شناختی مورد بررسی قرار گرفته که باعث بهبود قابل توجهی در تشخیصهای کمّی و کیفی نواحی فعال مغز در تصاویر نهایی شده است.

پس از ورود نمودارهای تصویری با قدرت تفکیک بالا از دیواره چاه به عرصه نفت، این تصاویر نقش مهمی را در ارزیابی مخازن بر عهده گرفته اند. مخازن کربناته ایران از نظر وجود شکستگی-های طبیعی شهرت جهانی داشته و دارای اهمیت فراوانی از نظر تولید نفت و گاز هستند، علاوه بر این، این مخازن دارای ساختارهای مخصوص به خود هستند. در این پایان نامه به علت پوشش بالا و وضوح بالای تصویرگر fmi از این تصویرگر استفاده شده است. در این پژوهش، روشی جهت قطعه بندی تصاویر fmi جهت شناسایی قسمت های مختلف یک چاه و نیز شکستگی ها ارائه شده است. در این روش پس از انتخاب ویژگی ها و نرمال سازی آن ها به کمک الگوریتم خوشه بندی بدون نظارت fcm تمام پیکسل های تصویر دسته بندی شده اند. در این الگوریتم از فاصله اقلیدسی به عنوان معیار تشابه استفاده شده است. در ادامه از الگوریتم knn جهت تطبیق دسته ها با یکدیگر استفاده شده است. به دلیل اینکه بیشینه پوشش ابزار fmi، 80 درصد سطح دیواره چاه می باشد، ستون هایی از تصویر fmi که توسط تصویرگر پوشش داده نشده اند، حذف می شوند. پس از آن از یک فیلتر غیر خطی جهت حذف ناهمواری ها در سطوح غیر لبه و حفظ لبه ها در تصویر استفاده شده است. در نهایت روش آتسو جهت آستانه گذاری خودکار به کارگرفته شده است. روش ارائه شده ، بر روی 20 تصویر مختلف fmi اعمال شده است، نتایج نشان می دهد که دقت و کیفیت بسیار مناسبی از تشخیص شکستگی ها و قسمتهای مختلف یک چاه به دست می دهد.

مدیریت فرایند های تجاری شامل برنامه ریزی، شبیه سازی و آنالیز یک سیستم تجاری است. امروزه گرایش فناوری اطلاعات به سمت مدیریت سیستم های گردش کار است. سیستم مدیریت جریان کار، یک سیستم کامپیوتری است که به تعریف و مدیریت یکسری از فعالیت ها در یک سازمان، برای رسیدن به یک هدف خاص، می پردازد. برای شبیه سازی سیستم های گردش کار از مفهوم مدل فرایندی استفاده می شود. ساخت یک مدل فرایندی از روی ثبت رخداد ها یکی از زمینه های مهم در مدیریت فرایند های تجاری می باشد. در این تحقیق به بررسی اطلاعات مفید در یک ثبت رخداد برای بازسازی یک مدل فرایندی پرداخته می شود. بعبارتی دیگر هدف از این پایان نامه بررسی حداقل تعداد دنباله رخداد های مورد نیاز برای تشخیص یک مدل فرایندی می باشد. در این پایان نامه، ما شبکه ی پتری را بعنوان یک مدل فرایندی مورد بررسی قرار می-دهیم. شبکه های پتری یکی از رایج ترین مدل های فرایندی است که مورد استفاده قرار می گیرد. الگوریتم های زیادی برای استخراج یک مدل فرایندی از ثبت رخداد ها وجود دارد، که هریک با توجه به مدل گردش کار مورد استفاده قرار می گیرد. هر چه دانش استخراج شده از ثبت رخداد ها کامل تر باشد مدل فرایندی دقیق تری بدست می آید و مدیریت سیستم بهتر می شود. اما اطلاعات اضافی در یک ثبت رخداد نیز باعث کاهش کارایی الگوریتم های اکتشاف می شود. بنابراین ایجاد یک ثبت رخداد بهینه می تواند باعث افزایش کارایی الگوریتم های اکتشاف شود. در این تحقیق از الگوریتم آلفا بعنوان الگوریتم پایه برای ساخت مدل فرایندی استفاده می کنیم. همچنین راه حل پیشنهادی، یک ثبت رخداد کامل و بهینه را برای الگوریتم آلفا بدست می آورد.

به اشتراک گذاری اطلاعات روز به روز در تار جهان گستر وب رواج بیشتری پیدا می کند. کاربران نظرات خود را در شبکه های اجتماعی، بلاگ ها، فروم ها و غیره با یکدیگر تبادل می کنند. کاربران می توانند دیدگاه های خود را پیرامون محصولاتی که از یک فروشگاه خریده اند به اطلاع دیگر خریداران برسانند. این اطلاعات توسط خریداران بالقوه مورد مطالعه قرار گرفته و در تصمیم نهایی آن ها در خرید کالا و یا انتخاب کالایی دیگر، نقش عمده ای بازی می کند. این اطلاعات همچنین توسط تولیدکنندگان مورد تحلیل قرار گرفته تا نقاط قوت و ضعف محصول خود را بشناسند و میزان محبوبیت خود را با دیگر رقبا مقایسه کنند. بنابراین به هیچ عنوان دور از ذهن نیست که اسپم نویسان از این پتانسیل بالا برای پیشبرد اهداف خود بهره برده و اقدام به انتشار اسپم در خلال این دیدگاه ها نمایند. این گونه از اسپم با نام «اسپمِ دیدگاه»، «اسپم نظرات» و یا در سطح مورد بررسی این پژوهش (سایت های تجارت الکترونیکی) با نام «اسپم دیدگاه محصولات» شناخته می گردد. متأسفانه تا امروز کار چندانی در این حوزه صورت نگرفته است. این پژوهش در نظر دارد با ارائه یک سیستم جهت شناسایی این نوع اسپم گامـی در جهت ایجاد فضای وب عاری از دروغ و مزاحمت بردارد.

