در این رساله، یک مدل بازشناسی مستقل از دید چهره، بر مبنای اختلاط خبره های سلسله مراتبی ارائه شده است. در شکل پایه اختلاط خبره های سلسله مراتبی، فضای مساله به صورت خودکار به چند زیر فضا برای اختلاط خبره ها تقسیم می شود. سپس این زیرفضاها خود نیز به چندین زیرفضا برای خبره ها تقسیم می شوند و خروجی اختلاط خبره ها توسط یک شبکه میانجی ترکیب می شود، نتیجه هر کدام از این ترکیبها خروجی یک سیستم اختلاط خبره ها می باشد که سرانجام خروجی اختلاط خبره ها نیز توسط یک شبکه میانجی با هم ترکیب شده و خروجی نهایی را تشکیل می دهد. شواهدی از نروفیزیولوژی مبنی بر وجود یک سازوکار ترکیب مطرح است که طی آن خروجی چندین واحد وابسته به زاویه دید برای بازشناسی مستقل از دید چهره با هم ترکیب می شوند. این شواهد با مدل پیشنهادی ما همخوانی دارد. نتایج آزمایشات نشان می دهد که روش پیشنهادی ما در مقایسه با خیلی از روشهای نوین و متدوال، دارای نرخ بازشناسی بهتری می باشد. همچنین این روش دارای پیچیدگی محاسباتی کمتری نسبت به روشهای اختلاط خبره های مرسوم دارد.

سیستم های رتیکلی، یک روش کلاسیک برای تخمین موقعیت هدف هستند و به طور گسترده ای در جستجوگرهای فروسرخ مورد استفاده قرار می گیرند. بزرگترین عیب جستجوگرهای رتیکلی، حساسیت آنها به اقدامات متقابل فروسرخ مانند فلیرها است. برای حل این مشکل روشهای مختلفی ارائه شده است که شامل روش جداسازی هدف و فلیر با استفاده از خواص توزیع طیفی آنها و استفاده از الگوریتمهای خوشه بندی مانند روش k-means است. هدف این پایان نامه حل مشکل حساسیت جستجوگرهای رتیکلی یعنی بازیابی سیگنالهای هدف و فلیر از سیگنال های مشاهده شده در خروجی جستجوگر رتیکلی بهبود یافته با استفاده از الگوریتمهای جداسازی کور منابع است. برای استفاده از الگوریتمهای جداسازی کور منابع، با استفاده از جدا کننده پرتو، ساختار جستجوگر نسبت به جستجوگر معمولی بهبود یافته و با استفاده از این الگوریتمها، در دو حالت منابع همدوس و ناهمدوس، سیگنال های اصلی از سیگنال های مخلوط که در خروجی جستجوگر رتیکلی بهبود یافته تولید می شوند، بازیابی می شوند. در این مساله، سیگنال های مشاهده شده ترکیب کانولوتیو سیگنال های منبع هستند، یعنی این که ما با یک مخلوط کانولوتیو روبرو هستیم. دراین پایان نامه با استفاده از سه الگوریتم ارائه شده برای مخلوطهای کانولوتیو، دو الگوریتم حوزه زمان و یک الگوریتم حوزه فرکانس، سیگنال های اصلی از سیگنال های مخلوط بازیابی می شوند. همچنین الگوریتمهای حوزه زمان با یکدیگر و با الگوریتم حوزه فرکانس مقایسه می شوند و مزایا و معایب این الگوریتمها بررسی می شود. مزیت استفاده از الگوریتمهای جداسازی کور منابع نسبت به روش جداسازی هدف و فلیر با استفاده از خواص توزیع طیفی آنها، پیاده سازی ساده تر و نسبت به استفاده از الگوریتمهای خوشه بندی سرعت همگرایی بیشتر است.

