عبداله چاله چاله

امروزه شبکه‌های جهانی وب تبدیل به یکی از ابزارهای مورد نیاز بشر شده‌اند که توسط کاربران بسیاری در سراسر جهان مورد استفاده قرار می‌گیرند. مساله‌ای که در این حوزه وجود دارد گستردگی بسیار زیاد اینترنت و مطالب آن است که این گستردگی روز به روز و با سرعت بسیار زیاد در حال افزایش است. اکنون یکی از مشکلاتی که پدید می‌آید، اتلاف وقت کاربران برای دستیابی به کالا ها و خدمات مورد نیاز آن‌ها است و ممکن است در بسیاری مواقع کالا یا خدمت مورد نیاز خود را پیدا نکنند، در نتیجه ارائه و پیشنهاد کالا یا خدمات مناسب به کاربران در زمینه های مختلف مطابق با نیازها آن‌ها امری بسیار حیاتی محسوب می گردد و یکی از روش های بسیار پرکاربرد برای این مساله استفاده از سیستم های توصیه‌گر می‌باشد. ?سیستم‌های توصیه‌گر به منظورجلوگیری از اتلاف وقت کاربران، محصولاتی را به آنها پیشنهاد می‌کنند که به احتمال زیاد مورد علاقه آن‌ها هستند و هنوز آن‌ها را ندیده‌اند. الگوریتم پالایش گروهی به عنوان یکی از معروف ترین و پرکاربرد ترین الگوریتم‌ها برای پیاده سازی یک سیستم توصیه‌گر شناخته می‌شود. سیستم‌های مبتنی بر این الگوریتم بر اساس سوابق جستجو و ابراز علاقه‌مندی کاربر به کالا‌ها و خدمات مختلف و با توجه اطلاعات دریافتی از دیگر کاربران با علاقه‌مندی‌های مشابه به کاربر هدف پیشنهادات جدیدی را ارائه می‌کنند. سیستم‌های توصیه‌گر اغلب با چالش مهمی به نام تنکی داده‌ها مواجه هستند، زیرا ماتریس‌های تعامل کاربر–اقلام در پیاده‌سازی‌های واقعی معمولاً بیش از ??? تنک هستند. این مسئله تاثیر منفی بر دقت و کارایی توصیه‌ها دارد، به‌ویژه برای کاربران جدید و محصولات خاص یا کم‌تعامل. در حالی که روش‌های موجود تلاش می‌کنند با افزودن اطلاعات جانبی یا تغییر در طراحی سیستم اثر تنکی داده را کاهش دهند، اغلب مشکل اصلی یعنی کمبود داده‌های تعاملی را نادیده می‌گیرند. در این پژوهش، یک چارچوب جدید معرفی می‌شود که از یک مدل دیفیوژنی برای تولید امتیازدهی‌های مصنوعی با کیفیت بالا در سیستم‌های توصیه‌گر استفاده می‌کند. به طور مشخص، از یک مدل دیفیوژنی طراحی‌شده برای داده‌های جدولی استفاده می‌کنیم تا توزیع مشترک و پیچیده‌ی سه‌تایی‌های کاربر–اقلام–امتیاز را یاد بگیرد و سپس امتیازهای مصنوعی تولید کند که از نظر آماری سازگار هستند. برای تضمین کیفیت امتیازهای تولیدشده، یک روش نوآورانه برای شناسایی نویز بر اساس تحلیل الگوهای رفتاری پیشنهاد می‌کنیم. این روش امتیازهایی را که با ترجیحات کاربران و ویژگی‌های آیتم‌ها همخوانی ندارند، شناسایی کرده و حذف می‌کند. برای ارزیابی کارایی چارچوب پیشنهادی، از مدل‌های پالایش گروهی سنتی و پالایش گروهی مبتنی بر شبکه‌های عصبی استفاده شده است. آزمایش‌ها روی دو مجموعه‌داده واقعی با سطوح مختلف تنکی داده (با نگهداشت داده از 5% تا ???%) انجام شد و بهبودهای قابل‌توجهی را نشان داد. به طور خاص، پالایش گروهی سنتی می‌تواند خطای RMSE را تا ??% کاهش دهد و نیز پوشش امتیازدهی را تا ?? % افزایش دهد. همچنین، پالایش گروهی عصبی پاسخ‌های دقیق‌تر و ظریف‌تری ارائه می‌دهد و زمانی بیشترین کارایی را دارد که نسبت افزایش داده پایین باشد. این موضوع نشان می‌دهد که مدل‌های مختلف به انواع متفاوتی از افزایش داده نیاز دارند.   

در سال‌های اخیر، رشد سریع شبکه‌های اجتماعی بستری غنی از داده‌های متنی را فراهم آورده است که تحلیل آن‌ها می‌تواند به درک بهتر نگرش و دیدگاه کاربران نسبت به موضوعات مختلف کمک کند. اینستاگرام و توییتر از محبوب‌ترین شبکه‌های اجتماعی هستند که کاربران در آن‌ها آزادانه به بیان نظرات خود می‌پردازند و این فضاهای تعاملی فرصتی ارزشمند برای تحلیل احساسات کاربران نسبت به موضوعات مختلف فراهم آورده است. با این حال، حجم و تنوع بالای داده‌ها، تحلیل دستی را دشوار و زمان‌بر می‌کند؛ از این رو، استفاده از روش‌های خودکار پردازش زبان طبیعی ضروری است. هدف این پژوهش، تحلیل احساسات متون فارسی منتشرشده در اینستاگرام و توییتر و بررسی عملکرد مدل‌های مختلف یادگیری عمیق در این زمینه است. به همین منظور، تحلیل احساسات بر روی دو مجموعه داده متفاوت از این سکوها انجام شده است. مجموعه دادگان اول شامل نظرات کاربران در صفحه اینستاگرام برنامه "حال خورشید" است که از پایگاه داده کگل دریافت شده و شامل 4448 نمونه آموزشی و 1429 نمونه آزمایشی است. مجموعه دادگان دوم، توییت‌های مرتبط با انتخابات ایران در سال‌های 1400 و 1403 را شامل می‌شود که با هشتگ‌گذاری جمع‌آوری شده و شامل 2605 نمونه آموزشی و 1321 نمونه آزمایشی است. برچسب‌گذاری این داده‌ها با دو کلاس مثبت و منفی توسط سه نفر و با استفاده از رای اکثریت انجام شده است. در این پژوهش برای تحلیل نظرات کاربران از پنج معماری مختلف با نام‌های Bert-fa-base-uncased, Distil-bert, Bert-fa-zwnj, GRU و LSTM   استفاده شده است و این مدل‌ها با دو بهینه‌ساز‌ SGD و Adam ارزیابی شده اند. نتایج به دست آمده نشان دهنده‌ صحت   93‌ %   برای دادگان توییتر و 80%   برای دادگان اینستاگرام با استفاده از مدل Bert-fa-base-uncased می‌باشد که این مدل نسبت به سایر مدل‌های بررسی شده عملکرد بهتری را در هر دو مجموعه داشته است. همچنین در مطالعه صورت گرفته نشان داده شده است که استفاده از بهینه‌ساز   Adam نسبت به SGD عملکرد بهتری داشته است. این پژوهش نشان داد که استفاده از مدل‌های مبتنی بر یادگیری عمیق، به‌ویژه Bert-fa-base-uncased می‌تواند در تحلیل احساسات متون فارسی با دقت بالا و کارایی مناسب عمل کند و داده‌های تولید شده در سکوهای پرکاربردی نظیر اینستاگرام و توییتر را به‌صورت موثر پردازش کند.   

چکیده پردازش سیگنال گفتار به‌عنوان یکی از حوزه‌های کلیدی در هوش مصنوعی و علوم داده، در دنیای امروز اهمیت بسیاری پیدا کرده است. این حوزه به‌طور مستقیم در بهبود تعامل انسان و کامپیوتر، نقش موثری دارد. یکی از کاربردهای چالش‌برانگیز و جذاب در این زمینه، شناسایی هیجانات گفتار است که می‌تواند در روان‌شناسی، خدمات مشتریان، تشخیص سلامت روان و حتی امنیت اطلاعات کاربرد داشته باشد. هیجانات فعالیت‌های ذهنی خاص و شدیدی هستند که می‌توانند با بسیاری از رفتارهای بیانی به بیرون نشان داده شوند که مهمترین آن‌ها گفتار است. سیستم شناسایی هیجانات گفتار به این صورت است که در ابتدا صدای یک شخص را به عنوان ورودی دریافت کرده و سپس تشخیص می‌دهد که این شخص چه نوع حالت هیجانی مثل خشم، ترس، خوشحالی، خنثی و غیره در صدای خود دارد. در این پژوهش، سیستمی نوآورانه مبتنی بر روش‌های یادگیری عمیق ارائه شده است که از ویژگی‌های مهم و متنوع سیگنال صوتی مثل ضرایب کپسترال فرکانس مل، مل-اسپکتروگرام، نرخ عبور از صفر و غیره، استخراج می‌شوند، که از طریق دو خط لوله موازی برای شناسایی هیجانات بهره می‌برد. خط لوله اول به تحلیل دنباله زمانی ویژگی‌های سیگنال صوتی می‌پردازد و این ویژگی‌ها را به شبکه Bi-LSTM   می‌فرستد تا وابستگی‌های زمانی میان داده‌ها مدل‌سازی شوند. خط لوله دوم محاسبات آماری را روی ویژگی‌های استخراج شده از سیگنال صوتی انجام می‌دهد و یک بردار ویژگی یک‌بعدی می‌سازد و بردار حاصل را به عنوان ورودی به یک مدل پرسپترون چند لایه می‌دهد. در نهایت، خروجی هر دو خط لوله به هم متصل شده و برای تشخیص هیجان سیگنال صوتی استفاده می‌شود. برای ارزیابی دقت آزمایش‌های انجام شده از روش ترک یک گوینده (LOSO) استفاده شده است و از دو معیار ارزیابی WAR و UAR استفاده شده است که برای مجموعه داده EmoDB به ترتیب 44/83 و 79/80 و برای مجموعه‌داده SAVEE به ترتیب 75/58 و 64/54 به دست آمده است. نتایج نشان می‌دهد که ترکیب اطلاعات زمانی و آماری سیگنال صوتی، دقت بیشتری نسبت به روش‌های تکی ارائه می‌دهد و دستاوردها نشان‌دهنده پتانسیل بالای این روش برای استفاده در برنامه‌های کاربردی واقعی است.   

در سال‌های اخیر استفاده‌ی افراد از محصولات دیجیتال مانند وبسایت‌ها و اپلیکیشن‌های تلفن همراه افزایش چشمگیری داشته است. از طرفی نحوه‌ی تعامل کاربران با محصول از جمله عوامل مهم در موفقیت آن است. در نتیجه متخصصان این حوزه با تحلیل و اندازه‌گیری معیارها، درصدد بهبود روش‌ها و استانداردهای مربوط به طراحی تجربه‌ی کاربری هستند. یکی از روش‌های موثر در پژوهش تجربه‌ی کاربری استفاده از پرسشنامه است تا به وسیله‌ی آن کاربران هدف و نیازهای آنها به درستی برآورده شود تا محصول نهایی برای کاربران کارکرد مطلوب به دنبال داشته باشد. پرسشنامه‌های متفاوتی وجود دارند که هرکدام از جنبه‌ی خاصی مانند زیبایی شناسی، کاربردپذیری یا احساسات، بازخورد کاربران را بررسی کرده‌اند. اما پرسشنامه‌ی ارزیابی ماژولار مولفه‌های کلیدی تجربه کاربر[1] یا به اختصار meCUE ابعاد مختلف موثر در تجربه‌ی کاربری را   به صورت همزمان و استاندارد آزمایش می‌کند. این پرسشنامه که به زبان آلمانی در آزمایش‌های مختلف نتایج خوبی به دست آورده است، سپس در دو مقاله‌ی دیگر طبق یک فرآیند قابل اطمینان به زبان‌های انگلیسی و اندونزیایی ترجمه شده و کیفیت پرسشنامه در زبان هدف با معیارهایی همچون قابلیت اطمینان، تست کرونباخ آلفا و سنجش سازگاری داخلی ارزیابی شده است. در این تحقیق ابتدا پرسشنامه‌ی meCUE توسط سه نفر مترجم و بر اساس اصول بین المللی تطبیق بین فرهنگی، به زبان فارسی ترجمه شده و با معیارهای مختلف از جمله قابلیت اطمینان، تست آلفای کرونباخ و سنجش سازگاری داخلی ارزیابی شده است. برای ارزیابی پرسشنامه، از آن روی یک اپلیکیشن‌ جامع ایرانی به نام روبیکا با بیش از سی میلیون نصب فعال استفاده شده است. به این صورت که ابتدا ?? نفر از کاربران اپلیکیشن به پرسشنامه پاسخ دادند و با استفاده از نتایج بدست آمده معیارهای مذکور محاسبه شدند تا از صحت ترجمه اطمینان حاصل شود. این پرسشنامه‌ی می‌تواند به عنوان اولین مرحله در تحقیق تجربه کاربری مورد استفاده قرار گیرد. در مرحله‌ی بعد با توجه به پاسخ‌های کاربران به پرسشنامه و همچنین با بکارگیری ابزار مصاحبه و اصول ارزیابی اکتشافی نیلسون، در رابط کاربری اپلیکیشن تغییراتی ایجاد شد. سپس تغییرات اعمال شده توسط ?? نفر با کمک آزمایش کاربردپذیری مورد ارزیابی قرار گرفت. برای آزمایش کاربردپذیری، هم از افرادی استفاده شد که تاکنون از روبیکا استفاده نکرده‌اند و هم از افرادی که کاربر آن بودند. به این ترتیب تعصب و آشنایت شرکت کنندگان نسبت به حالت فعلی اپلیکیشن تعدیل شده، کابران فعلی و بالقوه‌ی اپلیکیشن به یک اندازه مورد توجه قرار می‌گیرند و ارزیابی دقیق‌تری از تغییرات اعمال شده به دست می‌آید. نتایج تست کاربرد پذیری نشان داد که تغییرات اعمال شده در رابط کاربری روبیکا به طور میانگین ?? درصد امتیاز کاربردپذیری را بالاتر می‌برد. علاوه بر این، کاربرانی که در آزمایش کاربرد پذیری شرکت کرده بودند به مجموعه‌ای از سوالات در رابطه با مقایسه‌ی رابط کاربری فعلی و چند تغییر پیشنهادی پاسخ دادند که در نتیجه تمامی تغییرات پیشنهادی از نظر اکثر کاربران مثبت ارزیابی شد. کلید واژه‌ها: ارزیابی تجربه‌ی کاربری، تعامل انسان با رایانه، پرسشنامه‌یmeCUE، بهبود تجربه‌ی کاربری برنامه‌ی کاربردی فارسی گوشی هوشمند، آزمایش کاربردپذیری، برنامه‌ی کاربردی ایرانی گوشی‌های همراه

رایانش مه یک زیرساخت توزیع شده با امکان ارتباط، ذخیره‌سازی و محاسبه در لبه یک شبکه محلی و بسیار پویاست. فاصله زیاد سرویس­گیرنده­های یک محیط محلی با ابر و همچنین تعداد بسیار بالای درخواست‌ها از سایر محیط­ها که حساس به تاخیر هستند مشکلاتی را در ارائه خدمات ابری به وجود آورده است. درنتیجه استفاده از قابلیت محاسباتی منابع بیکار محلی و نزدیک به دستگاه‌های انتهایی همانند خودروهای با/بدون سرنشین و ایجاد یک شبکه ad-hoc تحت عنوان رایانش مه وسایل نقلیه سبب کاهش ارسال درخواست‌ها به ابر و همچنین کاهش زمان پاسخ می‌شوند. با این ‌وجود محدودیت منابع در رایانش مه وسایل نقلیه در مقایسه با ابر باعث ایجاد مشکلاتی از قبیل یافتن منابع آزاد از نظر توان محاسباتی و همچنین دسترس‌‌پذیری منابع در ارائه سرویس مطلوب به مشتری­ها می­شود. درنتیجه تلاش برای پیش­بینی درست میزان منابع درخواستی هر وظیفه می­تواند از هدر رفتن منابع محدود گره­های مه جلوگیری کند که این امر نیازمند روش‌هایی از قبیل یادگیری ماشین است تا بر اساس درخواست/پاسخ‌های دستگاه‌های انتهایی بتواند رفتار محیط را تا حدودی یاد گرفته و جهت رسیدن به کیفیت مطلوب سرویس­دهی، مقادیر مناسبی از منابع را در اختیار آن­ها قرار دهد. در این پژوهش با استفاده از یادگیری تقویتی عمیق QL روشی برای برنامه‌ریزی و پیش‌بینی منابع مورد‌نیاز یک مشتری خودرو هوشمند با معماری سه‌لایه رایانش خودرویی در بهینه‌سازی تخصیص منابع و بهبود عملکرد کلی سیستم ارائه شده است.این روش با استفاده از قابلیت‌های هوش مصنوعی و یادگیری تقویتی، رویکردی پویا و تطبیقی برای مدیریت منابع در یک محیط محاسباتی مه ارائه می‌دهد. دو الگوریتم اصلی برای مسئله پیش‌بینی و تخصیص منابع در این تحقیق پیشنهاد شده است. در انتها بر مبنای روش پیشنهادی از ابزارها و مجموعه داده­های مناسب جهت ارزیابی استفاده می‌شود. داده‌های مورداستفاده هم می‌توانند یک بازه‌ای مشاهده شده از دنیای واقعی باشند و هم می‌توانند از طریق ابزارهای شبیه‌سازی مانند Matlab تولید شوند. دیتاست مورداستفاده شامل وضعیت‌های خودروهای کلاینت، درخواست‌های آنها، گره‌های مه، تحرکات آنها و وظایف درخواست شده از سمت کلاینت‌ها در یک بازه زمانی خاص است. یافته‌های کلیدی این مطالعه نشان می‌دهد که یادگیری تقویتی QL می‌تواند به طور موثری میزان متناسب تخصیص منابع را با یادگیری از تجربیات گذشته و تصمیم‌گیری آگاهانه پیش‌بینی کند. با آموزش و به روزرسانی مستمر عامل یادگیری Q، سیستم می‌تواند با شرایط متغیر سازگار شود و تصمیمات تخصیص منابع را بر اساس اطلاعات بلادرنگ اتخاذ کند. همچنین نتایج آزمایش‌ها اثربخشی روش پیشنهادی را در بهینه‌سازی تخصیص منابع نشان می‌دهد. عامل یادگیری تقویتی QL اقدامات بهینه‌ای را یاد می‌گیرد که مصرف منابع را به حداقل می‌رساند درحالی‌که الزامات عملکرد سیستم مه را برآورده می‌کند. این منجر به بهبود کارایی، کاهش تاخیر و افزایش قابلیت اطمینان سیستم می‌شود.   

