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.

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.   

درسال‌های اخیر با رشد علم و فناوری و ایجاد بازارهای رقابتی در صنایع مختلف، لزومکنترل کیفیت، اندازه‌گیری پارامترهای کمی و کیفی محصول نهایی اهمیت به سزاییپیداکرده است. داشتن یک محصول باکیفیت مهم‌ترین بخش از یک خط تولید است، به‌طوری‌کهامروزه کمترکارخانه پیشرفته‌ای وجود دارد که بخشی از تولید آن توسط برنامه‌های هوشمند بیناییماشین و پردازش تصویر کنترل نشود. مدیریتکیفیت در زمان واقعی و بر خط،   امکان افزایش کارایی تولید را به نحو موثری فراهممی‌کند. در این پایان‌نامه، تلاش برای تحقیق و بررسی تکنیک‌های پیشرفتهدر حوزه‌های پردازش تصویر، یادگیری ماشین و یادگیری عمیق به‌منظور بهبود کیفیت تشخیصعیوب چوب به‌عنوان ماده‌ای اساسی در صنعت محصولات چوبی صورت گرفته است. هدف اصلی اینپروژه، ارتقاء دقت و قابلیت تشخیص عیوب چوب از طریق بهره‌گیری از ابزارها و تکنیک‌هایپیشرفته در زمینه‌های پردازش تصویر و یادگیری ماشین است. در این مطالعه، از مجموعهداده "Wood_patches" استفاده شده است که شامل تصاویر متعددی از چوب‌های سالم وناسالم با تنوع‌های مختلف می‌باشد. همچنین، به‌منظور ارزیابی بیشتر و تعمیق دراثربخشی مدل‌ها، از مجموعه داده "Leather Defect" نیزاستفاده شده است که در آن دو کلاس چرم سالم و ناسالم وجود دارد و مدل‌ها برای تشخیصاین دسته‌بندی نیز ارزیابی می‌شوند.در اولین رویکرد پیشنهادی اول برای پیش‌بینی عیوب چوب، سهمرحله اصلی برای استخراج ویژگی مستقل و طبقه‌بندی انجام می­شود، در مرحل? اول، عملیاتی مانند نرمال‌سازی و تغییر اندازه تمام تصاویر انجاممی‌شود. این کارها به عنوان بخشی از پیش‌پردازش تصاویر محسوب می‌شوند. در مرحلهدوم از روش‌های مختلفی برای استخراج ویژگی‌ها از تصاویر استفاده شده است. این روش‌هاشامل الگوی باینری محلی (LBP)، فیلترگابور، VGG16 و Resnet50 می­شوند. با استفاده از این روش‌ها، ویژگی‌های مهم و مختلفی از تصاویر استخراجمی­شوند که به‌عنوان ورودی برای مرحله بعدی مورد استفاده قرار می­گیرند. در مرحلهسوم، از روش‌های مختلفی برای طبقه‌بندی تصاویر با استفاده از ویژگی‌های استخراجشده استفاده می­شود. این روش‌ها شامل شبکه‌های عصبی چندلایه (MLP)،ماشین بردار پشتیبان (SVM) و الگوریتم k-نزدیک‌ترینهمسایه (KNN)هستند. این روش‌ها با استفاده از ویژگی‌های استخراج شده، تصاویر را به‌طور جداگانهدر دسته‌های مختلف دسته‌بندی می‌کنند. رویکرددوم پیشنهادی پیش­بینی با استخراج ویژگی ترکیبیو طبقه‌بندی است. ترکیب روش‌های استخراج ویژگی در شبکه‌هایپیچشی و یادگیری ماشین برای بهبوددقت طبقه‌بندی چوب سالم از ناسالم استفاده شده است. این ترکیب‌ها شامل ترکیب معماری VGG16 و LBP برای استخراج الگوهای محلی از تصاویر استفاده شده است. این دو نوع ویژگی باهم ترکیب می‌شوند تاتصویر را از جنبه‌های مختلف مورد بررسی قرار دهند. ترکیب معماری VGG16 به همراه فیلتر گابور برای تشخیصالگوها با فرکانس و جهت مختلف و ترکیب معماری VGG16   به همراه تکنیک LDA برای کاهش ابعاد و افزایش تمایز ویژگی‌هااستفاده شده است، همچنین ترکیب معماری Resnet50 به همراه LBP برای استخراج ویژگی‌های محلی، ترکیب Resnet50 به همراه فیلر گابور و ترکیب Resnet50 به همراه LDA   است و درنهایت این ویژگی­ها به طبقهبند مورد نظر داده شدند. بهترین ترکیب شامل استفاده از معماری Resnet50 برایاستخراج ویژگی‌ها، استفاده از LDA برای کاهش ابعاد ویژگی‌ها و درنهایت، برایطبقه‌بندی از SVM استفاده می­شود. با اجرای این روش بر روی مجموعهداده "Wood_patches"، دقت طبقه‌بندی به 98% رسیده است.   

