انجام پایان نامه-انجام پروژه      انجام پایان نامه-انجام پروژه      انجام پایان نامه-انجام پروژه      انجام پایان نامه-انجام پروژه      انجام پایان نامه-انجام پروژه      انجام پایان نامه-انجام پروژه      انجام پایان نامه-انجام پروژه      انجام پایان نامه-انجام پروژه      انجام پایان نامه-انجام پروژه      انجام پایان نامه-انجام پروژه

انجام پایان نامه کارشناسی ارشد

پایان نامه

انجام پایان نامه مهندسی کامپیوتر هوش مصنوعی Computer Engineering Artificial Intelligence

انجام پایان نامه مهندسی کامپیوتر هوش مصنوعی Computer Engineering Artificial Intelligence

عنوان پروژه:بررسي و ارتقاي روشهاي شناسايي چهره دوبعدي در شرايط نورپردازي غيريكنواخت

چکیده: در این پروژه سعی شده است الگوریتمی جهت شناسایی چهره افراد در محیطهایی با نورپردازی غیر یکنواخت ارایه شود. این سیستم ابتدا با استفاده از تصاویر موجود در پایگاه داده، میزان و چگونگی تاثیر پذیری نقاط مختلف چهره را مدل نموده و آنرا به صورت نگاشتی دو یا سه بعدی، مدل می نماید. سپس فقط با استفاده از تصاویر افراد با نورپردازی یکنواخت و نرمال، سیستم را آموزش می دهیم. حال با ورود تصویر جدید، ابتدا با استفاده از تعیین میزان تاثیر نور، در نقاط مختلف چهره، نوع نورپردازی اعمال شده بر روی آن تصویر مشخصی شده و با استفاده از نگاشتهای از پیش محاسبه شده، تصویر با نورپردازی نرمال آن ساخته می شود. سپس تصویر بازسازی شده را با استفاده از الگوریتم آموزش دیده،شناسایی می نماییم.

کلیدواژه ها : چهره ی انسان، نورپردازی، نگاشت نورپردازی، شناسایی چهره، صفحه لامبرتیان

عنوان پروژه:ارائه يك روش بهينه براي پنهان سازي تصوير با استفاده از الگوريتم هاي يادگيري

چکیده: حفظ امنیت اطلاعات دیجیتالی در بستر ارتباطات از مسائل مهم امنیتی است. یک موضوع مهم در این مبحث قابل اعتماد بودن ارتباط است که در حال حاضر با روشهای رمزنگاری وپنهان سازی تامین می گردد. پیام رمزنگاری شده وجود ارتباط مخفی را به وضوح نشان میدهد اما با استفاده از روشهای پنهان سازی می توان اطلاعات محرمانه را در قالب دادههای دیگری که مورد توجه دیگران قرار نمیگیرد، مخفی نمود. پنهان سازی تصویر یکی از روشهای انتقال تصاویر محرمانه است، به گونهای که شخصی سوم از وجود این تصاویر محرمانه مخفی شده مطلع نگردد.در این پژوهشی، روشهای مختلف پنهان سازی داده در تصویر و همچنین انواع روشهای نهانکاوی، که به نوعی برای این سیستمها حمله محسوب میگردند. را مورد بررسی قرار میدهیم. سادهترین روش برای پنهان سازی در تصاویر تغییر کم ارزش ترین بیت پیکسل تصویر است. این روش در عین سادگی مقاومت بسیار پایینی در برابر بازهای گستردهای از تبدیلات، فشرده سازی هاونهانکاوی کمارزشترین بیت دارد. روشهای دیگری نیز در حوزه تبدیل طیف گسترده و انتخاب بهترین تصویر میزبان ارائه شدهاند. اما راه کارهایی که از انتخاب بهترین تصویر میزبان استفاده می کنند، به مراتب میتوانند نتایج بهتری را نسبت به روشهایی که تصویر میزبان ثابت دارند ارائه دهند زیرا این انتخاب تصویر براساس انچه باید مخفی گردد صورت می گیرد.هدف اصلی این پژوهشی پنهان کردن یک تصویر محرمانه در یک تصویر میزبان است. برای یافتن بهترین تشابها بین تصویر محرمانه و تصویر میزبان می توان از الگوریتمهای یادگیری استفاده نمود. تصاویر میزبان را دسته بندی نمود. سپس بهترین تصویر میزبان و بهترین مکان برای پنهان کردن تصویر محرمانه را یافت. بدیهی است هر اندازه تصویر محرمانه بزرگ تر باشد، تخریب بیشتری در تصویر میزبان ایجاد می کند. در نتیجه کوچک کردن تصویر محرمانه می تواند تصویر ترکیبی با کیفیت بالاتری فراهم آورد. از طرفی برای کوچک کردن ابعاد تصویر محرمانه یا باید از روشهای کدگذاری استفاده نمود یا تغییر اندازه. اما اکثر روشهای تغییر اندازه تمام ابعاد تصویر را به یک اندازه کوچک کرده و به محتوای تصویر توجهی نمیکنند. در نتیجه مناسبترین ایده استفاده از تغییر اندازه آگاه به محتواست. اما در این جا هر دو این راه کارها را اعمال کرده، همچنین سعی نمودیم روشی بهتر برای تغییر اندازه آگاه به محتوا ارائه دهیم. کارایی یک روش پنهان سازی براساس ظرفیت پنهان سازی، کیفیت تصاویر حاوی تصویر محرمانه و مقاومت در برابر روشهای نهان کاوی ارزیابی می گردد. بررسیهای ما نشان می دهد تاکنون تحقیقات زیادی در زمینه استفاده از الگوریتمهای یادگیری درپنهان سازی تصاویر انجام نشده است. در این پژوهشی به منظور ارائه روشی بهینه برای پنهان سازی یک تصویر در تصویر دیگر از روشهای کاهش ابعاد تصویر محرمانه از طریق حذف اطلاعات تکراری آنها، روشهای فازی کاهش ابعاد تصویر و الگوریتم های یادگیری استفاده نمودهایم که به مراتب نتایج بهتری نسبت به روشهای پیشین داشته است .