   امروزه با توجه به بحران روزافزون انرژی در دنیای‌کنونی، نگرانی ها درباره بهینه سازی مصرف انرژی ،روبه‌افزایش‌است.   ازاین‌رو تاکنون روش‌های مختلفی به‌منظور کاهش و بهینه‌سازی در مصرف انرژی مورد استفاده ‌قرار‌گرفته. دراین‌میان اهمیت صنعت ساختمان و به‌ویژه ساختمان‌های اداری در مصرف انرژی بسیار چشم‌گیر بوده و هم‌چنین بیشترین سهم را در تولید گاز‌های‌گلخانه‌ای دارند. این مطلب بیانگر آن است که پژوهش در زمینه طراحی بهینه ساختمان و صرفه‌جویی یا کاهش مصرف انرژی در زمان بهره‌برداری تا چه حد حائز اهمیت است. تاکنون روش ها و راهکارهای بسیاری جهت کاهش و بهینه سازی مصرف انرژی از طریق طراحی اصولی ساختمان ها ارائه شده است. انعطاف پذیری و تطبیق پذیری فضاهای داخلی ساختمان ها از جمله راهکار هایی است که در عین اثربخش بودن، به اندازه کافی مورد توجه قرار نگرفته است. ساختما ن های اداری از جمله ساختمان هایی هستند که در برهه های زمانی متفاوت   و متناسب با تغییر شرایط در زمان های مختلف دارای تعداد کاربران متغیر هستند و بنابراین نمی توان در هنگام طراحی این ساختمان ها تعداد افراد استفاده کننده را یک عدد مشخص در نظر گرفت. طراحی منعطف فضاهای داخلی ساختمان های اداری می تواند در پاسخگویی آنها به تغییر تعداد افراد در هر برهه زمانی موثر واقع شود. اما مسئله حائز اهمیت در استفاده از این راهکار بدون استفاده ماندن تعداد و یا بخش هایی از فضاهای داخلی در مقاطع زمانی مختلف و در عین حال بهره مندی این فضاها از سیستم های تاسیساتی در کنار سایر فضاهاست. این در حالی است که می توان این گونه فضاها را به وسیله دیوار های داخلی متحرک از دیگر فضاها جدا نموده و آنها را از چرخه استفاده از سیستم های تاسیساتی خارج نمود و در نتیجه میزان انرژی کمتری جهت برآوردن نیازهای گرمایشی و سرمایشی فضاهای کنترل شده مصرف نمود.این پژوهش با روش‌های کتابخانه‌ای و استفاده از نرم‌افزارهای شبیه‌ساز و با هدف بحث و بررسی درمورد تاثیر انعطاف‌پذیری فضاهای داخلی ساختمان‌های اداری بر بهینه سازی مصرف انرژی شکل‌گرفته‌است و این موضوع را به وسیله شبیه‌سازی‌های لازم با نرم‌افزار‌های مربوطه مورد بحث و بررسی قرارمی‌دهد.

هدف: با توجه به رشد روزافزون انتقال تصاویر در شبکه‌های کامپیوتری تامین سطح مناسبی از امنیت برای حفاظت از این تصاویر بسیار مهم است که با استفاده از روش‌های مختلف رمزنگاری می‌توان این امنیت را تامین نمود. روش‌های رمزنگاری تصویر مبتنی بر تئوری آشوب، به علت ویژگی‌های منحصربه‌فرد توابع آشوب، مانند حساسیت به مقادیر و پارامترهای اولیه و قدرت درهم‌ریزی زیاد به‌عنوان راه‌حل موثرتر و امن‌تری در رمزنگاری تصویر شناخته‌شده‌اند. این مطالعه باهدف تعیین نگاشت آشوبناک بهینه برای رمزنگاری چهار گروه مختلف از تصاویر شامل تصاویر چهره، تصاویر اثرانگشت، تصاویر ماهواره‌ای و تصاویر پزشکی و افزایش سرعت رمزنگاری انجام گردید. روش پژوهش: ابتدا متون و مقالات مرتبط با رمزنگاری تصویر با استفاده از نگاشت‌های آشوبناک مطالعه شد. با استفاده از این مطالعات 11 نگاشت آشوبناک یک‌بعدی و دوبعدی بررسی شد. در مرحله پیاده‌سازی با زبان برنامه‌نویسی پایتون 40 تصویر با این 11 نگاشت رمزنگاری گردید.   سپس در مرحله ارزیابی تصاویر رمز شده، به کمک معیارهایی مانند هیستوگرام تصویر و همبستگی میان پیکسل‌های تصویر، کیفیت رمزنگاری بررسی گردید. پس از مرحله ارزیابی تعیین شد که برای رمزنگاری هر یک از این گروه‌های تصویر؛ کدام نگاشت مناسب‌تر است. در پایان با استفاده از تکنیک‌های موازی‌سازی سرعت رمزنگاری افزایش یافت. یافته‌ها: حاصل این مطالعه، تعیین نگاشت آشوبناک مناسب برای رمزنگاری هر یک از گروه‌های چهارگانه تصویر و موازی‌سازی تولید کلیدهای آشوبناک بود. همچنین عملکرد آشوبی نگاشت سینوسی با ایجاد تغییراتی در معادله این نگاشت بهبود داده شد. پس از تحلیل تصاویر رمز شده تعیین شد که نگاشت‌های لجستیک2، لجستیک3، دافینگ و سینوسی به ترتیب   نگاشت‌های بهینه برای رمزنگاری تصاویر چهره، پزشکی، اثرانگشت و ماهواره‌ای هستند. هم‌چنین مشخص شد که نگاشت آشوبناک کوادرتیک بالاترین سرعت تولید کلیدهای آشوبی را دارد. نتیجه‌گیری: یکی از روش‌های موجود برای تامین امنیت تصاویر در حین انتقال در بستر شبکه‌های کامپیوتری، رمزنگاری تصاویر است. در رمزنگاری تصاویر یکی از مراحل مهم، تولید کلیدهای رمز است. با استفاده از توابع آشوبناک می‌توان کلید‌های رمز شبه تصادفی را تولید نمود. انواع مختلفی از توابع آشوبناک وجود دارند که بهتر است برای رمزنگاری تصاویر با توجه به نوع تصویر، تابع مناسبی انتخاب گردد. استفاده از توابع آشوب ضریب امنیتی رمزنگاری تصاویر را افزایش می‌دهد؛ اما معمولاً نیازمند محاسبات زیادی است. این حجم محاسبات می‌تواند سرعت رمزنگاری را کاهش دهد. برای رفع این مشکل می‌توان از روش‌های مختلف موازی‌‌سازی استفاده نمود. کلیدواژه‌ها: رمزنگاری تصویر، توابع آشوب، نگاشت بهینه، موازی‌سازی   

توسعه زندگی بشری منجر به ایجاد رخدادهایی متنوع در سطح جامعه شده است، دولت ها جهت کنترل این رخدادها موجودتی به نام قانون را ایجادکرده اند تا به وسیله آن، رخدادهای بشری را کنترل کنند. از این حیث شناخت دقیق قوانین جهت دفاع از حقوق فردی، جمعی و یا قضاوت، رخداد ها بر اساس این قوانین امری بسیار پیچیده است. چرا که استنباط هر شخص از رخداد و قوانین بر اساس دانش، تجربه، شخصیت و احساسات است. با افزایش این رخدادها خصوصا رخدادهای یکسان و به طبع آن افزایش پرونده های دادرسی، شواهد و نظرات متنوع نسبت به رخدادها، منجر به ذهنی شدن رسیدگی به رخدادهای یکسان شده است، از این رو بنا بر اینکه عدالت در صدور آرای قضایی مهمترین اولویت یک دستگاه قضایی است ذهنی شدن قضاوت در پرونده های مشابه، عدالت در صدور آرای قاضیی در پرونده های مشابه را زیر تحت تاثیر قرار میدهد. وجود ابزار و الگوریتم های شباهت سنجی با استفاده از هوش مصنوعی میتواند جهت استفاده کارشناسان حقوقی و نیز دادخواهان بسیار مفید واقع شود.   این شباهت سنجی به طرفین دعوی، وکلا و قضات کمک میکند که آرای صادره نسبت به یک رخداد یکسان را مشاهده کرده و نسبت به آن وحدت رویه داشته باشند. وحدت رویه موضوعی است که باعث میشود قضات در تصمیم گیری نسبت به پرونده های مشابه بتوانند اعمال نظری دقیق تری انجام دهند و در تصمیم گیری نسبت به یک موضوع اجماع نظر داشته و در برخورد با موارد مشابه سلیقه ای برخورد نشود. در شباهت سنجی قوانین و آرای صاده مشکلات و چالش های فراوانی   وجود دارد که یکی از مهمترین آنان عبارت است از زبان قوانین و عدم دسته بندی های لازم در این متنون است. برای ارتباط و شباهت سنجی متون قضایی با وجود محدودیت ها و چالش های موجود از یادگیری عمیق در زمینه پردازش زبان طبیعی(NLP) استفاده خواهیم کرد. برای پردازش زبان آرای صادره نیازمند به یک الگوریتم پردازش زبان، برای زبان مورد نظر هستیم. استفاده از یک سیستم شباهت سنجی مبتنی بر هوش مصنوعی میتواند به عنوان یک ابزار قابل اتکا برای کارشناسان قضاییی مورد استفاده قرارگیرد.   

امروزه شبکه‌های اجتماعی تبدیل به جزء جدانشدنی زندگی مردم شده‌اند؛ تا آنجا که اغلب مردم از این شبکه‌ها برای بیان احساسات خود راجع به تمامی ابعاد زندگی، استفاده می‌کنند. از آنجا که فهم و تحلیل این احساسات کاربردهای زیادی همچون مدیریت ارتباط با مشتری، بررسی و مشاهده‌ی سلامت روانی افراد، شناسایی هیجانات عمومی ناشی از یک رخداد ملی، جهانی یا سیاسی، شناسایی مجرمان و بهبود کارایی ربات‌های پاسخ‌گو و غیره دارد؛ شناسایی شدت هیجان از متن‌های کاربران شبکه‌اجتماعی موضوع بسیار کاربردی و با اهمیتی محسوب می‌شود. ما در این پروژه سعی‌می‌کنیم با کمک روش‌های مختلف پردازش زبان طبیعی، با استفاده از مدل‌های یادگیری ماشین مبتنی بر رگرسیون و شبکه‌های عصبی مدلی برای پیش‌بینی شدت هیجان از توییت‌های شبکه­اجتماعی بیابیم که بیشترین دقت را داشته باشد. در این پژوهش ابتدا به سراغ استفاده از روشهای پایه مانند Bag Of Word، Word2Vec، GloVe   و TF-IDFرفتیم و دقت را روی دادگان مسابقه SemEval2018 Task1 EI-Reg   به دست آوردیم، سپس با استفاده از روش­های نوین مانند GPT2 و مدل­های مختلف مبتنی بر BERT، آزمایش­های گوناگونی را روی این دادگان انجام می­دهیم تا به بهترین نتیجه ممکن از نظر همبستگی پیرسون برسیم. نتیجه به­دست­آمده از روش­های مورد­استفاده که یک روش ترکیبی از مدل­های مختلف است برابر با 0.82 می­باشد که تا به امروز در مقایسه با کارهای پیشین موجود در این تحقیق و تیم­های شرکت­کننده در مسابقه SemEval بهترین نتیجه است.

تشخیص دقیق و به موقع تومورهای مغزی، برای درمان موثر این بیماری، امری ضروری است. انتخاب چگونگی درمان، به سطح تومور در زمان تشخیص، نوع آسیب شناسی و درجه ی آن بستگی دارد. تومور مغزی گلیوما، رایج ترین نوع تومور های مغزی اولیه بوده و همه­ی آن ها از سلول های گلیالی که احاطه کننده ی نورون های عصبی هستند، ایجاد می شوند. در تشخیص این نوع بیماری، روش های تشخیص به کمک رایانه، به متخصصین غدد و اعصاب به اشکال مختلفی کمک کرده اند. آثار اخیر در این زمینه، با ظهور مفهوم یادگیری عمیق منجر به بهبود کارایی شده است. رویکردهای سیستم های تشخیص به کمک رایانه، شامل پیش پردازش، قطعه بندی، تجزیه و تحلیل ویژگی ها (استخراج ویژگی، انتخاب ویژگی و تایید ویژگی) و طبقه بندی، می باشد.   در این پایان نامه، برای شناسایی تومورهای مغزی گلیوما و همچنین طبقه بندی آن ها به نوع درجه بالا و درجه پایین از روش های مبتنی بر پردازش تصویر، یادگیری ماشین و یادگیری عمیق استفاده شده است. روش های پیشنهادی شامل پنج مرحله می باشند: در مرحله ی اول، پیش پردازش داده ها به منظور افزایش کیفیت تصاویر از جمله یکسان سازی اندازه و استخراج ناحیه ی مغز، انجام می شود. در مرحله ی دوم، تصاویر پیش پردازش شده با استفاده از الگوریتم خوشه بندی K-Means قطعه بندی می شوند. در این مرحله برای بهینه سازی K-Means از دو الگوریتم فرا ابتکاری کایوت و کرونا ویروس استفاده شده است. پس از استخراج ناحیه ی تومور، در مرحل? سوم ویژگی­های عمیق از طریق شبکه های عصبی پیچشی و همچنین ویژگی های بافت با استفاده از روش الگوهای باینری محلی، از تصاویر مربوط به ناحیه ی تومور استخراج خواهد شد و در مرحله چهارم، انتخاب ویژگی با استفاده از الگوریتم بهینه سازی ازدحام ذرات، انجام می شود و در نهایت، طبقه­بندی تصاویر صورت می­گیرد. مجموعه دادگان مورد استفاده در این پژوهش، Brats2018 می باشد که شامل 210 تصویر MRI تومور های گلیوما با درجه بالا و 75 تصویر تومور گلیوما با درجه پایین، است. در اولین روش پیشنهادی، قطعه بندی تصاویر با استفاده از ترکیب الگوریتم خوشه بندی K-Means و الگوریتم بهینه سازی کایوت صورت گرفت و همچنین روش های استخراج ویژگی مختلف از جمله استخراج ویزگی های بافت با استفاده از روش الگوهای باینری محلی و استخراج ویژگی های عمیق از شبکه ی عصبی آموزش دیده و شبکه ی از پیش آموزش دیده VGG16 انجام گرفت که از بین روش های ذکر شده، استخراج ویژگی های عمیق حاصل از تنظیم دقیق شبکه ی از پیش آموزش دیده VGG16 بهترین نتیجه را به همراه داشت. این روش پیشنهادی به صحت قابل قبول 99% رسید. در روش دوم پیشنهادی، بهینه سازی مراکز خوشه بندی با استفاده از الگوریتم کرونا ویروس صورت گرفت­و همچنین روش های استخراج ویژگی قبل برای این روش نیز پیاده سازی شده است، که   بهترین عملکرد مربوط به استخراج ویژگی از طریق شبکه ی عصبی آموزش دیده می باشد. دراین فرآیند نیز به صحت 80/99% رسیدیم. کلمات کلیدی: تومورهای مغزی گلیوما، خوشه بندی، الگوریتم فرا ابتکاری کایوت، الگوریتم فرا ابتکاری کرونا ویروس

پیشرفت روزافزون فنّاوری در عرصه‌های مختلف علوم و تاثیر آن بر زندگی انسان امروزی، تجارب احساسی، عاطفی و ادراکی را به‌شدت در کانون توجه طراحان قرار داده است. در این خصوص، طراحی بر اساس رضایتمندی، خوشایندی، احساسات و عواطف درونی انسان عاملی بسیار مهم و تاثیرگذار در فرایند طراحی محصول شناخته می‌شود. به دنبال شیوع و فراگیری ویروس کرونا در جهان، ساختار آموزش عالی نیز، مانند بسیاری از بخش‌های دیگر زندگی انسان، دست‌خوش تغییرات عمده شد.   شرکت دانشجویان در کلاس‌ها ی آنلاین، آزمون‌ها و انجام امور اداری به‌صورت غیرحضوری موجب استفاده بیشتر دانشجویان از وبسایت دانشگاه‌ها شده است. استاندارد نبودن طراحی وبسایت باعث می‌شود زمان زیادی از دانشجویان گرفته شود تا به اهداف موردنظرشان برسند. بنابراین گنجاندن عناصر احساسی که می‌توانند شادی، لذت و علاقه را تشویق کنند، بسیار مهم است. این تحقیق از مهندسی کانسی استفاده کرده است تا احساسات کاربر را به مولفه‌های طراحی رابط تبدیل کند و نشان دهد کاربر از رابط کاربری چه می‌خواهد. 50 کلمه‌ی کانسی از طریق پرسشنامه بین 50 دانشجو توزیع گردید و از بین آن‌ها 12 کلمه جهت ارزیابی پارامترهای طراحی بر اساس احساسات کاربران انتخاب شد. بر اساس کلمات کانسی انتخاب شده پارامترها و قوانینی برای طراحی رابط کاربری استخراج شد. این قوانین در یک پایگاه دانش جمع‌آوری گردید که طراحان می‌توانند با مراجعه به آن بر اساس احساس موردنظرشان برای طراحی، پارامترهای طراحی متناسب با آن احساس را دریافت کرده و طرح کاربرپسند خود را ترسیم کنند.   

