: با پیشرفت سریع جوامع شهری، تغییر و تحولات سریعی در زندگی شهرنشینی ایجاد شده است و هرساله بر تعداد وسایط نقلیه به ویژه در کلان شهرها، افزوده می شود. این افزایش که به عوامل متعددی از جمله رشد جمعیت، شرایط اقتصادی، اجتماعی، فرهنگی، مهاجرتها و… بستگی دارد، مسائل و مشکلات فراوانی را نیز با خود به دنبال دارد. با وجود آنکه هرساله میلیاردها ریال صرف احداث راه ها و جاده های جدید می شود، معضل ترافیک همچنان رو به افزایش بوده و حتی در برخی از ساعات شبانه روز به حد اشباع و غیر مطلوبی می رسد. تاکنون روش های کنترل ترافیک بیشتر مبتنی بر روش های کنترل کلاسیک بوده است. در این روشها با بهره گرفتن از روش های آماری و منحنی های به دست آمده تجربی و نهایتا با تخمین برخی از متغیرهای موثر بر ترافیک سعی بر آن است که پارامترهای مورد نظر درآن سطح خاص کنترلی، به گونه ای مطلوب تنظیم شود. واضح است که این حد پاسخگویی سیستم های ترافیک در ازای پیچیدگی بالای ساختار شامل بخشهای: کنترل، مخابرات و کامپیوتر و هچنین حجم بالای هزینه های پیاده سازی و نگهداری به دست آمده است. با گسترش کاربرد روش های هوشمند شامل هوش مصنوعی، منطق فازی و شبکه های عصبی و با توجه به قابلیت‌های متنوع آنها انتظار می رود که روش های فوق در حوزه های مختلف کنتر ل ترافیک شامل: برآورد وتعبیر و پردازش اطلاعات مختلف جمع آوری شده، برخورد و مدل سازی مناسب پارامترها و شرایط مبهم موجود در پروسه کنترل، پیشگویی آینده، افزایش قدرت یادگیری سیستم افزایش هوشمندی آنها بسیار پر کاربرد بوده و نتایج قابل قبولی را ارائه دهد. در این سمینار سعی برآن است که ضمن آشنایی با مفاهیم کلی موجود در مبحث کنترل ترافیک، روش های مختلف کنترل هوشمند ترافیک به ویژه کنترل مربوط به تقاطع ها معرفی و یک نمونه کاربرد عملی کنترل فازی با ترکیب الگوریتم ژنتیک که دریکی از بزرگراه های کشور ژاپن به کار گرفته شده است، ارائه و نتایج حاصل از اجرای آن بررسی و با روش های سنتی مقایسه شود. در فصل اول کلیاتی راجع به روش های مختلف کنترل ترافیک و تحقیقات صورت گرفته در این زمینه ارئه شده است. در فصل دوم به معرفی اصول نظریه جریان کنترل ترافیک و روابط حاکم برارامترهای حاکم بر آن پرداخته شده است. فصل سوم به معرفی مختصری از اصول کنترل فازی و نحوه کاربرد آن در بخشهای مختلف کنترل ترافیک اختصاص داشته و در نهایت و در فصل چهارم یک نمونه کاربرد عملی منطق فازی و ترکیب آن با الگوریتم ژنتیک در کنترل ترافیک یکی از بزرگراه های کشور ژاپن ارائه و نتایج آن مورد بررسی قرار گرفته است. در فصل پنجم نیز نتیجه گیری و چند پیشنهاد ارائه شده است.
