وبلاگ

پیش‌‌‌‌بینی آینده در زمینه‌های مختلف همواره برای انسان جالب و جذاب بوده است. با اطمینان می‌توان گفت که پیش‌‌‌‌بینی آینده و روند تغییرات در همه‌ی حوزه‌ها از دغدغه‌های اصلی و همیشگی مدیران سطح بالا و میانی می‌باشد. اما همواره مشکلات فراوانی در برابر آن وجود داشته است که انجام پیش‌‌‌‌بینی‌های دقیق و قابل اعتماد را تقریباً غیرممکن نموده است (توحیدی- مقدم و فرهادی، 1391). در سالهای اخیر با توجه به جذابیت‌هایی که در زمینه داده‌کاوی و همچنین پیش‌‌‌‌بینی که یکی از اهداف داده‌کاوی می‌باشد وجود دارد،تحقیقات زیادی در این حوزه انجام شده است.

 

در حال حاضر در اکثر دانشگاه‌ها بانک‌های اطلاعاتی وسیعی از ویژگی‌های دانشجویان موجود است که حجم بالایی از اطلاعات مربوط به سوابق آموزشی و تحصیلی را شامل می‌شود و از آن‌جایی که امروزه فضای رقابتی شدیدی در دانشگاه‌های مختلف حاکم شده است. مدیران باید سریع‌تر و درست‌تر از قبل تصمیم بگیرند. لازمه چنین امری، دستیابی سریع و دقیق به دانش است و برای دستیابی به دانش، وجود ابزارهای کارا و موثری نظیر داشبوردهای مدیریتی ضرورت دارد. ارزش داشبورد در اتصال ویژگی‌ها و کاربرد مناسب آن در سازمان است. گرچه تا به امروز توافق خاصی در اینکه داشبورد باید دقیقا چگونه باشد و چه کارهایی را انجام دهد، وجود ندارد اما به طور کلی انتظار می‌رود داشبورد، امکان جمع‌ آوری، خلاصه‌سازی و ارائه اطلاعات مناسب از منابع مختلفی را داشته باشد تا بدین وسیله کاربر بتواند

 وضعیت شاخص‌ها را به طور یک‌جا ملاحظه نماید

 

هدف از انجام این تحقیق، داده‌کاوی‌آموزشی جهت مقاصد پیش‌‌‌‌بینی پیشرفت تحصیلی دانشجویان به همراه داشبورد آن می‌باشد، داده‌کاوی‌آموزشی یک حوزه علمی نوظهور است که به توسعه روش هایی برای کاوش و اکتشاف دانش در محیط‌های آموزشی می‌پردازد. پیشرفت‌ تحصیلی دانشجویان یکی از اموری است که در امر آموزش مطرح است و از مسائل مورد توجه مدیران آموزشی دانشگاه‌هاست. در این تحقیق سعی شده از داده‌کاوی و فنون آن استفاده شود و با بهره گرفتن از داده‌هایی که در دانشگاه‌ها موجود است پیشرفت تحصیلی را پیش‌‌‌‌بینی نمود. پس از آشنایی با ادبیات مسئله و مرورکلی بر ویژگی‌های اصلی یک داشبورد مدیریتی کارا، روش های داده‌کاوی و پیش‌‌‌‌بینی به عنوان مطالعه موردی کار پیش‌‌‌‌بینی در امور آموزش را انجام داده‌ایم. معدل دانشجویان به‌صورت تصادفی تغییر نمی‌کند، بلکه تغییرات بر اساس یک روند تکرار پذیر و قابل تشخیص صورت می‌گیرد، پس قابل پیش‌‌‌‌بینی است. برای این منظور پس از گردآوری داده‌ها جهت داده‌کاوی، با بهره گرفتن از روش های شبکه‌عصبی و درخت‌تصمیم C5، کار پیش‌‌‌‌بینی را انجام داده ایم و بعد از پیش‌‌‌‌بینی، طراحی و پیاده‌سازی داشبورد آن صورت گرفت.

 

 

 

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 و با فرمت ورد موجود است

 

متن کامل را می توانید دانلود نمائید

 

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

 

ولی در فایل دانلودی متن کامل پایان نامه

 

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

 

موجود است

و بیان مسئله

 

امروزه رایانه در تمام لایه‏های زندگی بشر نفوذ کرده است. بطوریکه استفاده از فناوری رایانه در حوزه زبان‏شناسی، بیش از پیش احساس می‏شود. «پردازش زبان طبیعی»شاخه‏ای از علم «هوش مصنوعی» است كه به ماشینی كردن فرایند زبان شناسی سنتی می‏پردازد. به این ترتیب با بهره گرفتن از رایانه می‏توان «زبان گفتاری ونوشتاری» را پردازش نمود، به طوریکه رایانه‏ها نیز قادر باشند زبان انسان را درک کرده و بتوانند از زبان طبیعی به عنوان ورودی وخروجی استفاده كند. به این ترتیب یک رایانه، درهنگام دریافت ورودی، نیاز به «درک» و درهنگام ارسال خروجی، نیاز به «تولید» زبان طبیعی دارد. ]81[

 

در زمینه پردازش زبان طبیعی پژوهش‏هایی مانند طبقه‏بندی متون، برچسب‏گذاری ادات سخن، تعیین و ابهام‏زدایی از معانی واژگان و… انجام شده است که تنها بر روی یک حوزه خاص تمرکز داشته‏اند و در نتیجه راه حل‏هایی جزئی در راستای اهداف کلی پردازش زبان طبیعی محسوب می‏‏‏شوند. تمامی این حوزه‏های جزئی باید حل شوند تا در نهایت رایانه بتواند همانند انسان واژگان و جملات را پردازش کرده و یا آنها را بسازد.

