این تحقیق به بررسی تاثیر سیاست مسکن مهر بر روی ارتباط قیمت زمین و قیمت مسکن در شش شهر بزرگ ایران می پردازد. در بررسی مطالعاتی که در بعضی از کشورها برای ارتباط بین بازار زمین و مسکن صورت گرفته، یافته های متفاوت مشاهده می شود. به طوری که دربرخی از آنها ارتباط یک طرفه و در برخی دیگر ارتباط دو طرفه بوده است. در این تحقیق داده ها به صورت پنل و در دو دوره (قبل از اجرای سیاست مسکن مهر و بعد از آن ) برای یک دوره 11 ساله 1389-1379 به صورت شش ماهه مورد تجزیه و تحلیل قرار گرفته اند. در این تحقیق برای نشان دادن ارتباط کوتاه مدت بین زمین و مسکن از مدل خود توضیح برداری (var) و آزمون علیت گرنجراستفاده شده است. همچنین برای نشان دادن ارتباط بلندمدت بین دو متغیر زمین و مسکن از آزمون هم انباشتگی یوهانسن و الگوی تصحیح خطا (vecmاستفاده شده است. نتایج به این صورت است که در کوتاه مدت رابطه ای بین دو بازار قبل از اجرای سیاست مسکن مهر وجود نداشته است اما برای بعد از آن رایطه یک طرفه واز بازار زمین به سمت بازار مسکن اتفاق افتاده است. یافته ها برای ارتباط بلندمدت به این صورت است که قبل اجرای سیاست، رابطه دوطرفه میان دو متغیر برقرار است اما برای بعد آن این رابطه دوطرفه به یک رابطه یک طرفه و از مسکن به سمت بازار زمین بوده است.

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.

در تصاویر پزشکی به علت وجود نویز در داده ها ی دریافتی، به طور محسوس عدم قطعیت در داده ها را داریم. مخصوصاً مرز بین بافت ها دقیقاً مشخص نیست و عضویت در هر ناحیه ذاتاً فازی است. بخش بندی دستی تصاویر یک فرآیند زمان بر است و خطاهای انسانی در آن نقش زیادی دارد. ام آر آی یکی از انواع مهم تصاویر پزشکی است که امروزه پیشرفت های زیادی در بخش بندی خودکار آن صورت گرفته است. یکی از روش های معمول و متداول بخش بندی تصاویر ام آر آی، استفاده از الگوریتم خوشه بندی فازی است. این الگوریتم به پیکسل ها این امکان را می دهد که با درجه عضویت های مختلف در دسته های متفاوت قرار بگیرند، اما الگوریتم پایه خوشه بندی فازی دارای ضعف های فراوانی است که منجر به کاهش دقت بخش بندی خواهد شد. یکی از این ضعف ها عدم استفاده از اطلاعات مکانی پیکسل ها در بخش بندی است. در نتیجه این الگویتم بسیار حساس به نویز است. در این تحقیق به منظور جبران ضعف الگوریتم خوشه بندی فازی، تنها به مقادیر شدت روشنایی پیکسل ها اکتفا نشده و از اطلاعات پیکسل های همسایه نیز استفاده شده است. سپس از یک شبکه عصبی به عنوان طبقه بند در کنار الگوریتم خوشه بندی فازی استفاده می شود تا به این وسیله ضعف های الگوریتم خوشه بندی فازی تا حدودی مرتفع گردد. به منظور ارزیابی و سنجش کارایی روش های پیشنهادی شبیه سازی های فراوانی صورت گرفت. نتایج کمی و کیفی اجرای الگوریتم ها روی داده های واقعی و شبیه سازی شده حاکی از برتری روش های پیشنهادی بر روش های شناخته شده قبلی در بخش بندی تصاویر ام آر آی است. روش های پیشنهادی روی داده های شبیه سازی شده به خصوص در برش های بالایی و پایینی که طبقه بندی آن دشوارتر می باشد در مقایسه با یکی از روش های مورد مقایسه قبلی که بهترین نتیجه را داشته است حدود 3 تا 4 درصد بهبود داشته است. همچنین روی داده های واقعی نیز روش های پیشنهادی در قطعه بندی بافت ماده سفید در مقایسه با یکی از جدیدترین روش های ارائه شده (2011 - cswtsom) افزایش هشت درصدی را نشان می دهد.