درسال‌های اخیر با رشد علم و فناوری و ایجاد بازارهای رقابتی در صنایع مختلف، لزومکنترل کیفیت، اندازه‌گیری پارامترهای کمی و کیفی محصول نهایی اهمیت به سزاییپیداکرده است. داشتن یک محصول باکیفیت مهم‌ترین بخش از یک خط تولید است، به‌طوری‌کهامروزه کمترکارخانه پیشرفته‌ای وجود دارد که بخشی از تولید آن توسط برنامه‌های هوشمند بیناییماشین و پردازش تصویر کنترل نشود. مدیریتکیفیت در زمان واقعی و بر خط،   امکان افزایش کارایی تولید را به نحو موثری فراهممی‌کند. در این پایان‌نامه، تلاش برای تحقیق و بررسی تکنیک‌های پیشرفتهدر حوزه‌های پردازش تصویر، یادگیری ماشین و یادگیری عمیق به‌منظور بهبود کیفیت تشخیصعیوب چوب به‌عنوان ماده‌ای اساسی در صنعت محصولات چوبی صورت گرفته است. هدف اصلی اینپروژه، ارتقاء دقت و قابلیت تشخیص عیوب چوب از طریق بهره‌گیری از ابزارها و تکنیک‌هایپیشرفته در زمینه‌های پردازش تصویر و یادگیری ماشین است. در این مطالعه، از مجموعهداده "Wood_patches" استفاده شده است که شامل تصاویر متعددی از چوب‌های سالم وناسالم با تنوع‌های مختلف می‌باشد. همچنین، به‌منظور ارزیابی بیشتر و تعمیق دراثربخشی مدل‌ها، از مجموعه داده "Leather Defect" نیزاستفاده شده است که در آن دو کلاس چرم سالم و ناسالم وجود دارد و مدل‌ها برای تشخیصاین دسته‌بندی نیز ارزیابی می‌شوند.در اولین رویکرد پیشنهادی اول برای پیش‌بینی عیوب چوب، سهمرحله اصلی برای استخراج ویژگی مستقل و طبقه‌بندی انجام می­شود، در مرحل? اول، عملیاتی مانند نرمال‌سازی و تغییر اندازه تمام تصاویر انجاممی‌شود. این کارها به عنوان بخشی از پیش‌پردازش تصاویر محسوب می‌شوند. در مرحلهدوم از روش‌های مختلفی برای استخراج ویژگی‌ها از تصاویر استفاده شده است. این روش‌هاشامل الگوی باینری محلی (LBP)، فیلترگابور، VGG16 و Resnet50 می­شوند. با استفاده از این روش‌ها، ویژگی‌های مهم و مختلفی از تصاویر استخراجمی­شوند که به‌عنوان ورودی برای مرحله بعدی مورد استفاده قرار می­گیرند. در مرحلهسوم، از روش‌های مختلفی برای طبقه‌بندی تصاویر با استفاده از ویژگی‌های استخراجشده استفاده می­شود. این روش‌ها شامل شبکه‌های عصبی چندلایه (MLP)،ماشین بردار پشتیبان (SVM) و الگوریتم k-نزدیک‌ترینهمسایه (KNN)هستند. این روش‌ها با استفاده از ویژگی‌های استخراج شده، تصاویر را به‌طور جداگانهدر دسته‌های مختلف دسته‌بندی می‌کنند. رویکرددوم پیشنهادی پیش­بینی با استخراج ویژگی ترکیبیو طبقه‌بندی است. ترکیب روش‌های استخراج ویژگی در شبکه‌هایپیچشی و یادگیری ماشین برای بهبوددقت طبقه‌بندی چوب سالم از ناسالم استفاده شده است. این ترکیب‌ها شامل ترکیب معماری VGG16 و LBP برای استخراج الگوهای محلی از تصاویر استفاده شده است. این دو نوع ویژگی باهم ترکیب می‌شوند تاتصویر را از جنبه‌های مختلف مورد بررسی قرار دهند. ترکیب معماری VGG16 به همراه فیلتر گابور برای تشخیصالگوها با فرکانس و جهت مختلف و ترکیب معماری VGG16   به همراه تکنیک LDA برای کاهش ابعاد و افزایش تمایز ویژگی‌هااستفاده شده است، همچنین ترکیب معماری Resnet50 به همراه LBP برای استخراج ویژگی‌های محلی، ترکیب Resnet50 به همراه فیلر گابور و ترکیب Resnet50 به همراه LDA   است و درنهایت این ویژگی­ها به طبقهبند مورد نظر داده شدند. بهترین ترکیب شامل استفاده از معماری Resnet50 برایاستخراج ویژگی‌ها، استفاده از LDA برای کاهش ابعاد ویژگی‌ها و درنهایت، برایطبقه‌بندی از SVM استفاده می­شود. با اجرای این روش بر روی مجموعهداده "Wood_patches"، دقت طبقه‌بندی به 98% رسیده است.   

   چکیده: امروزه با گسترش روز افزون شبکه­های اجتماعی امکان دسترسی کاربران به نظرات و دیدگاه­های سایر افراد فراهم شده است. این نظرات، اغلب حاوی اطلاعات ارزشمندی هستند که می­توان با تحلیل آنها، به سلایق و گرایش­ افراد پی برد و نظرات مثبت و منفی و یا حتی خنثی آنها را نسبت به مسائل گوناگون، شناسایی کرد. اما از آنجا که حجم این داده­ها و سرعت تولید آنها به طرز شگفت­آوری بالاست تجزیه وتحلیل آن توسط انسان، امری دشوار، زمان­بر و در عمل، غیرممکن است؛ بنابراین نیاز به وجود روشی است که قادر باشد به صورت خودکار نظرات را تجزیه وتحلیل کند. تحلیل احساسات راه حل این مسئله است. تحلیل احساسات فرایندی است که قادر به کشف دیدگاه، نگرش و احساسات افراد از روی نوشته­هایشان است. تحلیل احساسات یا نظرکاوی، زیر مجموعه­ای از متن­کاوی و پردازش زبان طبیعی است که هدف آن استخراج خودکار دیدگاه کاربران نسبت به مسائل مختلف است. میکروبلاگ نوعی شبکه­اجتماعی است که در آن کاربران سعی در به اشتراک گذاشتن متن­های کوتاه خود با دیگران دارند. توییتر یکی از محبوب­ترین میکروبلاگ­ها است که حداکثر اندازه هر توییت در آن 280 کاراکتر است و این ویژگی توییتر را به بستری مناسب برای آگاهی از نظرات کاربران مبدل کرده است. در این پایان نامه کار تحلیل احساسات بر روی   7306 توییت فارسی استخراج شده از شبکه­اجتماعی توییتر با موضوع واکسن کرونا انجام شده است. برای این منظور توییت­ها در سه کلاس با برچسب مثبت، منفی و خنثی در نظر گرفته شدند و ضمن اینکه روش­های مختلف برای استخراج ویژگی به کار گرفته شد از روش­های مبتنی بر یادگیری ماشین و یادگیری عمیق در مدل­سازی استفاده شد. نهایتا پس از بررسی الگوریتم­های مختلف با معماری­های متنوع، از بین روش­های کلاسیک یادگیری ماشین، الگوریتم جنگل تصادفی در ترکیب با روش استخراج ویژگی TF-IDF توانست دقت   36/80% را کسب کند و از بین روش­های مبتنی بر یادگیری عمیق نیز مدل BERT با کسب دقت 92/83% نسبت به سایر مدل­های یادگیری عمیق و در مجموع نسبت به همه مدل­های به کار رفته در این پژوهش عملکرد بهتری داشت. بنابراین می­توان نتیجه گرفت که مدل BERT در حل مسئله طبقه­بندی توییت­های فارسی مرتبط با موضوع واکسن کرونا موثر است و عملکرد قابل قبولی نسبت به سایر مدل­ها دارد. کلید واژه­ها: متن­کاوی، تحلیل­احساسات، واکسن کرونا، پردازش زبان طبیعی، یادگیری ماشین، یادگیری عمیق، شبکه اجتماعی توییتر

   Normal 0 false false false EN-US X-NONE AR-SA

چکیده: رشد روز افزون جمعیت در کلان شهرها موجب تغییر سبک زندگی بشر گردیده و نیاز به ایجاد ساختمان های بلند مرتبه برای استفاده بهینه از زمین های شهری افزایش یافته است. لذا گودبرداری های عمیق و نیمه عمیق بسیاری در این شهرها انجام می گیرد. در برخی مناطق وجود آب های سطحی و زیر سطحی در محدوده عملیات گودبرداری موجب بروز مسائل و مشکلاتی برای اجرای پروژه می شود که هر یک نیاز به بررسی تمامی جنبه های موثر بر پایداری و تغییر شکل گود دارد. مهمترین نیروهایی که باعث ناپایداری دیواره گود ها در مناطق شهری دارای سطح آب زیرزمینی بالا هستند (1) نیروی گرانشی (2) نیروی نشت آب است.   وجود جریان آب در اطراف گود مهار شده با سیستم نیلینگ می تواند موجب تخریب گود یا خسارت به بناهای مجاور شود. بنابراین یکی از راهکارهای اجرایی و اقتصادی برای ایجاد پایداری در دیواره مهار شده گود پایین بردن سطح آب زیرزمینی به میزان مراحل گودبرداری می باشد. این در حالی است که هریک از عملیات گودبرداری و کاهش سطح آب زیرزمینی به تنهایی موجب تغییر در وضعیت تنش های موجود در خاک شده و می تواند منجر به تغییر شکل های بزرگ در دیواره و فرونشست زمین اطراف گود شوند. در این تحقیق با نرم افزار های پلکسیس، میداس و ژئواستدیو عملیات خاکبرداری مرحله ای یک گود را تحت تاثیر آب زیرزمینی مدلسازی کرده و با استفاده از تحلیل المان محدود تنش های موجود در خاک، تغییر شکل دیواره، کف گود و خاک متاثر از عملیات گودبرداری و نیروهای وارده به نیل ها محاسبه و مورد بررسی قرار داده ایم. با توجه به یافته های پژوهش، به هر میزان که تراز آب زیرزمینی بالا باشد تغییر شکل ها در دیواره، کف گود و زمین اطراف، نیروی وارده بر نیل ها افزایش یافته ضریب ایمنی پایداری دیواره گود کاهش می یابد. خروجی نرم افزارهای پلکسیس با ژئو استدیو و میداس تا پنجاه درصد تفاوت دارند اما روند تاثیر آب زیرزمینی بر پایداری گود و تغییر شکل ها یکسان است. استفاده از الگوی رفتاری سخت شونده و سخت شونده با کرنش کوچک دارای خروجی تقریباً یکسانی است. میزان خروجی ها در مدل های شبیه سازی گود با الگوی رفتاری موهر-کلمب 50% خروجی همان مدل با الگوهای رفتاری سخت شونده و سخت شونده با کرنش کوچک می باشد. و یافته های قبلی در خصوص ضعف الگوی رفتاری موهر-کلمب در این پژوهش نیز به اثبات رسید.  

   چکیده: اصطلاح رمزارز موضوعی نوظهور در دنیای امروز است که انقلابی در بینش ما در زمینه سرمایه­گذاری ایجاد کرده و باعث تغییر و تحول در سیستم‌های مالی دنیا شده است. رمزارز یک ارز دیجیتال است که از فناوری بلاک‌چین   همراه با رمزگذاری امن استفاده می‌کند. هر تغییر و تحولی می‌تواند مزایا و معایبی داشته باشد، رمزارزها هم از این قاعده مستثنی نیستند و در کنار مزایایی که دارند می‌توانند معایبی هم برای اقتصاد هر جامعه‌ای داشته باشند به طوری‌که با توجه به غیرمتمرکز بودن این ارزها، سیستم‌های پولی سنتی و بازار سرمایه هر جامعه‌ای را می‌توانند تحت تاثیر قرار دهند. بنابراین با توجه به اهمیت موضوع، نیاز به درک افکار عمومی و تجزیه و تحلیل نظرات مردم در این رابطه افزایش می‌یابد. برای درک نظرات و دیدگاه‌های افراد درباره‌ی موضوعات مختلف می‌توان از شبکه‌های اجتماعی کمک گرفت چرا که منبع غنی از نظرات هستند. شبکه‌ اجتماعی توییتر یکی از بسترهای اصلی است که کاربران در آن در مورد موضوعات مختلف بحث می‌کنند، لذا در کوتاه­ترین زمان و با کمترین هزینه می‌توان نظر افراد جامعه نسبت به موضوعی خاص را در این شبکه اجتماعی مورد سنجش قرار داد. تجزیه و تحلیل احساساتِ توییتر[1] (TSA) زمینه‌ای است که به تجزیه و تحلیل احساسات بیان شده در توییت‌ها می‌پردازد. با توجه به اینکه بیشتر تلاش‌های تحقیقاتی TSA با موضوع رمزارزها متمرکز بر زبان انگلیسی است، هدف از این پژوهش بررسی نظرات کاربران ایرانی، در شبکه­ اجتماعی توییتر در مورد رمزارزها و ارائه بهترین مدل طبقه‌بندی توییت‌ها بر اساس احساسات است. در صورت تحلیل خودکار توییت‌ها، مدیران و مسئولان حوزه اقتصاد می‌توانند از دیدگاه عموم مردم نسبت به این موضوع شناخت پیدا کرده و از اطلاعات بدست آمده در جهت مدیریت صحیح این پدیده استفاده کنند. به این منظور در این پژوهش، جهت ساخت مدل­های طبقه­بندی احساسات، از تکنیک­های پردازش زبان طبیعی مانند کیسه کلمات (BOW) و FastText جهت بردارسازی متون و از الگوریتم‌های کلاسیک یادگیری ماشین شامل KNN، SVM وAdaboost روش­های یادگیری عمیق شامل LSTM و مدل BERT برای طبقه­بندی استفاده شد که در نهایت مدل زبانی BERT با کسب 83.50% ، بهترین دقت را داشت. [1]. Twitter Sentiment Analysis

معماری مجازی­سازی توابع شبکه به معنی ارائه سرویس­های مختلف شبکه بدون نیاز به سخت­افزار و عدم وابستگی به آن است. مجازی­­سازی توابع شبکه حوزه­ی جدیدی در شبکه است که با کمک آن می­توان دستگاه­های سخت­افزاری را به صورت مجازی و نرم­افزاری پیاده­سازی کرد. مجازی­سازی توابع شبکه، توابع شبکه مانند پروکسی­ها، دیواره آتش­ها و تعادل بار­ها و دیگر موارد را ارتقا می­دهد. به عبارت دیگر این معماری با استفاده از تکنولوژی مجازی­سازی قادر است دستگاه­های سخت­افزاری را به ماژول­های نرم­افزاری که به عنوان توابع شبکه مجازی معروف­اند تبدیل کند و سرویس مورد­نظر کاربر را تامین کند. ارائه سرویس درخواست شده توسط کاربر در شبکه،   توسط دنباله­ای از توابع شبکه مجازی، که به زنجیره توابع سرویس شهرت دارند صورت می­گیرد. یکی از چالش­های اصلی نیز در توسعه­ی معماری مجازی­سازی توابع شبکه، تخصیص منابع به سرویس­های شبکه تقاضا شده در زیرساخت­های شبکه مبتنی بر مجازی­سازی توابع شبکه است. این چالش مسئله تخصیص منابع مجازی­سازی توابع شبکه نامیده شده است. از این رو در این تحقیق مسئله تخصیص منابع به توابع شبکه مجازی در معماری مجازی­سازی توابع شبکه با استفاده از تکنیک­های برنامه­ریزی ریاضی حل شده است. در این تحقیق برای مسئله تخصیص منابع به توابع شبکه مجازی یک مدل برنامه­ریزی خطی عدد صحیح مختلط چند­هدفه ارائه می­شود. در این مدل قیدهای مربوط به ظرفیت منابع گر­ه­ها و اتصالات و قیدهای تاخیر موردنظر است. همچنین توابع هدف در این تحقیق عبارت­اند از: افزایش جریان­های پذیرفته شده در شبکه، کاهش هزینه­های منابع گره­ها (شامل تعداد هسته­های CPU و میزان حافظه)، کاهش هزینه­های سرمایه­ای، کاهش هزینه­های عملیاتی و بررسی زمان اجرا. این قیدها و توابع هدف توسط توابع ریاضی بصورت دقیق و صریح بیان می­شوند. مدل ریاضی پیشنهادی با حل­کننده سیپلکس پیاده­سازی و حل شده است. برای ارزیابی مدل ریاضی پیشنهادی، چندین توپولوژی مختلف در نظر گرفته شده است. هزینه بهینه تحت تغییر پارامترهایی از قبیل طول زنجیره توابع سرویس، تعداد جریان­ها، طول جریان، میزان منابع گره­ها، تعداد گره­ها و تعداد توابع شبکه مجازی ارزیابی می­شود و نهایتاً افزایش زمان اجرا تحت تغییر طول زنجیره توابع سرویس، تعداد گره­ها و تعداد توابع شبکه مجازی بررسی می­شود. نتایج عددی این تحقیق نشان از کارایی مدل در تخصیص منابع به توابع شبکه مجازی را دارد. کلمات کلیدی: معماری مجازی­سازی توابع شبکه، توابع شبکه مجازی، تخصیص منابع، برنامه­ریزی ریاضی، برنامه­ریزی خطی عدد صحیح مختلط   

   با توجه به روند رو به رشد جمعیت شهرها ونیاز به عناصر جدید شهری و فضای مناسب با نیازهای روز جامعه، داشتن مکان­هایی در راستای برقراری تعاملات اجتماعی و فرهنگی، بیش از پیش احساس می­شود. در جهت دست­یابی به این مهم داشتن فضاهای عمومی از جمله فرهنگسراها که به به کیفیت محیطی می­انجامد، امری ضروری به نظر می­رسد که افراد مختلف بتوانند با آسایش خاطربه ایجاد تعامل و گذران اوقات فراغت بپردازند. در شهر کرمانشاه با توجه به پیشینه تاریخی وفرهنگی درخورو ارزش­های بومی و محلی، کمبودمراکزفرهنگی و هنری مناسب سبب کم­رنگ شدن هویت فرهنگی و فعالیت­های فرهنگی و هنری شهروندان شده­است؛ از طرفی دیگر بناهاو فضاهایی با پیشینه فرهنگی و تاریخی و با قابلیت­های فراوان در جهت امرتوسعه وجود دارند که با بی­توجهی مسئولین ذیربط روبه فرسودگی و فراموشی هستند. پژوهش حاضر به منظور ارتقاء کیفیات محیطی و فرهنگی باغ شهرداری، با استفاده از اصول انگاره بازآفرینی، به بررسی فرهنگ و عوامل فرهنگی پرداخته و با نگاهی به آن در قالب به­کارگیری راهبردهای بازآفرینی فرهنگ محور، از جمله ایجاد مراکز فرهنگی و احیاء ساختمان­هایی که بخشی از پیشینه وشخصیت شهر را در خود جای داده­اند،   طرح بازآفرینی فرهنگی باغ شهرداری را ارائه می­کند و آن­را به یکی از موفق­ترین مراکزدر جهت احیاء فرهنگ، تاریخ و هنرشهر و بهبود وضعیت فرهنگی محله­های اطراف آن تبدیل می­نماید. روش پژوهش حاضر، توصیفی- تحلیلی و روش گردآوری اطلاعات نیز براساس بررسی نمونه­های­موردی، انجام مشاهدات میدانی، مطالعات کتابخانه­ای و بررسی اسناد و نقشه­ها و تصاویر تاریخی است. عمده ­نتایجی که امید می­رود از این پژوهش استخراج شود، احیاء هویت فرهنگی وتاریخی باغ شهرداری و محله­های اطراف آن وپاسخ به نیازهای فرهنگی و اجتماعی جامعه است که به واسطه طراحی فرهنگ­سرایی با محیطی جذاب و پویا و نیز با بهره­گیری از منابع فرهنگی و هنری خاص شهر و تغییر کاربری ساختمان شهرداری (کنسول­گری سابق بریتانیا) به موزه و شاخص نمودن این محدوده به عنوان یکی از قطب­های فرهنگی قوی در شهر، محقق می­شود.

