پیش بینی دقیق بار یکی از نیازهای اساسی بازیگران بازار برق است. به علت تأثیر عوامل مختلف، بار دارای رفتار به شدت غیرخطی است. به طور معمول پیش بینی بار از نظر طول مدت افق برنامه ریزی، به چند صورت کوتاه مدت ، میان مدت و بلند مدت بار طبقه بندی شده است. پیش بینی بار کوتاه مدت(stlf) از زمان ظهور بازارهای انرژی رقابتی به طور فزاینده نقش مهمی پیدا کرده است و بیشتر پیش بینی های بار به صورت کوتاه مدت می باشند. انواع زیادی از روش ها و ایده ها برای پیش-بینی بار با درجه های موفقیت مختلف بکار می روند که آنها را می توان به دو دسته عمده طبقه بندی کرد. روش های آماری شامل روز مشابه (ساده)، هموار سازی نمایی، رگرسیون و سری زمانی و روش های بر پایه هوش مصنوعی (غیر پارامتریک)، مانند شبکه های عصبی، منطق فازی، سیستم های خبره و ماشین بردار پشتیبان. یکی از روش های مناسب برای بررسی این نوع مسائل، روش ماشین بردار پشتیبان است که به طور موفقیت آمیزی در رگرسیون های غیرخطی استفاده شده است. در این پایان نامه با استفاده از روش ماشین بردار پشتیبان به پیش بینی کوتاه مدت بار پرداخته شده است. داده های که در اینجا برای پیش بینی بار مورد استفاده قرار گرفته است، داده های شبکه eunite می باشد که یک پایگاه داده برای ارزیابی دقت روش -های پیش بینی بار است. از طرفی با توجه به اینکه میزان دقت ماشین بردار پشتیبان به تعیین پارامترهای آن بستگی دارد لذا باید پارامترهای آن ر ا بهینه سازی نماییم. برای تعیین پارامترهای svm از روش بهینه سازی جدید الگوریتم رقابت استعماری (ica) استفاده شده است. در پایان نتایج به دست آمده با روش های جدید ارائه شده در مقالات که از داده های مشابه برای پیش بینی بار استفاده کرده اند، مقایسه شده است. مقایسات انجام شده نشان می دهد که از روش ارائه شده پیش بینی بهتری حاصل شده است.

دربازارهایبرققیمتانرژیالکتریکیدرطولروزمتغیر می-باشد.اینموضوعبرنامهریزیومدیریت مصرفمشتریان راتحت-الشعاعقراردادهاست.مصرفکنندگانانرژی الکتریکیجهتمدیریتمصرفبهینهنیازمندبهدانستن قیمتانرژیالکتریکیدرساعاتآیندهمی باشند . اینامر پیشبینیقیمتبرقرابرایمصرفکنندگانضرورینموده است. پیشبینیقیمتانرژیالکتریکیازپیچیدگیبیشتری نسبتبهپیشبینیباربرخورداراست. بارشبکهدرطولیکشبانهروزتغییراتزیادیدارد . به همیندلیلتولیدکنندگاندرساعاتمتفاوتقیمت های متفاوتیرابهبازارپیشنهادمی کنند. لذاقیمتانرژیالکتریکی نیزدر24ساعتبسیارمتغیرمی باشد. ازاین روبرایافزایش دقتپیشبینیاستفادهازمدل هایمختلفبرایساعات مختلفروزمعقولبهنظرمی رسد.در این تحقیق ما نیز بر آن شده ایم که بر اساس روش ماشین های بردار پشتیبان، روشی را برای پیش بینی قیمت برق ارائه دهیم.برای بهبود خطای پیش بینی هفتگی، از الگوریتم تکاملی بهینه سازی گروه ذرات، استفاده شده است. ورودی که برای مدل پیش بینی در نظر گرفته شده است، تاریخچه قیمت، بار، تقاضا و دما در 1200 ساعت قبل می باشد و خروجی مدل نیز قیمت ساعت بعد می باشد. نتایج حاصل از شبیه سازی، که برای داده های بازار مرکزی اسپانیا در سال 2002 و در محیط مطلب انجام شده است، نشان از کارایی مدل svm-pso برای پیش بینی قیمت برق دارد.

