چکیده ندارد.

مبحث تکنولوژی شناسایی چهره مانند دیگر شاخه های علم، فراز و نشیبهای بسیاری داشته است . دهه هفتاد دوران توجه خاص ، دهه هشتاد دوران افست و دهه نود میلادی، عصر اوج توجه به این مبحث می باشد. سعی اصلی در این شاخه از علم، شناسایی چهره انسان توسط کامپیوتر و انعطاف کافی بدان بخشیدن است . سیستمهای مشابهی مانند شناسایی اثر انگشت ، هم اکنون به مراحل کاربردی و تجاری رسیده اند. ولی به نظر می رسد تکنولوژی شناسایی چهره هنوز راه زیادی در پیش دارد. ممکن است این امر ناشی از تفاوت و تنوع چهره ها و نیز پیچیدگیهای ذاتی انسان باشد، که در چهره منعکس می شود. همچنین تغییر قیافه و گریم نیز کار را بسیار دشوار می سازد. کاربرد تکنولوژی شناسایی چهره از دیرباز در مسایلی مانند شناسایی مجرمان، مورد توجه و استفاده بوده است . هم اکنون نیز سیستمهای امنیتی، سیستمهای کنترلی و نظارتی و نیز کاربردهای مراقبت از مکانها و یا افراد خاص در راس کاربردهای این مبحث قرار دارد. قسمتهای اصلی مبحث تکنولوژی شناسایی چهره عبارتست از قطعه بندی، استخراج و تعیین محل خصیصه های چهره و شناسایی. در این تحقیق ضمن جمع آوری نسبی کارهای انجام شده تاکنون، سعی شده است به تجربیاتی دست زده شود. ضمن پیاده سازی برخی روشها، روشهای ابتکاری جدیدی نیز ارائه خواهد شد. در قسمت قطعه بندی یک ماسک جدید برای استخراج خصایص چهره ای معرفی می شود و در قسمت شناسایی، اعمال تبدیل والش بر روی مستطیل های محیطی خصایص چهره، مطرح خواهد شد. این تحقیق در دو بخش تنظیم شده است . در قسمت اول کلیات ، تاریخچه و کارهای انجام شده جمع آوری شده است . در قسمت دوم نیز با نگاهی به مسایلی از قبیل شناسایی آماری الگو، سیستمهای امنیتی و تبدیل والش ، به ارائه روش پیشنهادی پرداخته و آن را تجزیه و تحلیل کرده و نتایج بصورت کلی ارائه می شود.

در این رساله براساس شبکه های عصبی سیستم جدیدی برای شناسایی و تشخیص شیء از تصویر رقمی معرفی شده است . سیستم شامل سه شبکه مختلف می باشد که هر کدام وظیفه خاصی را بعهده دارند. شبکه اول، یک شبکه عصبی از نوع شبکه های نگاشت خصوصیات خودسازنده کوهونن می باشد. هدف این شبکه حذف نوفه ورودی است که اغلب در تصویر وجود دارد. خروجی شبکه اول ورودی شبکه دوم است . استخراج خصوصیات مهم براساس روش استخراج اجزاء اصلی توسط شبکه دوم انجام می شود. بردارهای ویژه اصلی از ماتریس همبستگی ورودی بوسیله یک شبکه عصبی یک لایه خطی بدست می آیند. در روش ارائه شده بردارهای ویژه به طور مستقیم از ورودی بدست می آید و به محاسبه ماتریس همبستگی ورودی احتیاجی ندارد. سومین شبکه، یک شبکه پس انتشار با دو لایه پنهان می باشد. ورودی این شبکه خروجی شبکه دوم یا به عبارتی همان اجزاء اصلی استخراج شده می باشند. خروجی شبکه سوم نتایج تشخیص شیء می باشد. آزمایشهای انجام شده نشانگر عدم وابستگی و کارایی سیستم پیشنهادی می باشد.

