در این پایان نامه تعاریف نظیر تابع گاما، بتاو میتاگ-لفلر معرفی ودرادامه مشتق وانتگرال کسری گرانولد-لتنیکوف،ریمان-لیوویل وکاپوتو را تعریف نموده وخواص و ارتباط بین آنها را مطرح کردیم.روش های عددی برای حل دستگاه معادلات دیفرانسیل کسری را با چند مثال توضیح دادیم.در نهایت روش تجزیه لاپلاس رابرای حل معادلات دیفرانسیل کسری بیان نمودیم.

امروزه مشتریان عمومی آب بر این باورندکه وقتی شیرهای آب را باز می کنند آب سالم با فشار مناسب توسط یک سیستم توزیع آب دراختیارشان قرارخواهدگرفت. سیستم های عرضه ی آب شهری، بخش اساسی و زیربنای عمومی یک شهر را تعیین می کند، لذا باید هزینه های زیادی را در دوره های مختلف برای احداث، نگهداری و تعمیرات آن پرداخت نمود. منظور از مدل سازی شبکه، کاهش هزینه های سرمایه گذاری و نحوه ی حرکت بهینه ی جریان در شبکه برای حداقل کردن هزینه های متغیر است. موضوع این پایان نامه، مینیمم سازی هزینه ی برنامه ریزی عملیاتی شبکه های آب پرفشار در یک افق زمانی محدود با در نظر گرفتن میزان مصرف است. در فصل اول تعاریف و مفاهیم تابع غیرخطی و بهینه سازی و انواع مدل مطرح شده است. در فصل دوم به بررسی تاریخچه ی شبکه ی آب و آشنایی با انواع شبکه ی آب پرداخته شد. در ادامه و در فصل سوم مدلسازی ریاضی عناصر شبکه ی آب و بهینه سازی آن ها انجام شد و در فصل آخر مدل های جامع و بهینه ی شبکه ارایه گردید. در این پایان نامه ما مدل های ریاضی را برای برنامه ریزی عملیاتی در شبکه های آب نوشیدنی توسعه دادیم و برای پمپ ها و سوپاپ ها ، فرمول عدد صحیح ترکیبی غیرخطی را مطرح کردیم بدون اینکه عبارات m بزرگ یا غیرخطی بودن اضافی را ارایه کنیم.

یک شبکه حسگر متشکل از تعداد زیادی گره های حسگری است که در یک محیط به طور گسترده پخش شده و به جمع آوری اطلاعات از محیط می پردازند. لزوماً مکان قرار گرفتن گره های حسگری، از قبل تعیین شده و مشخص نیست. چنین خصوصیتی این امکان را فراهم می آورد که بتوانیم آنها را در مکان های خطرناک و یا غیرقابل دسترس رها کنیم. بطور کلی خصوصیات یک شبکه حسگر به شرح زیر است[1,2]: 1. ارتباطات رادیویی با برد کم و مسیر یابی چندگامه 2. توزیع شبکه با تعداد گره زیاد و همکاری بین گره ها 3. تغییرات پیاپی توپولوژی شبکه بواسطه خرابی یا اتمام انرژی گره ها 4. محدودیت در انرژی، توان ارسال ،حافظه و توان محاسباتی این خصوصیات و بالاخص 3 خصوصیت آخر شبکه های حسگری را از شبکه های موردی و mesh متمایز مینماید.پیشترفت شبکه های حسگر، سه تکنولوژی از سه حوزه را نیاز دارد: تکنولوژی درک محیط ،ارتباطات و محاسبات(شامل سخت افزار، نرم افزار و الگوریتم). پیشترفت هر یک از این حوزه ها، به پیشرفت در شبکه حسگر منجر می شود. کاربردهای مختلف این شبکه ها ، بعضی نیازمندی های مشترک هم دارند. مثلا یک گره باید انرژی بسیار اندکی مصرف کند تا مدت زمان طولانی تری بتواند به کار ادامه دهد. انتقال پیامها بین گره ها باید در چند گام ، بوسیله گره های میانی صورت پذیرد ، تا لازم نباشد محدوده ارسال هر گره خیلی زیاد باشد[3]. ضمنا انجام محاسبات باید توزیع شده باشد تا عمر کل سیستم بالا رود. هر گره حسگر تنها می تواند مقدار محدودی اطلاعات را پردازش کند. اما وقتی تعداد زیادی گره به صورت هماهنگ به تبادل اطاعات بپردازند ، توانایی نظارت بر یک محیط فیزیکی، با جزئیات هر چه بیشتر، را پیدا می کنند. پس یک شبکه حسگر می تواند به عنوان مجموعه ای از گره های حسگر که برای انجام کار خاصی با هم همکاری دارند تعریف شود. بر خلاف شبکه های سنتی، شبکه های حسگر به آرایش متراکم و همکاری برای انجام دادن وظیفه شان نیاز دارند.

