فردین ابدالی محمدی

      هدف: فیشینگ یکی از تهدیدات مهم امنیتی در پرداخت‌های اینترنتی است که کاربران را با صفحات درگاه جعلی به افشای اطلاعات حساس مالی ترغیب می‌کند. هدف این پژوهش، طراحی و پیاده‌سازی مدلی دقیق و قابل‌اعتماد برای تشخیص صفحات جعلی درگاه‌های پرداخت با استفاده از شبکه عصبی کانولوشنی (CNN) می‌باشد. روش‌شناسی پژوهش: در این پژوهش، ابتدا مجموعه داده‌ای شامل 80000 نمونه جمع‌آوری شد که شامل 50000 صفحه قانونی و 30000 صفحه فیشینگ بود. داده‌ها پس از پیش‌پردازش شامل رندر صفحات HTML به تصاویر، تغییر اندازه، نرمال‌سازی و افزایش داده، آماده ورود به شبکه شدند. مدل CNN با معماری چندلایه شامل لایه‌های کانولوشن، پولینگ و Fully Connected، ویژگی‌های مکانی-فضایی صفحات را استخراج و برای طبقه‌بندی صفحات به دو دسته قانونی و جعلی مورد استفاده قرار گرفت. یافته‌ها: نتایج کمی نشان داد که مدل پیشنهادی توانست با دقت (Accuracy) ??%، بازخوانی (Recall) 8/%97 و مساحت زیر منحنی ROC(AUC) 991/0 صفحات جعلی را از واقعی تفکیک کند.تحلیل کیفی نیز نشان داد که مدل در شناسایی صفحات بسیار مشابه موفق عمل کرده و تنها در موارد استفاده از تصاویر استاتیک واقعی دچار خطای منفی می‌شود. مقایسه با مدل‌های مبتنی بر ویژگی‌های متنی و روش‌های کلاسیک نشان داد که CNN برتری قابل توجهی در استخراج ویژگی‌های پیچیده و تشخیص صفحات جعلی دارد. نتیجه‌گیری: با توجه به دقت بالا، سرعت پیش‌بینی مناسب و قابلیت استقرار در محیط‌های عملی، مدل پیشنهادی می‌تواند در سامانه‌های بانکی، مرورگرها و اپلیکیشن‌های پرداخت آنلاین به کار گرفته شود. پیشنهادات پژوهش آینده شامل استفاده از ویژگی‌های چندمنظوره، مدل‌های سبک برای کاربرد در موبایل و بازآموزی خودکار مدل می‌باشد تا امنیت پرداخت‌های اینترنتی بیش از پیش افزایش یابد. کلیدواژه‌ها: امنیت آنلاین، ایمنی تراکنش‌های مالی، تحلیل تصویر، تشخیص تقلب، یادگیری عمیق   

