امروزه تضمین توسعه پایدار هر کشور منوط به حفظ واستفاده بهینه از منابع محدود و غیر قابل جایگزین در آن کشور است و در این راستا اقدامات گوناگونی توسط دولت ها صورت گرفته است. بنابراین سازمان ها برای حفظ و تقویت توان رقابتی خود به هماهنگی و تلفیق همه فعالیتهای خود با موضوعات پایداری نیاز دارند. توجه به زنجیره تامین پایدار گامی است به سمت توسعه پیدار، زیرا زنجیره تامین محصول را از فرایندهای آغازی مواد خام تا تحویل به مشتری مورد توجه قرار میدهد. در ای مطالعه به منظور شناسایی مهمترین شاخص ها در این امر، از رویکرد توسعه عملکرد کیفی مه ابزاری توانمند در توسعه محصول و خدمات می باشد استفاده شده است و بر این اساس شاخص های طراحی نیز تعیین شده است. با توجه ومجود روابط درونی و بیرونی میان این شاخص ها و همچنین وجود ابهام و در این دست از مسائل از فرایند تحلیل شبکه در محیط فازی استفاده شده است. بر این اساسس با توجه به محدودیتهای هر سازمان در انجام این قبیل امور با ابستفاده از تحلیل پوششی داده ها مسئله مدل سازی و در نهایت نیازهای طراحی به ترتیب اولویت رتبه بندی میشود.

قطعه بندی تصویر، یک مساله پایه در بینایی ماشین است. در روش مبتنی بر برش نرمالیزه گراف (ncut)، حل این مساله به انتخاب بردار ویژه متناظر با دومین کوچکترین مقدار ویژه یک ماتریس خاص می انجامد. در این پایان نامه، ضمن بیان هم ارزی رابطه ریاضی حاکم بر مساله ی بدون مربیِ ncut با معیار fisher-rao در طبقه بندیِ با مربی، از نگاهی نو به مساله ی انتخاب بردار ویژه پرداخته شده است. در این پژوهش با پیشنهاد معیاری کارا از دیدگاه fisher-rao، به گزینش و مرتب سازی بردارهای ویژه در مساله هم ارز ncut آن پرداختیم. نتایج آزمایش هم ارزی قطعه بندی تصویر برپایه این دو معیار، ارایه قطعه بندی با اندازه ncut کمتر و گوناگونیِ ارزش گذاریِ بردارهای ویژه را نشان می دهد. همچنین در این پایان نامه، یک الگوریتم یادگیری اصلاح شده برای شبکه های توابع اساسی شعاعی پیشنهاد شده است که منجر به تعداد نرون های لایه میانی کمتری می شود در حالی که دقت طبقه بندی شبکه های توابع اساسی شعاعی را حفظ می کند. برای این منظور از روش خوشه بندی مبتنی بر برش نرمالیزه برای ساخت طبقه بندی کننده ی شبکه توابع اساسی شعاعی استفاده شده است. وزن های بین لایه ی نهان و لایه ی خروجی با استفاده از روش شبه معکوس محاسبه شده است.دقت روش پیشنهادی با روش متداول آموزش شبکه های توابع اساسی شعاعی مبتنی بر k-means مقایسه شده است. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در کاهش تعداد نرون های لایه میانی موثر است در حالی که دقت طبقه بندی را ثابت نگه می دارد. همچنین با استفاده از شبکه تابع اساسی شعاعی به قطعه بندی تصویر پرداختیم.