تشخیص لبه یکی از مهمترین مباحث پردازش تصویر است. اساسی ترین مسئله که در مرحله ی پیش پردازش تصویر باید مورد بحث قرار گیرد، تحلیل و تجزیه بینایی است که به طور کلی درخصوص شناسایی محدوده و جزئیات مهم در مورد یک تصویر می باشد. بنابراین، این تکنیک در شناسایی و قطعه بندی اشیا به تحلیل پردازش های سطح بالا کمک می کند. مهمترین گام در تشخیص لبه که موفقیت دستیابی به نقشه لبه به آن وابسته است، تعیین آستانه می باشد. در این تحقیق سعی می شود برای تشخیص لبه از الگوریتم کلونی مورچه الهام گرفته و از آن به عنوان بهینه سازی کلونی مورچه یاد می شود. برای تعیین محاسبه آستانه از تکنیک جدید نسبت فیشر ، استفاده می شود. برای ارزیابی این طرح، پارمترهای آماری در چند تصویر نمونه در آزمونی تجربی مورد مقایسه قرار می گیرند. در هنگام استخراج ویژگی های مهم یک تصویر، سعی می شود تا جای ممکن اطلاعات غیرضروری و بی اهمیت کنارگذاشته شود. روش های بسیاری برای حذف اطلاعات اضافی دراین زمینه مورد استفاده قرار می گیرند، اما قابل اعتمادترین و رایج ترین آن ها روش تخصیص آستانه طول موج با استفاده از آستانه سخت است. روش جدید پیشنهادی در این پایان نامه روی تصاویر بدون نویز آزمایش می شود. شناسایی لبه ی تصاویر بدون نویز نتیجه بهتری نسبت به شناسایی لبه در تصاویر معمولی را نشان می دهد. واژه های کلیدی: بهینه سازی کلونی مورچه ، تشخیص لبه، نسبت فیشر، حذف نویز، آستانه، ارزیابی آماری.

از زمان روی کار آمدن روش های مجموعه ی سطح به عنوان ابزارهای انتشار مقابل و اولین استفاده از آن ها درقطعه بندی لبه ای در اوایل دهه ی 90 این روش ها به طور فزاینده ای به عنوان یک زیرساخت کلی برای قطعه بندی تصویر معروفیت پیدا کردند. در این مقاله، ما طبقه ی خاصی از متدهای قطعه بندی مجموعه ی سطح ناحیه محور را ارائه خواهیم کرد و توضیح می دهیم که چگونه می توان همگی آن ها را از یک زیرساخت آماری متداول استخراج کرد. هدف از طرح های قطعه بندی ناحیه محور تکه بندی دامنه ی تصویر با تناسب دهی دائمی مدل های آماری با شدت رنگ، بافت یا حرکت در هر یک از مجموعه های مناطق مختلف است. در مقابل طرح های لبه ای مانند اسنیک های کلاسیک، متدهای ناحیه محور از حساسیت کمتری نسبت به نویز برخوردار هستند. برای برخی تصاویر، توابع هزینه ی متناظر، مینیمم محلی کمتری دارند که همین عامل آن ها را بخوبی مناسب متدهای بهینه سازی محلی مانند متدهای مجموعه ی سطح می سازد. در ادامه، توضیح خواهیم داد که چگونه ادغام معیارهای سطح پایین مختلف به مجموعه ای از توابع هزینه منتهی می شود و اشاره ای نیز به روابط میان طرح های قطعه بندی مختلف خواهیم داشت. در زمینه ی نتایج تجربی، نشان می دهیم که چطور تابع مجموعه ی سطح در راستای تکه بندی صفحه ی عکس به دامنه هایی با رنگ یکسان، بافت، بافت دینامیک یا حرکت مورد استفاده قرار می گیرد. علاوه بر این، فرمولبندی بیزی امکان استفاده از دانش شکلی قبلی در متد مجموعه ی سطح را می دهد. همچنین مرور مختصری بر پیشرفت هایی که در این زمینه انجام گرفته اند خواهیم داشت.

پیشرفت‏هایی که در سیستم‏های پردازش ویدئویی صورت گرفته، امکان توسعه کنترل و مدیریت شهری و حمایت از امنیت عمومی جاده را فراهم آورده است. در این بین سیستم‏های بینایی کامپیوتر برای ساخت تجهیزات و کنترل اتوماتیک ترافیک مورد توجه قرار گرفته است. در این رساله ما از تکنیک‏های پردازش تصویر برای کنترل ترافیک هوشمند با استفاده از یک دوربین ثابت بهره برده‏ایم. بر خلاف روش های سنتی که خودروها را فقط به دسته سواری و غیر سواری تقسیم می کردند، روش بررسی شده قابلیت خوبی برای تقسیم بندی خودروها به دسته های بیشتر را با استفاده از خصوصیت "خطی بودن " دارد. این سیستم قادر به تشخیص، ردیابی و طبقه‏بندی وسایل نقلیه و به دست آوردن پارامترهای ترافیکی می‏باشد. در این سیستم روشی برای تشخیص خطوط ارائه می‏شود. انسدادهای به وجود آمده از سایه ها که باعث ایجاد مشکل در شمارش و طبقه بندی خودروها می شود از بین برده می شوند. خطوط جداکننده پیدا شده به نرمالسازی خصوصیات خودروها کمک می‏کنند که می‏تواند سایز خودرو را ثابت و دسته‏بندی خودورها را دقیق‏تر کند.