در طراحی لرزه‌ای سازه‌های فولادی، بهره‌گیری از سیستم‌های باربر جانبی کارآمد که قادر به استهلاک انرژی و کنترل تغییرمکان‌ها باشند، از اهمیت بالایی برخوردار است. دیوارهای برشی فولادی به طور گسترده‌ای مورد استفاده قرار می‌گیرند، اما چالش اصلی در صفحات نازک، پدیده کمانش خارج از صفحه است که می‌تواند پیش از تسلیم کامل رخ داده و ظرفیت باربری سیستم را کاهش دهد. این پژوهش، با هدف ارزیابی پتانسیل استفاده از دیوارهای برشی آلومینیومی به عنوان جایگزینی شکل‌پذیر، به بررسی عددی و پارامتریک عملکرد لرزه‌ای قاب‌های فولادی تقویت‌شده با این سیستم می‌پردازد. مطالعه حاضر با استفاده از روش اجزای محدود در نرم‌افزار ABAQUS انجام پذیرفت. جهت اطمینان از صحت مدل‌سازی، در ابتدا یک مدل عددی بر اساس نتایج یک مطالعه آزمایشگاهی معتبر بر روی دیوار برشی فولادی توسعه داده شد و پس از کسب انطباق مناسب میان منحنی‌های نیرو-جابجایی، اعتبارسنجی گردید. در مرحله اصلی تحقیق، یک مطالعه پارامتریک گسترده بر روی یک قاب فولادی یک طبقه و یک دهانه که با دیوار برشی آلومینیومی تقویت شده بود، صورت گرفت. متغیرهای اصلی شامل ضخامت پانل آلومینیومی (در سه سطح ?، ? و ? میلی‌متر) و نسبت عرض دیوار به دهانه قاب (در ده سطح از 1/0 تا 1) بودند که در مجموع ?? مدل را تشکیل دادند. تمامی مدل‌ها تحت بارگذاری چرخه‌ای شبه‌استاتیکی تحلیل شدند و شاخص‌هایی نظیر مقاومت، سختی و جذب انرژی استخراج گردید. در نهایت، تاثیر افزودن سخت‌کننده با هندسه ضربدری بر یکی از مدل‌ها نیز ارزیابی شد. نتایج نشان داد که افزودن دیوار برشی آلومینیومی، عملکرد لرزه‌ای قاب را به شکل چشمگیری بهبود می‌بخشد. در بهترین حالت (F-1-3)، مقاومت نهایی 41/2 برابر، سختی اولیه 41/12 برابر و ظرفیت جذب انرژی 81/5 برابر نسبت به قاب تنها افزایش یافت. مشخص شد که افزایش ضخامت و عرض دیوار، به طور مستقیم موجب ارتقای تمامی شاخص‌های عملکردی شده و با کنترل کمانش، الگوی رفتاری سازه را به سمت تشکیل یک میدان کششی قطری یکنواخت و پایدار سوق می‌دهد. افزودن سخت‌کننده نیز با افزایش ?? درصدی مقاومت نهایی، کارایی خود را به عنوان یک راهکار موثر جهت بهینه‌سازی و افزایش بیشتر ظرفیت باربری سیستم اثبات نمود.   

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

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

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

  dar jameh kononi ranandegi baraye kar, zandegi ejtemaei, tafarih, tahsil, faalitenpehei egtesadi ve sayer jonbacpanteoja manpam est. ema tasadef vasail naghliyeh motori yeki az moteghirehaye mokharb, maloolit ve morg mohsub mi shod. bar asas motaleat enjam shodeh, chehar amel esli mosar dar vaghu havades ranandegi vojud dard keh shamel moteghirehaye ensani, jadeh, vasileh naghliyeh ve mohit mi bashod. tahlil tasadef jadegyi dar iran neshan midehad keh moteomtarin amel dar vaghu tasadefat ranandegi dar iran, amel ensani est. benabrain, yeki az moteghirehaye ravaneshenakhti mw?sar dar khatrat ranandegi, masoulitpaziri ranandegan est. npamchenin nezameh bavarehya ra mitavan yeki az moteghirehaye moteomi danst keh ertabat mosteghimi ba no raftar ranandegi dard. benabrain, tamrakz in pajoosh bar farayand masoulit paziri bar asas nezam etegadi dar bin ranandegan est. zira zehor khatrat ranandegi bah delil afzayesh raftarehaye ghiraadi ro bah afzayesh est. motaleh hazar bah rosh tosifi npambastegi bud. azmodninpehei pajoosh 3?0? nafar az ranandegan shehar ravansar bodand keh ba rosh nemonehgiri dar dasteres entekhab shodand. shiveh tajziyeh vatahlil dadegeya dar do bakhsh tosif dadegeya ve estanbat dadegeya bud. netaij neshan dad masoulitpaziri ve nezam bavarehya bar kanpash tasadefat ranandegi mosar est. dar tabiyn netaij bah dast amodeh bayad goft keh sistam masoulit paziri ve bavar naqsh mahvari dar kanpash tasadefat jadegyi dard. ba dark tasir in avamel mitavan esteratzhinpehei mw?sari baraye ertaghaye imni jadegeya ijad kard.