مبحث دسته بندی بافت یكی از حوزه های مهم و پایه ای پردازش تصویر است كه در سالیان اخیر مورد توجه محققان زیادی قرار گرفته است و مزرهای كاربرد آن به طور چشمگیری در حال گسترش است. بافت ها اجزای اصلی تشكیل دهنده محیط اطراف ما هستند؛ به طوری كه معمولاً این بافت ها و ویژگی (مشخصه)های آنها هستند كه توانایی تشخیص، تفسیر و دسته بندی اشیای موجود در دنیای اطراف و نیز تصاویر مربوط به آنها ر ا امكان پذیر می سازند. برای مثال برای تشخیص و دسته بندی اشیای موجود در یک تصویر مانند سنگ، چوب و آهن، سیستم بینایی و مغز انسان این اشیا را آنالیز و تفاوت بافت هایشان را درك می كند؛ سپس ویژگی یا ویژگی هایی از هر یک از بافت ها را انتخاب و در حافظه ذخیره می كند و به كمك این ویژگی ها كار دسته بندی اشیای مذكور را انجام می دهد. از این رو بافت ها در تشخیص
و دسته بندی اشیا توسط چشم و مغز انسان نقش بسیار مهم و كلیدی ای دارند. از همین ایده برای آنالیز و دسته بندی تصاویر بافتی توسط كامپیوتر استفاده می شود. در این سیستم ها نیز مانند سیستم بینایی انسان، برای انجام فرایند دسته بندی تصاویر بافت، مراحل آنالیز تصویر بافت، استخراج ویژگی ها و در نهایت دسته بندی و اندیس گذاری با بهره گرفتن از ویژگی های استخرا ج شده طی می شوند.
به علت گستردگی تصاویر از حیث ماهیت و كاربردهای متنوع و همچنین وجود بافت های مختلف و متنوع در آنها، استفاده از بافت و آنالیز بافت بسیار مفید و با اهمیت است. در بسیاری از كاربردها، آنالیز بافت نتایج بهتری نسبت به روش های آنالیز دیگر دارد و این امر نشان دهنده اهمیت و توانمندی این نوع آنالیز است. در سال های اخیر استفاده از بافت و آنالیز بافت، كاربردهای متعددی پیدا كرده است كه از آن جمله به بینایی ماشین، كاربردهای صنعتی، تشخیص اشیا و اهداف، آنالیز تصاویر پزشكی، دسته بندی تصاویر راداری مانند رادارهای دهانه مصنوعی و نیز جداسازی و دسته بندی و تفسیر مناظر طبیعی می توان اشاره كرد.
به طور كلی در شرایط واقعی دو پدیده مهم در مبحث آنالیز و دسته بندی تصاویر وجود دارند كه تأثیرات مخرب زیادی را ایجاد می كنند. این دو پدیده مهم، «چرخش» و «نویز» هستند. در صورتی كه روش های مورد استفاده برای دسته بندی در برابر این پدیده های رایج پایدار نباشند، ممكن است در عمل دقت نتایج حاصله به شدت تنزل یابد و حتی به صفر برسد؛ لذا در شرایط واقعی باید روش های مورد استفاده برای آنالیز و دسته بندی تصاویر بافت تا حد ممكن در برابر این دو پدیده مقاوم و نامتغیر باشند و آثار مخرب آنها را خنثی كنند.
: امروزه با گسترش جوامع بشری، امنیت و حفاظت در همه زمینه ها بیش از پیش احساس میشود. در سالهای اخیر مطالعات و تحقیقات زیادی بر روی روش های مطمئن و امن تایید هویت و تشخیص هویت صورت گرفته است كه از این جمله پارامترهای حیاتی و روش های بیومتری به دلیل ماهیت یكتایی از اهمیت بیشتری برخوردار است. از جمله این پارامترها میتوان به تشخیص هویت با بهره گرفتن از تصاویر صورت، شكل گوش، حركات لب، طرز راه رفتن و حتی بوی بدن اشاره كرد كه در این بین تشخیص هویت با بهره گرفتن از تصاویر عنبیه از لحاظ سرعت تشخیص و دقت اهمیت بیشتری دارد. مطالعات محققان نشان می دهد كه الگوهای عنبیه هر فرد تنها مختص به آن فرد بوده و حتی الگوهای دو چشم یک فرد و دوقلوها نیز متفاوت از یكدیگر است. از این رو با