---

ارتفاع موج شاخص، در طراحی و تحلیل سازه­های دریایی و بهره برداری از آنها پارامتر بسیار با اهمیتی می‌باشد در نتیجه پیش‌بینی این پارامتر کمک شایانی به بهبود طراحی و آنالیز سازه‌های دریایی می‌نماید، از روش‌های مدل‌سازی مشخصات امواج می‌توان به مدل‌های عددی، تجربی و هوش مصنوعی اشاره کرد، در این پژوهش از مدل سوان که یکی از انواع مدل­های نسل سوم در مدل‌سازی و تخمین مشخصات امواج است، استفاده شده است. سپس از مدل­های مبتنی بر محاسبات نرم شامل مدل­های منفرد و ترکیبی هوش مصنوعی مانند سیستم استنتاج عصبی‌-‌فازی انطباقی، مدل ماشین بردار پشتیبان و شبکه عصبی مصنوعی احساسی، در پیش‌بینی ارتفاع موج استفاده شده است و از داده­های بویه امیرآباد جهت صحت‌سنجی استفاده شده است. ورودی مدل­ها در این پژوهش پارامتر سرعت باد و خروجی مدل‌ها نیز ارتفاع موج می­باشد. تحلیل مدل­های مختلف با استفاده از سنجه­های آماری اریبی، جذر میانگین مربع خطاها، ضریب پراکندگی و ضریب تبیین، انجام شده است. ارزیابی مدل‌ها توسط آماره­های فوق، حاکی از انطباق قابل قبول ارتفاع موج شاخص بدست آمده از مدل سوان با بویه دارد. همچنین هر سه مدل مبتنی بر هوش مصنوعی مذکور قابلیت پیش­بینی نسبتاً دقیق پارامتر ارتفاع موج را دارند. همچنین مقایسه نتایج مدل­های مبتنی بر هوش مصنوعی نشان داد که مدل ماشین بردار پشتیبان، نسبت به بقیه مدل‌ها، دقیق‌تر است. مدل ماشین بردار پشتیبان به عنوان روشی جایگزین برای مدل سوان یا سایر روش­های عددی، در مواردی که داده‌های ارتفاع موج در دسترس نبوده و یا کیفیت آماری لازم را ندارد نتایج مدل‌سازی را بهبود می‌بخشد.
 

---

طراحی سیستم مدیریت یکپارچه شکایات به سازمان ها این امکان را می دهد که از بازخورد مشتریان اطلاعات بگیرند و از این اطلاعات به منظور کاهش نقاط ضعف عملکرد کسب و کار،استفاده بهینه از منابع سازمان وپایه گذاری رضایت و حفظ رابطه بلند مدت با مشتریان استفاده کنند. به همین منظور در این مقاله مدلی ارائه شده است که اولا بتواند نقاط ضعف سازمان را شفاف کند، به عبارت دیگر به کشف و شناخت الگوهای کاری و عوامل موثر بر آن بپردازد. ثانیا بتواند برای این مشکل راه حل ارایه دهد.به عنوان مطالعه موردی، داده های واحد مدیریت ارتباط با مشتریان بانک خصوصی آینده مورد استفاده قرار گرفته است. این داده ها مربوط به شکایات مشتریان به یکی از مراکز تماس تهران می باشد.در مدل پیشنهادی ایتدا به منظور ارائه یک روش توصیفی، اطلاعات با استفاده از روش کای میانگین خوشه بندی شده، خوشه های بهینه بر مبنای شاخص دیویس- بولدین تعیین و بر اساس تحلیل‌های به دست آمده ساختار سیستم پاسخگویی طراحی می شود. در مرحله بعد به منظور ارائه راه حل برای مشکل سازمان از روش ماشین بردار پشتیبان استفاده شده است. نتایج به دست آمده اعتبارسنجی شده و پیشنهاداتی به منظور بهبود سیستم مدیریت شکایات ارائه شده است.