بازشناسی الگوها یکی از زمینه های مهم پژوهشی در زمینه علوم کامپیوتراست. یکی از شاخه های این حوزه که مطالعات بسیاری در خصوص آن انجام گرفته و کماکان نیز انجام می گیرد، بازشناسی تصاویرکاراکترها خصوصا از نوع دست نویس است. در طی سالیان زبان هایی همچون انگلیسی، چینی و هندی شاید به واسطه جمعیت بزرگ تشکیل دهنده در توسعه الگوریتم های بازشناسی تصاویر کاراکترها در مقایسه با سایر زبان به میزان بسیار بیشتری مورد توجه قرار گرفته اند. مجموعه کاراکترهای زبان فارسی که می توان با توجه به قرار گیری کاراکتر های نوشتاری عربی در درون آن، محدوده شامل بیش از 20 کشور و جمعیتی 400 میلیون نفری برای آن در نظر گرفت، با توجه به اهمیتی که دارد کمتر مورد توجه بوده است. در این پژوهش، دو روش برای بازشناسی تصاویر دستنویس کاراکترهای عددی فارسی ارایه شده است. در روش پیشنهادی اول از تبدیل رادون جهت استخراج مشخصه و الگوریتم برنامه نویسی پویا و کلاسیفایر k نزدیکترین همسایگی و در روش پیشنهادی دوم از تبدیل رادون، الگوریتم زمان تابی پویا و کلاسیفایر k نزدیکترین همسایگی جهت محاسبه تابع هزینه شباهت و بازشناسی استفاده شده است. هدف از طرح این دو الگوریتم، با استفاده از قابلیت تبدیل رادون در ایجاد مشخصه هایی با حجم کوچک و فشردگی بالا در تلفیق با برنامه نویسی پویا و زمان تابی پویا به عنوان روش هایی با نیاز به سخت افزار نه چندان قدرتمند، بازشناسی سریع با کارایی مطلوب بوده است. پایگاه داده مورد استفاده در این پژوهش مجموعه کاراکترهای جدا از هم شامل حروف اسامی شهرها و کد های پستی ایران است. در مطالعات پیشین انجام شده بر روی این پایگاه داده در بخش اعداد، روش هایی همچون کدینگ فراکتال و شبکه های عصبی به راندمان 91/37 درصد و مشخصه های ساختاری و آماری به راندمان 94/44 درصد دست یافته اند. در بخش حروف فارسی نیز با استفاده از کدینگ فراکتال و شبکه های عصبی و تقسیم بندی حروف فارسی به 8 کلاس راندمان 87/26 حاصل شده است. در مطالعه پیش رو، روش پیشنهادی اول بر روی پایگاه داده کد های پستی دست نویس فارسی موفق به دستیابی به راندمان 94/1 درصد شده است. روش پیشنهادی دوم بر روی داده های اعداد دست نویس موفق به کسب راندمان 87/2 درصد و بر روی داده های حروف دست نویس، با تفکیک حروف فارسی به 16 کلاس تشکیل دهنده ساختار اصلی 87/3 درصد، کارایی داشته است. همان گونه که از نتایج استنباط می شود نتایج مطالعه در راستای اهداف مد نظر قابل قبول بوده اند.

با رشد روز افزون علوم کامپیوتر، بررسی خودکار بیماری ها و پرهیز از اشتباهات انسانی در صنایع مختلف پزشکی، از اهمیت ویژه ای برخوردار شده است. در این راستا برای دستیابی به سیستم های پیشرفته تشخیص خودکار، پردازش سیگنال، به ابزاری کارآمد تبدیل شده است. از جمله سیگنال های مهم می توان سیگنال ecg را نام برد که فعالیت قلب را بر حسب زمان ثبت می کند. یکی از مشکلات اساسی سیگنال های ecg، آغشته به نویز بودن آن است که این موضوع سبب ایجاد اختلال در پردازش سیگنال و از دست رفتن بسیاری از ویژگی های مهم آن می شود. با وجود تلاش روز افزون در زمینه ثبت سیگنال تمیز و بدون اعوجاج، کماکان وجود نویز مخرب سفید گوسی در بحث انتقال و پردازش سیگنال های ecg اجتناب ناپذیر است. به همین منظور در این تحقیق به معرفی سیستمی می پردازیم که دارای حداکثر مقاومت در برابر نویز سفید گوسی باشد. برای ارزیابی سیستم معرفی شده، شباهت نتایج حاصل از طبقه بندی سیگنال های ecg تمیز و نویزی، مقایسه می شوند. روش پیشنهادی بر پایه حذف نویز وفقی با استفاده از نسخه های جدید اصلاح شده آستانه سراسری و وابسته به سطوح تجزیه در حوزه تبدیل موجک معرفی شده است. استخراج، انتخاب و کاهش ویژگی ها در فضاهای زمانی، زمانی-فرکانسی و ریخت شناسی می باشد، که توسط ترکیب خروجی سه طبقه بند پرکاربرد knn، svm و شبکه عصبیrbf به روش رأی گیری وزن دار، به سرعت و دقت مطلوب رسیده است. روش پیشنهادی با روش های قبلی در پایگاه داده mit-bih مقایسه شده است که نتایج حاصل بیانگر برتری روش پیشنهادی، از نظر مقاوم بودن در برابر نویز سفید گوسی است.