پایان نامه سپردههای جاری بانک سامان استفاده از روش آریما و شبکه عصبی پروسپترون

                قلمرو زمانی و مکانی پژوهش

قلمرو زمانی پژوهش

این پژوهش براساس اطلاعات مالی سال­های ۹۰-۸۰ بانک سامان انجام خواهد گرفت.

 

قلمرو مکانی پژوهش

قلمرو مکانی این پژوهش بانک سامان است.

۱٫۲                جامعه آماری

جامعه آماری این پژوهش کلیه شعب بانک سامان است.

۱٫۳                روش­های گردآوری اطلاعات

این پژوهش به لحاظ روش گردآوری داده­ها از نوع میدانی است.

در گردآوری اطلاعات و داده­ها از ابزار زیر استفاده شده است:

اطلاعات مربوط به پیشینه پژوهش و چارچوب نظری از طریق مطالعات کتابخانه­ای و ترجمه متون خارجی و اینترنت به دست می­آید.

اطلاعات مربوط به میزان سپرده­های بانک از مراجعه به سوابق مالی سالهای گذشته و مصاحبه با کارشناسان در مدیریت امور فن­آوری اطلاعات بانک سامان به دست می­آید.

۱٫۴                تعریف واژه ­ها و اصطلاحات تخصصی پژوهش

تعریف سپرده 

به وجوهی اعم از پول ملی (ریال) و یا پول کشورهای خارجی (ارز) که اشخاص حقیقی یا حقوقی تحت شرایطی که قانون تعیین نموده به بانکها و موسسات اعتباری تودیع و نزد آنها نگهداری می­نمایند، سپرده اطلاق می­شود. سپرده­ها در نظام بانکی با توجه به ماهیت و شرایط آن به دو گروه تقسیم می­شوند:

الف) سپرده قرض­الحسنه                     ب) سپرده سرمایه­گذاری مدت­دار

 

 

الف) سپرده قرض­الحسنه

 به سپرده­هایی اطلاق می­شود که به آنها سودی تعلق نگرفته و سپرده­گذار به منظور برخورداری از اجر معنوی قرض­الحسنه و استفاده از خدمات بانکی اقدام به افتتاح آن می­نماید. سپرده­های قرض­الحسنه در نظام بانکی بدون ربا به دو نوع تقسیم می­گردد:

الف-۱) سپرده قرض­الحسنه جاری                  الف-۲) سپرده قرض­الحسنه پس­انداز

الف-۱) سپرده قرض­الحسنه جاری

به سپرده­های قرض­الحسنه­ای اطلاق می­شود که نقل و انتقال وجه آن از طریق چک صورت گرفته و بانک متعهد است بمحض رویت چک صادره توسط صاحب سپرده، وجه آن را از محل سپرده وی پرداخت نماید.

الف-۲) سپرده قرض­الحسنه پس­انداز

به سپرده­های قرض­الحسنه­ای اطلاق می­شود که به قصد برخورداری از اجر معنوی، توسط سپرده­گذار افتتاح می­شوند. بانک­ها می­توانند به منظور جذب و تجهیز این گونه سپرده­ها، جوایز و امتیازاتی به سپرده­گذاران اعطا نمایند.

ب) سپرده­های سرمایه­گذاری مدت­دار

سپرده سرمایه­گذاری مدت­دار به آن دسته از سپرده­ها اطلاق می­شود که بقصد انتفاع (سود) به بانک سپرده و بانک با قبول وکالت از طرف صاحبان سپرده سرمایه­گذاری پس از تودیع سپرده­های قانونی نزد بانک مرکزی بقیه وجوه مربوطه را در عملیات مجاز بانکی بکار می­گیرد و منافع حاصل از این عملیات بین سپرده گذار و بانک تقسیم می­شود. ضمنا بانک استرداد اصل سپرده سرمایه­گذاری را طبق قرارداد منعقده تعهد و یا به هزینه خود بیمه می­نماید.

برای دانلود متن کامل اینجا کلیک کنید

پایان نامه سپردههای کوتاه مدت بانک سامان استفاده از روش آریما و شبکه عصبی پروسپترون

 سپرده سرمایه­گذاری کوتاه­مدت

به آن­دسته از سپرده­های سرمایه­گذاری اطلاق می­شود که برای مدت حداقل یک ماه افتتاح شده و قابل تمدید برای دوره­های یک ماهه بعد نیز خواهند بود. تمدید مدت مطابق شرایط قرارداد می­تواند بطور خودکار و نامحدود انجام گیرد. ضمناً وجه این نوع از سپرده سرمایه­گذاری در هر زمان توسط صاحب حساب قابل برداشت خواهد بود.

ب-۲) سپرده سرمایه­گذاری بلندمدت

به سپرده­های سرمایه­گذاری اطلاق می­شود که سپرده­گذار مبلغی معین را برای مدت معین مطابق قرارداد منعقده نزد بانک تودیع و نگهداری می­نماید. سپرده سرمایه­گذاری مدت­دار با توجه به مدت می­تواند هر یک از انواع زیر را شامل شود:

  1. سپرده سرمایه­گذاری یک ساله        ۴٫ سپرده سرمایه­گذاری چهار ساله
  2. سپرده سرمایه­گذاری دو ساله      ۵٫ سپرده سرمایه­گذاری پنچ ساله
  3. سپرده سرمایه­گذاری سه ساله

۱        ادبیات پژوهش

۱٫۱                مقدمه

یکی از موقعیت­های تصمیم، نیازسنجی یا پیش­بینی تقاضا است که پیش­بینی، فرآیند برآورد موقعیت­های ناشناخته است (آرمسترانگ، ۲۰۰۱). برای موفقیت در دنیای متغیر امروز، تصمیم­های سازمان­های فعال در کسب و کار متکی به پیش­بینی­های انجام شده با حداقل خطا است که در گرو داشتن یک سیستم پیش­بینی مناسب است (آبراهام ولدالتر،۱۹۸۳).

