سید جهانشاه کبودیان

   در این پژوهش، الگوریتم ترکیبی WOA-Q Learning برای زمان‌بندی بلادرنگ وظایف در محیط‌های تلفیقی Fog-Cloud ارائه شده است. این الگوریتم با ترکیب قابلیت جستجوی سراسری الگوریتم بهینه‌سازی نهنگ‌ها (WOA) و توان تصمیم‌گیری تطبیقی یادگیری تقویتی (Q-Learning)، به بهینه‌سازی تخصیص منابع و کاهش تاخیر کمک می‌کند. شبیه‌سازی‌ها در محیط MATLAB و بر روی سناریوهای مختلف شامل ?? تا ??? وظیفه انجام گرفت. نتایج نشان داد که الگوریتم پیشنهادی در مقایسه با روش‌های مرجع مانند EDF، PSO، WOA و QL، در چهار معیار اصلی شامل تاخیر کل، مصرف انرژی، نرخ عدم موفقیت ددلاین و بهره‌وری زمان‌بندی عملکرد برتری دارد. الگوریتم WOA-Q توانست تاخیر کل را تا ??? و مصرف انرژی را تا ??? کاهش دهد و نرخ عدم موفقیت ددلاین را به حدود ???? برساند. هرچند زمان اجرای آن اندکی بیشتر است، اما بهبود قابل‌توجه در سایر شاخص‌ها، کارایی کلی آن را اثبات می‌کند. این نتایج بیانگر اثربخشی ترکیب روش‌های فراابتکاری و یادگیری ماشین در ارتقای سیستم‌های بلادرنگ و کاربردپذیری آن در حوزه‌هایی نظیر اینترنت اشیا و محاسبات لبه است.    کلیدواژها: بهینه‏سازی، زمانبندی بلادرنگ، محیط‏های ابری-مه، اینترنت اشیاء

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 این پژوهش، با استفاده از تشدید کننده‌های شش ضلعی شکل ، یک دیپلکسر پایین گذر – میانگذر با باند توقف فوق‌العاده و تلفات عبوری پایین را ارائه شده است. دیپلکسر پیشنهادی شامل یک فیلتر میان گذر (فیلتر میان گذر) و یک فیلتر پایین گذر (فیلتر پایین گذر) است که مفهوم اصلی روش طراحی پیشنهادی را نشان می دهد که هدف آن طراحی همزمان فیلتر میان گذر و فیلتر پایین گذر است. در این روش طراحی پیشنهادی، تاثیر فیلتر فیلتر پایین گذر بر طراحی فیلتر میان گذر برای اولین بار از طریق تجزیه و تحلیل ماتریس کوپلینگ شناسایی شده است. در ابتدا، یک فیلتر پایین گذر بر اساس سه تشدید کننده بیضی شکل شش ضلعی کوپل شده، طراحی می شود. متعاقباً، یک مدل جدید برای طراحی فیلتر میان گذر، با استفاده از خطوط با امپدانس بالا جفت شده، معرفی شده است. به دنبال این، مدل فیلتر میان گذر با استفاده از تجزیه و تحلیل ماتریس کوپلینگ در حالی که تاثیر تشدیدگرهای فیلتر پایین گذر را در نظر گرفته ایم، توسعه یافته است. فیلتر فیلتر پایین گذر دارای فرکانس قطع 1.32 گیگاهرتز و باند توقف فوق عریض تا 17.42 گیگاهرتز است. فیلتر فیلتر میان گذر از چهار رزوناتور تشکیل شده است و ساختار شش ضلعی شکل به جای خطوط امپدانس پایین استفاده شده است. استفاده از رزوناتورهای شش ضلعی شکل به منظور افزایش دقت اثر کوپلینگ، که همسو با تحلیل ماتریس کوپلینگ پیشنهادی است. علاوه بر این، تشدید کننده های شش ضلعی، اثر خازنی بیشتری را نشان می دهند، که منجر به کاهش تلفات باند عبوری در مقایسه با تشدید کننده های مستطیلی شکل می شود. فیلتر فیلتر میان گذر دارای باند عبور باریک با فرکانس مرکزی 2.25 گیگاهرتز و پهنای باند 0.31 گیگاهرتز است. تلفات عبوری اندازه گیری شده فیلتر پایین گذر و فیلتر میان گذر به ترتیب در 60 درصد از باند های عبوری مقداری کمتر از 0.75 دسی بل و 0.81 دسی بل دارند  

  بررسی رفتار لرزه ای قاب­های مهار شده با ستون های CFT

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.

  اتصالات تیر به ستون با میراگر، نقش موثری در بهبود عملکردانواع اتصالات، با افزایش ظرفیت اتلاف انرژی و محدود کردن خرابی سازه­ای تحتبارهای لرزه­ای شدید، دارند. آنچه که به عنوان مساله پیش روی این تحقیق قرار می­گیرد،ضرورت به کارگیری روش­های علمی و حرفه­ای مبتنی بر داده­های مستند و مفید به منظورتجزیه و تحلیل دقیق عملکرد انواع میراگرها در اتصال تیر به ستون بتنی پیش­ساخته،تحلیل مقایسه­ای این اتصال با تغییر پارامترها و اجزای میراگر به روش عددی در نرم­افزارهایاجزاء محدود آباکوس است. با توجه به هدف اصلی این تحقیق، 4 مدل اتصال تیر به ستونبتنی پیش ساخته مدلسازی شده و تحت بارگذاری سیکلیک قرار گرفته و پارامترهای مقاومتنهایی و انرژی مستهلک­شده تجمعی بر مبنای منحنی هیسترزیس به دست آمده­اند و کانتورتنش نیز بررسی شده­است. این مدل­های عددی شامل یک مدل ساده، مدل با میراگراصطکاکی، مدل با میراگر فلزی و مدل با میراگر ترکیبی بوده­اند. طبق یافته­هایتحقیق انرژی مستهلک­شده تجمعی مدل با میراگر اصطکاکی، فلزی، و ترکیبی به ترتیب 36،52.5، و 10 برابر انرژی مستهلک­شده تجمعی مدل ساده هستند. همچنین مقاومت نهایی مدل­ها برای مدلاصطکاکی، فلزی، و ترکیبی به ترتیب 14، 13 و 5 برابر مدل ساده­است که این امر ناشیاز هندسه­ی اتصال است که در مدل با میراگر اصطکاکی، سطح بیشتری برای انتقال بارتامین می­شود. طبق نتایج عملکرد اتصال با استفاده از میراگر بهبود قابل توجهییافته­است.

