Arbeids- og kompetanseområde
Professor Reza Arghandeh er for tiden leder for gruppen for datavitenskap og kunstig intelligens (HVL DS-AI) og direktør for Connectivity, Information & Intelligence Lab (Ci2Lab) ved Høgskulen på Vestlandet (HVL) i Bergen, Norge.
I tillegg til sin rolle ved HVL, har Prof. Arghandeh tittelen forskningsprofessor ved Institutt for elektro- og datateknikk ved Florida State University, USA. Han var tidligere førsteamanuensis ved samme institusjon fra 2015 til 2018. Før sin tid ved Florida State University, utførte han banebrytende forskning som postdoktor ved Institutt for elektroteknikk og datavitenskap ved UC Berkeley fra 2013 til 2015, USA.
Han fullførte sin doktorgrad i elektroteknikk med spesialisering innen kraftsystemer ved Virginia Tech, USA (2013). Han har mastergrader i industriell og systemteknikk fra Virginia Tech (2013) og energisystemer fra University of Manchester og KNTU (2008).
Hans forskningsinteresser inkluderer anvendt kunstig intelligens for spatiotemporal og geospatial dataanalyse relatert til komplekse nettverk. Kjerneapplikasjoner inkluderer klimatilpasningsløsninger for energi- og infrastruktursystemer.
Hans forskning har så langt blitt støttet av U.S. National Science Foundation, U.S. Department of Energy, European Space Agency, Europakommisjonen og Norges forskningsråd.
Kunstig intelligens
Maskinlæring
- Kunstig intelligens og maskinlæring
- Årsakssammenhengsanalyse
- Datavitenskap og bildebehandling
- Kunstig intelligens for fjernmåling (optiske og SAR-satellittbilder)
- Kunstig intelligens for overvåking av infrastrukturnettverk
- Kunstig intelligens for overvåking og drift av kraftsystemer
- Kunstig intelligens for økt infrastrukturs robusthet mot klimaendringer
- Connectivity, Information & Intelligence Lab (Ci2Lab)
- HVL Gruppe for datavitenskap og kunstig intelligens (HVL DS-AI)
- Publikasjoner: Google Scholar
Publikasjonar
-
Exploring the application of machine-learning techniques in the next generation of long-term hydropower-thermal scheduling
-
Traffic monitoring system design considering multi-hazard disaster risks
-
High-resolution mapping of forest structure from integrated SAR and optical images using an enhanced U-net method
-
MARU-Net: Multiscale Attention Gated Residual U-Net With Contrastive Loss for SAR-Optical Image Matching
-
Advancements in super-resolution methods for smart meter data