انتخاب یک روش پیش­بینی از بین چند روش، یک مرحله مهم است که با توجه به روش­های مناسب و اندازه­گیری خطاهای پیش­بینی و مقایسه آنها با همدیگر می­توان به یک روش مناسب و مطلوب دست یافت.

در این بخش در ابتدا توضیحاتی در رابطه با تعاریف کلی و روش­های پیش­بینی بیان می­شود. در ادامه با توجه به موضوع پژوهش که مقایسه دو مدل شبکه عصبی مصنوعی و مدل باکس­ـ جنکینز است توضیحاتی درباره سری­های زمانی، مدل باکس ـ جنکینز و شبکه­های عصبی مصنوعی ارایه می­شود و در انتهای بخش اول از فصل دوم شاخص­های خطا، به عنوان ابزاری برای مقایسه­ی مدل­ها معرفی می­شوند.

۱٫۲                پیش ­بینی و مدل­های پیش ­بینی

۱٫۲٫۱    تعریف پیش ­بینی

در یک تعریف کلی، فرایند پیشگویی شرایط و حوادث آینده را پیش­بینی نامیده و چکونگی انجام این عمل را پیش­بینی کردن نامیده می­شود (بوکوتا، ۲۰۰۲).

هر سازمانی جهت تصمیم­گیری آگاهانه باید قادر به پیش­بینی کردن باشد. از آنجایی که پیش­بینی وقایع آینده در فرآیند تصمیم­گیری در سازمان نقش عمده ای را ایفا می کند، پیش­بینی کردن برای بسیاری از سازمانها و نهادها حائز اهمیت بالقوه­ای است. بنابراین بیشتر تصمیمات مدیریت در تمام سطوح سازمان به طور مستقیم و یا غیر مستقیم به حالتی از پیش­بینی آینده بستگی دارد.

در مدیریت استراتژیک، پیش­بینی شرایط عمومی اقتصاد، نوسانات قیمت و هزینه­ی تغییرات تکنولوژی، رشد بازار و امثال آن در ترسیم آینده بلند­مدت شرکت موثر است. به همین دلیل است که کنترل هر فرایند، منوط به پیش­بینی رفتار دوره فرآیند در آینده است. برای مثال ممکن است که در یک دوره فرآیند دستگاهی بیش از حد معین کار کند و تعداد اقلام معیوب تولید شده افزایش یابد. بنابراین برای شناسایی به موقع این نقص باید از روش های مناسب پیش­بینی استفاده نموده و نسبت به تصحیح و یا حذف آن با توجه به شرایط موجود اقدام نمود (ریفنس، ۱۹۹۷).

برای دانلود متن کامل اینجا کلیک کنید

پایان نامه سپردههای بلندمدت بانک سامان استفاده از روش آریما و شبکه عصبی پروسپترون

    مدل ­های پیش ­بینی

ابزارهای عینی و ریاضی که برای پردازش و تجزیه و تحلیل داده­ها مورد استفاده قرار می­گیرند مدل­های پیش­بینی نامیده می­شوند. به عبارت دیگر، الگویی از یک واقعیت که ساده و کوچک شده و روابط بین متغیرهای آن واقعیت یا سیستم را نشان می­د­هد، مدل خوانده می­شود. بنابراین، هنگامی که متغیرهای مورد نظر به صورتی منظم، ساده و قابل فهم در جهت اهداف پیش­بینی در کنار یکدیگر قرار گرفتند و الگویی از روابط را بوجود آوردند، یک مدل پیش­بینی شکل می­گیرد.

۱٫۱٫۲    سری ­های زمانی[۱]

به روند مقادیر یک متغیر در طول زمان که به صورت دوره­های زمانی با فواصل معین و یکسان تنظیم شده­اند سری زمانی گفته می­شود. در تحلیل سری زمانی وضعیت تغییرات یک متغیر در گذشته مورد بررسی قرارگرفته و به آینده تعمیم داده می­شود. به طور کلی مدل­هایی که در تحلیل سری­های زمانی مورد استفاده قرار می­گیرند به دو دسته مدل­های خطی و غیر­خطی تقسیم می­شوند.

مدل­های خطی مانند مدل­های باکس ـ جنکینز[۲] و یکنواخت سازی نمایی برای سری­های زمانی خطی مناسب هستند، ولی در مدل­سازی سری­های زمانی مالی و غیر­خطی با مشکل مواجه می­شوند.

مدل­های غیر­خطی از قبیل مدل­های غیر­کاهنده آستانه­ای، یک تابع غیر­خطی خاص و از پیش تعیین شده را پیش­بینی می­کنند. به عبارتی تابع خطی مورد استفاده در این روش­ها مشخص است. نوع دیگر مدل­های غیر خطی شبکه­های عصبی مصنوعی هستند که می توانند هر تابعی را تخمین بزنند و فرایندهای با رفتار ناشناخته را مدل نمایند.