   چکیده امروزه گسترش استفاده از اینترنت، زمینه‌ساز دسترسی میلیون‌ها کاربر در سراسر دنیا به شبکه‌های اجتماعی آنلاین شده است. از طرفی این شبکه‌ها در انتشار اطلاعات، بخصوص در زمینه‌هایی مانند: تبلیغات به روش بازاریابی ویروسی، بهبود سیستم‌های توصیه‌گر، انتقال اطلاعات حساس به زمان، هدایت افکار عمومی، ارتقای امنیت ملی، جامعه‌شناسی و غیره، در کانون توجه کاربران، قرار گرفته‌اند. یکی از مسائل مهم پیرامون انتشار اطلاعات در شبکه‌های اجتماعی آنلاین مسئله انتشار موثر پیام،‌ با سرعت مناسب است. برای این منظور لازم است که کاربران پرنفوذ به روشی مناسب شناسایی شوند. در این پایان نامه، پیشنهاد شده افراد پرنفوذ بر مبنای اطلاعات واکنشی کاربران و با توجه به حوزه اثرگذاری آن‌ها شناسایی شوند. بدین منظور ابتدا ارزش ارتباطات شبکه براساس اطلاعات واکنشی کاربران (ریپلای و ریتوییت)، تعیین می­شود و سپس، ساختار شبکه به جوامع تشکیل دهنده­ی آن تقسیم­بندی می­شود. در گام بعدی از معیارهای مرکزیت برای ارزیابی اهمیت هر یک از اعضای جوامع استفاده می‌شود و در انتها، گره‌های پرنفوذ در حوزه اثرگذاری خودشان شناسایی می‌شوند. کارایی روش پیشنهادی با استفاده از یک پایگاه داده واقعی که شامل اطلاعات ریتوییت و ریپلای کاربران توییتر است؛ مورد آزمایش قرار گرفته است. با توجه به فقدان پایگاه داده‌‌ای که همزمان دارای برچسب‎گذاری افراد پرنفوذ و اطلاعات واکنشی باشد؛ از یکی از روش‌های انتشار اطلاعات در شبکه‌های اجتماعی که دارای همبستگی قابل قبولی با روش پیشنهادی ‌می‌باشد؛ استفاده شده است. در پایان نتایج به­دست آمده با روش­های مشابه پیشین مقایسه شده است. نتایج ارزیابی­ها نشان داد که روش پیشنهادی دراین پایان­نامه می­تواند کاربران اثرگذار را با دقت، کارایی و سرعت بیشتری شناسایی کند. همچنن نتایج ارزیابی­ها نشان داد که روش پیشنهادی می­تواند در شناسایی کاربران اثرگذار، به دقت تشخیص 87.33% دست یابد که نشان از بهبود حداقل13درصدی نسبت به روش­های مقایسه شده دارد.

شبکه عصبی حافظه کوتاه مدت طولانی، پیچیدگی محاسباتی بالایی دارد که باعث طولانی بودن زمان اجرا می‌شود. برای حل این چالش، پیاده‌سازی سخت‌افزاری یکی از راهکار مطرح شده است. اما توان، تاخیر و مساحت چالش‌های جدی در روند طراحی سخت‌افزاری هستند. یک راه حل مناسب می‌تواند جایگزینی مدارهای تقریبی به‌جای مدارهای دقیق باشد. هدف این پارسا ارزیابیِ کارایی شبکه حافظه کوتاه مدت طولانی با استفاده ازواحدهای محاسباتی تقریبی است. اما چون عملگر ضرب در ساختار شبکه بسیار استفاده می‌شود ما توجه خود را به جایگزینی ضرب‌کننده‌ها معطوف کردیم. بدین منظور تمامی ضرب‌کننده‌های موجود در کتابخانه تقریبی EvoApprox8b را به­جای ضرب‌کننده­­ی دقیقدر ساختار شبکه برای کاربرد پیش­بینی سیگنال­های بورسی در مجموعه داده­های شرکت­هایاپل، مایکروسافت و IBM جایگزین کردیم و عملکرد شبکه را مورد بررسی قرار دادیم.از نتایج شبیه­سازی مشخص شد که جایگزینی ضرب­کننده تقریبی می­تواند سبب کاهش   µw205.8 در توان،   0.64 در تاخیر، µm2   205.8 در مساحت و J 366.5 در PDP، برای پیش­بینی سیگنال Close در مجموعه داده­ی بورسی اپل شود. اثر جایگزینی در پیش­بینی سیگنال High در مجموعه بورسی مایکروسافت به صورت کاهش µm2 170 در مساحت، µw 38.8 در توان و افزایش J 17.7 در PDP بود و نیز اثر جایگزینی در پیش­بینی سیگنال Low برای IBM به صورت کاهش µw 47.1 در توان، J 432.646 در PDP و µm2   87 در مساحت مشاهده شد. در بخش دوم پارسا، با کمک معیارهای ذاتی سخت‌افزاری ضرب‌کننده­های تقریبی، یک مدل پیش‌بینی را طراحی کردیم تا با کمک آن، مناسب بودن ضرب‌کننده برای جایگزینی در ساختار سخت‌افزاری شبکه را پیش­بینی کند. پس یک مسئله کلاس‌بندی دو حالته تعریف شد. در ادامه، با استفاده از الگوریتم­های انتخاب ویژگی تعداد ورودی­های مدل مورد نظر خود را پیدا کردیم. مدل پیشنهادی ما طبقه­بند Linear Discriminant است که با استفاده از معیار خطاهای ذاتی Mean_AED، Correct و Var_ED و با دقت 99% می­تواند عملکرد یک ضرب­­کننده تقریبی از کتابخانه voApprox8bرا در ساختار سخت­افزاری شبکه LSTM پیش­بینی کند.

The world around us is full of images. Pictures are documents that, by recording a moment, become the narrator of a world of words. City cameras create, record, and store thousands of traffic images every second. Proper processing of these images can help train models based on deep learning. Such models are used in object recognition and image captioning and will be used in cases such as voice assistants and self-driving cars. In this thesis, a method is introduced to convert traffic images into their descriptions. The presented description is based on prominent objects from images and deep learning and includes three basic steps. In the first stage, data processing and methods such as data augmentation are performed on training images. In the second step, appropriate features are extracted from the images. For this purpose, four deep neural networks named VGGNet, EfficientNetB0, InceptionV3, and ResNet50 have been investigated to extract image features. According to the number of layers in the architecture of each of these deep neural networks, the fine-tuning technique has been applied to improve the accuracy of detecting traffic objects. In the third step, two neural networks, LSTM and Transformer, have been used to convert image features into text. Finally, the optimal solution will be introduced, which will significantly increase the quality of the output sentences. In total, two methods were introduced. Based on the Transformer network, the second method showed better accuracy than the first. The MS-COCO dataset was used to evaluate the proposed methods. For this purpose, a subset including 8,000 images and ten classes of traffic objects in the MS-COCO dataset has been separated and pre-processed. The accuracy of the model introduced in the BLEU evaluation criteria is 65.3595%.

   تفاوت های فردی بشر از شخصیت افراد سرچشمه گرفته که مهم ترین عامل تاثیر گذار بر تصمیمات و انتخاب های فرد می باشد.   شناسایی خودکار شخصیت از متن به دلیل کاربردهای بسیاری از قبیل شناسایی مدیر با کفایت، انتخاب شغل، انتخاب رشته ی تحصیلی و کسب و کار آنلاین، توجه بسیاری از پژوهشگران را در سال های اخیر به خود جلب کرده است. اگرچه بسیاری از روش های موجود تنها به ویژگی های آماری متن اکتفا می کنند، و به روابط و اطلاعات معنایی متن توجه نمی کنند، در حالی که این نوشته ها و متون راهی برای ترجمه ی افکار و احساسات درونی افراد به شکلی قابل درک برای دیگران است. هدف از انجام این پژوهش شناسایی خودکار شخصیت از متن با استفاده از مدل های زبان و یادگیری عمیق است که در آن دو روش برای شناسایی شخصیت از متن معرفی می شود. در هر دو روش از یادگیری عمیق و شبکه های عصبی پیچشی به عنوان ابزار اصلی یادگیری استفاده شده و نیز دو دادگان استاندارد   MyPersonality و   Essaysبه منظور ارزیابی روش ها به کار گرفته شده اند. در روش اول از ویژگی های استخراج شده از کل متن برای مدل سازی، آموزش و ارزیابی استفاده می شود، در حالی که در روش دوم از عبارات کلیدی که توسط یک گراف چندبخشی استخراج شده اند، استفاده می شود. به منظور استخراج ویژگی سه تکنیک SentenceTransformer، Longformer و تبدیل فوریه ی کوتاه مدت برای اولین بار در پژوهش شناسایی شخصیت ارائه شده اند. تحلیل و بررسی نتایج نشان می دهد، روش اول به ترتیب برای دادگان MyPersonality و Essays با استفاده از SentenceTransformer و Longformer میانگین صحت 16/53% و 49/58% را ثبت کرده است. و در روش دوم بالاترین صحت میانگین ثبت شده برای SentenceTransformer   به ترتیب برای عبارات کلیدی Essays و MyPersonality برابر با 83/52% و95/58% می باشد. هم چنین تبدیل فوریه ی کوتاه مدت علارغم دستیابی به صحت 09/51% و 60/52% در روش اول به ترتیب برای دادگان Essays و MyPersonality و هم چنین در روش دوم برای عبارت های کلیدی این دادگان به 24/50% و 09/55% توانسته با صرف زمان کمتر از دیگر تکنیک ها در استخراج ویژگی (حدود 10/11 % تا 65/17%) به طور میانگین در تمامی مجموعه داده ها به فراخوانی و دقت بالاتر برسد.            

تقلید صدای غیرموازی تکنیکی است که در آن یک مبدل صدا توسط دادگان غیرموازی آموزشدر CycleGAN داده میشود. مدلهای فراوانی برای تقلید صدا آموزش دیدهاند، اما مدل های مبتنی برکه MaskCycleGAN-vc این اواخر محبوبیت زیادی به دلیل نتایج بدست آمده، پیدا کرده اند، به خصوصاست، با افزودن مکانیزمی به نام ”فریم را پر کن“، سعی در برطرف کردن CycleGAN-vc2 نمونه بهبودیافتهMaskCycleGAN-vc نقص موجود در آن نمود، که تا حد زیادی در این کار موفق بود. اما مشکلی که دروجود دارد این است که قادر نیست از ویژگیهای بین کانالی بهره لازم و کافی را ببرد. در این کار،ما با برطرف کردن این مشکل از طریق استفاده از مکانیزم توجه سعی در بهبود عملکرد این مدل داریم.مکانیزمی که در این مدل پیشنهادی وجود دارد، دارای دو مزیت است: اول، اینکه این مکانیزم را در دلتولیدکننده به کار برده ایم، که موجب رفع نیاز به تعریف مدل اضافه و در نتیجه تعداد زیادی پارامتر اضافیشده است و دو، برای بهروز رسانی از انتشار رو به عقب استاندارد بهره میبرد. در این مطالعه، ما از دادگانغیرموازی موجود در چالش تقلید صدای 2018 بهره می بریم. در نهایت برای ارزیابی روش پیشنهادی، برای بررسی میزان اثر مکانیزم توجه استفادهMOS و کیفی F0 RMSE و MCD خود، از ارزیابیهای کمیمیکنیم. در این ارزیابی، به خوبی برتری روش پیشنهادی ما بر روش قدیمی نشان داده می شود.

  با رسیدن اندازه ترانزیستورها به مقیاس نانومتر، میتوان تعداد زیادی از واحدهای پردازشی (PEs) را در یک تراشه تعبیه کرد. با افزایش تعداد هسته های تعبیه شده در یک تراشه، وجود یک زیرساخت ارتباطی مقیاس پذیر و قدرتمند برای ارتباط بین این هسته ها لازم و ضروری است. شبکه روی تراشه (NoC) برای پاسخگویی به این نیاز ارائه شده است. با این حال، شبکه روی تراشه نیز مانند سایر اجزا الکترونیکی مستعد اشکالات گذرا و دائمی است. از میان اشکال گذرا و دائمی، اشکال گذرا نرخ بیشتری دارند. این اشکال ها میتوانند موجب کاهش کارایی شبکه روی تراشه شوند و در صورت افزایش نرخ اشکال ها کل سیستم مستعد شکست است. اکثر راه کارهای گذشته در حوزه شبکه های روی تراشه تحمل پذیر اشکال که در زمینه طراحی مسیریاب کار کرده اند، مشکل اشکال های تک بیتی را مورد بررسی قرار دادهاند. این در حالی است که با توجه به کوچک شدن اندازه ترانزیستورها احتمال رخدادن اشکال گذرا چند بیتی افزایش یافته است. لذا در این پایان نامه در مسیریاب پیشنهادی روش کدگذاری کنترل خطای نامتقارن انعطاف پذیر (FUEC) برای تصحیح اشکال های تک بیتی، دو بیتی و سه بیتی در کانال ارتباطی و بافرهای ورودی مسیریاب بکار گرفته شده است. همچنین برای مقابله با اشکالهای واحدهای کنترل مسیریاب از تکنیک افزونگی سه گانه ماژول (TMR) استفاده شده است. همچنین برای تصحیح اشکال روی مالتی پلکسرهای کراسبار بهترتیب از افزونگی اطلاعات و افزونگی زمانی برای کشف و تصحیح اشکال ها استفاده شده است. با این حال، تمام تکنیک های تحمل پذیری اشکال با سربارهای سخت افزار همراه هستند. این سربارها، افزایش توان مصرفی را بوجود می آورند، درحالی که توان مصرفی در دنیای امروز یک چالش مهم است. لذا داشتن مکانیزم های آگاه از توان مصرفی برای کاهش توان مصرفی بسیار ضروری است. بنابراین در این پایان نامه، یک مکانیزم آگاه از توان پیشنهاد شده است که با خاموش کردن بافرهای ورودی بیکار موجود در مسیریاب ها انرژی مصرفی را کاهش میدهد. برای ارزیابی مسیریاب پیشنهادی را در شبیه ساز Noxim پیاده سازی کرده و در این شبیه ساز به ازای ترافیک های مصنوعی و مش دوبعدی 8×8، اشکالات را بصورت تصادفی تزریق کرده ایم. از سوی دیگر با استفاده از زبان SystemVerilogطرح سخت افزاری مسیریاب را در برنامه Vivado2019.1 سنتز کرده و سربارهای سخت افزار و توان مصرفی با استفاده از این ابزار بدست آوردهایم. استفاده از این مسیریاب در شبکه روی تراشه می تواند، نسبت به مسیریاب پایه، تحمل پذیری اشکال را تا 5 برابر افزایش و انرژی مصرفی را تا 12 درصد کاهش دهد. از طرف دیگر این مسیریاب نسبت به مسیریاب پایه، 57 درصد به سربار سخت افزار بیشتر نیاز دارد. همچنین میانگین تاخیر شبکه را تا 2 برابر افزایش می دهد.

