ریزشبکه‌های جریان مستقیم (DC) به دلیل مزایایی که نسبت به ریزشبکه‌های جریان متناوب (AC) دارند، نظیر عدم وجود تلفات انتقال مربوط به جریان توان راکتیو، عدم وجود جریان‌های هارمونیکی و ادغام ساده منابع با بارهای DC، اخیرا بیشتر مورد توجه محققان قرار گرفته است. با این حال تبادل دائمی اطلاعات در لایه کنترل ثانویه در بستر سایبری جهت بازیابی ولتاژ و مدیریت بهینه منابع، این ریزشبکه‌ها را با چالش‌هایی ازجمله هزینه بالای ارتباطات، نیاز به پهنای باند ارتباطی بالا و تهدیدات سایبری مواجه کرده است. حملات منع سرویس (DoS) و حملات تزریق داده‌های نادرست (FDI)، نمونه‌های خطرناکی از این تهدیدات هستند که می‌توانند سیستم را به سمت ناپایداری سوق دهند و حتی دچار فروپاشی سیستم شوند. حملات DoS با ایجاد اختلال موقت یا دائم در دسترسی به اطلاعات حیاتی سیستم، اثرات به شدت مخربی بر روی سیستم می‌گذارند. از طرفی دیگر حملات FDI با تزریق داده‌های غلط به اطلاعات ارسالی، می‌توانند به طور مخفیانه و محسوس دچار اختلالات زیان‌بار در سیستم شوند. در این مطالعه، یک ساختار کنترلی رویداد-تحریکِ مبتنی بر لبه به‌عنوان جایگزینی مناسب و بهینه برای تبادل دائمی اطلاعات در کنترل توزیع‌شده لایه ثانویه ارائه شده است که قادر است حملات DoS را نادیده بگیرد. بر اساس این ساختار، تبادل اطلاعات میان واحدها فقط زمانی رخ می‌دهد که شرایط ارسال برآورده شود. همچنین یک رویکرد غیرمتمرکز مبتنی بر شبکه عصبی‌ چندلایه پرسپترون (MLP) جهت شناسایی حملات FDI معرفی شده است. از مزایای این رویکرد می‌توان به انعطاف‌پذیری بالا، کاهش ارسال اطلاعات در بستر سایبری، کاهش محاسبات پیچیده و افزایش امنیت اطلاعات اشاره کرد. همچنین یک آستانه برای حمله FDI تعیین شده است تا فقط در زمان وقوع حمله، عملیات کاهش آن انجام شود. یک ریزشبکه شامل سه واحد تولید و یک گذرگاه ولتاژ(باس) DC تحت سناریوهای متفاوت شبیه‌سازی شده است تا اثربخشی این مطالعه بررسی شود. نتایج به‌دست آمده نشان می‌دهد که   ساختار رویداد-تحریک (ET) در مقابل حملات DoS مقاوم است و همچنین رویکرد پیشنهادی قادر است حملات   FDI را با دقت بالا در حضور حملات DoS و در ساختار ارتباطی ET شناسایی و اثرات آن را کاهش دهد. واژه‌های کلیدی: ریزشبکه‌های جریان مستقیم، حملات منع سرویس، حملات تزریق داده‌های نادرست، رویداد-تحریکِ مبتنی بر لبه، کنترل توزیع‌شده، شبکه عصبی‌ چندلایه پرسپترون

چکیده امروزه با افزایش پیچیدگی مدارهای دیجیتال و فشرده‌تر شدن روز­افزون تکنولوژی­های ساخت، احتمال بروز خرابی در فرآیند ساخت و همچنین در حین کار مدارهای دیجیتال افزایش یافته است. بنابراین این محصولات در فرایند تولید و نیز در حین کار در محیط عملیاتی نیازمند آزمون‌هایی برای اطمینان از عملکرد صحیح هستند. بنابراین تولید آزمون با کیفیت، با حداقل تعداد بردارهای آزمون، ودر سریع­ترین زمان از اهمیت بالایی برخوردار است. در این پایان­نامه یک روش تولید آزمون مبتنی بر شبیه­سازی برای مدارهای ترکیبی پیشنهاد شده است. این روش تولید آزمون از یک معیار ارزیابی تقریبی به نام ردیابی تقریبی مسیر بحرانی با الگوهای موازی برای بررسی میزان شایستگی بردارهای آزمون پیشنهادی استفاده می­کند. این معیار مبتنی بر روش سنتی ردیابی مسیر بحرانی است ولی با یک رویکرد تقریبی برای عقبگرد در فن­اوت­ها، و با