مرجان نادران طحان

هدف از این تحقیق ارائه روشی کارا و موثر برای طبقه بندی تصاویر سنجش از دور ابرطیفی است. این تصاویر معمولاً برای ‏شناسایی نوع پوشش و مواد تشکیل دهنده زمین به کار می‌روند. از آنجا که اندازه این تصاویر بزرگ است و در باندهای فرکانسی ‏متعددی تهیه می‌شوند دارای حجم زیاد و بردار ویژگی با ابعاد بالا هستند. همچنین وجود نویز، تفاوت در زاویه حسگر، زاویه تابش ‏نور، شرایط جوی و عوامل متعدد دیگر باعث بوجود آمدن تفاوت در بردار طیفی داده های متعلق به یک دسته، ایجاد زیرفضاهای ‏متعدد و در نتیجه غیرخطی شدن ویژگی‌ها شده است، بنابر این طبقه بندی این تصاویر کاری چالش برانگیز است. مدل تنک ‏مشترک برای دسته بندی نمونه هایی با ماهیت غیر خطی، کارایی به سزایی دارد زیرا باعث می‌شود از همبستگی مکانی موجود بین ‏پیکسل‌ها بهره برداری شود. در این پایان نامه برای تعیین نوع عناصر هر پیکسل از روش نمایش تنک بر پایه لغت نامه استفاده شده ‏است. در مدل تنک مشترک، عناصر لغت نامه برای همه پیکسل‌های موجود در هر سوپرپیکسل مشترک است در حالی که ضرایب ‏مربوط به هر یک متفاوت است،‌ همچنین جهت استخراج مدل تنک مشترک، تصویر به سوپرپیکسل‌هایی بخش بندی شده است. ‏برای استخراج سوپرپیکسل ها، به طور همزمان ویژگی های طیفی و مکانی به کار گرفته شده است تا نواحی همگن تری انتخاب ‏شوند، در نتیجه هم طیف هر پیکسل مورد مقایسه قرار گرفته است و هم از لحاظ مکانی پیکسل ها با هم مقایسه شده اند. برای ‏استخراج سوپرپیکسل ها از دو روش ‏ASLIC‏ و ‏SSSE‏ استفاده شده است. همچنین با الگوریتم ‏SOMP‏ ضرایب تنک مربوط به ‏هر بردار طیفی استخراج و با روش ‏K-SVD‏ اتم‌های لغت نامه ایجاد می‌شوند. از آزمایشات و مقایسه با سایر رهیافت‌ها، این نتیجه ‏به دست می‌آید که بخش بندی سوپرپیکسل به عنوان یک پیش پردازش، واستفاده توامان ویژگی‌های طیفی و مکانی در این بخش ‏بندی تاثیر به سزایی در مشخص کردن نواحی همگن دارد و در نتیجه تجزیه یک طیف با دقت بهتری انجام می‌شود. از طرفی ‏برچسب زنی نمونه‌ها توسط فرد متخصص، جهت آموزش طبقه بند، کاری دشوار و پر هزینه است. در این پایان نامه برای غلبه بر ‏تعداد نمونه آموزشی محدود، از روش نیمه نظارت شده استفاده شده است، برای این کار نمونه‌ها با دو الگوریتم نیمه نظارتی ‏TSVM‏ و ‏S4VM، که از فرض‌های متفاوتی جهت دسته بندی بهره می‌برند استفاده و نتیجه کار آنها با هم مقایسه شده است. ‏نتایج نشان داد روش پیشنهادی به دقت کلی 94.73% برای طبقه بند ‏‎ TSVMو 97.13%‏‎ ‎برای ‏S4VM‏ دست یافته است. این میزان ‏دقت کلی نشان می‌دهد که دقت روش پیشنهادی نسبت به روش های نظارت شده رشد داشته است. همچنین بیانگر این است که ‏طبقه بندهای نیمه نظارتی با داده های محدود آموزشی، کارایی بالاتری نسبت به روش های نظارت شده دارند و در صورتی که ‏ویژگی های مناسب با جداسازی بالا استخراج شود می‌توانند برای داده های آزمایش به خوبی تعمیم یابند.‏