شبکه­های عصبی ­عمیق به صورت گسترده­ای در کاربردهای زیادی نظیر پردازش زبان طبیعی و بینایی ماشین بکار گرفته شده­اند. همچنین، این شبکه­ها توجه­ زیادی را در طراحی سیستم­های توصیه­گر به دلیل عملکرد خوبشان جلب کرده­اند. عموما از این شبکه­ها به منظور استخراج ویژگی­های پنهان کاربران براساس داده­های ورودی نظیر ماتریس­ رتبه­بندی کاربر-آیتم، روابط اعتماد و برچسب در سیستم­های توصیه­گر استفاده می­شود. یکی از مشکلات اساسی در این سیستم­ها، عدم وجود اطلاعات ورودی کافی است که منجر به بروز مشکلی به نام خلوتی ماتریس داده‌های ورودی می‌شود. این مشکل باعث کاهش کارایی مدل­های یادگیری­ عمیق در تولید ویژگی­های پنهان کاربران می­شود. سیستم‌های توصیه‌گر موجود عمدتا بر روی دقت پیش‌بینی رتبه‌ها تمرکز می‌کنند و قابلیت اطمینان پیش‌بینی‌ها را در نظر نمی‌گیرند. علاوه بر این، زمانی که در سیستم‌های توصیه‌گر از چندین منبع داده‌ای ورودی برای استخراج ویژگی‌های پنهان استفاده می‌شود، چگونگی ترکیب خروجی‌های مختلف به منظور تولید توصیه برای کاربران یک چالش اساسی خواهد بود. در این پژوهش، سه روش جدید برای برطرف کردن چالش‌های مطرح شده ارائه شده‌اند. در روش پیشنهادی اول، یک سیستم­توصیه­گر مبتنی بر خودرمزنگار پراکنده عمیق و الگوریتم بهینه­سازی ازدحام ذرات ارائه شده است. بدین منظور،   خودرمزنگار پراکنده عمیق برای استخراج ویژگی­های پنهان کاربران بر اساس ماتریس روابط اعتماد، ماتریس رتبه­بندی و اطلاعات برچسب بکار گرفته شده است. سپس، مقادیر شباهت بین کاربران با استفاده از سه تابع شباهت مختلف بر اساس ویژگی‌های پنهان محاسبه شده و از هر کدام از این مقادیر شباهت برای پیش‌بینی رتبه‌های نامشخص استفاده می‌شود. در نهایت، الگوریتم بهینه­سازی ازدحام ذرات   برای بدست آوردن وزن­های بهینه   پیش‌بینی‌های مختلف و ترکیب آنها برای محاسبه رتبه نهایی آیتم هدف مورد استفاده قرار می‌گیرد.   در روش پیشنهادی دوم، یک روش قابل اطمینان برای بهبود کارایی سیستم‌های توصیه‌گرآگاه از اعتماد با استفاده از شبکه‌های عصبی عمیق ارائه شده است. در این روش، ابتدا یک مدل احتمالاتی موثر به منظور تخمین تعداد رتبه‌های مورد نیاز در پروفایل کاربر برای داشتن یک پیش بینی دقیق معرفی شده است. سپس، پروفایل رتبه‌های کاربرانی که دارای تعداد کافی رتبه نیستند با افزودن رتبه‌های ضمنی قابل اطمینان تقویت می‌شوند. در مرحله بعد، پروفایل­های رتبه­بندی تقویت شده و ماتریس روابط اعتماد به عنوان داده­های ورودی خودرمزنگار پراکنده عمیق به منظور استخراج ویژگی­های پنهان کاربران مورد استفاده قرار می‌گیرند. در نهایت، مقادیر شباهت بین کاربران بر اساس ویژگی‌های پنهان کاربران محاسبه شده و لیستی از آیتم‌های مرتبط با علایق کاربر به او پیشنهاد می‌شود. در روش پیشنهادی سوم، یک سیستم توصیه‌گر قابل اطمینان مبتنی بر شبکه‌های عصبی عمیق و یادگیری تقویتی ارائه شده است. بدین منظور، ابتدا مدل خودرمزنگار حذف نویز پشته­ای به عنوان یک   شبکه عصبی برای استخراج ویژگی­های پنهان کاربران بر اساس سه منبع داده‌ای ورودی شامل ماتریس روابط اعتماد، ماتریس رتبه­بندی و اطلاعات برچسب، مورد استفاده قرار می‌گیرد. بنابراین، با توجه به سه منبع داده‌ای ورودی متفاوت، سه مقدار شباهت متمایز برای کاربران بدست می­آیند تا مجموعه نزدیکترین همسایگان را ایجاد کنند. به منظور ترکیب این سه مقدار شباهت متمایز و محاسبه مقدار شباهت نهایی بین کاربران، از الگوریتم یادگیری تقویتی برای بدست آوردن وزن بهینه هر مقدار شباهت استفاده می‌شود. سپس، با استفاده از مقادیر شباهت نهایی بین کاربران، رتبه­های نامشخص در پروفایل­های رتبه­بندی کاربران پیش­بینی می­شوند. همچنین، برای ارزیابی رتبه‌های پیش­بینی­ شده، یک معیار قابلیت اطمینان ارائه شده است. در نهایت، لیستی از آیتم‌های مورد علاقه کاربر هدف بر اساس ترکیب رتبه‌های پیش‌بینی شده و مقدار قابلیت اطمینان آنها تولید می‌شود. به منظور ارزیابی کارایی روش‌های پیشنهاد شده در این پژوهش، آزمایشات مختلفی بر روی مجموعه داده‌های استاندارد انجام شده است که نتایج آنها نشان می‌دهد روش‌های پیشنهادی نسبت به سایر روش‌ها از عملکرد بهتری برخوردار هستند. کلمات کلیدی: سیستم‌های توصیه­گر، شبکه­های عصبی عمیق، پراکندگی داده، قابلیت اطمینان، اعتماد، برچسب، یادگیری تقویتی.   

مقدار متنی که هر روز تولید می شود به طرز چشمگیری افزایش می یابد. بنابراین ، تکنیک ها و الگوریتم های کارآمد و موثر برای کشف الگوهای مفید مورد نیاز است.   با فراگیر‌شدن شبکه‌های اجتماعی در سال‌های اخیر، به‌رغم کاربردهای مثبت آنها، انتشار شایعات ساده‌تر و شایع‌تر شده است. شایعات یک چالش امنیتی در شبکه‌های اجتماعی محسوب می‌شوند، چون یک گره بدخواه می‌تواند با انتشار یک شایعه به‌سهولت، اهداف خود را بدنام و یا منزوی کند.   از ‌این‌رو تشخیص شایعات چالش مهمی در سازوکارهای امنیت نرم مانند اعتماد و شهرت است. در این مطالعه، از رویکرد یادگیری ماشین مدل یادگیری عمیق   و شبکه ی عصبی عمیق LSTM به منظور ساده سازی استخراج ویژگی ها و ایجاد توانایی قوی برای یادگیری ،و تشخیص خودکار ویژگی ها در مقایسه با روش های سنتی یادگیری ماشین استفاده کرده ایم   شبکه عصبی LSTM   بر اساس معماری خاصی که دارد برای کار با داده های دنباله دار به ویژه داده های متنی بسیار مناسب است . اما عملکرد   این شبکه وابستگی زیادی به تنظیم هایپر پارامتر هایش دارد از این رو یک رویکرد نوین را برای بهبود نتیجه با استفاده از الگوریتم ژنتیک برای تنظیم هایپر پارامترهای شبکه عصبی عمیق ارائه شده است. الگوریتم ژنتیک استاندارد خود با مشکلاتی مواجه است اعم از سرعت همگرایی در این الگوریتم که در این مطالعه ما با تنظیم و فرموله کردن   نرخ فرایند های الگوریتم برا اساس دو معیار برازندگی و تنوع این مشکل را رفع کرده ایم، وما به دقت تشخیص 0.93%   رسیده ایم.

ورزشپیلاتس، شامل مجموعه‌ای از حرکات است که با تمرکز برای استفاده هم‌زمان از ذهن وجسم، از جاذبه، وزن بدن و دستگاه‏های مخصوص برای افزایش مقاومت فرد کمک می‏گیرد تاماهیچه‏های تثبیت‏کننده‏ی بدن تقویت شوند. اگر به هر دلیلی فرد قصد انجام اینحرکات را در منزل و بدون وجود مربی داشته باشد، نرم‏افزارهای تجاری مختلفی وجوددارد که نقش مربی را ایفا می‌کنند؛ اما این نرم‏افزارها فاقد یک راهنما یا ناظر نرم‏افزاریهستند که به کاربر در مورد درستی انجام حرکات، بازخورد مناسب دهند. این پایان‌نامه،به مسئله میزان درستی حرکات پیلاتس کاربر با ارائه رویکردی مبتنی بر تکنیک‌هایپردازش تصویر می‌پردازد. در اینتحقیق به تحلیل کامپیوتری 6   حرکت اصلیپیلاتس در شرایط عدم حضور یک مربی پیلاتس پرداخته شده است. برای انجام این پژوهش،در ابتدا یک مجموعه داده مناسب نیاز است. برای جمع‌آوری داده، با استفاده از یک حس‌گرکینکت، در هر فریم مختصات سه‏بعدی 20 مفصل اصلی بدن از ویدیو عمقی، استخراج شد.مجموعه داده‏ حاصل شامل 300 رکورد است که در یک مکان ثابت از کاربران مختلفجمع‏آوری شده است. روش پیشنهادی شامل چهار مرحله است. در ابتدا، مختصات سه‏بعدی 20مفصل اصلی از ورودی استخراج می‌شود. در مرحله دوم، پیش‌پردازش‌های موردنیاز شاملمحاسبه 4 زاویه اصلی بدن یعنی زوایای زانوها و آرنج‏ها در هرفریم، اعمال فیلتر ساویتسکی گولای و الگوریتم قطعه‌بندی تقریب مجموعقطعه‏ای انجام می‌شود. در مرحله سوم، برای محاسب? فاصله داده‏ها توابع مختلفپیشنهاد شد که عبارت‌اند از تابع پیچش زمانی پویا، هاسدورف، پیچش زمانی پویا سریع وارائ? تابع فاصله بهبودیافته مبتنی بر تابع پیچش زمانی پویا سریع. در مرحله چهارمیادگیری و طبقه‏بندی انجام شد که در این پژوهش از طبقه‏بند نزدیک‏ترین همسایهاستفاده شد. برای ارزیابی روش پیشنهادی، از روش K-fold بهرهگرفته شد و بر روی مجموعه داده فراهم شده، این روش آزمایش شد. نتایج به‌دست‌آمده،عملکرد خوب این روش را از دو جنبه بهبود دقت و همچنین تسریع محاسبات نشان داد. دقتطبقه‏بندی بر روی این مجموعه داده 95% به دست آمده است.بعد ازطبقه‏بندی حرکات، در بخشی مجزا، قابلیت محاسب? میزان درستی حرکات پیلاتس کاربر باتوجه به حرکات استاندارد در نظر گرفته شده است. این توانایی بر اساس محاسب? میزانشباهت حرکت کاربر با حرکت استاندارد انجام شده است و برای این هدف، از یک آستانه‏گیریکه به‌صورت تجربی محاسبه شده، استفاده شده است و در نهایت خطای سیستم نرم‏افزاریپیشنهادی با توجه به یک ناظر انسانی محاسبه شده است.   

امروزه وارد عصر جدیدی از تبادل اطلاعات شده­ایم که دلیل آن استفاده گسترده­ از دستگاه­های تلفن ­همراه است و سیستم­عامل اندروید نیز محبوب­ترین سیستم­عامل موبایلی دنیا است. همزمان با برنامه­های کاربردی، برنامه­های مخرب زیادی با اهداف واشکال مختلف برای سیستم­عامل اندروید در حال توسعه و انتشار هستند. با وجود توسعه روزافزون برنامه­های ایرانی در فروشگاه­های نرم­افزاری، تابحال بررسی نشده ­است که تا چه میزان امکان وجود بدافزار در میان آن­ها وجود دارد که ممکن است امنیت کاربران را به­خطر بیاندازد یا با اهدافی دیگر نظیر حجم بالای تبلیغات، موجب آزردگی خاطر کاربران شود. به­ همین دلیل تصمیم گرفتیم تا با استفاده از نه طبقه­بند یادگیری ماشینی و همینطور استفاده از رویکرد یادگیری عمیق، مدل­هایی مبتنی بر ویژگی ایستای مجوز با استفاده از مجموعه داده­ای مطمئن ایجاد کنیم تا از این مدل­ها برای طبقه­بندی بیش از چهارصد برنامه کاربردی دریافتی تصادفی از فروشگاه کافه بازار در دو دسته مخرب و غیرمخرب استفاده کنیم و نتایج آن را مورد تجزیه و تحلیل قرار دهیم و همچنین با ساخت تمامی مدل­های مذکور روی نمونه­های دریافتی از فروشگاه کافه بازار، ارزیابی­های خود را در مورد اثر ویژگی مجوز در تشخیص بدافزارهای ایرانی تکمیل کنیم. نتایج بدست آمده از مدل­های ساخته شده و همینطور اسکن نمونه­های بارگیری شده از فروشگاه کافه بازار در سایت معتبر وایروس توتال نشان می­دهد که بیش از پنجاه درصد از نمونه­های دریافتی از فروشگاه کافه بازار بدافزار هستند بنابراین برای افزایش اطمینان کاربران ایرانی از غیرمخرب بودن برنامه­های اندرویدی دریافتی، باید در مورد رویکرد فعلی غربال­گری برنامه­ها، قبل از قراردادن در فروشگاه­های نرم­افزاری تجدید نظر کرد.   

   در عصر اطلاعات امروز، این امر که ما قبل از اتخاذ هرگونه تصمیم، اطلاعات معتبری در دسترس داشته باشیم، به یک پیش­نیاز تبدیل شده است. در همین راستا، شبکه­های اجتماعی مکان­محور به عنوان روشی موثر برای کمک به کاربران برای یافتن مکان­های جذاب و توصیه نقاط مورد علاقه، به یک برنامه مهم در شبکه های اجتماعی مبتنی بر مکان تبدیل شده­اند و در سال­های اخیر، محبوبیت بسیاری کسب کرده­اند. اضافه شدن بُعد مکان در این شبکه­ها، باعث می­شود که با ایجاد یک پل ارتباطی بین شبکه­های اجتماعی مجازی و جهان واقعی، اطلاعات آن­ها به واقعیت نزدیک­تر شود. هدف از ایجاد این شبکه­ها، ارائه خدمات مرتبط با مکان می­باشد؛ بدین صورت که به کاربران اجازه می­دهد در نقاط جغرافیایی مختلف، تجربیات و موقعیت­های بازدید شده را با سایر کاربران به اشتراک بگذارند. شبکه­های اجتماعی مکان­محور به واسطه اخذ و به­روزرسانی اطلاعات کاربران خود در سراسر دنیا، منابعی غنی برای داده­کاوی و کشف اطلاعات محسوب می­شوند. همچنین سیستم­های توصیه­گر، یک نوع خاص از سیستم­های هوشمند هستند که از رتبه­بندی گذشته­ی کاربران بهره می­برند. فیلتر مشارکتی، از جمله رایج­ترین رویکردهایی است که برای سیستم­های توصیه­گر استفاده می­شود، که البته این روش ممکن است گاهی دچار چالش­هایی از جمله شروع سرد شود. شروع سرد به علت پراکندگی داده­ها   اتفاق می­افتد، و بر اساس این واقعیت است که اکثر کاربران فقط با بخش کوچکی از مکان­های ممکن تعامل دارند و سیستم توصیه­گر برای رتبه­بندی برخی موارد یا کاربران جدید، هیچ داده­ای در دسترس نداشته و یا   فقط تعداد کمی از داده­ها موجود ­باشند. حل این مشکل می­تواند تا حد زیادی تجربه کاربر و اعتماد به سیستم­های توصیه­گر را بهبود بخشد. در این پایان­نامه، ما سعی داریم با استفاده از یادگیری ماشین و الگوریتم­های یادگیری عمیق، یک سیستم توصیه­گر مکانی با رویکرد فیلتر مشارکتی ارائه دهیم؛ لذا با پیاده­سازی الگوریتم شبکه عصبی پیچشی بر مجموعه­داده­ی یِلپ و ارائه نتایج تجربی، نشان می­دهیم که روش پیشنهادی می­تواند عملکرد بهتری نسبت به سایر روش­های مرتبط داشته باشد. کلمات کلیدی: سیستم توصیه­گر، فیلتر مشارکتی، توصیه‌ مکان‌ها، شبکه­های اجتماعی مکان­محور، یادگیری عمیق، شبکه عصبی پیچشی

  چکیده تصاویر مهم­ترین و پرکاربردترین داده­های دیجیتالی مورد استفاده در سیستم­های کامپیوتری هستند. یک تصویر دیجیتالی از مجموعه­ای از اشیا یا نواحی تشکیل شده است، لذا یکی از تکنیک­های کارا برای استخراج ویژگی از تصاویر با توجه به اشیا تشکیل دهنده آن، تکنیک قطعه­بندی تصویر می­باشد که مرز اشیا یا نواحی را بر روی تصویر با توجه به بافت و ویژگی­های آن با دقت بالایی مشخص می­کند. با استفاده از قطعه­بندی تصویر، پیکسل­های تصویر با توجه به ویژگی­های مشترک و به­طور کلی شباهتی که به هم دارند در ناحیه­های خاص خود کنار یکدیگر قرار می­گیرند. آستانه گذاری چند سطحی تصاویر یک از محبوب­ترین و در عین حال ساده­ترین و کاراترین روش­های قطعه­بندی تصاویر است. مهم­ترین مساله در این روش، انتخاب مقدار آستانه­های مربوطه می‌باشد. به­گونه­ای که با تعین آستانه­های مناسب بتوان تصویر مورد نظر را به­طور دقیق­تر ناحیه­بندی کرد. روش آتسو یکی از روش­های آستانه گذاری است که در تعیین آستانه­های دو سطحی عملکرد خوبی دارد اما هنگام افزایش تعداد آستانه­ها، عملکرد آتسو از نظر زمان و دقت قطعه بندی کاهش می­یابد. لذا با الگوریتم­های بهینه سازی ترکیب می­شود تا عملکرد بهتری از نظر زمان و دقت قطعه بندی بدست دهد. در این پایان نامه ،همچنین یک الگوریتم بهینه سازی ملخ بهبود یافته به منظور افزایش دقت قطعه بندی و افزایش کیفیت تصویر پیشنهاد شده است.همچنین در این روش تابع ارزیابی آتسو برای فرایند قطعه­بندی تصاویر در الگوریتم­های بهینه سازی پیشنهاد شده است که طبق آزمایشات و نتایج، الگوریتم ملخ بهبودیافته در مقایسه با الگوریتم­های بهینه سازی ملخ، نهنگ، کرم شب تاب و کلونی زنبور عسل عملکرد بهتری دارد. کلمات کلیدی: قطعه­بندی تصویر، الگوریتم بهینه سازی ملخ بهبودیافته، الگوریتم بهینه­سازی ملخ، الگوریتم بهینه­سازی کرم شب تاب، الگوریتم کلونی زنبورعسل و الگوریتم بهینه­سازی نهنگ. چکیده تصاویر مهم­ترین و پرکاربردترین داده­های دیجیتالی مورد استفاده در سیستم­های کامپیوتری هستند. یک تصویر دیجیتالی از مجموعه­ای از اشیا یا نواحی تشکیل شده است، لذا یکی از تکنیک­های کارا برای استخراج ویژگی از تصاویر با توجه به اشیا تشکیل دهنده آن، تکنیک قطعه­بندی تصویر می­باشد که مرز اشیا یا نواحی را بر روی تصویر با توجه به بافت و ویژگی­های آن با دقت بالایی مشخص می­کند. با استفاده از قطعه­بندی تصویر، پیکسل­های تصویر با توجه به ویژگی­های مشترک و به­طور کلی شباهتی که به هم دارند در ناحیه­های خاص خود کنار یکدیگر قرار می­گیرند. آستانه گذاری چند سطحی تصاویر یک از محبوب­ترین و در عین حال ساده­ترین و کاراترین روش­های قطعه­بندی تصاویر است. مهم­ترین مساله در این روش، انتخاب مقدار آستانه­های مربوطه می‌باشد. به­گونه­ای که با تعین آستانه­های مناسب بتوان تصویر مورد نظر را به­طور دقیق­تر ناحیه­بندی کرد. روش آتسو یکی از روش­های آستانه گذاری است که در تعیین آستانه­های دو سطحی عملکرد خوبی دارد اما هنگام افزایش تعداد آستانه­ها، عملکرد آتسو از نظر زمان و دقت قطعه بندی کاهش می­یابد. لذا با الگوریتم­های بهینه سازی ترکیب می­شود تا عملکرد بهتری از نظر زمان و دقت قطعه بندی بدست دهد. در این پایان نامه ،همچنین یک الگوریتم بهینه سازی ملخ بهبود یافته به منظور افزایش دقت قطعه بندی و افزایش کیفیت تصویر پیشنهاد شده است.همچنین در این روش تابع ارزیابی آتسو برای فرایند قطعه­بندی تصاویر در الگوریتم­های بهینه سازی پیشنهاد شده است که طبق آزمایشات و نتایج، الگوریتم ملخ بهبودیافته در مقایسه با الگوریتم­های بهینه سازی ملخ، نهنگ، کرم شب تاب و کلونی زنبور عسل عملکرد بهتری دارد. کلمات کلیدی: قطعه­بندی تصویر، الگوریتم بهینه سازی ملخ بهبودیافته، الگوریتم بهینه­سازی ملخ، الگوریتم بهینه­سازی کرم شب تاب، الگوریتم کلونی زنبورعسل و الگوریتم بهینه­سازی نهنگ