پذیرش از دست دادن سطحی از دقت در نتایج، پیچیدگی روش سنتی را کاهش داده است. ردیابی مسیر بحرانی با الگوهای موازی هم از توازی   در سطح اشکال و هم از توازی در سطح الگوهای آزمون بهره می­برد و به همین دلیل سرعت شبیه­سازی آن به نحوی چشمگیر نسبت به روش­های سنتی تعیین پوشش اشکال افزایش می­یابد. اعمال الگوریتم   ردیابی تقریبی مسیر بحرانی با الگوهای موازی روی مدارهای محک ISCAS85، ISCAS89 و ITC99 نشان می­دهد نتایج حاصل از این روش در بیش از 98درصد از مدارها دارای همبستگی قوی با شاخص پوشش اشکال دقیق است و نسبت به روش شبیه­سازی اشکال موازی بیش از500 برابر تسریع دارد. روش تولید آزمون پیشنهادی که از شاخص شایستگی حاصل از الگوریتم   ردیابی تقریبی مسیر بحرانی با الگوهای موازی، برای تشخیص بردارهای آزمون کارا استفاده می­کند،   قادر است بردارهای آزمون با کیفیت و در زمان کوتاه تولید کند. نتایج ارزیابی­ها روی مدارهای محک نشان می­دهد که روش تولید آزمون پیشنهادی در مقایسه با روشی که از شبیه­سازی اشکال موازی استفاده می­کند به طور متوسط با افزایش یک­درصد در تعداد بردارهای آزمون، بیش از 15 برابر سریعتر است. کلمات کلیدی: آزمون مدارهای دیجیتال، پوشش اشکال، تولید آزمون مبتنی بر شبیه­سازی، شاخص پوشش اشکال تقریبی، ردیابی مسیر بحرانی   

   همان طور که می دانیم ساختار شبکه های برق در سراسر دنیا در حال تغییر و تحول است. به طوری که تولیدات پراکنده به صورت ریز شبکه (MG[1]) در حال گسترش است. به طور معمول یک MG از چندین منابع تولید پراکنده تشکیل می شود و برای پیوستگی تولید انرژی در MGهای جدید از سیستم ذخیره ساز انرژی (باتری ها) استفاده می شود. در چنین شبکه هایی تعیین زمان شارژ و دشارژ باتری ها مستلزم داشتن اطلاعات کافی از وضعیت تولید و مصرف انرژی یا اندازه ولتاژ باس MG است. به طور معمول در MGها برای کسب اطلاع از موارد یاد شده از سنسورها استفاده می شود. استفاده از سنسور در هر سیستمی قابلیت اطمینان آن راکاهش می دهد. زیرا احتمال خرابی در سنسورها وجود دارد. بدین منظور استفاده از روش های بدون سنسور برای تخمین ولتاژ باس MG شرایط بهتری را در ایجاد اعتماد بیشتر از عملکرد مطمئن MG به وجود می آورد. از این رو، در این تحقیق مدل شبکه عصبی مصنوعی (ANN[2]) برای مدلسازی MG پیشنهاد شده است. زیرا ANNها نشان داده اند که در مدلسازی سیستم های غیر خطی توانا هستند. لازم به ذکر است که MG تحت مطالعه در این کار از یک واحد تولید پراکنده (انرژی خورشیدی) و یک واحد سیستم ذخیره ساز انرژی (باتری ها) تشکیل شده است. بدین ترتیب برای تخمین ولتاژ باس MG سه مدل ANN خلق شده است. به طوری که مدل اول ولتاژ خروجی آرایه فتوولتائیک، مدل دوم جریان سیستم ذخیره ساز و مدل سوم ولتاژ باس MG را تخمین میزند. برای ارزیابی عملکرد مدل های خلق شده، میانگین توان دوم خطا (MSE[3]) مربوط به هر یک از مدل ها محاسبه شده است. نتایج تست صورت گرفته نشان می دهد که خطای مدل های پیشنهادی بسیار پایین و نزدیک به صفر است و این بدین معنا است که مدل ها می توانند خروجی را با دقت بالا پیش بینی کنند. در آخر می بایست گفته شود که دقت مدل اول که ولتاژ آرایه فتوولتائیک را برآورد می کند نسبت به دو مدل دیگر بالاتر است.    [1]. Micro grid [2]. Artificial neural network [3]. Mean squared error

  