Advances in Blockchain and distributed ledger technologies are driving the rise of incentivized social media platforms over Blockchains. Blockchain-based online social media is decentralized social media that uses blockchain technology to reward users' social activities and store information. In order to protect the privacy of users and expose fake news.    In this study, presents an empirical analysis of Steemit, a key representative of these emerging platforms, to understand and evaluate the actual level of decentralization in these modern social media platforms. Similar to Bitcoin, Steemit is operated by a decentralized community, where 21 members are periodically elected to cooperatively operate the platform through the Delegated Proof-of-Stake (DPoS) consensus protocol.    Our study performed on 539 million operations performed by 1.12 million Steemit users during the period 2016/03 to 2018/08 reveals that the actual level of decentralization in Steemit is far lower than the ideal level, indicating that the DPoS consensus protocol may not be a desirable approach for establishing a highly decentralized social media platform. For this reason, in this dissertation, we tried to provide a solution to the problem of decentralization of the consensus algorithm used in Steemit social media. Our solution to this problem is to replace its consensus algorithm with a more advanced consensus algorithm called the Algorand, which can form a committee without elections involving user interaction. Algorand is a new cryptography that proposes a new Byzantine agreement algorithm that allows choices to be made by randomly validated cryptographic functions rather than by users.    Using the simulator design as well as the API published by Algorand's team, we explored its three main aspects of decentralization, high scalability and security, and show that Algrand can be a good alternative to the DPOS algorithm. Be in Steemit.      

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   

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.        

  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.

  پیش­بینی انتشار

  ?_ چکیده تحقیق حاضر با عنوان «پروتکل تبادل داده ای بین خدمات نوبت دهی مبتنی بر مرکز تبادل داده ای حوزه سلامت (IX سلامت)» در سال ???? انجام شده است. هدف از انجام تحقیق، امکان تبادل اطلاعات بین سامانه های نوبت دهی حوزه سلامت می باشد. امکان برقراری ارتباط بین سامانه های نوبت دهی یکی از فاکتورهای اصلی در رضایت مندی بیمار در دریافت خدمات پزشکی، کاهش زمان انتظار بیمار و پزشک و... است که ارائه پروتکل ارتباطی جهت تحقق این عمل مورد نیاز می باشد. در این تحقیق ابتدا به بررسی معماری یکپارچگی سامانه ها و همچنین بررسی معماری مرکز ملی تبادل اطلاعات و مرکز ملی خدمات سلامت سپس به بررسی پروتکل تبادل داده بین سیستم های نوبت دهی بر مبنای پروتکل ارائه شده در پرونده الکترونیک سلامت پرداخته شده است. پروتکل پیشنهادی بر امکان تبادل داده بین سیستم های نوبت دهی با ارائه پروتکل ارتباطی تمرکز کرده است با استفاده از زبان برنامه نویسی php فریمورک لاراول و محیط phpstorm پیاده سازی شده است و نتایج بدست آمده و خروجی های برنامه نشان می دهد که امکان تبادل داده بین سیستم های نوبت دهی با ارائه پروتکل ارتباطی میسر گردید، بدیهی است که این امر موجب کاهش زمان انتظار بیمار و پزشک افزایش سرعت و بهبود کارایی در مراکز درمانی میگردد. همچنین نشان دادیم با استفاده از این پروتکل ارتباطی ارجاع نوبت از یک سامانه به سامانه نوبت دهی دیگر قابل انجام بود. واژه های کلیدی: تبادل داده، نوبت دهی، حوزه سلامت

   به دلیل پیچیدگی تصمیمات پزشکی، کاربرد سیستم‌های اطلاعاتی جهت پشتیبانی از این تصمیم‌ها افزایش‌یافته است. وجود متغیرهای زیاد و ناشناخته به معنی پیچیدگی بیشتر تصمیم‌گیری است. با توجه به فراوانی و تداخل متغیرها در حوزه‌ی پزشکی، پزشکان می‌توانند با به‌کارگیری سیستم‌های خبره سریع‌تر و یکدست‌تر تصمیم‌گیری نمایند و زمان خود را بیشتر صرف ارزیابی تصمیم نمایند. برای طراحی سیستم‌های خبره‌ی پزشکی، دانش تخصصی در حوزه‌ی موردنظر از خبرگان آن موضوع یا راهنماهای بالینی استخراج و وارد پایگاه دانش می‌شود. این موضوع به این معنی است که دانش و تجربه‌ی متخصصین درزمینه های مختلف می‌تواند در تصمیم‌گیری افراد مختلف واردشده و درنهایت با این سیستم‌ها، سرعت تحلیل و دسترسی به توصیه‌ها در هر زمان و مکان افزایش یابد که این امردرخصوص تصمیمات پزشکی از اهمیت زیادی برخوردار است. با توجه به مطالب ذکرشده، قابل‌درک است که با مشکلات جدی در فرآیند تشخیص پزشکی و عملکرد پزشکان مواجه هستیم که نیازمند یک خرد جمعی جهت بهبود کیفیت درمان با کمک سیستم‌های خبره است. همچنین به دلیل ابهام ذاتی در تعاریف مفاهیم پزشکی استفاده از منطق فازی در این حوزه موثر است چون‌که در تشخیص بیماری‌ها سیستم‌های فازی می‌توانند نقش ارزنده‌ای داشته باشند لذا در این تحقیق، توسط سیستم فازی می‌خواهیم یک سری قانون (Rule) فازی ایجاد کنیم که با تحلیل داده‌های ابتدایی موجود در نتایج آزمایش خون مانند سلول قرمزخون، هماتوکریت،گلبول‌های سفید، هموگلوبین،پلاکت‌ها و غیره یک سری اطلاعات سطح بالاتر به دست بیاوریم.هدف ما این است که با استفاده از سیستم فازی و قوانین پزشکی و اطلاعات سطح بالای به‌دست‌آمده از نتایج آزمایش خون بیماری فرد را در صورت وجود تشخیص بدهیم.