چکیده:به طورکلی   میراگر الحاقی یا همان جاذب‌هایانرژی به منظور کم کردن از پاسخ دینامیکی سازه در برابر بارگذاری بار زلزله و بارباد استفاده می‌شوند. ساختار   این وسایل بهگونه‌ای هست که بااعمال   تغییرشکل‌های ویژهو خاص و اعمال مکانیکی خاصی بخش عظیمی از انرژی ورودی   سازه بر اثر بارگذاری ضربه ای و دینامیکی را ابتداجذب و سپس مستهلک می نمایند رفتار عملکردی این وسایل سبب ان هست که انرژی دریافتیسایر اعضا از سازه‌ای هم کم شود و تغییر شکلهای زیادی در انها پس از رخداد زلزله شاهدنباشیم. به طورکلی مکانیزم‌ و عملکرد و ساختار‌های جذب انرژی این میراگرها شامل 3روش کلی اصطکاک و رفتار ویسکو الاستیک و استفاده از خاصیت جاری شدن فلزات استوارهست. از مزایای این وسایل می‌توان کاربرد انها در بهسازی و مقاوم‌سازی با روش نوینسازه‌های موجود اشاره کرد. علت این موضوع نیز شکل ویژه این وسایل و همچنین محلقرارگیری انها می‌باشد که عموما در بادبندها جایگذاری می‌شوند.   این وسایل را به سادگی می‌توان در سازه‌هایموجود قرار داد و حتی شاید بتوان درصورت لزوم بعد از زمان بارگذاری (رخدادزلزله)جایگزین نمود. با توجه به زیاد بودن سازه‌های غیرمقاوم   ونا ایمن در برابر زلزله در کشور ما ایران و لازمبودن به کار بردن   شیوه های نوین در طراحیسازه‌های غیرمقاوم   ونا ایمن در اثر بارزلزله که به نحو مناسبی از پاسخ دینامیکی سازه‌ها می‌کاهند.دراینتحقیق پیش رو ما به دنبال این هستیم که جانمایی عددی میراگر اصطکاکی دورانی را درقاب بتن ارمه بیابیم برای این منظور دو پارامتر مقاومت   نهایی و نمودار هیسترزیس قاب بتنی به همراهمیراگر اصطکاکی دورانی را   بعد از صحت سنجیتحت بارسیکلیک در یازده مدل پیشنهادی  بررسی کرده و قاب مدل عددی مطلوب با توجه به این دو پارامتر را پیدا کرده وبرای این امر ابعاد قاب یک دهانه یک طبقه به طول   5.0 متر و اررتفاع 3.2 متر از دهانه وسط قاب هفتطبقه بتنی و طبقه اول و پایین ترین طبقه   با بارمرده 500 کیلوگرم بر متر و بار زنده   250 کیلوگرم بر متر انتخاب شد بعد از   محاسبه بارلغزش به میزان   80000کیلونیوتن برا قاب با مهاربند قطری   بااستفاده از روش فیلیاترات و چری به ساختیازده مدل پیشنهادی پرداخته شد و ابتدای کار صحت سنجی قاب و میراگر هر کدام بهتنهایی   انجام شد نتایج از این قرار بود کهدرمدل   مهاربند وی شکل که تکیه گاه   تنها میراگر اصطکاکی دورانی روی   ستون بود به همراه   مدل مهاربند شورون که دو میراگر داشت که تکیهگاه میراگرها روی تیر بود و همچنین مدل پانل مکعبی تک میراگر که تکیه گاه روی تیرباشدبا 95000 نیوتن متر انرژی بیشترین استهلاک انرژی قاب را داشتند واز نظر مقاومتنهایی قاب مهاربند قطری با 600000 نیوتن مقاومت بیشترین مقاومت نهایی را دارد.

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.

شده، دقت مدل پیشنهادی در دسته‌بندی ترافیک شبکه به 1/99% رسیده است.  

ا رشد پلتفرم ها و برنامه های کاربردی شبکه های اجتماعی آنالین، روزانه مقادیر زیادی محتوای متنی توسط کاربر به روشهای مختلف مانند نظرات، تحلیلها، اخبار و پیام های متنی کوتاه ایجاد می شود. در نتیجه، کاربران اغلب برای استخراج اطالعات مفید در مورد موضوع مورد بحث این گونه محتوا را پالش برانگیز میدانند. امروزه برای 1 استخراج راحتتر اطالعات مفید از روشی به نام استخراج موضوع استفاده میکنند. استخراج موضوع با اسستقاده از یک سری محاسبات آماری خالصه یا موضوع اصلی سند مورد نظر را از متن بیرون میکشد، که با این کار میتوان با مشکالت کمتری به تجزیه و تحلیل اسناد پرداخت. در این پژوهش قصد داریم با استفاده از روشهای یادگیری عمیق همچون)DNN,LSTM )یک شبکه یادگیری عمیق جهت استخراج موضوع با دقت بیشتر از کارهای انجام شده در این زمینه طراحی کنیم. دیتابیسی که در این پژوهش بر روی آن کار خواهیم کرد دیتابیسی متنی شامل اخبار است. که در ابتدا با استفاده از تکنیکهای پیشپردازش متن )تبدیل کردن تمامی حروف موجود در دادههای متنی به »حروف کوچک« )letters Lowercase ،)پاک کردن عالئم نقطهگذاری )Punctuations ،)پاک کردن »کلمات بی اثر« )Stopwords ،)مصدر سازی کلمات)Stemming ) )عملیات نرمل 2 سازی را انجان دادیم. از LDA بعنوان روش یادگیری شبکه استفاده میکنیم به بیانی واضح تر شبکه یادگیری عمیق بر اساس تکنیک استخراج موضوع LDA کار خواهد کرد. نتیجه این پژوهش دقت بشتر شبکه یادگیری نسبت به شبکههای ساخته شده در کارهای پیشین است که توانستهایم دقت شبکه بر روی دیتابیس مورد نظر را نسبت به آنها بیشتر کنیم.  

   چکیده تبدیل صدا با هدف تغییر یک یا چند جنبه سیگنال گفتار با حفظ ساختار گفتاری سیگنال انجام می‌شود. یکی از زیرمجموعه‌های تبدیل صدا، تقلید صدا است. تقلید صدا تکنیکی برای تبدیل هویت گوینده مستتر در شکل موج گفتار منبع، با حفظ اطلاعات زبانی می‌باشد. تغییر گفتار گوینده منبع به گونه‌ای انجام می‌شود، که خروجی تولید شده، مانند جمله بیان شده توسط یک گوینده هدف است. هدف سیستم تقلید صدا، ایجاد تابع تبدیلی است، که ویژگی‌های گفتاری یکسان زبان، از هر دو گوینده منبع و هدف را به هم تبدیل کند. با جای‌گذاری ویژگی‌های متناظر گوینده هدف با ویژگی‌های متناظرگفتار گوینده منبع، و بازسازی این ویژگی‌ها به موج گفتار، تقلید صدا اتفاق می‌افتد. بیشتر مباحث تقلید صدا، حول یادگیری ویژگی‌های متناظر گوینده منبع و هدف می‌باشد. در این پژوهش سعی شده تبدیل موج گفتار گوینده منبع با تفکیک سیگنال گوینده منبع و هدف، به قطعات زمانی یکسان و تبدیل آن به ماتریس دو بعدی Mel Spectrum (با استفاده از ووکودر MelGAN) داده‌های ورودی را آماده کرده و با آموزش شبکه ایجاد شده، الهام گرفته از شبکه‌های مولد تخاصمی چرخشی(Cycle GAN)، این تابع تبدیل را ایجاد کنیم. ووکودر MelGAN برای سنتز(تبدیل) شکل موج به Mel Spectrum و بالعکس(شکل موج گفتار) استفاده شده است. همچنین در این پژوهش از داده‌های چالش تقلید صدای سال 2018 استفاده شده است. در این چالش که هر دو سال یک‌بار برگزار می‌شود، با در اختیار دادن داده‌ها (در سری 2018، داده‌های غیرموازی)، برای بهبود کیفیت تقلید صدا، تلاش می‌شود. در پایان جهت ارزیابی تابع تبدیل نهایی آموزش دیده در این پژوهش، از دو روش   کمی استفاده شده است. معیارهای ارزیابی عینی موجود برای تبدیل صدا (VC) همیشه با ادراک انسان مرتبط نیست. بنابراین، آموزش مدل‌های VC با چنین معیارهایی ممکن است به طور موثر طبیعی بودن و شباهت گفتار تبدیل‌شده را بهبود نبخشد. در این پروزه، از مدل‌های ارزیابی مبتنی بر یادگیری عمیق برای پیش‌بینی رتبه‌بندی انسان از گفتار تبدیل شده، استفاده شده است. مدل‌های شبکه عصبی کانولوشنال و تکراری برای ایجاد یک پیش‌بینی‌کننده میانگین امتیاز نظر (MOS) که MOSnet نامیده می‌شود، اتخاذ می‌کنیم. همچنین از معیار MCDنیز برای ارزیابی کمی استفاده شده است.   علی‌رغم سال‌ها تحقیق، سیستم‌های تقلید صدا، و پیشرفت فرایند یادگیری تابع تبدیل، با استفاده ازانواع شبکه‌های عصبی، هنوز هم در تقلید دقیق از یک گوینده هدف به صورت طیفی و عروضی و به‌طور هم‌زمان حفظ کیفیت گفتار، کمبودهایی دارند.

