افزایش تعداد و پیچیدگی شبکه های موبایل در سال های اخیر و مدیریت موثر شبکه به یکی از چالش های اساسی اپراتورها تبدیل شده است. برای غلبه به این چالش ها، تمایل زیادی برای افزایش درجه اتوماسیون در طراحی و بهره-برداری شبکه های تلفن همراه وجود دارد. شبکه های خود سازمان دهنده (SON) به عنوان راه حلی در پیاده سازی شبکه-های مخابراتی، به طوریکه از سه ماژول کلیدی برای پیکربندی، بهینه سازی و نگهداری از شبکه به صورت خودکار تشکیل می شوند، پیشنهاد شده است. در این پروژه، از یک الگوریتم ژنتیک برای بهینه سازی پارامترهای شبکه استفاده شد. الگوریتم ژنتیک یک روش یادگیری تقویتی است که از مفاهیم تکامل طبیعی برای یافتن راه حل های بهینه استفاده می کند. این ماژول بر اساس یک الگوریتم توسعه یافته است و می تواند پارامترهای شبکه نظیر توان، زوایای آنتن ها و وضعیت کار سلول ها را به منظور بهبود عملکرد شبکه از نظر پوشش، ظرفیت و بالانس بار شبکه بهینه سازی کند. نتایج شبیه سازی نشان داد که ماژول پیشنهادی در مقایسه با سایر روش های موجود، عملکرد بهتری را ارائه می دهد. به عنوان مثال، در سناریوی شهر قم، ماژول پیشنهادی توانسته است، در حالی که بالانش شبکه را نیز حفظ نموده، پوشش و ظرفیت شبکه را به طور قابل توجهی بهبود بخشد. علاوه بر این، ماژول پیشنهادی قادر به در نظر گرفتن شرایط پویا شبکه نظیر از کار افتادن سلول ها و تغییر توزیع جمعیت نیز می باشد. این امر به بهبود عملکرد شبکه در شرایط واقعی کمک می کند.

به منظور موقعیت یابی ماهواره ای با استفاده از سامانه های GNSS/GPS، نیاز به دریافت سیگنال از حداقل 4 ماهواره وجود دارد تا موقعیت به صورت مختصات بر مبنای طول، عرض و ارتفاع جغرافیایی تعیین شود. در حالت استاندارد دقت به دست آمده بین 5 تا 25 متر صحت دارد. وجود خطاهای اتمسفری یونسفر و تروپسفر، خطاهای مداری موقعیت، ساعت ماهواره (خطای گیرندگی)، ساعت گیرنده، نویز و چندمسیری باعث خطای مذکور در تعیین موقعیت می شود. حذف یا کاهش خطاهای موقعیت یابی با استفاده از یک گیرنده مرجع CORS که دارای مختصات دقیق است، امکان پذیر می شود. هدف از این طرح، تولید یک نرم افزار با قابلیت های هم زمان سازی مشاهدات کد و فاز قبل از ایجاد ترکیبات تفاضلی، حل صحیح ابهام فاز تفاضلی دوگانه از طریق دو الگوریتم لامبدا و تئوری شبکه، برآورد خطاهای یونسفری و تروپسفری بین ایستگاه های مرجع از طریق محاسبه مقادیر ابهام فازها، تعیین موقعیت تقریبی ایستگاه سیار از طریق کد به صورت اپک به اپک و نهایتا اعمال تصحیحات به گیرنده سیار از طریق پردازش های اولیه شبکه، انتخاب ایستگاه مرجع اصلی و تفکیک خطاهای یونسفری و تروپسفری است. با تکنیک درون یابی و مدل سازی، اثر فاصله از گیرنده مرجع تا حدودی از بین رفت و موجب شد علاوه بر اینکه تراکم ایستگاه های مرجع کاهش (مزیت اقتصادی) و دقت به دست آمده، مستقل از فاصله گیرنده نیز افزایش یابد. با استفاده از این نرم افزار امکان اعمال تصحیحات به گیرنده سیار و افزایش دقت میسر شده است.

