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،

کلاسه بند بیزین ساده، یک مدل احتمالی است که بجای یافتن تابع جداکننده، احتمال شرطی میزان تعلق هر ویژگی به هر کدام از کلاس ها و احتمال هر کلاس در نظر گرفته

فرض می­کنیم که نمونه های آموزشی مربوط به کلاس های مختلف به صورت خطی جدا پذیراند[1]. در این صورت می توان بدون داشتن هیچ دانشی در مورد توزیع نمونه های آموزشی، بین

درخت الگوی مکرر گسترش یافته ساختارهای مبتنی بر درخت های پیشوندی[1] است [15، 16]. درخت الگوی مکرر نمایش فشرده ای از داده است که اطلاعات کاملی از داده های اصلی را در

روش کلاسه بندی بر اساس مجموع الگوهای نوظهور  CAEP[1][21] از آنجایی که الگوهای نوظهور، دانش تمایز بین کلاس های مختلف را نشان می دهد، آنها در ایجاد کلاسه بندی دقیق بسیار موثر

در مقایسه با قوانین انجمنی، الگوهای نوظهور قادر هستند که تمایلات نوظهور[1] در مجموعه داده های با محدودیت زمانی[2] را استخراج کنند و یا تمایزات مفید بین کلاس های مختلف را کشف

هدف از کلاسه بندی قوانین استخراجی، استخراج کردن مجموعه کوچکی از قوانین است تا یک کلاسه بند دقیق ساخته شود. الگوریتم های استخراج قانون مانند Apriori [61] و FPgrowth [15، 16] بکار

نفوذ دسته: این روش بر این فرض استوار است که یک تشکل دربرگیرنده چندین مجموعه همپوشان از زیرگراف‌های کاملا متصل است و تشکل‌ها را با جستجو در دسته‌های مجاور تشخیص می‌دهد. در