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.

   بیماری های قلبی به ویژه آریتمی یکی از علل مهم مرگ و میر در سال های اخیر بوده است به همین دلیل جامعه پزشکی به دنبال روشی کارآمد،سریع برای تشخیص آنها بوده است. به‌منظور افزایش سرعت تشخیص و کاهش خطاهای احتمالی انسانی، استفاده از روش‌های خودکار برای شناسایی این نوع آریتمی مطرح شده است.هدف از این پژوهش تشخیص به موقع و درست انواع آریتمی در سریع ترین زمان ممکن با حجم محاسباتی پایین و کمترین تعداد ویژگی است.در این پایان نامه به بحث و بررسی سه نوع مختلف آریتمی دهلیزی،سینوسی و بطنی که تعداد هریک   از این سیگنالهای ECG، 100 نمونه از پایگاه داده SHEDB میباشد پرداخته شد.برای طبقه بندی این سه نوع آریتمی از شبکه‌ عصبی پرسپترون چندلایه (MLP)   و شبکه عصبی تابع پایه شعاعی (RBF) استفاده شد،که شبکه عصبی MLP   عملکرد خیلی بهتری به نسبت شبکه عصبی RBF   داشت.دقت های بدست امده بر روی داده های تست از دو مدل MLP و RBF   به ترتیب 97.8% و 76.7% میباشد.دلیل انتخاب این مدل‌ها،کاهش بار محاسباتی در مقایسه با مدل‌های پیچیده‌ای همچون شبکه‌های عصبی کانولوشن   (CNN) میباشد.هم چنین برای استخراج ویژگی،ویژگی های مختلف زمانی،آماری و فرکانسی بررسی شد که بهترین عملکرد با استفاده از 8 ویژگی منتخب RM   ، طول موج، ASS، میانگین، چولگی، کرتوسیس ، فرکانس غالب و دامنه فرکانس غالب حاصل شد.

   دیابت یک بیماری متابولیکی مزمن است که در آن بدن نمی‌   تواند به ‌طور موثر از قند خون استفاده کند یا تولید انسولین کافی برای تنظیم آن نداشته باشد. این بیماری در صورت عدم تشخیص و درمان مناسب، می ‌تواند منجر به عوارض جدی مانند بیماری ‌های قلبی، آسیب به کلیه‌ ها، اختلالات عصبی و نابینایی شود. با توجه به شیوع روزافزون دیابت در سطح جهانی، شناسایی و پیش ‌بینی این بیماری در مراحل ابتدایی اهمیت زیادی دارد. این تحقیق به پیش‌بینی ابتلا به دیابت با استفاده از الگوریتم‌ های یادگیری ماشین می‌ پردازد. برای این منظور، از داده‌های Pima Indian Diabetes استفاده شده است که شامل ویژگی‌ هایی مانند سن، وزن، فشار خون، سطح قند خون ناشتا، شاخص توده بدنی (BMI)، تعداد دفعات حاملگی ‌، سابقه خانوادگی دیابت و سایر پارامترهای بیولوژیکی است. این داده ‌ها از جامعه ‌ای از زنان بومی آمریکایی استخراج شده و برای آموزش و آزمایش مدل ‌های مختلف یادگیری ماشین به‌ کار گرفته شده ‌اند. در این مدل، از الگوریتم‌ های مختلفی از جمله   Logistic Regression، XGBoost،   AdaBoost،   LightGBM, , Decision   Tree   , CatBoost   ,Gradian Bosstingبرای پیش‌ بینی ابتلا به دیابت استفاده شده است. نتایج این تحقیق مقابسه ای بین الگوریتم ها است به خصوص الگوریتم های Boosting و نشان می‌دهند که برخی از این الگوریتم‌ ها دقت بالاتری در پیش ‌بینی ابتلا به دیابت دارند و می ‌توانند به ‌عنوان ابزاری کارآمد برای تشخیص زود هنگام بیماری و مدیریت بهینه درمان مورد استفاده قرار گیرند ، دقت مدل   Log Regression 92/0 ، مدل XGBoost 96/0 ، مدل AdaBoost 94/0 ، مدل LightGBM   96/0 ، مدل Gradient Boosting 91/0 درصد ، مدل Decision Tree 91/0 و بهترین مدل مربوط شد به الگوریتم CatBoost با دقت 98/0 . در پایان، پیشنهاد هایی برای کار های آینده داده شده است.

در سال‌های اخیر استفاده‌ی افراد از محصولات دیجیتال مانند وبسایت‌ها و اپلیکیشن‌های تلفن همراه افزایش چشمگیری داشته است. از طرفی نحوه‌ی تعامل کاربران با محصول از جمله عوامل مهم در موفقیت آن است. در نتیجه متخصصان این حوزه با تحلیل و اندازه‌گیری معیارها، درصدد بهبود روش‌ها و استانداردهای مربوط به طراحی تجربه‌ی کاربری هستند. یکی از روش‌های موثر در پژوهش تجربه‌ی کاربری استفاده از پرسشنامه است تا به وسیله‌ی آن کاربران هدف و نیازهای آنها به درستی برآورده شود تا محصول نهایی برای کاربران کارکرد مطلوب به دنبال داشته باشد. پرسشنامه‌های متفاوتی وجود دارند که هرکدام از جنبه‌ی خاصی مانند زیبایی شناسی، کاربردپذیری یا احساسات، بازخورد کاربران را بررسی کرده‌اند. اما پرسشنامه‌ی ارزیابی ماژولار مولفه‌های کلیدی تجربه کاربر[1] یا به اختصار meCUE ابعاد مختلف موثر در تجربه‌ی کاربری را   به صورت همزمان و استاندارد آزمایش می‌کند. این پرسشنامه که به زبان آلمانی در آزمایش‌های مختلف نتایج خوبی به دست آورده است، سپس در دو مقاله‌ی دیگر طبق یک فرآیند قابل اطمینان به زبان‌های انگلیسی و اندونزیایی ترجمه شده و کیفیت پرسشنامه در زبان هدف با معیارهایی همچون قابلیت اطمینان، تست کرونباخ آلفا و سنجش سازگاری داخلی ارزیابی شده است. در این تحقیق ابتدا پرسشنامه‌ی meCUE توسط سه نفر مترجم و بر اساس اصول بین المللی تطبیق بین فرهنگی، به زبان فارسی ترجمه شده و با معیارهای مختلف از جمله قابلیت اطمینان، تست آلفای کرونباخ و سنجش سازگاری داخلی ارزیابی شده است. برای ارزیابی پرسشنامه، از آن روی یک اپلیکیشن‌ جامع ایرانی به نام روبیکا با بیش از سی میلیون نصب فعال استفاده شده است. به این صورت که ابتدا ?? نفر از کاربران اپلیکیشن به پرسشنامه پاسخ دادند و با استفاده از نتایج بدست آمده معیارهای مذکور محاسبه شدند تا از صحت ترجمه اطمینان حاصل شود. این پرسشنامه‌ی می‌تواند به عنوان اولین مرحله در تحقیق تجربه کاربری مورد استفاده قرار گیرد. در مرحله‌ی بعد با توجه به پاسخ‌های کاربران به پرسشنامه و همچنین با بکارگیری ابزار مصاحبه و اصول ارزیابی اکتشافی نیلسون، در رابط کاربری اپلیکیشن تغییراتی ایجاد شد. سپس تغییرات اعمال شده توسط ?? نفر با کمک آزمایش کاربردپذیری مورد ارزیابی قرار گرفت. برای آزمایش کاربردپذیری، هم از افرادی استفاده شد که تاکنون از روبیکا استفاده نکرده‌اند و هم از افرادی که کاربر آن بودند. به این ترتیب تعصب و آشنایت شرکت کنندگان نسبت به حالت فعلی اپلیکیشن تعدیل شده، کابران فعلی و بالقوه‌ی اپلیکیشن به یک اندازه مورد توجه قرار می‌گیرند و ارزیابی دقیق‌تری از تغییرات اعمال شده به دست می‌آید. نتایج تست کاربرد پذیری نشان داد که تغییرات اعمال شده در رابط کاربری روبیکا به طور میانگین ?? درصد امتیاز کاربردپذیری را بالاتر می‌برد. علاوه بر این، کاربرانی که در آزمایش کاربرد پذیری شرکت کرده بودند به مجموعه‌ای از سوالات در رابطه با مقایسه‌ی رابط کاربری فعلی و چند تغییر پیشنهادی پاسخ دادند که در نتیجه تمامی تغییرات پیشنهادی از نظر اکثر کاربران مثبت ارزیابی شد. کلید واژه‌ها: ارزیابی تجربه‌ی کاربری، تعامل انسان با رایانه، پرسشنامه‌یmeCUE، بهبود تجربه‌ی کاربری برنامه‌ی کاربردی فارسی گوشی هوشمند، آزمایش کاربردپذیری، برنامه‌ی کاربردی ایرانی گوشی‌های همراه

توسعه زندگی بشری منجر به ایجاد رخدادهایی متنوع در سطح جامعه شده است، دولت ها جهت کنترل این رخدادها موجودتی به نام قانون را ایجادکرده اند تا به وسیله آن، رخدادهای بشری را کنترل کنند. از این حیث شناخت دقیق قوانین جهت دفاع از حقوق فردی، جمعی و یا قضاوت، رخداد ها بر اساس این قوانین امری بسیار پیچیده است. چرا که استنباط هر شخص از رخداد و قوانین بر اساس دانش، تجربه، شخصیت و احساسات است. با افزایش این رخدادها خصوصا رخدادهای یکسان و به طبع آن افزایش پرونده های دادرسی، شواهد و نظرات متنوع نسبت به رخدادها، منجر به ذهنی شدن رسیدگی به رخدادهای یکسان شده است، از این رو بنا بر اینکه عدالت در صدور آرای قضایی مهمترین اولویت یک دستگاه قضایی است ذهنی شدن قضاوت در پرونده های مشابه، عدالت در صدور آرای قاضیی در پرونده های مشابه را زیر تحت تاثیر قرار میدهد. وجود ابزار و الگوریتم های شباهت سنجی با استفاده از هوش مصنوعی میتواند جهت استفاده کارشناسان حقوقی و نیز دادخواهان بسیار مفید واقع شود.   این شباهت سنجی به طرفین دعوی، وکلا و قضات کمک میکند که آرای صادره نسبت به یک رخداد یکسان را مشاهده کرده و نسبت به آن وحدت رویه داشته باشند. وحدت رویه موضوعی است که باعث میشود قضات در تصمیم گیری نسبت به پرونده های مشابه بتوانند اعمال نظری دقیق تری انجام دهند و در تصمیم گیری نسبت به یک موضوع اجماع نظر داشته و در برخورد با موارد مشابه سلیقه ای برخورد نشود. در شباهت سنجی قوانین و آرای صاده مشکلات و چالش های فراوانی   وجود دارد که یکی از مهمترین آنان عبارت است از زبان قوانین و عدم دسته بندی های لازم در این متنون است. برای ارتباط و شباهت سنجی متون قضایی با وجود محدودیت ها و چالش های موجود از یادگیری عمیق در زمینه پردازش زبان طبیعی(NLP) استفاده خواهیم کرد. برای پردازش زبان آرای صادره نیازمند به یک الگوریتم پردازش زبان، برای زبان مورد نظر هستیم. استفاده از یک سیستم شباهت سنجی مبتنی بر هوش مصنوعی میتواند به عنوان یک ابزار قابل اتکا برای کارشناسان قضاییی مورد استفاده قرارگیرد.   

