سیستم های کامپیوتری سرعت، دقت و برنامه ریزی های پیچیده را برای ما به ارمغان آورده است. در عصر ما روی اتوماسیون روش های سنتی و بهبود آنها با استفاده از توان پردازشی بسیار بالا و نسبتاً ارزان سیستم های کامپیوتری تمرکز شده است. از مدت ها قبل مشخصاتی مثل قیافه، رنگ چشم، قد، رنگ موی سر و … برای شناسایی افراد بکار می رفته و معمول بوده است که ین مشخصات همانند نام و نام خانوادگی افراد در شناسنامه یا کارت های شناسایی آنها ثبت شود. ویژگی های یاد شده به همراه مشخصات فیزیولوژی و زیستی و مشخصات رفتاری مجموعه روش هایی را در بر میگیرد که به Biometrics معروفند.
فهرست :
مقدمه
آشنایی با مفهوم بیومتریک
سامانه بیومتریکی
تعاریف و اصطلاحات رایج
سیستم بیومتریک
فناوری های امنیتی بیومتریکی
ارزیابی ویژگی های بیومتریک انسان
فصل دوم
پردازش تصویر
سیستم های تشخیص هویت
تایید هویت
تعیین هویت
روش های تصدیق هویت
فصل سوم
معماری سیستم های بیومتریک
پارامترهای مهم در سیستم های بیومتریک
خطا در سیستم بیومتریکی
طبقه بندی متدهای بیومتریک
ساختار ظاهری پوست
فصل چهارم
تجزیه و تحلیل بافت در سیستم های تشخیص چهره
مدلسازی پوست
آنالیز تصویر-تشخیص لبه
فناوری های تشخیص هویت بیومتریک چگونه کار می کنند؟
شناسایی چهره
تشخیص دو بعدی چهره
تشخیص سه بعدی چهره
کلیات سیستم تشخیص چهره
ژست (وضعیت قرارگیری چهره)
تنظیم روشنایی
درک چهره
تشخیص
جزء به جزء در برابر کل
نگاه به ابرو
طبیعت نشانه ها
رشد تصاعدی
پشتوانه های عصبی
الگوریتم سیستم تشخیص چهره چگونه کار می کند؟
تشخیص چهره طی روند پیری
فصل پنجم
تشخیص چهره براساس ویدیو
فاکتورهای عمومی سازی سیستم(تعمیم)
ترکیب اطلاعات
( دستگاه حضور و غیاب تشخیص چهره(مدل تی اف
کاربردهای دستگاه
فصل ششم
نتیجه گیری
دنیای آینده
منابع
در این نوشتار به معرفی شبکه های عصبی زیستی و شبکه های عصبی مصنوعی و ساختارهای آنها می پردازیم.در ابتدا نرونهای شبکه های عصبی زیستی معرفی شده و طرز کار آنها نشان داده شده است.سپس مدل مصنوعی این نرونها و ساختار آنها،مدل ریاضی آنها،شبکه های عصبی مصنوعی و نحوه آموزش و بکارگیری این شبکه ها نشان داده شده است.تمرکز بیشتر بر نوعی از این شبکه ها به نام شبکه های عصبی مصنوعی چند لایه می باشد.سپس الگوریتم ژنتیک که جزو پرکاربردترین الگوریتمهای پیاده سازی شبکه عصبی مصنوعی است مورد بررسی قرار گرفته است.
شبکه های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه زیادی را صرف آن کرده و می کنند.این موضوع یا ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تاحال به خوبی پیش رفته است.همچنین در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفا تئوری به تحقیقات کاربردی بخصوص در زمینه پردازش اطلاعات برای مساولی که برای آنها راه حلی موجود نیست و یا به راحتی قابل حل نیستند بوده ایم. باعنایت به این امر علاقهای فزاینده در توسعه تئوریکی سیستمهای دینامیکی هوشمند مدل آزاد2که مبتنی بر داده های تجربی می باشند-ایجاد شده است .ANNها جزء این دسته از سیستمهای مکانیکی قرار دارند که با پردازش روی داده های تجربی،دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند.به همین خاطر به این سیستم ها هوشمند گفته می شود.زیرا براساس محاسبات روی داده های عددی یا مثالها قوانین کلی را یاد می گیرند.این سیستمها در مدل سازی ساختار نرو سیتاپتیکی3 مغز بشر می کوشند.البته این سخن اغراق آمیز می باشد.دانشمندان هرچه بیشتر درمورد مغز بشر تحقیق می کنند و می آموزند،بیشتر در می یابند که مغز بشر دست نیافتنی است.در حقیقت در مورد مغز و ساختار سیستم عصبی انسان اطلاعات زیادی به دست آمده است ولی پیاده سازی ساختاری با پیچیدگی مغز انسان براساس اطلاعاتی و تکنولوژی که امروزه وجود دارد غیر ممکن می باشد.
