تخمین حرکت به دلیل بار محاسباتی بسیار بالایی که دارد مهم ترین بخش فشرده سازی ویدئو محسوب می شود. معروف ترین الگوریتم تخمین حرکت جستجوی سراسری است که تمامی بلوک های پنجره ی جستجو را برای یافتن شبیه ترین بلوک به بلوک جاری جستجو می کند. در راستای کاهش محاسبات الگوریتم سنتی جستجوی سراسری که همه ی بلوک های پنجره ی جستجو را جستجو می کند، الگوریتم های بسیار زیادی معرفی گردیدند که اکثراً با الگوی جستجوی ثابت سعی در یافتن شبیه ترین بلوک دارند. در این پایان نامه با استفاده از ویژگی مارکوف که بیان می کند ویژگی هر متغیر تصادفی به متغیرهای تصادفی همسایه ی خود وابسته است، یک الگوی جستجو با تعداد نقاط متغیر معرفی می شود. در الگوریتم معرفی شده بردارهای حرکت به عنوان متغیرهای تصادفی می باشند که حرکت آنها فقط به حرکت بلوک های همسایه ی مکانی و زمانی وابسته می باشد. الگوریتم های گوناگون هنگام جستجوی هر بلوک، اگر آن بلوک به بلوک جاری به اندازه ی کافی شبیه باشد، متوقف شده و آن بلوک را به عنوان بهترین بلوک انتخاب می کنند که به این تکنیک " توقف در نیمه مسیر" گفته می شود. برای استفاده موثر از تکنیک " توقف در نیمه مسیر" بلوک های همسایه بر حسب ضابطه ای که برایشان به دست آمده اولویت بندی شده و بر این اساس جستجو می شوند. زمانی که ضابطه ی تطبیق از مقدار آستانه کمتر باشد الگوریتم متوقف می شود و بدین صورت سرعت الگوریتم افزایش می یابد. نتایج حاصل از شبیه سازی نشان می دهند که psnr الگوریتم معرفی شده نسبت به الگوریتم هایی که از الگوی ثابت استفاده می کنند، بیشتر بوده و بسیار نزدیک به الگوریتم جستجوی سراسری است و در همین حال متوسط تعداد جستجوها برای الگوریتم پیشنهادی بسیار کمتر است. به عنوان مثال الگوریتم پیشنهادی نسبت به ptss که در سال 2013 معرفی شده db63/0?06/0 افزایش psnr دارد و نزدیک به 60% متوسط تعداد جستجوها کاهش داشته است. نتایج حاصل از شبیه سازی نشان می دهند که psnr الگوریتم معرفی شده نسبت به الگوریتم هایی که از الگوی ثابت استفاده می کنند، بیشتر بوده و بسیار نزدیک به الگوریتم جستجوی سراسری است و در همین حال متوسط تعداد جستجوها برای الگوریتم پیشنهادی بسیار کمتر است. به عنوان مثال الگوریتم پیشنهادی نسبت به ptss که در سال 2013 معرفی شده db63/0?06/0 افزایش psnr دارد و نزدیک به 60% متوسط تعداد جستجوها کاهش داشته است.

کمبود شدید طیف و بهره برداری کم از طیف مجاز یک مشکل شبکه های بی سیم است که نیاز فوری به حل دارد. رادیوی شناختی راه حل مناسبی برای رفع این مشکل است. پیش بینی وضعیت طیف کاربران اولیه در رادیوی شناختی برای تخصیص کانال های خالی به کاربران ثانویه و دستیابی پویا به طیف به عنوان یک روش امیدبخش برای بهبود بهره برداری از طیف معرفی شده است. بنابراین به دنبال روشی برای پیش بینی وضعیت کانال در شبکه های رادیوی شناختی پرداخته شده است. تکنیک های زیادی به عنوان اعمال هوش لازم برای یادگیری برای پیش بینی حالت کانال در شبکه های بی سیم مورد مطالعه و بررسی قرار گرفته اند از جمله تئوری بازی، محاسبات تکاملی، منطق فازی، تئوری قیمت گذاری و یادگیری ماشین که از متداول ترین زیر شاخه های آن ها، استفاده از روش های یادگیری مبتنی بر شبکه های عصبی و مدل مخفی مارکوف می باشد. تمام این روش ها نشان می دهند که پیش بینی، روشی موثر برای بهبود عملکرد شبکه های رادیوی شناختی می باشد. در اینجا آتوماتای سلولی به عنوان مدلی برای بررسی رفتار سیستم های پیچیده پیشنهاد شده است. بنابراین به پیش بینی حالت و وضعیت کانال های رادیویی در شبکه ی رادیوی شناختی و اختصاص شیار های زمانی که با احتمال بالاتر از آستانه، آزاد پیش بینی شده اند، بر اساس آتوماتای سلولی پرداخته شده است. روش پیشنهادی با نام پیش بینی کننده وضعیت کانال مبتنی بر آتوماتای سلولی تصادفی در رادیوی شناختی، طراحی و شبیه سازی شده است. نتایج نشان می دهد که آتوماتای سلولی را می توان به عنوان روشی برای پیش بینی شبکه رادیویی با مدل ترافیکی مبتنی بر تابع توزیع پواسن، برگزید. با توجه به مدل ترافیکی آنلاین و تصادفی که به عنوان توزیع ترافیکی برای کاربران اولیه در نظر گرفته شده است، سیستم شبیه سازی شده با سرعت محاسباتی بالا، پاسخ های مطلوبی ارائه می دهد.