شناسایی اتوماتیک چهره انسان به عنوان یکی از فعالترین زمینه های تحقیقاتی بازشناسی الگو و بینایی کامپیوتر بدلیل کاربردهای فراوان آن در عرصه های مختلف مانند تشخیص هویت، جرم شناسی، تصدیق هویت کارتهای اعتباری، سیستمهای نظارت اتوماتیک و تعامل هوشمند انسان و کامپیوتر، با سرعت زیادی در حال توسعه می باشد. با وجود اینکه رویکردهای مختلف و متعددی برای شناسایی چهره پیشنهاد شده، همچنان مبحث عمومی شناسایی چهره به دلیل مشکلات مربوط به آن و مرتبط با تغییرات شرایط محیط (تغییرات جهت تابش نور و میزان روشنایی)، تغییرات رفتار شخص (تغییر حالات چهره و تغییرات زاویه دید)، پوشیدگی و پیر شدن (گذشت زمان)، یک مساله حل نشده است. با وجود اینکه سیستمهای مختلفی برای شناسایی چهره پیشنهاد شده، توجه اندکی به روشهای شناسایی چهره مبتنی بر گشتاورها شده است. در این رساله، یک رویکرد شناسایی چهره جدید مبتنی بر "آرایه گشتاور شبه زرنیک قطعه ای وزندار شده وفقی" به منظور غلبه بر مشکلات فوق برای شناسایی تصاویر چهره تمام رخ در یک محیط بدون قید و محدودیت، هنگامیکه فقط یک نمونه از تصویر هر شخص در دسترس می باشد، پیشنهاد شده است. در این رویکرد هر تصویر چهره بصورت آرایه ای از گشتاورهای شبه زرنیک استخراج شده از تصویر چهره ناحیه بندی شده توصیف می شود که شامل اطلاعات گشتاور مربوط به نواحی محلی می باشد. همچنین یک روش وزندهی وفقی برای تخصیص وزنهای مناسب به هر گشتاور شبه زرنیک قطعه ای، بمنظور تعیین سهم هر ناحیه محلی چهره در شناسایی، در قالب میزان اطلاعات هویتی که هر ناحیه دارد و شباهت آن ناحیه به ناحیه با پوشیدگی، استفاده شده است. آزمایشهای وسیعی با استفاده از پایگاههای داده تصاویر چهره ar و yale، در شناسایی چهره تحت شرایط ایده آل (کنترل شده)، روشنایی مختلف، حالات متفاوت چهره و پوشیدگی موضعی انجام شده و کارایی سیستم پیشنهادی با کارایی چهار سیستم محک (benchmark) مقایسه شده است. نتایج تجربی امیدبخش بدست آمده بیان کننده این مطلب است که رویکرد پیشنهادی نسبت به روش گشتاور شبه زرنیک سراسری بصورت فوق العاده قابل توجهی تحت شرایط ایده آل (کنترل شده)، تغییرات روشنایی، حالت متفاوت چهره و پوشیدگی موضعی حتی با زمان محاسباتی کمتری، دارای درصد شناسایی بیشتری می باشد. همچنین نشان داده شده است که روش پیشنهادی دارای دقت بیشتری از روش eigenface (روش معیار و مرجع در اغلب مقایسات شناسایی چهره) و روش محلی modular pca، در اغلب آزمایشها، می باشد. ارزیابی کارایی تحت شرایط با پوشیدگی موضعی نیز نشان می دهد که الگوریتم پیشنهادی با روش احتمالاتی محلی، که یکی از بهترین رویکردهای شناسایی چهره تحت شرایط پوشیدگی محلی است، قابل مقایسه می باشد. این تحقیق نشان می دهد که گشتاورها می توانند به صورت موفقیت آمیزی برای شناسایی چهره استفاده شوند و رویکرد پیشنهادی مبتنی بر ناحیه (قطعه) "آرایه گشتاور شبه زرنیک قطعه ای وزندار شده وفقی" یک روش جدید برای توصیف و شناسایی چهره در شرایطی که از هر شخص فقط یک تصویر وجود دارد، فراهم می آورد.