عبدالحسین فتحی

بیماری اماس (MS) بهعنوان یکی از بیماریهای مزمن و ناتوانکننده سیستم عصبی مرکزی، چالشهای زیادی را در حوزه تشخیص و درمان برای پزشکان و سیستمهای سلامت ایجاد کرده است. شناسایی سریع و دقیق ضایعات نا شی از این بیماری در تصاویر MRI بهوا سطه شباهتهای ساختاری با سایر بافتهای مغزی، نیازمند بهرهگیری از روشهای دقیق و پیشرفته پردازش تصویر و یادگیری ماشین است. در این پژوهش، مدلی بهینهشده با عنوان DE-CNN-Gray برای تشخیص خودکار بیماری MS از روی تصاویر MRI مقیاس خاکستری ارائه شده است. در این مدل، ابتدا یک شبکه عصبی کانولوشنی طراحی و سپس با استفاده از الگوریتم تکامل تفاضلی (Differential Evolution) ، ساختار شبکه شامل تعداد لایهها و پارامترهای موثر بهینهسازی شده است. هدف اصلی از این بهینهسازی، افزایش دقت طبقهبندی و کاهش پیچیدگی محاسباتی مدل بوده است. ارزیابی مدل با ا ستفاده از اعتبار سنجی پنجتایی (5-Fold) ن شان داد که روش پی شنهادی با دقت 99.40? ، ح سا سیت 98.89? ، دقت مثبت 99.90? و امتیاز F1 برابر 99.33? عملکرد ب سیار موفقی در شنا سایی بیماران مبتلا به MS دا شته است. نتایج حاصل نشان میدهد که روش DE-CNN-Gray با بهرهگیری از تصاویر خاکستری و الگوریتمهای فراابتکاری میتواند بهعنوان ابزاری دقیق، سریع و کمهزینه برای توسعه سیستمهای تشخیص بیماری MS بهکار گرفته شود و نقش موثری در بهبود روند درمان و کاهش هزینههای درمانی ایفا کند  

امروزه با گسترش شهرهای هوشمند و نیاز فزاینده به تحلیل دقیق و لحظه‌ای زیرساخت‌های جاده‌ای، طراحی سامانه‌هایی مبتنی بر هوش مصنوعی که توانایی درک، تحلیل و ثبت اطلاعات محیطی را داشته باشند، بیش از پیش اهمیت یافته است. در همین راستا، این پژوهش به طراحی و پیاده‌سازی یک سامانه نوین برای تشخیص، ردیابی و مکان‌یابی خودکار علائم ترافیکی اختصاص دارد که نه‌تنها مرزهای فنی را گسترش می‌دهد، بلکه در بعد بومی‌سازی داده نیز گامی ارزشمند برداشته است. در این سیستم، از مدل پیشرفته YOLOv9 برای شناسایی دقیق علائم ترافیکی و از الگوریتم قدرتمند ByteTrack برای ردیابی پیوسته‌ی آن‌ها بهره گرفته شده است. اما آنچه این پژوهش را متمایز و پیشرو می‌سازد، بهره‌گیری نوآورانه از یادگیری فدراسیونی با الگوریتم FedAvg برای نخستین‌بار در حوزه تشخیص علائم ترافیکی است؛ روشی که در آن مجموعه‌داده‌هایی ناهمگون از نظر تعداد نمونه و تنوع کلاس‌ها، از جمله دو بخش مجزای DFG و Mapillary، بدون نیاز به تجمیع فیزیکی، در فرآیند آموزش مدل شرکت داده شده‌اند. این رویکرد، علاوه بر حفظ حریم داده، باعث گسترش چشمگیر قابلیت تعمیم‌پذیری مدل شده است. در بخش داده، مجموعه‌ای غنی و بی‌سابقه شامل ????1 تصویر با بیش از ????? علائم ترافیکی در ??? کلاس مختلف طی دو سال و در شرایط زمانی گوناگون (صبح، ظهر، غروب، شب) و چهار فصل سال، از مناطق شهری، روستایی و بین‌شهری سراسر کشور با دوربین تلفن همراه جمع‌آوری گردیده است. حاشیه‌نویسی تصاویر نیز به‌صورت دقیق با استفاده از ابزار MakeSense در دو قالب YOLO (.txt) و Pascal VOC (.xml) انجام شده است. ارزیابی عملکرد سامانه با استفاده از روش 6-Fold Cross Validation   نشان‌دهنده‌ی دقت بالای آن بوده، به‌گونه‌ای که مدل پیشنهادی موفق به کسب mAP50 برابر با ?????? گردیده است. این عدد نه‌تنها گویای کارایی بالای مدل در شرایط واقعی است، بلکه در مقایسه با نسخه‌های مختلف YOLOv5 تا YOLOv11، برتری محسوسی را نشان می‌دهد. ایده اولیه این پروژه، با پیشنهاد شهرداری تهران برای طراحی نقشه‌ای دیجیتال از علائم ترافیکی شکل گرفت، اما دستاوردهای آن فراتر از یک کاربرد شهری است و می‌تواند به‌عنوان ابزاری کلیدی در سیستم‌های ناوبری، خودروهای هوشمند، تحلیل‌های مکانی، و تدوین نقشه‌ی ملی علائم ترافیکی ایران مورد بهره‌برداری قرار گیرد. این پژوهش، ترکیبی از فناوری پیشرفته، داده‌محوری بومی و معماری‌های نوین هوش مصنوعی را به کار گرفته تا آینده‌ای هوشمندتر و ایمن‌تر را برای جاده‌های کشور ترسیم کند.

خواب یکی از نیازهای اساسی انسان است که تاثیر زیادی بر سلامت جسمی و روانی دارد. استرس در خواب می‌تواند منجر به اختلالات خواب و مشکلات مرتبط با سلامت شود، بنابراین پیش‌بینی دقیق استرس خواب از اهمیت ویژه‌ای برخوردار است. این پایان‌نامه به بررسی تشخیص استرس خواب با استفاده از یادگیری عمیق، به ویژه مدل‌های شبکه عصبی بازگشتی LSTM، GRU و یک مدل ترکیبی از این دو می‌پردازد. هدف این پژوهش، ارائه مدلی کارآمد و دقیق برای پیش‌بینی و تشخیص استرس خواب بر اساس مجموعه داده SaYoPillow است. در این پژوهش، مدل‌های مختلف ارزیابی شدند و نتایج به دست آمده نشان داد که مدل ترکیبی Bidirectional LSTM-GRU   با دقت 1.00، درستی 1.00، بازخوانی 1.00 و امتیاز F1 برابر با 1.00، بهترین عملکرد را نسبت به مدل‌های تکی LSTM ،GRU و MLP در تشخیص هر 5 سطح استرس خواب دارد. برای ارزیابی از اعتبار سنجی متقاطع 10 فولد استفاده شد. استفاده از ماتریس درهم‌ریختگی و معیارهای ارزیابی مانند دقت، درستی، بازخوانی و امتیاز F1 نشان داد که مدل ترکیبی نه تنها در تشخیص نمونه‌های مثبت دقت بالایی دارد، بلکه خطاهای مربوط به تشخیص نمونه‌های منفی را نیز کاهش می‌دهد. این پژوهش نشان می‌دهد که مدل‌های یادگیری عمیق به ویژه مدل ترکیبی Bidirectional LSTM-GRU می‌توانند ابزارهای موثری برای تشخیص استرس خواب باشند و از این طریق به بهبود کیفیت خواب و سلامت افراد کمک کنند. توسعه این مدل‌ها می‌تواند به پزشکان و متخصصان کمک کند تا راهکارهای پیشگیرانه و درمانی مناسبی برای مدیریت استرس خواب ارائه دهند.   

صرع یک اختلال عصبی شایع است که با بروز مکرر حملات مشخص می‌شود. پژوهش­ها نشان می‌دهد که حدود?? درصد از بیماران مبتلا به صرع نسبت به درمان‌های دارویی یا روش‌های جراحی مقاوم هستند. فعالیت غیرطبیعی در مغز، که به عنوان وضعیت پیش‌حمله شناخته می‌شود، معمولاً چند دقیقه پیش از وقوع حمله آغاز می‌شود. الکتروانسفالوگرافی روشی عملی برای ثبت فعالیت‌های الکتریکی در مغز است که به تشخیص صرع کمک می‌کند.پیش­بینی تشنج و کمک به بیماران مبتلا به صرع هنوز از چالش­های موجود برای پیشگیری از عوارض تشنج   و بهبود کیفیت زندگی افراد درگیر با این بیماری می­باشد. از این رو، پیش‌بینی دقیق زمان آغاز وضعیت پیش‌حمله می‌تواندکمکی برای کاهش عوارض ناشی از تشنج برای بیمارباشد. هدف از این پایان نامه پیاده سازی سیستمی برای   بهبود معیارهای ارزیابی برای پیش بینی تشنج با استفاده از روش­های یادگیری عمیق می­باشد. در این مطالعه، از مجموعه داده‌های CHB-MITکه شامل سیگنال‌های EEG سطح پوست سر می­باشد، استفاده شده است و روش پیشنهادی بر روی 24 بیمار از این مجموعه داده مورد ارزیابی قرار گرفته است. برای پیش­بینی تشنج مدل­های مبتنی بر یادگیری عمیق و چکانش دانش برای فشرده­سازی مدل به منظور کاهش هزینه­ه ای زمانی و سخت افزاری و برای استفاده از این شبکه در زمان -واقعی به کارگرفته شده است.مدل معلم به صورت مدل مستقل از بیمار ،شامل 22 کانال با پیش پردازش مل اسپکتروگرام به عنوان ورودی و شبکه­ی کانولوشن سه بعدی، به میزان دقت87.52%، حساسیت88.82%، ویژگی85.97%، امتیازF1-   86.56%   رسیده است.سپس تکنیک چکانش دانش را به کار بردیم، با استفاده از تکنیک چکانش دانش و به کارگیری یک الکترود، طبق آزمایش­ها توانستیم دو الکترود با عملکرد برتر از سایر الکترودها را تعیین نماییم.روش پیشنهادی ما   برای الکترود شماره 20 به میزان دقت84.56% ، حساسیت86.76%، ویژگی82.77%، امتیازF1-83.63% ، و برای الکترود شماره 22 به میزان دقت 84.30%، حساسیت86.45%، ویژگی82.93%، امتیازF1- 83.35%، قادر است زمان حمله را به مدت 30 دقیقه قبل از وقوع پیش‌بینی کند. نتایج به‌دست‌آمده از روش پیشنهادی ما با روش‌های پیش‌بینی حمله صرعی پیشرفته مقایسه شده‌اند. روش پیشنهادی   از نظر دقت، حساسیت، ویژگی و امتیاز-F1 عملکرد بهتری داشته است.

