In this work, a branch of artificial intelligence was employed to predict the monthly mean of daily air temperature for different target station using the available data of neighboring stations, which were used as the reference stations. The daily air temperature data, collected by the Iraqi Meteorological Office (IMO) for 14 stations, which cover different Iraqi provinces, were used. The long term air temperature data covers the period between 1993 and 2008. These data were classified in parts according to the correlation coefficients relating them. The reference stations data, as on input layer of the neural network and the hidden layers and neurons were defined; the monthly mean of air temperature for the target station was utilized as an output layer of the neural network. Multi-Layer Perceptron’s learning algorithm was applied in present work. The hidden layer and output layer of the network included Sigmoid as an activation function. Finally the interpolated data by (ANN) model were compared with measured data shows very good agreement with Correlation Coefficients (r) ranges between 0.9980 and 0.9767 also Root Mean Square Error (RMSE) ranges from 0.629 °C to 2.221 °C, Mean Percentage Error (MPE) ranges between 0.264 °C and 3.64 °C and Mean Absolute Error (MAE) ranges between 0.367 °C and 1.62 °C for Mosul and Najaf stations respectively.

في هذا العمل استخدم فرع الذكاء الاصطناعي للتنبؤ بالمعدل الشهري لدرجة حرارة الهواء اليومية لمحطة مستهدفة مختلفة باستخدام البيانات المتاحة من المحطات المجاورة والتي كانت تستخدم كمحطات مرجعية. إن بيانات درجة حرارة الهواء اليومية المستخدمة تم الحصول عليها من دائرة الأنواء الجوية العراقية (IMO) ولأربعة عشر محطة والتي تغطي مختلف المحافظات العراقية. وقد أخذت مدة طويلة من بيانات درجة حرارة الهواء تغطي الفترة للسنوات بين 1993 و 2008. ولقد تم تصنيف هذه البيانات إلى أجزاء وفقا لمعاملات الارتباط المتعلقة بها. وحددت مراكز البيانات المرجعية على طبقة المدخلات للشبكة العصبية والطبقات المخفية والخلايا العصبية المعرفة، واستخدم المعدل الشهري لدرجة حرارة الهواء للمحطة المستهدفة باعتبارها طبقة المخرجات من الشبكة العصبية وتم تطبيق العمل على خوارزمية. الطبقة المخفية وطبقة الإخراج تضمنت خوارزمية من نوع Sigmoid كدالة تنشيط وأخيرا تمت مقارنة البيانات المقاسة مع بيانات نموذج (ANN) حيث دلت على توافق جيد جدا لمعاملات الارتباط (r) والتي تراوحت بين 0.9980 و0.9767 وكذلك الجذر التربيعي لمعدل الخطأ ) (RMSE والتي تراوحت بين °C 0.629 و °C 2.221 ومعدل الخطأ النسبي (MPE) والتي تراوحت بين °C 0.264 و °C 3.64 ومعدل الخطأ المطلق(MAE) والتي تراوحت بين °C 0.367 و °C 1.62 لمحطتي الموصل والنجف على التوالي.

perception learning --- correlation coefficients --- MPE --- MAE --- تعلم الإدراك، ومعاملات الارتباط، MPE، MAE

Researchers have great interest in studying the black box models this thesis has been focused in the study one of the black box models , a ARMAX model which is one of the important models and can be accessed through a number of special cases which models (AR , MA , ARMA, ARX) , which combines method of the time series that depend on historical data and and regression method as explanatory variables addition to that past errors , ARMAX model importance has appeared in many areas of application that direct contact with our daily lives , it consists of constructing ARMAX model several traditional stages of the process , a identification As it was used Final prediction error (FPE) , Akaiki Information Criterion (AIC) and estimate As it was used Recursive least square with Forgetting Factor (RLS – F) and Recursive pseudolinear regression method (RPLR) which come in the first place and (RLS – F) which come in the second place and finally come prediction for (30) value of the daily maximum temperature depending on the daily wind speed

لقد اولى الباحثون اهتماماً كبيراً بدراسة نماذج الصندوق الاسود (black box models) وقد ركز هذا البحث في دراسة احد نماذج الصندوق الاسود وهو انموذج ARMAX الذي يعد مــن الــنماذج المهمة الــذي يـمــكـن الــحــصــول مــن خـــلالــه عـــلــى عـــــدد من الحــــالات الخــاصة وهي نماذج (AR , MA ARMA , ARX) والذي يدمج بين اسلوب السلاسل الزمنية التي تعتمد على البيانات التاريخية واسلوب الانحدار بمتغيرات توضيحية فضلاً عن ذلك الاخطاء السابقة , وقد ظهرت اهمية انموذج ARMAX في الكثير من المجالات التطبيقية ذات تماس مباشر بحياتنا اليومية , وتتالف عملية بناء انموذج ARMAX من عدة مراحل تقليدية وهي التشخيص أذ تم تشخيص رتبة الانموذج باستخدام عدد من المعايير وهي معيار خطأ التنبؤ النهائي (FPE) ومعيار معلومات أكاكي (AIC) والتقدير باستخدام طريقة المربعات الصغرى التكرارية باستخدام عامل التغاضي (RLS – F) وطريقة الانحدار الخطي الزائف التكرارية (RPLR) والتي جاءت في المرتبة الاولى وطريقة (RLS – F) جاءت في المرتبة الثانية وتأتي اخيراً عملية التنبؤ ب(30) قيمة لدرجة الحرارة العظمى اليومية اعتماداً على سرعة الرياح اليومية .