  

  رشد سریع اقتصادی در جهان منجر به افزایش مصرف انرژی در دهههای اخیر شده است. بر اساس مطالعات اخیر، مصرف انرژی سیستم های سرمایشی و گرمایشیدر ساختمان ها حدود 60 درصد است. در نتیجه، هر گونه پیشرفت در فناوری سیستم هایحرارتی برای کاهش مصرف انرژی، به ویژه در ساختمان ها، مورد استقبال قرار می گیرد.مواد تغییر فاز دهنده (PCM) با چگالی بالا برای ذخیره انرژی یکی از موثرترین راه‌ها برایکاهش مصرف انرژی در ساختمان‌ها هستند. در این پایان نامه با استفاده از نرم افزاردیزاین بیلدر نسخه 7، انتقال حرارت اتاق تاسیسات برقی 4*4*3 واقع در شهر تهران شبیهسازی شده است. از طریق این شبیه‌سازی‌ها، رفتار حرارتی دیوار مجهز به لایه‌های PCM بررسی شده است.پارامترهای مختلف دیوار و PCM در نظر گرفته شده در شبیه سازی ها شامل ضخامت، ضریب هدایت، دمای ذوب مواد PCM و همچنین تولید گرما در داخل اتاق است. نتایج نشان داد که با افزایش ضخامت PCM، میزان بار حرارتی روزانه ساختمان کاهش می‌یابد و در نتیجه عملکرد حرارتی اتاق بهبود می‌یابد.با تغییر ضخامت PCM از 5 به 10 سانتی متر، ضریب عملکرد حرارتی PCM بسته به دمای ذوب PCM حدود 20-25? افزایش می یابد. مشخص شده است که یک ضخامت موثر برای PCM وجود دارد که پس از آن افزایش ضخامت تاثیر ناچیزی بر کاهش بارحرارتی دارد. بعلاوه مشخص شد که ضریب هدایت تاثیر کمی بر ضریب عملکرد حرارتی داردبه طوری که برای همه موارد مورد مطالعه، تاثیر رسانایی در محدوده 0.2 تا 2 وات برمتر درجه کلوین،   ضریب عملکرد حرارتی کمتراز 13 درصد تغییر می‌کند. همچنین نتایج نشان داد که افزایش تولید داخلی گرما منجربه کاهش مقدار ضریب عملکرد حرارتی می شود و در این حالت ماده تغییر فاز عملکرد ضعیفی دارد.

  Iran's Standard No. 2800 provides a code for the design of structures against earthquake loads. Due to the fact that mostly, far-field records have been used to prepare the seismic design spectra, in order to consider the destructive effects of near-field earthquakes in the 4th edition of St.2800, the incremental spectral correction coefficient (N) was introduced. In this paper, the accuracy and estimation of the value of this coefficient for 5 structures of special reinforced concrete moment-resisting frame with the number of floors from 3 to 15, are evaluated. Due to the fact that the increase in seismic requirements under the pulses of near-fault earthquakes is not the same for all seismic response parameters, so different correction coefficients can be used to estimate displacement response quantities and force quantities. For this purpose, first, the structures are statically analyzed according to the criteria of Iranian Standard 2800 and are designed according to the criteria of Article 9 of the National Regulations of Iran. Then the dimensions of beams, columns and rebars required by the structures are determined. After that the response spectrum of single-degree of freedom system to a set of records (including 7 far-field records, and 22 near-field records) is calculated, then using incremental dynamic analysis, the seismic response of structures at different seismic intensities is calculated. By calculating the response ratio of structures under near-field records to far-field records, the value of the N-coefficient is calculated. Based on the results, the value of the N-coefficient of the standard spectrum of St.2800 is suitable for estimating the base shear demand of structures, but this coefficient is not accurate enough to estimate the need for lateral drift of structures. In general, the coefficients obtained from elastic and inelastic analyzes for the need for displacement in reinforced concrete flexural frame structures are higher than the values provided by the St.2800. This difference has reached 58% in some structures. It was also observed that there is no regular relationship between the 1st natural period of the structures and the magnitude of the spectral correction coefficient and the magnitude of the spectrum correction decreases with increasing seismic intensity.

به طور معمول یک قاضی بر اساس دانش، تجربه، شخصیت و احساسات خود قضاوت می‌کند. با افزایش تعداد پرونده‌ها، بررسی اسناد و شواهد به صورت دقیق دشوار است و ممکن است قضاوت‌ها ذهنی‌تر شوند. همچنین با افزایش حجم کاری، یک قاضی ممکن است بیش از حد تحت فشار قرار گرفته و نتواند یک قضاوت با کیفیت انجام دهد. پیش بینی حکم دادگاه توسط الگوریتم‌های هوش مصنوعی، علاوه بر قضات، می‌تواند جهت استفاده کارشناسان حقوقی و نیز دادخواهان بسیار مفید واقع شود. همچنین این نوع پیش‌بینی می‌تواند به عنوان یک خدمت مشاوره‌ای آنلاین به آحاد جامعه ارائه شود تا قبل از طرح دعوی در محاکم قضایی و تنظیم دادخواست یا شکواییه، نسبت به نتیجه احتمالی درخواست خود آگاهی یافته و چه بسا همین امر سبب کاهش چشمگیر پرونده‌ها و نیز کاهش هزینه‌های سرسام‌آور گرفتن وکیل در برخی موارد برای قشر کمتر برخوردار گردد. این نوع پیش‌بینی همچنین به وکلا و طرفین دعوی کمک می‌کند که قبل از رفتن به دادگاه اقدامات لازم را انجام دهند. از دیگر کاربردهای این پژوهش می‌توان کمک به صدور دستور تشکیل دادگاه‌های تجدید نظر در صورت مغایرت رای دادگاه بدوی با حکم پیش‌بینی شده توسط مدل هوش مصنوعی اشاره کرد. با وجود آن‌که متن‌کاوی و کاربردهای آن به طور گسترده در حوزه‌های مختلف مورد استفاده قرار گرفته، اما تنها مطالعات معدودی متن‌کاوی را در زمینه‌های قضایی به کار گرفته‌اند. این پایان‌نامه، اولین پژوهش مدون در حوزه متن‌کاوی اسناد قضایی فارسی می‌باشد. در این پایان‌نامه به پیش‌بینی حکم دادگاه در پرونده‌های مرتبط با خرید، نگهداری، مخفی کردن یا حمل مواد مخدر با استفاده از تکنیک‌های یادگیری ماشین و یادگیری عمیق، با بررسی تاثیر جنبه احساسات و هیجانات قاضی در شدت حکم صادره، در مجازات‌های شلاق، جریمه نقدی و حبس، پرداخته شده‌است. برای این منظور ابتدا متون و اسناد 6000 پرونده قضایی را پیش‌پردازش نموده، سپس با استفاده از پیکره احساسات و هیجانات NRC، گرایش مثبت یا منفی و نوع هیجان موجود در پرونده‌ها را بررسی و نمره‌گذاری کردیم. در ادامه با روش‌های گوناگون یادگیری ماشین و یادگیری عمیق، مدلسازی احساسات را انجام دادیم که از میان روش‌های پیاده‌سازی شده، روش TFIDF + SVM بیشترین دقت را کسب نمود. سپس به تجزیه و تحلیل 8 نوع هیجان موجود در پرونده‌ها پرداخته و به صورت طبقه‌بندی چند برچسبه آن‌ها را مدل‌سازی نمودیم که به صورت میانگین، الگوریتم TFIDF + SVM بیشترین دقت را داشت. در گام بعد، میزان مجازات‌های در نظر گرفته شده در پرونده‌ها را در دو دسته مخففه و مشدده طبقه‌بندی نموده و به روش‌های یادگیری ماشین، یادگیری ماشین جمعی و یادگیری عمیق، به مدلسازی آن‌ها اقدام نمودیم که در نهایت از میان روش‌های بررسی شده، در مجازات شلاق روش TFIDF + Adaboost، در مجازات جریمه نقدی روش BERT و در مجازات زندان روش Skipgram + LSTM + CNN، بیشترین دقت را کسب نمودند. در نهایت به منظور تخصیص هر یک از برچسب‌های مجازات شلاق، جریمه نقدی و زندان، هر الگوریتمی که بیشترین دقت را داشت انتخاب نموده و دقت آن را در شرایطی که داده ما متون قضایی به علاوه نمره احساسات پرونده، متون قضایی به علاوه نمره هیجانات پرونده، متون قضایی به علاوه نمره احساسات و نمره هیجانات پرونده باشد را محاسبه نمودیم. نتایج این پژوهش نشان می‌دهد که استفاده از نمره احساسات و هیجانات، باعث افزایش دقت پیش‌بینی حکم دادگاه برای هر سه مجازات مورد بررسی(شلاق، جریمه نقدی، زندان) می‌گردد. همچنین مجازات شلاق بیشترین تاثیر و مجازات زندان کمترین تاثیر را از احساسات و هیجانات می‌گیرد. در ضمن در مجموع احساسات تاثیر بیشتری نسبت به هیجانات در پیش‌بینی رای دادگاه دارند. کلیدواژه‌ها: پیش‌بینی حکم دادگاه، متن‌کاوی، یادگیری ماشین، یادگیری عمیق، تحلیل احساسات، تحلیل هیجانات   