چکیده امروزه با افزایش پیچیدگی مدارهای دیجیتال و فشرده‌تر شدن روز­افزون تکنولوژی­های ساخت، احتمال بروز خرابی در فرآیند ساخت و همچنین در حین کار مدارهای دیجیتال افزایش یافته است. بنابراین این محصولات در فرایند تولید و نیز در حین کار در محیط عملیاتی نیازمند آزمون‌هایی برای اطمینان از عملکرد صحیح هستند. بنابراین تولید آزمون با کیفیت، با حداقل تعداد بردارهای آزمون، ودر سریع­ترین زمان از اهمیت بالایی برخوردار است. در این پایان­نامه یک روش تولید آزمون مبتنی بر شبیه­سازی برای مدارهای ترکیبی پیشنهاد شده است. این روش تولید آزمون از یک معیار ارزیابی تقریبی به نام ردیابی تقریبی مسیر بحرانی با الگوهای موازی برای بررسی میزان شایستگی بردارهای آزمون پیشنهادی استفاده می­کند. این معیار مبتنی بر روش سنتی ردیابی مسیر بحرانی است ولی با یک رویکرد تقریبی برای عقبگرد در فن­اوت­ها، و با پذیرش از دست دادن سطحی از دقت در نتایج، پیچیدگی روش سنتی را کاهش داده است. ردیابی مسیر بحرانی با الگوهای موازی هم از توازی   در سطح اشکال و هم از توازی در سطح الگوهای آزمون بهره می­برد و به همین دلیل سرعت شبیه­سازی آن به نحوی چشمگیر نسبت به روش­های سنتی تعیین پوشش اشکال افزایش می­یابد. اعمال الگوریتم   ردیابی تقریبی مسیر بحرانی با الگوهای موازی روی مدارهای محک ISCAS85، ISCAS89 و ITC99 نشان می­دهد نتایج حاصل از این روش در بیش از 98درصد از مدارها دارای همبستگی قوی با شاخص پوشش اشکال دقیق است و نسبت به روش شبیه­سازی اشکال موازی بیش از500 برابر تسریع دارد. روش تولید آزمون پیشنهادی که از شاخص شایستگی حاصل از الگوریتم   ردیابی تقریبی مسیر بحرانی با الگوهای موازی، برای تشخیص بردارهای آزمون کارا استفاده می­کند،   قادر است بردارهای آزمون با کیفیت و در زمان کوتاه تولید کند. نتایج ارزیابی­ها روی مدارهای محک نشان می­دهد که روش تولید آزمون پیشنهادی در مقایسه با روشی که از شبیه­سازی اشکال موازی استفاده می­کند به طور متوسط با افزایش یک­درصد در تعداد بردارهای آزمون، بیش از 15 برابر سریعتر است. کلمات کلیدی: آزمون مدارهای دیجیتال، پوشش اشکال، تولید آزمون مبتنی بر شبیه­سازی، شاخص پوشش اشکال تقریبی، ردیابی مسیر بحرانی   

   بیماری پارکینسون نوعی اختلال مغزی است که در اثر آسیب به سلول‌های تولیدکننده دوپامین در ناحیه مغز ایجاد ‌‌می‌شود.  افراد مبتلا به بیماری پارکینسون علائمی ‌مانند لرزش و کندی حرکت دارند که باعث ‌‌می‌شود این افراد در کنترل حرکت خود دچار مشکل شوند. پارکینسون معمولاً بر اساس اقداماتی که توسط متخصص مغز و اعصاب صورت می‌گیرد، تشخیص داده می‌شود. اقداماتی نظیر، تجزیه و تحلیل تاریخچه پزشکی بیمار، بررسی علائم، معاینه عصبی و فیزیکی. بنابراین، شناسایی بیماری پارکینسون یک پروسه طولانی مدت است که همواره بر در دسترس بودن تمامی اطلاعات بیمار (تاریخچه) و مطالعه دقیق آن‌ها در هر جلسه ضرورت دارد. از این رو با توجه به شرایط و مشکلاتی که در این زمینه وجود دارد، تشخیص نادرست هم با توجه به خطرات آن در بین احتمالات وجود دارد. یکی از راهکارهایی که امروزه برای جلوگیری از بروز چنین اشتباهاتی به کار گرفته می‌شود استفاده از سیستم‌های تشخیص خودکار یادگیری ماشین است. با توجه به موضوع و مشکلات یاد شده، این مطالعه یک مدل LSTM دو طرفه را با دو تابع فعالساز Softsign و Tanh برای تشخیص خودکار بیماری پارکینسون بر اساس آنالیز راه‌رفتن افراد PD مورد آزمایش قرار می‌دهد. داده‌‌‌های خام سیگنال‌‌‌هایVGRF   به دست آمده از پایگاه داده Physionet در مدل پیشنهادی برای طبقه‌بندی افراد PD و سالم آزمایش شد.   آزمایش‌ها کارایی بالای روش پیشنهادی را در تشخیص بیماری پارکینسون بر اساس آنالیز سیگنال­های حرکتی مربوط به راه‌رفتن افراد نشان می‌دهد. الگوریتم پیشنهادی به دقت 97.1 درصد دست یافت. از بین روش‌های بررسی شده در این مطالعه، روش ارائه شده بهترین عملکرد را در تشخیص بیماری پارکینسون با استفاده از سیگنال­های حرکتی مربوط به راه‌رفتن کسب کرده­است. این نتایج نشان می‌دهد که این مدل می‌تواند ویژگی‌های کارآمدی را از داده‌های موجود بیاموزد که می‌تواند در تشخیص بالینی مفید باشد.   

   عکس برداری پزشکی نقش مهمی را در تشخیص بالینی و درمان بازی می‌کند. عکس برداری پزشکی یک راهی برای نمایش ساختارهای آناتومی بدن با کمک اشعه ایکس است که از مقطع نگاری کامپیوتری و عکس برداری و رزونانس مغناطیسی حاصل شده است. اما اغلب این نوع عکس برداری بیشتر مناسب عملکرد فیزیولوژیک است تا آناتومی. با رشد کامپیوتر و تکنولوژی عکس برداری، عکس برداری پزشکی به شدت عرصه‌های پزشکی را تحت تاثیر قرار داد. از آنجایی که کیفیت عکس برداری پزشکی بر تشخیص بیماری بسیار تاثیر داشته است، پردازش تصویر پزشکی به یکی از کاربردهای بالینی و مهم تبدیل شده است که تصاویری را برای آینده ذخیره و بازیابی می‌کند که پیش نیازی فرآیندی برای ذخیره دقیق این تصاویر هستند. استخوانها اندامهای جامد در بدن انسان می باشند که بسیاری از ارگانهای مهم مانند مغز، قلب، ریه ها و دیگر اندامهای داخلی را محافظت می کنند. بدن انسان دارای 206 استخوان با اشکال، اندازه و سایز جور واجور است. بزرگترین استخوان، استخوان ران است، و کوچکترین استخوان، استخوانچه شنوایی هستند. یک مشکل شایع در انسان   " شکستگی استخوان " است. شکستگی استخوان میتواند به دلیل تصادف و یا هر مورد دیگری که در آن به استخوان فشار زیاد وارد شود ایجاد گردد. انواع مختلفی از شکستگی استخوان وجود دارد: مورب، ترکیبی، خرد شده، مارپیچ، گیرین استیک1 و عرضی. تصویر برداری با روش اشعه ایکس نسبت به باقی روش- ها،جزییات دقیقی از استخوان ها و جزییات کمتر از بافت و ماهیچه در اختیار میگذارد که تشخیص شکستگیها را ساده تر میسازد.

  

تشخیص وسیله­­نقلیه، یک بخش مهم در حمل و نقل و هوش مصنوعی است. وسایل­نقلیه می­توانند در قسمت­های مختلف تصاویر قرار بگیرند. پیشرفت های اخیر در روش های تشخیص، منجر به طیف وسیعی از تکنیک های مختلف شده که می­تواند برای شناسایی و تشخیص وسایل­نقلیه مورد استفاده قرار گیرد. یادگیری عمیق، در سال‌های اخیر است که کاربردهای قابل توجهی در روش­های تشخیص وسایل نقلیه دارد. باتوجه به اهمیت تشخیص وسیله­نقلیه در سیستم­های حمل و نقل هوشمند، در این پایان­نامه به بررسی و تشریح روش­های تشخیص وسایل­نقلیه مختلف از تصاویر دوربین­های ترافیکی پرداخته­ و نیز از معماری قدرتمندی به نام یولو[1] برای تشخیص وسایل­نقلیه روی دیتاست BVMMR استفاده می­کنیم.­ به دلیل تغییرپذیری در محیط‌های رانندگی، تشخیص خودرو ممکن است با مشکلات و چالش‌های متفاوتی مواجه شود، مثلا ظاهر وسایل­نقلیه در اندازه، شکل و رنگ متفاوت، روشنایی خاص، شرایط آب و هوا و.. است. معماری، YOLOv5 شامل چهار بخش اصلی ورودی، backbone ، neck   و خروجی است. ترمینال ورودی عمدتاً شامل پیش پردازش داده ها است، از جمله افزایش داده موزاییک و پر کردن تطبیقی تصویر. شبکه backbone   عمدتاً از یک شبکه جزئی چند مرحله­ای (CSP) برای کاهش مقدار محاسبات و افزایش سرعت استنتاج و   ادغام هرمی فضایی (  ) برای استخراج feature map   با اندازه­های مختلف از ورودی تصویر با هدف بهبود دقت تشخیص با کانولوشن چندگانه و pooling استفاده می­کند. در شبکه neck، از ساختارهای هرمی ویژگی FPN و PAN استفاده می­شود. با استفاده از معماری یولو نسخه پنجم[2] آموزش داده شده، موقعیت خودروها و نوع و دسته­ی آن­ها را نیز مشخص کرده­ایم و به   98.88% و دقت مجموع 99.73% و نیز سرعت 0.03 ثانیه برای تشخیص اشیا موجود در یک تصویر دست می­یابیم که خود گواهی بر مناسب بودن این روش برای کاربردهای بلادرنگ[3] می­باشد. کلمات کلیدی: تشخیص وسایل­نقلیه، تشخیص اشیا، یولو، یادگیری عمیق، سرعت و دقت بالا در تشخیص اشیا، شناسایی نوع و مدل وسایل نقلیه [4]. [1]. you only look once (YOLO) [2] YOLOv5 [3] real-time

   با توجه به پیشرفت علم و تکنولوژی در عرصه های گوناگون فرهنگی،اجتماعی و اقتصادی روز به روز نیاز به دریافت داده ها از پایگاه داده های مختلف مبتنی بر استخراج الگوهای اطلاعاتی برای دستیابی به نتایج تحقیقاتی حیات بخش افزایش می یابدو از طرفی حفظ امنیت داده های خصوصی افراد و سازمان ها امری کلیدی در این حوزه می باشد که نادیده گرفتن آن موجب دستیابی به اطلاعات نا صحیح و عدم رضایت مشتریان شده و در نهایت سبب دستیابی به نتایج تحقیقاتی نادرست خواهد شد.یکی از مهم ترین داده های اطلاعاتی در این راستا داده های پزشکی بوده که حتی طبق آیین نامه های پزشکی رعایت حریم خصوصی افراد و محرمانه نگه داشتن اطلاعات از ضروریات است. با ورود جهان به کانال اپیدمی جهانی ویروس کرونا، کنترل همه گیری در مرتبه اول و یافتن درمان آن در مرتبه دوم چالش دانشمندان و پزشکان دنیا شده است. در این راستا جامعه علمی کامپیوتر نقش خود را برای کنترل همه گیری ویروس کرونا به جهانیان عرضه داشته است. استفاده از یادگیری عمیق برای تشخیص کووید19 از روی تصاویر اشعه ایکس یک روش سریع برای تشخیص بیماران و مدیریت سرویس های مراقبتی به بیماران می شود.برای دستیابی به نتایج بهتر نیاز به داده های فراوان از منابع اطلاعاتی مختلف داریم که حریم خصوصی داده ها به عنوان سدی در این راه مانع دستیابی مهندسین به این مهم خواهد شد. لذا ما با معرفی یادگیری فدراسیونی که جهشی نوپا به سوی خلاقیت و نتایج بهتر است به معرفی مزایا و چالش های آن و شبیه سازی آن در تشخیص کووید19 خواهیم پرداخت و سعی می کنیم قدمی هر چند کوچک برای دستیابی به نتایج دقیق تر با داده های بیشتر   و البته سازمان یافته تر برای آموزش مدل های شبکه عصبی برداریم که در این میان با ارائه رویکرد تجمیعی قوی توانستیم از رقبای خود با دقت 97.04 پیشی بگیریم..

