در این پایان نامه یک سیستم عصبی- فازی سلسله مراتبی- مکملی برای کلاسه بندی داده های بسیاربعدی بیان ژن معرفی می شود. در سال های اخیر تکنولوژی ریزآرایه، امکان مانیتورینگ بیان هزاران ژن را بطور همزمان فراهم کرده است. داده های سطوح بیان ژن اطلاعات ارزشمندی در مورد شبکه های بیولوژیک، حالات سلولی و فهم چگونگی رفتار ژن ها دربردارد. یک هدف از تحلیل داده های بیان ژن تعیین چگونگی تأثیر بیان هر ژن منفرد روی بیان ژن های دیگر در همان شبکه ژنتیکی است. هدف دیگر مشخص کردن این نکته است که چگونه ژن ها در سلول های سالم و بیمار بیان می شوند. کاربرد عملی پروفایل بیان ژن ریزآرایه، مدیریت و کنترل سرطان و بیماری های عفونی است. داده های سری زمانی ریزآرایه به صورت یک ماتریس عددی با هزاران سطر(ژن/ویژگی) و چند ده ستون(زمان/ارگان/شخص) هستند. اگرچه امروزه روش های کلاسه بندی استاندارد بسیاری وجود دارد ولی به دلیل تعداد زیاد ویژگی در داده های بیان ژن و در عین حال تعداد کم نمونه در آنها اغلب آنها با مسئله تطبیق بیش از حد مواجه می شوند. در این پایان نامه الگوریتم یادگیری سلسله مراتبی - مکملی که ملهم از روش زیستی- روانشناسی انسان در شناسایی الگو می باشد، مطرح و پیاده سازی می شود. در رویکرد مکملی، داده ها باتوجه به تعداد کلاس های خروجی به چند دسته تقسیم می شوند، سپس فرآیندها بطور موازی بر روی داده های هر دسته انجام می شود. در ساختار سلسله مراتبی نیز یک مسئله ترکیبی و پیچیده به چندین زیرمسئله ساده تر که بطور سلسله مراتبی با یکدیگر در ارتباطند تبدیل می شود. در پایان پیشنهاداتی برای بهبود سیستم سلسله مراتبی-مکملی مزبور ارائه می شود. در پیشنهادات ارائه شده ابتدا برای کاهش ابعاد روش فازی-راف معرفی و استفاده می شود که روشی ریاضیاتی و نوین در انتخاب ویژگی می باشد. سپس سه ساختار برای طراحی سیستم کلاسه بندی پیشنهاد می شود که شامل سه تغییر در ساختار سیستم سلسله مراتبی می باشد. در انتها نتایج بدست آمده از شبیه سازی روش های پیشنهادی، بهبود قابل ملاحظه ای را در مقایسه با برخی از الگوریتم های ارائه شده در کلاسه بندی داده های ریزآرایه بیان ژن نشان می دهند.

ساختار پیچیده بافت های مختلف مغز و مشکلات متنوعی که در فرآیند تصویر برداری ام آر آی وجود دارد، قطعه بندی تصاویر مزبور را با مشکل عدم قطعیت روبرو نموده است. بخشی از عدم قطعیت، به دقت تصویر برداری و برخی دیگر به تفسیر آن، شامل مراحل مختلف پردازش، ارتباط دارد. رویکردهای مختلفی برای مدیریت و مدل سازی عدم قطعیت اخیر (تفسیری) وجود دارد که از آن جمله می توان به نظریه فازی و نظریه شواهد (دمستر-شفر ds) اشاره نمود. از ویژگی های مهم نظریه شواهد توانایی بالقوه آن در کاهش این عدم قطعیت با ترکیب ساختارهای اعتقادی با یکدیگر است. در این رساله، مدلی برای احراز شرایط تضمین کاهش عدم قطعیت و به تبع آن، کاهش خطای قطعه بندی در ترکیب ساختارهای اعتقادی با نظریه شواهد ارائه شده است. علاوه بر این، سه ساختار اعتقادی با نام های fcmds، fcmmds و fdsis برای قطعه بندی ام آر آی مغز پیشنهاد شده است. fcmds و fcmmds حاصل ترکیب خوشه بندی فازی (fcm) و نظریه شواهد و fdsis مبتنی بر ترکیب سیستم استنتاج فازی (fis) و نظریه شواهد است. برای بررسی تاثیر انتخاب محدوده پارامترهای طراحی در روش های پیشنهادی، با استفاده از مدل ذکر شده، شبیه سازی های متنوعی صورت گرفته است. نتایج کمّی (معیارهای شباهت دایس و تانیموتو) و کیفی اعمال روش های پیشنهادی بر روی داده های استاندارد شبیه سازی شده و تصاویر واقعی ام آر آی حاکی از برتری محسوس روش های پیشنهادی نسبت به الگوریتم های معروف دیگر است. بهترین میانگین پاسخ بر روی داده های شبیه سازی شده سه بعدی در روش های قبلی، حدود 88% (با واریاس 005/0) بوده است، در حالی که روش های پیشنهادی موفق به بهبود عملکرد تا 93% (با واریانس صفر) شدند. در مورد داده های واقعی میانگین نتیجه روش های پیشنهادی نسبت به یکی از جدیدترین روش های ارائه شده (2011 - cswtsom) افزایش هفت درصدی را نشان می دهد.