بازار سهام یک سیستم غیر خطی با دینامیک بسیار پیچیده است. زیرا دینامیک این سیستم را انسان ها ایجاد می کنند. شبکه های عصبی بر اساس توانایی آن ها در مدل سازی روابط غیر خطی میان داده های ورودی-خروجی، ابزار مناسبی برای مدل کردن و پیش بینی سیستم ها با دینامیک غیر خطی و پیچیده هستند. بنابراین انتظار می رود این شبکه ها برای پیش بینی بازار سهام کارآمد باشند. در تحقیقات پیشین مطالعات زیادی بر روی بازار بورس تهران انجام شده است اما در این سیستم ها بیشتر بازار بورس در کوتاه مدت مدل می شود. به طور مثال قیمت سهام در بازه 3 روز آینده پیش بینی می گردد و همچنین از شبکه های عصبی ترکیبی به ندرت برای پیش بینی قیمت ها در بازار بورس تهران استفاده شده است. در این پایان نامه مدل هیبرید جدیدی قیمت سهام بازار بورس تهران را در دو بازه کوتاه مدت (یک و سه و پنج روز) و بلندمدت (تا سی روز) پیش بینی می کند.روش هیبرید استفاده شده در این کار تاکنون در پیش بینی بازار بورس استفاده نشده است و یک روش دینامیکی می باشد که با توجه به خطاهای دو سیستم ، وزن های خود را تعیین می کند. ورودی های استفاده شده قیمت سهام چند روز گذشته و امروز است. نتایج تحقیق با خروجی شبکه های عصبی استاندارد دیگر مانند شبکه های پرسپترون چند لایه ،شبکه های عصبی بازگشتی و مدل سری های زمانی مقایسه شده است. نتایج حاکی از آن است که استفاده از روش هیبرید جدید پیشنهادی باعث افزایش راندمان در مدل های دیگر می شود.در مدل های استفاده شده در این پایان نامه، مدل هیبرید anfis-arima بهترین نتایج را در بین تمامی مدل ها داشته است. همچنین در این پایان نامه از داده های چندین شرکت به عنوان ورودی استفاده شده و نتایج مدل های ارائه شده برای شرکت های مختلف با هم مقایسه شده است ..

ناتوانی های حرکتی ناشی از آسیب های نخاعی، یکی از بیماری هایی است که تاثیر زیادی در کاهش کیفیت زندگی بیماران دارد. تمرین های مستمر توان بخشی می تواند در این گونه بیماران سودمند واقع گردد. با این وجود شیوه های متداول توان بخشی، هزینه بر و نیازمند نیروی انسانی زیاد است. استفاده از روبات های توان بخشی با هدف حذف این موانع به سرعت در حال گسترش می باشد. از این رو اعمال شیوه های کنترلی مناسب که بتواند به طور موثر در کنترل روبات مورد استفاده قرار گیرد، مورد توجه می باشد. وسایل مرسوم دارای این عیب هستند که تنها قادر به تولید یک الگوی حرکتی از پیش تعیین شده می باشند. تحقیقات روی استراتژی های بیمار-مشارکتی در تلاش است تا رفتار روبات را در جهت افزایش فعالیت بیمار حین تمرین بهبود بخشد. در این تحقیق یک استراتژی بیمار-مشارکتی ارائه شده است که به بیماران امکان تاثیرگذاری روی زمان بندی حرکت خود را می دهد. دیوارهای مجازی کشسان موقعیت پاهای بیمار را درون یک تونل حول مسیر فضایی صحیح حفظ می کنند. یک گشتاور اضافی حمایتی در داخل تونل، بیمار را قادر می سازد تا علی رغم ضعف در سیستم ماهیچه ای و عصبی، سیکل حرکت خود را کامل کند. نتایج شبیه سازی بر روی داده های افراد سالم و بیمار نشان می دهد که تغییرپذیری زمانی و فضایی الگوی گام در مقایسه با رهیافت های قبلی بطور قابل ملاحظه ای افزایش یافته است.

در این پژوهش ساختار سلسله مراتبی توزیع شده دوسطحی به عنوان ساختار کنترلی برای حل مسئله کنترل آرایش گروهی چهارپره ها در نظر گرفته شده است. در سطح پایین کنترل کننده از کنترل پیش بین مدل به منظور دنباله روی از مسیر مرجع تولید شده توسط سطح بالا و پایداری وضعیت چهارپره استفاده شده است. در این سطح از روش مجموعه فعال برای بررسی قیدهای عملی بر روی چهارپره استفاده شده و توابع لاگر به منظور کاهش پارامترهای سیگنال کنترلی و همچنین افزایش سرعت سامانه حلقه بسته، بکار برده شده است. به منظور پایداری حلقه بسته سامانه کنترلی چهارپره، روشی بر پایه تغییر ضرایب وزنی تابع هزینه و استفاده از ضرایب نمایی ارائه می شود. در سطح بالایی چهارپره، هدف طراحی کنترل کننده ای برای تولید مسیر مرجع به منظور عبور از موانع، جلوگیری از برخورد با کارگزاران دیگر و کنترل آرایش می باشد. در این سطح از کنترل کننده مشارکتی پیش بین مدل توزیعی استفاده شده است که طراحی این کنترل کننده مشارکتی بر پایه پیش بینی رفتار هر کارگزار توسط کارگزار دیگر به منظور ایجاد آرایش مطلوب و جلوگیری از برخورد با یکدیگر می باشد. برای بهینه سازی توابع هزینه در این سطح، از روشی مشارکتی بر پایه بهینه سازی ازدحام ذرات بهره گرفته شده است که با انتقال اطلاعات بین کارگزاران در هر تکرار این الگوریتم، در نهایت منجر به پایداری نش در سامانه می شود. همچنین با تعریف تابع هزینه ی پایانه ای پایداری حلقه بسته سامانه تضمین می شود.