در فرآیند آموزش و فراگیری الکترونیکی از مدت ها پیش بحث مدل ها به عنوان یک مقوله ی بسیار مهم مطرح بوده است. به گونه ای که موسساتی نظیر ieee و aicc مدل های بسیاری جهت استاندارد نمودن بحث های مطرح در زمینه آموزش و یادگیری الکترونیکی و یادگیری سیار ارائه نموده اند. یکی از مدل های ارائه شده در این خصوص مدل tra می باشد که در این تحقیق جهت بررسی و شناسایی عوامل موثر بر سیستم یادگیری سیار در دانشگاه امیر کبیر بکار گرفته شده است. بدین منظور شاخص های مربوط به رفتار دانشجویان در برابر یادگیری سیار به صورت پرسشنامه درآمده و در بین نمونه های آماری تحقیق توزیع و تکمیل گردید. بر اساس نتایج بدست آمده، بین قصد یادگیری سیار دانشگاه صنعتی امیر کبیر با هر یک از سه عامل اثر گذار مدل، رابطه مستقیم و معناداری وجود دارد. همچنین بر اساس نتایج بدست آمده، عملکرد قصد یادگیری سیار بیشترین تأثیر را به ترتیب از ذهنیت یادگیری سیار، تمایل به یادگیری سیار و کنترل رفتاری می پذیرد. از بین متغیرهای اثرگذار بر قصد یادگیری سیار بر اساس مدل tra، متغیر ذهنیت و آگاهی یادگیرنده مهم ترین متغیر شناسائی شده است.

تحلیل تصاویر راداری یکی از بخش های مهم سنجش از دور است و یکی از مباحث آن تشخیص نواحی است که این نواحی می توانند متفاوت باشند. در این پایان نامه تلاش می کنیم نواحی خشکی از نواحی آبی و دریایی در تصاویر تشخیص دهیم. تشخیص نواحی در این جا بر اساس یک روش مبتنی بر بافت تصویر، به نام میدان تصادفی مارکوف است. اساسا این روش، فرض می کند که توزیع یک کمیت از نقاط مثلا سطح خاکستری آنها، در یک همسایگی مناسب یک نقطه دریافتی مشخص برای تمام آن تقریبا یکسان است بنابرانی با تحلیل توزیع سطح خاکستری نقاط همسایگی هر نقطه در تصویر می توان آن را تقطع نمود. کمیت های مختلفی از نقاط را می توانیم برای تحلیل بافت استفاده کنیم و این بستگی به نوع بافت تصویر دارد که به طور معمول، از سطح خاکستری تصویر استفاده می شود از آنجا که در اینجا نتیجه استفاده از سطح خاکستری قابل قبول نبود. سه روش دیگر را آزمودیم تا نتیجه خوبی به دست آوریم. ابتدا سطح خاکستری نقاط در تفاضل تصویر را آزمودیم و سپس از لایه های رنگی قرمز، سبز و آبی استفاده کردیم. هیچ یک از این روش ها به نتیجه قابل قبولی نرسیدند ایده سوم که به نتیجه بسیار بهتری رسید، اعمال یک عملگر لبه یابی با پارامتر مناسب بود به گونه ای که نقاط زیادی از تصویر به عنوان لبه اعلام شوند. سپس توزیع تعداد نقاط روی لبه را در همسایگی هر نقطه تحلیل کردیم. از آنجا که تصویر سطح آب معمولا کاملا صاف است نقاط کمی به عنوان لبه اعلام شدند. ولی در نواحی خشکی این گونه نبود. همچنین در مرحله پس پردازش برای بهبود نتایج از میدان تصادفی مارکوف دو مرحله ای و ریخت شناسی ریاضیاتی استفاده کردیم که نتیجه دومی بهتر بود. برای ارزیابی روش ها در تقطیع و دسته بندی نواحی، دو معیار ارایه شده است مبتنی بر معیار اول دقت چهار روش بحث شده در تقطیع تصویر، به ترتیب 7712/0 و 7451/0 و 7776/0 و 8909/0 و طبق معیار دوم 7780/0 و 7700/0 و 7818/0 و 8996/0 بود از آنجا که نتایج روش چهارم یعنی عملگر لبه یابی به مراتب بهتر از سه روش دیگر بود. در مرحله دسته بندی نیز از آن استفاده شد در این مرحله نیز طبق آن دو معیار، به ترتیب نتایج 9192/0 و 9302/0 را به دست آوردیم.