در شرایط اقتصادی امروز و نظریه های جدید اقتصادی، دولت ها دیگر به نقش کوچکی که اقتصاددانان کلاسیک برای آن ها قائل بودند اکتفا نکرده و به صورت یکی از ارکان اقتصادی جامعه عمل می کنند. جدا از وظایف سنتی که مورد پذیرش اقتصاددانان کلاسیک هم هست، دولت ها در جهت نیل به رفاه اجتماعی باید به مسائلی چون: تخصیص منابع، توزیع درآمد، حفظ سطح قیمت ها و رشد اقتصادی بپردازد. سطح فعالیت های اقتصادی دولت در اقتصاد به طور مستقیم و غیر مستقیم این اهداف اقتصاد کلان را تحت تاثیر قرار می دهد. از سوی دیگر ارتباط متغیرهای کلان اقتصادی مانند رشد و توزیع درآمد و بحث های مربوط به تضاد یا هماهنگی این اهداف، باعث شده که نقش دولت از اهمیت قابل توجهی برخوردار شود. بدون شک اتخاذ هر سیاست جدید اقتصادی آثار مثبت و منفی در دوره های کوتاه مدت و بلند مدت در پی دارد. نوسان در روند متغیرهای کلان اقتصادی متضمن بار هزینه ای است که لازم است برای کاهش و جلوگیری از ایجاد این هزینه ها، روند آتی این متغیرها توسط روش های مناسب و با کارایی لازم مورد برآورد قرار گیرد.در مطالعه حاضر به تاثیر متقابل سه متغیر "رشد اقتصادی ، توزیع درآمد و اندازه دولت" در قالب یک سیستم معادلات همزمان طی دوره زمانی 85-1345 برای اقتصاد ایران پرداخته شده است. پس از برآورد معادلات و تحلیل نتایج حاصله متغیرهای ذکر شده به دو روش شبکه های عصبی مصنوعی و فرم های خلاصه شده معادلات سیستم همزمان مورد پیش بینی قرار گرفته اند. نتایج حاصل از برآورد معادلات نشان می دهد اندازه دولت و رشد اقتصادی به صورت متقابل بر یکدیگر تاثیر می گذارند. با گسترش اندازه دولت در اقتصاد ایران، افزایش رشد اقتصادی را در کشور شاهد خواهیم بود. در مقابل، با تسریع رشد اقتصادی حجم فعالیت های اقتصادی دولت در جامعه محدود خواهد شد. بررسی ارتباط متقابل رشد اقتصادی و توزیع درآمد نیز نشان دهنده وجود تاثیر گذاری رشد اقتصادی بر توزیع درآمد می باشد. افزایش رشد اقتصادی وضعیت توزیع درآمد را در جامعه نابرابرتر می کند و عدالت اجتماعی را کاهش می دهد. بر اساس نتایج به دست آمده نحوه توزیع درآمد در کشور بر رشد اقتصادی موثر نیست.علاوه بر این، نتایج حاصل از پیش بینی متغیرها نیز توانایی بالاتر سیستم معادلات همزمان را در مقابل شبکه های عصبی مصنوعی نشان می دهد. دلیل اصلی این امر برخورد پیچیده شبکه های عصبی با مدل های ساده و خطی است.

پردازش زبان طبیعی از جمله مسائل اساسی در حوزه هوش مصنوعی است، پردازش زبان طبیعی شامل دو مرحله درک زبان طبیعی و تولید زبان طبیعی است. درک و تفسیر زبان طبیعی را می توان هم زمان با تجزیه لغوی و نحوی اجزای موجود در متن انجام داد. ایجاد تصویری شی گرا از متن ورودی می تواند در درک متن به کامپیوتر کمک کند. از نمایش شی گرا به عنوان روش نمایش دانش موجود در زبان طبیعی استفاده می شود. برای برچسب زنی و قطعه یابی، الگوریتم سی کی وای در دستور زبان مبتنی بر عبارات بهینه سازی شده است. با توجه به اینکه برخی زبان های طبیعی، آرایش واژگانی آزاد دارند از دستور زبان وابستگی استفاده می کنیم. هر جمله را در قالب یک قاب نمایش می دهیم و در مرحله پایانی قاب ها را به اشیا تبدیل می کنیم.به کار گیری دستور زبان وابستگی باعث انجام فاز تحلیل معنایی هم زمان با فاز تحلیل نحوی شده است. با ذخیره اشیا در پایگاه داده می توان قابلیت یادگیری را در سیستم ایجاد کرد. این رساله، مراحل نگاشت زبان طبیعی به مجموعه ای از اشیا برای ذخیره در کامپیوتر را ارائه می دهد.این مراحل به صورت یک ساختار ماژولار ارائه می شوند و قبل از پیاده سازی، توسط اطلاعات زبان شناسی در جملات آزمایشی مورد ارزیابی قرار می گیرد. سپس با به کارگیری محیط برنامه نویسی، سیستم سانوا برای ساختن اشیا پیاده سازی شده است. کاربردهای مختلف پردازش زبان طبیعی می توانند از اشیا ساخته شده به جای متن زبان طبیعی استفاده کنند.اشیای به دست آمده قابلیت محاسبات و بازیابی دانش را برای کاربردهای پردازش زبان طبیعی فراهم می کنند.