   تعداد مرگ و میر ناشی از سرطان پوست طی چند سال گذشته به طور قابل توجهی افزایش یافته است. تشخیص زودهنگام برای درمان سریع سرطان پوست بسیار مهم است. روش های آنالیز درموسکوپی مبتنی بر کامپیوتر اطلاعات قابل توجهی در مورد ضایعات ارائه می دهد که می تواند برای متخصصان پوست در تشخیص زودهنگام ضایعات پوستی مفید باشد. این سیستم‌های تشخیصی مبتنی بر کامپیوتر برای ارائه توضیحات ریاضی در مورد مناطق مشکوک به الگوریتم‌های پردازش تصویر   نیاز دارند. شبکه عصبی پیچشی که به اختصار CNNامیده می­شود به عنوان یکی از الگوریتم‌های یادگیری عمیق، کاربردهای زیادی در کار با داده‌های تصویری دارد و در موضوعاتی مانند طبقه‌بندی و تقسیم‌بندی تصاویر کاربرد دارد. علاوه بر مقیاس پذیری بالا در تعامل با داده های بزرگ، این الگوریتم به طور خودکار ویژگی های کلیدی تصویر را بدون نیاز به استخراج دستی آن ویژگی­ها توسط برنامه­نویس استخراج می­کند. الگوریتم ماشین بردار پشتیبان که به اختصار SVM نامیده می­شود یکی از الگوریتم­های یادگیری ماشین می­باشد به عنوان یکی از قوی­ترین الگوریتم­های طبقه­بندی­کننده شناخته می­شود. در این مطالعه،   یک رویکرد ترکیبی مبتنی بر یادگیری عمیق و یادگیری ماشین را پیشنهاد شده است که از ترکیب دو الگوریتم شبکه عصبی پیچشی به عنوان استخراج­کننده­ی ویژگی تصاویر و ماشین بردار پشتیبان به عنوان یک الگوریتم طبقه­بندی کننده حاصل می­شود. با اعمال روش­های پیش پردازش تصاویر بر روی مجموعه داده­ی استفاده شده و سپس استفاده از تکنیک افزایش داده تصاویر مصنوعی یک­دست و بدون نویز تولید می­شود که به عنوان ورودی به شبکه CNN داده می­شود و پس از استخراج ویژگی­های کلیدی از تصاویر این ویژگی­ها به عنوان ورودی به الگوریتم SVM داده می­شوند تا عمل طبقه­بندی را انجام دهد. لازم به ذکر است، هدف از این مطالعه طبقه بندی انواع ضایعات پوستی می­باشد تا مدل پیشنهادی بتواند با نهایت اطمینان و دقت نوع ضایعه را تشخیص دهد.

  امروزه با افزایش ارتباط بین فناوریهای رایانهای و حوزه پزشکی، واسطهای مغز و کامپیوترتاثیر مهمی در زمینههای مختلف از جمله تشخیص فعالیت تصور حرکت، بازشناسی احساسات، تشخیص بیماری صرع، امتیاز بندی سطح خواب و بارکاری ذهنی دارند. تشخیص تصور حرکت یکی از تکنیکهای مبتنی بر واسط مغز و کامپیوتر است. این تکنولوژی با پردازش سیگنالهای مغز و استخراج الگو از یکی از مهمترین سیگنالها در تشخیص این نوع EEG تاثیر به سزایی بر مطالعه ذهن وکارکردهای آن دارد. سیگنال ،MI سیگنالهای فعالیت است. این پژوهش به طراحی، پیاده سازی و ارزیابی یک روش جدید برای تشخیص تصور حزکت دست انسان می پردازد. مغز انسان این قابلیت را دارد که از طریق ارتباط بین نواحی و اثرگذاری بر یکدیگر منجر به فعالیت های شناختی شود. به عبارت دیگر مغز از نواحی مختلفی تشکیل شده است که هر کدام از آن ها یا به طور جداگانه یا تعاملی منجر به اجرای وظایف مختلف توسط انسان می شود. این روش جدید، از قابلیت ذکر شده جهت ارزیابی عملکرد مغز و تشخیص تصور حرکت دست انسان استفاده کرده است. در این تحقیق تلاش شده است که اطلاعات دقیق تر و کامل تری جهت ارزیابی مدل پیشنهادی، استفاده شود. به این منظور برای تحلیل سیگنال های حاصل از تصور حرکت، از رویکرد مسئله معکوس به کار برده شد که به اطلاعات آناتومیکی مغز حین تصور حرکت دست EEG دسترسی دارد. در این راستا از بازسازی منبع سه بعدی که شامل مراحل مدل سازی فضای منبع، مدل پیشرو و مسئله معکوس است، به کار برده شد. باتوجه به اطلاعات به دست آمده، از اتصال موثر (یکی از سه نوع اتصال بین نواحی مغز) مبتنی بر مدل سازی علّی پویا استفاده گردید که گراف مربوط به نواحی مرتبط با تصور حرکت طراحی و پیاده سازی شود. نواحی موثر به کمک بازسازی منبع به دست آمده است. این نوع مدل سازی بهتر می تواند اتصالات جهت دار و علّی بین نواحی مغز و نقش موثر فعالیت نورون های قشر مغز را در ایجاد و اجرای تصور حرکت تفسیر کند. به دلیل اینکه اطلاعات حاصل از گراف مدل سازی علّی پویا یک ماتریس مجاورت از مقادیر اتصال موثر بین نواحی، ناشی از تعامل و اثر گذاری قشرهای مغز است برای سهولت در استخراج ویژگی های سطح بالای تصور حرکت، از تکنیک شبکه عصبی کانولوشن گراف گونه جهت طبقه بندی نوع تصور حرکت به کار برده شد. این شبکه عصبی از طریق ماتریس مجاورت، جهت بین نواحی را تشخیص می دهد و اطلاعات یال و رئوس گراف را برای استخراج ویژگی به کار می برد. نتایج این روش دقت بالاتری را در مقایسه با 5 و 10 لایه جهت تشخیص (GCN_ نشان داده است که اجرای شبکه عصبی با 15 لایه ی کانولوشنی ( 15 0% است. در مقایسه با / 0% و 99 / نوع تصور حرکت را داشته است. دقت حاصل برای تصور حرکت دست راست و چپ به ترتیب 95 پژوهش های پیشین نیز، روش پیشنهادی توانسته است دقت تشخیص را افزایش دهد.

Advances in Blockchain and distributed ledger technologies are driving the rise of incentivized social media platforms over Blockchains. Blockchain-based online social media is decentralized social media that uses blockchain technology to reward users' social activities and store information. In order to protect the privacy of users and expose fake news.    In this study, presents an empirical analysis of Steemit, a key representative of these emerging platforms, to understand and evaluate the actual level of decentralization in these modern social media platforms. Similar to Bitcoin, Steemit is operated by a decentralized community, where 21 members are periodically elected to cooperatively operate the platform through the Delegated Proof-of-Stake (DPoS) consensus protocol.    Our study performed on 539 million operations performed by 1.12 million Steemit users during the period 2016/03 to 2018/08 reveals that the actual level of decentralization in Steemit is far lower than the ideal level, indicating that the DPoS consensus protocol may not be a desirable approach for establishing a highly decentralized social media platform. For this reason, in this dissertation, we tried to provide a solution to the problem of decentralization of the consensus algorithm used in Steemit social media. Our solution to this problem is to replace its consensus algorithm with a more advanced consensus algorithm called the Algorand, which can form a committee without elections involving user interaction. Algorand is a new cryptography that proposes a new Byzantine agreement algorithm that allows choices to be made by randomly validated cryptographic functions rather than by users.    Using the simulator design as well as the API published by Algorand's team, we explored its three main aspects of decentralization, high scalability and security, and show that Algrand can be a good alternative to the DPOS algorithm. Be in Steemit.      

سرطان ریه شایع ترین سرطان در دنیا است. در این پژوهش با استفاده از مدل یادگیری عمیق توانستیم سرطان ریه را به دو دسته تومور و سالم طبقه بندی کنیم.

چکیده    امروزه، بحث امنیت به عنوان یک مسئله مهم و چالش برانگیز در نظر گرفته می‌شود. ابزارهای قدیمی مانند نام کاربری و پسورد به تنهایی جوابگو و قابل اعتماد نمی‌باشند. به همین خاطر روز به روز در زمینه‌های فراوانی ما به وسایلی نیاز داریم که هویت اشخاص را براساس علائم حیاتی شناسایی کنند. با ظهور دانش بیومتریک روش‌های متداول تایید هویت در سیستم‌های بیومتریک دچار دگرگونی شده است.   اخیرا کاربرد سیگنال‌های الکتریکی مغز (EEG) در سیستم‌های بیومتریک به عنوان یک شاخه پژوهشی جذاب و کاربردی مورد توجه محققین قرار گرفته است زیرا حاوی دو مزیت اساسی است : اول آنکه، این سیگنال باید از شخصی زنده در حالت روانی و ذهنی عادی ثبت شود. دوم آنکه سیگنال EEG برخلاف بسیاری از بیومتریک‌های دیگر   برآیند مجموعه ای از اتفاقات درونی و قشری مغز است که همین ویژگی تقلید آن را ناممکن ساخته است.    در این پژوهش از یک مجموعه داده دارای دو محرک مختلف (آرامش و تمرکز) استفاده شده است که در بازه زمانی اول افراد در حالت آرامش قرار می‌گیرند و در بازه زمانی دوم افراد در حالت تمرکز قرار می‌گیرند. برای امکان پردازش و ضبط سیگنال‌های EEG از الکترود استفاده می‌شود سپس سیگنال‌های آنالوگ به سیگنال‌های دیجیتال تبدیل می‌شوند. در این تحقیق از مجموعه دادهEEG با 109 موضوع استفاده شده است. به منظور بهبود عملکرد سیستم تایید هویت در این پژوهش به جای استخراج ویژگی و انتخاب ویژگی‌های بهینه از ویژگی‌های عمیق استفاده شده است نتایج آزمایش‌های ما بر روی پایگاه‌داده Albasri با دقت 99 درصد بیانگر این موضوع است که با استفاده از ویژگی‌های عمیق و و الگوریتم شبکه عصبی کانولوشن با استفاده از الگوریتم ژنتیک (GPCNN) نسبت به سایر سیستم‌های تایید هویت مبتنی بر سیگنال الکتریکی مغز به نحو چشم‌گیری بهبود می‌یابد و چشم‌انداز روشنی از استفاده عملی و تجاری سیگنال‌های الکتریکی مغز در سیستم‌های تایید هویت آینده را نشان می‌دهد.

