چکیده: در حوزه مهندسی عمران، برخی از ابزارها و الگوریتم های کنترل در چندین دهه گذشته برای هدف محافظت سازه ها از آثار زیان آور خطرات محیطی همانند زلزله و بادهای قوی پیشنهاد شده اند. اخیراً سیستم های کنترل نیمه فعال توجه زیادی را در بین مهندسین به خود جلب کرده است چرا که این سیستم ها، سازگاری ابزارهای کنترل فعال را بدون نیاز به منبع انرژی بزرگ اراِئه می دهند. میراگرهای mr نیز نوعی جدید از ابزارهای کنترل نیمه فعال هستند که پارامترهای ویژگی شان را بر طبق قوانین کنترل خاص تنظیم می کنند و انرژی ارتعاش را جذب می کنند. الگوریتم های کنترلی مختلفی در تعیین رفتار سیستم کنترل نیمه فعال با میراگر mr مورد تحقیق و آزمایش قرار گرفته اند که در این میان استفاده از سیستم های هوشمندی نظیر منطق فازی وشبکه های عصبی از توانمندترین الگوریتم های کنترل می باشد. یکی از مهمترین موضوعات در کنترل نیمه فعال سازه ها با میراگر mr انتخاب جریان کنترل میراگرmr با سرعت و دقت است. دراین پایان نامه، از الگوریتم پیشنهادی فازی- عصبی نیمه فعال با استفاده از میراگرmr برای کاهش پاسخ لرزه ای سازه استفاده می شود. تکنیک شبکه عصبی اختیار می شود تا مسئله تأخیر زمانی را حل کند و کنترل فازی استفاده شده تا جریان کنترل میراگرهایmr را با سرعت و دقت تعیین کند. در پایان برای بررسی این تکنیک کنترلی، دو سازه یک طبقه(sdof) و سه طبقه (mdof) در دو حالت خطی و غیرخطی تحت شتاب افقی زلزله ال سنترو قرار گرفته و مورد بررسی قرار می گیرند. نتایج شبیه-سازی نشان می دهد که این روش کنترلی می تواند جریان های میراگر mr را با سرعت و دقت تعیین کرده و اثر کنترلی خوبی را بر پاسخ های جابجایی و شتاب سازه دارد. لازم به ذکر می باشد که برای مدل کردن سازه های مورد استفاده در مثال ها و همچنین بررسی کنترل فازی-عصبی نیمه فعال بر روی آنها از نرم افزار matlab استفاده شده است.

تاکنون محققان زیادی اقدام به بهبود و توسعه ی سیستم تشخیص هویت بیومتریک از طریق الگوی عنبیه نمودند به گونه ای که امروزه شاهد گسترش این سیستم و افزایش دقت آن هستیم. به طور خلاصه حذف پاره ای از نویزهای موجود در تصاویر ورودی، افزایش سرعت و قابلیت اعتماد سیستم در روند شناسایی افراد از جمله اهدافی هستند که سعی در دستیابی به آن ها شده است. توسط فیلتر میانه با قاب افقی، وجود نویزهایی از قبیل مژه ها برطرف شده که این امر سبب شد تا محدوده ی بیشتری از تصویر عنبیه به منظور شناسایی قابل استفاده باشد. به کمک شبکه های عصبی مصنوعی تصاویر در دسته های مختلفی طبقه بندی شدند که هر دسته نشان دهنده ی یک فرد ثبت شده در سیستم است. جهت افزایش دقت سیستم، الگوریتم های مختلفی به عنوان تابع آموزشی شبکه عصبی مورد استفاده قرار گرفتند که با ارزیابی نتایج هر کدام، به میزان بسیار مناسبی، دقت افزایش یافته است. استفاده ی همزمان از توابع آموزشی مختلف درعین حال که سبب افزایش دقت خواهد شد، باعث کاهش سرعت سیستم در شناسایی افراد می گردد که این مشکل با بهره گیری از موازی سازی از طریق پردازنده اصلی و پردازنده کارت گرافیک مرتفع گردید. تقسیم بار محاسباتی سیستم در امر طبقه بندی، بین پردازنده اصلی و پردازنده ی کارت گرافیک سبب شد تا از منابع موجود بیش ترین استفاده برده شده و حداکثر کارایی بدست آید. در ارزیابی سیستم و مقایسه ی نتایج حاصل و زمان سپری شده در شناسایی هر فرد، با سیستم های موجود و روش های ارائه شده، دقت 100درصد در شناسایی (با توجه به داده های مورد آزمایش) و سرعت 1/1 ثانیه در شناسایی هر فرد به دست آمد که نسبت به سیستم های پیاده سازی شده دقت و سرعت خوبی را نشان می دهد.

چکیده ندارد.