وبلاگ

تشخیص اشیاء مختلف و تعامل با آنها بخش عمده ای از فعالیت مغزی انسان را در فعالیت های روزمره شامل می شود. چهره ها یک دسته مهم از اشیاء هستند که در تعاملات انسانی نقش ویژه ای را ایفا می نمایند به همین دلیل در طی سال های گذشته دانشمندان و مهندسین سعی در جهت به وجود آوردن ماشین هایی که توانایی درک چهره انسان را داشته باشند، در تلاش بوده اند. این تلاش ها در زمینه های

 مختلفی از قبیل علوم کامپیوتر، علوم ادراکی، ریاضیات، فیزیک، روانشناسی و علوم اعصاب شناختی انجام شده و در واقع تلفیقی از زمینه های مختلف علوم در پیشرفت های اخیر نقش داشته اند.

ادراک چهره مبتنی بر کامپیوتر از اهمیت ویژه ای برخوردار بوده و دارای کاربردهای متنوعی از قبیل رابط های ماشین و انسان، چند رسانه ای، سیستم های نظارتی و امنیتی، مخابرات تصویری، متحرک سازی و غیره می باشد. لذا، در طی سال های اخیر روش های محاسباتی، الگوریتم ها و سیستم های بینایی ماشین متنوعی برای ادراک خودکار چهره به وجود آمده اند.
1-1- آشکار سازی چهره
ادراک چهره جنبه های مختلفی از قبیل درک حالت چهره، درک وضعیت و موقعیت چهره، تشخیص هویت از روی چهره، دنبال کردن چهره و غیره را شامل می شود. تشخیص چهره عبارت است از مشخص کردن وجود چهره ها و محل آن ها در یک تصویر، اولین گام جهت کاربردهای ادراکی می باشد. لذا از تشخیص چهره تحت عناوین تشخیص سطح اولیه یا سطح ورودی نیز یاد می شود.
آشکارسازی چهره در واقع عمل تفکیک چهره از سایر اشیاء یا الگوها را شامل شده و سایر عملیات ادراکی در مراحل بعدی انجام می شوند. در اغلب روش های تشخیص چهره از این واقعیت که چهره ها کلاس منحصر بفردی از اشیاء را تشکیل می دهند استفاده می شود. بدین معنا که چهره ها دارای ساختار مشابهی هستند و اجزا چهره همواره به صورت مشابهی چیده شده و ارتباط مکانی مشخصی دارند. اما کلاس چهره ها دارای دامنه وسیعی از تغییرات درون کلاسی می باشد که این امر یافتن یک روش ارائه مناسب برای چهره را که توانایی در برگرفتن این تغییرات را داشته باشد، دشوار می سازد. تغییرات درون کلاسی، علاوه بر وجود تفاوت بین چهره افراد مختلف، می تواند به دلیل عوامل متغیر ذیل نیز به وجود بیاید:
1- موقعیت چهره:
تصویر چهره با توجه به موقعیت نسبی چهره و دستگاه تصویربرداری دچار تغییر می شود و برخی اجزا چهره مانند چشم یا بینی ممکن است به صورت جزئی یا کلی در تصویر دیده نشوند.
2- وجود یا عدم وجود برخی اجزا:
برخی اجزا چهره از قبیل ریش، سبیل و عینک ممکن است وجود داشته یا نداشته باشند و بعلاوه این اجزا از لحاظ رنگ، شکل و اندازه دارای تغییرات زیادی می باشند.