روزانه حجم زیادی از نظرات توسط کاربران در وب به خصوص در شبکه‌های اجتماعی، سایت های نقد و بررسی‌های آنلاین در انجمن‌ها و شبکه‌های اجتماعی منتشر می‌شود. به علت حجم بسیار زیاد این داده‌ها و اطلاعات متنی، تجزیه و تحلیل آن‌ها توسط انسان بسیار دشوار، زمان بر و عملاً غیرممکن است؛ بنابراین به وجود سیستم که به صورت خودکار بتواند نظرات را تجزیه و تحلیل بتواند، نیاز داریم. تحلیل احساسات راه‌حلی برای این مسئله است. تحلیل احساسات زیرشاخه‌ای از پردازش زبان طبیعی و فرآیندی است که به کشف نگرش‌ها، دیدگاه‌ها و احساسات با برچسب‌گذاری مثبت، منفی و خنثی افراد از روی نوشته‌هایشان می‌پردازد. ویروس کرونا رسانه‌های اجتماعی را به توفان کشانیده است. با افزایش آگاهی در مورد بیماری،پیام‌ها، پست‌ها حضور آن را تایید می‌کنند. شبکه اجتماعی توئیتر اثر مشابهی را با تعداد پیام‌های مربوط به کرونا نشان داد که رشد بی‌سابقه‌ای را در این چند مدت داشته است. در این پژوهش سعی بر تجزیه و تحلیل پیام‌های فارسی خواستیم با استفاده از یادگیری ماشین احساسات پیام‌های شبکه اجتماعی توئیتر را در پادمی ویروس کرونا مورد تجزیه و تحلیل قرار دهیم. با توجه به موفقیت یادگیری ماشین در بسیاری از زمینه‌های کاربردی به سبب توانایهای که در استخراج خودکار ویژگی‌ها و یادگیری الگوهای پیچیده دارد مورد بحث قراردادیم، هدف از این تحقیق ارائه مدلی به منظور تحلیل و طبقه‌بندی احساسات کاربران شبکه اجتماعی توئیتر با استفاده از الگوریتم‌های یادگیری ماشین است.   در پژوهش حاضر با بکار گیری از الگوریتم‌های یادگیری ماشین مانند درخت تصمیم، SVM، رگرسیون لجستیک برای رویکرد احساسات توئیت های فارسی نتایج خوبی به دست آمد. به همین ترتیب الگوریتم درخت تصمیم 83 درصد،الگوریتم بردار پشتیبان 81 درصد و الگوریتم رگرسیون لجستیک 77 درصد دقت داشتند.   کلیدواژه‌ها: تحلیل احساسات،پاندمی ویروس کرونا،شبکه‌های اجتماعی توئیتر،یادگیری ماشین.        

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

  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

در این مطالعه شبیه سازی عملکرد حرارتی دودکش خورشیدی در حضور ماده تغییر فاز دهنده به عنوان ذخیره ساز انرژی حرارتی با روش دینامیک سیالات محاسباتی[1] (CFD) در دو توان حرارتی W1200 وW 800 برای فرآیند ذوب در حالت‌های گرمایش بسته و باز و فرآیند انجماد در حالت کانال بسته و باز مورد بررسی قرار گرفت. در حالت گرمایش بسته به منظور ذخیره سازی انرژی توسط ماده تغییر فاز دهنده توان حرارتی اعمال می‌شود و در حالت کانال باز با تخلیه حرارتی هوای گرم شده به محیط انتقال می‌یابد. به منظور انجام تحلیل دینامیک سیالاتی، عملکرد دستگاه به همراه مواد تغییر فاز دهنده با استفاده   از نرم افزار کامسول مورد بررسی قرار گرفته است. دودکش خورشیدی مورد مطالعه در این پروژه از سه بخش اصلی شامل: محفظه ماده تغییر فاز دهنده، صفحه جاذب و کانال هوا تشکیل شده است. بر طبق تعریف ابتدا انرژی حرارتی به سیال و صفحه جاذب و در نتیجه ماده تغییر فاز دهنده منتقل می‌شود و همچنین حرارت وارد شده نیز منجر به افزایش دمای سیال درون کانال شده و به انرژی جنبشی تبدیل می‌شود و در نتیجه سیال درون دودکش به جریان در می‌آید و سبب انتقال گرما به محیط می‌شود. هندسه دستگاه دودکش خورشیدی با اندازه‌های واقعی دودکش ساخته شده در مرجع طراحی شده است. در مرحله بعدی سیستم مواد تغییر فاز دهنده بکار گرفته شد. این مواد با هدف بهبود انتقال حرارت در درون دودکش خورشیدی استفاده شده است و شبیه سازی با روش دینامیک سیالات محاسباتی (CFD) روی آن صورت گرفته است. پارامترهایی از جمله سرعت ورودی سیال به داخل کانال، هدایت حرارتی صفحه جاذب و هدایت حرارتی ماده تغییر فاز دهنده بر روی زمان ذوب ماده تغییر فاز دهنده بسیار تاثیر گذار است و همچنین ظرفیت گرمایی ویژه و گرمای نهان ماده تغییر فاز دهنده بر روی ذخیره سازی انرژی آن تاثیر می‌گذارد. نتایج حاصل از شبیه سازی فرآیند ذوب ماده تغییر فاز دهنده نشان داد که با اعمال توان W 1200 گرمایش بسته و باز، زمان لازم برای ذوب به ترتیب 3 ساعت و 10 دقیقه و 4 ساعت و 30 دقیقه می‌باشد در حالی که در مطالعه تجربی این مقادیر به ترتیب 3 ساعت و 4 ساعت و 15 دقیقه می‌باشد. همچنین زمان انجماد در شبیه سازی در حالت کانال هوا بسته و باز به ترتیب 7 ساعت و 40 دقیقه و 6 ساعت و 30 دقیقه می‌باشد در حالی که این مقادیر در مطالعه تجربی 7 ساعت و 10 دقیقه و 6 ساعت و 20 دقیقه می‌باشند. دمای خروجی از دودکش خورشیدی در شبیه سازی در توان W 1200 در حالت گرمایش بسته به میزان °C 69 است که این مقدار در کار تجربی °C 71 است. همچنین در توان W‌1200 در حالت گرمایش باز دمای خروجی در شبیه‌سازی °C 51 است و این مقدار در مطالعه تجربی °C 49   می‌باشد. طبق نتایج شبیه‌سازی شده و آزمایشگاهی مشهود است که سیستم مواد تغییر فاز دهنده دمای هوای خروجی را جهت گرمایش محیط افزایش می‌دهد. مقایسه این نتایج با داده‌های تجربی، بر دقت این تحلیل صحه می‌گذارد. [1]. Computational Fluid Dynamics   

