امروزه ذخیره و پردازش اطلاعات یکی از مسائل مهم در بسیاری از سیستم های تحقیقاتی و کاربردی به حساب می آید. در کامپیوترهای مرسوم اطلاعات براساس آدرس خانه حافظه آنها فراخوانی می شوند اما همزمان با روی کار آمدن کامپیوترها، شبیه سازی رفتار انسان در فرآیند ذخیره و بازیابی مورد توجه قرار گرفته است. حافظه های انجمنی یکی از روش های ذخیره و بازیابی اطلاعات است که از شیوه تداعی اطلاعات در ذهن انسان الگو برداری کرده و اطلاعات را براساس همبستگی میان آنها ذخیره می کند. این روش کارایی بالاتری به نسبت روش مرسوم ذخیره و بازیابی براساس آدرس فراهم می سازد. حافظه-های انجمنی مرسوم ارائه شده اگرچه توانایی مناسبی در ذخیره و بازیابی اطلاعات فراهم می سازند، دارای ظرفیت ذخیره سازی محدودی هستند. در این پژوهش یک حافظه انجمنی ناهمگون نوین ارایه شده است. در ساختار ارایه شده از یک روش یادگیری جدید براساس روش یادگیری اسپارس استفاده شده است که ظرفیت ذخیره سازی الگوها را افزایش می دهد. همچنین براساس الگو برداری از حضور پدیده آشوب در فرآیند پردازش اطلاعات در ذهن انسان، از این پدیده در ساختار خود استفاده نموده-ایم. پدیده آشوب با فراهم ساختن امکان جستجوی سراسری آشوبگونه، دقت بازخوانی الگوها را افزایش می دهد. ساختار ارایه شده دارای قابلیت یادگیری متوالی است به طوریکه قادر است الگوی جدید را حتی پس از مرحله آموزش یاد بگیرد و مرحله آموزش و بازخوانی از هم تفکیک شده نیستند. همچنین ذهن انسان ویژگی تداعی چند به یک را فراهم می سازد به طوریکه قادر است از روی هر یک از چندین الگوی مرتبط، الگوی خروجی متناظر آنها را تداعی کند. همچنین با بکارگیری یک دسته بندی کننده بازه ای به کمک شبکه عصبی راف و تشخیص کلاس داده ورودی قابلیت تداعی چند به یک نیز به شبکه اضافه شده است. کلید واژه: حافظه انجمنی، شبکه های عصبی آشوبگونه، تئوری آشوب، تئوری مجموعه بازه ای.

در چند دهه ی اخیر مساله ی ضدکنترل آشوب که بیان گر ورود رفتار آشوبناک در یک سیستم غیرآشوبی می باشد، مورد توجه قرار گرفته است. به همین منظور با ورود رفتار آشوبناک در سیستم پاندول معکوس چرخشی(rip) از این مزایا در حوزه ی شناسایی سیستم، تشخیص و جبران سازی خطا بهره گرفته شده است. این سیستم در کنترل خطی و غیر خطی به عنوان سیستم مکانیکی غیرخطی، زیر فعال ، غیرکمینهفاز و ناپایدار بسیار مورد توجه است. زیر فعال بودن به معنای کمتر بودن تعداد عملگرها از درجات آزادی سیستم می باشد. متاسفانه اغلب این سیستم ها غیرکمینه فاز نیز هستند. ورود رفتار آشوب در سیستم پاندول معکوس از طریق ردیابی موقعیت یک ژیروسکوپ که دارای رفتار آشوبی است، انجام می شود. برای این منظور از کنترل کننده خطی ساز ورودی-خروجی استفاده می شود، ولی به دلیل غیرکمینه فاز بودن، دینامیک صفر سیستم ناپایدار می باشد. به همین منظور، ابتدا با انتخاب یک تبدیل حالت و تعریف خروجی جدید، دینامیک صفر، به منحنی هایی پایا از سیستم تبدیل شده تا از ناپایداری داخلی جلوگیری شود. سپس کنترل کننده خطی ساز فیدبک ورودی-خروجی در فضای جدید برای هدف ردیابی سیگنال آشوب طراحی می شود. غنای سیگنال آشوب در حوزه ی شناسایی سیستم برای استخراج مدل سیمولاتوری مفید واقع می شود. نشان داده شده است که ورودی سیگنال آشوب تضعیف شده به جای سیگنال صفر، باعث مقاوم شدن سیستم در برابر خطا های ناگهانی و افزایش سرعت تشخیص و جبران سازی خطا می شود.