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

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

با رشد سریع اقتصاد و گسترش بازار سهام، تحلیل و پیش‌بینی قیمت سهام و مقایسه انواع روش‌های پیش‌بینی قیمت و تحلیل روند بازار سهام بیش از پیش ضروری و درعین حال محبوب است. پیش بینی بازار سهام به دلیل ماهیت نوسان آن دشوار است. هیچ قانونی برای پیش‌بینی اینکه در آینده چه اتفاقی برای سهام خواهد افتاد وجود ندارد. پیش‌بینی دقیق، یک چالش بزرگ است چراکه روند بازار بسته به عوامل زیادی همیشه در حال تغییر است. در این تحقیق، هدف تحلیل قیمت و روند شاخص کل و سهام با استفاده از تکنیک‌های یادگیری ماشین است. این‌کار شامل دو رویکرد است. در رویکرد اول با استفاده از دادگان تاریخی نفت، طلا، دلار، برخی شاخص‌های خارجی دیگر، سهام برخی شرکت‌های بزرگ بورسی داخل ایران، شاخص‌های بورس و شاخص‌های فنی استخراج شده از آن‌ها در فاصله زمانی 13/11/2012 و 21//05/2022 نشان داده‌ شد که با کمک هوش مصنوعی و الگوریتم یادگیری ماشین (MLP) می‌توان عوامل و شاخص‌های متاثر روی شاخص کل بازار بورس تهران را یافته و به کمک آن‌ها و الگوریتم‌های یادگیری ماشینی سعی در پیش‌بینی بهتر قیمت‌ها داشت. نتایج حاکی از آن است که شبکه LSTM با دو لایه بازگشتی و گام زمانی بهینه یک شبکه مناسب و درعین حال زمان‌بر اما با دقت بالا برای پیش‌بینی قیمت و سری‌های زمانی است که با حداقل خطا به نسبت روش‌های دیگر یادگیری ماشین مانند نزدیک‌ترین همسایه بهترین نتیجه را در پی داشت. در رویکرد دوم با استفاده از برخی الگوریتم‎های یادگیری ماشین و شاخص‌های فنی و اطلاعات قیمتی گذشته یک سهام خاص(فولاد از تاریخ11/03/2007 تا تاریخ 30/08/2022) هدف تحلیل روند سهام و بررسی سیگنال‌های خرید و فروش بود که به کمک اندیکاتور باند بولینگر و یک عامل ریسک خرید و فروش، می‌توان سیگنال‌های زمان مناسب را برای دادگان پیش‌بینی شده یافت.  

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

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

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

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

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

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

  با پیشرفت فناوری میکروالکترومکانیکی، امروزه سیستم­ هایی

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

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

  چکیدهپیش‌‌بینی بازار سهام یک کار مهم و چالش‌برانگیز است. روش‌های سنتی پیش‌بینی بازار سهام فقط از داده‌های تاریخی معاملات سهام و شاخص های عددی مربوط به آن استفاده می‌کردند اما با گسترش اطلاعات موجود در وب درباره بازار سهام، محققان شروع به استفاده از این اطلاعات ارزشمند برای افزایش دقت پیش‌بینی ارزش سهام کردند. در بسیاری از مطالعات گذشته فقط از یک منبع داده اضافی برای ترکیب با منبع داده تاریخی سهام استفاده شده است که نمی‌تواند به خوبی تاثیر سایر اطلاعات را بر روند قیمت بازار سهام نشان‌دهد. و در بسیاری از مطالعات به استفاده از یک الگوریتم یادگیری بسنده کرده‌اند که این امر باعث می‌شود که نتوانیم به نهایت دقت ‌پیش‌بینی برای ارزش سهام دست‌یابیم.ما در این پژوهش با جمع‌آوری سه منبع داده متفاوت مربوط به سهام ( منبع داده تاریخی سهام، منبع داده شبکه اجتماعی و منبع داده اخبار روزانه) سعی کردیم جوانب مختلف موثر بر ارزش سهام را در پیش‌بینی ارزش سهام استفاده کنیم تا به دقت بیشتری از روش سنتی دست‌یابیم. برای این‌ کار ابتدا نظرات استخراج شده در مورد سهام مورد نظر، از شبکه اجتماعی تویتر و منبع داده اخبار روزانه که از وب سایت خبری ردیت استخراج شده اند را با استفاده از یک مدل نظر‌کاوی ترکیبی تحلیل کردیم و از این کار شاخص‌های احساسی مانند قطبیت و ذهنیت هر جمله استخراج گردید در ادامه با ترکیب این شاخص‌ها با منبع داده تاریخی سهام اقدام به ایجاد منبع داده ترکیبی نهایی کردیم. سپس با استفاده از الگوریتم‌های مختلف طبقه‌بندی و رگرسیون اقدام به پیش‌بینی ارزش سهام در دو حالت جهت ارزش سهام و قیمت پایانی روزانه کردیم.نتایج حاصل از این پژوهش نشان داد که در پیش‌بینی سهام شرکت‌های اپل، سیسکو و بوینگ استفاده از ترکیب اطلاعات باعث ارتقا دقت پیش‌بینی ارزش سهام تا ?? درصد شده‌است و با تحلیل مولفه اصلی این مقدار به بالای ?? درصد رسید که در مقایسه با روش سنتی که این مقدار پایین‌تر از ?? درصد است پیشرفت خوبی محسوب می‌شود. هم‌چنین در این آزمایشات مشخص گردید که استفاده از الگوریتم طبقه‌بندی XGBoost   بهترین دقت پیش‌بینی (80-85 درصد) و الگوریتم رگرسیون GB Regressor کمترین درصد میانگین مطلق خطا (0.840 – 0.730) را ثبت کرده است.کلید واژه ها: پیش‌بینی بازار سهام، ترکیب اطلاعات، تحلیل احساسات، شبکه اجتماعی