تمایل جدیدی که در جهت عینی شدن، اخیرأ مطرح شده است استفاده از منطق فازی در ترکیب با محاسبات عصبی و الگوریتم ژنتیک می باشد.عمومأ منطق فازی ،شبکه های عصبی و الگوریتم ژنتیک به عنوان پایه و اساس تشکیل دهنده می باشد.انچه که به عنوان محاسبات نرم دیده می شود، به حساب می ایند.بر خلاف روشهای متداول قدیمی که محاسبه سخت به شمار می روند، محاسبات نرم با هدف به کاربردن تولرانس برای موارد عدم دقت در دنیای واقعی سازمان دهی شده است.اصول راهنمای محاسبات نرم عبارتند از در نظر گرفتن تولرانس برای عدم دقت،عدم اطمینان و تا حدی درست،به منظور دستیابی به توانایی ردیابی ،مقاوم بودن و همچنین راه حل ارزان و سریع می باشد،در بین ترکیبات مختلفمربوط به محاسبات نرم ،موردی که بیش از بقیه در این زمان مورد توجه است ترکیب منطق فازی و محاسبات عصبی می باشد که تحت نام سیستمهای عصبی – فازی شناخته می شوند.در منطق فازی چنین سیستمهایی نقش بسیار مهمی را در تاثیر پذیری قوانین از مشاهدات بازی می کنند.
تحقیقات شبکه های نوروفازی جدید می باشد و اولین کتاب احتمالا توسط kasko (1992 بوده است.

شبکه های عصبی این توانایی را دارا می باشند که یک تابع را تخمین بزنند .ولی غیر ممکن است که نتایج را بصورت زبان محاوره ای طبیعی بیان کنند.در ساخت مستقیم یک شبکه عصبی، اطلاعات مورد نیاز جهت اموزش ارائه می گرددو مدلهای مات و مبهم و غیر قابل درک بوجود می اید.ولی یک سیستم فازی به شما اجازه می دهد که از تجربه افراد خبره که سیستم راتجربه کرده اند استفاده نمایید. قوانین فازی شامل بیانی از جملات می باشد که تقریبا به زبان طبیعی می باشند اما نمی توانند قوانینشان را یاد بگیرند.
ترکِیب شبکه عصبی و منطق فازیدر مدلهای نورو فازی یادگیری را به خوبی با قابیت خواندن تهیه می کند. مهندسان کنترل این فایده را پیدا می کنند زیرا مدلها می تواند با پردازش اپراتور بیان و تکمیل شوند.
سیستمهای استنتاج فازی بدلیل انعطاف، شفافیت ساختار و قابلیت یادگیری بسیار مورد توجه قرار گرفته اند، بطوریکه در دو دهه اخیر روشهای بسیاری برای آموزش آنها توسعه یافته اند. از آنجمله میتوان به روش تطبیقی که تاکاگی و سوگنو برای مدل فازی عصبیشان ارائه کرده اند، مدلسازی B-spline تطبیقی توسط (ASMOD) Kavli، سیستم استنتاج فازی عصبی تطبیقی (ANFIS) توسط Jang و آموزش قواعد فازی با الگوریتم ژنتیکی (FUREGA) توسط Nelles اشاره کرد. همة این روشها برای آموزش مدل فازی عصبی تاکاگی و سوگنو طراحی شده و در کاربردهای مختلفی مانند شناسایی، تخمین، کنترل، پردازش سیگنال و پیشبینی بکار رفته اند. در این بخش ایده یادگیری عاطفی برای این مدل طراحی شده و مورد آزمایش قرار گرفته است. در زیر شرح مختصری از روشها ی مختلف یادگیری نوروفازی اورده شده است.

صنایع شیمیایی همواره به عنوان یکی از مهمترین و سودآورترین صنایع مطرح بوده اند. حجم گسترده کاربرد محصولات شیمیایی به عنوان مواد اولیه صنایع دیگر باعث شده تا صنایع شیمیایی و پالایش نقش استراتژیک و مهمی را ایفا کنند. ارزش افزوده محصولات این صنایع نسبت به مواد خام آنها که عمدتاً نفت و گاز طبیعی می باشد سبب شده است تا همچنان بر میزان توجه و سرمایه گذاری در این بخش افزوده شود. در کشور ما هم با توجه به وجود منابع عظیم نفت و گاز و لزوم بهره گیری مناسب از این نعمت های خدادادی، توجه بیشتری به زمینه های مختلف فعالیت های علمی و صنعتی در این صنایع را طلب می کند.
تابع فرآیندی به خصوص صنایع شیمیایی دارای ویژگی های خاص خود هستند که استفاده از کنترل کننده های ساده در آنها بهره وری مناسبی نداشته و در بسیاری موارد ناکارآمد می باشند. از طرفی گستردگی و پیچیدگی این صنایع و نیز وابستگی بخش های مختلف به هم، سبب شده است تا برای پیاده سازی کنترل کننده های پیشرفته، بستر سخت افزاری و نرم افزاری مناسبی نیز باشد. ساختارهای اتوماسیون استاندارد با فراهم کردن این بستر علاوه بر افزایش کیفیت و میزان تولید محصولات، باعث سهولت اجرای عملیات مختلف در یک مجتمع شده اند. اجرای کنترل فرآیند پیشرفته (APC) در قالب ساختار اتوماسیون استاندارد میزان سوددهی قابل ملاحظه ای را نسبت به سرمایه گذاری اولیه، به دنبال داشته است با پیاده سازی سیستم های اتوماسیون علاوه بر توزیع سیستم کنترل، می توان با به کارگیری روش های مناسب تبادل اطلاعات بین بخش های مختلف انسجام لازم را برای استفاده هرچه بهتر از سیستم موجود فراهم آورد. مزایای