 

وظایف زبان طبیعی را می‏توان به ریز کاربردها و کلان کاربردها افراز نمود. به طور کلی تا کنون تحقیقات انجام شده بیشتر بر روی پردازش‏هایی در سطح واژه و یا جمله (مانند برچسب گذاری ادات سخن، ابهام زدائی از مفهوم واژگان، شناسایی موجودیت‏های نامدار و … ) و یا در سطح کل متن (تشخیص هرزنامه، رده بندی متون و…) متمرکز شده اند؛ برخی از کاربرد‏ها نیز مانند استخراج اطلاعات، تشخیص مرجع مشترک و ماشین ترجمه در سطح بینابین قرار گرفته‏اند. ]27[بدیهی است که در توسعه یک کاربرد سطح بالاتر همانند تعیین ویژگی‏های معنایی متون، انواع متفاوتی از ویژگی‏های سطح پایین‏تر (مانند ویژگی‏های لغوی و نحوی) نیز لازم است، اما به لطف سیستم‏های جدید که تا حد زیادی به روش‏های آماری یادگیری ماشین بستگی دارند، دیگر در آنها، به تمامی‏‏‏ ویژگی‏های سطح پایین‏تر نیازی نیست. علت اینکه روش‏های یادگیری ماشین توانسته‏اند با وجود سادگی، به موفقیت قابل توجهی دست یابند این است که اطلاعات آماری پایه، دانشی را فراهم می‏آورد که برای بسیاری از کاربرد‏ها کافی بوده و می‏‏‏‏تواند به کارائی قابل توجهی منجر شود. با این وجود، باید توجه داشت که روش‏های آماری محدود است و هرگز نمی‏توانند درک کاملی از محتوای معانی یک متن را فراهم آورند.

 

از طرفی دیگر، با فراهم شدن اطلاعات و قدرت محاسباتی بیشتر، سیستم‏‏هایی که واژگان و جملات درست را از غلط تشخیص می‏دهند، به طور گسترده‏ای در حال توسعه هستند. به عنوان مثال، در زبان انگلیسی برچسب گذاری ادات سخن به صحتی برابر با ۹۸%، شیوه‏های تجزیه کردن به صحتی برابر با ۹۰%، و شناسایی موجودیت‏های نامدار به صحت ۹۱% رسیده اند. [78,55,38[.

 

بسیاری از پژوهشگران معتقدند كه استخراج اطلاعات به عنوان یکی از مهمترین کاربردهای پردازش زبان طبیعی محسوب می‏شود، که مجموعه‏ای از تکنیک‏های رده‏بندی، خوشه‏بندی و قوانین وابستگی است و خروجی استخراج اطلاعات شامل، شناسایی موجودیت‏ها ، تعیین نوع وگروه آنها، طبقه بندی ارتباط میان موجودیت‏ها و همچنین استخراج رویدادهایی كه در آن مشاركت دارند، می‏باشد.[71[ در نهایت می‏توان گفت كه خلاصه سازی، بازیابی اطلاعات، داده‏كاوی، پرسش و پاسخ و درك زبان از جمله كاربردهای این سیستم هستند.

 

تمرکز اصلی این پژوهش بررسی فرایند تشخیص مرجع مشترک به عنوان یکی از فرایندهای مهم استخراج اطلاعات است؛ در تشخیص مرجع مشترک تمام عبارت‏های اسمی‏‏‏ که به یک موجودیت واحد در دنیای واقعی اشاره دارند، تعیین می‏گردند. هدف نهایی این پایان‏ نامه شناسایی اشاره‏های هم مرجع شامل ضمیر و اسم اشاره در متون پارسی می‏باشد. برای تحقق این هدف نیاز به انجام پیش پردازش‏هایی بر روی متون خام می‏باشد تا داده‏های مورد نیاز برای ورود به فرایند تحلیل مرجع مشترک فراهم شوند. فرض ما بر این است که خروجی حاصل از فرایند کشف اشاره به عنوان یک پیش پردازش می‏تواند در کنار سایر پیمانه‏های پیش پردازشی مانند تجزیه‏گر، شناسایی موجودیت‏های نامدار و… بر بهبود عملکرد تحلیل مرجع مشترک موثر واقع شود. [23،38،53،83]

 

به هر ترتیب شناسایی عبارت‏های اسمی‏‏‏ هم‏مرجع از مهمترین زیر وظایف استخراج اطلاعات می‏باشند که بهبود عملکرد آن موجب بهبود عملکرد کلی سیستم استخراج اطلاعات و سایر سیستم‏های مرتبط با آن خواهد شد.