اکتشاف و تولید نفت خام اغلب با تشکیل امولسیون آب در نفت (W / O) همراه است که می‎تواند مشکلات جدی برای صنایع پالایشگاه‎های پایین دست را ایجاد کند. تعلیق‎شکنی[1] شیمیایی از طریق افزودن دمولسیفایر[2] معمولاً تکنیک اصلی مورد استفاده برای غلبه بر مشکلات مرتبط با تشکیل امولسیون‎های W/O می‎باشد. در سال‏های اخیر نانو تکنولوژی برای تسریع فرآیند تعلیق‎شکنی به کار گرفته شده است. بهره‏گیری از نانو ذره مناسب، هزینه‏های بالای فرآیندی به‏میزان قابل توجهی کاهش داد. پس با بهره‏گیری از مطالعات کتابخانه‏ای، در این پژوهش نانو ذرات مغناطیسی   Fe3O4انتخاب و به روش الکترولیز سنتز شد و با استفاده از آنالیزهای XRD، FE-SEM، FTIR و VSM ساختار نانو ذرات بررسی شد. هدف از این مطالعه، ارزیابی تاثیر افزودن نانوذرات   Fe3O4در کنار دمولسیفایر تجاری DDH 9855 برای کاهش مصرف دمولسیفایر و بهبود جداسازی آب از نفت میدان نفتی دهلران است که از طراحی آزمایش‌ها[3] استفاده شد و تاثیر پارامترهای مختلف تعیین گردیده است. طبق نتایج بدست آمده بالاترین میزان بازده تعلیق‏شکنی در شرایط بهینه‏ای که دما C° 40، غلظت دمولسیفایر   m300، pH 4/6، محتوای آبml   5/7 و مقدار نانو ذره   g033/0 است، 83/97 % به دست آمد. در نهایت نانو ذره استفاده شده در فرآیند تعلیق‏شکنی مجدداً مورد استفاده قرار گرفت و بعد از سه مرتبه استفاده، حدود 15 % میزان بازده تعلیق‏شکنی افت کرد که این میزان کاهش بسیار مناسب و قابل چشم‏پوشی است به گونه‌ای که نانو ذره را تا سه مرتبه و با موفقیت می‌توان مجدداً مورد استفاده قرار داد. همچنین اثر زمان ته‏نشینی به عنوان پارامتر مهم دیگر در فرآیند تعلیق‏شکنی طی مدت h 2 ضبط داده‏ها بررسی شد که بازده 65/66 % افزایش یافت. از طرفی با بررسی اثر افزودن نانو ذرات در کنار دمولسیفایر بعد از h 5 زمان ته‏نشینی، 82/14 % آب جدا شده نسبت به دولسیفایر تنها افزایش یافته است. از طرف دیگر اثر افزودن نانو ذرات در کنار دمولسیفایر با افزایش مقدار نانو ذره در مقایسه با حالت دمولسیفایر تنها، آب جدا شده 38/15 % افزایش و زمان ته‏نشینی h 5 کاهش یافت. بنابراین نتایج نشان داد که زمان ته‎نشینی مورد نیاز به طور قابل توجهی کمتر از فرآیند تعلیق‎شکنی متداول است.

   در سالهای اخیر اهمیت استفاده از مبدل­های الکترونیک قدرت به نحوی زیاد شده است که مقالات متعددی در این زمینه به چاپ رسیده است. روشهای متنوعی در کنترل مبدل­های قدرت ارائه شده است که از رایج­ترین روش­ها می­توان به مدلاسیون بردار فضایی، مدلاسیون پهنای پالس و ... اشاره نمود. در این پایان نامه از روش کنترل پیش­بین مبتنی بر مدل برای کنترل کننده یک اینورتر منبع ولتاژ سه­فاز چهارساق استفاده شده است. روش پیشنهادی در این پایان­نامه با اعمال قید کلیدزنی در طراحی کنترل­کننده باعث کاهش فرکانس کلیدزنی می­گردد که تلفات ناشی از کلیدزنی را کاهش می­دهد در عین حال باعث بهبود عملکرد سیستم در توان­های بالا و کاهش هزینه نهایی ساخت مبدل می­گردد همچنین با استفاده از روش پیشنهادی در حالت کنترل پیش­بین دو مرحله­ای می­توان زمان نمونه برداری سیستم را افزایش داد. علاوه­بر­این می­توان به مقاوم بودن کنترل­کننده پیشنهادی در تغییرات امپدانس خط اشاره نمود که اعوجاج هارمونیکی کل سیستم در محدوده قابل قبولی قرار می­گیرد. که به‌منظور بررسی عملکرد صحیح روش پیشنهادی حالت‌های متعادلی و نامتعادلی سیستم موردمطالعه، در محیط سیمولینک نرم‌افزار متلب شبیه‌سازی گردیده است. واژه‌های کلیدی: کنترل پیش‌بین ، اینورتر، ، کاهش فرکانس کلیدزنی، قید کلیدزنی، امپدانس خط

  طبقه ­بندی احساس مبتنی بر منظر یکی از فیلدهای چالش‌برانگیز در پردازش زبان­ های طبیعی است. پژوهشگران برای این کار از روش‌های سنتی گوناگونی مانند روش‌های لغوی و یادگیری ماشین استفاده کرده­اند. روش‌های سنتی از تعامل میان داده­ ها به‌خوبی استفاده نمی­ کنند و باید به صورت دستی ویژگی­ ها را برایشان مشخص کنیم ولی در مقابل، روش‌های یادگیری عمیق می‌توانند هم تعامل میان داده­ها در نظر بگیرند و هم ویژگی‌های نهفته­ی درون آن‌ها را استخراج کنند. ازاین‌رو به تازگی به صورت گسترده ازاین‌روش­ها در پردازش متن، پردازش تصویر و بسیاری از حوزه ­های دیگر استفاده‌شده است و نتایج خیره‌کننده‌ای را به دست ­آورده است. روش‌های یادگیری عمیق زیادی مانند شبکه ­های کانولوشن، مبتنی بر رویکرد توجه و غیره معرفی شده ­اند اما هرکدام برتری‌ها و کاستی­ هایی دارند. برای نمونه شبکه­های کانولوشن بهتر از شبکه­های دیگر قابلیت موازی­سازی و استخراج ویژگی‌های محلی درون متن و رویکرد توجه نیز قابلیت تمرکز بیشتر روی بخش‌های مهم تر جمله را دارد. همین طور شبکه برت در سال 2018 برای خلاصه ­سازی متن در موتورها جستوجو معرفی شد. در این پایان­ نامه مدل های توجه محلی ساده و زنجیری با توجه به ایده­ی استخراج ویژگی­های محلی شبکه­های­ کانولوشن و همچنین تمرکز بیشتر روی بخش‌های مهمتر با رویکرد توجه و نگاشت کلمات به بردار توسط شبکه برت، معرفی شده ­اند که می‌توان امیدوار بود این شبکه ­ها کاستی‌های هم را پوشش دهند. در مدل ­های پیشنهادی ابتدا با استفاده از توجه محلی ویژگی‌های سطح پایین و مرتبط با منظر برای لایه ­ی بالاتر فراهم می‌شود. سپس با اعمال رویکرد توجه روی لایه­ ی پایین ­تر، ویژگی‌های سطح بالا استخراج و برای طبقه ب­ندی استفاده می شوند. نتایج تجربی نشاد داد که مدل ­های پیشنهادی نتایجی قابل مقایسه با مدل‌های برتر در طبقه ­بندی احساس مبتنی بر منظر، به دست آورده اند.

