خوشه بندی، روش داده کاوی قدرتمندی است که جهت کشف موضوع از اسناد متنی مورد استفاده قرار می-گیرد. در این زمینه الگوریتم های خانواده k-means به دلیل سادگی و سرعت بالا، در خوشه بندی داده هایی با ابعاد بالا، کاربرد فراوانی دارند. در این الگوریتم ها، معیار شباهت cosine، تنها شباهت میان زوج اسناد را اندازه گیری می کند که در مواقعی که خوشه ها به خوبی تفکیک نشده باشند، عملکرد مناسبی ندارد. درمقابل، مفاهیم همسایگی و اتصال با در نظرگرفتن اطلاعات سراسری در محاسبه میزان نزدیکی دو سند، عملکرد بسیار بهتری دارند. چنانچه میزان شباهت دو سند از حد آستانه ای بیشتر باشد آن دو سند همسایه اند و تعداد همسایه های مشترک میان آنها، مقدار تابع اتصال این دو سند را نشان می دهد. بنابراین با توجه به اینکه تنها دو حالت همسایگی و عدم همسایگی داریم که با صفر و یک نمایش داده می شوند، مقداری از اطلاعات را در مورد میزان شباهت میان اسناد از دست می دهیم که منجر به کاهش دقت خوشه بندی حاصل می شود. جهت رفع این مشکل، در گام اول لیستی از مقادیر گسسته را برای تعیین بازه ای از مقادیر آستانه به جای تنها یک مقدار، در نظر گرفتیم که به دنبال آن درجات متفاوتی از همسایگی، بر اساس میزان شباهت میان اسناد خواهیم داشت. همچنین جهت افزایش هر چه بیشتر دقت نتایج حاصل، از منطق فازی نیز بهره برده و مقدار شباهت میان اسناد را با استفاده از مقادیر عضویت فازی نمایش دادیم. به این ترتیب میزان همبستگی میان اسناد را با استفاده از منطق فازی بهبود داده و گام جدیدی در کاربردهای منطق فازی برداشتیم. همچنین در این مدل، روابط معنایی میان کلمات نادیده گرفته شده و تنها اسنادی با واژگان مشابه با یکدیگر مرتبط شده اند. در این پروژه پایانی از آنتولوژی wordnet جهت ایجاد مدل جدید نمایش اسناد بهره بردیم، بدین صورت که در آن از روابط معنایی به منظور وزن گذاری مجدد بسامد کلمات در مدل فضای برداری اسناد استفاده شده است. سپس مفاهیم همسایگی و اتصال را بر روی مدل حاصل اعمال نمودیم. نتایج حاصل از اعمال روش های پیشنهادی و ترکیبات آنها بر روی مجموعه داده های متن واقعی، حاکی از عملکرد موثر و مناسب تر الگوریتم پیشنهادی ما نسبت به روش های پیشین می باشد و می تواند جایگزین خوبی برای الگوریتم های پیشین در امر خوشه بندی اسناد باشد.

امروزه به علت توسعه روزافزون سرویس های مبتنی بر وب، لزوم بازشناسی انسان از ماشین در محیط های برخط برای جلوگیری از سواستفاده از سرویس های مجانی، بیشتر احساس می شود. بدین منظورکپتچاها پا به عرصه ظهور گذاشتند. در حال حاضر کپتچاهای تصویری به علت جذابیت ذاتی برای کاربران، مورد توجه بیشتر طراحان می باشند. کپتچاهای تصویری ساده از امنیت کمتری برخوردارند. به همین دلیل روش های پیچیده تری برای تولید کپتچاهای تصویری به وجود آمده است. در این پایان نامه از چندین راهکار برای طراحی و توسعه ی یک کپتچای تصویری معنایی امن تر و قابل استفاده تر بهره برده شده است. در ابتدا از تبدیلات هندسی برای تولید احجام سه بعدی استفاده شده و عکس های اولیه به روی این احجام انتقال پیدا می کنند، سپس از یک زاویه تصادفی یک عکس دوبعدی از این شی سه بعدی تهیه می شود. نهایتا از کاربر خواسته می-شود تا سمت بالای عکس را به عنوان یک معنا در عکس تبدیل یافته کلیک کند. مفهومی به نام درجه سختی بر اساس میزان پاسخ صحیح کاربران نسبت به هر عکس تعریف شده است. یک سیستم چندعکسه مبتنی بر درجه سختی عکس ها پیشنهاد، پیاده سازی و ارزیابی شده است و بر اساس آن الگوهای تعاملی کاربران بر اساس چندین معیار در قالب توابع چگالی احتمال استخراج شده است. از این الگوها برای طراحی یک سیستم هوشمند بازشناسی انسان از ماشین بهره برده شده است. بر اساس اعتباری که سیستم پیشنهاد شده به هر کاربر می دهد، به وی یک حق رای برای عکس های ارزیابی نشده اعطا می شود. سیستم کپتچای نهایی شامل چند عکس برای ارزیابی کاربر و چند عکس ارزیابی نشده برای به روزرسانی پایگاه داده، توسعه یافته و مورد ارزیابی قرار گرفته است. نظر کاربران به عکس های جدید اعمال و بر اساس این آرا، پایگاه داده کپتچا به روز می شود. به طور متوسط نرخ عبور کاربران از کپتچای پیشنهادی نهایی 97.8% و در زمان 28.16 ثانیه است. این درحالی است که چنانچه متناسب با الگوریتم های پیشنهادی، حداقل اعتبار کاربر برای قبولی 0.2 درنظر گرفته شود، نرخ حمله تصادفی ماشین به صفر می رسد. این کپتچا با تولید فضای جستجوی بسیار بالا به صورت ضریبی از 1012 ، احتمال حمله تطابق مستقیم را حتی برای یک ابررایانه غیرممکن می سازد. همچنین مجموعه راهکارهای پیشنهاد شده، حمله یادگیری ماشین را تضعیف می-نماید. نتایج نشان می دهند که مجموعه راهکارهای پیشنهاد شده، بر کارآمدی کپتچای پیشنهادی افزوده و آن را از دیگر کارهای مشابه امن تر و قابل استفاده تر می کند.