---

---

در سیستم قدرت معمولاً رله های دیستانس به عنوان حفاظت اصلی خطوط انتقال ولتاژ بالا به کار گرفته می شوند و عملکرد صحیح آنها به لحاظ سلامت اجزا و پایداری سیستم از اهمیت ویژه ای برخوردار است. نوسان توان یکی از پدیده هایی است که می تواند باعث عملکرد اشتباه و نابجای رله های دیستانس معمولی گردد و در حالی که خطایی در سیستم وجود ندارد، تداوم انتقال انرژی الکتریکی را به مخاطره بیاندازد. در این مقاله، روشی مبتنی بر طبقه بند و بر اساس ماشین بردار پشتیبان (SVM) جهت شناسایی نوسان توان از خطای اتصال کوتاه در رله های دیستانس دیجیتالی ارائه گردیده است. سپس از طریق شبیه سازی یک سیستم قدرت نمونه و پردازش سیگنال های ولتاژ و جریان، تعدادی الگو برای یادگیری و تست طبقه بند SVM تولید شده و از این طریق عملکرد روش پیشنهادی مورد آزمایش و بررسی قرار گرفته است. همچنین به کمک الگوهای تست و یادگیری تولیده شده، ساختار مناسبی برای طبقه بند مورد نظر انتخاب شده است. مجموعه الگوهای یادگیری و تست، ترکیبی از حالت های مختلف نوسان توان و انواع خطاهای متقارن و نامتقارن را شامل می شود. نتایج آزمایش های انجام شده بیانگر کارآمدی الگوریتم حفاظتی پیشنهادی می باشند

---

چکیده یکی از مشکلات موجود در صنعت بسته‌بندی، توزیع تخم‏مرغ و جوجه‌کشی وجود تخم‏مرغ‏های دارای ترک می‌باشد. با توجه به حجم بالای تخم­مرغ­های تولیدشده در جهان جدا کردن تخم‌مرغ‌های شکسته امری مهم تلقی می­شود. در این تحقیق با استفاده از خاصیت هدایت الکتریکی، تخم­مرغ­های شکسته و سالم از یکدیگر تفکیک گردیدند. در این تحقیق از تخم‏مرغ نژاد هایلان استفاده گردید. از آنجایی که معیاری برای سنجش ترک در پوسته تخم­مرغ وجود ندارد تعداد ۱۰۰ تخم مرغ شکسته انتخاب گردید و به ده نفر متخصص در زمینه تخم مرغ نشان داده شد. ۴۸ تخم مرغ با ترک مویی از بین تخم­مرغ­های شکسته انتخاب و مورد آزمایش قرار گرفت. بدین منظور ضرایب دی­الکتریک و اتلاف تخم­مرغ­ها در فرکانس­های بین KHz ۴۰ تا MHz ۲۰ اندازه‌گیری شدند و به‌عنوان ورودی طبقه­بندهای شبکه عصبی و ماشین بردار پشتیبان مورداستفاده قرار گرفتند. طبقه­بندهای شبکه عصبی و SVM از ۵۰% داده­های اختصاص‌یافته برای ارزیابی  شامل ۷۵ و۲۶ تخم­مرغ شکسته و سالم، هردو توانستند با دقت ۱۰۰% تخم‏مرغ­های سالم و شکسته را با ضریب کاپا ۱ از یکدیگر جدا کنند.

---

در این پژوهش روشی عملی برای تشخیص و دسته‌بندی نوع عیوب در ورق و لوله توسط امواج هدایت‌شده فراصوت ارائه گردیده است. آزمون فراصوت مورد استفاده، روش ارسال-پژواک به وسیله موج لمب می‌باشد که نتایج آ-اسکن این آزمون‌ها مورد استفاده قرار گرفته است. آزمون‌ها بر روی ورق و لوله از جنس آلومینیوم همسانگرد ۱۰۵۰ تمپر ۱۴۱۶ با ضخامت ۴/۰میلی‌متر انجام شده است. عیوب مورد بررسی در این پژوهش دو نوع عیب شامل عیوب خوردگی و ترک است که از عیوب رایج در خطوط لوله و سازه‌های فلزی مانند بدنه خودرو، سازه‌های هوافضا و غیره می‌باشد. این پژوهش در سه بخش پیاده‌سازی گردیده است. بخش اول آزمون آزمایشگاهی، بخش دوم پردازش سیگنال و در بخش سوم استفاده از الگوریتم طبقه بند مناسب جهت دسته‌بندی سیگنال عیوب بوده است. در مرحله اول با استفاده از موج لمب آزمون‌های متعدد و مختلفی بر روی نمونه‌های استاندارد تهیه‌ شده با عیب مشخص انجام شد که در مراحل بعدی ۲۰۶ سیگنال حاصل، پس از آن انجام پردازش‌های مناسب به الگوریتم طبقه‌بندی ماشین بردار پشتیبان جهت طبقه‌بندی ارائه گردید. نتایج حاصل از پژوهش پیش رو نشان‌دهنده کارایی الگوریتم پیشنهادی است به طوری که می‌توان با دقت حدود ۹۹ درصد عیب خوردگی را از عیب ترک تمیز داد.