 استفاده از ساختارهای مناسب اتوماسیون با توجه به پیشرفت هایی که در عرصه های مختلف سخت افزاری و نرم افزاری صورت گرفته به حدی است که پیاده سازی یک سیستم اتوماسیون جامع و استاندارد به خصوص برای صنایع گسترده شیمیایی کاملاً ضروری می باشد، پیاده سازی های عملی سیستم های اتوماسیون در صنایع شیمیایی کشور نیز دو دسته اند، یک دسته دارای تجهیزات و ساختار قدیمی هستند و دسته دیگر سیستم های با تکنولوژی جدیدتر می باشند و غالباً توسط شرکت های خارجی سرمایه گذار نصب و راه اندازی شده اند. سیستم های قدیمی اتوماسیون برای پیاده سازی کنترل کننده های پیشرفته مناسب نیستند. متأسفانه علیرغم قابلیت به کارگیری روشهای کنترل فرآیند پیشرفته در سیستم های جدید، این امکان در اختیار صنایع شیمیایی کشور قرار نگرفته است.

پایه روش های کنترلی که در کنترل کننده های فرآیند پیشرفته در صنایع شیمیایی مورد استفاده قرار گرفته اند، روش های کنترل پیش بین مبتنی بر مدل (MPC) هستند این روش ها با توجه به ویژگی های خاص خود برای فرآیندهای شیمیایی بسیار مناسب هستند و امروزه در بسیاری موارد به کار رفته اند. موارد پیاده سازی عملی متعدد این کنترل کننده ها، نشان دهنده میزان اهمیت آنها در صنایع شیمیایی می باشد.
تخمین آینده خروجی و حالت های سیستم ابتدا در تئوری پیش بینی و تخمین کالمن برای سیستم های گسسته زمان در سال 1960 ارائه گردید. همچنین در سال 1963 پروپوی یک کنترل کننده با افق پیشرو یا جلورونده را معرفی کرد. بعدها در سال 1970 اشتروم استفاده از پیش بین ها را در کنترل حداقل واریانس گسسته زمان بررسی کرد. وی روش چند جمله ای را برای طراحی پیش بین ها ارائه کرد. در کاری که اشتروم انجام داد کیفیت کنترل بسیار به خط مشی عملکردی که بایستی بهینه شود وابسته بود. این بهینه سازی عموماً یک تابع هزینه تک مرحله ای در نظر گرفته شده بود.
با توجه به عدم پوشش کامل نیازهای صنایع مختلف توسط کنترل کننده های ابداع شده به خصوص در مواجهه با اندرکنش زیاد بین متغیرها و اغتشاشات مختلف، همچنان نیاز به کنترل کننده های پیشرفته ضروری به نظر می رسید. تلاش هایی که در دهه های 1960 و 1970 در ارتباط با کنترل پیش بین صورت گرفته بود زمینه مساعدی را برای ظهور کنترل کننده های پیش بین مبتنی بر مدل (MPC) فراهم آورد. در این سال ها به طور پراکنده روش های ابتدایی توسط شرکت های مختلف به کار گرفته شده بودند. به عنوان نمونه شرکت نفتی Shell در سال 1973 روشی مشابه DMC را به کار برد. اما اوین ارائه یک نمونه علمی و عملی کنترل کننده های پیش بین مبتنی بر مدل توسط ریچالت در سال 1976 و با معرفی روش کنترل پیش بینی مبتنی بر مدل ضربه MAC در یک کنفرانس صورت گرفت که اولین پیاده سازی عملی MPC ها نیز به شمار می آید.
عبارت MPC یک دسته از الگوریتم های کنترل کامپیوتری که رفتار آینده یک سیستم در یک افق مشخص را از طریق به کارگیری مدلی صریح و واضح از فرآیند، کنترل می کند تشریح می نماید در هر گام کنترلی، الگوریتم MPC یک دنباله حلقه باز از تنظیمات متغیرهای دستکاری شونده (MV) (متغیرهای ورودی) را به منظور بهینه سازی رفتار آینده سیستم (متغیرهای کنترل شونده (CV) یا خروجی) محاسبه می کند که در نهایت دنباله ای از متغیرهای ورودی مناسب در افق تعریف شده برای کنترل جهت اعمال به سیستم به دست می آید. اولین درایه این دنباله به سیستم اعمال شده و عملیات پیش بینی و بهینه سازی در هر گام کنترلی که می تواند دوره نمونه برداری سیستم باشد، مجدداً انجام می پذیرد.