در این پایان نامه به معرفی سه روش cgوact و شتاب چیبیجف میپردازیم و با استفاده از انها به بازسازی تصویر می پردازیم ترکیب تئوری موجک و قاب با شیوه های انالیز عددی بازسازی مطلوبی در تعداد تکرار کم میدهد.

ردگیری خط سیر ربات صنعتی با خطا و نوسان کمتر، از مسائل مهم در کنترل ربات است. به دلیل پیچیدگی زیاد و همچنین وجود نایقینی ها در دینامیک ربات، طراحی مدل گرای ربات، زمان بر بوده و پیاده سازی آن بسیار مشکل است. روش پیشنهادی، سعی در یادگیری آنلاین و سریع تر دینامیک ربات و تولید گشتاور مناسب بدون اطلاع از مقدار مطلوب آن دارد. روش پیشنهادی به منظور استفاده از توانایی های کنترل کننده های خطی، شبکه-های عصبی و سیستم استنتاج فازی، از کنترل کننده ی pid و anfis اصلاح شده به طور همزمان استفاده می کند. کنترل کننده ی pid موجب تطبیق سریع و محدود شدن خطای ردگیری مسیر شده و استفاده از الگوریتم یادگیری را میسر می سازد و کنترل کننده ی anfis اصلاح شده خطای کنترل کننده ی pid را کاهش می دهد. به منظور کاهش خطای ردگیری مسیر، کارایی کنترل کننده ی anfis، توسط ترکیب خطی از خطای مکان و سرعت زاویه ای، سنجیده می شود. مهم ترین ویژگی روش پیشنهادی، اصلاح الگوریتم یادگیری کنترل کننده ی anfis متعارف، به گونه ای است که از برخی اطلاعات دینامیک ربات (ماتریس اینرسی)، استفاده کرده و اطلاعات بیش تری را در اختیار الگوریتم یادگیری قرار می دهد که منجر به یادگیری مناسب تر دینامیک ربات و تسریع آن می شود. سیستم پیشنهادی در محیط simulink نرم افزار matlab، شبیه سازی شده و نتایج بدست آمده از لحاظ خطای مکان و سرعت زاویه ای، خطای عملگر نهایی، زمان یادگیری و مقدار گشتاور تولیدی با کنترل کننده های pid، تطبیقی و هوشمند آنلاین، مقایسه می شود.

الگوریتم بهینه سازی اکسترمال یک الگوریتم تکاملی جستجوی محلی است که از طبیعت الهام گرفته است. این الگوریتم دارای رفتار "بهمنی" بوده که موجب همگرایی سریع آن می شود. در این کار، هدف ارزیابی عملکرد الگوریتم بهینه سازی اکسترمال در مسائلی با مجموعه متغیرهای زیاد و فضای جستجوی وسیع همچون مسئله ی تقطیع تصویر مبتنی بر پیکسل بر اساس رنگ است. نوآوری اصلی، اعمال الگوریتم در دو سطح نواحی و پیکسل ها و تعریف تابع انرژی مناسب برای نواحی تصویر است. با اعمال عملیات کاهش رنگ، تصاویر بیش از حد ناحیه بندی شده به عنوان ورودی به الگوریتم داده می شوند و ادامه ی عملیات در دو فاز انجام می شود: در فاز اول نواحی کم ارزش تر با نواحی مشابه همسایه ادغام می شوند. در فاز دوم نیز پیکسل های کم ارزش تر با احتمال بیشتری انتخاب شده و تغییر میکنند. تغییر در برچسب هر ناحیه یا هر پیکسل باعث تغییر در برازندگی همسایگان آنها نیز می شود. این فرایند ادامه می یابد تا آنجا که شبکه ی تصویر به تغییرات حساس شده و تغییر کوچکی در برچسب هر ناحیه یا هر پیکسل باعث تغییرات بزرگی در شبکه ی تصویر می گردد که به این پدیده "بهمن" می گویند. ارزیابی شهودی به همراه ارزیابی عددی (بر اساس روش پیشنهادی هوور) در مقایسه با چند الگوریتم دیگر نشان می دهند که روش پیشنهادی می تواند در جهت کاهش تابع انرژی گام برداشته و به نتایج قابل قبولی نیز دست یابد. هرچند روش پیشنهادی دارای مشکل زمان اجرای بالا می باشد اما قابلیت پیاده سازی موازی الگوریتم آن را قادر می سازد تا در کارهای آینده بتوان زمان اجرا را نیز کاهش داد.