افزایش تعداد خودروهای شخصی در خیابان ها باعث ایجاد ترافیک می شود.   در بسیاری از کشورها برای کاهش ترافیک خطوط مخصوص وسایل نقلیه با ظرفیت بالا1 ایجاد شده است. از این خطوط فقط اتوبوس ها، خودرو های پلیس، خودروهای آتش نشانی، اورژانس   و خودرو های شخصی دارای ظرفیت بالایعنی بیش از یک نفر سرنشین، مجاز به استفاده هستند. یک مساله دیگر در نظارت بر حمل و نقل و تردد خودروها رعایت قوانین رانندگی در محفظه خودرو می باشد. این قوانین شامل، استفاده راننده از کمربند ایمنی حین رانندگی می باشدکه تشخیص دقیق و خودکار آن ها از اهمیت ویژه ای برخوردار میباشد. دراین مقاله یک روش مبتنی بر مدل های یادگیری عمیق   برای تشخیص همزمان   سرنشین و کمربند ایمنی راننده پیشنهاد میکنیم. در این روش   ابتدا با استفاده از شبکه YOLOv5s شیشه جلوی خودرو تشخیص داده می شود، سپس با استفاده از مدل آشکارساز مسافر صندلی جلو حضور یک نفر را در محفظه مسافر تعیین می کنیم. در نهایت با استفاده از طبقه بندی تصویر مبتنی بر یادگیری عمیق ما وجود نقض کمربند ایمنی را تعیین میکنیم.مدل پیشنهادی ما برای طبقه بندی   تشخیص سرنشین و کمربند ایمنی ازترکیب شبکه از پیش آموزش دیده شده ResNet34 و لایه های(Spatial Pyramid Pooling)   ، (Temporal Pyramid Pooling) TPPو   MT (power mean transformation )   میباشد. دراین مقاله یک روش ترکیبی مبتنی بر یادگیری عمیق برای تشخیص همزمان   خودروهای با بیش از یک سرنشین وتشخیص نقض کمربند ایمنی راننده ارائه   میکنیم. آزمایشات ما بر روی تصاویر به دست آمده از سازمان حمل و نقل ترافیک ارزیابی شده است. در این دیتاست تعداد 2895 و 363 تصویر برای آموزش و اعتبارسنجی   و361 تصویر برای مرحله تست مدل YOLOv5   در تشخیص شیشه جلوی استفاده کرده ایم. همچنین تعداد   1325 و   تعداد 400 تصویر برای آموزش و اعتبارسنجی و 250 تصویردرمرحله تست مدل پیشنهادی برای پیش بینی سرنشین خودرو   استفاده شده است.   همچنین تعداد 1063 و 400 تصویر برای آموزش و اعتبارسنجی و 100 تصویر درمرحله تست در مدل پیشنهادی برای تشخیص کمربند ایمنی استفاده کرده ایم. ما از مدل YOLOv5s در تشخیص شیشه جلوی خودرواستفاده کرده ایم.   نتایج آزمایشات بر روی دیتاست جمع آوری شده نشان میدهد که   این مدل با صحت ?.7   و فراخوانی 1 شیشه جلوی خودرو را تشخیص داده است. و مدل های پیشنهادی ما در تشخیص سرنشین به دقت 100% ودرتشخیص نقض کمربند ایمنی راننده، دقت 99.20% به دست آمده است. واژه های کلیدی : تشخیص سرنشین خودرو، تشخیص کمربند ایمنی ، تحلیل خودکار تصاویر حمل ونقل، یادگیری عمیق   یادگیری انتقالی ، YOLOv5 ، ResNet34، TPP،   ، PMT   

  با پیشرفت فناوری میکروالکترومکانیکی، امروزه سیستم­ هایی

در قرن گذشته، تصاویر سنجش­ازدور در بسیاری از کاربردها همچون تشخیص اشیاء پوششی زمین، مدیریت منابع و زمینه­های نظارتی از منابع اصلی اطلاعات به­شمار می­روند. این تصاویر شامل انواع تصاویر هوایی و ماهواره­ای هستند که استفاده از آن­ها با نصب دوربین­ها و حسگرهای متفاوت روی هواپیما و دیگر بالنده­ها گسترش چشمگیری داشته است. تشخیص و استخراج آب­های سطح زمین یکی از کاربردهای اساسی تصاویر سنجش­ازدور محسوب می­شود که در زمینه­های کنترل منابع و جلوگیری از سیلاب­ها و بحران­هایی همچون خشکسالی نقش اساسی دارد. تا به امروز روش­های متفاوتی همچون آستانه­گذاری تصاویر، تشخیص با استفاده از شاخص­، تشخیص براساس لبه و روش­های یادگیری ماشین همچون ماشین بردار پشتیبان در زمینه­ی بهبود کیفیت تشخیص آب­ها در تصاویر مورد استفاده قرار گرفته­اند؛ اما عمده­ کاربرد این روش­ها در مسائلی بوده است که مناطق آبی پراکندگی زیادی نداشته و بدنه­ی آب­ها مرزهای هموارتری دارند و تقریبا هیچ­یک در تصاویری که شامل چالش­هایی همچون وجود مناطق پراکنده آبی یا رودهای کم­ عرض هستند، دقت قابل قبولی را ارائه نداده­اند. با وجود این مسائل، شبکه­های عصبی عمیق پیشرفته­ترین نتایج را در زمینه­های تقسیم­بندی تصاویر سنجش­ازدور ثبت کرده­اند. در این پژوهش یک معماری ترکیبی با عنوان "مدل جمعی انباشته­شده" جهت طبقه­بندی پیکسلی تصاویر لندست و افزایش عملکرد روش­های پیشین ارائه شده است. روش پیشنهادی نه تنها ویژگی­های تصویر را در سه زیرمدل جداگانه استخراج می­کند، بلکه با ترکیب خروجی­های زیرمدل­ها و استخراج مجدد ویژگی­ها از ماسک­های تقسیم­بندی، مناطق آبی تصاویر لندست را با دقت بالایی تشخیص می­دهد. براساس نتایج به­دست آمده، روش جمعی انباشته­شده­ی پیشنهادی این پایان­نامه در مقایسه­ با روش­های شرکت کننده در چالش تقسیم­بندی بدنه­های آبی که در پایان سال 2020 توسط AIcrowd برگزار شد، موفق به دریافت برترین نتیجه و دستیابی به رتبه اول در بین شرکت­کنندگان شده ­است.[1] واژه‌‌های کلیدی: سنجش­ازدور، تصاویر ماهواره­ای، بدنه آب، تقسیم­بندی معنایی، یادگیری عمیق [1]   https://www.aicrowd.com/challenges/ai-for-good-ai-blitz-3/problems/lndst/leaderboards   

چکیده تشخیص سن استخوان روشی است که به طور مکرر برای ارزیابی ناهنجاری رشد و تشخیص و درمان اختلالات غدد درون‌ریز و سندرم­های کودکان بیمار انجام می‌شود. چندین دهه است که تعیین سن استخوانی با ارزیابی بصری از رشد اسکلت دست چپ انجام می­شود و معمولاً از روش مرجع G&am   استفاده می­شود. با پیدایش تصویربرداری دیجیتال، تلاش­های زیادی برای ایجاد روش­های پردازش تصویر انجام شده است که به طور خودکار ویژگی­های اصلی مراحل تشکیل استخوان را برای ارزیابی موثر و دقیق­تر سن استخوانی استخراج می­کند. بااین‌حال ماهیت ذهنی روش­های دستی، تعداد زیاد مراکز استخوان در دست و تغییرات گسترده در مراحل استخوان‌سازی سبب پیچیدگی ارزیابی سن استخوانی شده است و یک چالش برای طراحی الگوریتم­های کامپیوتری تشخیص خودکار در این حوزه است. هدف: این مطالعه با هدف ارائه یک روش جدید برای کاهش خطای روش­های ذهنی و بهبود روش­های اتوماتیک موجود در تخمین سن انجام شده است. روش: این مدل روی 1400 تصویر از کودکان سالمِ صفر تا هجده سال از چهار قاره پیاده‌سازی شده است. با استفاده از تکنیک­های پردازش تصویر در محیط برنامه‌نویسی متلب شش ناحیه در دست استخراج شدند؛ تجزیه‌وتحلیل مراکز استخوان و محاسبه سن در هرکدام از این ناحیه­ها توسط تکنیک­های یادگیری عمیق در محیط برنامه‌نویسی پایتون انجام شده است. دسته‌بندی نهایی نیز بر مبنای میانگین رای‌گیری صورت‌گرفته است. نتیجه: در مدل ارائه شده تمام سنین رشد و چهار نژاد آسیایی، آفریقایی، اروپایی و آمریکایی در نظر گرفته شده است. در قسمت پیش­پردازش تمام انگشت­های دست و مچ دست به‌درستی استخراج شده­اند. برای تشخیص نهایی سن از چند شبکه عصبی پیچشی و یک Ensemble بین آنها استفاده شده است. روش پیشنهادی به طور میانگین 81 درصد دقت در تشخیص داشته است. این دلایل نشان­دهنده برتری مدل پیشنهادی در مقایسه با دیگر مدل­های ارائه شده است. کلمات کلیدی: اختلالات رشد، سن استخوانی، روش Greulich and Pyle، روش Tanner-Whitehouse، مناطق اولیه رشد (دیافیز)، مناطق ثانویه رشد (اپیفیزها)، استخوان­های مچ (Carpal)، تصاویر دیجیتال (x-ray Image)، یادگیری عمیق، شبکه­های عصبی پیچشی (CNN)، Ensemble، میانگین رای‌گیری (Average Voting).  

طبقه­بندی کانی­ها بخش جدایی­ناپذیری از زمین­شناسی است. به‌صورت سنتی برای مطالعه­ کانی­های موجود در مقاطع نازک، مرز بین کانی­ها به‌صورت دستی جداشده، هر ناحیه برچسب­گذاری و درصد هر کانی محاسبه می­شود. این روش نیازمند دانش، تخصص و تجربه­ بالایی است. از سوی دیگر خطای انسانی ناشی از خستگی و بی­دقتی موجب کاهش دقت طبقه­بندی می­شود. بنابراین به­کارگیری یک سامانه مبتنی بر پردازش تصویر برای تشخیص خودکارکانی­های موجود در سنگ­ها امری ضروری است. ارائه چنین سامانه­ای می­تواند باعث افزایش دقت، کاهش خطاهای انسانی، کاهش هزینه و کاهش زمان جهت تشخیص نوع کانی­ها می­شود؛ بنابراین، هدف این پژوهش، پیشنهاد یک سامانه تشخیص خودکار کانی است که با استفاده از پردازش تصویر، کانی­های موجود در سنگ را شناسایی و طبقه­بندی کند. مرحله اول در انجام این پژوهش ایجاد یک پایگاه داده از تصاویر مقاطع نازک سنگ است. این مرحله یکی از چالش­برانگیزترین مراحل این پژوهش بود، زیرا ایجاد یک پایگاه داده مناسب از تصاویر مقاطع نازک، فرآیندی سخت و وقت­گیر است. از سوی دیگر، پایگاه داده مشترک و استانداردی در این حوزه وجود ندارد و هر پژوهشی از پایگاه داده متفاوتی استفاده می­کند. پس از ایجاد پایگاه داده و برچسب­گذاری تصاویر مقاطع نازک، چند روش­ قطعه­بندی بررسی و الگوریتم JSEG برای قطعه­بندی انتخاب شده است. پس از انجام قطعه­بندی، ویژگی­های مبتنی بر رنگ و بافت از هر ناحیه استخراج شده­اند. ویژگی­های رنگی از هر دو فضای رنگی RGB و HSI استخراج شده­اند. هم­چنین به دلیل اینکه برخی کانی­های متفاوت دارای رنگ­های مشابه هستند، ویژگی­های بافت نیز از هر ناحیه استخراج شده­اند. ویژگی­های استخراج‌شده از هر ناحیه، برای طبقه­بندی به طبقه­بند فرستاده شده و طبقه­بند هر ناحیه را به‌عنوان یک کانی برچسب­گذاری کرده است. در این پژوهش کارایی شش طبقه­بند Linear Discriminant، Su  ace Discriminant، Boosted Tree، Bagged Tree، Linear SVM و Weighted KNN بر اساس معیارهای مختلف مورد ارزیابی قرار گرفته است. بر اساس نتایج تجربی به‌دست‌آمده، طبقه­بند Bagged Tree دارای بالاترین دقت به میزان 5253/95 و همچنین کمترین میزان خطای MAE برابر با 0447/0 و خطای RMSE برابر با 2115/0 می­باشد. همچنین همه طبقه­بندها دارای دقت قابل قبول بالای 93% هستند. این نتایج نشان می­دهد که روش پیشنهادی دارای قابلیت مناسبی جهت شناسایی خودکار کانی­هاست.  