 

واحد مورد بررسی در حوزه تشخیص مرجع مشترک، متن می باشد که پس از اجرای ماژول‏هایی متفاوت، متن مورد نظر به عبارت های اسمی یا به عبارت بهتر به اشاره تبدیل می‏شود. روش‏های موجود در این حوزه، به دو دسته روش‏های زبان‏شناسی و روش‏های یادگیری ماشین تقسیم می‏‏‏شوند. [76[ در روش اول، ابتدا به ازای هر عبارت اسمی‏‏، مراجع کاندیدا تعیین می‏‏‏شود و سپس با به کارگیری مجموعه‏ای از قواعد زبان‏شناسی، برخی از کاندیداها حذف شده و کاندیداهای باقیمانده نیز امتیازدهی می‏‏‏شوند و در‏نهایت کاندیدایی به عنوان مرجع برگزیده می‏‏‏شود که بیشترین امتیاز را کسب کرده باشد. مسئله اصلی در این روش این است که کسب اطلاعات زبان‏شناسی مورد نیاز، فرایندی زمان‏بر، پرهزینه و پر خطاست. البته با پیدایش پیکره‏های زبان‏شناسی و موفقیت روش‏های یادگیری ماشین در سایر حوزه‏ها، روش‏های زبان‏شناسی جای خود را به روش‏های یادگیری ماشین دادند. در یادگیری ماشین، به محاسبات زبان‏شناسی پیچیده و سطح بالای روش‏های زبان‏شناسی نیاز نیست به طوریکه با بهره گرفتن از دانش اندکی در زمینه زبان‏شناسی نیز می‏توان به نتایج خوب و قابل توجهی دست یافت.

 

 

از سوی دیگر، امروزه اغلب پژوهشگران فرایند تشخیص مرجع مشترک را به دو مرحله تقسیم می‏‏‏ کنند. (۱) کشف و شناسایی اشاره؛ برای شناسایی عبارت‏های اسمی‏‏‏ که به موجودیت ها در دنیای واقعی اشاره دارند، (۲) شناسائی اشاره‏هایی که به یک مرجع واحد اشاره دارند. به این ترتیب در مرحله اول، اکثر عبارت‏های اسمی‏‏‏ تحت عنوان اشاره و در قالب چهار گروه اصلی ضمایر، اسامی‏‏‏ خاص، اسامی‏‏‏ عام و غیر اشاره‏ها قرار می‏گیرند،[8،910،16،48،53،72] سپس این فرایند مشخص می‏‏‏‌کند که هر اشاره به کدام موجودیت در دنیای واقعی اختصاص دار[26]می‏‏‏توان گفت که فرایند کشف اشاره، توسعه یافته‏ی فرایند شناسایی موجودیت‏های نامدار می‏باشد که علاوه بر شناسایی اسامی‏‏‏ خاص، به شناسایی اسامی‏‏‏ عام و ضمایر نیز می‏پردازد. [،23،72،81،113،114]از آنجائیکه بررسی فرایند‏های شناسایی اشاره و تحلیل مرجع مشترک به طور همزمان خارج از حوزه‏ی این پایان‏ نامه است، ما عبارت‏های اسمی‏‏‏ را در قالب انواع اشاره‏های گفته شده در پیکره‏ای تحت عنوان لوتوس برچسب‏گذاری می‏نمائیم و نتیجه‏ی آن را برای تحلیل مرجع مشترک به کار خواهیم برد.

 

چارچوب کلی این پایان‏ نامه به این صورت می‏باشد: در بخش دوم این فصل گذری کوتاه بر انواع روابط میان دو عبارت اسمی‏‏‏ و به خصوص ارتباط‏های هم‏مرجعی خواهیم داشت. سپس در بخش اول فصل دوم، روش‏های ارائه شده برای تشخیص مرجع مشترک را مورد بررسی و مطالعه قرار می‏دهیم و در بخش دوم آن، به نحوه ایجاد پیکره‏ای مناسب برای کشف اشاره و تحلیل مرجع مشترک خواهیم پرداخت. در فصل سوم، به الگوریتم‏های مناسب برای این پایان‏ نامه را معرفی می نمائیم. سیستم پیشهنادی برای شناسایی اشاره‏های ارجاع شده در فصل چهارم معرفی خواهد شد و همچنین در این فصل الگوریتم‏های یادشده را مورد ارزیابی قرار می‏دهیم. در نهایت در فصل پنجم نیز به نتیجه گیری و پیشنهاد كارهای آتی در ادامه‏ی این پژوهش خواهیم پرداخت.

 

[1] معادل پارسی عبارت  انگلیسی Natural Language processing

 

[2] معادل پارسی عبارت انگلیسی Artificial Intelligence

 

[3]  معادل پارسی عبارت انگلیسی Text classification

 

[4] معادل پارسی عبارت انگلیسی Part of speech tagging

 

[5] معادل پارسی عبارت انگلیسی Word sense disambiguation

 

[6] معادل پارسی عبارت انگلیسی Micro-task

 

[7] معادل پارسی عبارت انگلیسی Macro-task

 

[8] معادل پارسی عبارت انگیسی Named Entity Recognizers(NER)

 

[9] معادل پارسی عبارت انگیسی Spam Detection

 

[10] معادل پارسی عبارت انگیسی Information Extraction(IE)

 

[11] معادل پارسی عبارت انگیسی Coreference Resolution(CR)

 

[12] معادل پارسی عبارت انگیسی Machin Translation(MT)

 

