شبيه سازي فرآيند تشخيص موانع توسط روبات با استفاده از فيلترينگ ذره اي
تخمين موقعيت دقيق، مسيريابي و تشخيص موانع، يكي از مهم ترين مسائل در زمينة روباتيك و هوش ماشين است. در سال هاي اخير، تحقيقات نشان داده اند كه روش هاي احتمالاتي، قابل اطمينان ترين راه حل ها را در اين مورد پيشنهاد مي دهند. روش مسيريابي بر مبناي فيلترينگ ذره اي، يكي از كارآمدترين اين روش ها مي باشد كه با استفاده از مجموعه اي از نمونه هاي وزن دهي شده و بر اساس روش مونت كارلو، مدلي را ارائه مي دهد. در اين مقاله سعي شده است تا از طريق شبيه سازي يك محيط دو بعدي با تعداد موانع متغير و به كار بردن فيلترينگ ذره اي، تحققي از اين فيلتر در فرآيند تشخيص موانع ارائه گردد.
شناسايي افراد به كمك ويژگيهاي حوزه زمان و فركانس از مدل راه رفتن
در اين مقاله شناسايي هويت افراد بر اساس ويژگيهاي حوزه زمان و فركانس راه رفتن بررسي ميگردد. اين ويژگيها از رشته تصاوير دو بعدي مربوط به راه رفتن افراد استخراج ميگردد. ابتدا مدل ساده اي از بدن فرد در هر فريم يك ويدئو ساخته شده و سپس ويژگيهاي بخشهاي مختلف اين مدل استخراج ميگردد. در اين مقاله ويژگيهايي را به دسته ويژگيهاي بكار رفته در روشهاي مشابه اضافه ميكنيم تا تمايز بين افراد را بهبود بخشد. ويژگيهاي استخراج شده را در حوزه زمان و فركانس آناليز نموده و به كمك روش anova ويژگيهاي كارا را انتخاب ميكنيم. نتايج حاصل از تحليل anova و كارآيي آن در اين مقاله ارايه ميگردد. ويژگيهاي استخراج شده را به حوزه فركانس برده و مولفه كارآمد اين ويژگيها در فركانس اصلي راه رفتن فرد شناسايي ميشود. در مرحله بعد، ويژگيهاي حوزه زمان و فركانس به يك كلاسه بند وزندار داده ميشود تا فرد را از روي رشته ويدئويي داده شده، تشخيص دهد. نتايج تجربي نشان ميدهد ويژگيهاي پيشنهاد شده در اين مقاله روشهاي قبلي را بهبود ميبخشد. همچنين وزندار كردن ويژگيها در مرحله كلاسه بندي نرخ شناسايي را افزايش ميدهد.
شناسايي پارامترهاي مجهول سيستم آشوبي به منظور سنكرون سازي توسط الگوريتم ژنتيك
اين مقاله روش جديدي را براي سنكرون سازي اسيلاتورهاي آشوبي به كمك الگوريتم ژنتيك پيشنهاد ميكند. براي پياده سازي اين روش از بين سيستم هاي آشوبگونه مختلف، سيستم راسلرانتخاب شده است. هدف از سنكرون سازي يكسان شدن پارامترهاي مجهول سيستم پاسخ با سيستم راه انداز و صفر شدن خطا مي باشد. در حل اين مساله نياز به يك پاسخ بهينه براي سيستم نداريم بلكه سيتم ديناميكي ميباشد و به سيگنال كنترلي احتياج هست. الگوريتم ژنتيك هميشه در محيطهاي استاتيك استفاده مي شده اما در روش ابتكاري الگوريتم ژنتيك پي در پي اجرا شده است و پارامترهاي مجهول سيستم پاسخ و سيگنال كنترلي به صورت تكه اي در زير بازه هاي كوچك زماني محاسبه و با كنار هم قرار دادن آنها ،مقادير نهايي دركل زمان به دست مي آيد. بدين ترتيب پارامترهاي متغير با زمان براي سنكرون سازي فراهم مي شوند. الگوريتم ژنتيك با قابليت جستجوي سراسري، سعي در كاهش زمان سنكرون سازي دارد. در روش پيشنهادي در كمتر از 40 ثانيه سنكرون سازي انجام مي گيرد و خطا صفر مي گردد. همچنين در اين مقاله اثر تغيير شرايط اوليه سيستم راه انداز نيز بررسي شده است.