با پیشرفت در فن­آوری­های اینترنتی و دسترسی آسان به شبکه اینترنت، تصاویر دیجیتالی که از طریق این شبکه در دسترس همگان قرار می­گیرند با توجه به ساختاری که دارند می­توانند بدون هیچ افت کیفیتی مورد هدف تغییر، دستکاری و کپی برداری غیرمجاز کاربران مختلف قرار گیرند و بدون رعایت حق مالکیت این داده­ها، محتوای مورد نظر می­تواند در حجم وسیعی تکثیر و توزیع شود. واترمارکینگ دیجیتال به­عنوان ابزاری سعی دارد از حق مالکیت و کپی این تصاویر حفاظت کند. لذا در این پایان­نامه ایده طراحی و پیاده­سازی یک روش واترمارکینگ تصویر دیجیتال شفاف در حوزه تبدیل موجک بالارونده و تجزیه مقدار تکین به­منظور بهبود مقاومت تصاویر و به­طور کلی افزایش قابلیت­اطمینان سیستم واترمارکینگ تصویر با استفاده از تکنیک افزونه سه تایی مورد بررسی قرار می­گیرد. ابتدا بر روی تصویر میزبان تبدیل موجک بالارونده اعمال شده و سپس سه زیرباند فرکانسی بالای آن به بلاک­های غیر هم­پوشان 8×8 تقسیم می­شوند. سپس در هر زیرباند فرکانسی، بر روی هر بلاک تبدیل موجک بالارونده اعمال گشته و چهار زیرباند فرکانسی ll، lh، hl و hh برای هر بلاک بدست می­آید. سپس زیرباند فرکانسی lh از هر بلاک انتخاب گشته و تجزیه مقدار تکین بر روی زیرباند فرکانسی منتخب اعمال می­شود. سپس با ارزش­ترین مقدار تکین هر بلاک انتخاب شده و در یک ماتریس قرار داده می­شود و تجزیه مقدار تکین بر روی ماتریس مربوطه اعمال می­گردد. به­منظور افزایش امنیت تصویر نهان­نگار در برابر تغییر و دستکاری، تصویر نهان­نگار ابتدا با استفاده از تبدیل آرنولد بهبودیافته رمزنگاری می­شود. سپس با پیروی از تکنیک افزونه سه تایی، مقادیر تکین نهان­نگار که روی قطر اصلی ماتریس مقدار تکین قرار دارند، به­وسیله جمع با مقادیر تکین هر کدام از سه زیرباند فرکانسی، در تصویر میزبان درج می­شود. در فرایند درج از سه فاکتور مقیاس بهینه که توسط الگوریتم کلونی زنبور عسل به­منظور ایجاد توازن بین مقاومت و شفافیت تعیین می­شوند برای درج نهان­نگار استفاده می­شود. طبق ارزیابی­های صورت گرفته، روش پیشنهادی نسبت به آثار موجود مقاومت و شفافیت بیشتری دارد و میانگین مقاومت نهان­نگارهای مختلف در برابر حملات پردازش تصویر و هندسی بیشتر از 96? و میانگین کیفیت تصاویر پنهان­نگاری­شده بیشتر از dB 50 می­باشد. لذا سیستم پیشنهادی یک سیستم تحمل­پذیر خطا می­باشد که در شرایط مختلف می­تواند درست کار کند. بنابراین روش پیشنهادی توانسته است امنیت را برای تصاویر دیجیتالی فراهم کند.   

چکیده شما قطعاً انواع فیلم ها و انیمیشن ها را در سینما مشاهده کرده اید که جلوه های ویژه دیدنی را ایجاد می کنند. این جلوه های ویژه کاملاً شبیه به دنیای واقعی است و حرکات شخصیت ها شبیه به عکس های موجود در دنیای واقعی است. با پیشرفت فناوری ضبط حرکت سه بعدی و انتقال آن به رایانه ها ، فیلم ها ، بازی های رایانه ای و به خصوص انیمیشن ها وارد دنیای جدیدی شده اند. هنگامی که فیلم ها با استفاده از مدل های سه بعدی شروع به کار کردند ، هدف آنها ایجاد حرکت واقعی و سرعت بخشیدن به گردش کار بود تا حرکت به صورت دستی متحرک نشود. راه حل این است که حرکات یک بازیگر را به صورت سه بعدی ضبط کنید و آنها را در مدل های رایانه ای سه بعدی بکار بگیرید. هدف از این فناوری این است که به ما امکان دهد شخصیت ها و جلوه هایی موثرتر و واقع بینانه تر ایجاد کنیم که قبلاً قادر به انجام آن نبودیم. هدف از این پایان نامه طراحی و پیاده سازی سیستم ضبط چهره یک بازیگر با استفاده از تکنیک های پردازش تصویر دیجیتال و الگوریتم های یادگیری ماشین است که بدون استفاده از سیستم سخت افزاری خاصی انجام می شود. در این طراحی ابتدا دوربین توسط یک وب کم رایانه ضبط می شود و سپس در تصویر مشخص می شود و سپس نقاط کلیدی صورت شناسایی می شود ، سپس نقاط دو بعدی مشخص می شوند. پارامترهای دوربین و الگوریتم های نقشه برداری دو بعدی و ترکیب آنها با نقاط ویژگی های صورت در فضای مختصات سه بعدی ترسیم شده و یک مدل سه بعدی از چهره ایجاد می شود. این مدل سه بعدی مستقل از چرخش سر و صورت خاص است. سرانجام ، داده های به دست آمده از مراحل قبلی با اتصال به سوکت TCP / IP به یک شخصیت مجازی 3D در نرم افزار Maya 3D منتقل می شوند.  

  رمبندگی خاک به ریزش و کاهش حجم ناگهانی خاک در موقع اشباع شدن آن اطلاق می­شود. خاک­های رمبنده مناطق وسیعی معادل 15 درصد توده‌های قاره‌ای جهان را شامل شده است. خاک­های رمبنده در مناطق خشک و نیمه­خشک جغرافیایی از جمله ایران مشکلات بیشتری ایجاد می­کنند. پدید? رمبندگی زمانی اهمیت می­یابد که نفوذ آب­های سطحی، نشت آب از لوله­ها، بالا آمدن سطح آب زیر­  hy;زمینی، باعث اشباع شدن خاک رمبنده شود و تغییر حجم ناگهانی خاک برای ابنیه احداثی مجاور آن خطر آفرین باشد. آلاینده­  hy  hy  hy;های زیست محیطی فراوانی مانندNa2SO4   و   H2 SO4   وجود دارند که می­توانند با نفوذ در خاک، به مرور باعث تغییرات عمد? خصوصیات فیزیکی و شیمیایی خاک­ از جمله شاخص رمبندگی آن   شوند.بر اساس استاندارد ASTM D5333-03 شاخص رمبندگی ، شاخصی است که به­ منظور تعیین بزرگی رمبندگی خاک حین اشباع شدن نمونه در تنش سربار 200 کیلوپاسکال در دستگاه ادومتر ارزیابی می­شود. هدف از انجام این پژوهش، بررسی تاثیر جابه­جایی ترتیب لایه­های رسی و ماسه­ای بر تغییرات شاخص رمبندگی خاک رمبنده طبیعی در حضور نمک سولفات سدیم و سولفوریک اسید است.در این پژوهش خاک ماسه‌ای و رسی از محل فروچاله عظیم روستای کِردآباد همدان تهیه شد. پس از تفکیک ریزدانه و درشت دانه خاک‌ها، نمونه‌ها در سه حالت تک لایه ماسه‌ای، دو لایه و سه لایه با چینش‌های مختلف لایه‌ای با وزن‌های مخصوص 3/1 و 5/1 و 7/1 گرم بر سانتی‌مترمربع درون رینگ‌های پنج سانتی‌متری دستگاه ادومتری تهیه شد و طبق استاندارد ASTMD5333-03 مورد ارزیابی قرار گرفت. سپس به مقدار 4 و 8   درصد وزنی به نمونه‌ها نمک سولفات سدیم اضافه شد و مجدداً طبق روال قبل، شاخص رمبندگی نمونه‌ها اندازه‌گیری شد. برای اشباع سازی نمونه‌ها در تنش 200 کیلو پاسکال هم از آب خالص و هم از اسید سولفوریک رقیق با غلظت یک مولار استفاده شد.با انجام تعداد قابل توجهی آزمایش تعیین شاخص رمبندگی مشخص شد وجود نمک سولفات سدیم در نمون? تک لایه خاک ماسه طبیعی، شاخص رمبندگی را به شدت افزایش می‌دهد. به طوری‌که بیشترین شاخص رمبندگی در بین تمام نمونه‌های این پژوهش، در خاک ماسه‌ای تک لایه حاوی 8 درصد وزنی سولفات سدیم با شاخص رمبندگی 80/24 درصد اتفاق افتاده است. همچنین وجود یک لای? رسی حاوی آهک به علاوه 4 درصد تا 8 درصد وزنی نمک سولفات سدیم بین لای? ماسه حاوی سولفات سدیم، شاخص رمبندگی را   به مقدار قابل توجهی کاهش می‌دهد.در مورد   خاک‌های چند لایه شامل ماسه و رس حاوی آهک، در حالتی‌که در نمون? دو لایه، رس بالای ماسه قرار گیرد (چینش C-S) ودر نمونه سه لایه در حالتی‌که ماسه مایبن دو لای? رس قرار گیرد (چینش C-S-C)، جود نمک سولفات سدیم باعث کاهش شاخص رمبندگی می‌شود. اما در حالت چینش سه لایه در حالتی‌که رس بین دو لایه ماسه قرار می‌گیرد (چینش (S-C-S، وجود نمک سولفات سدیم در نمونه‌ها منجر به افزایش شاخص رمبندگی می‌شود.کلمات کلیدی: شاخص رمبندگی، سیستم چند لایه خاک، وزن مخصوص خشک خاک، نمک سولفات سدیم، سولفوریک اسید، آهک

فشرده­سازی تصویر با کاهش تعداد بیت­های بکار­رفته درنمایش دیجیتال تصویر و کیفیت تصویر بازیابی شده سروکار دارد. فشرده سازی داده­هانقش اساسی در انتقال اطلاعات و ذخیره­سازی دارد. یکی از روش­های فشرده­سازی تصویر کهبسیار کاربرد دارد، استفاده از تکنیک فشرده­­سازی فراکتالی است. این روش مبتنی براستخراج تشابه محلی در تصویر است و دارای مزایایی مانند نرخ فشرده­سازی بالا، دیکدینگسریع و کیفیت بالای تصویر بازیابی­شده است. مشکل اساسی این روش پیچیدگی محاسباتیبالای آن که زمان فشرده­سازی را زیاد می کند. در راهکار پیشنهادی برای این مسئله، پس از جداسازی کانال­های مختلف تصویر کوانتومی واعمال روش جستجوی گرور در پیدا کردن بهترین مدل لایه غشاء کوانتومی، فشرده سازیمحیط فراکتالی صورت می­پذیرد و در نهایت لایه­های جدا شده دوباره به هم می­پیوندند.در اینجا از شبیه­سازی رفتار غشاها برای موازی سازی محاسبات مربوط به یافتن بهترینمقیاس تشابه در دسته­بندی بر اساس پارامتر مقیاس استفاده نموده­ایم تا همزمانبزرگترین بلاک متشابه را با در نظر گرفتن پارامتر کیفیت تصویر بازگشتی بیابیم. عملکرداین روش فشرده­سازی برای تصاویر مختلف در سطح بسیار خوبی قرار دارد و سیستمپیشنهادی می­تواند به­عنوان یک بخش یکپارچه مستقل عملکرد داشته باشد.