بازشناسی ارقام دست نویس یکی از مسائل مهم در بازشناسی الگو است. در زمینهی تشخیص ارقام دست نویس فارسی در دو حوزه ی روش های استخراج ویژگی و استفاده از طبقه بندها تحقیقات زیادی صورت گرفته است. انتخاب روش استخراج ویژگی به عنوان مهم ترین عامل در بازشناسی الگو و به منظورکاهش ابعاد داده های ورودی مطرح است. برای بازشناسی الگو، در تحقیقات متعددی به منظور بهبود کارایی طبقه بندی، افزایش نرخ بازشناسی و افزایش قابلیت اعتماد در سیستم از ترکیب طبقه بند ها استفاده شده است. ترکیب طبقه بند ها راهکاری برای بهبود کارایی در مسائل پیچیده طبقه بندی است. این پیچیدگی میتواند ناشی از محدود بودن تعداد الگوها، همپوشانی کلاس ها، بالا بودن بعد ویژگی ها و وجود نویز قابل ملاحظه در نمونه ها باشد. تاکنون روش های ترکیب متعددی در بازشناسی ارقام دست نویس پیشنهاد شده است که از بین آنها می توان به روش های ترکیب میانگین، بیشینه، کمینه و حاصلضرب اشاره نمود. طبقه بندهای موجود با یک الگوریتم تکراری، سعی در بازشناسی الگو دارند. در این رساله هدف این است که با استفاده از یک روش ترکیب با نام اختلاط خبره ها به نرخ بازشناسی بالاتری نسبت به روش های ترکیب ارائه شده در زمینه بازشناسی ارقام دست نویس فارسی دست یافت. در این مدل، مسأله پیچیدهی محاسباتی به تعدادی مسأله ساده تر تقسیم شده و در نهایت حل مسأله اصلی با ترکیب حل مسائل کوچکتر امکانپذیر می شود. به عبارت دیگر این مدل، با توزیع وظیفه یادگیری بین تعدادی طبقه بند و تقسیم فضای ورودی به مجموعه ای از زیر فضاها، قدرت تعمیم طبقه بندها را افزایش می دهد. سپس با ترکیب وزن دار خروجی طبقه بند ها به خروجی نهایی بهینه دست می یابد. برای کاهش احتمال به دام افتادن طبقه بندها در کمینه های محلی نیز تغییراتی اعمال شده است. از جمله این تغییرات افزودن ضریب ممنتم در روابط اصلاح وزن های طبقه بندها و تغییر ساختار طبقه بندها از پرسپترون چند لایه به تابع پایه شعاعی است. با اعمال این تغییرات سعی در افزایش سرعت همگرایی و نرخ بازشناسی بوده است، و نتایج آزمایشات نیز حاکی از حصول این امر است.

فیلترهای تطبیقی به عنوان یکی از ابزار مهم در بسیاری از کاربردهای پردازش سیگنال از جمله شناسایی کانال مورد استفاده قرار می گیرند. هنگامی که پاسخ ضربه کانال ناشناخته پراکنده باشد، الگوریتم های کلاسیک فیلترهای تطبیقی عملکرد مطلوبی نخواهند داشت. جهت رفع این مشکل الگوریتم های تطبیقی متناسب پیشنهاد گردیدند. در این پایان نامه، مفهوم متناسب به ساختار الگوریتم زیرباند تطبیقی نرمالیزه شده تعمیم داده شده و هفت الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب محقق گردیده است. الگوریتم های پیشنهادی شامل، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب با قانون ، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته، الگوریتم پیشرفته زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته با اصلاح جزئی ضرایب، الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته عضویت مجموعه و الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته عضویت مجموعه با اصلاح جزئی ضرایب هستند که همگی روش های مناسبی جهت شناسایی کانال هایی با پاسخ ضربه پراکنده مانند پاسخ ضربه اکوی صوتی می باشند. هرگاه پاسخ ضربه کانال ناشناخته به صورت پراکنده باشد، سرعت همگرایی الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بیشتر از الگوریتم زیرباند تطبیقی نرمالیزه شده خواهد بود. اما پس از تکرارهای اولیه شاهد کاهش نرخ همگرایی در الگوریتم خواهیم بود. فیلتر زیرباند تطبیقی نرمالیزه شده متناسب با قانون سرعت اولیه بالای خود را در تمام طول فرآیند همگرایی حفظ خواهد کرد. الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته روشی مناسب در محیط هایی با پاسخ ضربه پراکنده و نیز غیرپراکنده خواهد بود. الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته عضویت مجموعه عملکرد مناسبی را به همراه کاهش پیچیدگی محاسبات در مقایسه با الگوریتم زیر باند تطبیقی نرمالیزه شده متناسب بهبود یافته، از خود نشان داده است. در الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته با اصلاح جزئی ضرایب تنها بخشی از ضرایب به جای تمامی ضرایب فیلتر در هر بار تکرار اصلاح می شوند. در الگوریتم زیرباند تطبیقی نرمالیزه شده متناسب بهبود یافته عضویت مجموعه با اصلاح جزئی ضرایب، مفهوم عضویت مجموعه و نیز اصلاح جزئی ضرایب، ترکیب شده و منجر به کاهش بیشتر پیچیدگی محاسبات ریاضی خواهد شد. نتایج شبیه سازی، عملکرد مناسب الگوریتم های پیشنهادی را در شناسایی کانال هایی با پاسخ ضربه پراکنده در نرخ همگرایی، خطای حالت ماندگار و همچنن کاهش پیچیدگی محاسبات نشان می دهد.

