امروزه شبکه‌های جهانی وب تبدیل به یکی از ابزارهای مورد نیاز بشر شده‌اند که توسط کاربران بسیاری در سراسر جهان مورد استفاده قرار می‌گیرند. مساله‌ای که در این حوزه وجود دارد گستردگی بسیار زیاد اینترنت و مطالب آن است که این گستردگی روز به روز و با سرعت بسیار زیاد در حال افزایش است. اکنون یکی از مشکلاتی که پدید می‌آید، اتلاف وقت کاربران برای دستیابی به کالا ها و خدمات مورد نیاز آن‌ها است و ممکن است در بسیاری مواقع کالا یا خدمت مورد نیاز خود را پیدا نکنند، در نتیجه ارائه و پیشنهاد کالا یا خدمات مناسب به کاربران در زمینه های مختلف مطابق با نیازها آن‌ها امری بسیار حیاتی محسوب می گردد و یکی از روش های بسیار پرکاربرد برای این مساله استفاده از سیستم های توصیه‌گر می‌باشد. ?سیستم‌های توصیه‌گر به منظورجلوگیری از اتلاف وقت کاربران، محصولاتی را به آنها پیشنهاد می‌کنند که به احتمال زیاد مورد علاقه آن‌ها هستند و هنوز آن‌ها را ندیده‌اند. الگوریتم پالایش گروهی به عنوان یکی از معروف ترین و پرکاربرد ترین الگوریتم‌ها برای پیاده سازی یک سیستم توصیه‌گر شناخته می‌شود. سیستم‌های مبتنی بر این الگوریتم بر اساس سوابق جستجو و ابراز علاقه‌مندی کاربر به کالا‌ها و خدمات مختلف و با توجه اطلاعات دریافتی از دیگر کاربران با علاقه‌مندی‌های مشابه به کاربر هدف پیشنهادات جدیدی را ارائه می‌کنند. سیستم‌های توصیه‌گر اغلب با چالش مهمی به نام تنکی داده‌ها مواجه هستند، زیرا ماتریس‌های تعامل کاربر–اقلام در پیاده‌سازی‌های واقعی معمولاً بیش از ??? تنک هستند. این مسئله تاثیر منفی بر دقت و کارایی توصیه‌ها دارد، به‌ویژه برای کاربران جدید و محصولات خاص یا کم‌تعامل. در حالی که روش‌های موجود تلاش می‌کنند با افزودن اطلاعات جانبی یا تغییر در طراحی سیستم اثر تنکی داده را کاهش دهند، اغلب مشکل اصلی یعنی کمبود داده‌های تعاملی را نادیده می‌گیرند. در این پژوهش، یک چارچوب جدید معرفی می‌شود که از یک مدل دیفیوژنی برای تولید امتیازدهی‌های مصنوعی با کیفیت بالا در سیستم‌های توصیه‌گر استفاده می‌کند. به طور مشخص، از یک مدل دیفیوژنی طراحی‌شده برای داده‌های جدولی استفاده می‌کنیم تا توزیع مشترک و پیچیده‌ی سه‌تایی‌های کاربر–اقلام–امتیاز را یاد بگیرد و سپس امتیازهای مصنوعی تولید کند که از نظر آماری سازگار هستند. برای تضمین کیفیت امتیازهای تولیدشده، یک روش نوآورانه برای شناسایی نویز بر اساس تحلیل الگوهای رفتاری پیشنهاد می‌کنیم. این روش امتیازهایی را که با ترجیحات کاربران و ویژگی‌های آیتم‌ها همخوانی ندارند، شناسایی کرده و حذف می‌کند. برای ارزیابی کارایی چارچوب پیشنهادی، از مدل‌های پالایش گروهی سنتی و پالایش گروهی مبتنی بر شبکه‌های عصبی استفاده شده است. آزمایش‌ها روی دو مجموعه‌داده واقعی با سطوح مختلف تنکی داده (با نگهداشت داده از 5% تا ???%) انجام شد و بهبودهای قابل‌توجهی را نشان داد. به طور خاص، پالایش گروهی سنتی می‌تواند خطای RMSE را تا ??% کاهش دهد و نیز پوشش امتیازدهی را تا ?? % افزایش دهد. همچنین، پالایش گروهی عصبی پاسخ‌های دقیق‌تر و ظریف‌تری ارائه می‌دهد و زمانی بیشترین کارایی را دارد که نسبت افزایش داده پایین باشد. این موضوع نشان می‌دهد که مدل‌های مختلف به انواع متفاوتی از افزایش داده نیاز دارند.   