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   

   همخوانی میان شیوه زندگی ساکنین و شیوه سازماندهی فضا ها از ضرورت های طراحی خانه است. به این معنی که سازمان فضایی خانه امکان رخ دادن طیف رویدادهای زندگی را فراهم کند و برای نیازهای انسان، در این سازمان فضایی پاسخ فضایی وجود داشته باشد. به همین دلیل زندگی باید مبنای معماری قرار گیرد و به تبع آن شکل گیرد. این در حالی است که در شرایط امروز، تمرکز مسئولین معطوف به توسعه ی کمی و انبوه مسکن است و از طرف دیگر معماری خانه بر پایه پاسخ هایی وارداتی و بدون توجه به شکل زندگی زمینه ای که در ان شکل می گیرد شکل می گیرد. این امر سبب می شود فضای زندگی امکان انجام فعالیت های بسیاری را از ساکنان سلب کند. پاسخگو نبودن خانه به تمامی سطوح نیازهای ادمی باعث می شود که افراد، جواب آن نیازها را در محل دیگری خارج از خانه بجویند که خود می تواند در درازمدت به زدگی از خانه و خانواده منجر شود. این خود، تاثیرات روانی، خانوادگی و اجتماعی بسیاری را به دنبال دارد. این پایان نامه بر ان است که با شناخت ویژگی هایی از کالبد خانه که جریان زندگی را می توانند تقویت کنند به ارائه گزینه هایی برای طراحی در این جهت منتهی شود. در نهایت بر اساس این ویژگی ها به طراحی یک مصداق ختم شود. بر این مبنا نخست با کنکاش در ادبیات موضوع، مفاهیم کیفی مربوط به خانه و الگوهای کالبدی فضاهای خانه در منابع مکتوب حوزه معماری استخراج می گردد. همچنین به تعریف خانواده سالم و رویدادهای زندگی متناسب با آن در منابع مکتوب حوزه روان شناسی پرداخته می شود. با در نظر داشتن معیارهای استخراج شده از متون، در جهت کشف چگونگی ارتباط کالبد با زندگی، 10 خانه در بافت میانی کرمانشاه به عنوان نمونه موردی و به روش کیفی مورد بررسی قرار خواهد گرفت. به این منظور، از روش مصاحبه ی عمیق با ساکنین با حضور در خانه به همراه مشاهده و برداشت از فضاها استفاده می شود. از طریق تحلیل نمونه های موردی، تلاش می شود با شناخت کالبد موجود و رویدادهای خانواده، به کشف معیارهایی از فضاها که در تحقق رویدادها موثر بوده پرداخته شود. این معیارهای کالبدی در قالب الگوهایی شکلی در مقیاس هم نشینی فضاهای خانه ارائه می شود. در این پایان نامه، با بررسی ضرورت مساله، در جهت کشف چگونگی ارتباط کالبد با زندگی، از طریق مطالعه ی منابع در حوزه های معماری و روان شناسی، به ارائه پیشینه ی موضوع با طی فرایندی از شناخت مفاهیم کیفی به ارائه الگوهای کالبدی عام پرداخته می شود. سپس در جهت شناسایی الگوهای خاص، به تبیین روش پژوهش پایان نامه با طی فرایندی از شناخت کالبد خانه ها و رویدادهای جاری در آن ها به شناسایی معیارهای کالبدی موثر در تحقق رویدادها پرداخته می شود. در نهایت تحلیل داده ها و نتایج، بیان شده و طراحی منتج از آن ها ارائه می گردد. نتایج حاصل شده، می توانند به عنوان ابعاد کیفی خانه مورد توجه طراحان قرار گرفته و در تدوین استانداردهای خانه کاربرد پیدا کنند. همچنین به عنوان ارا ئه ی روشی مناسب در آموزش معماری در جهت رسیدن از مبانی به طراحی مورد رجوع باشند.

   عنوان پایان نامه : بازطراحی کارخانه بازیافت کاغذ ایلام با استفاده از نظریه بازیابی توجه امروزه استرس یکی از واژه های بسیار معمول و آشنایی است که همه ما با آن به نحوی درگیـریم و در مقابـل حوادث شغلی نیز تاثیر بدی بر روی فضاهای صنعتی و نیروی انسانی آنها دارند.   این تحقیق با هدف بررسی نظریه بازیابی توجه کاپلان­ها در کارخانه بازیافت کاغذ ایلام و تاثیر طبیعت بر کارکنان این کارخانه صورت گرفته است. با توجه به فرضیات و سوالات مورد نظر در این تحقیق از روش تحقیـق کیفی سود جسته است . جامعه آماری 100 نفراز کارکنان شهرک صنعتی ایلام می­باشند. در راستای پاسخگویی به فرضیات پژوهشی کار جمع آوری اطلاعات صورت گرفت کـه بـرای جمـع آوری اطلاعات میدانی از روش مشاهده و پرسشنامه استفاده شد . مشاهده در دو روز کاری و غیر کاری انجام شد. دو پرسش­نامه شامل 10 سوال می­باشد و براساس مقیاس لیکرت و درجات آن از خیلی کم تا خیلی زیاد و 7 درجه است. نتایج بدست آمده از این تحقیـق بـر پایـه فرضـیات نشان می دهد که : کارکنان بیشتر زمان خود را در فضای بسته به سر می­برند و از طرفی طبیعت خستگی ذهن کارکنان صنعتی را کاهش می­دهد، بنابراین از طبیعت در فضاهای بسته و باز کارخانه بازیافت ایلام می­توان برای کاهش استرس و خستگی کارکنان بهره برد.

در سالهای اخیر با رشد سریع تعداد کاربران اینترنت و ظهور برنامههای جدید، ترافیک اینترنت به شدت در حال رشد است.در نتیجه، مسئله شناسایی برنامههای روی شبکه به یک کار پیچیده تبدیل شده است. تشخیص و دستهبندی جریانها وبرنامهها روی ترافیک شبکه نقش مهمی در امنیت و مدیریت شبکه دارد. هدف از دستهبندی ترافیک، ایجاد ارتباط بینبستههای یک جریان با یک سرویس یا برنامه خاص است. مشکلی که در اکثر روشها دستهبندی ترافیک وجود دارد متکیبودن به استخراج ویژگی توسط افراد خبره می باشد. یافتن ویژگیهای مطلوب که باعث دقت بالای دستهبندی شود، کاریدشوار و زمانبر است. به طور کلی، اغلب روشهای دستهبندی ترافیک، مبتنی بر ویژگیهای از قبل استخراج شده توسط یکفرد خبره در زمینه شبکههای کامپیوتری هستند. این ویژگیها شامل شماره پورت، اطلاعات موجود در سرآیند بستهها وویژگیهای آماری استخراجی از جریان و .. را شامل میشوند. مشکل اصلی دستهبندی ترافیک، یافتن ویژگیهای مناسب درترافیک است. فرآیند یافتن ویژگیهای مناسب، امری زمانبر و هزینهبر است و نیاز به فردی خبره دارد که این ویژگیها رامشخص و استخراج نماید. برای حل مشکلات مذکور، یکی از جدیدترین زمینهها در حوزه یادگیری ماشین، یادگیری عمیقمی باشد که مبتنی بر شبکه های عصبی مصنوعی است و در آن استخراج ویژگی بصورت سلسله مراتبی و خودکار انجاممیشود. در این وضعیت، با استخراج ویژگی خودکار نیاز به فرد خبره حذف خواهد شد و امکان خطاهای انسانی کاهش مییابد.در این طرح قصد داریم با استفاده از شبکه های باور عمیق و شبکه های کانوولوشنی یک روش دستهبندی ترافیک بر رویمجموعه دیتا ISCX vpn-nonvpn ارائه دهیم که بتواند با دقت بالا به تعیین و شناسایی ترافیک در شبکه بپردازد.

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

  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.

  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.

تخمین فرکانس پایه   یکی از مسائل مهم در زمینه ی پردازش سیگنال‌های صوتی است. تخمین دقیقِ فرکانس پایه در زمینه تحلیل گفتار و موسیقی نقش بسیار مهمی دارد. برای تخمین فرکانس پایه تاکنون روش‌های مختلفی در حوزه زمان و فرکانس ارائه شده است. مهم ترین چالشی که حل این مساله را با دشواری مواجه می‌کند، وجود نویزهای قوی در سیگنال‌های گفتاری است. در پژوهش حاضر به منظور افزایش دقت استخراج فرکانس پایه، روش­هایی برای ترکیب بهینه تخمین­زننده­های فرکانس پایه در فایل‌های حاوی نویز ارائه شده است. در پژوهش حاضر برای تشخیص قاب­های واکدار از بی­واک، میزان امتیاز واکداری/بی­واکی حاصل از چهار روش اتوکورولیشن، YIN ، YAAPT و SWIPE برای هر قاب، به دو ‌صورت خطی   و غیرخطی با هم ترکیب شده و پس از مشخص شدن برچسب واکداری/بی­واکی، مقدار فرکانس پایه آن قاب یعنی F0 با استفاده از روش SWIPE محاسبه می­گردد. ضرایب بهینه برای ترکیب خطی با استفاده از معیار حداقل مربعات همراه با رگولاریزاسیون تعیین می­گردد. برای ارزیابی روش پیشنهادی، 10 فایل گفتاری (5 فایل با صدای زن، 5 فایل با صدای مرد) از دادگان استاندارد PTDB-TUG انتخاب و معیارهای استاندارد خطا یعنی MFPE، SDFPE، FPE، GPE، VDE، PTE و FFE محاسبه شده است. نتایج آزمایش­ها نشان‌دهنده‌ی این است که روش ترکیب خطی به طور میانگین (در SNR های مختلف) خطای GPE را به میزان   22.98 درصد، خطای VDE را 26.16 درصد، خطای PTE را 9.26 درصد و خطای FFE را به میزان 32.72 درصد (بصورت نسبی) و روش ترکیب غیرخطی (با استفاده از شبکه عصبی MLP) به طور میانگین خطای GPE را به میزان   30.64 درصد، خطای VDE را 33.58 درصد، خطای PTE را 9.58 درصد و خطای FFE را به میزان 39.86 درصد نسبت به روش‌های مشهورِ استخراج فرکانس پایه گفتار کاهش می­دهد.