پیشرفت روزافزون فنّاوری در عرصه‌های مختلف علوم و تاثیر آن بر زندگی انسان امروزی، تجارب احساسی، عاطفی و ادراکی را به‌شدت در کانون توجه طراحان قرار داده است. در این خصوص، طراحی بر اساس رضایتمندی، خوشایندی، احساسات و عواطف درونی انسان عاملی بسیار مهم و تاثیرگذار در فرایند طراحی محصول شناخته می‌شود. به دنبال شیوع و فراگیری ویروس کرونا در جهان، ساختار آموزش عالی نیز، مانند بسیاری از بخش‌های دیگر زندگی انسان، دست‌خوش تغییرات عمده شد.   شرکت دانشجویان در کلاس‌ها ی آنلاین، آزمون‌ها و انجام امور اداری به‌صورت غیرحضوری موجب استفاده بیشتر دانشجویان از وبسایت دانشگاه‌ها شده است. استاندارد نبودن طراحی وبسایت باعث می‌شود زمان زیادی از دانشجویان گرفته شود تا به اهداف موردنظرشان برسند. بنابراین گنجاندن عناصر احساسی که می‌توانند شادی، لذت و علاقه را تشویق کنند، بسیار مهم است. این تحقیق از مهندسی کانسی استفاده کرده است تا احساسات کاربر را به مولفه‌های طراحی رابط تبدیل کند و نشان دهد کاربر از رابط کاربری چه می‌خواهد. 50 کلمه‌ی کانسی از طریق پرسشنامه بین 50 دانشجو توزیع گردید و از بین آن‌ها 12 کلمه جهت ارزیابی پارامترهای طراحی بر اساس احساسات کاربران انتخاب شد. بر اساس کلمات کانسی انتخاب شده پارامترها و قوانینی برای طراحی رابط کاربری استخراج شد. این قوانین در یک پایگاه دانش جمع‌آوری گردید که طراحان می‌توانند با مراجعه به آن بر اساس احساس موردنظرشان برای طراحی، پارامترهای طراحی متناسب با آن احساس را دریافت کرده و طرح کاربرپسند خود را ترسیم کنند.   

  Normal 0 false false false EN-US X-NONE FA

بازار سهام به طور کلی ماهیت بسیار غیرقابل پیش‌بینی دارد. عوامل زیادی ممکن است در تعیین قیمت یک سهم خاص نقش داشته باشند، مانند روند بازار، نسبت عرضه و تقاضا، اقتصاد جهانی، احساسات عمومی، اطلاعات مالی حساس، اعلامیه سود، قیمت تاریخی و بسیاری موارد دیگر. چالش پیش‌بینی دقیق اما، با کمک فن‌آوری‌های جدید مانند داده‌کاوی و یادگیری‌ماشین، می‌توانیم داده‌های بزرگ را تجزیه‌و‌تحلیل کنند و یک مدل پیش‌بینی دقیق ایجاد کنند که از برخی خطاهای انسانی جلوگیری کند. در این کار، قیمت‌های بسته شدن سهام خاص از داده‌های نمونه با استفاده از یک الگوریتم یادگیری ماشین نظارت‌شده پیش‌بینی می شود. به طور خاص، یک الگوریتم شبکه عصبی بازگشتی روی داده‌های سری زمانی سهام استفاده می‌شود. قیمت‌های پایانی پیش‌بینی شده با قیمت پایانی واقعی بررسی می‌شوند. در این پژوهش به بررسی مشکل پیش‌بینی بازار سهام با استفاده از شبکه عصبی بازگشتی با حافظه کوتاه‌مدت بلند مدت می‌پردازیم. هدف این تحقیق بررسی امکان سنجی و عملکرد این مدل شبکه عصبی در پیش بینی بازار سهام می باشد. ما مدل پیشنهادی را با آزمایش پیکربندی‌های مختلف، به عنوان مثال، تعداد نورون‌ها در لایه‌های پنهان و تعداد نمونه‌ها به ترتیب، بهینه می‌کنیم. با استفاده از داده‌های تاریخی قیمت سهام از پایگاه داده yahoo finance جمع‌آوری کرده ایم تا مدل خود را آموزش دهیم. با این وجود، بر اساس نتایج پیش‌بینی مدل LSTM،   اقدام به پیش بینی ارزش سهام در روزهای آتی جهت قیمت پایانی سهام استفاده کردیم. نتایج نشان می دهد که مدل LSTM   با 4 لایه با دقت بالاتری و کمترین خطا (حدودا0.1771و2101و0.1617 ثبت کرده است) نسبت به بقیه لایه ها برای پیش بینی دارد.   

سرطان ریه شایع ترین سرطان در دنیا است. در این پژوهش با استفاده از مدل یادگیری عمیق توانستیم سرطان ریه را به دو دسته تومور و سالم طبقه بندی کنیم.

مقدار متنی که هر روز تولید می شود به طرز چشمگیری افزایش می یابد. بنابراین ، تکنیک ها و الگوریتم های کارآمد و موثر برای کشف الگوهای مفید مورد نیاز است.   با فراگیر‌شدن شبکه‌های اجتماعی در سال‌های اخیر، به‌رغم کاربردهای مثبت آنها، انتشار شایعات ساده‌تر و شایع‌تر شده است. شایعات یک چالش امنیتی در شبکه‌های اجتماعی محسوب می‌شوند، چون یک گره بدخواه می‌تواند با انتشار یک شایعه به‌سهولت، اهداف خود را بدنام و یا منزوی کند.   از ‌این‌رو تشخیص شایعات چالش مهمی در سازوکارهای امنیت نرم مانند اعتماد و شهرت است. در این مطالعه، از رویکرد یادگیری ماشین مدل یادگیری عمیق   و شبکه ی عصبی عمیق LSTM به منظور ساده سازی استخراج ویژگی ها و ایجاد توانایی قوی برای یادگیری ،و تشخیص خودکار ویژگی ها در مقایسه با روش های سنتی یادگیری ماشین استفاده کرده ایم   شبکه عصبی LSTM   بر اساس معماری خاصی که دارد برای کار با داده های دنباله دار به ویژه داده های متنی بسیار مناسب است . اما عملکرد   این شبکه وابستگی زیادی به تنظیم هایپر پارامتر هایش دارد از این رو یک رویکرد نوین را برای بهبود نتیجه با استفاده از الگوریتم ژنتیک برای تنظیم هایپر پارامترهای شبکه عصبی عمیق ارائه شده است. الگوریتم ژنتیک استاندارد خود با مشکلاتی مواجه است اعم از سرعت همگرایی در این الگوریتم که در این مطالعه ما با تنظیم و فرموله کردن   نرخ فرایند های الگوریتم برا اساس دو معیار برازندگی و تنوع این مشکل را رفع کرده ایم، وما به دقت تشخیص 0.93%   رسیده ایم.

امروزه وارد عصر جدیدی از تبادل اطلاعات شده­ایم که دلیل آن استفاده گسترده­ از دستگاه­های تلفن ­همراه است و سیستم­عامل اندروید نیز محبوب­ترین سیستم­عامل موبایلی دنیا است. همزمان با برنامه­های کاربردی، برنامه­های مخرب زیادی با اهداف واشکال مختلف برای سیستم­عامل اندروید در حال توسعه و انتشار هستند. با وجود توسعه روزافزون برنامه­های ایرانی در فروشگاه­های نرم­افزاری، تابحال بررسی نشده ­است که تا چه میزان امکان وجود بدافزار در میان آن­ها وجود دارد که ممکن است امنیت کاربران را به­خطر بیاندازد یا با اهدافی دیگر نظیر حجم بالای تبلیغات، موجب آزردگی خاطر کاربران شود. به­ همین دلیل تصمیم گرفتیم تا با استفاده از نه طبقه­بند یادگیری ماشینی و همینطور استفاده از رویکرد یادگیری عمیق، مدل­هایی مبتنی بر ویژگی ایستای مجوز با استفاده از مجموعه داده­ای مطمئن ایجاد کنیم تا از این مدل­ها برای طبقه­بندی بیش از چهارصد برنامه کاربردی دریافتی تصادفی از فروشگاه کافه بازار در دو دسته مخرب و غیرمخرب استفاده کنیم و نتایج آن را مورد تجزیه و تحلیل قرار دهیم و همچنین با ساخت تمامی مدل­های مذکور روی نمونه­های دریافتی از فروشگاه کافه بازار، ارزیابی­های خود را در مورد اثر ویژگی مجوز در تشخیص بدافزارهای ایرانی تکمیل کنیم. نتایج بدست آمده از مدل­های ساخته شده و همینطور اسکن نمونه­های بارگیری شده از فروشگاه کافه بازار در سایت معتبر وایروس توتال نشان می­دهد که بیش از پنجاه درصد از نمونه­های دریافتی از فروشگاه کافه بازار بدافزار هستند بنابراین برای افزایش اطمینان کاربران ایرانی از غیرمخرب بودن برنامه­های اندرویدی دریافتی، باید در مورد رویکرد فعلی غربال­گری برنامه­ها، قبل از قراردادن در فروشگاه­های نرم­افزاری تجدید نظر کرد.   

   در عصر اطلاعات امروز، این امر که ما قبل از اتخاذ هرگونه تصمیم، اطلاعات معتبری در دسترس داشته باشیم، به یک پیش­نیاز تبدیل شده است. در همین راستا، شبکه­های اجتماعی مکان­محور به عنوان روشی موثر برای کمک به کاربران برای یافتن مکان­های جذاب و توصیه نقاط مورد علاقه، به یک برنامه مهم در شبکه های اجتماعی مبتنی بر مکان تبدیل شده­اند و در سال­های اخیر، محبوبیت بسیاری کسب کرده­اند. اضافه شدن بُعد مکان در این شبکه­ها، باعث می­شود که با ایجاد یک پل ارتباطی بین شبکه­های اجتماعی مجازی و جهان واقعی، اطلاعات آن­ها به واقعیت نزدیک­تر شود. هدف از ایجاد این شبکه­ها، ارائه خدمات مرتبط با مکان می­باشد؛ بدین صورت که به کاربران اجازه می­دهد در نقاط جغرافیایی مختلف، تجربیات و موقعیت­های بازدید شده را با سایر کاربران به اشتراک بگذارند. شبکه­های اجتماعی مکان­محور به واسطه اخذ و به­روزرسانی اطلاعات کاربران خود در سراسر دنیا، منابعی غنی برای داده­کاوی و کشف اطلاعات محسوب می­شوند. همچنین سیستم­های توصیه­گر، یک نوع خاص از سیستم­های هوشمند هستند که از رتبه­بندی گذشته­ی کاربران بهره می­برند. فیلتر مشارکتی، از جمله رایج­ترین رویکردهایی است که برای سیستم­های توصیه­گر استفاده می­شود، که البته این روش ممکن است گاهی دچار چالش­هایی از جمله شروع سرد شود. شروع سرد به علت پراکندگی داده­ها   اتفاق می­افتد، و بر اساس این واقعیت است که اکثر کاربران فقط با بخش کوچکی از مکان­های ممکن تعامل دارند و سیستم توصیه­گر برای رتبه­بندی برخی موارد یا کاربران جدید، هیچ داده­ای در دسترس نداشته و یا   فقط تعداد کمی از داده­ها موجود ­باشند. حل این مشکل می­تواند تا حد زیادی تجربه کاربر و اعتماد به سیستم­های توصیه­گر را بهبود بخشد. در این پایان­نامه، ما سعی داریم با استفاده از یادگیری ماشین و الگوریتم­های یادگیری عمیق، یک سیستم توصیه­گر مکانی با رویکرد فیلتر مشارکتی ارائه دهیم؛ لذا با پیاده­سازی الگوریتم شبکه عصبی پیچشی بر مجموعه­داده­ی یِلپ و ارائه نتایج تجربی، نشان می­دهیم که روش پیشنهادی می­تواند عملکرد بهتری نسبت به سایر روش­های مرتبط داشته باشد. کلمات کلیدی: سیستم توصیه­گر، فیلتر مشارکتی، توصیه‌ مکان‌ها، شبکه­های اجتماعی مکان­محور، یادگیری عمیق، شبکه عصبی پیچشی