ارتباط انسان با رایانه در محیط مجازی به بررسی وضعیتهای گوناگونی از حالات بدن انسان بستگی دارد. در هنگام ارائه یک مدل کارا برای ارتباطات، تعامل، یادگیری و آموزش، سیستمهای محیط مجازی با چالشهای زیادی روبرو می شوند، زیرا شامل انواع بسیار زیادی از روش های نمایش و تعامل هستند. برای دستیابی به یک سیستم تعامل با رایانه طبیعی، دست انسان می تواند به عنوان یک ابزار ورود اطلاعات به رایانه در نظر گرفته شود. حالات اشاره دست یک روش بسیار قدرتمند برای ارتباط انسانها با یکدیگر محسوب می گردد. اشاره دست در مقایسه با ابزارهای سنتی تعامل انسان با رایانه، برای استفاده در یک محیط مجازی سه بعدی، بسیار جذابتر است.حالات دست به دو دسته تقسیم می گردند. حالات ایستا که شامل یک موقعیت و شکل خاص از دست است و با یک تصویر نمایش داده می شوند و حالات پویا که شامل یک حالت در حال حرکت است و با یک دنباله از تصاویر مشخص می گردند. در این پژوهش تمرکز ما روی تشخیص حالات ایستای دست بوده است و تلاش شده تا در مجموعه ای از ?? کلاس مختلف دست، حالت نمایش داده شده را تشخیص دهیم. ابتدا یک مجموعه متشکل از ??? تصویر از ?? حالت مختلف دست، که از حروف الفبای اشاره امریکایی هستند، تهیه شده است. تمامی عکس های این مجموعه دارای پس زمینه تیره رنگ هستند. از این مجموعه ??? عدد برای آموزش و ??? عدد برای آزمون سیستم انتخاب شده اند. اگرچه این پژوهش به یافتن روشی کارامد برای تشخیص ?? حالت دست محدود می شود، سعی کرده ایم با استفاده از روش های معمول در بینایی ماشین، چارچوبی نرم افزاری را برای کاربرد واقعی سیستم در محیط واقعی نیز توسعه دهیم. نتایج آزمون سیستم نشان داد که این سیستم قادر است با استفاده از آموزش طبقه بند svm با هسته خطی توسط ?? حالت مختلف از هر یک ?? حالت دست، روی مجموعه ای از ??? تصویر جدید با خطای کمتر از ?% حالات دست را به درستی تشخیص دهد. این نتایج نشان می دهند که بیشترین خطای سیستم زمانی رخ می دهد که حالات دست به یکدیگر بسیار شبیه باشند. در نتیجه برای بهبود نتایج، باید از روش هایی استفاده کرد که استخراج ویژگی هایی متمایزکننده بیشتری را پیشنهاد می کنند.

شبکه های اقتضایی خودروها بر همکاری بین گره ها برای ارسال بسته ها تکیه دارند. در این شبکه ها ممکن است گره هایی باشند که برای حفظ منابع خود از این همکاری سر باز زنند در حالی که از منابع شبکه بهره می برند. این گره ها خودخواه نامیده می شوند. نشان داده شده است که حضور گره های خودخواه می تواند کارایی کلی شبکه های اقتضایی خودروها را تنزل دهد. برای حل این مشکل یک سیستم اعتباردهی مبتنی بر منطق فازی ارائه داده ایم که رفتار خودخواهانه را کاهش داده و ارسال بسته های دیگر گره ها را ترغیب کند. برخلاف روش های مرسوم مبتنی بر شهرت، راه حل ارائه شده بر قضاوت دیگر گره ها درباره ی رفتار یک گره استوار نیست. به همین دلیل قضاوت های اشتباه دیگر گره ها که یک آسیب پذیری جدی در این روش ها به حساب می آید در روش ما حذف شده است. راه حل پیشنهادی ما دو واحد اصلی برای هر گره در نظر می گیرد: مدیر ارسال و مدیر شهرت فازی. مدیر ارسال در هر گره تعداد درخواست های ارسال رسیده به گره و تعداد ارسال های انجام شده توسط گره را نگه داری می کند. مدیر شهرت فازی در هر گره، برای هر درخواست ارسال بسته، گره فرستنده ی بسته را از نظر خودخواه بودن یا نبودن بررسی می کند. بسته های متعلق به گره های خودخواه از شبکه حذف می شوند. شبیه سازی های انجام شده نشان می دهند که راه کار ارائه شده کارایی شبکه را افزایش می دهد.