:
دادهکاوی سودمندترین ابزار کشف دانش از میان تراکنشها است [3] [2] [1]. یکی از کاربردهای مهم دادهکاوی، کشف قوانین انجمنی میباشد که یکی از مهمترین روشهای بازشناسی الگو در سیستمهای بدون نظارت است. کشف قوانین انجمنی مانند جستجوی طلا در یک پایگاه داده بسیار بزرگ است، که در اینجا منظور از طلا یک قانون جذاب که هنوز کشف نشده است، میباشد. از این طریق میتوان تمام قوانین ممکن را در یک پایگاه داده پیدا کرد، اما مسئله اینجاست که تحلیل تعداد زیادی قانون کار سختی است. به همین جهت، معیارهایی همچون ضریب پشتیبان و ضریب اطمینان برای مشخص کردن قوانین با کیفیت بالاتر به کار میروند.
 اکثر الگوریتمهای کاوش قوانین انجمنی، مانند الگوریتم Apriori و AIS، مبتنی بر روشهایی هستند که توسط Agrawalدر [4] و [5] پیشنهاد شدهاند. با استفاده از این متدها نمیتوان قوانینی را که شامل صفات خاصه عددی هستند کشف نمود. این الگوریتمها مسئله کاوش قوانین انجمنی را به دو قسمت
تقسیم میکنند . از آنجایی که کاوش قوانین انجمنی عددی یک مسئله بهینه سازی سخت است تا

 یک مسئله گسسته سازی ساده، دستۀ مهمی از مسائل کاوش قوانین انجمنی وجود دارند که تنها زمانی میتوانند با یک الگوریتم بهینه سازی ترکیبی حل شوند که بازة پیوستۀ مقادیر مجاز صفات خاصۀ عددی به مجموعۀ محدودی تبدیل شوند. مسئله تبدیل بازة پیوسته به مجموعۀ متناهی همیشه کار راحتی نیست، به خصوص