چکیده    امروزه، بحث امنیت به عنوان یک مسئله مهم و چالش برانگیز در نظر گرفته می‌شود. ابزارهای قدیمی مانند نام کاربری و پسورد به تنهایی جوابگو و قابل اعتماد نمی‌باشند. به همین خاطر روز به روز در زمینه‌های فراوانی ما به وسایلی نیاز داریم که هویت اشخاص را براساس علائم حیاتی شناسایی کنند. با ظهور دانش بیومتریک روش‌های متداول تایید هویت در سیستم‌های بیومتریک دچار دگرگونی شده است.   اخیرا کاربرد سیگنال‌های الکتریکی مغز (EEG) در سیستم‌های بیومتریک به عنوان یک شاخه پژوهشی جذاب و کاربردی مورد توجه محققین قرار گرفته است زیرا حاوی دو مزیت اساسی است : اول آنکه، این سیگنال باید از شخصی زنده در حالت روانی و ذهنی عادی ثبت شود. دوم آنکه سیگنال EEG برخلاف بسیاری از بیومتریک‌های دیگر   برآیند مجموعه ای از اتفاقات درونی و قشری مغز است که همین ویژگی تقلید آن را ناممکن ساخته است.    در این پژوهش از یک مجموعه داده دارای دو محرک مختلف (آرامش و تمرکز) استفاده شده است که در بازه زمانی اول افراد در حالت آرامش قرار می‌گیرند و در بازه زمانی دوم افراد در حالت تمرکز قرار می‌گیرند. برای امکان پردازش و ضبط سیگنال‌های EEG از الکترود استفاده می‌شود سپس سیگنال‌های آنالوگ به سیگنال‌های دیجیتال تبدیل می‌شوند. در این تحقیق از مجموعه دادهEEG با 109 موضوع استفاده شده است. به منظور بهبود عملکرد سیستم تایید هویت در این پژوهش به جای استخراج ویژگی و انتخاب ویژگی‌های بهینه از ویژگی‌های عمیق استفاده شده است نتایج آزمایش‌های ما بر روی پایگاه‌داده Albasri با دقت 99 درصد بیانگر این موضوع است که با استفاده از ویژگی‌های عمیق و و الگوریتم شبکه عصبی کانولوشن با استفاده از الگوریتم ژنتیک (GPCNN) نسبت به سایر سیستم‌های تایید هویت مبتنی بر سیگنال الکتریکی مغز به نحو چشم‌گیری بهبود می‌یابد و چشم‌انداز روشنی از استفاده عملی و تجاری سیگنال‌های الکتریکی مغز در سیستم‌های تایید هویت آینده را نشان می‌دهد.

افزایش تعداد خودروهای شخصی در خیابان ها باعث ایجاد ترافیک می شود.   در بسیاری از کشورها برای کاهش ترافیک خطوط مخصوص وسایل نقلیه با ظرفیت بالا1 ایجاد شده است. از این خطوط فقط اتوبوس ها، خودرو های پلیس، خودروهای آتش نشانی، اورژانس   و خودرو های شخصی دارای ظرفیت بالایعنی بیش از یک نفر سرنشین، مجاز به استفاده هستند. یک مساله دیگر در نظارت بر حمل و نقل و تردد خودروها رعایت قوانین رانندگی در محفظه خودرو می باشد. این قوانین شامل، استفاده راننده از کمربند ایمنی حین رانندگی می باشدکه تشخیص دقیق و خودکار آن ها از اهمیت ویژه ای برخوردار میباشد. دراین مقاله یک روش مبتنی بر مدل های یادگیری عمیق   برای تشخیص همزمان   سرنشین و کمربند ایمنی راننده پیشنهاد میکنیم. در این روش   ابتدا با استفاده از شبکه YOLOv5s شیشه جلوی خودرو تشخیص داده می شود، سپس با استفاده از مدل آشکارساز مسافر صندلی جلو حضور یک نفر را در محفظه مسافر تعیین می کنیم. در نهایت با استفاده از طبقه بندی تصویر مبتنی بر یادگیری عمیق ما وجود نقض کمربند ایمنی را تعیین میکنیم.مدل پیشنهادی ما برای طبقه بندی   تشخیص سرنشین و کمربند ایمنی ازترکیب شبکه از پیش آموزش دیده شده ResNet34 و لایه های(Spatial Pyramid Pooling)   ، (Temporal Pyramid Pooling) TPPو   MT (power mean transformation )   میباشد. دراین مقاله یک روش ترکیبی مبتنی بر یادگیری عمیق برای تشخیص همزمان   خودروهای با بیش از یک سرنشین وتشخیص نقض کمربند ایمنی راننده ارائه   میکنیم. آزمایشات ما بر روی تصاویر به دست آمده از سازمان حمل و نقل ترافیک ارزیابی شده است. در این دیتاست تعداد 2895 و 363 تصویر برای آموزش و اعتبارسنجی   و361 تصویر برای مرحله تست مدل YOLOv5   در تشخیص شیشه جلوی استفاده کرده ایم. همچنین تعداد   1325 و   تعداد 400 تصویر برای آموزش و اعتبارسنجی و 250 تصویردرمرحله تست مدل پیشنهادی برای پیش بینی سرنشین خودرو   استفاده شده است.   همچنین تعداد 1063 و 400 تصویر برای آموزش و اعتبارسنجی و 100 تصویر درمرحله تست در مدل پیشنهادی برای تشخیص کمربند ایمنی استفاده کرده ایم. ما از مدل YOLOv5s در تشخیص شیشه جلوی خودرواستفاده کرده ایم.   نتایج آزمایشات بر روی دیتاست جمع آوری شده نشان میدهد که   این مدل با صحت ?.7   و فراخوانی 1 شیشه جلوی خودرو را تشخیص داده است. و مدل های پیشنهادی ما در تشخیص سرنشین به دقت 100% ودرتشخیص نقض کمربند ایمنی راننده، دقت 99.20% به دست آمده است. واژه های کلیدی : تشخیص سرنشین خودرو، تشخیص کمربند ایمنی ، تحلیل خودکار تصاویر حمل ونقل، یادگیری عمیق   یادگیری انتقالی ، YOLOv5 ، ResNet34، TPP،   ، PMT   

به طور معمول یک قاضی بر اساس دانش، تجربه، شخصیت و احساسات خود قضاوت می‌کند. با افزایش تعداد پرونده‌ها، بررسی اسناد و شواهد به صورت دقیق دشوار است و ممکن است قضاوت‌ها ذهنی‌تر شوند. همچنین با افزایش حجم کاری، یک قاضی ممکن است بیش از حد تحت فشار قرار گرفته و نتواند یک قضاوت با کیفیت انجام دهد. پیش بینی حکم دادگاه توسط الگوریتم‌های هوش مصنوعی، علاوه بر قضات، می‌تواند جهت استفاده کارشناسان حقوقی و نیز دادخواهان بسیار مفید واقع شود. همچنین این نوع پیش‌بینی می‌تواند به عنوان یک خدمت مشاوره‌ای آنلاین به آحاد جامعه ارائه شود تا قبل از طرح دعوی در محاکم قضایی و تنظیم دادخواست یا شکواییه، نسبت به نتیجه احتمالی درخواست خود آگاهی یافته و چه بسا همین امر سبب کاهش چشمگیر پرونده‌ها و نیز کاهش هزینه‌های سرسام‌آور گرفتن وکیل در برخی موارد برای قشر کمتر برخوردار گردد. این نوع پیش‌بینی همچنین به وکلا و طرفین دعوی کمک می‌کند که قبل از رفتن به دادگاه اقدامات لازم را انجام دهند. از دیگر کاربردهای این پژوهش می‌توان کمک به صدور دستور تشکیل دادگاه‌های تجدید نظر در صورت مغایرت رای دادگاه بدوی با حکم پیش‌بینی شده توسط مدل هوش مصنوعی اشاره کرد. با وجود آن‌که متن‌کاوی و کاربردهای آن به طور گسترده در حوزه‌های مختلف مورد استفاده قرار گرفته، اما تنها مطالعات معدودی متن‌کاوی را در زمینه‌های قضایی به کار گرفته‌اند. این پایان‌نامه، اولین پژوهش مدون در حوزه متن‌کاوی اسناد قضایی فارسی می‌باشد. در این پایان‌نامه به پیش‌بینی حکم دادگاه در پرونده‌های مرتبط با خرید، نگهداری، مخفی کردن یا حمل مواد مخدر با استفاده از تکنیک‌های یادگیری ماشین و یادگیری عمیق، با بررسی تاثیر جنبه احساسات و هیجانات قاضی در شدت حکم صادره، در مجازات‌های شلاق، جریمه نقدی و حبس، پرداخته شده‌است. برای این منظور ابتدا متون و اسناد 6000 پرونده قضایی را پیش‌پردازش نموده، سپس با استفاده از پیکره احساسات و هیجانات NRC، گرایش مثبت یا منفی و نوع هیجان موجود در پرونده‌ها را بررسی و نمره‌گذاری کردیم. در ادامه با روش‌های گوناگون یادگیری ماشین و یادگیری عمیق، مدلسازی احساسات را انجام دادیم که از میان روش‌های پیاده‌سازی شده، روش TFIDF + SVM بیشترین دقت را کسب نمود. سپس به تجزیه و تحلیل 8 نوع هیجان موجود در پرونده‌ها پرداخته و به صورت طبقه‌بندی چند برچسبه آن‌ها را مدل‌سازی نمودیم که به صورت میانگین، الگوریتم TFIDF + SVM بیشترین دقت را داشت. در گام بعد، میزان مجازات‌های در نظر گرفته شده در پرونده‌ها را در دو دسته مخففه و مشدده طبقه‌بندی نموده و به روش‌های یادگیری ماشین، یادگیری ماشین جمعی و یادگیری عمیق، به مدلسازی آن‌ها اقدام نمودیم که در نهایت از میان روش‌های بررسی شده، در مجازات شلاق روش TFIDF + Adaboost، در مجازات جریمه نقدی روش BERT و در مجازات زندان روش Skipgram + LSTM + CNN، بیشترین دقت را کسب نمودند. در نهایت به منظور تخصیص هر یک از برچسب‌های مجازات شلاق، جریمه نقدی و زندان، هر الگوریتمی که بیشترین دقت را داشت انتخاب نموده و دقت آن را در شرایطی که داده ما متون قضایی به علاوه نمره احساسات پرونده، متون قضایی به علاوه نمره هیجانات پرونده، متون قضایی به علاوه نمره احساسات و نمره هیجانات پرونده باشد را محاسبه نمودیم. نتایج این پژوهش نشان می‌دهد که استفاده از نمره احساسات و هیجانات، باعث افزایش دقت پیش‌بینی حکم دادگاه برای هر سه مجازات مورد بررسی(شلاق، جریمه نقدی، زندان) می‌گردد. همچنین مجازات شلاق بیشترین تاثیر و مجازات زندان کمترین تاثیر را از احساسات و هیجانات می‌گیرد. در ضمن در مجموع احساسات تاثیر بیشتری نسبت به هیجانات در پیش‌بینی رای دادگاه دارند. کلیدواژه‌ها: پیش‌بینی حکم دادگاه، متن‌کاوی، یادگیری ماشین، یادگیری عمیق، تحلیل احساسات، تحلیل هیجانات   

