امروزه، متخصصان علوم اعصاب علاقه مند به کشف عملکرد مغز از طریق شبکه های مغزی هستند. در این راستا، ارزیابی تغییرات پویا در ارتباطات کارکردی نواحی مغزی با استفاده از داده های تصویربرداری تشدید مغناطیسی کارکردی، توجه آنها را به خود جلب کرده است. در این مقاله، بر دو روش مبتنی بر مدل بنام های مدل میانگین متحرک بصورت نمایی وزن دار شده و مدل همبستگی شرطی پویا، برای برآورد همبستگی پویا بین دو ناحیه مغزی متمرکز می شویم. در ابتدا، عملکرد این دو مدل با استفاده از چند شبیه سازی جدید بررسی می شود. مطابق نتایج بدست آمده، در این مطالعات شبیه سازی نیز مدل همبستگی شرطی پویا عملکرد بهتری نسبت به مدل میانگین متحرک بصورت نمایی وزن دار شده دارد. لذا مدل همبستگی شرطی پویا برای برآورد ارتباط کارکردی پویا دو ناحیه مغزی (قشر سینگولیت قدامی و قشر سینگولیت خلفی) سه فرد معتاد به مت آمفتامین ایرانی در یک آزمایش در حالت استراحت استفاده می شود. مدل همبستگی شرطی پویا عملکرد مناسبی در برآورد ارتباطات کارکردی پویا این افراد معتاد به مت آمفتامین دارد. به علاوه، ارتباط کارکردی پویا در میان آن ها متفاوت است. تفاصيل المقالة

رگرسیون فازی یک مدل رگرسیونی تعمیم یافته است که نشان دهنده ارتباط متغیرهای مستقل و وابسته در محیط فازی می‌باشد. تجزیه و تحلیل رگرسیون خطی فازی تعمیم مدل‌های رگرسیونی است که با استفاده از تمامی داده‌ها بر اساس یک معیار خاص مناسب می‌باشد. در این مقاله یک سیستم استنتاج فازی عصبی تطبیقی (انفیس)برای تجزیه و تحلیل و پیش بینی یک تابع رگرسیون فازی غیر پارامتری با ورودی‌های غیر فازی و خروجی‌های فازی ذوزنقه‌ای متقارن استفاده می‌شود. بدین منظور، یک الگوریتم جدید هیبریدی پیشنهاد می‌شود که در آن حداقل مربعات فازی و برنامه‌نویسی خطی برای بهینه‌سازی وزن‌های ثانویه مورد استفاده قرار می‌گیرند. الگوریتم‌ها به روش اعتبارسنجی چند لایه برای تأیید اعتبار مدل ها اعمال میشود. به طور دقیق‌تر، دقت الگوریتم‌ها با شبیه‌سازی ها به طورکامل تایید می‌شود. در نهایت برای بررسی کارایی مدل از دو مثال شبیه سازی استفاده شده است که در آن، داده ها به صورت اعداد ذوزنقه ای تعریف شده اند و با آموزش آنها و مشخص کردن تعداد قوانین استفاده شده، پارامترهای مجهول برآورد شده اند. تفاصيل المقالة

روش های متداول برای تحلیل مدل های اتورگرسیو غیرخطی بر فرض نرمال بودن خطاها بنا نهاده شده است، این در حالی است که در بسیاری از کاربردها، مانده ها ساختاری غیرنرمال را نشان می دهند و استفاده از این روش ها به پیش یینی های گمراه کننده و غیرقابل اعتماد منجر می شود. همچنین در این شرایط روش های پارامتری و ناپارامتری در برآورد تابع رگرسیون غیرخطی از کارایی لازم برخوردار نیستند. در این مقاله ، مدل اتورگرسیو غیرخطی مرتبه ی اول با خطاهای وابسته و چوله نرمال معرفی و یک روش نیمه پارامتری برای برآورد قسمت غیرخطی مدل پیشنهاد شده است. پارامترهای مدل با استفاده از روش ماکسیمم درستنمایی و با به کارگیری الگوریتم EM برآورد شده اند.کارایی مدل پیشنهادی با استفاده از یک مطالعه شبیه سازی و تحلیل یک مجموعه داده واقعی مربوط به داده های روزانه نرخ برابری یورو به دلار ، مورد بررسی قرار گرفته است. تفاصيل المقالة

هدف اصلی این مقاله ارایه یک آنالیز کمی برای بررسی رفتار قیمت نفت اوپک می­باشد. بدست آوردن بهترین معادله­ی ریاضی برای توصیف قیمت نفت و نوسانات آن از اهمیت به سزایی برخوردار است. معادلات دیفرانسیل تصادفی جز بهترین مدل­ها برای تعیین قیمت نفت می­باشند، چرا که به علت داشتن عامل تصادفی می­توانند تاثیر عوامل مختلف اقتصادی و سیاسی را در مدل لحاظ نمایند. بدین منظور ابتدا کارایی مدل­های مختلف معادلات دیفرانسیل تصادفی را جهت شبیه­سازی قیمت نفت اوپک مورد بررسی قرار داده، سپس با در دست داشتن قیمت­های روزانه نفت اوپک در سال­های 2003 الی 2016 و با توجه به نوسانات زیاد قیمت نفت در این بازه زمانی، به علت بحران­های سیاسی و اقتصادی، داده­ها را به چهار قسمت تقسیم کرده و برآورد پارامترهای مجهول معادلات را با استفاده از روش برآورد گشتاوری تعمیم یافته، در این بازه­های زمانی انجام می­دهیم. نهایتاً بهترین مدل را با توجه به نمودار اصلی قیمت و مقایسه نتایج شبیه­سازی عددی با استفاده از نرم افزار متلب به­دست می­آوریم. تفاصيل المقالة