   هدف این پژوهش، طراحی و پیاده‌سازی چارچوبی هوشمند و کارآمد برای تشخیص نفوذ در دستگاه‌های اینترنت اشیا با استفاده از رویکرد نوین یادگیری فدرال [1](FL) است. با گسترش روزافزون اینترنت اشیا در حوزه‌هایی نظیر سلامت، صنعت، کشاورزی و شهرهای هوشمند، حجم عظیمی از داده‌ها توسط دستگاه‌های متصل تولید می‌شود که حفظ امنیت و حریم خصوصی آن‌ها به یکی از چالش‌های اساسی تبدیل شده است. روش‌های متمرکز سنتی تشخیص نفوذ، به‌دلیل نیاز به انتقال داده‌ها به سرور مرکزی، محدودیت منابع محاسباتی و ناهمگونی سخت‌افزاری دستگاه‌ها، دیگر پاسخ‌گوی نیازهای امنیتی این محیط نیستند. در این پژوهش چارچوبی نوین با عنوان عامل هوشمند تطبیقی[2](ASA)   پیشنهاد شده است که با ایجاد یک لایه عامل هوشمند ، دستگاه‌ها را بر اساس ویژگی‌های سخت‌افزاری نظیر توان پردازشی، ظرفیت حافظه و پهنای باند به سه خوشه[3]‌ی اصلی تقسیم کرده و مدل‌های متناسب با هر گروه را طراحی می‌کند. در این چارچوب، فرآیند آموزش به‌صورت محلی انجام می‌شود و تنها به‌روزرسانی پارامترهای مدل به سرور مرکزی ارسال می‌گردد. این امر ضمن حفظ حریم خصوصی داده‌ها، موجب کاهش قابل‌توجه بار ارتباطی و انرژی مصرفی می‌شود. یافته‌های حاصل از پیاده‌سازی و آزمایش چارچوب پیشنهادی بر روی مجموعه‌داده‌های مرجع نشان داد که ASA در این پژوهش، چارچوب ASA به‌عنوان یک روش نوین برای تشخیص نفوذ در سیستم‌های اینترنت اشیا معرفی شده است. نتایج آزمایش‌ها نشان می‌دهد که ASA در مقایسه با روش‌های سنتی یادگیری فدرال، دقت بالاتری در تشخیص حملات مختلف از جمله حملات DDoS و نفوذهای ترکیبی دارد. به‌طور خاص، در مجموعه‌داده TON_IoT، دقت 9/93   درصد بود، در حالی که دقت روش‌های سنتی FedAvg و FedProx به ترتیب 64/88 درصد و 99/89 درصد ثبت شد. همچنین، در مجموعه‌داده N-Baiot، نرخ کشف حملات توسط ASA ، 5/93 درصد بود، در حالی که این نرخ در FedAvg و FedProx به ترتیب 89   درصد و 91 درصد بود.در خصوص نرخ مثبت کاذب، ASA توانست این نرخ را به ? درصد کاهش دهد، در حالی که در FedAvg و FedProx   این نرخ به ترتیب ? درصد و ? درصد بود. این نتایج نشان می‌دهند که ASA نه تنها دقت بالاتری دارد، بلکه در کاهش اشتباهات شناسایی نیز عملکرد بهتری از خود نشان داده است در پایان، پیشنهاد شده است که توسعه‌های آینده این چارچوب با تمرکز بر بهینه‌سازی زمان همگرایی مدل، افزایش تحمل خطا، و ترکیب یادگیری فدرال با رایانش مه و لبه دنبال شود تا امکان استقرار آن در زیرساخت‌های واقعی اینترنت اشیا فراهم گردد. [1] Federated Learning [2] Adaptive Smart Agent

