این تحقیق مدل رشد نئوکلاسیک را با استفاده از روش داده های تابلویی، مورد آزمون قرار داده است. روش داده های تابلویی روشی است که بر پایه آن در یک آزمون اقتصادسنجی به طور همزمان دو سری زمانی و مقطعی کنار یکدیگر قرار گرفته و نقاط مورد مشاهده افزایش می یابد و در نتیجه کارایی تخمین زده می شود. آزمون تئوری رشد نئوکلاسیک با تاکید بر عوامل برون زا و درون زا، برای 52 کشور منتخب در سری زمانی 1960 تا 2000 انجام پذیرفته است. متغیرهای مستقل مدل، بر اساس نتایج تحقیقات آزمون شده قبلی انتخاب شده و در سه مدل مجزا که در مقاطع کشورهای توسعه یافته، در حال توسعه و کل کشورها می باشند، از نظر قدرت توضیح دهندگی مورد آزمون قرار گرفته اند. این عوامل عبارتند از: تولید ناخالص ملی با یک وقفه زمانی، نرخ رشد سنی نیروی کار، سطح تحصیلات، تغییرات انباشت سرمایه و حجم تجارت اقتصاد. نتیجه آزمون ها حاکی از آن است که مدل رشد نئوکلاسیک، با ورود متغیرهای درون زا می تواند بخش قابل توجهی از رشد اقتصادی کشورها را توضیح دهد. این مساله به خصوص در مورد کشورهای توسعه یافته صنعتی از قاطعیت بیشتری برخوردار است. در عین حال با بهره گیری از روش تابلویی اثرات ثابت، می توان تفاوت های ساختاری و بنیادی کشورهای مختلف را در فرایند رشد اقتصادی مشاهده کرد و نشان داد که شرایط مختلف اقتصادی، اجتماعی و... چگونه در کشورها و مناطق متمایز رشد را تحت تاثیر قرار می دهد. .

استفاده بهینه از آب آبیاری نیاز به برنامه ریزی دقیق آبیاری دارد و برآورد دقیق ضریب گیاهی به خصوص در مقیاس های وسیع پیش نیاز آن است. هدف از این تحقیق مقایسه برخی از رویکردهای پیش پردازش داده های ورودی به شبکه عصبی مصنوعی: رگرسیونی و کاهش داده (تحلیل مؤلفه-های اصلی و چرخشی) در برآورد ضریب گیاهی با شاخص های NDVI، RI، TVI، MSAVI، SAVI، mTVI، EVI، MNDVI، TVX، NVSWI در جهت مدل سازی ضریب گیاهی گندم در استان آذربایجان شرقی بود. مقایسه عملکرد رویکرد کاهش داده و رگرسیون بیانگر کاهش معیارهای خطا در رویکرد کاهش داده بود، به عنوان نمونه درصد افزایش آماره RMSE از حالت چرخشی به رگرسیون 8/11 و از حالت تحلیل مؤلفه های اصلی به رگرسیون 7/22 بود. رویکردهای مورد استفاده در برآورد ضریب گیاهی از تخمین بیش برآوردی برخوردار بودند به طوری که میزان افزایش متوسط ضریب گیاهی دوره صحت سنجی از ضریب گیاهی فائو به رویکرد پیش پردازش با رگرسیون، تحلیل مؤلفه های اصلی و چرخشی به ترتیب 7/13، 7/6 و 6/4 درصد بوده است. بنابراین استفاده از چرخش در تحلیل کاهش داده میزان دقت تخمین را بالا می برد. کاهش 13/39 درصد ضریب همبستگی از شاخص MSAVI نسبت بهNDVI، حاکی از این است که شاخص های توسعه یافته براساس شرایط منطقه در افزایش کارایی برآورد ضریب گیاهی با تصاویر ماهواره ای از اهمیت ویژه ای برخوردار هستند.

