---

مدلسازی وابسته به متن به عنوان شیوه ای مفید برای افزایش دقت مدلسازی در بازشناسی گفتار پیوسته مورد توجه است. معمولترین شکل پیاده سازی این شیوه، استفاده از مدلهای سه آوایی است. با این همه، تعداد زیاد این مدلها موجب می شود که در عمل، آموزش سیستم با مشکلات زیادی همراه باشد و دستیابی به آموزش مقاوم (Robust training) به سختی میسر گشته یا اصولا مقدور نشود. یکی از شیوه های حل این مشکل، استفاده از روش گره زدن (Tying) پارامترها است. در این مقاله خوشه بندی (Clustering) برای پارامترهای حالت مدل HMM صورت گرفته و حالتهای قرار گرفته در خوشه با یکدیگر گره زده شده اند تا در کل سیستم، تعداد پارامترها کاهش یافته و آموزش مقاوم حاصل شود. دو نوع دسته بندی یکی بر اساس پارامترهای مدلهای نهایی آموزش دیده و فاصله بین آنها و دیگری به کمک داده های آموزشی و بر مبنای درخت تصمیم گیری انجام شده است. در پیاده سازی روش اخیر به طراحی درخت تصمیم گیری بر اساس ویژگیهای آکوستیکی آواها در زبان فارسی و شباهتها و تفاوتهای آنها اقدام شده است. نتایج بدست آمده، موفقیت آمیز بودن هر دو روش را تایید کرده است. با این حال، مزیت روش دوم در امکانپذیر ساختن تخمین پارامترهای مدلهای دیده نشده است.

---

---

بدلیل نفوذ بالای مزارع بادی در شبکه‌ها، این منابع می‌توانند نقش بارزی در کنترل سیستم قدرت ایفا کنند. در این مقاله از مزارع بادی (WFs) به منظور افزایش حاشیه‌ی امنیت استاتیک سیستم قدرت استفاده شده است. یکی از روش‌های معمول برای بهبود حاشیه امنیت استاتیک سیستم قدرت برنامه‌ریزی مجدد تولید است. در این مقاله برنامه‌ریزی مجدد تولید برپایه‌ی مزارع بادی انجام شده است. به منظور ارزیابی وضعیت امنیت استاتیک سیستم قدرت از میزان توان اکتیو و راکتیو خالص تزریقی باس‌ها استفاده شده است. تعداد ویژگی‌های انتخابی به کمک یکی از مشهورترین روش‌های استخراج ویژگی به نام PCA کاهش یافته است. در این مقاله به این منظور از روش‌های استخراج ویژگی استفاده شده است که تاثیر همه‌ی ویژگی‌ها بر روی امنیت سیستم قدرت حفظ شود. در این مقاله برای دستیابی به بهینه‌ترین راهکار برای افزایش امنیت سیستم قدرت دو مسئله‌ی بهینه‌سازی برای دو استراتژی مختلف معرفی شده است. روش پیشنهادی بر روی شبکه ۳۹ باسه پیاده‌سازی شده است و نتایج تاثیر الگوریتم انتخابی را به خوبی نشان داده است. در این مقاله از تبدیل ناتاف به منظور تولید اعداد تصادفی با ضریب همبستگی مشخص استفاده شده است.

---

یکی از مشکلات مهم در مطالعات به سازی لرزه ای ساختمان های موجود، تصمیم گیری به موقع برای ختم ویا ادامه ی مطالعات مراحل مختلف به سازی، به منظور صرفه جویی در وقت و هزینه است. برای حل این مشکل و اظهار نظر منطقی تر پیرامون این مسئله، می توان از سیستم های تصمیم گیر در ارزیابی سازه کمک گرفت. در این مقاله، روند استفاده از ابزار فازی برای دسته بندی سازه ها به سطح پذیرش خطر لرزه ای با توصیف کیفی ارائه شده است. هدف از این تحقیق، تهیه ی مدلی است که بتواند مطالعات اولیه ی به سازی لرزه ای ساختمان های موجود و هم چنین، تصمیم گیری درباره ی ادامه ی روند مطالعات آن ها را تسریع بخشد. از جمله مهم ترین مزایای روش پیشنهادی می توان به امکان مدل کردن عدم قطعیت ها، ورود اطلاعات برداشت شده از سازه به صورت کیفی و سرعت بسیار بالای روند تحلیل ریسک، اشاره کرد. در نهایت، برای بررسی کارایی روش پیشنهادی، مدل طرح شده روی تعدادی از مدارس تهران و حومه، آزمایش شد که نتایج حاکی از کارایی مناسب آن است.

---

پایداری کورکومین و راندمان انکپسولاسیون آن در امولسیون از جمله مهمترین فاکتورهای تعیین کننده زیست‌دسترس‌پذیری و جذب آن در بدن است. به این منظور در پژوهش حاضر پارامترهای موثر بر این دو فاکتور شامل زمان، pH و غلظت سلولز به‌عنوان متغیرهای ورودی و پایداری کورکومین و راندمان انکپسولاسیون به‌عنوان متغیر پاسخ در شبکه عصبی مصنوعی و الگوریتم درخت تصمیم استفاده شد. در این راستا نانوکریستال سلولز حاصل از هیدرولیز اسیدی برای تهیه پیکرینگ امولسیون کورکومین با نسبت روغن:آب ۹۵:۵ و غلظت سلولز ۱، ۵/۱، ۲، ۵/۲، و ۳ درصد وزنی/حجمی استفاده شد و راندمان انکپسولاسیون روغن حاوی کورکومین و پایداری آن در طول ۸ روز اندازه‌گیری شد. نتایج نشان داد که با افزایش  غلظت سلولز راندمان انکپسولاسیون به صورت معنی‌داری افزایش یافته و همچنین راندمان انکپسولاسیون در pH ۷ بالاتر از pH ۲ بود (۰۵/۰p≤). کورکومین موجود در امولسیون‌های تهیه شده در pH ۲ در طول نگهداری به شدت کاهش یافت این درحالی بود که میزان کورکومین موجود در امولسیون‌های با pH ۷ در طول ۸ روز نگهداری به‌خوبی پایدار بود. مدل‌سازی برای دو پارامتر پایداری کورکومین و راندمان انکپسولاسیون با آماره‌های R^۲ و RMSE% به‌ترتیب نشان داد ۱-۶- ۳ MLP (۰۰/۱۰RMSE%= و ۹۹/۰ R^۲=) و ۱-۶-۲ RBF  (۹۹/۹RMSE%= و ۹۹/۰ R^۲=) دارای دقت بالاتری است. در نهایت نتایج نشان داد استفاده از الگوریتم شبکه عصبی مصنوعی نسبت به درخت تصمیم برای پیشبینی این دو پارامتر عملکرد بهتری داشت.