با افزایش روزافزون بدافزارهای جدید و ناشناخته و همچنین استفاده از تکنیک های پنهان سازی در بدافزارها ارایه روش هایی جدید جهت شناسایی آن ها بسیار احساس می شود. در آنتی ویروس های تجاری از ترکیب روش های مبتنی بر علامت های هویتی و همچنین روش های مبتنی بر یادگیری جهت شناسایی بدافزارها استفاده می شود. با این وجود به دلیل مناسب نبودن روش های مبتنی بر یادگیری موجود درآنتی ویروس ها جهت تشخیص بدافزارهای جدید، این نرم افزارها برای تشخیص بدافزار بسیار به بروز بودن پایگاه داده وابسته هستند. در نتیجه امروزه بهبود روش های مبتنی بر یادگیری و ارایه روش های جدید در این زمینه بخش اصلی تحقیقات در تشخیص بدافزار را تشکیل می دهد. شناسایی فایل های اجرایی آلوده شده با کدهای مخرب یکی از اصلی ترین کارهای یک آنتی ویروس می باشد. که برای تشخیص کدهای مخرب ناشناخته و جدید از روش های مبتنی بر یادگیری استفاده می شود. هدف از انجام این پایان نامه تلاش جهت بدست آوردن یک الگوی سیگنالی از فایل های اجرایی می باشد تا بتوان با استفاده از آن الگو و تکنیک های پردازش سیگنال یک روش تشخیص فایل های اجرایی آلوده ارایه کرد.برای این کار ابتدا به بررسی روش های مختلف تحلیل فایل اجراییپرداخته و سپس روش مناسبی که از تحلیل قسمت منبع فایل اجرایی بدست می آید معرفی می شود. جهت اثبات کارا بودن روش معرفی شده، براساس آن یک بردار ویژگی 256 تایی از تکرار ترکیب بایت ها در قسمت آخر فایل اجرایی بدست می آید و با استفاده از تکنیک های دسته بندی متن روشی جهت تشخیص فایل اجرایی آلوده جدید، بادقت 99.10 درصد ارایه می شود.

کتابخانه زیرساخت فناوری اطلاعات (itil) محبوب ترین چارچوب برای مدیریت خدمات فناوری اطلاعات است. مرجع زیرساخت فناوری اطلاعات یک چارچوب عملیاتی و مجموعه ای از بهترین تجربه های ارائه دهندگان خدمات فناوری اطلاعات در سازمان هایی با ساختار پیچیده it است. پیاده سازی این چارچوب، مدیریت سامانه های it را شفاف و در نتیجه تصمیم گیری مدیریتی در خصوص کسب وکار و فناوری اطلاعات را تسهیل می کند. این چارچوب علاوه بر کمک به تصمیم گیری مناسب مدیران، امکان ارزیابی و سنجش تغییرات داده شده بر روی سرویس های مورد نیاز سازمان را ایجاد می کند؛ به طوری که این تغییرات، برای هر دو طرف ماجرا، سودده خواهد بود. با این حال، پیاده سازی itil نه تنها بسیار دشوار است، بلکه هیچ روش خوبی برای پیاده سازی itil وجود ندارد. در نتیجه، پیاده سازی itil معمولا وقت گیر، پرهزینه و خطرناک است. هدف این پایان نامه پیشنهاد یک مدل جدید برای ارزیابی پیاده سازی itil در بانک است و بر اساس اولویت ها، وابستگی ها و دستورالعمل های بانک نکاتی را ارائه می دهد. مدل های به کار گرفته شده در itil ارزیابی شده و از بین آن ها بنا به دلایلی که به تشریح بحث می شود، مدل cmmi انتخاب و مزایا و نقایص آن بررسی می شود، سپس مدل جدیدی بر اساس این مدل ارائه شده که کاستی های مدل های ارائه شده تا کنون را برطرف می کند، زیرا توصیفی تر، همراه با جزئیات بیشتر و نیز مفیدتر می باشد، به این دلیل که به صورت اختصاصی برای itil طراحی شده و در نهایت هر پروسه itil آن را تحلیل می شود. سپس یک برنامه عملی از مدل پیشنهادی با استفاده از پرسشنامه برای ارزیابی مدیریت تغییرات و پیکربندی فرآیندهای مدیریت و همچنین به عنوان تابع میز خدمات معرفی شده و جهت جمع آوری و تحلیل مدل جدید به چندین بانک مراجعه و در نهایت نمونه اولیه ای از مدل جهت حمایت از ارزیابی ارائه خواهد شد.

سالانه افراد زیادی به علت داشتن آریتمی های کشند? قلبی، جان خود را از دست می دهند. بیشتر آریتمی های کشنده، در ناحیه بطنی رخ می دهند. تندلی بطنی (vt) و تندلی بی نظم بطنی (vf) از جمله مهم ترین اختلالات قلبی در ناحیه بطنی هستند، که بیشترین سهم را در مرگ ناگهانی قلب (scd) و فوت انسان دارند؛ در نتیجه، تحقیقات در زمین? پیش بینی آریتمی های vt-vf به منظور جلوگیری از scd به صورت گسترده ای در حال انجام است. امروزه، استفاده از دستگاه های قابل کاشتِ تنظیم کنند? ضربان قلب، از جمله icd، بهترین روش درمان آریتمی های vt-vf می باشند. این دستگاه ها، در بدن بیمار نصب شده و با تشخیص آریتمی های متفاوت، درمان لازم از جمله شوک الکتریکی را اعمال می نمایند. در این پایان نامه با استفاده از سیگنال های استخراجی از دستگاه های icd با نام نرخ تغییرات ضربان قلب (hrv)، به پیش بینی وقوع آریتمی های vt-vf پرداخته ایم. در روال پیش بینی، ابتدا با استفاده از تبدیل موجک و فیلتر میانه، ضربان های نابجا و مصنوعی حذف شده است. ویژگی های استخراجی از سیگنال hrv در دو روش ارائه شده اند. در روش اول ضرایب خودهمبستگی، عبور از صفر و انرژی سیگنال در حالت زمان-کوتاه و به صورت پنجره ای مورد استفاده قرار گرفتند. نتیج? استفاده از این ویژگی ها به همراه الگوریتم دسته بندی بردار ماشین پشتیبان (svm) با دقت 82.5%، بهبودی جزئی را نسبت به تحقیقات گذشته در زمینه پیش بینی آریتمی های vt-vf تولید نمود. استخراج ضرایب فوریه-بسل مجموع? دوم ویژگی های پیشنهادی را تشکیل داد. با بکاربردن این ویژگی ها و استفاده از خاصیت غیرایستایِ موجک های بسل، نتیجه به دست آمده با ده درصد بهبود، در معیار دقت، برابر با 93% ارائه شد. با این بهبود، میزان شوک های نابجا توسط دستگاه های icd به شدت کاهش یافته، و میزان شوک های نجات دهنده افزایش پیدا می کند.