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

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

  موضوع بهبود کیفیت صدا امروزه به یکی از موضوعات مهم و اساسی روز تبدیل‌شده است .ازاین‌رو بهبود گفتارهای آغشته به نویز یکی از موضوعات مهم در حوزه پردازش سیگنال است و در موارد بسیاری مثل تشخیص صدا، شناسایی احساسات صوتی و...کاربرد دارد. تضعیف نویز به‌نحوی‌که اختلالی در سیگنال اصلی به وجود نیاورد یک چالش مهم برای بهبود صدا محسوب می‌شود. روش‌های مختلفی برای کاهش نویز ارائه‌شده‌اند که ازجمله روش‌های پایه می‌توان به روش تفریق طیفی ، تبدیل موجک، و...سایر موارد اشاره کرد. موضوع تحقیق این پایان­نامه نیز بررسی نویز موجود در سیگنالِ گفتار، حذف و یا کاهش آن نویز ازسیگنال گفتارِنویزی و ایجاد بهبود در سیگنال‌های گفتارِ آغشته به نویز می­باشد.در این پایان­نامه دو   روش جدید برای کاهش نویز موجود در سیگنال گفتار نویزی ارائه داده ایم . در روش اول ، یک روش تخمین نویز برای نویزهای غیر ایستان همراه با اعمال تبدیل موجک بر روی سیگنال و استفاده از الگوریتم بهینه‌سازی گروه ذرات با رفتار کوانتومی،را به صورت ترکیبی با روش Bayesian ارائه داده‌ایم تا نویزهای موجود در سیگنال نویزی را حذف کند و سیگنال بازیابی شده به سیگنال اصلی نزدیک‌تر باشد.در روش دوم نیز با اعمال تبدیل موجک بر روی سیگنال و ترکیب آن با روش SMPR   روشی جدید برای کاهش نویز ارائه داده ایم. روش­های پیشنهادی نسبت به روش‌های موردتحقیق در این پایان­نامه بهتر عمل می‌کنند و منجر به کاهش نویز از سیگنال با کمترین اعوجاج می‌شوند.

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

در این مطالعه از قاب­های دارای ستون­های فولادی پر شده با بتن (CFST) به همراه میانقاب ساندویچ پانل استفاده گردیده است. ستون­های CFST، به دلیل مزایای فراوانی که دارند استفاده از آن هر ساله افزایش می یابد. مزیت­های فولاد و بتن به خوبی شناخته شده است، بتن مصالحی با داشتن مقاومت فشاری خوب، قیمت مناسب نسبت به سایر مصالح و مقاومت قابل توجه در برابر آتش­سوزی، و فولاد مصالحی با شکل­پذیری و مقاومت بالا است. ترکیب این دو مصالح، یک ماده مرکب با ویژگی­های خوب را تشکیل می دهد. در ستون­های CFST وجود تیوب فولادی باعث ایجاد محصوریت بیشتر در بتن داخل آن و همچنین وجود بتن در داخل فولاد   باعث جلوگیری از کمانش موضعی در فولاد و در نتیجه افزایش ظرفیت باربری ستون می شود. ساندویچ پانل به عنوان یک عضو موثر به طور گسترده در ساختمان ها و سازه های صنعتی مورد استفاده قرار می گیرد. ساندویچ پانل دارای انعطاف پذیری مناسب و وزن نسبتاً پایین بوده که دارای یک هسته مرکزی و لایه­های بیرونی است که در دو طرف هسته به آن چسبیده­اند. در این مطالعه به منظور بررسی تاثیر پارامترهای مختلف بر روی سختی ، مقاومت نهایی و استهلاک انرژی قاب   CFSTبه همراه میانقاب ساندویچ پانل از مدل­های عددی استفاده گردیده است. جهت صحت­سنجی مدلسازی­های عددی، چند نمونه تحقیق آزمایشگاهی Wang-2017 ( مرجع 3)   با استفاده از نرم افزار اجزا محدود ABAQUS مدلسازی گردید و تطابق قابل قبول نتایج حاصل از تحلیل­ها، صحت مدلسازی­ها را مورد تایید قرار داد. نتایج نشان داد که استفاده از میانقاب ساندویچ پانل مقاومت نهایی ، سختی سازه و استهلاک انرژی را به طور قابل ملاحظه­ای افزایش می دهد.

  پیش گرمکن بازیاب دوار هوا یکی از تجهیزات اصلی جهت بازیابی انرژی در نیروگاه های بخار می‏باشد. در تحقیق حاضر به مطالعه پیش‏گرمکن هوا (ژانگستروم) در نیروگاه بیستون کرمانشاه با هدف بهینه سازی عملکرد حرارتی آن پرداخته شده است. بدین منظور به کمک دینامیک سیالات محاسباتی، شبیه‏سازی سه بعدی پیش‏گرمکن دوار هوا برای حل معادلات پیوستگی، اندازه حرکت و انرژی در محیط متخلخل و در مختصات مرجع متحرک انجام شده است. با توجه به ساختار صفحات ماتریس ژانگستروم، استفاده از فرض محیط متخلخل مورد قبول می‏باشد. نتایج بدست آمده در تحقیق حاضر با داده‏های واقعی نیروگاه تطابق قابل قبولی دارد. در این تحقیق تاثیر سرعت چرخشی بر کارایی پیش گرمکن هوا در بارها و دبی های جرمی مختلف برای حالت‏های بدون نشتی و با نشتی مورد بررسی قرار گرفته است. نتایج حاکی از آن است که تغییر سرعت چرخشی برکارایی ژانگستروم در محدوده ی 0.5 تا 4 دور بر دقیقه موثر بوده و افزایش بیشتر سرعت، تاثیر محسوسی بر کارایی نخواهد داشت. همچنین مطالعه حاضر نشان داد مقدار نشتی تاثیر قابل ملاحظه ای در کاهش کارایی مبدل در تمام بارها و سرعت های چرخشی دارد. در ادامه به بررسی سرعت چرخشی بهینه در بارها و دبی‏های جرمی مختلف هوا و دود پرداخته شده است. بدین منظور دو حالت بدون نشتی و با نشتی مورد مطالعه قرار گرفته است. نتایج نشان داد در حالت بدون نشتی به ازای بارهای مختلف نیروگاه، کارایی تغییرات چندانی نداشته و تنها با افزایش سرعت چرخشی، کارایی افزایش می یابد. از سوی دیگر در حالت با نشتی، بیشترین مقدار کارایی مبدل مربوط به بار نامی 320 مگاوات است. یکی از عوامل مهم و محدود کننده در افزایش سرعت چرخشی، دمای نقطه شبنم تشکیل اسید می‏باشد؛ لذا در تحقیق حاضر با بررسی این شاخص سرعت های چرخشی بهینه در بارهای مختلف استخراج گردیده است. در ادامه به بررسی اثر جنس صفحات ماتریس بر انتقال حرارت در ژانگستروم پرداخته شده است. نتایج نشان داد بهترین عملکرد حرارتی در هر دو حالت بدون نشتی و با نشتی مربوط به فولاد ضد زنگ با کمترین مقدار نفوذ حرارتی بوده، و مس با توجه به نفوذ حرارتی بیشتر، پائین ترین بازده حرارتی را به خود اختصاص داده است.