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.   

  پیش­بینی انتشار

در این مطالعه عددی، اثر شکل نانوذرات بر روی عملکرد حرارتی-هیدرولیکی نانوسیال آب-آلومینا در هیت سینک دارای ریز مجراها با هندسه­های مختلف برای خنک کاری پردازشگرهای الکترونیکی مورد مطالعه قرار گرفته است. این مطالعه، برای پنج شکل نانوذره پلاکتی، تیغه­ای، مکعب مربع، بیضوی و استوانه­ای در چهار عدد رینولدز 400، 800، 1200 و 1600 در چاه گرمایی دارای ریزمجرا­ها با چهار مقطع دایروی، مثلثی، بیضوی و شش ضلعی انجام شده است. غلظت نانوسیال ثابت و مقدار آن برابر با 1% در نظر گرفته شده است. در این مطالعه مشاهده شد که هیت سینک با مقطع مثلثی بیشترین ضریب انتقال حرارت جابجایی را ایجاد می­کند، و پس از آن، هیت سینک با مقاطع بیضوی، شش ضلعی و دایروی به ترتیب موجب ضرایب انتقال حرارت بزرگ­تری می­شوند. همچنین، نانوذرات با شکل پلاکتی بیشترین افت فشار را ایجاد می­کنند، و پس از آن، نانوذرات با شکل­ها­ی استوانه­ای، تیغه­ای، مکعب مربع و بیضوی به ترتیب موجب افت شار بزرگ­تری می­شوند. در نهایت با ارائه یک پاراکتر مناسب (FoM) که معرف نسبت افزایش نرخ انتقال حرارت جابجایی به افزایش افت فشار است، میزان بهره­وری انرژی مورد ارزیابی قرار گرفته است.   

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

چکیده: فرآیندهای صنعتی که شامل گرمایش و سرمایش انواع سیالات در حال جریان در داخل مجاری هستند بسیار گسترده بوده و امروزه بیانگر برخی از متداول­ترین و مهم­ترین فرآیندها در مهندسی هستند. در واقع، در مهندسی گرما، جابجایی اجباری احتمالا یکی از موثرترین و پراستفاده­ترین ابزارهای انتقال حرارت است. فلزات در شکل جامد خود دارای هدایت حرارتی بسیار بالایی نسبت به سیالات هستند، به­همین دلیل انتظار می­رود که سیالات حاوی ذرات جامد معلق فلزی یا اکسید فلزی دارای هدایت حرارتی بیشتری نسبت به سیالات خالص باشند. در کار حاضر به­صورت تجربی اثر میدان مغناطیسی بر جریان سیال و انتقال حرارت یک نانوسیال در لوله مطالعه می­شود و نانوسیال مورد استفاده از نوع نانوسیالات مغناطیسی اکسید آهن Fe3O4   همراه با سیال پایه آب مقطر است. پس از طراحی سامانه آزمایشگاهی، آزمایشات انجام شده جهت بررسی تاثیر متغیرهای اصلی عملیاتی از قبیل ولتاژ در برقراری میدان الکتریکی اعمال شده با یک جریان متناوب (V)، غلظت نانوسیال (C)   و شدت جریان سیال ورودی به لول? تحت میدان(Q)   بر اختلاف دمای ورودی و خروجی نانوسیال عبوری از کانال بر اساس طراحی آزمایشات با روش سطح پاسخ و بر پای? مدل Box-Behnken انتخاب شده است. مقادیر متغیرها در بررسیِ اثر ولتاژ اعمالی، 40، 80 و 120 ولت، غلظت نانوذرات در محلول 0 ، 02/0 و 04/0 گرم بر لیتر و شدت جریان سیال 180، 360 و 540 لیتر بر ساعت هستند. بر اساس طراحی انجام شده 15 آزمایش برای بررسی اثرات متغیرهای مستقل بر پاسخ سیستم انجام شد و یک رابطه برای اختلاف دمای دو سر کانال بدست آوردیم و همان­طور که مشاهده شد، تمامی پارامترهای مورد بررسی بر اختلاف دمای دو سر کانال موثر هستند به­طوری که با افزایش ولتاژ و غلظت و در عین حال کاهش شدت جریان، اختلاف دما افزایش یافته است.    کلمات کلیدی: انتقال حرارت، نانوسیال، میدان مغناطیسی، جریان سیال.   