سیستم های نظارتی در دنیای پر تهدید کنونی نقش بسیار پررنگی برای ایمن سازی سیستم ها از آسیب های ممکن دارند. سازمان ها و مراکز نظامی بدلیل حساسیت و اهمیت ماموریتشان نیازمند بهترین و بادقت ترین سیستم های نظارتی هستند. استفاده از سیستم های خودکار با استفاده از دستگاه های الکترونیکی در این مراکز به سرعت در حال گسترش است. یکی از شاخه های تحقیق در مورد سیستم های نظارتی نظامی شامل سلسله تحقیقاتی می شود که از آن به عنوان شناسایی خودکار هدف نام برده می شود. هدف از این سیستم ها بدست آوردن اطلاعات از تجهیزات نظامی دشمن با دقت و سرعت بالا و همچنین کاهش مخاطرات ناشی از فعالیت های شناسایی برای عامل انسانی است. در این پایان نامه ما به بررسی روش های موجود برای پیاده سازی یک سیستم شناسایی خودکار هدف پرداخته و با ارائه یک روش جدید ، مزایای روش پیشنهادی خود را نسبت به روش های گذشته بیان می کنیم. در این پایان نامه از تصاویر راداری sar به عنوان داده های مورد نیاز برای شناسایی استفاده شده است. سنسورهای sar توانایی تصویر برداری در هر شرایط آب و هوایی را دارند. مطالب این پایان نامه در دو بخش کلی پردازش تصویر و شناسایی الگو دسته بندی می شوند. در بخش پردازش تصویر با استفاده از تبدیل ویولت و عملیات مورفولوژی ، هدف موجود در تصویر را تشخیص داده و آنرا از پس زمینه جدا می کنیم. اما در بخش شناسایی الگو با استفاده از 8 ویژگی از ساختار هندسی هدف و با استفاده از الگوریتم های دسته بندی مختلف ، اقدام به شناسایی نوع هدف میکنیم. روش پیشنهادی ما برای دسته بندی داده ها در این پایان نامه استفاده از الگوریتم های یادگیری ترکیبی است. برای بررسی کارایی روش پیشنهادی با استفاده از داده ها مجموعه داده mstar الگوریتم های مورد نظر را پیاده سازی نموده ایم. نتایج پیاده سازی الگوریتم های مطرح شده در این پایان نامه با سه مورد از مقالات معتبردر زمینه شناسایی خودکار هدف مورد مقایسه قرار گرفت و نشان داد که روش پیشنهادی این مقاله از نظر دقت شناسایی اهداف بهتر از روش های دیگر عمل کرده است.

هدف این پایان نامه، ارائه ی روشی برای تشخیص جعل تصاویر از نوع کپی-انتقال می باشد. تشخیص صحت تصاویر، زمانی مهم و حساس می شود که بخواهیم از آن تصاویر به عنوان مدرک، در دادگاه ها، استفاده کنیم. جعل کپی-انتقال یکی از عمومی ترین روش های جعل تصاویر می باشد که در آن، یک قسمت از تصویر، کپی و در جای دیگری از همان تصویر چسبانده می شود. در این پژوهش به بررسی انواع روش های تشخیص جعل کپی- انتقال می پردازیم. بسیاری از روش ها در صورتی قادر به تشخیص هستند که هیچ تغییری بر روی ناحیه ی کپی شده، قبل از چسبانده شدن، صورت نگرفته باشد. اکثر جاعلان برای این که ناحیه ی کپی شده با نواحی اطرافش همخوانی داشته باشد و تصویر طبیعی تر به نظر برسد، بر روی ناحیه ی کپی شده، یکسری تبدیلات هندسی اعمال می کنند. یک روش تشخیص جعل خوب باید نسبت به انواع تغییرات و تبدیلات هندسی مقاوم باشد. بسیاری از روش ها نسبت به تمام یا برخی از تغییرات مقاوم نیستند یا از لحاظ محاسباتی بسیار پیچیده و زمانبر هستند. روش تشخیص جعل با استفاده از تبدیل ویژگی های مستقل از مقیاس نسبت به انواع تغییرات مقاوم است و زمان پردازش پایینی دارد، اما این روش در صورتی که جعل در ناحیه ی هموار تصویر صورت گرفته شده باشد، قادر به تشخیص نخواهد بود. این اشکال را توسط ممان های زرنیک برطرف کرده ایم. در این تحقیق، به ارائه ی روشی ترکیبی برای تشخیص جعل کپی- انتقال خواهیم پرداخت که از ترکیب دو روش تشخیص جعل بر پایه ی ممان های زرنیک و ویژگی های sift حاصل شده است. باتوجه به خصوصیات این دو روش، روش پیشنهادی در برابر انواع تبدیلات و تغییرات هندسی مقاوم و قادر به تشخیص جعل در نواحی هموار می باشد همچنین بهبودهای زیر بر روی آن ها اعمال شده است: ? تشخیص چندین ناحیه ی کپی شده از یک ناحیه. در حالی که روش های قبلی، قادر به تشخیصِ فقط یک ناحیه ی کپی شده از ناحیه ی اصلی هستند. ? این روش بین اشیا و نواحی شبیه به هم که منتج به استخراج ویژگی های مشابه می شود، و نواحی یا اشیای کپی شده تمییز قائل می شود. همچنین در صورت تشخیص جعل، به تعیین پارامترهای تبدیلات هندسی خواهیم پرداخت. روش پیشنهادی دارای fpr برابر با 5 درصد و tpr برابر با 98 درصد دارد.

تکنولوژی ارتباط حوزه نزدیک یا nfc تکنولوژی نوظهوری است که توسعه ای بر تکنولوژی شناسایی به واسطه امواج رادیویی است. ظهور این تکنولوژی نوید بخش روزهای نویی در زندگی بشری است. در حال حاضر از این تکنولوژی در جنبه های مختلفی مانند کلیدهای هوشمند، پوسترهای هوشمند، روش های پرداخت موبایل، بررسی میزان وفاداری مشتریان و ... استفاده می شود. در این رساله تلاش شده مدلی برای به کارگیری این تکنولوژی در دستگاه های خود پرداز ارائه شود. در این رساله ابتدا تکنولوژی ان اف سی معرفی شده، در ادامه با استفاده از روش های مهندسی نرم افزار فرایند انجام کار مورد بررسی قرار گرفته است. در انتها سه مدل مختلف برای به کارگیری این تکنولوژی در دستگاه های خودپرداز ارائه شده است.