چکیده:امروزه با بهره­مندی از فناوری­های هوش مصنوعی و یادگیری ماشین شاهد پیشرفت­های چشم­گیری در صنعت حمل و نقل هوشمند به ویژه خودروهای تمام خودکار هستیم که با استفاده از حسگرهای پیشرفته و تکنیک بینایی ماشین قادر به تجزیه و تحلیل اطلاعات محیط پیرامون خود هستند. از چالش­های مطرح در طراحی سیستم این نوع از خودروها، شناسایی درست سایر وسایل نقلیه­ی اطراف مسیر حرکت خودرو است. هدف اصلی این پایان­نامه ارائه روشی برای تشخیص نوع خودروهای اضطراری بر اساس یادگیری عمیق است. با توجه به اهمیت ویژ? عبور و مرور خودروهای اضطراری در جاده­ها و خیابان­ها، خودروهای بدون راننده باید توانایی شناسایی این نوع از خودروها را با دقت بالا داشته و در صورت مشاهده آنها واکنش مناسبی داشته باشند. در این پایان­نامه، برای شناسایی نوع خودروهای اضطراری روش­هایی مبتنی بر یادگیری عمیق ارائه شده است که فرایندهای استخراج ویژگی و طبقه­بندی درآن به صورت همزمان انجام می­شود. روش­های پیشنهادی شامل سه مرحله اصلی هستند: در مرحل? اول، پیش پردازش­های لازم مانند یکسان­سازی اندازه تصاویر و نرمال­سازی انجام می­شود. در مرحل? دوم، ویژگی­های مورد نیاز توسط شبکه عصبی پیچشی از تصاویر استخراج می­شود و در مرحله سوم طبقه­بندی تصاویر صورت می­گیرد. مجموعه داده اصلی مورد استفاده در این پژوهش توسط نگارنده جمع­آوری شد که شامل 4000 تصویر از کلاس­های خودروی آمبولانس، خودروی آتشنشانی، خودروی پلیس و سایر خودروها است. در ادامه کار برای ارزیابی­های بیشتر در کنار مجموعه داده اصلی، از دو مجموعه داده کگِل و MIO-TCD نیز استفاده شد. اولین روش پیشنهادی استفاده از شبکه عصبی پیچشی­ای بود که از ابتدا آموزش دیده است. به دلیل پایین بودن تعداد تصاویر برای آموزش شبکه، مشکلاتی همچون بیش­برازش بوجود آمد که برای برطرف شدن آن از تکنیک­های تقویت داده و حذف تصادفی استفاده شد. این روش پیشنهادی به صحت قابل قبول 24/97 رسید. دومینروش پیشنهادی ما، استفاده از تکنیک ترکیب شبکه­های پیچشی بود. در این تکنیک بخش استخراج ویژگی­ شبکه­ها با یکدیگر ترکیب و در نهایت این ویژگی­ها به طبقه­بند شبکه مورد نظر داده شد. با استفاده از این روش به صحت 01/99 رسیدیم. در ادامه برای بهبود کار خود از شبکه پیش­آموزش دیده VGG16 استفاده کردیم. ما با استفاده از تکنیک تنظیم دقیق که در آن تمامی بلوک­های   شبکه VGG16 به غیر از بلوک آخر را فریز کردیم، توانستیم به صحت 75/99 برسیم. کلمات کلیدی: خودروهای بدون راننده، خودروهای اضطراری، یادگیری عمیق، شناسایی وسایل نقلیه   

سرطان پوست یکی ‌از سرطان‌های رایج در میان جوامع بشری محسوب می‌شود و میزان شیوع آن بطور چشمگیری درحال افزایش است. یکی از خطرناکترین انواع سرطان پوست ملانوما است که هرچه ضایعه پوستی بیشتر رشد کند، شانس درمان کاهش می­یابد. تشخیص زودهنگام سرطان در درمان آن نقش مهمی را دارد. درمان قطعی سرطان ملانوما با تشخیص زودهنگام آن میسر می‌باشد. در این پایان نامه روشی جدید جهت تشخیص سرطان پوست ارائه شد. در این روش ابتدا دو نوع تبدیل موجک گسسته و ایستان روی تصاویر اعمالشد. سپس از این تصاویر تبدیل شده، تعدادی ویژگی های آماری استخراج شد. همچنین ویژگی­های مختلف جهانی، محلی و... نیز روی تصاویر سطح خاکستری و رنگی اعمال شد. در مرحله ی بعد برای بهبود نتایج، ویژگی های استخراجی باهم ترکیب شدند تا بهترین ترکیب از ویژگی­ ها که با بالاترین دقت تصاویر را طبقه­ بندی می­کند به­دست آید. دسته بند استفاده شده در این روش ماشین بردار پشتبان حداقل مربعات است که تصاویر را به دو نوع سرطان ملانوما یا ضایعات پوستی دیگر دسته ­بندی می­کند. روش ارائه شده دقت مناسبی را در تشخیص سرطان پوست دربردارد. همچنین این روش، سرعت پاسخ ­دهی مطلوبی در استخراج ویژگی و دسته­بندی تصاویر دارد. پایگاه داده مورد استفاده در این پایان نامه ISBI2016 می­باشد که دقت به دست آمده روش پیشنهادی برای این داده ها   85.22 درصد می باشد.کلمات کلیدی: سرطان ملانوما، تبدیل موجک گسسته، تبدیل موجک ایستان، حداقل مربعات ماشینبردار پشتیبان

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.   

  وجود صف‌‌های طولانی یکی از مشکلاتی است که افراد هنگام مراجعه به مکان‌‌های مختلف(مانند اورژانس، شعب بانک‌‌ها و...) با آن مواجه می‌شوند که این مشکل باعث هدر رفتن وقت آنها می‌شود. با طراحی سیستمی که بتواند اطلاعات وضعیت شلوغی مکان‌‌ها را در اختیار افراد قرار دهد، در صورت استفاده افراد از آن می‌توان از تلف شدن وقت آنها جلوگیری کرد. در این پایان نامه یک سیستم اینترنت اشیاء بر پایه معماری پردازش در لبه برای حل مشکل ایجاد صف و ازدحام جمعیت طراحی شده است. همچنین در زمان‌هایی هم که به دلایلی شیوع بیماری های واگیر نظیر کرونا از شهروندان خواسته می‌شود که در مکانهای شلوغ حاضر نشوند استفاده از این سیستم می‌تواند بسیار مفید باشد.   در این سیستم نرم‌افزار تحت ویندوز از   طریق اتصال دوربین‌های مداربسته نوع بی‌سیم به رایانه، تصاویر را دریافت کرده و به کمک یک روش پردازش تصویر، تعداد افراد را می‌شمارد و سپس وضعیت مکان را به سمت سرور می‌فرستد. همچنین در این پایان‌نامه در مورد پیش زمینه، مطالعات انجام شده و چالش‌‌های سیستم های شمارش افراد بر پایه اینترنت اشیاء و الگوریتم‌های پردازش تصویر بحث شده و سه روش پردازش تصویر برای شمارش افراد مطرح شده است. دو روش بر اساس حذف پیش‌زمینه و شمارش افراد بر اساس پیکسل های پس زمینه هستند و روش سوم یک مدل بر پایه شبکه‌های MRCNN است که برای شمارش سَر افراد آموزش داده شده است. محیط‌‌هایی که این سیستم برای تشخیص میزان شلوغی در آن پیاده سازی می‌شوند مکان‌‌های سر پوشیده هستند که مشکل وجود سایه افراد در آن‌‌ها به ندرت وجود دارد. میانگین خطاهای بهترین روش بر اساس معیار خطاهای MAE و RMSE در تمام فریم‌های آزمایش به ترتیب برابر با 51/1 و 89/1 شد.

تشخیص سرطان عمدتاً توسط تجزیه و تحلیل بصری آسیب‌شناس، با بررسی مورفولوژی برش‌های بافت و نظم فضایی سلول‌ها، تحت میکروسکوپ انجام می‌شود. اگر تصویر میکروسکوپی یک نمونه رنگ‌آمیزی نشود بدون رنگ و بافت به نظر می‌رسد، بنابراین برای ایجاد کنتراست و شناسایی اجزای خاص بافت، نمونه‌ها به رنگ‌آمیزی شیمیایی نیاز دارند. در حین آماده‌سازی بافت، با توجه به ترکیبات شیمیایی مختلف، اسکنرهای مختلف، ضخامت برش و پروتکل‌های آزمایشگاهی، بافت‌های مشابه معمولاً در ظاهر متفاوت هستند. این تنوع بالا در رنگ‌آمیزی علاوه بر اختلاف تفسیری در بین آسیب‌شناسان، یکی از چالش‌های اصلی در طراحی سیستم‌های قدرتمند و انعطاف‌پذیر برای تجزیه و تحلیل خودکار است. استراتژی‌های مختلفی از نرمال‌سازی رنگ برای کاهش ناهماهنگی بافت‌های رنگ‌آمیزی شده به‌عنوان یک مرحله پیش‌پردازش در خط لوله سیستم‌های خودکار پیشنهاد شده است. در این پایان‌نامه، نرمال‌سازی رنگ تصاویر هیستوپاتولوژی که از طریق هماتوکسیلین و ائوزین (H&E) رنگ‌آمیزی شده‌اند، براساس روش pix2pix که از شبکه‌های مولد تخاصمی شرطی (cGAN) برگرفته شده است، پیشنهاد و بررسی گردیده است. رویکرد پیشنهادی با عنوان «انتقال از یک رنگ‌ به رنگ‌‌ دیگر»(Stain-to-Stain Translation)   که به اختصار STST گفته می‌شود، نامگذاری شده است. این روش نه تنها توزیع رنگ خاص را یاد می‌گیرد بلکه با حفظ ساختار بافت الگوی هیستوپاتولوژی مربوطه را نیز حفظ می‌کند. همچنین برخلاف روش‌های پیشین که به یک تصویر مرجع وابسته بودند، این روش از توزیع تمامی تصاویر مجموعه آموزش برای یادگیری استفاده می‌کند. روش STST در مقایسه با برخی از بهترین روش‌هایی که تاکنون ارائه شده‌اند، با هر دو ارزیابی کمی و کیفی نتایج قابل توجهی را به دست آورده است. براساس نتایج به دست آمده می‌توان نشان داد که STST علاوه بر شباهت ادراکی بسیار بالا بین مرجع درستی و تصویر مجدد رنگ‌آمیزی شده، در مدت زمان پردازش برای نرمال‌سازی تصاویر بافت نیز از سایر روش‌های نرمال‌سازی رنگ که در این پایان نامه مورد بررسی قرار گرفته است پیشی گرفته است. همچنین این روش در یک کاربرد بالینی یعنی طبقه‌بندی بافت سینه (به دو دسته نرمال یا دارای تومور) مورد آزمایش قرار گرفته است، که نتایج حاصل شده بهبود 5 درصدی   AUC را به همراه داشته است. در ضمن برنامه نرم افزاری ایجاد شده در این پایان نامه نیز در دسترس عموم قرار گرفته است[1]. [1] https://github.com/pegahsalehi/Stain-to-Stain-Translation   

  کف های طاق ضربی متشکل از طاق های قوسی شکل بنایی با دهانه حدود یک متر هستند که بارهای ثقلی را به تکیه گاه های خود (تیرچه های فولادی) منتقل می نمایند. تعداد قابل توجهی از کف های طاق ضربی در ساختمان های موجود   بدلیل ناکافی بودن ممان اینرسی تیرچه های خود تحت بارهای   پیاده روی دارای مشکل ارتعاشات قائم بیش از حد هستند. با این حال، مشکل ارتعاش تنها محدود به این نوع کف نبوده و در ساختمان های جدید نیز   که تمایل به استفاده از دهانه های بزرگ تر، کاهش پارتیشن ها و تیغه ها در ساختمان، و کاربرد مصالح سبک رایج است، کم و بیش مشکل ارتعاشات آزار دهنده کف های سازه ای مطرح می باشد. در ساختمان های اداری جدید با توجه به   پیشرفت فناوری،   بسیاری از کمدهای مدارک و قفسه های بایگانی با کامپیوتری رومیزی جایگزین شده اند. بنابراین، علاوه بر بارهای مرده کف (بدلیل سبک سازی)، بارهای بهره برداری نیز نسبت به گذشته کاهش قابل توجهی یافته اند و   میرایی موثر کف کاهش یافته است. این عوامل سبب ایجاد ارتعاشات سازه ای بیش از حد در کف های مذکور شده است که در درجه اول موجب سلب آسایش ساکنین شده و در بعضی موارد سبب اختلال در عملکرد تجهیزات حساس نصب شده در سازه می گردد. یکی از راه حل های موجود جهت کاهش   ارتعاشات   افزایش سختی و فرکانس سازه کف   با افزایش تعداد ستون ها و یا تغییر مقاطع تیرها و . . می باشدکه این امر نیازمند صرف زمان و هزینه زیادی است. به علاوه در اغلب موارد محدودیت های   معماری عمدتا مانع این راهکار میشوند. راه حل دیگر در کاهش ارتعاشات افزایش میرایی موثر کف با استفاده از انواع میراگرهای   الحاقی می باشد. در این پایان نامه برای کاهش ارتعاشات   دو کف سازه ای مختلف (الف: طاق ضربی و ب: عرشه فولادی با ورق های موج دار) تحت بارگذاری های مختلف پیاده روی   از میراگرهای جرمی تنظیم شونده ویسکوالاستیک استفاده بعمل آمده است. مدل سازی ها با استفاده از نرم افزار آباکوس انجام شده است.   مدل اجزا محدود میراگرهای مورد نظر براساس نتایج آزمایشگاهی ارتعاش آزاد پیشین کالیبره شده است. سپس، جانمایی مناسب میراگر، با هدف دستیابی به بیش ترین کاهش در ارتعاشات تیر، با مدلسازی ارتعاشات تیری با فرکانس طبیعی 52/4 هرتز و کاربرد میراگر   در 8 حالت مختلف مورد بررسی قرار گرفت. در ادامه با مدلسازی یک کف طاق ضربی و نیز یک کف عرشه فولادی دارای ارتعاشات بیش از حد مجاز، تاثیر   میراگرهای با نسبت جرمی 1% ، 2%،   و 3% در کاهش ارتعاشات مورد بررسی قرار گرفت.   ارتعاشات کف های مذکورتحت اثر 6 بارگذاری پیاده روی و 3 بارگذاری دویدن با فرکانس های تحریک 5/1،   2، و 3 هرتز   بررسی شده است. نتایج این تحقیق نشان می دهد در حالتی که میراگر در وسط دهانه و موازی با تیر قرار می گیرد بیش ترین کاهش در شتاب حداکثر ایجاد شده در کف به دست می آید. چنانچه به هر دلیل   امکان نصب پایه میرا گر ها در وسط دهانه تیرچه کف میسر نباشد، میراگرها را باید در طرفین مرکز تیرچه بگونه ای نصب کرد که جرم انتهایی آنها متمایل بسمت داخل دهانه تیرچه قرار گیرد تا کاهش حداکثری ایجاد شود. بر اساس مطالعات این پایان نامه   میراگرهای جرمی تنظیم شونده مورد بررسی   قادر به کاهش ارتعاشات هر دو کف سازه ای تا   حد مجاز تحت اثر   بار های پیاده روی   بوده و برای بارگذاری ناشی از دویدن تا 80% ارتعاشات را کاهش   می دهند.  