چکیده:امروزه با بهره­مندی از فناوری­های هوش مصنوعی و یادگیری ماشین شاهد پیشرفت­های چشم­گیری در صنعت حمل و نقل هوشمند به ویژه خودروهای تمام خودکار هستیم که با استفاده از حسگرهای پیشرفته و تکنیک بینایی ماشین قادر به تجزیه و تحلیل اطلاعات محیط پیرامون خود هستند. از چالش­های مطرح در طراحی سیستم این نوع از خودروها، شناسایی درست سایر وسایل نقلیه­ی اطراف مسیر حرکت خودرو است. هدف اصلی این پایان­نامه ارائه روشی برای تشخیص نوع خودروهای اضطراری بر اساس یادگیری عمیق است. با توجه به اهمیت ویژ? عبور و مرور خودروهای اضطراری در جاده­ها و خیابان­ها، خودروهای بدون راننده باید توانایی شناسایی این نوع از خودروها را با دقت بالا داشته و در صورت مشاهده آنها واکنش مناسبی داشته باشند. در این پایان­نامه، برای شناسایی نوع خودروهای اضطراری روش­هایی مبتنی بر یادگیری عمیق ارائه شده است که فرایندهای استخراج ویژگی و طبقه­بندی درآن به صورت همزمان انجام می­شود. روش­های پیشنهادی شامل سه مرحله اصلی هستند: در مرحل? اول، پیش پردازش­های لازم مانند یکسان­سازی اندازه تصاویر و نرمال­سازی انجام می­شود. در مرحل? دوم، ویژگی­های مورد نیاز توسط شبکه عصبی پیچشی از تصاویر استخراج می­شود و در مرحله سوم طبقه­بندی تصاویر صورت می­گیرد. مجموعه داده اصلی مورد استفاده در این پژوهش توسط نگارنده جمع­آوری شد که شامل 4000 تصویر از کلاس­های خودروی آمبولانس، خودروی آتشنشانی، خودروی پلیس و سایر خودروها است. در ادامه کار برای ارزیابی­های بیشتر در کنار مجموعه داده اصلی، از دو مجموعه داده کگِل و MIO-TCD نیز استفاده شد. اولین روش پیشنهادی استفاده از شبکه عصبی پیچشی­ای بود که از ابتدا آموزش دیده است. به دلیل پایین بودن تعداد تصاویر برای آموزش شبکه، مشکلاتی همچون بیش­برازش بوجود آمد که برای برطرف شدن آن از تکنیک­های تقویت داده و حذف تصادفی استفاده شد. این روش پیشنهادی به صحت قابل قبول 24/97 رسید. دومینروش پیشنهادی ما، استفاده از تکنیک ترکیب شبکه­های پیچشی بود. در این تکنیک بخش استخراج ویژگی­ شبکه­ها با یکدیگر ترکیب و در نهایت این ویژگی­ها به طبقه­بند شبکه مورد نظر داده شد. با استفاده از این روش به صحت 01/99 رسیدیم. در ادامه برای بهبود کار خود از شبکه پیش­آموزش دیده VGG16 استفاده کردیم. ما با استفاده از تکنیک تنظیم دقیق که در آن تمامی بلوک­های   شبکه VGG16 به غیر از بلوک آخر را فریز کردیم، توانستیم به صحت 75/99 برسیم. کلمات کلیدی: خودروهای بدون راننده، خودروهای اضطراری، یادگیری عمیق، شناسایی وسایل نقلیه   

اینترنت اشیاء شبکه ای از اشیاء فیزیکی است که توسط اینترنت به هم متصل شده­اند. اینترنت اشیاء حوزه‌های مختلفی را در بر می‌گیرد مانند: اتوماسیون منزل، فرآیندهای صنعتی، نظارت بر سلامت انسان و نظارت محیطی. آینده اشیاء، آینده   اینترنت است و برای هر چیزی که در جهان موجود است، مفید خواهد بود. اینترنت اشیاء با وجود مزایای بسیاری که دارد، چالش‌های مربوط به امنیت و حریم خصوصی را نیز ایجاد می‌کند. سیستم‌های IoT[1] بسیار آسیب­پذیر هستند، بنابراین یک سیستم تشخیص نفوذ[2]، برای محیط‌های IoT نیاز است. سیستم‌های تشخیص نفوذ، ابزار مهمی برای حفاظت از شبکه‌ها و سیستم‌های اطلاعاتی هستند. هدف یک سیستم تشخیص نفوذ جلوگیری از حمله نیست و تنها کشف و شناسایی حملات و تشخیص اشکالات امنیتی در سیستم یا شبکه کامپیوتری و اعلان آن به مدیر سیستم است. با وجود اینکه چندین دهه از توسعه سیستم­های تشخیص نفوذ گذشته است، اما هنوز این سیستم­ها با چالش­هایی در بهبود دقت تشخیص مواجه هستند. بسیاری از سیستم­های تشخیص نفوذ هنوز از نرخ هشدار غلط بالا رنج می­برند بنابراین بسیاری از محققان بر توسعه سیستم­های تشخیص نفوذ با نرخ تشخیص بالا و کاهش نرخ هشدار غلط تمرکز کرده­اند. از آنجا که محیط شبکه به سرعت تغییر می­کند، انواع حملات جدید ظاهر می­شوند. بنابراین لازم است که سیستم­های تشخیص نفوذ را توسعه دهیم که بتوانند حملات ناشناخته را شناسایی کنند. برای حل این مشکلات محققان شروع به تمرکز بر ساخت سیستم­های تشخیص نفوذ با استفاده از روش­های یادگیری ماشین کرده­اند. یادگیری عمیق[3] شاخه ای از یادگیری ماشین است که بر مبنای مجموعه­ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند. لذا در این پایان نامه، به فرایند تشخیص نفوذ در اینترنت اشیاء با رویکرد یادگیری عمیق پرداخته شده است. در این پایان نامه یک روش شناسایی حمله و ناهنجاری بر اساس ترکیب الگوریتم‌های CNN-LSTM یادگیری عمیق، در مجموعه داده BOT-IOT به کار برده شده است. به منظور ارزیابی عملکرد، از شاخص‌های دقت[4]، صحت[5] و یادآوری[6]، استفاده شده است. با توجه به نتایج به دست آمده در روش پیشنهادی، دقت تشخیص 99.98% به دست آمده است. [1] Internet of Things [2] Intrusion Detection System [3] Deep Learning [4] Accuracy [5] Precision [6] Recall

روزانه حجم زیادی از نظرات توسط کاربران در وب به خصوص در شبکه‌های اجتماعی، سایت های نقد و بررسی‌های آنلاین در انجمن‌ها و شبکه‌های اجتماعی منتشر می‌شود. به علت حجم بسیار زیاد این داده‌ها و اطلاعات متنی، تجزیه و تحلیل آن‌ها توسط انسان بسیار دشوار، زمان بر و عملاً غیرممکن است؛ بنابراین به وجود سیستم که به صورت خودکار بتواند نظرات را تجزیه و تحلیل بتواند، نیاز داریم. تحلیل احساسات راه‌حلی برای این مسئله است. تحلیل احساسات زیرشاخه‌ای از پردازش زبان طبیعی و فرآیندی است که به کشف نگرش‌ها، دیدگاه‌ها و احساسات با برچسب‌گذاری مثبت، منفی و خنثی افراد از روی نوشته‌هایشان می‌پردازد. ویروس کرونا رسانه‌های اجتماعی را به توفان کشانیده است. با افزایش آگاهی در مورد بیماری،پیام‌ها، پست‌ها حضور آن را تایید می‌کنند. شبکه اجتماعی توئیتر اثر مشابهی را با تعداد پیام‌های مربوط به کرونا نشان داد که رشد بی‌سابقه‌ای را در این چند مدت داشته است. در این پژوهش سعی بر تجزیه و تحلیل پیام‌های فارسی خواستیم با استفاده از یادگیری ماشین احساسات پیام‌های شبکه اجتماعی توئیتر را در پادمی ویروس کرونا مورد تجزیه و تحلیل قرار دهیم. با توجه به موفقیت یادگیری ماشین در بسیاری از زمینه‌های کاربردی به سبب توانایهای که در استخراج خودکار ویژگی‌ها و یادگیری الگوهای پیچیده دارد مورد بحث قراردادیم، هدف از این تحقیق ارائه مدلی به منظور تحلیل و طبقه‌بندی احساسات کاربران شبکه اجتماعی توئیتر با استفاده از الگوریتم‌های یادگیری ماشین است.   در پژوهش حاضر با بکار گیری از الگوریتم‌های یادگیری ماشین مانند درخت تصمیم، SVM، رگرسیون لجستیک برای رویکرد احساسات توئیت های فارسی نتایج خوبی به دست آمد. به همین ترتیب الگوریتم درخت تصمیم 83 درصد،الگوریتم بردار پشتیبان 81 درصد و الگوریتم رگرسیون لجستیک 77 درصد دقت داشتند.   کلیدواژه‌ها: تحلیل احساسات،پاندمی ویروس کرونا،شبکه‌های اجتماعی توئیتر،یادگیری ماشین.        

