در بین تکنیک های نهان نگاری در حوزه تبدیل، روشهای نهان نگاری درحوزه تبدیل موجک و تبدیل کانتورلت کاربرد زیادی دارند. در این تحقیق سه روش برای نهان نگاری تصاویر دیجیتال پیشنهاد شده است.روشی نهان نگاری مبتنی بر بردار فاصله ضریب ها در حوزه تبدیل موجک پیشنهاد شده است که در این روش برای جایگذاری بیتهای نهان نگاره درون تصویر اولیه، ابتدا ضریب های موجک بصورت مجموعه ای از درختان در آمده و بر اساس ارتباط بین گره ریشه و گره های فرزند در هر درخت موجک، بردار فاصله مبتنی بر اختلاف بین گره ریشه و میانگین گره-های فرزند محاسبه می شود. بردار فاصله محاسبه شده برای هر درخت تعیین می کند که گره ریشه درخت انتخاب شده، چگونه کوانتیزه شود. نهایتاٌ بر اساس اندازه بردار فاصله، بیت های اطلاعات استخراج می شوند. این الگوریتم در حوزه کانتورلت نیز پیاده سازی شده و در بسیاری از موارد نتایج بهبود یافته است. در الگوریتم نهان نگاری پیشنهادی مبتنی بر کوانتیزه کردن ضریب های موجک بر اساس باقیمانده ضریب ها ، برای جایگذاری بیتهای نهان نگاره درون تصویر اولیه، ابتدا ضریب های موجک از زیرباند مشخص شده، انتخاب می شوند. سپس بر اساس مقدار باقیمانده ضریب های موجک بر یک پارامتر مشخص، ضریب های موجک کوانتیزه می شوند. در تمامی این روش ها، یک دامنه وسیع از تغییرات، بین انرژی جایگذاری نهان نگاره و کیفیت تصویر نهان نگاری شده وجود دارد. نتایج شبیه سازی ها نشان می دهد که الگوریتم های پیشنهادی در مقایسه با روش-های موجود دارای نسبت سیگنال به نویز(psnr) و ضریب همبستگی نرمال(nc) بسیار بیشتری است. نتایج شبیه سازی بر روی تصاویر پزشکی نشان می دهد که روش های ارائه شده کاربرد بالایی در نهان نگاری تصاویر پزشکی دارد، چون روش های ارائه شده علاوه بر تخریب کم تصویر میزبان، امنیت بالایی نیز دارند.

هدف از این تحقیق سنتز فیلترهای با پاسخ ضربه محدود (fir) دیجیتال وفقی با الگوریتم های lms و dlms برای کاربرد حذف نویز بر روی تراشه های fpga و مقایسه رفتاری الگوریتم های وفقی lms و dlms از لحاظ مقدار تراشه مصرفی و فرکانس کاری. با توجه به نتایج بدست آمده الگوریتم dlms دارای ساختار خط لوله است که از الگوریتم lms سریع تر است در حالی که به علت رجیسترهای اضافی از تراشه ی بیشتری استفاده می کند. برای افزایش سرعت در طراحی انجام شده از ضرب کننده با طبقات خط لوله استفاده شد که سرعت پیاده سازی افزایش یافت ولی با توجه به ساختار فیلتر fir با افزایش tapهای فیلتر و به دلیل افزایش مسیر بحرانی سرعت عملکرد کاهش می یابد برای کاهش این تاخیر به طراحی و پیاده سازی فیلتر با ساختارهای سیستولیک پرداخته شد که در این طراحی در درجه های بالا فیلتر به دلیل مسیر بحرانی کمتر دارای سرعت بالاتری است. یک فیلتر fir وفقی دو بعدی بر روی تراشه های fpga، برای کاربرد حذف نویز در تصویر با الگوریتم dlms طراحی و سنتز شد. نتایج شبیه سازی ها نشان می دهد فیلتر طراحی شده برای کاربردهای پردازش تصویر برای تصاویری که با نویز تصادفی یکنواخت تخریب شده اند بسیار مناسب است. نتایج سنتز با نرم افزار quartus ii و کدهای vhdl بوسیله ی شبیه ساز modelsim شبیه سازی شده اند.

مسئله تشخیص هویت از دیرباز یکی از حیاتی ترین مسائل در زندگی انسانها بوده است که از جمله موارد پرکاربرد آن در موارد قضایی، اجازه دسترسی می باشد که به تفصیل در مقدمه آورده شده است. برای تشخیص هویت انسانها باید یکسری مشخصات را در صورت آنها که منحصربفرد می باشد را تعیین کرده و سپس این مشخصات را با افراد موردنظر تطبیق داده تا فرد موردنظر یافته شود. تشخیص هویت دارای دو مرحله اصلی می باشد که یکی تعیین کردن مشخصات مختص افراد و دیگری تطبیق این مشخصات با صورت افراد است که در این پایان نامه به قسمت اول یعنی تعیین کردن مشخصات می پردازیم. در مقدمه به تفصیل در مورد انتخاب بین تشخیص صورت در حالت دو بعدی و سه بعدی و مزایا و معایب هر کدام به تفصیل بحث شده است که در این تحقیق به حالت سه بعدی آنها پرداخته شده است. از جمله موارد برتری حالت سه بعدی نسبت به دو بعدی در تغییر ناپذیری نسبت به تغییر زاویه صورت و مهمتر از آن تغییر ناپذیری نسبت به زاویه تابش نور می باشد که در حالت دو بعدی این دو مورد بشدت روی فرآیند تشخیص تاثیر گذار می باشند. فرآیند تشخیص صورت دارای دو مرحله اصلی می باشد که ابتدا نشانه گذاری و تشخیص این نشانه ها در صورت افراد است و مرحله دوم استفاده از این نشانه ها برای تمایز افراد در یک سیستم شبکه عصبی می باشد. در این پایان نامه روی قسمت اول یعنی نشانه گذاری بحث شده است. برای تشخیص این مشخصات تا کنون روشهای مختلفی استفاده شده اند که در این پایان نامه ما با استفاده از روش انحنای اصلی نقاط حداکثر و حداقل را در صورت افراد با ریاضیات مخصوص خود بدست می آوریم که این الگوریتم در ادامه به تفصیل آورده شده است و در نهایت مقایسه ای میان الگوریتم پیشنهادی و دیگر الگوریتم های مشابه صورت پذیرفته است که به نتیجه تشخیص صحیح 83/98 رسیده ایم.

مبدل های آنالوگ به دیجیتال تایم اینترلیو روش پر کاربردی برای پاسخگویی به نیاز نرخ نمونه برداری بالا همراه با دقت بالا می باشد. در این روش از ترکیب موازی چند مبدل adc، یک adc واحد با سرعت بالاتر بدست می آید. در عمل به علت عدم تطبیق بین کانال های موازی، دقت و راندمان این نوع مبدل ها کاهش می یابد. عمده ترین عدم تطبیق ها، عدم تطبیق آفست، عدم تطبیق بهره و خطای زمان نمونه برداری می باشد. یکی از روش های موثر برای غلبه بر این مشکل و بهبود راندمان مبدل تایم اینترلیو، استفاده از کالیبراسیون دیجیتال در مد پس زمینه است. هدف از این پژوهش دست یابی به یک الگوریتم کالیبراسیون مناسب برای جبران سازی خطاهای ناشی از عدم تطبیق در مبدل-های تایم اینترلیو با بیش از دو کانال موازی می باشد. برای اثبات درستی الگوریتم پیشنهادی، یک مبدل تایم اینترلیو با 4 کانال موازی طراحی و در نرم افزار متلب شبیه سازی شد. در هر کانال از یک مبدل پایپ لاین ایده آل 14 بیتی استفاده شده است که فرکانس کاری آن یک چهارم فرکانس کل می باشد. مبدل تایم اینترلیو ارائه شده، از یک سیگنال ورودی سینوسی با فرکانس mhz 5/1 با نرخ نمونه برداری ms/s100 نمونه برداری می کند. خطاهای عدم تطبیق بین کانال ها با بکارگیری کالیبراسیون دیجیتال در مد پس زمینه حذف می شوند. نتایج شبیه سازی نشان می دهد که با ورودیmhz 5/1مقدار sndr خروجی از db 9/34 به db 55/78 افزایش می یابد. هم چنین مقدار sfdr خروجی از db69/37 به db6/106 بهبود پیدا می کند.