در علم پزشکی جهت تشخیص بسیاری از بیماریها از تصاویر رادیولوژی استفاده می شود. تصویربرداری با ct-scan, mri از جمله روشهایی هستند که اخیرا مورد استفاده قرار گرفته اند. با توجه به اینکه تصاویر بدست آمده از مقطع مورد نظر به صورت دوبعدی می باشند و همواره در تشخیص بسیاری از بیماریها ممکن است پزشک معالج را دچار خطا کنند، لذا ارائه روشهایی جهت ساخت تصاویر سه بعدی اعضای داخلی بدن از این تصاویر دوبعدی می تواند در کاهش خطا و افزایش دقت و تشخیص موثر واقع شود. در این رساله سعی شده است با استفاده از افکنهای (projections) دوبعدی و از طریق درون یابی خطی سه بعدی (tri-linear interpolation)، الگوریتمی جهت ساخت تصویر سه بعدی ارائه گردد. اگر چه از یک درون یابی خطی استفاده شده و لیکن خطای حاصل بسیار کم بوده و قابل صرف نظر کردن می باشد. البته این خطا با فواصل افکنها رابطه مستقیم دارد. بطوریکه با افزایش فاصله تصویربرداری دو برش (مقطع) خطا نیز افزایش می یابد. پس از ساخت تصویر سه بعدی با استفاده از الگوریتم پیشنهادی، علاوه بر آنکه کل اطلاعات یک تصویر سه بعدی از این طریق حاصل می گردد، تصاویر عضو یا مقطع مورد نظر را می توان در جهات مختلف (عرضی (axial)، ساجیتال (sagital) و روبرو (coronal)) بدست آورد و آنها را مورد بررسی قرار داد. چرا که معمولا پزشک تصویر کلیه مقاطع و یا جهاغت را در اختیار ندارد و با این کار میتواند در صورت لزوم تصویر مقاطع مختلف در جهت مورد نظر را انتخاب کرده و آن را مورد مطالعه قرار دهد.

بهبود تصاویر یکی از پردازش های اولیه و مهمی است که بر روی تصاویر دیجیتال پیاده می شود. هدف اصلی تکنیک های بهبود تصاویر، پردازش یک تصویر است بطوریکه نتیجه مناسب تر از تصویر اولیه باشد. تاکنون روشهای متعددی در حوزه تصویر و حوزه فرکانس برای بهبود تصاویر ارائه گردیده است .تبدیلاتی که صرفا در حوزه تصویر یا فرکانس انجام می شوند، نمی توانند تمام ویژگی های سیگنال یا تصویر را نشان دهند و اطلاعات محلی آن را از دست می دهند. در این تحقیق سعی گردیده است با بکارگیری تبدیل گیبر، عملیات بهبود تصویر (تشخیص و تقویت لبه ها و کاهش نویز) در دو حوزه تصویر و فرکانس تواما انجام گیرد. تبدیل گیبر یک تبدیل زمان-فرکانسی است که با بکار بردن پنجره گوسی بعنوان پنجره تحلیل حداکثر دقت توام زمان-فرکانس را ارائه می کند. تبدیل گیبر با بهینه ترین حالت از دقت توام زمان-فرکانس و بدلیل عملکرد آن با سلولهای بینایی یکی از بهترین ابزارها در پردازش تصاویر شناخته شده است . در این تحقیق با مروری بر تبدیلات مختلف زمان-فرکانس ، روش های محاسبه ضرایب گیبر بررسی گردیده است . سپس عملیات تشخیص و تقویت لبه ها با استفاده از ضرایب گیبر با بکار بردن یک شبکه عصبی در یک تصویر که با روش درخت چهارتایی تقسیم شده است ، انجام گرفته است . همچنین عملیات بهبود لبه ها بر اساس یک فیلتر گیبر فرد که علاوه بر خاصیت تقویت لبه ها، نویز تصویر را نیز هموار می کند، انجام گرفته که نتایج آن در مقایسه با دیگر فیلترها مطلوب می باشد. برای حذف نویز از تصویر عملیات کاهش نویز با استفاده از فیلتر پایین گذر با محاسبه فرکانس پطع بهینه در حوزه و نیز تبدیل و نیز بصورت محلی (حوزه زمان-فرکانس) پیاده سازی شده که نتایج بدست آمده نشان می دهد استفاده از تبدیلات زمان-فرکانس در مقایسه با روشهای موجود در حوزه تبدیل یا حوزه تصویر به تنهایی بسیار مناسب تر است . برای جلوگیری از مات شدن و تضعیف لبه های تصاویر نویزی به هنگام کاهش نویز و به منظور بدست آوردن تصویری با کنتراست بالا، عملیات ادغام دو تصویر در یکی تقویت لبه ها صورت گرفته و در دیگری نویز تضعیف گردیده است انجام شده است .