چکیده امروزه شبکههای اجتماعی کاربران زیادی را به سمت خود جلب نمودهاند. این شبکهها امکان ارتباط میان کاربران و اشتراکگذاری متن، عکس و فیلم را فراهم نمودهاند. شبکهی اجتماعی که به کاربران امکان اشتراکگذاری مکان بدهد، شبکهی اجتماعی مکانمحور نامیده میشود. کاربران این شبکهها میتوانند در مورد مکانهای مختلفی که بازدید کردهاند اعلام نظر کنند و نظرات خود را با دیگران به اشتراک بگذارند. نظرات کاربران نمودی از احساس آنها به مکانی که بازدید کردهاند میباشد. در شبکههای اجتماعی افراد با یکدیگر ارتباط برقرار میکنند. یکی از مسائل این شبکهها پیشبینی ارتباطی است که در آینده ممکن است میان دو کاربر ایجاد شود. پیشبینی لینک نامی است که برای این مسئله انتخاب شده است. روشهای زیادی وجود دارد که به منظور پیشبینی لینک به کار میروند. از اطلاعات ساختار شبکه، اطلاعات کاربران مانند علایق و ویژگیهای آنها و اطلاعات مکانهایی که کاربران بازدید کردهاند، برای پیشبینی لینک استفاده میشود. احساس کاربران یکی از اطلاعاتی است که میتواند به منظور بهبود پیشبینی لینک به کار برده شود. برای دست یافتن به احساس کاربران در شبکههای اجتماعی مکانمحور میتوان نظرات آنها را تحلیل کرد. به این ترتیب میتوان با ترکیب کردن اطلاعات ساختار شبکه، اطلاعات مکانهایی که بازدید کردهاند و احساس آنها الگوریتم جدیدی برای پیشبینی لینک ارائه نمود. این الگوریتم بر روی دیتاست شبکهی foursquare آزمایش شد و طبق ارزیابی انجام گرفته این روش نسبت به روشی که از احساس کاربران استفاده نمیکند عملکرد بهتری داشته است. بنابراین میتوان نتیجه گرفت که نقش احساس در ایجاد لینکهای جدید میان کاربران موثر است. کلمات کلیدی: شبکههای اجتماعی، شبکههای اجتماعی مکانمحور، پیشبینی لینک، احساس، اشتراکگذاری مکان