با توجه به شیوع گسترده بیماری های واگیردار در جهان مدل‌های ریاضی می‌توانند به پیش‌بینی و کنترل این پاندمی کمک کنند. پاندمی بیماری نشان داده که کشورها علیرغم توسعه یافتگی و دسترسی به منابع و تجهیزات در مقابل یک بیماری جدید ناشناخته بایستی زیر ساخت‌های فیزیکی اعم از بیمارستان‌ها، مراکز بهداشتی درمانی و نیروی انسانی را در برابر بحران آماده نمایند. اپیدمی ها ممکن است ظرفیت بیمارستانی ارائه خدمات بهداشتی درمانی را در هم بشکنند و منابع مادی و انسانی، از جمله فضای بیمارستان، تجهیزات و داروها برای برآوردن تقاضا کافی نباشند، مخصوصاً در مورد اپیدمی که چندین هفته یا چندین ماه طول بکشد و به ویژه اگر بحران‌های همزمان اتفاق افتد، بیمارستان جهت کمک به اقدامات انجام شده در کنترل اپیدمی، باید بسیاری از کارکردها و منابعش را مهار کرده و به طور هماهنگ شده مورد استفاده قرار دهدکه برآوردن این الزامات می‌تواند چالش برانگیز باشد. یک اپیدمی نیاز به مرکز بهداشتی درمانی دارد تا اولویت‌هایش را تغییر داده و با روش‌های کاری منطبق باشد تا پاسخی سیستمیک و هماهنگ به یک موقعیت با   سرعت در حال تغییر بدهد.   بر اساس پیش‌بینی و صحت نتایج مربوطه، آماده‌سازی مراکز درمانی در مقابل بحران از جنبه‌های مختلف مدیریتی، ارتباطات، منابع انسانی، تامین تجهیزات، دارو و سایر خدمات تشخیصی، درمانی و پشتیبانی مورد نیاز بیماران، همراهان و کارکنان بهداشت و درمان مهم‌ترین هدف این تحقیق می‌باشد که با مدل‌سازی همه‌گیری بیماری در شرایط مختلف محقق می‌شود. شبیه سازی با در نظر گرفتن مواردی مانند: تاثیرات اندازه جمعیت، دوره نهفتگی بیماری، دوره بیماری، نرخ آلودگی، مکان‌های آلوده بر گسترش بیماری، واکسیناسیون عمومی و ... اجرا و تحلیل خواهدشد.

طراحی یک آنتن قابل تنظیم مجدد که قادر باشد با استفاده از سوئیچ‌های کنترلی مانند (سوئیچ نیمه‌هادی، سوئیچ‌های میکرو‌الکترو مکانیکی، سوئیچ‌های واراکتور و خازن) به‌گونه‌ای سازمان‌یافته و برگشت‌پذیر ویژگی الگوی تشعشعی خود را در یک فرکانس خاص تغییر دهد، و در نسل پنجم شبکه‌های ارتباطی بی‌سیم کاربرد داشته باشد. روش پژوهش حاضر توصیفی- تحلیلی بوده و به‌لحاظ کاربست نتایج، کاربردی است. گردآوری داده‌ها و اطلاعات مورد‌نیاز نیز از‌طریق مطالعه مقالات، کتاب­ها، استفاده ازدانش اساتیدو مشاهده آنتن های مایکرواستریپی که در گذشته طراحی و ساخته شده اند انجام شده و برای تجزیه‌و‌تحلیل داده‌های به‌دست‌آمده و شبیه سازی مدلهای مورد نظر، نرم افزار شبیه سازی مدارات فرکانس بالا CST مورد استفاده قرارگرفته‌است. در پژوهش یک آنتن مایکرواستریپ   (آنتن پچ مدار چاپی) برای دستیابی   به قابلیت پیکربندی مجدد الگوی تشعشعی طراحی‌شده است. دو خازن به‌طور هم‌زمان برای دستیابی به عملیات پیکربندی مجدد الگوی تشعشعی کار می‌کنند. این آنتن مایکرواستریپ از طرح یک حلقه دایره‌ای الهام گرفته‌شده است. ساختار اصلی حلقه تغییر می‌کند و خازن‌ها در پچ ادغام می‌شوند. با تغییر ظرفیت خازن‌ها در بازه­ی (0.01 - 10) پیکوفارادی می‌توان الگوی تشعشعی آنتن را به شش حالت متفاوت تغییر داد. یک مدل الکترومغناطیسی از آنتن پیشنهادی در نرم‌افزار (cst ) به‌منظور تجزیه‌وتحلیل عددی و همچنین مشاهده الگو‌های تشعشعی مختلف شبیه‌سازی‌شده است. ساختار آنتن پیشنهادی با استفاده از زیر لایه‌ای از جنس (FR4) با گذردهی نسبی   (4.4) و مماس تلفات   (0.02) و ضخامت (1.6) میلی‌متر پیاده‌سازی و ساخته‌شده است. آنتن‌ها از سال 1886 به‌منظور ارسال و دریافت اطلاعات کاربرد دارند. آن‌ها دارای ویژگی‌های خاصی هستند، این موضوع آنتن‌ها را به دودسته تقسیم می‌کند دسته اول آنتن‌های با ویژگی ثابت و دسته دوم آنتن‌های باقابلیت تنظیم مجدد، آنتن‌های قابل تنظیم مجدد خود به چندین دسته تقسیم می‌شوند که اصلی‌ترین آن‌ها عبارت‌اند از آنتن‌های باقابلیت تنظیم مجدد (فرکانس، قطبش، پهنای باند و الگوی تشعشع)، این دسته از آنتن‌ها در فناوری نسل پنجم سیستم های ارتباطی بی­سیم بسیار کاربردی هستند. از دسـتاوردهای ایـن پژوهش، طراحی و شبیه‌سازی یک آنتن مایکرواستریپ قابل تنظیم مجدد الگوی تشعشعی با استفاده از خازن‌ها به‌عنوان سوئیچ‌های کنترلی به‌منظور تغییر جریان سطحی و درنتیجه تغییر الگوی تشعشعی آنتن است.

چکیدهافـزایش نفوذ منابع انرژی تجدیدپذیر از جمله انرژی خورشیدی در تولید انرژی الکتریکی، موجب افزایش عدم قطعیت ها در حل مسائل مختلف ،کنترل و بهره برداری سیستم قدرت گردیده است. لذا استفاده از روش هایی که قادر به درنظر گرفتن عدم قطعیت باشند، جهت کنترل و حداقل کردن ریسک های مرتبط با برنامه ریزی و بهره برداری، ضروری است.به همین علت پخش بار احتمالاتی به ابزار مهمی برای بررسی ویژگی های تصادفی سیستم قدرت تبدیل شده است.در این پایان نامه به منظور بررسی میزان تلفات، با در نظر گرفتن رفتار ناپایدار بارها به صورت توزیع نرمال، از روش های پخش بار احتمالاتی مونت کارلو،تخمین دو نقطه ای ،سه نقطه ای و پنج نقطه ای به کمک نرم افزار Matlab استفاده شده است.در ادامه نیز الگوریتم MCS&3PEM پیشنهاد می گردد و نتایج به دست آمده از آن با روش مونت کارلو مقایسه می گردد. همچنین به منظور بررسی میزان هزینه سوخت از الگوریتم PSO استفاده شده است؛ نتایج به دست آمده برای یافتن بهترین مکانِ قرارگیری سامانه های فتوولتاییک ،به منظور کاهش هزینه سوخت ، مورد ارزیابی قرار خواهد گرفت.برای بررسی روش های گفته شده، دو سیستم تست استاندارد مورد استفاده قرار می گیرد. همچنین برای برآورد میزان تابش خورشیدی دریافتی در استان کرمانشاه با استفاده از داده های روزانه به دست آمده از ایستگاه هواشناسی,در بازه زمانی 6 ساله، شبکه عصبی بهینه یافته GMDH پیشنهاد می گردد. نتایج تحقیق نشان داد بین مقادیر تابش اندازه گیری شده در ایستگاه هواشناسی و تابش حاصله توسط مدل ،اختلاف کمی وجود دارد که نشان دهنده توانایی مدل در برآورد تابش است. برای ارزیابی حالت های مختلف بهره برداری سیستم دو سناریو در نظر گرفته میشود.اول اینکه تمامی بارها تنها با شبکه اصلی تغذیه شوند و انتظار میرود تلفات و هزینه تولید بالا باشد.و دوم ،سامانه فتوولتاییک به سیستم متصل باشند.بر اساس نتایج به دست آمده، مشخص گردید زمانی که سامانه فتوولتاییک به سیستم متصل هستند، مقدار تلفات توان و هزینه تولید کاهش می یابد.   واژه های کلیدی: پخش بار احتمالاتی ؛مونت کارلو،تخمین دو نقطه ای ،تخمین سه نقطه ای ،تخمین پنج نقطه ای،الگوریتم PSO ،عدم قطعیت، پیش بینی تابش خورشیدی، توان تولیدی سامانه فتوولتائیک، شبکه عصبی GMDH بهینه یافته  