[13] معادل پارسی واژه انگیسی Lexical

 

[14] معادل پارسی واژه انگیسی Syntactical

 

[15] معادل پارسی واژه انگیسی Parsing

 

[16] معادل پارسی واژه انگیسی Classification

 

[17] معادل پارسی واژه انگلیسی  Clustering

 

[18] معادل پارسی عبارت انگلیسی Association pules

 

[19]  معادل پارسی واژه انگلیسی Entity

 

[20] معادل پارسی عبارت انگلیسی Information Retrieval(IR)

 

[21] معادل پارسی عبارت اانگلیسی Data Mining

 

[22]  معادل پارسی عبارت انگلیسی question/Answering

 

[23] معادل پارسی عبارت  انگلیسی Text understanding

 

[24] معادل پارسی عبارت  انگلیسی Mention Detection

 

[25] معادل پارسی واژه  انگلیسی linguist

 

[26] معادل پارسی عبارت  انگلیسی Machin Learning(ML)

 

[27] معادل پارسی واژه  انگلیسی Corpus

 

[28] معادل پارسی واژه انگلیسی Entitiy

 

[29] هرآنچه كه به موجودیت خاص درمتن ارجاع داده شده است

 

[30] معادل پارسی واژه انگلیسی Pronominal

 

[31] معادل پارسی عبارت  انگلیسی Proper Name

 

[32] معادل پارسی واژه  انگلیسی Nominal

 

[33] معادل پارسی عبارت  انگلیسی Out of Mention

 

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 و با فرمت ورد موجود است

 

متن کامل را می توانید دانلود نمائید

 

 

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

 

 

ولی در فایل دانلودی متن کامل پایان نامه

 

 

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

 

 

موجود است

در این فصل كارهای مهم انجام گرفته در زمینه تشخیص آنلاین پایداری گذرا، تعیین معادل دینامیكی سیستم، استفاده از تئوری گراف در سیستمهای قدرت و جزیره‌سازی سیستم مورد بررسی قرار می‌گیرد.
همچنین در فصل حاضر ضرورت انجام رساله حاضر، اهداف رساله و محدودیتها و مرزهای آن بررسی و معرفی خواهد گردید.
2-2- مطالعات انجام شده در تشخیص پایداری گذرا
تشخیص سریع، دقیق و آنلاین ناپایداری برای انجام برخی اعمال كنترل اضطراری ضروری می‌باشد. روش های مرسوم در مقالات برای این كار عموما استفاده از اندازه‌گیرهای فازوری كلی و روش های ابتكاری است. در [40] یک روش دقیق برای تشخیص آنلاین از دست رفتن

 سنكرونیزم بر اساس اندازه‌گیریهای ولتاژ و جریان در خطوط ارائه شده است. همچنین در [40] از تكنیک انرژی پتانسیل در خطوط استفاده كرده و شرایطی كه باعث ناپایداری سیستم می‌شوند از تحلیل تابع انرژی بدست آورده است. وقوع یک اغتشاش بزرگ در سیستم قدرت ممكن است باعث خروج كنترل‌نشده ژنراتورها و خروجهای متوالی و نهایتا فروپاشی گردد. چندین روش كنترلی جداگانه وجود دارد كه می‌تواند برای حفظ پایداری سیستم مورد استفاده قرار گیرد. برخی از این اعمال كنترلی اضطراری مانند خروج ژنراتورها و جداسازی كنترل‌شده سیستم در زمان های خیلی ضروری مورد استفاده قرار می‌گیرند. از این رو یک روش سریع و دقیق تشخیص بین نوسانات پایدار و ناپایدار ضروری می‌باشد. از جمله روش های موجود برای این مورد می‌توان به استفاده از اندازه‌گیرهای فازوری گلوبال، روش های ابتكاری، و روش های هوشمندانه مانند درخت تصمیم‌گیری و استفاده از شبكه‌های عصبی را نام برد. در [44-41] انرژی پتانسیل موجود در ژنراتورها كه بوسیله یک مدل كلاسیک نمایش داده شده‌اند به صورت مجموع انرژیهای موجود در المانهای سری مانند خطوط انتقال، ترانسفورمرها و راكتانسهای ژنراتورها بیان گردیده است. در این مقاله نشان داده شده است كه تحت یک شرایط خاص این امكان وجود دارد كه انرژی پتانسیل را به صورت جمع انرژیهای موجود در خطوطی كه به یک كات‌ست تعلق دارند نوشت و انرژی جنبشی را به صورت تابعی از نرخ تغییرت زاویه فاز در دو طرف یک خط كه به یک كات‌ست تعلق دارد بدست آورد.