امروزه رادیوجراحی استریوتاکتیک مبتنی بر گامانایف، برای درمان ضایعات مغزی با ابعاد کوچک بسیار توسعه یافته است. جهت بررسی دزیمتری و ارزیابی سیستم طراحی درمان گامانایف نیاز به استفاده از شبیه سازی مونت کارلو با استفاده از کد اختصاصی beamnrc که دارای گزینه های non CT Data و CT Data است، می باشد. اما با توجه به مزایا و عدم مزایای این گزینه ها، انتخاب گزینه بهتر و صحیح تر کد هدف اصلی این مطالعه می باشد. در این مطالعه برای اندازه گیری توزیع دز از دستگاه گامانایف مدل 4C، فانتوم استاندارد کروی معادل آب و نیز فیلم های EBT3 بهره گیری شد. شبیه سازی فانتوم کروی با هر دو گزینه کد beamnrc، CT Data و non CT Data انجام گرفت و نتیجه توزیع دز حاصله مقایسه گردید. مقایسه نتایج توزیع دز شبیه سازی با اندازه گیری در هر سه راستا با دارا بودن شاخص گامای کوچکتر از یک نشاندهنده اعتبار شبیه سازی می باشد. همچنین مقایسه توزیع دز حاصل از شبیه سازی به هر دو روش نشان دهنده اختلاف معنی داری بین منحنی ها نمی باشد. براساس نتایج بدست آمده کد beamnrc با استفاده از هر دو گزینه CT Data و non CT Data می تواند دقت یکسانی جهت محاسبه توزیع دز فراهم نماید. لذا روش non CT Data با توجه به سهولت استفاده برای فانتوم های با شکل منظم ارجح می باشد.

امروزه تصویربرداری ابرطیفی به منظور طبقه بندی داده های سطح زمین با دقت و جزئیات بالا بسیار مورد توجه است. به دلیل کمبود نمونه آموزشی در دسترس، کاهش ابعاد داده ابرطیفی به عنوان یک گام مهم پیش پردازش در تحلیل و طبقه بندی تصاویر ابرطیفی به شمار می رود. در این مقاله یک روش استخراج ویژگی پیشنهاد شده که سعی می کند، علاوه بر افزایش جدایی پذیری طبقه ها، ساختار داده را نیز حفظ کند. برای این منظور، دو تابع هدف پیشنهاد شده است. تابع هدف نخست از نمونه های آموزشی برچسب دار بهره می برد و سعی می کند نمونه های هم طبقه را در فضای کاهش یافته تا جای ممکن به هم نزدیک کند. تابع هدف دوم از نمونه های بدون برچسب خوشه بندی شده بهره برده و سعی می کند نمونه های متعلق به یک خوشه را در فضای کاهش یافته، تا جای ممکن به هم نزدیک گرداند. روش پیشنهادی بر روی سه داده ابرطیفی واقعی مورد آزمایش قرار گرفته و برتری آن از نظر دقت طبقه بندی نسبت به تعدادی از روش های پرکاربرد استخراج ویژگی نشان داده شده است.

Inertial Navigation System (INS) is one of the navigation systems widely used in various land-based, aerial, and marine applications. Among all types of INS, Microelectromechanical System (MEMS)-based INS can be widely utilized, owing to their low cost, lightweight, and small size. However, due to the manufacturing technology, MEMS-based INS suffers from deterministic and stochastic errors, which increase positioning errors over time. In this paper, a new effective noise Reduction method is proposed that can provide more accurate outputs of MEMS-based inertial sensors. The intelligent method in this paper is a combined denoising method that combines Wavelet Transform (WT), Permutation Entropy (PE), Support Vector Regression (SVR), and Genetic Algorithm (GA). Firstly, WT is employed to obtain a time-frequency representation of raw Data. Secondly, a four-element feature vector is formed. These four features are (1) amplitude of frequency, (2) its ratio to mean of amplitudes of all frequencies, (3) location of frequency in time-frequency representation, and (4) judgment on behaviors of frequency that is obtained by utilizing PE. Thirdly, based on the feature vector, the GA-SVR algorithm predicts amplitudes of all frequencies in the time-frequency representation of the denoised signal. Finally, by employing inverse WT the denoised signal is obtained. In this work, the outputs of the Inertial Measurement Unit (IMU) in ADIS16407 sensor, as a low-cost and MEMS-based INS, have been utilized for Data collection. The proposed method has been compared with other noise Reduction methods and the achieved results verify superior improvement than other methods.