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

  سازمان­های ارائه­دهنده خدمات الکترونیک با رقابتی شدن بازار به اهمیت ارزیابی خدماتشان پی بردند. زیرا عرصه رقابت به گونه­ایی است که هر گونه نقصان و کوتاهی در نگاه­داشت مشتریان و جلب مشتریان جدید در یک بازه زمانی کوتاه می­تواند سازمان را به ورطه نابودی کشاند. در ادبیات تحقیق مفاهیم مهم تحقیق را معرفی کردیم. در ادامه به پیشینه تحقیق وتلاش­هایی که تا به حال انجام گرفته است؛ پرداختیم. با بررسی مدل­های   مختلف به این نتیجه رسیدیم که نقش کاربر در مدل­های مختلف به اندازه کافی در نظر گرفته نشده است؛ در بعضی از تحقیقات انجام شده   به بررسی میزان رضایت کاربران   پرداخته شده غافل از اینکه کاربران مختلف، شخصیت­های مختلف و سلیقه­های متفاوتی دارند؛ بدون در نظر گرفتن این تفاوت­ها، قادر به ارزیابی دقیقی از کیفیت یک وب سرویس از نگاه کاربر نخواهیم بود. از طریق آزمون   مایرز-بریگز به تفکیک کاربران در 16 دسته شخصیتی پرداختیم. به دلیل نزدیک بودن به نوع محاوره کاربران، فازی به عنوان روشی مناسب   انتخاب گردید. پس از بررسی چند روش فازی، روش تاپسیس به عنوان روشی مناسب به دلیل دقت بالا و عدم محدودیت در تعداد مصاحبه شوندگان و معیارها   انتخاب گردید. در روش تاپسیس نیاز به وزن­دهی به معیار­ها بود که روش ای­اچ­پی فازی بهبود یافته مورد استفاده قرار گرفت. نهایتا پرسشنامه ایی که 60 سوال اول آن تست شخصیت و 42 سوال بعدی سوالات کیفیت وب سرویس همراه بانک ملت به عنوان یک وب­سرویس نمونه و شناخته شده بود را توزیع نمودیم. 100 نمونه پرسشنامه پر شده نتایج قابل توجهی را برای ما داشت. همانطور که پیش­بینی شده بود کاربران با شخصیت مختلف ترتیب رضایتمندی متفاوت و در بعضی موارد حتی متضاد از معیار­ها را داشتند. در نتایج تحقیق   ترتیب معیار­ها   برای هر شخصیت   و همچنین ترتیبی از شخصیت ها بر حسب رضایتمندی آن­ها از معیار­ها را ارائه داده ایم.

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.

تشخیص حالات عاطفی صورت با استفاده از نقاط تطبیقی  

چکیده  پیشرفت در فن آوری های اینترنتی منجر به محبوبیت خود-خدمات مبتنی بر فن آوری شده است، وطراحی چنین خدماتی به طور فزاینده ای مهم است. در این پایان نامه، ویژگی های خدمات کلیدی شناسایی رانندگی واستفاده از خدمات دولت الکترونیک درمانی وساختار ترجیحی شهروندان در این ویژگی ها با استفاده از خدمات مبتنی بر فناوری در بخش عمومی مشخص شده است. با این حال تلاش حل نشده هنوز چگونگی طبقه بندی چنین خدمات الکترونیکی است. امروزه مدلهای مرحله ای برای مشخص کردن ویژگی های بالا در سرویس های الکترونیکی غالب می شوند. طبقه بندی خدمات به درک اهمیت آنها کمک می کند. به عنوان یک طبقه مفهومی، می توان بین خدمات اقتصادی واطلاعاتی   متمایز کرد. در عین حال یک نقص وجود دارد که هیچ مدل خوبی برای طبقه بندی خدمات وجود ندارد. تلاش برای استفاده از چنین مدل هایی به عنوان الماس طبقه بندی برای خدمات الکترونیکی انجام شده است. از این رو، هدف اصلی این پایان نامه، معرفی یک مدل جدید و آسان برای استفاده و مدل مناسب برای طبقه بندی خدمات دولت الکترونیک است. در این پایان نامه، بازبینی در ابتدا بر روی مدل های محبوب ترین طبقه بندی خدمات دولت الکترونیک انجام شد. در تحقیقاتی که انجام شد، مدل ESI یک ساختار سازگارتر برای طبقه بندی خدمات دولت الکترونیک دارد. در مقابل، مدل رمبوس یک مدل گرافیکی است که یک شخصیت به خوبی شکل گرفته است. سپس یک مدل طبقه بندی برای سرویس های دولتی عراق با استفاده از مدل ESI برای اولین بار معرفی شد. این مدل سپس به شکل یک الماس ارتقا یافته است. بنابراین، در مدل رمب، اطلاعات طبقه بندی از جدول ESI پر شده است. حضور، عدم حضور، عملکرد دولت، شهروند اطلاع رسانی، و مالی و غیر مالی. در هر یک از این دسته ها دسته های زیر مانند جداگانه در مقابل ترکیب، و فرد به طور کلی برای ایجاد یک طبقه بندی دقیق تر دانه استفاده می شود.

