در این پروژه روشهایی برای جداسازی ساختارهای خاص ، مانند تالاموس و هسته قرمز از تصاویر‏‎mri‎‏ مغزی پیشنهاد شده است .این روشها برای جداسازی ساختارهایی با کنتراست پایین ، لبه های ضعیف و ناپیوسته طراحی شده اند . بعد از تحقیق در باره روشهای مختلف شناسایی وجداسازی ساختارها از روی تصاویر ، روشهای معرفتی و کانتورهای دینامیکی مبنای کار قرار گرفتند. روشهای معرفتی به علت ترکیب اطلاعات تصویر با اطلاعاتی مثل اطلاعات پزشکی یا اطلس ، دید وسیعی در شناسایی ساختارها ایجاد می کنند. یکی از مزایای مهم کانتورهای دینامیک ایجاد یک مرز بسته برای محدوده مورد نظر می باشد. سابقه مدلهای کانتور دینامیک به مدل مار بر می گردد . این مدل براساس تعریف یک تابع انرژی و یافتن حالت مناسب از طریق حداقل کردن انرژی عمل می کند. در مدل مار انرژی مدل ، که یک کانتور بسته یا باز است با حرکت آن به طرف جنبه های تصویری تعریف شده ، کاهش می یابد. وجه تسمیه این مدل نیز به همین علت است . روش پیشنهادی بر مبنای شناسایی مطمئن ساختارها توسط روشهای معرفتی و جداسازی دقیق ساختارها با کانتورهای دینامیک می باشد. روشهایی استاندارد لبه یابی ، توزیع انرژی مناسبی برای جداسازی ساختارهایی مانند تالاموس ایجاد نمی کنند. لذا در این پروژه روشی جدید جهت ایجاد توزیع انرژی مناسب برای استخراج ویژگیهای مطلوب از تصویر و در نتیجه یافتن صحیح حداقل محلی انرژی در موقعیتهای لبه و هدایت کانتور به سمت لبه های ساختار مورد نظر پیشنهاد شده است . همچنین راه حلهایی برای بعضی مشکلات اعمال مدل مار برای این کاربرد و کاربردهای مشابه ارائه شده است.

ماشین ‏‎(switched reluctance)‎‏‏‎sr ‎‏ برخلاف ماشینهای الکتریکی مرسوم صنعت مانند ماشینهای القایی و سنکرون ، بدون مبدل الکترونیک قدرت خود و سنجش موقعیت زاویه ای روتور قابل بهره برداری نیست. از اینرو طراحی قسمتهای اصلی محرکه ‏‎sr‎‏ شامل ماشین ، مبدل الکترونیک قدرت و سیستم کنترل چنان وابستگی تنگاتنگی با یکدیگر دارند که طراحی محرکه ‏‎sr‎‏ بصورت یک مسئله طراحی توام قسمتهای مختلف آن مطرح می شود. بعلاوه از نظر اقتصادی کاربرد این محرکه برای عملکرد در یک نقطه کار( سرعت ثابت و گشتاور ثابت ) مقرون به صرفه نبوده و خصوصیات خوب این محرکه ، بویژه نسبت بالای گشتاور بر اینرسی روتور و کنترل پذیری فوق العاده آن در کاربردهایی اهمیت می یابند که عملکرد کارآمد و مفید محرکه را در محدوده معینی از صفحه گشتاور - سرعت نیاز دارند.

دراین پژوهش ، ابتدا مرور مختصری بر روانشناسی یادگیری در انسان خواهد شد. سپس با الگوبرداری از روش یادگیری در انسان ، ساختاری برای کنترل هوشمند سیستمها ارائه خواهد شد. همچنین با استفاده از مفهوم همبافت و با توجه به تعریف عاملهای هوشمند ، یک ایده جدید برای کنترل سیستمهای با اهداف چندگانه پیشنهاد خواهد شد که این ایده مبتنی بر همبافت بوده و ساختار کنترلی آن ، بر مبنای روشهای یادگیری تقویتی و عاطفی می باشد. ضمن اینکه برای نشان دادن قابلیت ها و توانایی های ساختار پیشنهادی ، مثالهای متعددی برای شبیه سازی انتخاب شده و میزان عملکرد این روش مورد بررسی قرار خواهد گرفت.