 شبکه¬های بین خودرویی موردی، نسل جدیدی از شبکه¬های موردی سیار هستند که در آن، خودروهای در حال حرکت نقش گره¬های متحرک را دارند و به دلیل تحرک بالای خودروها، توپولوژی شبکه دائما در حال تغییر است. تغییرات سریع توپولوژی شبکه، چالشی بزرگ در مسیریابی محسوب می¬شود؛ درحالیکه پروتکل¬های مسیریابی باید مستحکم و قابل‌اعتماد باشد. یکی از پروتکل¬های مسیریابی شناخته ‌شده در شبکه‌های بین خودرویی، پروتکل مسیریابی AODV است که معیار کمترین تعداد گام را برای انتخاب مسیر استفاده می¬کند. این معیار به تنهایی در بسیاری از سناریوها موجب کاهش کارایی شبکه و در نهایت، عدم انتخاب مسیرهای پایدارتر می¬گردد. در این پایان¬نامه، برای برطرف کردن چالش¬ مطرح شده، الگوریتم AODV با استفاده از منطق فازی بهبود داده شده است. برای این منظور پنج پارامتر سرعت، جهت، طول عمر لینک، قابلیت اطمینان لینک و هزینه فازی در بسته¬های درخواست مسیر AODV اضافه شده است و با استفاده از آنها احتمالی برای انتخاب لینک در مسیر به عنوان خروجی داده می¬شود. معیارهای استفاده شده جهت ارزیابی عملکرد روش پیشنهادی، عبارتند از: نرخ تحویل بسته، نرخ از دست رفتن بسته، بار مسیریابی نرمال شده و میانگین تاخیر انتها به انتها. نتایج حاصل از روش پیشنهادی، نشان دهنده¬ی بهبود معیارهای ارزیابی نسبت به پروتکل¬ AODV و یک روش دیگر مبتنی بر فازی بنام PFQ-AODV است.

با ورود به عصر اطلاع رسانی دیجیتال و رشد سریع اینترنت، رفته رفته اطلاعات از فرم کاغذی به الکترونیکی تبدیل شدند. این امر برای کاربران امکان جستجوی کتاب ها و اخبار را به صورت الکترونیکی فراهم می کند. بنابراین نیاز به سیستم هایی برای بازیابی اطلاعات احساس می¬شود. به این منظور در این پایان نامه سیستمی جهت خوشه بندی متون با استفاده از خوشه بندی فازی نیمه  نظارتی با بردار ویژگی وزن دار پیشنهاد می-شود. در روش پیشنهادی پس از مرحله ی پیش پردازش، برای کاهش ابعاد از الگوریتم ژنتیک و سپس TF-IDF استفاده شده و ویژگی هایی با قدرت تفکیک بالا انتخاب می شوند. الگوریتم خوشه بندی پیشنهادی (C-W-FCM) با بهره گیری از تعدادی نمونه ی برچسب دار موجب افزایش کارایی سیستم خوشه بندی، خصوصاً زمانی که اسناد شباهت موضوعی زیادی دارند، می¬شود. در C-W-FCM ماتریس وزنی در نظر گرفته شده است که متناسب با واریانس هر ویژگی، محاسبه شده و همگام با پیشرفت الگوریتم خوشه بندی تغییر می کند. بنابراین ویژگی های با واریانس بیشتر، تاثیر بیشتری در فرایند خوشه بندی خواهند داشت. در روش خوشه¬بندی، فاصله اقلیدسی به کار رفته با این تفاوت که برای ابعاد ارزش یکسانی در نظر گرفته نمی شود. در نهایت کارایی سیستم پیشنهادی روی مجموعه داده رویترز بررسی شده و نتایج نشان دهنده ی موفقیت این رویکرد نسبت به الگوریتم خوشه¬بندی فازی و الگوریتم خوشه بندی وزن دار فازی از نظر چند معیار ارزیابی معروف خوشه بندی است.

رایانش ابری یک محیط محاسباتی مبتنی بر اینترنت است که منابع ذخیره سازی و محاسباتی به صورت مجازی و پویا بین طیف وسیعی از کاربران و با توجه به نیاز آنها اختصاص داده می¬شود. نگرانی در مورد امنیت و حریم خصوصی از بزرگترین موانع برای تصویب خدمات مبتنی بر ابر است. مجازی سازی به عنوان یک زیرساخت اساسی از محاسبات ابری گرفته شده است و مشکلات امنیتی خاصی در طول تکامل محاسبات ابری ایجاد می¬کند. یکی از وظایف ضروری اما سخت در رایانش ابری تشخیص حملات مخرب و نوع آنهاست. با توجه به افزایش حوادث سایبری، طراحی و پیاده سازی سیستم¬های تشخیص نفوذ موثر برای حفاظت از سیستم-های اطلاعاتی امنیتی ضروری است. در این پایان نامه یک سیستم تشخیص نفوذ مبتنی بر میزبان برای حفاظت از ماشین¬های مجازی روی ابر ارائه شده است. برای این منظور، ابتدا ویژگی¬های مهم همه¬ی کلاس¬های مجموعه داده با استفاده از روش رگرسیون لجستیک انتخاب شده و سپس با استفاده از هموارسازی مقادیر بهبود داده می¬شوند. سپس حملات مختلف با استفاده از ترکیب دسته¬بندهای مختلف شبکه¬های عصبی، درخت تصمیم و تحلیل تفکیک خطی با الگوریتم بگینگ برای هر کلاس به طور جداگانه دسته¬بندی خواهند شد. مدل پیشنهادی با استفاده از مجموعه داده NSL-KDD آموزش و آزمایش شده است. برای پیاده سازی مدل از نرم افزار کلودسیم به جای نرم افزار متلب استفاده شده است که در مقایسه با کارهای پیشین، دقت 51/97 را بدست آورده است.