سرطان پوست یکی ‌از سرطان‌های رایج در میان جوامع بشری محسوب می‌شود و میزان شیوع آن بطور چشمگیری درحال افزایش است. یکی از خطرناکترین انواع سرطان پوست ملانوما است که هرچه ضایعه پوستی بیشتر رشد کند، شانس درمان کاهش می­یابد. تشخیص زودهنگام سرطان در درمان آن نقش مهمی را دارد. درمان قطعی سرطان ملانوما با تشخیص زودهنگام آن میسر می‌باشد. در این پایان نامه روشی جدید جهت تشخیص سرطان پوست ارائه شد. در این روش ابتدا دو نوع تبدیل موجک گسسته و ایستان روی تصاویر اعمالشد. سپس از این تصاویر تبدیل شده، تعدادی ویژگی های آماری استخراج شد. همچنین ویژگی­های مختلف جهانی، محلی و... نیز روی تصاویر سطح خاکستری و رنگی اعمال شد. در مرحله ی بعد برای بهبود نتایج، ویژگی های استخراجی باهم ترکیب شدند تا بهترین ترکیب از ویژگی­ ها که با بالاترین دقت تصاویر را طبقه­ بندی می­کند به­دست آید. دسته بند استفاده شده در این روش ماشین بردار پشتبان حداقل مربعات است که تصاویر را به دو نوع سرطان ملانوما یا ضایعات پوستی دیگر دسته ­بندی می­کند. روش ارائه شده دقت مناسبی را در تشخیص سرطان پوست دربردارد. همچنین این روش، سرعت پاسخ ­دهی مطلوبی در استخراج ویژگی و دسته­بندی تصاویر دارد. پایگاه داده مورد استفاده در این پایان نامه ISBI2016 می­باشد که دقت به دست آمده روش پیشنهادی برای این داده ها   85.22 درصد می باشد.کلمات کلیدی: سرطان ملانوما، تبدیل موجک گسسته، تبدیل موجک ایستان، حداقل مربعات ماشینبردار پشتیبان

  طبقه ­بندی احساس مبتنی بر منظر یکی از فیلدهای چالش‌برانگیز در پردازش زبان­ های طبیعی است. پژوهشگران برای این کار از روش‌های سنتی گوناگونی مانند روش‌های لغوی و یادگیری ماشین استفاده کرده­اند. روش‌های سنتی از تعامل میان داده­ ها به‌خوبی استفاده نمی­ کنند و باید به صورت دستی ویژگی­ ها را برایشان مشخص کنیم ولی در مقابل، روش‌های یادگیری عمیق می‌توانند هم تعامل میان داده­ها در نظر بگیرند و هم ویژگی‌های نهفته­ی درون آن‌ها را استخراج کنند. ازاین‌رو به تازگی به صورت گسترده ازاین‌روش­ها در پردازش متن، پردازش تصویر و بسیاری از حوزه ­های دیگر استفاده‌شده است و نتایج خیره‌کننده‌ای را به دست ­آورده است. روش‌های یادگیری عمیق زیادی مانند شبکه ­های کانولوشن، مبتنی بر رویکرد توجه و غیره معرفی شده ­اند اما هرکدام برتری‌ها و کاستی­ هایی دارند. برای نمونه شبکه­های کانولوشن بهتر از شبکه­های دیگر قابلیت موازی­سازی و استخراج ویژگی‌های محلی درون متن و رویکرد توجه نیز قابلیت تمرکز بیشتر روی بخش‌های مهم تر جمله را دارد. همین طور شبکه برت در سال 2018 برای خلاصه ­سازی متن در موتورها جستوجو معرفی شد. در این پایان­ نامه مدل های توجه محلی ساده و زنجیری با توجه به ایده­ی استخراج ویژگی­های محلی شبکه­های­ کانولوشن و همچنین تمرکز بیشتر روی بخش‌های مهمتر با رویکرد توجه و نگاشت کلمات به بردار توسط شبکه برت، معرفی شده ­اند که می‌توان امیدوار بود این شبکه ­ها کاستی‌های هم را پوشش دهند. در مدل ­های پیشنهادی ابتدا با استفاده از توجه محلی ویژگی‌های سطح پایین و مرتبط با منظر برای لایه ­ی بالاتر فراهم می‌شود. سپس با اعمال رویکرد توجه روی لایه­ ی پایین ­تر، ویژگی‌های سطح بالا استخراج و برای طبقه ب­ندی استفاده می شوند. نتایج تجربی نشاد داد که مدل ­های پیشنهادی نتایجی قابل مقایسه با مدل‌های برتر در طبقه ­بندی احساس مبتنی بر منظر، به دست آورده اند.

تشخیص سرطان عمدتاً توسط تجزیه و تحلیل بصری آسیب‌شناس، با بررسی مورفولوژی برش‌های بافت و نظم فضایی سلول‌ها، تحت میکروسکوپ انجام می‌شود. اگر تصویر میکروسکوپی یک نمونه رنگ‌آمیزی نشود بدون رنگ و بافت به نظر می‌رسد، بنابراین برای ایجاد کنتراست و شناسایی اجزای خاص بافت، نمونه‌ها به رنگ‌آمیزی شیمیایی نیاز دارند. در حین آماده‌سازی بافت، با توجه به ترکیبات شیمیایی مختلف، اسکنرهای مختلف، ضخامت برش و پروتکل‌های آزمایشگاهی، بافت‌های مشابه معمولاً در ظاهر متفاوت هستند. این تنوع بالا در رنگ‌آمیزی علاوه بر اختلاف تفسیری در بین آسیب‌شناسان، یکی از چالش‌های اصلی در طراحی سیستم‌های قدرتمند و انعطاف‌پذیر برای تجزیه و تحلیل خودکار است. استراتژی‌های مختلفی از نرمال‌سازی رنگ برای کاهش ناهماهنگی بافت‌های رنگ‌آمیزی شده به‌عنوان یک مرحله پیش‌پردازش در خط لوله سیستم‌های خودکار پیشنهاد شده است. در این پایان‌نامه، نرمال‌سازی رنگ تصاویر هیستوپاتولوژی که از طریق هماتوکسیلین و ائوزین (H&E) رنگ‌آمیزی شده‌اند، براساس روش pix2pix که از شبکه‌های مولد تخاصمی شرطی (cGAN) برگرفته شده است، پیشنهاد و بررسی گردیده است. رویکرد پیشنهادی با عنوان «انتقال از یک رنگ‌ به رنگ‌‌ دیگر»(Stain-to-Stain Translation)   که به اختصار STST گفته می‌شود، نامگذاری شده است. این روش نه تنها توزیع رنگ خاص را یاد می‌گیرد بلکه با حفظ ساختار بافت الگوی هیستوپاتولوژی مربوطه را نیز حفظ می‌کند. همچنین برخلاف روش‌های پیشین که به یک تصویر مرجع وابسته بودند، این روش از توزیع تمامی تصاویر مجموعه آموزش برای یادگیری استفاده می‌کند. روش STST در مقایسه با برخی از بهترین روش‌هایی که تاکنون ارائه شده‌اند، با هر دو ارزیابی کمی و کیفی نتایج قابل توجهی را به دست آورده است. براساس نتایج به دست آمده می‌توان نشان داد که STST علاوه بر شباهت ادراکی بسیار بالا بین مرجع درستی و تصویر مجدد رنگ‌آمیزی شده، در مدت زمان پردازش برای نرمال‌سازی تصاویر بافت نیز از سایر روش‌های نرمال‌سازی رنگ که در این پایان نامه مورد بررسی قرار گرفته است پیشی گرفته است. همچنین این روش در یک کاربرد بالینی یعنی طبقه‌بندی بافت سینه (به دو دسته نرمال یا دارای تومور) مورد آزمایش قرار گرفته است، که نتایج حاصل شده بهبود 5 درصدی   AUC را به همراه داشته است. در ضمن برنامه نرم افزاری ایجاد شده در این پایان نامه نیز در دسترس عموم قرار گرفته است[1]. [1] https://github.com/pegahsalehi/Stain-to-Stain-Translation   

چکیده شما قطعاً انواع فیلم ها و انیمیشن ها را در سینما مشاهده کرده اید که جلوه های ویژه دیدنی را ایجاد می کنند. این جلوه های ویژه کاملاً شبیه به دنیای واقعی است و حرکات شخصیت ها شبیه به عکس های موجود در دنیای واقعی است. با پیشرفت فناوری ضبط حرکت سه بعدی و انتقال آن به رایانه ها ، فیلم ها ، بازی های رایانه ای و به خصوص انیمیشن ها وارد دنیای جدیدی شده اند. هنگامی که فیلم ها با استفاده از مدل های سه بعدی شروع به کار کردند ، هدف آنها ایجاد حرکت واقعی و سرعت بخشیدن به گردش کار بود تا حرکت به صورت دستی متحرک نشود. راه حل این است که حرکات یک بازیگر را به صورت سه بعدی ضبط کنید و آنها را در مدل های رایانه ای سه بعدی بکار بگیرید. هدف از این فناوری این است که به ما امکان دهد شخصیت ها و جلوه هایی موثرتر و واقع بینانه تر ایجاد کنیم که قبلاً قادر به انجام آن نبودیم. هدف از این پایان نامه طراحی و پیاده سازی سیستم ضبط چهره یک بازیگر با استفاده از تکنیک های پردازش تصویر دیجیتال و الگوریتم های یادگیری ماشین است که بدون استفاده از سیستم سخت افزاری خاصی انجام می شود. در این طراحی ابتدا دوربین توسط یک وب کم رایانه ضبط می شود و سپس در تصویر مشخص می شود و سپس نقاط کلیدی صورت شناسایی می شود ، سپس نقاط دو بعدی مشخص می شوند. پارامترهای دوربین و الگوریتم های نقشه برداری دو بعدی و ترکیب آنها با نقاط ویژگی های صورت در فضای مختصات سه بعدی ترسیم شده و یک مدل سه بعدی از چهره ایجاد می شود. این مدل سه بعدی مستقل از چرخش سر و صورت خاص است. سرانجام ، داده های به دست آمده از مراحل قبلی با اتصال به سوکت TCP / IP به یک شخصیت مجازی 3D در نرم افزار Maya 3D منتقل می شوند.  

فشرده­سازی تصویر با کاهش تعداد بیت­های بکار­رفته درنمایش دیجیتال تصویر و کیفیت تصویر بازیابی شده سروکار دارد. فشرده سازی داده­هانقش اساسی در انتقال اطلاعات و ذخیره­سازی دارد. یکی از روش­های فشرده­سازی تصویر کهبسیار کاربرد دارد، استفاده از تکنیک فشرده­­سازی فراکتالی است. این روش مبتنی براستخراج تشابه محلی در تصویر است و دارای مزایایی مانند نرخ فشرده­سازی بالا، دیکدینگسریع و کیفیت بالای تصویر بازیابی­شده است. مشکل اساسی این روش پیچیدگی محاسباتیبالای آن که زمان فشرده­سازی را زیاد می کند. در راهکار پیشنهادی برای این مسئله، پس از جداسازی کانال­های مختلف تصویر کوانتومی واعمال روش جستجوی گرور در پیدا کردن بهترین مدل لایه غشاء کوانتومی، فشرده سازیمحیط فراکتالی صورت می­پذیرد و در نهایت لایه­های جدا شده دوباره به هم می­پیوندند.در اینجا از شبیه­سازی رفتار غشاها برای موازی سازی محاسبات مربوط به یافتن بهترینمقیاس تشابه در دسته­بندی بر اساس پارامتر مقیاس استفاده نموده­ایم تا همزمانبزرگترین بلاک متشابه را با در نظر گرفتن پارامتر کیفیت تصویر بازگشتی بیابیم. عملکرداین روش فشرده­سازی برای تصاویر مختلف در سطح بسیار خوبی قرار دارد و سیستمپیشنهادی می­تواند به­عنوان یک بخش یکپارچه مستقل عملکرد داشته باشد.