در [48-45] نویسنده‌گان مقاله توابع كنترلی مناسب را برای حذف نوسانات سیستم قدرت بر اساس توابع لیاپانف در حضور عناصر FACTS‌ برای شبكه قدرت ارائه كرده است. در این مقاله نویسندگان از مفهوم سیستم تك ماشینه معادل (OMIE) برای تعریف توابع لیاپانف استفاده كرده‌اند.
در مراجع [49] نویسندگان مقالات روش یادگیری آنلاین با بهره گرفتن از شبكه های عصبی را برای پیش‌بینی پایداری گذرای سیستم قدرت مورد استفاده قرار داده‌اند. در [50] یک روش جدید برای تشخیص آنلاین ناپایداری در شبكه قدرت ارائه گردیده است كه بر اساس اندازه‌گیری ولتاژ و جریان خط صورت می‌گیرد و شرط ناپایداری از توابع انرژی بدست می‌آید.
در [51] از روش تحلیل مجموعه‌های دستیافتنی (Reachable Set) و تحلیل مجموعه‌های همسطح برای تحلیل پایداری گذرای سیستم استفاده شده است. این روش بر اساس ایجاد یک معادله دیفرانسیل با مشتقات نسبی و تشكیل ماتریس (HJI) یک سیستم غیرخطی است. مجموعه‌های دست‌یافتنی بكوارد ناحیه پایدار نقطه تعادل را برای ارزیابی پایداری گذرا در اختیار ما قرار می‌دهد.

:
استفاده از فیلم­ها و تصاویری با قدرت تفکیک­پذیری بالا، در اکثر کاربردهای الکترونیکی مورد نیاز است. تمایل برای استفاده از تصاویری با وضوح بالا از دو زمینه اصلی نشات می­گیرد: بهبود اطلاعات تصویری برای تفسیر انسان؛ و کمک به درک دستگاه­های خودکار. وضوح تصویر، جزئیات موجود در تصویر را توصیف می­ کند. در وضوح بالاتر، جزئیات تصویر بیشتر است. وضوح یک تصویر دیجیتال را می‌توان در بسیاری از زمینه های مختلف طبقه بندی کرد: وضوح پیکسلی، وضوح فضایی، وضوح طیفی، وضوح زمانی و وضوح رادیومتری [1]. در این پایان نامه ، مباحث در حوزه­ وضوح فضایی مطرح می­ شود.
وضوح فضایی: یک تصویر دیجیتال از عناصر تصویر کوچکی به نام پیکسل ساخته شده است. وضوح فضایی، به تراکم پیکسل­ها در یک تصویر اشاره دارد و معیار سنجش آن پیکسل در واحد سطح است.
شکل 1-1 آزمون کلاسیک برای تعیین وضوح فضایی یک سیستم تصویربرداری را نشان می‌دهد. وضوح فضایی تصویر ابتدا توسط حسگرهای تصویربرداری و یا دستگاه اکتساب تصویر محدود می­ شود. در دوربین دیجیتال، تصویربرداری بر روی فیلم صورت نمی‌گیرد بلکه توسط یک حسگر حساس (دستگاه جفت‌کننده­ بار (CCD) [1] یا نیم‌رسانای اکسید فلزی مکمل (CMOS) [2] ) انجام می‌پذیرد. این حسگرها معمولاً در یک آرایه دو بعدی، برای گرفتن سیگنال تصویر دو بعدی مرتب شده ­اند. در وهله اول، اندازه حسگر و یا به طور معادل تعداد عناصر حسگر به ازای هر واحد سطح، وضوح فضایی تصویر را تعیین می­ کند. حسگرها با تراکم بالاتر، وضوح فضایی بیشتری را برای سیستم تصویربرداری ممکن می­سازد. سیستم تصویربرداری با آشکارسازهای ناکافی، تصاویری کم وضوح با اثرات بلوکی ایجاد می­ کند که ناشی از فرکانس پایین نمونه برداری فضایی است. تلاش‌های بسیاری جهت افزایش وضوح تصاویر دیجیتالی صورت گرفته­ است، که به دو بخش کلی نرم‌افزاری و سخت‌افزاری قابل تقسیم بندی می‌باشند.
 در بخش سخت‌افزاری با هرچه غنی­تر نمودن تعداد پیکسل‌های موجود بر روی حسگرهای دوربین‌های دیجیتالی در واحد سطح، می‌توان درجه تفکیک تصویر را افزایش داد. بعلاوه، با هرچه کوچکتر نمودن سلول‌های حسگرهای دوربین‌های دیجیتالی، مقدار نور مؤثر دریافت شده توسط هر سلول، کاهش می‌یابد؛ البته می‌توان با ایجاد شبکه‌ای از عدسی‌های محدب بر روی لایه فوقانی سلول‌های حسگر، مقدار نور مؤثر دریافتی توسط هر سلول حسگر را افرایش داد. لیکن به دلیل وجود تعداد بسیار زیاد سلول‌های حسگر، نویز ضربه ای ناشی از قطع و وصل جریان در درون این شبکه سلولی، همچنان وجود داشته و عامل مؤثری جهت کاهش کیفیت تصویر نهایی می‌گردد[2].
     در حالی که وضوح فضایی تصویر توسط حسگرهای تصویر محدود می­ شود، جزئیات تصویر (باندهای فرکانس بالا) نیز به دلیل تاری لنز (مرتبط با تابع نقطه گستر حسگر)، اثرات انحراف لنز، انکسار روزنه و تاری نوری با توجه به حرکت، محدود می­شوند. بنابراین روش سخت‌افزاری جهت رسیدن به تصاویری با کیفیت و وضوح بالاتر، بسیار پرهزینه و عملاً تا حدی غیر ممکن می‌باشد و معمولاً نمی‌توان از حد معینی، بدلیل محدودیت‌های تکنیکی موجود در تکنولوژی ساخت مدارات مجتمع، فراتر رفت. علاوه بر هزینه، وضوح یک دوربین نظارتی نیز به علت سرعت دوربین و سخت افزار ذخیره سازی محدود شده است. در بعضی موارد دیگر مانند تصاویر ماهواره­ای، استفاده از حسگرهای وضوح بالا به دلیل محدودیت‌های فیزیکی آن دشوار است.
استفاده از روش نرم‌افزاری، جهت پذیرش خرابی­های تصویر و استفاده از پردازش سیگنال در پس پردازش عکس­های گرفته شده، به منظور تعامل بین هزینه­ های محاسباتی با هزینه­ های سخت افزاری، مطرح می‌گردد. روش­های نرم افزاری از لحاظ اقتصادی مقرون به صرفه می‌باشد و امکان تولید تصویری با وضوح بالاتر توسط همان دوربین‌های تصویربرداری دیجیتالی کم وضوح را فراهم می­آورد.
یکی از تکنیک‌های مطرح شده در بعد نرم‌افزاری، جهت افزایش کیفیت تصویر چه از لحاظ تعداد پیکسل‌ها و چه از لحاظ کاهش مقدار نویز، تکنیک فراتفکیک پذیری (SR)می‌باشد. این تکنیک از لحاظ نامگذاری بدلیل آنکه قادر خواهیم بود از محدوده توانایی سیستم تصویر برداری فراتر رویم، فرا تفکیک پذیری نامیده می‌شود، و عمدتا به دو گروه روش­های مبتنی بر یادگیری و روش­های مبتنی بر بازسازی چند فریمی تقسیم می­شوند [4]. در روش­های مبتنی بر یادگیری، تنها از یک تصویر کم وضوح (LR) برای ایجاد تصویری با وضوح بالا (HR)  استفاده می­ شود. این رویکرد، زیر گروهی از روش های یادگیری ماشین است. برخی از روش­های پیشنهادی در این حوزه در [10-4] آورده شده است. گروه بعدی، روش­های مبتنی بر بازسازی چندفریمی است که تمرکز ما در این پایان نامه بر روی این دسته از تکنیک­ها