موضوع تشخیص گفتار یکی از مباحث مهم و تحقیقاتی در وادی پردازش سیگنالهای گفتار می باشد که نزدیک به نیم قرن ذهن محققین و پژوهشگران را به خود مشغول نموده است. درحالت ایده آل هدف ، طراحی سیستمی می باشد که قادر به دریافت گفتار تلفظ شده بوده وهمانند مغز انسان حروف و واژه های ادا شده را تشخیص دهد. علیرغم تحقیقات وسیع هنوز ساخت سیستمی که درحد رضایتبخش قادر به تشخیص گفتار باشد تحقق نیافته است . یک سیستم تشخیص گفتار شامل چند مرحله بوده که مهمترین آنها استخراج خصوصیات و تشخیص الگو می باشد . درزمینه استخراج خصوصیات ، بهترین الگوهای ارائه شده عبارت از نرخ عبور از صفر ، فرمنتها ‏‎formants‎‏ضرایب کپستروم، ضرایب دلتا کپستروم و ضرایب پیشگویی خطی ‏‎lps‎‏ می باشد.در مرحله تشخیص الگو از موارد موفقیت آمیز می توان استفاده از مدل مخفی مارکوف ‏‎hmm‎‏و شبکه های عصبی مختلف مانند شبکه عصبی پرسپترون چند لایه‏‎mlp‎‏ ، شبکه عصبی ‏‎lvq‎‏ و شبکه عصبی کوهونن‏‎kohonen‎‏ نام برد.

در این رساله درباره مبحث استفاده از تکنیکهای هوشمند در عیب یابی ماشینهای دوار به کمک آنالیز ارتعاشات بصورت مفصل توضیح داده شده است و مدلی مبتنی بر شبکه های عصبی برای تشخیص عیوب این ماشینها ارائه گردیده است. در صنایع سنگین استفاده از این روش عیب یابی دارای منافع اقتصادی قابل توجهی است و بدون نیاز به توقف ماشین می توان وضعیت نقاط مختلف آن را تحت بررسی قرار داده و فقط در مواقع لازم و با توجه به میزان پیشرفت عیوب احتمالی اقدام به تعمیر آن نمود. این امر باعث کاهش نیاز به انبار کردن قطعات یدکی و نیز پیشگیری از بروز عیوب ثانویه ناشی از عدم تحلیل روی وضعیت ماشین خواهد شد. از طرف دیگر سیستم هوشمند می تواند به عنوان دستیار یا در مواردی به عنوان جایگزین افراد خبره در این زمینه که بسیار کمیاب و گران هستند مطرح باشد.در مراحل پیش پردازش جهت بهینه سازی بردارهای ویژگی از روش تحلیل اجزای اصلی ‏‎(pca)‎‏ استفاده شده است. شبکه مورد استفاده در این کار نیز از نوع شبکه پایه شعاعی ‏‎(rbf)‎‏ بوده که مزایای عمومی شبکه های عصبی به اضافه سرعت و دقت بیشتر در یادگیری و تعمیم و همچنین نوعی رفتار تعریف شده و با ساختار قابل بهینه سازی به صورت الگوریتمی برخوردار است. در ساختار پیشنهاد شده، بخشی از کار به صورت مبتنی بر قواعد انجام می گیرد و شبکه عصبی عمدتا در قسمت رده بندی غیرخطی سیستم عمل می کند که این باعث دقت بیشتر سیستم شده و همچنین بستر مناسبتری برای استفاده از تمام انواع ویژگیهای دامنه زمان و فرکانس و سایر ویژگیها را فراهم می نماید. با این ساختار کار نگهداری و افزودن یا اصلاح دانش تصمیم گیری تسهیل شده و امکان توسعه سیستم نیز فراهم می گردد.