   در این پژوهش، الگوریتم ترکیبی WOA-Q Learning برای زمان‌بندی بلادرنگ وظایف در محیط‌های تلفیقی Fog-Cloud ارائه شده است. این الگوریتم با ترکیب قابلیت جستجوی سراسری الگوریتم بهینه‌سازی نهنگ‌ها (WOA) و توان تصمیم‌گیری تطبیقی یادگیری تقویتی (Q-Learning)، به بهینه‌سازی تخصیص منابع و کاهش تاخیر کمک می‌کند. شبیه‌سازی‌ها در محیط MATLAB و بر روی سناریوهای مختلف شامل ?? تا ??? وظیفه انجام گرفت. نتایج نشان داد که الگوریتم پیشنهادی در مقایسه با روش‌های مرجع مانند EDF، PSO، WOA و QL، در چهار معیار اصلی شامل تاخیر کل، مصرف انرژی، نرخ عدم موفقیت ددلاین و بهره‌وری زمان‌بندی عملکرد برتری دارد. الگوریتم WOA-Q توانست تاخیر کل را تا ??? و مصرف انرژی را تا ??? کاهش دهد و نرخ عدم موفقیت ددلاین را به حدود ???? برساند. هرچند زمان اجرای آن اندکی بیشتر است، اما بهبود قابل‌توجه در سایر شاخص‌ها، کارایی کلی آن را اثبات می‌کند. این نتایج بیانگر اثربخشی ترکیب روش‌های فراابتکاری و یادگیری ماشین در ارتقای سیستم‌های بلادرنگ و کاربردپذیری آن در حوزه‌هایی نظیر اینترنت اشیا و محاسبات لبه است.    کلیدواژها: بهینه‏سازی، زمانبندی بلادرنگ، محیط‏های ابری-مه، اینترنت اشیاء

بیماری اماس (MS) بهعنوان یکی از بیماریهای مزمن و ناتوانکننده سیستم عصبی مرکزی، چالشهای زیادی را در حوزه تشخیص و درمان برای پزشکان و سیستمهای سلامت ایجاد کرده است. شناسایی سریع و دقیق ضایعات نا شی از این بیماری در تصاویر MRI بهوا سطه شباهتهای ساختاری با سایر بافتهای مغزی، نیازمند بهرهگیری از روشهای دقیق و پیشرفته پردازش تصویر و یادگیری ماشین است. در این پژوهش، مدلی بهینهشده با عنوان DE-CNN-Gray برای تشخیص خودکار بیماری MS از روی تصاویر MRI مقیاس خاکستری ارائه شده است. در این مدل، ابتدا یک شبکه عصبی کانولوشنی طراحی و سپس با استفاده از الگوریتم تکامل تفاضلی (Differential Evolution) ، ساختار شبکه شامل تعداد لایهها و پارامترهای موثر بهینهسازی شده است. هدف اصلی از این بهینهسازی، افزایش دقت طبقهبندی و کاهش پیچیدگی محاسباتی مدل بوده است. ارزیابی مدل با ا ستفاده از اعتبار سنجی پنجتایی (5-Fold) ن شان داد که روش پی شنهادی با دقت 99.40? ، ح سا سیت 98.89? ، دقت مثبت 99.90? و امتیاز F1 برابر 99.33? عملکرد ب سیار موفقی در شنا سایی بیماران مبتلا به MS دا شته است. نتایج حاصل نشان میدهد که روش DE-CNN-Gray با بهرهگیری از تصاویر خاکستری و الگوریتمهای فراابتکاری میتواند بهعنوان ابزاری دقیق، سریع و کمهزینه برای توسعه سیستمهای تشخیص بیماری MS بهکار گرفته شود و نقش موثری در بهبود روند درمان و کاهش هزینههای درمانی ایفا کند  

