سیستم های واسط مغز و کامپیوتر، ابزارهای ارتباطی هستند که فعالیت های مغزی را به صورت فرامینی قابل فهم برای کامپیوترها و دستگاه های دیگر ترجمه می کنند. یکی از اهداف اصلی این سیستم ها فراهم کردن ابزاری است که از طریق آن افراد معلول بتوانند فقط از طریق ذهن و بدون استفاده از اندام خود با افراد، محیط و یا اندام های مصنوعی خود رابطه برقرار کنند. این هدف سبب توسعه چشمگیر تحقیقات در این زمینه شده است. اما همچنان موانعی بر سر راه توسعه این سیستم ها وجود دارد. یکی از این موانع آن است که سیگنال های مغزی از آزمونی به آزمون دیگر، از جلسه ای به جلسه دیگر و از فردی به فرد دیگر تغییر می کنند. بنابراین برای پردازش چنین داده هایی نیازمند روش های پویایی هستیم تا بتوانند خود را با این تغییرات سازگار کنند. بدین منظور در این اثر یک روش محاسباتی جدید برای پردازش داده های پویا ارائه می شود. این روش با ترکیب دو الگوریتم شبکه عصبی چند لایه بازگشتی و سیستم استنتاج فازی و با الهام گیری از سیستم یادگیری هیجانی مغز، یک سیستم یادگیری تقویتی را ارائه می دهد که به خوبی، خود را با داده های پویا سازگار می کند. این روش علاوه بر استفاده از دو روش موفق در زمینه یادگیری ماشین با تعریف ارتباطات مناسب بین آن ها عملکرد هر دو روش را به طور قابل ملاحظه ای افزایش می دهد. در این تحقیق روش پیشنهادی در سیستم های واسط مغز و کامپیوتر مبتنی بر p300، هم بر روی افراد معلول و هم بر روی افراد سالم مورد آزمون قرار گرفت. سپس نتایج آن با نتایج الگوریتم شبکه عصبی چند لایه بازگشتی و الگوریتم استنتاج فازی مقایسه شد. نتایج مقایسه برتری الگوریتم ارائه شده را به اثبات رسانید. بدین ترتیب بهترین صحت طبقه بندی توسط الگوریتم ارائه شده در افراد سالم 97.01 درصد و در افراد معلول 97.97 درصد بوده است. علاوه بر این از حجم داده های مختلف برای طبقه بندی داده ها استفاده شد. در نهایت نتایج بدست آمده نشان داده که این روش به خوبی با کمترین حجم داده، می تواند طبقه بندی درست را انجام دهد.

موسسات مالی و پولی به شدت به دنبال تسریع و سرعت عمل در شناخت فعالیتهای کلاهبرداران و متقلبان می باشند. این امر به دلیل اثر مستقیم آن روی خدمت رسانی به مشتریان این موسسات، کاهش هزینه های عملیاتی و باقی ماندن به عنوان یک ارائه دهنده خدمات مالی معتبر و قابل اطمینان ضروری است. لذا به کارگیری تکنیکهای شناسایی تقلب به منظور جلوگیری از اقدامات متقلبانه در سیستم های بانکداری، اجتناب ناپذیر است. در سه دهه گذشته یادگیری ماشین که هدف آن تجزیه و تحلیل داده ها و به طور خودکار استخراج قوانین برای طبقه بندی این داده ها به دسته های از پیش تعریف شده است، منجربه موفقیت درحوزه های مختلفی از جمله تشخیص تقلب در عملیاتهای بانکی شده است. این تحقیق با استفاده از الگوریتمهای یادگیری ماشین از جمله الگوریتمهای خوشهبندی و تشخیص پرت تلاش کرده تا روشی را جهت شناسایی تراکنشهای مشکوک بانک ملت ارائه دهد. همچنین از تراکنشهای برچسب خوردهی بانک سانتاندر، برزیل برای اثبات صحت الگوریتم استفاده شده است. در پایان پیشنهاد لازم جهت بهبود بیشتر الگوریتم نیز ارائه شده است.

تحلیل های کمی سنتی هزینه-سود در مورد انتخاب سرمایه گذاری استراتژیک به هیچ عنوان برای مسائل پیچیده موجود در بازارهای امروزی مناسب نیست. در این پژوهش برای مدل کردن تعاملات رقبا در بازار تحلیل های کیفی وکمی با هم ترکیب شده است. مدل تصمیم گیری انتخاب سرمایه گذاری پیشنهادی در این پژوهش از ترکیب تئوری بازی ها ، اختیارات طبیعی و تحلیل سلسله مراتبی برای آنالیز استراتژی های سرمایه گذاری در محیط رقابتی استفاده می کند. تئوری اختیارات طبیعی یک مدل جامع برای تحلیل ارزش گزینه های سرمایه گذاری ارائه می دهد.