سیستم‏های توصیه‏گر سیستم‏هایی هستند که سعی دارند بر اساس عملکرد، سلیقه‏های شخصی، رفتارهای کاربر و بسته به زمینه‏ای که در آن مورد استفاده قرار گرفته‏اند، به هر کاربر پیشنهادهایی را ارائه دهند که با تمایلات شخصی وی تطابق داشته و وی را در فرایند تصمیم‏گیری یاری نمایند. با رشد روز افزون تجارت در دنیای وب، آموزش الکترونیکی، افزایش ارتباط و اشتراک کاربران با یکدیگر و پیدایش شبکه‏های اجتماعی، لزوم طراحی و پیاده‏سازی چنین سیستم‏هایی غیر قابل انکار است. به این منظور الگوریتم‏های متعددی مورد استفاده قرار گرفته‏اند که اکثریت آنها بر پایه دو الگوریتم مبتنی بر پالایش مشارکتی و پالایش مبتنی بر محتوا هستند. هدف این پایان‏نامه، طراحی سیستم توصیه‏گری است که با استفاده از الگوریتم‏های داده کاوی، از جمله خوشه‏بندی و الگوریتم‏های تکاملی و بر اساس الگوریتم‏های پالایشی پایه ذکر شده، دقت، سرعت و کیفیت اینگونه سیستم‏ها را بهبود بخشد. روند کلی به این صورت است که ابتدا داده‏های استانداردی که در کارهای پیشین نیز مورد استفاده بوده‏اند، پردازش شده و اطلاعات مفید و فیلدهای معتبر آنها استخراج می‏شوند. حال با استفاده از الگوریتم‏های ذکر شده و نظرات افراد خبره برای کاربران و آیتم‏ها، علایق و تشابهات را یافته و پیشنهادات را بر اساس میزان نزدیکی آنها به علایق کاربر ارائه می‏دهیم. سپس بازخورد کاربر در مورد پیشنهادات ارائه شده، دریافت می‏شود که بر مبنای آن می‏توان رفتار سیستم را ارزیابی کرد. در این پایان‏نامه از الگوریتم تکاملی گربه به دو منظور استفاده شده است. در روش اول، از این الگوریتم جهت پیدا کردن مجموعه‏ای از کاربران با بیشترین شباهت به یکدیگر، از بین تمامی کاربران استفاده می‏شود. در روش دوم، از الگوریتم گربه‏ها برای خوشه‏بندی کاربران بر اساس شباهت آنها به یکدیگر استفاده شده است تا از خروجی آن در فازهای بعدی الگوریتم، برای یافتن کاربران مشابه و ارائه پیشنهادات بکار گرفته شود. مشاهدات ما از نتایج بدست آمده به کمک روش اول، نشان دهنده افزایش دقت و در روش دوم، افزایش سرعت در این سیستم‏ها است.

پاندول معکوس آزمایشگاهی به منظور بررسی رفتار این سیستم با سیستم های مشابه در صنعت می باشد. موشک، روباتهای دوپا و ... از جمله سیستم های مشابه سیستم پاندول معکوس در صنعت می باشند. این سیستم ذاتا غیر خطی ، ناپایدار و بشدت ارتجاعی است. پاندول معکوس زمانی پایدار است که پاندول به صورت قائم قرار گرفته و بدون نوسان بوده و جابجایی و نیروی وارده صفر باشد. هدف این تحقیق طراحی کنترل کننده ایست که سیستم پاندول معکوس را در وضعیت عمود در نقطه تعادل نگه دارد. در این تحقیق از کنترل کننده فازی – عصبی با روش آموزش خطای پسخور با استفاده از تابع هزینه تعریف شده بر اساس کنترل کننده مد لغزشی برای کنترل پاندول معکوس استفاده شده است و در نهایت با در نظر گرفتن اثرات عدم قطعیت در شبکه مورد بررسی قرار گرفت.

