بهرامی، م. (1374). تکنولوژی‌های آینده، شناسایی و پیش بینی. تهران: انتشارات خضرا.
خلیل، ط. (1381). مدیریت تکنولوژی، رمز موفقیت در رقابت و خلق ثروت. (س. باقری، مترجم) انتشارات پیام متن وابسته به مرکز تکنولوژی نیرو.
ذوالفقار نسب، س. (1383). تاریخچه ارزیابی علم و فناوری و ظهور شاخص‌های علمی با تأکید بر کشور آمریکا. هیئت نظارت و ارزیابی فرهنگی و علمی.
سلطانی نژاد، ع. (1393). تحلیل رابطه میان تولیدات علمی کشورهای برتر جهان و میزان اختراعات ثبت شده در پایگاه استنادی اسکوپوس طی سال‌های 2008-2013. پایان‌نامه کارشناسی ارشد رشته علم اطلاعات و دانش شناسی، دانشکده ادبیات و علوم انسانی دانشگاه شهید باهنر کرمان.
گودرزی، م. (1382). بررسی وضعیت نظام مالکیت فکری ایران و ارائه راهکارهای بهبود آن در جهت توسعه تکنولوژیکی کشور. تهران: پایان‌نامه کارشناسی ارشد رشته مدیریت تکنولوژی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی.
منهاج، م. (1384). مبانی شبکه‌های عصبی. تهران: دانشگاه صنعتی امیرکبیر.
نقی پور، پ. (1385). اولویت‌بندی کشورها جهت ثبت پتنت ها در رابطه با تکنولوژی. تهران: پایان‌نامه کارشناسی ارشد، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی.
نواز شریف، م. (1367). مدیریت انتقال تکنولوژی و توسعه، ترجمه رشید اصلانی. تهران: سازمان برنامه‌وبودجه.
Aksnes, ., Sivertesen, ., Leeuwen, ., & Wendt, K. (2017). Measuring the productivity of national R&D systems: Challenges in cross-national comparisons of R&D input and publication output indicators. Science and Public Policy, 44(2), 246–258.
Anegón, F. & Solana, V. (2013). Worldwide Topology of the Scientific Subject Profile: A Macro Approach in the Country Level. PLOS ONE, 8(12).
Baykal, N. (2012). Predicting the disease of Alzheimer CAD with SNP biomarkers and clinical data based decision support system using data mining classification approachs. Middle East Technical university.
Choi, J. Jang, D. Jun, S. & Park, S. (2015). A Predictive Model of Technology Transfer Using Patent Analysis. Sustainability, 16175–16195.
De, R. Pal, N. & Pal, S. (1997). Feature analysis: neural network and fuzzy set theoretic approaches. Pattern recognition, 30(10), 1579-1590.
European commission. (2011). Retrieved from European commission.
Filzmoser, P. (2008). Linear and nonlinear methods for regression and classification and applications in R. Wien: Wiedner Hauptstr.
Glänzel, W. Moed, H. Schmoch, U. & Thelwall, M. (2018). Springer Handbook of Science and Technology Indicators. Springer.
Hadzima-Nyarko, M. Nyarko, E. & Moric, D. (2011). A neural network based modelling and sensitivity analysis of damage ratio coefficient. Expert systems with applications, 13405-13413.
Han, J. Kamber, M. & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed). Morgan Kaufmann Publishers.
Hashem, S. (1992). Sensitivity analysis for feedforward artificial neural networks with differentiable activation functions. Proceedings of the 1992 international joint conferences on neural networks, Baltimore, MD (Vol. 1, pp. 419–424). IEEE Press.
Idris, K. (2002). Intellectual Property, A power tool for economic growth. WIPO publication.
Jang, H. & Kim, H. (2014). Research output of science, technology and bioscience publications in Asia. Science editing, 1(2), 62-70.
Madaleno, M. Moutinho, V. & Robaina, M. (2016). Economic and environmental assessment: EU cross-country efficiency ranking analysis. energy procedia, 106, 134-154.
Molas, G. & Yamazaki, F. (1995). Neural networks for quick earthquake damage estimation. Earthquake Engineering and Structural Dynamics, 24, 505–516.
Narin, F. Hamilton, K. & Olivastro, D. (1997). The increasing linkage between U.S technology and public science. Research Policy, 26, 317-330.
Okubo, Y. (1997). Bibliometric Indicators and Analysis of Research Systems: Methods and Examples. OECD Science, Technology and Industry Working Papers.
Pal, N. (1999). Soft computing for feature analysis. Fuzzy sets and systems, 103, 201-221.
Porter, A. Roper, A. Manson, T. Rossini, F. Banks, J. & Wiederhdt, B. (1991). Forecasting and management of technology. USA: Wiley.
Radicchi, F. & Castellano, C. (2013). Analysis of bibliometric indicators for individual scholars in a large data set. Scientometrics. doi: 10.1007/s11192-013-1027-3
Sandoval-Romero, V. Mongeon, P. & Lariviere, V. (2018). Science, technology and innovation indicarors in transition. International conference on science and technology indicators. Leiden, The Netherlands.
sarle, W. (2000). How to measure importance of inputs? Retrieved from <ftp://ftp.sas.com/pub/ neural/importance.html>
science-metrix. (2010). 30 years in science: Secular movements in knowledge creation. Retrieved from science-metrix: http://www.science-metrix.com/30years-Paper.pdf
SCImago. (2007, July 21). http://www.scimagojr.com. Retrieved from SJR — SCImago Journal & Country Rank.
Sirilli, G. (1999). Innovation indicators in science and technology evaluation. Scientometrics, 45, 439-443.
Sohn, Y. & Moon, T. (2004). Decision Tree based on data envelopment analysis for effective technology commercialization. Expert Systems with Applications, 26, 279–284.
Sugimoto, C. & Lariviere, V. (2018). Meassuring Research. What Everyone Needs to Know. New York: Oxford University Press.
Tan, P.N. Steinbach, M. & Kumar, V. (2006). Introduction to Data Mining. Pearson.
Twiss, B. (1992). Forecasting for technologist and engineers.
VILIMEK, M. (2014). An artificial neural network approach and sensitivity analysis in predicting skeletal muscle forces. Acta of Bioengineering and Biomechanics, 16. doi: 10.5277/abb140314
Zainab, T. & Ashraf Wani, Z. (2018). Advancement and Application of Scientometric Indicators for Evaluation of Research Content. IGI Global.
)