---

در این تحقیق، استفاده از ماشین بردار پشتیبان SVM)) به منظور آشکارسازی زودهنگام عیب افزایش سطح مخزن راه‌انداز در شرایط تغییر بار یک بویلر یک گذر نوع بنسون ارائه شده است. افزایش سطح مخزن راه‌اندازی به دلیل به هم خوردن شرایط حرارتی بویلر بخصوص هنگام کاهش توان کاری واحد بخار رخ می‌دهد. برای این منظور، ابتدا عوامل موثر در افزایش سطح مخزن راه‌انداز با توجه به داده‌های تجربی بدست آمده از یک واحد نیروگاهی شناسایی شده، سپس با انتخاب ویژگی مناسب ابعاد ورودی کاهش یافته است. نتایج تجربی نشان می‌دهد که تغییر دمای دیواره‌ها می تواند به عنوان بهترین شاخصه افت کیفیت بخار در نظر گرفته شود. با مقایسه ویژگی‌های استخراجی در شرایط سالم و ناسالم، مدل مناسبی از خطا با استفاده از ماشین بردار پشتیبان با تابع پایه شعاعی (RBF) به عنوان هسته آن، تهیه شده است. عملکرد سیستم آشکارساز خطا بر اساس داده‌های وقوع دو عیب مشابه در دو بازه زمانی متفاوت از یک واحد بخار نیروگاه بخار بررسی شده است. نتایج حاصل، دقت و قابلیت روش پیشنهادی برای کشف زودهنگام شرایط کارکرد ناسالم در وضعیت تغییر بار واحد را نشان می‌دهد. مزیت روش پیشنهادی، ممانعت از ایجاد آلارم‌های کاذب در بویلرهای نیروگاهی در شرایط تغییر بار است.

---

در این پژوهش، مقایسه‌ای بین روش های تجزیه حالت تجربی، تجزیه حالت تجربی دسته‌ای و تبدیل موجک گسسته با توابع موجک مادر مِیِر و دابچی در تشخیص عیب نابالانسی ماشین دوار انجام شده است. به منظور طبقه‌بندی و تفکیک کلاس سالم از نابالانسی ماشین دوار، از ماشین بردار پشتیبان بهینه شده با الگوریتم بهینه‌سازی ازدحام ذرات استفاده شده است. همچنین، مقایسه‌ای بین عملکرد ماشین بردار پشتیبان بهینه و غیربهینه نیز انجام شده است. به منظور تهیه داده‌های مورد نیاز، ابتدا یک دستگاه شبیه‌ساز عیب در ماشین دوار ساخته، سپس سیگنال‌های ارتعاشی در دو حالت سالم و عیب نابالانسی، توسط سنسورهای شتاب اخذ شدند. بعد از پردازش و تجزیه سیگنال‌ها به مولفه‌های فرکانسی آنها، چند ویژگی آماری از هر مولفه فرکانسی استخراج و بعنوان ورودی ماشین بردار پشتیبان، جهت تفکیک کلاس‌ها از یکدیگر مورد استفاده قرار گرفت. نتایج حاصل نشان داد که روش تبدیل موجک گسسته با تابع موجک مادر مِیِر، درصد موفقیت بالاتری در تشخیص عیب نابالانسی نسبت به سایر روش‌ها دارد.