The world around us is full of images. Pictures are documents that, by recording a moment, become the narrator of a world of words. City cameras create, record, and store thousands of traffic images every second. Proper processing of these images can help train models based on deep learning. Such models are used in object recognition and image captioning and will be used in cases such as voice assistants and self-driving cars. In this thesis, a method is introduced to convert traffic images into their descriptions. The presented description is based on prominent objects from images and deep learning and includes three basic steps. In the first stage, data processing and methods such as data augmentation are performed on training images. In the second step, appropriate features are extracted from the images. For this purpose, four deep neural networks named VGGNet, EfficientNetB0, InceptionV3, and ResNet50 have been investigated to extract image features. According to the number of layers in the architecture of each of these deep neural networks, the fine-tuning technique has been applied to improve the accuracy of detecting traffic objects. In the third step, two neural networks, LSTM and Transformer, have been used to convert image features into text. Finally, the optimal solution will be introduced, which will significantly increase the quality of the output sentences. In total, two methods were introduced. Based on the Transformer network, the second method showed better accuracy than the first. The MS-COCO dataset was used to evaluate the proposed methods. For this purpose, a subset including 8,000 images and ten classes of traffic objects in the MS-COCO dataset has been separated and pre-processed. The accuracy of the model introduced in the BLEU evaluation criteria is 65.3595%.

تقلید صدای غیرموازی تکنیکی است که در آن یک مبدل صدا توسط دادگان غیرموازی آموزشدر CycleGAN داده میشود. مدلهای فراوانی برای تقلید صدا آموزش دیدهاند، اما مدل های مبتنی برکه MaskCycleGAN-vc این اواخر محبوبیت زیادی به دلیل نتایج بدست آمده، پیدا کرده اند، به خصوصاست، با افزودن مکانیزمی به نام ”فریم را پر کن“، سعی در برطرف کردن CycleGAN-vc2 نمونه بهبودیافتهMaskCycleGAN-vc نقص موجود در آن نمود، که تا حد زیادی در این کار موفق بود. اما مشکلی که دروجود دارد این است که قادر نیست از ویژگیهای بین کانالی بهره لازم و کافی را ببرد. در این کار،ما با برطرف کردن این مشکل از طریق استفاده از مکانیزم توجه سعی در بهبود عملکرد این مدل داریم.مکانیزمی که در این مدل پیشنهادی وجود دارد، دارای دو مزیت است: اول، اینکه این مکانیزم را در دلتولیدکننده به کار برده ایم، که موجب رفع نیاز به تعریف مدل اضافه و در نتیجه تعداد زیادی پارامتر اضافیشده است و دو، برای بهروز رسانی از انتشار رو به عقب استاندارد بهره میبرد. در این مطالعه، ما از دادگانغیرموازی موجود در چالش تقلید صدای 2018 بهره می بریم. در نهایت برای ارزیابی روش پیشنهادی، برای بررسی میزان اثر مکانیزم توجه استفادهMOS و کیفی F0 RMSE و MCD خود، از ارزیابیهای کمیمیکنیم. در این ارزیابی، به خوبی برتری روش پیشنهادی ما بر روش قدیمی نشان داده می شود.