زمین¬لغزش¬ها، به¬طور کلی حرکات توده¬ای از پدیده¬های طبیعی و متداول تغییر شکل دهنده¬ی سطح زمین به¬شمار می¬آیند و عامل اصلی حرکت و لغزش نیروی ثقل است و عوامل متعدد دیگری از جمله باران¬های سیل¬آسا و زمین¬لرزه ها و ... باعث تشدید و تحریک آنها می¬گردند. حوزه¬ی آبخیز طالقان از جمله آبخیزها¬ی مستعد زمین¬لغزش می¬باشد. همچنین در پژوهش¬های پیشین انجام گرفته در این منطقه، پیشنهاد گردیده است که از روش¬های دقیق¬تر و نیز لایه¬های اطلاعاتی و عوامل دیگر و بیشتری برای پهنه¬بندی زمین¬لغزش استفاده گردد. در این پژوهش هدف، پهنه¬بندی خطر زمین¬لغزش حوزه¬ی آبخیز طالقان (مشرف به سد طالقان) در مقیاس 1:50000، با استفاده از روش¬های، آماری(روش ارزش اطلاعاتی) و شبکه¬های عصبی مصنوعی با الگوریتم یادگیری پس انتشارخطا (شبکه¬های عصبی پرسپترون(mlp) و شبکه ¬های مبتنی بر توابع پایه¬ای گوسی(rbf)) و با در نظر داشتن لایه¬های اطلاعاتی نظیر شیب، جهت شیب، زمین¬شناسی(لیتولوژی)، فاصله از گسل¬ها، فاصله از آبراهه¬ها، فاصله از جاده، کاربری اراضی، پوشش گیاهی، ارتفاع، و بارندگی می¬باشد. با بررسی ¬های انجام گرفته مشخص گردید که روش شبکه¬های عصبی پرسپترون مناسب¬ترین روش می¬باشد.

در این پایان نامه روشی جدید برای نگاشت تصویر به صوت ارائه خواهد شد. هدف از ارائه ی این روش تسهیل در مسیریابی نابینایان می باشد. این تسهیل با شناسایی موانع ایستای پیش روی نابینا و مطلع ساختن وی از طریق سیگنال های صوتی می باشد. از اصلی ترین نقاط ضعف روش های پیشین می توان به عدم پردازش تصویر، عدم اطلاع از فاصله ی موانع در صوت تولیدی، استفاده از روش صوتی سازی نامفهوم، نیاز به آموزش زیاد و تجهیزات سطح بالای مدل اشاره کرد. در روش پیشنهادی پس از اعمال پیش پردازش های مناسب، تصویر قطعه بندی می شود تا موانع موجود در صحنه استخراج شوند. به این منظور از آستانه گذاری چندسطحی با الگوریتم ژنتیک موازی استفاده می شود. سپس تصویر حاصل به صوت تبدیل می شود. نگاشت به صوت به گونه ای است که موقعیت و فاصله ی موانع از کاربر را مشخص می کند. روش پیشنهادی با انجام پردازش های مناسب بر روی تصویر، صوتی ساده و قابل فهم تولید می کند که درک آن نیاز به آموزش اندکی دارد و اطلاعات موقعیت و فاصله را نیز انتقال می دهد. در انتها روش قطعه بندی پیشنهادی با روش های مشابه مقایسه شده است. همچنین آزمایش هایی بر روی 5 داوطلب به منظور بررسی کارآیی صوت تولیدی صورت گرفته است. نتایج نشان می دهند که صوت تولیدی می تواند در فرآیند مسیریابی راهگشا باشد.

بررسی و تحقیق درزمینه افزایش بازدهی انرژی به علت کمبود انرژی یکی از اهداف عمده کشورهای صنعتی و در حال رشد می باشد. در این پژوهش هدف اصلی افزایش بازده انرژی در سیستم های مبدل حرارتی می باشد. در بحث مبدل های حرارتی افزایش بازده انرژی با پیاده سازی الگوریتم های کنترلی که بتوانند میزان فرا جهش و زیر جهش و همچنین نوسانات غیرضروری در میزان انرژی ورودی به سیستم را کاهش دهند امکان پذیر می باشد. برای دستیابی به این مهم باید سیستم کنترلی به صورتی طراحی شود که پارامترهای آن متناسب با زمان و دینامیک سیستم تغییر کند و عملاً انعطاف پذیری بیشتری نسبت به تغییرات دینامیکی سیستم داشته باشد. بدین منظور در این پژوهش در مرحله اول به طراحی کنترل کننده فازی عصبی با آموزش پسخور خطا می پردازیم، سپس به بررسی نتایج عملکرد سیستم به همراه کنترل کننده فازی عصبی طراحی شده و کنترل کننده های کلاسیک و نتایج تحقیقات سایر مقالات خواهیم پرداخت. در ادامه پس از بیان مزایای رهیافت کنترلی مطرح شده نسبت به سایر رهیافت های کنترلی در این پژوهش به طراحی کنترل کننده فازی عصبی با آموزش پسخور خطا بر اساس تابع لیاپانوف به جهت تضمین پایداری می پردازیم که خود شامل طراحی تابع لیاپانوف و اثبات آن و درنهایت استخراج قوانین آموزش پارامترها می باشد. درنهایت به بررسی سیستم و طراحی کنترل کننده موردنظر در حضور اغتشاشات سنگین بر اساس تابع لیاپانوف و بررسی عملکرد سیستم به همراه کنترل کننده طراحی شده در این بخش و بخش قبل خواهیم پرداخت.