بیماری اسکیزوفرنی یک اختلال روانی است که به عنوان یکی از دلایل اصلی ناتوان کننده اشخاص معرفی می شود. علل اصلی ابتلا به این بیماری به طور کامل مشخص نبوده و درمان قطعی برای آن وجود ندارد. با تشخیص سریع این بیماری می توان از بسیاری از عواقب خطرناک آن از جمله خودکشی، جلوگیری کرد. تشخیص بیماری اسکیزوفرنی تنها از روی نشانه های آن، امری بسیار دشوار و حتی غیر ممکن می باشد. بنابراین، برای تشخیص این بیماری معمولا از داده های مغزی استفاده می شود. یکی از انواع تصاویر مغزی، تصویربرداری تشدید مغناطیسی عملکردی (fmri) می باشد. این داده ها به دلیل قابلیت مدل کردن عملکرد مغز، می تواند در تشخیص بیماری اسکیزوفرنی مفید واقع شوند. تشخیص اسکیزوفرنی با استفاده از این نوع تصاویر، بهتر و دقیق تر از روش های براساس تصویربرداری تشدید مغناطیسی (mri) و پتانسیل های وابسته به رویداد (erp) می باشد. در این پایان نامه یک چارچوب کلی برای دسته بندی تصاویر در دو گروه سالم و بیمار مبتلا اسکیزوفرنی ارائه شده است. در این چارچوب پس از پیش پردازش تصاویر fmri، با استفاده از روش های تحلیل بافت به نام الگوهای دودویی محلی، هر اسکن fmri به چندین هیستوگرام تبدیل می شود. در ادامه این هیستوگرام ها به عنوان بردار ویژگی مورد استفاده قرار می گیرند. سپس از روش آماری آزمون تی برای مشخص نمودن ویژگی های موثرتر جهت تفکیک داده ها در دو گروه افراد سالم و بیمار استفاده می شود. علاوه بر این، در این تحقیق مجموعه ای از دسته بندها جهت دست یافتن به دقت بالاتر، باهم ترکیب می شوند. تصاویر fmri معمولا در دو حالت استراحت و فعالیت واکنش به صدا تهیه می شوند. ویژگی حالت اول سادگی تهیه آن و ویژگی حالت دوم دشواری تهیه اما کارایی بیشتر در تشخیص بیماری ها می باشد. در این تحقیق نشان داده شده است که با استفاده از تصاویر fmri تهیه شده در حالت استراحت، می توان به دقت دسته بندی قابل مقایسه با داده های تهیه شده در طی انجام فعالیت دست یافت. در ادامه این تحقیق نشان می دهد که با بکارگیری ترکیبی از دسته بندها می توان با دقت 100% در تصاویر با کیفیت بالا و 73% در تصاویر با کیفیت نامناسب، دسته بندی را بین دو گروه سالم و بیمار انجام داد. سپس برای دست یافتن به دقت بالاتر در دسته بندی تصاویر با کیفیت نامناسب، از یک روش ارزیابی کیفیت برای انتخاب ویژگی استفاده شده است. این روش که تنها از دسته بند ماشین بردار پشتیبان (svm) بهره می گیرد، توانسته است که تصاویر با کیفیت بالا را با دقت 89% و تصاویر با کیفیت پایین را با دقت 81% دسته بندی نماید.

شبکه بین خودرویی امروزه به عنوان طرحی جامع و نوین مطرح شده است که هدف آن، برقراری ایمنی در جاده، مدیریت ترافیک و فراهم سازی کاربردهای رفاهی برای رانندگان و مسافران در جاده است. ارتباطات خودروها در این شبکه به دو صورت خودرو به خودرو و خودرو به زیرساخت (واحدهای کنار جاده) می باشد. در این ارتباطات، پیامهای مختلفی حاوی رخدادهای مهم هشدار دهنده در مورد وضعیت جاده و خودروها، اطلاعات ترافیکی، اطلاعات شخصی خودروها مثل سرعت و مکان ارسال می گردند. متاسفانه ارتباطات بیسیم و همچنین سرعت بالای تعداد زیادی از خودروهای موجود در شبکه، منجر به ایجاد چالشهایی در شبکه می شوند که از جمله ارسال اطلاعات نادرست، تغییر و ارسال مجدد پیامهای منتشر شده در شبکه، دورانداختن بسته های مسیریابی در شبکه و جعل هویت می توانند تاثیرات جبران ناپذیری بر زندگی افراد بگذارد. علاوه بر این، کاربران شبکه تمایل دارند که اطلاعات خصوصی آنها که منجر به شناسایی منحصر به فرد آنها در شبکه می شوند، حفظ گردند. بنابراین حفظ امنیت و حریم خصوصی دو مسئله بحرانی برای استفاده عملی این شبکه ها در زندگی واقعی هستند. بررسی ها نشان می دهند زیرساخت کلید عمومی راه حل مناسبی برای ایمن سازی ارتباطات در شبکه خودرویی می باشد. بنابراین در این پایان نامه به بررسی رخنه های موجود در این زیرساخت پرداخته و دو نیاز امنیتی مهم را بررسی کرده ایم. در مسئله اول، مکانیابی در شبکه خودرویی بررسی شده است. برای تعداد زیادی از کاربردهای این شبکه، دریافت اطلاعات صحیح در مورد مکان خودروها یک نیاز اساسی است. به همین منظور به بهبود سیستمی برای مکانیابی پرداخته ایم که از واحدهای کنار جاده برای مکانیابی استفاده می کند و خطاهای جی.پی.اس را ندارد. در این بهبود نحوه آرایش واحدهای کنار جاده را به گونه ای تغییر داده ایم که دو مزیت حاصل شود؛ اولا، برای مکانیابی توسط خودروها، سربار ارتباطی با واحدهای کنار جاده کم می شود و ثانیا، در کاربرد تایید موقعیت خودروها، فضای حالتی که خودروی بدخواه می تواند یک موقعیت نادرست انتخاب کند کاهش می یابد. در مسئله دوم، حمله سایبل بررسی شده است. در این حمله، خودروی بدخواه خود را به جای چند خودروی دیگر جا می زند و یا اینکه موجودیتهای ساختگی در شبکه ایجاد می کند. هدف او خلل در کاربردهای مبتنی بر رأی گیری، اختلال در مسیریابی و کاهش کارایی شبکه است. در این پایان نامه ابتدا حمله سایبل را شبیه سازی کرده و تاثیر سوء آن را در سه الگویتم مسیریابی مختلف نشان می دهیم. سپس با بررسی روشهای مختلف، بهترین روش مبارزه با این حمله یعنی مکانیزم زیرساخت کلید عمومی را انتخاب کرده و با بررسی یکی از پروتکل های پیشنهادی در این زمینه که نرخ شناسایی صددرصد دارد، به اصلاح روش پرداختیم.