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

سازه های ساندویچی به دلیل دارا بودن مزایایی همچون استحکام بالا، سبکی و خواص مقاوم به ترک، امروزه بطور وسیعی درصنایع، هواپیماسازی، موشکی، دریایی، و پزشکی مورد استفاده قرار می‌گیرند. به همین منظور، در این پایان نامه مدل‌سازی تحلیلی و شبیه‌سازی عددی بار ضربه‌ای سرعت پایین   روی ساندویچ تیرها با هسته ضخیم و رویه های فلزی صورت گرفته است. هدف نهایی این پایان نامه به­دست آوردن   روند تغییر شکل پلاستیکی رویه بالایی در استحکام­های مختلف هسته تیر ساندویچی، و   همچنین محاسبه جابجایی عرضی رویه پایینی ساندویچ تیر که تحت اثر ارتعاش الاستیک قرار دارد، می­باشد. در قسمت مدل سازی تحلیلی با استفاده از روش گالرکین معادلات حاکم بر خیز، سرعت و شتاب تیر ساندویچی استخراج می­شود. در ادامه برای مدل­سازی تحلیلی بار ضربه‌ای سرعت پایین   روی ساندویچ تیر از نرم افزار متلب و همچنین جهت شبیه­سازی عددی این فرایند از نرم افزار آباکوس استفاده شده است. در مدل­سازی تحلیلی و شبیه­سازی عددی، سه محل برای اعمال بار ضربه­ای با در نظر گرفته می­شود. این سه محل به ترتیب درفاصله 30 سانتیمتری از انتهای آزاد تیر، وسط تیر و فاصله 30 سانتیمتری از محل تکیه گاه تیر ساندویچی می­باشند. در قسمت نتایج پروفایل نهایی رویه بالایی برای سه محل اعمال بار ضربه­ای در مدل سازی تحلیلی و شبیه­سازی عددی مقایسه گردیده است. در بخش بعدی به مقایسه میزان انحراف رویه بالایی در جرم و سرعت­های مختلف ضربه­زننده برای سه محل اعمال بار ضربه­ای برای حالت مدل سازی تحلیلی و شبیه­سازی عددی پرداخته شده است. در انتها به مقایسه اثر استحکام هسته، عرض ضربه زننده روی شکل پروفایل نهایی ساندویچ تیر برای سه محل اعمال بار ضربه­ای می­پردازیم.  

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

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

  طبقه بندی وظایف تصویری موتور برای نرم افزار رابط کاربری کامپیوتر مغز

امروزه داده‌ها و اطلاعات تولید شد در تمامی علوم و در نتیجه آن دانش، به نحو چشمگیری رو به فزونی نهاده و مسئله کار کردن با این داده‌ها تبدیل به یکی از دغدغه‌های دست­اندر کاران علم کامپیوتر شده است. از طرفی علم ارتباطات و نحوه مدیریت کردن ارتباطات خود به‌نوعی مسئله چالش برانگیز دیگری است که روش‌های سنتی و حتی روش­های موجود برای حجم داده‌های منتقل شده امروز به‌روشنی پاسخگو نخواهد بود؛ برای پاسخ به چنین مشکلاتی باید ذهن خلاق به کار افتد و راهکارهایی را ارائه دهد تا بتوان به نحو احسن با این مشکلاتِ پیش رو کنار آمد. برای حل مشکل داده‌های بزرگ و پردازش و مدیریت جریان داده آن، ابزار نرم‌افزاری با زبان برنامه‌نویسی جاوا خلق شد که هادوپ نام گرفت و می‌تواند به همراه زیرمجموعه‌های قدرتمندش مانند نگاشت-کاهش و ... به‌خوبی کار پردازش و مدیریت جریان داده‌های بزرگ را انجام دهد. در این بین ممکن سوالی اذهان را مشغول نماید که سیستم­های پیشنهادی همچنان بر بستر شبکه های ارتباطی سنتی و با مدیریت سنتی کار خواهند کرد و با این مسئله، راه­حل­های ارائه شده دچار نقصان خواهند بود. مشکل ارتباطات را می‌توان با ایده ساده انتقال بخش مدیریت زیرساخت شبکه به یک مرکز/دستگاه/سیستم متمرکز، حل نمود؛ به این صورت که بخش داده‌های شبکه به‌صورت سخت افزار باقی می مانند (شبیه سخت افزارهای موجود) و بخش کنترلی دستگاه­های به صورت یک جا در یک کنترل کننده قرار می گیرند که کار کنترل تمام بخش های زیرین را به صورت یکجا بر عهده دارد و به این صورت شِمای کلی ارتباطات در زیر نظر کنترل‌کننده قرار می‌گیرد و می‌تواند کارهای گوناگونی مانند کنترل ترافیک و بار و... را به آنی بر روی دستگاه‌ها انجام دهد. حال با توجه به تولد چندین ساله هادوپ این سوال پیش می‌آید که آیا می‌توان کارکرد آن را بهبود داد. می‌توان به‌صورت کاملاً قاطع پاسخ این سوال را با ترکیب و اجرای هادوپ و شبکه های مبتنی بر نرم افزار پاسخ داد. به این شکل که با اجرای هادوپ به عنوان یک نرم افزار بر روی کنترل کننده شبکه های مبتنی بر نرم افزار و واگذاری مسائل مربوط به شبکه به کنترل کننده شبکه های مبتنی بر نرم افزار، به صورت خودکار کارایی افزایش خواهد یافت چراکه هادوپ به جای درگیر بودن با مسائل شبکه، به کار پردازش خود خواهد پرداخت و این وظیفه را به شبکه های مبتنی بر نرم افزار واگذار می کند.