---

چکیده- عدم قطعیت موجود در مطالعات مدل‌سازی آلودگی هوا، نتایج شبیه‌سازی را به شدت تحت تأثیر قرار می‌دهد. در این راستا تعیین عدم قطعیت مدل‌های پیش‌بینی کیفی هوا، به دلیل تأثیرگذاری بر سلامت افراد در معرض آلودگی، از اهمیت ویژه‌ای برخوردار است. بنابراین در این تحقیق اقدام به تعیین عدم قطعیت ماشین بردار پشتیبان (SVM) برای تخمین مونوکسید کربن (CO) در ایستگاه پایش قلهک، در شمال تهران، شده است. برای تعیین عدم قطعیت مدل SVM، با تغییر الگوهای انتخابی برای کالیبراسیون، به دفعات زیاد واسنجی مدل انجام شد. این امر با خروجی‌های مختلف در هر مرحله، به دلیل حساسیت مدل به الگوهای واسنجی انتخابی، همراه بود. سپس با استفاده از فاکتور عرض باند (d-factor) و درصد داده‌های اندازه‌گیری قرار گرفته در باند ۹۵ درصد عدم قطعیت مدل (۹۵PPU)، عملکرد SVM در فرآیند پیش‌بینی CO مورد ارزیابی قرار گرفت. نتایج این تحقیق بیانگر عملکرد مناسب مدل SVM در پیش‌بینی غلظت روزانه CO در شهر تهران بود به گونه‌ای که از ضریب تعیین (R۲) معادل ۸۹/۰ و ۸۸/۰ به ترتیب در مراحل کالیبراسیون و صحت‌سنجی برخوردار بود. همچنین یافته‌های تحلیل عدم قطعیت مدل SVM مشخص نمود که مقدار d-factor و درصد داده‌های اندازه‌گیری محصور شده توسط ۹۵PPU برای این مدل در مرحله صحت‌سنجی به ترتیب معادل ۷۴/۰ و ۷۶ درصد می‌باشد. بر اساس شاخص‌های آماری d-factor و ۹۵PPU، عدم قطعیت مدل SVM برای پیش‌بینی غلظت روزانه CO در تهران قابل قبول بوده به نحوی که این مدل از عدم قطعیت اندکی در پیش‌بینی این شاخص کیفیت هوا در شهر تهران برخوردار بود.

---

هر صنعتی نیازمند برنامه ای پیش گویانه، در جهت بهینه نمودن مدیریت منابع و بهبود اقتصاد کارخانه با کاهش هزینه های غیر ضروری و افزایش سطح ایمنی می باشد. ماشین های دوار از جمله ماشین های رایج در صنعت است و ریشه بیشتر خرابی ها در ماشین های دوار به دلیل خرابی یاتاقان های غلتشی می باشد. ماهیت گذرای ارتعاشات ناشی از عیب در یاتاقان های غلتشی باعث گردیده تا تحلیل ارتعاشات در این تجهیزات با استفاده از تبدیل موجک پیوسته و آنالیز پوش انجام پذیرد. این مقاله به بررسی کاربردی روش ترکیب ماشین بردار پشتیبان و آنالیز مؤلفه های مستقل در تشخیص هوشمند محل و نوع عیب در یاتاقان های غلتشی می پردازد. از آنالیز مؤلفه های مستقل برای استخراج ویژگی و کاهش ابعاد از ویژگی های اصلی استفاده شده است، همچنین از آنالیز مؤلفه های اصلی نیز برای استخراج ویژگی استفاده شده و نتایج آن با آنالیز مؤلفه های مستقل مقایسه گردیده است. در این مقاله، طبقه بندی کننده چند کلاسه ماشین بردار پشتیبان برای طبقه بندی عیب به کار گرفته شده است و از روش اعتبار سنجی متقابل برای انتخاب مقادیر بهینه پارامترهای تابع هسته و ماشین بردار پشتیبان استفاده شده است.