امروزه با رشد بسیار زیاد تعداد کاربران اینترنت و نیاز به انتقال اطلاعات با حجم بالا از جمله صوت و تصویر، نیاز به شبکه های پرسرعت مخابرات هرچه بیشتر احساس می شود.در این میان، مخابرات نوری با توجه به سرعت بسیار بالایی که دارد می تواند پاسخ گوی این نیاز روزافزون به پهنای باند بالا باشد. فیبرهای نوری با توجه به تلفات کم و پهنای باند وسیع خود محیطی مناسب برای انتقال این داده پرسرعت است. امروزه علاوه بر استفاده از نور به عنوان حامل اطلاعات در فواصل بسیار زیاد، برای انتقال داده بین دو بُرد و یا حتی دو تراشه نیز از مخابرات نوری استفاده می شود که فقط در صورتی توجیه پذیر است که قیمت اجزای چنین سامانه ای، از جمله گیرنده نوری، مناسب باشد. با پیشرفت چشم گیر تکنولوژی cmos، در نگاه اول، توجه به طراحی اجزایی مانند گیرنده نوری در این تکنولوژی است. در این پایان نامه برای اولین بار در دانشگاه شهید چمران اهواز، تمام سامانه گیرنده نوری در تکنولوژی صنعتی استاندارد 0.18 میکرون- 1.8 ولت در سطح ترانزیستور و در سرعت 2.5 گیگابیت برثانیه طراحی و شبیه سازی و تست شده است. در سامانه طراحی شده، ابتدا سیگنال بسیار ضعیف جریانی که از آشکارساز نوری می آید، تقویت می شود تا به سطوح منطقی مطلوب برسد و سپس توسط مداربازیابی پالس ساعت و داده، از آن، داده و پالس ساعت استخراج می گردد. برای شبیه سازی از نرم افزار hspice استفاده شده و مدل مناسب mosها با توجه به ابعاد آنها توسط انتخابگر خودکار مدلِ موجود در نرم افزار، از درون مدل فایلی که شرکت سازنده قطعات نیمه هادی برای تکنولوژی 0.18 میکرون منتشر کرده، انتخاب شده است.

ترکیب کننده ی فرکانسی یکی از بخش های اساسی فرستنده/گیرنده ی بی سیم می باشد. وظیفه ی این بلوک تولید فرکانس محلی برای انجام عملیات تبدیل فرکانس، از باند پایه به فرکانس بالا و برعکس، در مدار ورودی فرستنده/گیرنده است. هدف از این پایان نامه طراحی ترکیب کننده ی فرکانسی کسری ghz4/2 مناسب برای استاندارد(ieee 802.15.4) زیگبی است. این استاندارد از 16 کانال با فاصله ی بین کانالی mhz5 تشکیل شده است. طراحی ترکیب کننده ی فرکانسی باید از نظر نویز فاز، تضعیف شاخک، زمان نشست، توان مصرفی و غیره، مطابق با مشخصه های تعریف شده ی استاندارد زیگبی باشد. با توجه به محدودیت روش صحیح در دستیابی همزمان به دقت فرکانسی کوچک و زمان نشست سریع، در این پایان نامه از روش کسری استفاده می شود. در روش کسری، تعداد بیت های مدولاتور سیگما-دلتا و فرکانس مرجع تعیین کننده ی دقت فرکانسی هستند. بنابراین برای یک فرکانس مرجع ثابت، با افزایش تعداد بیت های مدولاتور سیگما-دلتا، دقت فرکانسی افزایش می یابد. در استاندارد زیگبی کاهش توان مصرفی از اهمیت بالایی برخوردار است. به منظور کاهش توان در طراحی مدولاتور سیگما-دلتا، از روش-های پایپ لاین و tspc استفاده شده است. مقدار نویز فاز ترکیب کننده ی فرکانسی کسری طراحی شده در فاصله ی فرکانسی mhz5 از فرکانس حامل برابرdbc?hz 72/153- می باشد. توان مصرفی پایین mw9/10 و زمان نشست 146/7 مطابقت ترکیب کننده ی فرکانسی طراحی شده با استاندارد زیگبی را نشان می دهند. یکی از بلوک های اساسی هر ترکیب کننده ی فرکانسی، نوسان ساز کنترل شده با ولتاژ است. تلاش برای طراحی نوسان ساز با بهره ی خطی همواره مورد توجه بوده است. در این پایان نامه روشی برای بهبود مشخصه ی خطی نوسان ساز پیشنهاد شده است.

دانشمندان همواره بدنبال راه هایی بوده اند که بتوانند یک رابطه ی موثر بین انسان و ماشین پدید آورند به طوریکه این رابطه تا حد امکان نزدیک به رابطه ی انسان با انسان باشد زیرا حتی پیچیده ترین ماشین ها نیز بدون دخالت انسان کارایی خاصی ندارند. نتیجه این تحقیقات تولد سیستم هایی است که به واسط های انسان-ماشین یا واسط های انسان-رایانه معروف هستند. این سیستم ها با توجه به نحوه تعامل آنها با انسان به دسته های مختلفی از جمله واسط های انسان-رایانه ی مبتنی بر بینایی، واسط های انسان-رایانه ی مبتنی بر صدا و واسط های انسان-رایانه ی مبتنی بر حواس تقسیم می شوند. در سال های اخیر دسته ای دیگر از این سیستم ها معرفی شده اند که مبتنی بر سیگنال های مغزی هستند و به آن ها سیستم های واسط مغز-رایانه می گویند. این سیستم ها بخاطر ارتباط مستقیم با مغز انسان توانایی های بیشتری نسبت به انواع دیگر دارند اما به علت دقت و سرعت پایین همچنان راه درازی در پیش دارند. طراحی این سیستم ها با چالش های زیادی روبرو است که از جمله می توان به نیاز آن ها به آموزش و تنظیم مجدد در زمان ها و مکان های مختلف اشاره کرد. یکی از راه های غلبه بر چنین چالش هایی استفاده از پیش پردازش ها و الگوریتم های یادگیری ماشین مناسب است. در این پایان نامه از ترکیب کردن چندین طبقه بندی کننده (به جای یک طبقه بندی کننده) استفاده شد. در این راستا الگوریتم های مختلفی از جمله رأی اکثریت، میانگین و الگوریتم های پشته سازی، آدابوست و بگینگ بکار برده شد که هرکدام در شرایطی موجب بهبود دقت سیستم گردید. به موازات آن از دسته ویژگی های متفاوتی شامل انرژی باندهای فرکانسی، پیچیدگی، ضرایب موجک، آنتروپی تقریبی و غیره نیز استفاده شد. با بررسی حالت های مختلف، بهترین ترکیبات ممکن به همراه بهترین دسته ویژگی ها مشخص گردید. در یک بررسی به کمک الگوریتم رأی اکثریت و به صورت تدریجی میزان خطای طبقه بندی کننده به صفر رسید حال آنکه کمترین خطای بدست آمده از مطالعات گذشته برابر با 9% بوده است. البته طی چندین بررسی دیگر و به ازای روش های ترکیبی دیگر نیز خطایی کمتر از 9% به دست آمد. نتایج حاصل نشان می دهد که روش پیشنهادی یعنی ترکیب چندین طبقه بندی کننده بسیار موثر بوده و باعث بهبود نتایج قبلی به طرز چشمگیری شده است.