رتینوپاتی دیابتی یکی از مهمترین عوامل کاهش بینایی می باشد. اغلب در مراحل پیشرفته ی این بیماری، عارضه ی تشکیل عروق خونی غیرطبیعی در شبکیه چشم ایجاد می شود، که در صورت عدم تشخیص به موقع و درمان، منجر به کاهش شدید بینایی و یا در نهایت کوری خواهد شد. یکی از روش های پیش گیری و کاهش صدمات اقتصادی که پیشنهاد شده است، اجرای روش های غربال گری است.بنابراین پزشکان برای تشخیص علائم بیماری، از شبکیه چشم بیماران عکس برداری نموده و در نهایت با توجه به عکس های گرفته شده، بیماری و میزان پیشرفت آن را تشخیص می دهند. از آن جا که حجم زیادی از تصاویر از بیماران به وجود می آید، وجود یک سیستم غربال گری، که بتواند درصد زیادی از تصاویر را در مراحل اولیه از روند غربال گری جدا کند، منجر به صرفه جویی بیشتر در هزینه، بهبود دقت و حفظ بینایی خواهد شد. در این پایان نامه، نرم افزاری جهت غربال گری خودکار عارضه ی عروق خونی غیرطبیعی توسعه داده شده است. اولین دستاورد این پایان نامه، تهیه ی بانک داده ی محلی با سه برچسب گذاری توسط سه پزشک متفاوت می باشد. در معدود روش های پیشین، با استفاده از استخراج عروق خونی، تلاش شده است که نواحی دارای عروق خونی غیرطبیعی استخراج شود. درصورتی که استخراج عروق در مراحل ابتدایی کار نمی تواند نتیجه چندان مطلوبی در کل سطح شبکیه داشته باشد.بنابراین سیستم پیشنهادی ارائه شده، سعی در استفاده از توصیف گرهای بافت داشته و دارای سه فاز اصلی می باشد. در فاز اول،تصویر به ناحیه های کوچک تری تقسیم می شود؛ سپس توسط الگوریتمی با سرعت اجرای مناسب، حدود سه چهارم از کل نواحی، به عنوان سالم، از فرآیند غربال گری حذف می شوند. در فاز دوم الگوریتم، نواحی کاندید عارضه ی عروق خونی غیرطبیعی، با ویژگی های بافتمتفاوت از فاز اول، با استفاده از دسته بند ماشین بردار پشتیبان، دسته بندی می شوند. در این فاز از ویژگی های بافت متفاوتی از فاز اول استفاده می شود. در نهایت فاز سوم به تمایز بین تصاویر دارای عارضه ی عروق خونی و تصاویر بدون عارضه، در سطح کلی، می پردازد. مهم ترین دلیل ترکیب و ایجاد سیستم چند فازی، کاهش پیچیدگی زمانی و مکانی است. برای ارزیابی سیستم پیشنهادی،علاوه بر بانک داده ی استاندارد etdrs، یک بانک تصویر بومی، تحت عنوانkhpdr، با همکاری متخصصین در بیمارستان خاتم النبیا مشهد ساخته و استفاده شده است. برای مقایسه با الگوریتم های پیشین، در برخی آزمایش ها از بانک etdrs استفاده شده است. البته برچسب گذاری این بانک داده منتشر نشده است. علاوه بر این سیستم پیشنهادی با استفاده از معیارهای حساسیت و اختصاصی بودن، با برچسب داده های محلی مورد ارزیابی قرار گرفته است. به عنوان یکی از دستاوردهایی که در این مرحله حاصل شد، امکان پذیری استفاده از توصیف گرهای بافت، در تشخیص عارضه ی عروق خونی غیرطبیعی می باشد. پایان نامه ی حاضر نتایج متنوعی را گزارش می کند. همچنین برخی نتایج به دست آمده نشان می دهد، کیفیت سیستم پیشنهادی از نظر زمانی و کارایی مطلوب است.

یکی از مسائل چالش برانگیز در بینایی ماشین شناسایی اشیا است که یکی از متدهای رایج در این زمینه، استفاده از اطلاعات عمق شی در صحنه می باشد. رهیافت های متنوعی به منظور اندازه گیری عمق اشیا در صحنه وجود دارد. روش انتخابی که در این تحقیق مورد توجه قرار گرفته است، روش تصاویر استریو است. در این دسته از متدها با داشتن حداقل دو تصویر از صحنه می توان به شناسایی اشیا پرداخت. از آنجایی که روش های با هزینه پایین ارجحیت دارند، از روش استریو دو دوربینی استفاده می شود که در آن تلاش می شود به آن دسته از نقاط ویژگی دست یافت که در هر دو تصویر بیانگر ناحیه یکسان و خاص از شی باشد. تا بحال الگوریتم های متفاوتی برای یافتن نقاط متناظر در دو تصویر با کمک این روش ارائه شده است. در بدست آوردن این نقاط یکی از مشکلاتی که وجود دارد اینست که در آنها اندازه بلاک ها برای تمامی پیکسل ها ثابت در نظر گرفته می شود که این باعث شده بدست آوردن نتیجه مطلوب براحتی انجام نشود. در این تحقیق سعی شده این مشکل تا جای ممکن بر طرف شود. نوآوری انجام شده در این تحقیق عبارتست از استخراج اندازه مناسب بلاک قبل از جستجو برای یافتن مشابه ترین بلاک برای یک پیکسل، که برای تحقق این هدف از معیارهای وایانس و اطلاعات لبه استفاده شده است. نتایج بدست آمده حاکی از آنست که با صرف زمان اندکی بهبود صورت یافته است. علاوه بر معیارهای گفته شده از تکنیک چند بلاکی نیز برای بهبود این الگوریتم ها استفاده شده است. این تکنیک نیز باعث شده نتایج بهبود یابند ولی این روش از لحاظ زمانی بسیار طولانی تر از روش های دیگر است. برای ارزیابی روش های پیشنهادی ابتدا نتایج به صورت شهودی با چند الگوریتم دیگر مقایسه شده اند. سپس به منظور مقایسه کمی درصد تعداد پیکسل هایی که خطای مطلق آنها بزرگتر از یک هستند برای سه ناحیه متفاوت آورده شده است، که این مقادیر برای سه ناحیه متفاوت به طور متوسط در بهترین الگوریتم پیشنهادی، به 15.68 درصد و در بدترین الگوریتم پیشنهادی به 17.71 درصد کاهش یافته اند. در انتها نیز الگوریتم ها از نظر زمانی با یکدیگر مقایسه شده اند.