در این پایان¬نامه روشی برای بازشناسی و مکان¬یابی اشیا در صحنه¬های پیچیده(شلوغ) ارائه شد. یکی از مهمترین و ابتدایی ترین مراحل در بینایی ماشین ، بازشناسی اشیا می¬باشد. اگر این فرآیند به درستی و با قابلیت اطمینان انجام نشود مراحل بعدی به درستی صورت نمی¬گیرد. روش پیشنهاد شده در نهایت ترکیبی از دو روش موجود می¬باشد. هر دو روش موجود از یک فرآیند آرام¬سازی احتمالاتی برای تطبیق استفاده می¬کنند. این دو روش ابتدا با استفاده از توصیفگر sift نقاط کلیدی را برای صحنه و مدل بدست آورده و سپس با استفاده از تعریف همسایگی، از نقاط بدست آمده یک گراف می¬سازند. هر نود در گراف ساخته یکی از همان نقاط کلیدی است. این گراف سپس با استفاده از دو ویژگی توصیف می¬شود. ویژگی یکانی که برای توصیف هر نود به تنهایی استفاده شده و همان بردار 128 تاییsift می¬باشد. ویژگی باینری برای توصیف همسایگی دو نود استفاده می¬شود. برای ویژگی باینری از ویژگی-های مقیاس و جهت استخراج شده توسطsift استفاده می¬شود. برای بررسی تحمل دو روش تطبیق از یک سو و همچنین تعیین دقیق پارامترهای مسئله تطبیق، یک محیط شبیه سازی ساخته شد. در ادامه اتفاقات متداول دنیای واقعی در این محیط شبیه سازی شد. سپس تحمل دو روش تطبیق در این محیط شبیه سازی مورد ارزیابی قرار گرفت. حاصل این ارزیابی نشان¬داد که روش اول با استراتژی نود ساختگی پوچ عملکرد بهتری نسبت به روش دوم داشت. از طرفی وقتی نویز به صحنه وارد می¬شد روش دوم عملکردی بهتری داشت. هردو روش زمانیکه قدرت نویز از یک آستانه فراتر می¬رفت دچار یک آشوب می¬شوند لذا نرخ بازشناسی خوبی بالایی نداشتند. در این حالت روش اول از آنجا که به دلیل وجود نویز هیچ مشاهده قابل اعتمادی وجود نداشت تمامی نودها را به سمت نود پوچ میل می¬داد. در نهایت چندین سناریوی واقعی ترتیب داده شد و دو روش تطبیق در این سناریوها مورد ارزیابی قرار گرفت. همانظور که انتظار می¬رفت روش اول قابلت اطمینان(منظور از قابلیت اطمینان تعداد تطبیق¬های اشتباه کمتر می¬باشد) بیشتری نسبت به روش اول داشت. اما روش دوم تعداد تطبیق¬های درست بیشتری را پیدا می¬کرد. برای استفاده از ویژگی¬های مناسب دو روش، یعنی قابلیت اطمینان بالا در کنار نرخ بازشناسی بالا ترکیب دو روش پیشنهاد شد. روش پیشنهادی نه تنها قابلیت اطمینان بالاتری نسبت به دو روش اول و دوم داشت، بلکه نسبت به هردو روش نرخ باز شناسی بالاتری داشت.

در بیماری(multiple sclerosis) ms ، سیستم ایمنی بدن به بافت اطراف فیبرهای عصبی (آکسون) حمله می کند و با تخریب قسمت هایی از میلین باعث ایجاد نقاطی به نام پلاک بر روی اعصاب می شود. تشخیص زودهنگام بیماری ms و برآورد حجم ضایعات، گامی مهم در فرآیند درمان این بیماری محسوب می شود. یکی از مهمترین وسیله های تشخیص و پیگیری پیشرفت بیماری msاستفاده از روش تصویربرداری تشدید مغناطیسی (mri) است. اما تشخیص و ناحیه بندی ضایعات ms (پلاک) در تصاویر mr به علت متفاوت بودن در شکل، اندازه و همچنین محل قرارگرفتن آن ها در مکان های مختلف، امری دشوار و زمانبر است. از این رو در سال های اخیر قطعه بندی اتوماتیک ضایعات ms در تصاویر mr مغزی با هدف تشخیص این بیماری به صورت گسترده ای مورد توجه قرار گرفته است. در حالت کلی استراتژی های ناحیه بندی اتوماتیک ضایعات ms به دو دسته نظارتی و غیرنظارتی تقسیم بندی می شوند. در دسته روش های نظارتی از اطلاعات تصاویر بخش بندی شده توسط پزشک و همچنین اطلاعات اطلس استفاده می شود و در دسته روش های غیرنظارتی ضایعات بدون نیاز به مرحله آموزش و به طور مستقیم بخش بندی می شوند. در این پژوهش سعی شده است که با استفاده ترکیبی از روش های نامبرده، از مزایای هر دو دسته بهره ببریم. هدف از این رویکرد ترکیبی، درنظر گرفتن تمامی اطلاعات مفیدی است که ما را در بخش بندی صحیح ضایعات ms یاری می نماید. در این پایان نامه ضایعات ms در طی سه مرحله مجزا و توسط سه دسته بند میدان مخفی مارکوف (hmrf)، قانون k نزدیک ترین همسایگی (knn) و ماشین بردار پشتیبان (svm) بخش بندی شده اند. انتخاب سه دسته بند مذکور بر اساس دقت تشخیص بالای آن ها در روش های پیشین، صورت گرفته است. در مرحله ی اول به کمک تطبیق تصاویر با اطلس آماری، اطلاعاتی اولیه درباره احتمال تعلق هر وکسل به کلاس بافت های مختلف بدست آمده است و در ادامه به کمک الگوریتم غیرنظارتی hmrf سه بافت اصلی مغز در تصاویر t1 بخش بندی شده اند که این کار با درنظرگرفتن دو کلاس دیگر برای وکسل های نواحی مرزی بافت ها انجام شده است. سپس ضایعات ms به کمک ماسک های حاصله از مرحله قبل و اعمال قوانینی برگرفته از اطلاعات بالینی در تصاویر flair شناسایی شده اند. در مرحله دوم با استفاده از دو روش نظارتی svm و knn و به کمک یادگیری از تصاویر بخش بندی شده توسط پزشک، ضایعات ms در دنباله تصاویرflair بخش بندی می شوند و در نهایت با تلفیق نتایج به روش رای اکثریت و اعمال شروطی بر روی آن ها یک بخش بندی با خطای کمینه حاصل می گردد. هدف ما در این پایان نامه بخش بندی ضایعات نوع t2 در دنباله تصاویر flair می باشد که در این راستا از تصاویر پایگاه داده miccai بهره برده ایم. جهت اعتبار سنجی روش پیشنهادی، تصاویر ناحیه بندی شده به روش اتوماتیک با تصاویر ناحیه بندی شده توسط دو فرد متخصص مقایسه شده است. نتایج حاصل نشان می دهد، روش پیشنهادی با کسب رتبه 03/80% برای ضریب dice و همچنین 7661/0 برای نرخ تشخیص درست (ppv) قابلیت این را دارد که با دقت قابل قبولی نسبت به روش های پیشین ضایعات ms را در تصاویر mr تشخیص داده و بخش بندی نماید.