 می­باشد.

در تکنیک‌های فراتفکیک­پذیری چند فریمی، تلفیق چندین تصویر با وضوح پائین­تر باعث تولید تصویر نهایی با وضوح بالاتر می‌گردد. این فرایند موجب بازسازی اجزای فرکانس بالا و حذف خرابی­هایی که به علت تصویربرداری با دوربین کم وضوح ایجاد شده است، می­ شود. ایده اصلی در تکنیک­های فراتفکیک پذیری چند فریمی، ترکیب اطلاعات غیر زائد موجود در فریم‌های کم وضوح برای تولید یک تصویر با وضوح بالا است [3]. روشی که به طور تنگاتنگ باSR  مرتبط است رویکرد درون‌یابی تصویر می­باشد، که می‌تواند برای افزایش اندازه تصویر مورد استفاده قرار گیرد. اما، از آنجا که هیچ اطلاعات اضافی ایجاد نمی­ شود، کیفیت درون‌یابی تک تصویر با توجه به ماهیت بدحالت[4]  مسئله، بسیار محدود است، و اجزای فرکانسی از دست رفته را نمی ­تواند بازیابی کند. اما در زمینه SR، مشاهدات متعدد کم­ وضوح برای بازسازی در دسترس هستند. اطلاعات غیر زائد موجود در این تصاویرکم وضوح، به طور معمول توسط جابجایی­های در حد کسری از واحد پیکسل، که بین این تصاویر اتفاق می­افتد، ایجاد می­ شود. این جابجایی­های در حد کسری از واحد پیکسل ممکن است به دلیل حرکات غیر کنترل شده بین سیستم تصویربرداری و صحنه رخ دهد، به عنوان مثال، حرکت شی؛ و یا بعلت حرکات کنترل شده، مانند سیستم تصویربرداری ماهواره ای در مدار زمین که با سرعت و مسیر از پیش تعریف شده در حال حرکت است.
هر فریم کم وضوح، مشاهده اعوجاجی از صحنه واقعی است. فراتفکیک­پذیری تنها در صورتی که حرکت در حد کسری از واحد پیکسل بین این فریم وضوح پایین وجود داشته باشد، امکان پذیر است. شکل 1-2  نمودار ساده­ای از توصیف ایده اولیه بازسازی SR را نشان می­دهد. در فرایند تصویربرداری، دوربین چندین فریم LR را از صحنهHR  ضبط می­ کند. این تصاویر LR، نسبت به یکدیگر شیفت­های حد کسری از واحد پیکسل دارند و همچنین با نرخ پایین نمونه­برداری شده ­اند. ساخت و ساز تکنیک­های SR چند فریمی، معکوس این فرایند است؛ همترازی مشاهدات LR  در دقت کسری از پیکسل، و ترکیب آن‌ ها به یک شبکه تصویر HR (درون‌یابی) که حاصل آن غلبه بر محدودیت­های تصویربرداری دوربین است.
اصول اولیه الگوریتم فراتفکیک­پذیری مبتنی بر حرکت را با آزمایش بسیار ساده­ای که در شکل 1-3 نشان داده شده، توضیح می­دهیم. مطابق شکل 1-3(الف)، صحنه متشکل از چهار پیکسل با وضوح بالا است. دوربین خیالی با حرکت کسری از پیکسل کنترل شده، متشکل از تنها یک پیکسل، قطاری از تصاویر را از این صحنه را ایجاد می­ کند. شکل­های 1-3(ب)-(ه)، چگونگی ایجاد این تصاویر را نشان می­دهد. البته هیچ کدام از این تصاویر با کیفیت پایین نمی‌تواند جزئیات تصویر زمینه­ای را نشان دهد. با فرض این که تابع نقطه گستر (PSF)[1] دوربین خیالی (که پدیده­ ماتی نوری در یک دوربین را مدل می­ کند) یک تابع خطی شناخته شده است، و سطح خاکستری تمام پیکسل­ های مرزی صفر است، معادلات زیر، تصاویر کم وضوح تار شده را با نوع وضوح بالا مربوط با می­سازد.
که  و ، تصاویر کم وضوح ، X مقادیر سطح خاکستری پیکسل در تصویر با وضوح بالا،H عناصرPSF  مشخص و v نویز تصادفی اضافه شده ازCCD  به فریم‌های کیفیت پایین است. در مواردی که نویز اضافه شده کوچک باشد، با حل مجموعه معادلات خطی فوق، می­توان مقادیر پیکسل وضوح بالا را بدست آورد. متأسفانه، همان‌طور که در بخش بعد خواهیم دید، فرض ساده مطرح شده در بالا به ندرت در شرایط واقعی معتبر خواهد بود.