فهرست :
فصل اول مقدمه
شبکه عصبی زیستی
سابقه تاریخی
آیده پیدایش شبکه های عصبی مصنوعی
شبکه های عصبی در مقابل کامپیوترهای معمولی
تفاوت شبکه های عصبی با روش های محاسباتی متداول (سیستم های خبره)
مزایای استفاده از شبکه های عصبی مصنوعی
معایب استفاده از شبکه های عصبی مصنوعی
کاربردهای شبکه های عصبی مصنوعی
توپولوژی شبکه های عصبی مصنوعی
انواع یادگیری شبکه های عصبی مصنوعی
نحوه عملکرد شبکه های عصبی مصنوعی
انواع شبکه عصبی مصنوعی
شبکه هاپفیلد
شبکه پروسپترون چند لایه
خروجی پروسپترون
نقش تابع در خروجی شبکه
توانایی پروسپترون
توابع بولی و پروسپترون
اضافه کردن بایاس
آموزش پروسپترون
الگوریتم یادگیری پروسپترون
شبکه کوهونن
فصل دومالگوریتمهای یادگیری شبکه های عصبی مصنوعی
الگوریتم ژنتیک
کاربردهای الگوریتم ژنتیک
به دنبال تکامل
ایده ی اصلی استفاده از الگوریتم ژنتیک
درباره علم ژنتیک
تاریخچه علم ژنتیک
تکامل طبیعی (قانون انتخاب طبیعی داروین)
رابطه تکامل طبیعی با روشهای هوش مصنوعی
الگوریتم جستجو
الگوریتمهای جستجوی ناآگاهانه
جستجوی لیست
جستجوی درختی
جستجوی گراف
الگوریتمهای جستجوی آگاهانه
جستجوی خصمانه
مسائل NPHARD
هیوریستیک
انواع الگوریتمهای هیوریستیک
فصل سوم
الگوریتم ژنتیک
مکانیزم الگوریتم ژنتیک
عملگرهای الگوریتم ژنتیک
چارت الگوریتم به همراه شبه کد آن
تابع هدف
روشهای کد کردن
کدینگ باینری
کدینگ جایگشتی
کدگذاری مقدار
کدینگ درخت
نمایش رشته ها
انواع روش های تشکیل رشته
بازگرداندن رشته ها به مجموعه متغیرها
تعداد بیتهای متناظر با هر متغیر
جمعیت
ایجاد جمعیت اولیه
اندازه جمعیت
محاسبه برازندگی(تابع ارزش)
انواع روشهای انتخاب
انتخاب چرخ رولت
انتخاب حالت پایدار
انتخاب نخبه گرایی
انتخاب رقابتی
انتخاب قطع سر
انتخاب قطعی بریندل
انتخاب جایگزینی نسل اصلاح شده
انتخاب مسابقه
انتخاب مسابقه تصادفی
انواع روشهای ترکیب
جابه جایی دودویی
جابه جایی حقیقی
ترکیب تک نقطه ای
ترکیب دو نقطه ای
ترکیب n نقطه ای
ترکیب یکنواخت
ترکیب حسابی
ترتیب
چرخه
محدّب
بخش_نگاشته
احتمال ترکیب
تحلیل مکانیزم جابجایی
جهش
جهش باینری
جهش حقیقی
وارونه سازی بیت
تغییر ترتیب قرارگیری
وارون سازی
تغییر مقدار
محک اختتام اجرای الگوریتم ژنتیک
انواع الگوریتمهای ژنتیکی
الگوریتم ژنتیکی سری
الگوریتم ژنتیکی موازی
مقایسه الگوریتم ژنتیک با سیستمهای طبیعی
نقاط قوّت الگوریتمهای ژنتیک
محدودیتهای GAها
استراتژی برخورد با محدودیتها
استراتژی اصلاح عملگرهای ژنتیک
استراتژی رَدّی
استراتژی اصلاحی
استراتژی جریمهای
بهبود الگوریتم ژنتیک
چند نمونه از کاربردهای الگوریتمهای ژنتیک
فصل چهارم
مقدمه
حلّ معمای هشت وزیر
جمعیت آغازین
تابع برازندگی
آمیزش
جهش ژنتیکی
الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دورهگرد
حل مسأله TSP به وسیله الگوریتم ژنتیک
مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP
نتیجه گیری
حلّ مسأله معمای سودوکو
حل مسأله
تعیین کروموزم
ساختن جمعیت آغازین یا نسل اول
ساختن تابع از ارزش
ترکیب نمونهها و ساختن جواب جدید
ارزشیابی مجموعه جواب
ساختن نسل بعد
مرتب سازی به کمک GA
صورت مسأله
جمعیت آغازین
تابع برازندگی
انتخاب
ترکیب
جهش
نتیجه گیری
فهرست منابع
الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راه حل تقریبی برای بهینه سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریت مهای تکامل است که از تکنیک های زیست شناسی فرگشتی مانند وراثت و جهش استفاده می کند. در واقع الگوریت مهای ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده میکنند. الگوریت مهای ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی بر مبنای یک تکنیک برنامه نویسی است که از (GA تصادف هستند. مختصراً گفته می شود که الگوریتم ژنتیک ) یا تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می کند. مسأله ای که باید حل شود ورودی است و راه حلها طبق یک الگو کد گذاری میشوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می کند که اکثر آنها به صورت تصادفی انتخاب می شوند.
فهرست :
مقدمه
به دنبال تکامل…
ایده اصلی استفاده از الگوریتم ژنتیک
درباره علم ژنتیک
تاریخچۀ علم ژنتیک
تکامل طبیعی (قانون انتخاب طبیعی داروین)
رابطه تکامل طبیعی با روش های هوش مصنوعی
الگوریتم
الگوریتم های جستجوی ناآگاهانه
جستجوی لیست
جستجوی درختی
جستجوی گراف
الگوریتم های جستجوی آگاهانه
الف جستجوی خصمانه
مسائل NP Hard
هیوریستیک
انواع الگوریتم های هیوریستیک
فصل دوم
مقدمه
الگوریتم ژنتیک
مکانیزم الگوریتم ژنتیک
عملگرهای الگوریتم ژنتیک
کدگذاری
ارزیابی
ترکیب
جهش
رمزگشایی
چارت الگوریتم به همراه شبه کد آ ن
شبه کد و توضیح آن
چارت الگوریتم ژنتیک
تابع هدف
روش های کد کردن
کدینگ باینری
کدینگ جایگشتی
کد گذاری مقدار
کدینگ درخت
نمایش رشته ها
انواع روش های تشکیل رشته
باز گرداندن رشته ها به مجموعه متغیرها
تعداد بیت های متناظر با هر متغی ر
جمعیت
ایجاد جمعیت اولیه
اندازه جمعیت
محاسبه برازندگی (تابع ارزش)
انواع روش های انتخاب
انتخاب چرخ رولت
انتخاب حالت پایدار
انتخاب نخبه گرایی
انتخاب رقابتی
انتخاب قطع سر
انتخاب قطعی بریندل
انتخاب جایگزینی نسلی اصلاح شده
انتخاب مسابقه
انتخاب مسابقه تصادفی
انواع روش های ترکیب
جابه جایی دودوئی
جابه جایی حقیقی
ترکیب تک نقطه ا ی
ترکیب دو نقطه ای
ترکیب یکنواخت
ترکیب حسابی
ترتیب
چرخه
بخش نگاشته
احتمال ترکیب
تحلیل مکانیزم جابجایی
جهش