امروزه با گسترش شهرهای هوشمند و نیاز فزاینده به تحلیل دقیق و لحظه‌ای زیرساخت‌های جاده‌ای، طراحی سامانه‌هایی مبتنی بر هوش مصنوعی که توانایی درک، تحلیل و ثبت اطلاعات محیطی را داشته باشند، بیش از پیش اهمیت یافته است. در همین راستا، این پژوهش به طراحی و پیاده‌سازی یک سامانه نوین برای تشخیص، ردیابی و مکان‌یابی خودکار علائم ترافیکی اختصاص دارد که نه‌تنها مرزهای فنی را گسترش می‌دهد، بلکه در بعد بومی‌سازی داده نیز گامی ارزشمند برداشته است. در این سیستم، از مدل پیشرفته YOLOv9 برای شناسایی دقیق علائم ترافیکی و از الگوریتم قدرتمند ByteTrack برای ردیابی پیوسته‌ی آن‌ها بهره گرفته شده است. اما آنچه این پژوهش را متمایز و پیشرو می‌سازد، بهره‌گیری نوآورانه از یادگیری فدراسیونی با الگوریتم FedAvg برای نخستین‌بار در حوزه تشخیص علائم ترافیکی است؛ روشی که در آن مجموعه‌داده‌هایی ناهمگون از نظر تعداد نمونه و تنوع کلاس‌ها، از جمله دو بخش مجزای DFG و Mapillary، بدون نیاز به تجمیع فیزیکی، در فرآیند آموزش مدل شرکت داده شده‌اند. این رویکرد، علاوه بر حفظ حریم داده، باعث گسترش چشمگیر قابلیت تعمیم‌پذیری مدل شده است. در بخش داده، مجموعه‌ای غنی و بی‌سابقه شامل ????1 تصویر با بیش از ????? علائم ترافیکی در ??? کلاس مختلف طی دو سال و در شرایط زمانی گوناگون (صبح، ظهر، غروب، شب) و چهار فصل سال، از مناطق شهری، روستایی و بین‌شهری سراسر کشور با دوربین تلفن همراه جمع‌آوری گردیده است. حاشیه‌نویسی تصاویر نیز به‌صورت دقیق با استفاده از ابزار MakeSense در دو قالب YOLO (.txt) و Pascal VOC (.xml) انجام شده است. ارزیابی عملکرد سامانه با استفاده از روش 6-Fold Cross Validation   نشان‌دهنده‌ی دقت بالای آن بوده، به‌گونه‌ای که مدل پیشنهادی موفق به کسب mAP50 برابر با ?????? گردیده است. این عدد نه‌تنها گویای کارایی بالای مدل در شرایط واقعی است، بلکه در مقایسه با نسخه‌های مختلف YOLOv5 تا YOLOv11، برتری محسوسی را نشان می‌دهد. ایده اولیه این پروژه، با پیشنهاد شهرداری تهران برای طراحی نقشه‌ای دیجیتال از علائم ترافیکی شکل گرفت، اما دستاوردهای آن فراتر از یک کاربرد شهری است و می‌تواند به‌عنوان ابزاری کلیدی در سیستم‌های ناوبری، خودروهای هوشمند، تحلیل‌های مکانی، و تدوین نقشه‌ی ملی علائم ترافیکی ایران مورد بهره‌برداری قرار گیرد. این پژوهش، ترکیبی از فناوری پیشرفته، داده‌محوری بومی و معماری‌های نوین هوش مصنوعی را به کار گرفته تا آینده‌ای هوشمندتر و ایمن‌تر را برای جاده‌های کشور ترسیم کند.