در سال‏های اخیر فن‏آوری‏های نگهداری و تعمیرات مبتنی بر شرایط، مدیریت سلامت و پیش‏بینی عیوب، تأثیر قابل توجهی بر شیوه‏های نگهداری و تعمیرات در سازمان‏های تجاری و نظامی داشته‏اند. زیرا در طراحی، پایش، نگهداری و تعمیرات سیستم‏های پیچیده (هوانوردی و فضانوردی، سیستم‏های حمل و نقل دریایی، فرایندهای صنعتی و ساخت و تولید و غیره) تغییرات چشمگیری به وجود آمده است. از آنجایی که در اکثر ماشین‏های دوار از انواع یاتاقان‏ها استفاده می‏شود و همچنین طیف وسیعی از عیوب، روی ارتعاشات این تجهیزات تأثیر می‏گذارد و این ارتعاشات در نهایت به یاتاقان‏ها منتقل می‏شوند، این پژوهش منحصراً بر تشخیص عیوب یاتاقان‏های غلتشی می‏پردازد. در این پژوهش پس از داده‏برداری آزمایشگاهی و بیان سیگنال‏ها در دو حوزه زمان و فرکانس و استفاده از روش‏های متعدد پردازش سیگنال، سیگنال نهایی به‏دست می‏آید. سپس ویژگی‏های متنوعی از این سیگنال، استخراج و در ادامه جهت ورودی طبقه‏بندی‏کننده‏ها، بهترین آن‏ها انتخاب می‏شوند. لازم به‏ذکر است، جهت استخراج ویژگی، دو روش بهینه در این پژوهش ارایه شده‏ و با انواع ویژگی‏های آماری، درست‏نمایی بیشینه و ویژگی‏های ارایه شده توسط دیگران مقایسه شده‏اند. در ادامه با استفاده از فاصله اقلیدسی دو معیار انتخاب ویژگی ارایه شد، که جهت انتخاب بهترین ویژگی‏ها برای ورودی طبقه‏بندی‏کننده‏ها استفاده شده‏اند. جهت طبقه‏بندی و تشخیص عیوب یاتاقان، انواع شبکه‏های عصبی مصنوعی شامل شبکه‏های شعاع مبنا، پیش‏خور پس‏انتشار و رقابتی مورد استفاده قرار گرفته‏اند. همچنین دو شبکه شعاع مبنا و پیش‏خور پس‏انتشار آموزش یافته با الگوریتم لونبرگ ‏ـ مارکوارت، مورد بهینه‏سازی قرار گرفته‏اند. در ادامه به دلیل استفاده از بهینه‏سازی در مراحل مختلف این پژوهش، ویرایش جدیدی از روش بهینه‏سازی زنبورعسل به نام الگوریتم زنبورعسل فازی ارائه شده است. در نهایت نشان داده شده است که روش‏های ارایه شده در این پژوهش قادرند با دقت و صحت بهتر و همچنین با هزینه محاسباتی کمتری در مقایسه با دیگر روش‏ها، تفکیک کلاس‏ها را انجام دهند.

بیماری صرع یکی از بارز ترین اختلالات مغز می باشد که حدود پنج درصد از نوزادان به آن مبتلا هستند. هنوز برای بیماری صرع درمانی وجود ندارد و فقط می توان آن را کنترل نمود. یکی از مهم ترین ابزارهای تشخیص حملات صرعی در نوزادان، استفاده از سیگنال الکتروانسفالوگرام می باشد. از آنجایی که سیگنال ناشی از حملات صرعی نا ایستا می باشد، از روش هایی که به تحلیل سیگنال تنها در حوزه زمان یا فرکانس می پردازند و برای پردازش سیگنال ایستا مناسب می باشند، نمی توان استفاده نمود. به همین دلیل در این پایان نامه از روش های تحلیل زمان-فرکانسی مانند چوی-ویلیامز و روش تجزیه تجربی مد برای استخراج ویژگی ها استفاده شد. همچنین برای طبقه بندی ویژگی های استخراج شده، چند نوع طبقه بندی کننده مختلف مانند ماشین بردار پشتیبان و نزدیک ترین میانگین به کار رفت. در این پایان نامه برای اولین بار در تشخیص صرع، با استفاده از تحلیل زمان-فرکانسی ویژگی های حاشیه زمان و فرکانس، گشتاور اول و دوم زمان و فرکانس واطلاعات رانیه استخراج شد. همچنین در این پایان نامه برای اولین بار از روش تجزیه تجربی مد برای تشخیص صرع در نوزادان استفاده شده است. برای ارزیابی عملکرد روش های پیشنهادی، این روش ها را بر روی سیگنال الکتروانسفالوگرام شش نوزاد صرعی پیاده سازی نموده ایم. نتایج تحلیل تجزیه تجربی مود بیان کننده میانگین مقدار حساسیت 87 درصد، میزان نرخ تشخیص اشتباه 27 درصد و میانگین صحت 80 درصد برای تمام نوزادان می باشد. نتایج تحلیل زمان-فرکانسی بیان کننده میانگین حساسیت 83/71 درصد، نرخ خطای تشخیص بازه صرعی 5/34 درصد و میانگین صحت 08/68 درصد برای تمام نوزادان می باشد، که نسبت به روش های موجود نتایج بدست آمده بهبود قابل توجهی داشته است.

هدف اصلی جداسازی منبع کور، جداسازی منابع از سیگنال های ثبت شده بوسیله آرایه ای از حسگرها، می باشد؛ این سیگنال ها مخلوط هایی ناشناخته از منابع می باشند. تحلیل مولفه مستقل، این جداسازی را با فرض مستقل بودن آماری منابع اصلی انجام می دهد. در این پایان نامه، دو الگوریتم تحلیل مولفه مستقل ارایه می شود؛ هر کدام از آنها می تواند به عنوان یک الگوریتم تقلیلی تحلیل مولفه مستقل کم هزینه، سریع و قابل اطمینان برای بسیاری از کاربردهای جداسازی منبع حقیقی استفاده شود. این روش ها از آماره های مرتبه چهارم(کیومولان ها) در یک رویه تقلیل کم هزینه، بهره می گیرند. رویه تقلیل پایه یادشده، بوسیله دلفوس و لوباتون در یک فضای سیگنالی حقیقی پیشنهاد شد. الگوریتم های تحلیل مولفه مستقل پیشنهاد شده، از روش های بهینه سازی جدید بهره برده و دارای مزیت هایی نسبت به روش های تحلیل مولفه مستقل پرکاربرد می باشند.کمتر بودن هزینه محاسباتی الگوریتم های پیشنهادشدهدر مقایسه با الگوریتم شناخته شده fastica، به ویژه زمانی که تعداد منابع افزایش می یابد، نشان داده می شود. سرعت همگرایی روش های پیشنهادشده از سرعت الگوریتم سریع fasticaنیز بالاتر می باشد؛ همچنین تخمین دو روش پیشنهادی قابل اطمینان تر است. کارایی مناسب روش های پیشنهادی، در دو زمینه شامل مخلوط های صوت و تصویر ارزیابی و تایید می شود.با اعمال الگوریتم های پیشنهادی به مخلوط های صوت و تصویر، به زمان جداسازی کوچکتر و کیفیت جداسازی بالاتری در مقایسه با الگوریتم fastica، دست می یابیم.

