با کلاس بندی کاربران بر اساس رفتارشان در وب، می توان برخی از نیازهای کاربران را بدون درخواست صریح پاسخ داد و یا از نفوذ بیشتر کاربر از لحاظ امنیت جلوگیری نمود. کلاس بندی داده ها می تواند ذخیره سازی، بازیابی، پاسخ پرس و جو را آسان نماید. تلاش های بسیاری برای ارائه ی الگوریتم های کلاس بندی انجام شد ه است. ازجمله، الگوریتم های کلاس بندی مبتنی بر ساختار و الگورتیم های مبتنی بر محتوا، که هر کدام چالش هایی را پیش رو دارند. در این پایان نامه، به بررسی الگوریتم های ارائه شده و چالش های موجود پرداخته شده است. در اینجا الگوریتم user-classifier که یک الگوریتم مبتنی بر ساختار قانونمند است، ارائه خواهد شد. این الگوریتم بر پایه ی استخراج الگو های خاصی از داده های درختی می باشد. این الگو ها، یعنی الگو های بسته، قادر به استخراج کامل و در عین حال ناافزونه ی مشخصات داده های آموزشی هستند. ارزیابی ها نشان می دهند که دقت این الگوریتم تقریبا برابر با دقت کاراترین الگوریتم های قبلی است ولی زمان اجرا و پیچیدگی کلاس بندی را کاهش می دهد.

امروزه در اغلب سیستم های بازیابی تصویر مبتنی بر محتوی، استفاده از ویژگی های سطح پایین مانند ویژگی های رنگ، شکل و بافت برای بازیابی مرسوم می باشد. تعداد زیاد ویژگی های سطح پایین و محدودیت بکارگیری همه ویژگی ها، باعث شده است که سیستم های بازیابی تصویر از تعداد محدودی ویژگی برای بازیابی استفاده نمایند. بنابراین انتخاب مناسب ویژگی ها می تواند باعث بهبود کیفیت بازیابی شود. همجوشی ویژگی های انتخاب شده از مشکلات سیستم های بازیابی تصویر می باشد زیرا که ویژگی های مختلف تأثیر یکسانی در بازیابی نهایی ندارند. در اغلب سیستم ها وزن تأثیر ویژگی ها به صورت تجربی و اکتشافی حاصل می شود، برخی سیستم ها نیز وزن تأثیر ویژگی ها را یکسان در نظر می گیرند و یا تعیین این وزن را به کاربر واگذار می کنند. سیستم هایی نیز وجود دارند که با استفاده از انحراف معیار استاندارد عناصر ویژگی، وزن ویژگی ها را محاسبه می کنند. از بازخورد ارتباط با کاربر و شبکه های عصبی نیز جهت تعیین وزن ویژگی ها استفاده شده است. در این تحقیق یک سیستم برای بازیابی تصویر پیشنهاد نموده ایم که علاوه بر حساسیت کم آن نسبت به دوران، انتقال و بزرگنمایی، برای تعیین وزن همجوشی ویژگی ها از الگوریتم ژنتیک استفاده نموده است. در سیستم پیشنهادی از ویژگی های هیستوگرام محلی رنگ، تبدیل فوریه-ملین تحلیلی سریع و هیستوگرام جهت لبه استفاده شده است. برای ارزیابی سیستم پیشنهادی از شاخص های میزان دقت و نرخ فراخوانی بر روی 1000 تصویر منتخب از تصاویر بانک corel در ده رده مختلف استفاده گردید. سیستم پیشنهادی در سه مرحله مورد ارزیابی قرار گرفت. در مرحله اول ارزیابی کارایی محاسبه فاصله اقلیدسی سریع معرفی شده در این تحقیق با محاسبه فاصله اقلیدسی و هازدروف انجام شد که در نتیجه روش معرفی شده در این تحقیق چه به لحاظ دقت بازیابی و چه به لحاظ سرعت بازیابی از دو روش دیگر در همه ویژگی های استفاده شده در این تحقیق بهتر بوده است. در مرحله دوم ارزیابی کارایی الگوریتم ژنتیک پیشنهادی برای تعیین وزن همجوشی ویژگی ها، با همجوشی ویژگی ها با وزن یکسان انجام شد که در نتیجه الگوریتم ژنتیک پیشنهادی در این تحقیق در 8 رده از تصاویر کارایی بالاتری داشته است. در مرحله ارزیابی نهایی، سیستم پیشنهادی با دو سیستم simplicity و سیستم پیشنهاد شده در (منصوری, 1387) مورد مقایسه قرار گرفت که در نتیجه سیستم پیشنهادی در 5 رده از تصاویر کارایی بالاتری داشته است