"در سال های ابتدایی پس از تولد و حتی پیش از آن، عوامل محیطی، تاثیر بسیاری در رشد فیزیکی، شناختی و عصبی افراد دارد. هدف از این طرح، مطالعه بر روی اختلالات و مشکلات در بین کودکان زیر 5 سال، با رویکرد استفاده از پرسشنامه سنین و مراحل در راستای شناسایی عوامل موثر، تشخیص اختلالات و مداخله زودهنگام بوده است. در این پروژه با بررسی چند هزار پرونده ی روانشناسی مربوط به مراجعین مرکزی درمانی در شهر تهران، مجموعه داده ای به حجم 1، 400 مورد، متشکل از پاسخ پرسشنامه سنین و مراحل، نتایج چک لیست رفتاری کودکان، اطلاعات جمعیت شناسی و برخی ویژگی های مربوط به تولد، تحول و پزشکی جمع آوری شد. سپس با استفاده از تحلیل ها و آزمون های آماری پارامتری و ناپارامتری به کشف روابط موجود بین این دادگان و نتایج حاصل از چک لیست رفتاری کودکان پرداخته شد. از جمله مهم ترین ویژگی های موثر کشف شده در بروز برخی از این اختلالات، می توان به شاغل بودن مادر، جنسیت، تحصیلات پدر و مادر و همچنین حیطه های پرسشنامه ی سنین و مراحل اشاره نمود. در ادامه این کار با استفاده از روش های یادگیری ماشین، به همراه استفاده از روش های کاهش بعد و انتخاب ویژگی ها، یادگیری مشخصات شناختی موجود، به تشخیص هر کدام از این اختلالات پرداخته شد. در نهایت به پیاده سازی نتایج این پژوهش به عنوان یک سیستم پیشنهاددهنده در اپلیکیشن مربوطه پرداخته شد. در این سیستم با گرفتن اطلاعات پروفایل شناختی کودکان و نتایج آزمون های روانشناسی ذکر شده، بر اساس مدل های مبتنی بر هوش مصنوعی و بر پایه ی دادگان جمع آوری شده تشخیص و پیش بینی 15 اختلال و یا مشکل روانشناسی میسر شد. "

"با توجه به اهمیت تشخیص بسیاری از بیماری ها به خصوص بیماری های عصبی و روان، در مراحل اولیه، لزوم استفاده از ابزاهای مجهز به هوش مصنوعی و سیستم های تصمیم یار بالینی، بیشتر احساس می شود. در این طرح یک سیستم تصمیم یار بالینی ایجاد شده است که با استفاده از صدا و گفتار بیمار، وجود بیماری در سه دسته کلی بیماری های حنجره، بیماری های عصبی و مشکلات روانی، به عنوان بیماری هایی که پروزودی گفتار را تحت تاثیر قرار می دهند، تشخیص می دهد. در انجام این کار، ابتدا یک مرور دامنه برای شناسایی الگوریتم های یادگیری ماشین جهت تشخیص بیماری های پروزدیک گفتاری با استفاده از صدا یا گفتار با تمرکز بر سه دسته بیماری های عصبی، حنجره و روان انجام گرفت. در مرحله دوم طرح، برای هر دسته از بیماری های هدف این طرح، مدل یادگیری عمیق پیاده سازی گردید و معیارهای ارزیابی مدل ها ارائه شد. در مرحله سوم یک سیستم تصمیم یار بالینی، بر پایه مدل های یادگیری عمیق پیاده سازی شده در مرحله قبل، جهت تشخیص وجود بیماری حنجره، عصبی یا روانی ایجاد شد. نتایج مرحله اول نشان داد که الگوریتم های یادگیری ماشین برای تشخیص بیماری های حنجره صرفا از ویژگی های آکوستیک صدا و برای تشخیص بیماری های روان عمدتا از ویژگی های پروزودیک استفاده کرده است. همچنین در خصوص بیماری های عصبی نیز، ویژگی های آکوستیک بیشتر از ویژگی های پروزودیک مورد استفاده قرار گرفتند. از دیگر نتایج حاصل شده در این طرح می توان به کاربردپذیری سیستم تصمیم یار بالینی پیاده سازی شده اشاره کرد. نتایج این طرح نشان داد که می توان از صدا یا گفتار بیمار به عنوان یک منبع غنی برای تشخیص بیماری های عصبی، روان و حنجره بهره جست. "