روش های پردازش تصویر در حوزه زمان مبتنی بر دست کاری مستقیم پیکسل ها در تصویر است که هنگام اجرای فیلتر کردن از خواص همبستگی و پیچش استفاده می شود، ولی پردازش تصویر در حوزه فرکانس شامل تبدیل تصویر به حوزه فوریه، فیلتر کردن تبدیل فوریه تصویر و سپس محاسبه تبدیل معکوس برای بدست آوردن نتیجه ی پردازش شده است. در تصاویر کوچک روش پردازش تصویر در حوزه زمان مفید است ولی در تصاویر بزرگ به دلیل پیچیدگی محاسبات از روش پردازش تصویر در حوزه فرکانس استفاده می شود، زیرا تبدیل فوریه پیچش دو تابع در حوزه زمان، برابر با ضرب تبدیلات فوریه دو تابع در حوزه فرکانس است. جهت تبدیل تصویر به حوزه فرکانس از الگوریتم های مختلف تبدیل فوریه استفاده می شود. در این مطالعه از الگوریتم های تبدیل فوریه سریع رادیکس2، تبدیل فوریه سریع رادیکس4 و تبدیل فوریه سریع اسپلیت رادیکس که دارای بیشترین کاربرد هستند، استفاده شده است. با توجه به شمارش تعداد عمل محاسباتی جمع و ضرب در الگوریتم-های این سه روش، انتظار می رود روش اسپلیت رادیکس و روش رادیکس4 از روش رادیکس2 بهتر باشد، به همین منظور با استفاده از زبان توصیف سخت افزاری (vhdl) برنامه تبدیل فوریه دو بعدی هر سه روش برای تعداد نقاط 16، 64و 256 نوشته شد که پس از شبیه سازی با نرم افزار 12.1 ise xilinx روی تراشه 1156 ff2-t240vcx6cx6-vertex، اثر سطح تراشه، توان مصرفی، تعداد عمل محاسباتی و فرکانس کار در نتایج شبیه-سازی هر سه روش با هم مقایسه شده اند. سطح تراشه استفاده شده برای تبدیل فوریه 256 نقطه ای در روش اسپلیت رادیکس %43، در روش رادیکس4 برابر با %41 و در روش رادیکس2 برابر با %71 است تعداد عمل محاسباتی برای تبدیل فوریه 256 نقطه ای در روش اسپلیت رادیکس %31، در روش رادیکس4 برابر با %37 و در روش رادیکس2 برابر با %62 است. فرکانس کار برای تبدیل فوریه 256 نقطه ای در روش اسپلیت رادیکس 330.875 مگا هرتز، در روش رادیکس4 برابر با 330.875 مگا هرتز و در روش رادیکس2 برابر با 325.843 مگا هرتز است. نتایج نشان می دهد که دو روش رادیکس4 و اسپلیت رادیکس از روش رادیکس2 بهتر است.

ر این پژوهش از یک روش ترکیبی جهت طبقه بندی نظارت شده تصاویر سنجش از دور فراطیفی استفاده شده است. در طبقه بندی نظارت شده، به اطلاعات اولیه از صحنه تصویر برداری همچون تعداد و نوع کلاس های حاضر به عنوان داده های آموزشی برای آموزش طبقه بندی کننده نیاز است. در روش پیشنهادی، با ترکیب فرآیند جداسازی طیفی و طبقه بندی نظارت شده، نیاز به داشتن اطلاعات اولیه مرتفع می گردد. در این پژوهش از روش تحلیل مولفه های مستقل مقید جهت جداسازی طیفی استفاده شده است. پس از استخراج مشخصه طیفی و فراوانی عناصر خالص موجود در صحنه، خالص ترین پیکسل ها از نقشه فراوانی هر عنصر خالص به عنوان داده آموزشی برگزیده می شوند. در مرحله بعد به منظور تهیه یک نقشه از پراکندگی فضایی این پدیده ها از روش طبقه بندی نظارت شده و الگوریتم طبقه بندی کننده ماشین بردار پشتیبان استفاده شده است. برای ارزیابی کارایی و دقت روش پیشنهادی در این پژوهش، الگوریتم توسعه یافته بر روی پایگاه داده سالیناس مربوط به سنجنده آویریس مورد بررسی قرار گرفته است. دقت کلی و ضریب کاپا طبقه بندی روش پیشنهادی به ترتیب % 05/98 و % 66/97 است که در مقایسه با روش های مرسوم طبقه بندی نظارت شده بهتر هستند. روش پیشنهادی دارای دو مزیت است: نخست نیاز به داده های آموزشی از طریق فرآیند جداسازی طیفی به صورت خودکار برطرف گردیده است، دوم آنکه گزینش بهترین داده ها جهت آموزش طبقه بندی کننده با داشتن ماتریس فراوانی عناصر خالص نتایج بهتری به دست می دهد

چکیده: دراین پایان نامه،روشی جدید با بهره گیری از ترکیب داده های مربوط به تصاویر چهره و سیگنال های بیولوژیکی جهت تشخیص هرچه دقیق تر احساسات انسانی ارائه شده است. برای استخراج ویژگی از تصاویر چهره، از شیوه تحلیل مولفه های اصلی و برای استخراج ویژگی از سیگنال های بیولوژیکی، از دو نوع تحلیل در حوزه زمان و فرکانس استفاده شده است. طبقه بندی ویژگی های استخراج شده، توسط چند نوع طبقه بندی کننده قدرتمند همچون ماشین بردار پشتیبان و نزدیک ترین میانگین صورت گرفته است. از روش ترکیب داده های مربوط به تصاویر چهره و سیگنال های بیولوژیکی در دو سطح ویژگی و طبقه بندی جهت تشخیص احساسات در سه بعد ظرفیت، برانگیختگی و علاقه مندی استفاده شده است. برای ارزیابی عملکرد، روش های پیشنهادی بر روی تصاویر احساسی چهره و سیگنال های بیولوژیکی مغزی و محیطی از سی ودو نفر شرکت کننده، اعمال شدند. بهترین نتیجه تشخیص احساسات از طریق ترکیب سیگنال های بیولوژیکی در بعد ظرفیت 74/32 درصد، در بعد برانگیختگی 70/27 درصد و در بعد علاقه مندی 72/97 درصد حاصل شد. در نهایت، با ترکیب سیگنال های بیولوژیکی و تصاویر چهره در بعد ظرفیت 81/76 درصد، در بعد برانگیختگی 85/81 درصد و در بعد علاقه-مندی 77/03 درصد تشخیص موفق بدست آمد که نتایج نسبت به روش های پیشین بهبود چشمگیری داشته اند.