جهش باینری
جهش حقیقی
وارونه سازی بیت
تغییر ترتیب قرارگیر ی
وارون سازی
تغییر مقدار
محک اختتام اجرای الگوریتم ژنتیک
انواع الگوریتم های ژنتیکی
الگوریتم ژنتیکی سری
الگوریتم ژنتیکی موازی
مقایسه الگوریتم ژنتیک با سیستم های طبیعی
نقاط قوت الگوریتم های ژنتیک
استراتژی برخورد با محدودیت ها
استراتژی اصلاح عملگرهای ژنتیک
استراتژی اصلاحی
استراتژی جریمه ای
بهبود الگوریتم ژنتیک
چند نمونه از کاربردهای الگوریتم های ژنتیک
فصل سوم
مقدمه
حلّ معمای هشت وزیر
جمعیت آغازین
تابع برازندگی
آمیزش
جهش ژنتیکی
الگوریتم ژنتیک و حلّ مسألۀ فروشندة دوره گرد
به وسیله الگوریتم ژنتیک TS P حل مسأله
TS P مقایسه روشهای مختلف الگوریتم و ژنتیک برای
نتیجه گیر ی
حلّ مسأله معمای سودوکو
حل مسأله
تعیین کروموزم
ساختن جمعیت آغازین یا نسل اول
ساختن تابع از ارزش
ترکیب نمونه ها و ساختن جواب جدید
ارزشیابی مجموعه جواب
ساختن نسل بعد
مرتب سازی به کمک G A
صورت مسأله
جمعیت آغازین
تابع برازندگی
انتخاب
ترکیب
جهش
فهرست منابع و مراجع
پیوست
واژه نامه
نقاط بهینه محلی و بهینه کلی
چارت الگوریتم ژنتیک
ترکیب تک نقطه
ترکیب جایگشتی
جهش کدینگ جایگشتی
جهش کدینگ مقدار
کدینگ درختی
نمونه کروموزوم الگوریتم ژنتیکی
روش سری
روش محاطی
چرخه رولت
جابجایی چند نقطه
ترکیب تک نقطه ای
ترکیب دو نقطه ای
ترکیب یکنواخت
شبیه سازی جهش به کمک نمودار
جهش باینری
جهش:وارونه سازی بیت
جهش:تغییر ترتیب قرارگیری
جهش: وارون ساز ی
جهش: تغییر مقدار
نمودار بررسی رابطه های جمعیت، کیفیت جواب و معیار توقف بایکدیگر
چینش هشت مهره وزیر در صفحه شطرنج بدون تهدید یکدیگر
جدول سودوکو
امروزه اکثر شبکه های کامپیوتری بزرگ و اغلب سیستم های عامل موجود از پروتکل TCP/IP استفاده و حمایت می نمایند . TCP/IP . امکانات لازم بمنظور ارتباط سیستم های غیرمشابه را فراهم می آورد . از ویژگی های مهم پروتکل فوق ، می توان به مواردی همچون : قابلیت اجراء بر روی محیط های متفاوت ، ضریب اطمینان بالا ،قابلیت گسترش و توسعه آن ، اشاره کرد . از پروتکل فوق، بمنظور دستیابی به اینترنت و استفاده از سرویس های متنوع آن نظیر وب و یا پست الکترونیکی استفاده می گردد . تنوع پروتکل های موجود در پشته TCP/IP و ارتباط منطقی و سیستماتیک آنها با یکدیگر، امکان تحقق ارتباط در شبکه های کامپیوتری را با اهداف متفاوت ، فراهم می نماید. فرآیند برقراری یک ارتباط ، شامل تبدیل نام کامپیوتر به آدرس IP معادل ، فعالیت های مشخص نمودن موقعیت کامپیوتر مقصد ، بسته متعددی نظیر : بندی اطلاعات ، آدرس دهی و روتینگ داده ها بمنظور ارسال موفقیت آمیز به مقصد مورد نظر ، بوده که توسط مجموعه پروتکل های موجود در پشته TCP/IP انجام می گیرد .