---

یکی از مسائل حائز اهمیت در شهرها و کلان‌شهرهایی که با معضلات و آثار زیان‌بار آلودگی مواجه هستند، مسئله اطلاع‌رسانی وضعیت آینده کیفیت هوا و میزان آلودگی هوای شهری به مردم است. این مهم می‌تواند از طریق پیش‌بینی‌های روزانه یا حتی ساعتی وضعیت آلودگی هوا میسر شود و از قرارگیری افراد جامعه در مکان‌های آلوده و تبعات جبران‌ناپذیر آن جلوگیری کند. بنابراین نیاز به پیش‌بینی وضعیت کیفی هوا و تخمین‌های کمی از غلظت آلاینده‌ها در پی آمدوشد وسایل‌نقلیه احساس می‌شود که در این پژوهش به مسئله پیش‌بینی ساعتی غلظت آلاینده ذرات معلق (PM۲,۵) در منطقه ۱۱ شهرداری تهران پرداخته شده که در حدود ۸۰ درصد روزهای آلوده سال تحت اثر این آلاینده ار حد سالم تجاوز کرده است. روش مورد استفاده برای پیش‌بینی در این پژوهش، یکی از روش‌های تحلیل شبکه‌های عصبی با نام ماشین بردار پشتیبان (SVM) است. نتایج حاصل از این تحقیق نشان داد که مدل‌های SVM در پیش‌بینی سهم و مشارکت ترافیک ساعتی جاده‌ای در انتشار ذرات معلق به‌شدت خوب عمل می‌کنند و پیش-بینی‌ها به‌خوبی با مشاهدات هماهنگی دارند و این فرصت را فراهم می‌کند تا به‌عنوان ابزار مدیریت کیفیت هوا به‌کار روند.

---

در این پژوهش تاثیر پوشش خوراکی صمغ فارسی (۰، ۵/۱ و ۳ درصد) حاوی روغن شاهدانه (۰، ۰۷۵/۰ و ۱۵/۰ درصد) بر تغییرات جرم و حجم طی نگهداری در دمای ۴ درجه سلسیوس به مدت ۲۸ روز بررسی گردید. سیستم بینایی ماشین به همراه انواع روش‌های یادگیری ماشین برای استخراج تصویر انگور از تصویر و تخمین جرم و حجم بر اساس خصیصه‌های تصویر (طول، عرض، ارتفاع و سطح) استفاده شد. برای پیش‌بینی جرم و حجم حبه انگور ۴ مدل یادگیری ماشین شامل رگرسیون خطی (LR)، شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان بر پایه تابع شعاعی (RBF-SVR) و ماشین بردار پشتیبان بر پایه تابع خطی (LBF-SVR) توسعه یافت. به‌منظور بررسی کارایی مدل‌های توسعه یافته داده‌های تخمین جرم و حجم انگور با داده‌های تجربی مقایسه گردید. جرم و حجم طی نگهداری در کل تیمارها کاهش یافت. از طرفی تغییرات جرم و حجم با افزایش غلظت صمغ فارسی و روغن شاهدانه کاهش یافت. بر اساس نتایج ارزیابی مدل، عملکرد پیش‌بینی مدل RBF-SVR در مقایسه با مدل‌های LR، ANN و LBF-SVR دقیق‌تر بود و توانست جرم و حجم را به ترتیب با ضریب تبیین ۹۹۸/۰ و ۹۸۹/۰ تخمین بزند که نشان‌دهنده همبستگی خوب بین نتایج واقعی و پیش‌بینی است. این نتایج تائید می‎‌نماید که مدل SVR ابزاری قابل قبول در تخمین جرم و حجم انگور پوشش‌دار شده طی نگهداری در دمای سردخانه است. 

