هدایت (ناوبری) ربات متحرک به نحوه انتقال ربات از یک نقطه آغاز به نقطه هدف اطلاق می گردد. روش های بسیاری برای این کار استفاده شده است. یکی از مباحث مطرح در این زمینه بحث رباتیک مبتنی بر رفتار است که از رفتارهای موجودات زنده الگوبرداری کرده است. استفاده از روش های فازی نیز در این زمینه مرسوم است. مباحث فازی مدلی ریاضیاتی از عبارات زبانی معمول در زبان گفتاری ارائه می کنند. در مطالب ارائه شده با استفاده از مباحث عنوان شده و نیز بحث ماشین های braitenberg الگوریتمی ارائه شده است که به کمک آن هدایت ربات در کوتاه ترین مسیر ممکن و با دوری از موانع ثابت و متحرک صورت می پذیرد. آزمایش های انجام شده در محیط نرم افزاری webots و بر روی ربات khepera iii انجام گرفته است.

اثر انگشت به عنوان یکی از مهم¬ترین ویژگی¬های بیومتریکی انسان بیش از یک قرن است که از آن برای شناسایی هویت افراد استفاده می¬شود. از اوایل دهه¬ی 1950 میلادی، پس از کشف این حقیقت که اثر انگشت هیچ دو انسانی شبیه به هم نیستاستفاده از این روش برای شناسایی هویت افراد توسعه پیدا کرد. هم زمان با توسعه استفاده از اثر انگشت، نیاز به شناسایی خودکار اثر انگشت بدون نیاز به دخالت انسان بیشتر احساس شد. تاکنون روش¬های مختلفی برای شناسایی خودکار اثر انگشت ابداع شده است. یکی از این روش-ها استفاده از شبکه¬های عصبی برای شناسایی اثر انگشت می¬باشد. به رغم نتایج مثبتی که شبکه¬های عصبی برای شناسایی افراد داشته است هنوز این روش با کمبودهایی روبرو است. هدف اصلی در این پایان نامه ارائه راه حلی مبتنی بر شبکه¬های عصبی فازی برای تشخیص اثر انگشت و نیز شبیه سازی و ارائه نتایج می¬باشد. علاوه بر آن دراین پایان نامه روش عصبی فازی را با سه روش دیگر شامل، مدل شبکه¬های عصبی، روش فازی و روشی کلاسیک مبتنی بر پردازش تصویر مقایسه کرده ایم. مقایسه نتایج مدل شبکه¬های عصبی فازی و سه روش دیگر نشان می¬دهد که شبکه¬های عصبی- فازی حداقل سی درصد با موفقیت بیشتری در شناسایی اثر انگشت همراه است. همچنین این روش از قدرت، استحکام و قابلیت اعتماد بالاتری در مقایسه با روش¬های دیگر برخوردار است.

فرایند داده کاوی با استفاده از تکنیک های گوناگون اطلاعات مفید را از داده ها بیرون می کشد. یکی از کاربردهای مهم داده کاوی، پیش بینی می باشد که تکنیک های مختلفی از قبیل رگرسیون، درخت تصمیم و شبکه عصبی برای انجام این کار وجود دارد. رگرسیون روشی است که به طور گسترده برای پیش بینی عددی مورد استفاده قرار می گیرد. در حقیقت رگرسیون با پیش بینی عددی مترادف است. درخت تصمیم یکی از ابزارهای رایج در داده کاوی می باشد که برای دسته بندی و پیش بینی استفاده می شود. شبکه عصبی از ابزارهای قدرتمند داده کاوی به شمار می رود که از طریق تحلیل نمونه های مختلف ، به یادگیری می پردازد. در این پایان نامه با استفاده از روش های داده کاوی، میزان مصرف آب تحلیل و پیش بینی می شود. مجموعه داده هایی که برای این کار جمع آوری شد مربوط به استان مازندران(شهرستان ساری) می باشد که از سالهای 1391 تا 1392 توسط اداره آب وفاضلاب و سایت هواشناسی جمع آوری شده است. این داده ها شامل متغیرهای مستقلی از جمله حداقل دمای هوا، میانگین دمای هوا، حداکثر دمای هوا ، فشار هوا ، سرعت باد ،رطوبت و میزان بارندگی می باشد و همچنین شامل متغیر هدف به نام میزان مصرف آب می باشد که شامل مصرف خانگی است که این داده ها به صورت روزانه می باشند. هدف از این پایان نامه، تحلیل میزان مصرف آب در روز های گذشته و پیش بینی مصرف در آینده می باشد. تحلیل ها نشان می دهد که مصرف آب خانگی بخش زیادی از مصرف کل را در بر دارد. برای ساخت مدل در این پایان نامه از نرم افزار رپیدمایر استفاده شده است. از روش های پیش بینی موجود در این نرم افزار، بهترین مدل بر اساس شاخص های rmse ، mae و درصد خطای نسبی مربوط به مدل شبکه عصبی بوده است.