پیش بینی و کنترل جریان ترافیک به صورت پویا و قابل اطمینان، پایه و اساس مدیریت و کنترل سیستم های حمل و نقل هوشمند است. روش های متفاوتی جهت کنترل ترافیک استفاده شده است، که برای تمامی این روش ها قابلیت اطمینان بالا در پیش بینی شرایط ترافیکی، بسیار حائز اهمیت می باشد. در این پژوهش، هدف استخراج مدلی دقیق جهت پیش بینی جریان ترافیک با استفاده از اطلاعات گذشته است. داده های مورد استفاده در این تحقیق تعداد خودروهای عبوری قسمتی از بزرگراه i-494، شهر مینسوتا آمریکا، با بازه های زمانی ساعتی و دوره شش ماهه می باشد. در این پژوهش ابتدا آشوبناک بودن سیستم با استفاده از آزمون نمای لیاپانوف بررسی شده و سپس با استفاده از نظریه اطلاعات متقابل ، ورودی های مناسب انتخاب می شوند، تا از این طریق بتوان بهترین ساختار ورودی را برای مدل پیش بینی بدست آورد. با توجه به ویژگی شبکه های عصبی در مدل سازی سیستم های غیرخطی و متغیر با زمان، جهت پیش بینی جریان ترافیک از شبکه عصبی برگشتی بر پایه توابع شعاعی استفاده شده است. آموزش پارامترهای آزاد شبکه عصبی، همچون وزن ها با الگوریتم عاطفی مبتنی بر گرادیان نزولی انجام می گیرد. در پایان روش پیشنهادی با روش های معمول مقایسه شده، که نتایج به دست آمده برتری مدل پیشنهادی را نشان می دهد.

انجام محاسبات مربوط به بازنمایی بافت در مغز بیشتر بر عهده دو ناحیه v1 و v2 قشر بینایی می باشد. مدل محاسباتی پورتیلا و سیمونسلی در این راستا برای مدل سازی کارکرد این دو بخش معرفی شده است. اما در این مدل تلاشی برای تاثیر رفتار نرون ها در امر انجام محاسبات صورت نگرفته است. امروزه تلاش های موفقی برای مدل سازی رفتار و یادگیری نرون های در سطوح پایین انجام شده است. همچنین شبیه سازهای قدرتمندی را می توان یافت که قادر به شبیه سازی شبکه های عصبی ضربه به صورت کلان و در قالب پردازش موازی می باشند. در این پایان نامه سعی شده است، برای هر بیشتر کردن تاثیر رفتار نرونی در انجام محاسبات سطح بالا و به نوعی واقع گرایانه تر کردن محاسبات، با استفاده از یکی از شبیه سازهای رایج اقدام به معرفی و شبیه سازی مدارهای نرونی معادل برای هر یک از آماره های معرفی شده در سطح دوم محاسبات مدل مرجع گردد. همچنین مدارهای نرونی تطبیق گر برای هر یک از آماره ها به همراه روش استفاده از یادگیری وابسته به زمان ضربه برای تنظیم ورودی و تلفیق دو مدل با یکدیگر به همراه نتایج عملیات تطبیق ارائه شده اند. بافت های ساخته شده توسط مدل محاسباتی پیشنهادی و مدل مرجع، دارای شباهت ساختاری بالایی از دید دسته بند های موفق بافت موجود می باشند. این امر توانایی محاسباتی مدل را به خوبی نشان می دهد.