در اقتصاد جهانی، نفت خام از جمله مهم‌ترین کالاهای استراتژیکی محسوب می‌شود که تاثیر به­ سزایی بر عملکرد بازارهای منطقه‏ای و بین‌الملی دارد. پیش‌بینی قیمت نفت در جهان همواره بحث مهم و چالش برانگیزی در اقتصاد جهانی بوده است و تولیدکنندگان و مصرف­کنندگان آن همواره در تلاش بوده­اند نقش خود را در تغییر قیمت نفت افزایش دهند و اوپک نیز سال­هاست که یکی از بازیگران این عرصه­ی اقتصادی شده است. نفت به­عنوان یکی از مهمترین منابع تأمین مالی بودجه­ی کشورهای عضو اوپک محسوب مـی­شـود. نوسانات قیمت نفت، یکی از عوامل اصلی بسیاری از بحران­های اقتصادی در میان این کشـورها می­باشد. با استفاده از مدل­های آماری می‌توان عملکرد پیش‌بینی قیمت نفت را به صورت چشم­گیری بهبود بخشید و نتایجی با خطای کم­تر و دقت بیش‌تر به­‌دست آورد. از این­رو، در این مقاله از مدل اتورگرسیو خطی جز‌ئی با روش براورد نیمه­پارامتری، برای پیش‌بینی قیمت نفت استفاده شده است. تفاصيل المقالة

در این مقاله مسأله پوشش ریسک را در یک بازار پخش-پرش مورد بررسی قرار می دهیم. در چنین بازاری استراتژی پوشش ریسک کامل موجود نیست، بنابراین استراتژی ای مناسب است که ریسک باقی مانده را مینیمم کند. برای این منظور ما به دو روش متفاوت ریسک باقی مانده را محاسبه می کنیم، یکی با استفاده از فرمول ایتو و دیگری به کمک فرمول تعمیم یافته کلارک-اکن. سپس با مشتق گیری نسبت به پارامتر استراتژی، واریانس ریسک را مینیمم می کنیم. نتایج نشان می دهد زمانی که فرآیند قیمت دارای ساختار مارکفی است هر دو روش منتهی به یک استراتژی پوشش ریسک خواهند شد. همچنین استفاده از حساب ملیاوین و نسخه تعمیم یافته فرمول کلارک-اکن شرط قوی مشتق پذیری روی را به شرط با مشتق کراندار روی ‎ ‎ ‎ تقلیل می دهد. این امر قدرت حساب ملیاوین در مسأله پوشش ریسک را نشان می دهد. تفاصيل المقالة

The multidimensional exponential Levy equations are used to describe many stochastic phenomena such as market fluctuations. Unfortunately in practice an exact solution does not exist for these equations. This motivates us to propose a numerical solution for n-dimensional exponential Levy equations by block pulse functions. We compute the jump integral of each block pulse function and present a Poisson operational matrix. Then we reduce our equation to a linear lower triangular system by constant, Wiener and Poisson operational matrices. Finally using the forward substitution method, we obtain an approximate answer with the convergence rate of O(h). Moreover, we illustrate the accuracy of the proposed method with a 95% confidence interval by some numerical examples.‎ تفاصيل المقالة

In this paper we introduce concepts of pseudo-triangular entropy as a supplement measure of uncertainty in the uncertain portfolio optimization. We first prove that logarithm entropy and triangular entropy for uncertain variables sometimes may fail to measure the uncertainty of an uncertain variable. Then, we propose a definition of pseudo-triangular entropy as a supplement measure to characterize the uncertainty of uncertain variables and we derive its mathematical properties. We also give a formula to calculate the pseudo-triangular entropy of uncertain variables via inverse uncertainty distribution. Moreover, we use the pseudo-triangular entropy to characterize portfolio risk and establish some uncertain portfolio optimization models based on different types of entropy. A genetic algorithm (GA) is implemented in MATLAB software to solve the corresponding problem. Numerical results show that pseudo-triangular entropy as a quantifier of portfolio risk outperforms logarithm entropy and triangular entropy in the uncertain portfolio optimization. تفاصيل المقالة

In today's world, with the advancement of science and technology, data is generated at high speeds, and with the increase in the size and volume of data, we often face a lot of extensions and redundant data and noise data that make the task of analysis difficult. Therefore, dimension reduction of the data without losing useful information in the data is very important to prepare the data for data mining and can increase the speed and even accuracy of the analysis. In this research, we present a dimensional reduction method using a copula function that reduces the dimensions of the data by identifying the relationships between the data. The copula function provides a good pattern of dependence for comparing multivariate distributions to better identify the relationship between data. In fact, by fitting the appropriate copula function to the data and estimating the copula function parameter, we measure the structural correlation of the variables and eliminate variables that are highly structurally correlated with each other. As a result, in the method presented in this study, using the copula function, we identify noise data and data with many common features and remove them from the original data. تفاصيل المقالة