امروزه با ورود منابع تجدیدپذیر به شبکه توزیع موضوعی به نام ریز شبکه شکلگرفته که این موضوع بخشی ازتحقیقات را به خود تخصیص داده است. ریزشبکه دارای مزیتهای بسیار زیادی ازجمله طبیعی و اقتصادی و غیره است. اگرچه ریزشبکه دارای مزایای بسیار زیادی است، اما ریز شبکه چالشهای متفاوتی را نیز ایجاد کرده است. یکی از چالشهای مهم ریزشبکه موضوع حفاظت از ریزشبکه است، که موضوع موردبحث این پایاننامه نیز هست. چون ریزشبکه در دو مد کاری ایزوله و متصل به شبکه کار میکند، به همین علت بر اندازه جریان اتصال کوتاه به شدت تاثیر میگذارد. در مد کاری متصل به شبکه اندازه جریان اتصال کوتاه متشکل از جمع جریانهای اتصال کوتاه توسط شبکه اصلی و DG های موجود در ریزشبکه میباشد، این در حالی است که در حالت ایزوله مقدار جریان اتصال کوتاه فقط توسط DG های موجود در ریزشبکه تغذیه میشود. در نتیجه به علت تغییرات سطح جریان اتصال کوتاه و وابستگی اندازه این جریان به توپولوژی شبکه، سیستم حفاظتی اضافه جریان، توانایی حفاظت از ریزشبکه را ندارد. به همین سبب در این پایاننامه راهکاری برای حفاظت از ریزشبکه ارائه میشود . الگوریتم بررسیشده در این پایاننامه از طریق محاسبات حساسیت و تغییرات توان اکتیو بر پایه اندازهگیری فازور ولتاژ به صورت همزمان در یک زون حفاظتی، خطا را شناسایی کرده و فرمان تریپ را صادر میکند. برای بررسی بیشتر این الگوریتم از شبکه استاندارد CIGRE در برنامه دیگسایلنت استفاده شده و الگوریتم پیشنهادی با زبان برنامه نویسی پایتون در برنامه دیگسایلنت در قسمت DSL شبیهسازیشده است. مزیت این الگوریتم برای حفاظت از ریزشبکه این است که، اولا توپولوژی شبکه بر کارکرد این الگوریتم تاثیر ندارد و ثانین توانایی تشخیص انواع خطا در دو مد کاری ریزشبکه را نیز داد. در پایان برای کارکرد بهتر این الگوریتم به قسمت تصمیمگیری آن یک شرط برای ولتاژ اضافه شده، که باعث برطرف شدن تصمیمگیری اشتباه توسط این الگوریتم در زمان خطاهای طولانی مدت میشود

   تعداد مرگ و میر ناشی از سرطان پوست طی چند سال گذشته به طور قابل توجهی افزایش یافته است. تشخیص زودهنگام برای درمان سریع سرطان پوست بسیار مهم است. روش های آنالیز درموسکوپی مبتنی بر کامپیوتر اطلاعات قابل توجهی در مورد ضایعات ارائه می دهد که می تواند برای متخصصان پوست در تشخیص زودهنگام ضایعات پوستی مفید باشد. این سیستم‌های تشخیصی مبتنی بر کامپیوتر برای ارائه توضیحات ریاضی در مورد مناطق مشکوک به الگوریتم‌های پردازش تصویر   نیاز دارند. شبکه عصبی پیچشی که به اختصار CNNامیده می­شود به عنوان یکی از الگوریتم‌های یادگیری عمیق، کاربردهای زیادی در کار با داده‌های تصویری دارد و در موضوعاتی مانند طبقه‌بندی و تقسیم‌بندی تصاویر کاربرد دارد. علاوه بر مقیاس پذیری بالا در تعامل با داده های بزرگ، این الگوریتم به طور خودکار ویژگی های کلیدی تصویر را بدون نیاز به استخراج دستی آن ویژگی­ها توسط برنامه­نویس استخراج می­کند. الگوریتم ماشین بردار پشتیبان که به اختصار SVM نامیده می­شود یکی از الگوریتم­های یادگیری ماشین می­باشد به عنوان یکی از قوی­ترین الگوریتم­های طبقه­بندی­کننده شناخته می­شود. در این مطالعه،   یک رویکرد ترکیبی مبتنی بر یادگیری عمیق و یادگیری ماشین را پیشنهاد شده است که از ترکیب دو الگوریتم شبکه عصبی پیچشی به عنوان استخراج­کننده­ی ویژگی تصاویر و ماشین بردار پشتیبان به عنوان یک الگوریتم طبقه­بندی کننده حاصل می­شود. با اعمال روش­های پیش پردازش تصاویر بر روی مجموعه داده­ی استفاده شده و سپس استفاده از تکنیک افزایش داده تصاویر مصنوعی یک­دست و بدون نویز تولید می­شود که به عنوان ورودی به شبکه CNN داده می­شود و پس از استخراج ویژگی­های کلیدی از تصاویر این ویژگی­ها به عنوان ورودی به الگوریتم SVM داده می­شوند تا عمل طبقه­بندی را انجام دهد. لازم به ذکر است، هدف از این مطالعه طبقه بندی انواع ضایعات پوستی می­باشد تا مدل پیشنهادی بتواند با نهایت اطمینان و دقت نوع ضایعه را تشخیص دهد.