توجه به موارد مطرح شده و اینكه الگوهای عنبیه یک فرد در طول عمر تغییری نخواهد كرد (البته در صورتی كه چشم فرد دچار صدمات فیزیكی و بیماری آب مروارید و… نگردد) میتوان از این روش به عنوان یكی از روش های بیومتری در تشخیص هویت استفاده كرد. فصل اول فیزیولوژی عنبیه 1-1) بیومتریک چیست واژه بیومتریک به طیف وسیعی از فناوری هایی اتلاق میشود كه هویت افراد را به كمك اندازه گیری و تحلیل خصوصیات انسانی شناسایی میكنند. در یک تعریف عمومی بیومتریک را علم و فناوری اندازه گیری و تحلیل آماری داده های بیولوژیكی معرفی كرده اند. اما تعریف دقیقتر و فنی آن كه امروزه رایج شده به شرح زیر است: هر خصوصیت فیزیولوژیكی یا ویژگی رفتاری منحصربفرد و متمایز كننده، مقاوم و قابل سنجش كه بتواند جهت تعیین یا تأیید خودكار هویت افراد بكار رود بیومتریک نام دارد. در این تعریف ویژگی هایی ذكر شده است كه جهت شفافیت بیشتر توضیحی اجمالی ارائه میشود. “متمایز كنندگی” قدرت تفكیک یک شخص در میان مجموع های از افراد با بهره گرفتن از یک مشخصه میباشد. هرچه درجه ی تمایز یک مشخصه بالاتر باشد، افراد بیشتری با آن مشخصه شناسایی میشوند. درجه ی تمایز كمتر به معنی تكرار آن خصیصه در تعداد بیشتری از افراد می باشد. عنبیه و شبكیه دارای درجه ی تمایز بالاتری نسبت به هندسه ی دست یا انگشت است. “مقاوم بودن” مربوط به پایداری ویژگی یا خصوصیت مورد نظر در طول زمان می باشد. تغییر در این ویژگی میتواند به علت كهولت، جراحت، بیماری، استفادهی مداوم حین كار یا تغییرات شیمیایی باشد. مشخصات بیومتریكهای كاملاً ستبر، در گذر زمان تغییر نمیكند در حالیكه بیومتریكهای كمتر ستبر دچار تغییر میشوند. برای مثال الگوی عنبیه كه در طول زندگی یک شخص به ندرت تغییر میكند ستبرتر از صدای شخص میباشد. “قابل سنجش بودن” یعنی خصوصیات یا ویژگیها بهراحتی قابل ارائه به یک حسگر باشد تا بتوان آن را در قالب دیجیتالی اندازه گیری نمود. این قابلیت، امكان مقایسه ی داده ها را در آینده و در یک فرایند خودكار میسر میسازد. منظور از “خودكار بودن” قابلیت تشخیص سریع و بدون نیاز به دخالت تشخیص انسانی (برای مثال قدرت تشخیص بصری چهره ها یا اثرانگشت) میباشد. بنابراین در حال حاضر كه تكنیک تشخیص هویت با بهره گرفتن از DNA افراد تنها در محیط آزمایشگاهی و به كمك دانش متخصصان میسر میباشد، DNA یک بیومتریک بشمار نمی آید. لازم به ذكر است این لغت در اوایل قرن بیستم به حوزه متفاوتی (كه امروزه عموماً tBiosatistics نامیده میشود) تعلق داشت، كه توسعه روش های آماری و ریاضیاتی قابل استفاده در تحلیل داده های مربوط به مسایل علوم بیولوژیک را در بر میگرفت. فناوری های بیومتریكی، فنون شناسایی بر اساس اندازه گیری و تحلیل خصوصیات فیزیولوژیكی یا رفتاری را شامل میشود. در IT هم، فناوری بیومتریک معمولاً به فناوری هایی اتلاق میگردد كه خصوصیات فیزیولوژیک انسانی از قبیل اثرانگشت، الگوی شبكیه، الگوی عنبیه، صوت، چهره و هندسهی دست را بخصوص برای شناسایی افراد مورد بررسی و تحلیل قرار میدهد. نحوه امضا كردن، الگوی راه رفتن، صوت نگاری و موفق ترین آنها، شناسایی انسان از طریق تشخیص الگوی تایپ كردن، مثالهایی برای بیومتریک ها میباشند. بیومتریک ها از لحاظ تئوریک شناسه های بیولوژیكی بسیار مؤثری هستند. زیرا تصور بر این است كه خصوصیات اندازه گیری شده منحصربفرد میباشند.