---

در این مقاله، یک روش جدید برای عیب‌یابی یاتاقان‌ها در سرعت دورانی‌های مختلف ارایه شده است. سیگنال‌های ارتعاشی در چهار حالت سالم، رینگ داخلی معیوب، رینگ خارجی معیوب و المان ساچمه معیوب جمع‌آوری شده‌اند. ابتدا ۲۲ ویژگی آماری در حوزه‌ زمان و ۴ ویژگی در حوزه فرکانس از سیگنال اصلی، ۳ سطح تجزیه حاصل از تبدیل بسته‌ای موجک (WPD) و ۵ مولفه اول حاصل از تجزیه مود تجربی (EMD) استخراج شده‌اند و در نهایت، بردار ویژگی برای هر نمونه سیگنال دارای ۴۲۴ ویژگی است. ماتریس ویژگی با ابعاد بزرگ ممکن است شامل ویژگی‌های غیرحساس به عیب باشد. از این رو در این مطالعه از روش انتخاب ویژگی ارزیابی جبران فاصله (CDET) برای انتخاب ویژگی‌های بهینه استفاده شده است. سپس، از ویژگی‌های منتخب به‌عنوان ورودی طبقه‌بندی‌کننده‌ ماشین بردار پشتیبان (SVM) برای پیش‌بینی وضعیت یاتاقان استفاده شده است. در روش CDET، شاخص آستانه‌ای وجود دارد که نقش تعیین‌کننده‌ای در انتخاب ویژگی‌های مطلوب ایفا می‌نماید. همچنین، روش SVM دارای پارامترهایی است که لازم است حین عیب‌یابی تنظیم شوند. از این رو در این مطالعه از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای تعیین مقادیر بهینه شاخص آستانه در روش CDET و پارامترهای بهینه SVM استفاده شده است، به‌طوری که خطای پیش‌بینی شرایط یاتاقان و تعداد ویژگی‌های منتخب کمینه شوند. نتایج به‌دست‌آمده در این مقاله نشان می‌دهد که ویژگی‌های انتخاب‌شده به‌خوبی قادر به تفکیک شرایط مختلف یاتاقان در سرعت‌های مختلف هستند. مقایسه نتایج این مقاله با دیگر روش‌های عیب‌یابی، دلالت بر توانمندی روش پیشنهادی می‌کند.
 

---

آب چاه به عنوان منبع محدود طبیعی تامین آب، نقش حیاتی در مناطق خشک و نیمه خشک ایفا می­کند. در سال­های اخیر با توجه به مشکل کمبود منابع آبی، مساله استفاده و مدیریت بهینه از اهمیت ویژه ای برخوردار است. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه آن، پیش بینی نوسانات سطح آب چاه لازم است. مدل­های دقیق و قابل اطمینان پیش بینی سطح آب چاه­ها می­توانند به استفاده پایدار از آب زیرزمینی به منظور تامین نیاز های شهری، کشاورزی و صنعتی کمک کنند. مدل­های عددی نیازمند پارامترهای زیاد، زمان بر و پرهزینه هستند، لذا در سال­های اخیر توجه خاصی به مدل هوشمند شده است. در این پژوهش مدل حداقل مربعات ماشین بردار پشتیبان وزن دار (WLS-SVM) با دقیق ترین تابع وزنی Myriad با الگوریتم­های فراکاوشی جامعه پرندگان (PSO) و گرانشی (GSA) ترکیب شده است و این دو مدل هیبریدی (WLSSVM-PSO) و (WLSSVM-GSA) به عنوان روش­های محاسباتی هوشمند جدید به منظور تخمین سطح آب زیرزمینی ارائه شده است. به منظور تخمین سطح آب زیرزمینی از داده­های ده چاه­ مشاهداتی در دشت باغین استان کرمان، دارای آمار تراز سطح ایستابی با سری زمانی ده ساله استفاده شده است. مقادیر تخمین زده شده از دو مدل هیبریدی با مقادیر مشاهده ای تراز سطح ایستابی مقایسه گردید و عملکرد این مدل­ها با شاخص­های آماری ارزیابی شده است. نتایج نشان داد که مدل­های هیبریدی WLSSVM-PSO و WLSSVM-GSA دارای دقت بسیار خوبی برای تخمین سطح آب زیرزمینی می­باشد، اما مدل WLSSVM-GSA نسبت به مدل WLSSVM-PSO کمی با دقت بالاتر عمل کرده است. بنابراین این مطالعه نشان می­دهد که می­توان از این مدل­های هیبریدی ارائه شده  به عنوان ابزاری کارآمد در تخمین سطح آب زیرزمینی استفاده نمود. آب چاه به عنوان منبع محدود طبیعی تامین آب، نقش حیاتی در مناطق خشک و نیمه خشک ایفا می­کند. در سال­های اخیر با توجه به مشکل کمبود منابع آبی، مساله استفاده و مدیریت بهینه از اهمیت ویژه ای برخوردار است. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه آن، پیش بینی نوسانات سطح آب چاه لازم است. مدل­های دقیق و قابل اطمینان پیش بینی سطح آب چاه­ها می­توانند به استفاده پایدار از آب زیرزمینی به منظور تامین نیاز های شهری، کشاورزی و صنعتی کمک کنند. مدل­های عددی نیازمند پارامترهای زیاد، زمان بر و پرهزینه هستند، لذا در سال­های اخیر توجه خاصی به مدل هوشمند شده است. در این پژوهش مدل حداقل مربعات ماشین بردار پشتیبان وزن دار (WLS-SVM) با دقیق ترین تابع وزنی Myriad با الگوریتم­های فراکاوشی جامعه پرندگان (PSO) و گرانشی (GSA) ترکیب شده است و این دو مدل هیبریدی (WLSSVM-PSO) و (WLSSVM-GSA) به عنوان روش­های محاسباتی هوشمند جدید به منظور تخمین سطح آب زیرزمینی ارائه شده است. به منظور تخمین سطح آب زیرزمینی از داده­های ده چاه­ مشاهداتی در دشت باغین استان کرمان، دارای آمار تراز سطح ایستابی با سری زمانی ده ساله استفاده شده است. مقادیر تخمین زده شده از دو مدل هیبریدی با مقادیر مشاهده ای تراز سطح ایستابی مقایسه گردید و عملکرد این مدل­ها با شاخص­های آماری ارزیابی شده است. نتایج نشان داد که مدل­های هیبریدی WLSSVM-PSO و WLSSVM-GSA دارای دقت بسیار خوبی برای تخمین سطح آب زیرزمینی می­باشد، اما مدل WLSSVM-GSA نسبت به مدل WLSSVM-PSO کمی با دقت بالاتر عمل کرده است. بنابراین این مطالعه نشان می­دهد که می­توان از این مدل­های هیبریدی ارائه شده  به عنوان ابزاری کارآمد در تخمین سطح آب زیرزمینی استفاده نمود.

