در دهه اخیر با توجه به بالا رفتن سرعت شبکه های کامپیوتری، روش های نظارت و شناسایی مبتنی به جریان شبکه بسیار مورد توجه قرار گرفته اند. به طوری که تولید کنندگان […]

دیوار آتش، از اجزای لاینفک شبکه‌های کامپیوتری می باشد که از دستیابی غیر مجاز به شبکه‌ جلوگیری می‌کنند. این سیستم امنیتی معمولاً ترکیبی از سخت‌افزار و نرم‌افزار است و با توجه به

این سیستم‌های که با عنوان سیستم های شناسایی و جلوگیری از نفوذ هم شناخته می‌شوند، ابزاری برای امنیت سیستم ها هستند که فعالیت‌های موجود در شبکه و یا سیستم را برای تشخیص

این سیستم ها وظیفه شناسایی و تشخیص هر گونه استفاده غیرمجاز به سیستم، سوء استفاده و یا آسیب رسانی توسط کاربران داخلی و یا خارجی را بر عهده دارند. تشخیص و جلوگیری

1-1- رديابي چهره و اجزاي آن تقريبا در تمام سيستم‏هاي نظارت چهره راننده، پس از آشکارسازي چهره رديابي آن انجام مي‏گيرد. رديابي چهره به جاي آشکارسازي آن در فريم‏هاي متوالي باعث کاهش

در سيستم‏هاي نظارت چهره راننده کمتر از ويژگي‏هاي ساير اجزاي چهره مانند بيني و لب‏ها استفاده شده، اما در اين بخش مروري کوتاه بر روش‏هاي آشکارسازي بيني و لب خواهد شد. معمولا

در روش‏هاي کنوني براي استخراج ويژگي‏هاي خستگي و عدم تمرکز حواس راننده از تصوير چهره، ابتدا بايد اجزاي چهره آشکارسازي شود. تقريبا در تمام سيستم‏هاي نظارت چهره راننده از ويژگي‏هاي ناحيه چشم

معمولا اولين بخش از نرم‏افزار هوشمند در سيستم‏هاي نظارت چهره راننده، مربوط به آشکارسازي چهره است. در سيستم‏هايي که خستگي و عدم تمرکز حواس را از پردازش ناحيه چهره مشخص مي‏کنند، آشکارسازي

يک سيستم نظارت چهره راننده از سه بخش عمده شامل بخش تصويربرداري، بخش سخت‏افزار و پردازنده و بخش نرم‏افزار هوشمند تشکيل شده است. هر يک از بخش‏هاي اين سيستم، نقش سازنده و

مهمترين روش‏هاي استفاده شده براي تشخيص خستگي راننده عبارتند از: روش‏هاي مبتني بر سيگنال‏هاي بيوالکتريکي و عصبي، روش‏هاي مبتني بر نحوه رانندگي و کنترل خودرو، روش‏هاي مبتني بر نظارت چهره راننده و

3-3-1- استفاده از الگوریتم های تکاملی در ساختار IDSS از جمله سیستم های تصمیم همیار هوشمندی که در ساختار خود از الگوریتم های تکاملی استفاده نموده، سیستمی است که به منظور حل

روند سلسله مراتبی تحلیلی ، یک تکنیک اخذ تصمیم چند معیاری است که بطور گسترده ای برای چارچوب بندی و حل مسائل تصمیم گیری، بکار برده می شود، این روش، با استفاده

این مدل [7]، یک روش ساده ولی منعطف است که برای بررسی ناسازگاری­ هایی که در آنها دو و یا تعداد بیشتری تصمیم گیرنده در رابطه با یک موضوع، اختلاف دارند، طراحی

در این مدل، عامل­های موجود در محیط با یکدیگر رقابت و راه­حل­هایی را برای مقادیر متغیرهای تصمیم برای عامل رفع ناسازگاری فراهم می­کنند و این عامل یک راه­حل را از میان آنها

در این مدل، تابع هدف به صورت یک تابع خطی از متغیر­های تصمیم در نظر گرفته می­شود که این متغیرها به وسیله­ی عامل­های مختلف موجود در مسئله فراهم می­گردد. صورت کلی این

مقدمه رفع ناسازگاری، یک استراتژی، جهت انتخاب ترتیب اجرای قوانین است هنگامی که بیش از یک قانون بتواند اجرا شود. به طور کلی، در سیستم­هایی که رفع ناسازگاری در روند استنتاج آنها

به طور کلی، اخذ تصمیم، یکی از مهم­ترین و حساس­ترین فعالیت­هایی است که در هر سازمان و یا تشکیلاتی صورت می­گیرد] 48[. برای پشتیبانی و حمایت از این روند پیچیده، دسته­ی متنوعی

کلاسه­بند Knn، یک الگوریتم کلاسه­بندی تنبل[1] یا مبتنی بر نمونه[2] است. بر خلاف سایر الگوریتم­های کلاسه­بندی ها، این الگوریتم هیچ مرحله آموزشی[3] نداشته و نمونه­های آموزشی را تا وارد شدن نمونه تست،