امروزه در اغلب سیستم های بازیابی تصویر مبتنی بر محتوی، استفاده از ویژگی های سطح پایین مانند ویژگی های رنگ، شکل و بافت برای بازیابی مرسوم می باشد. تعداد زیاد ویژگی های سطح پایین و محدودیت بکارگیری همه ویژگی ها، باعث شده است که سیستم های بازیابی تصویر از تعداد محدودی ویژگی برای بازیابی استفاده نمایند. بنابراین انتخاب مناسب ویژگی ها می تواند باعث بهبود کیفیت بازیابی شود. همجوشی ویژگی های انتخاب شده از مشکلات سیستم های بازیابی تصویر می باشد زیرا که ویژگی های مختلف تأثیر یکسانی در بازیابی نهایی ندارند. در اغلب سیستم ها وزن تأثیر ویژگی ها به صورت تجربی و اکتشافی حاصل می شود، برخی سیستم ها نیز وزن تأثیر ویژگی ها را یکسان در نظر می گیرند و یا تعیین این وزن را به کاربر واگذار می کنند. سیستم هایی نیز وجود دارند که با استفاده از انحراف معیار استاندارد عناصر ویژگی، وزن ویژگی ها را محاسبه می کنند. از بازخورد ارتباط با کاربر و شبکه های عصبی نیز جهت تعیین وزن ویژگی ها استفاده شده است. در این تحقیق یک سیستم برای بازیابی تصویر پیشنهاد نموده ایم که علاوه بر حساسیت کم آن نسبت به دوران، انتقال و بزرگنمایی، برای تعیین وزن همجوشی ویژگی ها از الگوریتم ژنتیک استفاده نموده است. در سیستم پیشنهادی از ویژگی های هیستوگرام محلی رنگ، تبدیل فوریه-ملین تحلیلی سریع و هیستوگرام جهت لبه استفاده شده است. برای ارزیابی سیستم پیشنهادی از شاخص های میزان دقت و نرخ فراخوانی بر روی 1000 تصویر منتخب از تصاویر بانک corel در ده رده مختلف استفاده گردید. سیستم پیشنهادی در سه مرحله مورد ارزیابی قرار گرفت. در مرحله اول ارزیابی کارایی محاسبه فاصله اقلیدسی سریع معرفی شده در این تحقیق با محاسبه فاصله اقلیدسی و هازدروف انجام شد که در نتیجه روش معرفی شده در این تحقیق چه به لحاظ دقت بازیابی و چه به لحاظ سرعت بازیابی از دو روش دیگر در همه ویژگی های استفاده شده در این تحقیق بهتر بوده است. در مرحله دوم ارزیابی کارایی الگوریتم ژنتیک پیشنهادی برای تعیین وزن همجوشی ویژگی ها، با همجوشی ویژگی ها با وزن یکسان انجام شد که در نتیجه الگوریتم ژنتیک پیشنهادی در این تحقیق در 8 رده از تصاویر کارایی بالاتری داشته است. در مرحله ارزیابی نهایی، سیستم پیشنهادی با دو سیستم simplicity و سیستم پیشنهاد شده در (منصوری, 1387) مورد مقایسه قرار گرفت که در نتیجه سیستم پیشنهادی در 5 رده از تصاویر کارایی بالاتری داشته است.

چکیده ندارد.