بیماری دیابت یکی از شایع ترین بیماری های جهان است. یکی از سریعترین راه های تشخیص بیماری دیابت تحلیلعروق و عارضه های ناشی از صدمات وارده به عروقشبکیه چشم می باشد.رتینوپاتی دیابتی از عوارض بسیار شایع بیماری دیابت بر روی شبکیه ی چشم است که در صورت تشخیص دیر هنگام باعث کاهش دید و یا نابینایی فرد مبتلا می شود. در سال های اخیر تشخیص علایم بیماری از روی تصاویر گرفته شده از شبکیه چشم بیماران انجام می شود. تعداد فراوان بیماران و حجم انبوه تصاویر، نیاز به نیروهای متخصص و هزینه های غربالگری را افزایش داده است و به دنبال آن کیفیت تشخیص بیماری و رضایتمندی بیماران کاهش یافته است. یک سیستم غربالگری خودکار می تواند در رفع مشکلات ذکر شده تاثیر بسزایی داشته باشد. در این سیستم ها از تکنیک های پردازش تصویر برای تشخیص علایم بیماری استفاده می شود.ضایعات قرمزرنگ(میکروآنوریسم و خونریزی) از علایم اولیه ی بیماری رتینوپاتی می باشد. بنابراین تشخیص این علایم از اهمیت ویژه ای برخوردار است و می تواند از پیشرفت بیماری جلوگیری کند. در این پایان نامه، سیستمی خودکار برای تشخیص ضایعات قرمز رنگ ارائه داده شده است. این سیستم شامل یک مرحله ی پیش پردازش و دو فاز اصلی برای استخراج ضایعات قرمز است. در مرحله ی پیش پردازش، مشکلات موجود در تصاویر شبکیه، شامل کنتراست پایین و تفاوت رنگ تصاویر مختلف شبکیه رفع می شود. فاز اول با هدف افزایش سرعت الگوریتم طراحی شده است.در این فاز با استفاده از ویژگی های آماری و بافت بخش های از تصویر را که خصوصیات کاملا متفاوتی با ضایعات قرمز دارند، حذف می کنیم. در مرحله ی بعد با استفاده از تبدیل موجک مورلت و بازنمایی ضایعات قرمز در حوزه ی تبدیل، در زوایای مختلف و در چند مقیاس متفاوت ضایعاترا شناسایی می کنیم. برای ارزیابی سیستم پیشنهادی، از تصاویر بانک بیمارستان خاتم النبیا مشهد (mums) استفاده شده است. نتایج بدست آمده از این سیستم با نتایج استخراج شده توسط پزشک مقایسه شده است. همچنین کارایی سیستم مذکور، از نظر دقت و سرعت با تعدادی از الگوریتم های موجود، مورد ارزیابی قرار گرفته است. نتیجه مقایسه و ارزیابی نهایی، نشان می دهد که الگوریتم پیشنهادی از کارایی و سرعت مناسب در شناسایی ضایعات قرمز برخوردار می باشد و می تواند در یک سیستم خودکار غربالگری مورد استفاده قرار بگیرد.

نمونه برداری تعمیم یافته، چهارچوب خطی جدیدی است که برای نمونه برداری و بازسازی در فضاهای هیلبرت تفکیک پذیر بسط داده شده است و برخلاف بیشتر شیوه های رایج مانند نمونه برداری سازگار، این شیوه به روش های عددی کاملاً پایداری که هردو بازیابی و دقت را تضمین می کند منجر می شود‎.‎ در این پایان نامه، ابتدا نمونه برداری و بازسازی سازگار را معرفی می کنیم و برای غلبه بر مشکلات ذاتی بازسازی های سازگار، شیوه ی نمونه برداری تعمیم یافته معرفی می شود. در حقیقت، هدف اصلی این پایان نامه این است که آنالیز کاملی از نمونه برداری تعمیم یافته ارائه کنیم و کران های تیزی برای پایداری و خطای بازسازی به دست آوریم. همچنین شرط لازم و کافی، نرخ نمونه برداری پایدار، برای یک بازسازی خوب را معرفی می کنیم. ‎‎ در پایان، سوال بهینگی نمونه برداری تعمیم یافته را درنظر می گیریم. یعنی، این سوال را مطرح می کنیم: آیا شیوه ی دیگری می تواند عملکرد بهتری از نمونه برداری تعمیم یافته داشته باشد، و اگر این چنین است، در چه حالتی؟ با استفاده از کران های تیز، نشان می دهیم هیچ شیوه ی کاملی نمی تواند پایداری بهتری از نمونه برداری تعمیم یافته داشته باشد. نتیجه می گیریم نمونه برداری تعمیم یافته یک شیوه ی پایدار و بهینه برای مسئله ی بازسازی در مقابل کلاس شیوه های کامل است.