در سال‌های اخیر، رشد سریع شبکه‌های اجتماعی بستری غنی از داده‌های متنی را فراهم آورده است که تحلیل آن‌ها می‌تواند به درک بهتر نگرش و دیدگاه کاربران نسبت به موضوعات مختلف کمک کند. اینستاگرام و توییتر از محبوب‌ترین شبکه‌های اجتماعی هستند که کاربران در آن‌ها آزادانه به بیان نظرات خود می‌پردازند و این فضاهای تعاملی فرصتی ارزشمند برای تحلیل احساسات کاربران نسبت به موضوعات مختلف فراهم آورده است. با این حال، حجم و تنوع بالای داده‌ها، تحلیل دستی را دشوار و زمان‌بر می‌کند؛ از این رو، استفاده از روش‌های خودکار پردازش زبان طبیعی ضروری است. هدف این پژوهش، تحلیل احساسات متون فارسی منتشرشده در اینستاگرام و توییتر و بررسی عملکرد مدل‌های مختلف یادگیری عمیق در این زمینه است. به همین منظور، تحلیل احساسات بر روی دو مجموعه داده متفاوت از این سکوها انجام شده است. مجموعه دادگان اول شامل نظرات کاربران در صفحه اینستاگرام برنامه "حال خورشید" است که از پایگاه داده کگل دریافت شده و شامل 4448 نمونه آموزشی و 1429 نمونه آزمایشی است. مجموعه دادگان دوم، توییت‌های مرتبط با انتخابات ایران در سال‌های 1400 و 1403 را شامل می‌شود که با هشتگ‌گذاری جمع‌آوری شده و شامل 2605 نمونه آموزشی و 1321 نمونه آزمایشی است. برچسب‌گذاری این داده‌ها با دو کلاس مثبت و منفی توسط سه نفر و با استفاده از رای اکثریت انجام شده است. در این پژوهش برای تحلیل نظرات کاربران از پنج معماری مختلف با نام‌های Bert-fa-base-uncased, Distil-bert, Bert-fa-zwnj, GRU و LSTM   استفاده شده است و این مدل‌ها با دو بهینه‌ساز‌ SGD و Adam ارزیابی شده اند. نتایج به دست آمده نشان دهنده‌ صحت   93‌ %   برای دادگان توییتر و 80%   برای دادگان اینستاگرام با استفاده از مدل Bert-fa-base-uncased می‌باشد که این مدل نسبت به سایر مدل‌های بررسی شده عملکرد بهتری را در هر دو مجموعه داشته است. همچنین در مطالعه صورت گرفته نشان داده شده است که استفاده از بهینه‌ساز   Adam نسبت به SGD عملکرد بهتری داشته است. این پژوهش نشان داد که استفاده از مدل‌های مبتنی بر یادگیری عمیق، به‌ویژه Bert-fa-base-uncased می‌تواند در تحلیل احساسات متون فارسی با دقت بالا و کارایی مناسب عمل کند و داده‌های تولید شده در سکوهای پرکاربردی نظیر اینستاگرام و توییتر را به‌صورت موثر پردازش کند.   

خواب یکی از نیازهای اساسی انسان است که تاثیر زیادی بر سلامت جسمی و روانی دارد. استرس در خواب می‌تواند منجر به اختلالات خواب و مشکلات مرتبط با سلامت شود، بنابراین پیش‌بینی دقیق استرس خواب از اهمیت ویژه‌ای برخوردار است. این پایان‌نامه به بررسی تشخیص استرس خواب با استفاده از یادگیری عمیق، به ویژه مدل‌های شبکه عصبی بازگشتی LSTM، GRU و یک مدل ترکیبی از این دو می‌پردازد. هدف این پژوهش، ارائه مدلی کارآمد و دقیق برای پیش‌بینی و تشخیص استرس خواب بر اساس مجموعه داده SaYoPillow است. در این پژوهش، مدل‌های مختلف ارزیابی شدند و نتایج به دست آمده نشان داد که مدل ترکیبی Bidirectional LSTM-GRU   با دقت 1.00، درستی 1.00، بازخوانی 1.00 و امتیاز F1 برابر با 1.00، بهترین عملکرد را نسبت به مدل‌های تکی LSTM ،GRU و MLP در تشخیص هر 5 سطح استرس خواب دارد. برای ارزیابی از اعتبار سنجی متقاطع 10 فولد استفاده شد. استفاده از ماتریس درهم‌ریختگی و معیارهای ارزیابی مانند دقت، درستی، بازخوانی و امتیاز F1 نشان داد که مدل ترکیبی نه تنها در تشخیص نمونه‌های مثبت دقت بالایی دارد، بلکه خطاهای مربوط به تشخیص نمونه‌های منفی را نیز کاهش می‌دهد. این پژوهش نشان می‌دهد که مدل‌های یادگیری عمیق به ویژه مدل ترکیبی Bidirectional LSTM-GRU می‌توانند ابزارهای موثری برای تشخیص استرس خواب باشند و از این طریق به بهبود کیفیت خواب و سلامت افراد کمک کنند. توسعه این مدل‌ها می‌تواند به پزشکان و متخصصان کمک کند تا راهکارهای پیشگیرانه و درمانی مناسبی برای مدیریت استرس خواب ارائه دهند.   