تهدیدهای امنیتی وب به­طور روزافزون در حال افزایش است. ماهیت شبکه اینترنت به صفحات وب بدخواه این اجازه را می­دهد تا خود را به‌عنوان "صفحات امن" نشان دهند و متعاقباً برخی از کاربرانی که آگاهی کافی ندارند در دام این وب­سایت­ها گرفتار شوند. یکی از حملات رایج این حوزه، حمله Cross-Site Scripting(XSS) است. این حمله با تزریق اسکریپت­های مخرب به ورودی­های صفحات وب رخ می­دهد، زمانی که کاربر صفحه آلوده مورد نظر را بازدید کند به وقوع می­پیوندد. روش مرسوم برای شناسایی صفحات مخرب وب، استفاده از فهرست‌های سیاه است. این فهرست‌های سیاه، توسط سازمان­های مورد اعتماد و داوطلب تهیه می­شود و سپس توسط مرورگرهای مدرن مانند کروم و فایرفاکس استفاده می­شود. با توجه به اینکه، ماهیت صفحات وب به‌طور مداوم در حال تغییر است، این روش در شناسایی تهدیدهای جدید ناکارآمد است رویکرد دیگر، استفاده از روش­های یادگیری ماشین است که تصمیم­گیری­های پیچیده‌تری نسبت به روش انسانی می­توانند اتخاذ کنند. روش­های یادگیری ماشین با تحلیل ایستای متن(بدون اجرای کد) این کار را انجام می­دهند اما هنوز هم عدم شناسایی صحیح در بسیاری از برنامه­های جاری، منجر به فعال شدن کدهای مخرب شده و آسیب وارد می­کنند. در این پژوهش هدف ما شناسایی وب­سایت­های مخرب با استفاده از ترکیب تحلیل ایستا و پویای(با اجرای کد) است، که به کمک این دو رویکرد ابتدا، چالش­های رمزگشایی و مبهم­سازی را حل کرده و سپس ویژگی­های استخراج شده را تحلیل می­کنیم. نتایج این تجزیه و تحلیل نشان می­دهد که رویکرد پیشنهاد شده با الگوریتم طبقه­بندی درخت تصادفی، پیوندهای صفحات وب را با دقت 97.11 درصد شناسایی می­کند.   

بازبینی عمیق بسته‌ها همیشه چالشی برای سرعت عملکرد و موضوعی برای بازدهی شبکه‌های کامپیوتری بوده است. به همین دلیل روش‌های بسیاری تا کنون ابداع شده‌اند که عمل بازبینی عمیق بسته‌ها را بهبود ببخشند. استفاده از فیلترهای احتمالی، رویکرد تازه‌ای است که در سال‌های اخیر در بازبینی عمیق بسته‌ها اتخاذ شده است. فیلترهای احتمالی نوعی ساختمان داده هستند که برای آزمون عضویت در میان مجموعه‌ای از آیتم‌ها استفاده می‌شوند. این فیلترها ممکن است پاسخ مثبت اشتباه بدهند. یکی از محدودیت‌های این فلیترها ناتوانی آن‌ها در مقیاس‌پذیری کارا می‌باشد. به خصوص هنگامی که در برنامه‌های که توسط پردازنده مرکزی اجرا می‌شودند، استفاده می‌شوند. پیاده سازی ابزار بازبینی عمیق بسته‌ها روی معماری مقیاس پذیر و موازی می‌تواند راه حل مناسبی برای این مشکل باشد. از سوی دیگر، ظهور الگوهای جدید در شبکه‌های کامپیوتری مانند شبکه‌های نرم افزار محور، مشکلات جدیدی را به نظارت بر شبکه اضافه کرد. در حالت پایه،‌ برای اعمال بازبینی عمیق بسته‌ها در شبکه‌های نرم‌افزار محور، تمام کار بازبینی عمیق بسته‌ها به کنترلر شبکه محول می‌شود و این موضوع باعث می‌شود کنترلر بیش از حد مشغول شود و در نتیجه نقطه ضعفی در سرعت شبکه باشد. این شرایط نیاز جدی برای معماری و طراحی جدید بازبینی عمیق بسته‌ها به وجود آورده است که سریع، مقیاس پذیر، انعطاف پذیر و قابل اجرا در شبکه‌های نرم افزار محور باشد. طراحی جدید باید بتواند بار محاسباتی مربوط به بازبینی عمیق بسته‌ها روی کنترلر را کاهش دهد. در این پایان نامه ما تلاش می‌کنیم تا روش جدیدی را ارائه، پیاده سازی و ارزیابی کنیم که موارد گفته شده را رعایت می‌کند.

تشخیص هویت افراد از طریق بیومتریک گوش با بکارگیری یک روش ترکیبی  

تخمین فرکانس پایه   یکی از مسائل مهم در زمینه ی پردازش سیگنال‌های صوتی است. تخمین دقیقِ فرکانس پایه در زمینه تحلیل گفتار و موسیقی نقش بسیار مهمی دارد. برای تخمین فرکانس پایه تاکنون روش‌های مختلفی در حوزه زمان و فرکانس ارائه شده است. مهم ترین چالشی که حل این مساله را با دشواری مواجه می‌کند، وجود نویزهای قوی در سیگنال‌های گفتاری است. در پژوهش حاضر به منظور افزایش دقت استخراج فرکانس پایه، روش­هایی برای ترکیب بهینه تخمین­زننده­های فرکانس پایه در فایل‌های حاوی نویز ارائه شده است. در پژوهش حاضر برای تشخیص قاب­های واکدار از بی­واک، میزان امتیاز واکداری/بی­واکی حاصل از چهار روش اتوکورولیشن، YIN ، YAAPT و SWIPE برای هر قاب، به دو ‌صورت خطی   و غیرخطی با هم ترکیب شده و پس از مشخص شدن برچسب واکداری/بی­واکی، مقدار فرکانس پایه آن قاب یعنی F0 با استفاده از روش SWIPE محاسبه می­گردد. ضرایب بهینه برای ترکیب خطی با استفاده از معیار حداقل مربعات همراه با رگولاریزاسیون تعیین می­گردد. برای ارزیابی روش پیشنهادی، 10 فایل گفتاری (5 فایل با صدای زن، 5 فایل با صدای مرد) از دادگان استاندارد PTDB-TUG انتخاب و معیارهای استاندارد خطا یعنی MFPE، SDFPE، FPE، GPE، VDE، PTE و FFE محاسبه شده است. نتایج آزمایش­ها نشان‌دهنده‌ی این است که روش ترکیب خطی به طور میانگین (در SNR های مختلف) خطای GPE را به میزان   22.98 درصد، خطای VDE را 26.16 درصد، خطای PTE را 9.26 درصد و خطای FFE را به میزان 32.72 درصد (بصورت نسبی) و روش ترکیب غیرخطی (با استفاده از شبکه عصبی MLP) به طور میانگین خطای GPE را به میزان   30.64 درصد، خطای VDE را 33.58 درصد، خطای PTE را 9.58 درصد و خطای FFE را به میزان 39.86 درصد نسبت به روش‌های مشهورِ استخراج فرکانس پایه گفتار کاهش می­دهد.

موتور های [1]SRM به علت هزینه پایین و ساختار ساده و سخت و محکم و بازده بالا و قابلیت دنبال کردن در سرعت های متغییر و بالا و دمای محیط بالا توجه چشمگیری را به خود جلب کرده است. موتورهای SRM یکی از قدیمی ترین انواع موتورهای الکتریکی هستند که به دلیل عدم وجود سیستم های کنترلی مناسب کنار گذاشته شده بودند اما امروزه از فناوری نیمه هادی مدرن، موتورهای SRM به صورتی ارزان و حتی ساده تر از موتورهای القایی قابل ساخت هستند و احتمالاً به زودی قابلیت رقابت با همه ی موتورهای الکتریکی دیگر را خواهند داشت. یکی از مشکلات این ماشین پیچیدگی کنترل سرعت آن است که تاثیر پذیر از ولتاژهای آستانه هر فاز و پالس های تشخیص اعمالی به فاز های آن می باشد می باشد. اما امروزه مهندسین در تلاش هستند که موانعی که باعث این مشکلات می شوند را با گذشت زمان حل کنند.[1] Switch Reluctance Motor

  طبقه بندی وظایف تصویری موتور برای نرم افزار رابط کاربری کامپیوتر مغز

معرفی روشی برای تحلیل احساس داده های حجیم (مطالعه موردی تویتر)

  موضوع بهبود کیفیت صدا امروزه به یکی از موضوعات مهم و اساسی روز تبدیل‌شده است .ازاین‌رو بهبود گفتارهای آغشته به نویز یکی از موضوعات مهم در حوزه پردازش سیگنال است و در موارد بسیاری مثل تشخیص صدا، شناسایی احساسات صوتی و...کاربرد دارد. تضعیف نویز به‌نحوی‌که اختلالی در سیگنال اصلی به وجود نیاورد یک چالش مهم برای بهبود صدا محسوب می‌شود. روش‌های مختلفی برای کاهش نویز ارائه‌شده‌اند که ازجمله روش‌های پایه می‌توان به روش تفریق طیفی ، تبدیل موجک، و...سایر موارد اشاره کرد. موضوع تحقیق این پایان­نامه نیز بررسی نویز موجود در سیگنالِ گفتار، حذف و یا کاهش آن نویز ازسیگنال گفتارِنویزی و ایجاد بهبود در سیگنال‌های گفتارِ آغشته به نویز می­باشد.در این پایان­نامه دو   روش جدید برای کاهش نویز موجود در سیگنال گفتار نویزی ارائه داده ایم . در روش اول ، یک روش تخمین نویز برای نویزهای غیر ایستان همراه با اعمال تبدیل موجک بر روی سیگنال و استفاده از الگوریتم بهینه‌سازی گروه ذرات با رفتار کوانتومی،را به صورت ترکیبی با روش Bayesian ارائه داده‌ایم تا نویزهای موجود در سیگنال نویزی را حذف کند و سیگنال بازیابی شده به سیگنال اصلی نزدیک‌تر باشد.در روش دوم نیز با اعمال تبدیل موجک بر روی سیگنال و ترکیب آن با روش SMPR   روشی جدید برای کاهش نویز ارائه داده ایم. روش­های پیشنهادی نسبت به روش‌های موردتحقیق در این پایان­نامه بهتر عمل می‌کنند و منجر به کاهش نویز از سیگنال با کمترین اعوجاج می‌شوند.