چکیده:این پایان نامه با هدف استخراج مولفه های تاثیرگذار در جهت هویت بخشی به فضاهای معماری، بخصوص، معماری مسکونی و متعاقب آن طراحی مجموعه ای مسکونی در نورآباد لرستان صورت گرفته است. فقدان هویت در فضاهای معماری و محیط های مسکونی معاصر و خلا معنایی ناشی از آن، انگیزه اصلی این تحقیق در نیل به رویکرد هویت بخشی در معماری و معماری مسکونی بوده است؛ سوال اصلی که در خلال مرور ادبیات، مورد کنکاش است؛ چیستی مولفه های هویت ساز در معماری است. از این رو پژوهش با بهره گیری از راهبردی توصیفی- تحلیلی، با گردآوری منابع مختلف داخلی و خارجی در حوزه معماری و هویت معماری، با استناد به نظرات متخصصان و اندیشمندان در باب هویت معماری، و با استفاده از تحلیل محتوایی این آراء و نظرات، مولفه هویت بخش در معماری را استخراج و استنتاج نموده است. این مولفه های هویت بخش عبارت اند از: «انصباق با فرهنگ»، به معنی ریشه داشتن معماری در مجموعه ارزش ها، باورها، هنجارها، و انتظارات فرهنگی جامعه. «انطباق با نیازهای انسان»، تامین نیازهای مادی و معنوی ساکنین در هر سن، جنس و شرایط. «انطباق با مصالح»، به معنی استفاده از مصالح بومی و همخوان با محیط شکل گیری مکان معماری. «انعطاف پذیری» به معنای قابلیت محیط در جهت شخصی سازی آن و همچنین انعطاف در برابر تغییرات مربوط به زمان. «انطباق با اقلیم» در جهت شکل گیری معماری بر اساس توجه به هویت محیطی و نیروهای اقلیمی و در نظرگرفتن تمهیدات لازم جهت همزیستی با شرایط محیط. «تداوم معماری» در جهت حفظ و استمرار اصول، ارزش ها و الگوهای بی زمان و عناصر تداعی کننده. «نوآوری» به معنای حرکت در جهت پویایی، فناوری و تکامل مداوم دستاوردها و ارزش ها. «انطباق با عملکرد» به معنی هماهنگی فرم معماری با عملکرد مورد انتظار و همچنین فعالیت انسانی جاری در آن. «انطباق با زمان» به معنی تولد و زیست معماری با تمام عناصرش در زمانه و روزگار خود، و هماهنگی و همخوانی با روح زمان. «انطباق با بستر و طبیعت» به معنی توجه و همخوانی معماری با محیط و بستر طبیعی ساختش، از عوارض و ویژگی های زمین گرفته تا مناظر، چشم اندازها، و طبیعت احاطه کننده معماری.پژوهش در ادامه کنکاش خویش، اصول معماری ایرانی منتج شده از نظر صاحبنظران را با مولفه های استخراج شده هویت بخش، انطباق داده و از انطباق پذیری این مولفه ها با اصول معماری ایرانی، از سویی هویت مندی معماری گذشته را نشان داده و از سوی دیگر درستی مولفه های استخراج شده را استنباط نموده است، همچنین برای شناخت بهتر ابعاد گسترده هویت مکان، مدلی از ارتباط مولفه های استخراج شده پژوهش در ارتباط با ابعاد مجزای مکان (کالبد، معنا و فعالیت) ارایه نموده است. در انتها این مولفه های ده گانه استخراج شده، به عنوان مبنای اصلی ایده پردازی در جهت طراحی مجموعه مسکونی مذکور، مورد استفاده قرار گرفته و معیار شکل دهی طرح بوده است.

   به دلیل پیچیدگی تصمیمات پزشکی، کاربرد سیستم‌های اطلاعاتی جهت پشتیبانی از این تصمیم‌ها افزایش‌یافته است. وجود متغیرهای زیاد و ناشناخته به معنی پیچیدگی بیشتر تصمیم‌گیری است. با توجه به فراوانی و تداخل متغیرها در حوزه‌ی پزشکی، پزشکان می‌توانند با به‌کارگیری سیستم‌های خبره سریع‌تر و یکدست‌تر تصمیم‌گیری نمایند و زمان خود را بیشتر صرف ارزیابی تصمیم نمایند. برای طراحی سیستم‌های خبره‌ی پزشکی، دانش تخصصی در حوزه‌ی موردنظر از خبرگان آن موضوع یا راهنماهای بالینی استخراج و وارد پایگاه دانش می‌شود. این موضوع به این معنی است که دانش و تجربه‌ی متخصصین درزمینه های مختلف می‌تواند در تصمیم‌گیری افراد مختلف واردشده و درنهایت با این سیستم‌ها، سرعت تحلیل و دسترسی به توصیه‌ها در هر زمان و مکان افزایش یابد که این امردرخصوص تصمیمات پزشکی از اهمیت زیادی برخوردار است. با توجه به مطالب ذکرشده، قابل‌درک است که با مشکلات جدی در فرآیند تشخیص پزشکی و عملکرد پزشکان مواجه هستیم که نیازمند یک خرد جمعی جهت بهبود کیفیت درمان با کمک سیستم‌های خبره است. همچنین به دلیل ابهام ذاتی در تعاریف مفاهیم پزشکی استفاده از منطق فازی در این حوزه موثر است چون‌که در تشخیص بیماری‌ها سیستم‌های فازی می‌توانند نقش ارزنده‌ای داشته باشند لذا در این تحقیق، توسط سیستم فازی می‌خواهیم یک سری قانون (Rule) فازی ایجاد کنیم که با تحلیل داده‌های ابتدایی موجود در نتایج آزمایش خون مانند سلول قرمزخون، هماتوکریت،گلبول‌های سفید، هموگلوبین،پلاکت‌ها و غیره یک سری اطلاعات سطح بالاتر به دست بیاوریم.هدف ما این است که با استفاده از سیستم فازی و قوانین پزشکی و اطلاعات سطح بالای به‌دست‌آمده از نتایج آزمایش خون بیماری فرد را در صورت وجود تشخیص بدهیم.

تشخیص هویت افراد از طریق بیومتریک گوش با بکارگیری یک روش ترکیبی  

تشخیص حالات عاطفی صورت با استفاده از نقاط تطبیقی  

هدف این تحقیق، ایجاد یک سیستم کامپیوتری موثر سیستماتیک آموزشی برای طراحی اشکال ساده برای افراد نابینا است (پروتوتایپ)، بنابراین ما یک سیستم آموزشی برای کودک عرب ایجاد کردیم که در همان زمان، قرآن کریم را نجات داد. طراحی ELMS باید به حداکثر رساندن نتایج آموزشی برای کاندید نامزد ما در اینجا، روش برنامه نویسی پویا با توجه به مجموعه ای از حروف شناخته شده است. صدای نزدیک به کلمه واژگانی با مقایسه کلمه کلیدی با تمام الگوها در کتابخانه گوگل و انتخاب آن که دارای حداقل فاصله (مشابه) با بستر مطلق است و سرعت پاسخ به سرعت بستگی دارد از اینترنت یک حالت کد در صدا و کد دیگری در متن است. تبدیل کد در نرم افزار python انجام شده است که با کد API گوگل کار می کند. تعویض بین (Speech to command) (متن به گفتار) چندین مرحله دارد. اما در دسته کلی، دو مدل اصلی که عبارتند از: 1-متن به گفتار 2- گفتار به فرمان. اولین گام ورود به متن عربی به کامپیوتر و شناسایی متن و تبدیل متن به فایل صوتی است. بیشتر خطا در مرحله دوم به دلیل این ماژول بسته به دستگاه ورودی (میکروفون)، سرعت اینترنت و سر و صدا در اطراف فرد و کیفیت صدا رخ می دهد، تمام دستورات در سیستم عمل می کنند (بازی سوره قرآن) و غیره تا زمانی که تمام سوره هایی که در LMS ما ذخیره می شوند، این 10 قرآن سورات کوتاه (سوره القطار، سوره فلاع، سوره النس، سوره الطوف، سوره الفیل، سوره النشره، سوره آل -Asr، سوره القریه، القادر و سوره الاخلا) پس از آن درصد خطا در ماژول STC در بیست افراد عرب 10? برای سوره القریه، 5? سوره الارای، 40? برای سوره النشره، 5? برای سورات الفیل، 0? برای سوره آل نوجوان، 0? برای سوره النس، 0? برای القاد، 15? برای سوره القوث، 25? برای سوره الاخلا و 5? برای سوره الفلق، ما الگوریتم این ELMS را ساختیم، اما مشکل بزرگی که من با آن مواجه شدم، معرفی زبان عربی به برنامه بود. دلیل این امر این است که زبان عربی زود هنگام در جهان vo تشخیص یخ در مقایسه با زبان انگلیسی.  

  در این پژوهش، فرآیند درج واترمارک شامل اعمال روش بهینه سازی هوشمند DE بر روی تصاویر میزبان و واترمارک برای یافتن مکان مناسب هر بلوک از تصویر واترمارک در تصویر میزبان است. سپس جهت بازیابی موفق،‌ خروجی برنامه بهینه سازی در تصویر میزبان تحت حوزه فرکانسی جاسازی می­شود.   همچنین ضرایب مورد استفاده در جاسازی تصاویر به شکل بهینه بدست آمده است تا بیشترین مقدار   R را بدست دهد. در این روش، یک بهینه سازی چند هدفه با استفاده از الگوریتم تفاضلی انجام شده است که در آن مقدار   R در مرحله جاسازی برای تصویر واترمارک و در مرحله استخراج برای تصویر واترمارک بازیابی شده، بسیار مناسب است. در فرآیند درج و استخراج واترمارک، تعبیه و آشکارسازی واترمارک مهمترین بخش می­باشند چرا که مقاوم بودن طرح واترمارکینگ به بخش تعبیه واترمارک مربوط می­باشد. سپس مقاوم بودن طرح واترمارکینگ در بخش نتایج تجربی مورد ارزیابی قرار می گیرد و در بخش نتایج تجربی تصویر واترمارک شده را تحت حملاتی از قبیل فشرده سازی تصویر، نویز گوسی و غیره مورد آزمایش قرار داده   و صحت درستی وجود واترمارک مورد ارزیابی قرار خواهد گرفت.