یک موج سطحی صوتی SAW یک نوع حركت موج مكانیكی می باشد كه در طول سطح یک ماده جامد حركت می كند. این موج در سال 1885 به وسیله لرد رایلی كشف شد و پس از آن به این نام نامیده شد. رایلی نشان داد كه امواج SAW می توانند مؤلفه ای از سیگنال مرتعش مربوط به زلزله را به خوبی توصیف كنند. امروزه این امواج صوتی اغلب در دستگاه های الكترونیكی استفاده می شوند. در نگاه اول استفاده از یک موج صوتی در كاربردهای الكترونیكی عجیب به نظر می رسد؛ اما امواج صوتی مشخصات ویژه ای دارند كه آ نها را برای كاربردهای خاصی مناسب می سازند. این امواج استفاده های متعارفی دارند. در بسیاری از ساعت های مچی از كریستال به عنوان یک رزوناتور صوتی برای تولید فركانس صحیح استفاده می شود، اگر چه در این رزوناتور از امواج صوتی bulk بیشتر از امواج سطحی استفاده می شود.
یک دستگاه SAW ابتدایی در شكل 1-1 نشان داده شده است كه شامل 2 ترانسدیوسر اینتردیجیتال IDT بر روی یک زیر لایه
فیزوالكتریک (Piezoelectric) همانند كوارتزمی باشد. IDT شامل الكترودهای فلزی تو در تو است كه برای ارسال و دریافت امواج استفاده می شوند به طوری كه یک سیگنال الكتریكی به یک موج صوتی و سپس به الكتریكی تبدیل می شود. مزیت عمده ای كه این امواج نسبت به سایر امواج دارند این است كه بسیار آرام حركت می كنند (مثلاً 300m/s)، چنان كه تاخیرهای بزرگی را می توانند ایجاد كنند. از آن جایی كه شكل IDT قابلیت تغییرات بسیارزیادی را دارد، در نتیجه دستگاه های متنوعی را می توان با بهره گرفتن از این خاصیت ساخت. اوایل سال 1970 دستگاه های SAW به منظور فشرده سازی پالس رادار، اسیلاتورها و فیلترهای میان گذر در تلویزیون های خانگی و رادیوهای حرفه ای تولید شدند. فیلترهای جدید SAW با كارآیی بالا وارد بازار شده اند و تعداد بسیار زیادی (حدود 3 بیلیون در سال) نیز در حال تولید می باشند.
شکل 2-1 حركت امواج SAW در طول سطح یک ماده جامد را نشان می دهد. هنگامی كه موج SAW از این سطح عبور می كند، هریک از اتم های ماده یک مسیر بیضی شكلی را طی می كند، در حالی كه این مسیر برای هر دوره از حركت موج تكرار می شود. هر چه قدر به عمق نفوذ می كنیم اتم های كمتری از سطح جا به جا می شوند. بنابراین، این موج در امتداد سطح هدایت می شود. در ساده ترین حالت (یک ماده ایزوتروپیك)، اتم ها در سطحی معروف به صفحه جهتی حركت می كنند. صفحه جهتی، صفحه ای معمولی است كه انتشار در آن در جهت مشخصی می باشد.