در این رساله، شبیه سازی عددی اختلاط سیالات غیرنیوتونی در جریان تحت اثر میدان الکتریکی (جریان الکترواسموتیک) صورت گرفته است. این مساله به عنوان فرآیندی پرتکرار در تکنولوژی پیشرفته و در حال گسترش "آزمایشگاه روی تراشه" (LOC) از اهمیت بالایی برخوردار بوده و دارای کاربردهای فراوانی در زمینه‏ها‏ی پزشکی و بیوشیمی می‏باشد. یکی از هدف‏های مهم در این زمینه طراحی ریزمخلوط‏گرهای با کارایی بالا می‏باشد به گونه‏ای که بتوان با صرف کمترین زمان و انرژی به اختلاط دلخواه دسترسی پیدا کرد. در این مطالعه اثر پارامترهای موثر بر اختلاط، در یک جریان ترکیبی الکترواسموتیک- فشار محرک و در حضور موانع فیزیکی و ناهمگنی در زتاپتانسیل مورد مطالعه قرار گرفته است. شبیه‏سازی‏ها برای هندسه‏ی دوبعدی و با به‏کارگیری روش المان محدود با استفاده از نرم افزار تجاری COMSOL Multiphysics 5.2a صورت گرفته است. برای مدل‏سازی لایه‏ی الکتریکی دوگانه و توزیع یون‏ها از معادلات ارنست- پلانک استفاده شده است. نتایج به دست آمده نشان می‏دهد که عوامل مختلفی مانند رفتار دیلاتنتی سیال، گرادیان فشار معکوس، ناهمگنی زتاپتانسیل و ارتفاع موانع می‏توانند بر عملکرد اختلاط اثر مثبت داشته باشند. همچنین مشخص شد که افزایش طول موانع بر عملکرد اختلاط اثر اندکی دارد در حالی که مکان قرار گیری موانع در طول کانال تقریباً بر کیفیت اختلاط بی‏تاثیر است. همچنین معلوم شد که اثر آرایش تکه‏های ناهمگنی به اندازه‏ی زتاپتانسیل روی تکه‏های ناهمگن وابسته است. نتایج به دست آمده حاکی از آن است که از میان پارامترهای موثر بر اختلاط، بهترین گزینه افزایش دادن اندازه‏ی زتاپتانسیل تکه‏های ناهمگن است، چرا که دبی عبوری از ریزمخلوط‏گر کاهش پیدا نمی‏کند و تقریباً ثابت است. این موضوع یک مزیت و ویژگی کلیدی به شمار می‏رود، چون هرگونه کاهش در دبی عبوری نامطلوب بوده و عملکرد ریزمخلوط‏گر را دچار اشکال می‏کند.

  یکی از مباحث مهم در پردازش صوت، پردازش فایل‌هایی است که در آن مخلوطی از گفتار انسان، سکوت و موزیک وجود دارد. به عنوان نمونه می‌توان به فایل‌های ضبط شده از رسانه‌های رادیویی، تلویزیونی و ماهواره‌ای اشاره کرد که حاوی سیگنال‌های صوتی متنوعی هستند.در برخی از کاربردها مانند کاهش حجم، افزایش کیفیت، شناسایی و کاربردهای دیگر نیاز به جداسازی گفتار انسان و یا به عبارتی حذف سکوت، موزیک و یا نویزهای محیطی از سیگنال‌های صوتی به‌وجود می‌آید. سیستم‌های جداسازی گفتار را می‌توان نوعی از سیستم‌های شناسایی گفتار انسان و یا سیستم‌های دسته‌بندی کننده‌ی سیگنال‌های صوتی دانست که از آنها برای جداسازی، شناسایی و یا نشانه گذاری قسمت‌هایی از سیگنال صوتی که شامل گفتار انسان است، استفاده می‌شود.برای انجام عملیات جداسازی گفتار انسان از سیگنال‌های صوتی از روش‌ها و رویکرد‌های گوناگونی بهره گرفته‌می‌شود. هدف ما در اینجا ارائه روشی مناسب وکارا   در قسمت استخراج ویژگی (feature extraction) و هم‌چنین در قسمت دستبه‌بندی (classification) با استفاده از الگوریتم‌های قدرتمند و پیشنهادی و نوین برای رسیدن به دقت بالا و کارایی بیشتر می‌باشد.

تونل­سازی، حفر تونل و استفاده از فضاهای زیر زمینی به عنوان یکی از کارهای مهم و پرکاربرد امروزه به سرعت در حال افزایش می باشد. همچنین به دلیل اهمیت ایمنی این گونه فضاها، داشتن دانش و آگاهی کافی در تمام مراحل احداث و آماده سازی فضاهای زیرزمینی امری حیاتی است. انتخاب یک سیستم نگهدارنده مناسب برای تونل ها به منظور دستیابی به محیطی پایدار و ایمن در طول زمان یکی از موضوعات مهم در امر تونل­سازی به شمار می رود. پس از آنکه براساس روش های تحلیل پایداری، مشخص شد که تونل نیاز به نصب سیستم نگهداری دارد، مرحله طراحی سیستم نگهداری آغاز می شود. پس از طراحی سیستم نگهداری و انتخاب سیستم مناسب، با اجرای سیستم نگهداری پایداری تونل تامین می شود. روش های طراحی سیستم نگهداری تونل ها به سه دسته روش های تحلیلی، روش های عددی و تجربی تقسیم بندی می شوند. یکی از این روش ها تعیین حائل مورد نیاز تونل به وسیله روش سیستم Q می باشد. در این تحقیق سعی بر آن شده است تا با استفاده از برخی روش های هوش مصنوعی سیستم نگهدارنده مناسب برای تونل در روش سیستم Q تعیین شود. برای این منظور ابتدا با استفاده از روش های آنالیز پیرسون و تحلیل مولفه اساسی به وسیله نرم افزار    و همچنین روش آزمون گاما به وسیله نرم افزار WinGamma پارامترهای تاثیرگذار در روش سیستم Q شناسایی شده و با استفاده از آن ها سه مدل مختلف جهت بدست آوردن مقدار Q انتخاب شده است. مدل های اول و دوم دارای سه پارامتر ورودی و یک پارامتر خروجی بوده و مدل سوم دارای چهار پارامتر ورودی و یک پارامتر خروجی می باشد. سپس با استفاده از برخی روش های هوش مصنوعی شامل شبکه های عصبی، منطق فازی، برنامه ریزی بیان ژن، الگوریتم ژنتیک و همچنین رگرسیون چندمتغیره مقدار Q با استفاده از مدل های مختلف به صورت جداگانه محاسبه شده است. درنهایت با توجه به مقدار Q بدست آمده از هرکدام از مدل ها و پارامتر بعد معادل، سیستم نگهدارنده تونل بوسیله نرم افزار تهیه شده پیش بینی می شود. نرم افزار تهیه شده تمامی پارامترهای مورد نیاز حائل تونل شامل طول بولت ها، فاصله بولت ها و ضخامت شاتکریت را در اختیار کاربر قرار می دهد. در این پژوهش با استفاده از پارامترهایی که بیشترین تاثیر را بر شاخص کیفیت توده سنگ می­گذارند مقدار Q پیش بینی شده است. بدین ترتیب اثر پارامترهای کم اهمیت تر و یا پارامترهایی که در دسترس نیستند یا دسترسی به آن ها هزینه بر بوده و یا مستلزم صرف زمان زیادی است، حذف شده که باعث کاهش هزینه ها و صرفه جویی در زمان خواهد شد. پس از محاسبه و مقایسه نتایج مختلف بدست آمده از روش های هوش مصنوعی، مشخص گردید که در مدل اول ابتدا شبکه عصبی نوع GRNN با مقدار RMSE برابر با 1/0 و R2 برابر با 99/0 توانایی بیشتری در پیش بینی شاخص کیفیت توده سنگ دارد و پس از آن روش برنامه ریزی بیان ژن با مقدار RMSE برابر با 16/2 و R2 برابر با 90/0 نتایج مناسبتری به دنبال دارد. در مدل دوم نیز ابتدا شبکه عصبی GRNN با مقدار RMSE برابر با 01/1 و R2 برابر با 97/0 دارای بهترین عملکرد بوده و پس از آن روش های برنامه ریزی بیان ژن، الگوریتم ژنتیک و شبکه عصبی MLP دارای نتایج نزدیکی با یکدیگر می باشند. در مدل سوم نیز شبکه عصبی GRNN با مقدار RMSE برابر با 31/0 و R2 برابر با 99/0 نتایج مطلوب تری به دنبال دارد و پس از آن روش برنامه ریزی بیان ژن با مقدار RMSE برابر با 38/1 و R2 برابر با 95/0 دارای نتایج قابل قبولی می باشد.

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

تولید مواد با ارزش شیمیایی با استفاده از کاتالیست های نانو ساختار

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.

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.