آنچه در اين مقاله دنبال مي شود اين است كه يافتن خطوط نقشه - شامل خطوط باريك و خطوط ضخيم - توسط رايانه به صورت خودكار و هوشمند انجام شود . اين مقاله در حقيقت بخشي از پايان نامه كارشناسي ارشد است. در اين پايان نامه هدف خواندن خودكار نقشه فرش است . از آنجا كه همه پيكسل هاي درون چهارخانه ها –كه از تلاقي خطوط باريك حاصل مي شوند- در مرحله كاهش رنگ بايد همرنگ شوند ، لازم است كه ابتدا خطوط نقشه به طور صحيح شناسايي شوند . براي رسيدن به اين هدف ابتدا فاصله خطوط باريك محاسبه مي شود . پس از شناسايي اولين خط باريك ، خطوط باريك بعدي به ترتيب رسم مي شو ند. براي شناسايي اولين خط ضخيم از الگوريتم شانه گذاري استفاده شده است . مشكل عمده در شناسايي خطوط، خطاي نمونه برداري ناشي از اسكنر است. اين خطا غير قابل اجتناب مي باشد. براي اصلاح اين خطا در مراحل مختلف روش هايي پيشنهاد شده است.
كوره سيمان يك سيستم غير خطي و متغير با زمان مي باشد. از آنجاييكه در اين سيستم علاوه بر اعمال فيزيكي، واكنش هاي شيميايي نيز انجام مي شود، اين سيستم داراي معادلات ديناميكي پيچيده است. اين معادلات هنوز به طور دقيق بدست نيامده اند و در صورت لزوم از بسياري از پارامترهاي موجود صرفنظر شده و از تقريب اين معادلات استفاده مي شود. همين موضوع باعث بروز بسياري از مشكلات در طراحي كنترل كننده مي شود. بنابراين با توجه به اهميت كوره دوار سيمان در صنعت و با توجه به ماهيت پيچيده آن و پارامترهاي متعدد موثر بر كيفيت كار آن، انجام تحقيق و پژوهش برروي آن ضروري است. در اين مقاله مدلهايي براي كوره دوار سيمان با استفاده از شبكه عصبي ارائه ميگردد. در اين راستا از دو روش شبيه- سازي و پيشبيني براي شناسايي و مدلسازي كوره استفاده ميشود. براي آموزش شبكه عصبي نيز، تكنيك كاربردي گراديان نزولي جهت تنظيم پارامترهاي شبكه استفاده شده است. در پايان ضمن بيان خصوصيات مدلهاي بدست آمده، مزايا و معايب هركدام ارائه ميگردد. مدلسازي با بكارگيري داده هاي واقعي كه از كارخانه سيمان ساوه حاصل شده بود، انجام گرديده است.
شناسايي و تاييد امضا فارسي برون خطي مبتني بر تئوري فركتال
تئوري فركتال در توليد تصاوير رايانه اي ، فشرده سازي تصاوير و شناسايي الگو مدتهاست كه مورد استفاده قرار گرفته است . شناسايي امضا يك مساله شناسايي الگو مي باشد كه به منظورجداسازي نمونه هاي جعلي از نمونه هاي حقيقي استفاده مي گردد . در اين مقاله از بعد فركتالي و نيز فشرده سازي فركتالي جهت شناسايي امضا فارسي به صورت برون خطي استفاده شده است . بعد فركتالي با افزايش پيچيدگي نمونه امضا افزاشي مي يابد اما به علت اختلاف بين كلاسي كم به تنهايي معيار مناسبي براي شناسايي الگو نمي باشد . از فشرده سا زي فركتالي در اين مطالع ه به دو گونه استفاده گرديد ابتدا از كد فر كتالي جهت شناسايي الگو استفاده شد كه با وجود هزينه زماني زياد نرخ شناسايي حدود 80 % حاصل ش د . سپس از كد فركتالي هر امضا، ويژگيهايي استخراج شد و ازاين ويژگيها جهت شناسايي امضا استفاده گرديد .