فناوری شناسایی چهره انسان در تصاویر، مهم ترین فرآیند در کاربردهایی نظیر ویدئو نظارتی، رابط کامپیوتری انسان، تشخیص چهره و مدیریت پایگاه داده تصاویر است. فاکتورهای گوناگونی نظیر جلوه نور، موقعیت و چرخش، فاصله شی و پس زمینه پیچیده در شناسایی چهره تاثیر گذارند. با توجه به تفاوت در شدت نور، پس زمینه، زاویه دید و حالت صورت، مسئله شناسایی چهره ماشینی، پیچیده است. الگوریتم های زیادی برای شناسایی چهره معرفی شده اند که مهم ترین چالش آن ها، بالا بردن نرخ تشخیص صحیح و پایین آوردن نرخ تشخیص غلط است. به طورکلی الگوریتم های شناسایی چهره به دو نوع شناسایی مبتنی بر خصیصه و مبتنی بر تصویر تقسیم می شوند که با توجه به محاسبات زیاد و پیچیده ای که نیاز دارند، موازی سازی این الگوریتم ها برای دستیابی به کارایی بالا بر روی واحد پردازش گرافیکی که معماری اجرای موازی را داراست و نسبت به واحد پردازش مرکزی (cpu)، ظرفیت محاسبه بالاتری دارد، ایده مناسبی است. این کار را می توان بر روی چندپردازنده مرکزی، پردازنده های گرافیکی و یا ترکیبی از پردازنده های مرکزی با پردازنده های گرافیکی انجام داد. در این پایان نامه به بررسی شناسایی چهره با استفاده از واحد پردازش گرافیکی می پردازم.

تصادفات درون شهری حتی با سرعت نسبتاً پایین با عابر پیاده اغلب کشنده است. زیرا با توجه به شلوغ و پیچیده بودن محیط شهری، رانندگان در حین رانندگی بجای تمرکز به مسیر رانندگی ممکن است به طورناخوداگاه و یا خودآگاه به قسمت هایی از محیط که برایشان جالب به نظر می رسد متمرکز شوند. این حالت مشکلی را ایجاد می کند و آن این است که راننده به وضوح چیزهای دیگر را نادیده می گیرد. اگر عابران پیاده بتوانند به موقع شناسایی شوند، تصادفات به حداقل می رسد. ازاین رو یکی از مهم ترین اهداف در طراحی خودروهای هوشمند، عامل امنیت عابران پیاده است. الگوریتم های مختلفی برای شناسایی و طبقه بندی حالت قرارگیری عابران پیاده وجود دارد که اکثر آن ها با انجام محاسبات پیچیده ای بر روی تصاویر محیطی، به استخراج خصیصه های آن می پردازند. لذا می توان از پردازش موازی به منظور تسریع محاسبات بهره برد. در این پایان نامه، شناسایی و طبقه بندی حالت قرارگیری عابر پیاده با استفاده از واحد پردازش گرافیکی مورد بررسی قرار می گیرد.

منظور از خصیصه های چهره، نقاط اجزای چهره مانند ابروها، بینی، چشم ها، چانه و لب است. این نقاط، در ردیابی و طراحی سه بعدی چهره مورد استفاده قرار می گیرند. روش ارایه شده برای پیدا کردن خصیصه های صورت با استفاده از فیلتر گابور براساس طبقه بندهای ارتقایافته، بیست نقطه از خصیصه های چهره را پیدا می کند. قبل از انجام این فرآیند لازم است تا فرآیند شناسایی چهره توسط الگوریتم ویولا-جونز انجام گیرد. شناسایی چهره یک فناوری کامپیوتری است که مکان چهرهای انسان ها را در تصاویر مشخص می کند. شناسایی چهره دسته ای از کلاس شناسایی اشیا است. در کلاس شناسایی اشیا، هدف پیدا کردن مکان اشیا در یک تصویر است مانند شناسایی اتومبیل، درخت، بدن انسان و غیره. الگوریتم های شناسایی چهره اولیه تنها چهره ها را از نمای جلو شناسایی می کنند، ولی الگوریتم های جدیدتر قادر به شناسایی چهره از نماهای مختلف هستند.