به منظور تحلیل سینوپتیکی و تعیین منابع رطوبتی حوضه¬های اترک و گرگانرود از داده¬های بارشی روزانه 5 ایستگاه سینوپتیک در سطح منطقه طی دوره آماری 6 ساله(2002-1997) استفاده شد و نقشه-های هوای سطوح 1000، 850، 700 و 500 هکتوپاسکال برای پارامترهای نم¬ویژه، جهت باد و ارتفاع ژئوپتانسیل استخراج گردید. داده¬های شبکه¬بندی شده مربوط به روزهای با بارندگی بیش از 7 میلیمتر نیز از سایت noaa استخراج شد. پس از تحلیل عاملی نسبت به خوشه¬بندی این داده¬ها اقدام گردید و در آخر الگوهای سینوپتیکی که باعث ایجاد بارندگی¬ها در منطقه شده است، استخراج شدند. نتایج نشان می¬دهد علاوه بر این که دریای خزر حداکثر رطوبت بارندگی¬های منطقه را تأمین می¬کند، دو منبع رطوبتی دریای سرخ و منابع جنوبی(دریای عمان و خلیج¬فارس) تأثیر چشمگیری در تأمین رطوبت بارندگی¬های منطقه داشته¬اند. الگوهای استخراجی برای روزهای بارشی سطح زمین حکایت از تقابل یک مرکز پر¬فشار نسبتاً قوی در سمت غرب یا شمال¬غرب و مرکز کم¬فشار نسبتاً ضعیفی در مرزهای شرقی ایران دارد ضمن این¬که در سطح 500 هکتوپاسکال حضور یک فرود همواره مشهود بوده است.

در سال های اخیر، کاراتر سازی روش های انتخاب خصیصه به صورت رو به رشد مورد توجه بوده اند. تحقیقات انجام شده به منظور کاهش هزینه ی محاسبات و همچنین کاهش ریسک تطابق بیش از حد مطالعه شده اند. در راستای کاهش بعد خصیصه ها از بین همه ی الگوریتم -ها روش های پیشرونده به دلیل هزینه ی محاسباتی کم بسیار کارا هستند. در این رساله دو الگوریتم پیشرونده ی جدید بر اساس مقدار افزایش اطلاعاتی که با حضور هر خصیصه خواهیم داشت ارائه شده است. این الگوریتم ها سعی دارند خصیصه های حاوی بیشترین اطلاعات را یافته و انتخاب کنند. از طرف دیگر با غلبه بر محدودیت های الگوریتم های ترتیبی پیشرونده و پسرونده سعی می کنند زیرمجموعه ای را انتخاب کنند که خصیصه های آن بیشترین استقلال را داشته باشند. برای بررسی میزان خوبی خصیصه هایی که انتخاب می شوند از طبقه بندی کننده ی نزدیکترین همسایه استفاده شده است. این طبقه بند وابسته به معیار فاصله ای که برای یافتن نزدیکترین همسایه به کار می برد می باشد. در همین راستا یک نسخه ی تصحیحی برای حذف این وابستگی پیشنهاد شده است که از رای گیری بین سه فاصله نتیجه ی خود را برای نمونه ی آزمایشی اعلام می کند. نتایج، بهبود قابل توجه صحت طبقه بندی نسبت به روش های شناخته شده راروی داده های uci نشان می دهند. دلیل این بهبود، کارایی الگوریتم های جدید معرفی شده است و از سویی دیگر طبقه بند پیشنهادی تصمیم پایدارتر و ثابت تری در انتخاب کلاس نمونه ی آموزشی نسبت به نسخه ی استاندارد آن می گیرد. در یک آزمایش دیگر روش های پیشنهادی در تشخیص دو دسته بیماری روانی ( دو قطبی و اسکیزوفرنی) که در پزشکی تشخیص کمّی روی آن ها وجود ندارد به کار برده شده است.این مطالعه آماری روی این دو بیماری برای اولین بار ارائه شده است.

هدف اصلی از انجام این پژوهش طراحی یک سیستم کنترلی هوشمند برای فرآیند سبقت گیری با در نظر گرفتن رفتار ریزساختار رانندگان است. در این پژوهش، مدل سازی، شبیه سازی و کنترل رفتار سبقت-گیری مورد توجه قرار گرفته است. مدل سازی این رفتار بر مبنای داده های واقعی خواهد بود و بر خلاف مدل-های موجود، از مقدار لحظه ای تمامی پارامتر ها استفاده می شود. سپس با استفاده از این داده های واقعی، به جای طراحی مدلی بر مبنای معادلات ریاضی، مدلی بر مبنای ورودی-خروجی طراحی می کنیم که با توجه به غیرخطی بودن رفتار سبقت گیری رویکرد مناسب تری برای مدل کردن این رفتار می باشد. در ابتدا، برای مدل-سازی این رفتار، با استخراج پارامترهای مورد نیاز از مجموعه ی داده های واقعی، ابتدا یک مدل شبکه عصبی برای مسیرحرکت رفتار سبقت گیری طراحی می شود. سپس، در ادامه، دو مدل پیش بین بر اساس سیستم استنتاج تطبیقی فازی-عصبی چند ورودی-چند خروجی (manfis) طراحی می گردد. بعد از طراحی مدل-ها، با مقایسه ی خروجی آن ها با رفتار واقعی، استفاده از معیارهای خطای مختلف و مقایسه با خروجی مدل-های دیگران، عملکرد مدل ها سنجیده می شود. نتایج نشان می دهند که مدل های ارائه شده از لحاظ مختلف نسبت به مدل های موجود برتری دارند. بعد از مدل سازی دینامیک سیستم، یک کنترل کننده فازی برای هدایت مسیرحرکت خودروی سبقت گیرنده در بزرگراه های شهری با جریان ترافیک یک طرفه ارائه می شود. اعتبارسنجی و صحه گذاری کنترل کننده ارائه شده به صورت کامل با مقایسه با رفتار واقعی راننده انسانی و استفاده از معیارهای خطای مختلف صورت می پذیرد. نتایج حاصل نشان می دهند که کنترل کننده ارائه شده قادر است به خوبی مسیرحرکتی مشابه مسیرحرکت مطلوب ارائه دهد. هم چنین، کنترل کننده طراحی شده قادر است با اصلاح اشتباهات رفتار یک راننده انسانی، نکات لازم را ایمنی سرنشینان و خودروها رعایت کند.