در سال های اخیر با عرضه نمایشگرهای نوین نظیر تلویزیون های hd برای نمایش تصاویر با تفکیک بالا ، نیاز به فراهم آوردن تصاویر با تفکیک بالا بیش از پیش احساس می شود. در این رابطه دو راهکار وجود خواهد داشت: 1- استفاده از دستگاه های تصویربرداری کیفیت بالا که نیازمند صرف هزینه ای گزاف است 2- استفاده از دستگاه های تصویربرداری تفکیک پایین و در مقابل، بهره گیری از روش فراتفکیک پذیری برای ایجاد نرم افزاری تصاویر تفکیک بالا که روشی ارزان است. در واقع فراتفکیک پذیری به تکنیکی گفته می شود که از ترکیب اطلاعات غیرتکراری در تعداد زیادی تصویر با تفکیک پذیری پایین یک تصویر با کیفیت بالا می سازد. روش های اولیه ی فراتفکیک پذیری مبتنی بر تعیین حرکت بین تصاویر استوار بودند. با توجه به پیچیدگی حرکت بین تصاویر واقعی، این تکنیک ها عملاً کارایی چندانی نداشتند. با پدید آمدن الگوریتم های جدید مستقل از تخمین صریح حرکت، فراتفکیک پذیری برای گستره وسیع تری از رشته های ویدئویی قابل استفاده شد و به همین دلیل در سال های اخیر بیش از پیش جنبه تجاری و صنعتی پیدا کرده است. الگوریتم فراتفکیک پذیری مبتنی بر میانگین های غیرمحلی تعمیم یافته از جمله این الگوریتم های جدید می باشد. این الگوریتم در ابتدا برای نویززدایی مطرح شد که طی آن شدت هر پیکسل از میانگین وزن دار یک همسایگی آن پیکسل محاسبه می شد. در الگوریتم تعمیم یافته ، برای تعیین شدت هر پیکسل از میانگین وزن دار یک همسایگی آن پیکسل در همان فریم و سایر فریم های یک رشته ویدئویی استفاده می شود. با در نظر گرفتن اثر کاهش مقیاس و مات شدگی در الگوریتم تعمیم یافته ، روش فراتفکیک پذیری مبتنی بر میانگین های غیرمحلی تعمیم یافته حاصل می شود. با توجه به آنکه در الگوریتم موجود، بخش مات زدایی به خوبی مورد بررسی قرار نگرفته است، این پایان نامه با اعمال روش مات زدایی تفکیک شده تکراری از الگوریتم تطبیق بلوک سه بعدی، کارایی آن را بهبود می بخشد. نتایج به دست آمده، برتری روش پیشنهادی نسبت به روش پیشین را نشان می دهد.

پنهان نگاری به عنوان یک روش در ارتباط پنهان، از دیرباز مورد توجه و استفاده ی بشر بوده است. با ظهور رایانه و به دنبال آن انواع محتوای دیجیتال همچون صدا، تصویر و ویدئو، ایده ی پنهان کردن داده ی دیجیتال در یک محتوای دیجیتال به وجود آمد. تصاویر دیجیتال به سبب وفور آن ها در ابزارهای ارتباطی نوین مانند اینترنت، گزینه ی مناسب تری برای پنهان نگاری است. مخفی کردن اطلاعات، علاوه بر کاربرد آن در نهان نگاری به منظور حفظ حق مالکیت، وسیله ای برای ایجاد یک ارتباط پنهان به شمار می رود. بسته به نوع استفاده، محققان روش های مختلفی در حوزه ی مکان و تبدیل برای پنهان نگاری تصاویر پیشنهاد داده اند. در این پایان نامه یک روش جدید برای پنهان نگاری تصاویر دیجیتال ارائه شده است. استفاده ازفشرده سازی jpegابزار مهمی در این روش پنهان نگاری است. اصلاح تصاویر به منظور جاسازی داده، در حوزه ی کانتورلت و بر روی ضرایب کانتورلت انجام می شود. در این روش، الگوریتم جاسازی داده به گونه ای است که تنها در جاسازی بیت یک، ضرایب کانتورلت اصلاح می شوند. این امر به بهبود psnr در ظرفیت های بالا کمک می کند. مثلاً در ظرفیت جاسازی 4032 و 9450 بیت به ترتیب به psnr معادل 56/52 و 18/47 دسی بل دست می یابیم. این مقادیر در برابر روش توانمندی مانند روش جمزاد در ظرفیت های برابر، حدود 10 دسی بل اختلاف دارد که افزایش قابل توجهی است. جاسازی هر بیت داده در یک بلوک از ضرایب زیر باندهای تبدیل کانتورلت ، صورت می گیرد. در هر بلوک اختلاف میان بزرگ ترین و کوچک ترین ضریب کانتورلت معیار جاسازی است. نتایج پیاده سازی الگوریتم نشان می دهد که چند روش پنهان شکنی قدرتمند هم در تشخیص تصاویر پنهان نگاری شده، عملکرد ضعیفی دارند. میانگین صحت تشخیص تصاویر پوشانه از تصاویر گنجانه با استفاده از دسته بند svm، برابر 56 درصد است.