مسأله ی تشخیص اشیا در تصویر، هرچند موضوعی قدیمی است و تلاش های زیادی برای پیشرفت آن صورت گرفته است، اما همچنان مسأله ای پیچیده و زمینه ای فعال برای بسیاری از پژوهشگران است؛ چرا که با وجود پیشرفت های زیاد، هنوز روش های موجود، دقت و سرعت کافی جهت استفاده در بسیاری از کاربردهای پیچیده ی واقعی را ندارند. در سال های اخیر، برای استفاده از روش های مبتنی بر توجه دیداری، در کاربردهایی مانند تشخیص اشیا تلاش هایی انجام شده است. اما غالب این روش ها بدین گونه هستند که ابتدا نقشه ی برجستگی تصویر تولید شده و سپس بر اساس آن، از یکی از روش های موجود استفاده می شود. در واقع در این روش ها، نقشه ی برجستگی به عنوان یک پیش پردازش صورت گرفته و پیدا کردن اشیا یا حل مسلئل دیگر در مرحله ای جداگانه صورت می گیرد. در این تحقیق، استفاده از برجستگی به شکلی جدید انجام شده است. این روش می تواند منجر به کاهش قابل ملاحظه ی نواحی مورد پردازش برای یافتن هدف شود و در نتیجه زمان پیدا کردن اشیا را در تصویر rgbd به مقدار زیادی کاهش دهد؛ در عین حال دقت الگوریتم ارائه شده، هم چنان به اندازه ی بهترین روش های موجود برای این امر باقی می ماند. در این روش، نقاطی که به صورت پایین به بالا برجسته هستند به عنوان نقاط شروع الگوریتم در نظر گرفته می شوند و الگوریتم با شروع از این نقاط، نواحی را با توجه به برجستگی بالا به پایین آنها گسترش می دهد؛ به گونه ای که این گسترش برای اشیایی که شباهت زیادی به تصویر هدف دارند، بیشتر و برای تصاویر غیر مشابه بسیار کمتر انجام می شود. استفاده از تصاویر عمق و تصاویر رنگی در کنار هم می تواند منجر به افزایش قابل ملاحظه ی دقت الگوریتم های تشخیص اشیا شود. در سال های اخیر، برخی پژوهشگران، استفاده ی همزمان از این دو نوع تصویر را برای تشخیص اشیا بررسی کرده و نتایجی ارائه کرده اند که بیانگر بهبود دقت تشخیص بوده است. در اغلب کارهای انجام شده در این زمینه، تصویر رنگ و عمق به صورت جداگانه پردازش شده و تنها نتایج حاصل با یکدیگر ترکیب شده اند. در این پژوهش، روشی نوین برای بهره گیری از اطلاعات موجود در ترکیب این دو نوع تصویر ارائه و بررسی شده است.

افزایش کاربرد توجه بینایی در زمینه¬های مختلف علوم کامپیوتر و بینایی ماشین سبب ایجاد انگیزه¬های بیشتر برای طراحی این مکانیزم شده¬ است، از جمله این کاربردها می¬توان به بخش¬بندی هوشمند تصویر، بازیابی هدف در تصویر، فشرده¬سازی تصویر و غیره اشاره¬ کرد. توجه بینایی خصوصاً در 25 سال اخیر بسیار مورد اهمیت قرار گرفته است و مدل¬های متنوعی از آن نیز ایجاد گردیده است. توجه بینایی یک مفهوم کلی است که همه عواملی را که مکانیزم¬های انتخاب را متاثر می¬سازند پوشش می¬دهد چه آنها یک عامل بالا به پایین و یا عامل پایین به بالا باشند. بیشتر مدل¬های توجه، وابسته به عامل پایین به بالا است و واژه نواحی برجسته به این مدل¬ها اطلاق می¬شود و اکثریت در این حوزه به دلیل وجود روش¬های استاندارد و سادگی پیاده¬سازی آن¬ها می¬باشد. از این رو در این پایان نامه، تلاش شده است با ارائه دو روش پیشنهادی شناسایی نواحی برجسته 1- مبتنی بر تبدیل موجک ایستان و 2- مبتنی بر فیلتر میان گذر به بهبود روش-های گذشته بپردازیم و نتایج حاصل از این دو روش را با روش¬های دیگر مقایسه کنیم. نتایج شبیه¬سازی نشان می¬دهند که روش پیشنهادی1 علاوه بر دقت شناسایی مناسب توانسته از نظر سرعت نسبت به روش های نظیر بهتر باشد. همچنین نتایج حاصل از روش پیشنهادی2 بیانگر دقت بالای شناسایی نواحی برجسته در صحنه¬های ساده و شلوغ می¬باشد.