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 حالات عاطفی صورت با استفاده از نقاط تطبیقی  

چکیده  پیشرفت در فن آوری های اینترنتی منجر به محبوبیت خود-خدمات مبتنی بر فن آوری شده است، وطراحی چنین خدماتی به طور فزاینده ای مهم است. در این پایان نامه، ویژگی های خدمات کلیدی شناسایی رانندگی واستفاده از خدمات دولت الکترونیک درمانی وساختار ترجیحی شهروندان در این ویژگی ها با استفاده از خدمات مبتنی بر فناوری در بخش عمومی مشخص شده است. با این حال تلاش حل نشده هنوز چگونگی طبقه بندی چنین خدمات الکترونیکی است. امروزه مدلهای مرحله ای برای مشخص کردن ویژگی های بالا در سرویس های الکترونیکی غالب می شوند. طبقه بندی خدمات به درک اهمیت آنها کمک می کند. به عنوان یک طبقه مفهومی، می توان بین خدمات اقتصادی واطلاعاتی   متمایز کرد. در عین حال یک نقص وجود دارد که هیچ مدل خوبی برای طبقه بندی خدمات وجود ندارد. تلاش برای استفاده از چنین مدل هایی به عنوان الماس طبقه بندی برای خدمات الکترونیکی انجام شده است. از این رو، هدف اصلی این پایان نامه، معرفی یک مدل جدید و آسان برای استفاده و مدل مناسب برای طبقه بندی خدمات دولت الکترونیک است. در این پایان نامه، بازبینی در ابتدا بر روی مدل های محبوب ترین طبقه بندی خدمات دولت الکترونیک انجام شد. در تحقیقاتی که انجام شد، مدل ESI یک ساختار سازگارتر برای طبقه بندی خدمات دولت الکترونیک دارد. در مقابل، مدل رمبوس یک مدل گرافیکی است که یک شخصیت به خوبی شکل گرفته است. سپس یک مدل طبقه بندی برای سرویس های دولتی عراق با استفاده از مدل ESI برای اولین بار معرفی شد. این مدل سپس به شکل یک الماس ارتقا یافته است. بنابراین، در مدل رمب، اطلاعات طبقه بندی از جدول ESI پر شده است. حضور، عدم حضور، عملکرد دولت، شهروند اطلاع رسانی، و مالی و غیر مالی. در هر یک از این دسته ها دسته های زیر مانند جداگانه در مقابل ترکیب، و فرد به طور کلی برای ایجاد یک طبقه بندی دقیق تر دانه استفاده می شود.