زمانی که بازة اولیه، بازة وسیعی باشد و شفافیت و دقت بالایی مد نظر باشد. بنابراین، در این گونه موارد، معمولاً الگوریتمهایی که به طور طبیعی و ساده قادر به کار کردن با متغیرهای پیوسته عددی هستند، بهتر عمل میکنند [8].
 هم چنین، کاوش قوانین انجمنی عددی باید به عنوان یک مسئلۀ چند هدفه تلقی شود، چرا که یک قانون انجمنی باید قانونی جذاب و با مقدار پشتیبان و اطمینان بالایی باشد؛ لذا الگوریتمهای کاوش قوانین انجمنی بایستی چند هدفه بوده و به طور همزمان همۀ معیارها را برای کشف قوانین انجمنی مفید بررسی نمایند.
 در سالهای اخیر، الگوی هوش جمعی و به خصوص از این میان بهینه سازی کلونی مورچهها و بهینه سازی گروه ذرات، توجه زیادی را در تحقیقات به خود جلب کرده است. همینطور، این الگوریتمها رایجترین متاهیوریستیکهای هوش جمعی برای داده کاوی هستند.
 هوش جمعی، شاخه نسبتاً جدیدی از هوش مصنوعی است که به بررسی هوش جمعی حاصل از گروهی از عاملهای ساده میپردازد. الگوریتمهای هوش جمعی مبتنی بر رفتار اجتماعی هستند که درطبیعت قابل مشاهده است، مانند کلونی مورچهها، دسته پرندگان، گروه ماهیها و کندوی زنبور عسل که در
آنها تعدادی از اعضاء که قابلیتهای محدودی دارند با همکاری هم قادرند به راه حلهایی برای مسائل پیچیده، دست پیدا کنند.
 اولین الگوریتم ACO، توسط Dorigo و همکارانش در سال 1992 در [8] جهت حل مسئله فروشندة دورهگرد ارائه شد. این الگوریتم از رفتار جستجوی غذا در مورچه های حقیقی الهام گرفته شده است. اساس این رفتار، ارتباط غیر مستقیم مورچهها از طریق دنبالههای شیمیایی فرومون است که آنها را
قادر به کشف کوتاهترین مسیر از لانه تا منبع غذا میسازد. تا کنون الگوریتمهای ACO متعددی برای حل مسائل بهینه سازی گسسته و پیوسته، ارائه شده است. اخیراً، نسخۀ پیوستۀ متاهیوریستیک بهینه سازی کلونی مورچهها، با هدف حل مسائل بهینه سازی پیوسته توسط Socha و Dorigo، به نام ACOR، در [10] ،[8] و [11] ارائه شده است. نسخۀ ACOR، به جای استفاده از تابع احتمالی که، یک مقدار برای هر رأس (که نشان دهنده یک مقدار منفرد برای متغیر گسسته است) در نظر میگیرد، از یک توزیع احتمال که شامل توابع چگالی احتمال گوسی متعددی است و به راحتی قابل نمونهگیری میباشد، استفاده میکند. این الگوریتم در دادهکاوی برای آموزش وزنهای یک شبکه عصبی در [12] به کار رفته است. بر اساس آزمایشات انجام گرفته روی سه مجموعه دادة تشخیص پزشکی، آنها دریافتند، نسخه هیبرید، که الگوریتم 13] Levenberg-Marquart] را با ACOR ترکیب میکند، بهتر از الگوریتمهای Levenberg-Marqunt و انتشار به عقب عمل میکند. نتایج نشان میدهد، با وجود این که محیط آزمایشگاهی نسبتاً محدود است، پتانسیل کاربرد ACOR در داده کاوی امید بخش است.
 تا کنون هیچ مطالعهای صورت نگرفته است که از ACOR برای کاوش قوانین انجمنی عددی استفاده کرده باشد. در این پایان نامه، به توصیف چگونگی پیدا کردن بازههای پر تکرار دادگان عددی و قوانین انجمنی حاصل از آنها توسط ACOR، در یک مرحله و بدون نیاز به مشخص کردن حد اقل
پشتیبان و اطمینان قوانین پرداخته شده است. در الگوریتم پیشنهادی، تابع هدفی که قرار است بهینه شود، تابعی وزن دار بوده، که سه معیار پشتیبان، اطمینان و جذابیت را به طور همزمان بهینه میکند و عملکرد چند هدفه دارد. نتایج نشان میدهد که قوانین انجمنی دقیق و صحیحی از این طریق، قابل تولید خواهند بود.
 در فصل اول این پایان نامه، ی بر کلیات تحقیق ارائه میشود که شامل هدف تحقیق، پیشینۀ آن و روش تحقیق میباشد. سپس در فصل دوم، مفاهیم داده کاوی و کاوش قوانین انجمنی و هم چنین الگوریتمهای بهینه سازی کلونی مورچهها تحت عنوان ادبیات موضوع مطرح میشود. فصل سوم به توصیف الگوریتم پیشنهادی اختصاص دارد و نتایج و ارزیابی الگوریتم پیشنهادی و مقایسۀ آن با روشهای قبلی در فصل چهارم آورده شده است. در نهایت در فصل پنجم، جمعبندی صورت گرفته و کارهای آینده پیشنهاد میشود.