کلیدواژه ها: پنهان سازی تصویر، نهان کاوی ، الگوریتم های یادگیری، تصویر میزبان

عنوان پروژه: افزايش كارايي شناسايي چهره با استفاده از روش هاي يادگيري تجمعي مبتني بر چند طبقه بندي كننده

چکیده: تشخیص چهره یکی از مباحث مطرح در بینایی ماشین و پردازش تصویر می باشد. بعلت خصوصیات خاصی مسئله و کاربردهای فراوان آن، الگوریتمهای متعددی برای آن ارائه شده است. از آنجا که هر روش به گونهای متفاوت سعی در تشخیص چهره دارد، می توان امیدوار بود که یک روش ترکیبی بتواند جوابی به مراتب بهتر داشته باشد. از سوی دیگر ساختارهای مبتنی بر ماشینهای مشاور و یادگیری تجمعی که در مبحث یادگیری ماشین مطرح می باشند. مکانیزمهایی جهت ترکیب نمودن تعدادی روشی با ساختارهای متفاوت ارایه میدهند. در این پایان نامه پس از بررسی ساختارهای تجمعی ارایه شده جهت تشخیص چهره، به بهبود این روشها میپردازیم. بهبود صورت گرفته از طریق اضافه نمودن واحد های جدیدی به نام یاینده ناحیه، به ساختارهای یادگیر تجمعی صورت می گیرد. وظیفه یابنده ناحیه که به هر طبقه بندی کننده ساختار نسبت داده می شود، یافتن توزیع قدرت تشخیصی طبقه بندی کننده منسوب شده به آن، در فضای نمونه ای است. این واحدها با استفاده از اطلاعات موجود در فرآیند آموزشی، آموزش می بینند. در مرحله آزمایشی، هر یابند ناحیه با توجه به مکان قرار گیری نمونه آزمایشی در فضای نمونه ای، یک میزان اعتقاد به درستی تشخیصی طبقه بندی کننده، تولید می نماید که از آن در ترکیب طبقه بندی کننده ها استفاده می گردد. با استفاده از این واحد جدید، دو گونه متفاوت از ساختارهای یادگیر تجمعی را بهینهمینماییم. ساختار اول با استفاده از پنج طبقه بندی کننده متفاوت تشخیصی چهره را انجام میدهد. در ساختار دوم با استفاده از گرافها، تعدادی طبقه بندی کننده همسان در ساختار تجمعی قرار داده میشوند. نتایج آزمایشات صورت گرفته، بیانگر کارایی بالاتر ساختارهای پیشنهادی میباشد.