ARMAX --- Criteria --- Parametez Estimation --- MAE --- RMSE --- MAPE --- Forecasting --- المعايير - تقدير المعلمات - التنبؤ .

The recording of brain's electrical activity over a period of time is called electroencephalogram EEG signal. EEG became cardinal tool for diagnosing and managing malfunctions and various brain disorders. It is very complex to analyze continuous EEG signals. These signals can be categorized to different kinds according to the frequency: Delta (0.5 – 4Hz), Theta (4 -7.5Hz), Alpha (7.5 – 12Hz), Beta (12 -30Hz), and Gamma (above 30Hz). Since EEG signals are categorized by their very small amplitudes, they can be easily polluted by noise. These noises are called the artifacts. These artifacts need to be removed before processing and analyzing the EEG signal. In general, an EEG signal which represents brain neuronal activity is contaminated with noises, artifacts, and external interferences. Therefore it is important to separate the required frequency band information from such noises. Different methods for noise and artifact removing are available and implemented. Filtering these interference signals might remove some relevant EEG information, and therefore care must be taken while choosing one of the preprocessing methods. This paper presents a detail analysis of EEG de-noising using law pass Butterworth filter, packet wavelet transforms (PWT), and FIR bank filter. All the above methods are simulated and tested using MATLAB 2013 software environment and their performance evaluation can be done by measuring the parameters like SNR, PSNR, MSE and MAE. The EEG database is freely acquired from MIT-BIH arrhythmia database. This EEG signals was polluted with white random external noise. The FIR bank filter gives the optimal noise removal results according to measuring parameters.

عملية تسجيل النشاط الكهربائي للمخ على مدى فترة من الزمن تسمى إشارة التخطيط الدماغي الكهربائي EEG. التخطيط الدماغي أصبح أداة أساسية لتشخيص امراض واضطرابات الدماغ المختلفة. عملية تحليل إشارات EEG تعتبر من العمليات المعقدة. ويمكن تصنيف اشارة EEG إلى أنواع مختلفة من الاشارات وفقا للتردد: دلتا (0.5 – 4 هرتز)، ثيتا (4- 7.5هرتز)، ألفا (7.5-12 هرتز)، بيتا (12-30 هرتز)، وغاما (فوق 30 هرتز). بما ان إشارات EEG تتميز بالسعة القليلة جداً، لذا يمكن أن تلوث بسهولة بالضوضاء. قبل معالجة وتحليل اشارات EEG يجب ازالة هذه الضوضاء. وبصفة عامة، إشارة EEG التي تمثل نشاط الخلايا العصبية في الدماغ تكون ملوثة بالضوضاء، والتداخلات الخارجية. ولذلك من المهم عزل المعلومات الموجودة في حزم التردد عن هذه الضوضاء. تم تنفيذ وتصميم أساليب مختلفة لازالة الضوضاء. بعض المعلومات المتوفرة في اشارة EEG قد تفقد عند ازالة الضوضاء لذا يجب توخي الحذر في اختيار الطريقة المناسبة. في هذا البحث نعرض تحليل تفصيلي لازالة الضوضاء من اشارة التخطيط الدماغي باستخدام مرشح بتروورث للترددات القليلة ، مرشح تحويلات حزمة المويجات (PWT)، والمرشح البنكي الرقمي المعروف بالمرشح ذو الاستجابة المحددة( (FIR . تم تنفيذ ومحاكاة جميع المرشحات المذكورة باستخدام بيئة ماتلاب 2013 . تقييم اداء المرشحات تمت عن طريق قياس مجموعة من البارالميترات مثل نسبة الاشارة الى الضوضاء (SNR)، اعلى نسبة اشارة الى الضوضاء (PSNR ) ، الوسط التربيعي للخطا (MSE ) ، و الوسط المطلق للخطا (MAE ). تم تجميع بيانات التخطيط الدماغي من الانترنيت عبر موقع MIT- BIH الخاص ببيانات ضربات القلب وتخطيط الدماغ. قبل تمرير اشارة EEG على المرشحات تم اضافة ضوضاء خارجية عشوائية لتلويث الاشارة الاصلية. المرشح البنكي الرقمي اعطى افضل الطرق ازالة الضوضاء وفقا للبارامترات المقاسة.

EEG --- Butterworth filter --- PWT --- FIR bank filter --- SNR --- PSNR --- MSE --- MAE. --- التخطيط الدماغي الكهربائي، الخلايا العصبية، امراض اضطرابات الدماغ