از گذشته دور بشر به دنبال راهی برای شخصی سازی اطلاعات و کارهای خود بود.با پیشرفت هر چه بیشتر تکنولوژی انسان به راههای جهت رسیدن به هدف خود که همان امنیت در اطلاعات است دست یافت.به عنوان مثال در اداره ای که سیستم حضور غیاب به صورت دستی نویس میباشد به وضوح شاهد هستیم که این اداره نمی تواند لیست کاملی اریه دهد و ممکن است به انحراف کشیده شود ولی اگر سیستم اداره را تغییر دهیم واز سیستم کارت هوشمند استفاده کنیم خواهیم دید که دیگر دچار مشکل نخواهیم شد ومیتوانیم لیست کاملی را ارایه دهیم.ولی بشر باز هم به دنبال امنیت بیشتر در ورود وخروج اطلاعات میباشد.باپیشرفت تکنولوژی و تحقیقات گسترده متخصصان روشی به نام بیومتریک ارایه شد که ورود و خروج اطلاعات بر اساس مشخصات فردی انجام میشود.مثلا با استفاده از صدا و اثر انگشت و چهره که در این روش امنیت به طور چشم گیری بالا میرود. امروزه نیز تامین امنیت یکی از شاخه های بسیار فعال علوم و تحقیقات است و با گسترش هر چه بیشتر ارتباطات و اشتراک منابع مال و فنی و نیاز به آن بیشتر احساس میشود روشهای به کار رفته در هر دوره قوت و ضعف فناوری را به همراه دارد .به طور کلی میتوان گفت در هر دوره ای بیشرفت های حاصل شده در روشهای شناسایی در جهت بالا بردن دقت و اتوماسیون بیشتر فرایندهای لازم بوده است.سیستم های کامپیوتری سرعت دقت و برنامه ریزیهای پیچیده را برای ما به ارمغان آورده است .در عصر ما روی اتوماسیون روش های سنتی و بهبود آنها با استفاده از توان پردازشی بالا و نسبتا ارزان سیستم های کامپیوتری تمرکز شده است.
فهرست:
مقدمه
معرفی علم بیومتریک
سیستمهای تشخیص هویت
بیومتریک چیست؟
معماری سیستمهای بیومتریک
پارامترهای مهم در سیستم های بیومتریک
تکنولوژیهای بیومتریک
بیومتریک در بانکهای ایران
روش های تشخیص هویت.
ترکیبات بیومتریک
اصول فناوری بیومتریک
کارایی سیستم ها در فناوری بیومتریک
امتیازات فناوری بیومتریک
امنیت فناوری بیومتریک
نرم افزار های تشخیص هویت
سخت افزار های تشخیص هویت
دنیای اینده
نتیجه گیری
سورس کد
شرح مختصر : این مقاله یک الگوریتم جدید به نام ID6NB را برای توسعه درخت تصمیم ، معرفی میکند که شامل الگوریتم ID3غیر افزایشی Quinlanاست. این الگوریتم راهحلهایی برای دو مشکل ذیل ارائه میکند: وضعیتی که در آن رای گیری اکثریت تصمیم نادرست میدهد (یعنی ساخت دو نوع قانون متفاوت برای داده یکسان.) کاهش ابعاد در الگوریتم غیر افزایشی درخت تصمیمگیری، تخمین صفت مناسب برای یک گره جایی که دو یا چند صفت بهره اطلاعاتی یکسانی دارند. مشکل اکثریت به کمک الگوریتم Naive Bayesحل میشود. برای کاهش ابعاد نیز یک راه حل ارائه شده است. در نهایت، دقت طبقه بندی به شدت بهبود یافته است. آزمایش گسترده و گسترش یافته در تعدادی از مجموعه دادههای واقعی و مصنوعی نشان میدهد که ID6NB یک الگوریتم دسته بندی state-of-the-art است که نسبت به سایر روشهای یادگیری درخت تصمیمگیری، خروجی بهتری دارد.
فهرست :
مقدمه
سیستم مبتنی بر دانش
تئوری اطلاعات و کلاس بندی
کاهش ابعاد و انتخاب ویژگی
قالب بندی مقاله
کارهای مرتبط
وضعیت مسئله
کارهای پیشنهادی
رخداد استثنا در کاهش ابعاد طول
حل و فصل رخداد استثنا در کاهش ابعاد
رخداد استثنا به علت شکست رای گیری اکثریت
حل مسئله رد رای گیری برچسب کلاس جایی که رای گیری اکثریت با شکست مواجه می شود
قوانین Beta و Alpha
نتایج تجربی و ارزیابی عملکرد
ارزیابی عملکرد بررسی مجموعه داده های Monk
کاهش ابعاد
دقت پیش بینی
نتایج پیاده سازی
نتیجه گیری
اولین فایل شبیه سازی عالی در زمینه جایابی بهینه UPFC با الگوریتم ژنتیک;. براساس تماس های مکرر درخواست چنین فایلی شبیه سازی در زمینه جایابی UPFC در ضمیمه ارائه شده است. در این زمینه مقالات بسیاری منتشر شده که یکی از آنها را به عنوان مرجع مناسب در یادگیری ارائه می نماییم. این مرجع را می توانید از ادرس زیر دانلود نمایید. این شبیه سازی بر روی سیستم استاندارد اجرا شده است. شما می توانید داده های سیستم ورودی را تغییر دهید و بر روی سیستم دلخواهی انجام دهید. شبیه سازی اجرا شده و خروجی هم به دست آمده که در تصویر کنار نشان داده شده است.
http://www.sciencedirect.com/science/article/pii/S014206151500006X