   پایدارسازی گود و شیب ها در مناطق مختلف به دلیل گسترش جمعیت ،رشد شهرسازی و راهسازی جهت تامین امنیت جانی و جلوگیری از خسارات مالی   امروزه مورد توجه بسیاری از محققین قرار گرفته است . یکی از رایج ترین روشهای پایدار سازی به دلیل مزایای بسیار دیوارهای میخ کوبی شده است. اخیرا برم بندی در دیوارهای میخ کوبی مورد پژوهش قرارگرفته و نتایج مثبت آن به وسیله مطالعات دوبعدی نشان داده شده است. باتوجه به هندسه های مختلف و موثر بر رفتار دیوار نظیر گوشه ها و قوس ها با انجام مطالعات سه بعدی میتوان رفتار دیوارهای میخ کوبی شده در این شرایط را بهتر شناخت و منجر به دید مفید تری از عملکرد آنها شد . دراین پژوهش با استفاده از نرم افزار پلکسیس سه بعدی و دوبعدی اثرات دیوارهای میخ کوبی برم بندی شده را در حالت همزمانی با گوشه در گود ها ، در یک تحلیل عددی مورد بررسی قرار گرفته و نتایج مثبت همزمان ناشی از وجود گوشه و برم بندی وهمچنین تغییرات عرض آن بر روی نشست ها(از مقدار 9 سانتیمتر نشست به 1 سانتیمتر در عرض سه متر کاهش یافته)، تغییر مکان های افقی دیوار و پایداری بررسی   قرارگرفته و مدل رفتاری بررسی و ضعف مدل مورکولمب نشان داده شد .

محاسبات تقریبی تکنیکی امیدوارکننده برای کاهش توان مصرفی یا بهبود تاخیر مدارها می­باشدکه با کمک آن می­توان به مصالحه مناسبی بین توان مصرفی، تاخیر، و دقت در خروجیمدار دست یافت. در این کار، ما مدارهای ضرب­کننده تقریبی با عرض بیت­های مختلفیپیشنهاد می­دهیم و اثر استفاده از ضرب 8 بیت را در الگوریتم­های پردازش تصویر ازجمله: الگوریتم صاف کردن با فیلتر گاوسی، الگوریتم کشش کنتراست، الگوریتم لبه­یابیبا فیلتر سوبل، و الگوریتم ضرب تصاویر بررسی می­کنیم. ضرب­کننده تقریبی پیشنهادیپایه، ضرب­کننده­ی 4 بیت می­باشد که برای کاهش تاخیر مدار، مدار به دو بخش تقسیممی­شود، بخش پایین، عاری از رقم نقلی است و بخش بالا دارای یک زنجیره­ی رقم نقلی 2بیتی ِ مستقل از بخش پایین است. برای گسترش مدار و تولید مدارات ضرب­کننده 8، 16 و32 بیت، از ضرب­کننده 4 بیت پایه استفاده می­کنیم و از هفت تکنیک برای انباشت وجمع نهایی استفاده می­کنیم. جمع­کننده مورد استفاده برای جمع نهایی، جمع­کننده دقیقو یک جمع­کننده تقریبی موجود با پیکربندی­های مختلف برای داشتن دقت در سطوح مختلفمی­باشد. نتایج حاصل از پیاده­سازی ضرب­کننده تقریبی نشان می­دهد که ضرب تقریبی 4بیتی پیشنهادی به ترتیب دارای حداکثر 11.55درصد، 11.75درصد، 7.99درصد،45.64درصد، 53.21درصد، 68.57درصد، 82.91درصد و 94.63درصد بهبود در پارامترهایمیانگین فاصله خطا (MED)، میانگین فاصله خطای نرمال شده (NMED)، میانگین فاصلهخطای نسبی (MRED)، توان مصرفی، مساحت، تاخیر، حاصل­ضرب توان-تاخیر(PDP)، و حاصل­ضربانرژی-تاخیر (EDP) در مقایسه با ضرب 4 بیت موجود است. در ضرب­کننده 4 بیت تقریبیپیشنهادی به ترتیب 72.81درصد، 74.35درصد، 83.33درصد، 95.46درصد و 99.24درصد بهبوددر پارامترهای توان مصرفی، مساحت، تاخیر، حاصل­ضرب توان-تاخیر(PDP)، و حاصل­ضربانرژی-تاخیر (EDP)   در مقایسه با ضرب درختی دقیق والاس داریم. نتایج حاصل از استفاده از ضرب­کننده­های 8 بیت در الگوریتم­های پردازش تصویر مذکور، نیزنشان دهنده کیفیت قابل قبول تصاویر پردازش شده است.  