  پیش­بینی انتشار

هدف اصلی انسان از جمع‌آوری اطلاعات را می­توان فهمیدن تفکر سایر انسان­ها دانست. این تمایل نا­خودآگاه سبب کشش پژوهشگران به سمت تحلیل اطلاعات جهت درک و تجزیه ذهن سایر انسان­ها، شده است. امروزه با توجه به پیشرفت­ها و فراهم آوردن بستر­های اطلاعاتی مانند اینترنت، شبکه­های اجتماعی و غیره می­توان به‌راحتی اطلاعات موردنیاز خود را جمع‌آوری کرد. امروزه شبکه­های اجتماعی یکی از مهم­ترین جنبه­های زندگی افراد هستند و از سوی دیگر این شبکه­ها با استفاده از کاوش اطلاعات کلی کاربران به درآمدهای هنگفتی دست پیداکرده‌اند. هدف از پژوهش حاضر متن­کاوی جهت پی بردن به حالت روحی افراد در تایپ متون است. در این پژوهش از 14000 توئیت در رابطه با خطوط هوایی جهت تحلیل احساسات در سه دسته­ی مثبت، منفی و خنثی   استفاده شده است. طرح پیشنهادی نهایی دارای سه گام است. در گام اول عمل پیش پردازش را بر روی پایگاه داده انجام می­دهیم. در گام دوم با استفاده از الگوریتم رقابت استعماری کلمات اصلی را از بین تمامی کلمات موجود استخراج می­کنیم. منظور از کلمات اصلی کلماتی هستند که بیشترین تاثیر را برای دسته‌بندی دارند. سپس با استفاده از شبکه­ی عصبی پیچشی اقدام به استخراج ویژگی­های بیشتر می­کنیم. درگام آخر نیز با استفاده از شبکه­ی عصبی پرسپترون چندلایه (MLP) عمل دسته‌بندی را انجام می­دهیم. در نهایت با استفاده از طرح پیشنهادی نهایی به‌دقت 990/0، صحت 983/0و فراخوانی 875/0دست پیداکرده‌ایم. نتایج نشان­دهنده­ی مطلوب بودن طرح پیشنهادی نهایی است  

تهدیدهای امنیتی وب به­طور روزافزون در حال افزایش است. ماهیت شبکه اینترنت به صفحات وب بدخواه این اجازه را می­دهد تا خود را به‌عنوان "صفحات امن" نشان دهند و متعاقباً برخی از کاربرانی که آگاهی کافی ندارند در دام این وب­سایت­ها گرفتار شوند. یکی از حملات رایج این حوزه، حمله Cross-Site Scripting(XSS) است. این حمله با تزریق اسکریپت­های مخرب به ورودی­های صفحات وب رخ می­دهد، زمانی که کاربر صفحه آلوده مورد نظر را بازدید کند به وقوع می­پیوندد. روش مرسوم برای شناسایی صفحات مخرب وب، استفاده از فهرست‌های سیاه است. این فهرست‌های سیاه، توسط سازمان­های مورد اعتماد و داوطلب تهیه می­شود و سپس توسط مرورگرهای مدرن مانند کروم و فایرفاکس استفاده می­شود. با توجه به اینکه، ماهیت صفحات وب به‌طور مداوم در حال تغییر است، این روش در شناسایی تهدیدهای جدید ناکارآمد است رویکرد دیگر، استفاده از روش­های یادگیری ماشین است که تصمیم­گیری­های پیچیده‌تری نسبت به روش انسانی می­توانند اتخاذ کنند. روش­های یادگیری ماشین با تحلیل ایستای متن(بدون اجرای کد) این کار را انجام می­دهند اما هنوز هم عدم شناسایی صحیح در بسیاری از برنامه­های جاری، منجر به فعال شدن کدهای مخرب شده و آسیب وارد می­کنند. در این پژوهش هدف ما شناسایی وب­سایت­های مخرب با استفاده از ترکیب تحلیل ایستا و پویای(با اجرای کد) است، که به کمک این دو رویکرد ابتدا، چالش­های رمزگشایی و مبهم­سازی را حل کرده و سپس ویژگی­های استخراج شده را تحلیل می­کنیم. نتایج این تجزیه و تحلیل نشان می­دهد که رویکرد پیشنهاد شده با الگوریتم طبقه­بندی درخت تصادفی، پیوندهای صفحات وب را با دقت 97.11 درصد شناسایی می­کند.   

تولید آزمون با استفاده از روش‌های قطعی به دلیل استفاده از عقب‌گرد بسیار زمان‌بر هستند. روش‌های تولید آزمون مبتنی بر شبیه‌سازی   مدار را فقط در مسیر روبه‌جلو تحلیل می‌کنند و همین موضوع باعث محبوبیت آن‌ها شده است. روش‌های تصادفی تولید آزمون که از روش‌های مبتنی بر شبیه‌سازی محسوب می‌شود زمان کوتاهی برای تولید آزمون دارد، اما تعداد بردارهای آزمون تولیدشده در روش‌های تصادفی زیاد است. استفاده از شاخص پوشش اشکال برای بررسی شایستگی بردارهای آزمون و هرس کردن بردارهای آزمونی که کارایی کافی ندارند راه حلی مناسب در کاهش تعداد این بردارها است. اما محاسبه شاخص پوشش اشکال برای هر بردار آزمون نیازمند شبیه‌سازی اشکال است که فرآیندی زمان‌بر است. همچنین الگوریتم ژنتیک بدلیل جستجوی بهینه‌ای که روی فضای بزرگی از بردارهای آزمون انجام می‌دهد می‌تواند به یک مجموعه آزمون بسیار فشرده برسد. اما این روش هم که مبتنی بر شبیه‌سازی است، بدلیل استفاده از شاخص پوشش اشکال به عنوان تابع برازندگی نیازمند شبیه‌سازی اشکال است که زمانبر است. هدف اصلی این پایان‌نامه کاهش زمان تولید آزمون روش‌های مبتنی بر شبیه‌سازی با حفظ کیفیت آن‌ها برای مدارات ترکیبی است. ایده این پایان‌نامه بررسی شایستگی بردارهای آزمون با استفاده از یک شاخص جدید مبتنی بر سیستم احتمالاتی است که محاسبه‌ی آن سریع و کم هزینه است. برای ارزیابی دقت این شاخص شایستگی پیشنهادی از مفهوم همبستگی آماری استفاده شد که نتایج نشان داد همبستگی بین شاخص شایستگی پیشنهادی و شاخص پوشش اشکال برای تمام مدارات وجود دارد و برای 6 مدار از 10 مدار ISCAS85 این همبستگی بزرگتر از 7/0 بود که همبستگی زیاد را نشان می‌دهد. نتایج استفاده از شاخص شایستگی پیشنهادی در روش‌های تولید آزمون مبتنی بر شبیه‌سازی نشان داد که می‌توان روش پایه هرس کردن بردارهای آزمون   با حفظ کیفیت تولید آزمون   به طور متوسط 86% تسریع بخشید و روش پایه تولید آزمون مبتنی بر الگوریتم ژنتیک را با متوسط یک بردار آزمون بیشتر به طور متوسط % 85/49 تسریع بخشید.   

طراحی عروسک هوشمند تعاملی مبتنی بر اینترنت‌اشیاء براساس زبان فارسی   

چکیده پیشرفت تکنولوژی و اینترنت با رشد چشمگیر و روزافزون پایگاه­داده­ها به­خصوص تصاویر مواجه شده به همین جهت جستجوی تصویر دلخواه و بازیابی آن از میان حجم انبوه پایگاه­داده­ها اهمیت ویژه­ای پیدا کرده است. جستجوی تصاویر از گذشته تا به حال به­عنوان یک امر مهم پژوهشی بوده و روش­های متعددی برای آن مطرح شده از جمله این روش­ها بازیابی تصویر براساس متن است، روش بازیابی براساس متن روشی پایه بوده و عملیات جستجو را با استفاده از کلمات کلیدی تعریف‌شده برای هر تصویر انجام می­دهد، با توجه به این­که روش جستجوی متنی روشی زمان­بر و پرهزینه به­حساب می­آمد، تلاش­ها به سمت روش­ها و تکنیک­های دیگر یعنی بازیابی تصویر براساس محتوا یعنی با استفاده از توصیفگر­های عناصر ساختاری و یا ویژگی‌های سطح پایین تصویر یعنی رنگ، بافت و شکل کشیده شد تا بتوانیم به تصویر جستجوی مدنظر برسیم. در این تحقیق سعی شده توصیفگر عناصر ساختاری SED را به چالش کشیده و با سایر توصیفگر­ها و الگوریتم­های که در این پروژه پیاده‌سازی‌شده مقایسه صورت گیرد و به روشی با درصد دقت بالاتری دست یابیم، با تحقیقات و بررسی­های­ انجام شده برروی روش­ها و توصیفگرهای عناصر ساختاری که از ویژگی­های سطح پایین رنگ و بافت استفاده می­کنند، روش پیشنهادی ترکیبی با استفاده از عناصر ساختاری و هیستوگرام اختلاف رنگ ارایه شده است. از طرفی باتوجه به اینکه تغییر سایز تصاویر یک مسئله مهم و دسترسی به تصویر مورد نظر با سایز­های متفاوت یک امر مهم تلقی می­شود لذا نتایج روش‌های مختلف استخراج ویژگی در تصاویر با ‌‌اندازه‌های 128×128،‌ 64×64،‌ 32×32،‌ 16×16 و 8×8 با‌‌هم مقایسه شده است. برای دسته­بندی تصاویر از ماشین­بردار­پشتیبان استفاده شده و دقت محاسباتی بازیابی تصویر در روش پیشنهادی تا 90 درصد افزایش یافته است. کلمات کلیدی: بازیابی مبتنی بر محتوای تصویر؛ ویژگی­های سطح پایین؛ توصیفگر عناصر ساختاری؛ رنگ؛ بافت.   

ظهور شبکههای اجتماعی برخط یکی از مهمترین رویدادها در دهه اخیر بوده است. یک شبکه اجتماعی شبکهای ازتعاملات و ارتباطات است که کاربران گرههای آن و ارتباطات بین کاربران یالهای گراف را تشکیل میدهد. پس ازمطرحشدن شبکههای اجتماعی و گسترش آن، بازارهای جدید و روشهای کسبوکار جدید به وجود آمدند. در این راستا،یک سیستم توصیهگر، نرمافزاری است که با شناسایی ترجیحات مشتریان، آنان را در مواجه با انبوه اطلاعات یاری ومحصولات و خدماتی منطبق و سلایقشان به آنها ارائه میکند. تا کنون برای پیادهسازی این سیستمها روشهای مختلفیارائه شده است که در میان آنها روشهای پالایش مشارکتی نسبت به سایر روشها عملکرد بهتری ارائه میدهند. باافزایش تعداد کالاها و کاربرانی که از این سیستمها استفاده میکنند، اکثر روشهای موجود دچار مشکل کاهش سرعتشده و کارایی خودشان را از دست میدهند . به عبارت دیگر، سیستمهای موجود برای کاربردهای کلان داده که در آننیاز است حجم و تنوع بیشتری مورد پردازش قرار بگیرد، مناسب نیستند. لذا در این تحقیق ضمن معرفی سیستمهایتوصیهگر و نقاط ضعف آنها، یک روش جدید برای حل این چالش ارائه شده است. برای آنکه روش پیشنهادی بتواند بهخوبی از بسترهای پردازشی توزیع شده بهره ببرد، باید از ساختار قابل توزیع بهرهمند باشد. بدین منظور برای جستجویکاربران و اهداف مشترک و همجهت و قرار دادن آنها در یک دسته، الگوریتم پیشنهادی از الگوریتم توزیعشده و تعاملیاجتماع ذرات بهره میبرد. الگوریتم توزیعشده و تعاملی اجتماع ذرات نسخهای از PSO است که میتواند هر بخش ازپایگاه داده و یا هر بعد از هدف را به طور جداگانه پردازش نماید. لذا الگوریتم پیشنهادی به خوبی با بسترهای پردازشیتوزیع شده همچون اسپارک سازگار است. نتایج شبیهسازیهای انجام شده، ضمن تایید دقت مشابه روش پیشنهادی باروش پالایش مشارکتی، نشان میدهد که سامانه پیشنهادی برای توصیهگری در کلاندادهها حدود 64 بار سریعتر ازبسترهای پردازشی معمول، است.

  آشکارساز فعالیت صوتی، شاخه‌ای از علم پردازش سیگنال و یکی از بخش‌های بسیار مهم در پردازشگرهای سیگنال‌های صوتی بوده و در بسیاری از سیستم‌های مخابراتی و صوتی نظیر فشرده‌سازی گفتار، بازشناسی گفتار، بهسازی گفتار، تخمین و حذف نویز و بسیاری دیگر از سیستم‌های ارتباطی مورد استفاده قرار می‌گیرد. از این ‌رو، رویکرد این پایان نامه در جهت ارائه روشی موثر و مبتنی بر ترکیب روش‌های پایه جهت دستیابی به مجموعه ای از ویژگی های موثر و استفاده از روش‌های انتخاب ویژگی و به‌کارگیری روش‌های بهینه‌سازی هوشمند به منظور کاهش ابعاد برای دستیابی به مجموعه ویژگی‌هایی با خطای کمتر و دقت بیشتر در تشخیص نواحی گفتار و غیرگفتار در شرایط مختلف می‌باشد. روش پیشنهادی، به ازای SNR های مختلف منجر به کاهش 8.11   درصدی معیار خطای EER و افزایش 3.56 درصدی معیار دقت‌ AUC و افزایش 8.55   درصدی معیار دقت‌ Fscore نسبت به بهترین روش از بین روش‌های موجود مقایسه شده در حالت بهبودیافته و همچنین منجر به کاهش 1.8 درصدی معیار خطای EER و افزایش 2.05 درصدی معیار‌ دقت AUC و افزایش 0.47 درصدی معیار دقت‌ Fscore نسبت به بهترین روش از بین روش‌های موجود مقایسه شده در حالت غیر بهبودیافته، گردیده است.

امروزه استفاده از فناوری بیسیم کاربردهای   بسیاری یافته است به طوریکه به یک بخش غیر قابل حذف از زندگی روزمره و حتی صنعت تبدیل شده است و نمونه ای از کاربردهایش را میتوان به تلفن های همراه ، شبکه [1]WiFi ، تبادل اطلاعات دیجیتال رادیویی و موارد دیگر اشاره کرد ؛ برای دستیابی به این فناوری ها از دانش و دستاوردهای مهندسی مختلفی به ویژه در حوزه برق الکترونیک استفاده شده است. فراهم   آوردن این امکانات بر روی یک تراشه کوچک در اثر پیشرفت علم کوچک‌سازی قطعات   [2]VLSI ، فناوری CMOS[3]   و ابداع ساختارها مدارها و قطعات [4]RF ممکن شده است ؛ طراحی RF شامل بخش هایی همچون آنتن ، تقویت کننده کم نویز میکسرها ، نوسانساز ، حلقه‌های قفل فاز ،فرکانس سازها و تقویت کننده های توان است.بخش مهمی که در شبکه بعد از آنتن قرار دارد تقویت کننده کم نویز است که دارای پارامترهای مختلفی می‌باشد که در تعامل با یکدیگر قرار دارند از جمله نویز، پهنای باند خطینگی ، تطبیق ورودی   و ... که ما سعی کرده ایم با استفاده از تکنیک های مربوط به افزایش خطینگی بتوانیم پاسخ خطی‌تری از مدار دریافت کرده و به پهنای باند 3.1-10.6 GHz   دست یافته ایم؛ ساختار مدار پیشنهادی در فصل چهارم از این پایان نامه مورد بررسی قرار گرفته است .کلمات   کلیدی: تقویت کننده کم نویز ، پهنای باند ، خطینگی ، بهره ، تکنیک خطی سازی[1] Wireless Fidelity[2] Very-large-scale integration[3] Complementary Metal Oxide Semiconductor[4] Radio Frequency

  هدف این پژوهش ساخت، به‌کارگیریی و بهبود کارکرد جداسازی غشای پلیمری PEBA برای جداسازی دی اکسید کربن از متان است. برای اصلاح این غشا از غشا‌های نانوکامپوزیتی(ماتریس آمیخته) استفاده شده که شامل پرکن‌های آلی نانولوله‌های آلومینا است. نانو لوله‌های آلومینیومی به روش هیدروترمال سنتز شد و سطح ذرات با یک آمینو سیلان عامل‌دار گردید. این پرکن‌ها در ساخت غشا‌های با فاز پلیمری   پیوسته   EBAX1657مورد استفاده قرار گرفت. به‌علاوه برای افزایش میزان تراوایی از گلیسرول تری استات به روش اختلال پلیمری برای اصلاح بیشتر غشا استفاده شد. غشا‌ها به روش ریخته‌گری محلول وتبخیر حلال ساخته شد و اثر پارامتر‌های بارگذاری نانو پر‌کن، میزان غلظت تری گلیسرول استات بر ساختار و عملکرد غشا بررسی شد. ویژگی ساختاری نانو پر‌کن و پراکندگی آن‌ها در غشا‌های ساخته شده به کمک آزمون‌های FTIR،   FESEM و XRD مورد ارزیابی قرار گرفتند. بررسی‌ها حاکی از تشکیل نانو لوله‌ها، وجود گرو‌ها عاملی و هم‌چنین مشخصات ساختاری بهتر و یکنواخت‌تر غشا‌های نانو کامپوزیتی ساخته شده نسبت به غشا‌های خالص بودند.تراوش‌پذیری گاز‌های خالص CO2 و CH4 از میان غشا‌های ساخته شده در شرایط عملیاتی C°25 و 5 بار اندازه‌گیری شد. آزمایش‌ها نشان داد که نشاندن نانو پر‌کن‌ها و هم چنین اختلاط پلیمری سبب افزایش تراوایی از میان غشا‌های ماتریس آمیخته در مقایسه نسبت به غشا‌های خالص پلیمری می‌شود.

نشاندن نانوپرکن‌ها برای ساخت نانوکامپوزیت‌‌‌‌های گوناگون، راهکاری کارآمد و امیدبخش و برای تقویت ویژگی‌های گوناگون پلیمرها است. در این پژوهش، نانولوله هالوسیت به دلیل ویژگی‌های ساختاری، زیست سازگاری و ارزانی برای بهبود تراوش‌پذیری و گزینش‌گری گازهای دی‌اکسید کربن و متان در شبکه پلیمر PEBA نشانده می‌شود. انتظار می‌رود که با اصلاح نانولوله‌های هالوسیت نیز بتوان نانوکامپوزیت PEBA - هالوسیت بهتری نسبت به پلیمر خالص حاصل شود و چشم آن می‌رود که بتوان از کران بالای روبسون برای زوج گاز دی‌اکسید کربن و متان که معیاری برای سنجش عملکرد مناسب و کارامد غشاها در جداسازی است، نیز گذشت و نانوکامپوزیتی با مشخصات بهتری از نظر کارکرد جداسازی گازها وحتی نظر ویژگی‌های مکانیکی، شیمیایی و گرمایی نیز عرضه کرد.