فیلترهای تطبیقی بیش از چهار دهه در بسیاری از کاربردهای یک بعدی پردازش سیگنال مورد استفاده قرار می گیرند. در سال های اخیر به دلیل پیدایش کاربردهایی که در آنها نیاز به پردازش روی تصاویر دیجیتال و سیگنال های دو بعدی به صورت تطبیقی بود، فیلترهای تطبیقی دو بعدی طراحی و ارائه شدند. این فیلترها امروزه کاربردهای گوناگونی در زمینه پردازش سیگنال و تصویر، مانند بازیابی تصویر، ارتقاء تصویر، حذف نویز از تصاویر و شناخت سیستم های دو بعدی دارند. در ابتدای این تحقیق، مهمترین الگوریتم های دو بعدی فیلتر تطبیقی که تاکنون معرفی شده اند، مورد بررسی قرار خواهند گرفت. این فیلترها شامل الگوریتم های دوبعدی حداقل میانگین مربعات(2d-lms) ، حداقل میانگین مربعات نرمالیزه شده (2d-nlms)، حداقل میانگین مربعات بلوکی قطری(2d-bdlms) و تصویر افاین (2d-apa) می باشند. سپس برخی از مهمترین و کاربردی ترین الگوریتم های یک بعدی موجود به نوع دو بعدی خود گسترش خواهند یافت. این الگوریتم ها شامل الگوریتم های دوبعدی حداقل میانگین مربعات نرمالیزه شده با اندازه گام متغیر(2d-vss-nlms) و تصویر افاین با اندازه گام متغیر(2d-vss-apa) بوده که دارای سرعت همگرایی بالا و خطای حالت ماندگار پایین در کاربردهای دوبعدی فیلتر تطبیقی می باشند. متأسفانه یکی از مشکلات الگوریتم های دوبعدی فیلتر تطبیقی، پیچیدگی محاسباتی بالای آنها می باشد. بنابراین در ادامه این تحقیق، الگوریتم های دوبعدی نوینی با هدف کاهش پیچیدگی محاسبات محقق گردیده است. این الگوریتم ها شامل الگوریتم های دوبعدی حداقل میانگین مربعات نرمالیزه با روش عضویت در مجموعه (2d-sm-nlms)، تصویر افاین با روش عضویت در مجموعه (2d-sm-apa)، مرتبه جزئی تصویر افاین (2d-pra)، حداقل میانگین مربعات نرمالیزه شده با اصلاح جزئی ضرایب (2d- spu-nlms)، تصویر افاین با اصلاح جزئی ضرایب (2d-spu-apa)، تصویر افاین با انتخاب دنباله ورودی (2d-sr-apa) و مرتبه جزئی تصویر افاین با اصلاح جزئی ضرایب (2d-spr-apa) می باشند. در الگوریتم های دوبعدی با روش عضویت در مجموعه، ضمن حفظ سرعت همگرایی بالا و خطای حالت ماندگار پایین، ضرایب فیلتر تطبیقی در برخی از تکرار ها اصلاح و در برخی دیگر ثابت باقی می مانند که این امر منجر به کاهش پیچیدگی محاسبات خواهد شد. همچنین در الگوریتم های دوبعدی با اصلاح جزئی ضرایب، ضرایب فیلتر به بلوک های مختلف تقسیم شده و در هر تکرار تنها زیرمجموعه ای از این بلوک ها اصلاح می شوند که این مسئله نیز کاهش پیچیدگی محاسبات را به همراه دارد. در ادامه عملکرد تئوری الگوریتم های دوبعدی تطبیقی ارائه شده و کلاسیک با استفاده از رابطه بقای انرژی مورد بررسی قرار خواهد گرفت و روابط جامعی جهت منحنی های یادگیری، متوسط مربع خطا، متوسط مربع انحراف ضرایب در حالت ماندگار ارائه خواهد شد. همچنین باند پایداری این الگوریتم ها مورد مطالعه و تحلیل قرار خواهد گرفت. در خاتمه، عملکرد الگوریتم های دو بعدی کلاسیک و نوین در سه مورد از مهمترین کاربردهای فیلترهای تطبیقی دو بعدی یعنی بازیابی تصویر، شناخت سیستم های دو بعدی و حذف نویز از تصاویر دیجیتال مورد بررسی قرار می گیرد. علاوه براین اعتبار تحلیل تئوری ارائه شده در کاربرد شناسایی سیستم های دوبعدی نشان داده خواهد شد.