ازدیاد جمعیت کلان‌شهرها منجر به کاهش فضاهای موجود در سطح شهرها شده و تمایل به استفاده از فضاهای زیرزمینی را به دنبال داشته است. سازه­های زیرزمینی بخصوص در شهرهای با جمعیت زیاد برای رفع نیازهای مختلف احداث می­گردند. برای حل گره­های ترافیکی بوجود آمده راه­حل­های متفاوتی ارائه‌شده است که از مهم‌ترین آن‌ها می­توان احداث مترو، تقاطع­های غیرهمسطح، قطارهای شهری و غیره می­باشد. برخلاف تصور عمومی که اثر زلزله برسازه­های زیرزمینی و تونل­ها را ناچیز می­دانند، موارد فراوانی در مطالعات محققین در سالهای اخیر وجود دارد که اهمیت اثرات تخریبی زلزله را بر این سازه­ها نشان می­دهد. با آشکار شدن اهمیت حضور فضاهای زیرزمینی بر پاسخ لرزه­ای در سطح زمین مطالعه و مدل­سازی تحلیلی، عددی و فیزیکی در این زمینه مورد توجه محقیقین قرار گرفت. با توجه به لرزه­خیز بودن شهر کرمانشاه سعی شده است تا با استفاده از نرم­افزار اجزا محدود آباکوس و با تعریف رفتار غیرخطی مناسب برای مصالح   بکار گرفته‌شده در مدلسازی صورت گرفته به بررسی اثر زلزله بر ساختگاه تونل متروی کرمانشاه پرداخته شود. گمانه­های BH-7، BH-8 و BH-9   هرکدام به‌طور مجزا در سه‌گام جداگانه ابتدا تحلیل فرکانسی و سپس تحلیل میدان آزاد (بدون تونل) و درنهایت مدل اصلی با مدل‌سازی سازه تونل تحلیل شده­اند. نتایج حاصله از تحلیل تاریخچه زمانی صورت گرفته در سه گمانه BH-7، BH-8 و BH-9 نشان می­دهد که بزرگنمایی حداکثر در گمانه BH-9 رخ می­دهد که بحرانی­ترین گمانه از لحاظ بزرگنمایی امواج دریافتی در سطح زمین می­باشد. باوجوداینکه بزرگنمایی حداکثر در گمانه BH-9 رخ می­دهد اما بیشترین تنش و خسارت در پوشش تونل در محل گمانه BH-8 رخ می­دهد که به دلیل قرارگیری این گمانه در نزدیکی سنگ‌بستر می­باشد. به‌طورکلی میزان خسارت ایجادشده در تونل­ها وابسته به خصوصیات   لایه­های خاک، محتوای فرکانسی و شدت زلزله وارده بر تونل، میزان بزرگنمایی ایجادشده در پروفیل خاک، میزان سربار تونل، مقاومت مصالح تشکیل‌دهنده پوشش بتنی و فاصله از سنگ‌بستر   می­باشد.

یکی از مباحث مهم در جامعه امروزی که دغدغه بسیاری از کارشناسان و همچنین کاربران می‌باشد بحث امنیت و تشخیص و تایید هویت است. مردم خواستار اقدامات امنیتی بی­عیب، ساده و کاربرپسند هستند. بیومتریک، احراز هویت افراد براساس ویژگی­های منحصربفرد و متمایز کننده ، مقاوم و قابل­سنجش است که بتواند جهت تعیین یا تایید هویت افراد بکار رود. شناسایی از طریق بیومتریک، شناسایی یک فرد براساس صفات فیزیولوژی، رفتاری و شیمیایی یک شخص است. تشخیص هویت از طریق بیومتریک مزایای بسیاری دارد و تاکنون روش­های مختلفی ارائه شده است. روش­های بکار رفته در هر دوره قوت و ضعف فناوری آن را به همراه دارد. در بین ویژگی­های بیومتریک مختلف استفاده از الگوی رگ دست افراد یکی از مناسب­ترین و قابل اطمینان­ترین خصیصه­های بیومتریکی می­باشد که ما در این پایان­نامه به آن می­پردازیم. سیستم­های تصدیق هویت مبتنی بر الگوی رگ دست شامل چندین مرحله مختلف از قبیل پیش­پردازش، استخراج ویژگی الگوی رگ­ها و تطابق الگو است. در سال­های اخیر روش­های مختلفی برای هر کدام از این مراحل ارائه شده است. در این پایان نامه، تمرکز ما بر روی استخراج ویژگی و بکارگیری توصیفگرهای بافت تصویر و ترکیب چند توصیفگر می­باشد. به منظور استخراج ویژگی توصیفگرهای الگوی باینری یکنواخت، الگوی باینری یکنواخت مستقل از چرخش و کوانتیزه ساز فاز محلی مستقل از چرخش به کار گرفته شده است. همچنین در روش پیشنهادی ترکیب چند توصیفگر را نیز بررسی نموده ایم. در ادامه برای طبقه بندی تصاویر، سه طبقه بند متفاوت ماشین بردار پشتیبان، درخت تصمیم و کا نزدیک­ترین همسایه بکار گرفته شده است. برای ارزیابی دقیق روش پیشنهادی، از مجموعه داده PUT Hand Vein   که خود شامل دو مجموعه داده از تصاویر رگ کف دست و رگ پشت دست است، استفاده شده است. پایگاه داده شامل 1200 تصویر رگ کف دست و همچنین 1200 تصویر رگ پشت دست است. همچنین پارامتر دقت طبقه بندی تصاویر و زمان محاسبات اندازه گیری شده است. نتایج بدست آمده از اجرای این الگوریتم­ها و ترکیبات مختلف آنها نشان می­دهد که بهترین الگوریتم ترکیب الگوی باینری یکنواخت و کوانتیزه ساز فاز محلی است که دقت این روش در تصاویر رگ کف دست برای دست راست 99 درصد و برای دست چپ 33/ 99 درصد با طبقه­بند ماشین بردار پشتیبان بدست آمده است. در تصاویر رگ پشت دست برای دست راست مقدار دقت طبقه بندی 83/97 درصد و برای دست چپ 66/97 درصد با بکارگیری طبقه­بند کا نزدیکترین همسایه بدست امده است. علاوه بر این در مقایسه با روش های پیشین، نتایج بدست آمده از روش پیشنهادی بهبود دقت را نشان می­دهد.  

  یکی از مباحث مهم در پردازش صوت، پردازش فایل‌هایی است که در آن مخلوطی از گفتار انسان، سکوت و موزیک وجود دارد. به عنوان نمونه می‌توان به فایل‌های ضبط شده از رسانه‌های رادیویی، تلویزیونی و ماهواره‌ای اشاره کرد که حاوی سیگنال‌های صوتی متنوعی هستند.در برخی از کاربردها مانند کاهش حجم، افزایش کیفیت، شناسایی و کاربردهای دیگر نیاز به جداسازی گفتار انسان و یا به عبارتی حذف سکوت، موزیک و یا نویزهای محیطی از سیگنال‌های صوتی به‌وجود می‌آید. سیستم‌های جداسازی گفتار را می‌توان نوعی از سیستم‌های شناسایی گفتار انسان و یا سیستم‌های دسته‌بندی کننده‌ی سیگنال‌های صوتی دانست که از آنها برای جداسازی، شناسایی و یا نشانه گذاری قسمت‌هایی از سیگنال صوتی که شامل گفتار انسان است، استفاده می‌شود.برای انجام عملیات جداسازی گفتار انسان از سیگنال‌های صوتی از روش‌ها و رویکرد‌های گوناگونی بهره گرفته‌می‌شود. هدف ما در اینجا ارائه روشی مناسب وکارا   در قسمت استخراج ویژگی (feature extraction) و هم‌چنین در قسمت دستبه‌بندی (classification) با استفاده از الگوریتم‌های قدرتمند و پیشنهادی و نوین برای رسیدن به دقت بالا و کارایی بیشتر می‌باشد.

بیماری قلبی یکی از علل اصلی ناتوانی در بزرگسالان و یکی از علل اصلی مرگ در کشورهای توسعه یافته است. اگر چه پیشرفت های قابل توجهی در تشخیص و پیش بینی بیماری های قلبی انجام شده است، تحقیقات بیشتری هنوز مورد نیاز است.تکنیک های داده کاوی در بسیاری از زمینه ها از جمله علم، وب، کسب و کار، بیوانفورماتیک و انواع مختلف داده ها مانند داده های حسگر، بصری، متنی به کار گرفته شده است. اطلاعات پزشکی هنوز اطلاعات غنی است، اما دانش ضعیف است. داده کاوی یک ابزار است که ما می توانیم از آن برای پیش بینی یا تشخیص بیماری های قلبی بر اساس داده های قبلی در مجموعه داده های استاندارد استفاده کنیم. طبقه بندی عملیات داده کاوی است که اقلام را در یک مجموعه به مقوله ها یا کلاس های هدف اختصاص می دهد. هدف طبقه بندی، دقیقا پیش بینی کلاس هدف برای هر مورد در داده ها است.هدف این پایان نامه طراحی، تطبیق و معرفی یک روش طبقه بندی ترکیبی جدید برای تشخیص بیماری های قلبی است. Hybridization طبقه بندی می تواند در چهار سطح مختلف انجام شود. سطح داده، که به معنی استفاده از مجموعه داده های مختلف و ترکیب است. ترکیب سطح ویژگی سطح دوم است، که در آن از تکنیک های انتخاب ویژگی استفاده می شود. از آنجا که طبقه بندی ها مهم ترین بخش از روش طبقه بندی ترکیبی هستند، سطح سوم طبقه بندی سطح است. در این سطح، طبقه بندی های مختلف یا ترکیبی از آنها می تواند مورد استفاده قرار گیرد. سطح نهایی سطح ترکیب است. در حقیقت، تصمیم نهایی در اینجا، بر اساس ترکیب نتایج یک طبقه بندی کننده، و با معیارهای ارزیابی تحلیل می شود.یک روش طبقه بندی ترکیبی می تواند از هر تعداد از این سطوح استفاده کند. روش پیشنهادی ما شامل سه رویکرد اصلی بر اساس تعداد و نوع استفاده از این سطوح است. ما یک دستاورد بزرگی کرده ایم و این کار با استفاده از ترکیبی از داده های سه گانه ماست. ما یک مجموعه داده جدید را با ترکیب دو مجموعه داده های استاندارد بیماری قلبی مخزن یادگیری ماشین UCI، کلیولند و Statlog ایجاد کردیم. تمام این سه مجموعه داده استفاده شده است. در مورد استفاده از مجموعه داده های کلیولند، فقط 13 ویژگی اصلی انتخاب شده اند که با ویژگی های مجموعه داده Statlog سازگار هستند. لازم به ذکر است که مجموعه داده های کلیولند حاوی مقادیر گم شده است و این مقادیر از مجموعه داده حذف شده اند.یک بخش از روش پیشنهادی ما (روش دو) از الگوریتم CFS برای انتخاب بهترین ویژگی ها در سطح ویژگی استفاده کرده است. در همه رویکردها، طبقه بندی های KNN، DT، NB و SVM و انتخاب های مختلف آنها در سطح طبقه بندی استفاده می شود. در آخرین سطح، نتایج طبقه بندی های ذکر شده با برخی از روش هایی مانند رای اکثریت رای گیری و رای گیری اکثریت با وزنی ترکیب شده است.ما یک روش را طراحی کرده ایم و آن را اجرا می کنیم که از طبقه بندی های تک استفاده می کند. این روش با عنوان "روش پایه" که برای تعیین اینکه آیا استفاده از روش ترکیبی ما دقت تشخیص را بهبود می بخشد یا نه، نامیده می شود. ما نتایج ارزیابی روش پیشنهادی ما را با تحقیقات قبلی و با روش «پایه» مقایسه کردیم. نتایج مقایسه نشان داد که روش پیشنهادی ما دقت تشخیص را بهبود می بخشد.بهترین نتیجه روش پایه برای مجموعه داده های Cleveland برابر با 83.82? از دقت طبقه بندی و برای مجموعه داده Statlog برابر با 84.07? از دقت طبقه بندی با استفاده از SVM بود. ترکیب داده ها (مجموعه داده ها) دقت طبقه بندی را در روش مبتنی بر 95.23? با استفاده از KNN افزایش داد.در نهایت، حداکثر دقت طبقه بندی که با استفاده از روش پیشنهاد ما به دست آمد، برابر با 96.29 درصد از دقت طبقه بندی است که متعلق به روش دو است. رویکرد دو مزیت از ترکیب سطح داده، تکنیک انتخاب ویژگی (CFS)، گروه طبقه بندی سطح و رای اکثریت در ترکیب combiner. این نتیجه نشان داد که بهترین انتخاب طبقه بندی ها KNN، DT در یک مورد و KNN، NB در مورد دیگری است. دقت طبقه بندی این مجموعه داده ها با اعتبارسنجی k-fold با k = 10 بدست آمد.