: روش های عددی ابزاری بسیار مفید در شبیه سازی مسائل الكترومغناطیسی هستند. از این رو می توان به روش ممان، روش عنصر محدود و روش تفاضلات محدود در حوزة زمان به عنوان مهم ترین این روش ها اشاره كرد. روش عددی FDTD به دلیل قابلیت آن در شبیه سازی انواع شكل های پیچیده، بدون نیاز به حل ماتریس های بزرگ، معادلات غیر خطی و معادلات انتگرالی پیچیده، نسبت به سایر روش های ذكر شده از مزایایی برخوردار است. همچنین با بهره گرفتن از این روش می توان با یک بار اجرای برنامه، پاسخ فركانسی سیستم تحت بررسی را در باند وسیعی در اختیار داشت. به طور كلی می توان با یک بار اجرای برنامه، پاسخ فركانسی سیستم تحت بررسی را در اختیار داشت. به طور كلی می توان به مزایای این روش نسبت به سایر روش های عددی این چنین اشاره كرد. 1- این روش نیاز به حل معادلات انتگرالی ندارد و مسائل پیچیده بدون نیاز به معكوس سازی ماتریس های بزرگ قابل حل هستند. 2- این روش برای استفاده در ساختارهای پیچیده، غیر همگن هادی یا دی الكتریک ساده است، زیرا مقادیر ε، μ و σ در هر نقطه از شبكه قابل تعریف است. 3- نتایج حوزه فركانس با بهره گرفتن از نتایج حوزه زمان بسیار ساده تر از روش معكوس گیری از ماتریس به دست می آیند. بنابراین نتایج باند وسیع فركانسی به راحتی محاسبه می شوند. 4- این روش موجب استفاده از حافظه به صورت ترتیبی می شود. اما این روش دارای معایبی نیز هست كه عبارتند از: 1- مش بندی اجسام پیچیده دشوار است. 2- از آن جایی كه شبكه به شكل چهار گوش است، مسائل با سطوح منحنی را در بر نمی گیرد و در مدل سازی آن با این روش با خطا مواجه خواهیم شد. 3- در الگوریتم های تفاضل محدود، مقادیر میدان ها فقط در گره های شبكه مشخص است. 4- برای دست یابی به دقت بالا در محاسبات، نیاز به اجرای برنامه در تعداد گام زمانی زیاد است كه سبب كندتر شدن اجرای برنامه می شود. چند دلیل افزایش علاقه مندی به استفاده از FDTD و روش های حل محاسباتی مربوطه اش برای معادلات ماكسول وجود دارد. 1- FDTD از جبر غیر خطی استفاده می كند. با یک محاسبة كاملاً ساده، FDTD از مشكلات جبر خطی كه اندازه معادله انتگرالی حوزه فركانس و مدل های الكترومغناطیسی عنصر محدود را به كمتر از 106 میدان نامشخص الكترومغناطیسی محدود می كند؛ اجتناب می كند. مدل های FDTD با 109 میدان ناشناخته، اجرا می شوند. 2- FDTD دقیق و عملی می باشد. منابع خطا در محاسبات FDTD به خوبی شناخته شده اند و این خطاها می توانند محدود شوند به گونه ای كه مدل های دقیقی را برای انواع مسائل عكس العمل موج الكترومغناطیسی فرا هم كنند. 3- FDTD طبیعتاً رفتار ضربه ای دارد. تكنیک حوزة زمان باعث می شود تا FDTD به طور مستقیم پاسخ ضربه یک سیستم الكترومغناطیسی را محاسبه كند. بنابراین شبیه سازی FDTD می تواند شكل موج های زمانی بسیار پهن باند یا پاسخ های پایدار سینوسی را در هر فركانسی در طیف تحریک فراهم كند. 4- FDTD طبیعتاً رفتار غیر خطی دارد. با بهره گرفتن از تكنیک حوزه زمان، FDTD پاسخ غیر خطی یک سیستم الكترومغناطیسی را محاسبه می كند. 5- FDTD یک روش سیستماتیک می باشد. با FDTD می توان به جای استفاده از معادلات انتگرالی پیچیده از تولید مش برای مشخص كردن مدل یک ساختار جدید استفاده نمود. به عنوان مثال FDTD نیازی به محاسبه توابع گرین مربوط به ساختار مورد نظر ندارد. 6- ظرفیت حافظة كامپیوتر به سرعت در حال افزایش است. در حالی كه این روش به طور مثبت تمام تكنیک های عددی را تحت تاثیر قرار می دهد، این از مزیت های روش FDTD است كه گسسته سازی مكانی را روی یک حجم انجام می دهد، بنابراین نیاز به RAM بسیار زیادی دارد. 7- توانایی مصور سازی كامپیوترها به سرعت در حال افزایش است. در حالی كه این روش به طور مثبت تمام تكنیک های عددی را تحت تاثیر قرار می دهد. این از مزیت های روش FDTD است كه آرایه گام های زمانی از مقادیر میدان را برای استفاده در ویدئو های رنگی برای نمایش حركت میدان مناسب می سازد.