حدود%6/0-%8/0 جمعیت جهان مبتلا به صرع هستند. رخداد ناگهانی حمله های صرعی در این بیماران سبب می شود که آنها زندگی مطلوبی نداشته باشند. به همین دلیل مدت هاست که محققان درصدد بررسی امکان پیشگویی وقوع حمله های صرعی هستند؛ چرا که اگر بتوان حمله های صرعی را با اطمینان پیشگویی کرد، علاوه بر این که بیمار در بقیه موارد می تواند با آرامش به زندگی خود بپردازد، امکان اقدامات درمانی جدیدی نیز فراهم می شود. اگرچه امکان پیشگویی وقوع حمله های صرعی از روی سیگنال های eeg ثبت شده از سطح سر یا سطح قشر مغز و با استفاده از اطلاعات یک کانال یا چندین کانال به کرّات مورد توجه قرار گرفته است، اما با ارزیابی آماری دقیق در مورد نتایج به دست آمده، به جرأت می توان گفت که هیچ یک از روش ها نتیجه ای بهتر از پیشگویی کننده تصادفی نداشته اند، لذا در عمل به علت خطای مثبت زیاد قابل استفاده نمی باشند. در این رساله هدف بررسی این موضوع است که آیا علت دستیابی به پیشگویی با دقت کم استفاده از ویژگی هایی از سیگنال است که از فرآیند حاکم بر تولید سیگنال های depth-eeg اطلاعات کافی به دست نمی دهند. به این منظور اطلاعات فیزیولوژیک در مورد مکانیسم وقوع حمله های صرعی یعنی مشخصه های مهار و تحریک در مجموعه ای از نورون ها از سیگنال های depth-eeg استخراج شده است، تا تأثیر این اطلاعات در امکان پیشگویی حمله های صرعی بررسی شود. برای استخراج اطلاعات فیزیولوژیک، سیگنال های depth-eeg خروجی یک مدل محاسباتی که بر مبنای فعل و انفعالات بین مجموعه های نورونی در هیپوکامپ طراحی شده است، فرض شده است. در این رساله از این مدل با عنوان مدل depth-eeg یاد شده است. در واقع به علت عدم دسترسی به مقدار پارامترهای تحریک و مهار در نورون ها، مقدار آنها باید به عنوان پارامترهای مدل مفروض با توجه به سیگنال های depth-eeg تخمین زده شود. در این رساله پس از بررسی تحلیلی مدل و تعریف بردار پارامتر موثر در تغییر فعالیت خروجی مدل، با اثبات خاصیت یک به یک بودن مدل روش ساده ای برای تخمین پارامترها به روش بیشترین درستنمایی ارائه شده است. به علاوه روش ابتکاری جدیدی مبتنی بر همزمان-کردن خروجی مدل با سیگنال مورد شناسایی پیشنهاد شده است. اجرای هر دو روش مستلزم بهینه سازی توابع هدف می باشند و لذا تخمین پارامترهای بهینه بسیار زمان بر است. با استفاده از این دو روش پارامترهای مربوط به سیگنال های ساختگی تخمین زده شده است. با توجه به این که خطای تخمین روش پیشنهادی از روش بیشترین درستنمایی کمتر است، با استفاده از روش پیشنهادی پارامترهای مربوط به سیگنال های depth-eeg واقعی در طول زمان به دست آمده است. سپس به منظور برخط نمودن فرآیند استخراج پارامترها رفتار دنباله پارامترها به صورت فضای حالت (ssm) مدلسازی شده است. معادلات تفاضلی حاصل از این مدلسازی به معادلات توصیف کننده مدل depth-eeg اضافه شده است، به نحوی که امکان استخراج دنباله پارامترها با استفاده از فیلتر کالمن میسر شده است. در نهایت با استفاده از پارامترهای استخراج شده به عنوان ویژگی های فیزیولوژیک دقت پیشگویی حمله-های صرعی در 6 بیمار (شامل 24 حمله و 60 ساعت سیگنال دورازحمله) از پایگاه داده fspeeg برابر با 71% (حساسیت 04/84% و خطای مثبت 28/0 در ساعت) به دست آمده است. با ارزیابی آماری با استفاده از داده های جایگزین حاصل از جایگزینیِ زمان حمله و جایگزینیِ پنجره های 10 ثانیه ای از سیگنال مقدار p-value معرف اعتبار نتیجه گزارش شده به ترتیب 0 و 02/0 به دست آمده است، به عبارت دیگر نتیجه قابل تعمیم به تعداد زیادتری از بیماران و زمان بیشتری سیگنال دورازحمله است. همانند دیگر کارهای قبلی در زمینه پیشگویی حمله های صرعی، پیشگویی کننده حاصل در مقایسه با پیشگویی کننده تصادفی برتری ندارد. به هر حال رسیدن به این نتیجه با استفاده از اطلاعات تنها یک کانال و به صورت برخط نویدبخش موثربودن استفاده مستقیم از اطلاعات فیزیولوژیک به عنوان ویژگی است. پیشنهاد می شود در آینده روش معرفی شده در این رساله با بهبود مدل و توجه به اطلاعات چندکاناله انجام گیرد.

سنجش از دور فراطیفی یک روش توانمند برای شناسایی و تهیه نقشه از پدیده ها و مواد روی سطح زمین است. با وجود قدرت تفکیک طیفی بالا در تصاویر فراطیفی، به دلیل توان تفکیک مکانی پایین سنجنده ها، ممکن است مواد مختلفی درون یک پیکسل باشد. در این صورت، طیف پیکسل های ثبت شده توسط سنجنده، ترکیبی از طیف مولفه های اصلی موجود در آن پیکسل ها است. جداسازی طیفی، روشی است که مشخصه طیفی مولفه های اصلی پیکسل های مخلوط را استخراج کرده و سپس ضرایب فراوانی هر مولفه اصلی را برآورد می کند. ماهیت اختلاط طیفی اهمیت فراوانی در فرآیند جداسازی طیفی دارد. در کاربردهای طیف نگاری و سنجش از دور دو نوع مدل اختلاط طیفی در نظر گرفته می شود: الف) مدل اختلاط خطی و ب) مدل اختلاط غیرخطی. در این پایان نامه، از مدل اختلاط فوق غیرخطی به منظور جداسازی غیرخطی در تصاویر فراطیفی استفاده شده است. برای استخراج مولفه های اصلی در این پایان نامه، از الگوریتم های n-finder، sga و vca استفاده شده است. این الگوریتم ها بر پایه روش های هندسی هستند که با مدل های اختلاط غیرخطی سازگاری دارند. همچنین برای برآورد ضرایب فراوانی، دو روش بر پایه الگوریتم بهینه سازی ازدحام ذرات و الگوریتم زنبور عسل ارائه شده است. روش های ارائه شده در این پایان نامه، روی داده های شبیه سازی شده مورد ارزیابی قرار گرفته اند و با روش های دیگر و همچنین با مدل اختلاط خطی مقایسه شده اند. علاوه بر این، از این روش ها برای جداسازی طیفی دو تصویر واقعی از سنجنده aviris استفاده شده و نتایج حاصل از آن ها با نتایج دیگر روش ها و مدل اختلاط خطی مقایسه شده اند. نتایج به دست آمده در این مطالعه نشان می دهد که روش های ارائه شده دارای دقت بالاتری نسبت به دیگر روش ها می باشند و در برخی موارد زمان اجرای برنامه کاهش یافته است.

به صراحت مغز یکی از پیچیده ترین اعضای بدن است که دارای واکنش های عصبی غیر خطی می باشد. حملات صرعی ناشی از اختلال در عملکرد الکتریکی مغز است و لذا بر روی سیگنال الکتروانسفالوگرام (eeg ) نمود می کند. تغییر آسیب شناسی در وقوع و انتشار حمله صرعی از تعاملات بین پارامترهای فیزیولوژیکی در نواحی مختلف مغز ناشی می شود. برای شناسایی ساز و کارهای فعالیت های صرعی، باید مدل های زیستی-فیزیکی پیچیده را با تحلیل آماری داده ها وفق داد. یکی از این مدل ها، مدلسازی دینامیکی سببی (dcm) است که روابط علت-معلولی مولد سیگنال های eeg به صورت غیرخطی در آن مدل شده اند. در این پایان نامه برای اولین بار سیگنال های eeg صرعی با استفاده از روش dcmمدلسازی شدند. پس از مدلسازی سیگنال eeg و تخمین پارامترهای اتصال، سیگنال های eeg مدل شده تولید شد. سپس برای بررسی شباهت بین ویژگی های سیگنال های مدل شده و واقعی، این سیگنال ها با هم مقایسه شدند.این مقایسه با استفاده از ویژگی های مناسب و طبقه بندی کننده هایی چون ماشین بردار پشتیبان و تفکیک کننده ی خطی صورت گرفت. نتایج بدست آمده نشان می دهد که ویژگی ها و فعالیت هایی چون فعالیت صرعی، در سیگنال های مدل شده و واقعی مشابه هستند. همچنین فعالیت های صرعی و عادی در سیگنال های مدل شده و واقعی، به کمک تفکیک کننده ی خطی از هم جدا شدند. برای ویژگی های غیر خطی استخراج شده، دقت 75/90 درصد و 5/91 درصد به ترتیب برای سیگنال های مدل شده و واقعی بدست آمد. برای ویژگی های مبتنی بر تبدیل موجک نیز، دقت 5/97 درصد و 98 درصد به ترتیب برای سیگنال های مدل شده و واقعی حاصل شد.