  طراحی رابط کاربری مناسب یکی از مهم‌ترین مسائل تولید نرم‌افزار است. کاربر تنها رابط کاربری که با آن سروکار دارد را درک کرده و آن را به‌عنوان نرم‌افزار می‌شناسد. لذا واسط‌های کاربری نقش مهمی در پذیرش نرم‌افزارها دارند. توسعه یک نرم‌افزار بدون طراحی یک واسط کاربر مناسب منجر به عدم پذیرش آن می‌شود. پذیرش یک واسط کاربری، تنها به مولفه‌های فنی برنمی‌گردد زیرا مخاطب واسط کاربری، انسان است و تصمیم‌گیری‌های انسان تحت عوامل روان‌شناختی است. درنتیجه یکی از مواردی که در پذیرش یا رد واسط کاربری کاربرد دارد مولفه‌های روان‌شناختی انسانی است و از طرفی برای طراحی یک واسط کاربری مناسب اغلب نیاز به دریافت بازخورد درست از جانب ارزیابی‌کنندگان آن واسط کاربری و اعمال تغییرات درست در محصول نرم‌افزاری نهایی است.  در این زمینه با بررسی اکثریت مقالات و مطالعات انجام‌شده در حوزه کامپیوتر و مخصوصاً طراحی واسط کاربری متوجه می‌شویم که در اغلب آن‌ها ارزیابی‌کنندگان صرفاً با توجه به تخصص و رشته و مقطع تحصیلی آن‌ها برای بررسی و ارزیابی واسط کاربری یک سامانه انتخاب می‌شوند و به عوامل روان‌شناختی و ویژگی‌های شخصیتی تاثیرگذار در کیفیت بررسی جنبه‌های مختلف یک سامانه از طرف ارزیابی‌کنندگان اهمیت چندانی داده نمی‌شود، لذا می‌توان این‌گونه بیان کرد که در ارزیابی واسط کاربری برای یک محصول نرم‌افزاری شرط داشتن تخصص کفایت نمی‌کند، با توجه به ماهیت روان‌شناختی کار، ارزیابی‌کنندگان باید از حداقل توانایی‌های هوش هیجانی لازم برخوردار باشند.در این تحقیق به بررسی هوش هیجانی به‌عنوان یکی از مولفه‌های تاثیرگذار انسانی بر نگاه انسان به کامپیوتر می‌پردازیم و با توجه به تاثیر هوش هیجانی بر نحوه ارزیابی واسط کاربری سیستم‌های نرم افزاری توسط انسان روشی برای انتخاب افراد مناسب ارزیابی‌کننده واسط کاربری ارائه خواهیم کرد.لذا جهت اندازه‌گیری هوش هیجانی افراد مورد آزمون از پرسشنامه هوش هیجانی بار-آن بهره بردیم و برای ارزیابی واسط کاربری از معیارهایی که نیلسن برای بررسی ابعاد مختلف کارآمدی واسط کاربری ارائه داده است به منظور ایجاد پرسشنامه‌ای برای اندازه‌گیری کمی این اصول برای واسط کاربری سیستم کمک‌آموزشی شاگردانه استفاده شده است.بررسی عوامل روان‌شناختی و ویژگی‌های شخصیتی مرتبط با هوش هیجانی و اثبات اثر گذاری آنها در کیفیت تجزیه‌وتحلیل جنبه‌های مختلف واسط کاربری یک سامانه از طرف ارزیابی‌کنندگان آن و نهایتاً فیلتر کردن ارزیابی کنندگانی که دارای امتیاز نرمالی در ویژگی‌های هوش هیجانی اثر گذار بر نحوه ارزیابی واسط کاربری هستند بخشی از اهداف این مطالعه است.جامعه آماری شامل 35 نفر از متخصصان نرم‌افزار و واسط کاربری مورد مطالعه مربوط به سیستم کمک‌آموزشی شاگردانه است که قبلاً توسط نویسنده این پژوهش طراحی شده است. اطلاعات موردنیاز از طریق پرسشنامه از افراد جمع‌آوری خواهد شد و ابتدا جهت امکان‌سنجی پروژه، نرمال بودن و همبستگی داده‌ها در نرم‌افزار    تجزیه‌وتحلیل خواهد شد. به‌منظور بررسی اثر هوش هیجانی ارزیابی‌کنندگان بر نحوه ارزیابی واسط کاربری و ارائه مدل پیش‌بینی داده‌های ورودی از روش رگرسیون چندگانه در برنامه‌نویسی ژنتیک به کمک جعبه‌ابزار GPTIPS نسخه 2 در نرم‌افزار متلب نسخه 2017 استفاده شده است، همچنین برای ارزیابی صحت کار از روش‌های خوشه بندی بهره برده‌ایم. تمامی روش‌ها و ابزار استفاده شده در فصل سوم به صورت کامل شرح داده شده است.نتایج این تحقیق اثر گذاری ویژگی‌های هوش هیجانی بر نحوه ارزیابی واسط کاربری توسط ارزیابی کنندگان را اثبات می‌کند همچنین پس از اعمال فیلترینگ 7 نفر به عنوان ارزیابی کنندگان مناسب برای ارزیابی واسط کاربری مورد مطالعه از بین تمامی 35 نمونه انتخاب شدند. به منظور بررسی صحت روش ارائه شده در این پژوهش امتیازات 7 نفر منتخب به واسط کاربری سیستم شاگردانه با نظرات یک کارشناس خبره در این حوزه مقایسه شد و بیش از 71 درصد آنها نظراتی نزدیک به نظر کارشناس در مورد واسط کاربری مورد بحث دارند.در کارهای آتی مرتبط با این پژوهش می‌توان با بررسی هوش هیجانی تامین‌کنندگان محتوا و آموزش هوش هیجانی به آن‌ها کیفیت محتوای ارائه‌شده را افزایش داد و به‌عبارت‌دیگر تاثیر هوش هیجانی و عوامل شناختی را در بهبود کیفیت محتوای وب بررسی نمود.  

داده‌کاوی یک روش محاسباتی گذشته‌نگر برای استخراج دانش از پایگاه‌های داده عظیم است.در سال‌های اخیر کاوش پایگاه‌های داده‌ی مرتبط با سلامت تبدیل به موضوعی نوظهور شده که نتایجی بدیع را تولید نموده است. مطالعات موجود در تحلیل بیماری‌های مزمن روش‌های مختلفی از داده‌کاوی را استفاده نموده‌اند ازجمله درخت‌های تصمیم، شبکه‌های عصبی و کشف قوانین انجمنی. هدف این مطالعه استفاده از برنامه‌نویسی ژنتیک،که یک روش   یادگیری ماشین در حوزه‌ محاسبات تکاملی است، به‌منظور استخراج معیارهای تشخیص بیماری‌های غیر واگیر مزمن از مجموعه داده موجود است.پایگاه داده مورداستفاده در این پایان‌نامه شامل 10000 رکورد مربوط به مطالعه کوهورت شهرستان روانسر است. این مطالعات متغیر‌هایی نظیر آزمایش‌های بیوشیمیایی، آزمایش‌های شمارش سلول‌های خونی، اندازه‌گیری‌های دستی و سبک زندگی را که امکان ارتباط آن‌ها با بیماری‌های مزمن وجود دارد، شامل می‌شود. هدف اصلی این مجموعه داده ذخیره اطلاعات افراد ساکن در شهر روانسر به‌منظور مقایسه و ارزیابی آن‌ها در 15 سال آینده تحت عنوان یک مطالعه کوهورت آینده‌نگر است. درنتیجه در این پایان‌نامه سعی شده با استفاده از روش‌های داده‌کاوی موجود به‌خصوص برنامه‌نویسی ژنتیک ارتباطاتی نوین را میان این مجموعه متغیر‌ها و بیماری‌های مزمن غیر واگیر استخراج نماییم.   برخلاف اکثر تحقیقات داده‌کاوی موجود که ایجاد یک مدل جدید و ارزیابی کارایی را اولویت خود قرار می‌دهند مطالعه پیش رو   کشف دانش را در اولویت قرار داده است. مدل پیشنهادی این مطالعه ترکیبی از روش برنامه‌نویسی ژنتیک و روش کشف الگو‌های مکرر است. ابتدا با بهر‌ه‌گیری از خاصیت انتخاب ویژگی برنامه‌نویسی ژنتیک متغیر‌های مرتبط با هر بیماری مشخص خواهد شد. سپس الگو‌های مشترک به‌عنوان قوانین قابل تفسیر استخراج می‌شوند. یک روش ارزیابی بر اساس این الگو‌ها تعریف‌شده که مشخص می‌نماید برنامه‌نویسی ژنتیک به‌عنوان یک روش انتخاب ویژگی کار خود را به‌درستی انجام ‌داده است.    

بررسی آزمایشگاهی بتن ساخته شده از مصالح بازیافتی پلی اتیلن سنگین به عنوان سنگدانه

چکیدهبا توجه به افزایش ترافیک و نیاز به پاسخ گویی سریع به درخواست­ها دسته­بندی بسته­ها به یک تکنولوژی مهم و یک چالش در عملکرد مسیریاب­ها تبدیل شده است، بخصوص در زمان همگام سازی تصمیم گیری خود با سرعت تبادل داده­ها این موضوع بیشتر نمود پیدا می کند، یعنی سرعت جست و جوی فیلدها با سرعت لینک­های انتقال برابر باشد و تا زمانی که سرعت شبکه­ها ثابت نشود کار روی دسته­بندی بسته­ها اهمیت خود را حفظ می­کند. افزایش روزافزون داده­های انتقالی و پویا بودن آنها باعث شده راه حل­ها و معماری­های سخت­افزاری یا نرم­افزاری متعددی برای این موضوع ارائه شود. الگوریتم­های نرم­افزاری با وجود توسعه­پذیری بالایی که فراهم می­کنند اما از سرعت پائینی برخوردارند از طرف دیگر راه­حل­های سخت­افزاری سرعت خوبی دارند ولی هزینه بالا و قابلیت توسعه­پذیری کمی دارند. از این رو ارائه روشی برای ایجاد مصالحه بین سخت­افزار و نرم­افزار مورد توجه محققان قرار گرفته است. طبقه بندی بسته­ها یک جستجوی چند فیلدی با سرعت لینک ا انجام می­دهد.در این تحقیق ، به منظور رفع مشکلاتی که در بالا ذکر شد از دو فیلتر بلوم و خارج قسمت استفاده شد و به منظور انطباق روش جستجو با بسته های ارسالی در تعداد فیلدهای موجود در معماری نوین SDN، این تعداد به 15 فیلد سرایند افزایش یافت. در نهایت با استفاده از ابزارهای در دسترس از جمله   Intel Platform Power Estimation Tool (IPPET)   معیارهای مورد نظر برای بررسی قابلیت های روش ارائه شده استفاده گردید و از نتایج حاصل از دو فیلتر برتری فیلتر بلوم نسبت به فیلتر خارج قسمت دربرخی معیارها اثبات گردید به این صورت که در مورد زمان مصرفی، سرعت انجام الگوریتم، توان عملیاتی و انرژی مصرفی فیلتر بلوم عملکرد بهتری داشته ولی در موارد حافظه مصرفی و نرخ خطای مثبت فیلتر خارج قسمت عملکرد بهتری دارد.