کلیدواژه ها: تشخیص چهره، یادگیری تجمعی، ماشینهای مشاوره یاینده ناحیه، یادگیری تقویتی، کاربرد گراف در مسایل طبقه بندی

عنوان پروژه:قطعه بندي خودكار تصاوير MR جهت تشخيص مكان تومورهاي مغزي

چکیده: امروزه، از تصاویر پزشکی به عنوان ابزار قدرتمندی در تشخیص بیماریها استفاده می کنند. تصاویر تشدید مغناطیسی یکی از متداولترین آنها برای تشخیصی تومورهای مغزی می باشند. قطعه بندی خودکار تومور در تصویر MR به پزشک کمک می کند که محل دقیق، و رشد و یا عدم رشد تومور در بیمار را تشخیص دهد. در این پایان نامه، ما معروفترین الگوریتمهای قطعه بندی تصاویر MR را برای تصاویر MR مغز بررسی و پیاده سازی کرده ایم. همچنین روش جدیدی که از ترکیب دو الگوریتم EM و NCut به وجود آمده است را پیشنهاد داده ایم.NCut  روشی است که در تئوری گرافها مطرح می شود و از آن برای قطعه بندی استفاده می کنند، EM نیز یک الگوریتم الگو شناسی آماری است که پارامترهای هر خوشه را به صورت تکرارپذیر تخمین میزند. روشی پیشنهادی در خانواده الگوریتم های بدون معلم و در حوزه زمان مطرح شده است. برای آزمایش از تعدادی تصاویر با دو نوع تومور مختلف استفاده کرده ایم. یکی از مزایای این روش نسبت به الگوریتم EM در این است که به اطلاعات پیشین احتیاج ندارد، اما پیاده سازی الگوریتم نشان می دهد که نمی تواند به جواب خوبی برای قطعه بندی تصاویر MR مغز دست یابد.

کلیدواژه ها:الگو شناسی، تصاویر پزشکی، قطعه بندی، پردازش تصویر MRI مغز

عنوان پروژه:ترکیب معنایی سرویس های وب با بهره جویی از برنامه ریزی در هوش مصنوعی

چکیده:ار سرویس های وب می توان به عنوان یکی از مهم ترین الگوهایی یاد کرد که به منظور یکپارچه سازی در برنامه های کاربردی مورد استفاده قرار می گیرند.از مهم ترین مسائلی که در دامنه سرویس های وب مطرح می شود ،می توان به ترکیب سرویس های موجود به منظور ایجاد یک کاربرد جدید که در سرویس های موجود وجود ندارد ،اشاره داشت.از جمله مواردی که منجر به پیچیده شدن مساله فوق می گردد ،می توان به امکان درک توصیف سرویس ها توسط ماشین ،زیاد بودن تعداد سرویس های وب و امکان تغییر سرویس ها در زمان اجرا اشاره داشت.در گذشته ،استفاده از روش های برنامه ریزی ،محدود به دامنه های ساده شده ای نظیر دنیای مکعب ها می شد.در حالیکه امروزه دامنه استفاده از الگوریتم های برنامه ریزی  ،بسیار فراتر از مسائل اولیه این علم رفته است.بطوریکه زمینه هایی مانند ترکیب برنامه ریزی و اجرا ،برنامه ریزی با پیشامدهای تصادفی ،برنامه ریزی مجدد و برنامه ریزی واکنشی دارای بسترهای لازم به منظور بکارگیری در جهت مدل سازی جهان واقع را دارا می باشند.در این تحقیق به معرفی یک سیستم جامع به منظور ترکیب و ترمیم سرویس های وب را در نظر گرفته و پس از اعمال الگوریتم هایی به منظور کاهش فضای جستجو با استفاده از روش های عقب رو به ترکیب سرویس های وب می پردازد.سپس در صورت بروز خطا در اجرای سرویس مرکب با ترکیبی از روش های جلورو و عقب رو به ترمیم سرویس مرکب خطادار می پردازد.سیستم پیشنهادی در تمامی قسمت های ترکیب و ترمیم ترجیحات کاربری را لحاظ می کند.

 کلیدواژه ها:سرویس های وب،ترکیب و ترمیم سرویس های وب ،برنامه ریزی در هوش مصنوعی