Abstract Hydrogen production as a clean and sustainable energy source, particularly through water splitting, is considered one of the fundamental challenges in the field of renewable energy. In this study, the process of hydrogen production through photocatalytic water splitting using photocatalysts Bi?WO? and CuBi?O? with different weight ratios is investigated and analyzed. The two photocatalysts, CuBi?O? and Bi?WO?, were synthesized via a hydrothermal method and subsequently combined in various weight percentages. Due to their unique properties in light absorption and charge transfer enhancement, these photocatalysts have the potential to exhibit high efficiency in hydrogen production from water. To characterize the Bi?WO? and CuBi?O? photocatalysts, several analytical techniques were employed. Subsequently, the impact of forming a heterogeneous junction between these two materials on water splitting performance was examined. All reactions were conducted under UV-Visible light in a 160 mL quartz reactor. Experimental results indicate that although the pure Bi?WO? and CuBi?O? photocatalysts produce hydrogen at rates of 131.87 ?molg?¹ h?¹ and 165.56 ?molg?¹ h?¹, respectively, the heterogeneous Bi?WO?/CuBi?O? junction in the optimized sample significantly increases the hydrogen production rate to 341.25 ?molg?¹ h?¹ compared to the individual photocatalysts. This enhancement in efficiency is attributed to improved light absorption, increased electron and hole lifetimes, and reduced electron recombination.   Keywords: Photocatalyst, CuBi?O?, Bi?WO?, Water Splitting, Heterojunction

تحول دیجیتال در حوزه‌ی دولت الکترونیک و مدیریت زمین به عنوان یک خدمت دولتی، باعث تلاش برای   یکپارچه‌سازی فرایندها و داده‌ها از طریق یک درگاه واحد شده که سامانه‌ی پنجره واحد نام دارد. با این حال، ارزیابی میزان بلوغ این نوع سامانه و پیگیری پیشرفت‌، همچنان یک چالش اساسی محسوب می‌شود. این پایان‌نامه با هدف ارائه یک مدل بلوغ توصیفی برای ارزیابی پنجره واحد مدیریت زمین طراحی شده است. مدل پیشنهادی با استفاده از روش مطالعات کتابخانه‌ای و تلفیق مدل‌های مرجع همچون روش شناسی ارزیابی پنجره واحد تجارت سازمان تجارت جهانی (SWAM)، مدل بلوغ سازمان جهانی گمرک (WCO) برای پنجره واحد تجارت ، یک‌پارچگی مدل بلوغ قابلیت (CMMI)، چارچوب معماری گروه اوپن (TOGAF)، شاخص بلوغ دولت الکترونیک سازمان ملل (EGDI)، بلوغ سنجی‌های سازمان همکاری اقتصادی و توسعه (OECD)، مدل بلوغ پنج سطحی دولت الکترونیک ایران و چند مدل و چارچوب دیگر تدوین شده است. در این مدل، بلوغ سامانه بر اساس چندین حوزه فرایند کلیدی، از جمله سطح یک‌پارچگی، مدیریت داده‌ها، رابط کاربری، مشارکت ذی‌نفعان، شفافیت و عملکرد