طراحي بهينه كنترل فازي تاكاگي سوگنو با استفاده از يك روش جديد براي سيستم آونگ معكوس
كنترل سيستمهاي غير خطي يكي از مباحث تحقيقاتي مهم ميباشد كه در اين راستا روشهاي هوشمند ميتوانند عملكرد خوبي داشته باشند . روشهاي يادگيري تقويتي از جمله روشهايي ميباشند كه براي تنظيم پارامترهاي مربوط به يك سيستم كنترلي بكار برده مي شوند . روش مرسوم اتوماتاي يادگيري تقويتي گسسته دسته اي از روشهاي يادگيري تقويتي بوده كه در اين مقاله به ارائه روشي جديد بر مبناي روش مرسوم ميپردازيم . روش جديد را تحت عنوان روش اتوماتاي يادگيري تقويتي گسسته توسعه يافته مي شناسيم. ابتدا به ارائة بيان جديدي از سيستم در فضايn بعدي پرداخته و سپس روش جديد در اين فضا پياده ميشود كه منجر به بهبودي قابل ملاحظه اي از لحاظ سرعت و دقت ميشود. روش ارائه شده در اين مقاله را در طراحي كنترل فازي تاكاگي سوگنو براي يك سيستم پاندول معكوس كه از سيستمهاي غير خطي مهم است، بكار برده و نتايج را با روش مرسوم آتوماتاي يادگيري تقويتي مقايسه ميكنيم
طراحي پارامترهاي سيستم فازي با استفاده از الگوريتم كولوني مورچه ها
–اين مقاله به ارائه يك الگوريتم جديد براي طراحي يك سيستم كنترلر فازي بهينه با استفاده از روش بهينه سازي كولوني مورچه ها مي پردازد. بدين منظور ابتدا ساختار سيستم فازي با تعدادي پارامتر متغير مشخص مي شود. در مرحله بعد اين پارامترها بر اساس يك معيار بهينه سازي مانند كاهش خطاي سيستم و با استفاده از الگوريتم كولوني مورچه ها تعيين مي شود. نگاشت پارامترهاي سيستم فازي مطلوب در فضاي كولوني مورچ هها و به حداقل رساندن بار محاسباتي و تعداد قواعد مهمترين بخش پياده سازي مي باشد كه در مقاله به جزئيات آن پرداخته شده است. همچنين نتايج شبيه سازي الگوريتم پيشنهادي براي طراحي يك كنترلر فازي براي سيستم گوي و ميله، نشان از قابليت بالاي الگوريتم از نظر دنبال كنندگي پاسخ مطلوب، كاهش زمان محاسبات وكاهش تعداد قواعد لازم وهمچنين رفع معايب ساير روش ها از جمله عدم رخ دادن مينيمم محلي به علت شروع از شرايط اوليه مختلف ميباشد.
طراحي طبقه بندي كنند هي چند كلاسه با استفاده از برنامه نويسي ژنتيك
مقاله ي فوق در ارتباط با تكنيك جديد است، كه در آن از برنامه نويس ژنتيك براي طراحي طبقه بندي كننده ي چند كلاسه استفاده مي شود. با ارائه ي ساختار چند درختي كه هر درخت يك طبقه بندي كننده براي طبقه بندي داده هاي يك كلاس از ساير كلاسها است، طبقه بندي كننده ي چند كلاسه مدل مي شود. پس هر عضو جمعيت در الگوريتم تكاملي آرايه اي از درخت ها مي باشد، كه آرايه به تعداد كلاس هاي موجود درخت دارد و در فرآيند تكامل به صورت همزمان چندين طبقه بندي كننده ي كامل تكامل داده مي شوند. با ارائه ي دو شيوه ي جديدي براي عملگر هاي بازتركيبي و جهش كار تكامل را انجام مي دهد. انتخاب والدين براي عملگر بازتركيبي با روش Tournament و براي عملگر جهش با روش تصادفي انجام مي شود. انتخاب بازماندگان نيز از روش Generational با تركيبي از حالت Elitist انجام ميگيرد. همچنين نكته ي بارز ديگري كه وجود دارد، استفاده از معيار ثانويه اي تحت عنوان عدم شايستگي مي باشد، كه در برخي مراحل عملگر هاي تكاملي از آنها استفاده مي شود. در نهايت پس از اتمام الگوريتم تكامل، از سه تكنيك پس پردازشي تحت نام هاي Heuristic Rule و Weighting Scheme ،OR-ing براي بهبود نتايج نهايي طبقه بندي كننده و استفاده حداكثر از جمعيت نهايي استفاده ميشود. روش پيشنهادي برروي چهار مجموعه ي داده ي استاندارد مورد ارزيابي قرار گرفته و نتايج حاصل ارائه شده است.