سری­های زمانی بدنبال مقادیر یک صفت متغیر در طول زمان هستند. مشاهدات عموما باید در تاریخ­های معین یعنی در فواصل زمانی تقریبا ثابت به عمل آیند. مقادیر یک صفت متغیر ممکن است مربوط به یک لحظه زمانی و یا مربوط به یک فاصله یا دوره زمانی باشد. که در حالت اول سری زمانی را لحظه­ای و در حالت دوم سری زمانی را دوره­ای و یا فاصله­ای می­نامند. قیمت سهام شرکت­ها در آخرین روز ماه و ماه­های متوالی و همچنین تعداد بهره برداری­های کشاورزی در سال­های متوالی از نوع سری­های زمانی لحظه­ای است و حجم بازرگانی خارجی در سال­های متوالی و تعداد نامه­های پست شده در ماه­های متوالی و یا سال­های متوالی از نوع سری­های زمانی دوره­ای یا فاصله­ای می باشند.

مطالعه سری­های زمانی در اکثر رشته­ها مانند جامعه شناسی، بازرگانی، زیست­شناسی، زمین­شناسی و به خصوص زمینه مسائل اقتصادی پیشرفت فراوان داشته و از نظر آمارشناسان اقتصادی نه تنها تشریح وضع فعلی درباره مسائل اقتصادی، ضروری است، بلکه پیش­بینی وضع برای آینده نزدیک و دور نیز ضروری است. بدیهی است هیچ پیش­بینی بدون اطلاع از گذشته  نمی­تواند به عمل آید و تهیه سری­های زمانی به منظور تامین اطلاع و آشنایی نسبت به گذشته است.

[۱] -Time series

[۲] -Box-Jenkins

برای دانلود متن کامل اینجا کلیک کنید

پایان نامه مجموع سپردههای بانک سامان استفاده از روش آریما و شبکه عصبی پروسپترون

    مدل باکس ـ جنکینز[۱]

مدل باکس ـ جنکینز یا آریما[۲] عبارتست از برازاندن یک الگوی میانگین متحرک[۳] تلفیق شده با خود­رگرسیو[۴] به مجموعه داده­ها و بدست آوردن الگوی ریاضی شرطی در یک سری زمانی است. یک مدل آریما سه جزء دارد (خالوزاده، ۱۹۹۹).

  • خود رگرسیو
  • میانگین یکپارچه[۵]
  • میانگین متحرک

بحث­­های کلی مدل

انواع مدل­های باکس ـ جنکینز به صورت زیر بیان می شوند:

الف- مدل اتورگرسیوAR(p)

این روش مشاهدات  را به صورت تابعی از مشاهدات قبلی بیان می­کند. در این مدل

 (۲-۱)

ها مستقلند و در آن  پارامترهایی هستند که بستگی  به هر یک از p مقدار قبل در سری را معلوم می­کنند.

ب) مدل میانگین متحرکMA(Q)

این روش مشاهدات  را به صورت تابعی از اختلالات تصادفی در دوره­ی فعلی t و در دوره­های قبلی بیان می­کند. در این مدل

 (۲-۲)

                        (۲-۳)                      

ها مستقل هستند و  اختلالات تصادفی را در دوره­های (t, t-1,…., t-q) بیان می­کند و  میانگین متحرک اختلال جاری  و اختلال­های قبلی است که اختلال­های قبلی دارای     وزن­های  هستند. عدد q را مرتبه­ی مدل میانگین متحرک می­گویند و جمع وزن های  لزوماً برابر ۱ نیست.

ج) مدل ARMA(p,q)

رابطه کلی با توجه به موارد بحث شده به صورت زیر است که برای سری­های ایستا به کار می­رود.

 

د) مدل آریما(p,d,q)

این مدل مدل عمومی باکس ـ جنکینز است و تمام گروه­­های ذکر شده را در بر می­گیرد. در این مدل p مرتبه اتوگرسیو مدل و q مرتبه میانگین متحرک مدل و d مرتبه تفاضلی مدل (جهت ایستا کردن مدل) است. یعنی آن چه که این مدل را کامل­تر از مدل قبل می­نماید تبدیل مناسب جهت پایا بودن مدل است.

 

 

 

که در آن ، ، ، p, ، q، d، ،  به ترتیب مقادیر آنی متغیر، نویز سفید در زمان t، چند جمله­ای اتورگرسیو، مرتبه میانگین متحرک، درجه تفاضل­گیری و پارامتر­های مدل اتورگرسیو و میانگین متحرک می­باشند.

ه) شرایط پایاپذیری[۶] سری­های زمانی پیش­بینی از طریق مدل باکس ـ جنکینز

باید دقت کنیم که مدل زمانی در توصف پیش­بینی سری زمانی به کار می­رود که پایا باشد. منظور از سری زمانی پایا (ایستا) این است که مشخصه­های آماری آن (مثل میانگین و واریانس) در طی زمان ثابت باشند. اگر مقادیر  یک سری زمانی با اختلاف ثابتی حول میانگین نوسان داشته باشد در این صورت سری زمانی مورد نظر ایستا است که با مشاهده نمودار داده­ها می­توان نتیجه گرفت که ایا سری مورد نظر ایستا است یا خیر. اگر نمودار داده­های  بیانگر پایا نبودن مقادیر باشد، در این صورت می­توان با گرفتن تفاضلات اولیه، مقادیر را به یک سری زمانی پایا تبدیل کنیم.

تفاضلات اولیه مقادیر  عبارتند از

(۲-۸)

با توجه به اینکهt=2,…..nباشد.

اگر تفاضلات اولیه خود نیز پایا نباشند در این صورت از روش­های دیگر مثل گرفتن تفاضلات ثانویه استفاده می­شود.