یک شبکه حسگر بیسیم شبکه ای با افزاره های کوچک است که گره حسگر نامیده شده و درون یک ناحیه پراکنده شده اند. گره های حسگر که می توانند در دو حالت ایستا یا متحرک باشند، از محیط، اطلاعات جمع آوری کرده و آن ها را با همکاری یکدیگر از طریق ارتباطات بیسیم به مقصد ارسالمی کنند. مسیر انتقال داده تا مقصد توسط پروتکل های مسیریابی تعیین می شود. از آنجایی که این پروتکل ها در شبکه های حسگر بیسیم می تواند عواملی چون طول عمر شبکه، مصرف انرژی و تأخیر انتها به انتها را تحت تأثیر قرار دهد؛ لذا استفاده از روشی مناسب در مسیریابی می تواند باعث بهبود عملکرد شبکه، از نظر پارامترهای مذکور شود. بررسی ها نشان می دهند که بهره گیری از منطق فازی، الگوریتمastarو منطقه بندی شبکه به صورت همزمان می توان تأخیر انتها به انتها و مصرف انرژی در شبکه را کاهش داد. در این پایان نامه یک پروتکل مسیریابی معرفی می شود که در آن گره ها متحرک بوده و با استفاده از معیار ارزش گره مربوط به گره های دیگر، مسیری بهینه برای انتقال داده خود به سمت چاهک فراهم می کنند. این معیار برای هر گره از سه پارامتر درونی گره یعنی بار ترافیکی، انرژی باقی مانده و فاصله تا چاهک تشکیل شده که برای گره ها امکان همکاری با یکدیگر را در جهت انتقال داده به چاهک میسر می سازد. برای کاهش تأخیر و انتقال بهینه داده، منطقه هایی در نظر گرفته شده به طوری گره ها مجبورند داده خود را از طریق آن ها به چاهک منتقل کنند. معیار ارزش گره با استفاده از منطق فازی و بهره گیری از الگوریتم astarمحاسبه می شود. در این پایان نامه، پروتکل پیشنهادی با پروتکل هایleach-m و lfcp-mwsnمقایسه شد. نتایج مقایسه ها نشان می دهند که پروتکل پیشنهادی از نظر مصرف انرژی و تأخیر انتها به انتها کارآمد تر از دو پروتکل دیگر می باشد.

تولیدکنندگان همواره به دنبال راه¬هایی برای کاهش هزینه¬های تعمیرات و نگهداری وسایل و تجهیزات خود هستند. با استفاده از روش¬های جدید تعمیرات و نگهداری و پایش وضعیت سلامت ماشین¬آلات، می¬توان از وقوع و رشد عیوب در سیستم جلوگیری نمود و با برطرف کردن عیوب، هزینه¬های ناشی از تعمیرات و نگهداری را کاهش داد. در سیستم¬ها و سامانه¬های هوایی به دلیل وجود فاکتورهای ایمنی و انسانی، پایش وضعیت قطعات حساس، به¬ویژه قطعات دوار، بسیار حائز اهمیت می¬باشد. بالگردها جزء سامانه¬های هوایی بال چرخان محسوب می¬شوند. بنابراین، ضرورت پایش وضعیت قطعات حساس در بالگرد در قالب سیستم نمایشگر سلامت و عمر بالگرد مطرح می¬شود. با توجه به اهمیت سیستم انتقال قدرت دمی بالگرد، پایش وضعیت اجزای این قسمت، از اهمیت خاصی برخوردار می¬باشند. هدف از این پروژه، پیشنهاد الگوریتمی جهت تعیین وضعیت محور¬های دمی بالگرد شاهد 278 و در نتیجه مشخص شدن میزان ناهم¬محوری محور¬های دمی بالگرد می¬باشد. بدین منظور، سیگنال¬های ارتعاشی بوسیله حسگرهای نصب شده بر روی یاتاقان¬های قسمت دمی بالگرد جمع¬آوری می¬شوند. سپس، برای پردازش سیگنال از تبدیل موجک پیوسته و تبدیل موجک گسسته استفاده شده است و دو دسته ویژگی، ویژگی¬های آماری توصیفی و پارامترهای درست¬نمایی بیشینه، از ضرایب آن¬ها استخراج می¬شوند. با استفاده از معیار فاصله، ویژگی¬هایی که مقدار معیار فاصله بیشتری دارند، انتخاب می¬شوند و به عنوان ورودی¬های شبکه-های عصبی در نظر گرفته می¬شوند. برای دسته¬بندی، از شبکه¬ عصبی رگرسیون و شبکه عصبی تابع پایه شعاعی استفاده شده است. نتایج نشان داد که ویژگی آماری آنتروپی لگاریتم انرژی و پارامتر انحراف معیار توزیع¬های درست¬نمایی بیشینه، نسبت به دیگر ویژگی¬ها کارائی بالاتری دارند. همچنین، شبکه عصبی رگرسیون نسبت به شبکه عصبی تابع پایه شعاعی، قابلیت اطمینان بالاتری را دارا می¬باشد

امروزه کارایی سیستم های مخابراتی وابسته به مبدل های آنالوگ به دیجیتال است. به منظور انعطاف پذیری بیشتر تکنولوژی های مخابراتی نسل آینده، مبدل هایی با کارایی بیشتر نیاز است لذا ساختار میانگذاری شده در زمان مبدل ها، می تواند راه حل مناسبی برای افزایش کارایی تکنولوژی های مخابراتی باشد. یک مبدل آنالوگ به دیجیتال میانگذاری شده در زمان(ti-adc) با موازی کردن m مبدل، توان عملیاتی اش را افزایش می دهد. با این حال، کارایی آن بدلیل وجود عدم تطابق بین کانال هایش کاهش می یابد. عدم تطابق بین کانال ها با ایجاد تن های اضافی طیف خروجی را دچار اعوجاج می کند. این پایان نامه، به کالیبراسیون پس زمینه ی دیجیتال عدم تطابق بهره و زمان می پردازد. در این پایان نامه، خطای عدم تطابق بهره و زمان با تقریب مرتبه ی اول سری تیلور مدل و با الگوریتم fxlms ضرایب آن شناسایی شد سپس تقریب خطا از خروجی کم شد تا خطای عدم تطابق تصحیح شود سپس ضعف های کالیبراسیون با الگوریتم fxlms در یک ti-adcدو کاناله، مطرح و با نتایج شبیه سازی اثبات شد. در ادامه، طرح جایگزینی برای رفع ضعف های الگوریتم fxlms پیشنهاد شد.این طرح بر اساس همبستگی بین تن ورودی و تصویر ناشی از عدم تطابق، در تمام پهنای باند مبدل ti-adc دوکاناله عمل می کند و برای اثبات درستی عملکرد آن، در حالت هایی که روش کالیبراسیون با الگوریتم fxlms دچار ضعف است، شبیه سازی شد. در شبیه سازی، 3 تن ورودی در فرکانس های fs188/0، fs341/0 و fs465/0 به یک مبدل ti-adc دو کاناله به ترتیب با خطای عدم تطابق بهره و زمان 02/0 و 01/0- داده شد و در حالی که کالیبراسیون با الگوریتم fxlms توانایی تصحیح خطای عدم تطابق هر سه تن را ندارد پس از تصحیح خطا با طرح پیشنهادی، 60 دسی بل بهبود در sfdr خروجی بدست آمد. با این کار از هدر رفتن 80 درصد کارایی افزودن کانال دوم به سیستم با کالیبراسیون با الگوریتم fxlms جلوگیری شد.