چکیده محیط فیزیکی اطراف ما، یک محیط سه بُعدی است، محیطی که هر جسم موجود در آن، دارای طول، عرض و ارتفاع (عمق) می¬باشد. زمانی¬که به این محیط نگاه می¬کنیم و یا توسط دوربین¬های معمولی از آن عکس می¬گیریم، یک محیط سه¬¬بُعدی بر روی یک صفحه دوبُعدی نگاشت می¬شود. این کار باعث از دست دادن بُعد سوم یا همان عمق می¬شود. این بُعد حاوی اطلاعات بسیار مهمی جهت تحلیل و بررسی موقعیت و ویژگی¬های اشیاء موجود در تصویر می¬باشد. انسان با استفاده از تکنیک های سه بُعدی¬ساز مغز و داشتن قابلیت دید دو¬چشمی ، محیط را به شکل سه بُعدی درک می کند اما زمانی که از محیط عکس می¬گیریم باید سعی کنیم در کامپیوتر، بُعد سوم صحنه را توسط تکنیک¬های موجود بازیابی کنیم. تشخیص عمق تصویر، مسئله¬ای بسیار مهم و اساسی در بحث بینائی¬ماشین و هوش¬مصنوعی می¬باشد که هنوز راه حل قطعی برای آن پیدا نشده است. هدف این تحقیق، بدست آوردن عمق یک صحنه با توجه به یک تصویر دو¬بُعدی یک¬چشمی از آن و بخش¬بندی رنگی تصویر از نظر عمق می¬باشد. جهت رسیدن به این مهم، ابتدا ویژگی¬های موردنظر را از تصویر استخراج کرده و بردار ویژگی را تشکیل می¬دهیم سپس این بردار را به شبکه-عصبی داده و با توجه به نتیجه آن، تصویر را به کلاس¬های متمایزی از نظر عمق تقسیم می¬کنیم سپس هر قسمت را با توجه به عمق مربوطه رنگ¬آمیزی می¬کنیم. مستقل بودن از ویژگی¬های دوربین و صحنه، دقت و سرعت بالا، عدم نیاز به دسته¬بندی تصویر، آنچنان که در کارهای پیشین وجود داشت، استفاده از ویژگی¬ها و تکنیک¬های رایج و نسبتاً ساده پردازش تصویر، برخی از مزایای روش پیشنهادی می¬باشد. کلمات کلیدی: تشخیص عمق، شبکه¬عصبی، بخش¬بندی تصویر، کلاس¬بندی

امروزه شبکه¬های حسگر بی¬سیم (wsn) بطور گسترده¬ای در سیستم¬های کنترلی و نظارت بکار می¬روند؛ آنجا که به لحاظ شرایط محیطی و یا جغرافیای محیط، علاقه¬ای به مداخله مستقیم انسان نبوده و یا حتی دسترسی به چنین مکان¬هایی عملا غیرممکن باشد. توپولوژی¬های کنترلی مبتنی بر مجموعه¬های همپوشان متصل (cds) یکی از انواع روش¬های سلسله¬مراتبی است که ضمن کاهش اتصالات اضافی به¬منظور حصول اطمینان از پوشش رادیویی مناسب در شبکه¬های wsn طراحی و پیاده¬سازی می¬شوند. این توپولوژی¬ها با معیاری از پیش¬تعریف شده، سعی در ایجاد یک ستون فقرات مجازی (vb) داشته تا با کاهش میزان پدیده طوفان¬های پخشی، بستری مناسب برای پیاده¬سازی یک مسیریابی ایده¬آل را در این شبکه¬ها فراهم نماید. در این پایان¬نامه سعی شده¬است، روش¬های مختلفی برای ایجاد انواع ساختار cds در شبکه¬های wsn تعریف شود. از مجموعه همپوشان متصل کمینه (mcds) که یکی از رایج¬ترین آنهاست گرفته تا شبکه¬های همپوشان متصل متوازن (lbcds) که اخیرا مورد توجه قرار گرفته¬است. بعلاوه امکان کنترل تضمین قابلیت اطمینان (reliability) نیز به هریک از پارامترهای مورد مطالعه افزوده شده است. یافتن cds یک گراف شبکه در زمره مسائل بسیار سخت (np-hard) قرار داشته و طبیعتا از طریق شیوه¬های تحلیلی معمول قابل حل نیست. به همین دلیل غالب تلاش¬هایی که تاکنون برای حل این مساله صورت پذیرفته، متکی بر شیوه¬هایی از قبیل الگوریتم¬های حریصانه (greedy)، تخمینی (approximative)، یا تکاملی (evolutionary) بوده است. تحقیق حاضر معطوف به شیوه آخر بوده و الگوریتم ژنتیک را بعنوان ابزاری برای حل این دسته مسائل بسیار سخت در دستور کار خود قرار داده است.