تخمین و ردیابی وضعیت یک ساختار مفصل‎دار بر اساس اطلاعات چند دوربین، از موضوعاتی است که در سال های اخیر کاربردهای متعددی داشته است. روش های ارائه شده برای این منظور، به دو دسته ی روش های مبتنی بر مارکر و بدون مارکر دسته بندی می شوند. روش های بدون مارکر از تصاویر ویدئویی به عنوان وروردی الگوریتم های خود استفاده می کنند. در حالیکه در روش های مبتنی بر مارکر، تعدادی مارکر بر قسمت های مختلف بدن فرد مورد ردیابی قرار گرفته و با استفاده از تعدادی دوربین کالیبره شده و به صورت همزمان از صحنه تصویربرداری می شود. هدف این پایان نامه، طراحی و پیاده سازی یک الگوریتم مبتنی بر مارکر است، که در آن ردیابی وضعیت بدن انسان از طریق بهینه سازی 45 پارامتر که بیانگر وضعیت بدن است صورت می گیرد. هدف این بهینه سازی، ماکزیمم کردن یک تابع کارایی است که میزان مطابقت وضعیت بدن و مکان دوبعدی مارکرها در تصاویر را، محاسبه می کند. در روش پیشنهادی، از یک نسخه ی تغییریافته ی الگوریتم pso به منظور جستجو در فضای پارامترهای وضعیت استفاده شده است. برخی از مهمترین چالش های این حوزه مربوط به مسئله ی انسداد اعضای بدن در مقابل یکدیگر، ابهام ناشی از نگاشت فضای سه‎بعدی به تصاویر دوبعدی و نیز تعداد زیاد پارامترهایی است که برای تعیین وضعیت صحیح بدن بایستی تعیین شوند. در روش پیشنهادی به منظور کاهش مشکل انسداد و ابهام از تصاویر چند دوربین، و برای کاهش مشکل ابعاد بالای فضای پارامترها، از تجزیه ی فضای جستجو استفاده شده است. به منظور ارزیابی از پایگاه داده ی pearاستفاده شده است. مقادیر میانگین و انحراف معیار و نیز معیارهای mmta و mmtp خطای تخمین برای حرکات موجود در پایگا ه داده ی فوق به ترتیب 12.23 میلی متر، 6.41 میلی متر، 98.17% و 10.06 میلی متر می باشد.

مدیریت ریسک به صورت کلی شامل فعالیت های شناسایی، تحلیل، اولویت بندی و کاهش ریسک می باشد. در این تحقیق سعی شده است تا با در نظر گرفتن سنجه های مرتبط با زمان و محیط پیرامون شبکه که بر روی قابلیت بکارگیری آسیب پذیری ها تأثیر می گذارند، رویکردی دقیق تر برای تحلیل ریسک های موجود در شبکه ارائه شود. همچنین با توجه به استقلال میان خسارات وارد شده بر روی دارایی های مختلف شبکه، رویکردی برای محاسبه ی ریسک در طول گراف حمله ی بیزی ارائه شده است. به منظور انجام کاهش ریسک، رویکردی یکپارچه و مقیاس پذیر برای نگهداری و بازنمایی اطلاعات مربوط به کنترل های امنیتی پوشاننده ی آسیب پذیری ها، ترکیبات مختلف آن ها و همچنین میزان تأثیرات آن ها ارائه می شود. سپس با توجه به محدودیت بودجه ی تخصیص یافته برای امن سازی شبکه، مجموعه ی بهینه ی کنترل های امنیتی شناسایی می شوند تا در صورت اعمال آن ها بیشترین سطح امنیت در شبکه ایجاد شود. در نهایت مدل ارائه شده را با مدل های کنونی از جنبه های دقت ارزیابی، کارایی و عملکرد مقایسه کرده و نشان می دهیم با بکارگیری مدل پیشنهادی نتایج بهتری بدست می آید.

در سال های اخیر، استفاده از تصاویر عمق و گستره در کاربردهای تلویزیونی و روباتیکی افزایش چشمگیری داشته است. تولید حسگرهایی ارزان که قابلیت تصویربرداری با سرعت 30 فریم در ثانیه را دارند، نیاز به فشرده سازی این تصاویر را بیش از پیش مطرح کرده است. روش هایی همچون jpeg2000 و h264 بخش های کم اهمیت و با فرکانس بالا را از تصاویر روشنایی حذف می کنند. در تصاویر عمق و گستره، این بخش ها متناظر با لبه ها و برای بازسازی دقیق هندسه ی محیط ضروری هستند. بنابراین، حفظ ویژگی های هندسی محیط باید هدف اصلی یک الگوریتم کارا در فشرده سازی این گونه تصاویر باشد. موجک های هندسی با هدف در نظر گرفتن ویژگی های جهتی تصاویر، ارائه شده و به بازنمایی تُنک تری دست پیدا کرده اند. در این پایان نامه، این موجک ها را از منظر فشرده سازی تصاویر عمق و گستره مورد بررسی قرار داده و روش هایی برای بهبود کیفیت و افزایش سرعت wedgeplatelets ارائه شده است. همچنین، روشی برای تطبیق wedgeplatelets با تصاویر گستره ارائه گردیده است. علاوه بر این، روشی برای استفاده از یک موجک هندسی غیروفقی که به طور خاص برای تصاویر گستره طراحی شده است، ارائه می شود.

