در این پروژه در گام اول با استفاده از داده های واقعی کوره دوار سیمان، سعی شده است مدل پیش بین و همچنین مدلی شبیه ساز برای فرایند کوره دوار سیمان به دست آید. به منظور طراحی مدل پیش بین کوره دوار سیمان از مدل فازی ممدانی، مدل فازی تاکاگی-سوگنو و شبکه عصبی استفاده شده است. سپس با مقایسه مدلهای پیش بین به دست آمده، از مدل شبکه عصبی پرسپترون به منظور طراحی مدل شبیه ساز سیستم بهره گرفته شده است. برای آموزش مدلهای فوق از روش لونبرگ-مارکوات استفاده شده و برای تعیین دینامیک های سیستم از ترکیبی از روش لیپشیتز و اطلاعات متقابل استفاده شده است. در گام دوم از یک کنترل کننده عصبی-فازی به منظور شکل دادن پروفایل حرارتی کوره و همچنین کنترل سایر متغیرهای خروجی مهم کوره سیمان استفاده شده است. در این مرحله مدل شبیه ساز به دست آمده از مرحله قبل به عنوان پلنت استفاده شده است. نتایج شبیه سازی توانایی کنترل کننده عصبی-فازی برای کنترل کوره سیمان را نشان می دهد. در این بخش آموزش کنترل کننده عصبی-فازی به صورت آنلاین و با استفاده از گرادیان نزولی انجام گرفته است. در گام سوم یک سنسور نرم افزاری، برای تخمین دمای پیشگرمکن با استفاده از سایر پارامترهای کوره به دست آمده است. سنسور نرم افزاری برای حالت نرمال طراحی گردیده است. روشی به منظور تشخیص خطا به منظور استفاده بهینه از سنسور نرم افزاری ارائه شده است. نتایج شبیه سازی، نشان دهنده نزدیکی تخمین سنسور نرم افزاری و فرایند اصلی تحت کنترل است.

مساله انتخاب ورودی برای پیش بینی سری های زمانی و شناسایی سیستم ها از مسایل بسیار مهم در مدل سازی است که نسبت به دیگر مسایل کمتر مورد توجه قرار گرفته است؛ در حالی که یکی از مهم ترین آن هاست. اهمیت مساله در این است که انتخاب ورودی مناسب می تواند عملکرد و قابلیت تعمیم مدل را تا حد زیادی بهبود بخشد و بدین طریق از بروز مساله بیش برازش جلوگیری کند، بنابراین انتخاب مناسب ورودی ها می تواند صحت مدل سازی و دقت پیش بینی را افزایش دهد. در این پایان نامه مساله انتخاب متغیرهای ورودی به منظور پیش بینی سری های زمانی مورد بحث و بررسی قرار گرفته است. همچنین سعی شده است روش هایی که برای انتخاب متغیرهای ورودی استفاده شده مورد مطالعه قرار گیرد. سری زمانی مورد مطالعه، تغییرات جفت ارز یورو اروپا- دلار آمریکا است. از آنجا که نرخ ارز یکی از مهم ترین متغیرهای بازارهای پولی و مالی است و رفتاری به ظاهر تصادفی و غیر قابل پیش بینی دارد، پیش بینی آن از مسایلی است که همواره مورد توجه بوده است. بر طبق تحقیقات انجام شده روش های خطی و غیر خطی زیادی برای مدل سازی و پیش بینی استفاده شده است. در همه این روش ها رفتار نرخ ارز یا تنها توسط مقادیر گذشته آن مدل سازی شده و یا از تغییرات سایر متغیرهای اقتصادی نیز کمک گرفته شده است. مدل هایی که به کمک سایر متغیرهای اقتصادی ساخته شده اند دقت پیش بینی بهتری از خود نشان می دهند. مساله ای که در این میان وجود دارد پیچیده تر شدن مدل سازی به دلیل چند بعدی گشتن مساله و استفاده از تعداد ورودی بسیار است. بنابراین باید از میان متغیرهای تاثیرگذار، حداقل تعداد متغیری را انتخاب کرد که منجر به پیش بینی دقیق تری می شوند. در این پایان نامه از مفهوم کنترل توجه که از سیستم بینایی انسان الهام گرفته شده است، برای حل مشکل منابع اطلاعاتی زیاد و انتخاب مناسب ترین مجموعه از میان متغیرها در پیش بینی سری زمانی استفاده شده است. نتایج پیاده-سازی به کمک یک شبکه عصبی پس انتشار خطا کارایی این روش را نشان می دهد که بسیار خوب عمل کرده است.

در این پایان نامه، ما با استفاده از پاسخ سلول های عصبی مربوط به نواحی بینایی که از میمون ماکاک گرفته شده است؛ درصدد یافتن پویایی زمانی بازنمایی اشیا در سطوح مختلف انتزاع هستیم. پاسخ تعداد زیادی از سلول های ناحیه جلویی لب گیجگاهی به مجموعه گسترده ای از تصاویر به کار گرفته شده است. سلول های این ناحیه به تصاویر پیچیده پاسخ می دهند. ما به کمک روش های مختلف رمزنگاری و رمزگشایی، بازنمایی سلسله مراتبیِ سطوح مختلف انتزاع را در جمعیت سلول ها و تک سلول ها، مورد بررسی قرار داده ایم. نتایج ما نشان می دهند که بازنمایی سطوح میانی انتزاع در سلول های تحتانی لب گیجگاهی سریع تر از سطوح دیگر (بالا و پایین) است

چکیده ندارد.