در این پایان نامه همجوشی داده ها در شرایط عدم قطعیت به صورت "ترکیب چند منبع غیر قطعی با توانایی شناسایی و برخورد با عدم قطعیت و تناقضات که بتواند منجر به ارائه یک بازنمایی موثر برای انسان یا ماشین شود" تعریف شده است. مهمترین جنبه این پایان نامه شناسایی و رسیدگی به عدم قطعیت و تناقضات داده ها در همجوشی برای سیستم های ناشناس می باشد. غالبا روش های پیشین همجوشی داده ها مانند فیلتر کالمن و تئوری بیزین با مدل رفتاری سیستم کار می کنند؛ این بدین معنا است که برای همجوشی داده ها از یک پیش بینی نظری استفاده می کنند. در سیستم هایی که مدل رفتاری آنها در دسترس نیست نمی توان از الگوریتمی مانند فیلتر کالمن استفاده نمود. باید به این موضوع توجه نمود که الگوریتم ارائه شده در این پایان نامه، می تواند برای سیستم با مدل مشخص کار نماید؛ اما بدیهی است با حذف مدل سیستم فرآیند همجوشی و رسیدگی به خطا ها مشکل تر خواهد شد. مهمترین تفاوتی که در سیستم هایی با مدل رفتاری ناشناس و شناسا وجود دارد این است که در سیستم های شناسا، عملیات همجوشی در شرایط عدم قطعیت حتی با یک سنسور هم امکان پذیر است زیرا مدل سیستم در تولید داده همجوشی شده، کمک خواهد کرد. در سیستم های ناشناس برای رسیدگی به تناقضات به تعداد زیادی سنسور نیاز خواهد بود. اگر منابع دارای عدم قطعیت باشند، ممکن است همجوشی داده های آنها از واقعیت دور بوده و ارزیابی سیستم از محیط اشتباه باشد. روش ارائه شده در این پایان نامه، این امکان را کاهش می دهد. روش ارائه شده در این پایان نامه، شامل یک تکنیک جدید خوشه بندی، شبکه عصبی mlp و قانون جدید به روز رسانی پیش بینی برای همجوشی داده ها می باشد. در نهایت روش ارائه شده با داده های هواشناسی مورد آزمایش قرار گرفته و نتایج آزمایشات بیانگر توانایی روش ارائه شده می باشد.

رشد سریع تقاضا و گسترش استفاده از منابع انرژی تجدیدپذیر در سیستم قدرت، حفظ امنیت در این صنعت را دچار چالشکرده است. رویکرد این سیستم در تأمین به موقع و بهینه الکتریسیته مورد نیازمصرف کننده، استفاده از منابع تجدیدپذیر است.بکارگیری این منابع، افزایش عدم قطعیت در تخمین دقیق توان خروجی را بدنبال داشته و کنترل خروجی سیستم قدرت را دشوار تر نموده است. نتیجه آن کاهش توانایی سیستم قدرت در تأمین به موقع و کم هزینه بار مصرفی می باشد. در سال های اخیر از فناوری شبکه هوشمند برای رفع مشکلات سیستم قدرت موجود استفاده شده است. ساختار این شبکه، با استفاده از فناوری اطلاعات و ارتباطات (ict)و ارتباط دوطرفه ، به تعامل هرچه بهتر مصرف کننده و تولید کننده کمک می کند. در حقیقت وجود این بستر مخابراتی هوشمند، دقت پیش بینی بار مصرفی توسط بخش تولید را افزایش می دهد و امنیت سیستم قدرت را تقویت می-کند. همچنین، کیفیت سرویس دهی برای تأمین اقتصادی بار را بهبود می بخشد. در این پایان نامه، به بررسی روش ارائه شده برای بهبود امنیت دینامیک پایدار (rds) در برابر افزایش عدم قطعیت ناشی از وجود منابع انرژی تجدیدپذیر (re)و نیز فرموله سازی پخش بار دینامیک (deld) در فاصله اطمینان پرداخته شده است. این نوع پخش بار، عملکرد امن سیستم قدرت را تضمین می کند. برای کنترل کردن عمل پخش بار در فاصله اطمینان در این روش از شبکه هوشمند به عنوان کنترل کننده زمانبندی تولید استفاده شده است.

ترکیب داده¬ها یا همجوشی داده¬ها ، منجر به تولید داده¬های مطلوب¬تر می¬گردد. بالاترین سطح از ترکیب داده¬ها یا استنتاج معمولا موجب افزایش صحت تصمیم گیری در مورد محیط مسئله می¬شود. هدف این پایان نامه مطالعه روی تئوری دمپستر-شفر به عنوان یکی از الگوریتم¬های قدرتمند در زمینه¬ی استنتاج است. هرچند این تئوری یکی از توسعه¬های تئوری بیزین بوده ولی تفاوت¬هایی در زمینه¬ی دیدگاه حل مسئله بین¬آن¬ها وجود دارد. این پایان نامه با ارائه¬ی یک راهکار مناسب، مبتنی بر یک الگوریتم بهینه¬سازی(مانند الگوریتم ژنتیک)، کارایی دمپستر-شفر برای انجام استنتاج، را افزایش می¬دهد. استناج می¬تواند موجب بهبود عملکرد ابزارهایی مانند شبکه¬های چند رسانه¬ای حسگر بی¬سیم گردد. یکی از کاربردی¬ترین ابزارهای چندرسانه¬ای حسگر، شبکه¬¬های همپوشان دوربین¬ می¬باشد(شبکه های حسگر بصری همپوشان). این شبکه¬ها برای شناسایی رخداد خاصی در یک محیط تعبیه می¬شوند. استنتاج در سطح این شبکه¬ها باعث افزایش قابلیت اطمینان نسبت به آن¬ها می¬شود. خانه¬های هوشمند سلامت یکی از طرح¬های پژوهشی، برای حمایت از افراد کهنسال و معلول است. تشخیص افتادن افراد روی زمین، یکی از چالش¬های مربوط به این خانه¬ها هست. در قسمت مطالعه¬ی موردی این پایان نامه سعی شده، قابلیت اعتماد استنتاج، در شبکه¬ای از دوربین¬های همپوشان (که به منظور شناسایی افتادن افراد به کار گرفته می¬شوند( افزایش یابد. در نهایت نیز با کمک همین روش بهترین دوربین¬ها با ضرایب اعتماد مناسب برای تشخیص افتادن افراد شناسایی شدند .