در این پایان نامه از مدل بهبود یافته¬ی نورون izhikevich در جهت کاهش سخت¬افزار لازم برای توصیف سخت افزاری استفاده شده است. به کمک این مدل، یک شبکه¬ دو لایه از نورون¬های عصبی پالسی به صورت سخت¬افزاری توصیف شده و آموزش داده می¬شود. الگوریتم آموزش شبکه نیز مانند نورون¬ها به صورت سخت¬افزاری توصیف شده است که باعث می¬شود فرآیند آموزش شبکه در سطح سخت¬افزار قابل انجام باشد. برای آموزش شبکه الگوریتمی مورد استفاده قرار گرفته که در واقع ترکیبی از الگوریتم¬ stdp و الگوریتم پس¬انتشار است. الگوریتم stdp مناسب برای شبکه¬های عصبی پالسی است و الگوریتمی بدون ناظر است. الگوریتم پس¬انتشار مربوط به شبکه¬های عصبی سنتی است و با ناظر است. در این پایان¬نامه با ترکیب مناسبی از این دو الگوریتم، روشی پیاده شده است که دقت بالا و همگرایی بسیار خوبی در فرآیند آموزش شبکه دارد. سپس شبکه برای شناسایی سه نوع گل نیلوفر از روی یک سری مشخصات گل¬ها یعنی طول و عرض گلبرگ و کاسبرگ، آموزش داده شده و دقت آن در شناسایی گل¬ها بررسی می¬¬شود. در نهایت شبکه را سنتز کرده و حجم سخت¬افزار مصرفی بدست آورده شده است. همان¬طور که مشاهده خواهد شد در عین حال که شبکه قدرت تشخیص بالایی دارد، به سخت¬افزار نسبتا کمی جهت توصیف سختافزاری بر روی تراشه¬های fpga نیاز دارد.

به منظور نظارت بر نحوه گسترش شهر و تغییرات بر محیط زیست، طبقه بندی پوشش زمین یک چالش و همچنین کار ضروری است. در این پروژه روشی ترکیبی جهت بخش بندی و طبقه بندی تصاویر sar نواحی شهری ارائه شده است.برای طبقه بندی این تصاویر، طبقه بندی کننده های knn و svm به کار گرفته شده اند.در روش پیشنهادی، دو دسته ویژگی های نوع اول و ویژگی های نوع دوم برای آموزش طبقه بندی کننده در نظر گرفته شده اند. برای محاسبه ی ویژگی های نوع دوم که تحت عنوان ویژگی های بافت بیان می شود، از ماتریس glcm استفاده شده است. این کار بر روی داده های sar شبیه سازی شده و واقعی انجام شده است. برای داده-های واقعی به دلیل عدم وجود زمین مرجع آنها، تصویر مربوط به مرحله ی آموزش در ابتدا با استفاده از خوشه-بندی fuzzy c-means خوشه بندی شده و درصدی از آنها به عنوان نمونه های آموزشی انتخاب شده اند. پس از انتخاب نمونه های آموزشی و محاسبه ویژگی های مطرح شده، طبقه بندی بر روی تصاویر ارزیابی، انجام شده است.

در این رساله، چندین ردیاب از جمله ردیاب جابجایی میانگین و ردیاب شبکه عصبی را که براساس ردیاب زمان-حقیقی جابجایی میانگین هستند، معرفی می نماییم. در ردیاب ها از پنجره مستطیلی برای توصیف شکل هدف استفاده شده، تعداد تکرارها محدود شده و به جای پردازش آرایه ای از پردازش پیشنهادی ضرب-جمع-انباشت استفاده شده است که در این حالت می توان تا چندین هدف را همزمان و زمان-حقیقی ردیابی کرد. دقت ردیاب بی تکرار همانند ردیاب اولیه است. هدف توسط هیستوگرام وزن دار شده با کرنل مکانی مدل سازی و تاثیر فضاهای رنگ در قدرت هیستوگرام بررسی می گردد. برای کاهش تاثیر اطلاعات پس زمینه که در هیستوگرام مرجع نفوذ می کنند، از روش اصلاح شده هیستوگرام وزن دار شده با پس زمینه استفاده شده که در آن از رابطه پیشنهادی خود استفاده کرده ایم. قابلیت کنترل ابعاد و دوران هدف نیز با استفاده از روش تجزیه ماتریس کوواریانس توسط svd به مقادیر ویژه اش امکان پذیر شده است. رابطه سطح اولیه هدف جدیدی را پیشنهاد داده ایم و ابعاد ناحیه جستجو نیز بطور پویا توسط رابطه ای پیشنهادی از روی ضریب باتاچاریا یا همبستگی تخمین زده می شود. روش ضرب-جمع-انباشت توانسته به شدت میزان بار محاسبات و حافظه الگوریتم را بکاهد. فیلتر ذره یک فیلتر تصادفی مونت کارلو-بیز است که می تواند مشکل همگرایی به بیشینه های محلی را مرتفع سازد اما از وجود بار محاسبات بسیار زیاد رنج می برد. ردیاب جابجایی میانگین-فیلتر ذره پیشنهادی توانسته در مرز زمان-حقیقی ردیابی کند که چندین برابر سریع تر از سایر مراجع است و دقت آن با دقت این مراجع برابری و رقابت می کند. مدل سازی جدیدی براساس تبدیل فوریه و کسینوسی دوبعدی ارائه شده و با استفاده از معیار مینیمم سازی تفاضل و جستجو در تصویر به روش های جامع متقارن و نمونه برداری شده متقارن ردیابی صورت می گیرد. همچنین ردیابی براساس ادغام ردیاب جابجایی میانگین با شبکه های عصبی دارای توابع اساسی شعاعی (به عنوان تابع فعالیت) ارائه کرده ایم. این ردیاب که زمان حقیقی است برای اولین بار از ویژگی هایی همچون مقادیر خاکستری، گرادیان، هیستوگرام، فرکانس مکانی، کنتراست محلی و میانگین محلی برای مدل سازی هدف استفاده می کند. ابعاد هدف بجای ضریب باتاچاریا، با استفاده از ضریب همبستگی محاسبه می شود. حداکثر تعداد تکرارهای جابجایی میانگین این ردیاب را به دو بار محدود کرده ایم. ویژگی ها توسط طبقه بند فازی دسته بندی و با کرنل ایپانشنیکوف به تابع چگالی احتمال نگاشت می شوند.

در این پروژه با توجه به قابلیت بالای شبکه های عصبی مصنوعی در مدلسازی سیستم های غیرخطی، سعی شده که عضله تحریک شده را توسط شبکه های عصبی بصورت جعبه سیاه و بدون توجه به کارکرد اجزای تشکیل دهنده آن مدلسازی کرد. در این کارتحقیقاتی، جهت مدلسازی عضله تحریک شده شبکه های عصبی پس از انتشار خطا و شبکه های عصبی مبتنی بر توابع پایه شعاعی پیاده سازی شده اند. برای یادگیری شبکه های مبتنی ب توابع پایه شعاعی (rbfn) از سه روش استفاده شده است : روش آموزش k-means ، روش گرادیان تصادفی و روش حداقل مربعات متعامد. در آخر نیز برای مقایسه قابلیت شبکه های عصبی که مدل های غیرخطی هستند با مدل های خطی، عضله تحریک شده بوسیله مدل خطی کلی مدل شده است . نتایج این پروژه نشان می دهد در مدلسازی عضله شبکه rbf با روش آموزش گرادیان تصادفی از کارایی بالاتری نسبت به سایر شبکه ها برخوردار است .