این پایان نامه به ارائه ی الگوریتم های فیلتر تطبیقی زیر باند نرمالیز شده با اندازه گام متغیر بر اساس دو روش می پردازد. در روش اول اندازه گام طوری تغییر می کند که بیشترین کاهش در میانگین مربعات انحراف ضرایب، در هر تکرار حاصل گردد. در روش دوم با استفاده از اطلاعات آماری پاسخ ضربه کانال، اندازه گام بهینه با حداقل کردن میانگین مربعات انحراف ضرایب، بدست می آید. الگوریتم هایی که در این پایان نامه بر پایه این دو روش محقق گردیدند عبارتند از: الگوریتم فیلتر تطبیقی زیر باند نرمالیز شده با اندازه گام متغیر، الگوریتم فیلتر تطبیقی زیر باند نرمالیز شده با انتخاب پویای زیر باند ها و اندازه گام متغیر، الگوریتم فیلتر تطبیقی زیر باند نرمالیز شده با اصلاح جزیی ضرایب و اندازه گام متغیر، الگوریتم فیلتر تطبیقی زیر باند نرمالیز شده با انتخاب پویای زیر باند ها و اصلاح جزیی ضرایب با اندازه گام متغیر. در مقایسه با الگوریتم زیر باند نرمالیز شده ی کلاسیک، الگوریتم زیر باند نرمالیز شده با اندازه گام متغیر دارای سرعت همگرایی بالاتر و خطای حالت ماندگار کمتر می باشد. برای کاهش پیچیدگی محاسباتی در الگوریتم زیر باند نرمالیز شده با اندازه گام متغیر، الگوریتم زیر باند نرمالیز شده با اصلاح جزیی ضرایب و اندازه گام متغیر پیشنهاد گردید. در این الگوریتم ضرایب فیلتر در هر زیر باند به بلوک هایی تقسیم می شود و در هر تکرار تعداد مشخصی از این بلوک ها اصلاح می گردند. با افزایش تعداد بلوک ها عملکرد این الگوریتم به الگوریتم زیرباند نرمالیز شده با اندازه گام متغیر نزدیک می شود. در الگوریتم زیر باند نرمالیز شده با انتخاب پویای زیرباندها و اندازه گام متغیر تعداد زیر باند ها برای اصلاح وزن به صورت پویا انتخاب می گردند. این الگوریتم دارای عملکرد نزدیکی به الگوریتم زیرباند نرمالیز شده با اندازه گام متغیر می باشد. با ترکیب ایده های اصلاح جزیی ضرایب و انتخاب پویای زیر باند ها، الگوریتم زیر باند نرمالیز شده با انتخاب پویای زیر باند ها و اصلاح جزیی ضرایب با اندازه گام متغیر پایه ریزی گردید. این الگوریتم با ترکیب ویژگی های اصلاح جزیی ضرایب و انتخاب پویای زیرباند ها، ضمن حفظ سرعت همگرایی بالا، کاهش پیچیدگی محاسبات را حاصل خواهد کرد. در انتهای پایان نامه عملکرد مناسب این الگوریتم ها با چندین شبیه سازی در ساختار شناسایی سیستم بررسی گردیده است.