ارائه یک مدل بهینه سازی فرا ابتکاری و استفاده آن در زمانبندی وظایف سیستم های ناهمگن

Ontology Model For Data Integration In Gas And Oil Industry

چکیدهدر این رساله یک مدل برای شبیه سازی بازدهی جذب فیلترهای مغناطیسی با گرادیان مغناطیسی بالا برای جداسازی ذرات آهن سولفید از محلول آمین در فرایند شیرین سازی گاز ارائه شده است. هندسه‌ی فیلتر شامل ماتریسی از میله‌ها است که در کانالی با سطح مقطع مربعی قرار گرفته است. برای مطالعه‌ی این مسئله ابتدا معادلات کوپل شده با معادله آمپر به صورت عددی در هندسه دوبعدی حل شده‌اند. با داشتن میدان جریان، مسئله جذب ذرات در دیدگاه لاگرانژی بررسی شده است و اثرات پارامتر‌های حاکم شامل قطر ذرات، سرعت جریان و پارامتر‌های هندسی ماتریس‌ میله‌ها مورد بررسی قرار گرفته شد. در نهایت نتایج تحلیل دو‌بعدی برای شبیه‌‌سازی جذب ذره در یک فیلتر سه‌بعدی تعمیم داده شد. شبیه‌سازی های دو‌بعدی در نرم‌‌افزار COMSOL MULTIPHYSICS 5.0 و بر مبنای روش‌های المان محدود اجرا شده است و تعمیم نتایج به حالت سه‌بعدی توسط کد مناسب در MATLAB صورت گرفته است. این کد عددی برای سایر حالات شبیه سازی نشده در COMSOL نتایج دو‌بعدی را میانیابی یا برونیابی می‌کند. نشان داده شده است که در شرایط یکسان بازدهی جذب فیلتر‌های با آرایش مثلثی همواره بیشتر از نوع مستطیلی است چرا که آرایش مثلثی اختلاط بهتری را در سیال ایجاد می‌کند. با این وجود اختلاف بازدهی جذب این دو فیلتر با افزایش سرعت جریان یا فاصله‌ی بین ماتریس‌ها و یا کاهش قطر ذرات کاهش می‌یابد. علاوه بر این مشخص شده است که بازدهی جذب برای این فیلتر‌ها به صورت مستقیم با قطر ذرات و به صورت معکوس با سرعت جریان و فاصله بین میله‌ها رابطه دارد. به علاوه عملکرد این فیلتر‌ها برای توزیع غیر یکنواخت ذرات ورودی مورد بررسی قرار گرفته شده است. به منظور تدوین یک گراف مفید، کانتور‌های عملکرد یک فیلتر در شرایط عملیاتی بر حسب عدد رینولدز و فاصله‌ی عرضی بین میله‌ها ارائه شده است. این کانتور‌ها نشان می‌دهند که هر زمان فاصله‌ی بی‌بعد بین ماتریس‌ها کمتر از 1.2 باشد مستقل از اینکه عدد رینولدز جریان چقدر باشد میزان جذب ذرات 60% است.کلید واژگان: فیلتر مغناطیسی، بازدهی جذب، ماتریس‌های مغناطیسی، جداسازی تحت گرادیان شدید مغناطیسی، تعقیب ذرات

مدلسازی تحلیلی صفحات کامپوزیتی تقویت شده با نانوتیوب های کربنی با خواص تابعی تحت اثر بار ضربه ای سرعت پایین

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

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