هدف این تحقیق، ایجاد یک سیستم کامپیوتری موثر سیستماتیک آموزشی برای طراحی اشکال ساده برای افراد نابینا است (پروتوتایپ)، بنابراین ما یک سیستم آموزشی برای کودک عرب ایجاد کردیم که در همان زمان، قرآن کریم را نجات داد. طراحی ELMS باید به حداکثر رساندن نتایج آموزشی برای کاندید نامزد ما در اینجا، روش برنامه نویسی پویا با توجه به مجموعه ای از حروف شناخته شده است. صدای نزدیک به کلمه واژگانی با مقایسه کلمه کلیدی با تمام الگوها در کتابخانه گوگل و انتخاب آن که دارای حداقل فاصله (مشابه) با بستر مطلق است و سرعت پاسخ به سرعت بستگی دارد از اینترنت یک حالت کد در صدا و کد دیگری در متن است. تبدیل کد در نرم افزار python انجام شده است که با کد API گوگل کار می کند. تعویض بین (Speech to command) (متن به گفتار) چندین مرحله دارد. اما در دسته کلی، دو مدل اصلی که عبارتند از: 1-متن به گفتار 2- گفتار به فرمان. اولین گام ورود به متن عربی به کامپیوتر و شناسایی متن و تبدیل متن به فایل صوتی است. بیشتر خطا در مرحله دوم به دلیل این ماژول بسته به دستگاه ورودی (میکروفون)، سرعت اینترنت و سر و صدا در اطراف فرد و کیفیت صدا رخ می دهد، تمام دستورات در سیستم عمل می کنند (بازی سوره قرآن) و غیره تا زمانی که تمام سوره هایی که در LMS ما ذخیره می شوند، این 10 قرآن سورات کوتاه (سوره القطار، سوره فلاع، سوره النس، سوره الطوف، سوره الفیل، سوره النشره، سوره آل -Asr، سوره القریه، القادر و سوره الاخلا) پس از آن درصد خطا در ماژول STC در بیست افراد عرب 10? برای سوره القریه، 5? سوره الارای، 40? برای سوره النشره، 5? برای سورات الفیل، 0? برای سوره آل نوجوان، 0? برای سوره النس، 0? برای القاد، 15? برای سوره القوث، 25? برای سوره الاخلا و 5? برای سوره الفلق، ما الگوریتم این ELMS را ساختیم، اما مشکل بزرگی که من با آن مواجه شدم، معرفی زبان عربی به برنامه بود. دلیل این امر این است که زبان عربی زود هنگام در جهان vo تشخیص یخ در مقایسه با زبان انگلیسی.  

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. استفاده از سنسور برای تشخیص موقعیت رتور[2] باعث افزایش قیمت و پیچیده شدن ساختار موتور می شود و علاوه بر این در صورت سوختن یا گردوخاک و جرم گرفتن هرکدام از سنسور ها و همچنین نویز گرفتن سنسورها که با توجه به اینکه در محیط های صنعتی و یا وسایل برقی استفاده می شود این اتفاقات موردی محتمل است که باعث مورد استقبال قرار نگرفتن این موتور می شود ولی در روش بدون سنسور که با استفاده از فیدبک گیری از بخش های مختلف موتور و استفاده از یک میکروپروسسور[3] و نوشتن کدهای پیچیده برای تشخیص موقعیت رتور و راه اندازی موتور صورت می گیرد و وقت زیادی را صرف خود می کند و به علم به مراتب بیشتری نیاز دارد ولی همه این کارها یکبار صورت می گیرد و احاطه بر موتور برای کنترل پارامترهای دیگر موتور راحت تر ودقیق تر می شود.[1] Switch Reluctance Motor[2] Rotor[3] Microprocessor