بازشناسی انسان از ماشین در فضای سایبری و سیستم های خودکار همواره یکی از جالب ترین و در عین حال سخت ترین چالش های پیش روی متخصصان امنیت و پژوهشگران هوش مصنوعی بوده است. شناسایی، بررسی و پیاده سازی الگوریتم ها و ساختارهایی که بتوانند انسان و سیستم های کامپیوتری را به کمک روندی از سوالات تفکیک کنند، همواره در این حوزه مورد بررسی بوده است. استفاده های متعدد امنیتی (برای مثال جلوگیری از انجام عملیات به صورت خودکار و توسط یک روبات اینترنتی) و تعاملی، باعث مهم تر شدن استفاده از ابزارهایی برای بازشناسی انسان از ماشین شده است. یافتن نقاط قوت و تفاوت ادراکی انسان نسبت به ماشین، کلید طراحی این الگوریتم هاست. بر این اساس، از این سیستم ها تحت عنوان آزمون تورینگ عمومی کاملا خودکار برای بازشناسی انسان از ماشین یا captcha نام برده می شود. نکته قابل تامل در مورد کپچا، منطق پیشرفت آن است که در هر صورت مورد تمایل متخصصان امنیت و هوش مصنوعی است: طراحی یک کپچای جدیدتر و مقاوم تر، یک مساله سخت هوش مصنوعی را تعریف می کند که می توان از آن برای امن شدن سیستم های کامپیوتری استفاده کرد، از طرف دیگر حل و شناسایی این کپچا نیز باعث پیشرفت در زمینه ی هوش مصنوعی و الگوریتم های هوشمند خواهد شد. در این پایان نامه با انتخاب رویکردی جدید، به معرفی، طراحی و پیاده سازی یک کپچا مبتنی بر انگاره های بصری می-پردازیم و آن را از جنبه های امنیتی، پیاده سازی و کاربردی بررسی می کنیم. کپچای معرفی شده، با استفاده از انگاره های بصری، یک لایه ی امنیتی بیشتر به کپچا می افزاید و سعی می کند تا پیچیدگی مساله را برای مهاجمین - با حفظ جذابیت برای کاربر – افزایش دهد. در این پایان نامه، برای اولین بار، مدلی برای تولید و اندازه گیری انگاره های رنگی معرفی شده است که با به کارگیری آن، مناطق رنگی مورد نظر در کپچا به صورت انگاره ای تولید می شوند. در نهایت با برگزاری آزمون کپچا در بین 20 شرکت کننده، متوسط زمان پاسخ گویی، 15.64ثانیه و نرخ پاسخ های صحیح %75.6، نشان دهنده ی زمان پاسخ گویی مناسب و درصد پاسخ های صحیح متوسطی است که با توجه به این که این کپچا اولین نمونه در نوع خود (استفاده از انگاره های رنگی تولید شده به صورت خودکار) است، رضایت بخش تلقی می شود. برای کپچای پیشنهادی، نام illucaptcha که برگرفته از لغات illusionary به معنای انگاره ای و captcha است را برگزیدیم.

کنترل مداوم علائم حیاتی بیماران قلبی، که یکی از مهمترین آنها سیگنال ecg می باشد، از اهمیت ویژه ای برخوردار است. ارسال سیگنال ecg در شبکه یا ذخیره سازی آن، با چالش هایی نظیر محدودیت حافظه و پهنای باند مواجه می گردد. مهم ترین راهکار این چالش، فشرده سازی سیگنال ecg است. cs یک پروتکل بسیار ساده وکارآمد است، که از سیگنال در یک نرخ پایین نمونه برداری کرده و سپس به کمک محاسباتی قدرتمند، سیگنال اصلی را بازسازی می کند. افزایش تنکی و انتخاب درست نمونه ها توسط ماتریس نمونه گیری، منجر به بازسازی بهتر سیگنال بااستفاده از تعداد نمونه ی کمتر خواهد شد. هدف این پایان نامه، افزایش نرخ فشرده سازی سیگنال 15 کاناله قلب بااستفاده از cs است. در روش پیشنهادی برای تنک سازی، از روش pca استفاده شده است. همچنین برای تنک سازی بیشتر از، موجک bior4.4 استفاده شده است. در الگوریتم cs برای نمونه گیری از سیگنال به جای استفاده از ماتریس تصادفی گوسی معمولی، از یک ماتریس تصادفی گوسی وزن دار، استفاده شده است. درنهایت سیگنال ها بااستفاده از روش somp بازسازی شده اند. در روش پیشنهادی برای نرخ فشرده سازی 33، به طور میانگین برای 15 کانال، به prd معادل با 4 دست یافتیم.

استخراج و توصیف ویژگی از اساسی ترین مسائل بینایی ماشین و رباتیک می باشد. مشکلاتی مانند تغییرات روشنایی، حرکت دوربین، انسداد، درهم ریختگی و نویز این مسئله را چالش برانگیز کرده است.از طرف دیگر با پیشرفت تکنولوژی سنسورهای ارزان قیمتی که همزمان داده های عمق و رنگ از صحنه ایجاد می کنند، روی کارآمدند. بدین ترتیب امکان استفاده همزمان از اطلاعات عمق و رنگ برای هر دو گام استخراج و توصیف ویژگی ممکن شد.پژوهش های اخیر در زمینه تصاویر rgb-d به موضوع توصیف اطلاعات همسایگی نقاط کلیدی پرداخته اند. اما در این پایان نامه به هر دو گام استخراج و توصیف توجه شده است و راهکار جدیدی برای آن ارائه شده است. از آن جایی که اطلاعات عمق بسیار نویزی است، استفاده از آن برای استخراج نقطه کلیدی با شکست مواجه خواهد شد. بنابراین ابتدا اطلاعات عمق نظیر بردارهای نرمال و تغییرات آن محاسبه می شود. سپس با اعمال الگوریتم mser نواحی یکنواخت بدست می آیند. این نواحی به منظور مستقل شدن نسبت به تبدیلات افاین و چرخش به یک دایره نرمال سازی شده و سپس در جهت غالب گرادیان روشنایی دوران داده می شوند. درگام توصیف، هیستوگرام رنگ در مدل cielab در فضای قطبی-لگاریتمی ایجاد می شود. نتایج ارزیابی ها نشان می دهد روش پیشنهادی نسبت روش هایی نظیر brand و surf از حیث precision و recall عملکرد بهتری دارد.