چکیده در بسیاری از کاربردهای امنیتی، تصویر چهره ی انسان نقشی اساسی را به عنوان یک منبع اطلاعات زیستی ایفا می کند. تصویر چهره به راحتی قابل دستیابی است و یک راهکار مستقیم و راحت را برای شناسایی افراد فراهم می آورد. با این وجود، بازشناسی چهره کماکان با برخی چالش ها مواجه است ازجمله تغییرات ظاهری چهره ی افراد که ناشی از تغییرات زاویه ی دید، شدت روشنایی و حالات چهره می باشد. در این پایان نامه، سعی شده است، روشی مبتنی بر استفاده ازیک ساختار مناسب شبکه های عصبی ترکیبی برای بازشناسی چهره مستقل از حالت های چهره، با کارآیی بهتری در مقایسه با روشهای رایج ارائه گردد. در این راستا، جهت نیل به نتیجه مطلوب، ابتدا بر روی یک پایگاه داده استاندارد (jaffe)،جهت کاهش بعد اطلاعات ورودی، برخی از روشهای موجود استخراج ویژگی را اعمال نموده و سپس ازساختار های مختلف شبکه های عصبی ترکیبی به عنوان طبقه بند، استفاده شده است. نتایج به دست آمده دراین پایان نامه، بیانگر آن است که در صورتی که از ساختار شبکه های عصبی ترکیبی مبتنی بر اختلاط خبره ها(moe)، استفاده شود، این ساختارپویا از بقیه روش های ترکیب طبقه بندها، کارآیی بهتری ارائه می کند. در آزمایش های انجام شده، ضمن استفاده از طبقه بند مناسب، روشهای استخراج ویژگی مورد استفاده نیز با یکدیگر مقایسه شده و بهترین آنها، در مساله مطرح از نظر کارآیی مشخص شده است.

پردازش های توزیع شده از محاسبات محلی در هر گره و ارتباطات میان گره های همسایه برای حل مسائل در شبکه ها استفاده می کنند. در این پایان نامه، مسئله تخمین توزیع شده در یک شبکه افزایشی را بر اساس الگوریتم های خانواده تصویر افاین و خانواده زیرباند نرمالیزه شده ارائه می دهیم. در الگوریتم های حداقل میانگین مربعات نرمالیزه شده و تصویر افاین توزیع شده با انتخاب جزئی ضرایب، ضرایب وزن به صورت بلوکی در هر گره انتخاب و اصلاح می شوند. در الگوریتم انتخاب رگرسورهای تصویر افاین توزیع شده، در حین اصلاح وزن، تعداد بهینه ای از رگرسورها انتخاب می شوند. الگوریتم انتخاب پویای رگرسورهای ورودی، تعدادی از رگرسورها را به صورت پویا در الگوریتم تصویر افاین توزیع شده، انتخاب می کند. روش انتخاب جزئی ضرایب را می توان با روش های انتخاب رگرسورها یا انتخاب پویا ترکیب کرد. در این الگوریتم ها، ضرایب به صورت جزئی و رگرسورهای ورودی به صورت بهینه یا پویا انتخاب می شوند. این الگوریتم ها ضمن کاهش پیچیدگی محاسباتی، عملکرد نزدیکی به الگوریتم تصویر افاین توزیع شده کلاسیک دارند. در ادامه این تحقیق، الگوریتم های خانواده زیرباند نرمالیزه شده نیز به شبکه های توزیع شده توسعه می یابند. الگوریتم زیرباند نرمالیزه شده توزیع شده تطبیقی نسبت به الگوریتم حداقل میانگین مربعات نرمالیزه شده توزیع شده تطبیقی عملکرد بهتری از لحاظ سرعت همگرایی در مواجهه با ورودی های رنگی در گره ها دارد. در مقایسه با الگوریتم زیرباند نرمالیزه شده توزیع شده، الگوریتم های زیرباند نرمالیزه شده با انتخاب جزئی ضرایب و زیرباند نرمالیزه شده با انتخاب پویای زیرباندها دارای پیچیدگی محاسباتی کمتری هستند. همچنین با ترکیب این دو روش، الگوریتم زیرباند نرمالیزه شده با انتخاب جزئی ضرایب و انتخاب پویای زیرباندها برقرار می شود که از لحاظ پیچیدگی محاسباتی کاهش بیشتری دارد. همچنین الگوریتم های محقق شده سرعت همگرایی بالاتری نسبت به الگوریتم های تطبیقی کلاسیک در شبکه های توزیع شده دارند. به علاوه، یک روش واحد برای تحلیل تئوری عملکرد میانگین مربعات برای هر گره ارائه شده است. روابط جامعی برای بررسی عملکرد حالت گذرا، ماندگار و باند پایداری برای الگوریتم های نوین توزیع شده به دست آمده است. عملکرد مناسب الگوریتم های نوین تطبیقی و صحت روابط تئوری حاصل شده توسط شبیه سازی های مختلف در شبکه های توزیع شده مورد بررسی قرار گرفته است.