  طراحی رابط کاربری مناسب یکی از مهم‌ترین مسائل تولید نرم‌افزار است. کاربر تنها رابط کاربری که با آن سروکار دارد را درک کرده و آن را به‌عنوان نرم‌افزار می‌شناسد. لذا واسط‌های کاربری نقش مهمی در پذیرش نرم‌افزارها دارند. توسعه یک نرم‌افزار بدون طراحی یک واسط کاربر مناسب منجر به عدم پذیرش آن می‌شود. پذیرش یک واسط کاربری، تنها به مولفه‌های فنی برنمی‌گردد زیرا مخاطب واسط کاربری، انسان است و تصمیم‌گیری‌های انسان تحت عوامل روان‌شناختی است. درنتیجه یکی از مواردی که در پذیرش یا رد واسط کاربری کاربرد دارد مولفه‌های روان‌شناختی انسانی است و از طرفی برای طراحی یک واسط کاربری مناسب اغلب نیاز به دریافت بازخورد درست از جانب ارزیابی‌کنندگان آن واسط کاربری و اعمال تغییرات درست در محصول نرم‌افزاری نهایی است.  در این زمینه با بررسی اکثریت مقالات و مطالعات انجام‌شده در حوزه کامپیوتر و مخصوصاً طراحی واسط کاربری متوجه می‌شویم که در اغلب آن‌ها ارزیابی‌کنندگان صرفاً با توجه به تخصص و رشته و مقطع تحصیلی آن‌ها برای بررسی و ارزیابی واسط کاربری یک سامانه انتخاب می‌شوند و به عوامل روان‌شناختی و ویژگی‌های شخصیتی تاثیرگذار در کیفیت بررسی جنبه‌های مختلف یک سامانه از طرف ارزیابی‌کنندگان اهمیت چندانی داده نمی‌شود، لذا می‌توان این‌گونه بیان کرد که در ارزیابی واسط کاربری برای یک محصول نرم‌افزاری شرط داشتن تخصص کفایت نمی‌کند، با توجه به ماهیت روان‌شناختی کار، ارزیابی‌کنندگان باید از حداقل توانایی‌های هوش هیجانی لازم برخوردار باشند.در این تحقیق به بررسی هوش هیجانی به‌عنوان یکی از مولفه‌های تاثیرگذار انسانی بر نگاه انسان به کامپیوتر می‌پردازیم و با توجه به تاثیر هوش هیجانی بر نحوه ارزیابی واسط کاربری سیستم‌های نرم افزاری توسط انسان روشی برای انتخاب افراد مناسب ارزیابی‌کننده واسط کاربری ارائه خواهیم کرد.لذا جهت اندازه‌گیری هوش هیجانی افراد مورد آزمون از پرسشنامه هوش هیجانی بار-آن بهره بردیم و برای ارزیابی واسط کاربری از معیارهایی که نیلسن برای بررسی ابعاد مختلف کارآمدی واسط کاربری ارائه داده است به منظور ایجاد پرسشنامه‌ای برای اندازه‌گیری کمی این اصول برای واسط کاربری سیستم کمک‌آموزشی شاگردانه استفاده شده است.بررسی عوامل روان‌شناختی و ویژگی‌های شخصیتی مرتبط با هوش هیجانی و اثبات اثر گذاری آنها در کیفیت تجزیه‌وتحلیل جنبه‌های مختلف واسط کاربری یک سامانه از طرف ارزیابی‌کنندگان آن و نهایتاً فیلتر کردن ارزیابی کنندگانی که دارای امتیاز نرمالی در ویژگی‌های هوش هیجانی اثر گذار بر نحوه ارزیابی واسط کاربری هستند بخشی از اهداف این مطالعه است.جامعه آماری شامل 35 نفر از متخصصان نرم‌افزار و واسط کاربری مورد مطالعه مربوط به سیستم کمک‌آموزشی شاگردانه است که قبلاً توسط نویسنده این پژوهش طراحی شده است. اطلاعات موردنیاز از طریق پرسشنامه از افراد جمع‌آوری خواهد شد و ابتدا جهت امکان‌سنجی پروژه، نرمال بودن و همبستگی داده‌ها در نرم‌افزار    تجزیه‌وتحلیل خواهد شد. به‌منظور بررسی اثر هوش هیجانی ارزیابی‌کنندگان بر نحوه ارزیابی واسط کاربری و ارائه مدل پیش‌بینی داده‌های ورودی از روش رگرسیون چندگانه در برنامه‌نویسی ژنتیک به کمک جعبه‌ابزار GPTIPS نسخه 2 در نرم‌افزار متلب نسخه 2017 استفاده شده است، همچنین برای ارزیابی صحت کار از روش‌های خوشه بندی بهره برده‌ایم. تمامی روش‌ها و ابزار استفاده شده در فصل سوم به صورت کامل شرح داده شده است.نتایج این تحقیق اثر گذاری ویژگی‌های هوش هیجانی بر نحوه ارزیابی واسط کاربری توسط ارزیابی کنندگان را اثبات می‌کند همچنین پس از اعمال فیلترینگ 7 نفر به عنوان ارزیابی کنندگان مناسب برای ارزیابی واسط کاربری مورد مطالعه از بین تمامی 35 نمونه انتخاب شدند. به منظور بررسی صحت روش ارائه شده در این پژوهش امتیازات 7 نفر منتخب به واسط کاربری سیستم شاگردانه با نظرات یک کارشناس خبره در این حوزه مقایسه شد و بیش از 71 درصد آنها نظراتی نزدیک به نظر کارشناس در مورد واسط کاربری مورد بحث دارند.در کارهای آتی مرتبط با این پژوهش می‌توان با بررسی هوش هیجانی تامین‌کنندگان محتوا و آموزش هوش هیجانی به آن‌ها کیفیت محتوای ارائه‌شده را افزایش داد و به‌عبارت‌دیگر تاثیر هوش هیجانی و عوامل شناختی را در بهبود کیفیت محتوای وب بررسی نمود.  

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

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

Ontology Model For Data Integration In Gas And Oil Industry

هدف اصلی این مطالعه کاهش پرت هگزان در صنعت روغنکشی از دانه روغنی سویا می باشد.بدین منظور سیستم مینرال اویل که به هدف بازگردانی بخارات متصاعد شده هگزان در محیط   و چگالش آن جهت استفاده مجدد در سیستم می باشد مورد بازبینی و شبیه سازی قرار گرفت.تست های آزمایشگاهی جهت تشخیص میزان حلال در روغن معدنی ،از نوع کروماتوگرافی گازی بوده و نتایج در نرم افزار طراحی آزمایشات چهار فاکتوری -3سطحی بر پایه RSM   پیاده و مورد تحلیل قرار گرفتند.در این کار چهار پارامتر موثر بر کاهش اتلاف هگزان شامل تناژ دانه ورودی ، دمای آب ورودی سرد،دمای ستون گرم و دبی سیالات تحت آزمایش مد نظر قرار داده شد.در نهایت بعد از شبیه سازی نتایج   بدست آمده مشخص گردید که افزایش تناژدانه و بالا نگه داشتن آن ، پایین نگه داشتن دمای آب ورودی به کندانسور سیستم ،بالا نگهداشتن دمای ستون دفع از طریق بخار زنده در یک رنج مشخص و افزایش دبی سیال جاذب در محدوده مناسب با شرایط عملیاتی برج همگی عوامل مثبت در بازیابی بهتر حلال   از روغن معدنی هستند.

