با توجه به جمعیت روز افزون جهانی و افزایش نیاز به تولید غذای بیشتر، طراحی و ساخت ماشین آلات به روز و پیشرفته به امری ضروری مبدل شده است. در این میان گیاه یونجه با دارا بودن انواع مواد غذایی مهم و اساسی از جمله انواع ویتامین ها و پروتئین ها جایگاه مهمی در صنعت دامداری دارد. برگ های این گیاه که دارای بیشترین مقدار مواد غذایی می باشد حین عملیات برداشت و بسته بندی دچار ریزش شده و از دسترس خارج می شود.
راکتور مینیاتوری اصفهان (MNSR) به عنوان یک راکتور تحقیقاتی کوچک با توان پایین، نقش مهمی در آموزش، تحقیقات هسته ای و تولید رادیوایزوتوپ ها ایفا می کند. از آنجا که پایداری عملکرد راکتور و اطمینان از ایمنی آن در شرایط مختلف عملیاتی حائز اهمیت است، شناخت و تخمین دقیق فیدیک دمایی راکتیویته به عنوان یکی از مهم ترین پارامترهای ایمنی نوترونی در طراحی و بهره برداری از این راکتور ضروری است.
برداشت انرژی مبتنی بر ارتعاش به دام انداختن و جمع آوری انرژی ارتعاشی از منابع طبیعی مختلف که در نگاه اول غیرقابل استفاده هستند، اشاره دارد. در تبدیل انرژی ارتعاشی به انرژی الکتریکی، میتوان از مواد هوشمندی که توانایی کوپل کردن حداقل دو میدان را دارند، استفاده کرد. یکی از این مواد هوشمند که اخیرا مورد توجه قرار گرفته است، آلیاژهای حافظه دار مغناطیسی نیکل-منگنز-گالیم است که با کوپل کردن میدان های مکانیکی و مغناطیسی، می توانند بردارهای مغناطش را در اثر اعمال تنش مکانیکی تغییر دهند. این تغییر در مغناطش آلیاژ با دانستن قانون القای فارادی، برداشت انرژی را امکان پذیر میکند.
اوتیسم یک اختلال عصبی-رشدی است که ارتباطات و تعاملات اجتماعی را تحت تأثیر قرار می دهد. شناسایی به موقع اوتیسم می تواند موجب درمان زودهنگام و مؤثرتر شود. با توجه به افزایش نرخ شیوع اوتیسم در سال های اخیر، نیاز به روش های تشخیصی دقیق، سریع و مقرون به صرفه بیشتر از گذشته احساس می شود. روش های مرسوم عمدتا بر مشاهدات بالینی متکی هستند که هزینه بر و زمان برند. استفاده از تصویربرداری مغزی مانند تصویربرداری پرتو مغناطیسی کارکردی و مدل های یادگیری ماشین، امکان شناسایی ویژگی های پیچیده تر در ساختار و عملکرد مغز را فراهم می کند. این پژوهش دو رویکرد نوآورانه برای تشخیص اوتیسم ارائه کرده است.
بهره وری انرژی و طول عمر شبکه از مهم ترین چالش ها در شبکه های حسگر بی سیم (WSNs) هستند. محدودیت انرژی باتری گره های حسگر موجب می شود که طراحی رویکرد های خوشه بندی کارآمد، اهمیت ویژه ای پیدا کند. روش های سنتی مانندLEACH ، پایه ای برای ارتباط خوشه ای ارائه می دهند اما در متوازن سازی مصرف انرژی و حفظ کیفیت خدمات، ناتوان هستند.
در این پژوهش به مسئله شناسایی هدف در تصاویر رادار روزنه مصنوعی (SAR) تحت سناریوی مجموعه باز پرداخته شده است؛ سناریویی که در آن علاوه بر طبقه بندی صحیح اهداف شناخته شده، باید توانایی تشخیص و رد نمونه های ناشناخته نیز وجود داشته باشد. چالش هایی همچون نویز ضربه ای، تغییرپذیری شدید الگوی بازتاب رادار نسبت به زاویه دید و کمبود داده های برچسب خورده موجب شده اند روش های سنتی و حتی شبکه های کانولوشنی در شرایط واقعی عملکرد پایداری نداشته باشند.