هدف از شناسایی گوینده ، تمایز قائل شدن بین افراد از طریق تفاوت در ویژگیهای گفتار آنهاست. به این معنی افراد نه تنها در ویژگیهایی مانند اثر انگشت و برخی ویژگیهای شناخته شده از هم قابل تفکیک هستند، بلکه می­توان از تفاوتهای دیگری مانند، شکل دستگاه صوتی و ویژگیهایی مثل لحن، لهجه، طرز بیان و ... نیز بهره برد. روشهای زیادی برای مدل کردن سیگنال صوتی، بصورتی قابل تحلیل بوجود آمده­اند. از جمله­ی این روشها می­توان به روش مدل مخلوط گوسی و مدل پس­زمینه جهانی استفاده کرد. از این مدل برای تشکیل ابربردارهای گوسی استفاده شده است. ابربردارهای گوسی بردارهایی با بعد ثابت هستند که از سال 2006، توسط کمپبل تعریف شده­اند. و در سیستمهای شناسایی گوینده مورد استفاده قرار گرفته­اند. مشکل این ابربردارها، بعد بالای آنهاست که موجب افزایش پیچیدگی محاسباتی شده است. برای مقابله با این مشکل، از روشهای کاهش بعد مانند بدست آوردن بردار i-vector مربوط به هرگوینده استفاده شده است. در این تحقیق مولفه­های گوسی که برای مدل کردن i-vectorها استفاده شده اند با توجه به مقدار آماره باوم ولچ مرتبه صفر آنها به دو دسته مولفه­های کم اهمیت و مولفه­های موثر دسته­بندی شده­اند. از هرکدام از این مجموعه­ها عناصری بصورت تصادفی حذف می­گردد که تعداد این عناصر حذفی در دو مجموعه متفاوت است. برای ارزیابی عملکرد سیستم از پایگاه داده TIMIT استفاده شده است. میانگین خطای EER روش پیشنهادی نسبت به کمترین مقدار خطای EER در سایر روشها 56درصد کاهش داشته است.کلمات کلیدی: ابربردار، i-vector، نمایش تنک، ماتریس نگاشت، شناسایی گوینده، مدل مخلوط گوسی، مدل پس زمینه جهانی  

مطالعات انجام‌شده تا به امروز از وجود یک تمایز در حالات روحی افراد خبر می‌دهد. این چشم‌انداز برای همه محققان، به‌خصوص طراحان بازی‌های رایانه‌ای ارزشمند است، چراکه با افزایش گوشی­های لمسی و افزایش بازی­ بر روی این نوع گوشی­ها این سوال برایمان پیش می­آید «آیا رفتارهای لمس حالات روحی بازیکنان را منعکس می‌کند؟» چنانچه بتوانیم حالات روحی کاربران را تشخیص دهیم، طراحان بازی می­توانند با توجه به حالات روحی کاربران میزان و شدت سطح بازی را کنترل کنند و اثرات مخرب این‌گونه بازی‌ها را به حداقل برسانند. در این پژوهش می‌خواهیم از ویژگی‌های نحوه لمس افراد در زمان بازی بر روی یک صفحه لمسی استفاده ­کنیم تا بتوانیم بین حالات روحی مختلف و شخصیت هر فرد تفاوت قائل شویم.در این تحقیق با استفاده از پارامتر شخصیت در تشخیص حالات روحی توانستیم به‌دقت 90/91 درصد و تشخیص شخصیت را با دقت 79/97 در بهترین حالت انجام دهیم. علاوه بر این به یک نتیجه دیگر نیز رسیدیم و آن‌هم این است که وجود ابعاد شخصیت در پارامترها باعث روند بهبود تشخیص نمی‌شود چه‌بسا در الگوریتم‌های انتخاب پارامتر در ارزیابی حالت روحی ابعاد شخصیتی از پارامترهای موجود حذف می‌شوند، اما اگر بعد برانگیختگی حالات روحی و تمامی ابعاد شخصیت را در نظر بگیریم در ارزیابی حالت روحی به‌دقت 52/98 می‌رسیم و ابعاد شخصیت نیز درروند نتایج تاثیر مثبت خواهند داشت.

نیاز به امنیت اطلاعات خصوصی و حساس در دستگاه­های چند لمسی همراه مانند گوشی­های هوشمند و تبلت­ها یکی از مشکلات اصلی در امنیت آنها است. روش­های مرسوم در این دستگاه­ها کلمه رمز و الگوها هستند که موانع و چالش­های زیادی دارند. روش­های بیومتریک تشخیص هویت جایگزین خوبی برای غلبه بر مشکلات این روش­ها هستند. شناسایی کاربر گوشی هوشمند براساس رفتار بیومتریک حاصل از لمس صفحه با انگشتان و حرکت آنها روی صفخه لمسی می­باشد. هدف این تحقیق ارائه روش­ تشخیص هویت با استفاده از بیومتریک­ رفتاری براساس حرکت انگشتان روی صفحه لمسی برای قفل­گشایی این دستگاه­ها می­باشد. در این پژوهش با استخراج تعداد زیادی از ویژگی­ها به دقت بالا در تشخیص هویت کاربر براساس حرکت انگشتان روی صفحه لمسی برای قفل­گشایی این دستگاه­های چند لمسی دست یافته­ایم

امروزه اقتصاد های مختلف، تجربه های زیادی در زمینه نوسانات اقتصادی بدست آورده اندکه شامل دوران های رونق و رکود اقتصادی می باشد.با توجه به این که یکی از موضوع های بسیار با اهمیت در حوزه اقتصاد کلان ،تثبیت اقتصادی ورسیدن به اهداف اصلی کلان اقتصادی از جمله   رشد اقتصادی،افزایش اشتغال و کاهش تورم می باشد،بنابراین به منظور تحقق این اهداف و کاهش زیان های ناشی از سیکل های تجاری، سیاستگذاران و برنامه ریزان اقتصادی   همواره تلاش می کنندتا با کنترل این نوسانات اقتصادی تا حد ممکن این اهداف را تحقق بخشند. بنابراین به منظور تحقق هرچه بیشتر این اهداف، پیش بینی ادوار تجاری در اقتصاد کلان همواره دارای اهمیت می باشد و بخش مهمی از فرآیند تصمیم گیری وسیاست گذاری اقتصادی را در هر کشور تشکیل می دهد.   در این پژوهش از داده های فصلی طی دوره ی زمانی بین سال های 1353تا1393 استفاده گردیده است و به منظور پیش بینی وقوع رکوداقتصادی 115 فصل را بعنوان مجموعه آموزش و به صورت نمونه گیری بدون جایگذاری و 49 فصل را به عنوان مجموعه آزمایش در نظر گرفته شده است.در این پژوهش در مرحله اول ، ابتدا با توجه به مطالعات صورت گرفته در زمینه ادوار اقتصادی کشور ایران مجموعه ای از متغیر های موثر بر بروز و پیش بینی این ادوار معرفی می گردد سپس با استفاده از تکنیک داده کاوی و روش طبقه بندی موثرترین متغیر ها بر بروز این ادوار شناسایی می گردد. سپس در مرحله مدل سازی مدل درختان تقویت کننده، در ابتدا با توجه به مجموعه کل داده ها، پارامتر های تنظیم کننده   بر اساس معیار های دقت مدل Accuracyو kapa بر اساس بیشترین دقت و کمترین RMSE بهینه یابی شده ومناسب ترین مدل در مرحله ساختاری تنظیم می گردد .سپس این بهینه یابی در شرایط انتخاب موثرتن شاخص ها نیز صورت می گیرد و مدل نهایی در زمینه پیش بینی ادوار اقتصادی تعیین می گرد . در مرحله سوم   براساس بهینه یابی صورت گرفته از مدل و پارامتر های تنظیمی مدل، مدل نهایی پیش بینی تنظیم گردیده وفرآیند پیش بینی صورت می گیرد ودر مرحله آخردقت پیش بینی های انجام شده توسط مدل نهایی   RTبه وسیله منحنی ارزیابی عملیات گیرنده(ROC) ارزیابی می گردد.که نتایج نشان می دهد که مساحت سطح زیر این نمودار بالای 70 درصد است و این امر ملاکی از دقت بالای پیش بینی مدل می باشد . همچنین مدل BRT در مقایسه با دومدل پروبیت و پروبیت بیزین که در این پژوهش مورد بررسی قرار گرفتند دقت بیشتری دارد.  

ارزیابی معماری های سازمانی در راستای دولت الکترونیکی

Augmented Reality (AR) applications rely on automatically matching a captured visual scene to an image in a database. The task of the thesis is to develop a technique which recognizes paintings displayed in an exhibition. Such a scheme would be useful as part of an electronic museum guide; the user would point his camera-phone at a painting of interest and would see/hear commentary based on the recognition result. Applications of this kind are usually referred to as "augmented reality" applications. Implemented on hand-held mobile devices, called "mobile augmented reality." We are interested in the image processing part of the problem.In this thesis, recognize image at the museum and a gallery is done. Photographed a database of Iraqi National museum and Free drawing exhibition in Ministry of culture and media in Baghdad. Recognize image evaluation parameters are time and accuracy. Features that are extracted from the images for the first time are Histogram in the different bin: histogram 256 bin, histogram 18 bin, and histogram 12 bin, Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), Local configuration pattern (LCP). Also, these methods are compared with the three methods Scale Invariant Feature Transform (SIFT), Speed Up Robust Features (SURF), The combination of SIFT –SURF which has been used in past articles.The results showed that the best algorithms for image recognition are HOG-Histogram algorithm using SVM classifier, that accurately 99.66% can recognize images. With this method, accuracy compared to the previous 7.66% increase.

 ارزیابی ویژگی های بافت تصاویر به منظور تعیین شکستگی استخوان