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.

پیش‌گیری از جعل اسناد یکی از موضوعات اصلی مورد توجه سازمان‌های دولتی و غیردولتی و به‌ویژه سیستم‌های قضایی، امنیتی و انتظامی است. بی‌تردید در امرپیش‌گیری توجه به این مهم ضروری است که به موازات پیشرفت در عرصه دانش و فن‌آوری، شیوه‌های ارتکاب جرم جعل نیز در ابعاد و سطوح مختلف در حال تحول می‌باشد. از این‌رو حصول نتایج موثر در پیش‌گیری از جعل اسناد، نیازمند به‌کارگیریشاخص و مولفه‌های امنیتی در اسناد و مدارک و بهره‌گیری از فن‌آوری‌های نوین در ایمن‌سازی و پیش‌گیری از جعل اسناد می‌باشد‎.‎ایجاد چک‌های بانکی به‌‌صورت دیجیتالی و ایمن و جلوگیری از جعل اطلاعات چک با دو چالش مهم خطا و امنیت مواجه است. در این پایان‌نامه با به‌کارگیری امضای دیجیتال براساس خم‌های بیضوی، امضای دیجیتالی از تمام اطلاعات چک تولید می‌شود. با قراردادن این امضا به‌عنوان نهان‌نگاری مقاوم در مولفه‌های آبی رنگ تصویر و در فرکانس‌های میانی دامنهDCT تلاش شده اطلاعات چک ایمن و مقاوم باقی بمانند. هم‌چنین رمزنگاری ‎AES و نگاشت‌ لجستیک نیز جهت افزایش امنیت اطلاعات نهان‌نگاری به‌کار برده می‌شوند. ‎به‌علاوه قرار دادن اطلاعات نهان‌نگاری شکننده و بازسازی این اطلاعات برای بررسی عدم دستکاری مولفه‌های قرمز رنگ تصویر با استفاده از رمزنگاری و رمزگشایی خم بیضوی و در دامنه فضایی صورت می‌گیرد. ‎در زمان انتقال اطلاعات، به‌واسطه وجود نویز و تداخل ممکن است اطلاعات دست‌خوش خطا شوند. در این پایان‌نامه با استفاده از کدهای BCH(31‎, 16)‎امکان تصحیح تا سه خطای احتمالی فراهم شده است. ‎تولید امضای دیجیتال با استفاده از نرم‌افزار سیج انجام می‌شود و قرار دادن اطلاعات نهان‌نگاری و بازسازی این اطلاعات با استفاده از نرم‌افزار متلب پیاده‌سازی می‌شود.

  چکیدهمقابله با پول‌شویی مهم‌ترین ابزار مبارزه علیه جرم و جنایت است و بزرگ‌ترین چالش مبارزه با پول‌شویی در حوزه بانک، تشخیص «تراکنش‌های مشکوک به پول‌شویی» می‏باشد. عدم توجه به بافت صاحبان حساب‌های بانکی، باعث کارایی پایین روش‏های مقابله با پول‌شویی می‏شود. هدف این تحقیق ارائه یک روش شناسایی تراکنش‌های بانکی مشکوک به پول‌شویی با استفاده از تکنیک‌های آماری فرآیند داده‌کاوی در تحلیل «تراکنش‌های پَرت بافتاری» است که تراکنش‌های پول‏شویان را در مرحله یکپارچه‌سازیِ فرآیند پول‌شویی هدف قرار داده است. روش این پژوهش تحلیلِ محتوا بوده است و جامعه آماری تحقیق شامل 8/1 میلیون تراکنشِ 1008 نفر، طی مدت 6 سال از 48 بافت مختلف می‌باشد که به روش شبیه‌سازی بر اساس تراکنشهای دنیای واقعی ایجادشده است. توزیع‌های احتمالی استفاده‌شده در شبیه‌ساز مزبور بر اساس آزمون کولموگروف-اسمیرنوف از تراکنش‌های مقطعی 50 نفر استخراج‌شده است، تراکنش‌های مذکور به روش میدانی جمع‌آوری‌شده‌اند. هرچند به دلیل فراهم نبودن تعداد کافیِ تراکنش‌های بانکیِ واقعی از تراکنش‌های شبیه‌سازی‌شده استفاده گردیده است، لیکن شبیه‌سازی توانایی ایجاد سناریوهایی را دارد که در دنیای واقعی، فراهم‌سازی آن‌ها ممکن نیست. آزمون ایده‏ی تحقیق، بیانگر نرخ 100% پیش‌بینی درستِ تراکنش‌های مشکوک و نرخ 14/1% پیش‌بینی غلطِ تراکنش‌های عادی به‌عنوان مشکوک می‌باشد که نسبت به اغلب روش‌ها، پیشرفتی محسوس را نشان می‌دهد. نتایج تحقیق نشان داد که توجه به بافت صاحبان حساب بانکی در تشخیص پول‌شویی موجب ارتقاء دقت روش‌های مزبور می‌شود.  کلیدواژه‏ها: پول‌شویی، بافت، متغیر بافتاری، متغیر رفتاری، پنجره‏ی مجموعه‌ی کاری.

