امروزه سیستم‏های اطلاعاتی بسیار گسترده و پیچیده شده‏اند و نگهداری از آن مسئله ی پراهمیتی به شمار می رود که تحت عنوان تشخیص نفوذ قرار دارد. تشخیص سوء استفاده و ناهنجاری ، دو رویکرد گسترده برای مواجهه با این مسئله هستند. در این پژوهش یک سیستم وفق پذیر و ترکیبی از این رویکردهای تشخیص سوء استفاده و تشخیص ناهنجاری جهت بهره بردن از مزایای آنها ارائه شده است. برای نیل به این هدف در مرحله ی اول یک سیستم ایمنی مصنوعی با استفاده از ماشین آتاماتای یادگیر مبتنی بر پراکندگی حداکثر برای تولید پروفایل نرمال و تشخیص دهنده های ناهنجاری به صورت وفق پذیر ارائه شده است تا رفتار غیرنرمال سیستم تشخیص داده شود. علاوه براین به دلیل اینکه اغلب سیستم های تشخیص ناهنجاری، اطلاعات سطح بالایی در مورد حملات جدیدی که سیستم را هدف قرار می دهند، به مدیر امنیتی ارائه نمی کنند و به گزارش فعالیت غیرنرمال به سادگی بسنده می کنند، در این پژوهش راهکاری برای فراهم آوردن چنین اطلاعات سطح بالایی پیشنهاد شده است. بدین منظور پس از مرحله ی نخست، یک مدل یادگیری تقویتی مبتنی بر نظریه ی تشدید انطباقی فازی پیشنهاد شده است تا نمونه های غیرنرمال حاصل از مرحله ی اول را در رسته ایی طبقه بندی کند که مشخصات مشابهی را به اشتراک می گذارند. بدین ترتیب اطلاعاتی در مورد نوع حمله ی احتمالی بدست می آورد. شبیه سازی ها انجام شده برای آزمایش رویکرد پیشنهادی در این پژوهش روی مجموعه داده های kdd99 و nsl-kdd با استفاده از روش آزمون k-fold و k برابر 5 صورت گرفته است. نتایج بدست آمده نشان دهنده ی موثر واقع شدن مدل پیشنهادی در تشخیص حملات علی الخصوص روی حملات u2r و r2l به میزان %50 و %89 بوده است.

پیش بینی در بازار بورس یکی از مهم ترین مباحث مطرح در اقتصاد و تجارت است. پیش-بینی و ارائه رویکردی برای معامله در زمان مناسب، در میزان دستیابی به بازده مالی اهمیتی بسزا دارد و داده های پر نوسان، نا ایستا و نامنظم بازار سهام حوزه ای پرچالش برای پژوهشگران محسوب می شود. هدف این پژوهش ارائه ی روشی برای کمک به تصمیم گیری در معاملات بازار بورس ارائه است و با به کار گیری ابزار های محاسبات نرم و تحلیل تکنیکی، سه مدل پیشنهاد شده است. سیستم پیشنهادی اول به پیش بینی قیمت سهام روز بعد سهام با استفاده از شبکه عصبی پرداخته و از آن برای ارائه راهکار معاملاتی بهره می برد. سیستم پیشنهادی دوم، سیستم استخراج خودکار قوانین معاملاتی است و سیستم سوم پیشنهاد دهنده سیگنال معاملاتی با ارائه میزان قطعیت است که مبتنی بر تشخیص الگو با استفاده از شبکه های عصبی و تحلیل تکنیکی است. کارآیی سه سیستم پیشنهاد شده با راهبرد خرید و نگهداری و برنامه ریزی ژنتیک مقایسه شده است. مقایسه بازده میانگین سیستم ها نشان داد که هر سه روش پیشنهادی در این پژوهش، از راهبرد خرید و نگهداری و همچنین روش برنامه ریزی ژنتیک برتر عمل نموده اند. بازده راهبرد خرید و نگهداری با میزان بازده 1.93-% کمترین بازده را در بین مدل های سرمایه-گذاری مورد بحث کسب نمود. مدل برنامه ریزی ژنتیک بازده 4.08% را کسب نمود و بعد از راهبرد خرید ونگهداری، کمترین بازده را حاصل نمود. سیستم های پیشنهادی اول، دوم و سوم به ترتیب دارای بازده های میانگین 7.68%، 15.61% و 32.11% بودند. سیستم پیشنهادی سوم بهترین بازده را در بین سیستم های معرفی شده داشت و در رتبه های بعدی بازده میانگین، به ترتیب سیستم پیشنهادی دوم و اول قرار دارند.