(۲-۹)

[۱] – Box & Jenkins

[۲] – Autoregressive- IntegratedMoving Average

[۳] – Moving Average

[۴] – Autoregressive

[۵] -Integrated Average

[۶] -Stationary

برای دانلود متن کامل اینجا کلیک کنید

سمینار تشخیص اثرانگشت توسط شبکه عصبی

دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشکده تحصیلات تکمیلی

M.Sc”سمینار برای دریافت درجه کارشناسی ارشد

الکترونیک- مهندسی برق

عنوان : تشخیص اثرانگشت توسط شبکه عصبی

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

 

چکیده:

برای اینکه تشخیص اثر انگشت به صورت کامل و درست صورت گیرد موارد زیادی را می توان در نظر گرفت که در نهایت باعث رسیدن به جواب مطلوب گردد. در فصل اول سعی بر آن شده تا کلیات و تاریخچه ای از اثرانگشت بیان شود. چرا که شناخت هرچه بیشتر یک پدیده باعث راحتی در کار با آن پدیده می گردد.

در فصل دوم کلیاتی از شبکه عصبی آنالیز موجک و الگوریتم SVM آورده شده است. این کلیات در فصل های بعدی کاربرد زیادی دارند. در فصل سوم به حافظه های انجمنی و نحوه برخورد آنها با یک الگو را بیان می کنیم. در فصل های بعد روش های مختلف پردازش و پیش پردازش برای بالا بردن کیفیت این سازوکار آورده خواهد شد. در نهایت نتایج آزمایش شده از این علمکردها باهم مقایسه می گردند.

مقدمه:

شبکه های عصبی مصنوعی که در واقع الگو برداری شده از شبکه های عصبی طبیعی هستند کاربردهای زیادی در حل مسائل گوناگون دارند. در این سمینار سعی بر آن است تا بتوان از قابلیت های بالای این شبکه ها در شناخت یکی از موارد زیست سنجی انسان یعنی اثرانگشت استفاده کرد.

بررسی این موضوع از این جهت صورت گرفته که امروزه تشخیص اثر انگشت به یک امر ضروری تبدیل شده است. باید اضافه نمود که استفاده از شبکه عصبی می تواند از چند دیدگاه جالب باشد. اول اینکه شناخت اثر انگشت در نگاه کلی یک پردازش تصویر و یک شناخت الگو است که توسط شبکه عصبی انجام می شود دوم قابلیت تعمیم این شبکه هاست که کمک می کنند تا در شرایط سخت هم خروجی قابل قبولی داشته باشیم.

بنابراین برای تشخیص اثر انگشت باید از روش های مختلفی برای کمک به شبکه عصبی استفاده کنیم.

فصل اول:

کلیات اثر انگشت

1-1) هدف

با توجه به اینکه در بسیاری از کارهای امروزی نظیر بانکداری الکترونیک، کارت های اعتباری، کارت های هوشمند و بسیاری از کارها که اطلاعات باید به صورت الکترونیکی ذخیره شوند، نقش سیستم هایی که توانایی تشخیص خودکار مشخصات افراد را دارند بسیار مهم است. در این بین نقش اثر انگشت بسیار تا بسیار مهم است.

با توجه به اینکه برای پیاده سازی این موارد شرایط بسیار خوبی مانند حسگرهای کوچک و ارزان قیمت وجود دارد بررسی و تحقق اهداف در این زمینه بسیار آسان تر گردیده است. در این فصل به بررسی کلیاتی از اثر انگشت می پردازیم که در فصل های بعد لازم می باشند.

1-2) تاریخچه

اولین نشانه های بیان شده در مورد اثر انگشت مربوط می شود به 5000 سال پیش در نزدیکی بین النهرین. اما اولین بار در کشور چین از اثر انگشت در کارهای دفتری، خرید، قراردادها، وام ها و بدهی ها استفاده گردید. قدیمی ترین اثر یافت شده در این زمینه مربوط به 300 سال پیش است.

اولین مقاله علمی معتبر در مورد اثر انگشت توسط دکتر NEHEMIAH GREW که از دانشمندان مورفولوژی بودند نوشته شد. مورفولوژی در واقع عمان علم مربوط به ریخت شناسی یا شکل شناسی است. این مقاله در مورد لبه ها، منفذها و شیارهایی بود که در ساختار هر اثر انگشت دیده می شود.

برای دانلود متن کامل  اینجا کلیک کنید.

سمینار شناسایی چهره به کمک شبکه عصبی

 دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشکده تحصیلات تکمیلی

پایان نامه برای دریافت درجه کارشناسی ارشد

مهندسی برق – مخابرات

عنوان:

شناسایی چهره به کمک شبکه عصبی

استاد راهنما:

دکتر صادق زاده

استاد مشاور:

دکتر شیخان

نگارش:

محسن کرمی

 

چکیده:

امروزه با پیشرفت روزافزون شاخه پردازش تصویر و سیگنال سیستم های گوناگونی در زمینه تشخیص هویت طراحی و ساخته شده است. در این پایان نامه با استفاده از پردازش چهره اشخاص سیگنال لازم جهت ورود و خروج افراد به دست آمده است. ابتدا ویژگی های مربوط به اشخاص مجاز به ورود و خروج استخراج می شود. در این مرحله از تکنیک های پردازش تصویر به منظور حذف نویز، بهبود کیفیت، آشکارسازی لبه ها و قسمت بندی استفاده شده است سپس با استفاده از پروجکشن تصاویر، ویژگی ها استخراج گردیده است و در یک بانک داده ذخیره شده است. آموزش شبکه عصبی از طریق این بانک صورت گرفت. پس از آموزش شبکه این سیستم قادر به شناسایی کلیه افراد آموزش داده شده و تشخیص افراد ناشناس گردید. لازم به ذکر است ویژگی های استخراج شده نرمالیزه شده اند. یعنی نسبت به تغییرات resolution تصاویر و همچنین فاصله و روشنایی محیط مقاوم می باشند.

