وضعیت جوّی از مهم ترین مخاطرات طبیعی برای واحدهای شناور است. از کاستی های مرتبط با وضعیت جوّی عدم توجه افسران نگهبان، به برداشت درست داده های جوّی از طریق دستگاه های موجود در پل فرماندهی شناور است. برای مثال فشار هوا بدون تصحیحات دستگاه و ارتفاع خوانده شده و هیچ گاه با میانگین بلندمدت مقایسه نمی شود. به همین دلیل لازم است روی واحدهای شناور سامانه ای ساخته و نصب شود که به صورت خودکار بتواند پارامترهای جوّی را اندازه گیری کرده و با محاسبه پارامترهای موردنیاز از پارامترهای اندازه گیری شده بتواند تصمیمات درست در خصوص مانورهای جلوگیری از دریای خراب را داشته باشد. در این پژوهش، با استفاده از سنسورهای موجود، دستگاه هواشناسی ساخته شده است که می تواند داده های جوّی را از محیط جمع آوری و در رایانه ذخیره نموده و با استفاده از برنامه محاسباتی می تواند داده های اندازه گیری شده را با میانگین بلندمدت مقایسه نموده و ناهنجاری های جوّی و اقیانوسی را شناسایی کند.

در این مقاله یک روش سریع و خودکار برای طراحی ( علمی ) حروف مختلف خط فارسی پیشنهاد می شود. منظور از طراحی علمی حروف استفاده از منحنیهای ریاضی و پارامترهای مختلف در طراحی است به طوری که بتوان اندازه های مختلف یک حرف و سبکهای متفاوت نگارش آن را با کیفیت عالی و تنها با تغییر مقادیر چند پارامتر به سرعت تولید کرد. متافونت، زبانی برای طراحی علمی فونتهاست که در این مقاله ازآن استفاده می شود. با استفاده از امکان ((قلم ))در این زبان، می توان حرکت قلم درشت یک استاد خوشنویس را شبیه سازی کرد. استفادة مستقیم از متافونت برای طراحی کیفی فونتها کاری طولانی و همراه با مشکلات متعددی است. در این مقاله الگوریتمهایی پیشنهاد می شود تا بتوان پویش شدة یک حرف را به صورت خودکار به برنامة متافونتی که آن حرف را تولید می کند تبدیل کرد. نرم افزاری بر اساس این الگوریتم طراحی شده است که به صورت گرافیکی و با محاوره با کاربر این کار را انجام می دهد.

در دهه اخیر به دلیل رشد سریع داده های موسیقی که به صورت فایل های صوتی در اینترنت و از طریق پایگاه داده های بسیار بزرگ قابل دسترس هستند، توجه محققان به روش های پردازش خودکار سیگنال های موسیقی بیشتر از گذشته شده است. شناسایی خودکار سبک موسیقی نیز به عنوان یکی از زمینه های تحقیقی جذاب در این عرصه می باشد. در این مقاله روش های مختلفی برای استخراج ویژگی، انتخاب ویژگی و مدل سازی برای شناسایی خودکار هشت سبک موسیقی شامل سبک های Celtic، Classic، Classic Piano، Jazz، Metal، Persian Classic،Relaxing  و Dance که از آلبوم هایی با نوازنده های مختلف جمع آوری شدند، پیاده سازی و مورد ارزیابی قرار گرفت. از میان روش های رایج استخراج ویژگی که در حوزه تشخیص گفتار، شناسایی آلت موسیقی و هم چنین شناسایی سبک موسیقی مورد استفاده قرار می گیرند، انواع ویژگی های کوتاه مدت، میان مدت و بلند مدت بررسی شده و از ویژگی های بلند مدت به دلیل این که در تعیین سبک موسیقی کارآیی چندانی نداشتند، صرف نظر گردید. با استفاده از یک روش انتخاب ویژگی و مطالعه ترکیب های مختلف ویژگی ها، بردار ویژگی مناسب به دست آمد که در نهایت با استفاده از حدود سی ویژگی برتر انتخاب شده از بین 122 ویژگی، به کارآیی %90 در تشخیص سبک موسیقی دست یافتیم. مدل سازی سبک های موسیقی با و بدون در نظر گرفتن توالی زمانی، مورد ارزیابی قرار گرفت. از روش های مدل سازی مانند شبکه های عصبی، مدل مخلوط گاوسی، درخت تصمیم، ماشین بردار پشتیبان به تنهایی و نیز در یک ساختار سلسه مراتبی که در آن شناسایی سبک موسیقی از کلاس های با تعداد بیشتری سبک موسیقی شروع و به کلاس های با تنها یک سبک موسیقی ختم می گردد، استفاده شد. کارآیی به دست آمده با استفاده از این ساختار سلسه مراتبی %88 و در حدود %2 از ساختار مسطح کمتر است، ضمن این که ساختار سلسله مراتبی برای تعیین سبک موسیقی در مواردی که با تعداد زیادی از سبک های موسیقی مواجه هستیم به دلیل نیاز به استفاده از تعداد کم تری طبقه بندی کننده، در مرحله آزمایش، از سرعت بالاتری برخوردار است. علاوه بر این در یک ساختار سلسله مراتبی دیگر، سعی شد که دسته بندی کننده ها به صورت ترکیب موازی مورد استفاده قرار گرفته و تصمیم گیری بر اساس رای گیری نسبت به نتیجه به دست آمده از دسته بندی کننده ها انجام شود.