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.

شناسایی از طریق عنبیه در سالهای اخیر توجه بسیاری از پژوهشگران را به خود جلب کرده است و در بسیاری از کاربردهای دنیای واقعی نیز مورد استفاده قرار گرفته است. در شناسایی عنبیه، قطعه‌بندی ناحیه عنبیه همواره یکی از مسائل چالش برانگیز بوده است و همواره زمان پردازش قابل ملاحظه ای را به خود اختصاص می‌دهد. از سوی دیگر ویژگی‌ها در یک مساله کلاسبندی نقش اساسی ایفا می‌کنند و به میزانی که ویژگی‌ها به خوبی انتخاب شده باشند میزان عملکرد کلاسبند می‌تواند بهبود پیدا کند. الگوریتم بهینه سازی ازدحام ذرات یک الگوریتم تکاملی است که در بسیاری از مسائل بهینه سازی عملکرد بسیار مناسبی را از خود نشان داده است. ما از این الگوریتم استفاده کرده‌ایم تا با انتخاب ویژگی‌های مناسب به یادگیری یک معیار فاصله بهینه در داده‌های عنبیه بپردازیم. علاوه بر این در این پژوهش ما یک روش موثر و ساده برای تشخیص ناحیه عنبیه ارائه داده‌ایم که توانسته سرعت تشخیص این ناحیه را به میزان بسیار زیادی بهبود بخشد. برای ارزیابی روش ارائه شده دو مجموعه داده IITD و CASIA Interval مورد تست قرار گرفته‌اند و نتایج حاصله بسیار امید بخش بوده‌اند.

ارزیابی معماری های سازمانی در راستای دولت الکترونیکی

  امنیت یکی از ارکان موجودات زنده و احساس امنیت یکی از اساسیترین نیازهای نوع بشر است. امروزه با گستری وسایل ارتباطی و حجم اطلاعات مبادله شده در شبکههای رایانهای و همچنین توسعه و پیشرفتهای صنعت مخابرات ند رسانه ای، مفهوم مخابرات تصویری متحول شده است. امنیت رسانه های دیجیتال یکی از مسائل مهم و مطرا جامعه رمزنگاری در دنیای امروز است. با توجه به کاربرد روزافزون رایانه و گستری زیرساخت های ارتباطی مثل شبکههای سیار و اینترنت، حفظ محرمانگی و تایید صحت تصاویر روز به روز اهمیت بیشتری مییابد. با توجه به کاربرد روزافزون اینترنت و افزایش حجم اطلاعات مبادله شده، حفظ امنیت و تایید صحت مخابره شده که میتواند کاربردهایی در امور تجاری، نظامی و حتی پزشکی داشته باشند نیز روز به روز اهمیت بیشتری میابد. در جهان دیجیتال امروزی امنیت تصاویر دیجیتال بیش از پیش اهمیت پیدا کرده است. در سالهای اخیر سرعت زیادی در رشد انتقال تصاویر دیجیتال از طریق کامپیوتر بویژه اینترنت صورت گرفته است.به عنوان مثال ما در این پایاننامه از یک روی رمزنگاری تصویر صحبت میکنیم که در امور پزشکی که مرتبط با عکسبرداری از بیماران میباشد و همچنین صحت و امنیت اطلاعات بیمار از اهمیّت بالایی برخوردار است، استفاده میشود. این روی از رمزنگاری مبتنی بر میدان گالواست و ما آن را به طور کامل پیادهسازی کرده و علاوه بر بیان نقاط ضعف آن، راهی برای بهبود کارایی این روی را بیان میکنیم

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.