در این پایان نامه، ما در ابتدا دسته بندی و نگرشی کلی از روش های تقطیع تصاویر رنگی ارائه دادیم و در ادامه روی این موضوع بحث کردیم که اگر در کنار داده ی رنگ، داده ی عمق هم داشته باشیم، روش های موجود چه تغییراتی پیدا خواهند کرد و چه روش های جدیدی به وجود خواهد آمد. از آنجا که حسگر های زیادی برای جمع آوری اطلاعات محیط پیرامون یک روبات متحرک وجود دارد، بر آن شدیم تا مسئله خود را به صورت محدود روی حسگر کینکت ماکروسافت و داده های عمق و رنگی که از این حسگر در اختیار ما قرار می گیرد، بررسی کنیم. این حسگر با توجه به جدید بودن فناوری آن، در مقایسه با سایر حسگر های نظیر خود، وزن و اندازه ی کمتری دارد و به همین دلیل کار های زیادی در سال های اخیر به داده های این حسگر تخصیص یافته است. ما در این پایان نامه در فصل چهارم، ساختار این حسگر و سازوکار تخمین عمق آن را به صورت محدود بررسی می کنیم و یک روش پیشنهادی برای هموار سازی این گونه تصاویر به صورتی که نقاط با ارزش و گوشه برای ما از گرد شدن محفوظ بمانند، ارائه می دهیم و برای روش پیشنهادی تقطیع خود، از این داده ی هموار شده به جای داده ی خام حسگر کینکت استفاده می کنیم. سپس روش پیشنهادی خود را برای تقطیع تصاویر rgb-d به این صورت پیشنهاد می دهیم: روش پیشنهادی ما برای تقطیع تصویر، بر اساس مدل احتمالاتی آماری مدل تصادفی مارکوف است که سعی کردیم با اضافه کردن محدودیت هایی که از تصویر عمق و هندسه محیط به مسئله اضافه می کنیم به تقطیع مناسبی از صحنه برسیم که مورد استفاده روبات برای سایر اعمال خود مانند تشخیص اشیاء یا بازسازی سه بعدی محیط قرار گیرد. از این رو در ابتدا سعی کردیم تا با توجه به اطلاعات هندسی محیط و همچنین رنگ به اَبَر پیکسل هایی از صحنه برسیم که برای مقدار دهی اولیه به مسئله مورد استفاده قرار می گیرد. این اَبَر پیکسل ها با توجه به لبه های موجود در تصاویر رنگی و همچنین لبه هایی از صحنه که جهت بردار نرمال در همسایگی آن تغییر محسوسی می کند بدست آمده است. در ادامه با توجه به ماهیت مسئله خود، تابع انرژی مورد استفاده در مدل تصادفی مارکوف را با اضافه کردن اجزاء به آن شکل می دهیم. بنابراین با تعریف تابع انرژی مناسب، به دنبال استفاده از یک مینیموم کننده تابع انرژی بهینه هستیم که با توجه به تابع انرژی تولید شده توسط ما، بتواند در نزدیکی مینیموم اصلی تابع و در زمان معقول و مناسب، متوقف شود. خروجی که این مینیموم کننده تابع انرژی به ما می دهد، همانطور که در فصل های گذشته بحث شد، برچسب ها و قطعات تصویر ما هستند. با توجه به نتایج بدست آمده و مقایسه آن با روش ها و کار های دیگر از نظر دو مقیاس فاصله هاستورف و روش هوور، روش پیشنهادی ما برای تقطیع تصویر، نتایج را بهبود بخشیده است و در انتها به تقطیع بهتری از محیط با توجه به هندسه محیط دست یافته است.

در این پایان نامه به مطالعه ی طرحواره ی ترفیع که روشی جدید برای ساختن موجک های دومتعامد با ویژگی های مناسبی نظیر: گشتاورهای میرا، تقارن، همواری، انتظام و ... می باشد، می پردازیم و مزایای استفاده از طرحواره ی ترفیع را بیان کرده و انواع ترفیع را به اجمال بررسی می کنیم.

یادگیری چند عامله ، فصل مشترک مبحث نسبتا قدیمی یادگیری ماشین و رویکرد جدید چندعامله در هوش مصنوعی است. با مطرح شدن این موضوع در بسترهای تحقیقاتی سیستم های هوشمند، مسائل جدیدی شکل گرفتند که تا پیش از آن مورد مطالعه واقع نشده بودند. از جمله چنین مسائلی فرایند تقسیم امتیاز در تیمی از عاملهای یادگیر تقویتی است.دراین پژوهش ایده تقسیم امتیاز مبتنی بر دانش مطرح شده ، در قالب شبیه سازی یک سیستم نمونه و نیز پاره ای محاسبات تئوری بررسی می شود. برای این منظور وظایف موازی در محیط قطعی در نظر گرفته شده اند. نشان داده میشود که در صورت استفاده از سوابق یادگیری عاملها برای قضاوت در مورد درستی یا نادرستی اعمال آنها مساله مذکور تاحدی قابل حل است. برای حفظ سابقه یادگیری یا بیان میزان دانش عاملها معیارهای مختلفی مطرح و بررسی می شوند. همچنین نقش اطلاعات جنبی در دسترس عامل نقاد به صورت جداگانه مورد مطالعه قرار می گیرد. علاوه براین روش پیشنهادی با روشهای مقدماتی و ایده آل مقایسه شده ، اثر نایقینی در امتیاز گروهی بر کیفیت کار آن مطالعه می شود.