"در سال های اخیر کشور ما با ورود بسیاری از مردم به بازار سرمایه و تزریق حجم بالای نقدینگی به این بازار مواجه بوده است. تشتت در تصمیم گیری و معاملات هیجانی افراد در این بازار منجر به متضرر شدن آن ها در این بازارها می شود. در این وضعیت با استفاده از ابزارهای هوش مصنوعی می توان ابزاری ساخت که افراد را در مدیریت سرمایه شان در بازارهای مالی مختلف یاری کند. در این طرح به عنوان ورودی، میزان ریسک پذیری، میزان علاقه به بازارهای مختلف، میزان نیاز به نقدپذیری سرمایه و سایر فاکتورها از کاربر گرفته می شود و به صورت هوشمندانه برای وی پورتفویی از اوراق بهادار مختلف و کانال های سرمایه ای در نظر گرفته شده و به وی پیشنهاداتی می دهد که تا حد ممکن با ویژگی های انتخاب شده توسط وی منطبق باشد. در این طرح یک سیستم پشتیبانی تصمیم گیری (DSS) برای مدیریت پورتفوی شخصی سرمایه گذاری در بازار سرمایه طراحی و ساخته شده است. این سامانه با استفاده از هوش مصنوعی، به سرمایه گذاران در انتخاب سبدی از اوراق بهادار و کالاهای سرمایه ای متناسب با ویژگی هایشان کمک می کند. در این کار از الگوریتم های بهینه سازی برای کاهش وابستگی میان انتخاب های انجام شده و الگوریتم های یادگیری تقویتی برای یادگیری تاثیرات انتخاب ها بر روی بازدهی و ریسک سبد انتخاب شده استفاده شده است. از مزایای این سامانه می توان به کمک به سرمایه گذاران در انتخاب سبدی متناسب با ویژگی هایشان، کاهش ضرر و زیان سرمایه گذاران، افزایش کارایی و سودآوری سرمایه گذاری و ارائه اطلاعات و سیگنال های ساده و قابل فهم به کاربران اشاره کرد. به نظر می رسد که این سامانه می تواند تاثیر به سزایی در مدیریت سرمایه گذاری شخصی داشته باشد و به سرمایه گذاران کمک کند تا تصمیم گیری های بهتری در بازار سرمایه انجام دهند. "

"بیماری کرونا، ناشی از SARS-CoV-2، عمدتاً از طریق قطره های تنفسی گسترش می یابد و دستگاه تنفسی انسان را هدف قرار می دهد. باتوجه به ضرورت مطالعه زمینه ژنتیکی افراد، برای شناسایی پنل های غربالگری ژنومیک مرتبط با تعیین میزان مقاومت، حساسیت و نیز شدت ابتلا به بیماری و نیز توسعه هوشمند راهکارهای پیشگیری و مدیریت درمان، استفاده از روش های اختصاصی توالی یابی با کارایی بالا (WGS) بر روی پلتفرم DNBSeq و الگوریتم های اختصاصی توسعه یافته بر پایه یادگیری ماشین گزینه مطلوبی جهت رسیدن به این اهداف است. در این پروژه ابتدا داده های مربوط به 100 نمونه مورد تجزیه و تحلیل قرار گرفت. پس از بهینه سازی مراحل آنالیز داده ها، توزیع کروموزومی واریانت ها بعد از توسعه پنل ژنومیک به دست آمدکه تعداد 14، 489 واریانت برای پنل نهایی غربالگری شناسایی شدند. با توجه به تنوع فنوتیپی نمونه های مربوط به گروه های کم خطر، تعداد واریانت ها و نیز تعداد موارد چندشکلی این گروه در مقایسه با گروه افراد پر خطر بیشتر بود. در این طرح، علاوه بر شناسایی پنل غربالگری ژنومیک، با استفاده از روش های محاسباتی و آماری، ترکیب پنل مرجع توسعه یافته و آنالیزGene Set Enrichment نیز برای درک بهتر کارایی پنل انجام شد. بررسی ژن های پنل نشان دادند، 20 ژنی که بیشترین تعداد SNP در آن ها وجود دارد از خانواده ncRNA هایی هستند که اغلب در فرآیند های تنظیمی سیستم ایمنی نقش دارند. با توجه به نتایج به دست آمده، توسعه پنل ژنومیک مرتبط، درک ماهیت این پنل و نقش اساس ژنتیکی میزان حساسیت به COVID-19 در سطح سلولی، می تواند در آینده به توسعه واکسن ها و تدوین اقدامات کنترلی برای سایر بیماری های ویروسی و پاندمی های احتمالی کمک کند. همچنین، این نتایج نشان داد که آگاهی از تنوع موجود در توالی کل ژنوم، می تواند عوامل ژنتیکی موثر در دامنه گسترده واکنش به بیماری های ویروسی را شناسایی کرده و در مدیریت و درمان نقش موثری ایفا کند. "