فهرست :
معرفی پروتکل TCP/IP
پروتکل TCP\IP چیست
لایه های پروتکل TCP/IP
لایه Application
لایه Transport
لایه Internet
لایه Network Interface
تفاوت بین لایه های TCP/IP و OSI
آدرس IP
انواع آدرس های IP
IP Header در آدرس های IP
IP آدرسهای از نوع IP Unicast
تقسیم بندی آدرسهای IP
کلاس A
کلاس B
کلاس C
کلاس D
کلاس E
پورت TCP/UDP
سوکت (socket)
ارسال اطلاعات با استفاده از TCP\IP
لایه Transport پروتکل UDP
لایه Internet پروتکل IP
عملیات انجام شده توسط IP
لایه Internet پروتکل ICMP
لایه اینترنت پروتکل IGMP
لایه Internet پروتکل ARP
Physical Address Resolution
مدیریت IP Multicasting
آدرس دهی Multicast
Multicasting روی یک شبکه فیزیکی واحد
Multicasting بین قسمت های مختلف شبکه
تعیین حوزه Multicast
برنامه های عیب یابی
برنامه های ارتباطی
نرم افزارهای سمت سرویس دهنده
بررسی resoultion name
Static IP mapping
فایل Hosts
فایل LmHosts
Dynamic IP mapping
Name Resoulation در ویندوز
فرآیند Host name Resolution
بررسی و نحوه فرآیند انتقال اطلاعات
واژگان بسته های اطلاعات (Packets)
اجزاء یک فریم
جریان انتقال اطلاعات ( از کامپیوتر مبداء تا کامپیوتر مقصد )
لایه Application
لایه Transport
لایه Internet
لابه اینترفیس شبکه
عملیات در کامپیوتر مقصد
فصل پنجم (بررسی روتینگ داده ها)
مقدمه
مفهوم روتینگ
روتینگ پویا و ایستا
پروتکل های روتینگ پویا
روتینگ IP
جدول روتینگ
توزیع بسته های اطلاعاتی
ارسال اطلاعات بین روترها
فهرست منابع فارسی
فهرست منابع انگلیسی
چکیده انگلیسی
بیمارستانی وجود دارد که ما می خواهیم سرویس دهی و استفاده از منابع را در آن بهینه کنیم.یعنی می خواهیم به اهداف یاد شده برای کسب رضایت مشتریان و همچنین کاهش هزینه و بالا بردن راندمان کار و افزایش درآمد برسیم. راه های رسیدن به سیستم بهینه با استفاده از شبیه سازی: 1- بررسی سیستم موجود و رفع مشکلات آن. 2- بررسی سیستم ها ی مشابه در شهر های دیگر برای رسیدن به ورودی ها ی بیماران و امکانات دیگر. هدف از بررسی سیستم های فوق بدست آوردن پارامتر هایی همچون میانگین ورودی بیماران به بیمارستان می باشد.
فهرست :
اهداف پروژه
تعریف سیستم
مشاهدات و تعیین مقدار پارامتر های سیستم
مقدار دهی پارامتر های دیگر با احتمال توزیع تعیین شده
مدل فلوچارت ورود و انتخاب وضعیت
تخصص های موجود در بخش متخصصین
میزان زمان ویزیت پزشکان از بیماران
مدل فلوچارت ورود بیمار به بخش متخصصین و انتخاب یکی از آنها
بخش دکتران عمومی و انتخاب های پیش روی بیمار
مدل فلوچارت بخش انتخاب وضعیت ورودی در بخش دکتر عمومی
بخش اورژانس برای بیماران
مدل فلوچارت انتخاب بخش وضعیت اورژانسی
زمانبندی کاری برای متخصصین
زمان های حضور دکتر (یا دکتران) متخصص مغز و اعصاب در بیمارستان
وضعیت انتخاب بعد از بخش ویزیت متخصص
مدل فلوچارت انتخاب بعد از ویزیت پزشک متخصص
میزان توقف هر بیمار در بخش بستری
میزان متناسب ظرفیت (تعداد تخت ها) در بخش بستری
مرحله بعد از ورود بیمار به بخش بستری
ادامه عملیات در پروسه های جراحی و ccu_icu
فلوچارت برگشتن بیماران به بخش بستری بعد از عمل جراحی
شمای کلی از فلوچارت سیستم
گزارش ها ی نرم افزار
میزان هزینه برای تخت های خالی و تخت های پر