پیشرفت فنّاوری­های ساخت تراشه­های سیلیکونی و دستیابی به ابعاد نانومتری، امکان ساخت سیستم­های الکترونیکی بزرگ بر روی یک تراشه را فراهم نموده است. این تراشه­های جدید با چالش­های جدیدی نیز مواجه هستند و ممکن است در هر زمانی در محیط کار دچار اشکال شوند. این امر نیاز به روش­های خودآزمایی دوره­ای در محیط کار را بیشتر کرده است. استفاده از روش­های خودآزمایی سخت­افزاری به علت ویژگی­های آزمون تصادفی نمی­تواند به تنهایی کافی باشد و برای رسیدن به سطح کیفیت مناسب برای آزمون پردازنده، بایستی از روش­های خودآزمایی نرم­افزاری نیز بهره برد. یکی از مهمترین مراحل در فرآیند آزمون یک تراشه، تولید بردارهای آزمون کارا برای آزمون آن تراشه است. تولید بردارهای آزمون با استفاد از روش­های قطعی تولید آزمون بسیار زمانبر است. علاوه بر این محدودیت­های زمانی و عملکردی در پردازنده­ها، باعث می­شود که تولید آزمون­های نرم­افزاری برای پردازنده با استفاده از روش­های قطعی تولید بردار آزمون، ناممکن و یا حداقل سخت و ناکارا باشد. استفاده از روش­های تولید آزمون مبتنی بر شبیه­سازی به دلیل غلبه بر این محدودیت­ها، می تواند یک جایگزین مناسب باشد. در روش­های مبتنی بر شبیه­سازی، تعدادی الگوی آزمون به صورت کاملاً تصادفی و یا با استفاده از روش­های فرا ابتکاری تولید می­شود. سپس این بردارهای آزمون بر اساس شاخص پوشش شکال، مقایسه شده و بهترین آنها انتخاب می­شوند. در این روش­ها، محاسبه­ی شاخص پوشش اشکال بردار آزمون زمانبر است. می­توان به­جای شاخص دقیق و زمانبر پوشش اشکال، از یک شاخص تقریبی و سریع برای ارزیابی و انتخاب بردارهای آزمون استفاده نمود.   در این راستا، در این پایان­نامه یک شاخص تقریبی به نام APXD پیشنهاد شده است که تقریبی مناسب از تعداد اشکال­های شناسایی شده توسط یک الگوی آزمون ارائه می­کند. با تکیه­ بر این شاخص، یک روش تولید آزمون مبتنی بر شبیه­سازی به نام APXD_TG نیز در این پایان­نامه پیشنهاد شده است و با استفاده از آن برای برخی از اجزای یک پردازنده، آزمون نرم­افزاری تولید شده است. نتایج ارزیابی­های ما نشان می­دهد که شاخص APXD سرعت و دقت مناسب داشته و جایگزین مناسبی برای شاخص پوشش اشکال است. علاوه بر این نتایج ارزیابی­ها نشان می­دهند که استفاده از شاخص APXD به جای شاخص پوشش اشکال، ضمن حفظ کیفیت آزمون، زمان تولید آزمون را به نحو قابل توجهی کاهش می­دهد. شاخص پیشنهادی بسیار سریع­تر از شاخص پوشش است. به طور میانگین نسبت به روش موازی ?? برابر سریع­تر و نسبت به روش سریال 696.9 برابر سریع­تر است. لذا استفاده از آن در بخش ارزیابی بردارهای آزمون کاندید، تسریع قابل توجهی در الگوریتم‌های تولید آزمون مبتنی بر شبیه­سازی به وجود می­آورد.