یکی از خصوصیات بارز انسانها کارا بودن آنها در محیطهایی است که اطلاعات حسی زیادی دریافت می کنند. بینایی مهمترین حسی است که انسانها بر آن تکیه دارند و به همین علت است که این حس بیشترین مطالعات را در بینایی ماشین و هوش مصنوعی به خود اختصاص داده است. علیرغم تحقیقات وسیع در بینایی ماشین و رباتیک تعداد زیادی از اعمال حسی – حرکتی که در انسانها به سادگی انجام می دهند ، هنوز حل نشده اند. بطور خاص طراحی الگوریتمهای یادگیری که دارای دقت بالا و پیچیدگی محاسباتی پایین باشند و رباتهای متحرک خودکار را قادر سازند تا در محیطهای تعاملی بینایی عمل کنند بسیار مورد علاقه است. در مقایسه با محیط های بینایی کنترل شده که اغلب در آزمایشگاه استفاده می شوند، یادگیری رفتارهای بینایی در محیط های کنترل نشده و بصورت کلی بسیار مشکل ترمی باشد. نمونه های از کاربردهای یادگیری بینایی ، راهبری مبتنی بر بینایی ، تشخیص محل بر اساس اطلاعات بینایی ، گرفتن و حرکت دادن اشیاء می باشند. گرایش اخیر در رباتیک به سمت توسعه ربات هایی است که قادر باشند بصورت خودکار در محیط های بینایی ناآشنا و تصادفی عمل کنند. این کیفیت مورد علاقه ، روشهای بر خط و تعاملی را برای یادگیری نمایشهای بینایی و کنترل بسیار مناسب و ضروری می سازد. این گونه روشهای پویا منتج به راه حل های قابل انعطاف با پیچیدگی کم و هزینه محاسباتی پایین می شوند. یک عامل رباتیکی برای اینکه قادر باشد که در محیط های بینایی عمل کند باید قادر باشد که فضای ادراکی بینایی خود را به اعمال فیزیکی خود متناظر سازد. این قابلیت ، هماهنگی بینایی – حرکتی ، بینایی مبتنی بر منظور یا بینایی برای عمل نامیده می شود. بر خلاف راه حل های بینایی ماشین که اغلب نمایشهای از قبل تعریف شده و ثابتی در ذهن عامل فرض می کنند ، نمایشهای لازم در بینایی مبتنی بر منظور از تعامل عامل با محیط پیرامونی ایجاد می شوند. در این رساله ، راه حل هایی برای یادگیری کنترل توجه بینایی بالا به پایین و مبتنی بر وظیفه در محیط های تعاملی و هنگامی که تصاویر پیچیده طبیعی باید پردازش شوند ارائه می دهیم. عامل باید نمایشهای بینایی داخلی اش را همزمان با اعمال فیزیکی خود یاد بگیرد تا قادر باشد یک وظیفه پیچیده را انجام کند. این راه حل ها از ایده های بینایی مبتنی بر وظیفه و توجه بینایی الهام گرفته اند. بطور مشخص در اینجا ما الگوریتم های یادگیری تقویتی ای ارائه می دهیم که قابل اعمال به محیط های بینایی هستند. با الهام از نحوه عملکرد بینایی انسان که پردازش های پیچیده بینایی را بر زیر مجموعه ای از اطلاعات بینایی متمرکز می کند ، هدف در راه حل های ارائه شده محدود کردن استخراج ویژگی بر روی تعداد کمی از نواحی تصویر است. تاکید اصلی بر روی یادگیری توجه مکانی همراه با اعمال حرکتی می باشد.

در این پایان نامه به دو سوال زیر پاسخ داده می شود: 1-آیا امکان تصفیه تطبیقی اطلاعات توسط استنباط های مقبول در نظریه استدلال مقبول موجود است؟ 2-با چه روشی و با چه ترتیبی شواهد تولید شده توسط نظریه استدلال مقبول در همبافت مساله تصفیه اطلاعات باید با یکدیگر ترکیب شوند تا تمایز کافی بین درجه اطمینان مربوط بودن برای اسناد به پرس و جو موجود می باشد؟

روشهای آماری مختلفی برای تحلیل داده های اکتشافی معدنی وجود دارد. اعتبار هر یک از این روشها در این است که بتوان تا حدودی شناخت از جز (نمونه ها) را به کل (جامعه مورد بررسی ) تعمیم داد. این روشها از انواع ساده (براساس پارامترهای آماری توزیع) تا پیچیده (براساس ساختار فضایی) تغییر می کند. روشهایی که بر آمار کلاسیک استوار است عمدتا توزیع کمیت مورد نظر را در یک یا چند جامعه بدون در نظر گرفتن موقعیت فضایی آنها نسبت به یکدیگر مورد بررسی قرار می دهد. به کارگیری تکنیک فیلتر فرکتال در تجزیه و تحلیل داده ها می تواند بسیار موثر واقع شود. در این روش ابتدا داده ها با استفاده از تبدیلات فوریه به حوزه های فرکانسی انتقال داده می شود و سپس براساس خصوصیات هم تشابهی جوامع تفکیک و از میان آن میدان های پرپتانسیل جهت اکتشافات ژئوشیمیایی تفضیلی تر معرفی می شود. برای این منظور داده های 108 نمونه برداشت شده از رسوبات آبراهه ای (که هر نمونه برای 20عنصر آنالیز شده ) با استفاده از این تکنیک مورد تجزیه و تحلیل قرار گرفت. در نهایت مناطق امیدبخش(آنومالی) از زمینه تفکیک شده و مناطقی که برای پیدایش کانی سازی اقتصادی حائز اهمیتند معرفی گردیده است.