حل مساله تخصیص بهینه منابع (انتخاب مجموعه سهام) بدون فرض مدل معین بصورت هوشمند و با استفاده از یادگیری عاطفی و یادگیری ‏‎q‎‏ با اهداف چند گانه هدف از این تحقیق می باشد.

شاخص بندی مخزن ، دامنه ای وسیع در مهندسی نفت دارد. یک استراتژی مدیریت موثر، تنها بعد از بدست آوردن تصویری جزئی شده و نسبتا واقعی از پراکندگی فضایی خصوصیات سنگ ، نظیر نفوذپذیری می تواند بکار گرفته شود. نفوذپذیری یکی از مهمترین ویژگیهای سازندهای هیدرکربن دار و یکی از اساسی ترین قطعه های اطلاعاتی در طراحی و مدیریت عملیات بالا بردن بازیافت است . شبکه های عصبی مصنوعی ، روشهای محاسباتی الهام گرفته از پدیده های بیولوژیکی هستند که توانایی یادگیری ، خودسازماندهی و فراگیری دارند و ابزارهای نیرومندی در حل مسائل تشخیص الگو هستند. در این مطالعه یک شبکه عصبی مصنوعی طراحی شده است که می تواند با صحت نفوذپذیری سازندی را با استفاده از داده های ایجاد شده توسط نمودارهای چاهی ژئوفیزیکی پیش بینی کند. همچنین روشهای مختلف برای تعیین نفوذپذیری از نمودارهای چاهی از یک نقطه نظر ویژه بحث و مقایسه شده است . این مطالعه در سازند میشریف در میدان سیری ‏‎d‎‏در جنوب ایران انجام گرفته است . داده های نمودار چاهی بطور فراوان برای نتیجه گیری نفوذپذیری در طول چاه های حفاری شده موجود هستند، لیکن اندازه گیری های مغزه تنها در تعداد کمی از چاههای میدان وجود دارند. در این تحقیق یک شبکه عصبی با استفاده از داده های مغزه و نمودارهای چاهی چند چاه طراحی شده است و سپس برای بقیه چاهها تعمیم داده شده است .

در طول سالیان گذشته ، تلاشهای زیادی در زمینه بهره برداری از یادگیری تقویتی به عنوان ابزار هوش مصنوعی و کنترل هوشمند صورت پذیرفته است و بر اثر موفقیت تحقیقاتی کاربرد یادگیری تقویتی در سیستم های کنترلی پردازشی ، تعداد زیادی از تحقیقات انجام یافته در دو دهه گذشته یادگیری عاطفی هم در سالهای اخیر دراین نوع کاربردها به طور موفقیت آمیز بکار برده شده است. هنگام تصمیم گیری در مورد چگونگی استفاده از سیگنال های عاطفی و تقویتی در سیستم های دینامیکی توجه به این موضوع حائز اهمیت است که مطلوبیت وضعیت کنونی ( و یا عدم مطلوبیت آن) از نظر امکان موفقیت یا شکست برای سیستم فقط بستگی به آخرین تصمیم اتخاذ شده ندارد و حالت فعلی براساس تصمیمات اتخاذ شده در آخرین دوره تا چند دوره قبل از آن حاصل شده است. لذا پاداش یا تنبیه مناسب با سیگنال تقویت یا سیگنال عاطفه به نحو مناسب در این دوره ها توزیع شده است. روش یادگیری تفاوت زمانی روشی است برای تخصیص اعتبار که در کاربردهای کنترلی عاطفی و تقویتی می تواند درافزایش قوام سیستم کنترل با پویایی بالا و به ویژه در مواردی چون سیستم های غیرکمینه فاز و سیستمهای با تاخیر موثر باشد.