---

پیش‌­بینی متغیرهای ترافیکی یکی از ابزارهای کارآمد در مدیریت تقاضای سفر است. با استفاده از این ابزار، متغیرهای ترافیکی پیش‌­بینی شده در اختیاران کاربران و گردانندگان سیستم حمل­‌ونقل قرار می­‌گیرد تا برنامه‌­ریزی­‌های فردی و سیاست‌گذاری‌های کلی اتخاذ شوند. در این پژوهش دو متغیر ترافیکی سرعت متوسط و حجم ترافیک ساعتی، در جاده برون‌شهری کرج به چالوس به‌عنوان محوری با نوسانات زیاد متغیرهای ترافیکی، پیش‌­بینی شده است. از میان مدل­‌های متنوع پیش‌­بینی کننده، مدل ساریما به‌عنوان یک مدل پارامتری و مدل­‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به‌عنوان مدل‌­های غیرپارامتری استفاده شده­‌اند. در فرآیند پیش‌­پردازش داده، متغیرهای اثرگذار بر سرعت متوسط و حجم ترافیک استخراج و به‌عنوان متغیرهای پیش‌­بینی کننده به مجموعه داده اضافه شده است. همچنین ازآنجاکه اطلاع داشتن از مقادیر بیشینه و کمینه سرعت متوسط و حجم ترافیک به‌عنوان وقایع نادر ترافیکی، اهمیت بیشتری به نسبت مقادیر عادی دارد، ارزیابی مدل­‌ها با تأکید بر پیش‌­بینی وقایع نادر انجام شده است. نتایج نشان می‌­دهد، برای داده آزمون، کمترین ریشه میانگین مربعات خطای پیش‌­بینی سرعت متوسط و حجم ترافیک به ترتیب با استفاده از مدل­‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان و برابر با ۱۳۹ وسیله نقلیه بر ساعت و ۵ کیلومتر بر ساعت حاصل شده است. کم­ترین ریشه میانگین مربعات خطا پیش‌­بینی سرعت متوسط برای چارک اول و چهارم به عنوان مقادیر نادر ترافیکی مقادیر مشاهده شده به ترتیب توسط مدل­‌های ماشین بردار پشتیبان و شبکه عصبی مصنوعی به دست آمده است. همچنین چارک اول و چهارم مقادیر مشاهده شده حجم ترافیک با مدل ماشین بردار پشتیبان دقیق­‌تر از دو مدل دیگر پیش‌­بینی شده­‌اند.