شبکه های توزیع شده به سیستم هایی گفته می شود که عناصر آن ها به منظور رسیدن به تخمین یک پارامتر خاص با یکدیگر در تعامل هستند. دقت این تخمین باید به اندازه ای باشد که اگر همه گره-های شبکه به این اطلاعات دسترسی داشتند، به همین تخمین می رسیدند. فیلترهای تطبیقی، نقش اصلی را در شبکه های توزیع شده جهت رسیدن به این هدف دارند. در این تحقیق، الگوریتم-های مختلف تطبیقی عضویت-مجموعه به کاربرد شبکه های توزیع شده توسعه داده شده و عملکرد آن ها مورد بررسی قرار گرفته اند. این الگوریتم های توزیع شده شامل عضویت مجموعه حداقل میانگین مربعات نرمالیزه شده (dsm-nlms)، عضویت مجموعه تصویر افاین با اصلاح جزئی ضرایب (dsm-spu-apa)، عضویت مجموعه تصویر افاین با انتخاب دنباله ورودی (dsm-sr-apa)، عضویت مجموعه تصویر افاین با انتخاب پویای دنباله ورودی (dsm-ds-apa) و الگوریتم عضویت مجموعه زیرباند (dsm-saf) می باشند. این کلاس از الگوریتم ها، دارای سرعت همگرایی بالا، خطای حالت ماندگار پایین و پیچیدگی محاسبات کم به طور هم زمان می باشند. در این الگوریتم ها، اصلاح وزن های شبکه توزیع شده در تمامی تکرار ها صورت نمی پذیرد و بر اساس میزان خطای حاصل شده این اصلاح صورت می گیرد. در ادامه عملکرد تئوری dsm-nlms، مورد بررسی قرار گرفته و روابط خطای حالت ماندگار و گذرا نیز ارائه گردیده است. نتایج حاصل از شبیه سازی، نشان می دهد که الگوریتم های تطبیقی عضویت مجموعه توزیع شده، عملکرد مناسبی در شبکه های توزیع شده دارند به طوری که نسبت به نوع کلاسیک خود، دارای خطای حالت ماندگار پایین تر بوده و همچنین پیچیدگی محاسباتی بسیار پایین تری خواهند داشت.

فیلترهای تطبیقی به عنوان یکی از ابزارهای مهم در بسیاری از کاربردهای پردازش سیگنال از جمله شبکه های توزیع شده مورد استفاده قرار می گیرند. شبکه های توزیع شده در کامپیوترهای رومیزی، رایانه های قابل حمل، تلفن های همراه، حس گرها و محرک ها برای جمع آوری داده ها و کنترل شبکه ها استفاده می شود. شبکه های توزیع شده روشی کارامد است که در سال های اخیر مورد توجه بسیار قرار گرفته است و به دو صورت افزایشی و انتشاری قابل اجراست. روش افزایشی به صورت دوره ای بین نود های همسایه تحقق می پذیرد. در این روش اطلاعات در حالت زنجیره ای از یک نود به نود هم جوار گردش می یابند. به این ترتیب یک نود، اطلاعاتی را که خود از محیط دریافت کرده است، را با اطلاعاتی که از نود قبلی گرفته است، به روز می نماید و نتیجه را به نود همسایه منتقل می کند. در پایان این زنجیره، یک تخمین مناسب از پارامتر مورد نظر به دست می آید. هر کدام از نودهای موجود در شبکه های توزیع شده را می توان به صورت یک فیلتر تطبیقی در نظر گرفت. در این پایان نامه به تحلیل عملکرد ردیابی الگوریتم های تطبیقی کلاسیک و نوین در شبکه های توزیع شده بر پایه روش افزایشی می پردازیم. الگوریتم حداقل میانگین مربعات نرمالیزه شده با اصلاح جزئی ضرایب، الگوریتم های خانواده تصویر افاین شامل الگوریتم تصویر افاین با اصلاح جزئی ضرایب، الگوریتم تصویر افاین با انتخاب دنباله ی ورودی، الگوریتم تصویر افاین با انتخاب دنباله ی ورودی پویا، الگوریتم تصویر افاین با اصلاح جزئی ضرایب و انتخاب دنباله ورودی و الگوریتم تصویر افاین با اصلاح جزئی ضرایب و انتخاب دنباله ورودی پویا می باشند. این الگوریتم ها ضمن داشتن پیچیدگی محاسباتی پایین دارای سرعت همگرایی نزدیکی به الگوریتم های کلاسیک می باشند. در ادامه به تحلیل تئوری الگوریتم های شبکه های توزیع شده در محیط غیر ایستان می پردازیم. این تحلیل بر پایه رابطه بقای انرژی صورت می پذیرد. روابط جامعی برای تحلیل حالت گذرا و ماندگار در این محیط ارائه می گردد. نتایج شبیه سازی نشان می دهد که روابط تئوری ارائه شده دارای دقت مناسبی در پیش بینی عملکرد الگوریتم های تطبیقی در محیط غیرایستان دارد.