فصل اول

مقدمات

1-1) مقدمه

همه انسان ها (حتی کودکان)، عمل شناسایی چهره را به سادگی و بدون آنکه تلاش زیادی کنند انجام می دهند. همین مسأله باعث شده است که بعضی از محققین به این نتیجه برسند که یک ناحیه پردازش مشخص در مغز انسان به عمل شناسایی چهره ها اختصاص یافته است. تحقیقات نشان می دهد که در نیمکره سمت راست مغز انسان، سلول هایی به نام «سلول های مادربزرگ» (Grandmother cells) وجود دارند که وظیفه آنها شناسایی چهره ها است. چهره یک ویژگی منحصر به فرد انسان است. حتی دو فرد همزاد نیز از لحاظ چهره علیرغم شباهت زیاد دارای تفاوت های جزئی می باشند. از اینروست که اولین تمبرهای پستی چاپ شده، چهره ملکه ویکتوریا را بر روی خود داشتند، چرا که در صورت جعل شدن ساده تر قابل تشخیص باشند. در ایران نیز اولین تمبرها تصویر احمدشاه را بر خود داشتند. و چاپ تصاویر افراد معروف بر روی اسکناس ها و اسناد معتبر بانکی هم به همین منظور می باشد.

پی بردن به سیستم تشخیص چهره در مغز انسان همواره ذهن دانشمندان روانشناس و عصب شناس را به خود مشغول کرده است چرا که جدای از جنبه های فیزیولوژیکی قضیه می توان از آن به عنوان زیربنائی برای ساخت یک سیستم «تشخیص اتوماتیک چهره» نیز استفاده کرد.

کار بروی تشخیص چهره، در اوایل دهه 1960 توسط فرانسیس گالتون شروع گردید. در آغاز و اواسط دهه 1970 تکنیک های رده بندی الگو که از خواص موجود در ویژگی های چهره و یا نیمرخ استفاده می کردند، به کار برده شدند. در طی دهه 1980 کار بروی تشخیص چهره متوقف شد اما از اوائل 1990 به طور چشمگیری افزایش یافته است.

دلایل این امر بیشتر عبارتند از:

1- افزایش پروژه های تحقیقاتی در زمینه های قضائی و تجاری.

2- باز پیدایش رده بنده های شبکه عصبی با تکیه بر پردازش بی درنگ و وفقی.

3- بالا رفتن سرعت سخت افزار.

4- نیاز روزافزون به کاربردهای امنیتی و نظارتی.

در طی چند سال اخیر، فعالیت زیادی بر روی مسائلی از قبیل بخش بندی (Segmentation) تعیین محل چهره در تصویر و استخراج ویژگی هائی مانند چشم، دهان، ابرو و بینی مشاهده می شود. علاوه بر آن پیشرفت های زیادی در طراحی رده بندهای آماری و شبکه عصبی حاصل شده است. در این بین مفاهیم کلاسیکی مانند شبکه های عصبی (Neural Network) روش های براساس Karhunen-Toeve و Singular value Decomposition و Principal Component Analysis استفاده شده است و به جز موارد محدودی، روش های موجود بروی بانک های نسبتاً کوچکی (کمتر از 100 شخص) آزمایش شده اند.

با این وجود هنوز دو مشکل اساسی در این مبحث وجود دارد:

اول اینکه: شباهت حالت و فرم کلی چهره های افراد مختلف به یکدیگر (همه دارای دو چشم، یک بینی، یک دهان و… هستند که در محل مشخصی قرار گرفته اند.)

دوم اینکه: وضعیت ها و حالت های مختلف چهره یک فرد (مانند خنده، گریه، چرخیدن سر به چپ یا راست و…) و محیط با روشنایی متفاوت.

برای دانلود متن کامل اینجا کلیک کنید.

سمینار تشخیص تهاجم در شبکه های کامپیوتری با استفاده از شبکه عصبی

دانشگاه آزاد اسلامی
واحد تهران جنوب
دانشکده تحصیلات تکمیلی
M.Sc” سمینار برای دریافت درجه کارشناسی ارشد
مهندسی برق- الکترونیک
عنوان:
تشخیص تهاجم در شبکه های کامپیوتری با استفاده از شبکه عصبی

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

چکیده
در این پژوهش، سیستمهای تشخیص تهاجم به شبکههای رایانهای مبتنی بر ساختار شبکه های عصبی مورد بررسی و تحلیل قرار گرفتهاند. استفاده از شبکه عصبی در این سیستمها باعث بالا رفتن انعطاف پذیری سیستم میشود. از سوی دیگر، بکارگیری شبکه عصبی، سیستم را قادر به یادگیری رفتار حملات میکند، تا بتواند بدون نیاز به بهنگام سازی قادر به تشخیص حملات جدید شود. در این سمینار، عملکرد شبکه های عصبی MLP، SOM و ART در سیستمهای تشخیص تهاجم بررسی شده است.