آموزش الکترونیک ابزاری نوین در زمینه‌ی توسعه‌ی ابزارهای کمک آموزشی است که به بهبود کیفیت آموزش و یادگیری بر بستر فناوری‌های اطلاعاتی و ارتباطی می‌پردازد. با توجه به تاثیر به‌سزای تطابق شیوه‌ی آموزش با ویژگی‌های هیجانی و شخصیت کاربر، امروزه سامانه‌های آموزش الکترونیک به صورت هوشمند و عاطفی طراحی می‌شوند. این سامانه‌ها با سعی در تشخیص ویژگی‌های شناختی کاربر، به دنبال شبیه‌سازی هرچه بیشتر محیط مجازی آموزش الکترونیک به محیط واقعی کلاس درس بر مبنای شناخت رفتارهای انسان در محیط‌های مجازی و رسیدن به هدف آموزش یعنی یادگیری کاربر هستند. در هر محیط آموزشی، عدم یادگیری کاربر و در نتیجه پاسخ اشتباه او به تمرین‌های مطرح شده، می‌تواند ناشی از نقص علمی-آموزشی یا مشکل روحی کاربر (به عنوان مثال استرس) باشد. در پژوهش حاضر سامانه‌ی مربی عاطفی برای تدریس ریاضی به دانش آموزانی که اضطراب ریاضی دارند، طراحی و پیاده‌سازی شده است که برای کشف دلیل اشتباه کاربر از روش ردیابی مثال بهره می‌برد که در آن، روش حل هر مساله به مراحل مستقل و متوالی تقسیم شده و صحت یا نادرستی نتایج میانی کاربر در هر مرحله برای تشخیص دلیل اشتباه احتمالی بررسی می‌شود. از آن‌جا که کاربری صفحات لمسی نسبت به کاربری صفحه کلید، ماوس و صفحه نمایش، شباهت بیشتری به ابزارهای آموزشی نظیر قلم و کاغذ دارد، این سامانه از رابطی مبتنی بر این صفحات برای تعامل، سنجش و مدیریت استرس کاربر و اعمال بازخوردهای لازم برای کاهش استرس موجود در زمینه‌ی آموزش و در نتیجه پیشرفت تحصیلی کاربر استفاده خواهد کرد. نتایج پژوهش بیانگر دقت بسیار بالای الگوریتم پیشنهادی برای تشخیص عدد دست‌نوشته‌ی کاربر، تشخیص استرس بر اساس عدد نوشته شده با دقت مساعد و نیز پیشرفت تحصیلی حاصل از روش پیشنهادی برای طراحی مربی عاطفی است.

با افزایش کاربرد رایانه‌ها، دستگاه‌های الکترونیکی و تعاملات انسان با کامپیوتر در ابعاد وسیعی از زندگی روزمره‌ی انسان‌ها، نقش کنترل هیجان و افزایش حالت هیجانی مثبت بیشتر خود را نشان می‌دهد. اگر هیجانات منفی کاربر افزایش یابند، کارایی او نیز به‌شدت کاهش می‌یابد. کاهش کارایی نه‌تنها باعث افزایش تعداد خطاها می‌شود، بلکه در کاربران حرفه‌ای ممکن است باعث ایجاد مشکلات جبران‌ناپذیری شود. با کنترل هیجان می‌توان از بروز حالت‌های هیجانی منفی جلوگیری کرد. از طرفی با افزایش برنامه‌های کامپیوتری، واسط‌های گرافیکی نرم‌افزارها به دلیل برقراری ارتباط مستقیم با کاربر نقش عمده‌ای در برنامه‌های کامپیوتری ایفا می‌کنند. همچنین بررسی‌ها نشان داده که رنگ‌ها یکی از تاثیرگذارترین تابع‌های اساسی در بینایی، شناسایی، تفسیر، درک و حواس پنج‌گانه می‌باشند. می‌توان گفت، رنگ در حالت هیجانی افراد تاثیر دارد و می‌تواند حالت‌های هیجانی را تغییر دهد. در این پایان‌نامه، با یادگیری عکس‌العمل‌های کاربران با تیپ‌های شخصیتی متفاوت در مقابل هر رنگ، ارتباط بین حالت هیجانی و شخصیت کاربر بارنگ برای متغیر کنترل هیجان مدل شد. برای یادگیری از یک سیستم مبتنی بر حافظه استفاده شد و رنگ واسط کاربری متناسب با تجربیات مثبت و منفی کاربران باشخصیت‌های مختلف تغییر می‌کند. برای ارزیابی و تست از یک سیستم آموزش زبان برنامه‌نویسی C++، در سه حالت متفاوت انجام شد: (1) حالت پایه و بدون تغییر رنگ، (2) با تغییر رنگ و روش AUBUE   و (3) با تغییر رنگ و روش حافظه مبتنی بر یادگیری. هر روش توسط 16 نفر، 8 خانم و 8 آقا تست شد. همچنین برای فاز آزمایش روش سوم، این ابزار توسط 30 نفر مورداستفاده قرار گرفت و برای آنالیز داده از تحلیل واریانس یک‌طرفه استفاده شد. نتیجه نهایی مقایسه روش‌های آزمایشی، برتری مدل حافظه مبتنی بر یادگیری را در هر سه پارامتر کنترل هیجان، افزایش حالت هیجانی مثبت و کاهش حالت هیجانی منفی نشان داد. همچنین دقت مدل حافظه مبتنی بر یادگیری تقریباً 70 درصد بود. بنابراین با استفاده از یادگیری تجربه کاربران در مقابل هر رنگ و با در نظر گرفتن شخصیت آن‌ها می‌توانیم حالت هیجانی کاربران را با دقت مناسبی کنترل کنیم.