عنوان پایان‌نامه
کاربرد نظریه ترکیب اطلاعات در مدیریت بحران
- رشته تحصیلی
- مهندسی کامپیوتر- آلگوریتم ها و محاسبات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 8.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 42451
- تاریخ دفاع
- ۰۸ مهر ۱۳۸۸
- دانشجو
- مریم لطفی شهرضا
- استاد راهنما
- دارا معظمی
- چکیده
- خطر وقوع حوادث طبیعی و غیر مترقبه همواره وجود داشته و دارد ، هرچند فناوری روز به روز در حال پیشرفت بوده و ما را از دلایل وقوع این گونه حوادث آگاه تر می سازد ، اما هنوز دانش و فناوری جهت ممانعت از وقوع چنین حوادثی وجود ندارد و تنها راه مقابله با این بحرانها مدیریت هر چه بهتر آنها است. از طرف دیگر با توجه به پیچیدگی مسائل مدیریت بحران به دلیل دخالت عوامل متعدد در آن به نظر می رسد به کارگیری روشهای کامپیوتری می تواند در کمک به پیشبرد سریعتر و بهتر مدیریت بحران در کشور کمک شایان ذکری نماید. ترکیب اطلاعات یکی از مناسب ترین روشها در جهت دستیابی به اطلاعاتی مفید و با حداکثر اطمینان می باشد. در هنگام بررسی یک موضوع، اگر از تعداد منابع متعددی استفاده شود، می توان ابعاد مختلفی از موضوع را پوشش داد و احتمالاً به شناخت بهتری نسبت به آن دست یافت. روشهای معروف به "سیستم های خود سازمانده" به دلیل خواصی که دارند، در مسائل مربوط به ترکیب اطلاعات مورد توجه قرار گرفته اند. در این پژوهش سعی شده است تا برمبنای سیستم های خود سازمانده، روشی به منظور تشخیص علائم وقوع یک حادثه طبیعی ارائه شود. روش پیشنهادی در واقع یک روش تشخیص ناهنجاری است که با ترکیب اطلاعات حاصل از منابع مختلف، شرایط غیرعادی را از شرایط عادی تفکیک می نماید. به منظور افزایش کارایی سیستمهای خود سازمانده، ضمن اصلاح تعدادی از پارامترهای اصلی آن تلفیقی از نگاشت خودسازمانده و الگوریتم بهینه سازی تجمع ذرات مورد استفاده قرار گرفته است. این روش از جمله روشهای بدون نظارت محسوب می شود که ضمن سادگی و سرعت بالا، به سهولت در زمینه های مختلف قابل پیاده سازی می باشد. در این روش اطلاعات حاصل از منابع مختلف مستقل از یکدیگر تصور نشده و همین امر در افزایش کارآیی آن موثر بوده است.
- Abstract
- Due to the increasing frequency of disasters worldwide, crisis management is one of the most importance challenges. It is proved that information fusion methods can lead to good results in this area. Self-Organizing Maps (SOMs) are the most well known unsupervised neural network approach to clustering. It is very efficient in handling large and high dimensional datasets. It can be used to reduce the dimensionality of sensor signals while preserving their topological relationships so that sensory information from different sources can be efficiently fused. We use one other algorithm in order to improving the results of Self-Organizing Map, it is Particle Swarm Optimization (PSO) discovered through simplified social model simulation. It is effective in nonlinear optimization problems and easy to implement. In this research we integrate these two methods and introduce new method for anomaly detection. We have a discussion about our method and compare its results with some other methods and show that it works better than them. Here we implemented it for crisis management as early warning earthquake system and forest fire detection. We show that our algorithm is simple and there is no complex. Furthermore it does not consider information from different sources independent of each other and this causes more accurate results. We can apply it in different domains of anomaly detection. In fact it is a generic method for anomaly detection and needs small changes for implementing of different domains. ? Universit
