به دست آوردن ارتباط بین بارش و رواناب یکی از مهمترین مسائل برای مهندسین و هیدرولوژیست ها است. جهت تصمیم گیری های هیدرولوژیکی و مدیریت منابع آب یک حوزه، دانستن رابطه بارش – رواناب لازم و ضروری می باشد. این روابط غیر خطی و بسیار پیچیده می باشند. اگرچه رواناب وابستگی زیادی به میزان بارش دارد اما به فاکتور های متعددی همچون مشخصات حوضه آبخیز، تبخیر، دمای بیشینه ، دمای کمینه، مدت بارش نیز بستگی دارد. با اینکه که بسیاری از حوضه ها برای گردآوری سابقه پیوسته ای از رواناب بررسی شده اند ولی اغلب مهندسین با شرایطی روبه رو می شوند که اطلاعات بسیار کم است یا بعضا هیچ داده ای دردسترس نیست. در سال های اخیر شبکه عصبی مصنوعی (ann) جهت شبیه سازی فرآیند های گوناگون مورد استفاده قرار گرفته است. این شبکه ها ابزار قدرتمندی برای حل مسائل غیر خطی و پیچیده می باشند. در این تحقیق به منظور مدل سازی رواناب ناشی از بارندگی و با استفاده از شبکه های پرسپترون چند لایه، شش شبکه عصبی mlp مجزا با ورودی های مختلف استفاده شده است. به این منظور 6 دسته داده با 4، 5، 6، 7، 8 و 14پارامتر به عنوان نرون های ورودی به شبکه اعمال شدند و از این طریق، تأثیر عوامل مختلف بر روی دبی محاسباتی توسط شبکه بررسی گشته است. همچنین کلیه شبکه ها با توابع محرک سیگموئیدی و تانژانت هیپربولیک آزمایش شده و در نهایت نتایج حاصل از کلی? حالات با استفاده از معیارهای سنجش خطا و نکوئی برازش مقایسه گشته اند که در پیش بینی سیلاب های بیشینه، مدل با 8 نرون ورودی و تابع محرک تانژانت هیپربولیک، و در پیش بینی سیلاب های متوسط، مدل با 14 نرون ورودی و تابع محرک تانژانت هیپربولیک بهترین عملکرد را ارائه نمودند. در برازش کلی ، دو مدل شبک? عصبی mlp با چهارده نرون ورودی و پانزده نرون در لای? پنهان و با توابع محرک تانژانت هیپربولیک و سیگموئیدی به ترتیب با میانگین خطای نسبی 5895/5 و 1350/8 درصد بهترین نتایج را ارائه نمودند.

اغلب پدیده های طبیعی رفتاری غیرخطی دارند که لازمه ی تشخیص مناسب آن ها استفاده از مدل های غیرخطی است. در گذشته مدل های گوناگونی به منظور پیش بینی متغیرهای اقتصادی مورد استفاده قرار می گرفتند. اما این مدل ها ضعف هایی داشتند که به محقق اجازه نمی دادند تا عوامل پیچیده و غیرخطی موثر بر پیش بینی را درنظر بگیرد. ازاینرو روش های جدیدی در پیش بینی به نام روش های یادگیری ماشین پا به عرصه وجود نهاده اند که می توانند روابط بین متغیرها را کشف کنند. از طرف دیگر ارز به عنوان یک دارایی مالی مجموعه تحولات پولی و مالی و همچنین تحولات اقتصاد بین المللی در آن تجلی می یابد و علاوه بر این به دلیل اثری که نرخ ارز بر قیمت های داخلی و خارجی می گذارد از اهمیت بالایی در سیاست گذاری کشور برخوردار است. لذا در این مطالعه به پیش بینی نرخ ارز با الگوی خود رگرسیون میانگین متحرک انباشته (arima) و برخی از روش های یادگیری ماشین پرداخته شده است. علاوه بر این به منظور افزایش کارایی پیش بینی، روش ترکیبی با استفاده از الگوریتم ژنتیک پیشنهاد شده است. مقایسه ی دقت پیش بینی مدل های مذکور از طریق معیارهای خطا نشان از عملکرد بهتر روش ترکیبی دارد. داده های مورد استفاده در تحقیق مربوط به قیمت های روزانه ی ریال در برابر دلار و ریال در برابر یورو از ابتدای فروردین ماه 1382 تا انتهای فروردین ماه 1390 است.

در این پایان نامه روش هایی جهت بهبود کارایی تطابق با استفاده از مثلثی سازی دلانی ارائه میشود. مثلث سازی دلانی حالت خاصی از مثلث سازی است که به علت ویژگی های خاصی که دارد برای تطابق اثرانگشت بسیار مناسب است. ویژگی مهم مثلث سازی دلانی این است که برای یک مجموعه نقطه یکتاست. اگر در صفحه تعداد مینوشیاها n باشد، تعداد مثلث های دلانی o(n)است که در مقایسه با مثلث سازی معمولیo(n^3 )بسیار کمتر است. اما مثلث سازی دلانی نسبت به تغییر مکان مینوشیاها حساس است و تطابق مثلث ها را به طور محلی تحت تاثیر قرار میدهد. برای حل این مشکل، در ساختار دلانی ساخته شده، رئوس غیرمجاور ِ مثلث های مجاور را به هم متصل میکنیم و مثلث های جدید حاصل را به مجموعه مثلث های دلانی اضافه میکنیم. با این کار در حقیقت، تاحدودی جابه جایی مینوشیاها را پیش بینی کرده ایم. همچنین در صورتی که دو تصویر همتا، منطقه همپوشانی کوچکی داشته باشند، مینوشیاهای خارج از منطقه هم پوشانی در دو تصویر امتیاز تطابق را به شدت کاهش میدهند. بنابراین با به دست آوردن منطقه همپوشانی و در نظرنگرفتن مینوشیاهای خارج از آن ناحیه در محاسبه امتیاز تطابق، امتیاز دقیق تری حاصل خواهد شد. این کار با به دست آوردنِ مختصات بالاترین، پایین ترین، چپ ترین و راست ترین زوج مینوشیاهای همتا انجام می شود. پیشنهادات ارائه شده برای سه پایگاه داده fvc2002-db1، fvc2002-db2 و fvc2003-db3 بررسی و با روش معمول مقایسه شد. نتایج نشان میدهد که اعمال این روش ها باعث بهبود کارایی مثلثی سازی دلانی و افزایش دقت عمل تطابق میشوند.