با توسعه کاربرد بتن در پروژه¬های عمرانی نیاز به ساخت بتن¬هایی با خواص متفاوت هر پروژه، امری ضروری به نظر می¬رسد. بتنی که تحت وزن خود جریان یافته و بدون نیاز به ویبره کردن، متراکم شود، دستاورد مهمی برای مهندسین می¬باشد. این نوع بتن با ساخت بتن خودتراکم توسعه یافته است که پس از آن گونه سبک آن با نام بتن خودتراکم سبک ساخته شد و مورد بررسی قرار گرفت. روانی زیاد این نوع بتن¬ها، باعث می¬شود در صورت عدم طرح مناسب، درشت¬دانه¬ها در قسمت تحتانی قالب جمع شده و پدیده¬ی جداشدگی در بتن اتفاق بیافتد. این موضوع شرایط مقاومت بتن به عنوان یک ماده چند جنسی منسجم را به مخاطره می¬اندازد. در این تحقیق هدف ما تخمین پایداری استاتیکی بتن خودتراکم سبک می¬باشد. این در حالیست که بررسی مسئله جداشدگی پس از قرارگیری بتن در محل نهایی مد نظر می¬باشد. جهت بررسی این مسئله، نمونه-های مختلفی از بتن تهیه شده و علاوه بر آزمایش¬های معمول بتن خودتراکم، یک آزمایش جهت بررسی جدایی به صورت آزمایشگاهی و دیگری با استفاده از تکنیک پردازش تصویر صورت گرفت. در بخش پردازش تصویر با توجه به عدم وضوح کامل مرز بین درشت¬دانه و ریزدانه، جهت تفکیک این دو مورد از قوانین طراحی شده در منطق فازی استفاده گردید. منطق فازی به عنوان یک عملگر معرفی شده و به منظور شبیه¬سازی تصمیم¬گیری با ارزیابی ذهنی می¬باشد. در این روش با پیمایش یک ماتریس 3×3 بر روی کل تصویر و با استفاده از قواعد طراحی شده مناسب یک تصمیم نزدیک به واقعیت گرفته و مصالح درشت و ریزدانه را به نحو مطلوب از هم تفکیک نمود. مقایسه نتایج حاکی از قابلیت بالای منطق فازی در چنین مسائلی می باشد.

در تحقق الگوریتم‏های تطبیقی در شبکه‏های توزیع شده، روشهای مختلفی نظیر افزایشی، توافقی و انتشاری مورد استفاده قرار می گیرد. در این بین روش انتشاری روشی کارا، منعطف و پیچیده بوده و برای انجام این امر نسبت به سایر روشها برتری‏هایی دارد. این مزایا، شامل خطای حالت ماندگار کمتر و پایداری بهتر با توجه به توپولوژی شبکه است. در شبکه انتشاری توزیع شده، هر گره مانند یک فیلتر تطبیقی مجزا عمل کرده، و با همکاری بین گره ها که به همسایگی هایی تقسیم می شوند، بر اساس استراتژی خاصی از طریق تخمین های محلی به یک تخمین کلی می رسند. در واقع گره ها از دو اصل سازگاری و همکاری به صورت بهینه استفاده می نمایند تا به تخمین مطلوب دست یابند.