مقدمه
شبکه های کامپیوتری علیرغم منافعی از قبیل اشتراک قدرت محاسباتی و منابع، خطراتی را نیز خصوصا در زمینه امنیت سیستم به همراه آوردهاند. در طی دو دهه اخیر تلاشهای تحقیقاتی فراوانی در زمینه امنیت شبکه صورت گرفته و تکنیکهای مختلفی برای ساختن شبکههای امن ارائه شده اند. در این سمینار عملکرد شبکه های تحت سرپرست MLP و بدون سرپرست SOM و ART  در تشخیص تهاجم به شبکههای رایانهای بررسی شده است. در فصل 1 کلیات این پژوهش شامل هدف، تحقیقات انجام شده و نحوه انجام پژوهش بررسی شده است. فصل 2 توضیحاتی در خصوص آشنایی با شبکههای عصبی ارائه شده است. در فصل 3 سیستمهای تشخیص تهاجم به همراه انواع و نحوه کار آنها بررسی شده است. همچنین در مورد برخی انواع حملات قابل تشخیص توسط این سیستمها نیز توضیحاتی ارائه شده است. فصل 4 به بررسی مطالعات انجام شده در خصوص به کارگیری روشهای عصبی MLP، SOM و ART در تشخیص تهاجم پرداخته است. در پایان فصل 5 نیز شامل نتیجه گیری و بیان پیشنهادات لازم می باشد.

فصل اول

کلیات

1-1- هدف

با رشد تکنولوژیهای مبتنی بر اینترنت، کاربرد شبکه های رایانه ای در حال افزایش است و در نتیجه تهدیدات حملات رایانهای نیز گسترش مییابد. در برخی موارد خسارات ناشی از حملات رایانه ای برای سازمانها به میلیونها دلار میرسد و حتی گاهی مواقع این خسارات جبران ناپذیر هستند. بنابراین، امروزه تشخیص تهاجم بیشتر از هر زمان دیگری توجه محققان را به خود جلب کرده است. سیستم تشخیص تهاجم، یک سیستم مدیریت امنیت برای شبکهها و رایانهها میباشد. این سیستمها به دو دسته سیستم های تشخیص تهاجم مبتنی بر میزبان و سیستمهای تشخیص تهاجم مبتنی بر شبکه تقسیم می شوند. در این پژوهش از سیستمهای تشخیص تهاجم مبتنی بر شبکه استفاده شده است.

براساس روش تحلیل و تشخیص نیز سیستمهای تشخیص تهاجم به دو دسته اساسی سیستمهای تشخیص سوءاستفاده و سیستمهای تشخیص ناهنجاری تقسیم میشوند. در مدل تشخیص سوءاستفاده، از نشانه های شناخته شدهای که در رابطه با تهاجمات یا آسیب پذیریها وجود دارد، استفاده شده و سیستم به دنبال فعالیتهایی میگردد که مشابه این نشانه ها باشند. در این مدل نیاز به بهنگام سازی مداوم نشانه ها وجود دارد. هدف در این پژوهش، بررسی برخی روشهای ممکن برای بالا بردن انعطاف پذیری سیستمهای تشخیص تهاجم میباشد تا نیاز به بهنگام سازی سیستم از بین برود و سیستم توانایی شناسایی حملات ناشناخت های که قبلا ندیده است، را داشته باشد.

یکی از روشهای مطرح در تشخیص تهاجم، بهره گیری از شبکه های عصبی مصنوعی است. در سالهای اخیر بسیاری از کارهای انجام شده در زمینه تشخیص تهاجم، برروی این موضوع تمرکز نموده اند. استفاده از شبکه عصبی در تشخیص تهاجم باعث بالا رفتن انعطاف پذیری میشود. از مزایای شبکه عصبی می توان به قابلیت تحلیل دادههای غیرکامل شبکه و نیز قابلیت یادگیری آنها اشاره نمود. بنابراین سیستم های تشخیص تهاجم مبتنی بر شبکه عصبی قابلیت یادگیری رفتار حملات را دارند و قادر هستند حملات جدید را بدون بهنگام سازی سیستم تشخیص دهند. این سیستمها ابتدا براساس رفتارهای طبیعی و یا حمله و یا ترکیبی از هردوی آنها آموزش یافته، سپس جهت تشخیص تهاجم به کار برده میشوند.

برای دانلود متن کامل پایان نامه اینجا کلیک کنید.

پایان نامه تشخیص گفتار از موسیقی به روش شبکه عصبی مصنوعی

دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشکده تحصیلات تکمیلی

پایان نامه برای دریافت درجه کارشناسی ارشد

مهندسی برق – الکترونیک

عنوان:

تشخیص گفتار از موسیقی به روش شبکه عصبی مصنوعی

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

چکیده

پردازش گفتار با توجه به کاربردهای وسیع آن در ارتباطات، تبادل اطلاعات میان انسان و ماشین مانند روبات ها، صنعت مخابرات، سمعک ها، به کارگیری ماشین در ترجمه مکالمات از یک زبان به زبان دیگر، ابزارهای آموزشی و دیگر محصولات تجاری مورد توجه قرار گرفته است. دهه اخیر شاهد پیشرفت چشمگیری در این عرصه بوده است. سیستم ها و الگوریتم هایی که با عملکرد بالا در آزمایشگاه پیاده سازی شده اند، به سمت دنیای واقعی در حال حرکت هستند.

تمایز بین گفتار و موسیقی (SMD) از جمله موضوعاتی است که در دهه اخیر، مطالعات زیادی روی آن انجام شده است. از کاربردهای آن می توان به تشخیص کانال های رادیویی که فقط موسیقی پخش می کنند اشاره کرد. همچنین می تواند به عنوان بخش اولیه در بازشناسی خودکار گفتار محسوب شود.

