·      آقابابایی، مجید. و خویشه، محمد. (1391). کاربرد الگوریتم ژنتیک و شبکه‌های عصبی در بهینه‌سازی سامانه C⁴I زیردریایی، 62 (62): 61-73.

·      آقابالازاده؛ علی‌اصغر. و محمدی، اردشیر. (1392). مدیریت صحنه نبرد در پدافند هوایی (اصول اساسی)، تهران: انتشارات دانشگاه فرماندهی و ستاد آجا،

·      پرتوی، محمدتقی. مظلوم، جلیل. جلالی، علی. و ژاله‌پوران، علی. (1391). معماری دوسویه در سامانه‌های فرماندهی و کنترل، ششمین کنفرانس ملی انجمن علمی فرماندهی و کنترل ایران، تهران، انجمن علمی فرماندهی و کنترل ایران، دانشکده برق و کامپیوتر دانشگاه شهید بهشتی، https://www.civilica.com/Paper-CCCI06-CCCI06_044.html.

·      رضایی، بهرام. پرتوی، محمدتقی. و نصیرپور، غلامرضا. (1391). شبیه‌سازی کشف و شناسایی تهدیدات هوایی در سامانه‌های فرماندهی و کنترل، فصلنامه علوم و فنون نظامی، 140:22-125.

·      عبدی، فریدون. (1390). سامانة فرماندهی و کنترل C5I2 و بررسی نقش رایانه‌ها در آن، فصلنامه مدیریت نظامی، 11 (42): 69-43.

·      فتاحی، محمد. و گروسی، سحر. (1391). الگوریتم ارزیابی تهدید با استفاده ازمنطق فازی، ششمین کنفرانس ملی انجمن علمی فرماندهی و کنترل ایران، تهران، انجمن علمی فرماندهی و کنترل ایران، دانشکده برق و کامپیوتر دانشگاه شهید بهشتی. https://www.civilica.com/Paper-CCCI06-CCCI06_008.html.

·      مقدس، محمد. و بیگدلی، حمید. (1396)، شبیه‌سازی نبرد با استفاده از شبکه‌های عصبی زمان پیوسته، فصلنامه آینده‌پژوهی دفاعی،10 (5).

·      میرفخرالدینی، سیدحیدر. آذر، عادل. و پورحمیدی، مسعود. (1392). منطق فازی و کاربرد آن در مدیریت، تهران: انتشارات دانشگاه یزد.

• Abraham A. (2002). A framework for optimization of fuzzy inference systems using neural network learning and evolutionary computation, In Proc. Of the 17th IEEE Int. Symp. Intelligent Control, pp. 327–332.
• Bennett Simon A. (2016). The Benefits of a Systems-Thinking Approach to Accident Investigation, Springer International Publishing Switzerland, Advanced Sciences and Technologies, for Security Applications, DOI 10.1007/978-3-319-21106-0_10.
• Bilik, I. & Tabrikian, J. (2006). GMM-Based target classification for ground surveillance Doppler radar. IEEE Transactions on Aerospace and Electronic Systems. 42 (1): 267–277
• Brian J. Worth, M. & USAF, B.S., (1994). Command, Control, Communications, Computers, And Intelligence (C4I) Interoperability: Are we there yet?, University of Maryland, European Division, 1994 M.A., Webster University, St. Louis, Missouri, 1994.
• Clarke, R. A. (2010). Cyber War, HarperCollins.
• Duchi, J. Elad, H. & Yoram, S. (2011). Adaptive Subgradient Methods for Online Learning and Stochastic Optimization, Journal of Machine Learning Research, 12: 2121-2159.
• Fernandez, A. Del Jesus M.J. & Herrera, F. (2010). Analyzing the Hierarchical Fuzzy Rule Based Classification Systems with Genetic Rule Selection, In Proc. Of the Fourth International Workshop on Genetic and Evolutionary Fuzzy Systems, pp. 69-74.
• http://bilin.ir/fuzzy-logic/ last visited in 2019/04/12.
• Huang, Y.P. & Wang, S.F. (2000). Designing a fuzzy model by adaptive macroevolution genetic algorithms, Fuzzy Sets Syst. 113: 367–379.
• Masys Antony, J. (2016). Applications of Systems Thinking and Soft Operations Research in Managing Complexity from Problem Framing to Problem Solving, Springer, dward C. Morse, University of California, Berkeley, CA, USA Panagiotis Karampelas, Hellenic Air Force Academy, Attica, Greece.
• Rainer, H. (1997). Rule generation for hierarchical fuzzy systems, In Proc. of Annu. Conf. North American Fuzzy Information Processing, pp. 444–449.
• Raju, G.V. & Zhou, J. (1993). Adaptive hierarchical fuzzy controller, IEEE Trans. Syst., Man, Cybern. 23 (4): 973–980.
• Shahrestani, S.A. & Daneshgar, F. (2005). The Role of Fuzzy Awareness Modelling in Cooperative Management, Information Systems Frontiers 7 (3): 299–316.
• Simpson, Marvin Leo, Jr. (2015). Command and control in the information age: A case study of a representative air power command and control node, Old Dominion University.
• Wang, D. Zeng, X.J. & Keane, J.A. (2010). Intermediate Variable Normalization for Gradient Descent Learning for Hierarchical Fuzzy System, IEEE.
• Wang, H. & Zeshui, X. (2016). An overview on the roles of fuzzy set techniques in big data processing: Trends, challenges and opportunities. Available from: https://www.researchgate.net/publication/310391112 [accessed Apr 12 2019].
• Wang, L.X. (1999). Analysis and design of hierarchical fuzzy systems, IEEE Trans. Fuzzy Syst. 7 (5): 617–624.
• Wu, T.P. & Chen, S.M. (1999). A new method for constructing membership functions and fuzzy rules from training examples, IEEE Trans. Syst., Man, Cybern. B, Cybern. 29 (1): 25–40.