یک شرکت ممکن است از استراتژی های جذاب تبلیغاتی مورد علاقه مشتری در روند موثر خلق شخصیت برند در ارتباط با چهره های سرشناس و معروف مانند: (ورزشکار، هنرپیشه سینما و تأتر، موسیقی، سیاسی و ...) استفاده کند که بکارگیری این شیوه در تبلیغات بازرگانی دنیا مرسوم است ولی استفاده از این روش، (حضور چهره ها در تبلیغات) درکشور ما وجود ندارد. هدف این تحقیق است. « بررسی نقش چهره های معروف در اثرگذاری تبلیغات بازرگانی در ایران » روش این تحقیق پیمایشی و ابزار اندازهگیری پرسشنامه بودهاست. پس از پرشدن پرسشنامهها، بدست آمده و تحلیل شدهاست. جامعه آماری spss جداول توصیفی و استنباطی از طریق نرم افزار این پژوهش مخاطبین عام، ستارگان مشهور، تولید کنندگان، فروشندگان و مدیران میباشند با توجه به تعداد 250 نفر (شامل 5 گروه 50 نفر): 50 نفر مخاطب عام، 50 نفر فروشنده مستقیم، 50 نفر کارگزار و صاحب نظر تبلیغاتی، 50 نفر تولید کننده و تبلیغ کننده، 50 نفر چهره های شاخص، صاحبنظران و مدیران. روش نمونهگیری در این پژوهش به صورت احتمالی می باشد. در حال حاضر سوپراستارها و هنرمندان کشورمان نمیتوانند کارهای تبلیغی داشته باشند. اگر تبلیغات دسته خاصی از محصولات به هر دلیلی با تأثیرات منفی همراه باشد، عملکرد آن تبلیغات منفی بر تصویر ذهنی مشتری اثر سوء می گذارد و به این ترتیب تبلیغات کارایی خود را از دست می دهد. در مقابل، تبلیغات منطقی، درست و قانع کننده می تواند بر ترجیحات مشتری اثر بگذارد. استفاده از این روش تبلیغاتی علاوه بر اینکه الگویی برای ستاره سازی و استانداردی برای ستارگان هنر و ورزش کشور برای مقبولیت عمومی است، میان کالاها و برندها و بهتر شدن کیفیت محصولات آنها فضای رقابتی ایجاد کند. در نهایت با توجه به پاسخ های فرضیه های تحقیق به این نتیجه دست یافته ایم که؛ حضور ستارگان محبوب در افزایش اعتبار مادی و معنوی شرکت هایی که از این شیوه تبلیغ برخوردارند، نقش بسزایی دارد.

یک روش اسپکتروفتومتری ساده و حساس برای تعیین همزمان +fe3 و +mn2 با کمک شبکه های عصبی مصنوعی (anns) شرح داده شده است. این کار انجام شده بر واکنش تشکیل کمپلکس +fe3 وmn+2 با لیگاند سنتزی جدید 4 و َ4- [ (4- کلروفنیل) متیلن ]بیس(3- متیل- 1- فنیل-h1- پیرازول- 5- ال) در 7/6=ph بنا شده است. نتایج نشان دادند که نسبت مولی فلز به لیگاند کمپلکس های آهن و منگنز به ترتیب 1:1 و 1:2 می باشد. کمپلکس های رنگی باندهای جذبی در گستره طول موجی 400– 200 نانومتر دارند. ویژگی های تجزیه ای روش از قبیل حد تشخیص و خطای استاندارد نسبی پیشگویی ها محاسبه شدند. داده های به دست آمده از محلول های سنتزی دو یون فلزی توسط شبکه عصبی پیش تغذیه شده (ffnn) و شبکه تابع پایه شعاعی (rbfn) پردازش شدند. شرایط بهینه شبکه های عصبی به وسیله تنظیم پارامترهای مختلف توسط روش سعی و خطا تنظیم شدند. عملکرد روش های پیشنهادی با مقدار مجذور مربعات خطای پیش بینی (%rmsep) محلول های سنتزی امتحان گردیدند. مقایسه شبکه های طراحی شده نشان می دهد که rbfn نتایج بهتری می دهد و به طور شگفت آوری مقادیر%rmsep کمتری ایجاد می کند. روش های پیشنهاد شده برای اندازه گیری همزمان یون های فلزی +fe3 و +mn2 در نمونه های سنتزی و طبیعی به کار رفتند.

نیاز به گاز طبیعی در سراسر دنیا با کمترین هزینه سبب شده است که یک روش جدید برای ذخیره سازی و حمل گاز طبیعی به شکل هیدرات ظهور یابد. یکی از مهم ترین خواص هیدرات که آن را برای این کاربرد بسیار مورد توجّه قرار داده است، نسبت گاز به جامد بالا در آن است. از این رو برای استفاده از این خصوصیت مفید هیدرات های گازی باید شناخت خوبی از این پدیده داشته باشیم و شرایط تشکیل آن را به دست آوریم.هدف اصلی این پروژهمدل سازی ترمودینامیکی شرایط تشکیل هیدرات با استفاده از رویکرد فعّالیت و مدل اصلاح شده وندروالس پلاتیو است.در این پروژه تأثیر ترمودینامیکی دما و فشار و بر تشکیل هیدرات بررسی خواهد شد. یکی از روش-های حل معادلات ترمودینامیکی استفاده از جعبه ابزار الگوریتم ژنتیک در نرم افزار متلب می باشد که با استفاده از این نرم افزار با دقّت بالا و زمان کم به شرایط تشکیل هیدرات دست پیدا می-کنیم، روشی دیگر با استفاده از داده های آزمایشگاهی و شبکه عصب مصنوعی، می توان داده های تجربی را مدل سازی کرد، در این پژوهش از این دو روش استفاده می کنیم.در پایان نیز داده های آزمایشگاهی به دست آمده با مدل های ترمودینامیکی موجود مقایسه شده و بهترین مدل انتخاب می گردد. و همچنین برای گازهای تک جزئی و یا مخلوط گازها دما و فشار تشکیل هیدرات را پیش بینی کرده و در نمودارهای مقایسه ای با یکدیگر مقایسه شده و میزان خطای حاصل از پیش-بینی برای تمامی گازها به دست می آید . این نتایج برای سامانه های مختلف هیدرات مثل سامانه آب خالص،گاز متان و گاز اتان به دست آمد و نشان داده شده است که مدل ها با دقّت بالایی قادر هستند فشار تشکیل هیدرات را در دمای مورد نظر پیش بینی نماید. خطای بوجود آمده در سامانه-های تک جزئی به نسبت دیگر سامانه ها کمتر بود، و همچنین سامانه هایی که در فشارهای بالاتری بودند خطای بیشتری داشتند. در مدل سازی به وسیله شبکه عصب مصنوعی خطای قابل قبولی بدست آمد اما در مقایسه با مدل سازی ترمودینامیکی از جامعیت کمتری برخوردار بود.