پیشرفت های اخیر سعی در جایگزینی روبات به جای انسان کرده است. روبات ها برای جایگزینی نیاز به یادگیری دارند. با تکامل علوم جدید هر روز روبات ها، برای رسیدن به هدف مورد نظر، بدون نیاز به نظارت انسان پیشرفت می کنند. تاکنون تحقیقات زیادی در مورد یادگیری با نظارت و یا بر اساس مدل انجام شده است. پیدا کردن راهی برای رسیدن به کوتاه ترین مسیر موجود از مکان فعلی تا مقصد در محیط ناشناخته مشکل بزرگی در راه یادگیری تقویتی می باشد. ما این اقدام را در این پایان نامه انجام داده ایم. هدف ما در این رساله، یافتن کوتاه ترین مسیر تا مقصد و در عین حال با ارزش ترین مسیر در محیط ناشناخته و در n بعد می باشد. یافتن کوتاه ترین مسیر به معنی وجود یک راه فیزیکی تا هدف نیست. اساس کار، پیاده سازی بر اساس مدل آزاد است تا قابل اجرا در هر فضایی باشد. برای رسیدن به هدف یادگیری، الگوریتم کلونی مورچگان را با یادگیری تقویتی ترکیب کردیم و ماتریس فرومون را ساختیم. با الگو برداری از ترشح دوپامین از کیسه ی کوچکی بنام وزیکول در مغز انسان، پاداش تاخیری را پیاده سازی کردیم و باعث ایجاد همگرایی کران پیش بینی پاداش به سمت پاداش واقعی شدیم.

در این پایان نامه چارچوبی کلی برای دسته بندی تصاویر در دو گروه سالم و بیمار مبتلا به اوتیسم با استفاده از داده های mri ارائه شده است. در این چارچوب پس از پیش پردازش تصاویر mri، با استفاده از الگوریتم pca، علاوه بر انتقال داده ها به یک فضای جدید، تعداد ابعاد آنها نیز کاهش داده می شود. خروجی-های حاصل از اعمال pca برروی داده ها، به عنوان ویژگی مورد استفاده قرار می گیرند. در ادامه، برای شناسایی ویژگی های با تفکیک پذیری بیشتر از روش آماری آزمون تی استفاده می شود. پس از انتخاب ویژگی-های با تفکیک پذیری بالا، با استفاده از روش های دسته بندی داده ها را در یکی از دو گروه سالم یا بیمار قرار می دهیم. در حالتی دیگر برای دسته بندی تصاویر mri علاوه بر پیش پردازش داده ها، عمل قطعه بندی تصاویر انجام شده است. این عمل تصویر مغز را به دو بخش ماده سفید و خاکستری تقسیم می کند. در ادامه از بخش ماده خاکستری داده ها برای استخراج و انتخاب ویژگی و درنهایت دسته بندی استفاده می شود. در این تحقیق از چندین طبقه بند متفاوت برای دسته بندی داده ها استفاده شده است. بیشترین دقت دسته بندی با استفاده از روش اول (استفاده از کل تصویر) 76% و در روش دوم (استفاده از ماده خاکستری مغز) 94% می باشد.

زیرآبی های خودمختار (َauvs) به طور فزاینده در کاربردهای دریایی به منظور به دست آوردن اطلاعات در زیرآب مورد استفاده قرار می گیرند. در این پایان نامه، یک الگوریتم کنترل توپولوژی توزیع شده با هدف حداکثرسازی پوشش نقاط مورد نظر در محیط توسط auvها در محیط سه بعدی زیر آب، ارائه شده است. این الگوریتم هر auv را توانمند می سازد که تنها بر اساس اطلاعات محدودی که از همسایگانش به دست می آورد، تصمیم گیری نماید. در محیط پویای زیرآب استفاده از رویکرد متمرکز برای کنترل توپولوژی مناسب نیست. روش ارائه شده کاملا توزیع شده و بر مبنای الگوریتم ژنتیک است. هر auv بهترین حرکت بعدی را در هر گام با اجرای الگوریتم ژنتیک به صورت مستقل به دست می آورد. در تابع برازندگی این الگوریتم، از یک تحلیل آماری برای میانگین درجه ی همسایگی با هدف تعیین حد بالای تعداد همسایگان یک auv استفاده شده است. نتایج این تحقیق نشان می دهد، با محدود کردن تعداد همسایگان auvها، محیط به میزان بیشتری پوشش داده می شود. موثر بودن الگوریتم ارائه شده با معیارهای پوشش حجمی نرمال شده، و میانگین درجه ی همسایگی مورد ارزیابی قرار گرفته است. نتایج نشان می دهد که الگوریتم ارائه شده در زمان کوتاهی به میزان مطلوبی از پوشش در محیط دست می یابد

یادگیری تقویتی یکی از حوزه های یادگیری ماشین است که هدف آن بهبود رفتار عامل بر اساس سیگنال های تقویتی است که از محیط دریافت می کند. مشکل اینجاست که در بسیاری از کاربردهای واقعی، پاداش محیط با تاخیر بسیار زیادی به عامل داده می شود. مشکل دیگر این است که تا زمانی که عامل به یک سطح قابل قبول از یادگیری برسد، تمام حرکات آن تصادفی خواهد بود. ضمناً با پیچیده تر شدن محیط، تعداد وضعیت های مورد اکتشاف و پارامترهای تصمیم گیری افزایش پیدا می کند. تمامی این مسائل، اکتشاف را رویکردی زمان بر، با هزینه بسیار بالا و گاهی بسیار پرخطر کرده است. یک راه کار مورد پژوهش محققان در این حوزه، یادگیری کیفی است. در این پایان نامه، چارچوبی کلی برای یادگیری کیفی ارائه می شود و خصوصیات و اجزا آن معرفی می گردد. این چارچوب بر اساس یادگیری کیفی و تخمین پاداش ساختگی می باشد تا از فواید هر دو روش استفاده کند. چارچوب پیشنهادی آن چنان است که قابل تنظیم و انطباق با الگوریتم های مختلف، محیط های گسسته و پیوسته، ناوبری و غیر ناوبری باشد. سپس از چارچوب پیشنهادی یک نمونه ساخته شده، و روی محیط های محک ارزیابی گردیده است.

چکیده ندارد.