در این پایان‌نامه به بررسی عددی و تجربی انتقال حرارت جابجایی آزاد در سینک‌های فوم فلزی تحت زاویه‌های شیب مختلف پرداخته شده است. فوم‌های فلزی دسته‌ای از مواد متخلخل هستند که در سالهای اخیر در طیف وسیعی از تجهیزات انتقال حرارت به‌کار رفته‌اند. این استقبال ناشی از خواص ترموفیزیکی مناسب شامل نسبت سطح به حجم زیاد و ضریب هدایت حرارتی موثر بالای آنهاست. به دلیل آنکه تخلخل آنها بالاست (بیش از 9/0) خیلی سبک وزن هستند. در این مطالعه، فوم به‌کار رفته مکعبی با ابعاد mm3 10×40×40 از جنس آلومینیوم با تخلخل 92/0 و چگالی منفذ   i10 می‌باشد. آزمایش برای زاویه‌های شیب سینک حرارتی 0‌، 30، 60، 90، و توان‌های ورودی 4، 8، 12 و 16 وات انجام گرفته است. تحلیل عددی مساله توسط روش المان محدود و با نرم افزار تجاری Comsol Multiphysics5.2 انجام شده است. انتقال حرارت و جریان سیال در فوم فلزی بر اساس تئوری حجم متوسط با درنظر گرفتن شرط عدم تعادل حرارتی برای معادله انرژی‌، ‌در مقیاس ماکرو بیان شده است. در کار حاضر تاثیر زاویه شیب سینک حرارتی، دمای پایه و پارامتر‌های هندسی فوم مانند تخلخل، چگالی منفذ، ارتفاع فوم بر عملکرد حرارتی فوم فلزی در انتقال حرارت جابجایی آزاد بررسی شده است. نتایج آزمایش‌ها نشان داد، عملکرد حرارتی سینک حرارتی فوم فلزی با افزایش شار حرارتی کاهش می‌یابد. برای توان ورودی 16 وات، بیشترین مقدار عدد نوسلت متوسط در زاویه شیب 60 درجه (75/25) می‌باشد. مقایسه عملکرد حرارتی حالت افقی و عمودی سینک ها نشان می‌دهد که حالت افقی دارای عملکرد بهتری است. نتایج تحلیل عددی نشان می‌دهد که بیشترین عدد نوسلت متوسط برای تمام نمونه‌های فوم فلزی در حالت افقی است. از بررسی پارامترهای هندسی فوم می‌توان نتیجه گرفت که با افزایش تخلخل، عدد نوسلت متوسط سینک حرارتی کاهش یافته و کاهش چگالی منفذ باعث افزایش عدد نوسلت متوسط شده است. بررسی‌ها نشان می‌دهد که در یک تخلخل ثابت، نمونه با چگالی منفذ ppi10 و ppi20 اختلاف زیادی با یکدیگر ندارند، اما نمونه با چگالی منفذ ppi 5 دارای عملکرد بهتری می‌باشد. از مقایسه عدد نوسلت حالت‌های افقی (94/30) و حالت عمودی (29/25) برای نمونه با تخلخل 92/0 و چگالی منفذ ppi 5 می‌توان نتیجه گرفت که عدد نوسلت متوسط درحالت افقی 34/22% بیشتر است. از دیگر بررسی‌‌های انجام شده مقایسه عدد نوسلت سینک حرارتی فوم فلزی با تخلخل 92/0 و چگالی منفذ ppi 10 با یک صفحه تخت بدون فوم در حالت افقی برای دما سطح

بیماری پارکینسون یکی از بیماری­های شایع عصبی است. این بیماری با مشکلات حرکتی برای بیماران همراه می­باشد که موجب عدم توانایی کارکردن و دیگر پیامدها می­باشد. در این پایان­نامه، سعی شده تصاویر مربوط به دست نوشته افرادی که تست پارکینسون داده­اند به صورت اتوماتیک توسط روش­های پردازش تصاویر بررسی شوند و بیمارها و غیر بیمار ها با متد­های پردازش ماشین و یادگیری ماشین تفکیک شوند. ویژگی­های الگوی باینری محلی و چندی­کردن فاز محلی برای اولین بار در مسئله­ی طبقه­بندی افراد سالم و بیمار پارکینسون بکار برده می­شوند و پارامترهای دقت شناسایی،   دقت،فراخوانی وF-score   ارزیابی می­شوند. روش پیشنهادی شامل سه قسمت است: پیش پردازش، استخراج ویژگی­ و کلاس بندی. در بخش پیش پردازش، نرمال سازی، قطعه­بندی مبتنی بر عملیات ریخت­شناسی و فیلتر مات بر روی تصویر انجام می­گردد. سپس، در بخش استخراج ویژگی برای تصویر، دست خط و خط چاپی از هم جدا شده و سپس با هم مقایسه می­شوند تا ویژگی­های مربوط به آن به دست آید. برای مشخص کردن نقاط متناظر روی دست خط و خط چاپی از اختلاف دو تصویر و همچنین میانگین­گیری استفاده شده است. در ادامه، ویژگی­های بدست آمده که مبتنی بر اطلاعات آماری تصویر می­باشد، بدست می­آید. در مرحله­ی بعد سه طبقه­بند مختلف ماشین بردار پشتیبان، نایو بیز و کا نزدیک­ترین همسایه به منظور دسته بندی افراد سالم و بیمار پارکینسون بکار گرفته شده است. برای ارزیابی روش پیشنهادی و مقایسه با روش­های پیشین، از مجموعه داده Hand PD استفاده شده و از 90 درصد داده­ها برای آموزش و از 10 درصد برای تست استفاده کرده­ایم. نتایج به­دست آمده نشان می­دهد که بهترین الگوریتم در بین طبقه­بندها نایو بیز بوده است که دقت این روش برای طبقه­بندی افراد سالم و بیمار با بدست آوردن اطلاعات آماری   تصاویر، برابر با 32/85 است . همچنین در ادامه تاثیر بکارگیری دو توصیفگر الگوی باینری محلی و الگوی چندی­ساز فاز محلی، بررسی شده است که طبقه­بند نایوبیز بیشترین دقت را برای الگوی باینری محلی برابر با مقدار 77/87 و برای الگوی چندی­ساز فاز محلی برابر با 59/85   نتیجه داده است. در مجموع نتیجه­  hy  hy;ی بدست آمده از روش پیشنهاد شده نشان می­دهد که این روش نسبت به روش­های اخیر 9 درصد افزایش در دقت تشخیص داشته­است.   

یکی از مباحث مهم در جامعه امروزی که دغدغه بسیاری از کارشناسان و همچنین کاربران می‌باشد بحث امنیت و تشخیص و تایید هویت است. مردم خواستار اقدامات امنیتی بی­عیب، ساده و کاربرپسند هستند. بیومتریک، احراز هویت افراد براساس ویژگی­های منحصربفرد و متمایز کننده ، مقاوم و قابل­سنجش است که بتواند جهت تعیین یا تایید هویت افراد بکار رود. شناسایی از طریق بیومتریک، شناسایی یک فرد براساس صفات فیزیولوژی، رفتاری و شیمیایی یک شخص است. تشخیص هویت از طریق بیومتریک مزایای بسیاری دارد و تاکنون روش­های مختلفی ارائه شده است. روش­های بکار رفته در هر دوره قوت و ضعف فناوری آن را به همراه دارد. در بین ویژگی­های بیومتریک مختلف استفاده از الگوی رگ دست افراد یکی از مناسب­ترین و قابل اطمینان­ترین خصیصه­های بیومتریکی می­باشد که ما در این پایان­نامه به آن می­پردازیم. سیستم­های تصدیق هویت مبتنی بر الگوی رگ دست شامل چندین مرحله مختلف از قبیل پیش­پردازش، استخراج ویژگی الگوی رگ­ها و تطابق الگو است. در سال­های اخیر روش­های مختلفی برای هر کدام از این مراحل ارائه شده است. در این پایان نامه، تمرکز ما بر روی استخراج ویژگی و بکارگیری توصیفگرهای بافت تصویر و ترکیب چند توصیفگر می­باشد. به منظور استخراج ویژگی توصیفگرهای الگوی باینری یکنواخت، الگوی باینری یکنواخت مستقل از چرخش و کوانتیزه ساز فاز محلی مستقل از چرخش به کار گرفته شده است. همچنین در روش پیشنهادی ترکیب چند توصیفگر را نیز بررسی نموده ایم. در ادامه برای طبقه بندی تصاویر، سه طبقه بند متفاوت ماشین بردار پشتیبان، درخت تصمیم و کا نزدیک­ترین همسایه بکار گرفته شده است. برای ارزیابی دقیق روش پیشنهادی، از مجموعه داده PUT Hand Vein   که خود شامل دو مجموعه داده از تصاویر رگ کف دست و رگ پشت دست است، استفاده شده است. پایگاه داده شامل 1200 تصویر رگ کف دست و همچنین 1200 تصویر رگ پشت دست است. همچنین پارامتر دقت طبقه بندی تصاویر و زمان محاسبات اندازه گیری شده است. نتایج بدست آمده از اجرای این الگوریتم­ها و ترکیبات مختلف آنها نشان می­دهد که بهترین الگوریتم ترکیب الگوی باینری یکنواخت و کوانتیزه ساز فاز محلی است که دقت این روش در تصاویر رگ کف دست برای دست راست 99 درصد و برای دست چپ 33/ 99 درصد با طبقه­بند ماشین بردار پشتیبان بدست آمده است. در تصاویر رگ پشت دست برای دست راست مقدار دقت طبقه بندی 83/97 درصد و برای دست چپ 66/97 درصد با بکارگیری طبقه­بند کا نزدیکترین همسایه بدست امده است. علاوه بر این در مقایسه با روش های پیشین، نتایج بدست آمده از روش پیشنهادی بهبود دقت را نشان می­دهد.  

بررسی اثر مدل های ترمودینامیکی ونفوذ بردقت پیش بینی کارکرد غشا تراوش تبخیری

  چکیدهمقابله با پول‌شویی مهم‌ترین ابزار مبارزه علیه جرم و جنایت است و بزرگ‌ترین چالش مبارزه با پول‌شویی در حوزه بانک، تشخیص «تراکنش‌های مشکوک به پول‌شویی» می‏باشد. عدم توجه به بافت صاحبان حساب‌های بانکی، باعث کارایی پایین روش‏های مقابله با پول‌شویی می‏شود. هدف این تحقیق ارائه یک روش شناسایی تراکنش‌های بانکی مشکوک به پول‌شویی با استفاده از تکنیک‌های آماری فرآیند داده‌کاوی در تحلیل «تراکنش‌های پَرت بافتاری» است که تراکنش‌های پول‏شویان را در مرحله یکپارچه‌سازیِ فرآیند پول‌شویی هدف قرار داده است. روش این پژوهش تحلیلِ محتوا بوده است و جامعه آماری تحقیق شامل 8/1 میلیون تراکنشِ 1008 نفر، طی مدت 6 سال از 48 بافت مختلف می‌باشد که به روش شبیه‌سازی بر اساس تراکنشهای دنیای واقعی ایجادشده است. توزیع‌های احتمالی استفاده‌شده در شبیه‌ساز مزبور بر اساس آزمون کولموگروف-اسمیرنوف از تراکنش‌های مقطعی 50 نفر استخراج‌شده است، تراکنش‌های مذکور به روش میدانی جمع‌آوری‌شده‌اند. هرچند به دلیل فراهم نبودن تعداد کافیِ تراکنش‌های بانکیِ واقعی از تراکنش‌های شبیه‌سازی‌شده استفاده گردیده است، لیکن شبیه‌سازی توانایی ایجاد سناریوهایی را دارد که در دنیای واقعی، فراهم‌سازی آن‌ها ممکن نیست. آزمون ایده‏ی تحقیق، بیانگر نرخ 100% پیش‌بینی درستِ تراکنش‌های مشکوک و نرخ 14/1% پیش‌بینی غلطِ تراکنش‌های عادی به‌عنوان مشکوک می‌باشد که نسبت به اغلب روش‌ها، پیشرفتی محسوس را نشان می‌دهد. نتایج تحقیق نشان داد که توجه به بافت صاحبان حساب بانکی در تشخیص پول‌شویی موجب ارتقاء دقت روش‌های مزبور می‌شود.  کلیدواژه‏ها: پول‌شویی، بافت، متغیر بافتاری، متغیر رفتاری، پنجره‏ی مجموعه‌ی کاری.

مطالعات انجام‌شده تا به امروز از وجود یک تمایز در حالات روحی افراد خبر می‌دهد. این چشم‌انداز برای همه محققان، به‌خصوص طراحان بازی‌های رایانه‌ای ارزشمند است، چراکه با افزایش گوشی­های لمسی و افزایش بازی­ بر روی این نوع گوشی­ها این سوال برایمان پیش می­آید «آیا رفتارهای لمس حالات روحی بازیکنان را منعکس می‌کند؟» چنانچه بتوانیم حالات روحی کاربران را تشخیص دهیم، طراحان بازی می­توانند با توجه به حالات روحی کاربران میزان و شدت سطح بازی را کنترل کنند و اثرات مخرب این‌گونه بازی‌ها را به حداقل برسانند. در این پژوهش می‌خواهیم از ویژگی‌های نحوه لمس افراد در زمان بازی بر روی یک صفحه لمسی استفاده ­کنیم تا بتوانیم بین حالات روحی مختلف و شخصیت هر فرد تفاوت قائل شویم.در این تحقیق با استفاده از پارامتر شخصیت در تشخیص حالات روحی توانستیم به‌دقت 90/91 درصد و تشخیص شخصیت را با دقت 79/97 در بهترین حالت انجام دهیم. علاوه بر این به یک نتیجه دیگر نیز رسیدیم و آن‌هم این است که وجود ابعاد شخصیت در پارامترها باعث روند بهبود تشخیص نمی‌شود چه‌بسا در الگوریتم‌های انتخاب پارامتر در ارزیابی حالت روحی ابعاد شخصیتی از پارامترهای موجود حذف می‌شوند، اما اگر بعد برانگیختگی حالات روحی و تمامی ابعاد شخصیت را در نظر بگیریم در ارزیابی حالت روحی به‌دقت 52/98 می‌رسیم و ابعاد شخصیت نیز درروند نتایج تاثیر مثبت خواهند داشت.

Augmented Reality (AR) applications rely on automatically matching a captured visual scene to an image in a database. The task of the thesis is to develop a technique which recognizes paintings displayed in an exhibition. Such a scheme would be useful as part of an electronic museum guide; the user would point his camera-phone at a painting of interest and would see/hear commentary based on the recognition result. Applications of this kind are usually referred to as "augmented reality" applications. Implemented on hand-held mobile devices, called "mobile augmented reality." We are interested in the image processing part of the problem.In this thesis, recognize image at the museum and a gallery is done. Photographed a database of Iraqi National museum and Free drawing exhibition in Ministry of culture and media in Baghdad. Recognize image evaluation parameters are time and accuracy. Features that are extracted from the images for the first time are Histogram in the different bin: histogram 256 bin, histogram 18 bin, and histogram 12 bin, Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), Local configuration pattern (LCP). Also, these methods are compared with the three methods Scale Invariant Feature Transform (SIFT), Speed Up Robust Features (SURF), The combination of SIFT –SURF which has been used in past articles.The results showed that the best algorithms for image recognition are HOG-Histogram algorithm using SVM classifier, that accurately 99.66% can recognize images. With this method, accuracy compared to the previous 7.66% increase.

  آثار هنری هر کشور از سرمایههای ملی آن است که حفظ این سرمایهها امری مهم و ضروری است. تابلوهاینقاشی ترسیم شده توسط نقاشان هر کشور از مهمترین آثار هنری بشمار میآید. نقاشان معروف با ترسیم آثاریبرگرفته از ذهن خود تصویر جدیدی از دنیای اطرافشان را به دیگران نشان میدهند. جعل این تابلوها از چالشهاییاست که همواره اصالت اثر هنری را زیر سوال میبرد. ازاینرو تکنیکهای آزمایشگاهی و خودکار برای کمک بهکارشناسان هنری مطرح میشود. در دهه اخیر با بکار بردن تکنیکهای پردازش تصویر در این زمینه موفقیتهایچشمگیری کسب شده است. استخراج ویژگیهایی که منجر به طبقهبندی سبکهای نقاشی میشوند اولین قدمشناسایی آثار جعلی است.در این پایاننامه طبقهبندی سبکهای نقاشی بر روی دو پایگاه دادهی ایرانی و غیر ایرانی انجام شده است.پایگاه دادهی ایرانی شامل 320 نقاشی از نقاشان معروف ایرانی بانامهای بهزاد، کمالالملک، کاتوزیان، فرشچیان وسپهری است. پایگاه دادهی غیر ایرانی شامل 250 نقاشی از نقاشان معروف بانامهای براک، مونه، ماتیس، پیکاسو وونگوگ است. ویژگیهای الگوی باینری محلی، الگوی پیکربندی محلی، چندی کردن فاز محلی، تبدیل ویژگیمقیاس نابسته، ترکیب ویژگیهای هیستوگرام گرادیان جهتدار و تبدیل ویژگی مقیاس نابسته و ترکیب ویژگیالگوی پیکربندی محلی و هیستوگرام گرادیان جهتدار برای اولین بار در مسئلهی طبقهبندی سبکهای نقاشیبهکاربرده میشوند و پارامترهای دقت، زمان، انحراف معیار و مقاومت در برابر نویز ارزیابی میشوند. همچنین روش-های مطرحشده را با سه روش هیستوگرام، هیستوگرام گرادیان جهتدار و فیلتر گابور که در دیگر مقالات بهکاربردهشدهاند مقایسه شدهاند.نتایج بهدستآمده نشان میدهد که بهترین الگوریتم ترکیب هیستوگرام تصاویر رنگی با تبدیل ویژگی مقیاس98 و برای طبقهبندی / نابسته است که دقت این روش برای طبقهبندی سبکهای نقاشی ایرانی برابر با 1297 % است. در این تحقیق برای شناسایی سبکهای نقاشان ایرانی افزایش / سبکهای نقاشی غیر ایرانی برابر با 711 درصدی نسبت به روشهای پیشین مشاهده / 3/5 درصدی و در شناسایی سبکهای نقاشان غیر ایرانی افزایش 5میشود.

 ارزیابی ویژگی های بافت تصاویر به منظور تعیین شکستگی استخوان