فراتفکیک ­پذیری در بسیاری از زمینه‌ها مطرح می‌شود، مانند:
– ویدیو نظارتی [12،13] : بزرگ نمایی منطقه مورد نظر (ROI) در ویدئو برای درک انسان (به عنوان مثال دیدن پلاک خودرو در ویدئو)، افزایش وضوح تشخیص هدف اتوماتیک (به عنوان مثال سعی به تشخیص چهره جنایتکار) .
– سنجش از راه دور [14] : چند عکس از یک منطقه گرفته می‌شود، و یک تصویر با وضوح بهبود یافته را می‌توان یافت.
– تصویربرداری پزشکی (CT، MRI، اولتراسوند و غیره) [18-15] : چند تصویر با وضوح محدود را می‌توان به دست آورد، و روش SR می‌تواند به منظور افزایش وضوح استفاده شود.
– تبدیل استاندارد­های ویدئویی، به عنوان مثال تبدیل سیگنال ویدیویی NTSC به سیگنال HDTV.
با این حال، خواهیم دید که فراتفکیک­پذیری، مسئله­ای با محاسبات پیچیده­ و بدحالت است. تمامی این موارد فراتفکیک­پذیری را به یکی از جذاب‌ترین زمینه­ های تحقیقاتی در پردازش تصویر تبدیل کرده­است.
1-1- فراتفکیک پذیری به عنوان یک مسئله معکوس
الگوریتم‌های فراتفکیک پذیری در تلاشند تا تصویری با وضوح بالا را که توسط محدودیت‌های یک سیستم تصویربرداری نوری خراب شده است، بازسازی کنند. این نوع مسئله یک مثال از مسئله معکوسی است، که در آن منبع اطلاعات (تصویر با وضوح بالا) از داده ­های مشاهده شده (وضوح تصویر کم و یا تصاویر) تخمین زده می­ شود. به طور کلی، در حل مسئله­ معکوس نیاز به ساخت یک مدل رو به جلو است. رایج‌ترین مدل رو به جلو برای حل مسئله فراتفکیک پذیری، خطی و به صورت زیر فرموله می­ شود.
که در آن  تصویر و یا مجموعه ای از تصاویر کم وضوح،   تصویر مجهول با وضوح بالا و نویز تصادفی ذاتی در سیستم تصویربرداری است. در این رابطه تصاویر ورودی و خروجی سیستم را بصورت برداری در نظر گرفته و از نماد  و  برای تاکید بر برداری بودن تصویر خروجی و ورودی استفاده می­کنیم. در این فرمول، تصاویر به صورت بردار از جاروب تصاویر دو بعدی در امتداد سطرها بدست آمده­اند. ماتریس M در مدل مستقیم فوق نشان دهنده سیستم تصویربرداری، متشکل از فرایندهای متعددی است که بر کیفیت تصاویر تخمین زده شده اثر می­گذارد. ساده‌ترین شکل ماتریس M همانی است، که ساده‌ترین نوع این مسئله و بعنوان  یک مسئله حذف نویز ساده در نظر گرفته می­ شود.  مسائل جالب توجه تر (و سخت‌تر برای حل) را می‌توان با توجه به مدل‌های پیچیده تر برای M تعریف کرد. به عنوان مثال، برای تعریف مسئله فراتفکیک­پذیری در مقیاس خاکستری، یک سیستم تصویربرداری که شامل ماتی، تاری، و نمونه برداری با نرخ پایین از داده ­ها است را در نظر گرفتیم (در فصل 2 و 3 تعریف شده است). علاوه بر این، اضافه کردن فرایند فیلتر کردن رنگ به مدل قبل، ما را قادر به حل مسئله موزائیک زدایی[1] چند قابی که در فصل 4 تعریف شده، می­سازد.
[1] Demosaic
[1] Point Spread Function
[1] Super-Resolution
[2] Low Resolution
[3] High Resolution
[4] یک مسئله زمانی بدحالت (ill-posed) است که، الف) بی­نهایت جواب داشته باشد. ب) جواب منحصر بفرد نداشته باشد. ج) تغییر مقدار اولیه روی جواب نهایی بی­تاثیر باشد.
[1] Charge Coupled Device
[2] Complementary Metal-Oxide-Semiconductor