سیستم، پایش و نظارت هوشمند و ... ارزیابی می‌شود. مدل پیشنهادی در پنج سطح بلوغ (آغازین، استاندارد، یک‌پارچه، پیشرفته و بهینه‌سازی و نوآوری) ارائه شده است که بر هم‌راستایی با فازهای A، B و C از روش توسعه معماری TOGAF، یک‌پارچگی مدل بلوغ قابلیت (CMMI) و )، مدل بلوغ پنج سطحی دولت الکترونیک ایران تاکید دارد. برای ارزیابی مدل، از نظر خبرگان و تحلیل تطبیقی با مدل‌های مرجع استفاده شده است. نتایج نشان می‌دهد که مهم‌ترین مزایای مدل پیشنهادی تلفیق معیارهای چندین مدل معتبر، پوشش شاخص‌های متنوع و سازگاری با ویژگی‌های خاص پنجره واحد مدیریت زمین است. با این حال، مدل پیشنهادی دارای نقایصی از جمله نبود روشی دقیق برای وزن‌دهی شاخص‌ها، پوشش محدود ملاحظات امنیتی پیشرفته و وابستگی به کیفیت و دسترسی به داده‌ها   است که می‌تواند در پژوهش‌های آتی مورد بررسی قرار گیرد.    واژگان کلیدی: مدل بلوغ، پنجره واحد مدیریت زمین، پنجره واحد، دولت الکترونیک، ارزیابی بلوغ سامانه‌ها.

سیگنال‌های متداولی که از فعالیت‌های عصبی مغز ثبت می‌شوند، مانند [1]EEG یا   MEG[2]، سیگنال‌های غیرایستا هستند. بنابراین، ابزارهای تحلیل زمان–فرکانس برای تحلیل چنین سیگنال‌هایی مناسب هستند. طی سال‌ها، تحلیل زمان–فرکانس کاربردهای متعددی در علوم اعصاب محاسباتی یافته است، از جمله در تشخیص بیماری‌هایی همچون اسکیزوفرنی در بزرگسالان تا درک اختلالات طیف اوتیسم در کودکان و شناسایی تشنج در نوزادان. با پیشرفت در منابع محاسباتی و انواع مختلف ابزارهای تصویربرداری، تحلیل زمان–فرکانس در آستانه‌ی تبدیل شدن به یکی از مهم‌ترین ابزارهای اصلی در حوزه علوم اعصاب محاسباتی است. میخواهیم روش‌های بررسی ویژگی‌های شبکه‌های مغزی را با استفاده از ابزارهای نمایش زمان-فرکانس مورد بررسی قرار می‌دهیم. در این پایان‌نامه روش‌های همزمانی فاز مبتنی بر زمان-فرکانس معرفی و تحلیل میگردد. توزیع زمان-فرکانس شامل روش‌های WVD[3], Rihaczek, spectrogram , EMBD[4] , … میباشدکه موارد مورد نظر به اختصار مورد بررسی قرار گرفته‌اند . با استفاده از نمایش‌های زمان فرکانس می‌توانیم به ویژگی‌های متغیر با زمان شبکه‌های مغزی برسیم. نتایجی که در این پایان نامه ارائه شده نشان میدهد که همزمانی فاز مبتنی بر زمان-فرکانس معیار خوبی برای بررسی اتصالات موثر شبکه‌های مغز میباشد که استفاده از این امکان به ما اجازه می‌دهد تا ابزارهای تحلیلی قدرتمندی برای بررسی و درک بهتر شبکه‌های مغزی و رفتار دینامیکی آنها در طول زمان به کار ببریم. نتایج این ارزیابی نشان میدهد که روش‌های همگامی فاز مبتنی بر نمایش زمان-فرکانس میتوانند در تحلیل شبکه‌های مغزی کاربردهایی از جمله، مطالعه سیگنال‌های مغزی نوزادان و بزرگسالان، تشخیص بیماری‌هایی همچون صرع، مطالعه و کمک به تشخیص بیماریهای   چون پارکینسون و اوتیسم داشته باشد که منجر به راه‌های درمانی بهتر و موثرتر گردد. [1] Electroencephalography [2] Magnetoencephalograghy [3] Wigner ville distribution [4] Extended modified b-ditribution