به طور کلی اغلب کارهایی که در این زمینه انجام شده است شامل دو مرحله می باشد: 1- استخراج ویژگی قطعه صوتی که تمایز بین گفتار و موسیقی را بیان می کند 2- طبقه بندی قطعه صوتی با توجه به ویژگی. در بعضی رویکردها از یک ویژگی استفاده می شود ولی در برخی دیگر از چند ویژگی. از جمله این ویژگی ها می توان به ویژگی های حوزه زمان، حوزه فرکانس و زمان – فرکانس و… اشاره کرد. طبقه بندی کننده هایی که برای این کار استفاده می شوند نیز طبقه کننده های مرسوم مانند مدل مارکوف پنهان، ماشین بردار پشتیبان، گوسی و شبکه های عصبی و… می باشند. در این تحقیق از ضرائب ویولت به عنوان ابزار پایه استفاده شده است که شش ویژگی آماری ساده از آن استخراج می شوند. از شبکه عصبی پرسپترون چند لایه نیز به عنوان طبقه بندی کننده استفاده شده است که نتایج حاصله سیستم پیشنهادی در حدود 99 درصد را به دست آورد.

مقدمه

پیشرفت های قابل توجه فن آوری در طی دهه های گذشته به طور چشمگیری طریقه ارتباط برقرار کردن مردم با بسیاری از منابع مختلف اطلاعات و سرگرمی را تغییر داده است. کاربران فن آوری های مدرن، در ارتباط با انواع رسانه ها از یک حالت انفعال به وضعیت فعال منتقل شده است. همین طور که مقادیر داده ای در دسترس افزایش می یابد، تکنیک های کارآمد داده گردانی نیز لازم می شود.

در چند سال گذشته داده های صوتی به میزان زیاد از منابع در دسترس مانند پایگاه داده ها، برنامه های پخش و اینترنت ایجاد شده اند. بخاطر این که، توجه ویژه ای به توسعه استراتژی ها جابجایی داده اختصاص داده شده است. لذا، افتراق گفتار / موسیقی (SMD) به عنوان یکی از اهداف مهم به شمار می رود.

برای اهداف مختلفی می توان از یک SMD کارآمد بهره مند شد. از این ابزار می توان برای انتخاب براساس محتوا در مجموعه برنامه های پخش استفاده کرد. نمونه ای از این نوع کاربرد، انتخاب ایستگاه های رادیویی است که در واقع فقط موسیقی پخش می کنند. همچنین SMD قسمت اساسی تشخیص خودکار گفتار (ASR) و رونویسی موسیقی اتوماتیک (AMT)، که اغلب نیاز به تجزیه و تحلیل داده های صوتی بی ساخت یا نامعلوم دارند. در مورد ASR، بخش گفتار فقط باید در نظر گرفته شود، در حالی که در AMT باید نمونه های موسیقی مورد توجه قرار گیرند. لذا مهم است که سیگنال قبل از ورود به این سیستم ها به طور صحیح قطعه بندی شود. در نهایت نیز، توجه داشته باشید که دستگاه های مدرن کمک شنوایی اغلب شامل الگوریتم هایی هستند که عملکرد دستگاه را با توجه به نوع صدایی که به گوش می رسد تغییر می دهد. در این مورد، SMD خوب می تواند مؤثر باشد. بیشتر تکنیک های SMD پیشنهاد شده تاکنون، %

برای دانلود متن کامل پایان نامه اینجا کلیک کنید.

پایان نامه تشخیص نوع عیب ترانسفور ماتورهای قدرت به روش آنالیز پاسخ فرکانسی با استفاده از شبکه عصبی

دانشگاه آزاد اسلامی
واحد تهران جنوب
دانشکده تحصیلات تکمیلی
M.Sc” پایان نامه برای دریافت درجه کارشناسی ارشد
مهندسی برق – قدرت
عنوان :
تشخیص نوع عیب ترانسفور ماتورهای قدرت به روش آنالیز پاسخ فرکانسی با استفاده از شبکه عصبی

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

چکیده

ترانسفورماتورها به تعداد زیاد در شبکه های برق برای انتقال و توزیع انرژی الکتریکی در مسافت های طولانی مورد استفاده قرار می گیرند. قابلیت اطمینان ترانسفو ماتورها در این میان نقشی اساسی در تغذیه مطمئن انرژی برق بازی می کند. بنابراین شناسائی هر چه سریعتر عیبهای رخ داده در داخل یک ترانسفورماتور ضروری به نظر می رسد. یکی از چنین عیبهائی که به سختی قابل تشخیص است،
تغییرات مکانیکی در ساختار سیم پیچهای ترانسفورماتور است. اندازه گیری تابع تبدیل تنها روش کارامدی است که در حال حاضر برای شناسائی این عیب معرفی شده و بحث روز محققین می باشد.استفاده روش مذکور با محدودیتها و مشکلا تی روبرو می باشد که تشخیص انواع عیوب مختلف را به روشهای متداول و مرسوم محدود ساخته است. از این رو امروزه تحقیقات بر روی استفاده از الگوریتمها و روشهای هوشمندی متمرکز شده است که بتواند یک تفکیک پذیری نسبتا خوبی بین انواع عیوب و صدمات وارده به ترانسفورماتور را فراهم سازد. در این پایان نامه سیم پیچهای ترانسفورماتور به منظور پایش با روش تابع تبدیل مطالعه و شبیه سازی شده اند. برای این کار مدل مشروح سیم پیچها مورد استفاده قرار گرفته و نشان داده شده که این مدل قادر به شبیه سازی عیبهائی (اتصال کوتاه بین حلقه ها، جابجائی محوری وتغییر شکل شعاعی) است که توسط روش تابع تبدیل قابل شناسائی می باشند. شبیه سازیهای مر بوطه توسط مدل مشروح نشان می دهند که به کمک این مدل می توان به طور رضایت بخش توابع تبدیل محاسبه شده در محدوده از چند کیلوهرتز تا یک مگاهرتز را ارائه نمود . این مدل مشخصه های اساسی توابع تبدیل (فرکانسهای تشدید و دامنه ها در
فرکانسهای تشدید ) را به طور صحیح نتیجه می دهد. مقادیر عناصر مدار معادل از روی ابعاد هندسی سیم پیچها و ساختار عایقی مجموعه محاسبه می شوند. با محاسبه و تخمین این مقادیر در حالتهائی که تغییراتی در ساختار سیم پیچ بوجود آمده اند، اثرات عیبهای مکانیکی در مدل در نظرگرفته شده اند. دقت مدل مشروح علاوه بر تعداد عناصر آن به دقت محاسبات پارامترهای آن نیز بستگی دارد. ارتباط بین عیبهای بررسی شده (اتصال کوتاه بین حلقه ها، جابجائی محوری و تغییر شکل شعاعی ) و تغییرات ناشی از آنها در توابع تبدیل به خوبی توسط مدل نتیجه می شوند . تغییر نسبی مقادیر فرکانسهای تشدید در حوزه فرکانس و زمان فرونشست در حوزه زمان در یک تابع تبدیل به عنوان معیار تغییرات در تابع تبدیل در اثر یک عیب مورد استفاده قرار گرفته اند. ارزیابی توابع تبدیل محاسبه شده برای شناسایی عیب، به کمک توابع تبدیل گوناگون تعریف شده در مقالات مختلف، منجر به حصول نتایج زیر شده اند:

