این پژوهش به بررسی روشی جدید ( برآورد تطبیقی موضعی نوسانات) جهت تخمین و پیش بینی نوسانات بازده سهام در بازار بورس تهران می پردازد. ایده اصلی مدل مورد بررسی این است که هیچ فرضی برای پارامتری بودن آن در نظر گرفته نشده است به جز این فرض که نوسانات در بازه هایی از زمان ثابت می‏باشند. بنابراین مسئله اصلی در این تحقیق، تعیین بازه های زمانی همگنی است که به کمک آن ها می‏توان به مدلسازی نوسانات پرداخت. در بخش کاربرد تجربی، این روش با رویکرد مدل‏های arima و garch (روش‏های پارامتری که توزیع های خاصی را برای اجزای اخلال سری های زمانی در نظر می گیرند) مقایسه می شود تا با توجه به خروجی این رویکردها به برتری یکی از آنها در بازار سهام ایران پی برد. با توجه به داده های به کار گرفته شده از بازده روزانه سهام 14 شرکت بورس تهران، در در 5 مورد آن(سرمایه‏گذاری توسعه صنعتی ایران، توسعه معادن روی ایران، سرمایه‏گذاری ملی ایران، گروه بهمن و کیمیدارو) عملکرد این رویکرد در تخمین نوسانات موفقیت آمیزتر بوده است. در یک مورد (پتروشیمی خارک) رویکرد garch(1,1) بهتر عمل کرده و در 8 مورد باقی‏مانده رویکرد arima بهتر بوده است.

امروزه مبحث "بافت تصویر" نقش بسیار مهمی در روند پردازش تصویر وکاربردهای بینایی ماشین ایفا می کند. یکی از مهمترین زمینه های تحقیقاتی این حوزه، طراحی یک سیستم اتوماتیک به منظور طبقه بندی بافت تصویر می باشد. بدین منظور، تاکنون روش های بسیار زیاد و بر اساس ویژگی های مختلف ارائه شده است. از میان روش های موجود، روش الگوهای باینری محلی، در شکل اصلی و بهبود یافته خود، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی، هرچند از نظر پیاده سازی بسیار ساده است، اما پیچیدگی محاسباتی بالایی دارد. شکل بهبود یافته الگوهای باینری محلی نیز در مواجه با بافت های غیر همگن عملکرد چندان رضایت بخشی ندارد. در این پژوهش، یک طبقه بندی کننده جدید مبتنی بر روش الگوهای باینری محلی ارائه شده است که می کوشد تا ویژگی های سودمندی از ساختارهای میکروسکوپی بافت ارائه دهد. روش ارائه شده نسبت به شکل اصلی الگوهای باینری محلی پیچیدگی محاسباتی کمتری دارد و دقت طبقه بندی آن نیز از شکل اصلی و بهبود یافته الگوهای باینری محلی بیشتر می باشد. نتایج حاکی از آن است که روش ارائه شده نه تنها تصاویر با بافت همگن را به خوبی طبقه بندی می کند، بلکه در مورد تصاویر با بافت غیر همگن نیز به خوبی عمل می کند. همچنین در روش ارائه شده تباین تصویر نیز به نحوی در ماتریس حاصل از ویژگی ها گنجانده شده است که شکل اصلی و بهبود یافته الگوهای باینری محلی، از آن چشم پوشی می کنند. سه معیار دقت طبقه بندی، حساسیت و صحت کارایی روش ارائه شده را نشان می دهد.