:
رشد سریع تكنولوژی و گذار از مخابرات آنالوگ به دیجیتال، ترقی سیستم های رادیویی به نسل سوم و چهار و جانشینی سیستم های سیمی با Wi-Fi و Bluetooth مشتریان را قادر می سازد به گستره عظیمی از اطلاعات از هرجا و هر زمان دسترسی داشته باشند. مخابرات UWB برای اولین بار در دهه 1960 معرفی شده و در سال 2002، FCC رنج فرکانسی 3.1 -10.6 GHz را برای کاربردهای UWB معرفی و توان انتقال آن را به 41.3- dBm محدود کرد، بدین معنا که سیستم های UWB روی فراهم کردن: توان کم، قیمت کم و عملکرد باند وسیع در مساحت کوتاه تمرکز کردند. در مقایسه با کاربردهای باند باریک طراحی المان ها در سیستم های UWB بسیار متفاوت و مشکل

 است.

یکی از بلوک های مهم در گیرنده های UWB میکسرها هستند که برای تبادل اطلاعات بین تعداد زیادی کانال مشابه UWB نقش کلیدی دارند. اهمیت عملکرد میکسر به عنوان یک مبدل فرکانس، در تامین فرکانس های کاری مناسب با پایداری و نویز مطلوب است. میکسر می بایستی: 1) بهره تبدیل بالا، که اثرات نویز در طبقات بعدی را کاهش دهد، 2) عدد نویز کوچک، که LNA را از داشتن یک بهره بالا راحت کند و 3) خطی بودن بالا، که رنج دینامیک گیرنده را بهبود بخشد و سطوح اینترمدولاسیون را کاهش دهد. هر کارایی بایستی توسط مصالحه در طراحی میکسر به دست آید. میکسر سلول گیلبرت با برخی تغییرات در ساختار آن نتایج قابل قبولی برای کاربرد در سیستم های UWB به دست می دهد.
دستیابی همزمان به بهره تبدیل و خطی بودن بالا که افزایش یکی باعث کاهش دیگری می گردد یکی از چالش های طراحی میکسر می باشد، در کارهایی که تاکنون انجام شده تمرکز روی دستیابی یکی از این دو بوده به طوری که یا میکسری غیرفعال با خطی بودن قابل قبول و یا میکسری فعال با خطی بودن کم ارائه شده است. تطبیق امپدانس در کل رنج فرکانسی 7 گیگاهرتزی و همچنین عدد نویز پایین از دیگر پارامترهای مهم طراحی میکسر می باشد.
اهداف پایان نامه
در این پایان نامه با بررسی میكسرهای فراپهن باند و مقایسه ی آن ها از نظر ساختار، بهره ی مدار،عدد نویز، تطبیق در ورودی و خروجی و خطی بودن، ساختار مناسب برای یك میكسر فرا پهن باند پیشنهاد شده و از لحاظ كاركرد در سیستم های UWB بررسی گشته است.
بر خلاف كارهایی كه تا كنون در این زمینه صورت گرفته كه بر بهبود یكی از پارامترهای بهره تبدیل یا خطی بودن میكسر تاكید شده، در اینجا سعی شده است تا ضمن دستیابی به هر دو این پارامترها در اندازه های قابل قبول برای گیرنده ها، كل پهنای باند سیستم های UWB پوشش داده شود.
بر این اساس در فصل اول سیستم های فراپهن باند بطور كامل معرفی و بررسی می گردد ، در فصل دوم به بررسی انواع میكسر، نحوه ی عملكرد و كاربرد آن ها پرداخته شده ، در فصل سوم ساختار میكسرهای توزیع شده، مشخصات و تكنی كهای بهبود كارایی آن ها و در فصل چهارم اعوجاج و نویز در میكسر بررسی گردیده اند. در فصل پنجم ساختار میكسر فراپهن باند طراحی شده به طور مفصل شرح داده شده است. در فصل ششم نتیجه گیری و پیشنهادات و فصل هفتم نیز منابع و مأخذ مورد استفاده به تفكیك درج شده اند.