خرابیهای یک موتور قفس سنجابی را می توان به دو دسته الكتریكی و مكانیكی تقسیم ‌كرد.هر كدام از این خرابیها در اثر عوامل و تنش های متعددی ایجاد می گردند. این تنشها در حالت كلی بصورت حرارتی، مغناطیسی، دینامیكی، مكانیكی و یا محیطی می باشند كه در قسمت های مختلف ماشین مانند محور، بلبرینگ، سیم پیچی استاتور ، ورقه های هسته روتور واستاتور و قفسه روتور خرابی ایجاد می­كنند. اكثر این خرابیها در اثر عدم بكارگیری ماشین مناسب در شرایط كاری مورد نظر، عدم هماهنگی بین طراح و كاربر و استفاده نامناسب از ماشین پدید می­آید. در این قسمت سعی گردیده است ابتدا انواع تنشهای وارده بر ماشین، عوامل پدید آمدن و اثرات آنها بررسی گردد.
قبل از بررسی انواع تنشهای وارده بر ماشین القایی بایستی موارد زیر در نظر گرفته شود:
1- با مشخص كردن شرایط كار ماشین می توان تنشهای حرارتی، مكانیكی و دینامیكی را پیش بینی نمود و ماشین مناسب با آن شرایط را انتخاب كرد. به عنوان مثال ، سیكل كاری ماشین و نوع بار آن ، تعداد دفعات خاموش و روشن كردن و فاصله زمانی بین آنها ، از عواملی هستند كه تاثیر مستقیم در پدید آمدن تنشهای وارده بر ماشین خواهند داشت.
2- وضعیت شبكه تغذیه ماشین از لحاظ افت ولتاژ در حالت دائمی و شرایط راه اندازی و میزان هارمونیكهای شبكه هم در پدید آمدن نوع تنش و در نتیجه پدید آمدن خرابی در ماشین موثر خواهند بود.
2-1- بررسی انواع تنشهای وارد شونده بر ماشین القایی:
1-2-1- تنشهای موثر در خرابی استاتور:
الف ـ تنشهای گرمایی :این نوع از تنشها را می توان ناشی از عوامل زیر دانست:
– سیكل راه اندازی: افزایش حرارت در موتورهای القایی بیشتر هنگام راه اندازی و توقف ایجاد  می­ شود. یک موتور در طول راه اندازی، پنج

 تا هشت برابر جریان نامی از شبكه جریان می كشد تا تحت شرایط بار كامل راه بیفتد. بنابراین اگر تعداد راه اندازی های یک موتور در پریود كوتاهی از زمان زیاد گردد دمای سیم پیچی به سرعت افزایش می یابد در حالی كه یک موتور القایی یک حد مجاز برای گرم شدن دارد و هرگاه این حد در نظر گرفته نشود آمادگی موتور برای بروز خطا افزایش می یابد. تنشهایی كه بر اثر توقف ناگهانی موتور بوجود می آیند به مراتب تاثیر گذارتر از بقیه تنشها هستند.

– اضافه بار گرمایی:  بر اثر تغییرات ولتاژ و همچنین ولتاژهای نامتعادل دمای سیم پیچی افزایش می یابد.
بنابر یک قاعده تجربی بازای هر  %2/1-3 ولتاژ فاز نامتعادل دمای سیم پیچی فاز با حداكثر جریان خود، 25% افزایش پیدا می كند.
– فرسودگی گرمایی: طبق قانون تجربی با ºc10 افزایش دمای سیم پیچی استاتور عمر عایقی آن نصف  می شود. بنابراین اثر معمولی فرسودگی گرمایی ، آسیب پذیری سیستم عایقی است. 
ب ـ تنشهای ناشی از كیفیت نامناسب محیط كار : عواملی كه باعث ایجاد این تنشهامی شود به صورت زیر است:
– رطوبت
– شیمیایی
– خراش ( سائیدگی)[1]
– ذرات کوچک خارجی
ج ـ تنشهای مكانیكی: عواملی كه باعث ایجاد این تنشها می شوند به صورت زیر می باشند:
– ضربات روتور: برخورد روتور به استاتور باعث می شود كه ورقه های استاتور عایق كلاف را از بین ببرد و اگر این تماس ادامه داشته باشد نتیجه این است كه كلاف در شیار استاتور خیلی زود زمین  می­ شود و این به دلیل گرمای بیش از حد تولید شده در نقطه تماس می باشند.
– جابجایی كلاف: نیرویی كه بر كلافها وارد می شود ناشی از جریان سیم پیچی است كه این نیرو متناسب با مجذور جریان می باشد ( F∝ ). این نیرو هنگام راه اندازی ماكزیمم مقدار خودش را دارد و باعث ارتعاش كلافها با دو برابر فركانس شبكه و جابجایی آنها در هر دو جهت شعاعی و مماسی می­گردد.
Abrasion -1