سیستم های توصیه گر امروزه به طور وسیعی در کمک رساندن به کاربران جهت یافتن نیازمندی های خود از میان حجم بسیار عظیم اطلاعات که به طور مکرر قابل دسترس اند، مورد استفاده قرار می گیرند. سیستم توصیه گر از نوع پالایش مشارکتی،کاربرانی را که هم عقیده با کاربر فعال هستند، می یابد و سپس اقلام مورد علاقه آنها را به وی توصیه می کند. . الگوریتم ژنتیک یکی از روشهای جستجو و بهینه سازی قدرتمند محسوب می شود و در حل مسائل پیچیده و زمانبر می توان از الگوریتم ژنتیک موازی بهره مند شد. الگوریتم ژنتیک موازی مدل جزیره ای، انعطاف پذیری بیشتری در میان سایر روشهای الگوریتم ژنتیک موازی از خود نشان می دهد و بیشتر برای حل مسائل کاربردی مورد استفاده قرار می گیرد. در این پایان نامه برای تعیین نرخ مهاجرت و اینکه چه افرادی مهاجرت نمایند،روش مهاجرت ماکزیمم- مینیمم شایستگی (max-min) پیشنهاد گردیده است. این تحقیق روش های اقلام محور در پالایش مشارکتی را به دلیل رفع محدودیت های مقیاس پذیری و تهاجم مالی و نیز بهبود نتایج نسبت به روش های کاربر محور، پیشنهاد می نماید. ما برای بهبود نتایج، یک جستجوی محلی پیرامون جواب بهینه نیز انجام داده ایم. در نهایت ما با توجه به حجم بسیار بالای دادگان و وجود اطلاعات نادرست در سیستم، تصمیم به خوشه بندی مجموعه دادگان گرفتیم. روش خوشه بندی بر اساس چگالیdbscan را به دلیل داشتن مزایایی از این قبیل که تعداد خوشه ها به صورت اتوماتیک همزمان با عمل خوشه بندی تعیین می شود و نیز کارآمدی بالا در تشخیص اطلاعات نادرست، مورد استفاده قرار دادیم. استفاده از این روش بهبود نتایج خطا و پوشش را در رویکردهای مبتنی بر کاربر و رویکردهای مبتنی بر قلم، داشته است.

امروزه در پزشکی مدرن استفاده از تصاویر mri برای جداسازی و سه بعدی سازی اجزای مغز در جهت آنالیز کمی بافت های مغزی مورد توجه قرار گرفته است آنالیز مربوطه منجر به بهبود تشخیص صحیح بیماری و در نتیجه درمان موثر آن می گردد. بیماری آلزایمر از جمله بیماری هایی است که با کمک آنالیز بافت های مغز بخصوص هیپوکمپوس قابل شناسایی است. هیپوکمپوس بخشی از سیستم لیمبیک مغز است که در برخی از بیماری های مغزی دچار تغییرات حجمی و ساختاری می شود. از سال 1995 تحقیقات زیادی در جهت قطعه بندی هیپوکمپوس انجام شده است. اخیراً سعی شده است که با کمک روش های آنالیز حجم و شکل (مانند استفاده از توابع موجک و هارمونیک کروی) و تعیین نقصان هیپوکمپوس برای تشخیص بیماری هایی مانند آلزایمر، صرع، شیزوفرنی و مانند آن استفاده شود. بیماری آلزایمر از جمله بیماری هایی است که منجر به کاهش حجم و تغییر شکل هیپوکمپوس در مراحل مختلف بیماری می شود. کاهش نامحسوس حجم هیپوکمپوس یکی از مشکلات پیش رو در تشخیص این بیماری در مراحل اولیه آن است که این مشکل با استفاده از پایش تغییرات شکل هیپوکمپوس مرتفع می گردد. بنابراین در این تحقیق، روشی توسعه یافته جهت مدل سازی شکل هیپوکمپوس بر اساس ضرایب توابع موجک کروی و استفاده از این ضرایب برای سیستم های دسته بندی مختلف مانند ماشین بردار پشتیبان و شبکه عصبی پِرسپترون، ارائه می شود. روش پیشنهادی مشتمل بر چندین مرحله است. در مرحله اول جداسازی هیپوکمپوس از تصاویر مختلف انجام می شود. سپس، در مرحله ی دوم، با مشبندی هیپوکمپوس ها و یکسان سازی و اصلاح آن ها به توزیع یکنواخت گره ها بر روی مش ها پرداخته می شود. در مرحله ی سوم، مشبندی مجدد و تراز کردن شکل ها در جهت تحقق به یک شکل میانگین صورت می پذیرد. در ادامه، با اعمال توابع موجک بر روی شکل میانگین و استفاده از ضرایب موجک بدست آمده به عنوان ورودی های ماشین بردار پشتیبان و شبکه عصبی پرسپترون، جدا سازی افراد بیمار از سالم صورت می گیرد. درنهایت بهبود دقت روش پیشنهادی در مقایسه با روش های متداول پیشین مورد بررسی قرار گرفته است.