– نتایج محاسبات تغییرات یکسانی را در توابع تبدیل در اثر هر کدام از عیبهای فوق الذکر نشان می دهند.

– نتایج محاسبات در خصوص آنالیز حساسیت جابجائی محوری نشان می دهد که اثر جابجائی محوری روی تابع تبدیل در محدوده فرکانسی بالاتر از 100 کیلوهرتز به طور واضح بیشتر ا زمحدوده کمتر از 100 کیلوهرتز می باشد.

– نتایج محاسبات برای آنالیز تغییر شکل شعاعی سیم پیچ نشان می دهد که تغییر شکل شعاعی روی کل محدوده فرکانسی تابع تبدیل تأثیر تقریباً یکسانی می گذارد.

– بعضی از فرکانسهای تشدید در یک تابع تبدیل درمقایسه با سایر فرکانسهای تشدید در اثر بروز یک عیب حساستر میباشند.

برای بدست آوردن نتایج بیشتر در مورد وابستگیهای بین مدل مشروح و تغییرات محاسبه شده در توابع در اثر یک عیب، اثرات پارامترهای مدل روی توابع تبدیل به طور مجزا بررسی و تحلیل شده اند. این تحلیلها نشان می دهند که:

– تغییرات ظرفیتهای خازنی بین دو سیم پیچ در اثر جابجائی محوری قابل چشم پوشی می باشند.

– تغییرات توابع تبدیل در اثر تغییر شکل شعاعی عمدتاً از تغییرات ظرفیتها ناشی می شوند. در نظر گرفتن تغییرات اندوکتانسها در این حالت ضروری نمی باشند.

چشم پوشیهای فوق باعث کاهش قابل ملاحظه ای در زمان محاسباتی می شوند و اعمال آنها در پایش ترانسفورماتورها مفید است.

مقدمه

از آنجائیکه قدرت شبکه های برق همواره در حال افزایش بوده و بایستی تاحد ممکن تغذیه انرژی برق مطمئن انجام شود، بالا بودن قابلیت اطمینان، طول عمر و کیفیت تک تک عناصر و تجهیزات موجود در شبکه ضروری است. ترانسفورماتورهای مرتبط کننده سطوح ولتاژ مختلف در شبکه از مهمترین عناصر شبکه اند که خروج از مدار آنها به قابلیت اطمینان توزیع انرژی آسیب جدی وارد کرده و باعث هدررفتن هزینه زیادی می شود. برای افزایش قابلیت اطمینان تغذیه انرژی برق، شناسایی سریع عیبهای رخ داده در ترانسفورماتورها الزامی می باشد. بر این اساس در پایان نامه مذکور ابتدا مقدمه ای بر روشهای مختلف عیب یابی و پایش ترانسفورماتورهای قدرت بیان شده است. در ادامه در فصل سوم، روش آنالیز پاسخ فرکانسی به عنوان روش جدید در عیب یابی ترانسفورماتورها معرفی و اصول و مبانی آن تشریح می گردد. به منظور تحلیل انواع عیوب متداول وارده به ترانسفور ماتور (که معمولا در حالت کار عادی برای ترانسفور ماتور قدرت اتفاق می افتد) سیم پیچ ترانسفورماتور با روش تابع تبدیل مطالعه و شبیه سازی شده است .این مطالعه با تمرکز بر روی مدل مشروح ترانسفورماتور انجام پذیرفته است که جزئیات آن در فصول چهار و پنج ارائه شده اند. فصل شش نتایج حاصل از شبیه سازی یک ترانسفورماتور قدرت 63/20 kV و 30MVA را نشان می دهد و حالتهای مختلف صدمات فیزیکی ترانسفورماتور و اثرات آن بر روی تابع انتقال را مورد بررسی قرار میدهد. نتایج حاصل از شبیه سازیها، این امکان را فراهم ساخته است تا الگوهای مناسبی متناظر با خطاها و عیوب مختلف ترانسفورماتور استخراج گردد. نهایتا در فصل هفت یک شبکه عصبی هوشمند ارائه شده است که می تواند با استفاده از الگوهای استخراج شده مذکور ، یک راهکار مناسب برای تشخیص دقیق و مطمئن از خطای وارد شده بدست دهد.

برای دانلود متن کامل پایان نامه اینجا کلیک کنید.