 سرطان ریه یکی از سخت ترین و خطرناک ترین سرطان ها در جهان به شمار می رود. زنده ماندن بیماران ارتباط مستقیمی با شناسایی بیماری در مراحل اولیه دارد، به طوری که شناسایی زودهنگام سرطان ریه در مراحل اولیه می تواند نرخ بقای 5 ساله بیماران را افزایش دهد. اغلب سرطان های ریه در مراحل اولیه تشخیص، به صورت یک جسم کوچک با قطری کمتر ازCm 3 شناخته می شوند که ندول نامیده می شوند. اغلب ندول های ریه خوش خیم بوده اما تعداد کمی از آن ها به مرور زمان به بدخیم تبدیل می¬شوند. تکنیک های پردازش تصویر و شناسایی الگو می تواند نقش اساسی در شناسایی و تشخیص ندول های ریوی داشته باشد.
در این پایان نامه یک سیستم اتوماتیک شناسایی به کمک کامپیوتر CAD)) پیشنهاد شده است که شامل دو فاز است، در فاز اول ریه ها از تصویر سی تی اسکن طی عملیات ناحیه بندی کانتور فعال به خوبی جدا شده و سپس براساس ویژگی  سیفت، دسته بند بگینگ پیشنهادی تصاویر ریه را به دو دسته سالم و بیمار دسته بندی می-کند. در فاز پیشنهادی دوم، براساس یک ناحیه بندی گراف کات تمام خودکار، ندول ها از تصویر ریه استخراج شده و قطر آن ها اندازه گیری می شود. اندازه ندول ها در شناسایی خوش خیم و بدخیم بودن ندول ها بسیار تاثیرگذار است، بنابراین در پایان، ندول ها براساس اندازه و ویژگی های بافتی تصویر به دو دسته خوش خیم و بدخیم طبقه بندی می شوند. روش های پیشنهادی روی تصاویر سی تی اسکن کنسرسیوم پایگاه داده تصاویر ریه LIDC آزمایش شده اند. کارایی آن ها در شناسایی و طبقه بندی ندول ها به خوش خیم و بدخیم از نظر کاهش خطای مثبت و دقت با کارهای انجام شده قابل مقایسه است. بنابراین این سیستم می تواند به عنوان نظر دوم در کنار پزشکان و رادیولوژیست ها قرار بگیرد.

 در طی یک دهه ی اخیر، توجه روز افزونی به ارتباطات در جامعه مدرن معطوف شده است. امروزه شبکه های اجتماعی با صدها میلیون عضو به ابزاری قدرتمند جهت هدایت جریان اطلاعات محسوب می شوند. لذا مطالعه بر روی جنبه های مختلف این شبکه ها توسط محققین مورد توجه قرار گرفته است. یکی از موارد حائز اهمیت در تحلیل شبکه های اجتماعی، موضوع تشخیص اجتماع است.. در این پایان نامه از الگوریتم تکاملی مبتنی بر مورچه جهت تشخیص اجتماع استفاده شده است که از سه مرحله ی کاوش، ساخت و بهینه سازی محلی تشکیل شده است و پس از آن رهیافت خوشه بندی فازی جهت بهبود و تنظیم دقیق تر نتایج بکار گرفته شده است. تفاوت تحقیق حاضر با روش های پیشین که موجب ارتقای الگوریتم پیشنهادی شده است را می توان در بکار بردن الگوریتم مبتنی بر مورچه، ماژولاریتی بعنوان معیاری در ارزیابی بهبودی نتایج بدست آمده در هر تکرار و نیز خوشه بندی فازی خلاصه کرد. جهت تحلیل و بررسی عملکرد روش ارائه شده در این پایان نامه، از دو نوع مجموعه داده های جهان واقعی و ساختگی بهره گرفته شده است. نتایج بدست آمده نشان می دهد که اجتماع یافت شده توسط روش پیشنهادی در مقایسه با شاخص ترین روش های تشخیص اجتماع در ادبیات مساله دارای کیفیت ساختار اجتماع مناسب تری است بطوریکه در شبکه های ساختگی به دقت بیشتری بین 0.2 تا 0.5 درصد و در برخی شبکه های جهان واقعی به نسبت 98.1 درصد دست یافته است. بطور کلی الگوریتم پیشنهادی بر روی محک LFR در 71.9 درصد نمونه ها مطابق با بهترین مقادیر بدست آمده در الگوریتم های قبلی است و در 10.1 درصد نمونه ها بهترعمل کرده است. همچنین در 16.4 درصد نمونه ها بهترین مقادیر دوم را بدست آورده است. برای 1.6 درصد باقیمانده از نمونه ها هم الگوریتم ما بهترین مقادیر سوم را پیدا کرده است.