پیش بینی سیل با استفاده از تلفیق تصاویر ماهواره ای و مدل بارش-رواناب در مناطق فاقد آمار

  تجهیزات ذخیره‌ساز انرژی[1] (ESS) نقش مهمی در برنامه‌ریزی و بهره‌برداری سیستم‌های قدرت ایفا می‌کنند. با ادامه‌ی روند تکامل فنّاوری‌های ذخیره‌سازی، E  hy; ها در شبکه‌های قدرت آینده بیش از پیش مورد توجه بهره‌برداران قرار خواهند گرفت و کاربردهای متنوع آن‌ها افزایش بیشتری خواهد یافت. مسئله‌ی تخصیص بهینه‌ی ESS، به معنی کاهش هزینه‌های سرمایه‌گذاری (هزینه‌های اولیه) و نیز کاهش هزینه‌ی عملکرد مورد انتظار شبکه می‌باشد. با افزایش ظرفیت E  hy;، هزینه‌های سرمایه‌گذاری افزایش یافته، اما هزینه‌ی عملکرد شبکه، کاهش می‌یابد؛ بنابراین انتخاب اندازه و مکان نامناسب E  hy; منجر به هزینه‌های نامطلوب در سیستم می‌گردد. در میان مزایای زیاد E  hy;، بهبود هزینه‌های سیستم قدرت و پروفیل ولتاژ می‌تواند از مشخصه‌های برجسته‌ی ESS باشد. همچنین استفاده‌ی بیشتر از منابع انرژی تجدید پذیر همچون توان بادی برای کاهش آلایندگی‌های زیست‌محیطی، به تعویق انداختن توسعه و ایجاد نیروگاه‌های بزرگ سوخت فسیلی و متمرکز و خطوط انتقال، پیچیدگی بیشتر و کنترل سخت‌تر سیستم توزیع و هزینه‌های گزاف آن، بهبود کیفیت توان و افزایش قابلیت اطمینان و تامین بار مشترکین در زمان‌های پیک بار از دیگر مزایای استفاده از ESS ها می‌باشند. با استفاده از ESS کمبود توان تولیدی به سبب قطع شدن واحدهای موجود و یا جدا شدن واحدهای تجدید پذیر کنترل می‌شود، از این‌رو معیار قابل اطمینان بودن ریز شبکه؛ مخصوصاً در مواردی که نفوذ منابع تجدید پذیر بالا باشد، برآورده می‌شود تعیین هم‌زمان اندازه و مکان ESS، یک مسئله‌ی غیر محدب غیرقطعی است که باید در حضور قیود واقعی حاکم بر سیستم قدرت مدل‌سازی شود. لذا در این پایان­نامه مسئله‌ی تخصیص بهینه E  hy; با لحاظ قیود عملی مانند قید تعادل تولید و مصرف، محدودیت توان تولیدی واحدها، نواحی عملکرد ممنوعه، قید نرخ شیب و نیز کاهش هم‌زمان سه تابع هدف مختلف و ناسازگار هزینه، انحراف ولتاژ و آلایندگی برای نخستین بار مورد بررسی قرار گرفته است. به علت پیچیدگی مسئله، وجود قیود مختلف و توابع هدف ناسازگار و نیز امکان گرفتار شدن روش‌های بهینه‌سازی کلاسیک در نقاط محلی، از میان روش‌های بهینه‌سازی تکاملی، دو الگوریتم چندهدفه‌ی ترکیبی موسوم به MOGSA و MOPSO-NSGA_II پیشنهاد، مدل‌سازی و فرمول‌بندی مسئله در نرم‌افزار MATLAB انجام شده است. به‌منظور لحاظ عدم قطعیت، توان تولیدی بادی با استفاده از روش تخمین پنج نقطه‌ای (5PEM) جداسازی (گسسته سازی) و سیستم استاندارد 30 شینه‌ی IEEE برای شبیه‌سازی انتخاب شده است. برای افزایش دقت و اطمینان از انتخاب بهترین پاسخ از میان مجموعه جواب‌های بهینه، از تکنیک‌های تصمیم‌گیری چند معیاره استفاده گردیده است. نتایج شبیه‌سازی، کارایی و اثربخشی روش پیشنهادی را به‌وضوح نشان می‌دهند.[1] Energy Storage Systems- E  

  مسئله به مدار آوردن نیروگاه­ها، به معنی تعیین وضعیت روشن یا خاموش بودن واحد­های تولید انرژی الکتریکی موجود در یک شبکه قدرت می­باشد. با حل این مسئله، مقادیر توان­های تولیدی به صورت اقتصادی، با توجه به قیود موجود تعیین می­شوند. یکی از معیار های مهم در حل مسئله به مدار آوردن نیرو­گاه­ها، حداقل نمودن هزینه­های تامین انرژی الکتریکی برای سیستم قدرت در یک بازه زمانی مشخص می­باشد. همچنین در سال­های اخیر به علت افزایش بهای سوخت های فسیلی و همچنین مشکلات زیست محیطی ناشی از این سوخت­ها استفاده از انرژی­های تجدید­پذیر جهت تولید انرژی الکتریکی مورد توجه خاصی قرار گرفته است. از طرفی با افزایش نفوذ منابع انرژی تجدید­پذیر در سیستم­های قدرت، مشکلاتی نیز برای مشارکت این واحد­ها در تامین مورد تقاضا شبکه وجود دارد. از جمله این مشکلات می توان به عدم قطعیت در انرژی الکتریکی تولیدی این واحد ها و همچنین در دسترس نبودن این واحد ها در ساعاتی از شبانه روز اشاره نمود. ماهیت غیر قطعی انرژی تولیدی منابع انرژی تجدید­پذیر باعث شده است که مقدار توان خروجی واقعی و پیش بینی شده نیروگاه­های تجدید پذیر متفاوت باشد. لذا ممکن است ترکیب واحد ­های فعال در برنامه ریزی در مدار قرار گرفتن نیروگاه­ها در زمان واقعی با تغییراتی مواجه شوند که سیستم را از عملکرد در نقطه بهینه خارج نمایند. برای رفع این مشکل لازم است نحوه مشارکت نیروگاه­های تجدیدپذیر در تامین بار مورد تقاضای شبکه از طریق برنامه ­ریزی در مدار قرار گرفتن نیروگاه­ها مشخص گردد. لذا با کاهش عدم قطعیت در توان تولیدی منابع انرژی تجدید پذیر می­توان سیستم را به نقطه کار بهینه نزدیک تر نمود. از این رو جهت جبران ماهیت تناوبی وتصادفی منابع انرژی تجدید­پذیر از ذخیره ساز­های انرژی الکتریکی در سیستم­های قدرت استفاده شده است. در واقع هدف از استفاده از ذخیره ساز­های انرژی در سیستم های قدرت، استفاده حداکثری از منابع انرژی تجدید­پذیر می­باشد. در این پایان نامه، به علت بروز مشکلات زیاد ناشی از استفاده از سوخت­های فسیلی مسئله در مدار قرار گرفتن نیروگاه­ها با در نظر گرفتن تابع هزینه آلودگی در حضور منابع انرژی های تجدید پذیر و ذخیره سازهای انرژی مورد بررسی قرار گرفته است. برای حل مسئله در مدار قرار گرفتن نیروگاه­ها از نرم افزار متلب و الگوریتم ژنتیک با استفاده از روشی جدیداستفاده شده است. در این روش جمعیت اولیه به   گونه ای تولید می­شوند که قیود عرضه وتقاضا و حداقل زمان خاموشی، حداقل زمان در مدار بودن واحد­ها و قیود نرخ شیب افزایش و کاهش توان الکتریکی واحد­هارعایت شوند. برای ارزیابی کارایی روش پیشنهادی، دو آزمایش روی سیستم استاندارد 10 واحدی و38 واحدی انجام شده است. نتایج حاصله نشان می­دهند این فرآیند کمک شایانی به کاهش هزینه مسئله در مدار قرار گرفتن نیروگاه­ها می­کند.

<  gt;بهبود پایداری ریز شبکه های شامل توربوژنراتورهای بادی با استفاده از اینرسی مجازی وکنترل مقاوم</P>

هدف از شناسایی گوینده ، تمایز قائل شدن بین افراد از طریق تفاوت در ویژگیهای گفتار آنهاست. به این معنی افراد نه تنها در ویژگیهایی مانند اثر انگشت و برخی ویژگیهای شناخته شده از هم قابل تفکیک هستند، بلکه می­توان از تفاوتهای دیگری مانند، شکل دستگاه صوتی و ویژگیهایی مثل لحن، لهجه، طرز بیان و ... نیز بهره برد. روشهای زیادی برای مدل کردن سیگنال صوتی، بصورتی قابل تحلیل بوجود آمده­اند. از جمله­ی این روشها می­توان به روش مدل مخلوط گوسی و مدل پس­زمینه جهانی استفاده کرد. از این مدل برای تشکیل ابربردارهای گوسی استفاده شده است. ابربردارهای گوسی بردارهایی با بعد ثابت هستند که از سال 2006، توسط کمپبل تعریف شده­اند. و در سیستمهای شناسایی گوینده مورد استفاده قرار گرفته­اند. مشکل این ابربردارها، بعد بالای آنهاست که موجب افزایش پیچیدگی محاسباتی شده است. برای مقابله با این مشکل، از روشهای کاهش بعد مانند بدست آوردن بردار i-vector مربوط به هرگوینده استفاده شده است. در این تحقیق مولفه­های گوسی که برای مدل کردن i-vectorها استفاده شده اند با توجه به مقدار آماره باوم ولچ مرتبه صفر آنها به دو دسته مولفه­های کم اهمیت و مولفه­های موثر دسته­بندی شده­اند. از هرکدام از این مجموعه­ها عناصری بصورت تصادفی حذف می­گردد که تعداد این عناصر حذفی در دو مجموعه متفاوت است. برای ارزیابی عملکرد سیستم از پایگاه داده TIMIT استفاده شده است. میانگین خطای EER روش پیشنهادی نسبت به کمترین مقدار خطای EER در سایر روشها 56درصد کاهش داشته است.کلمات کلیدی: ابربردار، i-vector، نمایش تنک، ماتریس نگاشت، شناسایی گوینده، مدل مخلوط گوسی، مدل پس زمینه جهانی  

نیاز به امنیت اطلاعات خصوصی و حساس در دستگاه­های چند لمسی همراه مانند گوشی­های هوشمند و تبلت­ها یکی از مشکلات اصلی در امنیت آنها است. روش­های مرسوم در این دستگاه­ها کلمه رمز و الگوها هستند که موانع و چالش­های زیادی دارند. روش­های بیومتریک تشخیص هویت جایگزین خوبی برای غلبه بر مشکلات این روش­ها هستند. شناسایی کاربر گوشی هوشمند براساس رفتار بیومتریک حاصل از لمس صفحه با انگشتان و حرکت آنها روی صفخه لمسی می­باشد. هدف این تحقیق ارائه روش­ تشخیص هویت با استفاده از بیومتریک­ رفتاری براساس حرکت انگشتان روی صفحه لمسی برای قفل­گشایی این دستگاه­ها می­باشد. در این پژوهش با استخراج تعداد زیادی از ویژگی­ها به دقت بالا در تشخیص هویت کاربر براساس حرکت انگشتان روی صفحه لمسی برای قفل­گشایی این دستگاه­های چند لمسی دست یافته­ایم

شناسایی از طریق عنبیه در سالهای اخیر توجه بسیاری از پژوهشگران را به خود جلب کرده است و در بسیاری از کاربردهای دنیای واقعی نیز مورد استفاده قرار گرفته است. در شناسایی عنبیه، قطعه‌بندی ناحیه عنبیه همواره یکی از مسائل چالش برانگیز بوده است و همواره زمان پردازش قابل ملاحظه ای را به خود اختصاص می‌دهد. از سوی دیگر ویژگی‌ها در یک مساله کلاسبندی نقش اساسی ایفا می‌کنند و به میزانی که ویژگی‌ها به خوبی انتخاب شده باشند میزان عملکرد کلاسبند می‌تواند بهبود پیدا کند. الگوریتم بهینه سازی ازدحام ذرات یک الگوریتم تکاملی است که در بسیاری از مسائل بهینه سازی عملکرد بسیار مناسبی را از خود نشان داده است. ما از این الگوریتم استفاده کرده‌ایم تا با انتخاب ویژگی‌های مناسب به یادگیری یک معیار فاصله بهینه در داده‌های عنبیه بپردازیم. علاوه بر این در این پژوهش ما یک روش موثر و ساده برای تشخیص ناحیه عنبیه ارائه داده‌ایم که توانسته سرعت تشخیص این ناحیه را به میزان بسیار زیادی بهبود بخشد. برای ارزیابی روش ارائه شده دو مجموعه داده IITD و CASIA Interval مورد تست قرار گرفته‌اند و نتایج حاصله بسیار امید بخش بوده‌اند.